《Chinese Journal of Chemical Engineering》:A causality-driven multi-task prediction model of oil quality indicators
编辑推荐:
•提出了一种因果驱动的多元任务时序注意力网络(CMTAT-Net),用于实时预测油品质量。•提出了一种新颖的特征选择策略,将统计相关性与基于LiNGAM的物理因果逻辑相结合。•采用选择性共享—私有多元任务学习范式,成功克服了异质油品指标之间的负迁移问题。•在工业加氢裂化数据集
- •
提出了一种因果驱动的多元任务时序注意力网络(CMTAT-Net),用于实时预测油品质量。
- •
提出了一种新颖的特征选择策略,将统计相关性与基于LiNGAM的物理因果逻辑相结合。
- •
采用选择性共享—私有多元任务学习范式,成功克服了异质油品指标之间的负迁移问题。
- •
在工业加氢裂化数据集上的验证结果显示,平均值为0.97,持续优于主流基线方法。
引言
炼油与石化行业在保障能源供应方面发挥着基础作用。油品质量与生产效率、设备稳定运行和能源利用密切相关[1],并直接影响炼油企业的经济和安全性能[2]。然而,现代炼油厂的油品质量评估仍主要依赖通过实验室信息管理(LIMS)系统[3]进行的离线实验室分析。这种传统方法通常需要数小时至数天的延迟,可能阻碍及时的工艺调整、增加能耗,并延迟异常工况的识别[4]。这种延迟对蒸馏相关质量指标尤为突出,因为产品样品必须经过采集、转运、分析和报告后,结果才能用于运行决策[5]。因此,工艺调整往往基于回顾性而非当前质量信息,这可能导致产品规格偏差增大,并限制操作条件的及时优化[6]。由于蒸馏曲线表征了油品产品的挥发度分布和切割点特性,其及时预测对于产品收率分配、质量控制和操作裕度管理至关重要[7]。因此,同时预测完整蒸馏曲线可以将间断的实验室测量转化为连续的质量信息,缩短质量反馈延迟,支持更早的工艺调整,并减少反复实验室分析的依赖[8]。
尽管在线分析仪器能够提供直接测量,但其应用往往受到高昂安装成本和维护要求[9]的限制。相比之下,软测量技术能够利用从分布式控制系统(DCS)[10]中获取的易得过程数据进行实时估计难以测量的质量变量,提供了一种减少测量延迟的可行方法。
软测量方法通常可分为基于机理的方法和基于数据驱动的方法[11]。随着工业数据采集与存储技术的发展,循环神经网络(LSTM)[12]和时序卷积网络(TCN)[13]等深度学习模型因其能够从过程数据中提取时序信息而越来越多地应用于软测量建模[14]。TCN因其并行计算能力、稳定的梯度传播和灵活的感受野而特别适用于时序建模[13]。然而,常规TCN可能过于强调局部时序模式,而未能充分表示全局上下文依赖关系[15]。为克服这一局限,Xu等人[16]将注意力机制引入TCN,以识别信息量丰富的时序特征并改善长期依赖的表示。
油品生产过程涉及复杂的反应、传质和过程控制交互作用。由此产生的过程变量通常具有高维、非线性、强耦合和时变特性[17],且往往包含冗余或无关信息[18]。因此,特征提取是油品质量软测量建模的重要组成部分[19]。现有方法包括卷积神经网络、变分自编码器和基于树模型的方法,如XGBoost和LightGBM[20]、[21]、[22]、[23]、[24]、[25]、[26]。这些方法能够减少数据冗余并识别信息量丰富的过程变量,而基于树模型的方法则能提供相对透明的特征重要性估计。然而,XGBoost的贪婪分裂策略可能在特征重要性评估中引入偏差,导致高估冗余变量或低估潜在相关变量[27]。
