过程运行状态评价指在过程安全、正常运行的前提下,进一步对过程运行性能优劣做出评价,并对非优原因进行追溯,为操作人员提供合理可靠的操作指导建议.过程运行状态优劣评价指标种类众多,其中,综合经济指标(Comprehensive economic index,CEI)是最常用的评价指标之一,CEI将物耗、能耗、产品质量等指标融合为经济效益的综合指标.有效的运行状态评价方法有助于保证过程CEI最大化.因此,近年来对运行状态评价方法的研究越来越多.

性能评价方法已广泛应用于各个领域[1?4].层次分析法(Analytic hierarchy process,AHP)是一种研究初期盛行的方法,AHP以指标的拓扑结构为基础,已广泛应用于环境和风险评价中[5?7].过程危害分析法(Process hazards analysis,PHA)和专家系统是基于过程知识的方法,已应用于风险和状态评价中[8?9].灰色关联分析法(Grey relational analysis,GRA)是一种处理小样本情况的方法,曾应用于环境和经济效益的评价[10].作为人工智能方法发展的一个重要成果,人工神经网络(Artificial neural network,ANN)拥有强大的学习能力和非线性处理能力.基于ANN的评价方法得到广泛应用,例如临界状态评估等[11?12].其他常用评价方法还包括信息理论、动态概率理论等,已应用于结构破坏评价[13]、空气质量评价[14]等领域.但上述典型评价方法并没有针对过程运行状态优劣程度在线评价进行深入研究.

过程运行状态在线评价是近几年诞生的一个新兴研究方向.对于数据呈单峰分布的过程,Liu等针对线性和非线性的情况,分别提出了基于Total projection to latent structure(T-PLS)[15]和Kernel total projection to latent structure(KT-PLS)[16]的评价方法.对于数据呈多峰分布的过程,Liu等提出了基于高斯混合模型回归(Gaussian mixture model regression,GMR)[17]的评价方法.此类方法虽能实现过程运行状态在线评价,却过度依赖于数据质量,要求数据测量准确、实时,否则,会使评价准确度和精度大大降低,甚至造成评价模型失效.

在实际生产过程中,存在大量无法准确、实时测量的变量,变量取值可能来自于粗糙的测量、离线化验、专家定性估计等,即不确定信息在实际流程工业过程中广泛存在.此类不确定性主要来源于恶劣的生产环境和落后的测量技术.Pawlak提出的粗糙集(Rough set,RS)理论是一种在不确定性存在的前提下进行推理的方法[18?19],现已广泛应用于安全性评价和风险评价等领域[20?21],但还未有研究将RS应用于含不确定性的过程运行状态最优性在线评价中.

当过程运行于非优运行状态时,需进行原因追溯.传统的非优原因追溯方法多基于确定性信息.基于指标分解的非优原因追溯方法是最常用的方法,Liu等[15]和Zou等[22]将优性评价指标分解为与变量相关的单项式和作为变量对优性指标的贡献和.超出历史最优运行状态时贡献范围的变量,被认定为非优原因变量.只有优性指标可被分解为独立的变量贡献时,此方法才有效.Liu等[16?17]将优性指标对每个变量的偏导数值作为相应变量的贡献,并将超出最优运行状态时贡献范围的变量作为非优原因变量.该方法仅适用于优性评价指标为连续可导函数的情况.当过程存在不确定信息时,上述两类方法都难以直接应用.

本文旨在解决含不确定信息的流程工业过程运行状态优性评价和非优原因追溯问题.流程工业过程含有多生产单元、多变量等特点,同一生产单元内变量耦合程度高,单元间变量耦合程度低,整体变量规模庞大.若将传统评价方法直接应用于流程工业过程中,可能存在以下三个主要问题:1)问题规模庞大,模型复杂,难以准确建立;2)过程变量并不直接影响最终评价指标,而是通过一系列中间工艺指标,逐步逐层影响综合评价指标,因此,难以直接提取过程变量与最终评价指标的相关性;3)在非优情况下,非优原因变量难以快速定位,模型解释性差.考虑到实际复杂流程工业过程特点和数据特性,本文提出基于RS的分层分块模型,应用于过程运行状态最优性在线评价和非优原因追溯.根据流程工业过程管理方向和生产流程进行纵向分层和横向分块,用RS对每一个子块分别进行建模.在分层分块模型的基础上,进行评价和非优原因追溯.本文所提方法考虑到不确定信息,合理简化问题规模,兼顾子块内和子块间的信息、不同层次指标之间的关系,提高评价精度和解释性.

1 分层分块评价模型的建立

针对流程工业过程多变量、多生产单元、含不确定性、有不同层次指标的特点,提出一种基于RS的分层分块模型(RS based hierarchical multi-block model,RSHMM),进行运行状态评价,简化问题规模,提高模型解释性.