久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

摘要: 流程工業(yè)是制造業(yè)的重要組成部分，是我國國民經(jīng)濟(jì)和社會發(fā)展的重要支柱產(chǎn)業(yè).新一代信息技術(shù)和人工智能技術(shù)為流程工業(yè)的發(fā)展帶來新的挑戰(zhàn)和機(jī)遇.只有與流程工業(yè)的特點與目標(biāo)密切結(jié)合，充分利用大數(shù)據(jù)，將人工智能、移動互聯(lián)網(wǎng)、云計算、建模、控制與優(yōu)化等信息技術(shù)與工業(yè)生產(chǎn)過程的物理資源緊密融合與協(xié)同，實現(xiàn)流程工業(yè)智能優(yōu)化制造，才可能實現(xiàn)流程工業(yè)的跨越式發(fā)展.本文聚焦流程工業(yè)的復(fù)雜生產(chǎn)過程，從其智能優(yōu)化決策系統(tǒng)的角度，描述了復(fù)雜工業(yè)過程優(yōu)化決策系統(tǒng)的問題、回顧總結(jié)了復(fù)雜工業(yè)過程全流程優(yōu)化決策系統(tǒng)的現(xiàn)狀，分析了智能優(yōu)化決策系統(tǒng)的必要性，提出了智能優(yōu)化決策系統(tǒng)的發(fā)展目標(biāo)及愿景，并對智能優(yōu)化決策系統(tǒng)的下一步重點研究方向進(jìn)行了展望。

關(guān)鍵詞: 復(fù)雜工業(yè)過程 全流程優(yōu)化決策 協(xié)同優(yōu)化 智能優(yōu)化決策 智能制造    

流程工業(yè)是制造業(yè)的重要組成部分, 包括石化、冶金、建材、輕工和電力等行業(yè)^[1-4], 是我國國民經(jīng)濟(jì)和社會發(fā)展的重要支柱產(chǎn)業(yè).不僅為機(jī)械、航空航天、軍工、建筑等行業(yè)提供原材料, 而且為國民經(jīng)濟(jì)發(fā)展提供電力等能源; 在保障國家重大工程建設(shè)和帶動國民經(jīng)濟(jì)增長等方面起著不可替代的作用.經(jīng)過數(shù)十年的發(fā)展, 我國流程工業(yè)歷經(jīng)技術(shù)引進(jìn)、消化吸收和自主創(chuàng)新幾個發(fā)展階段, 其生產(chǎn)工藝、裝備和自動化與信息化水平得到大幅度提升, 整體實力迅速增強(qiáng), 國際影響力顯著提高.

然而我國流程工業(yè)面臨資源利用效率偏低, 能耗物耗較高、產(chǎn)品質(zhì)量差、生產(chǎn)成本高、"三廢"排放量較大, 環(huán)境污染嚴(yán)重等問題.其主要原因是我國流程工業(yè)的原料成分波動頻繁; 其生產(chǎn)過程涉及物理化學(xué)反應(yīng), 難以用數(shù)學(xué)模型精確描述; 生產(chǎn)過程連續(xù)不能間斷, 其任一單元出現(xiàn)問題都會影響產(chǎn)品質(zhì)量等生產(chǎn)性能; 原材料的成分、生產(chǎn)設(shè)備狀態(tài)、生產(chǎn)工藝參數(shù)和產(chǎn)品質(zhì)量等無法實時或全面感知, 難以保證生產(chǎn)全流程長期穩(wěn)定的優(yōu)化運行, 因此為流程工業(yè)進(jìn)一步發(fā)展帶來了挑戰(zhàn).

當(dāng)前, 我國流程工業(yè)面臨第四次工業(yè)革命的歷史契機(jī)、中國制造升級轉(zhuǎn)型和供給側(cè)結(jié)構(gòu)性改革的關(guān)鍵時期. "中國制造2025"和"新一代人工智能"為流程工業(yè)的發(fā)展指出了新的方向和帶來新的機(jī)遇.智能制造是我國實現(xiàn)制造強(qiáng)國的主攻方向^[1-2].智能制造只有與流程工業(yè)的特點與目標(biāo)密切結(jié)合, 充分利用大數(shù)據(jù), 將人工智能、移動互聯(lián)網(wǎng)、云計算、建模、控制與優(yōu)化等信息技術(shù)與工業(yè)生產(chǎn)過程的物理資源緊密融合與協(xié)同, 研發(fā)實現(xiàn)智能制造目標(biāo)的各種新功能, 才可能使制造業(yè)實現(xiàn)跨越式發(fā)展.

圍繞流程工業(yè)智能制造系統(tǒng)的新功能^[1-2], 聚焦流程工業(yè)的包含物理變化和化學(xué)反應(yīng)的連續(xù)化的復(fù)雜生產(chǎn)過程, 以復(fù)雜工業(yè)過程智能優(yōu)化決策系統(tǒng)為核心, 給出了對復(fù)雜工業(yè)過程優(yōu)化決策問題的描述、概況總結(jié)了復(fù)雜工業(yè)過程優(yōu)化決策系統(tǒng)的現(xiàn)狀, 并且分析了智能優(yōu)化決策系統(tǒng)的必要性, 重點指出了智能優(yōu)化決策系統(tǒng)的發(fā)展目標(biāo)及愿景, 并探討了下一步重點研究方向.

1 復(fù)雜工業(yè)過程優(yōu)化決策系統(tǒng)的現(xiàn)狀

1.1 生產(chǎn)全流程優(yōu)化決策系統(tǒng)發(fā)展現(xiàn)狀

復(fù)雜工業(yè)生產(chǎn)全流程是由一個或多個工業(yè)裝備組成的生產(chǎn)工序, 多個生產(chǎn)工序構(gòu)成了全流程生產(chǎn)線.其功能是將進(jìn)入的原料加工為半成品材料或者產(chǎn)品.實現(xiàn)生產(chǎn)全流程的產(chǎn)品質(zhì)量、產(chǎn)量、消耗、成本等綜合生產(chǎn)指標(biāo)的優(yōu)化, 必須協(xié)同各個生產(chǎn)工序(即工業(yè)過程智能體)來共同實現(xiàn)^[5].

工業(yè)生產(chǎn)全流程的控制、運行與管理主要是通過生產(chǎn)調(diào)度部門和工藝技術(shù)部門來實現(xiàn)的.生產(chǎn)調(diào)度部門發(fā)出的指令分成并行的兩條線.一條線側(cè)重生產(chǎn)的組織管理與資源調(diào)配, 主要由生產(chǎn)調(diào)度人員、操作員、資源供應(yīng)系統(tǒng)來完成.另一條線, 通過生產(chǎn)計劃部門和調(diào)度部門將企業(yè)的綜合生產(chǎn)指標(biāo)(反映企業(yè)最終產(chǎn)品的質(zhì)量、產(chǎn)量、成本、消耗等相關(guān)的生產(chǎn)指標(biāo))從空間和時間兩個尺度上轉(zhuǎn)化為生產(chǎn)制造全流程的運行指標(biāo)(反映整條生產(chǎn)線的中間產(chǎn)品在運行周期內(nèi)的質(zhì)量、效率、能耗、物耗等相關(guān)的生產(chǎn)指標(biāo)); 工藝部門的工程師將生產(chǎn)制造全流程的運行指標(biāo)轉(zhuǎn)化為過程運行控制指標(biāo)(反映產(chǎn)品在生產(chǎn)設(shè)備(或過程)加工過程中的質(zhì)量、效率與消耗等相關(guān)變量); 作業(yè)班的運行工程師將運行控制指標(biāo)轉(zhuǎn)化為過程控制系統(tǒng)的設(shè)定值.當(dāng)市場需求和生產(chǎn)工況發(fā)生變化時, 上述部門根據(jù)生產(chǎn)實際數(shù)據(jù), 自動調(diào)整相應(yīng)指標(biāo), 通過控制系統(tǒng)跟蹤調(diào)整后的設(shè)定值, 實現(xiàn)對生產(chǎn)線全流程的控制與運行, 從而將日綜合生產(chǎn)指標(biāo)控制在目標(biāo)范圍內(nèi).當(dāng)市場需求和生產(chǎn)工況發(fā)生頻繁變化時, 以人工操作為主體的上述部門不能及時準(zhǔn)確地調(diào)整相應(yīng)的運行指標(biāo), 導(dǎo)致產(chǎn)品質(zhì)量下降、生產(chǎn)效率降低和能耗增加, 從而無法實現(xiàn)日綜合生產(chǎn)指標(biāo)的優(yōu)化控制^[3, 6-8].

