石油化工过程的静态与时序数据组合建模.pdf

文章编号：1006-3080(2023)04-0489-09DOI:10.14135/ki.1006-3080.20220304001石油化工过程的静态与时序数据组合建模王杰1，陈博1，刘松2，欧阳福生1，戴宁锴1，赵明洋2（1.华东理工大学化工学院,石油加工研究所,上海200237；2.中国石化上海高桥分公司,上海200120）摘要：传统的石油化工过程建模中仅使用静态数据，而未能充分考虑连续生产过程中时序信息对建模指标的影响。本文提出了一种静态与时序数据组合网络（CNSS）模型，使用前馈神经网络提取静态数据的信息，使用 Bi-LSTM（Bidirectional-LongShortTermMemory）和自注意力机制提取操作变量时序数据中的信息，其中 Bi-LSTM 提取操作变量在时序逻辑上的信息，自注意力机制提取操作变量之间的交叉信息，通过静态和时序数据信息的组合以获得更好的模型预测性能；并使用 CNSS 模型分别对 SZorb 装置精制汽油辛烷值（RON）、催化裂化烟气脱硝系统氮氧化物（NOx）的出口质量浓度进行预测，结果表明：CNSS 模型的预测精度明显高于仅使用静态数据的机器学习模型，其对精制汽油 RON 预测的平均绝对误差和平均绝对百分比误差分别为 0.1091、0.12%，对 NOx出口质量浓度预测的平均绝对误差和平均绝对百分比误差分别为 2.4430mg/m3、5.60%。对于因工艺参数波动较大而需要考虑时序信息的石油化工过程，CNSS 模型可以为其建立机器学习模型提供重要参考。关键词：前馈神经网络；Bi-LSTM；自注意力机制；SZorb 工艺；FCC 烟气脱硝中图分类号：TE624文献标志码：A近年来，世界各工业强国先后提出了“智能制造”的概念1-3。石化行业作为我国的支柱产业，智能石化的发展与建设是提升智能制造水平的重要一环4-8。石油化工领域经过多年的建模、仿真、实验及自动化生产的发展，积累了大量的数据，而机器学习作为人工智能的子领域，其不需要基于规则的显示编程，就可以从数据中学习到隐藏的规律并做出合理的预测9。尤其近 10 年来机器学习中的深度学习取得了突破性的进展10，越来越多的学者将机器学习模型应用到自己的研究领域，以促进石化领域数字化、智能化和智慧化的发展。石化装置运行的历史数据一般存储于实验室信息 管 理 系 统（Laboratory Information ManagementSystem，LIMS）和分散控制系统（DistributedControlSystem，DCS）中，其中 LIMS 系统记录的是与原料、产品等物料相关的性质数据（如密度），这些数据的获得需要对物料进行采样分析，且具有一定的采样频率，将这些数据统一称作性质变量。DCS 系统记录的是各装置连续运行的工艺参数数据，这些数据通常具有时序性和可调节性，将这些数据统一称作操作变量。Y=F(X1,X2)以石化装置的历史数据为基础，采用机器学习算法构建装置指标（通常为产品性质或收率）的预测模型，可以抽象为过程，其中，F 为相关的机器学习模型，性质变量 X1=x1,x2,x3,xp；操作变量 X2=xp+1,xm2,xm1,xm；装置指标变量Y=y1,y2,y3,ye。装置指标的预测为回归任务，相关的机器学习模型可以分为参数模型和非参数模型两类。参数模型设定了目标函数的形式，可以极大地简化学习过程，如被广泛应用于数据分析领域的线性回归11。非参数模型不对目标函数进行过多的假设，可以从训练数据中学习任意形式的函数，包括收稿日期：2022-03-04基金项目：中国石油化工股份有限公司合同项目（CLY19056）作者简介：王杰（1996），男，云南人，硕士生，主要研究方向为石油化工过程的建模与优化。E-mail：通信联系人：欧阳福生，E-mail：引用本文：王杰,陈博,刘松,等.石油化工过程的静态与时序数据组合建模 J.华东理工大学学报（自然科学版）,2023,49(4):489-497.Citation：WANGJie,CHENBo,LIUSong,et al.CombinedModelingofStaticandSequentialDataforPetrochemicalProcessJ.JournalofEastChinaUniversityofScienceandTechnology,2023,49(4):489-497.Vol.49No.4华东理工大学学报（自然科学版）2023-08JournalofEastChinaUniversityofScienceandTechnology489支持向量回归12（SVR）、XGBoost13、深度神经网络14（DNN）等，SVR 的最终决策仅依赖于少量的支持向量，对噪声数据不敏感；XGBoost 为提升树模型，通过将多个具有依赖关系的弱学习器加权组合为一个强学习器；DNN 为多层前馈型神经网络，具有强大的非线性映射能力，可以应用于多种学习任务。传统的建模方式中，以性质变量的分析时间点为基准，取操作变量对应的数据，因此，X1与 X2组成的样本 X 为静态数据（即某一时刻的数据）。