系统辨识，才是工业智能的灵魂---朱豫才

前面介绍过，RTO（实时优化）是指运行优化中的寻优优化。寻优优化中，目标函数（损失函数）是优化变量的非单调函数，优化变量的最优值在其上下界中间的某个位置，需使用某种优化算法进行寻优，找到其最优值。另外一种运行优化是卡边优化，可以用MPC控制器实现，不需要寻优。

RTO有三个技术路线。第一个是基于机理模型的优化方法，这是化工行业和学术界最流行的技术路线。第二个是基于正交试验的优化方法，这在发电行业最常用，叫热力试验或性能试验。第三个是我们最近独立提出的基于系统辨识的优化方法。这三种方法的共性是，用其特有的方法调节优化变量，进行优化迭代，使目标函数极大（极小）化。优化方法中，梯度寻优法是最常用的，也是最好理解的，见下图。

图1. 梯度寻优法

显然，AI大语言模型是无法用来做RTO的，因为大语言模型是处理图像、视频、语音和文字的，无法有效处理微分方程系统生成的连续实时信号。

退一步讲，我们把时髦的数据挖掘和深度学习也叫人工智能，看看他们能不能做RTO。

最近常听说这样的事：自称拥有数据挖掘和深度学习技术的公司到了某家流程工业的工厂，可能是发电厂、（煤）化工厂、钢铁厂和氧化铝厂等。讲完漂亮的PPT以后，告诉厂里，给我们提供3年的运行数据，我们就能用数据挖掘和深度学习优化你们的生产运行。在当前大数据、大模型、人工智能满天飞的时代，这种说法太有吸引力了，特别是对那些技术不深又喜欢跟风赶时髦的人。

作为厂家，应该怎么应对呢？最简单的办法是基于实时优化的基本原理（图1），问他最基本的问题：你用的目标函数是什么，决策（优化）变量是哪些？我真碰到过一个团队，连这个基本问题都回答不上。

再退一步，假设数据挖掘和深度学习公司理论上理解优化原理。以发电锅炉为例，供应商说目标函数是锅炉燃烧效率，优化变量之一是烟气氧量。这理论上是对的，但在变负荷运行中，使用正常运行数据无法得到锅炉效率（目标函数）的数值，因此就不能进行优化迭代。为解决该问题，发电行业使用热力试验做燃烧优化，属于正交试验法。

为了继续讨论，假设锅炉的最优氧量是2.5%，但过去3年的氧量在3.5-4.5%的范围波动，即氧量的最优值在其运行数据的范围之外。这是现实中常见的场景。

再再退一步，假设数据挖掘和深度学习公司用某种神奇的方法，挖呀挖，找到了3年运行数据的范围内的氧量最优值，即3.5%，但他们永远挖不倒真正的最优氧量2.5%。

这个简化的优化问题讨论显示，滥用数据挖掘和深度学习做实时优化（RTO）是多么不靠谱。

识别一个实时优化方法的真伪，下面三个基本问题是灵魂拷问：

1.  你用的目标函数是什么，决策（优化）变量是哪些，目标函数数值是如何得到的？

2.  你用什么优化迭代方法？

3.  （由于实用的优化方法基于梯度）你用什么方法计算梯度？

如果对方回答不上来，就不要浪费那几百万上千万了。