一、引言

過程工業是原材料工業的一個分支，對國民經濟具有重要意義。經過數十年的發展，中國的過程工業取得了長足的進步，中國成為世界上比較大的制造業國家之一。然而，與發達國家相比，中國的過程工業急需智能管理和營銷技術來提高原材料的利用率，同時建立更加實用的環境和安全管理體系。這一問題引起了學術界的廣泛關注，并在相關研究領域取得了很大進展。

[[325355]]

近年來，新一代信息技術的迅猛發展，促使一些國家尋求新的產業革命戰略(圖1)。美國推出智能流程制造，旨在產業升級和轉型。德國提出了工業4.0的戰略構想，重點是將信息技術融入制造業。英國、法國和日本分別宣布了英國工業2050戰略、法國新工業計劃和日本社會5.0戰略。在此背景下，中國政府為實現“新工業革命”，提出了《新一代人工智能發展規劃》?！缎乱淮斯ぶ悄馨l展規劃》戰略以“創新、協調、綠色、開放、共享”為核心，推動智能制造發展。

圖1. 各國為應對新工業革命提出的政府計劃

在國家應對新工業革命的戰略背景下，智能制造是當前過程工業的發展趨勢，綠色制造是其不可或缺的組成部分之一。綠色制造注重高效和安全，這反映了更嚴格的環境政策和更好的事故預防的需要。實現綠色制造需牢記三個主要目標：降低能源消耗和減少污染物排放;生命周期過程安全監測和風險控制;以及環境足跡監測和評估。到目前為止，還沒有很好理解的方法來實現這些目標。

人工智能(AI)是一項綜合性前沿技術，因其在AlphaGo中的出色表現而受到全世界的廣泛關注。今天，人工智能被認為是世界上最先進的三大技術之一，并對計算機視覺、自然語言處理和機器人技術等多個領域產生了顯著的影響。此外，人們普遍認為人工智能對智能制造至關重要。

本文詳細討論了綠色制造在過程工業中所面臨的挑戰。人工智能通過對材料和能源的智能利用，在改善過程安全管理和提高效率方面發揮著重要作用。本文的其余部分介紹了將人工智能融合到過程工業中現存的技術挑戰。

本文的主要貢獻如下：

(1)總結了中國石化行業過程安全的現狀，指出了過程工業實現綠色制造的主要問題;為綠色制造提供了重要的指導方針。

(2)針對中國石化行業的現狀和主要問題，提出了我們的觀點：人工智能是實現綠色制造的核心技術。為了實現綠色制造，有幾種技術可以解決這些主要問題，包括知識圖、貝葉斯網絡和深度學習。

(3)考慮到過程工業與過程工業特點之間復雜的安全關系，提出了將知識圖應用到過程工業的若干技術挑戰。這些挑戰可能會引起未來研究人員的興趣。

本文的其余部分組織如下。第2部分闡述了過程工業綠色制造的現狀和問題;第3部分闡述了與綠色制造相關的潛在人工智能技術;第4部分介紹了與綠色制造中的人工智能相關的幾個技術挑戰;第5部分討論了最近的進展與未來的前景，最后一部分是總結和展望。

二、綠色制造的現狀與問題

(一)綠色制造

人們普遍認為，制造業已經經歷了三次工業革命，現在正在經歷第四次工業革命(圖2)。前三次革命都極大地促進了生產力和經濟發展。因此，人們普遍認為，被稱為“智能制造”的第四次革命也將做出這樣的貢獻。

圖2. 四次工業革命

石油和化學制品是過程工業的重要組成部分。根據中華人民共和國國家統計局的數據，石油化工業已成為中國國民經濟的支柱產業之一，2017年占工業總產出的12%。石油化工行業在為中國國民經濟發展做出巨大貢獻的同時，由于長期的污染影響和頻發的事故，也給公眾健康和環境安全帶來了負面影響。在信息時代，工業事故通過各種新聞渠道和社交媒體被報道和傳播到世界各地，使公眾知情并關注。這促使政府制定更嚴格的行業標準和法規，從而增加了綠色制造的需求。最近的重大事故，如響水“3·21”化工廠爆炸事故、天津港“8·12”火災和爆炸事故，和青島“11·2”原油泄漏和爆炸事故，不僅造成了嚴重的人員傷亡、巨大的經濟損失、嚴重的環境影響，也對石油化工產業的發展產生了負面效應。江蘇省政府計劃到2022年關閉一半以上的現有化工企業。