然而石油化工装置都是连续生产的过程，除了当前状态的操作变量（静态数据）会对装置指标造成影响外，操作变量的波动（时序信息）也会对装置指标造成影响，因此，对装置指标进行预测时，不仅要考虑某一时刻的静态数据，还需要考虑这一时刻之前（如前2h 内）操作变量的时序信息。在此背景下，本文提出了一种静态与时序数据组合网络（CombinationNetworkofStaticandSequentialData，CNSS）模型，用于石化装置建模中的静态和时序数据信息提取，以期获得更好的预测性能，并分别在石化企业的 SZorb 装置和催化裂化（FCC）烟气脱硝系统中进行验证。1石油化工过程的静态与时序数据组合网络图 1 所示为 CNSS 的整体结构，建模数据分为静态数据和时序数据两部分，静态数据的 shape 为 n,m（n 为样本数，m 为变量数）；时序数据的 shape 为n,d,mp（其中 d 为时间序列长度，mp 为操作变量数）。静态数据的信息提取采用常规的前馈神经网络进行，即图中的全连接层14（FullyConnectedLayer，FC）；时序数据的信息提取采用 Bi-LSTM15（Bidirectional-LongShortTermMemory）和自注意力机制16（Self-attentionMechanism）进行，其中 Bi-LSTM 用于提取操作变量在时序逻辑上的信息，而自注意力机制用于提取操作变量之间的交叉信息。提取到的信息在Concate 层进行拼接后，通过一个 FC 层进行输出得到装置指标。1.1 静态数据信息提取静态数据的信息提取采用前馈神经网络进行，由 FC 层、BN（BatchNormalization）层17和激活函数ReLU18构成一个结构单元（Block）,通过堆叠多个结构单元以适应不同复杂度的任务。FC 层主要进行输入 x 与权值向量 w 的线性组合，如式（1）所示。zFC=xw+b(1)其中：zFC表示 FC 层的输出，b 表示偏置项。BN 层用于保持神经网络每一层的输入有尽可能相同的分布，从而加速模型收敛、提高模型的泛化能力。BN 层将 FC 层的输出 zFC转换为均值为 0、方差为 1 的标准正态分布，同时为了增强网络的表达能力，通过 和 两个参数对标准正态分布进行缩放和平移（式（2），这两个参数在网络训练过程中可以自动学习得到。zbn=(zFC)+(2)Ti+1Ti=FCx2x1x3xpxp+1xp+2xp+3xmxp+1xp+2xp+3xmSequential data ofoperating variablesStatic data of propertyvariables and operatingvariablesBNReLUFCBNReLUSelf-attentionSelf-attentionFlattenFCBi-LSTMBi-LSTMConcateFCBlock1Block2T1T2TiTdUnit index图1石油化工过程的 CNSS 结构图Fig.1StructurechartofCNSSforpetrochemicalprocess490华东理工大学学报（自然科学版）第49卷zbn式中：表示 BN 层的输出，和 分别为训练批次的均值和标准差。ReLU 用于对 zbn进行非线性转换，计算见式（3）。ReLU(zbn)=zbn,if zbn 00,if zbn 0(3)1.2 时序数据信息提取1.2.1Bi-LSTMLSTM19（LongShort-TermMemory）网络可用于提取操作变量在时序逻辑上的信息，为装置指标的预测提供更多的有用特征。LSTM 是为了解决 RNN20（RecurrentNeuralNetworks）网络的长期依赖问题而设计的，相比于原始 RNN 的隐藏层，LSTM 增加了一个细胞状态（ct），并引入了“门”结构。通过细胞状态可以将较早时间步长的信息传递至较后时间步长的细胞中，解决了短时记忆的问题，而信息的添加或移除主要通过“门”的机制进行。LSTM 设计了输入门（Inputgate，it）、遗忘门（Forgetgate，ft）、输出门（Outputgate，ot）三道门21，如图2 所示。itotftctxthtInputgatextxtxtOutputgateForgetgate图2LSTM 的一个记忆单元Fig.2AmemoryunitofLSTM输入门 it主要用于将 xt的信息选择性地加入到细胞状态 ct中，其计算见式（4）。it=sigmoid(Wxixt+Whiht1+Wcict1+bi)(4)式中：sigmoid 为激活函数；W 为与其下标对应的权重矩阵，如 Wxi为输入门中关于 xt的权重矩阵；b 为与其下标对应的偏置；h 表示隐藏层状态。遗忘门 ft主要用于选择性地遗忘细胞状态中的信息，其计算见式（5）。ft=sigmoid(Wxfxt+Whfht1+Wcfct1+bf)(5)通过输入门和遗忘门则可完成对细胞状态中信息的更新，其计算见式（6）。