《1. 引言》
1. 引言
传统制造业正受到信息技术飞速发展的影响，迫切需要 应用先进信息技术进行 转型升级。国内外提出了 “工业4.0”“中国制造2025”等制造业发展 战略[1]。作为我国制造业的支柱产业之一，石油化工行业也面临新的发展机遇[2]。
文献[3]指出我国传统制造业智能制造主要关注在信息系统的基础上应用人工智能技术和网络技术（如先进过程控制和实时优化）。借助知识库系统的智能制造技术深度融合了大数据处理、神经网络建模和专家知识等，能够针对各种影响因素进行综合分析，灵活调整生产计划和工况模式。文献[4]提出了基于模糊时间知识推理的冲突预测方法，可以为列车运行调整和列车时刻表的改进提供有效的信息处理。文献[5]提出了一种展示和分析设备知识的本体语义表达方法。文献[6]设计了一个知识库推荐系统，以协助开发人员选择用于嵌入式系统自动化设计的软硬件平台。尽管知识表示和推理已经在许多研究领域，如离散制造业得到了应用[7,8]，但它们在包括石油化工在内的流程制造业的应用却相对偏少，文献[9]探讨了知识库系统在苯乙烯过程设备选择中的初步应用。
然而，在实际聚乙烯生产过程中，由于过程反应机理复杂、产品和工艺流程多样，为了提高产能和降低能耗，需要根据现场实际工况对操作参数进行优化。因此，不同的生产设备选型和生产工艺都会导致分子量分布（MWD）预测与优化模型参数的不同，利用基于历史生产数据的优化知识和专家经验知识，能够推荐与当前工况相匹配的优化与预测模型的计算参数经验值，降低优化模型的计算复杂度，同时能够推荐与工况相匹配的操作参数经验值，以能提高优化效率，但目前这些生产知识并没有得到充分有效的复用。因此，构建知识库系统解决聚乙烯生产过程中知识复用问题是提高生产过程智能化水平的重要途径。
由于知识库的以上优点，本文将知识库技术引入聚乙烯生产过程，提出了适用于聚乙烯生产过程的领域知识库框架，构建了用于工业聚乙烯生产过程的操作优化知识库系统（OOKBS），集成了聚乙烯生产工艺、设备操作和操作优化的知识共享与复用。
《2. 知识库系统的架构设计》
2. 知识库系统的架构设计
操作优化知识库系统的架构分为三层：本体层、模型层和应用层，系统架构如图1所示。每一个功能层都聚焦于实现独立的功能服务，使得各层之间的功能具有松耦合性，并能为上一层应用提供有效的服务支持，提高了系统的可扩展性。
《图1》
图1. 操作优化知识库系统架构。
知识库系统的本体层，包含了聚乙烯本体、专家规则、本体推理和分析模块。聚乙烯本体描述了与聚乙烯生产工艺相关的知识，如化工生产设备、操作条件和操作变量等知识。专家规则提供了优化操作和参数选择的专家经验，以提高在各种工艺条件下MWD优化的计算效率。本体推理和分析模块为基于实时生产状态的MWD优化计算提供了操作参数选择的推理分析功能。
知识库系统的模型层主要包含聚乙烯生产工艺模型、聚乙烯MWD预测计算模型和聚乙烯MWD优化计算模型，为知识库系统提供了模型计算服务。知识库系统的应用层为用户 提供聚乙烯生产领域的知识应用服务功能和交互界面，包括信息总览服务、操作优化服务和用户管理服务。
《3. 聚乙烯生产过程知识本体构建》
3. 聚乙烯生产过程知识本体构建
由上一节可知，由于聚乙烯本体描述的是聚乙烯生产工艺相关的知识，是操作优化知识库的关键组成部分。因此，本节给出了聚乙烯生产过程知识本体的定义和属性描述，并根据聚乙烯生产领域知识的特点提出了一种聚乙烯工艺知识本体的构建方法。
《3.1. 知识本体介绍》
3.1. 知识本体介绍
本体作为表示知识和概念的重要工具，主要用于描述领域知识对象以及对象之间的相互关系和推理规则 [10]。随着信息技术的发展，本体论的概念被引入到信息领域，科研人员为本体提供了新的应用领域，提高了知识共享的应用效率。然而，由于本体是对特定领域知识的简单描述，目前还没有可以用于构建各领域通用的知识本体方法，一般根据具体应用领域的特定需求人工构建该领域的知识本体。
