基于“聯(lián)邦學習+AIOT”的智慧化工邊緣云研究與實踐

肖婷婷

南京信息工程大學

0 引言

目前國內(nèi)多數(shù)化工企業(yè)生產(chǎn)工藝依賴于業(yè)務專家的領域經(jīng)驗調(diào)整用料配比，以滿足生產(chǎn)需要，而人對生產(chǎn)環(huán)境的感知靈敏度有限，難以及時捕獲時間、環(huán)境、設備、催化物等因素變化對生產(chǎn)帶來的影響，同時也無法把握時間跨度較大的產(chǎn)量、質(zhì)量變化趨勢。要想在工藝提升方面有所突破，必須借助更先進的信息技術(shù)。化工企業(yè)受其所接觸技術(shù)的先進性、成熟度、跨行業(yè)融通能力限制，信息化水平相對較低。部分企業(yè)通過外部上游化工行業(yè)巨頭進行數(shù)據(jù)分析，很多時候只能知道數(shù)據(jù)結(jié)果，中間數(shù)據(jù)缺失，同時也容易失去數(shù)據(jù)的自主性。數(shù)據(jù)的完整性、安全性不足和信息技術(shù)相對落后，一直困擾著化工行業(yè)信息化技術(shù)變革。

雖然大數(shù)據(jù)技術(shù)的發(fā)展，讓基于海量數(shù)據(jù)進行數(shù)據(jù)分析成為可能，但大部分化工行業(yè)中的系統(tǒng)都是孤立建設，數(shù)據(jù)一般都是以孤島的形式存在，加上數(shù)據(jù)安全、管理要求等因素，導致無法有效地融合、融通使用。本研究實踐利用云計算、大數(shù)據(jù)、人工智能等領域信息技術(shù)，以助力化工企業(yè)向新型智能化工生產(chǎn)發(fā)展為目標，打破數(shù)據(jù)壁壘，實現(xiàn)化工企業(yè)聯(lián)合實踐并獲得初步效果。

本研究所描述的智能系統(tǒng)軟件能夠打造以企業(yè)內(nèi)化工生產(chǎn)數(shù)據(jù)為支撐、感知和深度學習平臺為核心的智能中樞，為生產(chǎn)業(yè)務智能化改造提供引擎。該智能系統(tǒng)在提供高效的模型訓練服務的同時，還能為生產(chǎn)業(yè)務提供穩(wěn)定可靠的模型服務，保證高并發(fā)實時數(shù)據(jù)情況下的性能要求，并具備良好的可擴展性。

1 智慧化工邊緣云設計

1.1 化工邊緣云應用背景

根據(jù)市場調(diào)研結(jié)果，很多國內(nèi)化工企業(yè)使用外部生產(chǎn)設備，為滿足生產(chǎn)所需，需要定期向外部廠商發(fā)送生產(chǎn)數(shù)據(jù)和設備數(shù)據(jù)進行分析，以確認生產(chǎn)工藝關鍵參數(shù)值是否處于正常范圍內(nèi)。如果出現(xiàn)偏差則進行調(diào)整以便適應，避免造成生產(chǎn)損失。雖然很多化工企業(yè)在積極探索自主優(yōu)化生產(chǎn)工藝，通過人工調(diào)整設備參數(shù)以降低生產(chǎn)過程中的原材料配比、觸媒損耗程度等關鍵因素造成的產(chǎn)能損失，但長期以來收效甚微。

經(jīng)初步評估分析，本研究實踐所涉及的化工企業(yè)在運營過程中存在以下問題：

（1）數(shù)據(jù)安全差

企業(yè)核心數(shù)據(jù)被外企掌控，很多企業(yè)由于生產(chǎn)設備為外部采購，本地生產(chǎn)數(shù)據(jù)必須發(fā)給外部廠商，經(jīng)由外部廠商內(nèi)部分析系統(tǒng)進行數(shù)據(jù)分析，以掌握設備運行健康狀況、產(chǎn)品質(zhì)量和原料轉(zhuǎn)化率等主要信息，這對企業(yè)產(chǎn)量、產(chǎn)能、造價、出貨量等商密泄露埋下隱患。

（2）分析效率低

因為數(shù)據(jù)非實時處理，出現(xiàn)生產(chǎn)問題不能及時掌控，很多外部設備廠商分析結(jié)果需要一個多月才能反饋到企業(yè)本地，時效性極低，企業(yè)往往錯失最佳的問題解決與故障修復時機。