隨著信息技術(shù)的發(fā)展與應(yīng)用, 復(fù)雜工業(yè)過程的控制、運行與管理大多采用Enterprise resource planning、Manufacturing execution systems和Process control system (ERP/MES/PCS)三層結(jié)構(gòu)來實現(xiàn). ERP主要是根據(jù)企業(yè)經(jīng)營決策的目標(biāo), 來實現(xiàn)對物質(zhì)流、資金流和信息流的管理, 決策輸出生產(chǎn)控制(生產(chǎn)計劃)、物流管理(分銷、采購、庫存管理)和財務(wù)管理(會計核算、財務(wù)管理)的優(yōu)化配置結(jié)果. MES提供生產(chǎn)計劃、生產(chǎn)調(diào)度、質(zhì)量管理、能源管理、設(shè)備管理、生產(chǎn)指標(biāo)監(jiān)視、優(yōu)化決策等功能^[9]. MES決策出面向生產(chǎn)進(jìn)度的調(diào)度/排產(chǎn)計劃, 包括物流、能源、設(shè)備維護(hù)、運輸、中間庫存的綜合配置等. PCS主要實現(xiàn)各個裝置/設(shè)備/單元的過程回路控制、邏輯控制與生產(chǎn)過程監(jiān)控等.

但是目前企業(yè)的ERP和MES等信息系統(tǒng)還不能夠快速全面自動地感知企業(yè)內(nèi)外部與生產(chǎn)經(jīng)營、生產(chǎn)運作和操作優(yōu)化與控制相關(guān)的各種數(shù)據(jù)、信息與知識, 導(dǎo)致現(xiàn)有的系統(tǒng)缺乏全面、準(zhǔn)確和實時的生產(chǎn)要素數(shù)據(jù)獲取能力, 缺乏多源異構(gòu)生產(chǎn)運行大數(shù)據(jù)感知與處理能力, 缺乏數(shù)據(jù)匯聚和融合能力, 缺乏高效的不同領(lǐng)域不同層次數(shù)據(jù)分析、隱含知識關(guān)聯(lián)與推演等能力, 從而不能夠?qū)ιa(chǎn)行為和市場變化進(jìn)行實時感知, 進(jìn)而也不能自動優(yōu)化生產(chǎn)經(jīng)營決策和計劃調(diào)度指令.因此, 企業(yè)的生產(chǎn)經(jīng)營與計劃調(diào)度主要靠企業(yè)管理人員憑長期積累的經(jīng)驗和相關(guān)工藝知識進(jìn)行決策.人工決策的隨意性大且不夠及時準(zhǔn)確, 常造成企業(yè)綜合生產(chǎn)指標(biāo)偏離預(yù)定目標(biāo)范圍, 導(dǎo)致產(chǎn)品的質(zhì)量差、成本高和資源消耗大等問題.當(dāng)市場需求和生產(chǎn)要素條件發(fā)生頻繁或劇烈變化時, 以人工經(jīng)驗知識難以及時準(zhǔn)確地做出決策反應(yīng), 從而無法實現(xiàn)企業(yè)綜合生產(chǎn)指標(biāo)的優(yōu)化.顯然, 這種決策難以在復(fù)雜市場和生產(chǎn)環(huán)境下保證企業(yè)全局優(yōu)化和效益最大化.

除此之外, 上述三層結(jié)構(gòu)的層次之間也缺乏有效的相互交互與協(xié)同機(jī)制, 無法建立良好的雙向信息流交互.比如, 上層與底層控制系統(tǒng)之間的數(shù)據(jù)不匹配, 使得企業(yè)計劃調(diào)度層缺乏生產(chǎn)實時信息反饋, 并且沒有充分考慮生產(chǎn)過程特性, 下層生產(chǎn)控制層缺乏與優(yōu)化協(xié)調(diào)與調(diào)度的銜接, 企業(yè)難以實現(xiàn)全流程的整體優(yōu)化^[10].

另一方面, 由于受到各種生產(chǎn)指標(biāo)目標(biāo)范圍、原料、設(shè)備等動態(tài)因素的影響, 工藝技術(shù)部要不斷地根據(jù)這些動態(tài)因素對各個工序的運行指標(biāo)進(jìn)行調(diào)整.運行指標(biāo)的調(diào)整主要由工藝技術(shù)人員或操作員根據(jù)綜合生產(chǎn)指標(biāo)(產(chǎn)品質(zhì)量指標(biāo)、產(chǎn)量指標(biāo)、成本指標(biāo)和消耗指標(biāo))的目標(biāo)值和離線化驗值, 考慮原料性質(zhì)、設(shè)備狀況憑經(jīng)驗人工進(jìn)行的.運行指標(biāo)人工調(diào)整不當(dāng)或不及時難以實現(xiàn)全流程的優(yōu)化運行^[8, 11-12].

綜上所述, 復(fù)雜工業(yè)過程采用計算機(jī)、通信和控制能夠?qū)崿F(xiàn)過程自動控制(PCS), 生產(chǎn)經(jīng)營與管理也有相應(yīng)的信息系統(tǒng)(ERP、MES), 但是復(fù)雜生產(chǎn)過程的企業(yè)目標(biāo)、資源計劃、調(diào)度、運行指標(biāo)、生產(chǎn)指令與控制指令的決策仍然憑經(jīng)驗由相應(yīng)的知識工作者在各信息系統(tǒng)平臺上進(jìn)行.

1.2 生產(chǎn)全流程優(yōu)化決策系統(tǒng)與功能研究現(xiàn)狀

現(xiàn)有的研究大多是針對復(fù)雜工業(yè)過程優(yōu)化決策系統(tǒng)的某一主要環(huán)節(jié)或者幾個環(huán)節(jié)來開展研究的.下面分別對生產(chǎn)計劃與調(diào)度, 運行指標(biāo)優(yōu)化和生產(chǎn)全流程一體化控制的研究現(xiàn)狀進(jìn)行綜述.

1.2.1 生產(chǎn)計劃與調(diào)度

1) 靜態(tài)環(huán)境下生產(chǎn)計劃調(diào)度

計劃調(diào)度是生產(chǎn)經(jīng)營活動的主要依據(jù), 對企業(yè)的效益起著十分重要的作用.生產(chǎn)計劃是在一定時期內(nèi), 根據(jù)產(chǎn)品的市場需求、原料供應(yīng)、生產(chǎn)能力、裝置運行與檢修計劃, 綜合考慮企業(yè)的管理成本以及生產(chǎn)過程中成品、半成品的成本等, 以企業(yè)的生產(chǎn)、管理和營銷狀況等獲取最大經(jīng)濟(jì)效益為目標(biāo), 決策出一段時期內(nèi)的需求量^[13-14].生產(chǎn)調(diào)度則是根據(jù)計劃的決策確定生產(chǎn)加工方案使總的費用最小、或浪費最小、或產(chǎn)品偏差值最小、或時間最短等^[15].

