摘要：精餾塔是化工生產(chǎn)過(guò)程中最常見(jiàn)也是最重要的分離設備之一。其性能直接關(guān)系到生產(chǎn)裝置的投資、產(chǎn)能、質(zhì)量、能耗及成本。但是傳統的精餾塔工藝控制優(yōu)化，由于模型構建復雜、構建的數學(xué)模型通常不完善、存在控制效果不佳、診斷滯后、不能提前預測等缺陷。本文通過(guò)研究大數據驅動(dòng)的建模方式，利用精餾塔歷史積累的大量數據進(jìn)行模型建立，并在有效建模的基礎上實(shí)現精餾塔的優(yōu)化生產(chǎn)，可解決目前行業(yè)中存在的難題，將為用戶(hù)提升產(chǎn)品質(zhì)量、降低生產(chǎn)能耗做出貢獻。

關(guān)鍵詞：化工行業(yè)；精餾塔；大數據；建模；工藝操作優(yōu)化

Abstract: The distillation column is one of the most common and important separation equipment in the chemical production process. The performance of distillation column is directly related to the investment, capacity, quality, energy consumption and cost of the production equipment. However, the mathematical model of traditional rectification tower process control optimization is usually not perfect, and there are defects such as poor control effect, lag in diagnosis, and inability to predict in advance due to complex model construction. This paper studies the big data-driven modeling method, builds the model using the large amount of accumulated data, and realizes the optimized production of the distillation tower on the basis of effective modeling. Furthermore, this solution can solve the problems existing in the current industry and improve the product quality and reduce production energy consumption for users.

Key words: Chemical industry; Distillation column; Big Data; Modeling; Process operation optimization

1　引言

精餾塔是化工生產(chǎn)過(guò)程中最常見(jiàn)也是最重要的分離設備之一?；ぱb置中精餾塔設備投資巨大，約占化工項目設備總投資的30%～40%，其性能直接關(guān)系到生產(chǎn)裝置的投資、產(chǎn)能、質(zhì)量、能耗及成本。精餾過(guò)程的控制問(wèn)題也一直是控制領(lǐng)域的重要研究課題。

現有的精餾塔的研究由于模型構建復雜、構建的數學(xué)模型通常不完善、存在控制效果不佳、診斷滯后、不能提前預測等缺陷。因此，化工行業(yè)精餾塔的節能優(yōu)化控制的研究大多處于實(shí)驗示范階段，在裝置中的實(shí)際應用不多。在化工行業(yè)的自動(dòng)化發(fā)展過(guò)程中，精餾塔設備運行的過(guò)程監測較為成熟，已經(jīng)積累了大量的包括設備物聯(lián)數據、生產(chǎn)經(jīng)營(yíng)數據和外部數據的工業(yè)大數據，實(shí)現涵蓋了精餾塔生產(chǎn)的全流程，包含時(shí)間與空間兩個(gè)維度上不同尺度的大容量工業(yè)大數據的信息收集和整理。

工業(yè)大數據作為一種資源，被廣泛認為是化工行業(yè)由中國制造轉變?yōu)橹袊爸恰痹斓闹匾苿?dòng)力量。因此，如何有效地對化工行業(yè)精餾塔歷史積累的數據進(jìn)行大數據驅動(dòng)的模型建立，并在有效建模的基礎上實(shí)現精餾塔的優(yōu)化生產(chǎn)，可解決目前行業(yè)中存在的難題，將為用戶(hù)提升產(chǎn)品質(zhì)量、降低生產(chǎn)能耗做出貢獻，也是化工行業(yè)智能化轉型升級的必然需求。

