復(fù)雜工業(yè)過(guò)程智能優(yōu)化決策系統(tǒng)的現(xiàn)狀與展望

丁進(jìn)良 楊翠娥 陳遠(yuǎn)東 柴天佑

流程工業(yè)是制造業(yè)的重要組成部分,包括石化、冶金、建材、輕工和電力等行業(yè)[1?4],是我國(guó)國(guó)民經(jīng)濟(jì)和社會(huì)發(fā)展的重要支柱產(chǎn)業(yè).不僅為機(jī)械、航空航天、軍工、建筑等行業(yè)提供原材料,而且為國(guó)民經(jīng)濟(jì)發(fā)展提供電力等能源;在保障國(guó)家重大工程建設(shè)和帶動(dòng)國(guó)民經(jīng)濟(jì)增長(zhǎng)等方面起著不可替代的作用.經(jīng)過(guò)數(shù)十年的發(fā)展,我國(guó)流程工業(yè)歷經(jīng)技術(shù)引進(jìn)、消化吸收和自主創(chuàng)新幾個(gè)發(fā)展階段,其生產(chǎn)工藝、裝備和自動(dòng)化與信息化水平得到大幅度提升,整體實(shí)力迅速增強(qiáng),國(guó)際影響力顯著提高.

然而我國(guó)流程工業(yè)面臨資源利用效率偏低,能耗物耗較高、產(chǎn)品質(zhì)量差、生產(chǎn)成本高、“三廢”排放量較大,環(huán)境污染嚴(yán)重等問(wèn)題.其主要原因是我國(guó)流程工業(yè)的原料成分波動(dòng)頻繁;其生產(chǎn)過(guò)程涉及物理化學(xué)反應(yīng),難以用數(shù)學(xué)模型精確描述;生產(chǎn)過(guò)程連續(xù)不能間斷,其任一單元出現(xiàn)問(wèn)題都會(huì)影響產(chǎn)品質(zhì)量等生產(chǎn)性能;原材料的成分、生產(chǎn)設(shè)備狀態(tài)、生產(chǎn)工藝參數(shù)和產(chǎn)品質(zhì)量等無(wú)法實(shí)時(shí)或全面感知,難以保證生產(chǎn)全流程長(zhǎng)期穩(wěn)定的優(yōu)化運(yùn)行,因此為流程工業(yè)進(jìn)一步發(fā)展帶來(lái)了挑戰(zhàn).

當(dāng)前,我國(guó)流程工業(yè)面臨第四次工業(yè)革命的歷史契機(jī)、中國(guó)制造升級(jí)轉(zhuǎn)型和供給側(cè)結(jié)構(gòu)性改革的關(guān)鍵時(shí)期.“中國(guó)制造2025”和“新一代人工智能”為流程工業(yè)的發(fā)展指出了新的方向和帶來(lái)新的機(jī)遇.智能制造是我國(guó)實(shí)現(xiàn)制造強(qiáng)國(guó)的主攻方向[1?2].智能制造只有與流程工業(yè)的特點(diǎn)與目標(biāo)密切結(jié)合,充分利用大數(shù)據(jù),將人工智能、移動(dòng)互聯(lián)網(wǎng)、云計(jì)算、建模、控制與優(yōu)化等信息技術(shù)與工業(yè)生產(chǎn)過(guò)程的物理資源緊密融合與協(xié)同,研發(fā)實(shí)現(xiàn)智能制造目標(biāo)的各種新功能,才可能使制造業(yè)實(shí)現(xiàn)跨越式發(fā)展.

圍繞流程工業(yè)智能制造系統(tǒng)的新功能[1?2],聚焦流程工業(yè)的包含物理變化和化學(xué)反應(yīng)的連續(xù)化的復(fù)雜生產(chǎn)過(guò)程,以復(fù)雜工業(yè)過(guò)程智能優(yōu)化決策系統(tǒng)為核心,給出了對(duì)復(fù)雜工業(yè)過(guò)程優(yōu)化決策問(wèn)題的描述、概況總結(jié)了復(fù)雜工業(yè)過(guò)程優(yōu)化決策系統(tǒng)的現(xiàn)狀,并且分析了智能優(yōu)化決策系統(tǒng)的必要性,重點(diǎn)指出了智能優(yōu)化決策系統(tǒng)的發(fā)展目標(biāo)及愿景,并探討了下一步重點(diǎn)研究方向.

1 復(fù)雜工業(yè)過(guò)程優(yōu)化決策系統(tǒng)的現(xiàn)狀

1.1 生產(chǎn)全流程優(yōu)化決策系統(tǒng)發(fā)展現(xiàn)狀

復(fù)雜工業(yè)生產(chǎn)全流程是由一個(gè)或多個(gè)工業(yè)裝備組成的生產(chǎn)工序,多個(gè)生產(chǎn)工序構(gòu)成了全流程生產(chǎn)線.其功能是將進(jìn)入的原料加工為半成品材料或者產(chǎn)品.實(shí)現(xiàn)生產(chǎn)全流程的產(chǎn)品質(zhì)量、產(chǎn)量、消耗、成本等綜合生產(chǎn)指標(biāo)的優(yōu)化,必須協(xié)同各個(gè)生產(chǎn)工序(即工業(yè)過(guò)程智能體)來(lái)共同實(shí)現(xiàn)[5].

工業(yè)生產(chǎn)全流程的控制、運(yùn)行與管理主要是通過(guò)生產(chǎn)調(diào)度部門(mén)和工藝技術(shù)部門(mén)來(lái)實(shí)現(xiàn)的.生產(chǎn)調(diào)度部門(mén)發(fā)出的指令分成并行的兩條線.一條線側(cè)重生產(chǎn)的組織管理與資源調(diào)配,主要由生產(chǎn)調(diào)度人員、操作員、資源供應(yīng)系統(tǒng)來(lái)完成.另一條線,通過(guò)生產(chǎn)計(jì)劃部門(mén)和調(diào)度部門(mén)將企業(yè)的綜合生產(chǎn)指標(biāo)(反映企業(yè)最終產(chǎn)品的質(zhì)量、產(chǎn)量、成本、消耗等相關(guān)的生產(chǎn)指標(biāo))從空間和時(shí)間兩個(gè)尺度上轉(zhuǎn)化為生產(chǎn)制造全流程的運(yùn)行指標(biāo)(反映整條生產(chǎn)線的中間產(chǎn)品在運(yùn)行周期內(nèi)的質(zhì)量、效率、能耗、物耗等相關(guān)的生產(chǎn)指標(biāo));工藝部門(mén)的工程師將生產(chǎn)制造全流程的運(yùn)行指標(biāo)轉(zhuǎn)化為過(guò)程運(yùn)行控制指標(biāo)(反映產(chǎn)品在生產(chǎn)設(shè)備(或過(guò)程)加工過(guò)程中的質(zhì)量、效率與消耗等相關(guān)變量);作業(yè)班的運(yùn)行工程師將運(yùn)行控制指標(biāo)轉(zhuǎn)化為過(guò)程控制系統(tǒng)的設(shè)定值.當(dāng)市場(chǎng)需求和生產(chǎn)工況發(fā)生變化時(shí),上述部門(mén)根據(jù)生產(chǎn)實(shí)際數(shù)據(jù),自動(dòng)調(diào)整相應(yīng)指標(biāo),通過(guò)控制系統(tǒng)跟蹤調(diào)整后的設(shè)定值,實(shí)現(xiàn)對(duì)生產(chǎn)線全流程的控制與運(yùn)行,從而將日綜合生產(chǎn)指標(biāo)控制在目標(biāo)范圍內(nèi).當(dāng)市場(chǎng)需求和生產(chǎn)工況發(fā)生頻繁變化時(shí),以人工操作為主體的上述部門(mén)不能及時(shí)準(zhǔn)確地調(diào)整相應(yīng)的運(yùn)行指標(biāo),導(dǎo)致產(chǎn)品質(zhì)量下降、生產(chǎn)效率降低和能耗增加,從而無(wú)法實(shí)現(xiàn)日綜合生產(chǎn)指標(biāo)的優(yōu)化控制[3,6?8].