除了過程安全之外，石化行業的環境影響——包括短期影響和長期影響——也值得關注。與離散制造相比，中國的過程工業具有材料和能源效率低、污染嚴重的特點。鑒于中國的過程工業在國民經濟中所占的規模，在環保要求日益嚴格的情況下，迫切需要降低能源消耗和過程排放。

綠色制造被認為是實現過程安全、能源消耗和減排的解決方案。它旨在通過集成智能監控、智能預警、智能決策和基于優化的污染降低技術，在整個過程生命周期中跟蹤與安全相關的方面。綠色制造可以顯著提高過程工業的安全性和效率，并有可能成為高水平經濟發展的必然要求。

(二)現狀和主要問題

中國石化行業的過程安全與環保能力現狀可以通過以下三個方面進行闡述(圖3)。

圖3. 我國石化行業安全生產和環境保護能力現狀的三方面

(1)大規模生產。應急管理部化學品登記中心發布的統計報告顯示，2017年，中國生產和消費的普通化學品超過7×104種，其中危險化學品3962種。危險化學品是一種對人類或動物的健康、環境或財產有潛在危害的化學品。經過幾十年的發展，中國已成為較大的化學品生產國和消費國之一。國家安全生產監督管理總局報告稱，我國危險化學品相關企業超過3×105家，從業人員超過1×107人。管道長度超過1.2×105km。這些化學品——尤其是危險化學品——的巨大經濟價值不僅使國內生產總值迅速發展，而且導致環境保護和公共安全相關問題日益嚴重。

(2)化工行業分布不均。鑒于中國東西方向上的人口分布和經濟差異，石油和化工相關企業大多位于東部沿海地區(圖4)。然而，對于特定的化學品，其生產過程生命周期、存儲、運輸、使用和損耗通常發生在不同的工廠、縣、市、甚至省。因此，過程安全與環境保護應在更大的時空尺度上加以考慮;然而，由于不同階段的復雜性(如材料處理和信息流)，這并不是一項容易的任務。為了解決這些問題，需要在信息集成和數據分析方面付出更多的努力，而這可以通過人工智能和云計算來實現。

圖4. 化工企業在中國的分布

(3)更高的安全性和環境要求。經濟發展提高了中國的總體生活水平，而環境惡化使追求更高生活質量的居民難以接受。環境問題越來越受到政府和社會的關注。公眾意識的轉變促使政府放棄粗放的經濟發展模式，追求可持續發展。此外，“十三五”規劃要求到2020年重大事故數量減少20%，相關死亡人數減少20%，從而增加了石化行業對智能過程監控和風險管理系統的需求。

除了石化工業以外，過程工業的現狀與上面所討論的也很相似。這里列出了阻礙過程工業綠色制造的主要問題。

(1)多領域間的信息隔離。在過程工業中，生產、儲存、運輸、使用和消耗各個階段是相互關聯的。但是，每個階段都側重于其特定的領域，并且有自己的信息和數據庫系統。在現實中，生命周期中的過程是物理連接的;然而，從信息處理的角度來看，它們通常是孤立的。不同流程之間不恰當的信息交換阻礙了過程生命周期數據的全面分析。例如，如果在動態風險評估過程中能夠考慮有關材料的信息和危險化學品運輸的實時位置，那么就可以通過動態例程和應急準備來評估潛在事故的可能性并更好地管理風險。事故的可能性可以降低到一個可接受的水平，重大事故能夠得以避免。因此，整合豐富的信息，建立知識基礎，是過程工業實施綠色制造首先要解決的挑戰性任務。

