刘龙兵， 李迎鑫， 李彩霞， 井泽琦， 刘 涛， 崔志强， 王 兴

（太原科技大学计算机科学与技术学院， 山西 太原 030024）

0 引言

历经数十年的发展，我国石化产业迎来了质的飞跃，产能持续提升，工艺逐渐精进，现已跻身世界石化强国的行列。随着工业自动化、信息化和智能化快速发展，传统的测控系统主要存在因通信技术老旧而带来的数据传输不及时、不精确；软件系统更新换代繁琐，研发周期长；面对海量的测控数据时处理能力不足；系统在复杂的网络环境中容易受到非法入侵等问题。因此，本系统通过将原有的测控系统与可编程智能测控系统[1]相结合，研究一种可以适应现代化石化工业的智能测控系统。本系统利用WIFI 技术，5G 技术和RFID 技术等无线通信技术与光纤通信技术和总线通信技术的结合，保证数据传输的实时性和准确性；利用多种数据分析和智能决策算法来实现工业测控过程中的自动化、智能化；通过可视化的指令模块由工程人员依据自身工艺需求来组装程序，可一键生成所需要的智能工控软件，简化了系统组态软件的编码过程，大大降低了测控系统研发周期，同时提高了测控系统的可扩展性；同时利用特有的网络安全架构保障系统在复杂网络环境下的信息安全。

1 系统设计

1.1 系统总体设计

通过石化工业生产实际与可编程智能测控平台的结合，研究出一种适用于石化工业的现代化智能测控平台系统，主要分为云服务层、上位机测控平台层和受控对象层，如图1 所示。

图1 系统总体框架

测控终端层主要由各种传感器、阀门控制开关、电机开关和蜂鸣器等组成，当接收到上位机测控平台或云端下发的操作指令时进行相应的操作。测控平台层由电脑、手机、平板等智能移动平台组成，主要负责对各个测控节点的工作状态进行实时监控和大部分操作指令的下发，同时接收云服务器的分析结果并可视化显示，方便技术人员实时了解各生产过程的状态。云服务层主要负责对传回的数据进行分析和存储，利用云服务器的强大算力对数据进行更加精细的分析，同时在云端运用智能决策算法依据分析结果，对各个受控对象下发相应的操作指令。

系统三层之间通过网络相互连通，彼此之间进行数据交互，使得云端数据分析结果可以实时的传输到上位机和测控终端。测控终端所采集的信息也可以在可接受的时延内传输到云端进行相应的处理。而且分布式云服务终端的搭建也将极大程度上降低系统的负载，使得系统能够平稳运行。

1.2 指令集设计

指令在测控系统中充当“血液”，系统每一个操作都会转化成一条条指令在期望的时间下发到系统各个测控模块执行。设计一套完备的指令集是系统能够在生产过程中准确的执行操作的必要，才能让人机之间，机器与机器之间相互默契配合。

本系统除去可编程智能测控系统自带的公有指令集外，还设计了报警指令、控制指令、I/O 指令、程序执行指令、函数调用指令等一系列指令集。系统部分指令如表1 所示。

表1 系统部分指令集

以下为系统指令说明，其中每条指令前四位为指令序号。

系统指令的功能分为“读取”、“设定”、“执行”和“判断”等功能，其中指令结构为：四位指令序号+指令功能+指令对象（“*”代表对所有同类对象都执行此指令）组成。例如0001READ_tepm_001 表示读取001 号温度传感器的数据。

设定指令是设定测控终端设备对收到的指令的处理方式的指令，结构为指令序号+“SET_QX=Y”：其中QX 代表对应的测控终端设备，Y 代表设定值，当设定为高电平有效时，设备收到高电平的操作指令时进行操作。

错误报告指令由指令编码+!Erro+错误编号组成，例如0058!Erro_001 表示测控终端读取数据故障。

1.3 硬件设计

智能测控系统的硬件部分主要集中在系统的最底层，即受控对象层。主要由数据采集模块、智能报警装置、智能控制模块组成。

1.3.1 数据采集模块

数据采集模块主要负责对生产过程中各阶段的数据进行采集，并通过网络上传到上位机。主要由温度传感器，压力传感器和电化学传感器等各种传感器构成。

其中温度传感器选择PT100 铂热电阻温度传感器[13]，该传感器采用高精度铂热电阻元件，测量温度更加精确，同时在测温探头部分采用抗震耐腐材质，可以极大的延长使用寿命，而且该传感器的引线采用四芯金属屏蔽线，具有抗干扰性强的优点。工作原理为当温度在0 摄氏度的时候他的阻值为100 欧姆，它的阻值会随着温度上升而形成近似匀速的增长。但它们之间的关系并不是简单的正比关系，而更应该趋近于一条抛物线。PT100 铂热电阻温度传感器的温度与电阻之间的变换关系如图2 所示。铂电阻的阻值随温度变化的计算公式为：

