丁進良 楊翠娥 陳遠東 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],是我國國民經(jīng)濟和社會發(fā)展的重要支柱產(chǎn)業(yè).不僅為機械、航空航天、軍工、建筑等行業(yè)提供原材料,而且為國民經(jīng)濟發(fā)展提供電力等能源;在保障國家重大工程建設和帶動國民經(jīng)濟增長等方面起著不可替代的作用.經(jīng)過數(shù)十年的發(fā)展,我國流程工業(yè)歷經(jīng)技術引進、消化吸收和自主創(chuàng)新幾個發(fā)展階段,其生產(chǎn)工藝、裝備和自動化與信息化水平得到大幅度提升,整體實力迅速增強,國際影響力顯著提高.

然而我國流程工業(yè)面臨資源利用效率偏低,能耗物耗較高、產(chǎn)品質量差、生產(chǎn)成本高、“三廢”排放量較大,環(huán)境污染嚴重等問題.其主要原因是我國流程工業(yè)的原料成分波動頻繁;其生產(chǎn)過程涉及物理化學反應,難以用數(shù)學模型精確描述;生產(chǎn)過程連續(xù)不能間斷,其任一單元出現(xiàn)問題都會影響產(chǎn)品質量等生產(chǎn)性能;原材料的成分、生產(chǎn)設備狀態(tài)、生產(chǎn)工藝參數(shù)和產(chǎn)品質量等無法實時或全面感知,難以保證生產(chǎn)全流程長期穩(wěn)定的優(yōu)化運行,因此為流程工業(yè)進一步發(fā)展帶來了挑戰(zhàn).

當前,我國流程工業(yè)面臨第四次工業(yè)革命的歷史契機、中國制造升級轉型和供給側結構性改革的關鍵時期.“中國制造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新的機遇.智能制造是我國實現(xiàn)制造強國的主攻方向[1?2].智能制造只有與流程工業(yè)的特點與目標密切結合,充分利用大數(shù)據(jù),將人工智能、移動互聯(lián)網(wǎng)、云計算、建模、控制與優(yōu)化等信息技術與工業(yè)生產(chǎn)過程的物理資源緊密融合與協(xié)同,研發(fā)實現(xiàn)智能制造目標的各種新功能,才可能使制造業(yè)實現(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反應的連續(xù)化的復雜生產(chǎn)過程,以復雜工業(yè)過程智能優(yōu)化決策系統(tǒng)為核心,給出了對復雜工業(yè)過程優(yōu)化決策問題的描述、概況總結了復雜工業(yè)過程優(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,重點指出了智能優(yōu)化決策系統(tǒng)的發(fā)展目標及愿景,并探討了下一步重點研究方向.

1 復雜工業(yè)過程優(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

復雜工業(yè)生產(chǎn)全流程是由一個或多個工業(yè)裝備組成的生產(chǎn)工序,多個生產(chǎn)工序構成了全流程生產(chǎn)線.其功能是將進入的原料加工為半成品材料或者產(chǎn)品.實現(xiàn)生產(chǎn)全流程的產(chǎn)品質量、產(chǎn)量、消耗、成本等綜合生產(chǎn)指標的優(yōu)化,必須協(xié)同各個生產(chǎn)工序(即工業(yè)過程智能體)來共同實現(xiàn)[5].

工業(yè)生產(chǎn)全流程的控制、運行與管理主要是通過生產(chǎn)調度部門和工藝技術部門來實現(xiàn)的.生產(chǎn)調度部門發(fā)出的指令分成并行的兩條線.一條線側重生產(chǎn)的組織管理與資源調配,主要由生產(chǎn)調度人員、操作員、資源供應系統(tǒng)來完成.另一條線,通過生產(chǎn)計劃部門和調度部門將企業(yè)的綜合生產(chǎn)指標(反映企業(yè)最終產(chǎn)品的質量、產(chǎn)量、成本、消耗等相關的生產(chǎn)指標)從空間和時間兩個尺度上轉化為生產(chǎn)制造全流程的運行指標(反映整條生產(chǎn)線的中間產(chǎn)品在運行周期內的質量、效率、能耗、物耗等相關的生產(chǎn)指標);工藝部門的工程師將生產(chǎn)制造全流程的運行指標轉化為過程運行控制指標(反映產(chǎn)品在生產(chǎn)設備(或過程)加工過程中的質量、效率與消耗等相關變量);作業(yè)班的運行工程師將運行控制指標轉化為過程控制系統(tǒng)的設定值.當市場需求和生產(chǎn)工況發(fā)生變化時,上述部門根據(jù)生產(chǎn)實際數(shù)據(jù),自動調整相應指標,通過控制系統(tǒng)跟蹤調整后的設定值,實現(xiàn)對生產(chǎn)線全流程的控制與運行,從而將日綜合生產(chǎn)指標控制在目標范圍內.當市場需求和生產(chǎn)工況發(fā)生頻繁變化時,以人工操作為主體的上述部門不能及時準確地調整相應的運行指標,導致產(chǎn)品質量下降、生產(chǎn)效率降低和能耗增加,從而無法實現(xiàn)日綜合生產(chǎn)指標的優(yōu)化控制[3,6?8].

