基于“聯邦學習+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

目前國內多數化工企業生產工藝依賴于業務專家的領域經驗調整用料配比，以滿足生產需要，而人對生產環境的感知靈敏度有限，難以及時捕獲時間、環境、設備、催化物等因素變化對生產帶來的影響，同時也無法把握時間跨度較大的產量、質量變化趨勢。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?；て髽I受其所接觸技術的先進性、成熟度、跨行業融通能力限制，信息化水平相對較低。部分企業通過外部上游化工行業巨頭進行數據分析，很多時候只能知道數據結果，中間數據缺失，同時也容易失去數據的自主性。數據的完整性、安全性不足和信息技術相對落后，一直困擾著化工行業信息化技術變革。

雖然大數據技術的發展，讓基于海量數據進行數據分析成為可能，但大部分化工行業中的系統都是孤立建設，數據一般都是以孤島的形式存在，加上數據安全、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、大數據、人工智能等領域信息技術，以助力化工企業向新型智能化工生產發展為目標，打破數據壁壘，實現化工企業聯合實踐并獲得初步效果。

本研究所描述的智能系統軟件能夠打造以企業內化工生產數據為支撐、感知和深度學習平臺為核心的智能中樞，為生產業務智能化改造提供引擎。該智能系統在提供高效的模型訓練服務的同時，還能為生產業務提供穩定可靠的模型服務，保證高并發實時數據情況下的性能要求，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

根據市場調研結果，很多國內化工企業使用外部生產設備，為滿足生產所需，需要定期向外部廠商發送生產數據和設備數據進行分析，以確認生產工藝關鍵參數值是否處于正常范圍內。如果出現偏差則進行調整以便適應，避免造成生產損失。雖然很多化工企業在積極探索自主優化生產工藝，通過人工調整設備參數以降低生產過程中的原材料配比、觸媒損耗程度等關鍵因素造成的產能損失，但長期以來收效甚微。

經初步評估分析，本研究實踐所涉及的化工企業在運營過程中存在以下問題：

（1）數據安全差

企業核心數據被外企掌控，很多企業由于生產設備為外部采購，本地生產數據必須發給外部廠商，經由外部廠商內部分析系統進行數據分析，以掌握設備運行健康狀況、產品質量和原料轉化率等主要信息，這對企業產量、產能、造價、出貨量等商密泄露埋下隱患。

（2）分析效率低

因為數據非實時處理，出現生產問題不能及時掌控，很多外部設備廠商分析結果需要一個多月才能反饋到企業本地，時效性極低，企業往往錯失最佳的問題解決與故障修復時機。

（3）企業成本高

部分化工企業核心技術被外部企業把控，數據處理分析費用不斷提高，同時還存在掌握核心技術的外企逐步縮減和中斷和國內企業合作的風險。此外，企業在信息化建設過程中還需要執行市場調研、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性投入，耗時耗力。

1.2 化工邊緣云應用實踐

1.2.1 生產工藝AI 模型建立

以典型的環氧乙烷生產過程為案例，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。

圖1 采用氧氣氧化法制作環氧乙烷工藝流程圖

經過對生產工藝的分析，可從以下三個方面入手構建工藝AI 模型：

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

（2）基于人工智能預測模型優化整個生產流程，根據常用操作參數推薦用料配置，保持環氧乙烷產量穩定。

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

在模型的基礎上，進行海量生產數據訓練，生成AI 模型，自動化指導生產效能提升，在生產工藝各流程環節進行相應的控制，包括不同氣體的用量、加工處理時間，保證輸出產品的質量。

1.2.2 業務流程設計

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

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

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

（3）智能操控：在設備滿足各項穩定運行的前提下，根據控制設備狀況和化工企業生產實際情況，在生產主管的監督配合下，將調控變量的推薦值直接寫入到控制系統，實現人工監控的閉環智能控制。

對生產過程進行深度分析后，整體智能系統業務主流程設計如圖2 所示。

圖2 整體智能系統業務主流程圖

具體每個流程的工作設計如下：

（1）數據采集階段

化工企業信息化數據來源相對單一，主要為接入現有生產數據庫進行數據采集。數據采集完成后，通過消息總線分發給業務推理引擎，由推理引擎調用數據模型進行分析優化。優化過后的數據將通過數據同步模塊上傳到云端，為模型訓練和定時模型迭代提供數據支撐。

（2）模型訓練階段

將數據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，從而達到持續優化的效果，來保證預測模型的實效性。優化后的模型版本，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

完成前期模型優化訓練后，經試運行通過測試，即可進入生產環境進行時序分析預測。通過對歷史數據和實時數據的分析給出預測數據，預測數據再實時與生產數據進行對比驗證，若預測結果滿足約束標準則進入下一階段。若預測結果與真實值偏差過大時則給出提示，此時應由生產業務人員和技術人員協同進行問題排查，重新優化改進模型。

此階段根據預測模型進行最優化，生成可調參數，為下一階段提供數據支撐。

（4）智能調控指導

通過定制化的用戶界面展示推理計算出的可調參數，根據生產工藝經驗判斷是直接采用推薦參數值，或采用人工輸入參數值。

（5）監控告警階段

除預測和調控指導階段，在常態化生產過程中，還應提供監控告警功能。在用戶端的數據監控大盤中，提供實時數據監控展示，并可以針對某些特定指標進行配置，設置告警規則與告警閾值，一旦數據偏離告警閾值，或出現各種操作提示時，系統將會實時發出風險告警消息，并可根據告警等級發出不同的警告聲音。