靜態(tài)環(huán)境下的計劃調(diào)度不考慮生產(chǎn)過程內(nèi)部和外部環(huán)境的動態(tài)變化, 主要集中在建模和優(yōu)化的研究.目前, 生產(chǎn)計劃的研究依賴于數(shù)學(xué)規(guī)劃方法.由于從生產(chǎn)計劃獲得了確定的調(diào)度任務(wù), 其研究包括基于數(shù)學(xué)規(guī)劃的方法、基于Petri網(wǎng)的方法、啟發(fā)式方法和基于仿真的方法等.

a) 基于數(shù)學(xué)規(guī)劃的計劃調(diào)度.該方法將計劃或調(diào)度問題表示成數(shù)學(xué)優(yōu)化模型, 然后對數(shù)學(xué)模型求解獲得計劃或調(diào)度指令.由于流程工業(yè)生產(chǎn)調(diào)度問題涉及大量變量既包含離散變量, 又包含連續(xù)變量, 例如在煉油工業(yè), 調(diào)度任務(wù)既需要確定周期內(nèi)原油的類型, 還需要原油的運輸量.因此, 計劃調(diào)度的優(yōu)化模型和約束模型通常是線性混合整數(shù)(Mixed integer linear programming, MILP)或非線性混合整數(shù)(Mixed integer non-linear programming, MINLP)模型.

短周期計劃和調(diào)度問題在一段時間內(nèi)是動態(tài)過程, 其數(shù)學(xué)模型根據(jù)時間的描述分為離散時間建模方法和連續(xù)時間建模方法.離散時間建模方法, 首先將計劃或調(diào)度時域劃分成有限個相等的時間片段, 計劃或調(diào)度在每個離散時間段上獨立安排調(diào)度事件, 用這些離散片段逼近連續(xù)時間區(qū)域從而實現(xiàn)周期內(nèi)的計劃或調(diào)度指令^[16-18].

連續(xù)時間建模方法于上世紀(jì)90年代提出, 是為了緩解離散時間方法存在大量離散變量的問題.該方法將計劃或調(diào)度時域看成連續(xù)的時間段使得事件的開始和結(jié)束時間能夠發(fā)生在計劃調(diào)度周期內(nèi)的任意位置上^[19-21].連續(xù)時間建模的缺點是引入了大量的連續(xù)時間變量和非線性約束, 仍對優(yōu)化算法提出挑戰(zhàn).

b) 基于Petri網(wǎng)的調(diào)度. Petri網(wǎng)(Petri net, PN)^[22]是一種基于圖形的用來描述系統(tǒng)動態(tài)過程的方法, 具有直觀、易懂和易用的優(yōu)點, 特別適用于描述異步、并發(fā)過程. Petri網(wǎng)在20世紀(jì)80年代引入生產(chǎn)計劃調(diào)度研究領(lǐng)域, 一般是分析驗證計劃調(diào)度問題的可行性與可達(dá)性^[23]. Petri網(wǎng)已經(jīng)廣泛應(yīng)用于柔性制造業(yè)的計劃調(diào)度問題[24-26]. PN用庫所、令牌、變遷、有向弧和權(quán)函數(shù)描述生產(chǎn)動態(tài)過程, 然后用啟發(fā)式方法或智能優(yōu)化方法獲得的變遷序列表示一個可行的計劃或調(diào)度方案^[27-29]. PN方法的局限性是用于大規(guī)模系統(tǒng)建模時, 由于有向弧、變遷等的存在, 造成模型規(guī)模和復(fù)雜程度增大, 直觀降低.

c) 基于仿真的調(diào)度.基于仿真的優(yōu)化框架將智能搜索算法和仿真方法相結(jié)合, 通過仿真方法為智能搜索算法的適應(yīng)度函數(shù)提供預(yù)估的方法, 二者迭代交互, 直至滿足終止條件^[30-32].仿真起到預(yù)評估、指導(dǎo)和驗證的作用^[33].

d) 基于規(guī)則調(diào)度.啟發(fā)式規(guī)則是為了解決計劃調(diào)度模型優(yōu)化的難題.計劃調(diào)度模型通常是NP問題, 很難求得其精確的最優(yōu)解.啟發(fā)式方法由Baker等在1960年首次提出, 并進(jìn)行計算機(jī)仿真研究分析不同處理次數(shù)和不同啟發(fā)式規(guī)則對調(diào)度效果的影響作用^[34].啟發(fā)式方法首先從經(jīng)驗知識或數(shù)據(jù)中挖去規(guī)則, 然后利用規(guī)則推理出滿意甚至近似調(diào)度最優(yōu)解.由于其具有簡單、快速等優(yōu)點, 啟發(fā)式規(guī)則方法得到了廣泛的應(yīng)用^[35-37].近年來, 一些研究將啟發(fā)式方法和智能優(yōu)化方法, 如遺傳算法、模擬退火算法、粒子群算法、禁忌搜索算法等方法相結(jié)合建立啟發(fā)式規(guī)則庫, 利用智能優(yōu)化算法的全局收斂性、普遍適應(yīng)性的優(yōu)點, 加快算法收斂的速度, 提高全局最優(yōu)解的質(zhì)量^[38-40].啟發(fā)式方法的缺點是不能保證獲得的解是全局最優(yōu)解, 也沒有統(tǒng)一的方法判斷解的質(zhì)量.

2) 動態(tài)環(huán)境下計劃調(diào)度

實際生產(chǎn)過程存在來自內(nèi)部或外部動態(tài)因素^[13, 41], 如系統(tǒng)內(nèi)部固有的動態(tài)變化, 輸入信息中的噪聲、干擾與誤差, 和系統(tǒng)外部動態(tài)因素:原料種類與成分變化、生產(chǎn)模式切換、工況變化、產(chǎn)量和質(zhì)量的波動、價格變動、設(shè)備故障、成本和需求變化等.這些動態(tài)變化往往會導(dǎo)致生產(chǎn)計劃和調(diào)度的調(diào)整.根據(jù)動態(tài)因素的來源和性質(zhì), 目前生產(chǎn)計劃和調(diào)度對動態(tài)環(huán)境的處理可分為兩種, 當(dāng)作不確定性因素在建模過程中處理和基于事件驅(qū)動的動態(tài)處理方法.

a) 不確定性因素處理.該方法將動態(tài)因素看作隨機(jī)噪聲, 加入到計劃調(diào)度優(yōu)化模型.根據(jù)不確定性因素的影響程度和可描述性, 不確定性因素處理方法又可具體分為確定性常數(shù)法、隨機(jī)規(guī)劃法、模糊規(guī)劃法和魯棒優(yōu)化等.確定性常數(shù)方法是指在生產(chǎn)計劃和調(diào)度的建模過程中將不確定因素視為確定性常數(shù)來處理^[41].該方法主要處理對生產(chǎn)過程影響較小的不確定因素, 如來自運動學(xué)常數(shù)、傳質(zhì)/傳熱系數(shù)、物理性質(zhì)等不確定因素.隨機(jī)規(guī)劃法先通過歷史數(shù)據(jù)來統(tǒng)計不確定因素的概率分布, 或預(yù)估不確定因素概率, 然后建立隨機(jī)規(guī)劃模型進(jìn)行優(yōu)化^[42-44].模糊規(guī)劃法將不確定因素信息描述成隸屬度函數(shù), 放寬了對不確定因素的描述精確度, 能夠解決不確定因素信息不完全的問題, 相對來說容易實現(xiàn)^[45-49].魯棒優(yōu)化只需要知道不確定參數(shù)的變化范圍, 與以上兩種策略相比, 依賴程度相對更低, 不需要事先知道不確定參數(shù)的概率分布或隸屬度函數(shù).魯棒優(yōu)化獲取含有不確定參數(shù)計劃調(diào)度模型的次優(yōu)解, 保證該優(yōu)化解在不確定參數(shù)的變動范圍是可行的^[50-53].對不確定因素的處理, 也相繼提出了隨機(jī)規(guī)劃、模糊規(guī)劃和魯棒優(yōu)化的混合策略^[54-55].

b) 基于事件觸發(fā)的調(diào)度.該方法首先對初始事件建立準(zhǔn)確的計劃調(diào)度模型, 當(dāng)新事件發(fā)生時, 重新設(shè)計計劃調(diào)度模型^[29, 56-58].該方法不需要事先了解動態(tài)事件的發(fā)生概率和分布特性, 但這類方法面臨的主要難點是事件的識別和工況調(diào)整效率.

