控制系統性能評估技術發展綜述

王志國,儲天舒,田 靜,劉 飛

(江南大學輕工過程先進控制教育部重點實驗室,江蘇 無錫 214122)

0 引言

控制性能評估(control performance assessment,CPA)是以工業應用為導向的研究領域。工業對生產性能和產品質量不斷增長的需求,推動了CPA技術的發展。Bauer[1]近年來的調查表明,CPA技術已被廣泛應用并發展出了一系列相關軟件工具。然而,控制回路中的故障和低水平的生產仍然廣泛存在。一項來自不同行業的調查表明[2]:85%的控制器在自動模式下運行低效;65%的控制器整定不佳;30%的控制回路在手動模式下運行。從控制回路的角度看,造成性能惡化的主要原因包括控制器不佳、閥門非線性、過程時延、受控過程設計不當、傳感器故障和外部干擾。CPA的主要目標是通過1個在線的自動化程序,評價當前控制系統的性能,從而幫助工作人員判斷其是否達到要求。

與CPA接近的概念是控制性能監控(control performance monitoring,CPM)。一般兩者不加以區分。Huang[3]認為CPM應該融合CPA和過程監控這2種技術。從現有大量文獻來看,“評估”更多涉及性能基準的計算,從而實現對當前控制回路整體性能的量化;“監控”通常依靠數據驅動,利用統計分析的手段檢測和診斷回路的部分環節。

20多年來,CPA不斷取得新的進展。1998年,Qin[4]針對基于模型的性能評估技術,重點綜述了最小方差(minimum variance,MV)性能基準及其在比例積分微分(proportional integral differetial,PID)控制器中的適用性。Jelali[5]從不同性能基準的角度回顧了CPA技術的發展,列舉了已經開發或上市的工業CPA軟件工具。薛美盛等[6]梳理了CPA的完整步驟,指出非線性和時變系統的評估以及與部件性能監測的結合需引起關注。Ding和Li[7]概述了部分現有CPA技術的局限性,提出了1個預測性的統一性能評估框架,展望了3種未來有潛力的發展方向。在CPM的一些細分領域:Gao[8]從大數據背景出發,探討了控制器自動維護的可行方案;Dambros[9]總結了CPM中使用的振蕩監測技術;還有一些研究工作專注于閥門粘滯診斷技術[10-11]。

本文以各種可能引起工業控制系統性能下降的原因為切入點,側重闡述數據驅動的CPA技術,以便學術和工業界在評估、檢測和診斷方面的工作開展;同時,介紹了若干公開數據庫,指出了現有技術的不足,提出了發展展望。

1 控制性能下降原因

調查顯示,工業控制系統中有41%的控制回路性能可歸類為“一般”或“差”。即使剛使用時表現良好的控制回路,其性能通常在一段時間后會出現下降[12-13]。雖然性能下降原因多樣,但大多數原因集中在回路的幾個組成部分。本小節簡要說明性能不佳的常見原因。控制回路中的CPA如圖1所示。

圖1 控制回路中的CPA框圖

1.1 控制器缺乏維護

自動控制系統中,盡管可能有其他更合適的控制器結構,但90%以上的回路還是使用PID控制器。在設備投產之初,控制器能夠被仔細地調試和整定。但隨著時間的推移,控制器往往數年得不到維護。在這期間,控制器性能下降的可能原因包括以下4點。

①控制器初始設計和整定問題。出于成本和時間考慮,控制器的設計沒有考慮系統中被控變量之間的相互作用,尤其在流程工業中沒有考慮補償經常出現的大滯后、強耦合問題。受限于工程師的經驗能力,在投產之前可能并沒有對控制器參數進行良好的整定。

②對象特性變化。隨著時間推移,被控對象的磨損增加、執行機構的摩擦加劇、工廠改造導致控制策略更新、生產原料變化導致回路設定值變化。這些因素使得原控制器參數設定不再適用。

③未及時整定控制器。1個工廠可能有成百上千個控制回路。面對龐大的系統,企業的維護工程師人數不足,沒有時間對所有控制器進行嚴格的測試和優化,一般只是解決“不穩定”甚至“不可用”的控制器。大多數控制器自安裝開始只被整定過1次。

