摘要: 流程工業(yè)是制造業(yè)的重要組成部分，是我國國民經(jīng)濟和社會(huì )發(fā)展的重要支柱產(chǎn)業(yè).新一代信息技術(shù)和人工智能技術(shù)為流程工業(yè)的發(fā)展帶來(lái)新的挑戰和機遇.只有與流程工業(yè)的特點(diǎn)與目標密切結合，充分利用大數據，將人工智能、移動(dòng)互聯(lián)網(wǎng)、云計算、建模、控制與優(yōu)化等信息技術(shù)與工業(yè)生產(chǎn)過(guò)程的物理資源緊密融合與協(xié)同，實(shí)現流程工業(yè)智能優(yōu)化制造，才可能實(shí)現流程工業(yè)的跨越式發(fā)展.本文聚焦流程工業(yè)的復雜生產(chǎn)過(guò)程，從其智能優(yōu)化決策系統的角度，描述了復雜工業(yè)過(guò)程優(yōu)化決策系統的問(wèn)題、回顧總結了復雜工業(yè)過(guò)程全流程優(yōu)化決策系統的現狀，分析了智能優(yōu)化決策系統的必要性，提出了智能優(yōu)化決策系統的發(fā)展目標及愿景，并對智能優(yōu)化決策系統的下一步重點(diǎn)研究方向進(jìn)行了展望。

關(guān)鍵詞: 復雜工業(yè)過(guò)程 全流程優(yōu)化決策 協(xié)同優(yōu)化 智能優(yōu)化決策 智能制造    

流程工業(yè)是制造業(yè)的重要組成部分, 包括石化、冶金、建材、輕工和電力等行業(yè)^[1-4], 是我國國民經(jīng)濟和社會(huì )發(fā)展的重要支柱產(chǎn)業(yè).不僅為機械、航空航天、軍工、建筑等行業(yè)提供原材料, 而且為國民經(jīng)濟發(fā)展提供電力等能源; 在保障國家重大工程建設和帶動(dòng)國民經(jīng)濟增長(cháng)等方面起著(zhù)不可替代的作用.經(jīng)過(guò)數十年的發(fā)展, 我國流程工業(yè)歷經(jīng)技術(shù)引進(jìn)、消化吸收和自主創(chuàng )新幾個(gè)發(fā)展階段, 其生產(chǎn)工藝、裝備和自動(dòng)化與信息化水平得到大幅度提升, 整體實(shí)力迅速增強, 國際影響力顯著(zhù)提高.

然而我國流程工業(yè)面臨資源利用效率偏低, 能耗物耗較高、產(chǎn)品質(zhì)量差、生產(chǎn)成本高、"三廢"排放量較大, 環(huán)境污染嚴重等問(wèn)題.其主要原因是我國流程工業(yè)的原料成分波動(dòng)頻繁; 其生產(chǎn)過(guò)程涉及物理化學(xué)反應, 難以用數學(xué)模型精確描述; 生產(chǎn)過(guò)程連續不能間斷, 其任一單元出現問(wèn)題都會(huì )影響產(chǎn)品質(zhì)量等生產(chǎn)性能; 原材料的成分、生產(chǎn)設備狀態(tài)、生產(chǎn)工藝參數和產(chǎn)品質(zhì)量等無(wú)法實(shí)時(shí)或全面感知, 難以保證生產(chǎn)全流程長(cháng)期穩定的優(yōu)化運行, 因此為流程工業(yè)進(jìn)一步發(fā)展帶來(lái)了挑戰.

當前, 我國流程工業(yè)面臨第四次工業(yè)革命的歷史契機、中國制造升級轉型和供給側結構性改革的關(guān)鍵時(shí)期. "中國制造2025"和"新一代人工智能"為流程工業(yè)的發(fā)展指出了新的方向和帶來(lái)新的機遇.智能制造是我國實(shí)現制造強國的主攻方向^[1-2].智能制造只有與流程工業(yè)的特點(diǎn)與目標密切結合, 充分利用大數據, 將人工智能、移動(dòng)互聯(lián)網(wǎng)、云計算、建模、控制與優(yōu)化等信息技術(shù)與工業(yè)生產(chǎn)過(guò)程的物理資源緊密融合與協(xié)同, 研發(fā)實(shí)現智能制造目標的各種新功能, 才可能使制造業(yè)實(shí)現跨越式發(fā)展.

圍繞流程工業(yè)智能制造系統的新功能^[1-2], 聚焦流程工業(yè)的包含物理變化和化學(xué)反應的連續化的復雜生產(chǎn)過(guò)程, 以復雜工業(yè)過(guò)程智能優(yōu)化決策系統為核心, 給出了對復雜工業(yè)過(guò)程優(yōu)化決策問(wèn)題的描述、概況總結了復雜工業(yè)過(guò)程優(yōu)化決策系統的現狀, 并且分析了智能優(yōu)化決策系統的必要性, 重點(diǎn)指出了智能優(yōu)化決策系統的發(fā)展目標及愿景, 并探討了下一步重點(diǎn)研究方向.

1 復雜工業(yè)過(guò)程優(yōu)化決策系統的現狀

1.1 生產(chǎn)全流程優(yōu)化決策系統發(fā)展現狀

復雜工業(yè)生產(chǎn)全流程是由一個(gè)或多個(gè)工業(yè)裝備組成的生產(chǎn)工序, 多個(gè)生產(chǎn)工序構成了全流程生產(chǎn)線(xiàn).其功能是將進(jìn)入的原料加工為半成品材料或者產(chǎn)品.實(shí)現生產(chǎn)全流程的產(chǎn)品質(zhì)量、產(chǎn)量、消耗、成本等綜合生產(chǎn)指標的優(yōu)化, 必須協(xié)同各個(gè)生產(chǎn)工序(即工業(yè)過(guò)程智能體)來(lái)共同實(shí)現^[5].

工業(yè)生產(chǎn)全流程的控制、運行與管理主要是通過(guò)生產(chǎn)調度部門(mén)和工藝技術(shù)部門(mén)來(lái)實(shí)現的.生產(chǎn)調度部門(mén)發(fā)出的指令分成并行的兩條線(xiàn).一條線(xiàn)側重生產(chǎn)的組織管理與資源調配, 主要由生產(chǎn)調度人員、操作員、資源供應系統來(lái)完成.另一條線(xiàn), 通過(guò)生產(chǎn)計劃部門(mén)和調度部門(mén)將企業(yè)的綜合生產(chǎn)指標(反映企業(yè)最終產(chǎn)品的質(zhì)量、產(chǎn)量、成本、消耗等相關(guān)的生產(chǎn)指標)從空間和時(shí)間兩個(gè)尺度上轉化為生產(chǎn)制造全流程的運行指標(反映整條生產(chǎn)線(xiàn)的中間產(chǎn)品在運行周期內的質(zhì)量、效率、能耗、物耗等相關(guān)的生產(chǎn)指標); 工藝部門(mén)的工程師將生產(chǎn)制造全流程的運行指標轉化為過(guò)程運行控制指標(反映產(chǎn)品在生產(chǎn)設備(或過(guò)程)加工過(guò)程中的質(zhì)量、效率與消耗等相關(guān)變量); 作業(yè)班的運行工程師將運行控制指標轉化為過(guò)程控制系統的設定值.當市場(chǎng)需求和生產(chǎn)工況發(fā)生變化時(shí), 上述部門(mén)根據生產(chǎn)實(shí)際數據, 自動(dòng)調整相應指標, 通過(guò)控制系統跟蹤調整后的設定值, 實(shí)現對生產(chǎn)線(xiàn)全流程的控制與運行, 從而將日綜合生產(chǎn)指標控制在目標范圍內.當市場(chǎng)需求和生產(chǎn)工況發(fā)生頻繁變化時(shí), 以人工操作為主體的上述部門(mén)不能及時(shí)準確地調整相應的運行指標, 導致產(chǎn)品質(zhì)量下降、生產(chǎn)效率降低和能耗增加, 從而無(wú)法實(shí)現日綜合生產(chǎn)指標的優(yōu)化控制^[3, 6-8].