2　傳統的精餾塔建模方法分析

精餾塔傳統建模方法主要包括理論建模方法、傳統系統辨識和數據驅動(dòng)的智能建模方法。其中理論建模方法和傳統系統辨識屬于傳統的建模方法?，F在的很多化工行業(yè)的建?；旧霞杏谇皟煞N方法。理論建模方法又稱(chēng)為機理分析法，也被稱(chēng)為“白箱”，它是通過(guò)分析過(guò)程內在的運作規律，運用已知的原理、定律和定理等，在長(cháng)期的實(shí)踐中建立實(shí)用的過(guò)程經(jīng)驗模型。一種典型的機理建模技術(shù)是用代數方程、差分方程和微分方程來(lái)描述線(xiàn)性或非線(xiàn)性、連續或離散、確定或隨機等連續系統，為其建立系統模型。

現有的精餾塔的研究主要根據實(shí)際精餾塔的操作過(guò)程分析和基于流程模擬軟件的仿真，提出許多精餾塔模型，力圖實(shí)現精餾塔在現有條件下生產(chǎn)等量產(chǎn)品的產(chǎn)品質(zhì)量最好和生產(chǎn)同等產(chǎn)品質(zhì)量的產(chǎn)品產(chǎn)量最多和生產(chǎn)能耗最低的協(xié)調優(yōu)化問(wèn)題，并對其異常狀態(tài)進(jìn)行預測。這些研究很多都是基于精確數學(xué)模型。

在采用精確的五階模型的基礎上使用線(xiàn)性二次型調節器（LQR）方法設計最優(yōu)控制器，從而對精餾塔進(jìn)行研究分析，但是這種方法忽略了模型參數發(fā)生變化的情況。部分業(yè)內專(zhuān)家提出了使用理論設計控制器，分析、研究精餾塔系統的性能。但是控制方法針對的是模型參數攝動(dòng)在較小范圍的控制過(guò)程，而且一定情況下其設計思想也導致了設計過(guò)程不必要的保守性，因此該方法忽視了模型參數在較大范圍發(fā)生變化的情況。在這些研究中通常依賴(lài)大量的專(zhuān)家知識，對某個(gè)確定的精餾塔進(jìn)行精確建模，建模周期長(cháng)、難度大。同時(shí)，由于模型預先給定，當系統配置發(fā)生一定變化時(shí)，固定的模型很難應對動(dòng)態(tài)變化的控制需求。

理論建模方法是建立在理論分析的基礎之上的，通常需要對研究對象的內部運作規律有深入的了解和認識，而多數系統的內部運作結構較為復雜，很難完全從機理上歸納其內在規律。然而，由于模型構建復雜，構建的數學(xué)模型通常不完善，存在診斷滯后、不能提前預測等缺陷。

因此，化工行業(yè)精餾塔的節能優(yōu)化控制的研究大多處于實(shí)驗示范階段，在裝置中的實(shí)際應用不多，究其原因，主要是因為模型的不確定性、控制量和被控量的約束問(wèn)題、控制算法實(shí)現的不可靠性以及存在執行器出現故障時(shí)的優(yōu)化控制策略實(shí)施復雜等。

3　基于大數據驅動(dòng)的精餾塔模型構建技術(shù)研究

近年來(lái)隨著(zhù)工業(yè)自動(dòng)化技術(shù)和DCS技術(shù)的發(fā)展，精餾塔設備已經(jīng)初步實(shí)現了生產(chǎn)的自動(dòng)化，并在運行中收集了大量的數據。但是，其大數據的深度利用不足，缺少基于大數據的精餾塔設備運行建?；蛘咴u價(jià)方法和依據。這里研究精餾塔系統基于大數據驅動(dòng)建模的模型構建方法、模型測試、模型評估及系統部署方法^[1]。