3) 生產(chǎn)計劃、調(diào)度與控制集成優(yōu)化

a) 生產(chǎn)計劃與調(diào)度集成.為了解決計劃調(diào)度沖突的問題, 計劃調(diào)度集成優(yōu)化引起了廣泛關(guān)注. Khoshnevis等于1991年首先提出了計劃調(diào)度集成優(yōu)化的基本問題^[59].之后的研究提出了同時優(yōu)化計劃和調(diào)度的方法^[60]、兩層模型方法^[61-63]、靜態(tài)和動態(tài)兩階段的集成方法^[64]等.

b) 生產(chǎn)調(diào)度與控制集成.面對生產(chǎn)過程多產(chǎn)品和動態(tài)環(huán)境的變化, 生產(chǎn)調(diào)度和控制系統(tǒng)的集成受到廣泛關(guān)注^[65-67].調(diào)度和控制的集成方法一般分為Top-down方法和Bottom-up方法^[65]. Top-down方法將生產(chǎn)過程的被控過程模型嵌入調(diào)度決策, 從而建立調(diào)度控制集成模型^[68-69]. Bottom-up方法將調(diào)度優(yōu)化指標(biāo)加入控制算法中, 使得控制器跟蹤企業(yè)的經(jīng)濟(jì)效益^[70], 比如, EMPC (Economic model predictive control)方法^[71-73].由于集成模型包含大量微分、非線性表達(dá)式, 造成模型的計算復(fù)雜度高難以達(dá)到實時優(yōu)化求解的要求.

1.2.2 工業(yè)過程運行優(yōu)化與控制

運行優(yōu)化控制的目標(biāo)是在保證安全運行的條件下, 將運行指標(biāo)的實際值控制在目標(biāo)范圍內(nèi), 提高產(chǎn)品質(zhì)量與效率相關(guān)的運行指標(biāo)并降低生產(chǎn)能耗的運行指標(biāo)[11].根據(jù)工業(yè)過程特點, 運行優(yōu)化與控制方法可分為基于模型的方法和基于數(shù)據(jù)驅(qū)動的方法.

1) 基于模型的運行優(yōu)化與控制

基于模型的運行優(yōu)化與控制方法在化工過程等廣泛采用, 代表性方法有自優(yōu)化控制、基于實時優(yōu)化(Real time optimization, RTO)/調(diào)節(jié)控制兩層結(jié)構(gòu)的優(yōu)化控制等^[12, 74].自優(yōu)化控制(Self-optimizing control, SOC)的思想是:以取得過程的穩(wěn)態(tài)最大經(jīng)濟(jì)效益為目標(biāo), 在滿足過程的各種約束條件的情況下, 尋找一組合適的被控變量, 并將該組被控變量的設(shè)定值加以合適選擇, 當(dāng)過程受到一定范圍內(nèi)的不確定干擾因素影響時, 不需要改變被控變量的設(shè)定值, 實際工況仍然可以處在近似最優(yōu)操作點上, 即工業(yè)過程的實際目標(biāo)函數(shù)值與最優(yōu)目標(biāo)函數(shù)值的偏差在合理的、可以接受的范圍內(nèi)^[75].自優(yōu)化控制的關(guān)鍵是根據(jù)目標(biāo)函數(shù)和約束條件, 如何選擇一組合適的被控變量, 并將其設(shè)定值固定為一組合適的常數(shù)^[76].工業(yè)過程的運行優(yōu)化通常由實時優(yōu)化RTO和預(yù)測控制(Model predictive control, MPC)兩層組成.如文獻(xiàn)^[77-78]上層由非線性RTO產(chǎn)生底層回路設(shè)定值, 底層采用MPC跟蹤控制器設(shè)定值.文獻(xiàn)^[79]采用非線性預(yù)測控制(Non-linear model predictive control, NMPC)和動態(tài)實時優(yōu)化的DRTO的雙層結(jié)構(gòu), 來解決大規(guī)模復(fù)雜生產(chǎn)過程運行優(yōu)化, 并在蒸餾裝置進(jìn)行了驗證. DRTO (Dynamic real time optimization)和NMPC相結(jié)合的運行優(yōu)化方法被廣泛研究^[80-81]以及其他模型預(yù)測控制方法^[82-84]、實時優(yōu)化控制方法^[85]和模糊控制方法^[86]等.

2) 數(shù)據(jù)驅(qū)動的運行優(yōu)化

近年來, 針對選礦、有色和冶金等難以建立數(shù)學(xué)模型工業(yè)過程, 提出了數(shù)據(jù)驅(qū)動的運行優(yōu)化方法.該方法由控制回路預(yù)設(shè)定模型、前饋補(bǔ)償與反饋補(bǔ)償器、工藝指標(biāo)預(yù)報模型、故障工況診斷和容錯控制器組成^[87].通過基于預(yù)測的前饋補(bǔ)償器和基于實際值的反饋補(bǔ)償器實時調(diào)整控制回路設(shè)定值, 控制系統(tǒng)跟蹤調(diào)整后的設(shè)定值, 使得過程運行指標(biāo)控制在目標(biāo)值范圍內(nèi).上述方法已經(jīng)成功應(yīng)用于赤鐵礦豎爐焙燒和磨礦過程等^[11, 87-92].在此基礎(chǔ)上, 文獻(xiàn)^[93]提出了一種基于Q-learning的數(shù)據(jù)驅(qū)動的方法求解設(shè)定值的次優(yōu)解, 實現(xiàn)運行指標(biāo)直接跟蹤次優(yōu)的目標(biāo)值.

1.2.3 生產(chǎn)全流程一體化控制

由于單一層次的優(yōu)化決策沒有考慮層與層之間的相互影響, 難以保證整條生產(chǎn)線的全局最優(yōu).針對各個工序/裝置的運行指標(biāo)目標(biāo)值與全流程生產(chǎn)指標(biāo)和綜合產(chǎn)指標(biāo)之間的動態(tài)特性具有月、日和小時三個時間尺度, 且難以在線測量, 原材料成分、種類、設(shè)備能力等頻繁變化, 難以采用基于機(jī)理分析的方法建立數(shù)學(xué)模型以及指標(biāo)之間相互聯(lián)系、相互沖突的問題, 文獻(xiàn)^[6]在將綜合生產(chǎn)指標(biāo)目標(biāo)值優(yōu)化^[94]、兩尺度選礦生產(chǎn)指標(biāo)分解方法^[62]和運行指標(biāo)目標(biāo)值優(yōu)化^[95]集成的基礎(chǔ)上, 提出了以實現(xiàn)綜合生產(chǎn)指標(biāo)優(yōu)化為目標(biāo)的選礦自動化系統(tǒng)的全流程集成優(yōu)化策略.全流程一體化集成優(yōu)化決策與控制系統(tǒng)的總體結(jié)構(gòu)由綜合生產(chǎn)指標(biāo)目標(biāo)值優(yōu)化、全流程生產(chǎn)指標(biāo)目標(biāo)值優(yōu)化、運行指標(biāo)目標(biāo)值多目標(biāo)優(yōu)化和過程自動化系統(tǒng)組成.對不同時間尺度的綜合生產(chǎn)指標(biāo)、全流程生產(chǎn)指標(biāo)和運行指標(biāo)優(yōu)化按月、日和小時不同的周期分層優(yōu)化.

