工业监控解决方案：快速搭建一个化工异常检测预警系统

1月18日，北京，聊聊2025如何加入技术开发？

工业监控是确保生产流程稳定、安全和高效的关键环节。在化工行业中，这一点尤为重要，化工过程通常涉及高温、高压、易燃、易爆或有毒物质，任何微小的异常都可能导致安全事故或生产效率的大幅下降。随着工业4.0的到来，传统的监控手段，如人工巡检和简单的自动化系统，已经无法满足日益增长的生产规模和复杂性。化工行业开始探索更加先进的监控解决方案，以实现更深层次的数据分析、更精准的异常检测和更快速的响应机制。这些解决方案通常基于先进的信息技术，如大数据分析、机器学习、云计算和物联网技术，实现自动化和智能化的监控、预警与管理。

本文为大家介绍一个针对工业异常监控的解决方案架构，基于 DolphinDB 规则引擎，快速搭建一个化工异常检测及实时预警系统。

1. 化工系统中的实时预警模型

化工产品制备系统中，实时预警机制的建立十分关键，以迅速识别并处理生产过程中的潜在问题。系统涉及众多设备和复杂的工艺流程，需密切监控温度、压力、流速等关键参数。任何设备故障或工艺参数的异常波动都可能对生产造成影响，甚至导致生产中断或产品质量问题。因此，建立一个高效的实时预警系统对于保障生产的连续性、稳定性及产品质量至关重要。

在监控与预警的实施过程中，采用构建机理模型进行监测是一种常用的方法。机理模型，也称为物理模型或白盒模型，基于对物理、化学、生物等过程的理解，通过数学方程和物理定律描述系统行为。这种模型通常包含系统的动力学方程、质量守恒、能量守恒等，为精确监测和预警提供了科学依据。通过优化这些模型，可以进一步提高预警系统的准确性和响应速度。其特点包括：

• 准确性高：由于基于系统的物理、化学原理，机理模型能够精确描述系统的动态行为和状态变化。
• 解释性强：机理模型能够深入理解系统内部机制，帮助工程师分析和解决问题。
• 可预测性强：通过调整模型参数，机理模型可用于预测系统在不同条件下的行为。

在化工产品制备系统中，每一步流程都对应着具体的化学过程，因此非常适合构建机理模型以监测生产过程，且构建准确的机理模型对于理解系统行为、优化生产流程以及提高产品质量至关重要。

2. 工业丙烯腈制备监测场景

以工业丙烯腈的制备为例，反应系统的监控至关重要。丙烯腈的生产以丙烯、氨、空气为原料，在催化剂作用下生成丙烯腈及副产物。在此过程中，需要基于反应温度、进料比、出料比、催化剂含量等指标构建机理模型，对反应系统进行实时监测，以确保反应的正常进行。

• 反应温度的监测

从热力学角度来看，较高的反应温度有利于反应进行。然而，温度越高，丙烯的转化率虽然上升，但选择性会下降，导致大量副产物的产生，且温度过高会导致催化剂过热劣化，缩短其使用寿命。而反应温度过低，则会降低丙烯的转化率和丙烯腈的收率。

假设反应的最佳温度应保持在435~440℃，且最大径向温差不应超过2℃，此时丙烯腈的收率最高。为了保持反应器的温度，需要通过使用反应器内的U型管束进行调节。因此，在实际环境中，需要实时监测温度传感器的数据异常，以便生产监控人员及时调整温度。

• 进出料比监测

原料的进料比例无疑会直接影响到反应的结果，因而操作人员也需要控制各原料的进料比，保障反应正常。

1. 空烯比

空烯比过高，会导致丙烯腈发生二次反应，降低其收率；空烯比过低，则会导致反应不完全，并使催化剂因缺氧而失去活性。由于反应环境的变化，空烯比并不是绝对固定的。因此，还需根据出料中的尾氧浓度来判断反应情况。即使空烯比正常，如果尾氧浓度超出范围，仍表明生产过程中存在异常。因此，对空烯比的判断需要结合进料比例和尾氧浓度。通常将空烯比控制在8.8-11.0之间，尾氧浓度控制在0.5~2.0%之间。