ct=ftct1+ittanh(Wxcxt+Whcht1+bc)(6)输出门 ot主要用于隐藏层状态 ht的更新，其计算见式（7）、式（8）。ot=sigmoid(Wxoxt+Whoht1+Wcoct1+bo)(7)ht=ottanh(ct)(8)LSTM 在当前的记忆单元进行计算时，仅能利用过去时刻的操作变量信息，而在研究操作变量的时序信息对装置指标的影响时，未来时刻的变化趋势也应考虑在内。Bi-LSTM 通过两个单独的隐藏层在前后两个方向上将时序信息提取到同一个 T 输出层，如图 3 所示。因此，操作变量在时序逻辑上的信息可以通过堆叠多个 Bi-LSTM 结构进行提取。ot1xt1xt+1xtotot+1Input layerht1ht1ht+1htht+1htForward layerBackward layerOuput layer图3Bi-LSTM 示意图Fig.3SchematicdiagramofbidirectionalLSTM1.2.2自注意力机制自注意力机制为注意力机制的一种，其可以学习到序列数据中任意两项的相互关系，并将所有项的信息赋予每一项。LSTM 通过重复隐藏层状态完成时序信息前后的传递，为时序逻辑；而自注意力机制通过一组矩阵运算即可完成各项之间的信息共享。因此，可使用自注意力机制对操作变量的时序数据进行特征交叉，即通过学习各操作变量之间的交叉信息，进一步为装置指标的预测提取有用特征。xi Rdxzi Rdz对于输入序列 x=xp+1,xp+2,xi,xm，其中（dx 表示向量 x 的维度，以此类推），通过自注意力机制可以计算得到一个新的序列 z=zp+1,zp+2,zi,zm，其中。每个输出元素 zi为输入元素线性变换的加权和，如式（9）所示。zi=mj=kij(xjWV)(9)ijR式中：为权重系数；WVdxdz，为网络所需学习的参数矩阵。ij每个权重系数通过 Softmax 函数计算得到，如式（10）所示。ij=exp(eij)mq=kexp(eiq)(10)eij是通过兼容函数（CompatibilityFunction）计算得到，如式（11）所示。第4期王杰，等：石油化工过程的静态与时序数据组合建模491eij=(xiWQ)(xjWK)Tdz(11)R式中：WQ、WKdxdz，为网络所需学习的参数矩阵。图 4 示 出 了 操 作 变 量 xp+1的 时 序 数 据 向 量xp+1,1;xp+1,2;xp+1,d 与其余操作变量的时序数据向量进行特征交叉的过程，通过自注意力机制进行特征交叉后，操作变量 xp+1融合了其余操作变量的信息，得到向量 zp+1=zp+1,1;zp+1,2;zp+1,s，s 由参数矩阵 WQ、WK和 WV的大小进行确定。其余操作变量按同样的方式进行特征交叉后，得到的输出 z 仍然为序列。为了与其余单元提取到的信息维度保持一致，使用 Flatten 层将其打平为一维，并使用一个 FC 层进行信息压缩。实际使用注意力机制单元时，可以依据操作变量时序数据的复杂程度，相应设置单头或多头自注意力机制。qp+1kp+1vp+1qp+2kp+2xp+2xp+1vp+2qmkmxmvmzp+1p+1,p+1p+1,p+2p+1,m图4一个操作变量的时序数据与其余操作变量的时序数据进行特征交叉的示意图Fig.4Schematic diagram of feature crosses between oneoperatingvariableandotheroperatingvariables 1.3 优化算法使用均方误差（MSE）作为 CNSS 的损失函数，则网 络 的 学 习 和 训 练 可 以 通 过 随 机 梯 度 下 降22（StochasticGradientDescent，SGD）、Adam23等优化算法进行。与 SGD 保持单一的学习率不同，Adam算法通过计算历史梯度的一阶矩估计和二阶矩估计来为待更新参数设计不同的自适应学习率，在深度学习模型的训练中得到了广泛应用。因此，本研究采用 Adam 算法对 CNSS 网络进行训练，对于目标函数 f()，参数 从第 t1 次迭代到第 t 次的更新步骤见式（12）（17）。gt=ft(t1)(12)mt=1mt1+(11)gt(13)vt=2vt1+(12)gt2(14)mt=mt11t(15)vt=vt12t(16)t=t1 mt vt+(17)mt vt式中：gt为 f()对当前参数 的梯度；mt、vt分别为有偏一阶矩估计和二阶矩估计；1、2分别为一阶矩估计和二阶矩估计的指数衰减率，一般设置为 0.9 和0.999；、分别为进行偏差修正后的一阶矩估计和二阶矩估计；为学习率，其决定参数 的更新步长，本文设置为 0.001；用来避免分母为 0，一般设置为 108。2验证实例由美国康菲石油公司（ConocoPhillips,COP）开发、中国石化股份公司整体收购并进行技术提升的 SZorb 工艺24是我国生产超低硫汽油的核心技术之一，具有汽油收率高、辛烷值（RON）损失小、硫含量低的优点；选择性催化还原25（SelectiveCatalyticReduction，SCR）技术是目前针对 FCC 再生烟气脱硝系统氮氧化物（NOx）的主要技术之一。