引用本文

阳春华, 孙备, 李勇刚, 黄科科, 桂卫华. 复杂生产流程协同优化与智能控制. 自动化学报, 2023, 49(3): 528−539 doi: 10.16383/j.aas.c220737

Yang Chun-Hua, Sun Bei, Li Yong-Gang, Huang Ke-Ke, Gui Wei-Hua. Cooperative optimization and intelligent control of complex production processes. Acta Automatica Sinica, 2023, 49(3): 528−539 doi: 10.16383/j.aas.c220737

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c220737

关键词

复杂生产流程，协同优化，智能控制，智能制造 

摘要

我国流程行业原料来源复杂, 如何优化调控工艺指标使复杂生产流程适应原料波动, 是保障产品质量、降低物耗能耗的关键. 本文结合全流程、工序、反应器等不同生产层级的工艺特点, 系统研究复杂生产流程协同优化和智能控制方法. 针对全流程多工序关联的特点, 提出了操作模式优化方法和操作模式动态匹配的全流程多工序协同优化方法; 针对单元工序多反应器级联的特点, 分析了工序内不同反应器的物质转化效率差异, 提出了反应器指标梯度协同优化方法; 针对反应器多反应共存、工况多变的特点, 研究了基于完备状态空间的动态特性描述框架, 建立了竞争−促进反应体系机理模型, 提出了工况全覆盖的模型参数自主辨识方法和基于分工况智能综合调节的反应器操作参数精细化调控方法. 通过锌冶炼智能工厂建设案例阐述了所提方法在提高工艺原料适应能力、生产效率、质量稳定性等方面的成效. 最后, 结合我国流程行业智能化发展现状和需求, 分析了需进一步研究的问题.

文章导读

流程工业是国民经济的重要支柱, 也是落实“制造强国”和“双碳”国家战略的主战场. 流程工业生产通过具有一定工艺步骤的复杂生产流程, 在特定条件下, 通过多种不同形式的能质传递和物理化学反应, 逐步从自然环境中化学性质稳定的共伴生原料中提取有价产品. 由于优质原料资源不断消耗, 能耗指标、环保要求等方面的标准日益严苛, 主要工业国家均从国家层面出台了制造业升级规划, 我国流程工业也正在加快推动从局部粗放到全局精细调控、从高速发展到高质量发展的转型变革. 过程控制技术在支撑复杂生产流程绿色高效运行方面的重要性日益凸显, 但行业发展的新形势对过程优化控制技术提出了更高要求.

复杂生产流程优化控制技术一直是工业界和控制界的研究热点, 其目标在于合理优化工艺指标、调控操作参数, 使用尽可能低的生产成本实现高质量产品的稳定高效产出[1-11]. 复杂生产流程优化控制技术的发展经历了不同的发展阶段, PID、串级控制、前馈−反馈控制、模型预测控制(MPC)、控制向量参数化、多变量解耦控制等经典方法[2, 5-6, 12-18], 模糊控制、专家系统、案例推理、因果推理等基于经验和规则的方法[19-21], 智能集成优化控制、设定值智能闭环控制、智能运行反馈控制等针对问题特点设计的、具有特定结构的智能控制方法[7, 22-26]先后产生或在过程控制应用中进行融合与方法革新. 近年来, 知识自动化、迭代学习控制、自适应动态规划、深度强化学习等基于知识和学习的优化控制方法也出现或应用在过程控制领域[9-10, 27-39]. 然而, 由于生产工艺和优化控制问题的特殊性和多样性, 目前尚未形成通用性的生产过程运行优化方法, 需根据过程的工艺特点分析设计优化控制框架.

