2.装置规模
　　在同样的相对优化收益空间下，收益的绝对大小与装置规模成正比。装置规模越大，收益越大，同样的生成成本降低1%，1000万吨装置的RTO收益就是100万吨装置收益的10倍，而上RTO系统的实际成本几乎一样，所以装置规模对RTO项目的投资收益比影响极大。
　　石油化工化工装置都是千万吨、百万吨级，所以RTO的收益极大。而处于产业链中下游化工装置通常万吨、十万吨级这种规模，越往下游，行业划分越细、装置产能越低，RTO的效益越低，越不值得上RTO项目。
　　二、实施技术难点与成本
　　为了使RTO模型预测和优化有效，模型计算误差最多是测量误差的1/3，另外优化变量x的变化值与x的测量误差之比必须足够大，Rx/Rξ（建模数据集中x的变化范围与x误差范围之比）至少大于6。具体分析参考：
　　读《知行》之二：工业生产大数据难以建立优化模型
　　计算精度满足这两个条件才能区分优化导致的变化与测量误差导致的变化，才能明确优化目标值的变化来自模型自由变量x的变化，而不是来自测量误差。
　　这个模型精度要求并不低，尤其是操作单元的模型，也是RTO项目的关键技术难点。从我有限的工作经验来说，要建立与各种工况下现场数据吻合的稳态过程模型非常困难，不要说含有化学反应的反应器模型，以及含有大量循环流股的全流程模型，即使建立一个与多种工况现场数据吻合的精馏塔或者换热器模型也不容易。利用商业模拟软件建立一套装置的稳态模拟计算物料平衡、能量平衡并不难，考验模拟者的是用现场运行数据去检验模拟。做的模型或许可以拟合某个工况下的生产数据，但是如果用这套模型预测另外一种工况并用新工况的数据来验证，就看到差别了。
　　相对优化空间越大，对模型计算精度要求越低，因为误差变化相对优化变化很小，误差对优化结论可忽略。所以，大空间尺度的优化可以使用低精度模型，例如炼厂的计划调度模型只需使用线性模型即可。如果优化单个单元或者工段，本来优化空间不大，此时模型的精度必须非常高。如果单元的边界条件变化较大，此时模型误差相对优化变化也比较小，优化结果即使不是真的最优解，也比原先的操作有优化收益。
　　模型计算结果的误差有两种原因：一种是模型方程形式以及参数与实际过程不匹配；一种是模型边界条件输入与实际输入不匹配，例如输入流股的组成、单元的实际操作温度压力。
　　1.模型结构与模型参数误差
　　有人说，采用机理模型（即化工热力学、化工原理、化学反应工程上的数学模型）就可以解决模型不匹配的问题，实际上这些方程也是基于某种化工现象简化条件后半机理半经验方程，绝对不是物理学中描述物理现象的严格机理模型。所以所谓的化工机理模型也是一种近似模型，通过数据拟合把误差平均在模型参数中，所以机理模型并不是没有误差问题。相对大数据模型，所谓机理模型的外推和预测能力更好一点。我认为，利用半经验半机理模型以及模型参数回归，无法建立在各种生产工况下都满足预测精度的全局准确模型。
　　要解决模型在全局范围内准确的问题，可以有不同的做法：
　　1）.建立参数的参数模型：用不同工况下的数据建立模型参数的回归模型，即建立半机理模型参数的数据回归模型。
　　2）.建立数据驱动模型：对预测误差比较大的单元，直接用不同生产工况下的生产数据建立数据驱动模型（即黑箱模型，或统计模型，大数据模型，AI模型，这个名字怎么时髦就怎么叫），把该单元的黑箱模型与其他单元的白箱（半机理模型）混合起来，变成混合模型（Hybrid model）。现在一些商业模型软件已经支持混合模型。
