數(shù)據(jù)驅(qū)動的工業(yè)過程運行監(jiān)控與自優(yōu)化研究展望

劉強 卓潔 郎自強 秦泗釗

1 工業(yè)過程全流程運行監(jiān)控系統(tǒng)的內(nèi)涵與行業(yè)現(xiàn)狀

1.1 工業(yè)過程全流程運行監(jiān)控的內(nèi)涵

工業(yè)過程包括以石油、化工、鋼鐵、有色、建材等基礎(chǔ)原材料行業(yè)為主的流程工業(yè)和以機械、電子、汽車、航空航天、軌道交通、海洋工程等裝備制造行業(yè)為主的離散工業(yè).現(xiàn)代工業(yè)過程通過控制與決策系統(tǒng)向大規(guī)模和集成化方向發(fā)展,通常是由多個工業(yè)裝備組成的生產(chǎn)工序,其功能是將原料加工為下道工序所需要的中間產(chǎn)品,多個生產(chǎn)工序構(gòu)成了全流程生產(chǎn)線.現(xiàn)代工業(yè)向精細化、集約化發(fā)展,對安全、高效、節(jié)能、高質(zhì)生產(chǎn)提出了更高要求,需要對生產(chǎn)全流程進行有效監(jiān)控[1].

工業(yè)生產(chǎn)要求全流程在安全運行的前提下,使反映加工半成品的質(zhì)量和效率的運行指標盡可能高,反映資源消耗和加工成本的運行指標盡可能低[2],而且與上下游工序的過程控制系統(tǒng)協(xié)同.生產(chǎn)任務(wù)不只是局限于底層輸出跟蹤設(shè)定值,而且要求生產(chǎn)運行向上層要滿足用戶需求和原料狀況,向下層又要綜合考慮底層控制性能和設(shè)備狀態(tài)、運行環(huán)境等生產(chǎn)條件.流程工業(yè)生產(chǎn)連續(xù)程度高、設(shè)備眾多、變量間耦合嚴重、產(chǎn)品固定、產(chǎn)量大,具有復(fù)雜能量和物質(zhì)回流、機理不清等典型特點;離散工業(yè)結(jié)構(gòu)復(fù)雜、工藝過程長、產(chǎn)品工藝和設(shè)備柔性、產(chǎn)品和物料品種規(guī)格多,具有非標定制需求、多單元柔性加工、多/變約束運行等典型特點.在上述復(fù)雜工業(yè)環(huán)境和需求中運行的生產(chǎn)全流程控制與運行管理系統(tǒng),因生產(chǎn)條件的頻繁變化和惡劣環(huán)境,還可能造成運行指標、過程控制系統(tǒng)設(shè)定值的決策失誤帶來的異常工況,影響生產(chǎn)全流程的安全運行和產(chǎn)品質(zhì)量[1].因此,除了要對常規(guī)的部件異常進行實時監(jiān)控外,還需要能夠?qū)崿F(xiàn)監(jiān)控生產(chǎn)全流程生產(chǎn)條件和運行環(huán)境變化、決策不當?shù)纫鸬漠惓９r、運行指標異常和協(xié)同控制異常等.

工業(yè)過程全流程運行監(jiān)控的內(nèi)涵是利用相關(guān)物理資源和信息資源(例如設(shè)備狀態(tài)數(shù)據(jù)、過程數(shù)據(jù)、圖像、振動聲音、巡檢記錄文本、決策信息等),綜合控制理論、統(tǒng)計計量學(xué)、機器學(xué)習(xí)等理論技術(shù)以及人員經(jīng)驗實現(xiàn)工業(yè)過程監(jiān)控與異常運行狀況預(yù)測,判定待監(jiān)控對象(包括決策和管理執(zhí)行狀況,產(chǎn)品質(zhì)量、能耗物耗、排放等運行指標,控制系統(tǒng)性能,生產(chǎn)與人員安全,生產(chǎn)環(huán)境與關(guān)鍵設(shè)備)是否符合預(yù)期或標準,將結(jié)果在監(jiān)控周期內(nèi)(實時、定期巡檢與抽樣)反饋給實施監(jiān)控的對象(管理人員、操作人員、工藝人員、設(shè)備維護人員等).在運行監(jiān)控基礎(chǔ)上診斷異常發(fā)生時間、原因和位置等,并根據(jù)評價結(jié)果進行生產(chǎn)決策、控制與維護,從而保障生產(chǎn)及人員安全、提高產(chǎn)品質(zhì)量和生產(chǎn)效率、降低生產(chǎn)成本、節(jié)能減排,實現(xiàn)安全、綠色、高效生產(chǎn)的目標.

1.2 工業(yè)過程全流程運行監(jiān)控的行業(yè)現(xiàn)狀

目前,工業(yè)過程大多按企業(yè)資源計劃(Enterprise resource planning,ERP)、制造執(zhí)行系統(tǒng)(Manufacturing execution system,MES)、過程控制系統(tǒng)(Process control system,PCS)三層結(jié)構(gòu)組織生產(chǎn),需監(jiān)控管理與計劃決策、運行指標(產(chǎn)品質(zhì)量、能耗物耗、排放)、控制系統(tǒng)性能與狀態(tài)、人員安全與行為、環(huán)境與關(guān)鍵設(shè)備狀態(tài).

現(xiàn)有的監(jiān)控與數(shù)據(jù)采集(Supervisory control and data acquisition,SCADA)的一類系統(tǒng)主要是PCS層數(shù)據(jù)的采集與監(jiān)測.對于典型的流程工業(yè)而言,利用集散控制系統(tǒng)(Distributed control system,DCS)數(shù)據(jù)對執(zhí)行器、傳感器故障、控制系統(tǒng)組件失效或設(shè)備狀態(tài)異常而引起的變量超限進行監(jiān)控,雖然具有異常報警功能,但只是根據(jù)輸入輸出數(shù)據(jù)是否超過限制值,瞬間的超限因控制系統(tǒng)的作用而消失,且由于決策與控制的閉環(huán)反饋作用和系統(tǒng)各單元間的耦合作用會使輸入輸出互為因果關(guān)系,容易造成誤報和異常溯源困難;對于離散工業(yè)而言,主要是通過單源特征參數(shù)來監(jiān)控關(guān)鍵加工設(shè)備的局部運行狀態(tài).該類監(jiān)控系統(tǒng)因忽略了數(shù)據(jù)的相關(guān)關(guān)系與因果關(guān)系,導(dǎo)致監(jiān)控結(jié)果不可靠且不能全面監(jiān)控全流程運行和中間產(chǎn)品質(zhì)量.為提高過程監(jiān)控和異常定位的準確性,工業(yè)界國內(nèi)外一些先進企業(yè)特別是石化和鋼鐵行業(yè)逐漸開始采用統(tǒng)計過程監(jiān)控技術(shù)對關(guān)鍵設(shè)備和生產(chǎn)流程進行監(jiān)控.美國Aspen公司開發(fā)的統(tǒng)計過程監(jiān)控軟件已被石化企業(yè)廣泛采用.在鋼鐵行業(yè),加拿大Dofasco鋼鐵公司二號連鑄機組成功采用統(tǒng)計過程監(jiān)控技術(shù)實現(xiàn)了開澆階段斷澆故障的監(jiān)控與預(yù)防[3],以及不同鋼種切換過渡過程的監(jiān)控[4].

