摘要: 流程工業是制造業的重要組成部分，是我國國民經濟和社會發展的重要支柱產業.新一代信息技術和人工智能技術為流程工業的發展帶來新的挑戰和機遇.只有與流程工業的特點與目標密切結合，充分利用大數據，將人工智能、移動互聯網、云計算、建模、控制與優化等信息技術與工業生產過程的物理資源緊密融合與協同，實現流程工業智能優化制造，才可能實現流程工業的跨越式發展.本文聚焦流程工業的復雜生產過程，從其智能優化決策系統的角度，描述了復雜工業過程優化決策系統的問題、回顧總結了復雜工業過程全流程優化決策系統的現狀，分析了智能優化決策系統的必要性，提出了智能優化決策系統的發展目標及愿景，并對智能優化決策系統的下一步重點研究方向進行了展望。

關鍵詞: 復雜工業過程 全流程優化決策 協同優化 智能優化決策 智能制造    

流程工業是制造業的重要組成部分, 包括石化、冶金、建材、輕工和電力等行業^[1-4], 是我國國民經濟和社會發展的重要支柱產業.不僅為機械、航空航天、軍工、建筑等行業提供原材料, 而且為國民經濟發展提供電力等能源; 在保障國家重大工程建設和帶動國民經濟增長等方面起著不可替代的作用.經過數十年的發展, 我國流程工業歷經技術引進、消化吸收和自主創新幾個發展階段, 其生產工藝、裝備和自動化與信息化水平得到大幅度提升, 整體實力迅速增強, 國際影響力顯著提高.

然而我國流程工業面臨資源利用效率偏低, 能耗物耗較高、產品質量差、生產成本高、"三廢"排放量較大, 環境污染嚴重等問題.其主要原因是我國流程工業的原料成分波動頻繁; 其生產過程涉及物理化學反應, 難以用數學模型精確描述; 生產過程連續不能間斷, 其任一單元出現問題都會影響產品質量等生產性能; 原材料的成分、生產設備狀態、生產工藝參數和產品質量等無法實時或全面感知, 難以保證生產全流程長期穩定的優化運行, 因此為流程工業進一步發展帶來了挑戰.

當前, 我國流程工業面臨第四次工業革命的歷史契機、中國制造升級轉型和供給側結構性改革的關鍵時期. "中國制造2025"和"新一代人工智能"為流程工業的發展指出了新的方向和帶來新的機遇.智能制造是我國實現制造強國的主攻方向^[1-2].智能制造只有與流程工業的特點與目標密切結合, 充分利用大數據, 將人工智能、移動互聯網、云計算、建模、控制與優化等信息技術與工業生產過程的物理資源緊密融合與協同, 研發實現智能制造目標的各種新功能, 才可能使制造業實現跨越式發展.

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

1 復雜工業過程優化決策系統的現狀

1.1 生產全流程優化決策系統發展現狀

復雜工業生產全流程是由一個或多個工業裝備組成的生產工序, 多個生產工序構成了全流程生產線.其功能是將進入的原料加工為半成品材料或者產品.實現生產全流程的產品質量、產量、消耗、成本等綜合生產指標的優化, 必須協同各個生產工序(即工業過程智能體)來共同實現^[5].

工業生產全流程的控制、運行與管理主要是通過生產調度部門和工藝技術部門來實現的.生產調度部門發出的指令分成并行的兩條線.一條線側重生產的組織管理與資源調配, 主要由生產調度人員、操作員、資源供應系統來完成.另一條線, 通過生產計劃部門和調度部門將企業的綜合生產指標(反映企業最終產品的質量、產量、成本、消耗等相關的生產指標)從空間和時間兩個尺度上轉化為生產制造全流程的運行指標(反映整條生產線的中間產品在運行周期內的質量、效率、能耗、物耗等相關的生產指標); 工藝部門的工程師將生產制造全流程的運行指標轉化為過程運行控制指標(反映產品在生產設備(或過程)加工過程中的質量、效率與消耗等相關變量); 作業班的運行工程師將運行控制指標轉化為過程控制系統的設定值.當市場需求和生產工況發生變化時, 上述部門根據生產實際數據, 自動調整相應指標, 通過控制系統跟蹤調整后的設定值, 實現對生產線全流程的控制與運行, 從而將日綜合生產指標控制在目標范圍內.當市場需求和生產工況發生頻繁變化時, 以人工操作為主體的上述部門不能及時準確地調整相應的運行指標, 導致產品質量下降、生產效率降低和能耗增加, 從而無法實現日綜合生產指標的優化控制^[3, 6-8].