　　3）.建立滚动更新的局部准确模型：基于某个工况数据校正建立的半机理模型虽然全局准确性不够，但是在校正的工作点附近的精度是可以的。所以我们可以相信利用当前工况点实际数据校正（reconciliation)出来的模型并且在当前工作点附近范围的预测精度，类似于非线性函数线性化在附近局部有效。利用这个局部有效的模型，在当前操作点局部范围内（限定自由变量与状态变量的变化幅度）优化（optimization），再通过先进控制系统APC将操作点转移到局部优化点。然后再重新校正，重新优化，重新更新操作点。这和APC里面的滚动预测和一步执行的道理是一样。在承认没有全局准确的模型的基础上，利用局部准确的模型进行局部优化，滚动迭代进行。通过这种滚动迭代优化，最终逐渐进化到全局优化点或者满意优化点。（这里全局优化点不是指优化算法中global optimization）。这种将RTO与APC结合在一起的方法，在商业APC软件中已有。
　　我的朋友冯恩波教授对这种实时滚动的局部优化有评论：
　　“我们讨论模型的精度，对于RTO和OST来说，一定要懂得是一个“滚动精度”的概念，也就是“小时间段”和“局部空间”模型精度的概念。在软件运行的每一步都要进行一次参数重新拟合运算（reconciliation），在这个时间点的模型精度还是很高的，完全能满足误差理论意义下的精度要求。这就是要做RTO的原因，优化本来是静态问题，工程上和软件上做成了“动态跟随”性质的优化，RTO，这个R就是为了解决模型精度问题。OTS为什么要和实际物理装置做连接？也是用实际数据做跟随模型参数拟合，道理是一样的。不能把传统的模型的全局误差概念和这种RTO或者OTS的滚动模型误差混为一谈。真正做过RTO和OTS的人，都应该明白这个道理。”
　　RTO的另外一种思路是无模型优化。如果对待优化单元的物耗、能耗、产量以及产品质量都有在线测量，此时优化的目标函数以及约束条件可以直接测量，那可以直接采用操作调优的方法。由于实际优化也就1-2个自由优化参数，直接利用无模型的单纯形优化法，每次迭代限制步长，控制在当前小范围内变化，利用APC稳定在当前点附近单纯形上的2-3个工况点，利用测量值直接度量每个工况点下的目标函数值，再利用单纯形规则直接确定并更新下一个进化工作点，这重方法也能逐步进化到满意优化点去。这种无模型方法岂不是更简单？比机理模型尝试的进化点会多一些，速度要慢一点，但是省却了极其复杂的建模时间，技术门槛也不高。
　　从以上分析可见，对于略复杂的过程（含有反应单元、精馏单元、循环流股的过程），不可能一次性建立全局准确的机理模型，但是有工程手段逐渐找到（进化到）满意优化工作点。
　　2.输入边界条件误差
　　输入边界条件的误差是导致模型计算结果误差的另外一个重要因素。即使模型本身没有误差，当输入的边界条件与实际条件不一致时，模型计算结果也会出现误差。
　　最重要的输入边界条件就是输入流股的组成。当模型是全流程模型或者是以装置原料为输入的前段工序模型，此时，直接手工输入相对稳定的、来自实验室分析的装置原料的组成数据，其余中间流股成分均通过自前而后的单元模型计算传递。如果有一个单元的模型计算误差不可接受，后续模型的计算误差误差均不可接受。如果包含循环流股，单元模型计算误差将循环积累，误差更大。
　　更好的方式，就是增加中间流股的在线成分分析，用在线分析结果取代前段单元模型计算结果来作为后续单元模型的输入，这样可以阻断流股组分误差的传递。所以，关键流股成分的在线分析仪器是RTO项目的重要硬件投资。
　　据我了解，RTO在炼油以及石油化工行业有一些成功的应用，在化工行业还没有听说过RTO应用。目前为止，我的职业生涯中还没有接触过石油化工项目，也没有做过严格意义的RTO项目，以上论述仅仅基于我做大规模流程离线模拟以及Online模型的开发经验。
