煉油工業過程控制的研究現狀、問題與展望

黃德先 江永亨 金以慧

煉油工業既是重要和便利的能源提供者,也是涉及各個產業的原材料提供者,是一個關系國計民生和國家戰略的重要支柱產業,煉油企業在世界五百強企業前十名中經常占據半壁江山.煉油工業這類連續過程工業對自動控制要求高,是過程控制技術較早得到應用和普及的工業之一.自大規模連續過程工業形成以來,過程控制就成為其保證產品質量、提高產率、降本增效的不可或缺的部分.

我國煉油能力居世界第二位,僅次于美國.截至2015年底,我國煉油能力約為7.4億噸/年,年均增長速度7.8%[1].目前國內煉油綜合能耗達70～95千克標油/噸(KgEO/t),而國際先進水平煉油綜合能耗的僅為53.2KgEO/t,這意味著我國煉油企業內部就要比國際先進水平多消耗至少40%的能源,占原油加工量的2%,因而有顯著的挖潛潛力.在當今全球范圍內能源消耗需求迅猛增長、原油資源逐漸匱乏以及經濟全球化競爭日趨激烈的情況下,原油供給的短缺所導致的原料來源雜多和油品、工業原料需求的多樣化以及原油重質化、高硫化與清潔成品油需求之間的矛盾將更加突出.所有這些新情況促使過程控制把目標轉化到提高產品質量、節約能源、降低成本、提高生產過程的柔性以適應多變市場的需求的高度.近年來,智能制造的戰略目標對過程控制提出了更新的要求,因而,有許多重要的問題和關鍵技術需要去研究和突破.

應該說,煉油過程的重要性和復雜性決定了采用自動控制的必要性和緊迫性,經過多年的努力其自動控制已經達到較高的水平,但是越來越高的需求成了推動過程控制技術發展的源泉和動力,很多最新的控制理論與技術都在煉油過程中得到應用.本文將主要回顧其中得到應用廣泛且特別有效的先進控制、軟測量和操作優化等三個方面的研究現狀,然后討論在實際應用中存在的問題和解決思路,最后對煉油過程控制的發展前景進行展望.

1 煉油過程先進控制的研究現狀

生產過程控制的發展與流程工業的需求相適應,與控制理論、控制工具以及有關學科的發展緊密相關[2?3].上世紀40年代形成的經典控制論推進了流程工業過程PID控制的廣泛應用;50年代出現的工程控制論促進了基于PID的串級、前饋、比值、選擇性等控制技術的發展,并一直沿用至今[4].

上世紀50年代末,航天技術革命過程中形成了現代控制理論,60年代計算機技術取得進展,60～70年代,人們努力試圖將航天工業中行之有效的現代控制理論用于流程工業生產過程,但由于流程工業生產過程數學模型建立困難,使其工程化應用遇到嚴重障礙[5].70年代由英國學者Rosenbrock提出的現代頻域法,通過“對角優勢”實現近似解耦控制,試圖實現不依賴于精確模型的多變量優化控制的工程化應用[6].從70年代開始,人們加強了實驗建模研究,使系統辨識技術得到了較快的發展[7?8],推動了現代控制理論在工業過程中的應用,同時也促進了模型參考自適應控制和自校正控制器的發展.模型參考自適應控制和自校正控制器可以在線修改控制器的參數,采用以變應變的策略,提高了模型的適應能力,使得基于模型的控制方法向實用方向前進了一大步[9?14].吳宏鑫等學者在過程工業的自適應控制的理論研究和應用方面做了大量工作,并獲得了許多成功應用[15?19].鑒于大型煉油生產過程的安全性要求高,在關鍵煉油生產過程未能得到廣泛的工程應用.

自從1968年Zadeh提出模糊算法,人們開始了模糊控制的研究和應用,在許多領域獲得了成功的應用[20?23].雖然在石油化工這樣的大型生產過程且具有較好的定量測量和控制條件情況下沒有得到廣泛的工程應用,但也獲得一些成功應用案例[24?26].

魯棒控制方面的研究始于20世紀50年代,是一種尋求最優的控制器結構或控制參數在被控制對象的一定參數攝動下,維持某些性能特性的方法,在上世紀80～90年代形成了國際自控界的研究熱點,在實際工業過程的控制方法、控制器參數整定和控制性能等方面具有重要的應用價值[27?32].雖然魯棒控制沒有在煉油生產過程獲得廣泛工程應用,但對控制器的分析、設計和改進方面起到了重要指導作用,作為現代控制理論方法的在工程應用的典范—模型預測控制則可以算作是一種優秀的魯棒控制方法.

上世紀70年代末出現的基于模型的預測控制(Predictive control)算法,由于可以采用各種形式的模型,且適應于連續過程普遍存在的“滯后”特性、因果性和存貯性的特點,同時,采用了最優控制和反饋修正技術,使預測控制兼具最優控制和反饋控制兩者的優點,在模型不準確或有變化的情況下,控制系統可以獲得較好的魯棒性,特別是對帶有純滯后的石油化工過程有很好的控制效果[33?35].另外,預測控制還能夠方便地處理控制約束問題,其動態優化控制目標可以是使其控制輸入和輸出變量都能夠約束在一個區域范圍內,然后通過靜態優化在保證產品質量合格(也即產品質量指標作為控制輸出變量不超過區域約束)的情況下,達到高價值產品的收率最高、裝置的加工能耗最低、操作成本最小等經濟目標優化,使裝置的經濟效益實現最大化,一般稱這種最優控制為“卡邊優化”,這是一般控制方法所不具備的功能,正是預測控制所具有的一個突出的優點.

上世紀80年代,模型預測控制方法經過在模型辨識、優化算法、控制結構分析、約束處理、參數整定和有關穩定性和魯棒性等一系列研究,研發出了多種約束模型預測控制的工程化軟件包.針對過程控制提出的要求,國際上主流軟件產品采用基于非參數模型預測控制為基礎的多變量約束協調控制軟件包.不同的軟件包對約束和自由度的處理不同,這在很大程度上顯現了其各自特征.模型預測控制可以說是目前現代控制理論在過程控制中應用最成功的控制方法,截止到2000年的統計,僅兩家主流軟件(Aspen Technology和Honeywell兩家公司的先進控制軟件)就在煉油工業應用了1680套[36].

上世紀80年代開始,以張鐘俊、柴天佑、席裕庚、袁璞、袁著祉、邵惠鶴、錢積新、金以慧、王樹青、袁震東、桂衛華、舒迪前、王偉等教授為代表的許多國內學者開始了預測控制的研究與應用工作.張鐘俊、席裕庚教授于1985年發表了國內預測控制的第一篇綜述和展望論文,推動了預測控制在國內的發展,繼而在預測控制理論和方法方面開展了大量的工作,且在滌綸片基生產線等生產過程進行了應用.在煉油工業方面,袁璞教授將開發的基于狀態空間模型的預測控制技術于1988年成功應用到最為復雜的催化裂化裝置的反應深度直接閉環控制上,是模型預測控制技術首次在國內大型煉油生產裝置上的應用,隨后在其他幾個催化裂化裝置上進行了提升,并在煉油工業過程推廣應用.袁著祉、袁振東和王偉教授等將系統辨識算法、自適應控制方法與預測控制相結合,深入研究了廣義預測控制等方法,并應用在實際生產過程.邵惠鶴、錢積新、金以慧、王樹青等教授主要在化工過程方面研究和應用預測控制方法,并研發了應用軟件進行工業應用.柴天佑、舒迪前、桂衛華、王偉等教授結合冶金等行業開展了大量的研究和應用工作,推動了預測控制在冶金等行業的發展[37?63].

1992年,國外先進控制軟件首次進入中國的煉油行業,在催化裂化裝置進行了應用.但僅實現了用模型預測控制的多變量控制取代常規PID控制方案,主要目標是通過更為快速平穩的卡邊優化控制實現產能最大化來提高經濟效益,但在當時各生產裝置產能過剩的普遍行業背景下,未能完全發揮出先進控制的作用.

國外主流先進控制軟件憑借其公司雄厚的研發和應用能力、國外成功的應用案例,以及通過DCS等硬件優勢與國內應用企業的結盟策略,很快在國內石化行業占據了壟斷地位.鑒于此,上世紀90年代中期,國內浙江大學、清華大學、上海交通大學、中國石油大學、華東理工大學等研究團隊,在國家和行業的支持下,加快了基于模型預測控制應用技術和工程化軟件的研究和應用工作,開發出了與國外軟件產品技術水平相當的較為成熟的工程化先進控制軟件,并獲得了成功的應用[64?69].但由于受到當時國內的研發支持力度和科研成果轉化機制的限制,國內先進控制軟件在工程化、商品化方面與國際先進控制軟件還存在著一定的差距,同時應用企業普遍存在著對國內外軟件產品的信任程度不同和應用失敗承擔的責任不同的現象,使得國內先進控制軟件產品的發展和應用不夠順利.但是,在大幅度降低國外先進控制軟件壟斷價格、培養研究應用人材促進先進控制的普及應用方面發揮了重要作用,同時也儲備了大量的相關技術.