隨著信息技術的發展與應用, 復雜工業過程的控制、運行與管理大多采用Enterprise resource planning、Manufacturing execution systems和Process control system (ERP/MES/PCS)三層結構來實現. ERP主要是根據企業經營決策的目標, 來實現對物質流、資金流和信息流的管理, 決策輸出生產控制(生產計劃)、物流管理(分銷、采購、庫存管理)和財務管理(會計核算、財務管理)的優化配置結果. MES提供生產計劃、生產調度、質量管理、能源管理、設備管理、生產指標監視、優化決策等功能^[9]. MES決策出面向生產進度的調度/排產計劃, 包括物流、能源、設備維護、運輸、中間庫存的綜合配置等. PCS主要實現各個裝置/設備/單元的過程回路控制、邏輯控制與生產過程監控等.

但是目前企業的ERP和MES等信息系統還不能夠快速全面自動地感知企業內外部與生產經營、生產運作和操作優化與控制相關的各種數據、信息與知識, 導致現有的系統缺乏全面、準確和實時的生產要素數據獲取能力, 缺乏多源異構生產運行大數據感知與處理能力, 缺乏數據匯聚和融合能力, 缺乏高效的不同領域不同層次數據分析、隱含知識關聯與推演等能力, 從而不能夠對生產行為和市場變化進行實時感知, 進而也不能自動優化生產經營決策和計劃調度指令.因此, 企業的生產經營與計劃調度主要靠企業管理人員憑長期積累的經驗和相關工藝知識進行決策.人工決策的隨意性大且不夠及時準確, 常造成企業綜合生產指標偏離預定目標范圍, 導致產品的質量差、成本高和資源消耗大等問題.當市場需求和生產要素條件發生頻繁或劇烈變化時, 以人工經驗知識難以及時準確地做出決策反應, 從而無法實現企業綜合生產指標的優化.顯然, 這種決策難以在復雜市場和生產環境下保證企業全局優化和效益最大化.

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同機制, 無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, 使得企業計劃調度層缺乏生產實時信息反饋, 并且沒有充分考慮生產過程特性, 下層生產控制層缺乏與優化協調與調度的銜接, 企業難以實現全流程的整體優化^[10].

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

綜上所述, 復雜工業過程采用計算機、通信和控制能夠實現過程自動控制(PCS), 生產經營與管理也有相應的信息系統(ERP、MES), 但是復雜生產過程的企業目標、資源計劃、調度、運行指標、生產指令與控制指令的決策仍然憑經驗由相應的知識工作者在各信息系統平臺上進行.

1.2 生產全流程優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過程優化決策系統的某一主要環節或者幾個環節來開展研究的.下面分別對生產計劃與調度, 運行指標優化和生產全流程一體化控制的研究現狀進行綜述.

1.2.1 生產計劃與調度

1) 靜態環境下生產計劃調度

計劃調度是生產經營活動的主要依據, 對企業的效益起著十分重要的作用.生產計劃是在一定時期內, 根據產品的市場需求、原料供應、生產能力、裝置運行與檢修計劃, 綜合考慮企業的管理成本以及生產過程中成品、半成品的成本等, 以企業的生產、管理和營銷狀況等獲取最大經濟效益為目標, 決策出一段時期內的需求量^[13-14].生產調度則是根據計劃的決策確定生產加工方案使總的費用最小、或浪費最小、或產品偏差值最小、或時間最短等^[15].

靜態環境下的計劃調度不考慮生產過程內部和外部環境的動態變化, 主要集中在建模和優化的研究.目前, 生產計劃的研究依賴于數學規劃方法.由于從生產計劃獲得了確定的調度任務, 其研究包括基于數學規劃的方法、基于Petri網的方法、啟發式方法和基于仿真的方法等.

a) 基于數學規劃的計劃調度.該方法將計劃或調度問題表示成數學優化模型, 然后對數學模型求解獲得計劃或調度指令.由于流程工業生產調度問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, 調度任務既需要確定周期內原油的類型, 還需要原油的運輸量.因此, 計劃調度的優化模型和約束模型通常是線性混合整數(Mixed integer linear programming, MILP)或非線性混合整數(Mixed integer non-linear programming, MINLP)模型.

