|
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。
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2025-8-2 15:26
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社