更重要的是,传统特征提取方法主要识别统计关联,通常不能显式表示过程变量之间的因果关系。在闭环DCS数据中,反馈控制、过程耦合和共同操作趋势可能产生高度相关但并不直接驱动目标质量指标的变量。基于这些变量训练的模型可能捕捉到虚假相关,从而在操作条件变化时表现出稳健性下降[28]。随着因果发现方法的发展,基于结构因果模型的方法已被引入用于识别工业数据中的因果相关变量[29]。Ying等人[30]将因果分析与基于时域注意力增强的TCN相结合,用于筛选过程变量并建模其时序特性。然而,该方法中因果信息主要作为特征选择准则使用,所选择特征后续被处理时并未考虑其因果贡献的差异[31]。因此,将已识别的因果关系转化为可定量的、可解释的特征权重仍是需要进一步研究的课题。
预测架构也是油品质量软测量建模中的重要因素[32]。许多现有模型针对各个质量指标分别开发,因此未显式利用多个预测目标之间的关系[33]。虽然基于共享底部架构的多输出模型可以学习共同表示,但过度的特征共享可能会抑制特定目标信息或从其他任务中引入无关信息[34]。Xiao等人[35]提出了一种具有选择性共享—私有机制的多任务学习模型,以平衡共享特征学习和特定任务特征学习。然而,该方法主要关注空间特征关系,对工业过程数据中时序依赖的建模较为有限。
相应地,本研究解决了两个主要研究问题:如何将因果信息作为定量权重纳入特征提取而非仅用于特征筛选,以及如何在统一的预测框架中建模多个蒸馏指标的共享时序依赖和特定目标特征。
为回答这些问题,本研究提出了一种结合因果加权特征提取与基于注意力的多任务时序网络的软测量框架。将基于XGBoost的特征重要性与线性非高斯无环模型(LiNGAM)识别的因果信息相结合,以优化特征空间并构建因果权重。随后,采用基于注意力的TCN来建模所选择过程变量的时序动态特性。最后,采用共享—私有多任务架构来表示不同蒸馏点的共同过程模式和指标特定变化。所提出的框架旨在支持完整蒸馏曲线的实时联合预测,以提高预测可靠性、物理可解释性,并利用相关质量指标之间共享的信息。
本研究的主要贡献如下:
- 1.
提出了一种融合统计特征重要性与LiNGAM导出因果权重的特征空间优化策略,以减少特征提取对单纯统计相关的依赖。
- 2.
开发了一种因果加权的基于注意力的时序卷积网络,将因果相关性融入工业过程变量的时序表示中。
- 3.
引入了一种共享—私有多任务学习框架,在统一架构中对多个蒸馏指标的公共时序模式和特定目标特征进行建模。
章节摘要
总体架构
CMTAT-Net(因果多任务注意力TCN)是一种因果驱动的多元任务时序注意力网络。该模型首先通过特征工程构建多尺度时序滑动窗口,并利用XGBoost和LiNGAM算法对相关性进行加权融合。这一过程提取了具有物理意义驱动关系的特征,并为每个指标确定最佳时间窗口配置。随后,经过筛选的特征
数据集描述
为验证所提出框架在实际工业应用中的有效性,本文选取大型石化企业加氢裂化装置的真实生产数据作为案例研究。如图2所示的工艺流程代表了一级串联加氢裂化过程,其主要原料为减压瓦斯油(VGO)和混合氢气,产品包括汽油、柴油、燃料和润滑油基础油等。本研究主要分析质量
结论
实验结果表明,因果信息引导的特征加权、时序注意力和共享—私有多任务学习各自对CMTAT-Net的预测性能有所贡献。移除因果权重或将时序注意力移除后,平均MSE分别从0.35升至1.11和0.88,相应的平均R2从0.97下降至0.90和0.92。此外,联合多任务学习将独立单任务模型的平均R2从0.95
CRediT作者贡献声明
曾敏怡: 写作 – 审阅与编辑,写作 – 初稿撰写,方法论。何亚东: 项目管理,数据整理。徐伟: 概念化。王玉飞: 项目管理。袁壮: 资金获取。张悦: 数据整理
利益冲突声明
? 作者声明不存在已知的相互竞争的经济利益或个人关系,这些关系可能影响本论文所报告的工作。
致谢
本研究得到了国家化学安全重点实验室开放课题(SKLCS-2025020)的支持。
曾敏怡|何亚东|袁壮|张悦|徐伟|王玉飞