2000年以來,先進控制在國內煉油行業主要生產裝置得到了較為廣泛的應用,僅中石化就先后有100多套裝置采用國內外先進控制技術,包括催化裂化、常減壓、重整、焦化、加氫、氣分、芳烴、聚丙烯等裝置,涵蓋了中國石化的主要煉油裝置,不僅提高了產品質量合格率,而且實現了裝置的卡邊優化運行,提高了生產裝置的操作平穩性、處理能力和節能增效能力.但目前真正能在現場長期運行,達到既定目標、穩定地獲得應有經濟效益的還不很多.其原因是多種多樣的,例如,先進控制軟件實施過于復雜,需要高水平的技術人才;生產過程的時變性、非線性等因素使先進控制的性能變差;特別是我們國家原料油來源多樣,品質差別大,自動化儀表設計規格低、可靠性差,在線分析儀表較少采用或由于維護狀況差而無法滿足在線質量閉環控制要求等等,所以我國先進控制的實施條件目前還難以與歐美國家發達國家相比.

最近十幾年來,清華大學研究團隊針對基于機理分析模型的先進控制軟件推廣應用困難和基于實驗建模的通用先進控制軟件難于滿足我國特殊情況的問題,致力于融合機理和實驗建模兩者優點,克服了非線性、時變特性、原料組份變化、負荷變化等因素的影響,研發出具有我國特色的、擁有自己知識產權的先進控制技術和軟件,并已在精餾塔、延遲焦化、加熱過程等工業過程上成功應用,改進了先進控制技術應用實施難、長期應用且發揮效益更難的問題,取得了明顯的經濟效益和社會效益[70?73].

2 煉油過程軟測量的研究現狀

在生產過程中往往有一些關鍵的過程變量難以直接測量,因而影響到自動控制的實現.因此,軟測量(Soft sensor)的實際使用由來已久,許多測量儀表都是基于物理原理建立的易測過程變量與難以直接測量的待測過程變量的數學關系來計算獲取[74].在1978年,Brosilow等在提出推理控制(Inferential control)時,其估計器實際就是利用易測過程變量(稱為輔助變量或二次變量Secondary variable)與難以直接測量的過程變量(稱為主導變量Primary variable)之間的數學關系,建立軟測量模型,以實現對難測過程變量的間接測量[75].隨著推理控制(Inferential control)的出現進一步推動了軟測量技術的研究,基于各種模型的軟測量方法得到了更為廣泛的研究和應用[76?78].軟測量和預測控制相結合推動了煉油生產過程產品質量的直接閉環控制、質量約束和卡邊優化,實現實時優化經濟目標的功能[36,63].

目前,主流的數據驅動軟測量建模方法主要來自機器學習和模式識別領域.另外,考慮到在實際流程工業中過程的內在變化會影響很多過程變量,采集到的數據的維數要遠遠大于其實際維數,表現為“數據豐富而信息貧乏”(Data rich but information poor),這種明顯的信息冗余現象對軟測量帶來了挑戰.Nomikos等于1994年歸納了隱變量模型(Latent variable model)的概念,用于分析信息冗余現象和解決問題思路[79].它通過描述包含有大部分信息的低維子空間,有效地應對變量相關性問題.基于主成分分析法(Principal component analysis,PCA)的主成分回歸(Principal component regression,PCR)、偏最小二乘法(Partial least squares,PLS)均為隱變量模型的代表,在軟測量建模中得到了廣泛的應用[80?85].近年來,利用機器學習方法實現軟測量建模更引起了學術界的持續關注,研究成果不斷涌現,其中支持向量機(Support vector machin,SVM)與人工神經網絡(Arti ficial neural network,ANN)是最具代表性的方法.通過將建模問題轉化為二次規劃問題,SVM具有計算量低、全局極小值的特點,并且非常適合小樣本建模,因而被用于軟測量建模[86?87];但SVM 的一個缺點是,其模型訓練的復雜度會隨著訓練樣本數量指數增長.總體上講,許多不同的模型結構都屬于ANN的范疇,其中最常見的是多層感知器(Multi-layer perception,MLP)和徑向基函數網絡(Radial basis function networks,RBFN)[88?89].Qin 在文獻[90]中指出,ANN非常適合軟測量建模;但ANN卻易受局部極小值影響,而且具有深度結構的ANN(層數≥3)難以訓練,以上這些問題在近幾十年里一直困擾著學術界.

近年來,隨著工程應用深化的需求,軟測量建模理論與方法的研究取得了很大進展.但是,軟測量在煉油工業中的應用方面尚存在著一些制約性難題.一是原料性質不穩定和生產負荷變動致使在特定原料生產和負荷條件下所建立的模型失配.二是廣泛應用的基于數據驅動的軟測量建模方法主要采用靜態建模方法,而大多數工業應用都需要動態軟測量,即建立動態模型,特別是軟測量結果作為先進控制的被控變量時更是如此,因而動態軟測量便提上日程,可喜的是在復雜的煉油過程動態測量近年來得到了長足的發展.

張笑天等應用多神經網絡建立常減壓裝置初頂石腦油干點軟測量模型,采用模糊C均值聚類法將樣本集分成子集,運用BP神經網絡對每個子集訓練得出子模型,然后根據聚類產生的隸屬度將各子模型的輸出加權求和獲得干點軟測量值.同時,為了克服因原油性質無法及時獲得而造成對預測精度的影響,在建模時將前一時期干點分析值作為網絡模型的自變量.實際應用表明,所建模型具有良好的預測精度,泛化能力強[91].Zhang討論了將主成分回歸(PCR)和PLS方法結合起來,用于對常減壓裝置蒸餾塔進料組分的變化進行推斷反饋控制,并利用更新過程測量的平均值,抑制靜態估計偏差和控制偏差[92].但原油性質變化較大時,前述軟測量模型有效工作區域往往不能覆蓋.為了解決這一問題,呂文祥等將能夠表現原油成份變化信息的過程變量加入軟測量模型輸入中,抑制其原油成份變化對軟測量估計值的影響,同時,對直接測得的過程變量進行機理變換以減少加工負荷變化所造成的軟測量模型非線性程度,明顯提升了軟測量模型的推廣性能,在常減壓裝置的先進控制應用中取得了好的應用效果[93?94].

Zhou等提出了首先進行油品分類,再對不同油品分別建模的方法,并利用基于Bootstrap模型在不同的三類原油上分別取得了對干點的良好預報效果,證實了利用類別結構信息的重要性[95].

朱鷹等針對原油組分變化,通過引入自適應鏈接超平面(Adaptive hinging hyperplanes,AHH)這一連續分片線性表示方法建立軟測量模型.AHH內在的結構使其在辨識過程中自然地包含了不同類型的模型信息,最終獲得了良好的建模效果并在實際數據上顯示出一定的魯棒性.AHH模型取得了不亞于幾乎沒有錯分的Bootstrap方法的軟測量模型的精度.在實際數據上的測試表明,自適應鏈接超平面的模型在表達能力上優于已有的基于分類的建模方法.由于利用AHH的估計方法可以適應多變的生產工況,對于其他具有復雜多變工況的化工過程中有很好的推廣價值[96].

Shang等將深度學習方法擴展到連續模型的建模,并應用于軟測量建模,突破了傳統神經網絡三層結構的限制,包含了更豐富的信息和表達能力,其半監督學習使過去不能利用的過程數據得以利用,能夠更有效地處理海量數據[97].該方法與文獻[93]中的方法對比,不采用過程變量機理變換,仍基本能達到與文獻[93]中相同的軟測量估計精度,表現出該方法有更好的非線性描述能力.

對于動態軟測量這一難題,通過采用基于守恒定律的機理分析建模方法,比較容易實現不可測變量的動態軟測量,因而得到了較早的發展.預測控制抑制擾動的效果較常規反饋控制而言,不如定點跟蹤那么顯著,這促使人們研究不可測擾動的觀測器來進行預測控制的前饋補償,以提高其抑制擾動的能力,因而推動了基于機理分析建模方法的動態軟測量方法的研究與應用[38,98?99].但其模型建立對生產工藝過程知識的苛求,使其難以廣泛推廣應用.

動態偏最小二乘(Dynamic PLS,DPLS)方法首先由Kaspar等于1992年提出[100],后來廣泛應用于流程工業的質量指標預測[101?102].文獻[101]詳細討論了動態方法相比靜態方法的優勢,并且在精餾塔產品預測中進行了驗證;文獻[102]將DPLS方法應用于間歇聚合過程.DPLS方法本質上屬于線性模型,在此基礎上,學者們提出了動態神經元網絡模型,實現了過程的動態特征與非線性靜態特征的統一描述[103?104].

Shang等針對經典DPLS模型的參數光滑性進行改進,提出了一種改進的動態軟測量模型DPLSTS,在極大化主元分數相關性的同時,利用光滑性正則化項對模型動態參數的劇烈變化進行懲罰,使之更符合工業過程的特征.DPLS-TS的優化問題仍然保持了特征向量分解的形式,計算簡便.與DPLS模型相比,DPLS-TS模型的物理解釋性更好,尤其是在需要大量時延樣本描述過程動態特性的時候,具有更好的預測精度[105?106].

Shang等針對動態過程的相鄰采樣時刻數據對質量變量影響的連續性和光滑性特性,還提出了一種概率慢特征回歸模型.首先基于PSFA(Probabilistic slow feature regression)對快速采樣的輔助變量有效地進行動態特征信息提取,將過程內在動態特性顯式地表達為概率慢特征,然后在此基礎上建立回歸模型.PSFA具有線性高斯狀態空間模型的形式,考慮了輔助變量的測量噪聲,且特征本身具有因果系統的形式,利用馬爾科夫性顯式地描述了模型狀態的時序光滑性.在有閉環控制的正常工況下,過程受制于其本身的內在擾動,其中一部分擾動可能對最終的難測變量造成影響.PSFA將這些內在擾動從快速采樣的輔助變量數據中恢復為不同頻率的概率慢特征,進而更好地將對主導變量有影響的擾動表示出來,可以構建精度更高的預測模型.在用于訓練PSFA模型的EM(Expectation maximization)算法的基礎上,通過分析PSFA與SFA(Slow feature regression)的關系,提出了一種高效的參數初始化方法,大幅度降低了計算成本.與傳統動態軟測量模型相比,PSFA具有如下優點:1)部分概率慢特征分析與難測的主導變量高度相關,能夠有效提升預測精度;2)PSFA模型建模方便快速,有效地綜合了多率數據中的有用信息,適用于大規模流程工業數據建模;3)利用狀態空間方程簡約地描述了過程的動態特性,得到了比傳統動態軟測量模型更加簡潔的模型結構[107?108].