为了验证CNSS 模型在实际建模中的预测性能，分别对 SZorb装置精制汽油 RON 预测结果、FCC 烟气脱硝系统 NOx出口质量浓度预测结果进行验证。为了将 CNSS 与静态模型的预测效果进行对比，采用 SVR、XGBoost、DNN 这 3 种模型在同样的静态数据上进行训练和测试，且为了保证 CNSS 与静态模型之间对比的公平性，3 个静态模型的超参数都通过交叉验证进行调优，尽量使其达到本模型的最佳预测效果。同时为了验证 CNSS 使用 Bi-LSTM 单元和自注意力机制单元提取时序数据信息更具优势，将 CNSS 中的 Bi-LSTM 单元分别替换为 RNN（CNSS-RNN）、LSTM（CNSS-LSTM）和不使用自注意力机制单元（CNSS-NoAttention），得到 3 个同样可以提取操作变量时序数据信息的模型（动态模型），并在同样的数据上进行训练和测试。2.1 S Zorb 装置精制汽油 RON 预测2.1.1数据采集及建模变量筛选数据来源于某石化企业 SZorb 装置的 LIMS 系统和 DCS 系统的历史数据。从 LIMS 系统采集了 2017 年 4 月到 2020 年9 月的物性数据，包括原料、产品、吸附剂和循环氢组成在内的共计 14 个性质变量，这些变量的分析频率存在差异，原料和精制汽油的 RON 为 2 次/周。由492华东理工大学学报（自然科学版）第49卷于 RON 为装置指标（预测目标），因而以 RON 的分析频率为基准，整理得到 347 组静态数据样本。每次操作变量的采集间隔为 6min，包括氢油体积比、反应过滤器压差、还原器压力等 301 个变量；以 RON的分析时间为基准，取该时间点前后各 1h 的平均值作为操作变量的静态数据，该时间点前 2h 的数据作为操作变量的时序数据。对于采集得到的 14 个性质变量和 301 个操作变量，通过最大信息系数26（MaximalInformationCoefficient，MIC）和 Pearson 相关系数筛选出了 21 个与精制汽油 RON 相关性高且相互独立的变量，见表 1。因此，性质变量静态数据、操作变量静态数据、操作变量时序数据的 shape 分别为：347，9、347，12、347，21，12（21 为时序长度，2h 内以 6min为间隔所得到）。表1精制汽油 RON 预测模型的建模变量Table1ModelingfeaturesofRONpredictionmodelforrefinedgasolineVariablecategoriesVariablenameInputvariablesPropertyvariables(9)RawmaterialRON,sulfurcontent,olefincontent,aromaticscontent,density,vaporpressure,sulfurcontentofregeneratedadsorbent,carboncontentofregeneratedadsorbent,circulatinghydrogencontentOperatingvariables(12)Hydrogen-oilvolumeratio,nitrogenflowrateforliftinginregenerator,flowrateoflighthydrocarbonsoutofunit,reactorbottomtemperature,pressureofrecyclehydrogencompressoroutlet,flowrateoffluidizedhydrogeninreductor,regeneratedairflowrate,flowrateofhydrocrackingnaphthaintounit,rawgasolineflowrate,reactortoppressure,regeneratortemperature,pressuredifferencebetweentopandbottomofreactorOutputvariablesProductRefinedgasolineRON2.1.2数据标准化处理及划分为了消除各建模变量之间的量纲差异和大数值对小数值的掩盖作用，本文采用 z-score 方法对建模数据进行标准化处理。并按照近似 41 的比例将 347 组样本随机划分为277 组训练集和 70 组测试集，分别用于模型训练和模型泛化能力评估。2.1.3模型预测结果及评估构建精制汽油 RON 的CNSS 预测模型后，采用 Adam 算法进行训练，图 5所示为该模型损失函数的变化曲线。由图 5 可以看出，当迭代至 60 次后，训练集和测试集的损失已无明显变化，表明模型已经收敛，且训练集和测试集之间的损失无明显差异，未出现过拟合现象。各模型的评估指标见表 2，其中，MAE、MSE、R2、MAPE 分别为平均绝对误差、均方误差、决定系数和平均绝对百分比误差。