隨著信息技術(shù)的發(fā)展與應(yīng)用,復(fù)雜工業(yè)過(guò)程的控制、運(yùn)行與管理大多采用Enterprise resource planning、Manufacturing execution systems 和Process control system(ERP/MES/PCS)三層結(jié)構(gòu)來(lái)實(shí)現(xiàn).ERP主要是根據(jù)企業(yè)經(jīng)營(yíng)決策的目標(biāo),來(lái)實(shí)現(xiàn)對(duì)物質(zhì)流、資金流和信息流的管理,決策輸出生產(chǎn)控制(生產(chǎn)計(jì)劃)、物流管理(分銷(xiāo)、采購(gòu)、庫(kù)存管理)和財(cái)務(wù)管理(會(huì)計(jì)核算、財(cái)務(wù)管理)的優(yōu)化配置結(jié)果.MES提供生產(chǎn)計(jì)劃、生產(chǎn)調(diào)度、質(zhì)量管理、能源管理、設(shè)備管理、生產(chǎn)指標(biāo)監(jiān)視、優(yōu)化決策等功能[9].MES決策出面向生產(chǎn)進(jìn)度的調(diào)度/排產(chǎn)計(jì)劃,包括物流、能源、設(shè)備維護(hù)、運(yùn)輸、中間庫(kù)存的綜合配置等.PCS主要實(shí)現(xiàn)各個(gè)裝置/設(shè)備/單元的過(guò)程回路控制、邏輯控制與生產(chǎn)過(guò)程監(jiān)控等.

但是目前企業(yè)的ERP和MES等信息系統(tǒng)還不能夠快速全面自動(dòng)地感知企業(yè)內(nèi)外部與生產(chǎn)經(jīng)營(yíng)、生產(chǎn)運(yùn)作和操作優(yōu)化與控制相關(guān)的各種數(shù)據(jù)、信息與知識(shí),導(dǎo)致現(xiàn)有的系統(tǒng)缺乏全面、準(zhǔn)確和實(shí)時(shí)的生產(chǎn)要素?cái)?shù)據(jù)獲取能力,缺乏多源異構(gòu)生產(chǎn)運(yùn)行大數(shù)據(jù)感知與處理能力,缺乏數(shù)據(jù)匯聚和融合能力,缺乏高效的不同領(lǐng)域不同層次數(shù)據(jù)分析、隱含知識(shí)關(guān)聯(lián)與推演等能力,從而不能夠?qū)ιa(chǎn)行為和市場(chǎng)變化進(jìn)行實(shí)時(shí)感知,進(jìn)而也不能自動(dòng)優(yōu)化生產(chǎn)經(jīng)營(yíng)決策和計(jì)劃調(diào)度指令.因此,企業(yè)的生產(chǎn)經(jīng)營(yíng)與計(jì)劃調(diào)度主要靠企業(yè)管理人員憑長(zhǎng)期積累的經(jīng)驗(yàn)和相關(guān)工藝知識(shí)進(jìn)行決策.人工決策的隨意性大且不夠及時(shí)準(zhǔn)確,常造成企業(yè)綜合生產(chǎn)指標(biāo)偏離預(yù)定目標(biāo)范圍,導(dǎo)致產(chǎn)品的質(zhì)量差、成本高和資源消耗大等問(wèn)題.當(dāng)市場(chǎng)需求和生產(chǎn)要素條件發(fā)生頻繁或劇烈變化時(shí),以人工經(jīng)驗(yàn)知識(shí)難以及時(shí)準(zhǔn)確地做出決策反應(yīng),從而無(wú)法實(shí)現(xiàn)企業(yè)綜合生產(chǎn)指標(biāo)的優(yōu)化.顯然,這種決策難以在復(fù)雜市場(chǎng)和生產(chǎn)環(huán)境下保證企業(yè)全局優(yōu)化和效益最大化.

除此之外,上述三層結(jié)構(gòu)的層次之間也缺乏有效的相互交互與協(xié)同機(jī)制,無(wú)法建立良好的雙向信息流交互.比如,上層與底層控制系統(tǒng)之間的數(shù)據(jù)不匹配,使得企業(yè)計(jì)劃調(diào)度層缺乏生產(chǎn)實(shí)時(shí)信息反饋,并且沒(méi)有充分考慮生產(chǎn)過(guò)程特性,下層生產(chǎn)控制層缺乏與優(yōu)化協(xié)調(diào)與調(diào)度的銜接,企業(yè)難以實(shí)現(xiàn)全流程的整體優(yōu)化[10].

另一方面,由于受到各種生產(chǎn)指標(biāo)目標(biāo)范圍、原料、設(shè)備等動(dòng)態(tài)因素的影響,工藝技術(shù)部要不斷地根據(jù)這些動(dòng)態(tài)因素對(duì)各個(gè)工序的運(yùn)行指標(biāo)進(jìn)行調(diào)整.運(yùn)行指標(biāo)的調(diào)整主要由工藝技術(shù)人員或操作員根據(jù)綜合生產(chǎn)指標(biāo)(產(chǎn)品質(zhì)量指標(biāo)、產(chǎn)量指標(biāo)、成本指標(biāo)和消耗指標(biāo))的目標(biāo)值和離線化驗(yàn)值,考慮原料性質(zhì)、設(shè)備狀況憑經(jīng)驗(yàn)人工進(jìn)行的.運(yùn)行指標(biāo)人工調(diào)整不當(dāng)或不及時(shí)難以實(shí)現(xiàn)全流程的優(yōu)化運(yùn)行[8,11?12].

綜上所述,復(fù)雜工業(yè)過(guò)程采用計(jì)算機(jī)、通信和控制能夠?qū)崿F(xiàn)過(guò)程自動(dòng)控制(PCS),生產(chǎn)經(jīng)營(yíng)與管理也有相應(yīng)的信息系統(tǒng)(ERP、MES),但是復(fù)雜生產(chǎn)過(guò)程的企業(yè)目標(biāo)、資源計(jì)劃、調(diào)度、運(yùn)行指標(biāo)、生產(chǎn)指令與控制指令的決策仍然憑經(jīng)驗(yàn)由相應(yīng)的知識(shí)工作者在各信息系統(tǒng)平臺(tái)上進(jìn)行.

1.2 生產(chǎn)全流程優(yōu)化決策系統(tǒng)與功能研究現(xiàn)狀

現(xiàn)有的研究大多是針對(duì)復(fù)雜工業(yè)過(guò)程優(yōu)化決策系統(tǒng)的某一主要環(huán)節(jié)或者幾個(gè)環(huán)節(jié)來(lái)開(kāi)展研究的.下面分別對(duì)生產(chǎn)計(jì)劃與調(diào)度,運(yùn)行指標(biāo)優(yōu)化和生產(chǎn)全流程一體化控制的研究現(xiàn)狀進(jìn)行綜述.

1.2.1 生產(chǎn)計(jì)劃與調(diào)度

1)靜態(tài)環(huán)境下生產(chǎn)計(jì)劃調(diào)度

計(jì)劃調(diào)度是生產(chǎn)經(jīng)營(yíng)活動(dòng)的主要依據(jù),對(duì)企業(yè)的效益起著十分重要的作用.生產(chǎn)計(jì)劃是在一定時(shí)期內(nèi),根據(jù)產(chǎn)品的市場(chǎng)需求、原料供應(yīng)、生產(chǎn)能力、裝置運(yùn)行與檢修計(jì)劃,綜合考慮企業(yè)的管理成本以及生產(chǎn)過(guò)程中成品、半成品的成本等,以企業(yè)的生產(chǎn)、管理和營(yíng)銷(xiāo)狀況等獲取最大經(jīng)濟(jì)效益為目標(biāo),決策出一段時(shí)期內(nèi)的需求量[13?14].生產(chǎn)調(diào)度則是根據(jù)計(jì)劃的決策確定生產(chǎn)加工方案使總的費(fèi)用最小、或浪費(fèi)最小、或產(chǎn)品偏差值最小、或時(shí)間最短等[15].

靜態(tài)環(huán)境下的計(jì)劃調(diào)度不考慮生產(chǎn)過(guò)程內(nèi)部和外部環(huán)境的動(dòng)態(tài)變化,主要集中在建模和優(yōu)化的研究.目前,生產(chǎn)計(jì)劃的研究依賴(lài)于數(shù)學(xué)規(guī)劃方法.由于從生產(chǎn)計(jì)劃獲得了確定的調(diào)度任務(wù),其研究包括基于數(shù)學(xué)規(guī)劃的方法、基于Petri網(wǎng)的方法、啟發(fā)式方法和基于仿真的方法等.

a)基于數(shù)學(xué)規(guī)劃的計(jì)劃調(diào)度.該方法將計(jì)劃或調(diào)度問(wèn)題表示成數(shù)學(xué)優(yōu)化模型,然后對(duì)數(shù)學(xué)模型求解獲得計(jì)劃或調(diào)度指令.由于流程工業(yè)生產(chǎn)調(diào)度問(wèn)題涉及大量變量既包含離散變量,又包含連續(xù)變量,例如在煉油工業(yè),調(diào)度任務(wù)既需要確定周期內(nèi)原油的類(lèi)型,還需要原油的運(yùn)輸量.因此,計(jì)劃調(diào)度的優(yōu)化模型和約束模型通常是線性混合整數(shù)(Mixed integer linear programming,MILP)或非線性混合整數(shù)(Mixed integer non-linear programming,MINLP)模型.