　　冯恩波教授在国外大型石化企业工作多年，真正做过和维护过石化装置的RTO系统，他对RTO项目评论如此：
　　“在讨论这个问题的时候，我们应该有个基本前提，就是流程工业过程是一个本质不确定系统。包含强因果关系变量子集和弱因果关系变量子集。RTO的机理模型只能覆盖那些强因果关系子集，这个子集基本上可以满足静态关系。所以RTO本身是做静态工作点优化。对于不少石油化工有成功应用，我本人也亲手做过和维护过RTO系统，但是工作复杂和技术要求比较高。我们说的PID和APC也是在强因果关系子集的事情。所谓非强因果关系子集的问题，大部分是动态的、和外界干扰有密切耦合的问题，其中包含的涌现特征，往往是在不确定时间和条件下出现的，也就是时变的模式。这就是我们需要实时的模式识别算法或实时机器学习算法，对这类新特征进行跟踪。这和以稳定强因果关系为目的的控制层并不是一个层面的、也不是一个时间尺度的事情。”
　　三、实时优化系统的应用场景
　　业界对RTO项目的评论：项目投资非常高，项目周期长；项目技术门槛非常高，实施难度大；仪表、自控等硬件要求高。
　　前文已论述，RTO项目做与不做的决策关键取决于投资收益比。先不要算投资费用，先评估潜在RTO项目年化收益，年化效益较大的场景值得考虑继续往下评估投资费用以及技术可行性。本文在第一部分“一、实时优化的收益”已论述，决定RTO项目年化效益的几个关键因素：边界条件的变化幅度与变化频率、优化系统的尺度、装置的产能规模。结合以上因素，我觉得值得考虑RTO的场景有：
　　场景1：炼油与石油化工：无论从原料变化和装置规模来说，RTO效益巨大，所以成功的RTO项目基本都出现在这个领域。
　　场景2：现代大型煤化工：煤化工以煤为原料，以煤气化为龙头生产下游化工产品。为了降低原料煤的成本，煤化工装置也会出现经常调整煤原料供应。另外装置产能足够大，100万吨煤制甲醇已经常见。这些大型煤化工装置RTO的效益空间很大，但是煤气化炉的建模可不容易，能不能做成优化级别的模型，我没做过也没有见过。场景1和场景2都是靠地吃饭。
　　场景3：新能源化工：以风电、光伏发电为能源供应端的Power2X新能源化工装置，电力供应随着风与日照随时变化，下游的制氢以及以氢为原料的化工装置也要跟着动。这种靠天吃饭的新能源化工厂和生产装置，天然就是动态生产过程，它天然需要随风、随光而动的先进过程控制系统以及实时优化系统。我的朋友和校友张健大师（Jim  Zhang）在这个领域做了很多工作，参看：
　　化工5.0时代需要自动驾驶拥抱化工5.0(?)的来临
　　石油化工五字真言"安稳长满优"
　　场景4：热电生产与化工生产的联合装置优化：
　　尤其当下游为一体化联合装置，每一套装置的负荷调整，都会改变联合装置的总蒸汽与总电能需求，保持上游热电装置生产的热（蒸汽）和电力供应与下游装置的热、电需求之间的平衡，及时调整优化热电装置的生产参数，避免蒸汽或电力生产过剩而放散。一体化基地的蒸汽系统较为复杂，高压蒸汽从锅炉出来后，通过膨胀透平、减温减压站逐级减压，还有生产装置副产蒸汽进入各级蒸汽管网，当任何一个级别的蒸汽需求或者副产蒸汽量发生变化后，整个蒸汽管网的平衡方案就需要重新优化，降低供汽成本。
　　场景5：公用工程生产装置：公用工程装置除了上面的热电装置以外，还有冷却循环水系统、冷冻水系统、压缩空气系统、甚至空分系统。公用工程装置就是服务下游生产装置，所以公用工程生产一定要随下游主生产装置的需求而动，如何以最低成本供应各类公用工程成为一个优化问题。公用工程系统优化不仅是参数优化，还存在组合优化，例如开几台循环水泵，开几台制冷机，每台的负荷是多少？
　　计算潜在RTO项目的年化经济效益，分成以下步骤：