（3）企業(yè)成本高

部分化工企業(yè)核心技術(shù)被外部企業(yè)把控，數(shù)據(jù)處理分析費用不斷提高，同時還存在掌握核心技術(shù)的外企逐步縮減和中斷和國內(nèi)企業(yè)合作的風險。此外，企業(yè)在信息化建設過程中還需要執(zhí)行市場調(diào)研、選型、采購、實施等一系列工作，無法準確評估信息化部分的持續(xù)性投入，耗時耗力。

1.2 化工邊緣云應用實踐

1.2.1 生產(chǎn)工藝AI 模型建立

以典型的環(huán)氧乙烷生產(chǎn)過程為案例，采用氧氣氧化法制作，工藝流程如圖1 所示，分析現(xiàn)有工藝制作流程后得出不同原料配比的變化可能性，以變化因子為變量，可通過人工智能平臺進行虛擬模型重構(gòu)。

圖1 采用氧氣氧化法制作環(huán)氧乙烷工藝流程圖

經(jīng)過對生產(chǎn)工藝的分析，可從以下三個方面入手構(gòu)建工藝AI 模型：

（1）基于傳感器數(shù)據(jù)，利用交互式人工智能平臺，快速構(gòu)建符合化學生產(chǎn)工藝原理的人工智能模型，預測環(huán)氧乙烷占比（EFF=EO/CO2）。

（2）基于人工智能預測模型優(yōu)化整個生產(chǎn)流程，根據(jù)常用操作參數(shù)推薦用料配置，保持環(huán)氧乙烷產(chǎn)量穩(wěn)定。

（3）深度學習與訓練，將以上兩方面所得數(shù)據(jù)與歷史經(jīng)驗值進行比對，同步對異常情況進行修正，得出正常值與異常環(huán)境下的多維度數(shù)據(jù)模型建議。

在模型的基礎上，進行海量生產(chǎn)數(shù)據(jù)訓練，生成AI 模型，自動化指導生產(chǎn)效能提升，在生產(chǎn)工藝各流程環(huán)節(jié)進行相應的控制，包括不同氣體的用量、加工處理時間，保證輸出產(chǎn)品的質(zhì)量。

1.2.2 業(yè)務流程設計

本化工邊緣云應用主要包括三個部分：預測催化劑選擇性、智能調(diào)控提供最佳控制參數(shù)建議、人工協(xié)助智能操控。

（1）預測（核心功能）：預測目標變量及約束變量，基于歷史數(shù)據(jù)訓練模型，預測關鍵變量的未來變化趨勢。

（2）調(diào)控指導：針對調(diào)控變量，為操作員提供調(diào)控指導，以實現(xiàn)最優(yōu)的目標變量，使催化劑選擇性最大化。

（3）智能操控：在設備滿足各項穩(wěn)定運行的前提下，根據(jù)控制設備狀況和化工企業(yè)生產(chǎn)實際情況，在生產(chǎn)主管的監(jiān)督配合下，將調(diào)控變量的推薦值直接寫入到控制系統(tǒng)，實現(xiàn)人工監(jiān)控的閉環(huán)智能控制。

對生產(chǎn)過程進行深度分析后，整體智能系統(tǒng)業(yè)務主流程設計如圖2 所示。

圖2 整體智能系統(tǒng)業(yè)務主流程圖

具體每個流程的工作設計如下：

（1）數(shù)據(jù)采集階段

化工企業(yè)信息化數(shù)據(jù)來源相對單一，主要為接入現(xiàn)有生產(chǎn)數(shù)據(jù)庫進行數(shù)據(jù)采集。數(shù)據(jù)采集完成后，通過消息總線分發(fā)給業(yè)務推理引擎，由推理引擎調(diào)用數(shù)據(jù)模型進行分析優(yōu)化。優(yōu)化過后的數(shù)據(jù)將通過數(shù)據(jù)同步模塊上傳到云端，為模型訓練和定時模型迭代提供數(shù)據(jù)支撐。

（2）模型訓練階段

將數(shù)據(jù)從邊緣端推理引擎同步到云端訓練引擎，對預設的預測模型進行定期訓練，從而達到持續(xù)優(yōu)化的效果，來保證預測模型的實效性。優(yōu)化后的模型版本，將會自動上架模型倉庫，然后再將此版本模型下推到邊緣推理引擎。

