现代工业过程向大规模、连续化、集成化方向发展, 有必要对生产全流程运行的决策、协同控制、底层控制进行有效 监控, 也是当前国际控制领域的研究热点. 本文首先分析了工业过程全流程运行监控的内涵与行业现状; 其次, 阐述了基于模型的控制系统故障诊断与容错控制方法, 以及数据驱动的异常工况诊断与自愈控制方法的研究现状, 并指明了信息物理系统 (Cyber-physical systems, CPS) 时代智能安全运行监控与自优化的发展机遇; 最后, 论述了工业过程运行监控与自优化研究的新方向和最新进展, 包括: 1) 数据驱动的决策、协同控制、底层控制多层面联合监控; 2) 基于机理、数据、知识多源动态信息融合的异常工况诊断; 3) 专家知识与控制手段相结合的协同层自愈控制; 4) 数据驱动的运行动态性能分析与自优化; 5) 支撑运行监控与自优化系统的实现技术.

工业过程全流程运行监控的内涵

工业生产要求全流程在安全运行的前提下, 使反映加工半成品的质量和效率的运行指标尽可能高, 反映资源消耗和加工成本的运行指标尽可能低, 而且与上下游工序的过程控制系统协同. 生产任务不只是局限于底层输出跟踪设定值, 而且要求生产运行向上层要满足用户需求和原料状况, 向下层又要综合考虑底层控制性能和设备状态、运行环境等生产条件. 流程工业生产连续程度高、设备众多、变量间耦合严重、产品固定、产量大, 具有复杂能量和物 质回流、机理不清等典型特点; 离散工业结构复杂、工艺过程长、产品工艺和设备柔性、产品和物料品种规格多, 具有非标定制需求、多单元柔性加工、多/ 变约束运行等典型特点. 在上述复杂工业环境和需求中运行的生产全流程控制与运行管理系统, 因生产条件的频繁变化和恶劣环境, 还可能造成运行指标、过程控制系统设定值的决策失误带来的异常工况, 影响生产全流程的安全运行和产品质量. 因此, 除了要对常规的部件异常进行实时监控外, 还需要能够实现监控生产全流程生产条件和运行环境变化、决策不当等引起的异常工况、运行指标异常和协同控制异常等.

工业过程全流程运行监控的内涵是利用相关物理资源和信息资源 (例如设备状态数据、过程数据、 图像、振动声音、巡检记录文本、决策信息等), 综合控制理论、统计计量学、机器学习等理论技术以及人员经验实现工业过程监控与异常运行状况预测, 判定待监控对象 (包括决策和管理执行状况, 产品质量、能耗物耗、排放等运行指标, 控制系统性能, 生产与人员安全, 生产环境与关键设备) 是否符合预期或标准, 将结果在监控周期内 (实时、定期巡检与抽样) 反馈给实施监控的对象 (管理人员、操作人员、工艺人员、设备维护人员等). 在运行监控基础上诊断异常发生时间、原因和位置等, 并根据评价结果进行生产决策、控制与维护, 从而保障生产及人员安全、 提高产品质量和生产效率、降低生产成本、节能减排, 实现安全、绿色、高效生产的目标.

工业过程全流程运行监控的行业现状

目前, 工业过程大多按企业资源计划(Enterprise resource planning, ERP)、制造执行系统 (Manufacturing execution system, MES)、过程控制系统 (Process control system, PCS) 三层结构组 织生产, 需监控管理与计划决策、运行指标 (产品质量、能耗物耗、排放)、控制系统性能与状态、人员安全与行为、环境与关键设备状态.

现有的监控与数据采集的一类系统主要是 PCS 层数据的采集与监测. 对于典型的流程工业而言, 利用集散控制系统数据对执行器、传感器故障、控制系统组件失效或设备状态异常而引起的变量超限进行监控, 虽然具有异常报警功能, 但只是根据输入输出数据是否超过限制值, 瞬间的超限因控制系统的作用而消失, 且由于决策与控制的闭环反馈作用和系统各单元间的耦合作用会使输入输出互为因果关系, 容易造成误报和异常溯源困难; 对于离散工业而言, 主要是通过单源特征参数来监控关键加工设备的局部运行状态. 该类监控系统因忽略了数据的相关关系与因果关系, 导致监控结果不可靠且不能全面监控全 流程运行和中间产品质量. 为提高过程监控和异常定位的准确性, 工业界国内外一些先进企业特别是石化和钢铁行业逐渐开始采用统计过程监控技术对关键设备和生产流程进行监控. 美国 Aspen公司开发的统计过程监控软件已被石化企业广泛采用. 在钢铁行业, 加拿大 Dofasco 钢铁公司二号连铸机组成功采用统计过程监控技术实现了开浇阶段断浇故障的监控与预防, 以及不同钢种切换过渡过程的监控.