④未升級自動化系統。流程工業中許多工廠的控制系統已經有很多年的歷史。面對越來越多的數據處理和性能評估需求,系統的計算能力可能無法達到要求。

1.2 閥門非線性

流程工業的控制回路中普遍存在振蕩問題,這會導致性能下降。通常認為,閥門非線性是振蕩的主要原因,而閥門粘滯是非線性的主要來源。非線性還包括閥門間隙、飽和、遲滯、閥門尺寸失配和非線性流量特性等次要來源[14-15]。圖2描繪了幾種閥門非線性特性。

圖2 閥門非線性特性示意圖

①閥門粘滯。閥門粘滯特性表現如圖2(a)所示。當閥桿反向動作時,靜摩擦力大于滑動摩擦力,導致需要增大控制器輸出才能驅動閥桿運動。閥桿被卡住不動的階段稱為粘滯。當閥門定位器使用更大的壓力迫使閥桿運動時會產生滑躍。這容易使閥桿再次卡住,導致粘滯和滑躍交替出現。此時,控制器輸出信號會出現鋸齒或三角形振蕩。一般認為,當移動閥桿所需的額外控制器輸出信號超過其正常信號范圍的5%時,就會激發振蕩現象[16]。

②閥門間隙。當閥門的機械零件中存在間隙時,會增加移動閥桿所需的時間。對于閉環回路,間隙也可能導致振蕩。與粘滯不同的是,其引起的振蕩信號峰值呈圓形,更像正弦波[17]。粘滯和間隙共同組成了閥門死區。

③飽和。如圖2(b)所示,當閥門已經處于全開或全關狀態時,控制信號的繼續增加或減少不會產生實際動作。

④遲滯。如圖2(c)所示,遲滯指當閥桿反向時,相同輸入信號會導致不同的閥門位置。在閉環系統回路中,其產生的非線性并不顯著。

⑤閥門尺寸與流量特性。一方面,過大或過小的閥門會對控制信號產生不合適動作,使上述問題進一步惡化。另一方面,閥門尺寸不當可能放大流量的非線性特性,導致流量過大或不足,從而引起回路振蕩。

1.3 過程對象問題

本文將被控對象和傳感器納入過程對象的范疇。這其實是整個控制回路中最為復雜的部分。雖然調整控制器是提升回路性能的主要方法,但大多數控制性能問題本質上都來自于過程對象。以下總結了一些常見問題。

①工藝設計不佳或設備故障。過程對象的工藝設計決定了控制器性能所能達到的上限。有時,1個性能一般的控制器在易于控制的過程中表現良好,而先進的控制器可能也無法彌補工藝流程的缺陷。一般而言,設備故障可以更換或維修,而工藝問題往往難以重新改造,并且通過調整控制器進行改善的空間不大。

②復雜的對象特性。由于工藝的固有特性,被控對象可能為多變量、強非線性、大滯后。被控變量之間存在相互作用,給控制帶來較大難度。

③外部振蕩干擾。在實際工廠環境中,干擾可能來自多個方面,如環境溫度的升降、風力的波動、原料和產品數量的變化。如果沒有采用前饋控制對其進行補償,這些外部干擾可能導致輸出振蕩。

④傳感器故障。傳感器的精度可能會隨時間推移而下降。根據優化控制和實施性能評估的需要,應考慮及時更換和添加新的傳感器。

2 CPA方法

控制系統的性能一般指其處理受控變量與設定值偏差的能力。通常用1個性能指標來量化這種能力。當控制回路出現確定性干擾或設定值變化時,往往采用傳統的性能指標,如上升時間、調節時間、超調量、穩態偏差或者誤差積分來評價其性能。CPA技術更關注使用方差衡量控制器的隨機性能。被控變量的方差能夠反映產品質量和穩定性,與企業效益直接相關。