模型的離線(xiàn)學(xué)習和在線(xiàn)預測的整體架構圖如圖1所示。

圖1 模型的離線(xiàn)學(xué)習和在線(xiàn)預測的整體架構圖

（1）大數據驅動(dòng)的精餾塔模型構建及運行

針對精餾塔系統，對采集到的多年控制系統歷史數據進(jìn)行數據挖掘，分析多達68個(gè)變量之間的內在耦合關(guān)系，以尋找變化規律，并將這些學(xué)習得到的規律用于精餾塔系統控制中，以提升在保證輸出質(zhì)量、能耗較小和滿(mǎn)足設備約束條件下的系統效率和降低系統耗電量。主要解決思路是基于時(shí)間序列，通過(guò)深度學(xué)習對精餾塔系統的系統運行歷史數據進(jìn)行建模，構建系統各參數間的關(guān)系模型對模型的輸出進(jìn)行預測。

（2）數據預處理

由于精餾塔中數據繁多，數據中存在較多的缺失和異常數據。首先采用數據異常的鑒別方法，通過(guò)物理模型對異常數據進(jìn)行篩選和重構。由于物理特性、定律的限制，設備的不同狀態(tài)之間存在一定的耦合關(guān)系。傳感器數值的異常通常不會(huì )同時(shí)對所有的數值進(jìn)行修改。因此，可以由此特性對異常的數據進(jìn)行鑒別。

忽視離群點(diǎn)的存在是非常危險的，不加處理地將其進(jìn)入數據的計算分析過(guò)程中，對模型建立會(huì )產(chǎn)生不良的影響?？梢岳L制變量的象形圖，通過(guò)平均數和中位數來(lái)描述數據集中趨勢的統計量，在一定程度上反映數據的整體水平。

（3）特征值選取和處理精餾塔模型是一個(gè)時(shí)滯的模型，構建了集成近期數據、中期數據和長(cháng)期數據的特征集。

通過(guò)考察輸入特征參數對模型輸出的敏感性來(lái)判定特征參數對模型輸出的影響重要程度，進(jìn)而刪減冗余特征參數，此類(lèi)方法稱(chēng)為基于敏感性分析的特征參數選擇方法。根據敏感性系數的計算方式，基于敏感性分析的特征選擇方法可相應的分為兩類(lèi)：基于統計的隨機敏感性的特征參數選擇方法和基于偏導數敏感性的特征參數選擇方法。

當影響因素較多時(shí)，采用平均影響值方法挑選出部分特征參數作為建模的輸入可簡(jiǎn)化模型。當影響因素較少或挑選出的部分特征參數，可采用平均影響值計各特征參數的權重系數并進(jìn)行加權，進(jìn)一步提高建模精度。

由于精餾塔數據有不同的類(lèi)型：當前時(shí)刻的特征分成三類(lèi)：第一類(lèi)（recent）是該時(shí)刻的相鄰區間字段值，區間大小為分鐘級，在該區間內系統應該是一個(gè)平滑變化的過(guò)程，比如前幾分鐘的變化可能反映了當前時(shí)刻相似的特性；第二類(lèi)（near）是對應該時(shí)刻每間隔1個(gè)小時(shí)的時(shí)刻參數，直至間隔5小時(shí)以后不再考慮，總共重復取值操作；第三類(lèi)（distant）是更遠時(shí)間點(diǎn)相同的數據，發(fā)現數據分布可能具有1天的周期同分布情況，故以1天為間隔，取1天以后的該時(shí)刻數據作為特征的部分內容。

（4）模型構建

由于輸入參數和輸出參數的數量總和較大，且需要進(jìn)行基于時(shí)間序列的多變量多輸出預測，屬于較為復雜的系統分析問(wèn)題。該系統數據分析需要較多的專(zhuān)業(yè)知識。為弱化這一前提，并期望習得一些潛在的變量間規律，提出了采用深度學(xué)習方法，用一個(gè)5層神經(jīng)網(wǎng)絡(luò )來(lái)得到目標物濃度、含水量、耗電量和（不）可控變量的系統模型。