隨著信息技術的發(fā)展與應用,復雜工業(yè)過程的控制、運行與管理大多采用Enterprise resource planning、Manufacturing execution systems 和Process control system(ERP/MES/PCS)三層結構來實現(xiàn).ERP主要是根據(jù)企業(yè)經(jīng)營決策的目標,來實現(xiàn)對物質流、資金流和信息流的管理,決策輸出生產(chǎn)控制(生產(chǎn)計劃)、物流管理(分銷、采購、庫存管理)和財務管理(會計核算、財務管理)的優(yōu)化配置結果.MES提供生產(chǎn)計劃、生產(chǎn)調度、質量管理、能源管理、設備管理、生產(chǎn)指標監(jiān)視、優(yōu)化決策等功能[9].MES決策出面向生產(chǎn)進度的調度/排產(chǎn)計劃,包括物流、能源、設備維護、運輸、中間庫存的綜合配置等.PCS主要實現(xiàn)各個裝置/設備/單元的過程回路控制、邏輯控制與生產(chǎn)過程監(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地感知企業(yè)內外部與生產(chǎn)經(jīng)營、生產(chǎn)運作和操作優(yōu)化與控制相關的各種數(shù)據(jù)、信息與知識,導致現(xiàn)有的系統(tǒng)缺乏全面、準確和實時的生產(chǎn)要素數(shù)據(jù)獲取能力,缺乏多源異構生產(chǎn)運行大數(shù)據(jù)感知與處理能力,缺乏數(shù)據(jù)匯聚和融合能力,缺乏高效的不同領域不同層次數(shù)據(jù)分析、隱含知識關聯(lián)與推演等能力,從而不能夠對生產(chǎn)行為和市場變化進行實時感知,進而也不能自動優(yōu)化生產(chǎn)經(jīng)營決策和計劃調度指令.因此,企業(yè)的生產(chǎn)經(jīng)營與計劃調度主要靠企業(yè)管理人員憑長期積累的經(jīng)驗和相關工藝知識進行決策.人工決策的隨意性大且不夠及時準確,常造成企業(yè)綜合生產(chǎn)指標偏離預定目標范圍,導致產(chǎn)品的質量差、成本高和資源消耗大等問題.當市場需求和生產(chǎn)要素條件發(fā)生頻繁或劇烈變化時,以人工經(jīng)驗知識難以及時準確地做出決策反應,從而無法實現(xiàn)企業(yè)綜合生產(chǎn)指標的優(yōu)化.顯然,這種決策難以在復雜市場和生產(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,上述三層結構的層次之間也缺乏有效的相互交互與協(xié)同機制,無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)計劃調度層缺乏生產(chǎn)實時信息反饋,并且沒有充分考慮生產(chǎn)過程特性,下層生產(chǎn)控制層缺乏與優(yōu)化協(xié)調與調度的銜接,企業(yè)難以實現(xiàn)全流程的整體優(yōu)化[10].

另一方面,由于受到各種生產(chǎn)指標目標范圍、原料、設備等動態(tài)因素的影響,工藝技術部要不斷地根據(jù)這些動態(tài)因素對各個工序的運行指標進行調整.運行指標的調整主要由工藝技術人員或操作員根據(jù)綜合生產(chǎn)指標(產(chǎn)品質量指標、產(chǎn)量指標、成本指標和消耗指標)的目標值和離線化驗值,考慮原料性質、設備狀況憑經(jīng)驗人工進行的.運行指標人工調整不當或不及時難以實現(xiàn)全流程的優(yōu)化運行[8,11?12].

綜上所述,復雜工業(yè)過程采用計算機、通信和控制能夠實現(xiàn)過程自動控制(PCS),生產(chǎn)經(jīng)營與管理也有相應的信息系統(tǒng)(ERP、MES),但是復雜生產(chǎn)過程的企業(yè)目標、資源計劃、調度、運行指標、生產(chǎn)指令與控制指令的決策仍然憑經(jīng)驗由相應的知識工作者在各信息系統(tǒng)平臺上進行.

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復雜工業(yè)過程優(yōu)化決策系統(tǒng)的某一主要環(huán)節(jié)或者幾個環(huán)節(jié)來開展研究的.下面分別對生產(chǎn)計劃與調度,運行指標優(yōu)化和生產(chǎn)全流程一體化控制的研究現(xiàn)狀進行綜述.

1.2.1 生產(chǎn)計劃與調度

1)靜態(tài)環(huán)境下生產(chǎn)計劃調度

計劃調度是生產(chǎn)經(jīng)營活動的主要依據(jù),對企業(yè)的效益起著十分重要的作用.生產(chǎn)計劃是在一定時期內,根據(jù)產(chǎn)品的市場需求、原料供應、生產(chǎn)能力、裝置運行與檢修計劃,綜合考慮企業(yè)的管理成本以及生產(chǎn)過程中成品、半成品的成本等,以企業(yè)的生產(chǎn)、管理和營銷狀況等獲取最大經(jīng)濟效益為目標,決策出一段時期內的需求量[13?14].生產(chǎn)調度則是根據(jù)計劃的決策確定生產(chǎn)加工方案使總的費用最小、或浪費最小、或產(chǎn)品偏差值最小、或時間最短等[15].