(2)信息類型多樣，數據類型不同。從生命周期的角度來看，不同的階段，如制造、儲存和道路運輸，都有各自的特性和專門的知識。這些差異在空間和時間維度上都存在。例如，溫度、壓力、水準等值很重要，因為它們包含了有關異常情況和其他質量相關問題的信息。在交通方面，路線、企業、實時位置、車輛狀態、駕駛員狀態是交通安全的關鍵。但是，這些信息屬于不同的系統，很難進行通信或集成，更不用說數據采樣率、數據格式和數據收集方法上的差異。這些問題對將與安全相關的信息集成到過程生命周期中造成了困難。此外，在不同的生命周期過程中收集的數據背后有不同的規程，將事實數據和知識集成到一致的系統中是另一個具有挑戰性的任務。

(3)缺乏以過程安全為導向的決策體系。對于過程工業中的大規模生產——特別是石化工業——幾何放大是降低成本和獲得規模效益的優秀途徑。大規模生產會導致復雜的供應鏈和標識系統。產業從一個城市、一個省向外延伸，最終在全國形成一個巨大的網絡。在產業鏈中，不同時空區域的生產和需求需要國家運輸和倉儲網絡，覆蓋人口密集地區和各種自然環境。危險化學品的大量儲存可能對當地社區構成重大風險。擴大生產的過程需要功能齊全的控制系統、正確的人工操作及高水平的機械完整性。如果不及時正確處理，任何微小的錯誤或故障都可能引發嚴重的事故。換句話說，關于風險，太多的因素是相互關聯的，它們之間的相互作用通常不是直觀的。

在現代石化工廠的設計中，通過整合多種實用的危險識別和管理技術，將風險管理納入考慮范圍，如危害和可操作性分析(HAZOP)、防護層分析(LOPA)和系統完整性等級(SIL)。然而，這些分析有些靜態，相關的文檔超出了現場操作人員的能力，他們需要充分了解情況及其行動的潛在后果。操作員的行為高度依賴于培訓和管理。近日，德國巴斯夫化工公司發生事故，造成了人員傷亡和經濟損失。事故的原因與工作人員的操作失誤密切相關。該案例反映了建立決策系統的必要性，這對安全操作具有重要意義。因此，需要一種能夠利用現有文檔(如HAZOP、LOPA和SIL)中嵌入的靜態知識來動態地分析情況并提供安全相關建議的智能系統。這樣的系統可以在緊急情況下，比一名工人考慮更多的安全相關因素，從而改善安全管理。

安全實踐的另一個關鍵方面是本質上更安全的設計，其概念是永久減少或消除過程中與材料和操作相關的危險，該概念在過程設計的早期階段、正常操作和變更中得到廣泛應用，直到設施的使用壽命結束。從安全的角度來看，化學過程具有結構相似性。在某一化學過程設施中應用本質上更安全的設計將為其他設施樹立一個先例。為了在更廣闊的視野中支持安全導向的決策，必須提取和集成本質上更安全的設計的基本規則和概念，以及從幾個成功案例中獲得的經驗。最后，建立過程安全決策系統的一般挑戰在于，用自然語言編寫的人類經驗和知識如何被機器理解和使用。

(4)缺乏預警和風險跟蹤系統。在過程工業中，大多數事故惡化都是由于缺乏有效的警報機制。通常，石化過程以多種配置運行，每種配置都有自己的操作窗口和(或)限制。由于過程是由自動化系統控制的，過程參數的微小波動會擴散到下游過程并影響臨界機組。由于過程參數之間存在復雜的內在關聯，操作人員通常無法明顯識別臨界機組的這些變化和波動。目前，過程監控員和操作人員依靠他們的經驗來解決這個問題。正確的流程運作需要一種基于復雜的過程監控系統識別異常情況的能力，以識別實際的流程配置和趨勢。診斷功能應實時工作，以評估當前的風險和正常的操作配置向異常情況的潛在轉移。需要一個輔助決策系統，它可以為當前的情況提供可能的原因，并描述如果不采取行動可能產生的后果。令人遺憾的是，目前還沒有這樣的智能系統。

三、綠色制造中的人工智能

人工智能，通常被稱為機器智能，已經成為計算機科學和自動化的一個重要分支。人工智能結合了計算機科學、自動化、信息工程、數學、心理學、語言學和哲學的領域知識。AI所面臨的問題根據具體的特征或功能被劃分為幾個子問題，如圖5所示。