這里使用同樣的5層神經(jīng)網(wǎng)絡(luò )模型：一層為輸入層，一層為輸出層，中間三層為隱藏層。對于模型1，2來(lái)說(shuō)，僅僅是輸入層有所不通。其中隱藏層的神經(jīng)元個(gè)數分別為3000個(gè)、2000個(gè)和100個(gè)。同時(shí)需要為該神經(jīng)網(wǎng)絡(luò )選擇激勵函數，如果不用激勵函數，每一層的輸出都是上層輸入的線(xiàn)性函數，導致無(wú)論神經(jīng)網(wǎng)絡(luò )有多少層，輸出都是輸入的線(xiàn)性組合，與沒(méi)有隱藏層效果相當，退化成最原始的感知機（Perceptron）。

在激勵函數的選擇上，ReLu優(yōu)于常用的tanh和sigmoid。采用sigmoide函數時(shí)，計算量相對較大，同時(shí)在深層網(wǎng)絡(luò )中進(jìn)行反向傳播時(shí)，容易出現梯度消失的情況，從而無(wú)法完成神經(jīng)網(wǎng)絡(luò )的訓練。相比較而言，ReLu可以使一部分神經(jīng)元的輸出為0，可以形成稀疏的網(wǎng)絡(luò )結構，減少參數間的相互依存關(guān)系，緩解了預測過(guò)程的過(guò)擬合問(wèn)題。

同時(shí)由于深度學(xué)習的神經(jīng)網(wǎng)絡(luò )結構中神經(jīng)元個(gè)數太多，造成計算過(guò)程極其漫長(cháng)，一般都采用優(yōu)化算法來(lái)優(yōu)化學(xué)習過(guò)程。本次研究使用的Nadam算法，它是帶有Nesterov動(dòng)量項的Adam（帶有動(dòng)量向的RMSprop，利用梯度的一階矩估計和二階矩估計動(dòng)態(tài)調整每個(gè)參數的學(xué)習率）。其對學(xué)習率的約束更強，也更直接地影響梯度的更新。

4　基于大數據驅動(dòng)模型的精餾塔工藝操作優(yōu)化技術(shù)研究

考慮到工業(yè)優(yōu)化控制過(guò)程中，當前控制策略改變當前狀態(tài)會(huì )對之后的時(shí)間序列的數據特征產(chǎn)生影響，因此需要根據改變的狀態(tài)量來(lái)更新這些產(chǎn)生影響的特征變量。利用設備模型構建的關(guān)于時(shí)間、塔釜溫度、塔釜壓力、塔進(jìn)料量、塔頂回流、塔中部溫度和塔釜采出量可控變量（作為深度學(xué)習網(wǎng)絡(luò )的輸入層變量）與標物濃度、含水量、耗電量（深度學(xué)習網(wǎng)絡(luò )的輸出層變量）的關(guān)系模型，提高模型的復用率，在控制策略的選擇上，由于滿(mǎn)足系統的輸出可能有非常多的參數輸出集合，提出基于遺傳算法的策略選擇算法。通過(guò)產(chǎn)生大量的控制策略，作為遺傳算法的初始種群，通過(guò)對交叉、變異、適應度評價(jià)、最優(yōu)個(gè)體記錄等機制選擇出最優(yōu)秀的個(gè)體，作為當前時(shí)刻的最優(yōu)策略，并將控制后改變的可控參數值更新到之后的時(shí)刻用于特征構建在模型三中生成對應這個(gè)時(shí)刻的初始種群，以達到基于時(shí)序進(jìn)行優(yōu)化控制的目的。提出遺傳算法的編碼機制，和對“最優(yōu)控制”的適應度函數。由于存在一定的限定條件，這些限定條件在目標函數中通過(guò)懲罰懲罰項來(lái)計算適應度函數^[2]。

遺傳算法的步驟主要包含4個(gè)子流程，分別為基因選擇、基因交叉、基因變異及適應度評估，其中基因表示問(wèn)題的解，而解的表達要遵循一定的編碼方式。圖2分別給出了解的編碼形式。