（3）時序分析階段

完成前期模型優(yōu)化訓練后，經(jīng)試運行通過測試，即可進入生產(chǎn)環(huán)境進行時序分析預測。通過對歷史數(shù)據(jù)和實時數(shù)據(jù)的分析給出預測數(shù)據(jù)，預測數(shù)據(jù)再實時與生產(chǎn)數(shù)據(jù)進行對比驗證，若預測結(jié)果滿足約束標準則進入下一階段。若預測結(jié)果與真實值偏差過大時則給出提示，此時應由生產(chǎn)業(yè)務人員和技術(shù)人員協(xié)同進行問題排查，重新優(yōu)化改進模型。

此階段根據(jù)預測模型進行最優(yōu)化，生成可調(diào)參數(shù)，為下一階段提供數(shù)據(jù)支撐。

（4）智能調(diào)控指導

通過定制化的用戶界面展示推理計算出的可調(diào)參數(shù)，根據(jù)生產(chǎn)工藝經(jīng)驗判斷是直接采用推薦參數(shù)值，或采用人工輸入?yún)?shù)值。

（5）監(jiān)控告警階段

除預測和調(diào)控指導階段，在常態(tài)化生產(chǎn)過程中，還應提供監(jiān)控告警功能。在用戶端的數(shù)據(jù)監(jiān)控大盤中，提供實時數(shù)據(jù)監(jiān)控展示，并可以針對某些特定指標進行配置，設置告警規(guī)則與告警閾值，一旦數(shù)據(jù)偏離告警閾值，或出現(xiàn)各種操作提示時，系統(tǒng)將會實時發(fā)出風險告警消息，并可根據(jù)告警等級發(fā)出不同的警告聲音。

1.2.3 構(gòu)建云邊一體聯(lián)邦系統(tǒng)

在進行網(wǎng)絡設計時，充分考慮云邊一體，實現(xiàn)云邊協(xié)同，“云”是生產(chǎn)中心云計算，“邊”是邊緣云計算。云邊一體主要是針對為用戶提供的應用而言，在云化集中的前提下，通過異構(gòu)部署邊緣節(jié)點資源為用戶提供就近的計算服務。相較傳統(tǒng)的單純云計算集中部署模式，通過邊緣計算可有效解決匯聚流量帶寬大、通信時延長等問題，為高帶寬和低時延的業(yè)務提供了更好的支持，充分考慮了效率與投資的平衡。

在進行方案構(gòu)建時，利用聯(lián)邦學習（Federated Learning）的分布式機器學習，在多個數(shù)據(jù)源之間進行分布式模型訓練，構(gòu)建基于虛擬融合數(shù)據(jù)下的全局模型，既能實現(xiàn)數(shù)據(jù)隱私保護又能完成數(shù)據(jù)共享?；谠七吶诤系哪Ｐ陀柧毩鞒倘缦拢海?）在化工企業(yè)內(nèi)網(wǎng)部署邊緣計算節(jié)點，通過網(wǎng)關接入已有生產(chǎn)系統(tǒng)數(shù)據(jù)；（2）將生產(chǎn)系統(tǒng)數(shù)據(jù)經(jīng)本地計算脫敏后，送至部署在云數(shù)據(jù)中心的人工智能聯(lián)邦學習平臺進行模型訓練；（3）訓練好的模型版本自動上架模型倉庫，并再次下推到邊緣推理引擎覆蓋原有邊緣AI 模型。

過程如圖3 所示，使用新的下發(fā)至邊緣節(jié)點的AI 模型在生產(chǎn)過程中調(diào)整推薦控制參數(shù)，從而達到持續(xù)優(yōu)化、持續(xù)提效的良性閉合循環(huán)。

2 智慧化工邊緣部署方案

2.1 搭建云邊融合架構(gòu)

云邊融合并非簡單的公有云和私有云的網(wǎng)絡打通，而是使用邊緣云作為公有云的有機延伸。在研究實踐討論的案例中，基于聯(lián)邦學習平臺的能力，邊緣云在重算力、重隱私、輕存儲、輕資產(chǎn)，滿足企業(yè)核心業(yè)務需求的前提下，可以最大程度降低IT 設施建設成本和運維成本。