動態軟測量建模方法通常采用學習網絡,按照使用的網絡結點單元不同,一般可以將動態軟測量方法分為兩種思路.第一種思路是采用靜態網絡,即在網絡輸入端引入歷史數據,利用y(k?1),···,y(k?n),u(k?1?d),···,u(k?m?d)}作為輸入,這樣就把動態時間建模轉化為靜態空間建模[109].但是,這種方法建立的模型由于輸入變量過多而顯得非常復雜,需要整定的眾多參數也使得模型在訓練階段需要耗費大量計算時間,而且高維數使得在計算過程中容易產生病態矩陣.第二種思路則是采用帶反饋的動態網絡[110],然而動態網絡由于涉及反饋回路,學習算法變得非常復雜.

羅健旭等提出的多神經網絡模型,利用時間序列數據建立過去某一時刻的輸入對輸出的估計的子網絡模型,子模型輸出再通過非線性的神經網絡綜合,反映了系統的動態特性,可以作為建立動態軟測量模型的一種通用方法.通過二元精餾塔的仿真驗證表明,與RBFN及MFNN(Multilayer feedforward neural network)建立的靜態模型相比,估計的精度和魯棒性得到顯著提高[111].毛帥等研究了某煉油廠常壓塔三線柴油凝點的軟測量建模問題,充分利用儀表分析值提供的被測變量歷史信息,建立了一種神經網絡和Levin-son預測器相結合的動態軟測量模型,以消除分析值存在純滯后的影響.針對某煉油廠常壓塔三線柴油凝點的軟測量的應用驗證表明該模型的預報準確性要優于靜態軟測量模型,取得了較好的預測效果[112].杜文莉等提出了一種基于最小二乘支持向量機和自回歸–滑動平均模型的軟測量建模方法,實現了對靜態模型的動態校正以改善系統動態響應特性[113].吳瑤等提出了一種基于時間序列神經網絡的軟測量建模方法,建立了動態插值神經網絡模型,并利用增強粒子群算法優化網絡參數,實現了不可測量變量的在線估計,取得了優于普通靜態神經網絡的估計效果[114].

在煉油工業等流程工業過程,其產品質量、環保等關鍵操作指標通常作為生產中的重要控制目標,然而,這些指標一般無法在線測量,只能夠通過周期長達數小時的人工實驗室采樣分析化驗來得到,致使質量變量的采樣周期遠遠大于過程變量的采樣周期,在有些情況下甚至沒有明顯的周期性,是完全不規則的.其采樣樣本數量非常少,采樣周期又長,使質量變量的采樣點之間幾乎沒有時序上的相關性.為解決這一難題,馬勇等提出了一種基于最小二乘網絡的動態軟測量建模方法,通過在網絡輸入端引入一個脈沖響應模板的動態預處理單元來實現線性動態軟測量模型,使其輸入只依賴能夠方便獲得的過程變量.所引入動態單元在本質上是擬合實際過程的沖激響應曲線,相當于在建模過程中增加了典型動態特性.由于引入的預處理單元本身具有物理意義,特別是解決了輸出變量采樣時間間隔很長且非等周期情況下的動態模型建立難題,從而使得建立的動態軟測量模型更符合實際意義,簡化的脈沖響應模板使待整定參數大量減少[115].Lv等在馬勇工作的基礎上,提出脈沖響應模板參數優化方法,將脈沖響應參數辨識限定在指定的可以根據機理分析和經驗確定的模板類和模板參數約束范圍內,有效改進了具有噪聲情況下模型過學習導致的泛化性、魯棒性差的問題.尤其對于多變量系統,使得大量脈沖響應參數學習問題轉化為對有限個模板參數學習問題,顯著減少了學習參數和訓練時間.在常減壓裝置油品質量軟測量中的應用表明了其優良特性,并已作為成熟應用方法應用到先進控制軟件產品中[116].

Gao等[117]和Shang等[118]提出了基于Wiener模型的動態軟測量模型FIR-SVM,其特征是基于通用的Wiener模型結構,將過程的動態信息與非線性特征進行綜合表征,分別利用具有純時延的一階慣性環節的脈沖響應近似線性動態環節、SVM逼近非線性動態環節,對線性動態部分以及非線性靜態部分進行聯合建模,從而給出一個更為準確的描述.Gao等通過兩層迭代優化方法來學習兩部分的模型參數[117].Shang等基于貝葉斯框架對模型參數進行迭代尋優,實現了一種更為高效的參數迭代訓練方法,并利用貝葉斯證據對模型的質量進行有效評估,有效減輕了非線性環節帶來的過擬合影響,充分利用了所有難測變量樣本的信息.與其他經典的動態軟測量模型以及非線性軟測量模型的全面對比顯示,基于貝葉斯證據框架尋優的FIR-SVM能夠很好地挖掘數據中的動態信息,對過程動態特性進行表征,有效地避免了模型過擬合,預報精度進一步提高.此外,在選擇不同的建模參數時,其建模結果的一致性較好,對初始參數選擇不敏感,并且能夠充分利用所有難測變量樣本,因而在工程應用中具有更好的實際價值[118].

3 煉油過程運行優化的研究現狀

運行優化可以分為離線優化和在線實時優化兩類.煉油工業的裝置級離線優化很早就得到了重視.離線優化首先是在煉油生產裝置的設計中得到應用,裝置的設計需要通過流程模擬技術來進行優化,為此出現了很多基于穩態工藝模型的軟件,如PROCESS,ASPEN-PLUS,HYSYS,PETROFINE等等,取得了很好的應用效果[119].但如果把設計中的優化結果直接應用于生產現場可能會出現問題,因為工業裝置的設計都是在某一設定的原料和公用工程條件進行的,而在實際生產中原料和公用工程條件與原設計條件很難完全相符.這樣,在實際運行時就需要根據現場的工藝條件進行調整,否則就會引起能耗的上升或產品質量、回收率的下降.再者,現代化的工業生產要求實現整個裝置,甚至整個工廠的經濟效益最大,這就要求在給定的約束條件(如產品質量、設備處理能力、公用工程限制等)下,按照實時的生產數據,獲得各有關工藝參數的最佳匹配來調整當前的生產運行狀況.另外,還要考慮生產方案適應原料、市場等企業外部條件的變化,實現企業的柔性生產.這些反映市場迫切需求的問題對流程工業生產過程的優化技術提出了嚴峻的挑戰[3].

目前已經有不少在穩態模型上離線優化的成熟技術,通過對裝置操作條件的優化,取得提高收率、減少操作成本和節能降耗等方面的經濟效益[120].這種技術和設計優化技術類似,都是采用工藝專業的優化技術和軟件來實現,只是在設計優化時有更多的優化手段,例如可以通過改變工藝流程、工藝設備來實現.在生產過程中的離線優化,主要是需要通過人工干預改變設定值優化操作條件來實現,通常稱之為操作優化.實際在生產運行情況下,由于上述這些條件經常變化,很難滿足需要,因此對在線實時優化提出了迫切要求,也受到各界的極大的重視.我們國家在上世紀80年就開展了通過催化裂化裝置穩態嚴格機理模型的優化給出催裂化反應溫度最優設定值,然后由預測控制來實現的攻關課題.但由于原料與催化劑活性變化、裝置不平穩和計算機優化求解慢等原因,未能取得期望的應用效果.

以預測控制為主的先進控制軟件,除了能夠對整個裝置實現整體直接閉環質量控制外,還可以實現卡邊優化功能,即可以實現基于穩態嚴格機理模型的裝置實時優化難以獲得的大部分優化收益[63].但煉油生產過程中的裂解反應過程、精制反應過程以及蒸餾裝置的過汽化率節能優化等問題都屬于非線性優化問題,上述方法難以奏效.袁璞等在上世紀80年代,采用控制反饋的思想在催化裂化裝置的反應深度直接閉環控制的基礎上[121],通過對實測分餾油品加入動態積蓄量等補償來觀測出裂解反應各油品收率,利用過程控制中的反饋思想對裂解反應深度給定值進行自尋最優,實現了催化裂化裝置的反應深度的在線實時優化[122].由于采用反饋思想,在不依賴原料性質、催化劑活性變化等條件下,通過給定不同的優化目標函數,可以分別實現所期望的像總輕油收率最大、汽油收率最大、柴油收率最大、經濟效率最大等優化目標.此技術已經在近二十個生產裝置上得到應用,每個生產裝置的年經濟效益均在千萬元以上.王強等在文獻[123]介紹了該方法在當時亞洲最大的重油催化裂化裝置(年處理能力350萬噸)的應用結果,現場測試、標定結果表明總輕油收率提高了0.7%以上,獲得綜合效益約為2400萬元/年.

王建等提出了一種相關積分調優方法,把調優變量與目標函數作為動力學系統處理,而將調優變量作為均值可控的隨機過程,并在目標函數中加入了動態干擾項.導出的相關積分算法中,只需通過調優變量及目標函數隨時間動態變化的觀測值,即可對過程進行優化而無需過程的機理或統計模型,首先在煉油廠潤滑油酮苯蠟裝置獲得成功應用,并推廣到煉油廠催化裂化等裝置應用[124].