圖2 遺傳算法中解的編碼形式

精餾塔設備實(shí)時(shí)優(yōu)化：

隨時(shí)監測過(guò)程運行狀況，在滿(mǎn)足所有約束條件的前提下，不斷調整工作點(diǎn)，以克服這些影響因素，保證過(guò)程始終能夠得到最佳的經(jīng)濟效益。所謂“在線(xiàn)”，是指整個(gè)優(yōu)化過(guò)程是自動(dòng)進(jìn)行的，從數據采集、模型修正，到優(yōu)化計算。實(shí)時(shí)優(yōu)化技術(shù)的實(shí)施必須有可靠的測量變送儀表、可靠的常規控制系統、可靠的先進(jìn)控制技術(shù)和可靠的實(shí)時(shí)優(yōu)化模型及優(yōu)化算法，整個(gè)系統是一個(gè)高度集成的軟硬件體系?？梢詫⒑?jiǎn)單描述為當過(guò)程處于穩態(tài)時(shí)，對來(lái)自集散系統的現場(chǎng)數據進(jìn)行數據調和，并以此為基礎對穩態(tài)模型進(jìn)行修正，在滿(mǎn)足一定約束條件的前提下用該模型進(jìn)行優(yōu)化計算，優(yōu)化得到的最優(yōu)設定值送到下層的調節控制系統。當過(guò)程處于新的穩態(tài)工作點(diǎn)時(shí)，開(kāi)始進(jìn)行下一輪的數據調和、模型修正、優(yōu)化，如此循環(huán)往復。

實(shí)時(shí)優(yōu)化能夠有效融合管理層與控制層，實(shí)現工廠(chǎng)從頂層的計劃管理到底層的設備控制的全面自動(dòng)化、最優(yōu)化，同時(shí)獲得以下方面的收益：

（1）增加產(chǎn)量，提高產(chǎn)品質(zhì)量，使生產(chǎn)始終維持在最佳操作狀況；

（2）減少原料和能源的消耗；

（3）延長(cháng)設備的運行周期；

（4）對市場(chǎng)供求關(guān)系的變化反映及時(shí)；

（5）進(jìn)一步深化對過(guò)程工藝與操作的了解，有助于工藝的改進(jìn)和操作策略的調整。

精餾塔裝置的實(shí)時(shí)優(yōu)化是在基于大數據構建的精餾塔優(yōu)化控制模型上，在線(xiàn)實(shí)時(shí)優(yōu)化由數據采集、數據校正、穩態(tài)檢驗、模型參數更新、模型優(yōu)化計算、控制動(dòng)作輸出幾個(gè)步驟組成，如圖3所示。

圖3 在線(xiàn)實(shí)時(shí)優(yōu)化系統結構

（1）數據采集。包括直接由現場(chǎng)測量?jì)x表測量的并已集中到DCS中的過(guò)程量（溫度、壓力、流量等）及不能由儀表直接測量的過(guò)程量（組分等）。

（2）數據校正。因為采集到的實(shí)測數據均不可避免地帶有兩類(lèi)誤差：過(guò)失誤差和隨機誤差。這種粗制數據是不能直接用來(lái)做優(yōu)化計算的，必須經(jīng)過(guò)一道“去粗取精，去偽存真”的處理。首先，進(jìn)行篩選，偵破哪些數據是過(guò)失誤差數據。過(guò)失誤差又分為兩類(lèi)：儀表相關(guān)誤差（如儀表失靈、敏感元件故障等）和過(guò)程隨機誤差（如泄漏等）。這種過(guò)失誤差數據必須刪去，不能參加校正計算，否則將會(huì )把這種大誤差傳播到其他好的測量數據上。其次，進(jìn)行隨機誤差校正。刪去過(guò)失誤差的數據即可視為均帶有隨機誤差，但這類(lèi)誤差通常滿(mǎn)足正態(tài)分布，可以用最小二乘法原理進(jìn)行數據校正計算，用推算值彌補被刪去的大誤差值。經(jīng)處理過(guò)的數據成為可以滿(mǎn)足物料平衡和能量平衡的精制數據。