圖5. 人工智能的幾個子問題

根據綠色制造的四個主要問題的特點，可以將其分為三類：信息集成、動態風險評估和輔助決策、預警。有幾種技術可以解決這些問題并實現綠色制造，包括知識圖、貝葉斯網絡和深度學習，下面將詳細介紹。

(一)通過知識圖進行信息集成

在人工智能領域，知識圖是一種廣為人知且很有前景的關聯數據組織技術。它是描述概念及其關系的結構化語義網絡。此外，知識圖可以提供基于規則或深度學習策略的推理和推斷能力，這些能力增強了預定義類中“實體”之間關系的含義。知識圖廣泛應用于基于互聯網的應用，如百科全書、社交網絡、在線金融系統和社會保障系統等。

與互聯網相關應用程序中使用的一般知識不同，過程工業需要在化學工程、過程安全、過程控制、自動化和機械方面更加專業化。在這樣一個專業化的行業中，知識圖的實現不僅需要真實信息，還需要該領域的具體知識。知識建模通常是困難的，因此對特定領域的深刻理解至關重要。根據構建任意領域知識圖的一般步驟(圖6)，過程安全知識圖的構建大致可以分為三個階段：收集與過程安全相關的信息、知識融合和知識處理，如圖6所示。

圖6. 典型知識圖的技術架構

(1)過程安全信息提取。知識圖的構建從收集有關過程安全的信息開始，包括化學品、反應、過程相關文檔、控制系統、機械信息和風險相關信息。這些信息和數據的范圍應該是廣泛和多樣化的，不僅包括結構數據，而且包括用自然語言編寫的圖形、表格和文本。因為知識圖的主要目的是生成關聯數據，所以主要的挑戰是識別來自不同數據源的個體“實體”及其關系。這些過程通常被稱為實體提取、關系提取和屬性提取。

實體提?。簩嶓w提取是指從文本數據集中自動識別命名實體。它是信息抽取的最基本部分。它依賴于定義良好的本體模式來提取過程工業中特定的風險相關因素。數據源通常包括操作手冊和維護表，以及管道和儀表圖(P&ID)、過程流程圖(PFD)。

關系提取：在已提取實體的前提下，第二步是確定實體之間的關系。這種關系通常采用語義信息或其他圖表的形式。在石化行業，有關因果安全方面的信息通常包含在過程危害分析文件中(如HAZOP、LOPA和SIL驗證文件)。確定這些因果關系通常需要對風險有深刻的理解，或者至少知道產生危險的因素。

屬性提?。号c過程相關的實體，如減壓閥，在不同的方面有不同的定義，包括材料和減壓設計。這些屬性也應該提取，因為它們包含一些可以用來比較或建模的量化信息。

(2)過程安全知識融合。通過安全信息提取，可以對風險因素及其相互關系進行完整的描述。然而，這些結果可能包含許多冗余和錯誤。此外，數據之間的關系是平面的，缺乏層次結構和邏輯。通過知識融合，可以自動或人工識別和消除概念的模糊性，消除冗余和錯誤。

(3)過程安全知識處理。知識融合后，可以消除實體的模糊性。接著，可以表達一系列基本事實。在過程安全實踐中，安全相關因素的分析是非常重要的。潛在的危險和事件的可能性應該被識別和估計。為了實現過程危害的自動識別，應應用過程安全相關知識來描述每個特定化學過程的細節，包括過程、設備、可操作性和機制。應將某些過程參數的偏差定為初始事件，并使用預定義規則和嵌入式知識來診斷觸發事件與下游過程之間的因果關系。知識處理應該為自動安全分析提供這樣的能力。

知識處理主要包括三個方面：安全本體重構、推斷和質量評估。

安全本體重構：本體是指對客觀世界中的概念進行建模和描述的標準。本體以一種正式的方式明確地定義了某些領域的知識概念及其聯系。過程安全本體可以通過現有知識的頭腦風暴初步構建。一旦收集到足夠的關聯數據，就可以利用機器學習方法從數據共同特征中重構出相應的本體。