上層的綜合生產(chǎn)指標(biāo)目標(biāo)值優(yōu)化采用基于梯度驅(qū)動的多目標(biāo)進(jìn)化優(yōu)化方法產(chǎn)生月綜合生產(chǎn)指標(biāo)優(yōu)化目標(biāo)值^[94].該方法以多目標(biāo)約束優(yōu)化模型為基礎(chǔ), 針對外部環(huán)境變化, 如原材料性質(zhì)變化, 市場價格變化和設(shè)備能力的變化等, 周期性地對多目標(biāo)約束優(yōu)化模型和約束的參數(shù)進(jìn)行自適應(yīng)修正, 以獲得適應(yīng)當(dāng)前生產(chǎn)環(huán)境和工況的修正模型.中間層全流程生產(chǎn)指標(biāo)目標(biāo)值優(yōu)化采用基于周期滾動的兩層分解策略來產(chǎn)生日全流程生產(chǎn)指標(biāo)優(yōu)化目標(biāo)值^[62].該策略考慮多目標(biāo)、兩時間尺度和不同原料組合, 將一個復(fù)雜的優(yōu)化模型分解為兩層模型, 并以相應(yīng)時間尺度對生產(chǎn)環(huán)境和工況的變化進(jìn)行模型修正, 按照不同的時間周期進(jìn)行滾動優(yōu)化求解.

下層運行指標(biāo)的優(yōu)化決策產(chǎn)生各個工序/裝置的運行指標(biāo)目標(biāo)值.復(fù)雜工業(yè)生產(chǎn)過程是一個由多裝置組成的物質(zhì)流、能量流和信息流相互耦合的非線性復(fù)雜系統(tǒng).運行指標(biāo)優(yōu)化決策是以上層確定的日全流程生產(chǎn)指標(biāo)為目標(biāo), 在空間上進(jìn)行分解獲得各個工序/裝置的運行指標(biāo).運行指標(biāo)反映裝置產(chǎn)生中間產(chǎn)品的質(zhì)量、效率與消耗等相關(guān)變量^[5].運行指標(biāo)優(yōu)化決策的目的是通過優(yōu)化協(xié)調(diào)運行指標(biāo)實現(xiàn)全流程生產(chǎn)指標(biāo)的優(yōu)化.文獻(xiàn)^[95-97]針對選礦生產(chǎn)過程、運行指標(biāo)和綜合精礦品位與產(chǎn)量之間難以用精確的機(jī)理模型描述和優(yōu)化決策目標(biāo)與約束條件動態(tài)變化的問題, 將優(yōu)化方法與綜合生產(chǎn)指標(biāo)預(yù)報、運行指標(biāo)的動態(tài)校正相結(jié)合, 提出了運行指標(biāo)優(yōu)化決策的結(jié)構(gòu).該結(jié)構(gòu)包含4個模塊:運行指標(biāo)初值設(shè)定、綜合生產(chǎn)指標(biāo)的預(yù)測模型、前驗評估與動態(tài)校正和后驗評估與動態(tài)校正.本小節(jié)接下來針對框架內(nèi)各個模塊研究進(jìn)展進(jìn)行綜述.

a) 運行指標(biāo)初值優(yōu)化.運行指標(biāo)優(yōu)化模塊是根據(jù)確定的最小時間尺度的生產(chǎn)指標(biāo)目標(biāo)值[Qkmin,Qkmax]及其上下界范圍產(chǎn)生運行指標(biāo)初值

k是綜合生產(chǎn)指標(biāo)的個數(shù), n是運行指標(biāo)的個數(shù)是運行指標(biāo)的個數(shù).文獻(xiàn)^[96, 98]提出了基于案例推理(Case-based reasoning, CBR)和多目標(biāo)進(jìn)化優(yōu)化算法(Multi-objective evolutionary algorithm, MOEA)混合的初值決策方法.首先, 根據(jù)歷史數(shù)據(jù)對綜合生產(chǎn)指標(biāo)和運行指標(biāo)建立多目標(biāo)優(yōu)化模型; 然后, 用MOEA求解該模型到運行指標(biāo)的最優(yōu)解集; 最后, 用CBR結(jié)合人工知識MOEA得到的解集決策出運行指標(biāo)的初值.在此基礎(chǔ)上, 文獻(xiàn)[99-100]考慮生產(chǎn)過程的動態(tài)因素, 如設(shè)備能力變化, 建立運行指標(biāo)優(yōu)問題的動態(tài)多目標(biāo)運行指標(biāo)優(yōu)化模型, 解決了動態(tài)環(huán)境下運行指標(biāo)優(yōu)化初值優(yōu)化的問題.

b) 生產(chǎn)指標(biāo)預(yù)測模型.綜合生產(chǎn)指標(biāo)的預(yù)測模型以運行指標(biāo)初值預(yù)估綜合生產(chǎn)指標(biāo)Q^k, 為前驗評估的輸入.生產(chǎn)過程中預(yù)報模型不斷更新來適應(yīng)新的工況條件.文獻(xiàn)[101]提出以線性模型和非線性模型的混合模型建立生產(chǎn)指標(biāo)預(yù)測模型.其中線性模型給出生產(chǎn)指標(biāo)和運行指標(biāo)的主要關(guān)系, 非線性誤差補(bǔ)償模型由最小二乘支持向量機(jī)訓(xùn)練得到.非線性模型用來補(bǔ)償線性模型的誤差以提高預(yù)測模型的精度.采用基于最小化模型誤差的概率密度函數(shù)(Probability density function, PDF)和最小誤差熵的方法來選擇非線性補(bǔ)償模型的參數(shù)^[101].文獻(xiàn)^[102]提出了基于多模型的綜合生產(chǎn)指標(biāo)預(yù)測模型.首先, 利用模糊聚類算法將訓(xùn)練數(shù)據(jù)集分成多個類別; 然后, 對每個類采用基于混合內(nèi)核的最小二乘支持向量機(jī)建立運行指標(biāo)和綜合生產(chǎn)指標(biāo)的子模型; 最后, 集成所有子模型作為綜合生產(chǎn)指標(biāo)預(yù)測模型.為了實現(xiàn)在線預(yù)測, 文獻(xiàn)^[103]提出了一種基于數(shù)據(jù)的自適應(yīng)在線預(yù)測模型, 通過使用訓(xùn)練樣本方法的統(tǒng)計特性在線更新模型的參數(shù), 建立在線校正預(yù)測模型.文獻(xiàn)^[104]提出了一種通過修改Adaboost算法權(quán)重的魯棒預(yù)測方法, 該方法可以降低模型對異常值的敏感度.文獻(xiàn)^[105]首先采用基于遺傳算法(Genetic algorithm, GA)的主成分分析(Principal component analysis, PCA)提取模型輸入的主要特征, 降低輸入特征的維度和噪聲, 然后用最小二乘支持向量機(jī)針對提取的運行指標(biāo)的主要特征和綜合生產(chǎn)指標(biāo)建模提高了模型的準(zhǔn)確性.

c) 前驗/后驗評估和動態(tài)校正方法.生產(chǎn)指標(biāo)前驗評估和動態(tài)校正的目的是利用綜合生產(chǎn)指標(biāo)目標(biāo)值Q?k和預(yù)測值Q^k產(chǎn)生運行指標(biāo)的補(bǔ)償值Δrr^, 修正動態(tài)因素, 如綜合生產(chǎn)指標(biāo)、原料成分、工況條件等波動的影響.后驗評估和動態(tài)校正根據(jù)實際的生產(chǎn)指標(biāo)Qk和生產(chǎn)指標(biāo)的目標(biāo)值范圍[Qkmin,Qkmax]產(chǎn)生運行指標(biāo)補(bǔ)償值Δrr, 保證實際生產(chǎn)指標(biāo)在目標(biāo)范圍內(nèi).目前對這兩個模塊的研究集中在校正環(huán)節(jié).如文獻(xiàn)^[106]提出規(guī)則推理方法對反饋環(huán)節(jié)進(jìn)行評估和校正, 該方法首先利用生產(chǎn)過程數(shù)據(jù)建立反饋規(guī)則, 然后采用粗糙集規(guī)則提取方法來產(chǎn)生補(bǔ)償規(guī)則.此外, 文獻(xiàn)^[98]提出了基于Actor-critic結(jié)構(gòu)的強(qiáng)化學(xué)習(xí)進(jìn)行前驗/后驗的評估和動態(tài)校正.針對每個評估校正環(huán), 首先利用Actor-critic識別需要校正的運行指標(biāo), 然后采用策略行動對這些不合理的運行指標(biāo)進(jìn)行校正.