隨著(zhù)信息技術(shù)的發(fā)展與應用, 復雜工業(yè)過(guò)程的控制、運行與管理大多采用Enterprise resource planning、Manufacturing execution systems和Process control system (ERP/MES/PCS)三層結構來(lái)實(shí)現. ERP主要是根據企業(yè)經(jīng)營(yíng)決策的目標, 來(lái)實(shí)現對物質(zhì)流、資金流和信息流的管理, 決策輸出生產(chǎn)控制(生產(chǎn)計劃)、物流管理(分銷(xiāo)、采購、庫存管理)和財務(wù)管理(會(huì )計核算、財務(wù)管理)的優(yōu)化配置結果. MES提供生產(chǎn)計劃、生產(chǎn)調度、質(zhì)量管理、能源管理、設備管理、生產(chǎn)指標監視、優(yōu)化決策等功能^[9]. MES決策出面向生產(chǎn)進(jìn)度的調度/排產(chǎn)計劃, 包括物流、能源、設備維護、運輸、中間庫存的綜合配置等. PCS主要實(shí)現各個(gè)裝置/設備/單元的過(guò)程回路控制、邏輯控制與生產(chǎn)過(guò)程監控等.

但是目前企業(yè)的ERP和MES等信息系統還不能夠快速全面自動(dòng)地感知企業(yè)內外部與生產(chǎn)經(jīng)營(yíng)、生產(chǎn)運作和操作優(yōu)化與控制相關(guān)的各種數據、信息與知識, 導致現有的系統缺乏全面、準確和實(shí)時(shí)的生產(chǎn)要素數據獲取能力, 缺乏多源異構生產(chǎn)運行大數據感知與處理能力, 缺乏數據匯聚和融合能力, 缺乏高效的不同領(lǐng)域不同層次數據分析、隱含知識關(guān)聯(lián)與推演等能力, 從而不能夠對生產(chǎn)行為和市場(chǎng)變化進(jìn)行實(shí)時(shí)感知, 進(jìn)而也不能自動(dòng)優(yōu)化生產(chǎn)經(jīng)營(yíng)決策和計劃調度指令.因此, 企業(yè)的生產(chǎn)經(jīng)營(yíng)與計劃調度主要靠企業(yè)管理人員憑長(cháng)期積累的經(jīng)驗和相關(guān)工藝知識進(jìn)行決策.人工決策的隨意性大且不夠及時(shí)準確, 常造成企業(yè)綜合生產(chǎn)指標偏離預定目標范圍, 導致產(chǎn)品的質(zhì)量差、成本高和資源消耗大等問(wèn)題.當市場(chǎng)需求和生產(chǎn)要素條件發(fā)生頻繁或劇烈變化時(shí), 以人工經(jīng)驗知識難以及時(shí)準確地做出決策反應, 從而無(wú)法實(shí)現企業(yè)綜合生產(chǎn)指標的優(yōu)化.顯然, 這種決策難以在復雜市場(chǎng)和生產(chǎn)環(huán)境下保證企業(yè)全局優(yōu)化和效益最大化.

除此之外, 上述三層結構的層次之間也缺乏有效的相互交互與協(xié)同機制, 無(wú)法建立良好的雙向信息流交互.比如, 上層與底層控制系統之間的數據不匹配, 使得企業(yè)計劃調度層缺乏生產(chǎn)實(shí)時(shí)信息反饋, 并且沒(méi)有充分考慮生產(chǎn)過(guò)程特性, 下層生產(chǎn)控制層缺乏與優(yōu)化協(xié)調與調度的銜接, 企業(yè)難以實(shí)現全流程的整體優(yōu)化^[10].

另一方面, 由于受到各種生產(chǎn)指標目標范圍、原料、設備等動(dòng)態(tài)因素的影響, 工藝技術(shù)部要不斷地根據這些動(dòng)態(tài)因素對各個(gè)工序的運行指標進(jìn)行調整.運行指標的調整主要由工藝技術(shù)人員或操作員根據綜合生產(chǎn)指標(產(chǎn)品質(zhì)量指標、產(chǎn)量指標、成本指標和消耗指標)的目標值和離線(xiàn)化驗值, 考慮原料性質(zhì)、設備狀況憑經(jīng)驗人工進(jìn)行的.運行指標人工調整不當或不及時(shí)難以實(shí)現全流程的優(yōu)化運行^[8, 11-12].

綜上所述, 復雜工業(yè)過(guò)程采用計算機、通信和控制能夠實(shí)現過(guò)程自動(dòng)控制(PCS), 生產(chǎn)經(jīng)營(yíng)與管理也有相應的信息系統(ERP、MES), 但是復雜生產(chǎn)過(guò)程的企業(yè)目標、資源計劃、調度、運行指標、生產(chǎn)指令與控制指令的決策仍然憑經(jīng)驗由相應的知識工作者在各信息系統平臺上進(jìn)行.

1.2 生產(chǎn)全流程優(yōu)化決策系統與功能研究現狀

現有的研究大多是針對復雜工業(yè)過(guò)程優(yōu)化決策系統的某一主要環(huán)節或者幾個(gè)環(huán)節來(lái)開(kāi)展研究的.下面分別對生產(chǎn)計劃與調度, 運行指標優(yōu)化和生產(chǎn)全流程一體化控制的研究現狀進(jìn)行綜述.

1.2.1 生產(chǎn)計劃與調度

1) 靜態(tài)環(huán)境下生產(chǎn)計劃調度

計劃調度是生產(chǎn)經(jīng)營(yíng)活動(dòng)的主要依據, 對企業(yè)的效益起著(zhù)十分重要的作用.生產(chǎn)計劃是在一定時(shí)期內, 根據產(chǎn)品的市場(chǎng)需求、原料供應、生產(chǎn)能力、裝置運行與檢修計劃, 綜合考慮企業(yè)的管理成本以及生產(chǎn)過(guò)程中成品、半成品的成本等, 以企業(yè)的生產(chǎn)、管理和營(yíng)銷(xiāo)狀況等獲取最大經(jīng)濟效益為目標, 決策出一段時(shí)期內的需求量^[13-14].生產(chǎn)調度則是根據計劃的決策確定生產(chǎn)加工方案使總的費用最小、或浪費最小、或產(chǎn)品偏差值最小、或時(shí)間最短等^[15].