對于管理與計劃決策、運行指標、控制系統(tǒng)性能與過程運行狀態(tài)、環(huán)境和關(guān)鍵設(shè)備狀態(tài)、人員決策與操作尚缺乏有效的監(jiān)控.管理與計劃決策監(jiān)控主要是對ERP和MES執(zhí)行結(jié)果的監(jiān)控,無法分析異常原因、監(jiān)控不及時,無法實現(xiàn)決策、控制、設(shè)備一體化監(jiān)控;對于產(chǎn)品質(zhì)量和能耗物耗、排放等運行指標的監(jiān)控主要是根據(jù)控制圖(例如休哈特控制圖、累加和控制圖、指數(shù)加權(quán)平均控制圖)等抽樣檢驗,屬于事后監(jiān)控、實時性差;環(huán)境和關(guān)鍵設(shè)備狀態(tài)的監(jiān)控通過人員持檢測儀表在生產(chǎn)線的巡檢完成,無法實時監(jiān)控原料及用戶需求、系統(tǒng)運行環(huán)境、設(shè)備狀態(tài)等生產(chǎn)條件的異常變化.現(xiàn)有運行優(yōu)化與控制算法通常沒有識別生產(chǎn)條件和運行工況變化的功能,不能適應(yīng)工業(yè)過程的這種動態(tài)變化,在生產(chǎn)條件發(fā)生非期望變化時,如果處理不當就會導(dǎo)致系統(tǒng)性能變壞,使系統(tǒng)運行處于異常工況[1].

上述異常工況發(fā)生時,由于異常工況機理不清導(dǎo)致難以利用現(xiàn)有監(jiān)控系統(tǒng)來診斷,通常由運行工程師靠耳朵和眼睛來觀測運行工況表征以及利用ERP,MES,PCS獲取的子系統(tǒng)/單元的短時運行數(shù)據(jù)憑經(jīng)驗判斷與處理.由于診斷與處理具有主觀性、滯后性和非優(yōu)性,造成診斷與處理結(jié)果的差異大,無法保證最優(yōu)且處理不當可造成嚴重的災(zāi)難性后果,難以安全優(yōu)化運行.

2 工業(yè)過程運行監(jiān)控的研究現(xiàn)狀

2.1 工業(yè)過程運行監(jiān)控方法

目前,工業(yè)過程安全運行監(jiān)控的研究主要是基于模型的單元內(nèi)控制系統(tǒng)故障診斷與容錯控制方法[5?12],以及數(shù)據(jù)驅(qū)動的異常工況診斷與自愈控制方法[13?45].

2.1.1 基于模型的控制系統(tǒng)故障診斷與容錯控制方法

對于可以獲得系統(tǒng)模型的工業(yè)過程或生產(chǎn)單元,基于模型方法利用可測信號估計系統(tǒng)狀態(tài)或殘差進行監(jiān)控,包括參數(shù)估計方法、觀測器方法、對偶關(guān)系方法等對預(yù)先定義的傳感器、執(zhí)行機構(gòu)、被控對象故障實現(xiàn)單元級控制系統(tǒng)故障的診斷[5?7].近年的主要進展是針對復(fù)雜工業(yè)過程參數(shù)不確定、時變干擾、未建模動態(tài)、非線性等導(dǎo)致故障特征難以辨識,提出了基于模型的一系列故障診斷方法.例如,為了解決了故障信息與外部干擾以及不確定性難以區(qū)分的問題,文獻[8]提出了基于極大/極小優(yōu)化理論的有限頻故障診斷方法;針對非線性被控對象,文獻[9]使用非線性模糊建模方法將原系統(tǒng)描述為T-S系統(tǒng),基于集合論的模型描述和借鑒集合等價類技術(shù)的執(zhí)行器故障的估計和分離方法.

容錯控制是利用系統(tǒng)模型設(shè)計容錯控制器,實現(xiàn)傳感器、執(zhí)行機構(gòu)、被控對象故障情況下通過一定程度降低系統(tǒng)性能來保證穩(wěn)定性和安全[10].近年的主要進展是針對現(xiàn)有容錯控制技術(shù)難以在全局范圍內(nèi)對未知動態(tài)非線性系統(tǒng)進行故障補償,提出了魯棒自適應(yīng)容錯控制和基于多項式優(yōu)化技術(shù)的非線性容錯控制方法,解決了系統(tǒng)模型未知情況下根據(jù)系統(tǒng)輸入輸出數(shù)據(jù)設(shè)計容錯控制器的難題.例如,文獻[11]針對一類具有已知控制方向的嚴格反饋非線性系統(tǒng),提出基于反推方法的執(zhí)行器故障、非線性和外部擾動完全未知下的自適應(yīng)容錯控制方法;針對一類具有未知控制方向的不確定非線性系統(tǒng),文獻[12]引入新誤差轉(zhuǎn)換函數(shù)和通過構(gòu)造新自適應(yīng)機制,提出了一種低復(fù)雜度的狀態(tài)反饋容錯控制方法.

上述方法均以精確數(shù)學(xué)模型描述的過程模型為基礎(chǔ),僅限解決單元內(nèi)控制系統(tǒng)故障的監(jiān)控與診斷,性能的好壞很大程度上依賴于模型的準確程度,不能解決機理不清的復(fù)雜工業(yè)過程全流程的運行監(jiān)控與異常工況診斷問題.

2.1.2 數(shù)據(jù)驅(qū)動的異常工況診斷與自愈控制方法

對于機理不清的難以獲得精確數(shù)學(xué)模型的工業(yè)過程而言,運行異常原因不僅包括傳感器故障和執(zhí)行機構(gòu)故障等控制系統(tǒng)故障,還包括原材料波動、運行環(huán)境變化、過程設(shè)備磨損老化、操作不當?shù)仍蛞鸬漠惓＿\行工況和產(chǎn)品質(zhì)量不合格,難以采用傳統(tǒng)基于模型方法進行診斷.

近二十年,隨著工業(yè)過程普遍采用DCS采集了直接反映生產(chǎn)全流程運行工況的數(shù)據(jù),數(shù)據(jù)驅(qū)動的監(jiān)控與故障診斷方法通過各種數(shù)據(jù)處理與分析方法(例如多元統(tǒng)計方法、聚類分析、頻譜分析小波分析等)挖掘數(shù)據(jù)中隱含的異常工況相關(guān)信息進行診斷.研究和應(yīng)用最多的是以單一層面的主元分析(Principal component analysis,PCA)和獨立元分析(Independent component analysis,ICA)以及多層面的偏最小二乘(Partial least squares,PLS)算法等為代表的多變量統(tǒng)計過程監(jiān)控方法[13?20].該類方法利用正常工況數(shù)據(jù)建立潛結(jié)構(gòu)模型,將由多變量構(gòu)成的高維空間投影到低維來建立數(shù)據(jù)間的潛結(jié)構(gòu),在此基礎(chǔ)上通過比較正常和故障條件下數(shù)據(jù)相關(guān)結(jié)構(gòu)的變化來監(jiān)控和診斷故障.故障監(jiān)控一般根據(jù)故障檢測指標超過其控制限來實現(xiàn);在此基礎(chǔ)上,常使用貢獻圖[14?15]或基于重構(gòu)的貢獻圖[16,18,21]來識別故障變量以及結(jié)合過程知識分析故障原因,或利用歷史故障數(shù)據(jù)提取故障方向并采用重構(gòu)方法診斷故障原因[15,17,22].該類方法因其具有降維、便于可視化的優(yōu)點,已在化工、薄膜制造、醫(yī)藥、微電子制造、鋼鐵生產(chǎn)等多種流程工業(yè)中取得成功應(yīng)用.