2 智能優(yōu)化決策系統(tǒng)的必要性

經(jīng)過幾十年發(fā)展, 我國已經(jīng)成為世界上門類最齊全、規(guī)模最龐大的流程制造業(yè)大國, 但非強(qiáng)國.存在著資源成分復(fù)雜且稟賦差、產(chǎn)品質(zhì)量不穩(wěn)定、能耗高、污染重的問題.與發(fā)達(dá)國家相比, 資源回收率低, 能源利用率低, 單位產(chǎn)品平均能耗高.如何在當(dāng)前國際競爭與國家重大需求的環(huán)境下, 通過智能制造來解決流程工業(yè)上述問題是我們面臨的首要問題和挑戰(zhàn).

當(dāng)前, 發(fā)達(dá)國家紛紛實施"再工業(yè)化"戰(zhàn)略, 強(qiáng)化制造業(yè)創(chuàng)新, 利用新興的信息技術(shù), 加快制造業(yè)智能化的進(jìn)程, 重塑制造業(yè)競爭新優(yōu)勢.以德國的離散制造業(yè)"工業(yè)4.0"為代表的智能制造是最典型的未來發(fā)展戰(zhàn)略.這股發(fā)展趨勢和熱潮甚至被推到"第四次工業(yè)革命"的高度. "工業(yè)4.0"的目標(biāo)是實現(xiàn)個性定制的自動化與高效化, 將CPS (Cyber-physical systems)與制造技術(shù)深度融合, 實現(xiàn)產(chǎn)品、設(shè)備、人和組織之間的無縫集成及合作, 達(dá)到計算資源與物理資源緊密融合與協(xié)同, 使得系統(tǒng)的適應(yīng)性、自治力、效率、功能、可靠性、安全性和可用性大幅提升.美國提出了"智能過程制造"的技術(shù)框架和路線, 其目標(biāo)在于集成知識和大量模型, 采用主動響應(yīng)和預(yù)防策略進(jìn)行優(yōu)化決策和生產(chǎn)制造.我國也把智能制造作為實現(xiàn)新興產(chǎn)業(yè)培育發(fā)展與傳統(tǒng)產(chǎn)業(yè)改造升級有機(jī)結(jié)合的最佳途徑, 作為我國實現(xiàn)制造強(qiáng)國的主攻方向和突破口, 實施"中國制造2025".這也是我國流程工業(yè)發(fā)展的新機(jī)遇與挑戰(zhàn).

流程工業(yè)智能制造對于生產(chǎn)過程來說, 關(guān)鍵的是實現(xiàn)生產(chǎn)全流程的整體優(yōu)化.即在市場和原料變化的情況下, 以高效化與綠色化為目標(biāo)使得原材料的采購、經(jīng)營決策、計劃調(diào)度、工藝參數(shù)選擇、生產(chǎn)全流程控制實現(xiàn)無縫集成優(yōu)化, 實現(xiàn)企業(yè)全局的產(chǎn)品質(zhì)量、產(chǎn)量、成本和消耗等生產(chǎn)指標(biāo)的優(yōu)化, 實現(xiàn)生產(chǎn)全流程安全可靠優(yōu)化運行, 從而生產(chǎn)出高性能、高附加值產(chǎn)品, 使企業(yè)利潤最大化, 同時實現(xiàn)能源與資源高效利用, 污染物實現(xiàn)零排放、環(huán)境綠色化^[1-4].

流程工業(yè)生產(chǎn)過程的特點決定了其實現(xiàn)生產(chǎn)全流程整體優(yōu)化的核心是實現(xiàn)其運行操作參數(shù)的智能優(yōu)化決策, 即根據(jù)原料特性和生產(chǎn)工況等因素來優(yōu)化選擇和調(diào)整運行操作參數(shù)保證生產(chǎn)目標(biāo)的完成.流程工業(yè)生產(chǎn)過程的特點之一是工藝流程固定, 由一個或多個工業(yè)裝備組成生產(chǎn)工序, 將進(jìn)入的原料加工成為下道工序所需要的半成品材料, 多個生產(chǎn)工序構(gòu)成全流程生產(chǎn)線; 特點之二其生產(chǎn)過程本質(zhì)上是材料的物質(zhì)轉(zhuǎn)化過程, 是一個物理化學(xué)反應(yīng)的氣液固多相共存的連續(xù)復(fù)雜過程.特別是原料成分波動和外界隨機(jī)干擾增加了物質(zhì)轉(zhuǎn)化過程的復(fù)雜性.這也增加了運行操作參數(shù)決策的復(fù)雜性.

面向流程工業(yè)生產(chǎn)全流程整體優(yōu)化的運行操作參數(shù)優(yōu)化決策仍是尚未解決的問題.它包括縱向跨層級多時間尺度的決策問題, 如企業(yè)經(jīng)營決策層的產(chǎn)品質(zhì)量、產(chǎn)量、成本和消耗等多沖突生產(chǎn)指標(biāo)的優(yōu)化決策及其在月、周、日、時等多時間尺度上的分解、計劃調(diào)度指令的決策等; 同時還包含橫向跨工序的多空間尺度的決策問題, 如由全流程生產(chǎn)指標(biāo)來決策各個工序的中間產(chǎn)品的質(zhì)量、產(chǎn)量和消耗等工序/裝置的運行指標(biāo), 進(jìn)而根據(jù)運行指標(biāo)來決策各工序/裝置的控制系統(tǒng)回路設(shè)定值.雖然生產(chǎn)管理、計劃調(diào)度、過程控制等信息化和自動化系統(tǒng)廣泛應(yīng)用并且能夠?qū)崿F(xiàn)局部單元的優(yōu)化決策, 但是由于工業(yè)生產(chǎn)全流程中連續(xù)復(fù)雜的物理化學(xué)反應(yīng), 機(jī)理不清, 干擾多, 波動大, 上述運行操作決策主要依賴管理者、調(diào)度員、工程師等知識型工作者人工憑經(jīng)驗進(jìn)行.

此外, 面對我國流程工業(yè)快速發(fā)展與資源能源短缺、原材料質(zhì)量差且性質(zhì)波動大、生態(tài)環(huán)境污染日益凸現(xiàn)的矛盾, 工業(yè)生產(chǎn)過程的運行操作優(yōu)化越發(fā)重要.目前對調(diào)度層、實時優(yōu)化和先進(jìn)控制層的研究雖然已經(jīng)取得不少成果, 但層與層之間缺乏信息交互與反饋, 系統(tǒng)整體與局部的互補(bǔ)關(guān)系不明確, 導(dǎo)致目前生產(chǎn)全流程的總體運行水平依然不高.工業(yè)過程面向整體行為的優(yōu)化困難, 迫切需要研究面向生產(chǎn)全流程整體優(yōu)化的工業(yè)過程智能優(yōu)化決策方法及系統(tǒng), 實現(xiàn)在局部與整體之間、短期與長遠(yuǎn)之間、效益與安全和環(huán)境影響之間的多目標(biāo)優(yōu)化, 為實現(xiàn)復(fù)雜流程工業(yè)過程智能優(yōu)化制造打下堅實基礎(chǔ).