图2 PT100 铂电阻RT 曲线图

阻值温度换算公式：

式中：Rt为t℃时的电阻值，R0为0 ℃时的电阻值。在标准状况下：A=3.9083E-3、B=-5.775E-7、C=-4.183E-12。

电化学传感器是检测生产环境中各种有毒、有害气体浓度的一类传感器。其工作原理为：气体通过微小的开孔与传感器内部的半导体材料接触后，被吸附的气体与半导体之间发生电子转移而引起半导体电阻特性变化，从而利用半导体的电阻特性变化而测定气体浓度。依据内嵌半导体材料的不同，可以用来检测环境中一氧化碳、二氧化硫、硫化氢气体和氧化氮以及空气中其他微型颗粒物的浓度。

1.3.2 智能报警模块

智能报警模块主要由蜂鸣器和信号灯等报警装置组成。当接收到报警指令时，蜂鸣器就会发出报警提示音，同时信号灯会依据报警指令所提供的报警信息而发出不同颜色的光。

1.3.3 智能控制模块

智能控制模块主要由电机开关和舵机组成，当接收到由上位机或云服务器下发的操作指令时，电机开关和舵机将会依据指令来自动控制电机或舵机的启停，从而达到自动控制，提高系统自动化程度。

1.4 通信设计

网络作为系统中数据传输的媒介，在系统中有着无比重要的地位。一套完备的网络架构，将会很大程度上提升系统的实时性和智能控制的准确性。智能测控系统的三层之间依据各自的特点，选用不同的网络通信手段，实现互联互通；同时测控终端使用ZigBee无线通信技术[5]将各个测控节点组网，方便测控数据快速准确的传输。

ZigBee 技术是一种新型的短距离无线网络技术，其特点为低功耗、低成本、短距离和低时延，而且支持多种网络拓扑结构。本系统选用网状拓扑方式将各测控终端相连接，构成传感网，网络拓扑结构如图3 所示。网状拓扑结构可以构成非常复杂的网络，同时还具有自组织，自修复功能。相较于其他拓扑结构而言，网状拓扑结构具有更灵活的信息路由规则，并且在可能的情况下可以直接在路由节点之间通信。

图3 ZigBee 网络拓扑结构

在网状拓扑结构中，包含了一个协调器节点，多个路由器节点和多个终端设备节点。其中协调器节点是网络的核心节点，负责网络的构建、维护和管理，同时也是网络中数据的集中节点，负责与上位机进行数据传输。路由器负责数据包的传输，同时在网络中网络中的中继站点，负责传输路径的搜索和路径维持。终端设备主要负责数据的收发，功耗较低。

2 数据分析与智能控制

2.1 工控大数据分析

随着互联网和大数据的快速发展，机器的数据逐渐成为整个生态链最基础的东西。在石化工业全产业链测控中，各条生产线同样会产生大量工控大数据。工控大数据指的是制造业领域生产设备产生的数据，使以前看不见摸不着的数据变得可测可见，其覆盖面和多种类型已远超人工总结分析的范畴。“工控大数据云服务平台”运用规模化、系统化的新型开发思路，突破了产业链中大数据智能化收集、提取、分析等新技术，使数据经过有效分析后及时流向决策链的各个环节，并利用这些信息指导企业生产经营。系统还可以通过数据分析对机器运行状况进行实时监控，发现问题自动响应，找到症结并给出解决对策。有效解决监管不力、效率低、风险大等现阶段的诸多问题，精确监测和管理生产过程，实现全覆盖监管。

在此云平台中能够快速对数据进行系统化提取和整合，便于建立一个准确、完整的信息数据库，为后续工作的开展奠定良好的基础。同时与信息库中的历史数据进行分析对比，统计不同批次原料的数据差异及特性，总结其中的规律，大大提升开发效益，节约生产成本。

2.2 AI 技术控制系统

在大数据背景下，将AI 技术与计算机结合是十分必要的。AI 技术应用领域广泛，尤其在智能控制方面，正在推动新一轮人工智能革命的发展。其作为一种先进的智控方式，利用预测控制、模糊控制、机器学习等理论算法，深入发掘结合石油化工实际应用中的规律性因素，完美适配工业生产中变量多、信息量大的不确定性问题，具有优秀的信息处理和反馈能力，能自主控制、组织、协调，同时做到“效率与精度”双提高，对整个流程实现严格监控。

2.2.1 模型预测控制（MPC）

预测控制是一种基于模型的先进控制技术，比起一般控制算法应用范围更广，特别是善于处理多输出多输入系统，把影响因素串联起来同时考虑，更注重整个系统的稳态性能。结合石化工业需求，预测控制系统在智能生产过程中，通过数据关联性分析，结合不同情况的变化改变相应参数，能够对检测结果进行动态调整，从而找出最佳工作模式。值得一提的是，这种算法采用多步测试和滚动优化策略，反复进行优化计算，适用于不易建立精确数字模型且比较复杂的石油化工工业，动态控制性能优异，可以有效降低错误率，减少能源浪费。