靜態(tài)環(huán)境下的計劃調度不考慮生產(chǎn)過程內部和外部環(huán)境的動態(tài)變化,主要集中在建模和優(yōu)化的研究.目前,生產(chǎn)計劃的研究依賴于數(shù)學規(guī)劃方法.由于從生產(chǎn)計劃獲得了確定的調度任務,其研究包括基于數(shù)學規(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)學規(guī)劃的計劃調度.該方法將計劃或調度問題表示成數(shù)學優(yōu)化模型,然后對數(shù)學模型求解獲得計劃或調度指令.由于流程工業(yè)生產(chǎn)調度問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),調度任務既需要確定周期內原油的類型,還需要原油的運輸量.因此,計劃調度的優(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.

短周期計劃和調度問題在一段時間內是動態(tài)過程,其數(shù)學模型根據(jù)時間的描述分為離散時間建模方法和連續(xù)時間建模方法.離散時間建模方法,首先將計劃或調度時域劃分成有限個相等的時間片段,計劃或調度在每個離散時間段上獨立安排調度事件,用這些離散片段逼近連續(xù)時間區(qū)域從而實現(xiàn)周期內的計劃或調度指令[16?18].

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

b)基于Petri網(wǎng)的調度.Petri網(wǎng)(Petri net,PN)[22]是一種基于圖形的用來描述系統(tǒng)動態(tài)過程的方法,具有直觀、易懂和易用的優(yōu)點,特別適用于描述異步、并發(fā)過程.Petri網(wǎng)在20世紀80年代引入生產(chǎn)計劃調度研究領域,一般是分析驗證計劃調度問題的可行性與可達性[23].Petri網(wǎng)已經(jīng)廣泛應用于柔性制造業(yè)的計劃調度問題[24?26].PN用庫所、令牌、變遷、有向弧和權函數(shù)描述生產(chǎn)動態(tài)過程,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可行的計劃或調度方案[27?29].PN方法的局限性是用于大規(guī)模系統(tǒng)建模時,由于有向弧、變遷等的存在,造成模型規(guī)模和復雜程度增大,直觀降低.

c)基于仿真的調度.基于仿真的優(yōu)化框架將智能搜索算法和仿真方法相結合,通過仿真方法為智能搜索算法的適應度函數(shù)提供預估的方法,二者迭代交互,直至滿足終止條件[30?32].仿真起到預評估、指導和驗證的作用[33].

d)基于規(guī)則調度.啟發(fā)式規(guī)則是為了解決計劃調度模型優(yōu)化的難題.計劃調度模型通常是NP問題,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,并進行計算機仿真研究分析不同處理次數(shù)和不同啟發(fā)式規(guī)則對調度效果的影響作用[34].啟發(fā)式方法首先從經(jīng)驗知識或數(shù)據(jù)中挖去規(guī)則,然后利用規(guī)則推理出滿意甚至近似調度最優(yōu)解.由于其具有簡單、快速等優(yōu)點,啟發(fā)式規(guī)則方法得到了廣泛的應用[35?37].近年來,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合建立啟發(fā)式規(guī)則庫,利用智能優(yōu)化算法的全局收斂性、普遍適應性的優(yōu)點,加快算法收斂的速度,提高全局最優(yōu)解的質量[38?40].啟發(fā)式方法的缺點是不能保證獲得的解是全局最優(yōu)解,也沒有統(tǒng)一的方法判斷解的質量.

2)動態(tài)環(huán)境下計劃調度

實際生產(chǎn)過程存在來自內部或外部動態(tài)因素[13,41],如系統(tǒng)內部固有的動態(tài)變化,輸入信息中的噪聲、干擾與誤差,和系統(tǒng)外部動態(tài)因素:原料種類與成分變化、生產(chǎn)模式切換、工況變化、產(chǎn)量和質量的波動、價格變動、設備故障、成本和需求變化等.這些動態(tài)變化往往會導致生產(chǎn)計劃和調度的調整.根據(jù)動態(tài)因素的來源和性質,目前生產(chǎn)計劃和調度對動態(tài)環(huán)境的處理可分為兩種,當作不確定性因素在建模過程中處理和基于事件驅動的動態(tài)處理方法.

a)不確定性因素處理.該方法將動態(tài)因素看作隨機噪聲,加入到計劃調度優(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)計劃和調度的建模過程中將不確定因素視為確定性常數(shù)來處理[41].該方法主要處理對生產(chǎn)過程影響較小的不確定因素,如來自運動學常數(shù)、傳質/傳熱系數(shù)、物理性質等不確定因素.隨機規(guī)劃法先通過歷史數(shù)據(jù)來統(tǒng)計不確定因素的概率分布,或預估不確定因素概率,然后建立隨機規(guī)劃模型進行優(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題,相對來說容易實現(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,依賴程度相對更低,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)計劃調度模型的次優(yōu)解,保證該優(yōu)化解在不確定參數(shù)的變動范圍是可行的[50?53].對不確定因素的處理,也相繼提出了隨機規(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)的調度.該方法首先對初始事件建立準確的計劃調度模型,當新事件發(fā)生時,重新設計計劃調度模型[29,56?58].該方法不需要事先了解動態(tài)事件的發(fā)生概率和分布特性,但這類方法面臨的主要難點是事件的識別和工況調整效率.