風險關系推斷：推斷是指根據預定義規則或數據中已有的特征，發現現有實體之間的潛在關系。通過知識推理，可以從現有的實體網絡中發現或估計新的過程安全知識?，F有的危害識別和分析方法已經提供了各種偏差之間關于風險度量和因果關系的信息。從理論上講，使用過程安全知識圖進行推斷可補充識別未被識別的風險相關因素，從而提高操作安全性或功能安全性。推理方法可分為兩類：基于邏輯的推理和基于圖形的推理。

質量評估：這對于構建流程安全知識圖也很重要。使用最先進的知識提取技術，從數據中獲得的事實和知識可能仍然存在錯誤和干擾。自動知識提取和推理不能保證安全相關知識的質量。在將新提取的數據與領域知識圖譜合并之前，需要進行質量評估，以評估新獲取數據的精度、查全率和F1分數(精度和查全率的加權平均值)標準。

總之，知識圖提供了一種有效的方法來集成過程工業的相關信息。隱含在數據中的信息溝、數據發散、復雜關系表達等現有問題都可以通過知識圖來解決。

(二)使用貝葉斯網絡進行風險評估和決策

貝葉斯網絡是一種概率圖形模型，它使用有向無環圖來捕獲變量之間的概率關系，并捕獲變量的條件依賴關系。在過程工業中，風險因素可以用概率關系與不同類型的異常和反常相關聯。

例如，假設焦爐(一個延遲焦化反應器)內存在反應失控的可能性，考慮到反應的危險性，需要分析5個主要的過程參數。這些參數是：①和②熱料的溫度和流量，③和④被加熱材料的溫度和流量，以及⑤爐管中的結焦度。所有這些參數都有不同的偏差概率。貝葉斯網絡能夠描述上述5個因素與失控反應之間的復雜概率關系。該方法也可應用于其他潛在事故及相關危險因素上?？紤]到準確性，貝葉斯網絡中的參數應該仔細調整以獲得良好的性能。因此，可以根據最大熵原理對基于現有先驗知識得到的參數進行優化，并使用極大似然法進行估計。然后，貝葉斯網絡可以準確地追蹤風險因素。

如前所述，通過綜合分析數據，貝葉斯網絡能夠找到一個異常源來估計焦化爐是否會發生失控反應。此外，利用過程安全知識圖提供的關聯數據，貝葉斯網絡可以針對不同的異常情況提供應急解決方案。

(三)基于深度學習的事件預警

深度學習，也稱為深度結構化學習，是機器學習的一個子類。它模仿人腦的功能，利用多層神經網絡來解釋數據。在過程工業中，潛在事故的可能性通常隱含在流程監控數據的波動中。

例如，向放熱反應進料的成分變化可能導致反應器內產生更大的熱量，從而縮小適用的操作窗口。因此，過程參數的波動可能超過安全限度，導致溫度迅速升高、反應失控。如果上游機組的溫度/壓力升高與下游機組潛在的爆炸后果之間的關系在爆炸發生之前就已經確定，則可以設計一個特定的預警功能。不幸的是，在現實中，流程監控參數的數量太多，而參數變化與潛在風險之間的隱含關系又太復雜，人類難以掌握。在這種情況下，深度學習可以用來識別潛在事故的模式和相關的參數變化。此外，如果可以獲得貼標過程監控數據、過程設備和人工操作的詳細信息，就可以從測量數據估計潛在事故的概率。帶標簽的大數據是風險識別、評估的深度學習及其相關技術的基礎。但是在實際情況中，從流程中收集到的大數據往往存在缺失數據和異常值，缺少經過驗證的標簽。因此，獲得的數據往往不夠充分，目前工業應用中的事故預警主要依賴于專家經驗和報警系統。

四、技術挑戰

雖然知識圖已經在一些特定的行業中得到了應用，但它在制造業中仍然是一種新的技術?？紤]到過程工業中復雜的安全關系，知識圖在過程工業中的實現仍然面臨幾個技術挑戰，如下所述。