短周期計(jì)劃和調(diào)度問(wèn)題在一段時(shí)間內(nèi)是動(dòng)態(tài)過(guò)程,其數(shù)學(xué)模型根據(jù)時(shí)間的描述分為離散時(shí)間建模方法和連續(xù)時(shí)間建模方法.離散時(shí)間建模方法,首先將計(jì)劃或調(diào)度時(shí)域劃分成有限個(gè)相等的時(shí)間片段,計(jì)劃或調(diào)度在每個(gè)離散時(shí)間段上獨(dú)立安排調(diào)度事件,用這些離散片段逼近連續(xù)時(shí)間區(qū)域從而實(shí)現(xiàn)周期內(nèi)的計(jì)劃或調(diào)度指令[16?18].

連續(xù)時(shí)間建模方法于上世紀(jì)90年代提出,是為了緩解離散時(shí)間方法存在大量離散變量的問(wèn)題.該方法將計(jì)劃或調(diào)度時(shí)域看成連續(xù)的時(shí)間段使得事件的開(kāi)始和結(jié)束時(shí)間能夠發(fā)生在計(jì)劃調(diào)度周期內(nèi)的任意位置上[19?21].連續(xù)時(shí)間建模的缺點(diǎn)是引入了大量的連續(xù)時(shí)間變量和非線性約束,仍對(duì)優(yōu)化算法提出挑戰(zhàn).

b)基于Petri網(wǎng)的調(diào)度.Petri網(wǎng)(Petri net,PN)[22]是一種基于圖形的用來(lái)描述系統(tǒng)動(dòng)態(tài)過(guò)程的方法,具有直觀、易懂和易用的優(yōu)點(diǎn),特別適用于描述異步、并發(fā)過(guò)程.Petri網(wǎng)在20世紀(jì)80年代引入生產(chǎn)計(jì)劃調(diào)度研究領(lǐng)域,一般是分析驗(yàn)證計(jì)劃調(diào)度問(wèn)題的可行性與可達(dá)性[23].Petri網(wǎng)已經(jīng)廣泛應(yīng)用于柔性制造業(yè)的計(jì)劃調(diào)度問(wèn)題[24?26].PN用庫(kù)所、令牌、變遷、有向弧和權(quán)函數(shù)描述生產(chǎn)動(dòng)態(tài)過(guò)程,然后用啟發(fā)式方法或智能優(yōu)化方法獲得的變遷序列表示一個(gè)可行的計(jì)劃或調(diào)度方案[27?29].PN方法的局限性是用于大規(guī)模系統(tǒng)建模時(shí),由于有向弧、變遷等的存在,造成模型規(guī)模和復(fù)雜程度增大,直觀降低.

c)基于仿真的調(diào)度.基于仿真的優(yōu)化框架將智能搜索算法和仿真方法相結(jié)合,通過(guò)仿真方法為智能搜索算法的適應(yīng)度函數(shù)提供預(yù)估的方法,二者迭代交互,直至滿(mǎn)足終止條件[30?32].仿真起到預(yù)評(píng)估、指導(dǎo)和驗(yàn)證的作用[33].

d)基于規(guī)則調(diào)度.啟發(fā)式規(guī)則是為了解決計(jì)劃調(diào)度模型優(yōu)化的難題.計(jì)劃調(diào)度模型通常是NP問(wèn)題,很難求得其精確的最優(yōu)解.啟發(fā)式方法由Baker等在1960年首次提出,并進(jìn)行計(jì)算機(jī)仿真研究分析不同處理次數(shù)和不同啟發(fā)式規(guī)則對(duì)調(diào)度效果的影響作用[34].啟發(fā)式方法首先從經(jīng)驗(yàn)知識(shí)或數(shù)據(jù)中挖去規(guī)則,然后利用規(guī)則推理出滿(mǎn)意甚至近似調(diào)度最優(yōu)解.由于其具有簡(jiǎn)單、快速等優(yōu)點(diǎn),啟發(fā)式規(guī)則方法得到了廣泛的應(yīng)用[35?37].近年來(lái),一些研究將啟發(fā)式方法和智能優(yōu)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(jié)合建立啟發(fā)式規(guī)則庫(kù),利用智能優(yōu)化算法的全局收斂性、普遍適應(yīng)性的優(yōu)點(diǎn),加快算法收斂的速度,提高全局最優(yōu)解的質(zhì)量[38?40].啟發(fā)式方法的缺點(diǎn)是不能保證獲得的解是全局最優(yōu)解,也沒(méi)有統(tǒng)一的方法判斷解的質(zhì)量.

2)動(dòng)態(tài)環(huán)境下計(jì)劃調(diào)度

實(shí)際生產(chǎn)過(guò)程存在來(lái)自?xún)?nèi)部或外部動(dòng)態(tài)因素[13,41],如系統(tǒng)內(nèi)部固有的動(dòng)態(tài)變化,輸入信息中的噪聲、干擾與誤差,和系統(tǒng)外部動(dòng)態(tài)因素:原料種類(lèi)與成分變化、生產(chǎn)模式切換、工況變化、產(chǎn)量和質(zhì)量的波動(dòng)、價(jià)格變動(dòng)、設(shè)備故障、成本和需求變化等.這些動(dòng)態(tài)變化往往會(huì)導(dǎo)致生產(chǎn)計(jì)劃和調(diào)度的調(diào)整.根據(jù)動(dòng)態(tài)因素的來(lái)源和性質(zhì),目前生產(chǎn)計(jì)劃和調(diào)度對(duì)動(dòng)態(tài)環(huán)境的處理可分為兩種,當(dāng)作不確定性因素在建模過(guò)程中處理和基于事件驅(qū)動(dòng)的動(dòng)態(tài)處理方法.

a)不確定性因素處理.該方法將動(dòng)態(tài)因素看作隨機(jī)噪聲,加入到計(jì)劃調(diào)度優(yōu)化模型.根據(jù)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(shù)法、隨機(jī)規(guī)劃法、模糊規(guī)劃法和魯棒優(yōu)化等.確定性常數(shù)方法是指在生產(chǎn)計(jì)劃和調(diào)度的建模過(guò)程中將不確定因素視為確定性常數(shù)來(lái)處理[41].該方法主要處理對(duì)生產(chǎn)過(guò)程影響較小的不確定因素,如來(lái)自運(yùn)動(dòng)學(xué)常數(shù)、傳質(zhì)/傳熱系數(shù)、物理性質(zhì)等不確定因素.隨機(jī)規(guī)劃法先通過(guò)歷史數(shù)據(jù)來(lái)統(tǒng)計(jì)不確定因素的概率分布,或預(yù)估不確定因素概率,然后建立隨機(jī)規(guī)劃模型進(jìn)行優(yōu)化[42?44].模糊規(guī)劃法將不確定因素信息描述成隸屬度函數(shù),放寬了對(duì)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(wèn)題,相對(duì)來(lái)說(shuō)容易實(shí)現(xiàn)[45?49].魯棒優(yōu)化只需要知道不確定參數(shù)的變化范圍,與以上兩種策略相比,依賴(lài)程度相對(duì)更低,不需要事先知道不確定參數(shù)的概率分布或隸屬度函數(shù).魯棒優(yōu)化獲取含有不確定參數(shù)計(jì)劃調(diào)度模型的次優(yōu)解,保證該優(yōu)化解在不確定參數(shù)的變動(dòng)范圍是可行的[50?53].對(duì)不確定因素的處理,也相繼提出了隨機(jī)規(guī)劃、模糊規(guī)劃和魯棒優(yōu)化的混合策略[54?55].

b)基于事件觸發(fā)的調(diào)度.該方法首先對(duì)初始事件建立準(zhǔn)確的計(jì)劃調(diào)度模型,當(dāng)新事件發(fā)生時(shí),重新設(shè)計(jì)計(jì)劃調(diào)度模型[29,56?58].該方法不需要事先了解動(dòng)態(tài)事件的發(fā)生概率和分布特性,但這類(lèi)方法面臨的主要難點(diǎn)是事件的識(shí)別和工況調(diào)整效率.