3)生產(chǎn)計劃、調度與控制集成優(yōu)化

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

b)生產(chǎn)調度與控制集成.面對生產(chǎn)過程多產(chǎn)品和動態(tài)環(huán)境的變化,生產(chǎn)調度和控制系統(tǒng)的集成受到廣泛關注[65?67].調度和控制的集成方法一般分為Top-down方法和Bottom-up方法[65].Topdown方法將生產(chǎn)過程的被控過程模型嵌入調度決策,從而建立調度控制集成模型[68?69].Bottom-up方法將調度優(yōu)化指標加入控制算法中,使得控制器跟蹤企業(yè)的經(jīng)濟效益[70],比如,EMPC(Economic model predictive control)方法[71?73].由于集成模型包含大量微分、非線性表達式,造成模型的計算復雜度高難以達到實時優(yōu)化求解的要求.

1.2.2 工業(yè)過程運行優(yōu)化與控制

運行優(yōu)化控制的目標是在保證安全運行的條件下,將運行指標的實際值控制在目標范圍內,提高產(chǎn)品質量與效率相關的運行指標并降低生產(chǎn)能耗的運行指標[11].根據(jù)工業(yè)過程特點,運行優(yōu)化與控制方法可分為基于模型的方法和基于數(shù)據(jù)驅動的方法.

1)基于模型的運行優(yōu)化與控制

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

2)數(shù)據(jù)驅動的運行優(yōu)化

近年來,針對選礦、有色和冶金等難以建立數(shù)學模型工業(yè)過程,提出了數(shù)據(jù)驅動的運行優(yōu)化方法.該方法由控制回路預設定模型、前饋補償與反饋補償器、工藝指標預報模型、故障工況診斷和容錯控制器組成[87].通過基于預測的前饋補償器和基于實際值的反饋補償器實時調整控制回路設定值,控制系統(tǒng)跟蹤調整后的設定值,使得過程運行指標控制在目標值范圍內.上述方法已經(jīng)成功應用于赤鐵礦豎爐焙燒和磨礦過程等[11,87?92].在此基礎上,文獻[93]提出了一種基于Q-learning的數(shù)據(jù)驅動的方法求解設定值的次優(yōu)解,實現(xiàn)運行指標直接跟蹤次優(yōu)的目標值.

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).針對各個工序/裝置的運行指標目標值與全流程生產(chǎn)指標和綜合產(chǎn)指標之間的動態(tài)特性具有月、日和小時三個時間尺度,且難以在線測量,原材料成分、種類、設備能力等頻繁變化,難以采用基于機理分析的方法建立數(shù)學模型以及指標之間相互聯(lián)系、相互沖突的問題,文獻[6]在將綜合生產(chǎn)指標目標值優(yōu)化[94]、兩尺度選礦生產(chǎn)指標分解方法[62]和運行指標目標值優(yōu)化[95]集成的基礎上,提出了以實現(xiàn)綜合生產(chǎn)指標優(yōu)化為目標的選礦自動化系統(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)的總體結構由綜合生產(chǎn)指標目標值優(yōu)化、全流程生產(chǎn)指標目標值優(yōu)化、運行指標目標值多目標優(yōu)化和過程自動化系統(tǒng)組成.對不同時間尺度的綜合生產(chǎn)指標、全流程生產(chǎn)指標和運行指標優(yōu)化按月、日和小時不同的周期分層優(yōu)化.

上層的綜合生產(chǎn)指標目標值優(yōu)化采用基于梯度驅動的多目標進化優(yōu)化方法產(chǎn)生月綜合生產(chǎn)指標優(yōu)化目標值[94].該方法以多目標約束優(yōu)化模型為基礎,針對外部環(huán)境變化,如原材料性質變化,市場價格變化和設備能力的變化等,周期性地對多目標約束優(yōu)化模型和約束的參數(shù)進行自適應修正,以獲得適應當前生產(chǎn)環(huán)境和工況的修正模型.中間層全流程生產(chǎn)指標目標值優(yōu)化采用基于周期滾動的兩層分解策略來產(chǎn)生日全流程生產(chǎn)指標優(yōu)化目標值[62].該策略考慮多目標、兩時間尺度和不同原料組合,將一個復雜的優(yōu)化模型分解為兩層模型,并以相應時間尺度對生產(chǎn)環(huán)境和工況的變化進行模型修正,按照不同的時間周期進行滾動優(yōu)化求解.