通常使用理想性能與實際性能的比值來計算性能指數。由于理想性能難以實現,比值通常在0～1之間。比值越接近1,則意味著性能越好。CPA技術發展至今,涌現了許多估計理想性能的方法,并以此為基準來評估控制性能。由于實際工業中控制器和被控對象類型多樣,研究人員針對多種實際情況開發了不同的評估方法。此外,數學工具和數據驅動技術的發展豐富了性能評估方法。

2.1 性能評估指標

2.1.1 MV指標

CPA的研究可追溯至1967年,建立在隨機控制理論的基礎上。Astrom[18]把最小方差控制(minimum variance control,MVC)應用在造紙機控制中。隨后,Devries 和Wu[19]通過對比實際輸出方差與理論MV,評價過程控制的有效性。Harris[20]則提出了標志性的以MV為基準的性能指標η。

(1)

式中:d為過程時延;fi為噪聲信號激勵的閉環脈沖響應系數。

Desborough和Harris[21]指出,無需求解Diophantine方程,通過輸出數據的自回歸分析和過程時延的先驗知識,可以很輕松地估計出MV性能指標。

研究學者從多個方面對MV性能指標進行推廣和完善。對于不同的控制結構,Desborough和Harris[22]認為單個反饋控制器的性能有限,并將MV性能指標應用在前饋加反饋的控制回路評估中。這種方法具有非侵入性,估計最優性能時只需使用常規運行數據,無需對回路進行額外測試。Stanfelj等[23]使用MV分析方法診斷前饋控制器的性能。McNabb和Qin[24]提出子空間投影法估計前饋-反饋控制系統的MV性能。Ko和Edgar[25]提出了串級控制回路的MV性能評估方法。Thornhill[26]等研究了設定值跟蹤的CPA問題,分析了設定值變化時控制性能區別于設定值恒定時的原因。McNabb和Qin[24]通過將輸出數據投影到設定值變化矩陣的正交空間上,消除設定值變化對MV性能計算的影響。Moridi等[27]將MV性能指標應用于切換控制系統的設計中。

對于不同的受控對象。Tyler和Morari[28]將MV性能指標推廣到不穩定和非最小相位系統,分析了其對不穩定極點和不可逆零點的敏感性;隨后,使用廣義似然比[29]檢驗實際的閉環傳遞函數脈沖響應系數是否超出范圍,以此判斷性能惡化程度。Li和Evans[30]研究了線性時變控制系統的MV控制器。Huang[31]針對擾動突變引起的時變過程,提出了以MV為基準的線性時變過程的CPA方法[32]。Olaleye等[33-34]的研究工作也是沿著這一方向開展的。張巍等[35]分別提出了多模型混合時變MV控制準則,并將其應用于多時變擾動系統的性能評估。王志國等[36]以MV為基準,研究了不同結構非線性對象的CPA問題。Lynch和Dumont[37]在估計MV指標時,使用Laguerre網絡建模,避免了求解Diophantine方程。Yu[38]等研究了采樣抖動對MV性能指標的影響。

MV是一個理想的性能指標,只考慮將過程時延作為限制控制器性能的唯一因素。但有諸多客觀原因導致它可能無法實現[39],如過程為非最小相位、執行機構飽和、控制動作激進、采樣率約束、魯棒約束等。由于MV實際上給出了輸出方差的下限,以此評價控制回路的當前性能仍然具有指導意義[40]。MV已經在許多實際工業控制系統的性能評估中成功應用[41]。

2.1.2 線性二次型高斯和廣義最小方差指標

Huang和Shah[42]認為評估控制器的性能應該考慮控制代價,由此提出了線性二次型高斯(linear quadratic Gaussian,LQG)指標JLOG:

(2)

本文對控制作用施加懲罰權重λ。LQG指標將最小化輸入和輸出方差的二次函數作為理想性能基準。性能評估時,LQG指標可以通過改變權重提供權衡曲線,并將曲線與實際輸入方差對比,從而觀察輸出波動的改進潛力。