3)生產(chǎn)計(jì)劃、調(diào)度與控制集成優(yōu)化

a)生產(chǎn)計(jì)劃與調(diào)度集成.為了解決計(jì)劃調(diào)度沖突的問(wèn)題,計(jì)劃調(diào)度集成優(yōu)化引起了廣泛關(guān)注.Khoshnevis等于1991年首先提出了計(jì)劃調(diào)度集成優(yōu)化的基本問(wèn)題[59].之后的研究提出了同時(shí)優(yōu)化計(jì)劃和調(diào)度的方法[60]、兩層模型方法[61?63]、靜態(tài)和動(dòng)態(tài)兩階段的集成方法[64]等.

b)生產(chǎn)調(diào)度與控制集成.面對(duì)生產(chǎn)過(guò)程多產(chǎn)品和動(dòng)態(tài)環(huán)境的變化,生產(chǎn)調(diào)度和控制系統(tǒng)的集成受到廣泛關(guān)注[65?67].調(diào)度和控制的集成方法一般分為T(mén)op-down方法和Bottom-up方法[65].Topdown方法將生產(chǎn)過(guò)程的被控過(guò)程模型嵌入調(diào)度決策,從而建立調(diào)度控制集成模型[68?69].Bottom-up方法將調(diào)度優(yōu)化指標(biāo)加入控制算法中,使得控制器跟蹤企業(yè)的經(jīng)濟(jì)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(dá)式,造成模型的計(jì)算復(fù)雜度高難以達(dá)到實(shí)時(shí)優(yōu)化求解的要求.

1.2.2 工業(yè)過(guò)程運(yùn)行優(yōu)化與控制

運(yùn)行優(yōu)化控制的目標(biāo)是在保證安全運(yùn)行的條件下,將運(yùn)行指標(biāo)的實(shí)際值控制在目標(biāo)范圍內(nèi),提高產(chǎn)品質(zhì)量與效率相關(guān)的運(yùn)行指標(biāo)并降低生產(chǎn)能耗的運(yùn)行指標(biāo)[11].根據(jù)工業(yè)過(guò)程特點(diǎn),運(yùn)行優(yōu)化與控制方法可分為基于模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法.

1)基于模型的運(yùn)行優(yōu)化與控制

基于模型的運(yùn)行優(yōu)化與控制方法在化工過(guò)程等廣泛采用,代表性方法有自?xún)?yōu)化控制、基于實(shí)時(shí)優(yōu)化(Real time optimization,RTO)/調(diào)節(jié)控制兩層結(jié)構(gòu)的優(yōu)化控制等[12,74].自?xún)?yōu)化控制(Selfoptimizing control,SOC)的思想是:以取得過(guò)程的穩(wěn)態(tài)最大經(jīng)濟(jì)效益為目標(biāo),在滿(mǎn)足過(guò)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(shè)定值加以合適選擇,當(dāng)過(guò)程受到一定范圍內(nèi)的不確定干擾因素影響時(shí),不需要改變被控變量的設(shè)定值,實(shí)際工況仍然可以處在近似最優(yōu)操作點(diǎn)上,即工業(yè)過(guò)程的實(shí)際目標(biāo)函數(shù)值與最優(yōu)目標(biāo)函數(shù)值的偏差在合理的、可以接受的范圍內(nèi)[75].自?xún)?yōu)化控制的關(guān)鍵是根據(jù)目標(biāo)函數(shù)和約束條件,如何選擇一組合適的被控變量,并將其設(shè)定值固定為一組合適的常數(shù)[76].工業(yè)過(guò)程的運(yùn)行優(yōu)化通常由實(shí)時(shí)優(yōu)化RTO和預(yù)測(cè)控制(Model predictive control,MPC)兩層組成.如文獻(xiàn)[77?78]上層由非線性RTO產(chǎn)生底層回路設(shè)定值,底層采用MPC跟蹤控制器設(shè)定值.文獻(xiàn)[79]采用非線性預(yù)測(cè)控制(Nonlinear model predictive control,NMPC)和動(dòng)態(tài)實(shí)時(shí)優(yōu)化的DRTO的雙層結(jié)構(gòu),來(lái)解決大規(guī)模復(fù)雜生產(chǎn)過(guò)程運(yùn)行優(yōu)化,并在蒸餾裝置進(jìn)行了驗(yàn)證.DRTO(Dynamic real time optimization)和NMPC相結(jié)合的運(yùn)行優(yōu)化方法被廣泛研究[80?81]以及其他模型預(yù)測(cè)控制方法[82?84]、實(shí)時(shí)優(yōu)化控制方法[85]和模糊控制方法[86]等.

2)數(shù)據(jù)驅(qū)動(dòng)的運(yùn)行優(yōu)化

近年來(lái),針對(duì)選礦、有色和冶金等難以建立數(shù)學(xué)模型工業(yè)過(guò)程,提出了數(shù)據(jù)驅(qū)動(dòng)的運(yùn)行優(yōu)化方法.該方法由控制回路預(yù)設(shè)定模型、前饋補(bǔ)償與反饋補(bǔ)償器、工藝指標(biāo)預(yù)報(bào)模型、故障工況診斷和容錯(cuò)控制器組成[87].通過(guò)基于預(yù)測(cè)的前饋補(bǔ)償器和基于實(shí)際值的反饋補(bǔ)償器實(shí)時(shí)調(diào)整控制回路設(shè)定值,控制系統(tǒng)跟蹤調(diào)整后的設(shè)定值,使得過(guò)程運(yùn)行指標(biāo)控制在目標(biāo)值范圍內(nèi).上述方法已經(jīng)成功應(yīng)用于赤鐵礦豎爐焙燒和磨礦過(guò)程等[11,87?92].在此基礎(chǔ)上,文獻(xiàn)[93]提出了一種基于Q-learning的數(shù)據(jù)驅(qū)動(dòng)的方法求解設(shè)定值的次優(yōu)解,實(shí)現(xiàn)運(yùn)行指標(biāo)直接跟蹤次優(yōu)的目標(biāo)值.

1.2.3 生產(chǎn)全流程一體化控制

由于單一層次的優(yōu)化決策沒(méi)有考慮層與層之間的相互影響,難以保證整條生產(chǎn)線的全局最優(yōu).針對(duì)各個(gè)工序/裝置的運(yùn)行指標(biāo)目標(biāo)值與全流程生產(chǎn)指標(biāo)和綜合產(chǎn)指標(biāo)之間的動(dòng)態(tài)特性具有月、日和小時(shí)三個(gè)時(shí)間尺度,且難以在線測(cè)量,原材料成分、種類(lèi)、設(shè)備能力等頻繁變化,難以采用基于機(jī)理分析的方法建立數(shù)學(xué)模型以及指標(biāo)之間相互聯(lián)系、相互沖突的問(wèn)題,文獻(xiàn)[6]在將綜合生產(chǎn)指標(biāo)目標(biāo)值優(yōu)化[94]、兩尺度選礦生產(chǎn)指標(biāo)分解方法[62]和運(yùn)行指標(biāo)目標(biāo)值優(yōu)化[95]集成的基礎(chǔ)上,提出了以實(shí)現(xiàn)綜合生產(chǎn)指標(biāo)優(yōu)化為目標(biāo)的選礦自動(dòng)化系統(tǒng)的全流程集成優(yōu)化策略.全流程一體化集成優(yōu)化決策與控制系統(tǒng)的總體結(jié)構(gòu)由綜合生產(chǎn)指標(biāo)目標(biāo)值優(yōu)化、全流程生產(chǎn)指標(biāo)目標(biāo)值優(yōu)化、運(yùn)行指標(biāo)目標(biāo)值多目標(biāo)優(yōu)化和過(guò)程自動(dòng)化系統(tǒng)組成.對(duì)不同時(shí)間尺度的綜合生產(chǎn)指標(biāo)、全流程生產(chǎn)指標(biāo)和運(yùn)行指標(biāo)優(yōu)化按月、日和小時(shí)不同的周期分層優(yōu)化.

上層的綜合生產(chǎn)指標(biāo)目標(biāo)值優(yōu)化采用基于梯度驅(qū)動(dòng)的多目標(biāo)進(jìn)化優(yōu)化方法產(chǎn)生月綜合生產(chǎn)指標(biāo)優(yōu)化目標(biāo)值[94].該方法以多目標(biāo)約束優(yōu)化模型為基礎(chǔ),針對(duì)外部環(huán)境變化,如原材料性質(zhì)變化,市場(chǎng)價(jià)格變化和設(shè)備能力的變化等,周期性地對(duì)多目標(biāo)約束優(yōu)化模型和約束的參數(shù)進(jìn)行自適應(yīng)修正,以獲得適應(yīng)當(dāng)前生產(chǎn)環(huán)境和工況的修正模型.中間層全流程生產(chǎn)指標(biāo)目標(biāo)值優(yōu)化采用基于周期滾動(dòng)的兩層分解策略來(lái)產(chǎn)生日全流程生產(chǎn)指標(biāo)優(yōu)化目標(biāo)值[62].該策略考慮多目標(biāo)、兩時(shí)間尺度和不同原料組合,將一個(gè)復(fù)雜的優(yōu)化模型分解為兩層模型,并以相應(yīng)時(shí)間尺度對(duì)生產(chǎn)環(huán)境和工況的變化進(jìn)行模型修正,按照不同的時(shí)間周期進(jìn)行滾動(dòng)優(yōu)化求解.