复杂生产流程包含全流程、单元工序、反应器等不同工艺层级, 全流程多工序关联、工序内多反应器级联、反应器内多反应共存且工况多变, 生产流程长达数公里, 从原料投入到其转变为最终产品的时间以天为单位, 参数指标众多、反应机理复杂, 其全局优化问题难以解析描述和精准求解[40-41]. 与国外企业具有稳定原料供应商的情况不同, 我国流程企业原料来源复杂、禀赋偏低, 入料成分变化频繁, 有时需几天甚至几周的调整才能克服原料波动的影响, 导致过程难以长期稳定高效运行、能耗物耗大、质量保障难[42-43]. 尤其是部分从国外引进的生产工艺, 在使用国外特定来源的原料、按照特定的工艺指标设定值生产时, 可以实现产品的稳定达标产出, 但在我国原料来源复杂的条件下难以正常稳定生产, 增加了原料自主供给风险和因反复调整导致的额外生产成本. 因此, 针对复杂生产流程的层次化和各层级的工艺特点, 如何协同优化全流程各工序和单元工序内各反应器的工艺指标, 同时精细化调控各反应器的操作参数, 即通过多个工艺层级的动态协同控制实现生产流程的闭环稳定优化运行, 使生产工艺适应原料变化, 是提高资源能源利用效率, 降低原料条件波动对产品质量影响的关键. 该问题是我国流程行业智能转型的技术瓶颈, 也是国际过程控制领域公认的科学难题[44-45].

为此, 本文系统研究原料波动下复杂生产流程的优化控制方法. 以湿法炼锌过程为例, 分析了复杂生产流程优化控制问题在全流程、单元工序和反应器三个不同工艺层级的具体体现; 针对不同工艺层级的工艺特点和优化控制问题难点, 分别研究了各工艺层级的优化控制方法, 总结形成了较系统的复杂生产流程协同优化与智能控制方法; 通过锌冶炼智能工厂建设工程, 阐述了所提方法的应用成效; 最后探讨了下一步重点研究方向.

图 1  全流程多工序协同优化

图 2  单元工序多反应器协同优化

图 3  反应器工艺指标动态迁移与精准控制

本文针对我国流程行业原料来源复杂的现状, 围绕复杂生产流程的优化控制问题, 结合全流程、单元工序、反应器等不同层级的工艺特点和优化控制需求, 研究了具备全流程多工序操作模式协同优化、单元工序多反应器指标梯度协同优化、反应器工艺指标多工况精准控制等功能的复杂生产流程协同优化和智能控制方法, 以锌冶炼智能工厂建设工程为例介绍了其在提高工艺适应能力、保障产品质量和降低物耗能耗等方面的效果. 结合复杂生产流程智能化发展方向, 探讨了结构化全感知模型、反应器智能自主控制、多冲突目标动态满意优化、工况波动下过程时空动态调控机制和知识驱动的智能决策等需深入研究的问题. 在流程工业高质量发展的背景下, 通过现有过程控制方法和先进人工智能方法的融合创新突破上述问题, 将进一步丰富复杂工业过程控制理论, 为流程行业智能化水平的持续提升提供坚实的技术支撑.

作者简介

阳春华

中南大学自动化学院教授. 2002年获得中南大学博士学位. 主要研究方向为复杂工业过程建模与优化控制, 智能自动化系统与装置. 本文通信作者. E-mail: ychh@csu.edu.cn

孙备

中南大学自动化学院副教授. 2015年获得中南大学博士学位. 主要研究方向为数据驱动的复杂工业过程建模与操作优化. E-mail: sunbei@csu.edu.cn

李勇刚

中南大学自动化学院教授. 2004年获得中南大学博士学位. 主要研究方向为复杂工业过程建模与控制, 智能制造, 工业大数据. E-mail: liyonggang@csu.edu.cn

黄科科

中南大学自动化学院教授. 2017年获得清华大学博士学位. 主要研究方向为复杂系统与复杂网络, 人工智能与机器学习, 智能制造与工业互联网. E-mail: huangkeke@csu.edu.cn

桂卫华

中国工程院院士, 中南大学自动化学院教授. 1981年获得中南矿冶学院硕士学位. 主要研究方向为复杂工业过程建模与优化控制, 分散鲁棒控制及故障诊断. E-mail: gwh@csu.edu.cn