靜態(tài)環(huán)境下的計劃調度不考慮生產(chǎn)過(guò)程內部和外部環(huán)境的動(dòng)態(tài)變化, 主要集中在建模和優(yōu)化的研究.目前, 生產(chǎn)計劃的研究依賴(lài)于數學(xué)規劃方法.由于從生產(chǎn)計劃獲得了確定的調度任務(wù), 其研究包括基于數學(xué)規劃的方法、基于Petri網(wǎng)的方法、啟發(fā)式方法和基于仿真的方法等.

a) 基于數學(xué)規劃的計劃調度.該方法將計劃或調度問(wèn)題表示成數學(xué)優(yōu)化模型, 然后對數學(xué)模型求解獲得計劃或調度指令.由于流程工業(yè)生產(chǎn)調度問(wèn)題涉及大量變量既包含離散變量, 又包含連續變量, 例如在煉油工業(yè), 調度任務(wù)既需要確定周期內原油的類(lèi)型, 還需要原油的運輸量.因此, 計劃調度的優(yōu)化模型和約束模型通常是線(xiàn)性混合整數(Mixed integer linear programming, MILP)或非線(xiàn)性混合整數(Mixed integer non-linear programming, MINLP)模型.

短周期計劃和調度問(wèn)題在一段時(shí)間內是動(dòng)態(tài)過(guò)程, 其數學(xué)模型根據時(shí)間的描述分為離散時(shí)間建模方法和連續時(shí)間建模方法.離散時(shí)間建模方法, 首先將計劃或調度時(shí)域劃分成有限個(gè)相等的時(shí)間片段, 計劃或調度在每個(gè)離散時(shí)間段上獨立安排調度事件, 用這些離散片段逼近連續時(shí)間區域從而實(shí)現周期內的計劃或調度指令^[16-18].

連續時(shí)間建模方法于上世紀90年代提出, 是為了緩解離散時(shí)間方法存在大量離散變量的問(wèn)題.該方法將計劃或調度時(shí)域看成連續的時(shí)間段使得事件的開(kāi)始和結束時(shí)間能夠發(fā)生在計劃調度周期內的任意位置上^[19-21].連續時(shí)間建模的缺點(diǎn)是引入了大量的連續時(shí)間變量和非線(xiàn)性約束, 仍對優(yōu)化算法提出挑戰.

b) 基于Petri網(wǎng)的調度. Petri網(wǎng)(Petri net, PN)^[22]是一種基于圖形的用來(lái)描述系統動(dòng)態(tài)過(guò)程的方法, 具有直觀(guān)、易懂和易用的優(yōu)點(diǎn), 特別適用于描述異步、并發(fā)過(guò)程. Petri網(wǎng)在20世紀80年代引入生產(chǎn)計劃調度研究領(lǐng)域, 一般是分析驗證計劃調度問(wèn)題的可行性與可達性^[23]. Petri網(wǎng)已經(jīng)廣泛應用于柔性制造業(yè)的計劃調度問(wèn)題[24-26]. PN用庫所、令牌、變遷、有向弧和權函數描述生產(chǎn)動(dòng)態(tài)過(guò)程, 然后用啟發(fā)式方法或智能優(yōu)化方法獲得的變遷序列表示一個(gè)可行的計劃或調度方案^[27-29]. PN方法的局限性是用于大規模系統建模時(shí), 由于有向弧、變遷等的存在, 造成模型規模和復雜程度增大, 直觀(guān)降低.

c) 基于仿真的調度.基于仿真的優(yōu)化框架將智能搜索算法和仿真方法相結合, 通過(guò)仿真方法為智能搜索算法的適應度函數提供預估的方法, 二者迭代交互, 直至滿(mǎn)足終止條件^[30-32].仿真起到預評估、指導和驗證的作用^[33].

d) 基于規則調度.啟發(fā)式規則是為了解決計劃調度模型優(yōu)化的難題.計劃調度模型通常是NP問(wèn)題, 很難求得其精確的最優(yōu)解.啟發(fā)式方法由Baker等在1960年首次提出, 并進(jìn)行計算機仿真研究分析不同處理次數和不同啟發(fā)式規則對調度效果的影響作用^[34].啟發(fā)式方法首先從經(jīng)驗知識或數據中挖去規則, 然后利用規則推理出滿(mǎn)意甚至近似調度最優(yōu)解.由于其具有簡(jiǎn)單、快速等優(yōu)點(diǎn), 啟發(fā)式規則方法得到了廣泛的應用^[35-37].近年來(lái), 一些研究將啟發(fā)式方法和智能優(yōu)化方法, 如遺傳算法、模擬退火算法、粒子群算法、禁忌搜索算法等方法相結合建立啟發(fā)式規則庫, 利用智能優(yōu)化算法的全局收斂性、普遍適應性的優(yōu)點(diǎn), 加快算法收斂的速度, 提高全局最優(yōu)解的質(zhì)量^[38-40].啟發(fā)式方法的缺點(diǎn)是不能保證獲得的解是全局最優(yōu)解, 也沒(méi)有統一的方法判斷解的質(zhì)量.

2) 動(dòng)態(tài)環(huán)境下計劃調度

實(shí)際生產(chǎn)過(guò)程存在來(lái)自?xún)炔炕蛲獠縿?dòng)態(tài)因素^[13, 41], 如系統內部固有的動(dòng)態(tài)變化, 輸入信息中的噪聲、干擾與誤差, 和系統外部動(dòng)態(tài)因素:原料種類(lèi)與成分變化、生產(chǎn)模式切換、工況變化、產(chǎn)量和質(zhì)量的波動(dòng)、價(jià)格變動(dòng)、設備故障、成本和需求變化等.這些動(dòng)態(tài)變化往往會(huì )導致生產(chǎn)計劃和調度的調整.根據動(dòng)態(tài)因素的來(lái)源和性質(zhì), 目前生產(chǎn)計劃和調度對動(dòng)態(tài)環(huán)境的處理可分為兩種, 當作不確定性因素在建模過(guò)程中處理和基于事件驅動(dòng)的動(dòng)態(tài)處理方法.

a) 不確定性因素處理.該方法將動(dòng)態(tài)因素看作隨機噪聲, 加入到計劃調度優(yōu)化模型.根據不確定性因素的影響程度和可描述性, 不確定性因素處理方法又可具體分為確定性常數法、隨機規劃法、模糊規劃法和魯棒優(yōu)化等.確定性常數方法是指在生產(chǎn)計劃和調度的建模過(guò)程中將不確定因素視為確定性常數來(lái)處理^[41].該方法主要處理對生產(chǎn)過(guò)程影響較小的不確定因素, 如來(lái)自運動(dòng)學(xué)常數、傳質(zhì)/傳熱系數、物理性質(zhì)等不確定因素.隨機規劃法先通過(guò)歷史數據來(lái)統計不確定因素的概率分布, 或預估不確定因素概率, 然后建立隨機規劃模型進(jìn)行優(yōu)化^[42-44].模糊規劃法將不確定因素信息描述成隸屬度函數, 放寬了對不確定因素的描述精確度, 能夠解決不確定因素信息不完全的問(wèn)題, 相對來(lái)說(shuō)容易實(shí)現^[45-49].魯棒優(yōu)化只需要知道不確定參數的變化范圍, 與以上兩種策略相比, 依賴(lài)程度相對更低, 不需要事先知道不確定參數的概率分布或隸屬度函數.魯棒優(yōu)化獲取含有不確定參數計劃調度模型的次優(yōu)解, 保證該優(yōu)化解在不確定參數的變動(dòng)范圍是可行的^[50-53].對不確定因素的處理, 也相繼提出了隨機規劃、模糊規劃和魯棒優(yōu)化的混合策略^[54-55].

b) 基于事件觸發(fā)的調度.該方法首先對初始事件建立準確的計劃調度模型, 當新事件發(fā)生時(shí), 重新設計計劃調度模型^[29, 56-58].該方法不需要事先了解動(dòng)態(tài)事件的發(fā)生概率和分布特性, 但這類(lèi)方法面臨的主要難點(diǎn)是事件的識別和工況調整效率.