2.2.2 人工神经网络（ANN）

作为人工智能的基础，人工神经网[9]络首次于20世纪40 年代崭露头角，成为人类研究方向的大势所趋，也是应用于工业工程领域发展势在必行的选择。

人工神经网络是由大量的节点（或称神经元）之间相互连接构成的运算模型，可以按照不同的连接方式构成不同的网络，具有信息处理单元的互联性和结构可塑性。其中各个节点的功能和结构比较简单，但大量节点组合产生的系统行为复杂得多。人工神经网络架构中由一个输入层和一个输出层组成，其中输入层从外部源（数据文件、图像、硬件传感器等）接收数据，一个或多个隐含层用来处理数据，输出层负责提供一个或多个数据点的所需功能。人工神经网络架构如图4 所示。

图4 人工神经网络架构

输入层（Input Layer）：接收外界输入的人工神经元记为特征向量x，网络将在其基础上进行学习，识别或处理。

隐藏层（Hidden Layer）：指隐藏在输入层和输出层之间的层，由内部神经元组成。

输出层（Output Layer）：输出层主要对输入系统的信息以及系统是否学习的任何任务作出反应的层级，产出的最终预测为h。

其次，人工神经网络开始工作的前提是要以一定的学习准则进行训练，需要给它提供大量数据信息，并在此基础上进行分类、预测等其他处理，这便是一个完整的学习过程。例如监督学习，作为最常用的学习类别，有关于权重（w）和偏差（b）的成本函数：

式中：x为训练集中的输入向量，h（x）为人工神经网络产生的输出，a为期望的输出。此函数计算误差向量可表明猜测结果跟期望输出的接近程度，紧接采取适当的行动。

基于人工神经网络的高度自适应能力，可利用外界输入更新内部权重，自学习的效果也达到最高程度。

3 网络安全策略

智能测控系统对石化工业的生产带来方便的同时也将自身暴露在复杂的网络环境中，将会面临黑客的恶意攻击以达到窃取内部信息，破坏正常的生产活动的目的，最终给企业造成不可挽回的损失。提升石化工业智能工控系统的主动防御、入侵检测、病毒防护、流量监控、自动感知以及自动调整能力，从而解决石化工业在信息化建设过程中所面临的网络安全问题。本系统通过将设备安全、通信安全以及云服务器安全相互结合，同时利用具体的动态防护及预警措施构建出一套对数据安全进行精密保护的网络安全体系架构，如下图5 所示。

图5 网络安全架构

3.1 设备安全

将通过身份认证、权限管理、访问控制等方式实现对现场的测控终端设备进行安全防护，最大限度杜绝病毒的侵袭，提升工控系统架构安全，同时需要对工控设备进行定期的安全检查，及时修补漏洞和优化设备，结合智能安全防护终端，实现智能化的串口、网口数据审查，阻止非法数据传输。

3.2 通信安全

通信网络层安全将从网络边界安全防护考虑，部署工控网络检测、隔离、防护系统。对外网可用工业防火墙进行逻辑隔离，阻隔外部流量进入内网，以此降低入侵几率；同时对内网不同时段及不同应用的流量进行可视化监控，保障测控系统内部的流量安全可靠。

3.3 云服务器安全

云服务在智能测控系统的数据存储和分析以及智能控制过程中都发挥着无比重要的作用，然而却是整个系统中最为薄弱的一环，主要面临分布式拒绝服务攻击（DDoS）和恶意软件注入攻击等。

分布式拒绝服务攻击通过利用大量傀儡机对服务器资源进行合理的请求从而占用大多数服务器资源，从而使服务器无法处理合法用户的指令。针对这种攻击方式，可以采用CDN 流量技术来进行防御。CDN 采用负载均衡的方式，依靠部署在边缘的服务器，通过中心节点的分发、调度等模块以达到多节点分担流量的目的。

恶意软件注入攻击的攻击者通常用恶意软件强行生成服务命令，注入到目标服务器中从而进行一系列破坏。针对此种攻击方式，本系统采用卷积神经网络[6]来实现入侵检测，它可以检测出主机和网络边缘处的异常数据，提高入侵检测的准确率，减少数据延时和计算量，确保能够及时地发现问题，该技术主要是根据工业控制系统中特定参数并选取检测特征，构建基于工控环境的入侵检测数学模型，通过云端对边缘端进行优化，防御能力随着入侵难度而不断提高，并通过该模型实现对系统状态的检测与预测，最终保护云服务器。

4 结语

针对目前石化工业测控系统中存在的自动化、智能化程度不足；数据传输效率和准确率低；系统更新升级过程繁琐等问题，通过将可编程智能测控系统与石化工业生产实际相结合，研究设计出了一种适用于石化工业生产过程中的智能测控系统，通过可视化低代码平台的运用，用户可以依据生产工艺的改变快速更新系统软件。同时通过对新型通信技术、传感器技术和智能控制技术的使用，在一定程度上提高了石化生产自动化和智能化的程度。