工业过程智能制造的目标是实现智能生产，其关键是实现制造流程智能化，愿景是建立以企业高效化与绿色化为目标，以实现制造流程的智能优化决策与加工装备（过程）智能自主控制为特征的制造模式。实现这一愿景的关键是要实施工业过程运行优化控制，其内涵是其通过优化与控制的智能化和集成化，感知生产条件的变化，自适应决策并跟踪控制系统的设定值，实现质量、效率和能耗等运行指标的最优化。

典型工业过程（冶金磨矿过程与重介质选煤过程）

分层控制是便于实现的工程化选择。然而，在分层控制结构下，整个系统因层级功能以及所涉及的被控对象特性的差异导致层级间时间尺度各异。运行层面向工业运行过程，具有慢时间尺度特性，回路层面向基础设备/回路过程，具有快时间尺度特性。其中，运行过程多是含物理化学反应的气液固多相共存的连续化复杂过程，机理难以搞清，无法建模。为全面感知系统动态，通常需要部署全方位的检测装置，但由于信号变化速率相差较大，各检测装置因自身的特殊性，获取信息和处理信息的速度不同，加之控制节点分散，难以实现控制系统输入与输出采样周期的统一。因此，在工业过程运行优化控制器设计时将面临如下的挑战性问题：

1）运行过程动态未知；

2）层级间具有多时间尺度；

3）层级内存在多速率采样。

上述特性使得运行优化控制问题变得尤为复杂。

多速率工业过程的双层层级架构

如何针对多时间尺度、多速率采样且运行层模型未知的复杂工业过程设计运行优化控制策略？本文将提升技术、模型预测与增强学习方法相结合，提出一种工业过程多速率分层运行优化控制方法。其通过两种提升方法将多速率分层问题统一到一个时间尺度，进而采用一种数据驱动的Q-学习算法，求解基础回路最优设定值，同时设计基础回路层的MPC控制器实现设定值的快速跟踪，最终实现运行指标的优化控制。

最后，针对一典型复杂工业过程，即闭环冶金磨矿过程，进行了实验研究，表明了该方法能够在分层多速率采样下，无需使用运行层模型来设计运行优化控制器，仅利用数据通过自学习实现设定值的在线优化，从而控制运行指标。这一研究成果对运行层机理复杂难以建立模型的复杂工业过程运行优化控制器的设计具有参考价值。