數(shù)據(jù)驅(qū)動(dòng)的工業(yè)過(guò)程運(yùn)行監(jiān)控與自?xún)?yōu)化研究展望

劉強(qiáng) 卓潔 郎自強(qiáng) 秦泗釗

1 工業(yè)過(guò)程全流程運(yùn)行監(jiān)控系統(tǒng)的內(nèi)涵與行業(yè)現(xiàn)狀

1.1 工業(yè)過(guò)程全流程運(yùn)行監(jiān)控的內(nèi)涵

工業(yè)過(guò)程包括以石油、化工、鋼鐵、有色、建材等基礎(chǔ)原材料行業(yè)為主的流程工業(yè)和以機(jī)械、電子、汽車(chē)、航空航天、軌道交通、海洋工程等裝備制造行業(yè)為主的離散工業(yè).現(xiàn)代工業(yè)過(guò)程通過(guò)控制與決策系統(tǒng)向大規(guī)模和集成化方向發(fā)展,通常是由多個(gè)工業(yè)裝備組成的生產(chǎn)工序,其功能是將原料加工為下道工序所需要的中間產(chǎn)品,多個(gè)生產(chǎn)工序構(gòu)成了全流程生產(chǎn)線.現(xiàn)代工業(yè)向精細(xì)化、集約化發(fā)展,對(duì)安全、高效、節(jié)能、高質(zhì)生產(chǎn)提出了更高要求,需要對(duì)生產(chǎn)全流程進(jìn)行有效監(jiān)控[1].

工業(yè)生產(chǎn)要求全流程在安全運(yùn)行的前提下,使反映加工半成品的質(zhì)量和效率的運(yùn)行指標(biāo)盡可能高,反映資源消耗和加工成本的運(yùn)行指標(biāo)盡可能低[2],而且與上下游工序的過(guò)程控制系統(tǒng)協(xié)同.生產(chǎn)任務(wù)不只是局限于底層輸出跟蹤設(shè)定值,而且要求生產(chǎn)運(yùn)行向上層要滿(mǎn)足用戶(hù)需求和原料狀況,向下層又要綜合考慮底層控制性能和設(shè)備狀態(tài)、運(yùn)行環(huán)境等生產(chǎn)條件.流程工業(yè)生產(chǎn)連續(xù)程度高、設(shè)備眾多、變量間耦合嚴(yán)重、產(chǎn)品固定、產(chǎn)量大,具有復(fù)雜能量和物質(zhì)回流、機(jī)理不清等典型特點(diǎn);離散工業(yè)結(jié)構(gòu)復(fù)雜、工藝過(guò)程長(zhǎng)、產(chǎn)品工藝和設(shè)備柔性、產(chǎn)品和物料品種規(guī)格多,具有非標(biāo)定制需求、多單元柔性加工、多/變約束運(yùn)行等典型特點(diǎn).在上述復(fù)雜工業(yè)環(huán)境和需求中運(yùn)行的生產(chǎn)全流程控制與運(yùn)行管理系統(tǒng),因生產(chǎn)條件的頻繁變化和惡劣環(huán)境,還可能造成運(yùn)行指標(biāo)、過(guò)程控制系統(tǒng)設(shè)定值的決策失誤帶來(lái)的異常工況,影響生產(chǎn)全流程的安全運(yùn)行和產(chǎn)品質(zhì)量[1].因此,除了要對(duì)常規(guī)的部件異常進(jìn)行實(shí)時(shí)監(jiān)控外,還需要能夠?qū)崿F(xiàn)監(jiān)控生產(chǎn)全流程生產(chǎn)條件和運(yùn)行環(huán)境變化、決策不當(dāng)?shù)纫鸬漠惓９r、運(yùn)行指標(biāo)異常和協(xié)同控制異常等.

工業(yè)過(guò)程全流程運(yùn)行監(jiān)控的內(nèi)涵是利用相關(guān)物理資源和信息資源(例如設(shè)備狀態(tài)數(shù)據(jù)、過(guò)程數(shù)據(jù)、圖像、振動(dòng)聲音、巡檢記錄文本、決策信息等),綜合控制理論、統(tǒng)計(jì)計(jì)量學(xué)、機(jī)器學(xué)習(xí)等理論技術(shù)以及人員經(jīng)驗(yàn)實(shí)現(xiàn)工業(yè)過(guò)程監(jiān)控與異常運(yùn)行狀況預(yù)測(cè),判定待監(jiān)控對(duì)象(包括決策和管理執(zhí)行狀況,產(chǎn)品質(zhì)量、能耗物耗、排放等運(yùn)行指標(biāo),控制系統(tǒng)性能,生產(chǎn)與人員安全,生產(chǎn)環(huán)境與關(guān)鍵設(shè)備)是否符合預(yù)期或標(biāo)準(zhǔn),將結(jié)果在監(jiān)控周期內(nèi)(實(shí)時(shí)、定期巡檢與抽樣)反饋給實(shí)施監(jiān)控的對(duì)象(管理人員、操作人員、工藝人員、設(shè)備維護(hù)人員等).在運(yùn)行監(jiān)控基礎(chǔ)上診斷異常發(fā)生時(shí)間、原因和位置等,并根據(jù)評(píng)價(jià)結(jié)果進(jìn)行生產(chǎn)決策、控制與維護(hù),從而保障生產(chǎn)及人員安全、提高產(chǎn)品質(zhì)量和生產(chǎn)效率、降低生產(chǎn)成本、節(jié)能減排,實(shí)現(xiàn)安全、綠色、高效生產(chǎn)的目標(biāo).

1.2 工業(yè)過(guò)程全流程運(yùn)行監(jiān)控的行業(yè)現(xiàn)狀

目前,工業(yè)過(guò)程大多按企業(yè)資源計(jì)劃(Enterprise resource planning,ERP)、制造執(zhí)行系統(tǒng)(Manufacturing execution system,MES)、過(guò)程控制系統(tǒng)(Process control system,PCS)三層結(jié)構(gòu)組織生產(chǎn),需監(jiān)控管理與計(jì)劃決策、運(yùn)行指標(biāo)(產(chǎn)品質(zhì)量、能耗物耗、排放)、控制系統(tǒng)性能與狀態(tài)、人員安全與行為、環(huán)境與關(guān)鍵設(shè)備狀態(tài).

現(xiàn)有的監(jiān)控與數(shù)據(jù)采集(Supervisory control and data acquisition,SCADA)的一類(lèi)系統(tǒng)主要是PCS層數(shù)據(jù)的采集與監(jiān)測(cè).對(duì)于典型的流程工業(yè)而言,利用集散控制系統(tǒng)(Distributed control system,DCS)數(shù)據(jù)對(duì)執(zhí)行器、傳感器故障、控制系統(tǒng)組件失效或設(shè)備狀態(tài)異常而引起的變量超限進(jìn)行監(jiān)控,雖然具有異常報(bào)警功能,但只是根據(jù)輸入輸出數(shù)據(jù)是否超過(guò)限制值,瞬間的超限因控制系統(tǒng)的作用而消失,且由于決策與控制的閉環(huán)反饋?zhàn)饔煤拖到y(tǒng)各單元間的耦合作用會(huì)使輸入輸出互為因果關(guān)系,容易造成誤報(bào)和異常溯源困難;對(duì)于離散工業(yè)而言,主要是通過(guò)單源特征參數(shù)來(lái)監(jiān)控關(guān)鍵加工設(shè)備的局部運(yùn)行狀態(tài).該類(lèi)監(jiān)控系統(tǒng)因忽略了數(shù)據(jù)的相關(guān)關(guān)系與因果關(guān)系,導(dǎo)致監(jiān)控結(jié)果不可靠且不能全面監(jiān)控全流程運(yùn)行和中間產(chǎn)品質(zhì)量.為提高過(guò)程監(jiān)控和異常定位的準(zhǔn)確性,工業(yè)界國(guó)內(nèi)外一些先進(jìn)企業(yè)特別是石化和鋼鐵行業(yè)逐漸開(kāi)始采用統(tǒng)計(jì)過(guò)程監(jiān)控技術(shù)對(duì)關(guān)鍵設(shè)備和生產(chǎn)流程進(jìn)行監(jiān)控.美國(guó)Aspen公司開(kāi)發(fā)的統(tǒng)計(jì)過(guò)程監(jiān)控軟件已被石化企業(yè)廣泛采用.在鋼鐵行業(yè),加拿大Dofasco鋼鐵公司二號(hào)連鑄機(jī)組成功采用統(tǒng)計(jì)過(guò)程監(jiān)控技術(shù)實(shí)現(xiàn)了開(kāi)澆階段斷澆故障的監(jiān)控與預(yù)防[3],以及不同鋼種切換過(guò)渡過(guò)程的監(jiān)控[4].