下層運(yùn)行指標(biāo)的優(yōu)化決策產(chǎn)生各個(gè)工序/裝置的運(yùn)行指標(biāo)目標(biāo)值.復(fù)雜工業(yè)生產(chǎn)過(guò)程是一個(gè)由多裝置組成的物質(zhì)流、能量流和信息流相互耦合的非線性復(fù)雜系統(tǒng).運(yùn)行指標(biāo)優(yōu)化決策是以上層確定的日全流程生產(chǎn)指標(biāo)為目標(biāo),在空間上進(jìn)行分解獲得各個(gè)工序/裝置的運(yùn)行指標(biāo).運(yùn)行指標(biāo)反映裝置產(chǎn)生中間產(chǎn)品的質(zhì)量、效率與消耗等相關(guān)變量[5].運(yùn)行指標(biāo)優(yōu)化決策的目的是通過(guò)優(yōu)化協(xié)調(diào)運(yùn)行指標(biāo)實(shí)現(xiàn)全流程生產(chǎn)指標(biāo)的優(yōu)化.文獻(xiàn)[95?97]針對(duì)選礦生產(chǎn)過(guò)程、運(yùn)行指標(biāo)和綜合精礦品位與產(chǎn)量之間難以用精確的機(jī)理模型描述和優(yōu)化決策目標(biāo)與約束條件動(dòng)態(tài)變化的問(wèn)題,將優(yōu)化方法與綜合生產(chǎn)指標(biāo)預(yù)報(bào)、運(yùn)行指標(biāo)的動(dòng)態(tài)校正相結(jié)合,提出了運(yùn)行指標(biāo)優(yōu)化決策的結(jié)構(gòu).該結(jié)構(gòu)包含4個(gè)模塊:運(yùn)行指標(biāo)初值設(shè)定、綜合生產(chǎn)指標(biāo)的預(yù)測(cè)模型、前驗(yàn)評(píng)估與動(dòng)態(tài)校正和后驗(yàn)評(píng)估與動(dòng)態(tài)校正.本小節(jié)接下來(lái)針對(duì)框架內(nèi)各個(gè)模塊研究進(jìn)展進(jìn)行綜述.

a)運(yùn)行指標(biāo)初值優(yōu)化.運(yùn)行指標(biāo)優(yōu)化模塊是根據(jù)確定的最小時(shí)間尺度的生產(chǎn)指標(biāo)目標(biāo)值[Qkmin,Qkmax]及其上下界范圍產(chǎn)生運(yùn)行指標(biāo)初值,k是綜合生產(chǎn)指標(biāo)的個(gè)數(shù),n是運(yùn)行指標(biāo)的個(gè)數(shù).文獻(xiàn)[96,98]提出了基于案例推理(Case-based reasoning,CBR)和多目標(biāo)進(jìn)化優(yōu)化算法(Multi-objective evolutionary algorithm,MOEA)混合的初值決策方法.首先,根據(jù)歷史數(shù)據(jù)對(duì)綜合生產(chǎn)指標(biāo)和運(yùn)行指標(biāo)建立多目標(biāo)優(yōu)化模型;然后,用MOEA求解該模型到運(yùn)行指標(biāo)的最優(yōu)解集;最后,用CBR結(jié)合人工知識(shí)MOEA得到的解集決策出運(yùn)行指標(biāo)的初值.在此基礎(chǔ)上,文獻(xiàn)[99?100]考慮生產(chǎn)過(guò)程的動(dòng)態(tài)因素,如設(shè)備能力變化,建立運(yùn)行指標(biāo)優(yōu)問(wèn)題的動(dòng)態(tài)多目標(biāo)運(yùn)行指標(biāo)優(yōu)化模型,解決了動(dòng)態(tài)環(huán)境下運(yùn)行指標(biāo)優(yōu)化初值優(yōu)化的問(wèn)題.

b)生產(chǎn)指標(biāo)預(yù)測(cè)模型.綜合生產(chǎn)指標(biāo)的預(yù)測(cè)模型以運(yùn)行指標(biāo)初值預(yù)估綜合生產(chǎn)指標(biāo)k,為前驗(yàn)評(píng)估的輸入.生產(chǎn)過(guò)程中預(yù)報(bào)模型不斷更新來(lái)適應(yīng)新的工況條件.文獻(xiàn)[101]提出以線性模型和非線性模型的混合模型建立生產(chǎn)指標(biāo)預(yù)測(cè)模型.其中線性模型給出生產(chǎn)指標(biāo)和運(yùn)行指標(biāo)的主要關(guān)系,非線性誤差補(bǔ)償模型由最小二乘支持向量機(jī)訓(xùn)練得到.非線性模型用來(lái)補(bǔ)償線性模型的誤差以提高預(yù)測(cè)模型的精度.采用基于最小化模型誤差的概率密度函數(shù)(Probability density function,PDF)和最小誤差熵的方法來(lái)選擇非線性補(bǔ)償模型的參數(shù)[101].文獻(xiàn)[102]提出了基于多模型的綜合生產(chǎn)指標(biāo)預(yù)測(cè)模型.首先,利用模糊聚類(lèi)算法將訓(xùn)練數(shù)據(jù)集分成多個(gè)類(lèi)別;然后,對(duì)每個(gè)類(lèi)采用基于混合內(nèi)核的最小二乘支持向量機(jī)建立運(yùn)行指標(biāo)和綜合生產(chǎn)指標(biāo)的子模型;最后,集成所有子模型作為綜合生產(chǎn)指標(biāo)預(yù)測(cè)模型.為了實(shí)現(xiàn)在線預(yù)測(cè),文獻(xiàn)[103]提出了一種基于數(shù)據(jù)的自適應(yīng)在線預(yù)測(cè)模型,通過(guò)使用訓(xùn)練樣本方法的統(tǒng)計(jì)特性在線更新模型的參數(shù),建立在線校正預(yù)測(cè)模型.文獻(xiàn)[104]提出了一種通過(guò)修改Adaboost算法權(quán)重的魯棒預(yù)測(cè)方法,該方法可以降低模型對(duì)異常值的敏感度.文獻(xiàn)[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(jī)針對(duì)提取的運(yùn)行指標(biāo)的主要特征和綜合生產(chǎn)指標(biāo)建模提高了模型的準(zhǔn)確性.

c)前驗(yàn)/后驗(yàn)評(píng)估和動(dòng)態(tài)校正方法.生產(chǎn)指標(biāo)前驗(yàn)評(píng)估和動(dòng)態(tài)校正的目的是利用綜合生產(chǎn)指標(biāo)目標(biāo)值和預(yù)測(cè)值產(chǎn)生運(yùn)行指標(biāo)的補(bǔ)償值,修正動(dòng)態(tài)因素,如綜合生產(chǎn)指標(biāo)、原料成分、工況條件等波動(dòng)的影響.后驗(yàn)評(píng)估和動(dòng)態(tài)校正根據(jù)實(shí)際的生產(chǎn)指標(biāo)Qk和生產(chǎn)指標(biāo)的目標(biāo)值范圍產(chǎn)生運(yùn)行指標(biāo)補(bǔ)償值?r,保證實(shí)際生產(chǎn)指標(biāo)在目標(biāo)范圍內(nèi).目前對(duì)這兩個(gè)模塊的研究集中在校正環(huán)節(jié).如文獻(xiàn)[106]提出規(guī)則推理方法對(duì)反饋環(huán)節(jié)進(jìn)行評(píng)估和校正,該方法首先利用生產(chǎn)過(guò)程數(shù)據(jù)建立反饋規(guī)則,然后采用粗糙集規(guī)則提取方法來(lái)產(chǎn)生補(bǔ)償規(guī)則.此外,文獻(xiàn)[98]提出了基于Actor-critic結(jié)構(gòu)的強(qiáng)化學(xué)習(xí)進(jìn)行前驗(yàn)/后驗(yàn)的評(píng)估和動(dòng)態(tài)校正.針對(duì)每個(gè)評(píng)估校正環(huán),首先利用Actor-critic識(shí)別需要校正的運(yùn)行指標(biāo),然后采用策略行動(dòng)對(duì)這些不合理的運(yùn)行指標(biāo)進(jìn)行校正.

