图1  一种典型间歇过程（注塑过程）示意图

间歇生产的过程特性非常复杂，与连续生产相比具有特殊的大范围非平稳运行特点，可以用“多重时变”来概括，即“多样产品”，“重复运行”，“时段切换”和“变换指标”。

1）  多样产品：间歇过程在同一装置上频繁切换生产不同产品；

2）  重复运行：间歇生产重复执行相同的操作来获得更多同种产品, 即一个生产周期结束，操作切换重新开始生产；

3）  时段切换：在同一批次生产周期内多操作工序切换是间歇过程固有的一个本质特征；

4）  变换指标：为了保证产品的高质量要求，针对不同产品，多个操作阶段都可能具有不同控制目标和采用不同的控制方案。

图2  “多重时变”本质特性示意图

针对间歇过程的大范围非平稳运行复杂特性，将过程划分成不同的时段并分别建模监测是一种行之有效的策略。为了和间歇过程所具有的物理操作“阶段”区别开来，这里的“时段”实际上指的是建模时段。进一步，在同一个物理操作阶段中，如果过程变量相关性发生变化，又可以将其划分为若干个建模“时段”。除了不同的过程变量运行轨迹，不同时段具有显著不同的过程潜在特性。多时段表征理论方法从根本上克服了经典多向建模方法的保守性，可以有效反映间歇生产操作条件频繁切换影响与非平稳变化特性，增强了人们对间歇生产过程特性的理解，有利于不同时段内关键信息的分析与提取，显著提高了模型的精度。

图3  注塑过程的时段划分示意图

此外，由于间歇生产时段切换与产品切换的双重影响，造成间歇过程对理想状态不同程度上的偏离，产生许多典型问题，包括批次间慢漂移，批次运行不同步，批次数不足、多工况、非线性严重、动态特性显著等。异常变化极易被这些正常状态偏离所掩盖，如何在大范围非平稳运行中区分正常状态切换与异常是其中的难点问题。在对间歇过程进行监测时，需要充分考虑这些实际问题以及相应的过程特征并对其进行分析。因此，本文回顾了包括不等长、有限批次、多模态、非线性、动特性等典型情况下的过程监控方法。

图4  间歇过程多模态切换示意图

过去近三十年，学者们在间歇过程状态监控与故障诊断算法的研究上取得了丰硕的成绩，间歇过程高性能监控也得到了更广泛的应用。传统的研究工作将连续过程和间歇过程分立割裂进行，如何搭建起沟通连续过程和间歇过程之间的桥梁，将研究思路和方法相互借鉴，获得更为有效的建模，监测与诊断方法，是后续需要考虑的一个重要方向。针对间歇过程监控的研究仍存在着一些问题需要进一步的研究，其中包括以下几个方面：

1）  闭环反馈下的过程监控；

2）  间歇过程运行的状态评价；

3）  多故障并发的故障诊断；

4）  非优状态与故障工况的自修复。

近些年，随着深度学习研究和应用的深入，不少深度学习方法也被初步应用到了工业过程控制中。机器学习最新理论在工程科技领域的深入应用为解决间歇过程的状态监测与故障诊断问题提供了新的手段和思路。推动人工智能基础理论研究成果向间歇过程高效运维的转化是实现场景人工智能需要发力的关键之一。

引用格式

赵春晖, 余万科, 高福荣. 非平稳间歇过程数据解析与状态监控—回顾与展望. 自动化学报, 2020, 46(10): 2072−2091

文章链接

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190586?viewType=HTML