對(duì)于管理與計(jì)劃決策、運(yùn)行指標(biāo)、控制系統(tǒng)性能與過(guò)程運(yùn)行狀態(tài)、環(huán)境和關(guān)鍵設(shè)備狀態(tài)、人員決策與操作尚缺乏有效的監(jiān)控.管理與計(jì)劃決策監(jiān)控主要是對(duì)ERP和MES執(zhí)行結(jié)果的監(jiān)控,無(wú)法分析異常原因、監(jiān)控不及時(shí),無(wú)法實(shí)現(xiàn)決策、控制、設(shè)備一體化監(jiān)控;對(duì)于產(chǎn)品質(zhì)量和能耗物耗、排放等運(yùn)行指標(biāo)的監(jiān)控主要是根據(jù)控制圖(例如休哈特控制圖、累加和控制圖、指數(shù)加權(quán)平均控制圖)等抽樣檢驗(yàn),屬于事后監(jiān)控、實(shí)時(shí)性差;環(huán)境和關(guān)鍵設(shè)備狀態(tài)的監(jiān)控通過(guò)人員持檢測(cè)儀表在生產(chǎn)線的巡檢完成,無(wú)法實(shí)時(shí)監(jiān)控原料及用戶(hù)需求、系統(tǒng)運(yùn)行環(huán)境、設(shè)備狀態(tài)等生產(chǎn)條件的異常變化.現(xiàn)有運(yùn)行優(yōu)化與控制算法通常沒(méi)有識(shí)別生產(chǎn)條件和運(yùn)行工況變化的功能,不能適應(yīng)工業(yè)過(guò)程的這種動(dòng)態(tài)變化,在生產(chǎn)條件發(fā)生非期望變化時(shí),如果處理不當(dāng)就會(huì)導(dǎo)致系統(tǒng)性能變壞,使系統(tǒng)運(yùn)行處于異常工況[1].

上述異常工況發(fā)生時(shí),由于異常工況機(jī)理不清導(dǎo)致難以利用現(xiàn)有監(jiān)控系統(tǒng)來(lái)診斷,通常由運(yùn)行工程師靠耳朵和眼睛來(lái)觀測(cè)運(yùn)行工況表征以及利用ERP,MES,PCS獲取的子系統(tǒng)/單元的短時(shí)運(yùn)行數(shù)據(jù)憑經(jīng)驗(yàn)判斷與處理.由于診斷與處理具有主觀性、滯后性和非優(yōu)性,造成診斷與處理結(jié)果的差異大,無(wú)法保證最優(yōu)且處理不當(dāng)可造成嚴(yán)重的災(zāi)難性后果,難以安全優(yōu)化運(yùn)行.

2 工業(yè)過(guò)程運(yùn)行監(jiān)控的研究現(xiàn)狀

2.1 工業(yè)過(guò)程運(yùn)行監(jiān)控方法

目前,工業(yè)過(guò)程安全運(yùn)行監(jiān)控的研究主要是基于模型的單元內(nèi)控制系統(tǒng)故障診斷與容錯(cuò)控制方法[5?12],以及數(shù)據(jù)驅(qū)動(dòng)的異常工況診斷與自愈控制方法[13?45].

2.1.1 基于模型的控制系統(tǒng)故障診斷與容錯(cuò)控制方法

對(duì)于可以獲得系統(tǒng)模型的工業(yè)過(guò)程或生產(chǎn)單元,基于模型方法利用可測(cè)信號(hào)估計(jì)系統(tǒng)狀態(tài)或殘差進(jìn)行監(jiān)控,包括參數(shù)估計(jì)方法、觀測(cè)器方法、對(duì)偶關(guān)系方法等對(duì)預(yù)先定義的傳感器、執(zhí)行機(jī)構(gòu)、被控對(duì)象故障實(shí)現(xiàn)單元級(jí)控制系統(tǒng)故障的診斷[5?7].近年的主要進(jìn)展是針對(duì)復(fù)雜工業(yè)過(guò)程參數(shù)不確定、時(shí)變干擾、未建模動(dòng)態(tài)、非線性等導(dǎo)致故障特征難以辨識(shí),提出了基于模型的一系列故障診斷方法.例如,為了解決了故障信息與外部干擾以及不確定性難以區(qū)分的問(wèn)題,文獻(xiàn)[8]提出了基于極大/極小優(yōu)化理論的有限頻故障診斷方法;針對(duì)非線性被控對(duì)象,文獻(xiàn)[9]使用非線性模糊建模方法將原系統(tǒng)描述為T(mén)-S系統(tǒng),基于集合論的模型描述和借鑒集合等價(jià)類(lèi)技術(shù)的執(zhí)行器故障的估計(jì)和分離方法.

容錯(cuò)控制是利用系統(tǒng)模型設(shè)計(jì)容錯(cuò)控制器,實(shí)現(xiàn)傳感器、執(zhí)行機(jī)構(gòu)、被控對(duì)象故障情況下通過(guò)一定程度降低系統(tǒng)性能來(lái)保證穩(wěn)定性和安全[10].近年的主要進(jìn)展是針對(duì)現(xiàn)有容錯(cuò)控制技術(shù)難以在全局范圍內(nèi)對(duì)未知?jiǎng)討B(tài)非線性系統(tǒng)進(jìn)行故障補(bǔ)償,提出了魯棒自適應(yīng)容錯(cuò)控制和基于多項(xiàng)式優(yōu)化技術(shù)的非線性容錯(cuò)控制方法,解決了系統(tǒng)模型未知情況下根據(jù)系統(tǒng)輸入輸出數(shù)據(jù)設(shè)計(jì)容錯(cuò)控制器的難題.例如,文獻(xiàn)[11]針對(duì)一類(lèi)具有已知控制方向的嚴(yán)格反饋非線性系統(tǒng),提出基于反推方法的執(zhí)行器故障、非線性和外部擾動(dòng)完全未知下的自適應(yīng)容錯(cuò)控制方法;針對(duì)一類(lèi)具有未知控制方向的不確定非線性系統(tǒng),文獻(xiàn)[12]引入新誤差轉(zhuǎn)換函數(shù)和通過(guò)構(gòu)造新自適應(yīng)機(jī)制,提出了一種低復(fù)雜度的狀態(tài)反饋容錯(cuò)控制方法.

上述方法均以精確數(shù)學(xué)模型描述的過(guò)程模型為基礎(chǔ),僅限解決單元內(nèi)控制系統(tǒng)故障的監(jiān)控與診斷,性能的好壞很大程度上依賴(lài)于模型的準(zhǔn)確程度,不能解決機(jī)理不清的復(fù)雜工業(yè)過(guò)程全流程的運(yùn)行監(jiān)控與異常工況診斷問(wèn)題.

2.1.2 數(shù)據(jù)驅(qū)動(dòng)的異常工況診斷與自愈控制方法

對(duì)于機(jī)理不清的難以獲得精確數(shù)學(xué)模型的工業(yè)過(guò)程而言,運(yùn)行異常原因不僅包括傳感器故障和執(zhí)行機(jī)構(gòu)故障等控制系統(tǒng)故障,還包括原材料波動(dòng)、運(yùn)行環(huán)境變化、過(guò)程設(shè)備磨損老化、操作不當(dāng)?shù)仍蛞鸬漠惓＿\(yùn)行工況和產(chǎn)品質(zhì)量不合格,難以采用傳統(tǒng)基于模型方法進(jìn)行診斷.

近二十年,隨著工業(yè)過(guò)程普遍采用DCS采集了直接反映生產(chǎn)全流程運(yùn)行工況的數(shù)據(jù),數(shù)據(jù)驅(qū)動(dòng)的監(jiān)控與故障診斷方法通過(guò)各種數(shù)據(jù)處理與分析方法(例如多元統(tǒng)計(jì)方法、聚類(lèi)分析、頻譜分析小波分析等)挖掘數(shù)據(jù)中隱含的異常工況相關(guān)信息進(jìn)行診斷.研究和應(yīng)用最多的是以單一層面的主元分析(Principal component analysis,PCA)和獨(dú)立元分析(Independent component analysis,ICA)以及多層面的偏最小二乘(Partial least squares,PLS)算法等為代表的多變量統(tǒng)計(jì)過(guò)程監(jiān)控方法[13?20].該類(lèi)方法利用正常工況數(shù)據(jù)建立潛結(jié)構(gòu)模型,將由多變量構(gòu)成的高維空間投影到低維來(lái)建立數(shù)據(jù)間的潛結(jié)構(gòu),在此基礎(chǔ)上通過(guò)比較正常和故障條件下數(shù)據(jù)相關(guān)結(jié)構(gòu)的變化來(lái)監(jiān)控和診斷故障.故障監(jiān)控一般根據(jù)故障檢測(cè)指標(biāo)超過(guò)其控制限來(lái)實(shí)現(xiàn);在此基礎(chǔ)上,常使用貢獻(xiàn)圖[14?15]或基于重構(gòu)的貢獻(xiàn)圖[16,18,21]來(lái)識(shí)別故障變量以及結(jié)合過(guò)程知識(shí)分析故障原因,或利用歷史故障數(shù)據(jù)提取故障方向并采用重構(gòu)方法診斷故障原因[15,17,22].該類(lèi)方法因其具有降維、便于可視化的優(yōu)點(diǎn),已在化工、薄膜制造、醫(yī)藥、微電子制造、鋼鐵生產(chǎn)等多種流程工業(yè)中取得成功應(yīng)用.