1.2.3 構建云邊一體聯邦系統

在進行網絡設計時，充分考慮云邊一體，實現云邊協同，“云”是生產中心云計算，“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，通過異構部署邊緣節點資源為用戶提供就近的計算服務。相較傳統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。

在進行方案構建時，利用聯邦學習（Federated Learning）的分布式機器學習，在多個數據源之間進行分布式模型訓練，構建基于虛擬融合數據下的全局模型，既能實現數據隱私保護又能完成數據共享?；谠七吶诤系哪Ｐ陀柧毩鞒倘缦拢海?）在化工企業內網部署邊緣計算節點，通過網關接入已有生產系統數據；（2）將生產系統數據經本地計算脫敏后，送至部署在云數據中心的人工智能聯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，使用新的下發至邊緣節點的AI 模型在生產過程中調整推薦控制參數，從而達到持續優化、持續提效的良性閉合循環。

2 智慧化工邊緣部署方案

2.1 搭建云邊融合架構

云邊融合并非簡單的公有云和私有云的網絡打通，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，基于聯邦學習平臺的能力，邊緣云在重算力、重隱私、輕存儲、輕資產，滿足企業核心業務需求的前提下，可以最大程度降低IT 設施建設成本和運維成本。

（1）邊緣端數據采集與推理引擎部署于企業內網本地IDC 機房，確保生產數據安全性和實時數據交互效率；（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模型訓練。

通過定義的產品功能模型接入不同協議、不同數據格式的設備，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點，管理邊緣節點的服務，云邊融合企業應用架構如圖4 所示。

圖4 云邊融合企業應用架構圖

2.2 深度學習模型應用

生產過程數據采集完成后，通過消息總線分發給業務推理引擎，由推理引擎調用數據模型進行分析優化，優化過后的數據將通過數據同步模塊上傳到云端，為模型訓練和定時模型迭代提供數據支撐。

（1）完成前期模型優化訓練，試運行測試后，即可進入生產環境進行時序分析預測。（2）系統內嵌預測模型通過對歷史數據和實時數據的分析給出預測數據，預測數據實時與生產數據進行對比驗證，適時調整優化改進模型。（3）由預測模型生成可調參數，為生產工藝優化提供數據支撐。

歷史數據分析和實時數據流分析流程如圖5、圖6 所示。

圖5 歷史數據分析

圖6 實時數據流分析

歷史數據分析為實時數據分析提供了更多參考，相應的數據沉淀、數據邏輯關聯關系等為AI 輸出更加精準的結果提供了條件。

2.3 算法訓練平臺支撐

除了具備算力來處理數據以外，算法是AI 中的關鍵內容，為便于推廣與規模應用，建議算法訓練平臺應支持Caffe（卷積神經網絡）、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虛擬化調度，支持超大數據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試能力與復雜神經網絡構建能力。

2.4 產能預測與自動化參數控制系統

基于算法訓練平臺通過系統提供的算子來自動地進行數據探索、數據預處理、特征工程、算法選擇以及參數調優等工作。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。

使用歷史數據和實時數據進行智能預測和智能規約，提出控制參數建議。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，由現場操作人員判斷是否采用，正式寫入參數前，由操作人員二次確認輸入值，并通過系統預測模型驗證預期的有效性。在全自動化模式中，可直接由系統自動向PLC 寫入建議控制參數。

2.5 系統部署方案

由于此方案覆蓋了模型生產、訓練優化到業務上線的全流程，同時考慮到生產環境對高可用的需求，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實際生產環境對可用性的需求來確定是否需要做高可用部署。

系統部署方案拓撲圖如圖7 所示。

圖7 系統部署方案拓撲圖

通過云端+邊緣端組合，能夠幫助化工企業管理員自動完成數據采集、時序分析、業務模型迭代，從而實現趨勢預測、智能調控指導和數據監控告警的主體訴求。

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環境的推理模型正常運轉，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據管理平臺和交互式人工智能聯邦學習平臺，實踐應用中可充分采用化工企業眾多一線業務專家經驗，構建化工生產工藝AI 的基礎模型，通過物聯網終端不斷地向模型群輸入海量數據，進行實時訓練，基于AI 大腦以“數據+算法+算力”推動生產工藝不斷改良提升。

聯邦學習平臺的云端訓練引擎持續對模型進行訓練，以適應生產數據的不斷變化，邊緣計算模塊部署在企業邊緣云以保障智能管理的時效性，這樣企業生產數據可做到“內部處理”。依托先進的云邊融合聯邦學習平臺，可以保障數據安全，提升系統可擴展性，最大程度降低企業運營成本。通過預測，實踐方案可大幅提升化工生產綜合數據分析支撐效率，數據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。在生產工藝調整優化效果方面，以項目EOG觸媒效率優化指標為例，使用本實踐方案達到0.4%，遠超0.2%的行業平均水平，提升幅度達100%。

目前國內外使用此類核心技術較少，市場上針對化工行業核心業務的數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提效等難題。本研究實踐的應用充分踐行了技術賦能生產、數據創造價值的理念，幫助化工企業強化競爭力，邁上更高的平臺。

4 結束語

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