相比于MV性能指標,更實際的LQG指標帶來更高的復雜度。這主要體現在最優值求解與模型獲取問題上。Kadali和Huang[43]提出使用閉環數據的子空間辨識來估計LQG基準。隨后,Danesh Pour等[44]又進一步分析了該方法的模型估計一致性問題,并將該方法推廣到串級控制系統[45]。Zhao等[46-47]基于LQG基準評估預測控制系統的經濟性能。

同樣考慮對控制作用的懲罰,廣義最小方差(generalised minimum variance,GMV)基準[48]是MV基準的直接推廣。

JGMV=E[(Pcet+Fcut)2]

(3)

式中:Pc、Fc為誤差信號和控制信號的權重。

事實上,GMV控制律與MV控制律結構相同。與LQG相比,GMV推導過程更簡單。其特點是評估性能的方差計算額外考慮了控制作用。Grimble和Uduehi等[49]分析了權重選擇問題。Maboodi等[50]使用非線性GMV控制器概念,對一類用自回歸二階Volterra序列建模的非線性系統進行性能評估。王志國等[51]使用辨識方法獲得閉環系統模型,提出了1種基于GMV基準的非線性CPA方法。

2.1.3 其他性能指標

用戶自定義指標是CPA的主要研究方向之一。前述MVC要將所有的閉環極點補償為零,而Horch和Isaksson[52]提出可以由用戶選擇設定1個極點位置,從而使評估更符合實際情況。在工業實踐中,維護工程師通常從系統運行的歷史數據中拿出表現較好的一部分來評估當前控制性能[53]。此方法使用的基準被稱作“歷史數據基準”。林曉鐘等[54]引用1種綜合相似因子來衡量當前實時數據和基準數據的相似性,再進行CPA。蘇成利等[55]提出了1種改進的用戶自定義指標CPA方法,簡化了算法復雜度。Meng等[56]提出基于方差上下界的性能指標,從而為改善控制性能提供指導。Khamseh等[57]融合了多個評估指標,使基于評估結果的決策更具可靠性。Salsbury和Alcala[58]利用指數加權平均方法開發了2個易于計算且可嵌入PID控制器的指標。Schlegel等[59]引入離散傅里葉變換,提出了基于靈敏度函數的性能指標。Alagoz[60]等提出使用參考干擾比指數來評估閉環控制系統的抗干擾性能。

2.2 限定控制結構的性能評估

2.2.1 PID控制器的性能評估

實際工業控制系統中,超過90%的回路使用PID控制器。文獻[61]和文獻[62]將控制器的結構限定為PID后,再對MV目標函數進行求解,同時得到了以性能為導向的最優PID參數[63]。

(4)

與LQG指標類似,PID控制器的性能評估存在2個限制條件。

①模型獲取。PID控制器的目標函數一般需要過程模型或確定性干擾模型。

②迭代優化。PID控制器的最優化迭代求解計算量大,容易陷入局部最優。有學者建議基于內模控制(internal model control,IMC)設置PID控制器參數,從而簡化優化問題。

Grimble[66]基于狀態空間模型推導了1個簡單的優化方法,無需過程模型。Kinoshita等[67]利用虛擬參考迭代整定(fictitious reference iterative tuning,FRIT)技術對PID控制器的GMV指標進行評估。此外,Yu[68]等提出了1種基于內模控制-積分絕對誤差(internal model control-integrated absolute error,IMC-IAE)的指標,以評估PID控制器的設定值跟蹤性能。為評估針對不穩定過程設計的PID控制器的設定值跟蹤和抗干擾能力,Begum 等[69]提出了基于直接合成-積分絕對誤差(direct synthesis-integrated absolute error,DS-IAE)的指標。范惠劍等[70]針對PID控制性能因系統工況等因素出現退化的問題,提出了1種在線CPA及參數校正方法。

2.2.2 模型預測控制的性能評估

過去30多年以來, 模型預測控制(model predictive control,MPC)技術已經廣泛應用于化工、煉油、冶金和造紙等行業。因此,使用專門的MPC性能評估技術十分重要。Zhang和Henson[71]、Ko和Edgar[72]分別對MPC和帶有約束的MPC系統性能評估進行了研究,刪去了基準中的加權控制作用部分。其可以類似于MV,在評價指標中僅關注輸出誤差。但前者在期望輸出計算時考慮了對控制作用的約束。Sch?fer和?inar[73]融合了歷史數據與現實性能,將MPC性能評估分為檢測和診斷兩部分。