目前,國內(nèi)外學(xué)者在數(shù)據(jù)驅(qū)動的工業(yè)過程監(jiān)控方面已經(jīng)發(fā)表了大量研究成果,主要是針對具體的工業(yè)過程具有的大規(guī)模、間歇時段性、多層面運行、動態(tài)性、強非線性等過程復(fù)雜性,從提高過程監(jiān)控結(jié)果的解釋性和準確性的角度提出的過程監(jiān)控與故障診斷方法.本文主要從過程復(fù)雜性出發(fā),對已有成果進行分類和總結(jié).

1)針對薄膜制造和鋼鐵冷軋連退過程這類典型的大規(guī)模連續(xù)生產(chǎn)過程,因其具有大規(guī)模變量和多單元串聯(lián)加工特點,為了提高過程監(jiān)控結(jié)果的解釋性,學(xué)者提出利用過程知識或變量選擇方法等對過程變量進行分塊來建立多塊潛結(jié)構(gòu)模型,在此基礎(chǔ)上實現(xiàn)對生產(chǎn)全流程的集散監(jiān)控與診斷[22?28].例如,學(xué)者提出基于多塊主元分析[23?25]和多級主元分析的集散診斷方法[28],成功應(yīng)用于薄膜制造和鋼鐵冷軋連退過程的集散監(jiān)控與診斷.近年來,學(xué)者還提出多塊監(jiān)控結(jié)果融合的集散監(jiān)控方法[26]和大數(shù)據(jù)條件下的用于過程監(jiān)控的并行PCA方法[27].

2)針對注塑過程、發(fā)酵過程、半導(dǎo)體加工過程等成批次多時段生產(chǎn)的間歇過程,會采集到批次、時間、變量三維數(shù)據(jù).為了實現(xiàn)上述間歇過程的監(jiān)控,Nomikos和MacGregor提出多向主元分析和多向偏最小二乘方法[29?30],首先將三維按照變量展開或批次展開成二維矩陣,再采用多元統(tǒng)計建模方法進行建模,從而分別監(jiān)控間歇過程變量間關(guān)系的非期望變化和不同操作批次間的異常.近年的研究熱點,主要是針對間歇過程的多時段提出考慮批次間過渡狀態(tài)的軟時段劃分與監(jiān)控方法[31?33],針對各批次數(shù)據(jù)不等長問題提出的過程監(jiān)控方法[35],以及基于重構(gòu)的間歇過程故障診斷方法[34].

3)復(fù)雜工業(yè)過程通常多層面運行,企業(yè)管理人員和工程師往往更關(guān)心過程故障是否會導(dǎo)致最終產(chǎn)品質(zhì)量或運行指標的異常.但PCA一類方法只能檢測到過程變量的異常狀況,無法建立過程變量與產(chǎn)品質(zhì)量或運行指標間的關(guān)系.如果檢測到的故障不會造成產(chǎn)品質(zhì)量或運行指標異常,會導(dǎo)致誤診斷.基于PLS或基于典型相關(guān)分析的過程監(jiān)控方法在濾除誤報警方面更有效.例如,文獻[36]將數(shù)據(jù)劃分為過程數(shù)據(jù)與質(zhì)量數(shù)據(jù)兩層結(jié)構(gòu),采用PLS模型描述過程數(shù)據(jù)與質(zhì)量數(shù)據(jù)間的潛結(jié)構(gòu)關(guān)系,實現(xiàn)運行層故障和過程層故障的分離.但上述潛結(jié)構(gòu)分解是面向質(zhì)量預(yù)測的,在用于過程監(jiān)控時會包含輸出無關(guān)的變化以及對預(yù)測質(zhì)量無用的大變化[37?38].針對上述問題,多位學(xué)者從過程監(jiān)控角度對數(shù)據(jù)空間進行了更完整的劃分,提出了運行層和過程層聯(lián)合監(jiān)控的一系列方法[38?44],包括基于全潛結(jié)構(gòu)[39]和并發(fā)潛結(jié)構(gòu)[40]的異常工況診斷方法以及非線性和集散擴展方法[41],為解決運行層與過程層異常工況的分離提供了有效途徑.但上述方法并沒有改變基本PLS模型對質(zhì)量變量的預(yù)測能力,只是根據(jù)質(zhì)量變量空間進一步分解過程數(shù)據(jù)空間.為此,文獻[45?46]提出改進潛結(jié)構(gòu)投影和高效潛結(jié)構(gòu)投影方法,將過程數(shù)據(jù)空間分解為質(zhì)量相關(guān)的子空間和質(zhì)量無關(guān)的子空間并分別進行監(jiān)控,并在鋼鐵熱連軋機組進行分析比較和應(yīng)用驗證[47].上述建模與監(jiān)控方法通常采用偏最小二乘算法,存在建模效率低、與質(zhì)量有關(guān)的過程異常工況的診斷精度低等不足.針對該問題,文獻[48]提出了基于并發(fā)典型相關(guān)分析的聯(lián)合監(jiān)控方法.但上述方法都屬于監(jiān)控工業(yè)過程穩(wěn)態(tài)工況的監(jiān)控方法.

4)復(fù)雜工業(yè)過程實際運行時通常具有動態(tài)運行特點,即由儲能環(huán)境、動態(tài)操作、底層回路控制和運行控制的反饋作用會引入動態(tài),采用上述穩(wěn)態(tài)工況運行監(jiān)控方法定義的正常范圍往往過大,導(dǎo)致漏報率過高.針對該問題,學(xué)者提出了動態(tài)過程監(jiān)控方法.文獻[49]利用時間窗構(gòu)造變量的增廣矩陣并進行奇異值分解提出基于動態(tài)主元分析的異常監(jiān)控方法,文獻[50?53]提出基于子空間建模的方法(例如主元分析子空間辨識方法[52]),和同時考慮過程噪聲和測量噪聲的條件下的間接動態(tài)主元分析方法[54].如何面向工業(yè)過程運行監(jiān)控對高維動態(tài)多時空數(shù)據(jù)建模和壓縮一直是國際上尚未解決的難題,為了同時提取變量間的動態(tài)自相關(guān)和互相關(guān),文獻[55]提出一種基于動態(tài)潛變量模型的異常工況診斷方法.但該方法以潛變量估計方差最大為目標,可能提取出方差較大的靜態(tài)變化,而非動態(tài)變化.針對上述問題,有學(xué)者提出動態(tài)內(nèi)在主元分析方法[56],以動態(tài)潛變量及其預(yù)測值的協(xié)方差最大為目標,實現(xiàn)了依據(jù)動態(tài)性強弱依次提取時間序列低維數(shù)據(jù)特征和多時空大數(shù)據(jù)降維可視化和特征提取.從而,可以由降維的動態(tài)潛變量提取特征與預(yù)測未來,由動態(tài)和靜態(tài)建模誤差監(jiān)控當前狀況,為異常工況的監(jiān)控與預(yù)測提供了新的解決思路.