在实际应用中，目前常用的知识本体人工构建方法主要包括：七步法[11]、 Enterprise Ontology 方法[12]、TOVE ( Toronto Virtual Enterprise) 方法[13]、METHONTOLOGY方法[14]和KACTUS方法[15]。其中， Enterprise Ontology 方法和TOVE方法主要应用于企业和商业活动领域的知识本体构建，而METHONTOLOGY方法和KACTUS方法的实现过程较为复杂，并且缺乏有效的知识本体构建工具支持。
基于对以上本体建模方法进行综合比较，七步法相对于其他本体建模方法更简单有效，并且更适合于使用Jena编程接口（API）通过编写程序来构建领域知识本体[16]。七步法最初是由Natalya F. Noy和Deborah L. McGuinness提出，用于解决领域知识本体构造的问题，并已应用于与化工设备选型研究有关的描述和推理等方面[9,17]。因此，本文将基于七步法进行聚乙烯领域知识本体的构建。3.2. 聚乙烯知识本体构建方法
聚乙烯生产过程操作优化知识库的本体库涵盖了 聚乙烯生产过程的相关知识，涉及生产工艺、原料信息、生产设备、牌号、乙烯种类、产品质量指标、操作变量和工况范围等 。为提高知识本体的复用性，本文将聚乙烯生产过程的知识本体分为5个子类： Chemical equipment、Product crafts、Polyethylene types、Variables 和Optimal conditions。下文将详细讨论上述5个子类的定义方法。
（1）Chemical equipment。本类定义了乙烯聚合反应所涉及的设备，如反应器、传输设备、换热设备、回收设备、产品罐等，如表1所示。
《表1》
表1 化工设备类别
（2）Product crafts。本类定义了聚乙烯的生产工艺类别，具体可以分为四种：气相法（Vapor process）、淤浆法（Slurry process）、溶液法（Solution process）、高压法（High-pressure process）。每种工艺方法又可以细分为许多工艺方法，聚乙烯生产工艺类别的结构如表2所示。
《表2》
表2 生产工艺类别
（3）Polyethylene types。本类定义了聚乙烯产品的类型。聚乙烯生产过程中，聚合方法的差异导致生产的聚乙烯产品种类也不相同。聚乙烯产品从密度分布的范围可以把生产的产品分为高密度聚乙烯（HDPE）、中密度聚乙烯（MDPE）、低密度聚乙烯（LDPE）、线性低密度聚乙烯（LLDPE）等，不同密度的聚乙烯产品用途各不相同。聚乙烯产品类型的构成如表3所示。
《表3》
表3 聚乙烯产品类型
（4）Variables。本类定义 了 聚乙烯生产过程中控制变量和产品质量指标。本系统选取的控制变量有氢气进料量
、乙烯进料量
、丁烯进料量
、温度、压力、氢烯比
、丁烯比
等。产品的质量指标有熔融指数（MI）、密度（ρ）、MWD等。变量类结构如表4所示。
《表4 》
表4 变量类结构
（5）Optimal conditions。本类定义了操作优化的优化工况点。优化工况类结构如表5所示。
《表5》
表5 优化工况类结构
OP: operating point.
《3.3. 本体属性构建》
3.3. 本体属性构建
网络本体语言（OWL） 是 W3C推荐的 本体描述语言标准，具有 两种主要的属性类型：对象属性（Object property）及数据属性（Data property），其中，对象属性通常用于描述实例之间的关系，数据属性通常用于描述对象具有的数据属性。根据化工领域设备核心概念术语集可知在化工领域设备本体中，对于设备的描述主要聚焦于描述属性、静态属性和动态属性等几个方面，本文针对聚乙烯生产过程的特点，设计了两种本体属性表（表6、表7）。
《表6》
表6 数据属性
《表7》
表7 对象属性.