由表 2 可见，CNSS 模型在各项指标上都获得了最佳的表现，测试集的 MAE（0.1091）相比于 3 个静态模型中的最低值（0.1409）降低了 0.0318 个单位，表明通过对操作变量的时序数据信息进行提取，可以有效降低精制汽油 RON 的预测误差；CNSS-RNN 和 CNSS-LSTM 模型在测试集上的 MAE 均高于 CNSS，表明 CNSS 模型使用 Bi-LSTM 单元提取操作变量在时序逻辑上信息的性能要优于 RNN 和 LSTM，这是由于 Bi-LSTM 可以在时序的前后两个方向上进行信息提取；在 4 个动态模型中，CNSS-NoAttention 没有使用自注意力机制对操作变量进行特征交叉，其预测误差最大，表明自注意力机制对于提升精制汽油 RON 的预测性能起到了重要作用。CNSS 将精制汽油 RON 测试集的 MAE 控制在 0.1091，R2为 0.9811，模型具有较好的拟合优度和泛化能力；从图 6 中也可以看出，CNSS 预测值与实际值的吻合度高，可以实现对 SZorb 装置精制汽油 RON 的高精度预测。2.2 FCC 烟气脱硝系统 NOx出口质量浓度预测2.2.1数据采集及建模变量筛选数据来源于某炼厂 FCC 装置 SCR 脱硝系统，以 10min 为间隔，从DCS 系统采集了 2021 年 5 月到 2021 年 10 月的共计 25700 组操作变量数据，包括 NOx进口质量浓度、NOx出口质量浓度等22 个操作变量，本任务中无LIMS1.00.80.60.40.2020406080100120140160EpochLossTraining setTest set图5精制汽油 RON 的 CNSS 预测模型的损失曲线Fig.5Loss curves of CNSS prediction model for refinedgasolineRON第4期王杰，等：石油化工过程的静态与时序数据组合建模493系统数据。以 NOx出口质量浓度的采集时间点为基准，取该时间点的操作变量数值作为静态数据，该时间点前 1h 的操作变量数据作为时序数据。22 个操作变量中部分变量间高度相关，为了增强建模变量的独立性，采用因子分析27将高度相关的变量归为 1 个共性因子。经过因子分析处理后，注氨量、氨气管道流量被归为氨气因子；反应器进、出口（上部、中部、下部）温度被归为温度因子；氨气进口压力、催化风管道压力、反应器进口压力、催化剂床层（上部、中部、下部）压力、空气管道压力、氨气进口温度、空气管道流量被归为压力因子。这 3 个因子与余下的 5 个独立变量一起组成 8 个建模变量，如图 7 所示。静态数据、时序数据的 shape 分别为25700,7（当前时刻的 NOx出口质量浓度为预测目标，应从 8 个变量中扣除）、25700,6,8（6 为时序长度，1h内以 10min 为间隔所得到），并按照 41 的比例将数据集随机划分为 20560 组训练集和 5140 组测试集。2.2.2模型预测结果及评估烟气 NOx出口质量浓度的 CNSS 模型在训练过程中训练集和测试集的损失曲线如图 8 所示。由图 8 可以看出，在迭代至400 次以后，模型在训练集上的损失还存在微弱的下降趋势，但在测试集上的损失已无明显变化，表明模型的进一步训练已无法提升测试集的预测精度，模919089888786859190898887868584Predicted valueRefined gasoline RONRefined gasoline RONActual value919089888786859190898887868584Predicted valueActual value9190898887868525030020015010050084Sample numbers919089888786857060504030201008384Sample numbersRefined gasoline RON;Predicted value;Actual valuer(a)Training set(c)Training set(b)Test set(d)Test set图6精制汽油 RON 的 CNSS 预测模型实际值与预测值的对比图Fig.6ComparisondiagramofactualvalueandpredictedvalueofCNSSpredictionmodelforrefinedgasolineRON表2精制汽油 RON 预测模型的评估指标Table2EvaluationindexofRONpredictionmodelforrefinedgasolineModelSetMAEMSER2MAPE/%SVRTraining0.15370.06280.94430.18Test0.24820.14180.87220.28XGBoostTraining0.15280.04520.95990.17Test0.18340.06100.94510.21DNNTraining0.12130.02780.97530.14Test0.14090.03290.97030.16CNSS-RNNTraining0.09500.01630.98550.11Test0.11870.02390.97850.13CNSS-LSTMTraining0.09180.01460.98700.10Test0.11280.02320.97910.13CNSS-NoAttentionTraining0.10150.01860.98340.12Test0.12240.02810.97460.14CNSSTraining0.08200.01370.98790.09Test0.10910.02090.98110.12494华东理工大学学报（自然科学版）第49卷型已经达到最好的泛化能力。