控制系統(tǒng)性能評估技術(shù)發(fā)展綜述

王志國,儲天舒,田 靜,劉 飛

(江南大學輕工過程先進控制教育部重點實驗室,江蘇 無錫 214122)

0 引言

控制性能評估(control performance assessment,CPA)是以工業(yè)應用為導向的研究領域。工業(yè)對生產(chǎn)性能和產(chǎn)品質(zhì)量不斷增長的需求,推動了CPA技術(shù)的發(fā)展。Bauer[1]近年來的調(diào)查表明,CPA技術(shù)已被廣泛應用并發(fā)展出了一系列相關軟件工具。然而,控制回路中的故障和低水平的生產(chǎn)仍然廣泛存在。一項來自不同行業(yè)的調(diào)查表明[2]:85%的控制器在自動模式下運行低效;65%的控制器整定不佳;30%的控制回路在手動模式下運行。從控制回路的角度看,造成性能惡化的主要原因包括控制器不佳、閥門非線性、過程時延、受控過程設計不當、傳感器故障和外部干擾。CPA的主要目標是通過1個在線的自動化程序,評價當前控制系統(tǒng)的性能,從而幫助工作人員判斷其是否達到要求。

與CPA接近的概念是控制性能監(jiān)控(control performance monitoring,CPM)。一般兩者不加以區(qū)分。Huang[3]認為CPM應該融合CPA和過程監(jiān)控這2種技術(shù)。從現(xiàn)有大量文獻來看,“評估”更多涉及性能基準的計算,從而實現(xiàn)對當前控制回路整體性能的量化;“監(jiān)控”通常依靠數(shù)據(jù)驅(qū)動,利用統(tǒng)計分析的手段檢測和診斷回路的部分環(huán)節(jié)。

20多年來,CPA不斷取得新的進展。1998年,Qin[4]針對基于模型的性能評估技術(shù),重點綜述了最小方差(minimum variance,MV)性能基準及其在比例積分微分(proportional integral differetial,PID)控制器中的適用性。Jelali[5]從不同性能基準的角度回顧了CPA技術(shù)的發(fā)展,列舉了已經(jīng)開發(fā)或上市的工業(yè)CPA軟件工具。薛美盛等[6]梳理了CPA的完整步驟,指出非線性和時變系統(tǒng)的評估以及與部件性能監(jiān)測的結(jié)合需引起關注。Ding和Li[7]概述了部分現(xiàn)有CPA技術(shù)的局限性,提出了1個預測性的統(tǒng)一性能評估框架,展望了3種未來有潛力的發(fā)展方向。在CPM的一些細分領域:Gao[8]從大數(shù)據(jù)背景出發(fā),探討了控制器自動維護的可行方案;Dambros[9]總結(jié)了CPM中使用的振蕩監(jiān)測技術(shù);還有一些研究工作專注于閥門粘滯診斷技術(shù)[10-11]。

本文以各種可能引起工業(yè)控制系統(tǒng)性能下降的原因為切入點,側(cè)重闡述數(shù)據(jù)驅(qū)動的CPA技術(shù),以便學術(shù)和工業(yè)界在評估、檢測和診斷方面的工作開展;同時,介紹了若干公開數(shù)據(jù)庫,指出了現(xiàn)有技術(shù)的不足,提出了發(fā)展展望。

1 控制性能下降原因

調(diào)查顯示,工業(yè)控制系統(tǒng)中有41%的控制回路性能可歸類為“一般”或“差”。即使剛使用時表現(xiàn)良好的控制回路,其性能通常在一段時間后會出現(xiàn)下降[12-13]。雖然性能下降原因多樣,但大多數(shù)原因集中在回路的幾個組成部分。本小節(jié)簡要說明性能不佳的常見原因。控制回路中的CPA如圖1所示。

圖1 控制回路中的CPA框圖

1.1 控制器缺乏維護

自動控制系統(tǒng)中,盡管可能有其他更合適的控制器結(jié)構(gòu),但90%以上的回路還是使用PID控制器。在設備投產(chǎn)之初,控制器能夠被仔細地調(diào)試和整定。但隨著時間的推移,控制器往往數(shù)年得不到維護。在這期間,控制器性能下降的可能原因包括以下4點。