黃德先等針對在線實時優化問題中精餾過程不能平穩運行和不易建立精確模型的兩大難題,提出了一種集動態控制與穩態優化于一體的實時優化方法.該方法基于對精餾塔的物料平衡、組分平衡與其動態特性的深入剖析,以精餾過程中塔頂輕產品量和塔底重產品量比率(稱為輕重產品比率η)和分離度(在工藝設備確定后,取決于塔頂和塔底溫差和生產過程的平穩程度)這兩個影響分餾產品質量和運行穩定的決定性因素作為控制指標,首先保證產品質量平穩,然后建立一種既滿足優化精度而又易于計算的代理模型,最終解決了在線實時優化問題,從而為實現提高高價值產品產率與降低能耗的目標,在煉油廠氣分裝置上獲得成功應用并推廣到其他裝置上應用[125?126].

4 煉油過程先進控制存在的問題與解決思路

自從20世紀中期以來,許多新的控制方法都在煉油生產過程中進行了應用實踐,并已經成為大型生產裝置不可分割的重要組成部分,成為衡量其現代化水平的一個重要標志,也引領了在其他過程工業中的應用.

應當指出,由于煉油工業過程的原油成份多變,制約了以模型預測控制為核心的先進控制程技術進一步發揮作用,原因在于以先進控制實現油品質量控制大多依賴于軟測量,而我國煉油行業加工原油來源繁雜、品質低劣,原油性質變化頻繁對軟測量模型精度的影響遠甚于對控制模型精度的影響.如果軟測量估計精度無法滿足油品質量控制的安全平穩,就更談不上獲取重大經濟收益的卡邊優化控制,使先進控制的效能大打折扣.目前,應用先進控制的場合大多采用比較寬的質量指標約束區域或采用比較低的加權系數,以避開油品質量直接閉環控制的難題,但是這樣就失去了先進控制的應用的價值.因而,在原油成份頻繁變化等的實際生產條件下,如何充分發揮先進控制的優勢是國內外煉油行業共同面對的難題.

解決的出路在于如何能夠消除原油成分頻繁變化對軟測量模型精度的影響,也即設法降低原油成分的變化頻度,調度優化的目標正是在滿足市場需求的條件下,盡量不改變或少改變原料的成分,從而保持生產過程的平穩,可以說調度優化正是滿足生產正常運行并追求煉油生產全流程優化的重要保障.考慮到煉油生產過程的原料(原油)是一個組成極為復雜的混合物,且基本都是可以利用的有效成分,因而有效充分地利用原料是調度優化的重要的也是極為困難的任務.同樣,模型的準確描述也是阻礙調度優化的瓶頸問題.

煉油過程的復雜性決定了建立調度模型的難度:

1)不同的原油進料,其各種成品油產品收率、油品標號、硫含量、重金屬含量不同,加工成本和能耗也不同,即不能用一個單一模型來描述煉油生產過程用來進行調度優化.

2)即使進料原油不變,由于生產方案不同,產品加工方案不同,各種成品油收率、油品標號、硫含量、重金屬含量及加工成本和能耗也不同;更為嚴重的是,生產裝置操作不平穩或者不能按照調度方案所期望的操作方案執行的情況,所建的調度優化模型難以適應.

3)由于生產流程長,不同的調度方案,其執行時間和代價可能差別很大,比如通過調整上游裝置(最上游是調整原油進料的配比)的調度方案比僅調整下游裝置的調度方案執行過程緩慢得多,而且受影響的生產裝置更多.傳統的調度建模方法難以適應這種狀況,也缺少相應的求解方法.

這些特殊問題使現有的調度模型或者不能適應實際調度需求,或者因缺乏實現途徑而成為空中樓閣,使得現有調度優化方法難以發揮作用.目前使用的單一模型難以準確反映多種進料原油和多種裝置優化操作方案的實際狀況,即使有些文獻提出了多模型方案,僅靠調度領域自身和傳統的建模途徑也是難以實現.煉油生產過程調度優化問題,盡管學術界報道較多[127?128],卻鮮見成功的應用案例,其中有些探討實質上涉及的是計劃優化.在工業界應用最多的當屬Aspen公司的Aspen Orion,作為交互式調度排產作業的驗證平臺,它并沒有解決過程模型描述以及全廠調度優化大規模優化求解問題.Honeywell公司的Business Flex試圖解決全流程調度優化的問題,但也因難以實現滿足調度優化的過程模型準確描述問題而未見成功應用的報導.目前的調度主要憑調度人員的經驗來保障生產的連續安全運行,特別是針對產品和原料的市場供需變化以及某個生產裝置的不正常運行所導致停產、限產,都需要調度人員人工應急處理.由于生產過程的動態過渡過程時間長和產品變化需求快,調度人員往往采用過調的方式,這樣就更加劇了生產過程運行方案的頻繁切換,致使煉油生產的原料切換、裝置操作條件變化頻繁,使得生產過程上下波動,無法平穩運行,使先進控制和實時優化難以充分發揮作用.可見,真正實現優化調度正好可以解決先進控制實施中的難題.

目前國內智能煉廠示范企業采用的是基于線性模型的計劃優化結果,通過流程模型進行迭代校正,以增加計劃優化的可實現性,從而試圖減少調度優化的困難,實現計劃優化與調度優化的一體化.但仍然未能解決適應不同原油、不同操作模式的模型描述問題,仍然無法實現調度的優化和快速調度的需求.總之,對煉油工業過程控制而言,目前存在著在原油品質和性質多變情況下軟測量模型的精度問題、在不同原油和不同操作模式下調度模型的描述問題、大規模優化問題的求解等難題,這些問題對于進一步有效地實施先進控制至關重要,需要盡快加以研究,得出有效的結果.

黃德先等從煉油生產過程全局出發,提出了全流程集成優化控制與調度優化的綜合解決思路,給出一種面向原油性質分類和有限操作優化模式的多維模型描述結構,即通過對歷史生產操作數據按原油和操作模式進行分類,建立基于裝置級先進控制和卡邊優化的煉油生產裝置的初始多維調度優化模型描述體系.該模型描述體系按原油性質和有限種操作優化模式分類建模,使原來隨機問題轉換為工程意義上的確定性建模問題.基于該多維調度優化模型并考慮執行時間和代價的煉油生產過程調度優化智能決策方法,為各生產裝置的先進控制和運行優化提供更好的運行條件,實現更安全平穩操作和卡邊優化運行效果,并利用此調度優化實施后的生產數據更新改進多維調度優化模型準確性,通過此全流程調度優化與裝置級優化控制的良性互動,實現整個煉油生產過程的全流程優化運行[129?130].初步的研究與驗證結果表明了該方法的可行性和應用前景,可以預期這一思路能夠為解決煉油企業在生產調度優化和先進控制實施中的應用難題開辟一條可行的新路[131?135].

5 發展趨勢展望

進入人們稱之為知識時代的21世紀,新的理論、知識與技術對過程控制的發展產生了更深遠的影響,學科間的交叉和計算機、通信等各種技術的融合應用與集成使得自動化發生了質的飛躍,已完全突破了傳統過程控制的范疇,將控制理論,信息論和系統論相結合,并在計算機技術,通信技術和網絡技術等的支持下,形成了更為廣泛的綜合自動化系統,此時的過程控制已由制造過程的控制延伸到生產管理、經營管理和決策等過程,即綜合自動化的階段.流程工業綜合自動化也稱為流程工業CIMS,包括了過程控制系統(Process control system,PCS)、制造執行系統(Manufacturing execusion system,MES)和經營計劃系統(Business planning system,BPS,此層又被稱為企業資源規劃層,即Enterprise resource planning,ERP)等三層結構[3,136].經過長期努力,綜合自動化在煉油工業得到快速的發展和應用,已經部分實施的結果表明,綜合自動化能夠獲得顯著的經濟和社會效益.中國石油化工九江石化分公司成為2015年工業信息部第一批智能工廠示范企業的成員,表明煉油企業已開始進入了追求智能制造的時代,無論在理論上或技術上都面臨著巨大的挑戰.

如前所述,煉油過程綜合自動化的主要困難在于過程復雜、原料多變,導致建模困難,調度優化和控制相互制約.前述全流程集成優化控制與調度優化的綜合解決新思路,通過基于原油性質分類和有限種操作優化模式的多維模型描述結構提供了具有實踐意義的建模思路,通過調度優化智能決策提供了調度優化的方法,通過全流程調度優化和裝置級控制的互動提供了二者相互支持的實現途徑,為煉油生產過程全流程優化、經營決策及智能制造方面的進一步研究應用打下了堅實的基礎.圖1給出了面向原油性質分類和有限操作優化模式的多維模型描述基礎上的進一步研究和應用方向.