目前,國(guó)內(nèi)外學(xué)者在數(shù)據(jù)驅(qū)動(dòng)的工業(yè)過(guò)程監(jiān)控方面已經(jīng)發(fā)表了大量研究成果,主要是針對(duì)具體的工業(yè)過(guò)程具有的大規(guī)模、間歇時(shí)段性、多層面運(yùn)行、動(dòng)態(tài)性、強(qiáng)非線性等過(guò)程復(fù)雜性,從提高過(guò)程監(jiān)控結(jié)果的解釋性和準(zhǔn)確性的角度提出的過(guò)程監(jiān)控與故障診斷方法.本文主要從過(guò)程復(fù)雜性出發(fā),對(duì)已有成果進(jìn)行分類(lèi)和總結(jié).

1)針對(duì)薄膜制造和鋼鐵冷軋連退過(guò)程這類(lèi)典型的大規(guī)模連續(xù)生產(chǎn)過(guò)程,因其具有大規(guī)模變量和多單元串聯(lián)加工特點(diǎn),為了提高過(guò)程監(jiān)控結(jié)果的解釋性,學(xué)者提出利用過(guò)程知識(shí)或變量選擇方法等對(duì)過(guò)程變量進(jìn)行分塊來(lái)建立多塊潛結(jié)構(gòu)模型,在此基礎(chǔ)上實(shí)現(xiàn)對(duì)生產(chǎn)全流程的集散監(jiān)控與診斷[22?28].例如,學(xué)者提出基于多塊主元分析[23?25]和多級(jí)主元分析的集散診斷方法[28],成功應(yīng)用于薄膜制造和鋼鐵冷軋連退過(guò)程的集散監(jiān)控與診斷.近年來(lái),學(xué)者還提出多塊監(jiān)控結(jié)果融合的集散監(jiān)控方法[26]和大數(shù)據(jù)條件下的用于過(guò)程監(jiān)控的并行PCA方法[27].

2)針對(duì)注塑過(guò)程、發(fā)酵過(guò)程、半導(dǎo)體加工過(guò)程等成批次多時(shí)段生產(chǎn)的間歇過(guò)程,會(huì)采集到批次、時(shí)間、變量三維數(shù)據(jù).為了實(shí)現(xiàn)上述間歇過(guò)程的監(jiān)控,Nomikos和MacGregor提出多向主元分析和多向偏最小二乘方法[29?30],首先將三維按照變量展開(kāi)或批次展開(kāi)成二維矩陣,再采用多元統(tǒng)計(jì)建模方法進(jìn)行建模,從而分別監(jiān)控間歇過(guò)程變量間關(guān)系的非期望變化和不同操作批次間的異常.近年的研究熱點(diǎn),主要是針對(duì)間歇過(guò)程的多時(shí)段提出考慮批次間過(guò)渡狀態(tài)的軟時(shí)段劃分與監(jiān)控方法[31?33],針對(duì)各批次數(shù)據(jù)不等長(zhǎng)問(wèn)題提出的過(guò)程監(jiān)控方法[35],以及基于重構(gòu)的間歇過(guò)程故障診斷方法[34].

3)復(fù)雜工業(yè)過(guò)程通常多層面運(yùn)行,企業(yè)管理人員和工程師往往更關(guān)心過(guò)程故障是否會(huì)導(dǎo)致最終產(chǎn)品質(zhì)量或運(yùn)行指標(biāo)的異常.但PCA一類(lèi)方法只能檢測(cè)到過(guò)程變量的異常狀況,無(wú)法建立過(guò)程變量與產(chǎn)品質(zhì)量或運(yùn)行指標(biāo)間的關(guān)系.如果檢測(cè)到的故障不會(huì)造成產(chǎn)品質(zhì)量或運(yùn)行指標(biāo)異常,會(huì)導(dǎo)致誤診斷.基于PLS或基于典型相關(guān)分析的過(guò)程監(jiān)控方法在濾除誤報(bào)警方面更有效.例如,文獻(xiàn)[36]將數(shù)據(jù)劃分為過(guò)程數(shù)據(jù)與質(zhì)量數(shù)據(jù)兩層結(jié)構(gòu),采用PLS模型描述過(guò)程數(shù)據(jù)與質(zhì)量數(shù)據(jù)間的潛結(jié)構(gòu)關(guān)系,實(shí)現(xiàn)運(yùn)行層故障和過(guò)程層故障的分離.但上述潛結(jié)構(gòu)分解是面向質(zhì)量預(yù)測(cè)的,在用于過(guò)程監(jiān)控時(shí)會(huì)包含輸出無(wú)關(guān)的變化以及對(duì)預(yù)測(cè)質(zhì)量無(wú)用的大變化[37?38].針對(duì)上述問(wèn)題,多位學(xué)者從過(guò)程監(jiān)控角度對(duì)數(shù)據(jù)空間進(jìn)行了更完整的劃分,提出了運(yùn)行層和過(guò)程層聯(lián)合監(jiān)控的一系列方法[38?44],包括基于全潛結(jié)構(gòu)[39]和并發(fā)潛結(jié)構(gòu)[40]的異常工況診斷方法以及非線性和集散擴(kuò)展方法[41],為解決運(yùn)行層與過(guò)程層異常工況的分離提供了有效途徑.但上述方法并沒(méi)有改變基本PLS模型對(duì)質(zhì)量變量的預(yù)測(cè)能力,只是根據(jù)質(zhì)量變量空間進(jìn)一步分解過(guò)程數(shù)據(jù)空間.為此,文獻(xiàn)[45?46]提出改進(jìn)潛結(jié)構(gòu)投影和高效潛結(jié)構(gòu)投影方法,將過(guò)程數(shù)據(jù)空間分解為質(zhì)量相關(guān)的子空間和質(zhì)量無(wú)關(guān)的子空間并分別進(jìn)行監(jiān)控,并在鋼鐵熱連軋機(jī)組進(jìn)行分析比較和應(yīng)用驗(yàn)證[47].上述建模與監(jiān)控方法通常采用偏最小二乘算法,存在建模效率低、與質(zhì)量有關(guān)的過(guò)程異常工況的診斷精度低等不足.針對(duì)該問(wèn)題,文獻(xiàn)[48]提出了基于并發(fā)典型相關(guān)分析的聯(lián)合監(jiān)控方法.但上述方法都屬于監(jiān)控工業(yè)過(guò)程穩(wěn)態(tài)工況的監(jiān)控方法.

4)復(fù)雜工業(yè)過(guò)程實(shí)際運(yùn)行時(shí)通常具有動(dòng)態(tài)運(yùn)行特點(diǎn),即由儲(chǔ)能環(huán)境、動(dòng)態(tài)操作、底層回路控制和運(yùn)行控制的反饋?zhàn)饔脮?huì)引入動(dòng)態(tài),采用上述穩(wěn)態(tài)工況運(yùn)行監(jiān)控方法定義的正常范圍往往過(guò)大,導(dǎo)致漏報(bào)率過(guò)高.針對(duì)該問(wèn)題,學(xué)者提出了動(dòng)態(tài)過(guò)程監(jiān)控方法.文獻(xiàn)[49]利用時(shí)間窗構(gòu)造變量的增廣矩陣并進(jìn)行奇異值分解提出基于動(dòng)態(tài)主元分析的異常監(jiān)控方法,文獻(xiàn)[50?53]提出基于子空間建模的方法(例如主元分析子空間辨識(shí)方法[52]),和同時(shí)考慮過(guò)程噪聲和測(cè)量噪聲的條件下的間接動(dòng)態(tài)主元分析方法[54].如何面向工業(yè)過(guò)程運(yùn)行監(jiān)控對(duì)高維動(dòng)態(tài)多時(shí)空數(shù)據(jù)建模和壓縮一直是國(guó)際上尚未解決的難題,為了同時(shí)提取變量間的動(dòng)態(tài)自相關(guān)和互相關(guān),文獻(xiàn)[55]提出一種基于動(dòng)態(tài)潛變量模型的異常工況診斷方法.但該方法以潛變量估計(jì)方差最大為目標(biāo),可能提取出方差較大的靜態(tài)變化,而非動(dòng)態(tài)變化.針對(duì)上述問(wèn)題,有學(xué)者提出動(dòng)態(tài)內(nèi)在主元分析方法[56],以動(dòng)態(tài)潛變量及其預(yù)測(cè)值的協(xié)方差最大為目標(biāo),實(shí)現(xiàn)了依據(jù)動(dòng)態(tài)性強(qiáng)弱依次提取時(shí)間序列低維數(shù)據(jù)特征和多時(shí)空大數(shù)據(jù)降維可視化和特征提取.從而,可以由降維的動(dòng)態(tài)潛變量提取特征與預(yù)測(cè)未來(lái),由動(dòng)態(tài)和靜態(tài)建模誤差監(jiān)控當(dāng)前狀況,為異常工況的監(jiān)控與預(yù)測(cè)提供了新的解決思路.