①控制器初始設計和整定問題。出于成本和時間考慮,控制器的設計沒有考慮系統(tǒng)中被控變量之間的相互作用,尤其在流程工業(yè)中沒有考慮補償經(jīng)常出現(xiàn)的大滯后、強耦合問題。受限于工程師的經(jīng)驗能力,在投產(chǎn)之前可能并沒有對控制器參數(shù)進行良好的整定。

②對象特性變化。隨著時間推移,被控對象的磨損增加、執(zhí)行機構(gòu)的摩擦加劇、工廠改造導致控制策略更新、生產(chǎn)原料變化導致回路設定值變化。這些因素使得原控制器參數(shù)設定不再適用。

③未及時整定控制器。1個工廠可能有成百上千個控制回路。面對龐大的系統(tǒng),企業(yè)的維護工程師人數(shù)不足,沒有時間對所有控制器進行嚴格的測試和優(yōu)化,一般只是解決“不穩(wěn)定”甚至“不可用”的控制器。大多數(shù)控制器自安裝開始只被整定過1次。

④未升級自動化系統(tǒng)。流程工業(yè)中許多工廠的控制系統(tǒng)已經(jīng)有很多年的歷史。面對越來越多的數(shù)據(jù)處理和性能評估需求,系統(tǒng)的計算能力可能無法達到要求。

1.2 閥門非線性

流程工業(yè)的控制回路中普遍存在振蕩問題,這會導致性能下降。通常認為,閥門非線性是振蕩的主要原因,而閥門粘滯是非線性的主要來源。非線性還包括閥門間隙、飽和、遲滯、閥門尺寸失配和非線性流量特性等次要來源[14-15]。圖2描繪了幾種閥門非線性特性。

圖2 閥門非線性特性示意圖

①閥門粘滯。閥門粘滯特性表現(xiàn)如圖2(a)所示。當閥桿反向動作時,靜摩擦力大于滑動摩擦力,導致需要增大控制器輸出才能驅(qū)動閥桿運動。閥桿被卡住不動的階段稱為粘滯。當閥門定位器使用更大的壓力迫使閥桿運動時會產(chǎn)生滑躍。這容易使閥桿再次卡住,導致粘滯和滑躍交替出現(xiàn)。此時,控制器輸出信號會出現(xiàn)鋸齒或三角形振蕩。一般認為,當移動閥桿所需的額外控制器輸出信號超過其正常信號范圍的5%時,就會激發(fā)振蕩現(xiàn)象[16]。

②閥門間隙。當閥門的機械零件中存在間隙時,會增加移動閥桿所需的時間。對于閉環(huán)回路,間隙也可能導致振蕩。與粘滯不同的是,其引起的振蕩信號峰值呈圓形,更像正弦波[17]。粘滯和間隙共同組成了閥門死區(qū)。

③飽和。如圖2(b)所示,當閥門已經(jīng)處于全開或全關狀態(tài)時,控制信號的繼續(xù)增加或減少不會產(chǎn)生實際動作。

④遲滯。如圖2(c)所示,遲滯指當閥桿反向時,相同輸入信號會導致不同的閥門位置。在閉環(huán)系統(tǒng)回路中,其產(chǎn)生的非線性并不顯著。

⑤閥門尺寸與流量特性。一方面,過大或過小的閥門會對控制信號產(chǎn)生不合適動作,使上述問題進一步惡化。另一方面,閥門尺寸不當可能放大流量的非線性特性,導致流量過大或不足,從而引起回路振蕩。

1.3 過程對象問題

本文將被控對象和傳感器納入過程對象的范疇。這其實是整個控制回路中最為復雜的部分。雖然調(diào)整控制器是提升回路性能的主要方法,但大多數(shù)控制性能問題本質(zhì)上都來自于過程對象。以下總結(jié)了一些常見問題。

①工藝設計不佳或設備故障。過程對象的工藝設計決定了控制器性能所能達到的上限。有時,1個性能一般的控制器在易于控制的過程中表現(xiàn)良好,而先進的控制器可能也無法彌補工藝流程的缺陷。一般而言,設備故障可以更換或維修,而工藝問題往往難以重新改造,并且通過調(diào)整控制器進行改善的空間不大。

②復雜的對象特性。由于工藝的固有特性,被控對象可能為多變量、強非線性、大滯后。被控變量之間存在相互作用,給控制帶來較大難度。

③外部振蕩干擾。在實際工廠環(huán)境中,干擾可能來自多個方面,如環(huán)境溫度的升降、風力的波動、原料和產(chǎn)品數(shù)量的變化。如果沒有采用前饋控制對其進行補償,這些外部干擾可能導致輸出振蕩。

