隨著機器學習等AI算法研究不斷深入與普及，通過挖掘工業(yè)大數(shù)據(jù)實現(xiàn)生產(chǎn)過程可預測、可優(yōu)化逐漸成為構建企業(yè)核心競爭力的主要途徑。

?

從技術層面看，基于機理的傳統(tǒng)優(yōu)化建模軟件在實際應用中投入大，模型收斂調優(yōu)復雜，而基于機器學習算法的通用大數(shù)據(jù)建模技術具有技術門檻高、業(yè)務難定制的特點，導致煉化企業(yè)優(yōu)化生產(chǎn)處于有數(shù)據(jù)、無模型、有模型、難應用的被動局面。

?

從項目層面看，基于機理建模、大數(shù)據(jù)建模項目周期長、投入大、模型難以持續(xù)維護，解決不同生產(chǎn)領域問題均需以項目課題形式實施，嚴重制約機器學習建模技術在煉化企業(yè)落地賦能。

?

力維智聯(lián)?Sentosa數(shù)據(jù)科學與機器學習平臺，為煉化企業(yè)提供了完備的煉化大數(shù)據(jù)機器學習建模平臺。整個平臺可部署于工業(yè)互聯(lián)網(wǎng)平臺下的AI服務器，可以替代機理建模。

?

同時平臺所包含的算法主要分為兩部分，一是通用數(shù)據(jù)科學挖掘算法，包括數(shù)據(jù)預處理和主流機器學習算法；二是優(yōu)化算法，包括模型自訓練算法和智能優(yōu)化算法。

?

另外，平臺支持通過建立與煤柴油加氫裝置有關的工藝和質量的專題數(shù)據(jù)集來固化先驗知識，遷移建模特征，為大數(shù)據(jù)算法落地提供特征模板與數(shù)據(jù)基礎。