泛在感知中台建设方案
前言
工业互联网平台普遍面临的问题是：
1、在数据完成采集和展示之后，数据如何分析、如何挖掘、如何建模、如何将数据价值变现？
2、不同行业的技术原理、行业知识、基础工艺都不一样，如何建设跨行业跨领域的工业互联网平台？
泛在感知中台是跨行业跨领域的大数据处理中台，可以帮助企业提升平台能力，为企业提供丰富的多行业场景和应用模型，丰富的算法支持企业项目落地。
建设背景（1）-工业互联网
作为国家新基建之一的工业互联网，能够帮助制造业实现数字化、网络化和智能化转型。工业互联网平台的核心是将工业技术原理、行业知识和基础工艺，规则化、软件化和模型化。泛在感知中台聚焦于将工业知识和专家经验模型化这个核心点。
建设背景（2）-智能制造
《中国制造2025》明确提出把智能制造工程作为五项重点工程之一，要求大力推进制造过程智能化，在重点领域试点智能工厂及数字化车间。智能工厂具有数字化、自动化、集成化、可视化、模型化和智能化的六化特征。泛在感知中台聚焦于智能工厂的模型化和智能化。
建设背景（3）-企业数字化转型的面临的问题
当前企业数字化转型过程中面临的问题在于，虽然知道工业数据是非常有价值的，但数据的真实价值尚未得到挖掘，导致数据资产都变成了数据负债。比如：企业采购了大量的设备去采集和存储数据，但却无法对数据有效利用。
建设目标
以人工智能和大数据技术为驱动，以泛在感知中台建设为抓手，以“多维数据汇聚”、“超感模型”、“大数据分析”为目标 ，实现对企业生产经营数据的挖掘，从而降低生产成本，提高经济效益，助力工业企业实现数字化、网络化和智能化转型。具体包括：
总体架构
采用工业互联网平台典型的四层架构：边缘层支持工控系统和应用系统数据采集，IaaS层支持公有云和私有云部署，PaaS层支持数据接入、计算、存储和服务，SaaS层包括泛在感知、超感模型、数据分析等应用。
典型场景 1-化工
化工生产装置通常间隔4-8小时，由人工对馏出口产品进行采样分析。当发现产品质量不合格的时候，已经延迟了4-8小时，产品质量控制滞后，导致了不合格产品的产生，增大了企业的生产成本，甚至影响了企业的社会形象。通过泛在感知中台可以实时感知产品质量变化，指导生产过程控制，从而增加产品的优级品率，提高经济效益。
典型场景 2-煤矿
精煤灰分是选煤厂关键的质量指标。精煤产品通常由化验室取样分析，分析周期为1个小时。一方面，当产品质量检测出不合格时，通常已经延迟了1个小时，操作调整滞后严重；另一方面，由于不能够实时掌握精煤灰分，为了保证产品质量，不可避免地造成了精煤产量的损失。通过泛在感知中台，对精煤灰分进行在线分析和卡边控制，能够帮助选煤厂提升产品质量，提高精煤收率，进而提高经济效益。
典型场景 3-环保
三废处理装置中，存在多个重要且难测的过程变量，制约了环保装置的控制策略的调整与优化。比如：烟气脱硝装置中，烟气在线监测系统存在烟气中氮氧化物分析滞后的问题，对喷氨控制带来了较大的影响。通过泛在感知中台，可实现烟气中氮氧化物浓度的实时计算，一方面降低了烟气出口Nox排放浓度的波动，另一方减少了喷氨量，降低了脱硝成本。
典型场景 4-智慧楼宇
我国建筑能耗占所有总能耗的 30%以上，其中高达 40%是空调能耗。大多数中央空调使用的是反馈系统，但由于其本身存在大惯性、大滞后特性，导致中央空调的供冷量往往过余，造成能耗浪费。通过泛在感知中台，对未来3天的楼宇的冷负荷以及供回水温差进行逐时预测，进而提前对冷冻水系统进行温差控制，实现按需供冷，最终降低楼宇的能耗，使楼宇更智慧。
典型场景 5-综合能源
可应用于综合能源的大数据分析，具体应用场景包括：风电、光伏、供热、储能等（供能侧），工厂能源、建筑能源、充电站等（用能侧），配网线路断线诊断、供热管网等（管网侧）。泛在感知中台对这些场景的关键指标的预测分析。
典型场景 6-设备故障预测
建立设备关键参数的预测模型，将模型预测结果与实际值进行对比分析，如果两者差别不大，代表设备运行正常。如果两者之间的差值大于某个阈值，则表明设备可能发生了故障，由系统自动进行预警提醒，进而实现预知性维修，保障设备和生产安全。
典型场景 7-技术经济指标预测
生产装置的技术经济指标，比如：综合能耗、水蒸汽单耗、电单耗、循环水单耗等，通常只能按照班次统计或者日/月统计，不利于实时控制和优化。通过泛在感知中台，建立工艺参数与技经指标的数学模型，实现对技经指标的实时预测估计，进而指导生产操作，提升技经指标，提高经济效益