圖1 面向原油性質分類和有限操作優化模式的多維模型的研究與應用Fig.1 The research and application of the multidimensional model on the classi fication of crude oil properties and limited number of operation optimization modes

煉油主體過程解決方案已經具備實踐意義和條件.在此基礎上,進一步研究拓展調度優化方法,以提高效率,可以延展調度優化周期,實現廠級計劃優化與調度優化一體化,從而在更長時間周期上實現全局最優.同時,以煉油主體過程為基礎,綜合公用工程環節,可以擴展廠級優化的空間覆蓋,為現在的諸如蒸汽能源優化、瓦斯氣平衡、氫氣平衡等之類的資源平衡和利用提供了更好的模型描述.這樣就把過去按照對未來的供需預測的優化調度隨機優化問題轉換為按原油性質分類和有限種操作優化工程意義上的確定性優化問題,大大降低了公用工程調度優化的難度、提高能源和資源利用水平,也使包括公用工程的整體生產調度優化成為可能.另一個維度,則可以考慮廠際協同,從集團公司的層面實現各煉廠之間的原油分配和計劃指標優化以及原油采購優化.由于其采用更為精細化的模型,并能夠根據各下屬廠的及時、可靠的自動更新,必將比現在PIMS(Process industry modeling system)優化取得更大的效益提升.作為解決思路的關鍵,調度優化和裝置級控制的相互支持可以在系統長期運行的基礎上,積累大量有效數據,對過程模型進行在線自更新.總體上,過程模型的建立和更新、調度優化模型的建立和求解、決策作為主要內容,將為智能煉油提供重要的支撐.

煉油過程中的大數據除了具有所謂的海量、高速、多樣特征外[137],還具有數據多率性、過程動態性、邏輯隱蔽性以及知識層次性等特殊的性質,因而如何充分利用煉油企業大數據獨特特性,實現在調度知識的自動獲取的基礎上建設煉油企業生產調度知識自動化系統,是一個重要的研究方向.煉油企業MES系統的廣泛應用,使得獲取豐富的生產過程數據和經營數據成為可能,同時來自工業互聯網、數據倉庫的大量數據也提供了海量的待利用信息資源.大數據、云計算、物聯網、知識自動化等理念和技術的到來,使得挖掘和利用這些信息資源及其所蘊含的知識成為可能,揭示了深度開發數據和智力資源、深化工業革命的時代已經來臨.在這一歷史進程中,基于大數據、以數據驅動的自動化知識將是關鍵的核心支撐科學和技術[138].

不論是過程模型還是調度優化模型都是基于過程大數據和知識自動化的.過程大數據的多率性、動態性、邏輯隱蔽性和知識層次性對數據自動處理和解析技術必將提出特殊的挑戰.對象的時變特征和過程的不確定性因素對模型更新的數據檢驗和更新準則都有智能化的要求.隨著在時間、空間維度上的擴張,各種層級的集成框架和優化方法都將成為有意義的課題,智能決策和優化不論是基于數學規劃方法還是智能推理方法都是值得研究的方向.

時代的進步賦予過程控制更為深遠的內涵,理論與技術的發展給予過程控制嶄新的手段與工具.過程控制有著誘人的前景,讓我們共同努力,迎接一個嶄新的智能制造和無人工廠的新工業時代吧.

1 Li Li,Bai Xue-Song.The suggestion of the product quality upgrading for the development of China0s re finery industry.Chemical Industry,2006,34(5):15?20(李莉,白雪松.我國煉油行業發展及成品油質量升級建議.化學工業,2016,34(5):15?20)

2 Jin Yi-Hui,Wang Shi-Fu,Wang Gui-Zeng.Developments and prospects of process control.Control Theory and Applications,1997,14(2):145?151(金以慧,王詩宓,王桂增.過程控制的發展與展望.控制理論與應用,1997,14(2):145?151)

3 Huang De-Xian,Wang Jing-Chun,Jin Yi-Hui.Process Control System.Beijing:Tsinghua University Press,2001.(黃德先,王京春,金以慧.過程控制系統.北京:清華大學出版社,2011.)

4 Qian Xue-Sen,Song Jian.Engineering Cybernetics.Beijing:Science Press,1981.(錢學森,宋健.工程控制論.北京:科學出版社,1981.)

5 Yuan Pu.Development and application of advanced process control in petroleum re fining industry.Petroleum Processing and Petrochemicals,1994,25(10):28?33(袁璞.煉油過程先進控制技術的發展與應用.石油煉制與化工,1994,25(10):28?33)

6 Rosenbrock H H.Computer-aided Control System Design.London:Academic Press,1974.

8 EykhoffP.System Identi fication:Parameter and State Estimation.Chichester,England:Wiley,1974.

10 Clarke D W,Gawthrop J P.Self-tuning controller.Proceedings of the Institution of Electrical Engineers,1975,122(9):929?934

11 Landau I D.A survey of model reference adaptive techniques-theory and applications.Automatica,1974,10(4):353?379

12 Chien I L,Mellichamp D A,Seborg D E.A multivariable self-tuning control strategy for distillation columns.Industrial and Engineering Chemistry Process Design and Development,1986,25(3):595?600

13 Seborg D E,Shah S L,Edgar T F.Adaptive control strategies for process control:a survey.AIChE Journal,1986,32(6):881?913

14 Goodwin G C,Sin K S.Adaptive Filtering Prediction and Control.Englewood Cliffs,NJ:Prentice-Hall,1984.

15 Wu Hong-Xin,Yuan Zhu-Zhi,Wang Xian-Lai,Cai Ji-Bing,Chen Zong-Ji,Xu Ning-Shou,Li Qing-Quan,Shu Di-Qian.Application and development of adaptive control technology.In:Proceedings of the 1991 Annual Conference on Control Theory and Application(1).Weihai,China:Chinese Automation Society,Control Theory,Specialized Committee,1991.1?7(吳宏鑫,袁著祉,王先來,蔡季冰,陳宗基,徐寧壽,李清泉,舒迪前.自適應控制技術的應用和發展.1991年控制理論及其應用年會論文集(上).威海,中國:中國自動化學會控制理論專業委員會,1991.1?7)

16 Zhao Da-Yong,Chai Tian-You.Adaptive internal model control method and its application to grinding process.Control Engineering of China,2009,16(4):426?428,431(趙大勇,柴天佑.自適應內模控制方法在磨礦過程中的應用.控制工程,2009,16(4):426?428,431)

17 Jia Yao,Zhang Li-Yan,Chai Tian-You.Based on fuzzy adaptive control of model predictive in slurry neutralization process.Journal of Northeastern University(Natural Science),2014,35(5):617?621(賈瑤,張立巖,柴天佑.礦漿中和過程中基于模型預估模糊自適應控制.東北大學學報(自然科學版),2014,35(5):617?621)

18 Wang Ying-Chun,Wu Hong-Xin,Geng Chang-Fu.An adaptive fuzzy controller and its application in the process control of aluminum electrolysis.Control Engineering of China,2001,(4):8,21?26(王迎春,吳宏鑫,耿長福.一種自適應模糊控制器及其在電解鋁過程控制中的應用.控制工程,2001,(4):8,21?26)

19 Li Xiang-Yang,Zhu Xue-Feng,Huang Dao-Ping,Liu Huan-Bin.Adaptive inferential control and its application to a batch pulping process.Industrial Instrumentation and Automation,2001,(3):45?48(李向陽,朱學峰,黃道平,劉煥彬.自適應推理控制及在間歇制漿蒸煮過程中的應用.工業儀表與自動化裝置,2001,(3):45?48)

20 Zadeh L A.Fuzzy algorithms.Information and Control,1968,12(2):94?102

21 Zadeh L A.Outline of a new approach to the analysis of complex systems and decision process.IEEE Transactions on Systems,Man,and Cybernetics,1973,SMC-3(1):28?44

22 Mamdani E H.Application of fuzzy algorithms for control of simple dynamic plant.Proceedings of the Institution of Electrical Engineers,1974,121(12):1585?1588

23 Tanaka K,Sugeno M.Stability analysis and design of fuzzy control system.Fuzzy Sets and Systems,1992,45(2):135?156

24 Deng Zi-Li,Ren Yong-Tang,Huang Xian-Ri.Multivariable decoupling fuzzy control system for a large crude oil distillation unit.Acta Automatica Sinica,1993,19(6):750?752(鄧自立,任永堂,黃先日.大型煉油常減壓裝置多變量解耦模糊控制系統.自動化學報,1993,19(6):750?752)

25 Abilov A G,Zeybek Z,Tuzunalp O,Telatar Z.Fuzzy temperature control of industrial re fineries furnaces through combined feedforward/feedback multivariable cascade systems.Chemical Engineering and Processing,2002,41(1):87?98

26 Zhang Ri-Dong,Su Cheng-Li,Zhang Jian-Ming,Wang Shu-Qing,Mao Guo-Ping,Wei Shao-Yi,Zheng Wei.Liquid level control system based on fuzzy rules.Control Engineering of China,2006,13(4):320?323(張日東,蘇成利,張建明,王樹青,毛國平,魏少毅,鄭瑋.基于模糊規則的液位控制系統.控制工程,2006,13(4):320?323)

27 Huang He,Li De-Wei,Xi Yu-Geng.On design ofH2/H∞mixed RMPC based on multi-step control strategy.Acta Automatica Sinica,2012,38(6):944?950(黃鶴,李德偉,席裕庚.基于多步控制策略的混合H2/H∞魯棒預測控制器設計.自動化學報,2012,38(6):944?950)

28 Al-Gherwi W,Budman H,Elkamel A.Robust distributed model predictive control:a review and recent developments.The Canadian Journal of Chemical Engineering,2011,89(5):1176?1190

29 Shen Guo-Jiang,Zhong Wei-Sheng,Liu Xiang,Sun You-Xian.Robust fuzzy-PID for a class of typical systems with large time varying time delay and its application.Control Theory and Applications,2002,19(6):892?896(沈國江,衷衛聲,劉翔,孫優賢.典型大時變時滯系統的魯棒fuzzy-PID 控制及應用.控制理論與應用,2002,19(6):892?896)

30 Gui Wei-Hua,Xie Yong-Fang,Wu Min,Chen Ning.Decentralized robust control for uncertain interconnected systems with time-delay based on LMI approach.Acta Automatica Sinica,2002,28(1):155?159(桂衛華,謝永芳,吳敏,陳寧.基于LMI的不確定性關聯時滯大系統的分散魯棒控制.自動化學報,2002,28(1):155?159)

31 Dai Lian-Kui,Lv Yong-Zai.Decentralized robust control for a reactor-regenerator system in fluidized catalytic cracking unit.Information and Control,1988,(1):5?10(戴連奎,呂勇哉.催化裂化反應再生系統的分散魯棒控制.信息與控制,1988,(1):5?10

32 Chen Xing,Li Dong-Hai,Zhu Min,Tian Ling-Ling,Wang Wei-Jie.Robust control of combustion oscillation based on observer.Proceedings of the CSEE,2009,29(11):96?104(陳星,李東海,朱民,田玲玲,王維杰.基于觀測器的燃燒振蕩魯棒控制.中國電機工程學報,2009,29(11):96?104)

33 Richaje J,Rault A,Testud J L,Papon J.Model predictive heuristic control:applications to industrial processes.Automatica,1978,14(5):413?428

34 Cutler C R,Remaker B L.Dynamic matrix control–a computer control algorithm.In:Proceedings of the 1980 Joint Automatic Control Conference.New York,USA:IEEE,1980.