④傳感器故障。傳感器的精度可能會隨時間推移而下降。根據(jù)優(yōu)化控制和實施性能評估的需要,應考慮及時更換和添加新的傳感器。

2 CPA方法

控制系統(tǒng)的性能一般指其處理受控變量與設定值偏差的能力。通常用1個性能指標來量化這種能力。當控制回路出現(xiàn)確定性干擾或設定值變化時,往往采用傳統(tǒng)的性能指標,如上升時間、調(diào)節(jié)時間、超調(diào)量、穩(wěn)態(tài)偏差或者誤差積分來評價其性能。CPA技術(shù)更關注使用方差衡量控制器的隨機性能。被控變量的方差能夠反映產(chǎn)品質(zhì)量和穩(wěn)定性,與企業(yè)效益直接相關。

通常使用理想性能與實際性能的比值來計算性能指數(shù)。由于理想性能難以實現(xiàn),比值通常在0～1之間。比值越接近1,則意味著性能越好。CPA技術(shù)發(fā)展至今,涌現(xiàn)了許多估計理想性能的方法,并以此為基準來評估控制性能。由于實際工業(yè)中控制器和被控對象類型多樣,研究人員針對多種實際情況開發(fā)了不同的評估方法。此外,數(shù)學工具和數(shù)據(jù)驅(qū)動技術(shù)的發(fā)展豐富了性能評估方法。

2.1 性能評估指標

2.1.1 MV指標

CPA的研究可追溯至1967年,建立在隨機控制理論的基礎上。Astrom[18]把最小方差控制(minimum variance control,MVC)應用在造紙機控制中。隨后,Devries 和Wu[19]通過對比實際輸出方差與理論MV,評價過程控制的有效性。Harris[20]則提出了標志性的以MV為基準的性能指標η。

(1)

式中:d為過程時延;fi為噪聲信號激勵的閉環(huán)脈沖響應系數(shù)。

Desborough和Harris[21]指出,無需求解Diophantine方程,通過輸出數(shù)據(jù)的自回歸分析和過程時延的先驗知識,可以很輕松地估計出MV性能指標。

研究學者從多個方面對MV性能指標進行推廣和完善。對于不同的控制結(jié)構(gòu),Desborough和Harris[22]認為單個反饋控制器的性能有限,并將MV性能指標應用在前饋加反饋的控制回路評估中。這種方法具有非侵入性,估計最優(yōu)性能時只需使用常規(guī)運行數(shù)據(jù),無需對回路進行額外測試。Stanfelj等[23]使用MV分析方法診斷前饋控制器的性能。McNabb和Qin[24]提出子空間投影法估計前饋-反饋控制系統(tǒng)的MV性能。Ko和Edgar[25]提出了串級控制回路的MV性能評估方法。Thornhill[26]等研究了設定值跟蹤的CPA問題,分析了設定值變化時控制性能區(qū)別于設定值恒定時的原因。McNabb和Qin[24]通過將輸出數(shù)據(jù)投影到設定值變化矩陣的正交空間上,消除設定值變化對MV性能計算的影響。Moridi等[27]將MV性能指標應用于切換控制系統(tǒng)的設計中。

對于不同的受控對象。Tyler和Morari[28]將MV性能指標推廣到不穩(wěn)定和非最小相位系統(tǒng),分析了其對不穩(wěn)定極點和不可逆零點的敏感性;隨后,使用廣義似然比[29]檢驗實際的閉環(huán)傳遞函數(shù)脈沖響應系數(shù)是否超出范圍,以此判斷性能惡化程度。Li和Evans[30]研究了線性時變控制系統(tǒng)的MV控制器。Huang[31]針對擾動突變引起的時變過程,提出了以MV為基準的線性時變過程的CPA方法[32]。Olaleye等[33-34]的研究工作也是沿著這一方向開展的。張巍等[35]分別提出了多模型混合時變MV控制準則,并將其應用于多時變擾動系統(tǒng)的性能評估。王志國等[36]以MV為基準,研究了不同結(jié)構(gòu)非線性對象的CPA問題。Lynch和Dumont[37]在估計MV指標時,使用Laguerre網(wǎng)絡建模,避免了求解Diophantine方程。Yu[38]等研究了采樣抖動對MV性能指標的影響。