5)絕大多數(shù)復(fù)雜工業(yè)過(guò)程嚴(yán)格意義上都是非線性過(guò)程,導(dǎo)致線性的潛結(jié)構(gòu)建模與監(jiān)控方法不能取得滿(mǎn)意效果.為此,學(xué)者提出了一系列以主元分析、偏最小二乘、典型相關(guān)分析等潛結(jié)構(gòu)建模算法為基礎(chǔ)的非線性變形方法[57?59],例如與神經(jīng)網(wǎng)絡(luò)相結(jié)合的偏最小二乘方法[57]和基于核投影的非線性過(guò)程建模和監(jiān)控方法.基于核投影的監(jiān)控方法的基本思想是通過(guò)核函數(shù)將原始變量的低維空間投影到高維空間,采用傳統(tǒng)的線性潛結(jié)構(gòu)方法對(duì)高維空間數(shù)據(jù)建模,再利用核機(jī)制通過(guò)對(duì)高維空間的線性分解和監(jiān)控實(shí)現(xiàn)對(duì)原始非線性空間的分解和監(jiān)控.文獻(xiàn)[42]提出了全核偏最小二乘方法,并成功應(yīng)用于典型非線性過(guò)程鋼鐵熱連軋生產(chǎn)過(guò)程帶鋼厚度相關(guān)故障的監(jiān)控與原因診斷.

6)還有一些針對(duì)過(guò)程數(shù)據(jù)非高斯性提出的基于ICA的過(guò)程監(jiān)控方法[19,60?61],以及針對(duì)數(shù)據(jù)采集和傳輸過(guò)程中引入的離群點(diǎn)、缺失點(diǎn)等數(shù)據(jù)復(fù)雜性提出的魯棒建模與監(jiān)控方法[62].

故障預(yù)測(cè)是早期發(fā)現(xiàn)異常并預(yù)測(cè)其發(fā)展趨勢(shì),現(xiàn)有故障預(yù)測(cè)的研究主要是面向設(shè)備視情維護(hù),根據(jù)設(shè)備疲勞動(dòng)力學(xué)模型[62]或異常發(fā)生概率演變模型[63]來(lái)預(yù)測(cè)裝備或部件的剩余壽命.基于模型方法需要精確的機(jī)理模型,限制了應(yīng)用范圍.數(shù)據(jù)驅(qū)動(dòng)方法通過(guò)分析過(guò)程數(shù)據(jù)來(lái)近似跟蹤異常工況過(guò)程的退化特性.文獻(xiàn)[64]利用邏輯回歸分析和極大似然方法建立性能模型,利用滑動(dòng)自回歸模型估計(jì)設(shè)備剩余壽命.振動(dòng)信號(hào)[65]的幅度、頻率等特征也被用于異常工況預(yù)測(cè).工業(yè)過(guò)程運(yùn)行異常工況的預(yù)測(cè)仍是有待研究的難題.

工業(yè)過(guò)程運(yùn)行監(jiān)控的最終目標(biāo)是通過(guò)維護(hù)與控制操作等手段使過(guò)程從異常工況或非優(yōu)工況恢復(fù)到正常工況或優(yōu)化工況.針對(duì)該問(wèn)題,學(xué)者針對(duì)難以建立模型的復(fù)雜工業(yè)過(guò)程開(kāi)展自愈控制方法研究.國(guó)內(nèi)外自愈控制早期研究解決的是故障發(fā)生后采用網(wǎng)絡(luò)化切換等調(diào)控手段恢復(fù)系統(tǒng)功能,例如自愈電網(wǎng)、集散控制系統(tǒng)的熱后備智能切換系統(tǒng)、自愈軍事衛(wèi)星通信系統(tǒng)等.對(duì)于工業(yè)過(guò)程而言,自愈控制的含義有所不同,主要是在工業(yè)過(guò)程偏離安全運(yùn)行的異常工況下,通過(guò)主動(dòng)控制手段調(diào)整控制回路輸入輸出、操作指令等,使系統(tǒng)遠(yuǎn)離故障工況,從異常工況恢復(fù)到正常工況,并使實(shí)際運(yùn)行指標(biāo)盡可能接近目標(biāo)值,從而改善系統(tǒng)安全性和運(yùn)行品質(zhì)[66?67].文獻(xiàn)[68?69]針對(duì)豎爐焙燒過(guò)程和超高溫電熔鎂爐過(guò)程由于控制回路設(shè)定值不合適而導(dǎo)致的異常工況,提出了以調(diào)整改變控制回路設(shè)定值為手段排除異常工況的自愈控制方法.

迄今為止,上述大多針對(duì)具體工業(yè)過(guò)程的方法研究,尚未形成工業(yè)過(guò)程安全運(yùn)行與自?xún)?yōu)化系統(tǒng),特別是未能綜合利用聲像和過(guò)程數(shù)據(jù)多源異構(gòu)動(dòng)態(tài)信息實(shí)現(xiàn)準(zhǔn)確監(jiān)控,尚未解決運(yùn)行決策故障和協(xié)同故障的遠(yuǎn)程移動(dòng)可視化監(jiān)控,尚不能通過(guò)評(píng)估系統(tǒng)運(yùn)行動(dòng)態(tài)性能、識(shí)別運(yùn)行環(huán)境變化、量化原料與用戶(hù)需求,通過(guò)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)實(shí)現(xiàn)自?xún)?yōu)化運(yùn)行.通過(guò)信息資源與工業(yè)過(guò)程物理資源相結(jié)合建立信息物理系統(tǒng)(Cyber-physical systems,CPS)來(lái)建立安全運(yùn)行監(jiān)控與自?xún)?yōu)化系統(tǒng)成為新的發(fā)展方向.

2.2 CPS時(shí)代安全監(jiān)控與自?xún)?yōu)化的機(jī)遇

由ERP,MES,PCS三層結(jié)構(gòu)組織的工業(yè)過(guò)程生產(chǎn)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處于人工狀態(tài),ERP,MES,PCS三者無(wú)法實(shí)現(xiàn)無(wú)縫集成.針對(duì)該問(wèn)題,文獻(xiàn)[2]指出下一代工業(yè)過(guò)程生產(chǎn)系統(tǒng)將發(fā)展為由智能自主控制系統(tǒng)、智能協(xié)同控制系統(tǒng)、智能優(yōu)化決策系統(tǒng)、虛擬制造系統(tǒng)、安全運(yùn)行監(jiān)控系統(tǒng)組成的智能優(yōu)化決策系統(tǒng),如圖1所示.其中,工業(yè)過(guò)程安全運(yùn)行監(jiān)控與自?xún)?yōu)化系統(tǒng)利用工業(yè)互聯(lián)網(wǎng)和大數(shù)據(jù)管理云平臺(tái)來(lái)獲取智能自主控制系統(tǒng)、智能協(xié)同控制系統(tǒng)、智能優(yōu)化決策系統(tǒng)、虛擬制造系統(tǒng)所產(chǎn)生的歷史運(yùn)行工況數(shù)據(jù),建立各系統(tǒng)/單元內(nèi)和系統(tǒng)/單元間協(xié)同的運(yùn)行工況的模型,在此基礎(chǔ)上以人機(jī)交互的方式監(jiān)控整個(gè)生產(chǎn)全流程的決策和協(xié)同,保障系統(tǒng)安全、可靠、優(yōu)化運(yùn)行.其主要新特征是將工業(yè)互聯(lián)網(wǎng)的計(jì)算資源與工業(yè)過(guò)程的物理資源緊密結(jié)合與協(xié)同,采用智能手段并充分利用優(yōu)化決策系統(tǒng)、協(xié)同控制系統(tǒng)、智能化控制系統(tǒng)獲得的多層面多源異構(gòu)動(dòng)態(tài)數(shù)據(jù),從而將工業(yè)過(guò)程安全監(jiān)控與自?xún)?yōu)化發(fā)展為CPS.

近幾年大數(shù)據(jù)、云計(jì)算和人工智能技術(shù)的迅猛發(fā)展為實(shí)現(xiàn)下一代智能化運(yùn)行監(jiān)控與自?xún)?yōu)化系統(tǒng)創(chuàng)造了條件.一方面,大數(shù)據(jù)和云計(jì)算技術(shù)提供了必要的數(shù)據(jù)資源和計(jì)算資源;另一方面,以深度學(xué)習(xí)為代表的人工智能技術(shù)從基于邏輯推理和概率統(tǒng)計(jì)的傳統(tǒng)范式向大數(shù)據(jù)驅(qū)動(dòng)的新范式轉(zhuǎn)變,通過(guò)解析多源異構(gòu)動(dòng)態(tài)數(shù)據(jù)中隱含的復(fù)雜結(jié)構(gòu)特征來(lái)處理異常運(yùn)行狀況的不確定性和模糊性,為研究工業(yè)大數(shù)據(jù)條件下異常工況診斷與自?xún)?yōu)化系統(tǒng)和新方法奠定了基礎(chǔ).