雖然多數MPC評估基準都比MV性能指標基準更加現實,但實際工業控制系統MPC設計時假設干擾為隨機游走模型,如果性能評估時考慮真實的干擾模型,評估指標往往偏低。此時可能無法區分問題來自模型失配還是控制器整定[74]。最近十年,MPC性能評估方法得到很大發展。針對MPC模型質量問題:Sun等[75]使用閉環數據獲得模型殘差的MV性能指標基準構造模型質量指數;Betellov等[76]在工業中應用了其提出的一些模型評估方法。針對不同類型的MPC性能差距:Duarte-Barros和Park[77]分別使用MV性能指標、統計過程控制、歷史數據指標,對3種MPC算法進行了評估;Domanski[78]對比了非線性MPC的性能。劉詟等[79]采用基于線性二次型高斯基準的MPC雙層優化結構,對延遲焦化加熱爐的多變量MPC控制進行了經濟性能評估和分析;周培杰等[80]提出了1種基于優先級策略的模型預測CPA方法,可實現卡邊控制,從而最大化經濟效益。另外,一些諸如非高斯統計[81]、分形分析[82]的數學工具被應用于廣義預測控制的性能評估中,而平方誤差積分(integral square error,ISE)指標[83]也被應用于串級動態矩陣控制中。

2.3 多輸入多輸出系統的性能評估

性能評估技術的實際應用必然要面對多輸入多輸出(multi-input multi-output,MIMO)控制系統。前文所述的一些性能評估方法可以直接擴展到這類系統上。同時,面對MIMO控制系統的復雜性,也出現了一些新的評估技術。在MIMO控制系統中,單一的時延信息推廣為1種能夠表征系統時延的關聯矩陣。Huang等[84]使用從過程傳遞函數矩陣中分解出的下三角關聯矩陣推導系統的MV。Harris等[85]借助內模結構,利用關聯矩陣的譜分解和Diophantine方程的求解,重新計算了LQG控制最優解,證明了多變量系統的MV輸出是1個有限階的滑動平均過程。

上述方法在求解關聯矩陣時既要掌握過程模型的全部信息,又要進行復雜的計算,條件相對嚴苛。為了解決這個問題,Huang等[42]引入酉關聯矩陣(unitary interactor matrix,UIM)。其計算僅需過程模型的前幾個馬爾可夫參數,通過奇異值分解(singular value decomposition,SVD)技術確定關聯矩陣的階。近年來,許多研究者致力于從數據驅動的角度降低對先驗知識的依賴或減少評估過程的復雜性。Ko等[86]提出1種不需要計算關聯矩陣,只需要過程的前幾個馬爾可夫參數和1組閉環操作數據的MV性能估計方法。該方法沒有減少先驗知識,但簡化了性能指標的計算,給出了明確的“一次性”解決方案。McNabb 等[87]不使用關聯矩陣,而是從狀態空間模型中提取多變量時延(multivariate time delay,MTD)矩陣,推導了狀態反饋形式下的MV控制,提出了1種利用數據投影的性能評估方法。隨后,上述2種方法在子空間方向上實現了擴展。Kadali等[88]一方面在子空間框架下推導了MV性能指標,證明了過程馬爾可夫參數矩陣與關聯矩陣的內在聯系;另一方面還從狀態空間模型的角度重新凝練了評估方法,并在實際工業應用中予以驗證。Shang等[89]改進了單一的歷史數據指標,提出了基于歷史預測誤差協方差的多指標評估方法。Wang[90]提出了一種不依賴關聯矩陣的概率版性能評估框架。