5)絕大多數(shù)復(fù)雜工業(yè)過程嚴格意義上都是非線性過程,導(dǎo)致線性的潛結(jié)構(gòu)建模與監(jiān)控方法不能取得滿意效果.為此,學(xué)者提出了一系列以主元分析、偏最小二乘、典型相關(guān)分析等潛結(jié)構(gòu)建模算法為基礎(chǔ)的非線性變形方法[57?59],例如與神經(jīng)網(wǎng)絡(luò)相結(jié)合的偏最小二乘方法[57]和基于核投影的非線性過程建模和監(jiān)控方法.基于核投影的監(jiān)控方法的基本思想是通過核函數(shù)將原始變量的低維空間投影到高維空間,采用傳統(tǒng)的線性潛結(jié)構(gòu)方法對高維空間數(shù)據(jù)建模,再利用核機制通過對高維空間的線性分解和監(jiān)控實現(xiàn)對原始非線性空間的分解和監(jiān)控.文獻[42]提出了全核偏最小二乘方法,并成功應(yīng)用于典型非線性過程鋼鐵熱連軋生產(chǎn)過程帶鋼厚度相關(guān)故障的監(jiān)控與原因診斷.

6)還有一些針對過程數(shù)據(jù)非高斯性提出的基于ICA的過程監(jiān)控方法[19,60?61],以及針對數(shù)據(jù)采集和傳輸過程中引入的離群點、缺失點等數(shù)據(jù)復(fù)雜性提出的魯棒建模與監(jiān)控方法[62].

故障預(yù)測是早期發(fā)現(xiàn)異常并預(yù)測其發(fā)展趨勢,現(xiàn)有故障預(yù)測的研究主要是面向設(shè)備視情維護,根據(jù)設(shè)備疲勞動力學(xué)模型[62]或異常發(fā)生概率演變模型[63]來預(yù)測裝備或部件的剩余壽命.基于模型方法需要精確的機理模型,限制了應(yīng)用范圍.數(shù)據(jù)驅(qū)動方法通過分析過程數(shù)據(jù)來近似跟蹤異常工況過程的退化特性.文獻[64]利用邏輯回歸分析和極大似然方法建立性能模型,利用滑動自回歸模型估計設(shè)備剩余壽命.振動信號[65]的幅度、頻率等特征也被用于異常工況預(yù)測.工業(yè)過程運行異常工況的預(yù)測仍是有待研究的難題.

工業(yè)過程運行監(jiān)控的最終目標是通過維護與控制操作等手段使過程從異常工況或非優(yōu)工況恢復(fù)到正常工況或優(yōu)化工況.針對該問題,學(xué)者針對難以建立模型的復(fù)雜工業(yè)過程開展自愈控制方法研究.國內(nèi)外自愈控制早期研究解決的是故障發(fā)生后采用網(wǎng)絡(luò)化切換等調(diào)控手段恢復(fù)系統(tǒng)功能,例如自愈電網(wǎng)、集散控制系統(tǒng)的熱后備智能切換系統(tǒng)、自愈軍事衛(wèi)星通信系統(tǒng)等.對于工業(yè)過程而言,自愈控制的含義有所不同,主要是在工業(yè)過程偏離安全運行的異常工況下,通過主動控制手段調(diào)整控制回路輸入輸出、操作指令等,使系統(tǒng)遠離故障工況,從異常工況恢復(fù)到正常工況,并使實際運行指標盡可能接近目標值,從而改善系統(tǒng)安全性和運行品質(zhì)[66?67].文獻[68?69]針對豎爐焙燒過程和超高溫電熔鎂爐過程由于控制回路設(shè)定值不合適而導(dǎo)致的異常工況,提出了以調(diào)整改變控制回路設(shè)定值為手段排除異常工況的自愈控制方法.

迄今為止,上述大多針對具體工業(yè)過程的方法研究,尚未形成工業(yè)過程安全運行與自優(yōu)化系統(tǒng),特別是未能綜合利用聲像和過程數(shù)據(jù)多源異構(gòu)動態(tài)信息實現(xiàn)準確監(jiān)控,尚未解決運行決策故障和協(xié)同故障的遠程移動可視化監(jiān)控,尚不能通過評估系統(tǒng)運行動態(tài)性能、識別運行環(huán)境變化、量化原料與用戶需求,通過自適應(yīng)、自學(xué)習(xí)、自動調(diào)整控制結(jié)構(gòu)和控制參數(shù)實現(xiàn)自優(yōu)化運行.通過信息資源與工業(yè)過程物理資源相結(jié)合建立信息物理系統(tǒng)(Cyber-physical systems,CPS)來建立安全運行監(jiān)控與自優(yōu)化系統(tǒng)成為新的發(fā)展方向.

2.2 CPS時代安全監(jiān)控與自優(yōu)化的機遇

由ERP,MES,PCS三層結(jié)構(gòu)組織的工業(yè)過程生產(chǎn)的企業(yè)目標、資源計劃、調(diào)度、運行指標、生產(chǎn)指令與控制指令的決策處于人工狀態(tài),ERP,MES,PCS三者無法實現(xiàn)無縫集成.針對該問題,文獻[2]指出下一代工業(yè)過程生產(chǎn)系統(tǒng)將發(fā)展為由智能自主控制系統(tǒng)、智能協(xié)同控制系統(tǒng)、智能優(yōu)化決策系統(tǒng)、虛擬制造系統(tǒng)、安全運行監(jiān)控系統(tǒng)組成的智能優(yōu)化決策系統(tǒng),如圖1所示.其中,工業(yè)過程安全運行監(jiān)控與自優(yōu)化系統(tǒng)利用工業(yè)互聯(lián)網(wǎng)和大數(shù)據(jù)管理云平臺來獲取智能自主控制系統(tǒng)、智能協(xié)同控制系統(tǒng)、智能優(yōu)化決策系統(tǒng)、虛擬制造系統(tǒng)所產(chǎn)生的歷史運行工況數(shù)據(jù),建立各系統(tǒng)/單元內(nèi)和系統(tǒng)/單元間協(xié)同的運行工況的模型,在此基礎(chǔ)上以人機交互的方式監(jiān)控整個生產(chǎn)全流程的決策和協(xié)同,保障系統(tǒng)安全、可靠、優(yōu)化運行.其主要新特征是將工業(yè)互聯(lián)網(wǎng)的計算資源與工業(yè)過程的物理資源緊密結(jié)合與協(xié)同,采用智能手段并充分利用優(yōu)化決策系統(tǒng)、協(xié)同控制系統(tǒng)、智能化控制系統(tǒng)獲得的多層面多源異構(gòu)動態(tài)數(shù)據(jù),從而將工業(yè)過程安全監(jiān)控與自優(yōu)化發(fā)展為CPS.

近幾年大數(shù)據(jù)、云計算和人工智能技術(shù)的迅猛發(fā)展為實現(xiàn)下一代智能化運行監(jiān)控與自優(yōu)化系統(tǒng)創(chuàng)造了條件.一方面,大數(shù)據(jù)和云計算技術(shù)提供了必要的數(shù)據(jù)資源和計算資源;另一方面,以深度學(xué)習(xí)為代表的人工智能技術(shù)從基于邏輯推理和概率統(tǒng)計的傳統(tǒng)范式向大數(shù)據(jù)驅(qū)動的新范式轉(zhuǎn)變,通過解析多源異構(gòu)動態(tài)數(shù)據(jù)中隱含的復(fù)雜結(jié)構(gòu)特征來處理異常運行狀況的不確定性和模糊性,為研究工業(yè)大數(shù)據(jù)條件下異常工況診斷與自優(yōu)化系統(tǒng)和新方法奠定了基礎(chǔ).