人工智能的發(fā)展為復(fù)雜工業(yè)過程智能優(yōu)化決策提供了手段.回顧歷史, 可以發(fā)現(xiàn)人工智能與控制科學(xué)具有密切的關(guān)系.控制論的核心概念是預(yù)設(shè)和反饋, 是模擬人如何思考, 將思考的過程演化成邏輯.也是人工智能的一個重要的流派.控制科學(xué)經(jīng)過經(jīng)典控制、現(xiàn)代控制、先進(jìn)控制等階段, 內(nèi)涵不斷豐富和發(fā)展, 但主要是基于精確數(shù)學(xué)模型通過信號測量和反饋解決被控對象的系統(tǒng)分析、控制和優(yōu)化問題.而以深度學(xué)習(xí)為代表的人工智能是模擬生物學(xué)大腦, 是仿生或者聯(lián)接主義流派.主要不依賴數(shù)學(xué)模型, 從對象特征出發(fā), 模擬人的推理、學(xué)習(xí)過程解決系統(tǒng)的自動化問題.實際上控制科學(xué)和人工智能是實現(xiàn)自動化技術(shù)的兩類方法、兩種思路.上述人工智能與控制科學(xué)兩種思路的融合將為解決復(fù)雜決策問題提供了新思路.

3 智能優(yōu)化決策系統(tǒng)的發(fā)展目標(biāo)及愿景

工業(yè)生產(chǎn)過程是人機(jī)物高度融合的復(fù)雜系統(tǒng), 其決策問題既涉及企業(yè)內(nèi)部的生產(chǎn), 又涉及企業(yè)外部的環(huán)境條件以及動態(tài)變化的市場環(huán)境.工業(yè)生產(chǎn)全流程智能優(yōu)化決策的發(fā)展目標(biāo)是研發(fā)復(fù)雜工業(yè)過程智能優(yōu)化決策系統(tǒng), 能夠在外部市場動態(tài)需求、內(nèi)部企業(yè)生產(chǎn)動態(tài)狀況(設(shè)備能力、工藝參數(shù))、外部資源消耗與環(huán)保等約束條件下, 以盡可能提高包含產(chǎn)品產(chǎn)量、質(zhì)量、能耗、排放、成本等指標(biāo)在內(nèi)的生產(chǎn)全流程綜合生產(chǎn)指標(biāo)為目標(biāo), 采用虛擬制造流程實現(xiàn)基于虛擬仿真的前饋決策校正, 通過工業(yè)大數(shù)據(jù)實現(xiàn)工況識別與反饋自優(yōu)化決策, 人機(jī)交互動態(tài)優(yōu)化決策反映質(zhì)量、效率、成本、消耗、安環(huán)等方面的企業(yè)全局綜合生產(chǎn)指標(biāo)、不同時間尺度的生產(chǎn)指標(biāo)等, 使計劃、生產(chǎn)、資源三者密切配合, 在生產(chǎn)過程的內(nèi)外部條件變化時, 在最短的時間內(nèi)感知生產(chǎn)過程的各種變化, 對各級生產(chǎn)指標(biāo)和控制指令做出準(zhǔn)確的調(diào)整, 保證生產(chǎn)全流程的整體優(yōu)化運行.

復(fù)雜工業(yè)過程智能優(yōu)化決策系統(tǒng)的結(jié)構(gòu)示意如圖 1所示, 由生產(chǎn)指標(biāo)優(yōu)化決策系統(tǒng)、生產(chǎn)全流程智能協(xié)同優(yōu)化控制系統(tǒng)和智能自主運行優(yōu)化控制系統(tǒng)組成.智能優(yōu)化決策系統(tǒng)的愿景功能是能夠?qū)崟r感知市場信息、生產(chǎn)條件和生產(chǎn)全流程運行工況, 以企業(yè)高效化和綠色化為目標(biāo), 實現(xiàn)企業(yè)目標(biāo)、計劃調(diào)度、運行指標(biāo)、生產(chǎn)指令與控制指令一體化優(yōu)化決策, 實現(xiàn)遠(yuǎn)程與移動可視化監(jiān)控決策過程動態(tài)性能, 自學(xué)習(xí)與自優(yōu)化決策.將人與智能優(yōu)化決策系統(tǒng)協(xié)同, 使決策者在動態(tài)變化環(huán)境下精準(zhǔn)優(yōu)化決策.

生產(chǎn)全流程智能協(xié)同優(yōu)化控制系統(tǒng)需要協(xié)同底層各個工序的智能體, 即智能自主控制系統(tǒng), 來實現(xiàn)生產(chǎn)全流程生產(chǎn)指標(biāo)的優(yōu)化.生產(chǎn)全流程智能協(xié)同控制系統(tǒng)的功能是自動獲取生產(chǎn)線生產(chǎn)指標(biāo)和生產(chǎn)過程動態(tài)變化因素、資源屬性等方面的數(shù)據(jù)和信息, 智能感知物質(zhì)、能源和信息三流的相關(guān)狀況; 能夠自主地學(xué)習(xí)和主動響應(yīng), 從而自適應(yīng)地進(jìn)行優(yōu)化決策、優(yōu)化配置資源和合理配置與循環(huán)利用能源, 并給出以生產(chǎn)全流程生產(chǎn)指標(biāo)優(yōu)化為目標(biāo)的優(yōu)化運行指標(biāo)目標(biāo)值.

智能自主控制系統(tǒng)由高性能智能控制器、智能運行優(yōu)化、工況識別與自優(yōu)化控制三部分組成.智能優(yōu)化制造要求生產(chǎn)制造過程控制系統(tǒng)成為一個智能體, 即智能自主控制系統(tǒng)使生產(chǎn)制造過程和其控制系統(tǒng)深度融合并成為智能體, 要集智能感知、控制、監(jiān)控、優(yōu)化、故障診斷、自愈控制于一體, 具有自適應(yīng)、自學(xué)習(xí)、自動調(diào)整控制結(jié)構(gòu)和控制參數(shù)的功能, 能夠適應(yīng)工業(yè)過程的動態(tài)變化.其功能是智能感知生產(chǎn)條件的變化, 以優(yōu)化運行指標(biāo)為目標(biāo), 自適應(yīng)決策控制系統(tǒng)的設(shè)定值.高動態(tài)性能的智能控制系統(tǒng)跟蹤控制系統(tǒng)設(shè)定值的改變, 將實際運行指標(biāo)控制在目標(biāo)值范圍內(nèi).實時遠(yuǎn)程與移動監(jiān)控與預(yù)測異常工況, 自優(yōu)化控制, 排除異常工況, 使系統(tǒng)安全優(yōu)化運行.與其他智能自主控制系統(tǒng)相互協(xié)同, 實現(xiàn)制造流程全局優(yōu)化.

復(fù)雜工業(yè)過程智能優(yōu)化決策系統(tǒng)通過智能優(yōu)化決策系統(tǒng)、生產(chǎn)全流程智能協(xié)同優(yōu)化控制系統(tǒng)和智能自主運行優(yōu)化控制系統(tǒng)協(xié)同, 最終實現(xiàn)復(fù)雜生產(chǎn)全流程的優(yōu)化運行.