（1）邊緣端數(shù)據(jù)采集與推理引擎部署于企業(yè)內(nèi)網(wǎng)本地IDC 機房，確保生產(chǎn)數(shù)據(jù)安全性和實時數(shù)據(jù)交互效率；（2）云端模型管理引擎部署于公有云服務器中，降低硬件設備采購成本和運維成本，且便于集中進行后續(xù)模型訓練。

通過定義的產(chǎn)品功能模型接入不同協(xié)議、不同數(shù)據(jù)格式的設備，可以提供安全可靠、低延時、低成本、易擴展的邊緣計算服務。同時云端可連通所有邊緣節(jié)點，管理邊緣節(jié)點的服務，云邊融合企業(yè)應用架構(gòu)如圖4 所示。

圖4 云邊融合企業(yè)應用架構(gòu)圖

2.2 深度學習模型應用

生產(chǎn)過程數(shù)據(jù)采集完成后，通過消息總線分發(fā)給業(yè)務推理引擎，由推理引擎調(diào)用數(shù)據(jù)模型進行分析優(yōu)化，優(yōu)化過后的數(shù)據(jù)將通過數(shù)據(jù)同步模塊上傳到云端，為模型訓練和定時模型迭代提供數(shù)據(jù)支撐。

（1）完成前期模型優(yōu)化訓練，試運行測試后，即可進入生產(chǎn)環(huán)境進行時序分析預測。（2）系統(tǒng)內(nèi)嵌預測模型通過對歷史數(shù)據(jù)和實時數(shù)據(jù)的分析給出預測數(shù)據(jù)，預測數(shù)據(jù)實時與生產(chǎn)數(shù)據(jù)進行對比驗證，適時調(diào)整優(yōu)化改進模型。（3）由預測模型生成可調(diào)參數(shù)，為生產(chǎn)工藝優(yōu)化提供數(shù)據(jù)支撐。

歷史數(shù)據(jù)分析和實時數(shù)據(jù)流分析流程如圖5、圖6 所示。

圖5 歷史數(shù)據(jù)分析

圖6 實時數(shù)據(jù)流分析

歷史數(shù)據(jù)分析為實時數(shù)據(jù)分析提供了更多參考，相應的數(shù)據(jù)沉淀、數(shù)據(jù)邏輯關聯(lián)關系等為AI 輸出更加精準的結(jié)果提供了條件。

2.3 算法訓練平臺支撐

除了具備算力來處理數(shù)據(jù)以外，算法是AI 中的關鍵內(nèi)容，為便于推廣與規(guī)模應用，建議算法訓練平臺應支持Caffe（卷積神經(jīng)網(wǎng)絡）、MXNet（亞馬遜深度學習庫）、PyTorch（開源的Python 機器學習庫）、OpenCV（跨平臺計算機視覺庫）等多種框架，需支持復雜GPU虛擬化調(diào)度，支持超大數(shù)據(jù)量的模型訓練來提高算法精準度。在具備Notebook 編輯功能的算法平臺中，同時具備在線編輯調(diào)試能力與復雜神經(jīng)網(wǎng)絡構(gòu)建能力。

2.4 產(chǎn)能預測與自動化參數(shù)控制系統(tǒng)

基于算法訓練平臺通過系統(tǒng)提供的算子來自動地進行數(shù)據(jù)探索、數(shù)據(jù)預處理、特征工程、算法選擇以及參數(shù)調(diào)優(yōu)等工作。通過自動建模，用戶可得出初始精度相對較高的模型，同時能夠不斷進行下一步的建模迭代。也可使用推薦式建模模式，通過推薦式建?？梢赃x擇下一步可能需要的算子，從而來降低建模的門檻。

使用歷史數(shù)據(jù)和實時數(shù)據(jù)進行智能預測和智能規(guī)約，提出控制參數(shù)建議。在半自動化模式下，通過可定制化的用戶頁面展示由邊緣端AI 模型實時推理出的建議參數(shù)，由現(xiàn)場操作人員判斷是否采用，正式寫入?yún)?shù)前，由操作人員二次確認輸入值，并通過系統(tǒng)預測模型驗證預期的有效性。在全自動化模式中，可直接由系統(tǒng)自動向PLC 寫入建議控制參數(shù)。