　　第一步：从上一年的历史数据中搜集目前生产中出现的各种典型工况以及各工况出现的时间比例。第二步：针对每种工况，根据历史数据统计以前使用操作参数以及吨产品利润。第三步：建立离线模型，利用离线模型分析每种工况下的优化参数以及优化后的吨产品利润。第四步：根据各工况的产量、年运行时间、吨产品利润增加值可计算得到年化利润。
　　上述场景中的场景1、2、3都是主生产装置的优化，模型精度要求较高，建模和实施都较为困难。实施成本我没有实际项目数字（请有经验的读者私信我），但可以估算为千万元人民币级（不含大型在线分析仪器投资），考虑到投资收益比，年化效益达到500万元/年以上就值得继续进一步评估项目的可行性。
　　上述场景中4、5都是公用工程系统的优化，相对优化空间大，过程机理也相对简单，通常用热力学模型甚至数据回归模型便可以建立满足优化精度要求的模型，模型精度要求和建模难度不算高，实施成本会比主装置RTO项目低得多，计算年化效益达到200万元/年以上就值得继续进一步评估项目的可行性。
　　除了评估项目经济性，还要评估项目的技术可行性。RTO项目的实施技术难点，包含装置机理模型、稳态检测、数据校正、过程优化、与APC联动闭环控制等功能，还有融合这些功能的商业化软件平台。这些步骤中最关键的还是建立合适预测精度的模型，可以先建立离线模型来，采集不同工况的历史数据来校正与验证，离线模型质量通过了，可以转为在线模型了。前文已经论述，工程上有手段解决和克服模型的全局误差问题。RTO项目实施的技术门槛确实非常高，所以RTO项目实施不仅是技术，还是一门艺术，需要很多说不清的经验和判断。
　　做技术性评估，不仅要评估技术原理和技术路线的可行性，也要评估实施项目团队的实施经验。另外一个技术门槛是系统维护，即使采用滚动校正模型，模型里面还是有一些参数需要人为修正；现场测量条件发生变化、甚至仪表故障，如何调整模型输入；现场做了小技改后，如何调整模型结构。所以技术性评估还要考虑系统上线后的维护能力与维护资源。
　　国内市场中几家过程控制的大公司（含外资与国内公司）在炼油与石化行业都有了丰富的RTO项目实施经验和成功案例，所以项目能否实施的关键因素还是年化效益，只要效益足够大，项目费用够高，重赏之下必有勇夫，技术不是问题。
　　不仅RTO项目，其他的锦上添花的优化类项目，项目上与不上的决策因素都是经济性可行性（投资收益比）以及技术可行性（技术成熟度与实施团队经验）。现在热门的双碳节能项目，立项之前同样也是要做好经济性评估与技术性评估，有一个说不清，那项目先待定。
　　四、优化的途径千百条
　　一提到实时优化RTO，有人脑子里面一下子就跳出基于严格机理模型的优化架构，如下图图2所示。

　　这是一个通用的RTO架构，所有的过程控制大公司RTO系统都是这样的结构，只是每个模块的具体技术不一样。这些通用RTO系统功能很强大，当然费用也很高。
　　RTO的核心为：工况检测、小时级优化提升、控制执行。优化提升不一定非要严格机理模型以及严格非线性优化算法，只要能产生一个目标函数更优的新操作点即可。如果不分析应用场景的具体特点，做什么优化都用严格机理模型和严格优化算法，那就会杀鸡用牛刀，把简单的问题复杂化。很多化工生产优化场景无需建模以及优化算法就能实现优化。
　　举一些其他途径的实时优化例子：
　　1.单调性问题：这是化工生产常见情形，反应转化率、能耗等优化指标通常在调节变量的极限上，例如最高允许温度，即优化问题的目标函数与优化变量之间是单调变化关系，此时最优值一定出现在优化边界的边界值上。此时无需考虑模型和优化算法，直接将优化变量控制在边界值上即可。