（3）穩態(tài)檢驗。當前實(shí)時(shí)優(yōu)化技術(shù)均基于穩態(tài)模擬模型，所以只有過(guò)程處于穩態(tài)操作時(shí)才適用。系統入口首先就要檢驗過(guò)程是否處于穩態(tài)操作。選取精餾塔裝置的一些關(guān)鍵工藝變量的測量值做統計分析，如果其測量多次的變化量低于設定閾值，則認為統計上是穩態(tài)的，否則就認為不夠執行實(shí)時(shí)優(yōu)化的條件，程序轉入等待循環(huán)，固定周期重新檢驗是否穩態(tài)^[3]。

（4）穩態(tài)模型參數的更新。由流程模擬環(huán)節得到基于嚴格機理模型的穩態(tài)模擬模型。得到的穩態(tài)模擬模型，要形成在線(xiàn)實(shí)時(shí)優(yōu)化能用的模型還需要若干次加工：

·數據校正模型。評價(jià)DCS測量數據的內在一致性。它是一組聯(lián)立的（基于方程的）熱量和質(zhì)量平衡計算程序。最終目標是給出一套完全處于熱量和能量平衡的一致性的測量數據，送入核算工況；

·核算工況模型。以經(jīng)過(guò)校正的數據、分析數據及其他手動(dòng)輸入數據為輸入，進(jìn)行裝置全流程物料和能量平衡計算，從而核算出一些單元設備模型中的隨操作時(shí)間而變化的性能參數。

·基礎工況模型。這類(lèi)模型中的可變參數已經(jīng)標定過(guò)，取得能反映裝置目前狀況的當前值后的模型，該模型用來(lái)預測裝置操作條件變化后的裝置性能。

·方案研究。在工況模型的基礎上，增加產(chǎn)品指標的規定輸入，并可改變各種操作變量，從而進(jìn)行各種方案的研究。

·工況研究。在核算模型的基礎上，對工況研究變量進(jìn)行改變，得到相應變量的變化趨勢，從而研究操作變量與產(chǎn)品指標之間的變化關(guān)系。如精餾塔裝置的回流比采出量與產(chǎn)品產(chǎn)出組分的關(guān)系等。

·優(yōu)化模型。在核算模型的基礎上，加入決策變量和約束條件，如以精餾塔裝置產(chǎn)值最大為目標函數，對精餾塔裝置操作條件進(jìn)行在線(xiàn)優(yōu)化。

（5）優(yōu)化計算。給定目標函數（利潤最大、產(chǎn)量最高或成本最低等）及外部市場(chǎng)經(jīng)濟數據（原料成本、產(chǎn)品價(jià)格及水電汽單價(jià)等），選擇優(yōu)化算法并通過(guò)計算機計算最優(yōu)操作方案。

（6）先進(jìn)過(guò)程控制。將實(shí)時(shí)優(yōu)化計算得到的最優(yōu)操作點(diǎn)作為先進(jìn)過(guò)程控制的設定點(diǎn)，實(shí)現精餾塔裝置以最優(yōu)路徑達到最優(yōu)操作點(diǎn)。

綜上所述，本次的研究通過(guò)分析大數據驅動(dòng)的設備建模的主體需求，進(jìn)行數據特征分析、特征工程提取、模型的選擇、訓練與優(yōu)化和評估等多流程的設備模型構建，根據該設備模型，構建設備狀態(tài)的分析、狀態(tài)時(shí)序轉變及評測，實(shí)現設備工藝控制優(yōu)化。本次的研究具有以下先進(jìn)性：