MV是一個理想的性能指標,只考慮將過程時延作為限制控制器性能的唯一因素。但有諸多客觀原因?qū)е滤赡軣o法實現(xiàn)[39],如過程為非最小相位、執(zhí)行機構(gòu)飽和、控制動作激進、采樣率約束、魯棒約束等。由于MV實際上給出了輸出方差的下限,以此評價控制回路的當前性能仍然具有指導意義[40]。MV已經(jīng)在許多實際工業(yè)控制系統(tǒng)的性能評估中成功應用[41]。

2.1.2 線性二次型高斯和廣義最小方差指標

Huang和Shah[42]認為評估控制器的性能應該考慮控制代價,由此提出了線性二次型高斯(linear quadratic Gaussian,LQG)指標JLOG:

(2)

本文對控制作用施加懲罰權(quán)重λ。LQG指標將最小化輸入和輸出方差的二次函數(shù)作為理想性能基準。性能評估時,LQG指標可以通過改變權(quán)重提供權(quán)衡曲線,并將曲線與實際輸入方差對比,從而觀察輸出波動的改進潛力。

相比于MV性能指標,更實際的LQG指標帶來更高的復雜度。這主要體現(xiàn)在最優(yōu)值求解與模型獲取問題上。Kadali和Huang[43]提出使用閉環(huán)數(shù)據(jù)的子空間辨識來估計LQG基準。隨后,Danesh Pour等[44]又進一步分析了該方法的模型估計一致性問題,并將該方法推廣到串級控制系統(tǒng)[45]。Zhao等[46-47]基于LQG基準評估預測控制系統(tǒng)的經(jīng)濟性能。

同樣考慮對控制作用的懲罰,廣義最小方差(generalised minimum variance,GMV)基準[48]是MV基準的直接推廣。

JGMV=E[(Pcet+Fcut)2]

(3)

式中:Pc、Fc為誤差信號和控制信號的權(quán)重。

事實上,GMV控制律與MV控制律結(jié)構(gòu)相同。與LQG相比,GMV推導過程更簡單。其特點是評估性能的方差計算額外考慮了控制作用。Grimble和Uduehi等[49]分析了權(quán)重選擇問題。Maboodi等[50]使用非線性GMV控制器概念,對一類用自回歸二階Volterra序列建模的非線性系統(tǒng)進行性能評估。王志國等[51]使用辨識方法獲得閉環(huán)系統(tǒng)模型,提出了1種基于GMV基準的非線性CPA方法。

2.1.3 其他性能指標

用戶自定義指標是CPA的主要研究方向之一。前述MVC要將所有的閉環(huán)極點補償為零,而Horch和Isaksson[52]提出可以由用戶選擇設定1個極點位置,從而使評估更符合實際情況。在工業(yè)實踐中,維護工程師通常從系統(tǒng)運行的歷史數(shù)據(jù)中拿出表現(xiàn)較好的一部分來評估當前控制性能[53]。此方法使用的基準被稱作“歷史數(shù)據(jù)基準”。林曉鐘等[54]引用1種綜合相似因子來衡量當前實時數(shù)據(jù)和基準數(shù)據(jù)的相似性,再進行CPA。蘇成利等[55]提出了1種改進的用戶自定義指標CPA方法,簡化了算法復雜度。Meng等[56]提出基于方差上下界的性能指標,從而為改善控制性能提供指導。Khamseh等[57]融合了多個評估指標,使基于評估結(jié)果的決策更具可靠性。Salsbury和Alcala[58]利用指數(shù)加權(quán)平均方法開發(fā)了2個易于計算且可嵌入PID控制器的指標。Schlegel等[59]引入離散傅里葉變換,提出了基于靈敏度函數(shù)的性能指標。Alagoz[60]等提出使用參考干擾比指數(shù)來評估閉環(huán)控制系統(tǒng)的抗干擾性能。

2.2 限定控制結(jié)構(gòu)的性能評估

2.2.1 PID控制器的性能評估

實際工業(yè)控制系統(tǒng)中,超過90%的回路使用PID控制器。文獻[61]和文獻[62]將控制器的結(jié)構(gòu)限定為PID后,再對MV目標函數(shù)進行求解,同時得到了以性能為導向的最優(yōu)PID參數(shù)[63]。

(4)