圖1 工業(yè)過(guò)程運(yùn)行監(jiān)控系統(tǒng)的作用Fig.1 Role of operational monitoring system

3 數(shù)據(jù)驅(qū)動(dòng)的工業(yè)過(guò)程智能監(jiān)控與自?xún)?yōu)化系統(tǒng)的研究展望

3.1 數(shù)據(jù)驅(qū)動(dòng)的工業(yè)過(guò)程智能化運(yùn)行監(jiān)控與自?xún)?yōu)化系統(tǒng)的發(fā)展愿景

工業(yè)過(guò)程智能化安全運(yùn)行監(jiān)控與自?xún)?yōu)化系統(tǒng)(如圖2所示)集運(yùn)行狀況感知與特征提取、運(yùn)行狀況監(jiān)控、動(dòng)態(tài)性能評(píng)價(jià)、異常運(yùn)行狀況預(yù)報(bào)、自愈控制/自?xún)?yōu)化于一體,采用智能手段利用大數(shù)據(jù)對(duì)系統(tǒng)動(dòng)態(tài)運(yùn)行狀況、運(yùn)行目標(biāo)、運(yùn)行環(huán)境進(jìn)行遠(yuǎn)程移動(dòng)實(shí)時(shí)準(zhǔn)確的可視化監(jiān)控,具有遠(yuǎn)程移動(dòng)可視化、異常運(yùn)行工況監(jiān)控和自?xún)?yōu)化三大類(lèi)功能.其愿景功能是智能自主感知與監(jiān)控整個(gè)過(guò)程的決策和協(xié)同控制.在此基礎(chǔ)上,評(píng)價(jià)系統(tǒng)動(dòng)態(tài)性能,預(yù)報(bào)異常運(yùn)行狀況,在系統(tǒng)運(yùn)行環(huán)境變化導(dǎo)致的異常工況下,通過(guò)自愈控制和自?xún)?yōu)化使系統(tǒng)恢復(fù)安全優(yōu)化運(yùn)行.目標(biāo)是實(shí)現(xiàn)運(yùn)行監(jiān)控的精準(zhǔn)性、實(shí)時(shí)性、預(yù)測(cè)性、遠(yuǎn)程移動(dòng)可視化性,以及動(dòng)態(tài)運(yùn)行性能與運(yùn)行指標(biāo)的自?xún)?yōu)化,保障其安全優(yōu)化運(yùn)行.

圖2 復(fù)雜工業(yè)過(guò)程智能化安全運(yùn)行監(jiān)控與自?xún)?yōu)化系統(tǒng)的架構(gòu)Fig.2 Intelligent operational monitoring and self-optimization of complex industrial processes

具體功能包括:1)智能優(yōu)化決策運(yùn)行的監(jiān)控,包括對(duì)決策控制一體化的監(jiān)控、協(xié)同優(yōu)化的監(jiān)控、協(xié)同控制的監(jiān)控、過(guò)程運(yùn)行工況的監(jiān)控、控制系統(tǒng)的監(jiān)控、關(guān)鍵設(shè)備狀態(tài)的監(jiān)控;2)運(yùn)行環(huán)境指標(biāo)的監(jiān)控與溯源;3)人員安全與操作行為的監(jiān)控;4)產(chǎn)品質(zhì)量、安全、排放、泄露等安全優(yōu)化運(yùn)行指標(biāo)的監(jiān)控與溯源;5)智能優(yōu)化決策系統(tǒng)運(yùn)行動(dòng)態(tài)性能評(píng)價(jià),實(shí)現(xiàn)智能優(yōu)化決策系統(tǒng)一體化優(yōu)化運(yùn)行的動(dòng)態(tài)性能評(píng)價(jià)、協(xié)同控制的動(dòng)態(tài)性能評(píng)價(jià)、底層控制的動(dòng)態(tài)性能評(píng)價(jià);6)異常工況的智能預(yù)測(cè);7)自愈控制與自?xún)?yōu)化控制:采用自愈控制/自?xún)?yōu)化手段對(duì)決策和控制進(jìn)行調(diào)整,使系統(tǒng)從異常工況/非優(yōu)工況恢復(fù)安全優(yōu)化運(yùn)行,實(shí)現(xiàn)運(yùn)行指標(biāo)(經(jīng)濟(jì)指標(biāo)、能耗、物耗、加工精度等)自?xún)?yōu)化運(yùn)行.

3.2 數(shù)據(jù)驅(qū)動(dòng)的工業(yè)過(guò)程智能化運(yùn)行監(jiān)控與自?xún)?yōu)化研究的新方向

為實(shí)現(xiàn)上述發(fā)展目標(biāo)和功能,解決動(dòng)態(tài)機(jī)理不清的工業(yè)過(guò)程異常工況與決策故障等的監(jiān)控,需要重點(diǎn)研究如下五個(gè)新方向.

3.2.1 數(shù)據(jù)驅(qū)動(dòng)的決策、協(xié)同控制、底層控制多層面聯(lián)合監(jiān)控

生產(chǎn)資源制約因素難以量化與可視化,中間/最終產(chǎn)品質(zhì)量難以測(cè)量,上層對(duì)工業(yè)過(guò)程中的異常難以實(shí)時(shí)響應(yīng).針對(duì)工業(yè)過(guò)程智能決策協(xié)同控制按照決策層、協(xié)同控制層、底層控制層多層面運(yùn)行,產(chǎn)生多層面大數(shù)據(jù)[70?71]的情況,不僅通過(guò)DCS采集到過(guò)程數(shù)據(jù),而且通過(guò)大數(shù)據(jù)平臺(tái)獲得與上層產(chǎn)品質(zhì)量相關(guān)的用戶(hù)評(píng)價(jià)數(shù)據(jù)以及下層設(shè)備級(jí)的特征數(shù)據(jù).正常的產(chǎn)品質(zhì)量等指標(biāo)數(shù)據(jù)和過(guò)程運(yùn)行數(shù)據(jù)通常占有特定的運(yùn)行數(shù)據(jù)子空間,而不是任意占滿(mǎn)全維空間.通過(guò)對(duì)各類(lèi)層間共有的和層內(nèi)特有的數(shù)據(jù)異常進(jìn)行聯(lián)合監(jiān)控,為多層面聯(lián)合監(jiān)控提供決策支持.工業(yè)過(guò)程多層面數(shù)據(jù)的集成和融合擴(kuò)展了用于異常工況監(jiān)控的數(shù)據(jù)類(lèi)別.

然而,面向多層面聯(lián)合監(jiān)控的潛結(jié)構(gòu)建模通常難以考慮底層運(yùn)行動(dòng)態(tài),這是因?yàn)槎鄬用娴腜LS和典型相關(guān)分析(Canonical correlation analysis,CCA)一類(lèi)潛結(jié)構(gòu)模型由內(nèi)模型和外模型組成,所以動(dòng)態(tài)建模有更多可能性.對(duì)過(guò)程變量增廣成含有很多遲延項(xiàng)再進(jìn)行多層面聯(lián)合監(jiān)控是最直接的方式.但其缺點(diǎn)與動(dòng)態(tài)主元分析方法類(lèi)似,模型的目標(biāo)函數(shù)不明確,而且矩陣維數(shù)人為增高導(dǎo)致潛在的動(dòng)態(tài)關(guān)系難以解釋.文獻(xiàn)[72]提出一種偏最小二乘的修改算法,但只將動(dòng)態(tài)項(xiàng)引入內(nèi)模型,而外模型沿用靜態(tài)PLS模型,形成內(nèi)外不一致的動(dòng)態(tài)偏最小二乘模型.文獻(xiàn)[73]提出相似的方法建立動(dòng)態(tài)內(nèi)模型關(guān)系.然而,上述兩種方法的動(dòng)態(tài)內(nèi)模型與靜態(tài)外模型不一致.文獻(xiàn)[74]采用過(guò)程變量延遲量加權(quán)組合作為輸入,建立與指標(biāo)變量得分間的內(nèi)模型,實(shí)現(xiàn)了緊湊的內(nèi)模型與外模型.然而,其內(nèi)模型是不顯現(xiàn)的且難以解釋,難以用于故障監(jiān)控.有學(xué)者提出基于動(dòng)態(tài)內(nèi)在偏最小二乘[75]和動(dòng)態(tài)內(nèi)在典型相關(guān)分析[76]的動(dòng)態(tài)潛結(jié)構(gòu)建模方法以及在此基礎(chǔ)上的監(jiān)控方法,通過(guò)使質(zhì)量預(yù)測(cè)潛變量及其估計(jì)值的協(xié)方差或相關(guān)系數(shù)最大化,得到內(nèi)外一致具有最精簡(jiǎn)動(dòng)態(tài)結(jié)構(gòu)模型.主要優(yōu)點(diǎn)是具有最大輸出預(yù)報(bào)能力,而且按預(yù)報(bào)能力對(duì)提取的潛變量排序,從而實(shí)現(xiàn)對(duì)質(zhì)量相關(guān)異常的監(jiān)控與預(yù)報(bào).

上述多層面聯(lián)合監(jiān)控方法,需要利用同步均勻采樣的過(guò)程數(shù)據(jù)與質(zhì)量數(shù)據(jù),而實(shí)際工業(yè)過(guò)程多層面運(yùn)行采集到多尺度不均勻采樣的工業(yè)大數(shù)據(jù),主要是決策層采集到的指標(biāo)數(shù)據(jù)或質(zhì)量數(shù)據(jù),往往是稀疏不均勻采樣且具有延遲的,通常與高維過(guò)程數(shù)據(jù)具有動(dòng)態(tài)強(qiáng)關(guān)聯(lián)和潛結(jié)構(gòu).通過(guò)建立二者間的動(dòng)態(tài)潛結(jié)構(gòu)模型,就能夠預(yù)測(cè)指標(biāo)狀況.已有學(xué)者取得了一些初步進(jìn)展,文獻(xiàn)[77]提出了將動(dòng)態(tài)窗口與并發(fā)典型相關(guān)分析算法相結(jié)合的不均勻數(shù)據(jù)潛結(jié)構(gòu)建模與異常工況診斷方法,利用動(dòng)態(tài)窗口技術(shù)實(shí)現(xiàn)了慢速率質(zhì)量與快速率過(guò)程數(shù)據(jù)之間動(dòng)態(tài)潛結(jié)構(gòu)的提取,通過(guò)多層面動(dòng)態(tài)過(guò)程不均勻采樣數(shù)據(jù)實(shí)現(xiàn)跨尺度質(zhì)量預(yù)報(bào)與多層面聯(lián)合監(jiān)控方法.