3) 生產(chǎn)計劃、調度與控制集成優(yōu)化

a) 生產(chǎn)計劃與調度集成.為了解決計劃調度沖突的問(wèn)題, 計劃調度集成優(yōu)化引起了廣泛關(guān)注. Khoshnevis等于1991年首先提出了計劃調度集成優(yōu)化的基本問(wèn)題^[59].之后的研究提出了同時(shí)優(yōu)化計劃和調度的方法^[60]、兩層模型方法^[61-63]、靜態(tài)和動(dòng)態(tài)兩階段的集成方法^[64]等.

b) 生產(chǎn)調度與控制集成.面對生產(chǎn)過(guò)程多產(chǎn)品和動(dòng)態(tài)環(huán)境的變化, 生產(chǎn)調度和控制系統的集成受到廣泛關(guān)注^[65-67].調度和控制的集成方法一般分為T(mén)op-down方法和Bottom-up方法^[65]. Top-down方法將生產(chǎn)過(guò)程的被控過(guò)程模型嵌入調度決策, 從而建立調度控制集成模型^[68-69]. Bottom-up方法將調度優(yōu)化指標加入控制算法中, 使得控制器跟蹤企業(yè)的經(jīng)濟效益^[70], 比如, EMPC (Economic model predictive control)方法^[71-73].由于集成模型包含大量微分、非線(xiàn)性表達式, 造成模型的計算復雜度高難以達到實(shí)時(shí)優(yōu)化求解的要求.

1.2.2 工業(yè)過(guò)程運行優(yōu)化與控制

運行優(yōu)化控制的目標是在保證安全運行的條件下, 將運行指標的實(shí)際值控制在目標范圍內, 提高產(chǎn)品質(zhì)量與效率相關(guān)的運行指標并降低生產(chǎn)能耗的運行指標[11].根據工業(yè)過(guò)程特點(diǎn), 運行優(yōu)化與控制方法可分為基于模型的方法和基于數據驅動(dòng)的方法.

1) 基于模型的運行優(yōu)化與控制

基于模型的運行優(yōu)化與控制方法在化工過(guò)程等廣泛采用, 代表性方法有自?xún)?yōu)化控制、基于實(shí)時(shí)優(yōu)化(Real time optimization, RTO)/調節控制兩層結構的優(yōu)化控制等^[12, 74].自?xún)?yōu)化控制(Self-optimizing control, SOC)的思想是:以取得過(guò)程的穩態(tài)最大經(jīng)濟效益為目標, 在滿(mǎn)足過(guò)程的各種約束條件的情況下, 尋找一組合適的被控變量, 并將該組被控變量的設定值加以合適選擇, 當過(guò)程受到一定范圍內的不確定干擾因素影響時(shí), 不需要改變被控變量的設定值, 實(shí)際工況仍然可以處在近似最優(yōu)操作點(diǎn)上, 即工業(yè)過(guò)程的實(shí)際目標函數值與最優(yōu)目標函數值的偏差在合理的、可以接受的范圍內^[75].自?xún)?yōu)化控制的關(guān)鍵是根據目標函數和約束條件, 如何選擇一組合適的被控變量, 并將其設定值固定為一組合適的常數^[76].工業(yè)過(guò)程的運行優(yōu)化通常由實(shí)時(shí)優(yōu)化RTO和預測控制(Model predictive control, MPC)兩層組成.如文獻^[77-78]上層由非線(xiàn)性RTO產(chǎn)生底層回路設定值, 底層采用MPC跟蹤控制器設定值.文獻^[79]采用非線(xiàn)性預測控制(Non-linear model predictive control, NMPC)和動(dòng)態(tài)實(shí)時(shí)優(yōu)化的DRTO的雙層結構, 來(lái)解決大規模復雜生產(chǎn)過(guò)程運行優(yōu)化, 并在蒸餾裝置進(jìn)行了驗證. DRTO (Dynamic real time optimization)和NMPC相結合的運行優(yōu)化方法被廣泛研究^[80-81]以及其他模型預測控制方法^[82-84]、實(shí)時(shí)優(yōu)化控制方法^[85]和模糊控制方法^[86]等.

2) 數據驅動(dòng)的運行優(yōu)化

近年來(lái), 針對選礦、有色和冶金等難以建立數學(xué)模型工業(yè)過(guò)程, 提出了數據驅動(dòng)的運行優(yōu)化方法.該方法由控制回路預設定模型、前饋補償與反饋補償器、工藝指標預報模型、故障工況診斷和容錯控制器組成^[87].通過(guò)基于預測的前饋補償器和基于實(shí)際值的反饋補償器實(shí)時(shí)調整控制回路設定值, 控制系統跟蹤調整后的設定值, 使得過(guò)程運行指標控制在目標值范圍內.上述方法已經(jīng)成功應用于赤鐵礦豎爐焙燒和磨礦過(guò)程等^[11, 87-92].在此基礎上, 文獻^[93]提出了一種基于Q-learning的數據驅動(dòng)的方法求解設定值的次優(yōu)解, 實(shí)現運行指標直接跟蹤次優(yōu)的目標值.

1.2.3 生產(chǎn)全流程一體化控制

由于單一層次的優(yōu)化決策沒(méi)有考慮層與層之間的相互影響, 難以保證整條生產(chǎn)線(xiàn)的全局最優(yōu).針對各個(gè)工序/裝置的運行指標目標值與全流程生產(chǎn)指標和綜合產(chǎn)指標之間的動(dòng)態(tài)特性具有月、日和小時(shí)三個(gè)時(shí)間尺度, 且難以在線(xiàn)測量, 原材料成分、種類(lèi)、設備能力等頻繁變化, 難以采用基于機理分析的方法建立數學(xué)模型以及指標之間相互聯(lián)系、相互沖突的問(wèn)題, 文獻^[6]在將綜合生產(chǎn)指標目標值優(yōu)化^[94]、兩尺度選礦生產(chǎn)指標分解方法^[62]和運行指標目標值優(yōu)化^[95]集成的基礎上, 提出了以實(shí)現綜合生產(chǎn)指標優(yōu)化為目標的選礦自動(dòng)化系統的全流程集成優(yōu)化策略.全流程一體化集成優(yōu)化決策與控制系統的總體結構由綜合生產(chǎn)指標目標值優(yōu)化、全流程生產(chǎn)指標目標值優(yōu)化、運行指標目標值多目標優(yōu)化和過(guò)程自動(dòng)化系統組成.對不同時(shí)間尺度的綜合生產(chǎn)指標、全流程生產(chǎn)指標和運行指標優(yōu)化按月、日和小時(shí)不同的周期分層優(yōu)化.