对于管理与计划决策、运行指标、控制系统性能与过程运行状态、环境和关键设备状态、人员决策与操作尚缺乏有效的监控. 管理与计划决策监控主要是对ERP和MES执行结果的监控, 无法分析异常原因、监控不及时, 无法实现决策、控制、设备一体化监控; 对于产品质量和能耗物耗、排放等运行 指标的监控主要是根据控制图 (例如休哈特控制图、累加和控制图、指数加权平均控制图) 等抽样检验, 属于事后监控、实时性差; 环境和关键设备状态的监控通过人员持检测仪表在生产线的巡检完成, 无法实时监控原料及用户需求、系统运行环境、设备状态等生产条件的异常变化.现有运行优化与控制算法通常没有识别生产条件和运行工况变化的功能, 不能适应工业过程的这种动态变化, 在生产条件发生非期望变化时, 如果处理不当就会导致系统性能变坏, 使系统运行处于异常工况.

上述异常工况发生时, 由于异常工况机理不清导致难以利用现有监控系统来诊断, 通常由运行工程师靠耳朵和眼睛来观测运行工况表征以及利用 ERP, MES, PCS 获取的子系统/单元的短时运行数据凭经验判断与处理. 由于诊断与处理具有主观性、滞后性和非优性, 造成诊断与处理结果的差异大, 无法保证最优且处理不当可造成严重的灾难性后果, 难以安全优化运行.

工业过程运行监控的研究现状

目前, 工业过程安全运行监控的研究主要是基于模型的单元内控制系统故障诊断与容错控制方法, 以及数据驱动的异常工况诊断与自愈控制方法.

对于可以获得系统模型的工业过程或生产单元, 基于模型方法利用可测信号估计系统状态或残差进行监控, 包括参数估计方法、观测器方法、对偶关系方法等对预先定义的传感器、执行机构、被控对象故障实现单元级控制系统故障的诊断. 容错控制是利用系统模型设计容错控制器, 实现传感器、执行机构、被控对象故障情况下通过一定程度降低系统性能来保证稳定性和安全. 上述方法均以精确数学模型描述的过程模型为基础, 仅限解决单元内控制系统故障的监控与诊断, 性能的好坏很大程度上依赖于模型的准确程度, 不能解决机理不清的复杂工业过程全流程的运行监控与异常工况诊断问题.

对于机理不清的难以获得精确数学模型的工业过程而言, 运行异常原因不仅包括传感器故障和执行机构故障等控制系统故障, 还包括原材料波动、运行环境变化、过程设备磨损老化、操作不当等原因引起的异常运行工况和产品质量不合格, 难以采用传统基于模型方法进行诊断. 数据驱动的监控与故障诊断方法通过各种数据处理与分析方法 (例如多元统计方法、聚类分析、频谱分析小波分析等) 挖掘数据中隐含的异常工况相关信息进行诊断. 研究和应用最多的是以单一层面的主元分析和独立元分析以及多层面的偏最小二乘算法等为代表的多变量统计过程监控方法. 通过比较正常和故障条件下数据相关结构的变化来监控和诊断故障. 该类方法因其具有降维、便于可视化的优点, 已在化工、薄膜制造、医药、微电子制造、钢铁生产等多种流程工业中取得成功应用. 国内外学者在数据驱动的工业过程监控方面已经发表了大量研究成果, 主要是针对具体的工业过程具有的大规模、间歇时段性、多层面运行、动态性、强非线性等过程复杂性, 从提高过程监控结果的解释性和准确性的角度提出的过程监控与故障诊断方法.

迄今为止, 上述大多针对具体工业过程的方法研究, 尚未形成工业过程安全运行与自优化系统.

CPS 时代安全监控与自优化的机遇

由 ERP, MES, PCS 三层结构组织的工业过程生产的企业目标、资源计划、调度、运行指标、生产指令与控制指令的决策处于人工状态, ERP, MES, PCS 三者无法实现无缝集成. 下一代工业过程生产系统将发展为由智能自主控制系统、智能协同控制系统、智能优化决策系统、虚拟制造系统、安全运行监控系统组成的智能优化决策系统, 如图1所示. 其中, 工业过程安全运行监控与自优化系统利用工业互联网和大数据管理云平台来获取智能自主控制系统、智能协同控制系统、智能优化决策系统、虚拟制造系统所产生的历史运行工况数据, 建立各系统/单元内和系统/单元间协同的运行工况的模型, 在此基础上以人机交互的方式监控整个生产全流程的决策和协同, 保障系统安全、可靠、优化运行. 其主要新特征是将工业互联网的计算资源与工业过程的物理资源紧密结合与协同, 采用智能手段并充分利用优化决策系统、协同控制系统、智能化控制系统获得的多层面多源异构动态数据, 从而将工业过程安全监控与自优化发展为 CPS. 近几年大数据、云计算和人工智能技术的迅猛发展为实现下一代智能化运行监控与自优化系统创造了条件. 一方面, 大数据和云计算技术提供了必要的数据资源和计算资源; 另一方面, 以深度学习为代表的人工智能技术从基于逻辑推理和概率统计的传统范式向大数据驱动的新范式转变, 通过解析多源异构动态数据中隐含的复杂结构特征来处理异常运行状况的不确定性和模糊性, 为研究工业大数据条件下异常工况诊断与自优化系统和新方法奠定了基础.