35 Rouhani R,Mehra R K.Model algorithmic control(MAC):basic theoretical properties.Automatica,1982,18(4):401?414

36 Qin S J,Badgwell T A.A survey of industrial model predictive control technology.Control Engineering Practice,2003,11(7):733?764

37 Xi Yu-Geng.Predictive Control.Beijing:National Defense Industry Press,1993.(席裕庚.預測控制.北京:國防工業出版社,1993.)

38 Yuan Pu.Dynamic Mathematical Model of Production Process and Its Application.Beijing:China Petrochemical Publishing House,1994.(袁璞.生產過程動態數學模式及其在線應用.北京:中國石化工出版社,1994.)

39 Xi Yu-Geng,Zhang Zhong-Jun.A new type of computer control algorithm:predictive control algorithm.Control Theory and Applications,1985,2(3):1?9(席裕庚,張鐘俊.一類新型計算機控制算法:預測控制算法.控制理論與應用,1985,2(3):1?9)

40 Yuan Pu.Predictive control and its application in petrochemical process.Industrial Process Modeling and Control.Hangzhou:Zhejiang University Press,1987.(袁璞.預估控制及其在石油化工過程的應用.工業過程模型化與控制.杭州:浙江大學出版社,1987.)

41 Yuan Zhu-Zhi.Recursive generalized predictive STC.Acta Automatica Sinica,1989,15(4):348?351(袁著祉.遞推廣義預測自校正控制器.自動化學報,1989,15(4):348?351)

42 Zhang Yuan,Sun Ming-Wei,Chen Zeng-Qiang,Yuan Zhu-Zhi.Generalized predictive control algorithm based on extended state observer.Journal of Systems Science and Mathematical Sciences,2014,34(11):1366?1378)(張園,孫明瑋,陳增強,袁著祉.基于擴張狀態觀測器的廣義預測控制.系統科學與數學,2014,34(11):1366?1378)

43 Shu Di-Qian,Liu Li,Hu Yi-Shun.Multivariable self-tuning regulator and its application to electrically heated furnaces.Acta Automatica Sinica,1985,11(1):21?29(舒迪前,劉立,轷一順.多變量自校正調節器及其在電加熱爐上的應用.自動化學報,1985,11(1):21?29)

44 Tang Zhao-Hui,Wang Wei,Liu Jin-Ping,Gui Wei-Hua,Yang Chun-Hua.Predictive control of reagent-addition amount based on PDF model of bubble size in copper roughing flotation process.Journal of Central South University(Science and Technology),2015,46(3):856?863(唐朝暉,王偉,劉金平,桂衛華,陽春華.基于泡沫尺寸PDF模型的銅粗選過程加藥量預測控制.中南大學學報(自然科學版),2015,46(3):856?863)

45 Yuan Zhen-Dong.Generalized predictive control based on an ARMAX model.Control Theory and Applications,1988,5(1):12?17(袁震東.基于ARMAX模型的廣義預測控制.控制理論與應用,1988,5(1):12?17)

46 Wang Wei.A direct adaptive generalized predictive control algorithm and global convergence analyses.Acta Automatica Sinica,1995,21(1):57?62(王偉.廣義預測自適應控制的直接算法及全局收斂性分析.自動化學報,1995,21(1):57?62)

47 Wang Wei.A direct method of generalized adaptive predictive control.Acta Automatica Sinica,1996,22(3):270?277(王偉.一種廣義預測自適應控制的直接方法.自動化學報,1996,22(3):270?277)

48 Wang Wei,Yang Jian-Jun.Generalized predictive contol:theory,algorithm and application.Control Theory and Applications,1997,14(6):777?786(王偉,楊建軍.廣義預測控制:理論、算法與應用.控制理論與應用,1997,14(6):777?786)

49 Wang Wei,Yang Jian-Jun.Receding horizon predictive control for systems with input constraints.Acta Automatica Sinica,2002,28(2):251?255(王偉,楊建軍.輸入受限系統的滾動時域預測控制.自動化學報,2002,28(2):251?255)

50 Wang Wei.Generalized predictive control of nonlinear systems of the Hammerstein form.Control Theory and Applications,1994,11(6):672?680(王偉.具有Hammerstein形式的非線性系統廣義預測控制.控制理論與應用,1994,11(6):672?680)

51 Guo Ge,Wang Wei,Chai Tian-You.A robust predictive control method and its application in continuous casting process.Journal of Iron and Steel Research,1998,10(3):21?24(郭戈,王偉,柴天佑.一種魯棒預測控制方法及其在連鑄中的應用.鋼鐵研究學報,1998,10(3):21?24)

52 Zhang Ming,Wang Shi-Fu.Predicted-error-based model algorithm control.Journal of Tsinghua University,1990,30(1):89?95(張明,王詩宓.基于預測偏差的模型算法控制.清華大學學報(自然科學版),1990,30(1):89?95)

53 Yuan Pu.Single prediction predictive control.Journal of the University of Petroleum,China,1992,16(5):100?109(袁璞.單值預估控制.石油大學學報(自然科學版),1992,16(5):100?109)

54 Zheng Hai-Tao,Yuan Pu.Research on stability of generalized predictive control.Acta Automatica Sinica,1993,19(4):493?496(鄭海濤,袁璞.廣義預估控制的穩定性研究.自動化學報,1993,19(4):493?496)

55 Yuan Pu,Zuo Xin,Zheng Hai-Tao.State variable feedback predictive control.Acta Automatica Sinica,1993,19(5):569?577(袁璞,左信,鄭海濤.狀態反饋預估控制.自動化學報,1993,19(5):569?577)

56 Huang De-Xian,Tian Xue-Min,Yuan Pu,Zhou Xiang-Yun,Li Hua,Yang Ming-Bin.A control strategy for time delay process.Control and Instruments in Chemical Industry,1995,22(6):10?14(黃德先,田學民,袁璞,周湘云,李華,楊名濱.預估控制策略在大純滯后過程中的應用.化工自動化及儀表,1995,22(6):10?14)

57 Tian Xue-Min,Huang De-Xian,Yuan Pu.Coordination controller for multivariable constraints process.Journal of the University of Petroleum,China,1995,19(6):102?105(田學民,黃德先,袁璞.多變量約束過程的預估協調控制.石油大學學報,1995,19(6):102?105)

58 Zhu X F,Seborg D E.Nonlinear predictive control based on Hammerstein models.Control Theory and Applications,1995,11(5):564?575

59 Chen Yue,An Xie-Nan,Gao Dong-Jie.Further research on uni fied predictive control using internal model structure.Acta Automatica Sinica,1999,25(4):441?448(陳悅,安燮南,高東杰.內模統一預測控制的進一步分析.自動化學報,1999,25(4):441?448)

60 Xi Yu-Geng,Li De-Wei,Lin Shu.Model predictive controlstatus and challenges.Acta Automatica Sinica,2013,39(3):222?236(席裕庚,李德偉,林姝.模型預測控制– 現狀與挑戰.自動化學報,2013,39(3):222?236)

61 Li S Y,Xi Y G,Chen Z Q,Yuan Z Z.Cascade generalized predictive control applied to biaxial film production process.Control Theory and Applications,2001,18(6):876?881

62 Xie Ya-Jun,Ding Bao-Cang,Chen Qiao.Double-layered model predictive control of state-space model.Control Theory and Applications,2017,34(1):69?74(謝亞軍,丁寶蒼,陳橋.狀態空間模型的雙層結構預測控制算法.控制理論與應用,2017,34(1):69?74)

63 Huang De-Xian,Ye Xin-Yu,Zhu Jian-Min,Li Xiu-Gai.Advanced Control of Chemical Process.Beijing:Chemical Industry Press,2006.(黃德先,葉心宇,竺建敏,李秀改.化工過程先進控制.北京:化學工業出版社,2006.)