2 智能優(yōu)化決策系統(tǒng)的必要性

經(jīng)過(guò)幾十年發(fā)展,我國(guó)已經(jīng)成為世界上門(mén)類(lèi)最齊全、規(guī)模最龐大的流程制造業(yè)大國(guó),但非強(qiáng)國(guó).存在著資源成分復(fù)雜且稟賦差、產(chǎn)品質(zhì)量不穩(wěn)定、能耗高、污染重的問(wèn)題.與發(fā)達(dá)國(guó)家相比,資源回收率低,能源利用率低,單位產(chǎn)品平均能耗高.如何在當(dāng)前國(guó)際競(jìng)爭(zhēng)與國(guó)家重大需求的環(huán)境下,通過(guò)智能制造來(lái)解決流程工業(yè)上述問(wèn)題是我們面臨的首要問(wèn)題和挑戰(zhàn).

當(dāng)前,發(fā)達(dá)國(guó)家紛紛實(shí)施“再工業(yè)化”戰(zhàn)略,強(qiáng)化制造業(yè)創(chuàng)新,利用新興的信息技術(shù),加快制造業(yè)智能化的進(jìn)程,重塑制造業(yè)競(jìng)爭(zhēng)新優(yōu)勢(shì).以德國(guó)的離散制造業(yè)“工業(yè)4.0”為代表的智能制造是最典型的未來(lái)發(fā)展戰(zhàn)略.這股發(fā)展趨勢(shì)和熱潮甚至被推到“第四次工業(yè)革命”的高度.“工業(yè)4.0”的目標(biāo)是實(shí)現(xiàn)個(gè)性定制的自動(dòng)化與高效化,將CPS(Cyber-physical systems)與制造技術(shù)深度融合,實(shí)現(xiàn)產(chǎn)品、設(shè)備、人和組織之間的無(wú)縫集成及合作,達(dá)到計(jì)算資源與物理資源緊密融合與協(xié)同,使得系統(tǒng)的適應(yīng)性、自治力、效率、功能、可靠性、安全性和可用性大幅提升.美國(guó)提出了“智能過(guò)程制造”的技術(shù)框架和路線,其目標(biāo)在于集成知識(shí)和大量模型,采用主動(dòng)響應(yīng)和預(yù)防策略進(jìn)行優(yōu)化決策和生產(chǎn)制造.我國(guó)也把智能制造作為實(shí)現(xiàn)新興產(chǎn)業(yè)培育發(fā)展與傳統(tǒng)產(chǎn)業(yè)改造升級(jí)有機(jī)結(jié)合的最佳途徑,作為我國(guó)實(shí)現(xiàn)制造強(qiáng)國(guó)的主攻方向和突破口,實(shí)施“中國(guó)制造2025”.這也是我國(guó)流程工業(yè)發(fā)展的新機(jī)遇與挑戰(zhàn).

流程工業(yè)智能制造對(duì)于生產(chǎn)過(guò)程來(lái)說(shuō),關(guān)鍵的是實(shí)現(xiàn)生產(chǎn)全流程的整體優(yōu)化.即在市場(chǎng)和原料變化的情況下,以高效化與綠色化為目標(biāo)使得原材料的采購(gòu)、經(jīng)營(yíng)決策、計(jì)劃調(diào)度、工藝參數(shù)選擇、生產(chǎn)全流程控制實(shí)現(xiàn)無(wú)縫集成優(yōu)化,實(shí)現(xiàn)企業(yè)全局的產(chǎn)品質(zhì)量、產(chǎn)量、成本和消耗等生產(chǎn)指標(biāo)的優(yōu)化,實(shí)現(xiàn)生產(chǎn)全流程安全可靠?jī)?yōu)化運(yùn)行,從而生產(chǎn)出高性能、高附加值產(chǎn)品,使企業(yè)利潤(rùn)最大化,同時(shí)實(shí)現(xiàn)能源與資源高效利用,污染物實(shí)現(xiàn)零排放、環(huán)境綠色化[1?4].

流程工業(yè)生產(chǎn)過(guò)程的特點(diǎn)決定了其實(shí)現(xiàn)生產(chǎn)全流程整體優(yōu)化的核心是實(shí)現(xiàn)其運(yùn)行操作參數(shù)的智能優(yōu)化決策,即根據(jù)原料特性和生產(chǎn)工況等因素來(lái)優(yōu)化選擇和調(diào)整運(yùn)行操作參數(shù)保證生產(chǎn)目標(biāo)的完成.流程工業(yè)生產(chǎn)過(guò)程的特點(diǎn)之一是工藝流程固定,由一個(gè)或多個(gè)工業(yè)裝備組成生產(chǎn)工序,將進(jìn)入的原料加工成為下道工序所需要的半成品材料,多個(gè)生產(chǎn)工序構(gòu)成全流程生產(chǎn)線;特點(diǎn)之二其生產(chǎn)過(guò)程本質(zhì)上是材料的物質(zhì)轉(zhuǎn)化過(guò)程,是一個(gè)物理化學(xué)反應(yīng)的氣液固多相共存的連續(xù)復(fù)雜過(guò)程.特別是原料成分波動(dòng)和外界隨機(jī)干擾增加了物質(zhì)轉(zhuǎn)化過(guò)程的復(fù)雜性.這也增加了運(yùn)行操作參數(shù)決策的復(fù)雜性.

面向流程工業(yè)生產(chǎn)全流程整體優(yōu)化的運(yùn)行操作參數(shù)優(yōu)化決策仍是尚未解決的問(wèn)題.它包括縱向跨層級(jí)多時(shí)間尺度的決策問(wèn)題,如企業(yè)經(jīng)營(yíng)決策層的產(chǎn)品質(zhì)量、產(chǎn)量、成本和消耗等多沖突生產(chǎn)指標(biāo)的優(yōu)化決策及其在月、周、日、時(shí)等多時(shí)間尺度上的分解、計(jì)劃調(diào)度指令的決策等;同時(shí)還包含橫向跨工序的多空間尺度的決策問(wèn)題,如由全流程生產(chǎn)指標(biāo)來(lái)決策各個(gè)工序的中間產(chǎn)品的質(zhì)量、產(chǎn)量和消耗等工序/裝置的運(yùn)行指標(biāo),進(jìn)而根據(jù)運(yùn)行指標(biāo)來(lái)決策各工序/裝置的控制系統(tǒng)回路設(shè)定值.雖然生產(chǎn)管理、計(jì)劃調(diào)度、過(guò)程控制等信息化和自動(dòng)化系統(tǒng)廣泛應(yīng)用并且能夠?qū)崿F(xiàn)局部單元的優(yōu)化決策,但是由于工業(yè)生產(chǎn)全流程中連續(xù)復(fù)雜的物理化學(xué)反應(yīng),機(jī)理不清,干擾多,波動(dòng)大,上述運(yùn)行操作決策主要依賴(lài)管理者、調(diào)度員、工程師等知識(shí)型工作者人工憑經(jīng)驗(yàn)進(jìn)行.

此外,面對(duì)我國(guó)流程工業(yè)快速發(fā)展與資源能源短缺、原材料質(zhì)量差且性質(zhì)波動(dòng)大、生態(tài)環(huán)境污染日益凸現(xiàn)的矛盾,工業(yè)生產(chǎn)過(guò)程的運(yùn)行操作優(yōu)化越發(fā)重要.目前對(duì)調(diào)度層、實(shí)時(shí)優(yōu)化和先進(jìn)控制層的研究雖然已經(jīng)取得不少成果,但層與層之間缺乏信息交互與反饋,系統(tǒng)整體與局部的互補(bǔ)關(guān)系不明確,導(dǎo)致目前生產(chǎn)全流程的總體運(yùn)行水平依然不高.工業(yè)過(guò)程面向整體行為的優(yōu)化困難,迫切需要研究面向生產(chǎn)全流程整體優(yōu)化的工業(yè)過(guò)程智能優(yōu)化決策方法及系統(tǒng),實(shí)現(xiàn)在局部與整體之間、短期與長(zhǎng)遠(yuǎn)之間、效益與安全和環(huán)境影響之間的多目標(biāo)優(yōu)化,為實(shí)現(xiàn)復(fù)雜流程工業(yè)過(guò)程智能優(yōu)化制造打下堅(jiān)實(shí)基礎(chǔ).