　　2.时间衰减问题：例如某些催化反应，理论上催化反应温度越高，反应转化率越高，将反应温度直接控制在上限即可。但温度过高，又会影响催化剂寿命。所以必须在转化率与寿命间平衡，这本身是一个优化问题（最小化目标为原料损失与催化剂更换成本之和），但缺乏催化剂寿命预测模型，所以根据经验或者催化剂厂家提供一条使用时间-最优温度的参考曲线即可。由于催化剂性能变化很缓慢，人工根据参考曲线调整设定值即可。
　　3.阀位控制问题：控制系统有一个控制目标，但是两个自由度（即调节变量），可以使用阀位控制方案，一个调节器为快速稳定，一个调节器为优化。例如图3的低压总管压力控制，压力既可以用减压阀快速控制，也可以通过透平机缓慢调节。但两者的经济效益不一样，显然透平机调节更经济。阀位控制先通过减压阀快速使低压总管压力稳定，在缓慢增大透平机负荷，减低直接减压蒸汽流量，最终直接减压阀的阀位（开度）在一个较小的、有一定控制余量的设定值上。

　　关于阀位控制的介绍，可参考：
　　56. PID也优化-阀位控制系统
　　58. 阀位控制3：流量变频优化控制
　　4.平衡问题：为解决上下游供需平衡，必须上游供应实时跟踪下游需求变化，控制好衡量平衡的指标变量，就自然解决了平衡问题，例如用蒸汽总管压力表征蒸汽供需平衡、储罐液位表征水系统的供需平衡、返回温度表征产热与移热的平衡，只需用控制系统控制好这些表征指标变量即可。
　　5.逻辑规则问题：通过离线模型分析或者日常持续改进分析，得到几种主要工况下优化变量的优化值，形成有限的工况-优化设定值的状态表或者规则表，直接将该状态表下装的控制系统。
　　6.简化模型与数据模型问题：上文应用场景4、5都是公用工程系统的优化，过程机理也相对简单，通常用热力学模型甚至数据回归模型便可以建立满足优化精度的模型。甚至建立线性模型或者二次模型，便可得到满意的优化结果。
　　7.无模型问题：生产优化与设计优化最大的不同是生产装置已经存在在现场，它在连续不断地产生数据，工程师可以直接通过仪表数据观测装置的状态以及性能指标。如果现场待优化单元的指标变量（例如物耗、能耗、产量以及产品质量）都有在线测量，此时优化的目标函数以及约束条件可以直接测量，那可以直接用操作调优的方法，例如采用无模型的单纯形优化法进行优化。
　　以上场景问题均不需要复杂的RTO软件实现，基本都可以在复杂控制系统层面以及先进控制控制系统（APC）层面实现。
　　化工生产优化无处不在，但优化不是只有实时优化。
　　对于原料和产品很稳定的大部分化工生产过程，装置主要边界条件（原料以及能源供应）很稳定，这种情况下就没有实时优化的必要。如果觉得当前操作参数有改进的空间，先离线模拟确定优化方向和优化空间，如果值得做，直接到装置上操作调优。那这套参数可以固定下来，也可管半年甚至一年。对化工装置的局部优化，例如精馏塔优化，通过控制系统或APC把几个关键参数控制好，就能实现优化。化工过程大部分优化场景的优化目标函数与优化变量之间是单调变化的，这个特性决定了大部分情况下用APC就能做好RTO。
　　过程优化不要忘记技改。例如，现场增加一台换热器回收热量，可能轻轻松松一年节能上百万元，比折腾一套RTO系统简单的多。再例如，上下游平衡控制，在上下游之间增加一个缓冲储罐，有了缓冲吸收扰动，也不需要那么实时调整了。
　　五、管理生产的边界条件和干扰
　　RTO的前提是边界条件发生变化。如果主要边界条件稳定，那就没有重新优化的必要。除非前文所说的靠天、靠地吃饭的场景，我们没有办法控制边界条件。