圖1 工業(yè)過程運行監(jiān)控系統(tǒng)的作用Fig.1 Role of operational monitoring system

3 數(shù)據(jù)驅(qū)動的工業(yè)過程智能監(jiān)控與自優(yōu)化系統(tǒng)的研究展望

3.1 數(shù)據(jù)驅(qū)動的工業(yè)過程智能化運行監(jiān)控與自優(yōu)化系統(tǒng)的發(fā)展愿景

工業(yè)過程智能化安全運行監(jiān)控與自優(yōu)化系統(tǒng)(如圖2所示)集運行狀況感知與特征提取、運行狀況監(jiān)控、動態(tài)性能評價、異常運行狀況預(yù)報、自愈控制/自優(yōu)化于一體,采用智能手段利用大數(shù)據(jù)對系統(tǒng)動態(tài)運行狀況、運行目標、運行環(huán)境進行遠程移動實時準確的可視化監(jiān)控,具有遠程移動可視化、異常運行工況監(jiān)控和自優(yōu)化三大類功能.其愿景功能是智能自主感知與監(jiān)控整個過程的決策和協(xié)同控制.在此基礎(chǔ)上,評價系統(tǒng)動態(tài)性能,預(yù)報異常運行狀況,在系統(tǒng)運行環(huán)境變化導(dǎo)致的異常工況下,通過自愈控制和自優(yōu)化使系統(tǒng)恢復(fù)安全優(yōu)化運行.目標是實現(xiàn)運行監(jiān)控的精準性、實時性、預(yù)測性、遠程移動可視化性,以及動態(tài)運行性能與運行指標的自優(yōu)化,保障其安全優(yōu)化運行.

圖2 復(fù)雜工業(yè)過程智能化安全運行監(jiān)控與自優(yōu)化系統(tǒng)的架構(gòu)Fig.2 Intelligent operational monitoring and self-optimization of complex industrial processes

具體功能包括:1)智能優(yōu)化決策運行的監(jiān)控,包括對決策控制一體化的監(jiān)控、協(xié)同優(yōu)化的監(jiān)控、協(xié)同控制的監(jiān)控、過程運行工況的監(jiān)控、控制系統(tǒng)的監(jiān)控、關(guān)鍵設(shè)備狀態(tài)的監(jiān)控;2)運行環(huán)境指標的監(jiān)控與溯源;3)人員安全與操作行為的監(jiān)控;4)產(chǎn)品質(zhì)量、安全、排放、泄露等安全優(yōu)化運行指標的監(jiān)控與溯源;5)智能優(yōu)化決策系統(tǒng)運行動態(tài)性能評價,實現(xiàn)智能優(yōu)化決策系統(tǒng)一體化優(yōu)化運行的動態(tài)性能評價、協(xié)同控制的動態(tài)性能評價、底層控制的動態(tài)性能評價;6)異常工況的智能預(yù)測;7)自愈控制與自優(yōu)化控制:采用自愈控制/自優(yōu)化手段對決策和控制進行調(diào)整,使系統(tǒng)從異常工況/非優(yōu)工況恢復(fù)安全優(yōu)化運行,實現(xiàn)運行指標(經(jīng)濟指標、能耗、物耗、加工精度等)自優(yōu)化運行.

3.2 數(shù)據(jù)驅(qū)動的工業(yè)過程智能化運行監(jiān)控與自優(yōu)化研究的新方向

為實現(xiàn)上述發(fā)展目標和功能,解決動態(tài)機理不清的工業(yè)過程異常工況與決策故障等的監(jiān)控,需要重點研究如下五個新方向.

3.2.1 數(shù)據(jù)驅(qū)動的決策、協(xié)同控制、底層控制多層面聯(lián)合監(jiān)控

生產(chǎn)資源制約因素難以量化與可視化,中間/最終產(chǎn)品質(zhì)量難以測量,上層對工業(yè)過程中的異常難以實時響應(yīng).針對工業(yè)過程智能決策協(xié)同控制按照決策層、協(xié)同控制層、底層控制層多層面運行,產(chǎn)生多層面大數(shù)據(jù)[70?71]的情況,不僅通過DCS采集到過程數(shù)據(jù),而且通過大數(shù)據(jù)平臺獲得與上層產(chǎn)品質(zhì)量相關(guān)的用戶評價數(shù)據(jù)以及下層設(shè)備級的特征數(shù)據(jù).正常的產(chǎn)品質(zhì)量等指標數(shù)據(jù)和過程運行數(shù)據(jù)通常占有特定的運行數(shù)據(jù)子空間,而不是任意占滿全維空間.通過對各類層間共有的和層內(nèi)特有的數(shù)據(jù)異常進行聯(lián)合監(jiān)控,為多層面聯(lián)合監(jiān)控提供決策支持.工業(yè)過程多層面數(shù)據(jù)的集成和融合擴展了用于異常工況監(jiān)控的數(shù)據(jù)類別.

然而,面向多層面聯(lián)合監(jiān)控的潛結(jié)構(gòu)建模通常難以考慮底層運行動態(tài),這是因為多層面的PLS和典型相關(guān)分析(Canonical correlation analysis,CCA)一類潛結(jié)構(gòu)模型由內(nèi)模型和外模型組成,所以動態(tài)建模有更多可能性.對過程變量增廣成含有很多遲延項再進行多層面聯(lián)合監(jiān)控是最直接的方式.但其缺點與動態(tài)主元分析方法類似,模型的目標函數(shù)不明確,而且矩陣維數(shù)人為增高導(dǎo)致潛在的動態(tài)關(guān)系難以解釋.文獻[72]提出一種偏最小二乘的修改算法,但只將動態(tài)項引入內(nèi)模型,而外模型沿用靜態(tài)PLS模型,形成內(nèi)外不一致的動態(tài)偏最小二乘模型.文獻[73]提出相似的方法建立動態(tài)內(nèi)模型關(guān)系.然而,上述兩種方法的動態(tài)內(nèi)模型與靜態(tài)外模型不一致.文獻[74]采用過程變量延遲量加權(quán)組合作為輸入,建立與指標變量得分間的內(nèi)模型,實現(xiàn)了緊湊的內(nèi)模型與外模型.然而,其內(nèi)模型是不顯現(xiàn)的且難以解釋,難以用于故障監(jiān)控.有學(xué)者提出基于動態(tài)內(nèi)在偏最小二乘[75]和動態(tài)內(nèi)在典型相關(guān)分析[76]的動態(tài)潛結(jié)構(gòu)建模方法以及在此基礎(chǔ)上的監(jiān)控方法,通過使質(zhì)量預(yù)測潛變量及其估計值的協(xié)方差或相關(guān)系數(shù)最大化,得到內(nèi)外一致具有最精簡動態(tài)結(jié)構(gòu)模型.主要優(yōu)點是具有最大輸出預(yù)報能力,而且按預(yù)報能力對提取的潛變量排序,從而實現(xiàn)對質(zhì)量相關(guān)異常的監(jiān)控與預(yù)報.