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

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

b) 基于Petri網的調度. Petri網(Petri net, PN)^[22]是一種基于圖形的用來描述系統動態過程的方法, 具有直觀、易懂和易用的優點, 特別適用于描述異步、并發過程. Petri網在20世紀80年代引入生產計劃調度研究領域, 一般是分析驗證計劃調度問題的可行性與可達性^[23]. Petri網已經廣泛應用于柔性制造業的計劃調度問題[24-26]. PN用庫所、令牌、變遷、有向弧和權函數描述生產動態過程, 然后用啟發式方法或智能優化方法獲得的變遷序列表示一個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, 由于有向弧、變遷等的存在, 造成模型規模和復雜程度增大, 直觀降低.

c) 基于仿真的調度.基于仿真的優化框架將智能搜索算法和仿真方法相結合, 通過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.啟發式規則是為了解決計劃調度模型優化的難題.計劃調度模型通常是NP問題, 很難求得其精確的最優解.啟發式方法由Baker等在1960年首次提出, 并進行計算機仿真研究分析不同處理次數和不同啟發式規則對調度效果的影響作用^[34].啟發式方法首先從經驗知識或數據中挖去規則, 然后利用規則推理出滿意甚至近似調度最優解.由于其具有簡單、快速等優點, 啟發式規則方法得到了廣泛的應用^[35-37].近年來, 一些研究將啟發式方法和智能優化方法, 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式規則庫, 利用智能優化算法的全局收斂性、普遍適應性的優點, 加快算法收斂的速度, 提高全局最優解的質量^[38-40].啟發式方法的缺點是不能保證獲得的解是全局最優解, 也沒有統一的方法判斷解的質量.

2) 動態環境下計劃調度

實際生產過程存在來自內部或外部動態因素^[13, 41], 如系統內部固有的動態變化, 輸入信息中的噪聲、干擾與誤差, 和系統外部動態因素:原料種類與成分變化、生產模式切換、工況變化、產量和質量的波動、價格變動、設備故障、成本和需求變化等.這些動態變化往往會導致生產計劃和調度的調整.根據動態因素的來源和性質, 目前生產計劃和調度對動態環境的處理可分為兩種, 當作不確定性因素在建模過程中處理和基于事件驅動的動態處理方法.

a) 不確定性因素處理.該方法將動態因素看作隨機噪聲, 加入到計劃調度優化模型.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化等.確定性常數方法是指在生產計劃和調度的建模過程中將不確定因素視為確定性常數來處理^[41].該方法主要處理對生產過程影響較小的不確定因素, 如來自運動學常數、傳質/傳熱系數、物理性質等不確定因素.隨機規劃法先通過歷史數據來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行優化^[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題, 相對來說容易實現^[45-49].魯棒優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.魯棒優化獲取含有不確定參數計劃調度模型的次優解, 保證該優化解在不確定參數的變動范圍是可行的^[50-53].對不確定因素的處理, 也相繼提出了隨機規劃、模糊規劃和魯棒優化的混合策略^[54-55].

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

3) 生產計劃、調度與控制集成優化

a) 生產計劃與調度集成.為了解決計劃調度沖突的問題, 計劃調度集成優化引起了廣泛關注. Khoshnevis等于1991年首先提出了計劃調度集成優化的基本問題^[59].之后的研究提出了同時優化計劃和調度的方法^[60]、兩層模型方法^[61-63]、靜態和動態兩階段的集成方法^[64]等.

b) 生產調度與控制集成.面對生產過程多產品和動態環境的變化, 生產調度和控制系統的集成受到廣泛關注^[65-67].調度和控制的集成方法一般分為Top-down方法和Bottom-up方法^[65]. Top-down方法將生產過程的被控過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方法將調度優化指標加入控制算法中, 使得控制器跟蹤企業的經濟效益^[70], 比如, EMPC (Economic model predictive control)方法^[71-73].由于集成模型包含大量微分、非線性表達式, 造成模型的計算復雜度高難以達到實時優化求解的要求.