下層運行指標的優(yōu)化決策產(chǎn)生各個工序/裝置的運行指標目標值.復雜工業(yè)生產(chǎn)過程是一個由多裝置組成的物質流、能量流和信息流相互耦合的非線性復雜系統(tǒng).運行指標優(yōu)化決策是以上層確定的日全流程生產(chǎn)指標為目標,在空間上進行分解獲得各個工序/裝置的運行指標.運行指標反映裝置產(chǎn)生中間產(chǎn)品的質量、效率與消耗等相關變量[5].運行指標優(yōu)化決策的目的是通過優(yōu)化協(xié)調運行指標實現(xiàn)全流程生產(chǎn)指標的優(yōu)化.文獻[95?97]針對選礦生產(chǎn)過程、運行指標和綜合精礦品位與產(chǎn)量之間難以用精確的機理模型描述和優(yōu)化決策目標與約束條件動態(tài)變化的問題,將優(yōu)化方法與綜合生產(chǎn)指標預報、運行指標的動態(tài)校正相結合,提出了運行指標優(yōu)化決策的結構.該結構包含4個模塊:運行指標初值設定、綜合生產(chǎn)指標的預測模型、前驗評估與動態(tài)校正和后驗評估與動態(tài)校正.本小節(jié)接下來針對框架內各個模塊研究進展進行綜述.

a)運行指標初值優(yōu)化.運行指標優(yōu)化模塊是根據(jù)確定的最小時間尺度的生產(chǎn)指標目標值[Qkmin,Qkmax]及其上下界范圍產(chǎn)生運行指標初值,k是綜合生產(chǎn)指標的個數(shù),n是運行指標的個數(shù).文獻[96,98]提出了基于案例推理(Case-based reasoning,CBR)和多目標進化優(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)對綜合生產(chǎn)指標和運行指標建立多目標優(yōu)化模型;然后,用MOEA求解該模型到運行指標的最優(yōu)解集;最后,用CBR結合人工知識MOEA得到的解集決策出運行指標的初值.在此基礎上,文獻[99?100]考慮生產(chǎn)過程的動態(tài)因素,如設備能力變化,建立運行指標優(yōu)問題的動態(tài)多目標運行指標優(yōu)化模型,解決了動態(tài)環(huán)境下運行指標優(yōu)化初值優(yōu)化的問題.

b)生產(chǎn)指標預測模型.綜合生產(chǎn)指標的預測模型以運行指標初值預估綜合生產(chǎn)指標k,為前驗評估的輸入.生產(chǎn)過程中預報模型不斷更新來適應新的工況條件.文獻[101]提出以線性模型和非線性模型的混合模型建立生產(chǎn)指標預測模型.其中線性模型給出生產(chǎn)指標和運行指標的主要關系,非線性誤差補償模型由最小二乘支持向量機訓練得到.非線性模型用來補償線性模型的誤差以提高預測模型的精度.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選擇非線性補償模型的參數(shù)[101].文獻[102]提出了基于多模型的綜合生產(chǎn)指標預測模型.首先,利用模糊聚類算法將訓練數(shù)據(jù)集分成多個類別;然后,對每個類采用基于混合內核的最小二乘支持向量機建立運行指標和綜合生產(chǎn)指標的子模型;最后,集成所有子模型作為綜合生產(chǎn)指標預測模型.為了實現(xiàn)在線預測,文獻[103]提出了一種基于數(shù)據(jù)的自適應在線預測模型,通過使用訓練樣本方法的統(tǒng)計特性在線更新模型的參數(shù),建立在線校正預測模型.文獻[104]提出了一種通過修改Adaboost算法權重的魯棒預測方法,該方法可以降低模型對異常值的敏感度.文獻[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針對提取的運行指標的主要特征和綜合生產(chǎn)指標建模提高了模型的準確性.

c)前驗/后驗評估和動態(tài)校正方法.生產(chǎn)指標前驗評估和動態(tài)校正的目的是利用綜合生產(chǎn)指標目標值和預測值產(chǎn)生運行指標的補償值,修正動態(tài)因素,如綜合生產(chǎn)指標、原料成分、工況條件等波動的影響.后驗評估和動態(tài)校正根據(jù)實際的生產(chǎn)指標Qk和生產(chǎn)指標的目標值范圍產(chǎn)生運行指標補償值?r,保證實際生產(chǎn)指標在目標范圍內.目前對這兩個模塊的研究集中在校正環(huán)節(jié).如文獻[106]提出規(guī)則推理方法對反饋環(huán)節(jié)進行評估和校正,該方法首先利用生產(chǎn)過程數(shù)據(jù)建立反饋規(guī)則,然后采用粗糙集規(guī)則提取方法來產(chǎn)生補償規(guī)則.此外,文獻[98]提出了基于Actor-critic結構的強化學習進行前驗/后驗的評估和動態(tài)校正.針對每個評估校正環(huán),首先利用Actor-critic識別需要校正的運行指標,然后采用策略行動對這些不合理的運行指標進行校正.