　　化工生产中最重要的边界条件无非原料、能源、设备，生产中常见的干扰就是蒸汽压力波动了。日常管理中采购严控原料质量、公用工程车间严格控制好蒸汽压力与温度、冷缺水供水压力与温度、车间日常做好设备的保养与自主维护。对国内的绝大部分企业，做好这些基础的管理与维护工作，产生的效益要远高于RTO项目，成本也非常低。把大扰动管住比跟着扰动变，对工厂更有实际意义，效益也更大。
　　借用朋友穆海华博士的评论：
　　“慎重考虑设计，保障边界条件和外部条件的稳定，是工业的基本特征和要求。条件稳定、边界稳定和工作条件稳定，才带来了调试与控制、运行的简单性和更好的可预测性。这是工业的基本要求和特征。说实际中采用的常常是简单模型，之所以可以用简单模型以及为什要用简单模型，这些基础条件恐怕是保障简单模型可用或需用的前提。也就是说实际中可以用简单模型，他是通过设计和条件保障出来的，并不是天然就是可用简单模型的。这也就是必需要强调边界条件和实际特性的来由。”                ---穆海华 博士
　　六、不要用理想决定具体的行动
　　诚然，RTO对化工智能工厂来说是必然的方向，我认为可以将化工实时优化称为化工数字化以及智能制造的“皇冠上的明珠”，等同于无人自动驾驶等级中的最高等级L5-完全自动驾驶：即汽车可以在任何情况下执行所有的驾驶任务，不需要人类驾驶员的监控与交互。甚至还要增加一个条件：最低油耗。

　　然而，如同L5自动驾驶一样，RTO的技术门槛非常高，实施成本非常高，它是否适合大部分化工企业？这个问题一定要结合各个企业自身的情况具体分析。
　　化工生产优化无处不在，但优化不是只有实时优化，实时优化也不是必须依靠机理模型和严格非线性优化算法。只有分析具体场景的特点，才能找到实现成本最低、反而最可靠的方案。工业实践中，快速找到满意解比找到最优解更重要。

　　以打靶为例，RTO的目标就是要打到靶子中心的圆心点，难度非常非常高，甚至要有运气成分才能做到。如果我们把目标定到达到圆心周围的9圈内甚至8圈内，那难度就急剧下降，可能只有射中圆心难度的1/10，甚至1/100。实现这个目标对企业来说，也是一个巨大进步，这就是一个满意解。
　　做技术的工程师，更不能因为手里有把锤子，就觉得到处是钉子。用简单的、低成本的方法达到近似的目标，这个本领更重要。Keep It Simple Stupid 。
　　借用郭朝晖博士的一篇文章“不要用理想决定具体的行动”的一些观点：“理想主义凝聚人心、现实主义采取行动”，“理想是要有的。理想的作用是让你遇到困难时，不要气馁、要坚持下去。这就好比，你的北面是一堵墙时，你会转弯、掉头，不会放弃“去北京”的目标。但是，用理想来决定当前的具体行动，就大错特错了。”
　　最后，还是引用好友冯恩波教授对RTO的评论作为这篇文章的总结：
　　“如果想做一个比较现代化的数字化流程企业，实时优化系统RTO是必须面对的事情。总结一下我在石油和化工生产装置实时RTO的体会:1. RTO技术门槛甚高，投资也大，大规模装置比较适合。2.甲方一定要培养自己的技术专家，全程参与项目实施，对细节有深入了解，自行负责运行维护。这种人至少需要硕士研究生以上，有2-3个技术领域的专家级知识面。（高工资高收益人员，企业要有！）3.RTO有大有小，不是非用专门的大型软件，对大部分小精细化工企业，可以自己把持续改进的结果固化在MES或DCS这一层，效果非常好。这需要企业的持续改进和精益运营技术专家。（我本人做过的这类RTO 80%）。4.密切结合实时数据库的应用，MES本身就是RTO的一个平台功能。（现在的大部分MES都＂理直气壮＂地做成了IT系统，基本没有M功能，更谈不上E功能，这是很悲哀的事情。）5.要不要做RTO，用什么方式做RTO，需要做一个事前评估，让真专家说真话说实话，万万不要领导先定调，再捧场论证。”