與LQG指標類似,PID控制器的性能評估存在2個限制條件。

①模型獲取。PID控制器的目標函數(shù)一般需要過程模型或確定性干擾模型。

②迭代優(yōu)化。PID控制器的最優(yōu)化迭代求解計算量大,容易陷入局部最優(yōu)。有學者建議基于內(nèi)?？刂?internal model control,IMC)設置PID控制器參數(shù),從而簡化優(yōu)化問題。

Grimble[66]基于狀態(tài)空間模型推導了1個簡單的優(yōu)化方法,無需過程模型。Kinoshita等[67]利用虛擬參考迭代整定(fictitious reference iterative tuning,FRIT)技術(shù)對PID控制器的GMV指標進行評估。此外,Yu[68]等提出了1種基于內(nèi)?？刂?積分絕對誤差(internal model control-integrated absolute error,IMC-IAE)的指標,以評估PID控制器的設定值跟蹤性能。為評估針對不穩(wěn)定過程設計的PID控制器的設定值跟蹤和抗干擾能力,Begum 等[69]提出了基于直接合成-積分絕對誤差(direct synthesis-integrated absolute error,DS-IAE)的指標。范惠劍等[70]針對PID控制性能因系統(tǒng)工況等因素出現(xiàn)退化的問題,提出了1種在線CPA及參數(shù)校正方法。

2.2.2 模型預測控制的性能評估

過去30多年以來, 模型預測控制(model predictive control,MPC)技術(shù)已經(jīng)廣泛應用于化工、煉油、冶金和造紙等行業(yè)。因此,使用專門的MPC性能評估技術(shù)十分重要。Zhang和Henson[71]、Ko和Edgar[72]分別對MPC和帶有約束的MPC系統(tǒng)性能評估進行了研究,刪去了基準中的加權(quán)控制作用部分。其可以類似于MV,在評價指標中僅關注輸出誤差。但前者在期望輸出計算時考慮了對控制作用的約束。Sch?fer和?inar[73]融合了歷史數(shù)據(jù)與現(xiàn)實性能,將MPC性能評估分為檢測和診斷兩部分。

雖然多數(shù)MPC評估基準都比MV性能指標基準更加現(xiàn)實,但實際工業(yè)控制系統(tǒng)MPC設計時假設干擾為隨機游走模型,如果性能評估時考慮真實的干擾模型,評估指標往往偏低。此時可能無法區(qū)分問題來自模型失配還是控制器整定[74]。最近十年,MPC性能評估方法得到很大發(fā)展。針對MPC模型質(zhì)量問題:Sun等[75]使用閉環(huán)數(shù)據(jù)獲得模型殘差的MV性能指標基準構(gòu)造模型質(zhì)量指數(shù);Betellov等[76]在工業(yè)中應用了其提出的一些模型評估方法。針對不同類型的MPC性能差距:Duarte-Barros和Park[77]分別使用MV性能指標、統(tǒng)計過程控制、歷史數(shù)據(jù)指標,對3種MPC算法進行了評估;Domanski[78]對比了非線性MPC的性能。劉詟等[79]采用基于線性二次型高斯基準的MPC雙層優(yōu)化結(jié)構(gòu),對延遲焦化加熱爐的多變量MPC控制進行了經(jīng)濟性能評估和分析;周培杰等[80]提出了1種基于優(yōu)先級策略的模型預測CPA方法,可實現(xiàn)卡邊控制,從而最大化經(jīng)濟效益。另外,一些諸如非高斯統(tǒng)計[81]、分形分析[82]的數(shù)學工具被應用于廣義預測控制的性能評估中,而平方誤差積分(integral square error,ISE)指標[83]也被應用于串級動態(tài)矩陣控制中。

2.3 多輸入多輸出系統(tǒng)的性能評估

性能評估技術(shù)的實際應用必然要面對多輸入多輸出(multi-input multi-output,MIMO)控制系統(tǒng)。前文所述的一些性能評估方法可以直接擴展到這類系統(tǒng)上。同時,面對MIMO控制系統(tǒng)的復雜性,也出現(xiàn)了一些新的評估技術(shù)。在MIMO控制系統(tǒng)中,單一的時延信息推廣為1種能夠表征系統(tǒng)時延的關聯(lián)矩陣。Huang等[84]使用從過程傳遞函數(shù)矩陣中分解出的下三角關聯(lián)矩陣推導系統(tǒng)的MV。Harris等[85]借助內(nèi)模結(jié)構(gòu),利用關聯(lián)矩陣的譜分解和Diophantine方程的求解,重新計算了LQG控制最優(yōu)解,證明了多變量系統(tǒng)的MV輸出是1個有限階的滑動平均過程。