Huang等[91]在MV的基礎上融合期望的閉環動態,提出1種用戶定義的性能基準。隨后,其進一步提出了1種只需要關聯矩陣階數的次優性能基準,并估計了MV的上下界。MIMO控制系統性能評估的研究除了專注于關聯矩陣或其等效形式,還通過構造輸入/輸出(input/output,I/O)時延矩陣降低了對過程模型的需要。Xia等[92]通過提取每對I/O間的時延,構成I/O時延矩陣,以此計算關聯矩陣的階數,并解決了計算次優性能基準時的模型辨識問題。Huang等[93]利用帶系數的I/O時延矩陣判斷關聯矩陣是否為對角陣,以降低性能評估復雜度。Yu和Qin[94]從I/O時延矩陣中提取左/右對角關聯矩陣代替UIM,降低了MV的計算負擔。Huang等[95]利用I/O時延矩陣信息,直接從干擾模型的馬爾可夫參數中計算MV的性能指標。趙宇等[96]基于多變量MV性能指標,提出了1種以廣義MV為基準的多變量系統性能評估方法。

3 性能評估數據集

CPA方法需要使用數據進行驗證。數據驅動的方法既可用于對過程對象建模或估計控制系統的性能,也可用于對回路故障的檢測和診斷。對于數據的需求催生了一些仿真平臺,并由此得以建立了一些公開的數據庫。本節將介紹其中4個數據庫。

Jelali和Huang[97]建立的數據庫包含來自不同過程對象和不同工業部門的測量數據。其按照不同回路分類設置數據結構。其中的回路可能存在故障,也可能性能良好。每個回路均包含對象類型、時間、設定值、采樣周期、控制器輸出和被控變量等必要信息,還有一些回路附加了控制器參數(如比例增益、積分時間)、輸出誤差等信息。

Bauer[98]引入了適用于單回路和全工廠范圍的控制器性能監控數據庫。該數據庫的優點在于集成了單變量和多變量對象類型的數據。單回路數據包括設定值、控制器輸出、被控變量、采樣周期以及數據是否歸一化。整個工廠范圍的數據集包含了各種控制回路的實測值。另外,每個數據集都附上了1個描述性文件。該描述性文件描寫了這些數據集測量過程的相關信息。

著名的田納西-伊斯曼(Tennessee Eastman,TE)仿真平臺也可用于CPA算法測試。其生產的數據具有時變、強耦合和非線性特征,經常用于研究閥門粘滯、控制器整定、外部干擾等性能問題。另外,Rieth等[99]生成了1個額外的TE過程數據集。該數據集包含500次模擬運行數據。其中,20次為故障模擬。每次模擬運行均利用25 h生成訓練用數據、48 h生成測試用數據。采樣周期為3 min,共分別生成500個和960個樣本。其中的Simulink仿真文件包含4個模型:①基于開環策略的模型;②基于分布式控制策略的多回路模型;③與模型②相似但允許冷卻劑閥門飽和的模型,此時由于不能減小再循環閥的開度,可能會導致失去對反應器液位的控制;④與模型②相似但具有自優化控制策略的模型。后來,Andersen等[100]提供了1個用戶圖形界面,可以根據需要產生TE過程數據集。

Dambros等[101]分享了1個從私營油氣公司獲取的單輸入單輸出控制系統數據庫和1個基于Python的可視化分析工具包。數據庫由3個文件組成,其中包含了52個控制回路(多數是流量控制)的設定值、控制器輸出、操縱變量、輸出變量信息。

4 展望

CPA領域經過近30年的發展,其評估的基準從MV延伸發展出各類其他性能指標。但面對現代工業控制系統的大規模、復雜性、非線性和不確定性等特點,CPA/CPM依然是開放性課題,仍有許多問題值得深入研究。

①實際工業系統或多或少存在非線性。線性系統的性能評估方法并不能直接用于非線性系統。一般而言,線性系統的CPA可通過估計單位脈沖響應系數獲得。但對于非線性系統,此等價關系并不存在。另外,非線性過程本身的復雜性,導致描述其特性的非線性模型具有時變或不確定性等。作為基于數據的CPA方法所需的系統辨識環節,可能面臨模型結構的多重性和數目龐大的待辨識參數。非線性干擾模型的復雜性也會進一步導致在整個非線性系統建模、是否存在MV性能下限的驗證方面面臨挑戰。