2. 氨烯比

氨烯比过高，会增加副产物，导致氨和其他原料的消耗增加；氨烯比过低，会增加丙烯醛和丙烯酸含量，在后续回收中生成聚合物，并降低丙烯转化率和丙烯腈收率。氨烯比通常应控制在1.10～1.35之间，以保证反应正常进行。当数据记录反应进料比出现异常时，此时我们就可以及时调整进料量，优化生成过程。

• 催化剂控制

催化剂的装载量可以通过重时空速（WHSV）来判断，WHSV 的定义是丙烯进料量除以催化剂装载量。WHSV 的范围通常是取决于反应器的设计符合。该案例中，WHSV 的取值范围为0.07~0.08h-1间。当出现重时空速异常时，操作人员就需要调整催化剂量或原料进量。

3. DolphinDB 工业异常监控解决方案

• 解决方案

结合 DolphinDB 规则引擎，针对上述的监控场景，我们提出了如下针对化工系统实时异常检测的解决方案架构：

该架构中，数据源由传感器数据组成，可以通过消息中间件、API、ODBC 等方式将采集的传感器数据写入 DolphinDB 流表。

1. 原始表：这是存储原始数据的流表，通过订阅流表将数据实时注入规则引擎。
2. 静态规则表：这是存储在 DolphinDB 中的静态信息表，包含每个测点的规则信息及对应的处理策略。
3. 检测结果表：该表用于存储规则引擎的检测结果。用户可以订阅此结果表，并自定义处理逻辑，将异常结果输入下游流表。
4. 异常处理表：用于接收经过规则引擎回调函数处理的异常处理结果。

结果输出方面，DolphinDB 可以通过插件主动推送检测结果，或由下游应用系统主动拉取数据。

• 规则引擎

规则引擎是 DolphinDB 为应对实时的异常检测和风控管理等场景推出的流数据引擎，支持对不同的数据集应用不同的检测规则，且检测规则可以动态增删，十分灵活。此外，规则引擎还支持指定回调函数，可以在其中对检测结果执行异常处理、过滤等操作。

引擎计算机制可以参考下图：

4. 快速搭建一个异常监控系统

本文将以一个轻量化案例展示如何使用 DolphinDB 实现上述架构中的核心部分，进而完成化工场景中的实时异常监测，主要包括规则表的解析、规则引擎的实现及异常结果的处理。

4.1 规则表解析

首先我们模拟一个静态规则表，静态规则表中存储了各设备所对应的规则信息，作为我们后续使用规则引擎进行异常检测的依据。静态规则表结构如下：

根据前文中场景，我们使用如下脚本创建一个静态规则表：

//模拟规则信息
devId = stretch([1,2],7)
param = `temp1`temp2`tempDif`airPropyleneRatio`oxygenRatio
`ammoniaPropyleneRatio`WHSV
ruleId = 0..3 <- 0..2
lowLimit = [435,435,0,8.8,0.5,1.10,0.07]
highLimit= [440,440,2,11.0,2.0,1.35,0.08]
calFunc = [NULL,NULL,"abs(temp2-temp1)",NULL,NULL,NULL,
'propyleneAmount\\catalystAmount']
exceptionHandling=["点位1温度超出正常范围,调整U形管数量","点位2温度超出正常范围,调整U形管数量",
"温度分布不均,调整U形管分布","空烯比异常,调整空气、丙烯进料比","尾氧含量异常,调整空气、丙烯进料比",
"氨烯比异常,调整氨气、丙烯进料比","重时空速异常,调整催化剂用量或丙烯进料量"]
//创建配置表
configTable = table(devId,ruleId,param,lowLimit,highLimit,calFunc,exceptionHandling)