上層的綜合生產(chǎn)指標目標值優(yōu)化采用基于梯度驅動(dòng)的多目標進(jìn)化優(yōu)化方法產(chǎn)生月綜合生產(chǎn)指標優(yōu)化目標值^[94].該方法以多目標約束優(yōu)化模型為基礎, 針對外部環(huán)境變化, 如原材料性質(zhì)變化, 市場(chǎng)價(jià)格變化和設備能力的變化等, 周期性地對多目標約束優(yōu)化模型和約束的參數進(jìn)行自適應修正, 以獲得適應當前生產(chǎn)環(huán)境和工況的修正模型.中間層全流程生產(chǎn)指標目標值優(yōu)化采用基于周期滾動(dòng)的兩層分解策略來(lái)產(chǎn)生日全流程生產(chǎn)指標優(yōu)化目標值^[62].該策略考慮多目標、兩時(shí)間尺度和不同原料組合, 將一個(gè)復雜的優(yōu)化模型分解為兩層模型, 并以相應時(shí)間尺度對生產(chǎn)環(huán)境和工況的變化進(jìn)行模型修正, 按照不同的時(shí)間周期進(jìn)行滾動(dòng)優(yōu)化求解.

下層運行指標的優(yōu)化決策產(chǎn)生各個(gè)工序/裝置的運行指標目標值.復雜工業(yè)生產(chǎn)過(guò)程是一個(gè)由多裝置組成的物質(zhì)流、能量流和信息流相互耦合的非線(xiàn)性復雜系統.運行指標優(yōu)化決策是以上層確定的日全流程生產(chǎn)指標為目標, 在空間上進(jìn)行分解獲得各個(gè)工序/裝置的運行指標.運行指標反映裝置產(chǎn)生中間產(chǎn)品的質(zhì)量、效率與消耗等相關(guān)變量^[5].運行指標優(yōu)化決策的目的是通過(guò)優(yōu)化協(xié)調運行指標實(shí)現全流程生產(chǎn)指標的優(yōu)化.文獻^[95-97]針對選礦生產(chǎn)過(guò)程、運行指標和綜合精礦品位與產(chǎn)量之間難以用精確的機理模型描述和優(yōu)化決策目標與約束條件動(dòng)態(tài)變化的問(wèn)題, 將優(yōu)化方法與綜合生產(chǎn)指標預報、運行指標的動(dòng)態(tài)校正相結合, 提出了運行指標優(yōu)化決策的結構.該結構包含4個(gè)模塊:運行指標初值設定、綜合生產(chǎn)指標的預測模型、前驗評估與動(dòng)態(tài)校正和后驗評估與動(dòng)態(tài)校正.本小節接下來(lái)針對框架內各個(gè)模塊研究進(jìn)展進(jìn)行綜述.

a) 運行指標初值優(yōu)化.運行指標優(yōu)化模塊是根據確定的最小時(shí)間尺度的生產(chǎn)指標目標值[Qkmin,Qkmax]及其上下界范圍產(chǎn)生運行指標初值

k是綜合生產(chǎn)指標的個(gè)數, n是運行指標的個(gè)數是運行指標的個(gè)數.文獻^[96, 98]提出了基于案例推理(Case-based reasoning, CBR)和多目標進(jìn)化優(yōu)化算法(Multi-objective evolutionary algorithm, MOEA)混合的初值決策方法.首先, 根據歷史數據對綜合生產(chǎn)指標和運行指標建立多目標優(yōu)化模型; 然后, 用MOEA求解該模型到運行指標的最優(yōu)解集; 最后, 用CBR結合人工知識MOEA得到的解集決策出運行指標的初值.在此基礎上, 文獻[99-100]考慮生產(chǎn)過(guò)程的動(dòng)態(tài)因素, 如設備能力變化, 建立運行指標優(yōu)問(wèn)題的動(dòng)態(tài)多目標運行指標優(yōu)化模型, 解決了動(dòng)態(tài)環(huán)境下運行指標優(yōu)化初值優(yōu)化的問(wèn)題.

b) 生產(chǎn)指標預測模型.綜合生產(chǎn)指標的預測模型以運行指標初值預估綜合生產(chǎn)指標Q^k, 為前驗評估的輸入.生產(chǎn)過(guò)程中預報模型不斷更新來(lái)適應新的工況條件.文獻[101]提出以線(xiàn)性模型和非線(xiàn)性模型的混合模型建立生產(chǎn)指標預測模型.其中線(xiàn)性模型給出生產(chǎn)指標和運行指標的主要關(guān)系, 非線(xiàn)性誤差補償模型由最小二乘支持向量機訓練得到.非線(xiàn)性模型用來(lái)補償線(xiàn)性模型的誤差以提高預測模型的精度.采用基于最小化模型誤差的概率密度函數(Probability density function, PDF)和最小誤差熵的方法來(lái)選擇非線(xiàn)性補償模型的參數^[101].文獻^[102]提出了基于多模型的綜合生產(chǎn)指標預測模型.首先, 利用模糊聚類(lèi)算法將訓練數據集分成多個(gè)類(lèi)別; 然后, 對每個(gè)類(lèi)采用基于混合內核的最小二乘支持向量機建立運行指標和綜合生產(chǎn)指標的子模型; 最后, 集成所有子模型作為綜合生產(chǎn)指標預測模型.為了實(shí)現在線(xiàn)預測, 文獻^[103]提出了一種基于數據的自適應在線(xiàn)預測模型, 通過(guò)使用訓練樣本方法的統計特性在線(xiàn)更新模型的參數, 建立在線(xiàn)校正預測模型.文獻^[104]提出了一種通過(guò)修改Adaboost算法權重的魯棒預測方法, 該方法可以降低模型對異常值的敏感度.文獻^[105]首先采用基于遺傳算法(Genetic algorithm, GA)的主成分分析(Principal component analysis, PCA)提取模型輸入的主要特征, 降低輸入特征的維度和噪聲, 然后用最小二乘支持向量機針對提取的運行指標的主要特征和綜合生產(chǎn)指標建模提高了模型的準確性.

c) 前驗/后驗評估和動(dòng)態(tài)校正方法.生產(chǎn)指標前驗評估和動(dòng)態(tài)校正的目的是利用綜合生產(chǎn)指標目標值Q?k和預測值Q^k產(chǎn)生運行指標的補償值Δrr^, 修正動(dòng)態(tài)因素, 如綜合生產(chǎn)指標、原料成分、工況條件等波動(dòng)的影響.后驗評估和動(dòng)態(tài)校正根據實(shí)際的生產(chǎn)指標Qk和生產(chǎn)指標的目標值范圍[Qkmin,Qkmax]產(chǎn)生運行指標補償值Δrr, 保證實(shí)際生產(chǎn)指標在目標范圍內.目前對這兩個(gè)模塊的研究集中在校正環(huán)節.如文獻^[106]提出規則推理方法對反饋環(huán)節進(jìn)行評估和校正, 該方法首先利用生產(chǎn)過(guò)程數據建立反饋規則, 然后采用粗糙集規則提取方法來(lái)產(chǎn)生補償規則.此外, 文獻^[98]提出了基于A(yíng)ctor-critic結構的強化學(xué)習進(jìn)行前驗/后驗的評估和動(dòng)態(tài)校正.針對每個(gè)評估校正環(huán), 首先利用Actor-critic識別需要校正的運行指標, 然后采用策略行動(dòng)對這些不合理的運行指標進(jìn)行校正.