64 Zhang Guang-Fan,Chen Shao-Dong,Li Cheng-Dong,Shao Hui-He.Application of multivariable constrained control on Largescale FCCU–online control and optimization.Control and Instruments in Chemical Industry,1999,26(3):4?8(張廣凡,陳紹東,李成東,邵惠鶴.多變量約束控制在大型FCCU裝置中的應用(下)– 在線優化控制.化工自動化及儀表,1999,26(3):4?8)

65 Wang Jing-Chun,Jin Yi-Hui,Gu Jian,Li Yan-Ting.Nonlinear advanced control software SMART-NLS and its application.Acta Automatica Sinica,2000,26(SB):135?139(王京春,金以慧,顧健,李延亭.非線性先進控制軟件SMARTNLS及其應用.自動化學報,2000,26(SB):135?139)

66 Zhang Ri-Dong,Wang Shu-Qing,Li Ping.Support vector machine based on predictive control for nonlinear systems.Acta Automatica Sinica,2007,33(10):1066?1073(張日東,王樹青,李平.基于支持向量機的非線性系統預測控制.自動化學報,2007,33(10):1066?1073)

67 Huang De-Xian,Wang Jing-Chun,Jin Yi-Hui.Research on multivariable predictive controller(SMART)and its application in atmospheric and vacuum distillation unit.China Petrochemical—Science and Technology Information Guide.2001.105?108(黃德先,王京春,金以慧.多變量預測控制器(SMART)的研究及在常減壓裝置上的應用.中國石油化工–科技信息指南.2001.105?108)

68 Zhao Jun,Li Tian-Peng,Qian Ji-Xin.Key technology and industrial application of model predictive control engineering software.Journal of Jilin University(Information Science Edition),2004,22(4):341?345(趙均,李田鵬,錢積新.模型預測控制工程軟件關鍵技術及其工業應用.吉林大學學報(信息科學版),2004,22(4):341?345)

69 Su Hong-Ye,Chu Jian.Development and application of advanced control software in production process of process industry.Automation Panorama,2003,20(S):63?67(蘇宏業,褚健.流程工業生產過程先進控制軟件的開發與應用.自動化博覽,2003,20(S):63?67)

70 Lv Wen-Xiang,Zhang Jin-Zhu,Jiang Ben-Ben,Luan Zhi-Ye,Huang De-Xian.Thermal-coupling-oriented integrated control and optimization of distillation process.CIESC Journal,2013,64(12):4319?4324(呂文祥，張金柱，江奔奔，欒志業，黃德先,熱集成耦合的精餾過程控制,化工學報,2013,6412:4319?4324)

71 Zhang W Y,Huang D X,Wang Y D,Wang J C.Adaptive state feedback predictive control and expert control for a delayed coking furnace.Chinese Journal of Chemical Engineering,2008,16(4):590?598

72 Yu X D,Huang D X,Jiang Y H,Jin Y H.Iterative learning belief rule-base inference methodology using evidential reasoning for delayed coking unit.Control Engineering Practice,2012,20(10):1005?1015

73 Qi L G,Gao X Y,Huang D X,Wang L,Wang H J,Song S G.A novel comprehensive solution for furnace integrating outlet parametric variable control and online thermal efficiency optimization.In:Proceedings of the 34th Chinese Control Conference(CCC).Hangzhou,China:IEEE,2015.4139?4144

74 van den Bos A,EykhoffP.Model building and parameter estimation as means for intelligent measurement.Measurement,1988,6(1):25?32

75 Brosilow C,Tong M.Inferential control of processes:part II.The structure and dynamics of inferential control systems.AIChE Journal,1978,24(3):492?500

76 Yu Jin-Shou.Soft sensing technology and its application.Process Automation Instrumentation,2008,29(1):1?7(俞金壽.軟測量技術及其應用.自動化儀表,2008,29(1):1?7)

77 Yu Jin-Shou,Liu Ai-Lun,Zhang Ke-Jin.Soft Measurement Technology and Its Application in Petrochemical Industry.Beijing:Chemical Publishing House,2000.(俞金壽,劉愛倫,張克進.軟測量技術及其在石油化工中的應用.北京:化工出版社,2000.)

78 Li Hai-Qing,Huang Zhi-Yao.The Principle and Application of Soft Measurement Technology.Beijing:Chemical Publishing House,2000.(李海青,黃志堯.軟測量技術原理及應用.北京:化工出版社,2000.)

79 Nomikos P,MacGregor J F.Monitoring batch processes using multiway principal component analysis.AIChE Journal,1994,40(8):1361?1375

80 Qin S J.Recursive PLS algorithms for adaptive data modeling.Computers and Chemical Engineering,1998,22(4?5):503?514

81 Camacho J,Picó J,Ferrer A.Bilinear modelling of batch processes.Part II:a comparison of PLS soft-sensors.Journal of Chemometrics,2008,22(10):533?547

82 Zamprogna E,Barolo M,Seborg D E.Estimating product composition pro files in batch distillation via partial least squares regression.Control Engineering Practice,2004,12(7):917?929

83 Zamprogna E,Barolo M,Seborg D E.Optimal selection of soft sensor inputs for batch distillation columns using principal component analysis.Journal of Process Control,2005,15(1):39?52

84 Sharmin R,Sundararaj U,Shah S,Van de Griend L,Sun Y J.Inferential sensors for estimation of polymer quality parameters:industrial application of a PLS-based soft sensor for a LDPE plant.Chemical Engineering Science,2006,61(19):6372?6384

85 Kaneko H,Arakawa M,Funatsu K.Development of a new soft sensor method using independent component analysis and partial least squares.AIChE Journal,2009,55(1):87?98

86 Yan W W,Shao H H,Wang X F.Soft sensing modeling based on support vector machine and Bayesian model selection.Computers and Chemical Engineering,2004,28(8):1489?1498

87 Desai K,Badhe Y,Tambe S S,Kulkarni B D.Soft-sensor development for fed-batch bioreactors using support vector regression.Biochemical Engineering Journal,2006,27(3):225?239

88 Wang X D,Luo R F,Shao H H.Designing a soft sensor for a distillation column with the fuzzy distributed radial basis function neural network.In:Proceedings of the 35th IEEE Conference on Decision and Control.Kobe,Japan:IEEE,1996,2:1714?1719

89 de Assis A J,Filho R M.Soft sensors development for online bioreactor state estimation.Computers and Chemical Engineering,2000,24(2?7):1099?1103

90 Qin S J.Neural networks for intelligent sensors and control-practical issues and some solutions.Neural Systems for Control.San Diego:Academic Press,1997.213?234

91 Zhang Xiao-Tian,Yan Xue-Feng,Qian Feng.Soft sensor of PDU naphtha dry point based on multiple neural network.Control Engineering of China,2004,11(S):52?54,64(張笑天,顏學峰,錢鋒.基于多神經網絡模型的石腦油干點軟測量.控制工程,2004,11(S):52?54,64)

92 Zhang J.Inferential feedback control of distillation composition based on PCR and PLS models.In:Proceedings of the 2001 American Control Conference.Arlington,VA,USA:IEEE,2001,2:1196?1201

93 Lv Wen-Xiang,Huang De-Xian,Jin Yi-Hui.Improved softsensor method and its applications to crude unit product quality.Control Engineering of China,2004,11(4):296?298,324(呂文祥,黃德先,金以慧.常壓蒸餾產品質量軟測量改進方法及應用.控制工程,2004,11(4):296?298,324)

94 Lv Wen-Xiang,Bai Liang,Huang De-Xian,Jiang Yong-Heng,Liu Xian-Guang,Zhu Chao-Bin,Li Zhan-Long,Zhang Dai-Xin.Advanced process control of CDU aiming to diversity of crude oil.CIESC Journal,2009,60(10):2522?2528(呂文祥,擺亮,黃德先,江永亨,劉先廣,朱朝賓,李占龍,張代欣.針對原油性質變化的常減壓先進控制研究與應用.化工學報,2009,60(10):2522?2528)

95 Zhou C,Liu Q Y,Huang D X,Zhang J.Inferential estimation of kerosene dry point in re fineries with varying crudes.Journal of Process Control,2012,22(6):1122?1126

96 Zhu Ying,Liu Qi-Yue,Lv Wen-Xiang,Jiang Yong-Heng,Huang De-Xian.Inferential estimation of kerosene dry point via piecewise linear approximation.CIESC Journal,2010,61(8):2035?2039(朱鷹,劉祁躍,呂文祥,江永亨,黃德先.基于分片線性近似方法的煤油干點估計.化工學報,2010,61(8):2035?2039)

97 Shang C,Yang F,Huang D X,Lv W X.Data-driven soft sensor development based on deep learning technique.Journal of Process Control,2014,24(3):223?233

98 Yuan P,Huang D X,Cong S B.On-line applications of dynamic model for FCCU.In:Proceedings of the 1991 ADCHEM.France,1991.