(1)過程安全稀缺標簽的知識獲取。稀疏采樣環境下的知識獲取是建立知識圖的常用步驟。當將其應用于過程工業時，由于化學過程的復雜性，可能會遇到一些困難。過程安全應用是一個生命周期過程，它要求流程設計、設備、自動化和人工操作具有完美的功能。如果任何一個發生故障，事故就有可能發生。然后，為了構建描述過程安全相關信息的知識圖，需要提供豐富的相關數據。但是，對于化學過程的生命周期來說，這些相關的數據往往在不同的領域，獲取這些跨學科的數據是很困難的。此外，在過程安全分析中，最有價值的數據是在異常情況和故障情況下，帶有標簽的過程監控的實時變化。然而，這些標簽在過程安全分析的應用中通常是不可獲得的。

(2)基于知識的過程安全推理。由于過程工業迫切需要降低風險和安全操作，因此過程監控、異常情況跟蹤和后果評估應及時、可靠。知識推理可以揭示一些對人類來說不明顯的因果關系，從而為過程安全分析提供補充信息。目前，最好的知識圖推理方法已達到80%左右的準確率;然而，這一水平對于過程安全分析的實際應用是不夠的。應改進現有的知識推理技術或提出新技術，以滿足過程工業的安全要求。

(3)多源異構數據的精確融合。在過程工業中，與過程安全相關的數據有兩種形式：靜態形式和動態形式。靜態數據包括不經常變化的過程信息和相關的危害分析文檔，而動態數據主要描述時刻變化的過程狀態。然而，在實際應用中，獲取的數據往往存在歧義，增加了獲取知識的難度。有兩種可能的解決方案，前者側重于數據預處理，后者強調基于領域的知識獲取，并對獲取的數據進行知識融合。

(4)動態風險評估和輔助決策的有效學習策略。知識圖提供了一種有效的方法來整合靜態知識和與石化過程安全相關的事實。在理想的情況下，化學過程中的因果關系應該保留在不同實體之間的關系以及相應的規則或公理中。雖然知識圖能夠從特定的偏差中進行因果分析，但是適當的偏差本身通常很難識別。過程監控系統的實時數據是識別可能偏離正常狀態的必要條件。利用知識圖，需要合適的機器學習方法對異常情況進行分類。然后，使用一個推理引擎，可以評估某個偏離初始狀態的動態傳播，并且可以為不同的結果識別多個事件鏈。最后，對每個事件鏈進行動態風險評估，做出最終決策。為了達到這一目的，需要在過程可靠性、設備故障模式和相應的影響、操作程序等領域提供豐富的信息。令人遺憾的是，在實踐中，高質量的數據遠遠不足以確保算法學習。挑戰在于處理小樣本數據。

五、目前及未來的工作

為了通過人工智能實現綠色制造，我們已經開始了延遲焦化反應過程安全知識集成的研究。目前的結果如圖7所示。圖中提出了一個集成的本體，包括延遲焦化過程中的設備、化學過程和化學物質。在知識圖中，考慮了與過程安全相關的每個元素，包括過程參數的上下界、上下游關系、過程參數偏差的構成。我們還專注于可視化與問答，并取得了相應的結果，如圖7所示。實現可視化和問答的目的是提高人機交互能力，這是實現智能制造的重要組成部分。

圖7. 當前和未來工作的框架

今后，我們將重點研究任意偏差及其對下游過程參數的影響之間的因果關系。初始偏差向下游傳播，形成事件樹，隨后對其進行分析，以支持決策。其目標是通過使用適當的過程監控技術來識別異常情況，并通過自動跟蹤普通故障樹和事件樹來實現快速邏輯分析。此外，隨著知識圖中的集成數據的深度和廣度增加，在我們未來的工作中，將通過深度學習和貝葉斯網絡來實現事件預警、風險跟蹤和輔助決策。

六、結論

本文詳細論述了綠色制造在過程工業中的重要性、現狀及面臨的主要問題。我們回顧了人工智能領域的幾個有吸引力的技術，包括知識圖、貝葉斯網絡和深度學習。這些技術為解決綠色制造中的主要問題提供了方法。在充分分析和討論的基礎上，論述了工藝安全面臨的具體技術挑戰。這些挑戰包括對稀缺錯誤數據的知識獲取和推理、異構數據的精確融合以及早期預警和輔助決策。提出了應對這些挑戰的可能途徑，并討論了相關成果。