2 智能優(yōu)化決策系統的必要性

經(jīng)過(guò)幾十年發(fā)展, 我國已經(jīng)成為世界上門(mén)類(lèi)最齊全、規模最龐大的流程制造業(yè)大國, 但非強國.存在著(zhù)資源成分復雜且稟賦差、產(chǎn)品質(zhì)量不穩定、能耗高、污染重的問(wèn)題.與發(fā)達國家相比, 資源回收率低, 能源利用率低, 單位產(chǎn)品平均能耗高.如何在當前國際競爭與國家重大需求的環(huán)境下, 通過(guò)智能制造來(lái)解決流程工業(yè)上述問(wèn)題是我們面臨的首要問(wèn)題和挑戰.

當前, 發(fā)達國家紛紛實(shí)施"再工業(yè)化"戰略, 強化制造業(yè)創(chuàng )新, 利用新興的信息技術(shù), 加快制造業(yè)智能化的進(jìn)程, 重塑制造業(yè)競爭新優(yōu)勢.以德國的離散制造業(yè)"工業(yè)4.0"為代表的智能制造是最典型的未來(lái)發(fā)展戰略.這股發(fā)展趨勢和熱潮甚至被推到"第四次工業(yè)革命"的高度. "工業(yè)4.0"的目標是實(shí)現個(gè)性定制的自動(dòng)化與高效化, 將CPS (Cyber-physical systems)與制造技術(shù)深度融合, 實(shí)現產(chǎn)品、設備、人和組織之間的無(wú)縫集成及合作, 達到計算資源與物理資源緊密融合與協(xié)同, 使得系統的適應性、自治力、效率、功能、可靠性、安全性和可用性大幅提升.美國提出了"智能過(guò)程制造"的技術(shù)框架和路線(xiàn), 其目標在于集成知識和大量模型, 采用主動(dòng)響應和預防策略進(jìn)行優(yōu)化決策和生產(chǎn)制造.我國也把智能制造作為實(shí)現新興產(chǎn)業(yè)培育發(fā)展與傳統產(chǎn)業(yè)改造升級有機結合的最佳途徑, 作為我國實(shí)現制造強國的主攻方向和突破口, 實(shí)施"中國制造2025".這也是我國流程工業(yè)發(fā)展的新機遇與挑戰.

流程工業(yè)智能制造對于生產(chǎn)過(guò)程來(lái)說(shuō), 關(guān)鍵的是實(shí)現生產(chǎn)全流程的整體優(yōu)化.即在市場(chǎng)和原料變化的情況下, 以高效化與綠色化為目標使得原材料的采購、經(jīng)營(yíng)決策、計劃調度、工藝參數選擇、生產(chǎn)全流程控制實(shí)現無(wú)縫集成優(yōu)化, 實(shí)現企業(yè)全局的產(chǎn)品質(zhì)量、產(chǎn)量、成本和消耗等生產(chǎn)指標的優(yōu)化, 實(shí)現生產(chǎn)全流程安全可靠?jì)?yōu)化運行, 從而生產(chǎn)出高性能、高附加值產(chǎn)品, 使企業(yè)利潤最大化, 同時(shí)實(shí)現能源與資源高效利用, 污染物實(shí)現零排放、環(huán)境綠色化^[1-4].

流程工業(yè)生產(chǎn)過(guò)程的特點(diǎn)決定了其實(shí)現生產(chǎn)全流程整體優(yōu)化的核心是實(shí)現其運行操作參數的智能優(yōu)化決策, 即根據原料特性和生產(chǎn)工況等因素來(lái)優(yōu)化選擇和調整運行操作參數保證生產(chǎn)目標的完成.流程工業(yè)生產(chǎn)過(guò)程的特點(diǎn)之一是工藝流程固定, 由一個(gè)或多個(gè)工業(yè)裝備組成生產(chǎn)工序, 將進(jìn)入的原料加工成為下道工序所需要的半成品材料, 多個(gè)生產(chǎn)工序構成全流程生產(chǎn)線(xiàn); 特點(diǎn)之二其生產(chǎn)過(guò)程本質(zhì)上是材料的物質(zhì)轉化過(guò)程, 是一個(gè)物理化學(xué)反應的氣液固多相共存的連續復雜過(guò)程.特別是原料成分波動(dòng)和外界隨機干擾增加了物質(zhì)轉化過(guò)程的復雜性.這也增加了運行操作參數決策的復雜性.

面向流程工業(yè)生產(chǎn)全流程整體優(yōu)化的運行操作參數優(yōu)化決策仍是尚未解決的問(wèn)題.它包括縱向跨層級多時(shí)間尺度的決策問(wèn)題, 如企業(yè)經(jīng)營(yíng)決策層的產(chǎn)品質(zhì)量、產(chǎn)量、成本和消耗等多沖突生產(chǎn)指標的優(yōu)化決策及其在月、周、日、時(shí)等多時(shí)間尺度上的分解、計劃調度指令的決策等; 同時(shí)還包含橫向跨工序的多空間尺度的決策問(wèn)題, 如由全流程生產(chǎn)指標來(lái)決策各個(gè)工序的中間產(chǎn)品的質(zhì)量、產(chǎn)量和消耗等工序/裝置的運行指標, 進(jìn)而根據運行指標來(lái)決策各工序/裝置的控制系統回路設定值.雖然生產(chǎn)管理、計劃調度、過(guò)程控制等信息化和自動(dòng)化系統廣泛應用并且能夠實(shí)現局部單元的優(yōu)化決策, 但是由于工業(yè)生產(chǎn)全流程中連續復雜的物理化學(xué)反應, 機理不清, 干擾多, 波動(dòng)大, 上述運行操作決策主要依賴(lài)管理者、調度員、工程師等知識型工作者人工憑經(jīng)驗進(jìn)行.

此外, 面對我國流程工業(yè)快速發(fā)展與資源能源短缺、原材料質(zhì)量差且性質(zhì)波動(dòng)大、生態(tài)環(huán)境污染日益凸現的矛盾, 工業(yè)生產(chǎn)過(guò)程的運行操作優(yōu)化越發(fā)重要.目前對調度層、實(shí)時(shí)優(yōu)化和先進(jìn)控制層的研究雖然已經(jīng)取得不少成果, 但層與層之間缺乏信息交互與反饋, 系統整體與局部的互補關(guān)系不明確, 導致目前生產(chǎn)全流程的總體運行水平依然不高.工業(yè)過(guò)程面向整體行為的優(yōu)化困難, 迫切需要研究面向生產(chǎn)全流程整體優(yōu)化的工業(yè)過(guò)程智能優(yōu)化決策方法及系統, 實(shí)現在局部與整體之間、短期與長(cháng)遠之間、效益與安全和環(huán)境影響之間的多目標優(yōu)化, 為實(shí)現復雜流程工業(yè)過(guò)程智能優(yōu)化制造打下堅實(shí)基礎.