99 Wang Wei,Yang Jian-Jun,Lv Bo.Robust model predictive control method based on state observer.Control and Decision,2001,16(5):557?560,564(王偉,楊建軍,呂博.基于觀測器的魯棒模型預測控制算法.控制與決策,2001,16(5):557?560,564)

100 Kaspar M H,Ray W H.Chemometric methods for process monitoring and high-performance controller design.AIChE Journal,1992,38(10):1593?1608

101 Kano M,Miyazaki K,Hasebe S,Hashimoto I.Inferential control system of distillation compositions using dynamic partial least squares regression.Journal of Process Control,2000,10(2?3):157?166

102 Facco P,Doplicher F,Bezzo F,Barolo M.Moving average PLS soft sensor for online product quality estimation in an industrial batch polymerization process.Journal of Process Control,2009,19(3):520?529

103 Himmelblau D M.Accounts of experiences in the application of arti ficial neural networks in chemical engineering.Industrial and Engineering Chemistry Research,2008,47(16):5782?5796

104 Shakil M,Elshafei M,Habib M A,Maleki F A.Soft sensor for NOxand O2using dynamic neural networks.Computers and Electrical Engineering,2009,35(4):578?586

105 Shang C,Huang X L,Suykens J A K,Huang D X.Enhancing dynamic soft sensors based on DPLS:a temporal smoothness regularization approach.Journal of Process Control,2015,28:17?26

106 Shang C,Gao X Q,Yang F,Lv W X,Huang D X.A comparative study on improved DPLS soft sensor models applied to a crude distillation unit.IFAC-PapersOnLine,2015,48(8):234?239

107 Shang C,Huang B,Yang F,Huang D X.Probabilistic slow feature analysis-based representation learning from massive process data for soft sensor modeling.AIChE Journal,2015,61(12):4126?4139

108 Shang C,Yang F,Gao X Q,Huang D X.Extracting latent dynamics from process data for quality prediction and performance assessment via slow feature regression.In:Proceedings of the 2015 American Control Conference(ACC).Chicago,IL,USA:IEEE,2015.912?917

109 Narendra K S,Parthasarathy K.Identi fication and control of dynamical systems using neural networks.IEEE Transactions on Neural Networks,1990,1(1):4?27

110 Shaw A M,Doyle III F J,Schwaber J S.A dynamic neural network approach to nonlinear process modeling.Computers and Chemical Engineering,1997,21(4):371?385

111 Luo Jian-Xu,Shao Hui-He.Developing dynamic soft sensors using multiple neural networks.Journal of Chemical Industry and Engineering(China),2003,54(12):1770?1773(羅健旭,邵惠鶴.應用多神經網絡建立動態軟測量模型.化工學報,2003,54(12):1770?1773)

112 Mao Shuai,Xiong Zhi-Hua,Xu Yong-Mao,Zhuang Ai-Xia,Huang Hai-Long,Wang Li-Qun.Dynamic soft-sensor model of diesel oil solidifying point on a crude distillation unit.Control Engineering of China,2005,12(4):342?345(毛帥,熊智華,徐用懋,莊愛霞,黃海龍,王立群.常壓塔柴油凝點動態軟測量模型的研究.控制工程,2005,12(4):342?345)

113 Du Wen-Li,Guan Zhen-Qiang,Qian Feng.Dynanic soft sensor modeling based on time series error compensation.CIESC Journal,2010,61(2):439?443(杜文莉,官振強,錢鋒.一種基于時序誤差補償的動態軟測量建模方法.化工學報,2010,61(2):439?443)

114 Wu Yao,Luo Xiong-Lin,Yuan Zhi-Hong.Soft sensor modeling with dynamic interpolation neural network for multirate system.Chemical Industry and Engineering Progress,2009,28(8):1323?1327(吳瑤,羅雄麟,袁志宏.多頻率系統動態插值神經網絡軟測量建模.化工進展,2009,28(8):1323?1327)

115 Ma Yong,Huang De-Xian,Jin Yi-Hui.Discussion about dynamic soft-sensing modeling.Journal of Chemical Industry and Engineering(China),2005,56(8):1516?1519(馬勇,黃德先,金以慧.動態軟測量建模方法初探.化工學報,2005,56(8):1516?1519)

116 Lv W X,Yang Q,Huang D X,Jin Y H.A dynamic soft-sensing method based on impulses response template and parameter estimation with modi fied DE optimization.IFAC Proceedings Volumes,2008,41(2):10983?10988

117 Gao X Q,Yang F,Huang D X,Ding Y J.An iterative two-level optimization method for the modeling of wiener structure nonlinear dynamic soft sensors.Industrial and Engineering Chemistry Research,2014,53(3):1172?1178

118 Shang C,Gao X Q,Yang F,Huang D X.Novel Bayesian framework for dynamic soft sensor based on support vector machine with finite impulse response.IEEE Transactions on Control Systems Technology,2014,22(4):1550?1557

119 Kane L A.Process Control and Optimization:Handbook for the Hydrocarbon Processing Industries.Houston:Gulf,1980.

120 Khor C S,Varvarezos D.Petroleum re finery optimization.Optimization and Engineering,2016.DOI:10.1007/s11081-016-9338-x

121 Yuan Pu,Zheng Yuan-Yang,Huang De-Xian,Wu Feng,Cong Song-Bo,Jiang Qing-Yin.Observation and Control of Depth of Catalytic Cracking Reaction,China Patent 90108193.0,1992.(袁璞,鄭遠揚,黃德先,吳峰,從松波,江青茵.催化裂化反應深度的觀測與控制方法,中國專利90108193.0,1992.)

122 Yuan Pu,Sun De-Xiang,Zuo Xin,Huang Wen-Wei,Lin Hong-Quan.Real-time Optimization Control Method for Cracking Reaction Depth of Catalytic Cracking Unit,China Patent 97100141.3,1997.(袁璞,孫德祥,左信,黃文偉,林洪泉.催化裂化裝置裂化反應深度的實時優化控制方法,中國專利97100141.3,1997.)

123 Wang Qiang,Liu Yong,Liu Jun-Feng.The application of advanced process control and real-time optimization technology on FCCU.Automation in Petro-chemical Industry,2006,(6):23?27(王強,劉勇,劉俊峰.先進控制與實時優化技術在催化裂化裝置上的應用.石油化工自動化,2006,(6):23?27)

124 Wang Jian.On-line Optimization Control System for Wax Yield of Ketone Benzene Dewaxing Unit,China Patent 021 30769.5,2003.(王建.相關積分法酮苯脫蠟裝置蠟收率在線優化控制系統,中國專利02130769.5,2003.)

125 Huang De-Xian,Lv Wen-Xiang,Wang Yu-Hong,Jin Yi-Hui.An Automatic Control and Optimization Method for Distillation Column,China Patent 200510086612.8,2006.(黃德先,呂文祥,王宇紅,金以慧.精餾塔的一種自動控制和優化方法,中國專利200510086612.8,2006.)

126 Lv W X,Zhu Y,Huang D X,Jiang Y H,Jin Y H.A new strategy of integrated control and on-line optimization on high-purity distillation process.Chinese Journal of Chemical Engineering,2010,18(1):66?79

127 Harjunkoski I,Maravelias C T,Bongers P,Castro P M,Sebastian E,Grossmann I E,Hooker J,Mndez C,Sand G,Wassick J.Scope for industrial applications of production scheduling models and solution methods.Computers and Chemical Engineering,2014,62:161?193

128 Grossmann I.Enterprise-wide optimization:a new frontier in process systems engineering.AIChE Journal,2005,51(7):1846?1857

129 Huang De-Xian,Jiang Yong-Heng,Gao Xiao-Yong,Yu Bing,Bai Liang,Shi Lei,Lv Wen-Xiang.Optimization Method of Oil field Production Process Scheduling Based on Integrated Control Optimization,China Patent 201210 228138.8,2012.(黃德先,江永亨,高小永,余冰,擺亮,施磊,呂文祥.基于集成控制優化的煉油生產過程調度優化建模方法,中國專利20121022813 8.8,2012.)

130 Huang De-Xian,Jiang Yong-Heng,Gao Xiao-Yong,Yu Bing,Bai Liang,Shi Lei,Lv Wen-Xiang.Optimization of Oil field Production Process Scheduling Based on Intelligent Decision,China Patent 201210228649.X,2012.(黃德先,江永亨,高小永,余冰,擺亮,施磊,呂文祥.基于智能決策的煉油生產過程調度優化方法,中國專利,201210228649.X,2012.)

131 Gao X Y,Jiang Y H,Chen T,Huang D X.Optimizing scheduling of re finery operations based on piecewise linear models.Computers and Chemical Engineering,2015,75:105?119

132 Gao X Y,Shang C,Jiang Y H,Huang D X,Chen T.Re finery scheduling with varying crude:a deep belief network classi fication and multimodel approach.AIChE Journal,2014,60(7):2525?2532

133 Gao Xiao-Yong,Jiang Yong-Heng,Huang De-Xian.Process modelling based on integration of unitwide optimal process control and plantwide scheduling,CIESC Journal,2016,67(12):5105?5111(高小永,江永亨,黃德先.基于裝置級優化控制與廠級調度優化集成的過程模型方法.化工學報,2016,67(12):5105?5111)

134 Shi L,Jiang Y H,Wang L,Huang D X.Efficient lagrangian decomposition approach for solving re finery production scheduling problems involving operational transitions of mode switching.Industrial and Engineering Chemistry Research,2015,54(25):6508?6526

135 Shi L,Jiang Y H,Wang L,Huang D X.Re finery production scheduling involving operational transitions of mode switching under predictive control system.Industrial and Engineering Chemistry Research,2014,53(19):8155?8170

136 Chai Tian-You,Jin Yi-Hui,Ren De-Xiang,Shao Hui-He,Qian Ji-Xin,Li Ping,Gui Wei-Hua,Zheng Bing-Lin.Contemporary integrated manufacturing system based on three-layer structure in process industry.Control Engineering of China,2002,9(3):1?6(柴天佑,金以慧,任德祥,邵惠鶴,錢積新,李平,桂衛華,鄭秉霖.基于三層結構的流程工業現代集成制造系統.控制工程,2002,9(3):1?6)

137 Qin S J.Process data analytics in the era of big data.AIChE Journal,2014,60(9):3092?3100

138 Wang Fei-Yue.The destiny:towards knowledge automation-preface of the special issue for the 50th anniversary of Acta Automatica Sinica.Acta Automatica Sinica,2013,39(11):1741?1743(王飛躍.天命唯新:邁向知識自動化–《自動化學報》創刊50周年專刊序.自動化學報,2013,39(11):1741?1743)trol,and integrated automation.Corresponding author of this paper.)