使用 DolphinDB 脚本将上述规则配置表解析为适配规则引擎的规则集：

keys = [1,2,NULL]
rules = []
for(key in keys){
    if(key!=NULL){//key=1
        ruleTable = select * from configTable where id=key
        tmp = []
        for(rule in ruleTable){
            paramTmp = iif(rule.calFunc!=NULL,rule.calFunc,rule.param)
            ruleTmp = parseExpr(rule.lowLimit +"<"+ paramTmp+"<"+rule.highLimit)
            tmp.append!(ruleTmp)
        }
        rules.append!(tmp)
    }
}
//添加一个默认规则条件
rules.append!([<temp1<0>])
//生成规则集
ruleSets = dict(keys,rules)

生成的规则集是一个字典，其中键为设备ID，值是对应设备的规则，每个规则表示为一个元组。在规则引擎的规则集中，必须包含一条默认规则，该规则对应键为 NULL。如果输入数据未匹配任何设备的具体规则，则会应用默认规则。

4.2 规则引擎创建

当我们获取到规则集后，即可根据规则集创建一个规则引擎：

//创建数据流表，作为规则引擎的数据源和输出表
colNames = `devId`ts`temp1`temp2`airPropyleneRatio`oxygenRatio`ammoniaPropyleneRatio`propyleneAmount`catalystAmount
colTypes = [INT,TIMESTAMP,FLOAT,FLOAT,FLOAT,FLOAT,FLOAT,FLOAT,FLOAT]
share streamTable(10000:0,colNames,colTypes) as orignData
share streamTable(10000:0,colNames <- `rule,colTypes <- [INT]) as result
//创建规则引擎
createRuleEngine(name="rule1",ruleSets=ruleSets,dummyTable=orignData,
outputColumns=colNames,outputTable=result,policy="shortcut",ruleSetColumn="devId") 
//订阅原始数据表，将数据注入规则引擎
subscribeTable(tableName="orignData",actionName="dataToRule",offset=0,
handler=append!{getStreamEngine("rule1")},msgAsTable=true,batchSize=1000,throttle=1) 

上述代码中，我们首先创建了两个流表 orignData、result，orignData 接收设备传感器上传的原始数据，作为规则引擎的数据源，result 作为输出表接收规则引擎检测后的结果输出。之后创建了一个规则引擎 rule1，ruleSets 为我们前文解析的规则集。有关规则引擎的详细说明，请参考 createRuleEngine。最后我们订阅原始数据表，将数据注入规则引擎中，即完成了规则引擎创建的完整流程。

4.3 功能验证

本文仅使用两个测点的数据模拟进行功能验证，每个测点的采集频率为 10 ms，具体数据模拟脚本见附件 simulateData 函数。本文模拟生成的数据完全随机，故结果输出可能与下文不同。

查看输出结果表：

select * from result

其中前九列为我们自定义输出列，最后一列 rule 即为规则引擎的检测结果，为空则表示当前测点无异常，2则表示该测点不符合第三条规则，出现异常。

可以看到规则引擎的直接输出中，包含了异常记录和正常记录，且异常记录中的 rule，只是提供了一个异常标识。进一步我们希望能够直接获取异常信息和对应的操作方案。

4.4 检测结果处理

想要直接获取异常信息和对应的操作方案，我们需要将检测结果处理成我们需要的形式。检测结果的处理有两种方案：

1. 使用规则引擎的回调函数处理异常结果。在这种方法中，规则引擎每处理一行记录时都会调用回调函数，具有较低的延迟。缺点是如果对订阅结果进行逐条处理，可能会导致规则引擎堵塞，且对回调函数的修改需要重定义整个规则引擎。因此这一方案适用于数据量较少、数据频率较低且结果处理逻辑固定的场景，即不会影响规则引擎的性能，还可提升异常响应速度。
2. 订阅检测结果表，并通过自定义的处理函数（handler）进行批量处理。这种方法会对每一批次的数据调用 handler 函数进行处理，从而提高结果处理的效率。这一方案适用于数据量较大的场景，当数据量较大事，规则引擎本身负荷较高，频繁调用回调函数不利于系统的稳定性。