表 3 示出了不同模型在烟气 NOx出口质量浓度预测上的评估指标。由表 3 可以看出，CNSS 模型的各项指标均明显优于 3 个静态模型，与 CNSS-RNN、CNSS-LSTM 和 CNSS-NoAttention3 个动态模型相比，CNSS 模型同样获得了最佳的表现，表明 CNSS模型可以从操作变量的时序数据中提取到更多的信息用于 NOx出口质量浓度的预测。由表 3 和图 9 可知，CNSS 模型实际值与预测值的偏差较小，在测试集上的平均绝对百分比误差低至 5.60%，可以对 FCC烟气脱硝系统的 NOx出口质量浓度进行有效预测。T1T7T6T5T4T3T2NOx inlet mass concentrationOxygen inlet concentrationInlet flowNH3 inlet concentrationDenitration temperature factorDenitration pressure factorNH3 flow factorNOx outlet mass concentrationCNSST7Ti+1Ti=10 minStatic dataSequentialdata?图7NOx出口质量浓度预测模型示意图Fig.7SchematicdiagramofNOxoutletmassconcentrationpredictionmodel0.80.70.60.50.40.30.20.100100200300400500LossEpochTraining setTest set图8NOx出口质量浓度的 CNSS 预测模型的损失曲线Fig.8Loss curves of CNSS prediction model for NOx outletmassconcentration12010080604020020406080100120Predicted value of(NOx)/(mgm3)Actual value of(NOx)/(mgm3)12010080604020020406080100120Predicted value of(NOx)/(mgm3)Actual value of(NOx)/(mgm3)(a)Training set(b)Test set图9NOx出口质量浓度的 CNSS 预测模型实际值与预测值的对比图Fig.9ComparisondiagramofactualvalueandpredictedvalueofCNSSpredictionmodelforNOxoutletmassconcentration表3NOx出口质量浓度预测模型的评估指标Table3Evaluation index of NOx outlet mass concentrationpredictionmodelModelSetMAEMSER2MAPE/%SVRTraining6.045175.77100.759512.34Test7.1145101.77980.662414.26XGBoostTraining5.428958.63640.812310.76Test7.2034102.13120.673214.52DNNTraining5.624863.27160.78869.86Test5.705867.82100.785111.16CNSS-RNNTraining3.339625.65750.92426.32Test3.474528.57080.91076.97CNSS-LSTMTraining3.026819.61090.93836.08Test3.537530.87500.90156.67CNSS-NoAttentionTraining3.604035.00800.89177.19Test3.919637.06390.88467.79CNSSTraining2.391811.76600.96365.19Test2.443011.79790.96205.60第4期王杰，等：石油化工过程的静态与时序数据组合建模4953结束语（1）提出了一种应用于石油化工过程的 CNSS模型。网络中使用前馈神经网络提取静态数据的信息、Bi-LSTM 提取操作变量在时序逻辑上的信息、自注意力机制提取操作变量的交叉信息，通过静态和时序数据信息的组合以获得更好的模型预测性能。