（1）大數據驅動(dòng)的精餾塔設備模型建模和控制優(yōu)化可以不需要目標系統的精確數學(xué)模型，并可以較為有效地應對一定程度的不真實(shí)數據，受少數異常點(diǎn)的影響較小，并且具備持續改進(jìn)和優(yōu)化的能力；

（2）通過(guò)應用大數據技術(shù)對精餾塔設備的海量歷史數據進(jìn)行深層分析挖掘，力圖快速獲取有價(jià)值信息，形成可供推廣的設備建模及控制優(yōu)化方法。

最終在實(shí)際項目上，可針對精餾塔設備達到以下技術(shù)指標：建模指標：

·溫度參數測量指標建模精確到0.1℃；

·壓力參數測量指標建模精度達到0.1Kp；

·流量參數測量指標建模精度范圍達到0.2%；

·對應各組分含量能建模精確到0.5%；控制優(yōu)化指標：

·目標提取物含量波動(dòng)范圍縮小30%；

·雜質(zhì)含量相比行業(yè)標準降低60%；

·水份含量低于0.05%；

·提高產(chǎn)品平均出率0.5%。

5　結語(yǔ)

本次研究基于大數據驅動(dòng)的建模方式，進(jìn)行化工行業(yè)精餾塔工藝操作優(yōu)化方法，將為用戶(hù)提升產(chǎn)品質(zhì)量、降低能耗，實(shí)現綠色發(fā)展的社會(huì )效益。也會(huì )使得化工行業(yè)對于大數據實(shí)現更加深度的應用，通過(guò)大數據對于關(guān)鍵設備的建模，可以更加清晰地了解關(guān)鍵設備的運行狀態(tài)，同時(shí)提高設備運行、維護和優(yōu)化水平，實(shí)現化工行業(yè)的勞動(dòng)效率、自動(dòng)化、信息化、智能化水平顯著(zhù)提升，在部分工藝階段實(shí)現無(wú)人化或少人化操作?；诠I(yè)云和工業(yè)大數據平臺的設備工藝操作優(yōu)化，不但使得設備自身具備自調整、自?xún)?yōu)化和自診斷能力，及時(shí)響應生產(chǎn)需求的變化，還可以通過(guò)工業(yè)網(wǎng)絡(luò )與其他智能模塊實(shí)現實(shí)時(shí)互動(dòng)，重新組合生產(chǎn)流程和布局，滿(mǎn)足化工行業(yè)全流程智能建模、管理和優(yōu)化需求。

參考文獻：

[1] 馮言勇, 劉桐杰, 李昱, 方俊偉. 通過(guò)大數據分析進(jìn)行設備故障診斷的技術(shù)研究[J]. 自動(dòng)化博覽，2017, ( 12 ).

[2] 孔憲光,章雄,馬洪波,常建濤,牛萌.面向復雜工業(yè)大數據的實(shí)時(shí)特征提取方法[J].西安電子科技大學(xué)學(xué)報（自然科學(xué)版），2016, ( 10 ).

[3]劉強, 秦泗釗. 過(guò)程工業(yè)大數據建模研究展望[J]. 自動(dòng)化學(xué)報，2016, ( 2 ).

作者簡(jiǎn)介：

李　昱（1986-），男，畢業(yè)于西安工業(yè)大學(xué)，現任杭州和利時(shí)自動(dòng)化有限公司智能工廠(chǎng)業(yè)務(wù)部經(jīng)理兼產(chǎn)品經(jīng)理，主要從事智能工廠(chǎng)業(yè)務(wù)、現場(chǎng)總線(xiàn)技術(shù)研究、智能型設備管理應用及現場(chǎng)技術(shù)支持工作。

方俊偉（1981-），男，畢業(yè)于中國計量大學(xué)，現任杭州和利時(shí)自動(dòng)化有限公司項目規劃經(jīng)理，主要從事工業(yè)自動(dòng)化控制系統的實(shí)施應用。

摘自《自動(dòng)化博覽》2019年2月刊