上述多層面聯(lián)合監(jiān)控方法,需要利用同步均勻采樣的過程數(shù)據(jù)與質(zhì)量數(shù)據(jù),而實際工業(yè)過程多層面運行采集到多尺度不均勻采樣的工業(yè)大數(shù)據(jù),主要是決策層采集到的指標數(shù)據(jù)或質(zhì)量數(shù)據(jù),往往是稀疏不均勻采樣且具有延遲的,通常與高維過程數(shù)據(jù)具有動態(tài)強關(guān)聯(lián)和潛結(jié)構(gòu).通過建立二者間的動態(tài)潛結(jié)構(gòu)模型,就能夠預(yù)測指標狀況.已有學(xué)者取得了一些初步進展,文獻[77]提出了將動態(tài)窗口與并發(fā)典型相關(guān)分析算法相結(jié)合的不均勻數(shù)據(jù)潛結(jié)構(gòu)建模與異常工況診斷方法,利用動態(tài)窗口技術(shù)實現(xiàn)了慢速率質(zhì)量與快速率過程數(shù)據(jù)之間動態(tài)潛結(jié)構(gòu)的提取,通過多層面動態(tài)過程不均勻采樣數(shù)據(jù)實現(xiàn)跨尺度質(zhì)量預(yù)報與多層面聯(lián)合監(jiān)控方法.

運行工況和運行指標的標記數(shù)據(jù)通常難以獲得,無法實現(xiàn)實時動態(tài)信息到異常運行狀況的端到端學(xué)習(xí),這方面的關(guān)鍵問題是研究基于稀疏標記數(shù)據(jù)與高維未標記數(shù)據(jù)的運行狀況智能預(yù)測方法.特別是基于動態(tài)時間窗口與半監(jiān)督集成學(xué)習(xí)方法,包括:

2)異常運行狀況的征兆期預(yù)測與未來預(yù)測.以歷史異常工況標記數(shù)據(jù)為輸出,通過異常工況的模式匹配[79]實現(xiàn)征兆期異常的預(yù)測;利用高維動態(tài)數(shù)據(jù)提取的動態(tài)潛變量來預(yù)測未來數(shù)據(jù)特征,研究基于向量時間序列的異常工況趨勢預(yù)測方法[75?76,80].

3)異常運行狀況時空傳播溯源.針對異常運行狀況時間和空間雙重傳播性,研究異常時空傳播溯源算法.特別是針對多層面的控制引入的閉環(huán)反饋可以改變故障的方向和貢獻,造成故障根本原因的誤診斷[81?82],重點研究多層面閉環(huán)數(shù)據(jù)去反饋影響的故障溯源方法.

3.2.2 基于機理、數(shù)據(jù)、知識多源異構(gòu)動態(tài)信息融合的異常工況診斷與預(yù)測

現(xiàn)代工業(yè)過程的故障從設(shè)備級向上層運行擴展,包括設(shè)備級的單元故障、控制層控制系統(tǒng)故障、運行層物料及設(shè)定值操作不當引起的異常工況等.故障發(fā)生時,可從運行內(nèi)部狀態(tài)、外在表現(xiàn)、歷史經(jīng)驗三個方面,利用機理、數(shù)據(jù)、知識多源動態(tài)信息進行運行工況診斷.

1)機理模型特征直接反應(yīng)了運行內(nèi)部狀態(tài),基于模型的故障診斷方法都需要利用運行的機理基準模型或其結(jié)構(gòu).然而,復(fù)雜工業(yè)過程的基準模型或基準模型結(jié)構(gòu)可隨時間改變,難以預(yù)先確定.為了解決這類問題,學(xué)者們提出了一種新的面向故障診斷的系統(tǒng)建模和模型特性分析方法[83],通過線性/非線性黑箱模型辨識和模型特性分析實現(xiàn)故障檢測和診斷.文獻[84]提出利用輸入輸出數(shù)據(jù)建立非線性自回歸滑動平均模型,然后應(yīng)用非線性輸出頻率響應(yīng)函數(shù)對建立的模型進行頻率分析,進而實現(xiàn)故障診斷.上述基于機理模型特征的故障診斷方法,其基本思想是利用過程模型的頻率響應(yīng)特性的非期望變化來識別故障.

2)針對熱像、聲像可直接描述運行工況的特點,已有研究利用圖像數(shù)據(jù)進行異常工況的監(jiān)控,主要是采用攝像機或紅外熱成像技術(shù)獲得圖像,再利用圖像的色彩、亮度、幾何特征、形狀特征等判定運行工況[85?86],結(jié)合機器學(xué)習(xí)方法建立特征與運行工況間的關(guān)系,實現(xiàn)運行工況監(jiān)控與預(yù)測.現(xiàn)有方法主要是利用靜態(tài)圖像判定當前工況,且屬于“黑箱”建模,使用其進行異常工況特征提取與預(yù)測,需要進一步研究學(xué)習(xí)過程及中間結(jié)果的可解釋性問題.

3)運行工況的知識通常是專家理解多源異構(gòu)數(shù)據(jù)得到的規(guī)則,為異常工況診斷提供了標簽知識和推理手段.例如,文獻[69]提出了一種基于電流數(shù)據(jù)異常工況規(guī)則提取方法.但專家知識通常難以應(yīng)對生產(chǎn)全流程及實時響應(yīng)生產(chǎn)條件的頻繁變化,易發(fā)生漏報和誤報.人工智能驅(qū)動的深度學(xué)習(xí)等中間結(jié)果,也需要被專家所能解釋和理解.

上述機理、圖像、過程數(shù)據(jù)單一方面的信息均無法全面反映或理解整個生產(chǎn)過程的運行工況,有必要結(jié)合常規(guī)過程數(shù)據(jù)與新型傳感獲得的更長時段高維動態(tài)數(shù)據(jù),進行運行工況的狀態(tài)感知.另外,現(xiàn)有的異常監(jiān)控方法主要是故障發(fā)生后的診斷.通過利用高維動態(tài)數(shù)據(jù)潛結(jié)構(gòu)模型,由降維的動態(tài)潛變量提取特征與預(yù)測異常工況預(yù)測是一種可行的思路.文獻[80]針對多變量過程的異常工況預(yù)測問題,提出向量滑動自回歸模型可以聯(lián)合表征多變量下的動態(tài)特征,建立多變量異常幅度的動態(tài)模型,進而進行異常工況預(yù)測.然而,現(xiàn)有方法未融合更高維的新型熱像、聲像傳感信息,且屬于短時間段的動態(tài)預(yù)測和長時間段的靜態(tài)模態(tài)匹配.短時間段的動態(tài)預(yù)測不具備長時間段記憶功能,長時間段的靜態(tài)模態(tài)匹配不具備對未來的動態(tài)預(yù)測性,有必要研究基于機理、數(shù)據(jù)、知識多源異構(gòu)動態(tài)信息融合的異常工況預(yù)測方法,包括:

1)綜合利用圖像、聲音等多源異構(gòu)傳感器動態(tài)數(shù)據(jù),研究面向異常工況診斷的提取原始數(shù)據(jù)中的共有信息和特有信息的深度學(xué)習(xí)方法.以多源動態(tài)數(shù)據(jù)間動態(tài)潛變量投影相關(guān)系數(shù)最小為目標,建立全視角共有特征提取方法;針對多源動態(tài)信息具有時間和空間雙重關(guān)聯(lián)性、高維和非線性的特點,研究考慮時間關(guān)聯(lián)約束的基于函數(shù)型數(shù)據(jù)分析的粗糙度懲罰正則化流形學(xué)習(xí)、基于張量分析和基于慢特征分析的高維多變量時間序列特征提取方法.