2 智能優(yōu)化決策系統(tǒng)的必要性

經(jīng)過幾十年發(fā)展,我國已經(jīng)成為世界上門類最齊全、規(guī)模最龐大的流程制造業(yè)大國,但非強國.存在著資源成分復雜且稟賦差、產(chǎn)品質量不穩(wěn)定、能耗高、污染重的問題.與發(fā)達國家相比,資源回收率低,能源利用率低,單位產(chǎn)品平均能耗高.如何在當前國際競爭與國家重大需求的環(huán)境下,通過智能制造來解決流程工業(yè)上述問題是我們面臨的首要問題和挑戰(zhàn).

當前,發(fā)達國家紛紛實施“再工業(yè)化”戰(zhàn)略,強化制造業(yè)創(chuàng)新,利用新興的信息技術,加快制造業(yè)智能化的進程,重塑制造業(yè)競爭新優(yōu)勢.以德國的離散制造業(yè)“工業(yè)4.0”為代表的智能制造是最典型的未來發(fā)展戰(zhàn)略.這股發(fā)展趨勢和熱潮甚至被推到“第四次工業(yè)革命”的高度.“工業(yè)4.0”的目標是實現(xiàn)個性定制的自動化與高效化,將CPS(Cyber-physical systems)與制造技術深度融合,實現(xiàn)產(chǎn)品、設備、人和組織之間的無縫集成及合作,達到計算資源與物理資源緊密融合與協(xié)同,使得系統(tǒng)的適應性、自治力、效率、功能、可靠性、安全性和可用性大幅提升.美國提出了“智能過程制造”的技術框架和路線,其目標在于集成知識和大量模型,采用主動響應和預防策略進行優(yōu)化決策和生產(chǎn)制造.我國也把智能制造作為實現(xiàn)新興產(chǎn)業(yè)培育發(fā)展與傳統(tǒng)產(chǎn)業(yè)改造升級有機結合的最佳途徑,作為我國實現(xiàn)制造強國的主攻方向和突破口,實施“中國制造2025”.這也是我國流程工業(yè)發(fā)展的新機遇與挑戰(zhàn).

流程工業(yè)智能制造對于生產(chǎn)過程來說,關鍵的是實現(xiàn)生產(chǎn)全流程的整體優(yōu)化.即在市場和原料變化的情況下,以高效化與綠色化為目標使得原材料的采購、經(jīng)營決策、計劃調度、工藝參數(shù)選擇、生產(chǎn)全流程控制實現(xiàn)無縫集成優(yōu)化,實現(xiàn)企業(yè)全局的產(chǎn)品質量、產(chǎn)量、成本和消耗等生產(chǎn)指標的優(yōu)化,實現(xiàn)生產(chǎn)全流程安全可靠優(yōu)化運行,從而生產(chǎn)出高性能、高附加值產(chǎn)品,使企業(yè)利潤最大化,同時實現(xiàn)能源與資源高效利用,污染物實現(xiàn)零排放、環(huán)境綠色化[1?4].

流程工業(yè)生產(chǎn)過程的特點決定了其實現(xiàn)生產(chǎn)全流程整體優(yōu)化的核心是實現(xiàn)其運行操作參數(shù)的智能優(yōu)化決策,即根據(jù)原料特性和生產(chǎn)工況等因素來優(yōu)化選擇和調整運行操作參數(shù)保證生產(chǎn)目標的完成.流程工業(yè)生產(chǎn)過程的特點之一是工藝流程固定,由一個或多個工業(yè)裝備組成生產(chǎn)工序,將進入的原料加工成為下道工序所需要的半成品材料,多個生產(chǎn)工序構成全流程生產(chǎn)線;特點之二其生產(chǎn)過程本質上是材料的物質轉化過程,是一個物理化學反應的氣液固多相共存的連續(xù)復雜過程.特別是原料成分波動和外界隨機干擾增加了物質轉化過程的復雜性.這也增加了運行操作參數(shù)決策的復雜性.

面向流程工業(yè)生產(chǎn)全流程整體優(yōu)化的運行操作參數(shù)優(yōu)化決策仍是尚未解決的問題.它包括縱向跨層級多時間尺度的決策問題,如企業(yè)經(jīng)營決策層的產(chǎn)品質量、產(chǎn)量、成本和消耗等多沖突生產(chǎn)指標的優(yōu)化決策及其在月、周、日、時等多時間尺度上的分解、計劃調度指令的決策等;同時還包含橫向跨工序的多空間尺度的決策問題,如由全流程生產(chǎn)指標來決策各個工序的中間產(chǎn)品的質量、產(chǎn)量和消耗等工序/裝置的運行指標,進而根據(jù)運行指標來決策各工序/裝置的控制系統(tǒng)回路設定值.雖然生產(chǎn)管理、計劃調度、過程控制等信息化和自動化系統(tǒng)廣泛應用并且能夠實現(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)復雜的物理化學反應,機理不清,干擾多,波動大,上述運行操作決策主要依賴管理者、調度員、工程師等知識型工作者人工憑經(jīng)驗進行.