两种方案都需要自定义处理函数来处理异常结果，选择哪种方案取决于实际应用场景的需求。

• 清理环境

unsubscribeTable(tableName="orignData",actionName="dataToRule")
dropStreamEngine(`rule1)
dropStreamTable(`orignData)
dropStreamTable(`result) 

运行上述脚本清理环境后，重新定义流表 orignData、result。

• 定义处理后的异常记录表

colNames = `devId`ts`temp1`temp2`airPropyleneRatio`oxygenRatio`ammoniaPropyleneRatio
`propyleneAmount`catalystAmount`exceptionHandling
colTypes = [INT,TIMESTAMP,FLOAT,FLOAT,FLOAT,FLOAT,FLOAT,FLOAT,FLOAT，STRING]
share streamTable(10000:0,colNames,colTypes) as warningTable

• 使用回调函数进行结果处理

我们定义如下函数对数据进行处理，当测点出现异常时，则通过静态规则表获取异常处理方式，并将记录输出到异常记录表中：

def exceptionHandling(result,warningTableName,configTable){
    if(result.rule != NULL){
        tmp = select devId,ts,temp1,temp2,airPropyleneRatio,oxygenRatio,
              ammoniaPropyleneRatio,propyleneAmount,catalystAmount, exceptionHandling 
              from result 
              left join configTable on result.devId = configTable.devId
              and result.rule=configTable.ruleId
        objByName(warningTableName).append!(tmp)
    }
}

我们在规则引擎指定 callback 参数为 exceptionHandling，则经过规则引擎检测后的结果会自动调用 exceptionHandling 函数进行处理：

//重新定义规则引擎增加回调函数
createRuleEngine(name="rule1",ruleSets=ruleSets,dummyTable=orignData,
outputColumns=colNames,outputTable=result,policy="shortcut",ruleSetColumn="devId",
callback=exceptionHandling{,"warningTable",configTable})
//新建订阅
subscribeTable(tableName="orignData",actionName="dataToRule",offset=0,
handler=append!{getStreamEngine("rule1")},msgAsTable=true,batchSize=1000,throttle=1)

• 订阅检测结果表

定义 handler 函数，并订阅检测结果表。handler 函数中进行的处理与回调函数中进行的处理基本一致。

//定义 handler 函数 resultWarning，进行结果处理
def resultWarning(msg,warningTableName,configTable){
    tmp = select devId,ts,temp1,temp2,airPropyleneRatio,oxygenRatio,
          ammoniaPropyleneRatio,propyleneAmount,catalystAmount, exceptionHandling 
          from msg 
          left join configTable on msg.devId = configTable.devId 
          and msg.rule=configTable.ruleId 
    tmp = select * from tmp where exceptionHandling!=NULL
    objByName(warningTableName).append!(tmp)
}
//订阅检测结果表
subscribeTable(tableName="result",actionName="resultWarning",offset=0,
handler=resultWarning{,"warningTable",configTable},msgAsTable=true,batchSize=1000,
throttle=1) 

• 扩展功能验证

运行数据模拟脚本，查看 warningTable 表中异常记录：

rule 已被处理为静态规则表中的异常处理策略，且两种方案的处理结果完全一致。

5. 小结

本教程通过一个具体的异常监控实例，基于 DolphinDB 的规则引擎，详细阐述了如何迅速构建一个全面的异常监控系统。通过这一案例，用户将深入了解到使用 DolphinDB 构建异常监控系统的独特优势，并获得快速实现高效监控系统的解决方案。此外，教程中所展示的监控案例不仅具有参考价值，还可以灵活应用于其他相似场景，进一步拓展其应用范围。

6. 附录

完整案例代码