（2）使用 CNSS 模型分别对 SZorb 装置精制汽油 RON、FCC 烟气脱硝系统 NOx出口质量浓度进行预测，结果表明：CNSS 模型的预测精度明显高于仅使用静态数据的机器学习模型，且预测性能优于使用 RNN、LSTM 分别替换 Bi-LSTM 单元和不使用自注意力机制单元的 3 种动态模型。（3）对于因工艺参数波动较大而需要考虑时序信息的石油化工过程，CNSS 模型为其建立机器学习模型提供重要参考。后续的研究可以将 CNSS 模型中进行信息提取的 3 个单元进一步归纳为更为通用的模块，并为各模块设定合理的权重，使得 CNSS 模型对无需考虑时序信息的石油化工过程也具有较强的适用性。参考文献：常 杉.工 业 4.0:智 能 化 工 厂 与 生 产 J.化 工 管 理,2013(21):21-25.1刘亚成.重塑美国制造业NNMI首份年度报告和战略规划分析J.环球飞行,2016(3):28-33.2刘浩,范梦婷,郑谊峰,等.AI技术在化工领域的前沿和基础技术情报研究J.化工管理,2021(4):98-101.3张梦轩,刘洪辰,王敏,等.化工过程的智能混合建模方法及应用J.化工进展,2021,40(4):1765-1776.4ZHONGRY,XUX,KLOTZE,et al.Intelligentmanufac-turinginthecontextofindustry4.0:AreviewJ,Engineer-ing,2017,3(5):616-630.5周济.智能制造中国制造2025的主攻方向J.中国机械工程,2015,26(17):2273-2284.6ZHOU J,LI P,ZHOU Y,et al.Toward new-generationintelligent manufacturingJ.Engineering,2018,4(1):11-20.7王少勇,王倍春.大数据智能炼油厂之路J.石油化工自动化,2019,55(1):62-65.8DOBBELAEREMR,PLEHIERSPP,VANDEVIJVERR,et al.Machine learning in chemical engineering:Strengths,weaknesses,opportunities,andthreatsJ.Engi-neering,2021,7(9):1201-1211.9VENKATASUBRAMANIANV.Thepromiseofartificial10intelligenceinchemicalengineering:Isithere,finallyJ.AIChEJournal,2019,65(2):466-478.COHEN P,WEST S G,AIKEN L S.Applied MultipleRegression/CorrelationAnalysis for The Behavioral Sci-encesM.WashingtonDC:AmericanPsychologyAssoci-ation,2014.11CHANGCC,LINCJ.Trainingnu-supportvectorregres-sion:TheoryandalgorithmsJ.NeuralComputation,2002,14(8):1959-1977.12CHENT,GUESTRINC.Xgboost:Ascalabletreeboost-ingsystemC/Proceedingsofthe22ndACMSigkddInter-national Conference on Knowledge Discovery and DataMining.SanFranciso,USA:AMC,2016:785-794.13SVOZILD,KVASNICKA V,POSPICHAL J.Introduc-tiontomulti-layerfeed-forwardneuralnetworksJ.Chem-ometricsandIntelligentLaboratorySystems,1997,39(1):43-62.14GRAVESA,JAITLYN,MOHAMEDAR.HybridspeechrecognitionwithdeepbidirectionalLSTMC/2013IEEEWorkshopon Automatic Speech Recognition and Under-standing.NewYork,USA:IEEE,2013:273-278.15VASWANIA,SHAZEERN,PARMARN,et al.Attentionisall you needJ.Advances in Neural Information Pro-cessingSystems,2017,30:122-129.16IOFFES,SZEGEDYC.Batchnormalization:Acceleratingdeep network training by reducing internal covariateshiftC/Proceedings of th