2016—2017年利用高壓分離技術(shù)共開展20井次放空氣回收，共回收天然氣超4.37×108m3，減少碳排放量75.15×104t，節(jié)約標煤28.68×104t，實現(xiàn)節(jié)能減排。

2)惡劣開放環(huán)境下,常規(guī)傳感數(shù)據(jù)和聲場圖像大數(shù)據(jù)強干擾,不確定性強,難以利用單一特征準確監(jiān)控異常運行狀況,需要研究面向異常工況診斷的數(shù)據(jù)與聲像的特征級融合和決策級融合方法,例如研究基于模糊熵[87]的多源動態(tài)信息特征級融合機制和基于模糊積分[88]的多源動態(tài)信息決策級融合機制,將圖像、聲音、過程數(shù)據(jù)特征轉(zhuǎn)換為向量并歸一化到合理區(qū)間,再將各特征串聯(lián)為長向量作為學(xué)習(xí)方法的輸入,實現(xiàn)多源特征的有效融合.在此基礎(chǔ)上,以異常工況標記為輸出,通過異常工況模式的匹配實現(xiàn)征兆期微小異常的智能預(yù)測.

3)基于動態(tài)扭曲等時間序列建模方法[89?90],利用長時間尺度的動態(tài)數(shù)據(jù),研究異常工況動態(tài)預(yù)測方法.

3.2.3 專家知識與控制手段相結(jié)合的協(xié)同層自愈控制

自愈是在異常工況監(jiān)控、預(yù)測與溯源的基礎(chǔ)上,針對異常工況原因,采取調(diào)控手段防止異常發(fā)生或消除異常影響的一種技術(shù).基于定性的專家知識和定量的設(shè)定值優(yōu)化調(diào)節(jié)已成為自愈控制的有效途徑.現(xiàn)有的以調(diào)整控制回路設(shè)定值為自愈控制手段的自愈控制方法針對的是控制回路設(shè)定值不當引起的異常工況[68?69],故障后再去調(diào)節(jié),屬于被動的自愈手段,且自愈知識庫僅利用專家經(jīng)驗構(gòu)建.利用更全面涵蓋決策、過程和新型傳感數(shù)據(jù)來獲得最佳的決策手段給自愈控制帶來新的機遇和挑戰(zhàn),這方面有待研究的關(guān)鍵問題包括:

1)針對復(fù)雜工業(yè)過程多層面多單元協(xié)同優(yōu)化控制決策,研究以改變控制器結(jié)構(gòu)、參數(shù)、設(shè)定值與操作指令為手段的的協(xié)同調(diào)控方法,建立局部補償與全局補償互相配合的底層回路設(shè)定在線修正算法,實現(xiàn)非優(yōu)與異常運行狀況自愈.

2)針對復(fù)雜工業(yè)過程運行狀況多變和異常運行的復(fù)雜性,研究數(shù)據(jù)和專家知識相結(jié)合實現(xiàn)自動自愈決策,且在執(zhí)行時能夠?qū)崟r反饋和調(diào)整檢驗的策略.

3)研究基于判別分析和變量選擇的類間差異性分析算法來實現(xiàn)異常原因溯源,其核心是基于大數(shù)據(jù)的決策與運行指標的監(jiān)控與溯源.

3.2.4 數(shù)據(jù)驅(qū)動的運行動態(tài)性能分析與自優(yōu)化

運行監(jiān)控與診斷系統(tǒng)通常是在異常較嚴重時發(fā)現(xiàn)異常并診斷原因,但做到防止異常發(fā)展或自動消除異常影響才是最終目的.為此,需要對過程運行動態(tài)性能進行分析.對于多個單元協(xié)同的多層面生產(chǎn)全流程高維強相關(guān)的過程變量與運行指標變量的動態(tài)性能分析而言,難以建立相應(yīng)的數(shù)學(xué)模型.針對難以建立動態(tài)性能評估模型的生產(chǎn)全流程,文獻[91?93]提出數(shù)據(jù)驅(qū)動的控制系統(tǒng)性能監(jiān)控方法,僅需標稱的優(yōu)化運行工況數(shù)據(jù)來實現(xiàn)控制系統(tǒng)的動態(tài)性能評估.對于實際工業(yè)過程,其動態(tài)性能評估與優(yōu)化往往是面向上層運行指標相關(guān)的經(jīng)濟效益最大化.為此,文獻[94?95]結(jié)合濕法冶金過程面向經(jīng)濟效益最大化的運行狀態(tài)自優(yōu)化,提出了過程運行狀態(tài)在線評價和非優(yōu)原因識別方法.尚有待研究的問題是針對實際生產(chǎn)中頻繁出現(xiàn)穩(wěn)態(tài)工況與動態(tài)過渡工況交替的變工況現(xiàn)象.全工況涵蓋了穩(wěn)態(tài)工況和動態(tài)過渡工況.動態(tài)過渡工況中,某些特征參數(shù)上的正常變化與異常變化有一定程度的重合.為此,需要研究實時精細化感知與分析全工況運行狀態(tài)評價的方法.

工業(yè)過程運行通常按照多層面組織,各層以不同時間尺度運行.優(yōu)化決策由操作員根據(jù)經(jīng)驗通過調(diào)整控制器設(shè)定值實現(xiàn),難以優(yōu)化.針對過程運行的目標是產(chǎn)生效益,Skogestad于2000年首先提出自優(yōu)化是以運行指標優(yōu)化為目標,對系統(tǒng)的控制結(jié)構(gòu)進行干預(yù),通過選擇(設(shè)計)合理的被控變量等方式自動實現(xiàn)運行指標的優(yōu)化運行.主要實現(xiàn)策略是以過程運行的經(jīng)濟花費、能源效率或間接控制目標為代價函數(shù)來設(shè)計被控變量,通過控制被控變量跟蹤設(shè)定值實現(xiàn)不確定性與變化擾動對于經(jīng)濟目標最優(yōu)化影響最小[96?99],離線使用模型研究優(yōu)化的控制結(jié)構(gòu),設(shè)計簡單的控制結(jié)構(gòu)使過程在變化擾動存在的情況下近優(yōu)運行.

智能決策協(xié)同控制系統(tǒng)運行時會出現(xiàn)穩(wěn)態(tài)與動態(tài)過渡交替的變工況現(xiàn)象.隨著系統(tǒng)復(fù)雜性的增大,系統(tǒng)模型難以獲得,開放環(huán)境下不確定性大干擾未知,系統(tǒng)運行伴隨多運行工況,造成以系統(tǒng)模型為基礎(chǔ)的自優(yōu)化方法對未知干擾的魯棒性差、對多工況切換下的自適應(yīng)差、局限于控制系統(tǒng)層.數(shù)據(jù)驅(qū)動的自優(yōu)化成為新的發(fā)展方向,利用系統(tǒng)的已知輸入輸出數(shù)據(jù)信息,建立系統(tǒng)運行指標與輸入動態(tài)數(shù)據(jù)之間的關(guān)系,再建立相應(yīng)的自優(yōu)化控制方法.文獻[100]在動態(tài)性能評估基礎(chǔ)上,提出了基于數(shù)據(jù)的操作量優(yōu)化設(shè)定補償方法,通過利用歷史數(shù)據(jù)在當前工作點附近建立操作量補償值和經(jīng)濟效益增量的實現(xiàn)過程運行自優(yōu)化.