人工智能的發(fā)展為復(fù)雜工業(yè)過(guò)程智能優(yōu)化決策提供了手段.回顧歷史,可以發(fā)現(xiàn)人工智能與控制科學(xué)具有密切的關(guān)系.控制論的核心概念是預(yù)設(shè)和反饋,是模擬人如何思考,將思考的過(guò)程演化成邏輯.也是人工智能的一個(gè)重要的流派.控制科學(xué)經(jīng)過(guò)經(jīng)典控制、現(xiàn)代控制、先進(jìn)控制等階段,內(nèi)涵不斷豐富和發(fā)展,但主要是基于精確數(shù)學(xué)模型通過(guò)信號(hào)測(cè)量和反饋解決被控對(duì)象的系統(tǒng)分析、控制和優(yōu)化問(wèn)題.而以深度學(xué)習(xí)為代表的人工智能是模擬生物學(xué)大腦,是仿生或者聯(lián)接主義流派.主要不依賴(lài)數(shù)學(xué)模型,從對(duì)象特征出發(fā),模擬人的推理、學(xué)習(xí)過(guò)程解決系統(tǒng)的自動(dòng)化問(wèn)題.實(shí)際上控制科學(xué)和人工智能是實(shí)現(xiàn)自動(dòng)化技術(shù)的兩類(lèi)方法、兩種思路.上述人工智能與控制科學(xué)兩種思路的融合將為解決復(fù)雜決策問(wèn)題提供了新思路.

3 智能優(yōu)化決策系統(tǒng)的發(fā)展目標(biāo)及愿景

圖1 復(fù)雜工業(yè)過(guò)程智能優(yōu)化決策系統(tǒng)的結(jié)構(gòu)示意圖Fig.1 Diagram of intelligent optimization decision making system for complex industrial process

工業(yè)生產(chǎn)過(guò)程是人機(jī)物高度融合的復(fù)雜系統(tǒng),其決策問(wèn)題既涉及企業(yè)內(nèi)部的生產(chǎn),又涉及企業(yè)外部的環(huán)境條件以及動(dòng)態(tài)變化的市場(chǎng)環(huán)境.工業(yè)生產(chǎn)全流程智能優(yōu)化決策的發(fā)展目標(biāo)是研發(fā)復(fù)雜工業(yè)過(guò)程智能優(yōu)化決策系統(tǒng),能夠在外部市場(chǎng)動(dòng)態(tài)需求、內(nèi)部企業(yè)生產(chǎn)動(dòng)態(tài)狀況(設(shè)備能力、工藝參數(shù))、外部資源消耗與環(huán)保等約束條件下,以盡可能提高包含產(chǎn)品產(chǎn)量、質(zhì)量、能耗、排放、成本等指標(biāo)在內(nèi)的生產(chǎn)全流程綜合生產(chǎn)指標(biāo)為目標(biāo),采用虛擬制造流程實(shí)現(xiàn)基于虛擬仿真的前饋決策校正,通過(guò)工業(yè)大數(shù)據(jù)實(shí)現(xiàn)工況識(shí)別與反饋?zhàn)詢(xún)?yōu)化決策,人機(jī)交互動(dòng)態(tài)優(yōu)化決策反映質(zhì)量、效率、成本、消耗、安環(huán)等方面的企業(yè)全局綜合生產(chǎn)指標(biāo)、不同時(shí)間尺度的生產(chǎn)指標(biāo)等,使計(jì)劃、生產(chǎn)、資源三者密切配合,在生產(chǎn)過(guò)程的內(nèi)外部條件變化時(shí),在最短的時(shí)間內(nèi)感知生產(chǎn)過(guò)程的各種變化,對(duì)各級(jí)生產(chǎn)指標(biāo)和控制指令做出準(zhǔn)確的調(diào)整,保證生產(chǎn)全流程的整體優(yōu)化運(yùn)行.

復(fù)雜工業(yè)過(guò)程智能優(yōu)化決策系統(tǒng)的結(jié)構(gòu)示意如圖1所示,由生產(chǎn)指標(biāo)優(yōu)化決策系統(tǒng)、生產(chǎn)全流程智能協(xié)同優(yōu)化控制系統(tǒng)和智能自主運(yùn)行優(yōu)化控制系統(tǒng)組成.智能優(yōu)化決策系統(tǒng)的愿景功能是能夠?qū)崟r(shí)感知市場(chǎng)信息、生產(chǎn)條件和生產(chǎn)全流程運(yùn)行工況,以企業(yè)高效化和綠色化為目標(biāo),實(shí)現(xiàn)企業(yè)目標(biāo)、計(jì)劃調(diào)度、運(yùn)行指標(biāo)、生產(chǎn)指令與控制指令一體化優(yōu)化決策,實(shí)現(xiàn)遠(yuǎn)程與移動(dòng)可視化監(jiān)控決策過(guò)程動(dòng)態(tài)性能,自學(xué)習(xí)與自?xún)?yōu)化決策.將人與智能優(yōu)化決策系統(tǒng)協(xié)同,使決策者在動(dòng)態(tài)變化環(huán)境下精準(zhǔn)優(yōu)化決策.

生產(chǎn)全流程智能協(xié)同優(yōu)化控制系統(tǒng)需要協(xié)同底層各個(gè)工序的智能體,即智能自主控制系統(tǒng),來(lái)實(shí)現(xiàn)生產(chǎn)全流程生產(chǎn)指標(biāo)的優(yōu)化.生產(chǎn)全流程智能協(xié)同控制系統(tǒng)的功能是自動(dòng)獲取生產(chǎn)線生產(chǎn)指標(biāo)和生產(chǎn)過(guò)程動(dòng)態(tài)變化因素、資源屬性等方面的數(shù)據(jù)和信息,智能感知物質(zhì)、能源和信息三流的相關(guān)狀況;能夠自主地學(xué)習(xí)和主動(dòng)響應(yīng),從而自適應(yīng)地進(jìn)行優(yōu)化決策、優(yōu)化配置資源和合理配置與循環(huán)利用能源,并給出以生產(chǎn)全流程生產(chǎn)指標(biāo)優(yōu)化為目標(biāo)的優(yōu)化運(yùn)行指標(biāo)目標(biāo)值.

智能自主控制系統(tǒng)由高性能智能控制器、智能運(yùn)行優(yōu)化、工況識(shí)別與自?xún)?yōu)化控制三部分組成.智能優(yōu)化制造要求生產(chǎn)制造過(guò)程控制系統(tǒng)成為一個(gè)智能體,即智能自主控制系統(tǒng)使生產(chǎn)制造過(guò)程和其控制系統(tǒng)深度融合并成為智能體,要集智能感知、控制、監(jiān)控、優(yōu)化、故障診斷、自愈控制于一體,具有自適應(yīng)、自學(xué)習(xí)、自動(dòng)調(diào)整控制結(jié)構(gòu)和控制參數(shù)的功能,能夠適應(yīng)工業(yè)過(guò)程的動(dòng)態(tài)變化.其功能是智能感知生產(chǎn)條件的變化,以?xún)?yōu)化運(yùn)行指標(biāo)為目標(biāo),自適應(yīng)決策控制系統(tǒng)的設(shè)定值.高動(dòng)態(tài)性能的智能控制系統(tǒng)跟蹤控制系統(tǒng)設(shè)定值的改變,將實(shí)際運(yùn)行指標(biāo)控制在目標(biāo)值范圍內(nèi).實(shí)時(shí)遠(yuǎn)程與移動(dòng)監(jiān)控與預(yù)測(cè)異常工況,自?xún)?yōu)化控制,排除異常工況,使系統(tǒng)安全優(yōu)化運(yùn)行.與其他智能自主控制系統(tǒng)相互協(xié)同,實(shí)現(xiàn)制造流程全局優(yōu)化.

復(fù)雜工業(yè)過(guò)程智能優(yōu)化決策系統(tǒng)通過(guò)智能優(yōu)化決策系統(tǒng)、生產(chǎn)全流程智能協(xié)同優(yōu)化控制系統(tǒng)和智能自主運(yùn)行優(yōu)化控制系統(tǒng)協(xié)同,最終實(shí)現(xiàn)復(fù)雜生產(chǎn)全流程的優(yōu)化運(yùn)行.