图 1  工业过程运行监控系统的作用

工业过程智能化运行监控与自优化系统的发展愿景

工业过程智能化安全运行监控与自优化系统集运行状况感知与特征提取、运行状况监控、动态性能评价、异常运行状况预报、自愈控制/自优化于一体, 采用智能手段利用大数据对系统动态运行状况、运行目标、运行环境进行远程移动实时准确的可视化监控, 具有远程移动可视化、异常运行工况监控和自优化三大类功能. 其愿景功能是智能自主感知与监控整个过程的决策和协同控制. 在此基础上, 评价系统动态性能, 预报异常运行状况, 在系统运行环境变化导致的异常工况下, 通过自愈控制和自优化使系统恢复安全优化运行. 目标是实现运行监控的精准性、实时性、预测性、远程移动可视化性, 以及动态运行性能与运行指标的自优化, 保障其安全优化运行.

具体功能包括: 1) 智能优化决策运行的监控, 包括对决策控制一体化的监控、协同优化的监控、协同控制的监控、过程运行工况的监控、控制系统的监控、关键设备状态的监控; 2) 运行环境指标的监控与溯源; 3) 人员安全与操作行为的监控; 4) 产品质量、安全、排放、泄露等安全优化运行指标的监控与溯源; 5) 智能优化决策系统运行动态性能评价, 实现智能优化决策系统一体化优化运行的动态性能评价、协同控制的动态性能评价、底层控制的动态性能评价; 6) 异常工况的智能预测; 7) 自愈控制与自优化控制: 采用自愈控制/自优化手段对决策和控制进行调整, 使系统从异常工况/非优工况恢复安全优化运行, 实现运行指标 (经济指标、能耗、物耗、加工精度等) 自优化运行.

工业过程智能化运行监控与自优化研究的新方向

为实现上述发展目标和功能, 解决动态机理不清的工业过程异常工况与决策故障等的监控, 需要重点研究如下五个新方向.

1）数据驱动的决策、协同控制、底层控制多层面联合监控

2）基于机理、数据、知识多源异构动态信息融合的异常工况诊断与预测

3）专家知识与控制手段相结合的协同层自愈控制

4）数据驱动的运行动态性能分析与自优化

5）支撑运行监控与自优化系统的实现技术

针对工业过程运行于开放不确定和信息不完全的环境中, 需要应对复杂多变的运行工况, 其运行监控下一步需要攻克的难点是将人工智能的机器学习算法与机理分析方法相结合, 实现可解释的运行工况特征学习, 以及在此基础上的人机协同运行监控. 特别是在运行指标与决策的远程移动可视化监控、异常工况智能预测和自愈控制、系统动态特性评价和自优化等方面取得进展, 使其具备智能主动监控和多智能体协同自优化能力.

引用格式：刘强, 卓洁, 郎自强, 秦泗钊. 数据驱动的工业过程运行监控与自优化研究展望. 自动化学报, 2018, 44(11): 1944-1956刘强, 卓洁, 郎自强, 秦泗钊. 数据驱动的工业过程运行监控与自优化研究展望. 自动化学报, 2018, 44(11): 1944-1956

链接：http://html.rhhz.net/ZDHXBZWB/html/2018-11-1944.htm

作者简介：

刘 强 东北大学副教授. 2014～2016年间于美国南加州大学化工系从事博士后研究. 主要研究方向为数据驱动的建模, 过程监控与故障诊断.

Email: liuq@mail.neu.edu.cn

卓 洁 东北大学硕士研究生. 主要研究方向为工业过程统计过程监控与故障诊断.

E-mail: zhuojie1996@126.com

郎自强 英国谢菲尔德大学教授. 主要研究方向为非线性系统建模, 分析和设计, 工程系统健康监测与故障诊断.

E-mail: z.lang@sheffield.ac.uk

S. Joe Qin 美国南加州大学教授, IEEE Fellow, IFAC Fellow, AIChE Fellow. 主要研究方向为统计过程监控, 故障诊断, 模型预测控制, 系统辨识, 建筑能源优化与控制性能监控.

E-mail: sqin@usc.edu