案例背景：
石化行业是能源行业内技术密集、资金密集的代表之一。石化企业往往具有生产规模大、生产连续性强、工艺技术复杂、运行条件苛刻等特点。
以催化裂化为例，它是石化企业中工艺复杂度最高、生产操作要求最严格、物性变量最多的装置之一，同时也是石化企业汽油产量贡献最大的装置，催化装置操作是否优化，直接影响企业的经济效益，是石化企业盈利的关键环节。
催化裂化通常需要在高温高压的环境下连续生产，化学反应过程无法中断、不能分割，同时，物料在整个生产过程中，还存在循环利用、相互混合等复杂的工艺过程，往往要在投料后4个小时以后才能知道产出结果。
过去，催化裂化一直是靠“装置工艺员”来把握，这些技术人员往往都是在石化企业工作了十几年、经验丰富的老师傅，他们通过长期的学习和摸索，熟识设备特性，对于设备和工艺的各种参数聊熟于胸，根据经验对生产过程进行调节。此外，石化企业在新产品开发或者工艺改造的时候，还经常聘请外部石化工艺的专家进行现场调试、指导。这些专家一般都有几十年石油化工生产经验。这个过程一般需要3-6个月，包括对现有的设备的特征进行摸排，根据这些特征参数进行模拟，对设备进行标定，直至进行生产验证，所涉及的过程时间长、费用高。而且一旦产品需要有新的变化，还需要再次聘请专家重新进行调试。
案例概述：
为了进一步优化工艺、降低成本，中部一家石化企业找到联想集团，希望通过大数据、机器学习、人工智能等智能化技术来解决这些问题。
为此，联想派出了专门面向石油石化行业的专业团队，这一团队由在石化行业工作多年的资深专业人士组成，对石化行业的生产过程、生产管理以及信息化等领域有深刻认知和理解。他们根据化学反应机理，通过对设备运行产生的实时数据（如温度、压力、流量等）进行收集，再根据化学反应机理通过大数据模型进行工艺相关性的链接，建立了一套基于大数据的生产运行优化的实时模型，运用大数据计算和机器深度学习，不断迭代、优化，帮助客户对生产过程进行实时掌控和调节。
模型的运算基于海量数据的获取，联想团队首先摸清客户现有的三大类数据情况。
第一类是客户数据库里面有关设备的数据，包括超过10年的历史数据，用以了解设备当时运行的温度、压力、流量等运行的状态；第二类数据是实验室管理系统中有关原料的数据，如原料的质量、纯度等；第三类数据是生产制造执行系统里面采集装置的物料平衡的数据，如物料平衡、压力平衡、能量平衡等。
数据采集时，联想团队遇到的首要问题就是数据质量问题。客户过去10年间积累了海量数据，但由于种种原因，有的数据损坏了、有的数据传输中断，导致数据产生了很多中间的断点，从整体来看，每年每个月都有数据，但是如果把时间周期放大，会发现有的设备十几个数据点可能一天内一个数据都没有。
其次，由于客户10年间进行了多轮技改，而其中一些新增管线没有及时安装计量仪表，使得一些重要的过程参数缺失，同时导致下游反应的其他参数又产生偏差。此外，还存在大量数据对齐的问题，比如9点原料投入后需要30分钟到达设备中间反应区，但9点投料监测点记录的数据与设备中间反应区9点记录的数据并不是同一批物料，而物料具体到达反应区的时间又无法准确获得，导致数据出现错位，无法对历史数据建立一一对应关系。
为了解决数据质量问题，联想团队根据化学反应机理模型，对缺失、错位数据进行聚合、差分等平滑处理，并结合石化专家的经验，对数据进行切片，通过点与点之间的多维关联分析和拟合回归模型建立相应的关联性，保证数据质量。
数据采集之后，联想团队根据化学反应机理通过大数据模型进行工艺相关性的链接。基于生产过程中的几千组数据的分析，通过历史数据之间的相互变化情况，对点与点之间的相互影响进行关联，之后通过算法模型，找到其中的逻辑关系，进行量化评估和优化，把过去更多的通过老师傅经验掌握的规律数字化，便于基层操作人员掌握系统运行情况。客户当时要求数据模型需要每个小时要出一个系统优化建议。但不同于互联网公司，石化行业客户往往缺少大量的服务器计算资源，无法采用精度更高的循环神经网络模型。
鉴于计算拟合精度和计算效率的两方面考虑，联想团队采用了基于LightGBM原理的大数据模型，在不大量增加客户硬件采购成本的基础上，为客户每小时输出系统优化建议。此外，通过机器深度学习和人工智能技术，联想的大数据模型还可以在每日凌晨把当天产生新的生产数据更新到现有数据库中，并结合新老数据对模型进行自适应学习和训练，迭代出一个新版本的模型，实现模型的自我更新。通过对催化裂化以往生产过程中积累的海量工艺数据和化验数据进行深入分析，联想团队从影响产出的几十个变量中寻找出许多正向相关的潜在优化方向，帮助操作人员对生产进行优化。
项目成功上线以后，在提升产出方面取得了理想的效果。通过设备的自动调节、自动管理，帮助客户产出率提升了0.3-0.89个个百分点，一年净利润提升千万以上。
“中国的石油和化工行业的总量非常大，涵盖的面也非常宽，涉及到上游勘探开采、中游的炼油和化工以及下游的物流与销售等。在这一领域，我们的思路是从应用场景最多、数据基础也相对较好，同时也是我们相对熟悉的石化与化工入手，与客户进行广泛深入的接触，充分感知客户在生产管理、生产经营过程中的‘痒点’和‘痛点’，利用大数据和数据智能技术真正为用户解决实际问题。” 联想集团数据智能事业部石化行业副总经理 方乐
*本文刊发在财新promotion频道，不代表财新网编辑部观点