運(yùn)行工況和運(yùn)行指標(biāo)的標(biāo)記數(shù)據(jù)通常難以獲得,無(wú)法實(shí)現(xiàn)實(shí)時(shí)動(dòng)態(tài)信息到異常運(yùn)行狀況的端到端學(xué)習(xí),這方面的關(guān)鍵問(wèn)題是研究基于稀疏標(biāo)記數(shù)據(jù)與高維未標(biāo)記數(shù)據(jù)的運(yùn)行狀況智能預(yù)測(cè)方法.特別是基于動(dòng)態(tài)時(shí)間窗口與半監(jiān)督集成學(xué)習(xí)方法,包括:

2)異常運(yùn)行狀況的征兆期預(yù)測(cè)與未來(lái)預(yù)測(cè).以歷史異常工況標(biāo)記數(shù)據(jù)為輸出,通過(guò)異常工況的模式匹配[79]實(shí)現(xiàn)征兆期異常的預(yù)測(cè);利用高維動(dòng)態(tài)數(shù)據(jù)提取的動(dòng)態(tài)潛變量來(lái)預(yù)測(cè)未來(lái)數(shù)據(jù)特征,研究基于向量時(shí)間序列的異常工況趨勢(shì)預(yù)測(cè)方法[75?76,80].

3)異常運(yùn)行狀況時(shí)空傳播溯源.針對(duì)異常運(yùn)行狀況時(shí)間和空間雙重傳播性,研究異常時(shí)空傳播溯源算法.特別是針對(duì)多層面的控制引入的閉環(huán)反饋可以改變故障的方向和貢獻(xiàn),造成故障根本原因的誤診斷[81?82],重點(diǎn)研究多層面閉環(huán)數(shù)據(jù)去反饋影響的故障溯源方法.

3.2.2 基于機(jī)理、數(shù)據(jù)、知識(shí)多源異構(gòu)動(dòng)態(tài)信息融合的異常工況診斷與預(yù)測(cè)

現(xiàn)代工業(yè)過(guò)程的故障從設(shè)備級(jí)向上層運(yùn)行擴(kuò)展,包括設(shè)備級(jí)的單元故障、控制層控制系統(tǒng)故障、運(yùn)行層物料及設(shè)定值操作不當(dāng)引起的異常工況等.故障發(fā)生時(shí),可從運(yùn)行內(nèi)部狀態(tài)、外在表現(xiàn)、歷史經(jīng)驗(yàn)三個(gè)方面,利用機(jī)理、數(shù)據(jù)、知識(shí)多源動(dòng)態(tài)信息進(jìn)行運(yùn)行工況診斷.

1)機(jī)理模型特征直接反應(yīng)了運(yùn)行內(nèi)部狀態(tài),基于模型的故障診斷方法都需要利用運(yùn)行的機(jī)理基準(zhǔn)模型或其結(jié)構(gòu).然而,復(fù)雜工業(yè)過(guò)程的基準(zhǔn)模型或基準(zhǔn)模型結(jié)構(gòu)可隨時(shí)間改變,難以預(yù)先確定.為了解決這類(lèi)問(wèn)題,學(xué)者們提出了一種新的面向故障診斷的系統(tǒng)建模和模型特性分析方法[83],通過(guò)線性/非線性黑箱模型辨識(shí)和模型特性分析實(shí)現(xiàn)故障檢測(cè)和診斷.文獻(xiàn)[84]提出利用輸入輸出數(shù)據(jù)建立非線性自回歸滑動(dòng)平均模型,然后應(yīng)用非線性輸出頻率響應(yīng)函數(shù)對(duì)建立的模型進(jìn)行頻率分析,進(jìn)而實(shí)現(xiàn)故障診斷.上述基于機(jī)理模型特征的故障診斷方法,其基本思想是利用過(guò)程模型的頻率響應(yīng)特性的非期望變化來(lái)識(shí)別故障.

2)針對(duì)熱像、聲像可直接描述運(yùn)行工況的特點(diǎn),已有研究利用圖像數(shù)據(jù)進(jìn)行異常工況的監(jiān)控,主要是采用攝像機(jī)或紅外熱成像技術(shù)獲得圖像,再利用圖像的色彩、亮度、幾何特征、形狀特征等判定運(yùn)行工況[85?86],結(jié)合機(jī)器學(xué)習(xí)方法建立特征與運(yùn)行工況間的關(guān)系,實(shí)現(xiàn)運(yùn)行工況監(jiān)控與預(yù)測(cè).現(xiàn)有方法主要是利用靜態(tài)圖像判定當(dāng)前工況,且屬于“黑箱”建模,使用其進(jìn)行異常工況特征提取與預(yù)測(cè),需要進(jìn)一步研究學(xué)習(xí)過(guò)程及中間結(jié)果的可解釋性問(wèn)題.

3)運(yùn)行工況的知識(shí)通常是專(zhuān)家理解多源異構(gòu)數(shù)據(jù)得到的規(guī)則,為異常工況診斷提供了標(biāo)簽知識(shí)和推理手段.例如,文獻(xiàn)[69]提出了一種基于電流數(shù)據(jù)異常工況規(guī)則提取方法.但專(zhuān)家知識(shí)通常難以應(yīng)對(duì)生產(chǎn)全流程及實(shí)時(shí)響應(yīng)生產(chǎn)條件的頻繁變化,易發(fā)生漏報(bào)和誤報(bào).人工智能驅(qū)動(dòng)的深度學(xué)習(xí)等中間結(jié)果,也需要被專(zhuān)家所能解釋和理解.

上述機(jī)理、圖像、過(guò)程數(shù)據(jù)單一方面的信息均無(wú)法全面反映或理解整個(gè)生產(chǎn)過(guò)程的運(yùn)行工況,有必要結(jié)合常規(guī)過(guò)程數(shù)據(jù)與新型傳感獲得的更長(zhǎng)時(shí)段高維動(dòng)態(tài)數(shù)據(jù),進(jìn)行運(yùn)行工況的狀態(tài)感知.另外,現(xiàn)有的異常監(jiān)控方法主要是故障發(fā)生后的診斷.通過(guò)利用高維動(dòng)態(tài)數(shù)據(jù)潛結(jié)構(gòu)模型,由降維的動(dòng)態(tài)潛變量提取特征與預(yù)測(cè)異常工況預(yù)測(cè)是一種可行的思路.文獻(xiàn)[80]針對(duì)多變量過(guò)程的異常工況預(yù)測(cè)問(wèn)題,提出向量滑動(dòng)自回歸模型可以聯(lián)合表征多變量下的動(dòng)態(tài)特征,建立多變量異常幅度的動(dòng)態(tài)模型,進(jìn)而進(jìn)行異常工況預(yù)測(cè).然而,現(xiàn)有方法未融合更高維的新型熱像、聲像傳感信息,且屬于短時(shí)間段的動(dòng)態(tài)預(yù)測(cè)和長(zhǎng)時(shí)間段的靜態(tài)模態(tài)匹配.短時(shí)間段的動(dòng)態(tài)預(yù)測(cè)不具備長(zhǎng)時(shí)間段記憶功能,長(zhǎng)時(shí)間段的靜態(tài)模態(tài)匹配不具備對(duì)未來(lái)的動(dòng)態(tài)預(yù)測(cè)性,有必要研究基于機(jī)理、數(shù)據(jù)、知識(shí)多源異構(gòu)動(dòng)態(tài)信息融合的異常工況預(yù)測(cè)方法,包括:

1)綜合利用圖像、聲音等多源異構(gòu)傳感器動(dòng)態(tài)數(shù)據(jù),研究面向異常工況診斷的提取原始數(shù)據(jù)中的共有信息和特有信息的深度學(xué)習(xí)方法.以多源動(dòng)態(tài)數(shù)據(jù)間動(dòng)態(tài)潛變量投影相關(guān)系數(shù)最小為目標(biāo),建立全視角共有特征提取方法;針對(duì)多源動(dòng)態(tài)信息具有時(shí)間和空間雙重關(guān)聯(lián)性、高維和非線性的特點(diǎn),研究考慮時(shí)間關(guān)聯(lián)約束的基于函數(shù)型數(shù)據(jù)分析的粗糙度懲罰正則化流形學(xué)習(xí)、基于張量分析和基于慢特征分析的高維多變量時(shí)間序列特征提取方法.