上述方法在求解關聯(lián)矩陣時既要掌握過程模型的全部信息,又要進行復雜的計算,條件相對嚴苛。為了解決這個問題,Huang等[42]引入酉關聯(lián)矩陣(unitary interactor matrix,UIM)。其計算僅需過程模型的前幾個馬爾可夫參數(shù),通過奇異值分解(singular value decomposition,SVD)技術(shù)確定關聯(lián)矩陣的階。近年來,許多研究者致力于從數(shù)據(jù)驅(qū)動的角度降低對先驗知識的依賴或減少評估過程的復雜性。Ko等[86]提出1種不需要計算關聯(lián)矩陣,只需要過程的前幾個馬爾可夫參數(shù)和1組閉環(huán)操作數(shù)據(jù)的MV性能估計方法。該方法沒有減少先驗知識,但簡化了性能指標的計算,給出了明確的“一次性”解決方案。McNabb 等[87]不使用關聯(lián)矩陣,而是從狀態(tài)空間模型中提取多變量時延(multivariate time delay,MTD)矩陣,推導了狀態(tài)反饋形式下的MV控制,提出了1種利用數(shù)據(jù)投影的性能評估方法。隨后,上述2種方法在子空間方向上實現(xiàn)了擴展。Kadali等[88]一方面在子空間框架下推導了MV性能指標,證明了過程馬爾可夫參數(shù)矩陣與關聯(lián)矩陣的內(nèi)在聯(lián)系;另一方面還從狀態(tài)空間模型的角度重新凝練了評估方法,并在實際工業(yè)應用中予以驗證。Shang等[89]改進了單一的歷史數(shù)據(jù)指標,提出了基于歷史預測誤差協(xié)方差的多指標評估方法。Wang[90]提出了一種不依賴關聯(lián)矩陣的概率版性能評估框架。

Huang等[91]在MV的基礎上融合期望的閉環(huán)動態(tài),提出1種用戶定義的性能基準。隨后,其進一步提出了1種只需要關聯(lián)矩陣階數(shù)的次優(yōu)性能基準,并估計了MV的上下界。MIMO控制系統(tǒng)性能評估的研究除了專注于關聯(lián)矩陣或其等效形式,還通過構(gòu)造輸入/輸出(input/output,I/O)時延矩陣降低了對過程模型的需要。Xia等[92]通過提取每對I/O間的時延,構(gòu)成I/O時延矩陣,以此計算關聯(lián)矩陣的階數(shù),并解決了計算次優(yōu)性能基準時的模型辨識問題。Huang等[93]利用帶系數(shù)的I/O時延矩陣判斷關聯(lián)矩陣是否為對角陣,以降低性能評估復雜度。Yu和Qin[94]從I/O時延矩陣中提取左/右對角關聯(lián)矩陣代替UIM,降低了MV的計算負擔。Huang等[95]利用I/O時延矩陣信息,直接從干擾模型的馬爾可夫參數(shù)中計算MV的性能指標。趙宇等[96]基于多變量MV性能指標,提出了1種以廣義MV為基準的多變量系統(tǒng)性能評估方法。

3 性能評估數(shù)據(jù)集

CPA方法需要使用數(shù)據(jù)進行驗證。數(shù)據(jù)驅(qū)動的方法既可用于對過程對象建?；蚬烙嬁刂葡到y(tǒng)的性能,也可用于對回路故障的檢測和診斷。對于數(shù)據(jù)的需求催生了一些仿真平臺,并由此得以建立了一些公開的數(shù)據(jù)庫。本節(jié)將介紹其中4個數(shù)據(jù)庫。

Jelali和Huang[97]建立的數(shù)據(jù)庫包含來自不同過程對象和不同工業(yè)部門的測量數(shù)據(jù)。其按照不同回路分類設置數(shù)據(jù)結(jié)構(gòu)。其中的回路可能存在故障,也可能性能良好。每個回路均包含對象類型、時間、設定值、采樣周期、控制器輸出和被控變量等必要信息,還有一些回路附加了控制器參數(shù)(如比例增益、積分時間)、輸出誤差等信息。