《3.4. 知识本体存储》
3.4. 知识本体存储
在聚乙烯生产过程本体的构建、推理和分析完成后，需要对 解析后的本体知识进行存储，以提供复用支持 。目前对本体的存储方法有三种：专业的管理工具、纯文本、数据库。根据实际应用的特点，同时考虑到应用可用性及可延展性，在本文的聚乙烯过程操作优化知识库系统的集成中，采用了 MySQL数据库来存储 解析后的本体信息 ，并使用Jena API接口来进行本体的推理与分析。
《4. 聚乙烯分子量分布预测与优化》
4. 聚乙烯分子量分布预测与优化
由第2节的讨论可知，在 知识库系统的模型层中，聚乙烯MWD预测计算模型是其中一个关键组成部分，因此聚乙烯MWD预测与优化的质量显著影响到知识库的质量。通常 聚乙烯MWD的计算主要依赖 聚合物中的不同分子量聚合物的相对量， 文献[18,19]介绍了聚乙烯MWD的预测和优化的一般性方法。
《4.1. 聚乙烯分子量分布函数》
4.1. 聚乙烯分子量分布函数
MWD是组成聚合物中的不同分子量聚合物的相对量，并按照一定的概率函数分布，通常可以由分布函数拟合。因为Schulz-Flory最可几分布适用于线型缩聚物的MWD [20] ，所以常被用来计算某个活性位上生成的链长分布，即：
式中，N 为催化剂的活性位个数；
为聚乙烯分子链长度分布；r 为聚乙烯分子链长度；τ( j ) 是链转移速率与链增长速率之比，也称分布函数参数。代入后可得：
式中，
的对数表达式；
为数均分子量；MW为聚乙烯的分子量。
本聚合体系催化剂采用Ziegler-Natta催化剂，有多 个 活 性 位， 每 个 活 性 位 的 聚 合 物MWD都 服 从Schulz-Flory最可几分布。各活性位MWD的叠加得到聚乙烯的MWD，经过对数变化后，可得：
式中，
个活性位在分布函数的权重。
《4.2. 聚乙烯分子量分布预测》
4.2. 聚乙烯分子量分布预测
由于聚乙烯产品的结构复杂，目前仍缺乏有效的MWD的快速检测方法，虽然采用凝胶色谱仪可以对聚乙烯产品进行离线检测，但是这种方法不能实时反映产品性能，不利于产品质量的在线优化控制。通过MWD机理建模可以建立较为精确的模型，能够较好地解决MWD的在线预测问题。
从聚合物的分布函数分析其影响要素，建立操作条件和分布函数参数、权重之间的模型。建模流程如图2所示， 先使用BP神经网络来训练聚乙烯生产过程的数据，以生成 神经网络 模型，再根据实际工况利用模型计算聚乙烯MWD。
《图2》
图2. MWD建模流程。
建立聚乙烯MWD神经网络模型是为了获得聚乙烯生产过程中工况条件与MWD参数之间的关系，通过对模型数据和生产数据的交叉分析可以提升MWD预测效果，因此从Aspen机理模型和工业现场历史数据库中选择了乙烯进料量
、丁烯进料量
、氢气进料量（
、氢气乙烯摩尔比
、丁烯乙烯摩尔比
、反应温度（T）、反应压力（P）作为模型的输入变量（表8），并选择了500组数据作为样本集。
《表8》
表8 模型输入变量
由于该聚合体系下的催化剂有4个活性位，通过对Aspen机理模型和样本的MWD解析获得分布函数参数，将4个活性位作为神经网络模型的输出，输出变量Y 的数据模型为
。
为了保证模型验证的有效性，从样本集的500组数据中选取85%的数据（425组数据）作为训练样本，选取15%的样本数据（75组数据）作为测试样本对模型进行验证。
通过四个分布函数参数的样本测试值和模型预测值之间的比较（图3），可以发现在聚乙烯生产过程中，MWD仅与分布函数参数有关。图3中的四个子图的参数对应于模型的输出变量的 