1.2.2 工業過程運行優化與控制

運行優化控制的目標是在保證安全運行的條件下, 將運行指標的實際值控制在目標范圍內, 提高產品質量與效率相關的運行指標并降低生產能耗的運行指標[11].根據工業過程特點, 運行優化與控制方法可分為基于模型的方法和基于數據驅動的方法.

1) 基于模型的運行優化與控制

基于模型的運行優化與控制方法在化工過程等廣泛采用, 代表性方法有自優化控制、基于實時優化(Real time optimization, RTO)/調節控制兩層結構的優化控制等^[12, 74].自優化控制(Self-optimizing control, SOC)的思想是:以取得過程的穩態最大經濟效益為目標, 在滿足過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, 當過程受到一定范圍內的不確定干擾因素影響時, 不需要改變被控變量的設定值, 實際工況仍然可以處在近似最優操作點上, 即工業過程的實際目標函數值與最優目標函數值的偏差在合理的、可以接受的范圍內^[75].自優化控制的關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].工業過程的運行優化通常由實時優化RTO和預測控制(Model predictive control, MPC)兩層組成.如文獻^[77-78]上層由非線性RTO產生底層回路設定值, 底層采用MPC跟蹤控制器設定值.文獻^[79]采用非線性預測控制(Non-linear model predictive control, NMPC)和動態實時優化的DRTO的雙層結構, 來解決大規模復雜生產過程運行優化, 并在蒸餾裝置進行了驗證. DRTO (Dynamic real time optimization)和NMPC相結合的運行優化方法被廣泛研究^[80-81]以及其他模型預測控制方法^[82-84]、實時優化控制方法^[85]和模糊控制方法^[86]等.

2) 數據驅動的運行優化

近年來, 針對選礦、有色和冶金等難以建立數學模型工業過程, 提出了數據驅動的運行優化方法.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].通過基于預測的前饋補償器和基于實際值的反饋補償器實時調整控制回路設定值, 控制系統跟蹤調整后的設定值, 使得過程運行指標控制在目標值范圍內.上述方法已經成功應用于赤鐵礦豎爐焙燒和磨礦過程等^[11, 87-92].在此基礎上, 文獻^[93]提出了一種基于Q-learning的數據驅動的方法求解設定值的次優解, 實現運行指標直接跟蹤次優的目標值.

1.2.3 生產全流程一體化控制

由于單一層次的優化決策沒有考慮層與層之間的相互影響, 難以保證整條生產線的全局最優.針對各個工序/裝置的運行指標目標值與全流程生產指標和綜合產指標之間的動態特性具有月、日和小時三個時間尺度, 且難以在線測量, 原材料成分、種類、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模型以及指標之間相互聯系、相互沖突的問題, 文獻^[6]在將綜合生產指標目標值優化^[94]、兩尺度選礦生產指標分解方法^[62]和運行指標目標值優化^[95]集成的基礎上, 提出了以實現綜合生產指標優化為目標的選礦自動化系統的全流程集成優化策略.全流程一體化集成優化決策與控制系統的總體結構由綜合生產指標目標值優化、全流程生產指標目標值優化、運行指標目標值多目標優化和過程自動化系統組成.對不同時間尺度的綜合生產指標、全流程生產指標和運行指標優化按月、日和小時不同的周期分層優化.

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

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

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

k是綜合生產指標的個數, n是運行指標的個數是運行指標的個數.文獻^[96, 98]提出了基于案例推理(Case-based reasoning, CBR)和多目標進化優化算法(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指標和運行指標建立多目標優化模型; 然后, 用MOEA求解該模型到運行指標的最優解集; 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]考慮生產過程的動態因素, 如設備能力變化, 建立運行指標優問題的動態多目標運行指標優化模型, 解決了動態環境下運行指標優化初值優化的問題.

b) 生產指標預測模型.綜合生產指標的預測模型以運行指標初值預估綜合生產指標Q^k, 為前驗評估的輸入.生產過程中預報模型不斷更新來適應新的工況條件.文獻[101]提出以線性模型和非線性模型的混合模型建立生產指標預測模型.其中線性模型給出生產指標和運行指標的主要關系, 非線性誤差補償模型由最小二乘支持向量機訓練得到.非線性模型用來補償線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選擇非線性補償模型的參數^[101].文獻^[102]提出了基于多模型的綜合生產指標預測模型.首先, 利用模糊聚類算法將訓練數據集分成多個類別; 然后, 對每個類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指標的子模型; 最后, 集成所有子模型作為綜合生產指標預測模型.為了實現在線預測, 文獻^[103]提出了一種基于數據的自適應在線預測模型, 通過使用訓練樣本方法的統計特性在線更新模型的參數, 建立在線校正預測模型.文獻^[104]提出了一種通過修改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指標建模提高了模型的準確性.