4 重點研究方向

如前所述, 未來的制造全流程優(yōu)化決策系統(tǒng)一定是人機(jī)交互的動態(tài)智能優(yōu)化決策, 目前尚沒有統(tǒng)一的智能決策體系結(jié)構(gòu).在工業(yè)大數(shù)據(jù)和云網(wǎng)絡(luò)平臺的支持下, 通過知識庫構(gòu)建、決策計算、指標(biāo)預(yù)測、評價反饋等模塊, 將智能決策行為和綜合自動化、智能方法與預(yù)測和反饋相結(jié)合, 建立生產(chǎn)制造智能決策系統(tǒng)的體系結(jié)構(gòu)與功能, 實現(xiàn)人機(jī)柔性化自適應(yīng)交互決策.根據(jù)以上目標(biāo), 復(fù)雜工業(yè)過程智能優(yōu)化決策系統(tǒng)的共性研究方向如下:

1) 機(jī)理模型與數(shù)據(jù)和知識融合的運行工況智能感知.工業(yè)過程是一個包含物理化學(xué)反應(yīng)的氣液固多相共存的連續(xù)化復(fù)雜生產(chǎn)全流程, 其運行工況依靠人的視覺、聽覺、觸覺來感知視頻、聲音、文本和自動化系統(tǒng)產(chǎn)生的實際數(shù)據(jù), 憑經(jīng)驗和知識來識別.為了及時、準(zhǔn)確地識別工況, 需要研究制造流程多源異構(gòu)信息的感知和從多源異構(gòu)數(shù)據(jù)中發(fā)現(xiàn)工況識別的規(guī)則.包括: a)數(shù)據(jù)、視頻與機(jī)理分析相結(jié)合的運行工況智能感知; b)融合數(shù)據(jù)、操作和管理經(jīng)驗的領(lǐng)域知識挖掘; c)工業(yè)生產(chǎn)物質(zhì)流、能源流和信息流的狀況智能感知; d)機(jī)理模型與數(shù)據(jù)和知識融合的多尺度多維度指標(biāo)建模等.

2) 具有預(yù)測、反饋、自學(xué)習(xí)、自優(yōu)化校正的智能決策系統(tǒng)架構(gòu)及新方法, 研究以企業(yè)高效化和綠色化為目標(biāo), 如何實現(xiàn)企業(yè)目標(biāo)、計劃調(diào)度、運行指標(biāo)、生產(chǎn)指令與控制指令一體化優(yōu)化決策, 使工業(yè)運行過程成為知識自動化系統(tǒng), 盡可能提高生產(chǎn)效率與產(chǎn)品質(zhì)量, 盡可能降低能耗與物耗, 實現(xiàn)生產(chǎn)過程環(huán)境足跡最小化, 確保環(huán)境友好地可持續(xù)發(fā)展.包括: a)具有預(yù)測、反饋、自學(xué)習(xí)、自優(yōu)化校正的智能決策系統(tǒng)架構(gòu); b)全局動態(tài)感知、過程知識發(fā)現(xiàn)與知識自動化的一體化智能決策; c)多層次、多尺度、多目標(biāo)動態(tài)優(yōu)化決策; d)全流程生產(chǎn)指標(biāo)的智能決策; e)企業(yè)綜合生產(chǎn)指標(biāo)目標(biāo)值的智能決策; f)基于機(jī)理與數(shù)據(jù)和知識融合的一體化決策; g)宏觀信息優(yōu)化與虛擬企業(yè)預(yù)測和大數(shù)據(jù)反饋校正相結(jié)合的運行指標(biāo)智能決策; h)工業(yè)生產(chǎn)全流程計劃調(diào)度系統(tǒng)與優(yōu)化; i)人工智能驅(qū)動的優(yōu)化決策的建模、決策、校正算法; j)全流程生產(chǎn)指標(biāo)的大數(shù)據(jù)可視化分析與監(jiān)控算法; k)全流程生產(chǎn)指標(biāo)優(yōu)化中的異常工況預(yù)報、溯源與自愈; l)人工智能驅(qū)動的協(xié)同控制的建模、協(xié)同優(yōu)化與控制算法; m)決策與控制一體化系統(tǒng)的動態(tài)性能評估等.

3) 智能決策系統(tǒng)實現(xiàn)技術(shù).面向典型流程工業(yè)企業(yè), 研發(fā)相關(guān)的智能優(yōu)化決策系統(tǒng)技術(shù), 設(shè)計智能優(yōu)化決策云服務(wù)平臺系統(tǒng)體系架構(gòu)與核心組件, 構(gòu)建流程工業(yè)智能優(yōu)化決策系統(tǒng), 搭建智能優(yōu)化決策系統(tǒng)的實驗平臺并開展實驗平臺驗證與應(yīng)用驗證研究.包括: a)智能優(yōu)化決策系統(tǒng)的實現(xiàn)系統(tǒng)架構(gòu); b)智能優(yōu)化決策系統(tǒng)的數(shù)據(jù)、知識、算法庫管理平臺; c)智能優(yōu)化決策系統(tǒng)算法實現(xiàn)的軟件; d)運行工況故障診斷與自愈控制軟件; e)智能優(yōu)化決策系統(tǒng)分布式實現(xiàn)技術(shù); f)生產(chǎn)指標(biāo)的大數(shù)據(jù)可視化分析與監(jiān)控軟件; g)基于工業(yè)私有云和移動終端的生產(chǎn)全過程智能優(yōu)化決策系統(tǒng)設(shè)計技術(shù)等.

總體來說, 流程工業(yè)智能優(yōu)化決策系統(tǒng)的重點任務(wù)是從流程工業(yè)綠色化與自動化、工業(yè)化與信息化深度融合的重大需求出發(fā), 以實現(xiàn)流程工業(yè)綠色化、智能化和高效化為目標(biāo), 建立工業(yè)大數(shù)據(jù)和知識驅(qū)動的流程工業(yè)智能優(yōu)化決策機(jī)制和系統(tǒng)體系結(jié)構(gòu), 研究工業(yè)大數(shù)據(jù)驅(qū)動的領(lǐng)域知識挖掘、推理與重組、多源異構(gòu)多尺度生產(chǎn)指標(biāo)預(yù)測、大數(shù)據(jù)和知識驅(qū)動的生產(chǎn)指標(biāo)決策、優(yōu)化運行與控制一體化決策方法與技術(shù), 研發(fā)流程工業(yè)智能優(yōu)化決策的實現(xiàn)技術(shù)與工業(yè)軟件, 建立流程工業(yè)智能優(yōu)化決策系統(tǒng)實驗平臺, 引領(lǐng)工業(yè)化與信息化深度融合.從而形成以生產(chǎn)全流程整體優(yōu)化為特征的流程工業(yè)智能決策新模式, 實現(xiàn)流程工業(yè)生產(chǎn)的綠色化、智能化和高效化, 引領(lǐng)工業(yè)化與信息化深度融合.

5 結(jié)束語

流程制造業(yè)具有生產(chǎn)連續(xù)程度高、生產(chǎn)設(shè)備眾多、變量間強(qiáng)耦合、生產(chǎn)產(chǎn)品固定、生產(chǎn)量大等特點, 生產(chǎn)企業(yè)的整個管理決策過程還是依賴人和知識型工作者來進(jìn)行.當(dāng)市場需求和生產(chǎn)要素條件發(fā)生變化時, 難以及時準(zhǔn)確地做出企業(yè)目標(biāo)、計劃調(diào)度、運行指標(biāo)、生產(chǎn)指令與控制指令的決策反應(yīng), 無法實現(xiàn)企業(yè)產(chǎn)品質(zhì)量、產(chǎn)量、消耗和成本等綜合生產(chǎn)指標(biāo)的優(yōu)化.本文根據(jù)我國流程工業(yè)過程智能優(yōu)化決策系統(tǒng)的現(xiàn)狀, 提出復(fù)雜工業(yè)過程生產(chǎn)制造全流程優(yōu)化決策系統(tǒng)——智能優(yōu)化決策系統(tǒng)的愿景功能, 并探討了下一步的具體研究方向.智能優(yōu)化決策系統(tǒng)能夠有效地結(jié)合工業(yè)制造流程、知識型工作自動化以及智能技術(shù), 使得企業(yè)能夠智能感知物質(zhì)流、能源流和信息流的狀況、自主學(xué)習(xí)和主動響應(yīng), 自適應(yīng)優(yōu)化決策企業(yè)生產(chǎn)目標(biāo)、優(yōu)化配置資源和合理配置與循環(huán)利用能源, 為實現(xiàn)流程工業(yè)過程智能優(yōu)化制造打下基礎(chǔ).

參考文獻(xiàn)：略

來源：CAA發(fā)電自動化