尚有待研究的問題是:

1)針對復(fù)雜工業(yè)過程會出現(xiàn)偏離安全運行的異常工況和偏離最優(yōu)運行的非優(yōu)工況,將動態(tài)性能分析、自愈控制、自優(yōu)化相結(jié)合,建立由異常工況判別、非優(yōu)工況判別、自愈控制補償和自優(yōu)化補償組成的自愈控制與自優(yōu)化結(jié)構(gòu).

2)多運行狀況自優(yōu)化.研究提高自優(yōu)化控制的應(yīng)對多運行狀況的自適應(yīng)性方法,設(shè)計最優(yōu)設(shè)定值、控制變量和控制結(jié)構(gòu),實現(xiàn)系統(tǒng)不同運行狀況切換時的自優(yōu)化切換.

3)協(xié)同的自優(yōu)化.針對具有多個獨立子系統(tǒng)的系統(tǒng),每個子系統(tǒng)在設(shè)計自優(yōu)化控制時,其代價函數(shù)考慮對整體系統(tǒng)的影響,其約束條件需考慮子系統(tǒng)之間的協(xié)調(diào),在完成自身控制的同時完成整體的任務(wù)指標.研究通過操作指令與控制回路設(shè)定值協(xié)同調(diào)控,實現(xiàn)非優(yōu)工況的自優(yōu)化.

3.2.5 支撐運行監(jiān)控與自優(yōu)化系統(tǒng)的實現(xiàn)技術(shù)

目前,工業(yè)過程數(shù)據(jù)采集分析系統(tǒng)普遍以DCS為基礎(chǔ)構(gòu)建,采用的實時數(shù)據(jù)庫難以與高級運行數(shù)據(jù)庫集成,傳統(tǒng)系統(tǒng)架構(gòu)不能有效管理和利用多源異構(gòu)數(shù)據(jù).現(xiàn)有的以數(shù)據(jù)為中心的大數(shù)據(jù)計算架構(gòu)用于工業(yè)過程監(jiān)控時,存在以下問題:

1)現(xiàn)有面向批處理的并行計算模型數(shù)據(jù)處理的實時性不強,難以滿足工業(yè)過程監(jiān)控實時性的要求.

2)現(xiàn)有的大數(shù)據(jù)分析框架是通用的體系結(jié)構(gòu),長于查詢和分類聚類等簡單建模[101?103],難以滿足工業(yè)過程多層面聯(lián)合監(jiān)控和異常工況診斷等復(fù)雜的需求.

為此,工業(yè)過程運行監(jiān)控與自優(yōu)化難以直接應(yīng)用現(xiàn)有大數(shù)據(jù)計算架構(gòu)來實現(xiàn).工業(yè)過程全流程運行監(jiān)控需要感知市場需求變化、資源屬性變化和生產(chǎn)條件變化,對原有的基于DCS的計算機控制系統(tǒng)提出挑戰(zhàn).工業(yè)大數(shù)據(jù)技術(shù)、工業(yè)互聯(lián)網(wǎng)技術(shù)和工業(yè)云的發(fā)展支撐了研制生產(chǎn)制造全流程遠程、移動與可視化安全運行監(jiān)控系統(tǒng).有待研究的問題包括:

1)遠程和移動監(jiān)控系統(tǒng)實現(xiàn)技術(shù).基于云的多源異構(gòu)大數(shù)據(jù)的實時采集、傳輸、查詢、存儲;基于云計算技術(shù)的感知信息提取方法,實現(xiàn)云端服務(wù)化;基于大數(shù)據(jù)分而治之思想的MapReduce分布式計算技術(shù)[104?107]的在線建模和異常監(jiān)控技術(shù).

2)異常運行狀況監(jiān)控過程與結(jié)果的可視化技術(shù).為了有效實現(xiàn)“人在回路中”的監(jiān)控與決策,增強深度學(xué)習(xí)算法[108?109]的中間結(jié)果可解釋性,通過虛擬現(xiàn)實與增強顯示技術(shù)直觀顯示關(guān)鍵運行狀態(tài)的動態(tài)變化,圖像特征、模型特征、數(shù)據(jù)特征顯示技術(shù).

3)人機交互的多維可視決策監(jiān)控技術(shù).實現(xiàn)多個維度不同視角下對決策進行實時監(jiān)控,具體包括:宏觀維度對決策影響的系統(tǒng)整體運行趨勢實時可視化監(jiān)控,細觀維度對同一組決策指標間的關(guān)聯(lián)關(guān)系人機交互可視化,微觀維度對某個具體決策指標信息及其動態(tài)特性可視化.

4)基于移動云計算的決策監(jiān)控云服務(wù),包括決策監(jiān)控涉及的計算和信息存儲等密集消耗型資源通過云端服務(wù)化實現(xiàn),決策監(jiān)控涉及的可視化展示與人機交互等通過移動智能終端實現(xiàn).

5)支撐技術(shù)與平臺,包括多源異構(gòu)數(shù)據(jù)遠程移動獲取與存儲技術(shù)和大數(shù)據(jù)監(jiān)控方法的分布式計算技術(shù).另外,對于高耗能、高污染、高風(fēng)險的工業(yè)過程,實際過程操作不當易產(chǎn)生危及生命安全的故障,采用仿真技術(shù)建立虛擬的運行監(jiān)控與自愈控制半實物仿真實驗系統(tǒng),是相關(guān)研究必不可少的工具.

4 結(jié)論

本文對工業(yè)過程運行監(jiān)控系統(tǒng)的行業(yè)現(xiàn)狀和研究現(xiàn)狀進行了較為全面的綜述和梳理,將現(xiàn)有研究成果劃分為基于模型的控制系統(tǒng)故障診斷與容錯控制方法和數(shù)據(jù)驅(qū)動的異常工況診斷與自愈控制方法.指明了利用大數(shù)據(jù)、云計算和人工智能技術(shù)將工業(yè)過程信息資源和物理資源相結(jié)合來建立安全監(jiān)控與自優(yōu)化系統(tǒng)的發(fā)展趨勢.面向動態(tài)機理不清的工業(yè)過程異常工況與決策故障的監(jiān)控,給出了下一代智能化運行監(jiān)控與自優(yōu)化系統(tǒng)的新研究方向.

針對工業(yè)過程運行于開放不確定和信息不完全的環(huán)境中,需要應(yīng)對復(fù)雜多變的運行工況,其運行監(jiān)控下一步需要攻克的難點是將人工智能的機器學(xué)習(xí)算法與機理分析方法相結(jié)合,實現(xiàn)可解釋的運行工況特征學(xué)習(xí),以及在此基礎(chǔ)上的人機協(xié)同運行監(jiān)控.特別是在運行指標與決策的遠程移動可視化監(jiān)控、異常工況智能預(yù)測和自愈控制、系統(tǒng)動態(tài)特性評價和自優(yōu)化等方面取得進展,使其具備智能主動監(jiān)控和多智能體協(xié)同自優(yōu)化能力.