2.5 系統(tǒng)部署方案

由于此方案覆蓋了模型生產(chǎn)、訓練優(yōu)化到業(yè)務上線的全流程，同時考慮到生產(chǎn)環(huán)境對高可用的需求，可通過物理主備以及“藍綠式”部署，來增強系統(tǒng)的整體可靠性。具體在進行部署時，至少一臺物理機在線提供服務（物理主備）；模型通過線上驗證后才能上線（藍綠部署）。

云端訓練服務器可依據(jù)實際生產(chǎn)環(huán)境對可用性的需求來確定是否需要做高可用部署。

系統(tǒng)部署方案拓撲圖如圖7 所示。

圖7 系統(tǒng)部署方案拓撲圖

通過云端+邊緣端組合，能夠幫助化工企業(yè)管理員自動完成數(shù)據(jù)采集、時序分析、業(yè)務模型迭代，從而實現(xiàn)趨勢預測、智能調(diào)控指導和數(shù)據(jù)監(jiān)控告警的主體訴求。

本地的推理引擎建議采用主備模式部署，這種模式的特點在于當模型進行更新迭代時不會影響生產(chǎn)環(huán)境的推理模型正常運轉(zhuǎn)，能夠保證至少一臺物理機在線提供服務，并且新的模型是通過線上驗證后才能上線的，確保新上模型的科學性和合理性。

3 化工邊緣云應用成效

本研究實踐立足于一站式多模型大數(shù)據(jù)管理平臺和交互式人工智能聯(lián)邦學習平臺，實踐應用中可充分采用化工企業(yè)眾多一線業(yè)務專家經(jīng)驗，構(gòu)建化工生產(chǎn)工藝AI 的基礎模型，通過物聯(lián)網(wǎng)終端不斷地向模型群輸入海量數(shù)據(jù)，進行實時訓練，基于AI 大腦以“數(shù)據(jù)+算法+算力”推動生產(chǎn)工藝不斷改良提升。

聯(lián)邦學習平臺的云端訓練引擎持續(xù)對模型進行訓練，以適應生產(chǎn)數(shù)據(jù)的不斷變化，邊緣計算模塊部署在企業(yè)邊緣云以保障智能管理的時效性，這樣企業(yè)生產(chǎn)數(shù)據(jù)可做到“內(nèi)部處理”。依托先進的云邊融合聯(lián)邦學習平臺，可以保障數(shù)據(jù)安全，提升系統(tǒng)可擴展性，最大程度降低企業(yè)運營成本。通過預測，實踐方案可大幅提升化工生產(chǎn)綜合數(shù)據(jù)分析支撐效率，數(shù)據(jù)交由外部設備廠商分析通常需一個月時間，采用本實踐方案后降低到小時級。在生產(chǎn)工藝調(diào)整優(yōu)化效果方面，以項目EOG觸媒效率優(yōu)化指標為例，使用本實踐方案達到0.4%，遠超0.2%的行業(yè)平均水平，提升幅度達100%。

目前國內(nèi)外使用此類核心技術(shù)較少，市場上針對化工行業(yè)核心業(yè)務的數(shù)智化升級解決方案大多停留在理論階段，難以行之有效地解決生產(chǎn)提效等難題。本研究實踐的應用充分踐行了技術(shù)賦能生產(chǎn)、數(shù)據(jù)創(chuàng)造價值的理念，幫助化工企業(yè)強化競爭力，邁上更高的平臺。

4 結(jié)束語

化工產(chǎn)品的開發(fā)需要滿足人們的各種需求，因此化工生產(chǎn)工藝種類繁多并且復雜，改變傳統(tǒng)依賴領域經(jīng)驗人工調(diào)整用料配比的做法，通過云、數(shù)、智等技術(shù)在化工行業(yè)的應用，基于化工共性預測AI 模板能夠快速構(gòu)建多品類模型群，實現(xiàn)生產(chǎn)流程信息化，本研究實踐描述的技術(shù)方案在化工行業(yè)具備較大的推廣價值和意義，能夠幫助化工企業(yè)獨立自主地提升化工工藝和生產(chǎn)效率，同時還能降低企業(yè)生產(chǎn)能耗，響應國家“十四五”規(guī)劃中提出的加快推動綠色低碳發(fā)展的號召。另外，本文描述的技術(shù)方案在類似的工業(yè)互聯(lián)網(wǎng)場景如制造信息化中亦可參考使用。