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

2 智能優化決策系統的必要性

經過幾十年發展, 我國已經成為世界上門類最齊全、規模最龐大的流程制造業大國, 但非強國.存在著資源成分復雜且稟賦差、產品質量不穩定、能耗高、污染重的問題.與發達國家相比, 資源回收率低, 能源利用率低, 單位產品平均能耗高.如何在當前國際競爭與國家重大需求的環境下, 通過智能制造來解決流程工業上述問題是我們面臨的首要問題和挑戰.

當前, 發達國家紛紛實施"再工業化"戰略, 強化制造業創新, 利用新興的信息技術, 加快制造業智能化的進程, 重塑制造業競爭新優勢.以德國的離散制造業"工業4.0"為代表的智能制造是最典型的未來發展戰略.這股發展趨勢和熱潮甚至被推到"第四次工業革命"的高度. "工業4.0"的目標是實現個性定制的自動化與高效化, 將CPS (Cyber-physical systems)與制造技術深度融合, 實現產品、設備、人和組織之間的無縫集成及合作, 達到計算資源與物理資源緊密融合與協同, 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"智能過程制造"的技術框架和路線, 其目標在于集成知識和大量模型, 采用主動響應和預防策略進行優化決策和生產制造.我國也把智能制造作為實現新興產業培育發展與傳統產業改造升級有機結合的最佳途徑, 作為我國實現制造強國的主攻方向和突破口, 實施"中國制造2025".這也是我國流程工業發展的新機遇與挑戰.

流程工業智能制造對于生產過程來說, 關鍵的是實現生產全流程的整體優化.即在市場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、經營決策、計劃調度、工藝參數選擇、生產全流程控制實現無縫集成優化, 實現企業全局的產品質量、產量、成本和消耗等生產指標的優化, 實現生產全流程安全可靠優化運行, 從而生產出高性能、高附加值產品, 使企業利潤最大化, 同時實現能源與資源高效利用, 污染物實現零排放、環境綠色化^[1-4].

流程工業生產過程的特點決定了其實現生產全流程整體優化的核心是實現其運行操作參數的智能優化決策, 即根據原料特性和生產工況等因素來優化選擇和調整運行操作參數保證生產目標的完成.流程工業生產過程的特點之一是工藝流程固定, 由一個或多個工業裝備組成生產工序, 將進入的原料加工成為下道工序所需要的半成品材料, 多個生產工序構成全流程生產線; 特點之二其生產過程本質上是材料的物質轉化過程, 是一個物理化學反應的氣液固多相共存的連續復雜過程.特別是原料成分波動和外界隨機干擾增加了物質轉化過程的復雜性.這也增加了運行操作參數決策的復雜性.

面向流程工業生產全流程整體優化的運行操作參數優化決策仍是尚未解決的問題.它包括縱向跨層級多時間尺度的決策問題, 如企業經營決策層的產品質量、產量、成本和消耗等多沖突生產指標的優化決策及其在月、周、日、時等多時間尺度上的分解、計劃調度指令的決策等; 同時還包含橫向跨工序的多空間尺度的決策問題, 如由全流程生產指標來決策各個工序的中間產品的質量、產量和消耗等工序/裝置的運行指標, 進而根據運行指標來決策各工序/裝置的控制系統回路設定值.雖然生產管理、計劃調度、過程控制等信息化和自動化系統廣泛應用并且能夠實現局部單元的優化決策, 但是由于工業生產全流程中連續復雜的物理化學反應, 機理不清, 干擾多, 波動大, 上述運行操作決策主要依賴管理者、調度員、工程師等知識型工作者人工憑經驗進行.