。根据计算结果比较，发现通过基于生产变量和分布函数参数关系建立的模型，计算出的预测值曲线与测试样本值曲线有很好的吻合度，表明该模型能够有效地进行MWD预测。
《图3》
图3. 模型参数预测结果对比。
《4.3. 聚乙烯分子量分布优化》
4.3. 聚乙烯分子量分布优化
MWD的优化问题可描述为：给定一个期望MWD，在聚乙烯生产工况范围内寻找一个合适的工况条件，使得在此工况条件下生产的聚乙烯产品MWD与期望的分布最为接近。
由于聚乙烯的MWD是一条曲线，运用采点法将聚乙烯的MWD曲线等分为100份，即在MWD曲线上均匀地采集100个样本点。MWD优化问题的目标函数为：
式中，
表示优化后的聚乙烯MWD曲线在
点的值；
是期望的聚乙烯MWD曲线在点的值。
差分进化算法可以应用于MWD优化问题，优化变量可根据表4选择。为了获得更好的结果，系统基于知识库系统本体层的专家规则与本体推理，推荐与生产工艺条件相匹配的计算模型参数经验值，因此将差分进化算法的主要参数设置如下：种群大小NP 设置为50，变异算子F 设置为0.5，交叉概率CR 设置为0.8。
在聚乙烯MWD预测模型基础上，采用差分进化算法使期望MWD和优化MWD差值达到最小，图4是优化操作完成时，
曲线和MWD曲线的对比。由图4可知，曲线和MWD曲线基本吻合，说明采用知识库本体层推荐参数的差分进化算法对MWD优化具有较好效果。
《图4》
图4. 模型参数预测结果对比。
《5. 知识库系统设计与实现》
5. 知识库系统设计与实现
通过对知识库系统本体层的构建，以及模型层中关于聚乙烯MWD的预测和优化模型层的构建方法的讨论，为操作优化知识库提供了知识推理和预测优化算法支持。结合知识库体系架构的设计，对系统应用层功能模块进行开发，并在此基础上实现知识库系统的集成。聚乙烯生产过程操作优化知识库系统的主要应用功能包括：
（1）实现对聚乙烯生产过程的生产知识管理，包括设备信息、原料信息、工艺信息等，通过本体进行规范性定义。
（2）能够从聚乙烯生产领域专家知识、技术规范等抽取出底层知识库所需的规则，实现逻辑推理与分析。
（3）能够根据用户输入的工况数据，预测出与工况对应的产品MWD，并能根据用户上传的期望的MWD数据，通过优化算法给出优化后的工况条件。
（4）具备系统维护、数据库管理和账户管理等功能，具有系统日志记录与管理功能，通过日志分析确保系统的安全性。
《5.1. 知识库系统功能设计》
5.1. 知识库系统功能设计
知识库系统应用层在设计时主要考虑提升用户体验，实现界面布局合理、便于操作和信息完整等方面的要求，系统采用浏览器和服务器架构模式开发实现。应用层功能主要分为三个方面：信息总览、操作优化和用户信息管理。信息总览主要提供用户查看设备评估信息、原材料和生产过程信息。操作优化主要包括工艺流程、模型信息、专家信息管理和MWD优化等功能。用户信息管理主要提供用户管理和操作日志管理功能。知识库系统应用层的功能结构如图5所示。
《图5》
图5. 应用层功能结构。
《5.2. 知识库数据库结构》
5.2. 知识库数据库结构
为了提高系统的可用性和可扩展性，知识库系统设计并实现了数据库用以存储产品信息、规则、MWD专家经验数据和其他信息。
（1）产品信息。为了将聚乙烯生产过程中的生产设备状态、产品信息和历史数据进行综合分析，系统设计了产品信息数据表以存储有关聚乙烯产品的设备信息、工艺信息、操作变量和最优值的经验数据，产品信息表的结构如表9所示。
《表9》
表9 产品信息
（2）推理规则。为了使得数据分析能力更高效，基于设计数据与聚乙烯生产过程中的实际生产数据之间的相关性分析，系统构建了数据预测推理规则表，以增强计算处理的效率。推理规则表主要存储本体推理规则，包括规则名称、规则内容和规则前提条件等，以便于利用Jena API编程抽取规则和分析，规则表结构如表10所示。