Bauer[98]引入了適用于單回路和全工廠范圍的控制器性能監(jiān)控數(shù)據(jù)庫。該數(shù)據(jù)庫的優(yōu)點在于集成了單變量和多變量對象類型的數(shù)據(jù)。單回路數(shù)據(jù)包括設定值、控制器輸出、被控變量、采樣周期以及數(shù)據(jù)是否歸一化。整個工廠范圍的數(shù)據(jù)集包含了各種控制回路的實測值。另外,每個數(shù)據(jù)集都附上了1個描述性文件。該描述性文件描寫了這些數(shù)據(jù)集測量過程的相關信息。

著名的田納西-伊斯曼(Tennessee Eastman,TE)仿真平臺也可用于CPA算法測試。其生產(chǎn)的數(shù)據(jù)具有時變、強耦合和非線性特征,經(jīng)常用于研究閥門粘滯、控制器整定、外部干擾等性能問題。另外,Rieth等[99]生成了1個額外的TE過程數(shù)據(jù)集。該數(shù)據(jù)集包含500次模擬運行數(shù)據(jù)。其中,20次為故障模擬。每次模擬運行均利用25 h生成訓練用數(shù)據(jù)、48 h生成測試用數(shù)據(jù)。采樣周期為3 min,共分別生成500個和960個樣本。其中的Simulink仿真文件包含4個模型:①基于開環(huán)策略的模型;②基于分布式控制策略的多回路模型;③與模型②相似但允許冷卻劑閥門飽和的模型,此時由于不能減小再循環(huán)閥的開度,可能會導致失去對反應器液位的控制;④與模型②相似但具有自優(yōu)化控制策略的模型。后來,Andersen等[100]提供了1個用戶圖形界面,可以根據(jù)需要產(chǎn)生TE過程數(shù)據(jù)集。

Dambros等[101]分享了1個從私營油氣公司獲取的單輸入單輸出控制系統(tǒng)數(shù)據(jù)庫和1個基于Python的可視化分析工具包。數(shù)據(jù)庫由3個文件組成,其中包含了52個控制回路(多數(shù)是流量控制)的設定值、控制器輸出、操縱變量、輸出變量信息。

4 展望

CPA領域經(jīng)過近30年的發(fā)展,其評估的基準從MV延伸發(fā)展出各類其他性能指標。但面對現(xiàn)代工業(yè)控制系統(tǒng)的大規(guī)模、復雜性、非線性和不確定性等特點,CPA/CPM依然是開放性課題,仍有許多問題值得深入研究。

①實際工業(yè)系統(tǒng)或多或少存在非線性。線性系統(tǒng)的性能評估方法并不能直接用于非線性系統(tǒng)。一般而言,線性系統(tǒng)的CPA可通過估計單位脈沖響應系數(shù)獲得。但對于非線性系統(tǒng),此等價關系并不存在。另外,非線性過程本身的復雜性,導致描述其特性的非線性模型具有時變或不確定性等。作為基于數(shù)據(jù)的CPA方法所需的系統(tǒng)辨識環(huán)節(jié),可能面臨模型結(jié)構(gòu)的多重性和數(shù)目龐大的待辨識參數(shù)。非線性干擾模型的復雜性也會進一步導致在整個非線性系統(tǒng)建模、是否存在MV性能下限的驗證方面面臨挑戰(zhàn)。

②CPA的首要任務是性能評估。在性能不良時需要進一步診斷性能。對于多種可能導致控制性能不良的因素(如控制器結(jié)構(gòu)不合理、參數(shù)整定不充分、傳感器和執(zhí)行器故障以及設備運行中原料類型變化等),使用基于數(shù)據(jù)的方法值得進一步探究。該方法首先研究單一因素下的控制性能診斷方法,然后據(jù)此建立多因素的控制性能診斷框架模型。由于控制系統(tǒng)各部件間以及各對應的性能診斷方法之間存在不確定性,基于Bayesian的控制性能診斷是可以考慮的方法。該方法先建立 Bayesian 網(wǎng)絡,再使用樣本學習或?qū)＜夜烙嫷确椒ǐ@得各節(jié)點間的條件概率,最后由 Bayesian 推理確定性能不良的根源。