此外, 面對我國流程工業快速發展與資源能源短缺、原材料質量差且性質波動大、生態環境污染日益凸現的矛盾, 工業生產過程的運行操作優化越發重要.目前對調度層、實時優化和先進控制層的研究雖然已經取得不少成果, 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系不明確, 導致目前生產全流程的總體運行水平依然不高.工業過程面向整體行為的優化困難, 迫切需要研究面向生產全流程整體優化的工業過程智能優化決策方法及系統, 實現在局部與整體之間、短期與長遠之間、效益與安全和環境影響之間的多目標優化, 為實現復雜流程工業過程智能優化制造打下堅實基礎.

人工智能的發展為復雜工業過程智能優化決策提供了手段.回顧歷史, 可以發現人工智能與控制科學具有密切的關系.控制論的核心概念是預設和反饋, 是模擬人如何思考, 將思考的過程演化成邏輯.也是人工智能的一個重要的流派.控制科學經過經典控制、現代控制、先進控制等階段, 內涵不斷豐富和發展, 但主要是基于精確數學模型通過信號測量和反饋解決被控對象的系統分析、控制和優化問題.而以深度學習為代表的人工智能是模擬生物學大腦, 是仿生或者聯接主義流派.主要不依賴數學模型, 從對象特征出發, 模擬人的推理、學習過程解決系統的自動化問題.實際上控制科學和人工智能是實現自動化技術的兩類方法、兩種思路.上述人工智能與控制科學兩種思路的融合將為解決復雜決策問題提供了新思路.

3 智能優化決策系統的發展目標及愿景

工業生產過程是人機物高度融合的復雜系統, 其決策問題既涉及企業內部的生產, 又涉及企業外部的環境條件以及動態變化的市場環境.工業生產全流程智能優化決策的發展目標是研發復雜工業過程智能優化決策系統, 能夠在外部市場動態需求、內部企業生產動態狀況(設備能力、工藝參數)、外部資源消耗與環保等約束條件下, 以盡可能提高包含產品產量、質量、能耗、排放、成本等指標在內的生產全流程綜合生產指標為目標, 采用虛擬制造流程實現基于虛擬仿真的前饋決策校正, 通過工業大數據實現工況識別與反饋自優化決策, 人機交互動態優化決策反映質量、效率、成本、消耗、安環等方面的企業全局綜合生產指標、不同時間尺度的生產指標等, 使計劃、生產、資源三者密切配合, 在生產過程的內外部條件變化時, 在最短的時間內感知生產過程的各種變化, 對各級生產指標和控制指令做出準確的調整, 保證生產全流程的整體優化運行.

復雜工業過程智能優化決策系統的結構示意如圖 1所示, 由生產指標優化決策系統、生產全流程智能協同優化控制系統和智能自主運行優化控制系統組成.智能優化決策系統的愿景功能是能夠實時感知市場信息、生產條件和生產全流程運行工況, 以企業高效化和綠色化為目標, 實現企業目標、計劃調度、運行指標、生產指令與控制指令一體化優化決策, 實現遠程與移動可視化監控決策過程動態性能, 自學習與自優化決策.將人與智能優化決策系統協同, 使決策者在動態變化環境下精準優化決策.

生產全流程智能協同優化控制系統需要協同底層各個工序的智能體, 即智能自主控制系統, 來實現生產全流程生產指標的優化.生產全流程智能協同控制系統的功能是自動獲取生產線生產指標和生產過程動態變化因素、資源屬性等方面的數據和信息, 智能感知物質、能源和信息三流的相關狀況; 能夠自主地學習和主動響應, 從而自適應地進行優化決策、優化配置資源和合理配置與循環利用能源, 并給出以生產全流程生產指標優化為目標的優化運行指標目標值.

智能自主控制系統由高性能智能控制器、智能運行優化、工況識別與自優化控制三部分組成.智能優化制造要求生產制造過程控制系統成為一個智能體, 即智能自主控制系統使生產制造過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、優化、故障診斷、自愈控制于一體, 具有自適應、自學習、自動調整控制結構和控制參數的功能, 能夠適應工業過程的動態變化.其功能是智能感知生產條件的變化, 以優化運行指標為目標, 自適應決策控制系統的設定值.高動態性能的智能控制系統跟蹤控制系統設定值的改變, 將實際運行指標控制在目標值范圍內.實時遠程與移動監控與預測異常工況, 自優化控制, 排除異常工況, 使系統安全優化運行.與其他智能自主控制系統相互協同, 實現制造流程全局優化.