人工智能的發(fā)展為復雜工業(yè)過(guò)程智能優(yōu)化決策提供了手段.回顧歷史, 可以發(fā)現人工智能與控制科學(xué)具有密切的關(guān)系.控制論的核心概念是預設和反饋, 是模擬人如何思考, 將思考的過(guò)程演化成邏輯.也是人工智能的一個(gè)重要的流派.控制科學(xué)經(jīng)過(guò)經(jīng)典控制、現代控制、先進(jìn)控制等階段, 內涵不斷豐富和發(fā)展, 但主要是基于精確數學(xué)模型通過(guò)信號測量和反饋解決被控對象的系統分析、控制和優(yōu)化問(wèn)題.而以深度學(xué)習為代表的人工智能是模擬生物學(xué)大腦, 是仿生或者聯(lián)接主義流派.主要不依賴(lài)數學(xué)模型, 從對象特征出發(fā), 模擬人的推理、學(xué)習過(guò)程解決系統的自動(dòng)化問(wèn)題.實(shí)際上控制科學(xué)和人工智能是實(shí)現自動(dòng)化技術(shù)的兩類(lèi)方法、兩種思路.上述人工智能與控制科學(xué)兩種思路的融合將為解決復雜決策問(wèn)題提供了新思路.

3 智能優(yōu)化決策系統的發(fā)展目標及愿景

工業(yè)生產(chǎn)過(guò)程是人機物高度融合的復雜系統, 其決策問(wèn)題既涉及企業(yè)內部的生產(chǎn), 又涉及企業(yè)外部的環(huán)境條件以及動(dòng)態(tài)變化的市場(chǎng)環(huán)境.工業(yè)生產(chǎn)全流程智能優(yōu)化決策的發(fā)展目標是研發(fā)復雜工業(yè)過(guò)程智能優(yōu)化決策系統, 能夠在外部市場(chǎng)動(dòng)態(tài)需求、內部企業(yè)生產(chǎn)動(dòng)態(tài)狀況(設備能力、工藝參數)、外部資源消耗與環(huán)保等約束條件下, 以盡可能提高包含產(chǎn)品產(chǎn)量、質(zhì)量、能耗、排放、成本等指標在內的生產(chǎn)全流程綜合生產(chǎn)指標為目標, 采用虛擬制造流程實(shí)現基于虛擬仿真的前饋決策校正, 通過(guò)工業(yè)大數據實(shí)現工況識別與反饋自?xún)?yōu)化決策, 人機交互動(dòng)態(tài)優(yōu)化決策反映質(zhì)量、效率、成本、消耗、安環(huán)等方面的企業(yè)全局綜合生產(chǎn)指標、不同時(shí)間尺度的生產(chǎn)指標等, 使計劃、生產(chǎn)、資源三者密切配合, 在生產(chǎn)過(guò)程的內外部條件變化時(shí), 在最短的時(shí)間內感知生產(chǎn)過(guò)程的各種變化, 對各級生產(chǎn)指標和控制指令做出準確的調整, 保證生產(chǎn)全流程的整體優(yōu)化運行.

復雜工業(yè)過(guò)程智能優(yōu)化決策系統的結構示意如圖 1所示, 由生產(chǎn)指標優(yōu)化決策系統、生產(chǎn)全流程智能協(xié)同優(yōu)化控制系統和智能自主運行優(yōu)化控制系統組成.智能優(yōu)化決策系統的愿景功能是能夠實(shí)時(shí)感知市場(chǎng)信息、生產(chǎn)條件和生產(chǎn)全流程運行工況, 以企業(yè)高效化和綠色化為目標, 實(shí)現企業(yè)目標、計劃調度、運行指標、生產(chǎn)指令與控制指令一體化優(yōu)化決策, 實(shí)現遠程與移動(dòng)可視化監控決策過(guò)程動(dòng)態(tài)性能, 自學(xué)習與自?xún)?yōu)化決策.將人與智能優(yōu)化決策系統協(xié)同, 使決策者在動(dòng)態(tài)變化環(huán)境下精準優(yōu)化決策.

生產(chǎn)全流程智能協(xié)同優(yōu)化控制系統需要協(xié)同底層各個(gè)工序的智能體, 即智能自主控制系統, 來(lái)實(shí)現生產(chǎn)全流程生產(chǎn)指標的優(yōu)化.生產(chǎn)全流程智能協(xié)同控制系統的功能是自動(dòng)獲取生產(chǎn)線(xiàn)生產(chǎn)指標和生產(chǎn)過(guò)程動(dòng)態(tài)變化因素、資源屬性等方面的數據和信息, 智能感知物質(zhì)、能源和信息三流的相關(guān)狀況; 能夠自主地學(xué)習和主動(dòng)響應, 從而自適應地進(jìn)行優(yōu)化決策、優(yōu)化配置資源和合理配置與循環(huán)利用能源, 并給出以生產(chǎn)全流程生產(chǎn)指標優(yōu)化為目標的優(yōu)化運行指標目標值.

智能自主控制系統由高性能智能控制器、智能運行優(yōu)化、工況識別與自?xún)?yōu)化控制三部分組成.智能優(yōu)化制造要求生產(chǎn)制造過(guò)程控制系統成為一個(gè)智能體, 即智能自主控制系統使生產(chǎn)制造過(guò)程和其控制系統深度融合并成為智能體, 要集智能感知、控制、監控、優(yōu)化、故障診斷、自愈控制于一體, 具有自適應、自學(xué)習、自動(dòng)調整控制結構和控制參數的功能, 能夠適應工業(yè)過(guò)程的動(dòng)態(tài)變化.其功能是智能感知生產(chǎn)條件的變化, 以?xún)?yōu)化運行指標為目標, 自適應決策控制系統的設定值.高動(dòng)態(tài)性能的智能控制系統跟蹤控制系統設定值的改變, 將實(shí)際運行指標控制在目標值范圍內.實(shí)時(shí)遠程與移動(dòng)監控與預測異常工況, 自?xún)?yōu)化控制, 排除異常工況, 使系統安全優(yōu)化運行.與其他智能自主控制系統相互協(xié)同, 實(shí)現制造流程全局優(yōu)化.

復雜工業(yè)過(guò)程智能優(yōu)化決策系統通過(guò)智能優(yōu)化決策系統、生產(chǎn)全流程智能協(xié)同優(yōu)化控制系統和智能自主運行優(yōu)化控制系統協(xié)同, 最終實(shí)現復雜生產(chǎn)全流程的優(yōu)化運行.