此外,面對我國流程工業(yè)快速發(fā)展與資源能源短缺、原材料質量差且性質波動大、生態(tài)環(huán)境污染日益凸現(xiàn)的矛盾,工業(yè)生產(chǎn)過程的運行操作優(yōu)化越發(fā)重要.目前對調度層、實時優(yōu)化和先進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)整體與局部的互補關系不明確,導致目前生產(chǎn)全流程的總體運行水平依然不高.工業(yè)過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)過程智能優(yōu)化決策方法及系統(tǒng),實現(xiàn)在局部與整體之間、短期與長遠之間、效益與安全和環(huán)境影響之間的多目標優(yōu)化,為實現(xiàn)復雜流程工業(yè)過程智能優(yōu)化制造打下堅實基礎.

人工智能的發(fā)展為復雜工業(yè)過程智能優(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具有密切的關系.控制論的核心概念是預設和反饋,是模擬人如何思考,將思考的過程演化成邏輯.也是人工智能的一個重要的流派.控制科學經(jīng)過經(jīng)典控制、現(xiàn)代控制、先進控制等階段,內涵不斷豐富和發(fā)展,但主要是基于精確數(shù)學模型通過信號測量和反饋解決被控對象的系統(tǒng)分析、控制和優(yōu)化問題.而以深度學習為代表的人工智能是模擬生物學大腦,是仿生或者聯(lián)接主義流派.主要不依賴數(shù)學模型,從對象特征出發(fā),模擬人的推理、學習過程解決系統(tǒng)的自動化問題.實際上控制科學和人工智能是實現(xiàn)自動化技術的兩類方法、兩種思路.上述人工智能與控制科學兩種思路的融合將為解決復雜決策問題提供了新思路.

3 智能優(yōu)化決策系統(tǒng)的發(fā)展目標及愿景

圖1 復雜工業(yè)過程智能優(yōu)化決策系統(tǒng)的結構示意圖Fig.1 Diagram of intelligent optimization decision making system for complex industrial process

工業(yè)生產(chǎn)過程是人機物高度融合的復雜系統(tǒng),其決策問題既涉及企業(yè)內部的生產(chǎn),又涉及企業(yè)外部的環(huán)境條件以及動態(tài)變化的市場環(huán)境.工業(yè)生產(chǎn)全流程智能優(yōu)化決策的發(fā)展目標是研發(fā)復雜工業(yè)過程智能優(yōu)化決策系統(tǒng),能夠在外部市場動態(tài)需求、內部企業(yè)生產(chǎn)動態(tài)狀況(設備能力、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、質量、能耗、排放、成本等指標在內的生產(chǎn)全流程綜合生產(chǎn)指標為目標,采用虛擬制造流程實現(xiàn)基于虛擬仿真的前饋決策校正,通過工業(yè)大數(shù)據(jù)實現(xiàn)工況識別與反饋自優(yōu)化決策,人機交互動態(tài)優(yōu)化決策反映質量、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、不同時間尺度的生產(chǎn)指標等,使計劃、生產(chǎn)、資源三者密切配合,在生產(chǎn)過程的內外部條件變化時,在最短的時間內感知生產(chǎn)過程的各種變化,對各級生產(chǎn)指標和控制指令做出準確的調整,保證生產(chǎn)全流程的整體優(yōu)化運行.

復雜工業(yè)過程智能優(yōu)化決策系統(tǒng)的結構示意如圖1所示,由生產(chǎn)指標優(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)的愿景功能是能夠實時感知市場信息、生產(chǎn)條件和生產(chǎn)全流程運行工況,以企業(yè)高效化和綠色化為目標,實現(xiàn)企業(yè)目標、計劃調度、運行指標、生產(chǎn)指令與控制指令一體化優(yōu)化決策,實現(xiàn)遠程與移動可視化監(jiān)控決策過程動態(tài)性能,自學習與自優(yōu)化決策.將人與智能優(yōu)化決策系統(tǒng)協(xié)同,使決策者在動態(tài)變化環(huán)境下精準優(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)同底層各個工序的智能體,即智能自主控制系統(tǒng),來實現(xiàn)生產(chǎn)全流程生產(chǎn)指標的優(yōu)化.生產(chǎn)全流程智能協(xié)同控制系統(tǒng)的功能是自動獲取生產(chǎn)線生產(chǎn)指標和生產(chǎn)過程動態(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、能源和信息三流的相關狀況;能夠自主地學習和主動響應,從而自適應地進行優(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)指標優(yōu)化為目標的優(yōu)化運行指標目標值.