《表10》
表10 推理规则
（3）专家经验数据。在聚乙烯生产过程中，不仅生产设备的状态数据比较关键，而且基于专家经验的优化经验数据也在操作优化过程中发挥重要作用。在进行操作优化预测时，通过对专家的操作优化经验数据与模型的预测值之间的综合关联分析来提高MWD预测的准确性，因此，我们设计了专家经验数据表来存储操作优化的专家经验数据，结构如表11所示。
《表11》
表11 专家经验数据
《5.3. 操作优化知识库系统实现》
5.3. 操作优化知识库系统实现
聚乙烯生产过程操作优化知识库系统采用Java语言开发，在实际工业应用过程中为了确保系统的稳定，将系统部署在Tomcat服务器上。通过聚乙烯生产知识本体信息的抽取，在用户访问界面展示聚乙烯生产工艺流程和工艺数据，用户也可以修改操作参数、运行模型和查看聚乙烯产品信息。系统的聚乙烯生产工艺流程信息展示如图6所示。
《图6》
图6. 聚乙烯生产工艺流程。
聚乙烯MWD优化模块包括MWD预测、MWD设定和MWD优化三个部分。用户输入当前工况或者是已知的工况，系统调用后台的BP神经网络程序预测出输入的工况对应的MWD曲线及详细数据，用户可以直观地观察到已知工况可以生产出的产品的MWD曲线，并进一步调整工况，生产出满足要求的聚乙烯产品。
在操作优化过程中，用户输入 期望的MWD曲线的数据值 ， 通过后台优化模型的计算，可以得到期望曲线和优化后的曲线对比，优化后的工况条件、MWD期望值和优化值的信息展示如图7所示。
《图7》
图7. MWD期望值和优化值的对比。
在实际生产应用中，根据知识库系统提供的计算参数和专家经验进行了操作优化计算，得到MWD期望和优化目标的关键操作参数的比较（表12），可以发现优化的操作参数值与期望目标值非常接近，这表明系统可有效地应用在实际生产过程中。通过知识库系统能够提高MWD预测与优化的计算效率，并能得到与实际聚乙烯生产工艺更好匹配的优化操作参数。
《表12》
表12 工况条件优化结果对比
《6. 结论》
6. 结论
本文提出了应用于聚乙烯生产过程操作优化的知识库系统的构建方法， 把本体作为聚乙烯生产过程领域知识表示和共享的载体，使用七步法对聚乙烯生产过程进行本体建模。 在本体库层中，实现了本体知识的描述和存储，并利用Jena API接口编程实现了本体的推理和分析，从而提高了知识库系统的利用能力。在模型层中，利用差分进化算法构建了MWD操作参数预测与优化计算模型，提高了操作优化计算的效率。在系统应用层中，初步设计并实现了满足聚乙烯生产过程操作优化和管理的功能需求。此外，本文提出的知识库应用结构也能够应用于具有类似特点的其他生产过程中。
《致谢》
致谢
本文的工作得到了国家自然科学基金（61890933, 61803157）、 上海市青年科技英才扬帆计划项目（18YF1405200）、中央高校基本科研业务费专项资金（222201814041）和国际博士后交流奖学金项目（20170096）的支持。
《Compliance with ethics guidelines》
Compliance with ethics guidelines
Weimin Zhong, Chaoyuan Li, Xin Peng, Feng Wan, Xufeng An, and Zhou Tian declare that they have no conflicts of interest or financial conflicts to disclose.
京公网安备 11010502051620号