②CPA的首要任務是性能評估。在性能不良時需要進一步診斷性能。對于多種可能導致控制性能不良的因素(如控制器結構不合理、參數整定不充分、傳感器和執行器故障以及設備運行中原料類型變化等),使用基于數據的方法值得進一步探究。該方法首先研究單一因素下的控制性能診斷方法,然后據此建立多因素的控制性能診斷框架模型。由于控制系統各部件間以及各對應的性能診斷方法之間存在不確定性,基于Bayesian的控制性能診斷是可以考慮的方法。該方法先建立 Bayesian 網絡,再使用樣本學習或專家估計等方法獲得各節點間的條件概率,最后由 Bayesian 推理確定性能不良的根源。

③值得注意的是,在確定的控制策略下,預測整個控制系統的經濟性能具有重要意義。在評估和檢測不良回路時,一般遵循從監督控制層到基本控制層的順序。這是因為企業往往更關注與其利潤直接相關的監控部分。經濟效益是對整個控制系統進行維護和預測性調整的基礎。經濟性能預測應包括對經濟性能檢測和經濟性能下降預測這2個部分。

④隨著對工業生產的經濟性能和產品質量要求的不斷提高,學者對復雜控制系統的性能退化預測和恢復方法有更高的期望。CPA的一大目的是為性能改善提供指導。有許多學者提出了性能恢復技術和策略。在這方面的主要方法是重新整定控制器。基于數據驅動的強化學習技術可以對控制器進行在線優化。優化算法分為控制策略評估和策略改進2個步驟。基于強化學習來統一控制、評估、檢測和診斷將成為未來的重要研究方向之一。

⑤在過去的幾年中,數字孿生技術得到很大發展,并應用了統計學習、機器學習和遷移學習等方法來增強其自學能力。在許多工業部門,數字孿生技術已成為實現控制系統預測性維護和產品全生命周期管理的強大工具。未來,數字孿生技術應開發一些與CPA相結合的相關功能模塊,如在線學習更新的系統動力學模型,以及針對復雜控制系統設計的性能評估模塊、性能下降預測模塊、故障檢測和診斷模塊等。為了實現結合,在云計算時代相應的服務器平臺和開發環境可以為其提供服務。

⑥CPA和過程監控技術的結合值得關注。CPA主要實現對控制器性能的評估、診斷和優化。現有成果主要集中在性能評估階段,后續的診斷和優化依然沒有形成比較系統的方法。而過程監控作為一種質量管理技術,目標是實現對各過程階段的評估和監控,建立并保持過程處于可接受且穩定的水平。從這個角度看,兩者之間存在共通之處。因此,利用過程監控領域已有的豐富研究成果,建立結合2種技術的綜合性系統監控、診斷以及決策系統架構值得進一步研究。

還需要指出的是,CPA算法在具體環境中的應用也面臨著一些亟待解決的問題。作為一種基于數據的方法,CPA離不開數據采集系統的支撐。現有很多企業的分布式控制系統數據庫往往數據存檔或數據采樣頻率較低,不能滿足CPA對數據質量的要求。而重新建立數據采樣系統則成本過高且難以實施。因此,如何基于現有條件完善數據預處理,以提高CPA結果準確率值得研究。同時,下一代控制系統將配備更好的信息獲取和傳輸設施,具備更強的數據計算能力。這將有助于促進CPA技術的進步。

5 結論

CPA作為1種涉及多種學科、技術集成度高且可覆蓋不同工業領域的綜合技術,其應用對增加企業經濟效益、提高生產效率、維護生產流程安全運行以及提高市場競爭力具有重要意義。本文重點對控制系統性能整體量化和分析技術方面取得的理論和實踐成果進行了總結,并對未來CPA領域可期的研究方向進行了展望。相信隨著生產企業從“制造”向“智造”的轉變,以及工業和信息融合大趨勢的推進,CPA作為1種新的智能化技術會日益顯示其重要性。