③值得注意的是,在確定的控制策略下,預測整個控制系統(tǒng)的經(jīng)濟性能具有重要意義。在評估和檢測不良回路時,一般遵循從監(jiān)督控制層到基本控制層的順序。這是因為企業(yè)往往更關注與其利潤直接相關的監(jiān)控部分。經(jīng)濟效益是對整個控制系統(tǒng)進行維護和預測性調(diào)整的基礎。經(jīng)濟性能預測應包括對經(jīng)濟性能檢測和經(jīng)濟性能下降預測這2個部分。

④隨著對工業(yè)生產(chǎn)的經(jīng)濟性能和產(chǎn)品質(zhì)量要求的不斷提高,學者對復雜控制系統(tǒng)的性能退化預測和恢復方法有更高的期望。CPA的一大目的是為性能改善提供指導。有許多學者提出了性能恢復技術(shù)和策略。在這方面的主要方法是重新整定控制器。基于數(shù)據(jù)驅(qū)動的強化學習技術(shù)可以對控制器進行在線優(yōu)化。優(yōu)化算法分為控制策略評估和策略改進2個步驟?；趶娀瘜W習來統(tǒng)一控制、評估、檢測和診斷將成為未來的重要研究方向之一。

⑤在過去的幾年中,數(shù)字孿生技術(shù)得到很大發(fā)展,并應用了統(tǒng)計學習、機器學習和遷移學習等方法來增強其自學能力。在許多工業(yè)部門,數(shù)字孿生技術(shù)已成為實現(xiàn)控制系統(tǒng)預測性維護和產(chǎn)品全生命周期管理的強大工具。未來,數(shù)字孿生技術(shù)應開發(fā)一些與CPA相結(jié)合的相關功能模塊,如在線學習更新的系統(tǒng)動力學模型,以及針對復雜控制系統(tǒng)設計的性能評估模塊、性能下降預測模塊、故障檢測和診斷模塊等。為了實現(xiàn)結(jié)合,在云計算時代相應的服務器平臺和開發(fā)環(huán)境可以為其提供服務。

⑥CPA和過程監(jiān)控技術(shù)的結(jié)合值得關注。CPA主要實現(xiàn)對控制器性能的評估、診斷和優(yōu)化。現(xiàn)有成果主要集中在性能評估階段,后續(xù)的診斷和優(yōu)化依然沒有形成比較系統(tǒng)的方法。而過程監(jiān)控作為一種質(zhì)量管理技術(shù),目標是實現(xiàn)對各過程階段的評估和監(jiān)控,建立并保持過程處于可接受且穩(wěn)定的水平。從這個角度看,兩者之間存在共通之處。因此,利用過程監(jiān)控領域已有的豐富研究成果,建立結(jié)合2種技術(shù)的綜合性系統(tǒng)監(jiān)控、診斷以及決策系統(tǒng)架構(gòu)值得進一步研究。

還需要指出的是,CPA算法在具體環(huán)境中的應用也面臨著一些亟待解決的問題。作為一種基于數(shù)據(jù)的方法,CPA離不開數(shù)據(jù)采集系統(tǒng)的支撐?，F(xiàn)有很多企業(yè)的分布式控制系統(tǒng)數(shù)據(jù)庫往往數(shù)據(jù)存檔或數(shù)據(jù)采樣頻率較低,不能滿足CPA對數(shù)據(jù)質(zhì)量的要求。而重新建立數(shù)據(jù)采樣系統(tǒng)則成本過高且難以實施。因此,如何基于現(xiàn)有條件完善數(shù)據(jù)預處理,以提高CPA結(jié)果準確率值得研究。同時,下一代控制系統(tǒng)將配備更好的信息獲取和傳輸設施,具備更強的數(shù)據(jù)計算能力。這將有助于促進CPA技術(shù)的進步。

5 結(jié)論

CPA作為1種涉及多種學科、技術(shù)集成度高且可覆蓋不同工業(yè)領域的綜合技術(shù),其應用對增加企業(yè)經(jīng)濟效益、提高生產(chǎn)效率、維護生產(chǎn)流程安全運行以及提高市場競爭力具有重要意義。本文重點對控制系統(tǒng)性能整體量化和分析技術(shù)方面取得的理論和實踐成果進行了總結(jié),并對未來CPA領域可期的研究方向進行了展望。相信隨著生產(chǎn)企業(yè)從“制造”向“智造”的轉(zhuǎn)變,以及工業(yè)和信息融合大趨勢的推進,CPA作為1種新的智能化技術(shù)會日益顯示其重要性。