4 重點(diǎn)研究方向

如前所述,未來(lái)的制造全流程優(yōu)化決策系統(tǒng)一定是人機(jī)交互的動(dòng)態(tài)智能優(yōu)化決策,目前尚沒(méi)有統(tǒng)一的智能決策體系結(jié)構(gòu).在工業(yè)大數(shù)據(jù)和云網(wǎng)絡(luò)平臺(tái)的支持下,通過(guò)知識(shí)庫(kù)構(gòu)建、決策計(jì)算、指標(biāo)預(yù)測(cè)、評(píng)價(jià)反饋等模塊,將智能決策行為和綜合自動(dòng)化、智能方法與預(yù)測(cè)和反饋相結(jié)合,建立生產(chǎn)制造智能決策系統(tǒng)的體系結(jié)構(gòu)與功能,實(shí)現(xiàn)人機(jī)柔性化自適應(yīng)交互決策.根據(jù)以上目標(biāo),復(fù)雜工業(yè)過(guò)程智能優(yōu)化決策系統(tǒng)的共性研究方向如下:

1)機(jī)理模型與數(shù)據(jù)和知識(shí)融合的運(yùn)行工況智能感知.工業(yè)過(guò)程是一個(gè)包含物理化學(xué)反應(yīng)的氣液固多相共存的連續(xù)化復(fù)雜生產(chǎn)全流程,其運(yùn)行工況依靠人的視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)來(lái)感知視頻、聲音、文本和自動(dòng)化系統(tǒng)產(chǎn)生的實(shí)際數(shù)據(jù),憑經(jīng)驗(yàn)和知識(shí)來(lái)識(shí)別.為了及時(shí)、準(zhǔn)確地識(shí)別工況,需要研究制造流程多源異構(gòu)信息的感知和從多源異構(gòu)數(shù)據(jù)中發(fā)現(xiàn)工況識(shí)別的規(guī)則.包括:a)數(shù)據(jù)、視頻與機(jī)理分析相結(jié)合的運(yùn)行工況智能感知;b)融合數(shù)據(jù)、操作和管理經(jīng)驗(yàn)的領(lǐng)域知識(shí)挖掘;c)工業(yè)生產(chǎn)物質(zhì)流、能源流和信息流的狀況智能感知;d)機(jī)理模型與數(shù)據(jù)和知識(shí)融合的多尺度多維度指標(biāo)建模等.

2)具有預(yù)測(cè)、反饋、自學(xué)習(xí)、自?xún)?yōu)化校正的智能決策系統(tǒng)架構(gòu)及新方法,研究以企業(yè)高效化和綠色化為目標(biāo),如何實(shí)現(xiàn)企業(yè)目標(biāo)、計(jì)劃調(diào)度、運(yùn)行指標(biāo)、生產(chǎn)指令與控制指令一體化優(yōu)化決策,使工業(yè)運(yùn)行過(guò)程成為知識(shí)自動(dòng)化系統(tǒng),盡可能提高生產(chǎn)效率與產(chǎn)品質(zhì)量,盡可能降低能耗與物耗,實(shí)現(xiàn)生產(chǎn)過(guò)程環(huán)境足跡最小化,確保環(huán)境友好地可持續(xù)發(fā)展.包括:a)具有預(yù)測(cè)、反饋、自學(xué)習(xí)、自?xún)?yōu)化校正的智能決策系統(tǒng)架構(gòu);b)全局動(dòng)態(tài)感知、過(guò)程知識(shí)發(fā)現(xiàn)與知識(shí)自動(dòng)化的一體化智能決策;c)多層次、多尺度、多目標(biāo)動(dòng)態(tài)優(yōu)化決策;d)全流程生產(chǎn)指標(biāo)的智能決策;e)企業(yè)綜合生產(chǎn)指標(biāo)目標(biāo)值的智能決策;f)基于機(jī)理與數(shù)據(jù)和知識(shí)融合的一體化決策;g)宏觀信息優(yōu)化與虛擬企業(yè)預(yù)測(cè)和大數(shù)據(jù)反饋校正相結(jié)合的運(yùn)行指標(biāo)智能決策;h)工業(yè)生產(chǎn)全流程計(jì)劃調(diào)度系統(tǒng)與優(yōu)化;i)人工智能驅(qū)動(dòng)的優(yōu)化決策的建模、決策、校正算法;j)全流程生產(chǎn)指標(biāo)的大數(shù)據(jù)可視化分析與監(jiān)控算法;k)全流程生產(chǎn)指標(biāo)優(yōu)化中的異常工況預(yù)報(bào)、溯源與自愈;l)人工智能驅(qū)動(dòng)的協(xié)同控制的建模、協(xié)同優(yōu)化與控制算法;m)決策與控制一體化系統(tǒng)的動(dòng)態(tài)性能評(píng)估等.

3)智能決策系統(tǒng)實(shí)現(xiàn)技術(shù).面向典型流程工業(yè)企業(yè),研發(fā)相關(guān)的智能優(yōu)化決策系統(tǒng)技術(shù),設(shè)計(jì)智能優(yōu)化決策云服務(wù)平臺(tái)系統(tǒng)體系架構(gòu)與核心組件,構(gòu)建流程工業(yè)智能優(yōu)化決策系統(tǒng),搭建智能優(yōu)化決策系統(tǒng)的實(shí)驗(yàn)平臺(tái)并開(kāi)展實(shí)驗(yàn)平臺(tái)驗(yàn)證與應(yīng)用驗(yàn)證研究.包括:a)智能優(yōu)化決策系統(tǒng)的實(shí)現(xiàn)系統(tǒng)架構(gòu);b)智能優(yōu)化決策系統(tǒng)的數(shù)據(jù)、知識(shí)、算法庫(kù)管理平臺(tái);c)智能優(yōu)化決策系統(tǒng)算法實(shí)現(xiàn)的軟件;d)運(yùn)行工況故障診斷與自愈控制軟件;e)智能優(yōu)化決策系統(tǒng)分布式實(shí)現(xiàn)技術(shù);f)生產(chǎn)指標(biāo)的大數(shù)據(jù)可視化分析與監(jiān)控軟件;g)基于工業(yè)私有云和移動(dòng)終端的生產(chǎn)全過(guò)程智能優(yōu)化決策系統(tǒng)設(shè)計(jì)技術(shù)等.

總體來(lái)說(shuō),流程工業(yè)智能優(yōu)化決策系統(tǒng)的重點(diǎn)任務(wù)是從流程工業(yè)綠色化與自動(dòng)化、工業(yè)化與信息化深度融合的重大需求出發(fā),以實(shí)現(xiàn)流程工業(yè)綠色化、智能化和高效化為目標(biāo),建立工業(yè)大數(shù)據(jù)和知識(shí)驅(qū)動(dòng)的流程工業(yè)智能優(yōu)化決策機(jī)制和系統(tǒng)體系結(jié)構(gòu),研究工業(yè)大數(shù)據(jù)驅(qū)動(dòng)的領(lǐng)域知識(shí)挖掘、推理與重組、多源異構(gòu)多尺度生產(chǎn)指標(biāo)預(yù)測(cè)、大數(shù)據(jù)和知識(shí)驅(qū)動(dòng)的生產(chǎn)指標(biāo)決策、優(yōu)化運(yùn)行與控制一體化決策方法與技術(shù),研發(fā)流程工業(yè)智能優(yōu)化決策的實(shí)現(xiàn)技術(shù)與工業(yè)軟件,建立流程工業(yè)智能優(yōu)化決策系統(tǒng)實(shí)驗(yàn)平臺(tái),引領(lǐng)工業(yè)化與信息化深度融合.從而形成以生產(chǎn)全流程整體優(yōu)化為特征的流程工業(yè)智能決策新模式,實(shí)現(xiàn)流程工業(yè)生產(chǎn)的綠色化、智能化和高效化,引領(lǐng)工業(yè)化與信息化深度融合.

5 結(jié)束語(yǔ)

流程制造業(yè)具有生產(chǎn)連續(xù)程度高、生產(chǎn)設(shè)備眾多、變量間強(qiáng)耦合、生產(chǎn)產(chǎn)品固定、生產(chǎn)量大等特點(diǎn),生產(chǎn)企業(yè)的整個(gè)管理決策過(guò)程還是依賴(lài)人和知識(shí)型工作者來(lái)進(jìn)行.當(dāng)市場(chǎng)需求和生產(chǎn)要素條件發(fā)生變化時(shí),難以及時(shí)準(zhǔn)確地做出企業(yè)目標(biāo)、計(jì)劃調(diào)度、運(yùn)行指標(biāo)、生產(chǎn)指令與控制指令的決策反應(yīng),無(wú)法實(shí)現(xiàn)企業(yè)產(chǎn)品質(zhì)量、產(chǎn)量、消耗和成本等綜合生產(chǎn)指標(biāo)的優(yōu)化.本文根據(jù)我國(guó)流程工業(yè)過(guò)程智能優(yōu)化決策系統(tǒng)的現(xiàn)狀,提出復(fù)雜工業(yè)過(guò)程生產(chǎn)制造全流程優(yōu)化決策系統(tǒng)—智能優(yōu)化決策系統(tǒng)的愿景功能,并探討了下一步的具體研究方向.智能優(yōu)化決策系統(tǒng)能夠有效地結(jié)合工業(yè)制造流程、知識(shí)型工作自動(dòng)化以及智能技術(shù),使得企業(yè)能夠智能感知物質(zhì)流、能源流和信息流的狀況、自主學(xué)習(xí)和主動(dòng)響應(yīng),自適應(yīng)優(yōu)化決策企業(yè)生產(chǎn)目標(biāo)、優(yōu)化配置資源和合理配置與循環(huán)利用能源,為實(shí)現(xiàn)流程工業(yè)過(guò)程智能優(yōu)化制造打下基礎(chǔ).