典型场景 8-生产过程动态模拟
通过泛在感知中台建立关键指标的预测模型，手动将该模型的某些输入参数动态调整，观察模型的输出参数的变化情况。比如：对于连续重整装置，建立产品收率预测模型，将原料芳潜从小到大进行调整，可发现汽油收率呈现出上升趋势。
典型场景 9-生产过程的推演
当产品质量出现问题或者生产指标出现异常时，可利用泛在感知中台，导入历史数据，对当时的生产过程进行推演或者复盘，帮助生产技术人员分析质量异常或者生产事故的原因。
典型场景 10-复杂机理模型的回归
对于复杂的机理模型，往往通过Matlab或者Fortran编写复杂的计算程序，大多数只能进行离线计算，而且需要较长的计算时间。泛在感知中台只需要对历史计算数据进行学习，即可对模型的输入和输出进行准确回归，进而能够对未知的原料或者工况进行计算，具备了较好的外延性，实现对复杂机理模型的离线或者在线计算，且计算速度快，比如：对FCC六集总模型、加热炉热效率、腐蚀风险评估等。
典型场景 11-轻量级的双跨工业互联网平台
跨行业跨领域的工业互联网平台：对于中小微企业，泛在感知中台支持平台的快速部署。对于集团企业，泛在感知中台支持跨行业跨领域的工业互联网平台部署，对管理者提供集团级的监管平台。
总体技术路线
采集DCS、SCADA、PLC以及应用系统的数据，通过数据预处理、特征工程、构建模型、模型评估和模型部署五个步骤，完成超感模型的建立，实现对产品质量以及关键指标的超级感知，进而精准地指导生产控制。
总体技术路线-1 数据预处理
将采集的历史数据进行数据预处理，利用数据清洗相关算法进行数据的异常值处理、数据融合和标准化，其中将用到数据清洗、整定、对齐和标准化等技术。
总体技术路线-2 特征工程-相关性分析（1）
对经过预处理和标准化的数据进行相关性分析，按照在两个相关性较强的变量之中选择其中的一个变量作为特征变量的原则，结合专家经验辅助，实现特征变量的初选。
总体技术路线-2 特征工程-主成分分析（2）
利用主成分算法抽取特征变量，比如前4个主成分累计方差贡献大于85%，则确定为4个主成分。每一个主成分是其它个指标的线性组合，而不是具体某一指标。
总体技术路线-2 特征工程-因果链路分析（3）
采集装置包括工艺、质量、设备、原料等数据在内的全量的历史数据，对数据进行整定、滤波、标准化等预处理，然后使用传递熵算法，计算出与模型输出变量相关的变量的传递熵，并基于传递熵的计算结果，绘制模型输出变量的因果链路图。然后从根原因中结合专家经验，对特征变量进行筛选。
总体技术路线-3 模型构建
以化工行业建模为例：采集汽提塔顶温度、汽提塔回流流量、再沸器支路流量和汽提塔底温度等数据，以汽提塔顶温度等工艺数据为输入，以液化气中丙烷含量等为输出，建立机器学习模型。使用历史数据中的训练集部分对模型进行训练，并结合遗传算法，对模型的权值和阈值等参数进行优化，从而完成模型构建过程。
总体技术路线-4 模型评估
模型构建完成之后，使用历史数据中的测试集部分，对模型进行效果评估。评估方法可选择预测准确度、相对误差、均方根误差和均方根对数误差，对模型进行评估。如果模型误差满足业务需求，即可进行模型部署，否则需要重新构建模型。
总体技术路线-5 模型部署
当模型的准确度符合业务要求，即可进行模型部署。模型部署后，接入在线数据，进行流式计算，即可实现对产品质量等指标的在线计算和展示。
化工行业应用效果分析
化工行业是典型的连续生产，但是由于产品需要实验室检测，对产品质量把控的时间周期比较长，一般一天只能分析2-3个样品，中间的质量情况完全不可控。通过模型可实现每分钟一个结果，实时指导现场的工艺操作，对于一个100万吨/年的生产装置，优等品率预计提高10%，预计每年可为现场增加产值1000万以上。
煤炭行业应用效果
在精煤检测阶段，目前现场约1小时分析1次精煤灰分。通过泛在感知中台，对于1000万吨/年的选煤厂，预计每年为工厂带来超过2000万效益的提升，对整个行业都是颠覆性的进步。
产品特点
产品与智能工厂的关系
本产品是智能工厂的高端应用和重要组成部分。在工厂完成数据采集的基础上，产品能够帮助企业在大数据分析层面，快速构建智能工厂，通过五个中台的建设，使企业具备全面感知、预测预警、协调优化、安全受控和科学决策五项能力。泛在感知中台是五大中台的第一个产品。
泛在感知中台综合上线时间为20个工作日，包括前期调研、数据清洗、开发、联调、上线使用。