2016—2017年利用高壓分離技術(shù)共開(kāi)展20井次放空氣回收，共回收天然氣超4.37×108m3，減少碳排放量75.15×104t，節(jié)約標(biāo)煤28.68×104t，實(shí)現(xiàn)節(jié)能減排。

2)惡劣開(kāi)放環(huán)境下,常規(guī)傳感數(shù)據(jù)和聲場(chǎng)圖像大數(shù)據(jù)強(qiáng)干擾,不確定性強(qiáng),難以利用單一特征準(zhǔn)確監(jiān)控異常運(yùn)行狀況,需要研究面向異常工況診斷的數(shù)據(jù)與聲像的特征級(jí)融合和決策級(jí)融合方法,例如研究基于模糊熵[87]的多源動(dòng)態(tài)信息特征級(jí)融合機(jī)制和基于模糊積分[88]的多源動(dòng)態(tài)信息決策級(jí)融合機(jī)制,將圖像、聲音、過(guò)程數(shù)據(jù)特征轉(zhuǎn)換為向量并歸一化到合理區(qū)間,再將各特征串聯(lián)為長(zhǎng)向量作為學(xué)習(xí)方法的輸入,實(shí)現(xiàn)多源特征的有效融合.在此基礎(chǔ)上,以異常工況標(biāo)記為輸出,通過(guò)異常工況模式的匹配實(shí)現(xiàn)征兆期微小異常的智能預(yù)測(cè).

3)基于動(dòng)態(tài)扭曲等時(shí)間序列建模方法[89?90],利用長(zhǎng)時(shí)間尺度的動(dòng)態(tài)數(shù)據(jù),研究異常工況動(dòng)態(tài)預(yù)測(cè)方法.

3.2.3 專(zhuān)家知識(shí)與控制手段相結(jié)合的協(xié)同層自愈控制

自愈是在異常工況監(jiān)控、預(yù)測(cè)與溯源的基礎(chǔ)上,針對(duì)異常工況原因,采取調(diào)控手段防止異常發(fā)生或消除異常影響的一種技術(shù).基于定性的專(zhuān)家知識(shí)和定量的設(shè)定值優(yōu)化調(diào)節(jié)已成為自愈控制的有效途徑.現(xiàn)有的以調(diào)整控制回路設(shè)定值為自愈控制手段的自愈控制方法針對(duì)的是控制回路設(shè)定值不當(dāng)引起的異常工況[68?69],故障后再去調(diào)節(jié),屬于被動(dòng)的自愈手段,且自愈知識(shí)庫(kù)僅利用專(zhuān)家經(jīng)驗(yàn)構(gòu)建.利用更全面涵蓋決策、過(guò)程和新型傳感數(shù)據(jù)來(lái)獲得最佳的決策手段給自愈控制帶來(lái)新的機(jī)遇和挑戰(zhàn),這方面有待研究的關(guān)鍵問(wèn)題包括:

1)針對(duì)復(fù)雜工業(yè)過(guò)程多層面多單元協(xié)同優(yōu)化控制決策,研究以改變控制器結(jié)構(gòu)、參數(shù)、設(shè)定值與操作指令為手段的的協(xié)同調(diào)控方法,建立局部補(bǔ)償與全局補(bǔ)償互相配合的底層回路設(shè)定在線修正算法,實(shí)現(xiàn)非優(yōu)與異常運(yùn)行狀況自愈.

2)針對(duì)復(fù)雜工業(yè)過(guò)程運(yùn)行狀況多變和異常運(yùn)行的復(fù)雜性,研究數(shù)據(jù)和專(zhuān)家知識(shí)相結(jié)合實(shí)現(xiàn)自動(dòng)自愈決策,且在執(zhí)行時(shí)能夠?qū)崟r(shí)反饋和調(diào)整檢驗(yàn)的策略.

3)研究基于判別分析和變量選擇的類(lèi)間差異性分析算法來(lái)實(shí)現(xiàn)異常原因溯源,其核心是基于大數(shù)據(jù)的決策與運(yùn)行指標(biāo)的監(jiān)控與溯源.

3.2.4 數(shù)據(jù)驅(qū)動(dòng)的運(yùn)行動(dòng)態(tài)性能分析與自?xún)?yōu)化

運(yùn)行監(jiān)控與診斷系統(tǒng)通常是在異常較嚴(yán)重時(shí)發(fā)現(xiàn)異常并診斷原因,但做到防止異常發(fā)展或自動(dòng)消除異常影響才是最終目的.為此,需要對(duì)過(guò)程運(yùn)行動(dòng)態(tài)性能進(jìn)行分析.對(duì)于多個(gè)單元協(xié)同的多層面生產(chǎn)全流程高維強(qiáng)相關(guān)的過(guò)程變量與運(yùn)行指標(biāo)變量的動(dòng)態(tài)性能分析而言,難以建立相應(yīng)的數(shù)學(xué)模型.針對(duì)難以建立動(dòng)態(tài)性能評(píng)估模型的生產(chǎn)全流程,文獻(xiàn)[91?93]提出數(shù)據(jù)驅(qū)動(dòng)的控制系統(tǒng)性能監(jiān)控方法,僅需標(biāo)稱(chēng)的優(yōu)化運(yùn)行工況數(shù)據(jù)來(lái)實(shí)現(xiàn)控制系統(tǒng)的動(dòng)態(tài)性能評(píng)估.對(duì)于實(shí)際工業(yè)過(guò)程,其動(dòng)態(tài)性能評(píng)估與優(yōu)化往往是面向上層運(yùn)行指標(biāo)相關(guān)的經(jīng)濟(jì)效益最大化.為此,文獻(xiàn)[94?95]結(jié)合濕法冶金過(guò)程面向經(jīng)濟(jì)效益最大化的運(yùn)行狀態(tài)自?xún)?yōu)化,提出了過(guò)程運(yùn)行狀態(tài)在線評(píng)價(jià)和非優(yōu)原因識(shí)別方法.尚有待研究的問(wèn)題是針對(duì)實(shí)際生產(chǎn)中頻繁出現(xiàn)穩(wěn)態(tài)工況與動(dòng)態(tài)過(guò)渡工況交替的變工況現(xiàn)象.全工況涵蓋了穩(wěn)態(tài)工況和動(dòng)態(tài)過(guò)渡工況.動(dòng)態(tài)過(guò)渡工況中,某些特征參數(shù)上的正常變化與異常變化有一定程度的重合.為此,需要研究實(shí)時(shí)精細(xì)化感知與分析全工況運(yùn)行狀態(tài)評(píng)價(jià)的方法.

工業(yè)過(guò)程運(yùn)行通常按照多層面組織,各層以不同時(shí)間尺度運(yùn)行.優(yōu)化決策由操作員根據(jù)經(jīng)驗(yàn)通過(guò)調(diào)整控制器設(shè)定值實(shí)現(xiàn),難以?xún)?yōu)化.針對(duì)過(guò)程運(yùn)行的目標(biāo)是產(chǎn)生效益,Skogestad于2000年首先提出自?xún)?yōu)化是以運(yùn)行指標(biāo)優(yōu)化為目標(biāo),對(duì)系統(tǒng)的控制結(jié)構(gòu)進(jìn)行干預(yù),通過(guò)選擇(設(shè)計(jì))合理的被控變量等方式自動(dòng)實(shí)現(xiàn)運(yùn)行指標(biāo)的優(yōu)化運(yùn)行.主要實(shí)現(xiàn)策略是以過(guò)程運(yùn)行的經(jīng)濟(jì)花費(fèi)、能源效率或間接控制目標(biāo)為代價(jià)函數(shù)來(lái)設(shè)計(jì)被控變量,通過(guò)控制被控變量跟蹤設(shè)定值實(shí)現(xiàn)不確定性與變化擾動(dòng)對(duì)于經(jīng)濟(jì)目標(biāo)最優(yōu)化影響最小[96?99],離線使用模型研究?jī)?yōu)化的控制結(jié)構(gòu),設(shè)計(jì)簡(jiǎn)單的控制結(jié)構(gòu)使過(guò)程在變化擾動(dòng)存在的情況下近優(yōu)運(yùn)行.

智能決策協(xié)同控制系統(tǒng)運(yùn)行時(shí)會(huì)出現(xiàn)穩(wěn)態(tài)與動(dòng)態(tài)過(guò)渡交替的變工況現(xiàn)象.隨著系統(tǒng)復(fù)雜性的增大,系統(tǒng)模型難以獲得,開(kāi)放環(huán)境下不確定性大干擾未知,系統(tǒng)運(yùn)行伴隨多運(yùn)行工況,造成以系統(tǒng)模型為基礎(chǔ)的自?xún)?yōu)化方法對(duì)未知干擾的魯棒性差、對(duì)多工況切換下的自適應(yīng)差、局限于控制系統(tǒng)層.數(shù)據(jù)驅(qū)動(dòng)的自?xún)?yōu)化成為新的發(fā)展方向,利用系統(tǒng)的已知輸入輸出數(shù)據(jù)信息,建立系統(tǒng)運(yùn)行指標(biāo)與輸入動(dòng)態(tài)數(shù)據(jù)之間的關(guān)系,再建立相應(yīng)的自?xún)?yōu)化控制方法.文獻(xiàn)[100]在動(dòng)態(tài)性能評(píng)估基礎(chǔ)上,提出了基于數(shù)據(jù)的操作量?jī)?yōu)化設(shè)定補(bǔ)償方法,通過(guò)利用歷史數(shù)據(jù)在當(dāng)前工作點(diǎn)附近建立操作量補(bǔ)償值和經(jīng)濟(jì)效益增量的實(shí)現(xiàn)過(guò)程運(yùn)行自?xún)?yōu)化.