4 重點(diǎn)研究方向

如前所述, 未來(lái)的制造全流程優(yōu)化決策系統一定是人機交互的動(dòng)態(tài)智能優(yōu)化決策, 目前尚沒(méi)有統一的智能決策體系結構.在工業(yè)大數據和云網(wǎng)絡(luò )平臺的支持下, 通過(guò)知識庫構建、決策計算、指標預測、評價(jià)反饋等模塊, 將智能決策行為和綜合自動(dòng)化、智能方法與預測和反饋相結合, 建立生產(chǎn)制造智能決策系統的體系結構與功能, 實(shí)現人機柔性化自適應交互決策.根據以上目標, 復雜工業(yè)過(guò)程智能優(yōu)化決策系統的共性研究方向如下:

1) 機理模型與數據和知識融合的運行工況智能感知.工業(yè)過(guò)程是一個(gè)包含物理化學(xué)反應的氣液固多相共存的連續化復雜生產(chǎn)全流程, 其運行工況依靠人的視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)來(lái)感知視頻、聲音、文本和自動(dòng)化系統產(chǎn)生的實(shí)際數據, 憑經(jīng)驗和知識來(lái)識別.為了及時(shí)、準確地識別工況, 需要研究制造流程多源異構信息的感知和從多源異構數據中發(fā)現工況識別的規則.包括: a)數據、視頻與機理分析相結合的運行工況智能感知; b)融合數據、操作和管理經(jīng)驗的領(lǐng)域知識挖掘; c)工業(yè)生產(chǎn)物質(zhì)流、能源流和信息流的狀況智能感知; d)機理模型與數據和知識融合的多尺度多維度指標建模等.

2) 具有預測、反饋、自學(xué)習、自?xún)?yōu)化校正的智能決策系統架構及新方法, 研究以企業(yè)高效化和綠色化為目標, 如何實(shí)現企業(yè)目標、計劃調度、運行指標、生產(chǎn)指令與控制指令一體化優(yōu)化決策, 使工業(yè)運行過(guò)程成為知識自動(dòng)化系統, 盡可能提高生產(chǎn)效率與產(chǎn)品質(zhì)量, 盡可能降低能耗與物耗, 實(shí)現生產(chǎn)過(guò)程環(huán)境足跡最小化, 確保環(huán)境友好地可持續發(fā)展.包括: a)具有預測、反饋、自學(xué)習、自?xún)?yōu)化校正的智能決策系統架構; b)全局動(dòng)態(tài)感知、過(guò)程知識發(fā)現與知識自動(dòng)化的一體化智能決策; c)多層次、多尺度、多目標動(dòng)態(tài)優(yōu)化決策; d)全流程生產(chǎn)指標的智能決策; e)企業(yè)綜合生產(chǎn)指標目標值的智能決策; f)基于機理與數據和知識融合的一體化決策; g)宏觀(guān)信息優(yōu)化與虛擬企業(yè)預測和大數據反饋校正相結合的運行指標智能決策; h)工業(yè)生產(chǎn)全流程計劃調度系統與優(yōu)化; i)人工智能驅動(dòng)的優(yōu)化決策的建模、決策、校正算法; j)全流程生產(chǎn)指標的大數據可視化分析與監控算法; k)全流程生產(chǎn)指標優(yōu)化中的異常工況預報、溯源與自愈; l)人工智能驅動(dòng)的協(xié)同控制的建模、協(xié)同優(yōu)化與控制算法; m)決策與控制一體化系統的動(dòng)態(tài)性能評估等.

3) 智能決策系統實(shí)現技術(shù).面向典型流程工業(yè)企業(yè), 研發(fā)相關(guān)的智能優(yōu)化決策系統技術(shù), 設計智能優(yōu)化決策云服務(wù)平臺系統體系架構與核心組件, 構建流程工業(yè)智能優(yōu)化決策系統, 搭建智能優(yōu)化決策系統的實(shí)驗平臺并開(kāi)展實(shí)驗平臺驗證與應用驗證研究.包括: a)智能優(yōu)化決策系統的實(shí)現系統架構; b)智能優(yōu)化決策系統的數據、知識、算法庫管理平臺; c)智能優(yōu)化決策系統算法實(shí)現的軟件; d)運行工況故障診斷與自愈控制軟件; e)智能優(yōu)化決策系統分布式實(shí)現技術(shù); f)生產(chǎn)指標的大數據可視化分析與監控軟件; g)基于工業(yè)私有云和移動(dòng)終端的生產(chǎn)全過(guò)程智能優(yōu)化決策系統設計技術(shù)等.

總體來(lái)說(shuō), 流程工業(yè)智能優(yōu)化決策系統的重點(diǎn)任務(wù)是從流程工業(yè)綠色化與自動(dòng)化、工業(yè)化與信息化深度融合的重大需求出發(fā), 以實(shí)現流程工業(yè)綠色化、智能化和高效化為目標, 建立工業(yè)大數據和知識驅動(dòng)的流程工業(yè)智能優(yōu)化決策機制和系統體系結構, 研究工業(yè)大數據驅動(dòng)的領(lǐng)域知識挖掘、推理與重組、多源異構多尺度生產(chǎn)指標預測、大數據和知識驅動(dòng)的生產(chǎn)指標決策、優(yōu)化運行與控制一體化決策方法與技術(shù), 研發(fā)流程工業(yè)智能優(yōu)化決策的實(shí)現技術(shù)與工業(yè)軟件, 建立流程工業(yè)智能優(yōu)化決策系統實(shí)驗平臺, 引領(lǐng)工業(yè)化與信息化深度融合.從而形成以生產(chǎn)全流程整體優(yōu)化為特征的流程工業(yè)智能決策新模式, 實(shí)現流程工業(yè)生產(chǎn)的綠色化、智能化和高效化, 引領(lǐng)工業(yè)化與信息化深度融合.

5 結束語(yǔ)

流程制造業(yè)具有生產(chǎn)連續程度高、生產(chǎn)設備眾多、變量間強耦合、生產(chǎn)產(chǎn)品固定、生產(chǎn)量大等特點(diǎn), 生產(chǎn)企業(yè)的整個(gè)管理決策過(guò)程還是依賴(lài)人和知識型工作者來(lái)進(jìn)行.當市場(chǎng)需求和生產(chǎn)要素條件發(fā)生變化時(shí), 難以及時(shí)準確地做出企業(yè)目標、計劃調度、運行指標、生產(chǎn)指令與控制指令的決策反應, 無(wú)法實(shí)現企業(yè)產(chǎn)品質(zhì)量、產(chǎn)量、消耗和成本等綜合生產(chǎn)指標的優(yōu)化.本文根據我國流程工業(yè)過(guò)程智能優(yōu)化決策系統的現狀, 提出復雜工業(yè)過(guò)程生產(chǎn)制造全流程優(yōu)化決策系統——智能優(yōu)化決策系統的愿景功能, 并探討了下一步的具體研究方向.智能優(yōu)化決策系統能夠有效地結合工業(yè)制造流程、知識型工作自動(dòng)化以及智能技術(shù), 使得企業(yè)能夠智能感知物質(zhì)流、能源流和信息流的狀況、自主學(xué)習和主動(dòng)響應, 自適應優(yōu)化決策企業(yè)生產(chǎn)目標、優(yōu)化配置資源和合理配置與循環(huán)利用能源, 為實(shí)現流程工業(yè)過(guò)程智能優(yōu)化制造打下基礎.

參考文獻：略

來(lái)源：CAA發(fā)電自動(dòng)化