復雜工業過程智能優化決策系統通過智能優化決策系統、生產全流程智能協同優化控制系統和智能自主運行優化控制系統協同, 最終實現復雜生產全流程的優化運行.

4 重點研究方向

如前所述, 未來的制造全流程優化決策系統一定是人機交互的動態智能優化決策, 目前尚沒有統一的智能決策體系結構.在工業大數據和云網絡平臺的支持下, 通過知識庫構建、決策計算、指標預測、評價反饋等模塊, 將智能決策行為和綜合自動化、智能方法與預測和反饋相結合, 建立生產制造智能決策系統的體系結構與功能, 實現人機柔性化自適應交互決策.根據以上目標, 復雜工業過程智能優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.工業過程是一個包含物理化學反應的氣液固多相共存的連續化復雜生產全流程, 其運行工況依靠人的視覺、聽覺、觸覺來感知視頻、聲音、文本和自動化系統產生的實際數據, 憑經驗和知識來識別.為了及時、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、操作和管理經驗的領域知識挖掘; c)工業生產物質流、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、自學習、自優化校正的智能決策系統架構及新方法, 研究以企業高效化和綠色化為目標, 如何實現企業目標、計劃調度、運行指標、生產指令與控制指令一體化優化決策, 使工業運行過程成為知識自動化系統, 盡可能提高生產效率與產品質量, 盡可能降低能耗與物耗, 實現生產過程環境足跡最小化, 確保環境友好地可持續發展.包括: a)具有預測、反饋、自學習、自優化校正的智能決策系統架構; b)全局動態感知、過程知識發現與知識自動化的一體化智能決策; c)多層次、多尺度、多目標動態優化決策; d)全流程生產指標的智能決策; e)企業綜合生產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)宏觀信息優化與虛擬企業預測和大數據反饋校正相結合的運行指標智能決策; h)工業生產全流程計劃調度系統與優化; i)人工智能驅動的優化決策的建模、決策、校正算法; j)全流程生產指標的大數據可視化分析與監控算法; k)全流程生產指標優化中的異常工況預報、溯源與自愈; l)人工智能驅動的協同控制的建模、協同優化與控制算法; m)決策與控制一體化系統的動態性能評估等.

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

總體來說, 流程工業智能優化決策系統的重點任務是從流程工業綠色化與自動化、工業化與信息化深度融合的重大需求出發, 以實現流程工業綠色化、智能化和高效化為目標, 建立工業大數據和知識驅動的流程工業智能優化決策機制和系統體系結構, 研究工業大數據驅動的領域知識挖掘、推理與重組、多源異構多尺度生產指標預測、大數據和知識驅動的生產指標決策、優化運行與控制一體化決策方法與技術, 研發流程工業智能優化決策的實現技術與工業軟件, 建立流程工業智能優化決策系統實驗平臺, 引領工業化與信息化深度融合.從而形成以生產全流程整體優化為特征的流程工業智能決策新模式, 實現流程工業生產的綠色化、智能化和高效化, 引領工業化與信息化深度融合.

5 結束語

流程制造業具有生產連續程度高、生產設備眾多、變量間強耦合、生產產品固定、生產量大等特點, 生產企業的整個管理決策過程還是依賴人和知識型工作者來進行.當市場需求和生產要素條件發生變化時, 難以及時準確地做出企業目標、計劃調度、運行指標、生產指令與控制指令的決策反應, 無法實現企業產品質量、產量、消耗和成本等綜合生產指標的優化.本文根據我國流程工業過程智能優化決策系統的現狀, 提出復雜工業過程生產制造全流程優化決策系統——智能優化決策系統的愿景功能, 并探討了下一步的具體研究方向.智能優化決策系統能夠有效地結合工業制造流程、知識型工作自動化以及智能技術, 使得企業能夠智能感知物質流、能源流和信息流的狀況、自主學習和主動響應, 自適應優化決策企業生產目標、優化配置資源和合理配置與循環利用能源, 為實現流程工業過程智能優化制造打下基礎.

參考文獻：略

來源：CAA發電自動化