尚有待研究的問(wèn)題是:

1)針對(duì)復(fù)雜工業(yè)過(guò)程會(huì)出現(xiàn)偏離安全運(yùn)行的異常工況和偏離最優(yōu)運(yùn)行的非優(yōu)工況,將動(dòng)態(tài)性能分析、自愈控制、自?xún)?yōu)化相結(jié)合,建立由異常工況判別、非優(yōu)工況判別、自愈控制補(bǔ)償和自?xún)?yōu)化補(bǔ)償組成的自愈控制與自?xún)?yōu)化結(jié)構(gòu).

2)多運(yùn)行狀況自?xún)?yōu)化.研究提高自?xún)?yōu)化控制的應(yīng)對(duì)多運(yùn)行狀況的自適應(yīng)性方法,設(shè)計(jì)最優(yōu)設(shè)定值、控制變量和控制結(jié)構(gòu),實(shí)現(xiàn)系統(tǒng)不同運(yùn)行狀況切換時(shí)的自?xún)?yōu)化切換.

3)協(xié)同的自?xún)?yōu)化.針對(duì)具有多個(gè)獨(dú)立子系統(tǒng)的系統(tǒng),每個(gè)子系統(tǒng)在設(shè)計(jì)自?xún)?yōu)化控制時(shí),其代價(jià)函數(shù)考慮對(duì)整體系統(tǒng)的影響,其約束條件需考慮子系統(tǒng)之間的協(xié)調(diào),在完成自身控制的同時(shí)完成整體的任務(wù)指標(biāo).研究通過(guò)操作指令與控制回路設(shè)定值協(xié)同調(diào)控,實(shí)現(xiàn)非優(yōu)工況的自?xún)?yōu)化.

3.2.5 支撐運(yùn)行監(jiān)控與自?xún)?yōu)化系統(tǒng)的實(shí)現(xiàn)技術(shù)

目前,工業(yè)過(guò)程數(shù)據(jù)采集分析系統(tǒng)普遍以DCS為基礎(chǔ)構(gòu)建,采用的實(shí)時(shí)數(shù)據(jù)庫(kù)難以與高級(jí)運(yùn)行數(shù)據(jù)庫(kù)集成,傳統(tǒng)系統(tǒng)架構(gòu)不能有效管理和利用多源異構(gòu)數(shù)據(jù).現(xiàn)有的以數(shù)據(jù)為中心的大數(shù)據(jù)計(jì)算架構(gòu)用于工業(yè)過(guò)程監(jiān)控時(shí),存在以下問(wèn)題:

1)現(xiàn)有面向批處理的并行計(jì)算模型數(shù)據(jù)處理的實(shí)時(shí)性不強(qiáng),難以滿(mǎn)足工業(yè)過(guò)程監(jiān)控實(shí)時(shí)性的要求.

2)現(xiàn)有的大數(shù)據(jù)分析框架是通用的體系結(jié)構(gòu),長(zhǎng)于查詢(xún)和分類(lèi)聚類(lèi)等簡(jiǎn)單建模[101?103],難以滿(mǎn)足工業(yè)過(guò)程多層面聯(lián)合監(jiān)控和異常工況診斷等復(fù)雜的需求.

為此,工業(yè)過(guò)程運(yùn)行監(jiān)控與自?xún)?yōu)化難以直接應(yīng)用現(xiàn)有大數(shù)據(jù)計(jì)算架構(gòu)來(lái)實(shí)現(xiàn).工業(yè)過(guò)程全流程運(yùn)行監(jiān)控需要感知市場(chǎng)需求變化、資源屬性變化和生產(chǎn)條件變化,對(duì)原有的基于DCS的計(jì)算機(jī)控制系統(tǒng)提出挑戰(zhàn).工業(yè)大數(shù)據(jù)技術(shù)、工業(yè)互聯(lián)網(wǎng)技術(shù)和工業(yè)云的發(fā)展支撐了研制生產(chǎn)制造全流程遠(yuǎn)程、移動(dòng)與可視化安全運(yùn)行監(jiān)控系統(tǒng).有待研究的問(wèn)題包括:

1)遠(yuǎn)程和移動(dòng)監(jiān)控系統(tǒng)實(shí)現(xiàn)技術(shù).基于云的多源異構(gòu)大數(shù)據(jù)的實(shí)時(shí)采集、傳輸、查詢(xún)、存儲(chǔ);基于云計(jì)算技術(shù)的感知信息提取方法,實(shí)現(xiàn)云端服務(wù)化;基于大數(shù)據(jù)分而治之思想的MapReduce分布式計(jì)算技術(shù)[104?107]的在線建模和異常監(jiān)控技術(shù).

2)異常運(yùn)行狀況監(jiān)控過(guò)程與結(jié)果的可視化技術(shù).為了有效實(shí)現(xiàn)“人在回路中”的監(jiān)控與決策,增強(qiáng)深度學(xué)習(xí)算法[108?109]的中間結(jié)果可解釋性,通過(guò)虛擬現(xiàn)實(shí)與增強(qiáng)顯示技術(shù)直觀顯示關(guān)鍵運(yùn)行狀態(tài)的動(dòng)態(tài)變化,圖像特征、模型特征、數(shù)據(jù)特征顯示技術(shù).

3)人機(jī)交互的多維可視決策監(jiān)控技術(shù).實(shí)現(xiàn)多個(gè)維度不同視角下對(duì)決策進(jìn)行實(shí)時(shí)監(jiān)控,具體包括:宏觀維度對(duì)決策影響的系統(tǒng)整體運(yùn)行趨勢(shì)實(shí)時(shí)可視化監(jiān)控,細(xì)觀維度對(duì)同一組決策指標(biāo)間的關(guān)聯(lián)關(guān)系人機(jī)交互可視化,微觀維度對(duì)某個(gè)具體決策指標(biāo)信息及其動(dòng)態(tài)特性可視化.

4)基于移動(dòng)云計(jì)算的決策監(jiān)控云服務(wù),包括決策監(jiān)控涉及的計(jì)算和信息存儲(chǔ)等密集消耗型資源通過(guò)云端服務(wù)化實(shí)現(xiàn),決策監(jiān)控涉及的可視化展示與人機(jī)交互等通過(guò)移動(dòng)智能終端實(shí)現(xiàn).

5)支撐技術(shù)與平臺(tái),包括多源異構(gòu)數(shù)據(jù)遠(yuǎn)程移動(dòng)獲取與存儲(chǔ)技術(shù)和大數(shù)據(jù)監(jiān)控方法的分布式計(jì)算技術(shù).另外,對(duì)于高耗能、高污染、高風(fēng)險(xiǎn)的工業(yè)過(guò)程,實(shí)際過(guò)程操作不當(dāng)易產(chǎn)生危及生命安全的故障,采用仿真技術(shù)建立虛擬的運(yùn)行監(jiān)控與自愈控制半實(shí)物仿真實(shí)驗(yàn)系統(tǒng),是相關(guān)研究必不可少的工具.

4 結(jié)論

本文對(duì)工業(yè)過(guò)程運(yùn)行監(jiān)控系統(tǒng)的行業(yè)現(xiàn)狀和研究現(xiàn)狀進(jìn)行了較為全面的綜述和梳理,將現(xiàn)有研究成果劃分為基于模型的控制系統(tǒng)故障診斷與容錯(cuò)控制方法和數(shù)據(jù)驅(qū)動(dòng)的異常工況診斷與自愈控制方法.指明了利用大數(shù)據(jù)、云計(jì)算和人工智能技術(shù)將工業(yè)過(guò)程信息資源和物理資源相結(jié)合來(lái)建立安全監(jiān)控與自?xún)?yōu)化系統(tǒng)的發(fā)展趨勢(shì).面向動(dòng)態(tài)機(jī)理不清的工業(yè)過(guò)程異常工況與決策故障的監(jiān)控,給出了下一代智能化運(yùn)行監(jiān)控與自?xún)?yōu)化系統(tǒng)的新研究方向.

針對(duì)工業(yè)過(guò)程運(yùn)行于開(kāi)放不確定和信息不完全的環(huán)境中,需要應(yīng)對(duì)復(fù)雜多變的運(yùn)行工況,其運(yùn)行監(jiān)控下一步需要攻克的難點(diǎn)是將人工智能的機(jī)器學(xué)習(xí)算法與機(jī)理分析方法相結(jié)合,實(shí)現(xiàn)可解釋的運(yùn)行工況特征學(xué)習(xí),以及在此基礎(chǔ)上的人機(jī)協(xié)同運(yùn)行監(jiān)控.特別是在運(yùn)行指標(biāo)與決策的遠(yuǎn)程移動(dòng)可視化監(jiān)控、異常工況智能預(yù)測(cè)和自愈控制、系統(tǒng)動(dòng)態(tài)特性評(píng)價(jià)和自?xún)?yōu)化等方面取得進(jìn)展,使其具備智能主動(dòng)監(jiān)控和多智能體協(xié)同自?xún)?yōu)化能力.