智能自主控制系統(tǒng)由高性能智能控制器、智能運行優(yōu)化、工況識別與自優(yōu)化控制三部分組成.智能優(yōu)化制造要求生產(chǎn)制造過程控制系統(tǒng)成為一個智能體,即智能自主控制系統(tǒng)使生產(chǎn)制造過程和其控制系統(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、自學習、自動調整控制結構和控制參數(shù)的功能,能夠適應工業(yè)過程的動態(tài)變化.其功能是智能感知生產(chǎn)條件的變化,以優(yōu)化運行指標為目標,自適應決策控制系統(tǒng)的設定值.高動態(tài)性能的智能控制系統(tǒng)跟蹤控制系統(tǒng)設定值的改變,將實際運行指標控制在目標值范圍內.實時遠程與移動監(jiān)控與預測異常工況,自優(yōu)化控制,排除異常工況,使系統(tǒng)安全優(yōu)化運行.與其他智能自主控制系統(tǒng)相互協(xié)同,實現(xiàn)制造流程全局優(yōu)化.

復雜工業(yè)過程智能優(yōu)化決策系統(tǒng)通過智能優(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)和智能自主運行優(yōu)化控制系統(tǒng)協(xié)同,最終實現(xiàn)復雜生產(chǎn)全流程的優(yōu)化運行.

4 重點研究方向

如前所述,未來的制造全流程優(yōu)化決策系統(tǒng)一定是人機交互的動態(tài)智能優(yōu)化決策,目前尚沒有統(tǒng)一的智能決策體系結構.在工業(yè)大數(shù)據(jù)和云網(wǎng)絡平臺的支持下,通過知識庫構建、決策計算、指標預測、評價反饋等模塊,將智能決策行為和綜合自動化、智能方法與預測和反饋相結合,建立生產(chǎn)制造智能決策系統(tǒng)的體系結構與功能,實現(xiàn)人機柔性化自適應交互決策.根據(jù)以上目標,復雜工業(yè)過程智能優(yōu)化決策系統(tǒng)的共性研究方向如下:

1)機理模型與數(shù)據(jù)和知識融合的運行工況智能感知.工業(yè)過程是一個包含物理化學反應的氣液固多相共存的連續(xù)化復雜生產(chǎn)全流程,其運行工況依靠人的視覺、聽覺、觸覺來感知視頻、聲音、文本和自動化系統(tǒng)產(chǎn)生的實際數(shù)據(jù),憑經(jīng)驗和知識來識別.為了及時、準確地識別工況,需要研究制造流程多源異構信息的感知和從多源異構數(shù)據(jù)中發(fā)現(xiàn)工況識別的規(guī)則.包括:a)數(shù)據(jù)、視頻與機理分析相結合的運行工況智能感知;b)融合數(shù)據(jù)、操作和管理經(jīng)驗的領域知識挖掘;c)工業(yè)生產(chǎn)物質流、能源流和信息流的狀況智能感知;d)機理模型與數(shù)據(jù)和知識融合的多尺度多維度指標建模等.

2)具有預測、反饋、自學習、自優(yōu)化校正的智能決策系統(tǒng)架構及新方法,研究以企業(yè)高效化和綠色化為目標,如何實現(xiàn)企業(yè)目標、計劃調度、運行指標、生產(chǎn)指令與控制指令一體化優(yōu)化決策,使工業(yè)運行過程成為知識自動化系統(tǒng),盡可能提高生產(chǎn)效率與產(chǎn)品質量,盡可能降低能耗與物耗,實現(xiàn)生產(chǎn)過程環(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)具有預測、反饋、自學習、自優(yōu)化校正的智能決策系統(tǒng)架構;b)全局動態(tài)感知、過程知識發(fā)現(xiàn)與知識自動化的一體化智能決策;c)多層次、多尺度、多目標動態(tài)優(yōu)化決策;d)全流程生產(chǎn)指標的智能決策;e)企業(yè)綜合生產(chǎn)指標目標值的智能決策;f)基于機理與數(shù)據(jù)和知識融合的一體化決策;g)宏觀信息優(yōu)化與虛擬企業(yè)預測和大數(shù)據(jù)反饋校正相結合的運行指標智能決策;h)工業(yè)生產(chǎn)全流程計劃調度系統(tǒng)與優(yōu)化;i)人工智能驅動的優(yōu)化決策的建模、決策、校正算法;j)全流程生產(chǎn)指標的大數(shù)據(jù)可視化分析與監(jiān)控算法;k)全流程生產(chǎn)指標優(yōu)化中的異常工況預報、溯源與自愈;l)人工智能驅動的協(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)的動態(tài)性能評估等.

3)智能決策系統(tǒng)實現(xiàn)技術.面向典型流程工業(yè)企業(yè),研發(fā)相關的智能優(yōu)化決策系統(tǒng)技術,設計智能優(yōu)化決策云服務平臺系統(tǒng)體系架構與核心組件,構建流程工業(yè)智能優(yōu)化決策系統(tǒng),搭建智能優(yōu)化決策系統(tǒng)的實驗平臺并開展實驗平臺驗證與應用驗證研究.包括:a)智能優(yōu)化決策系統(tǒng)的實現(xiàn)系統(tǒng)架構;b)智能優(yōu)化決策系統(tǒng)的數(shù)據(jù)、知識、算法庫管理平臺;c)智能優(yōu)化決策系統(tǒng)算法實現(xiàn)的軟件;d)運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)分布式實現(xiàn)技術;f)生產(chǎn)指標的大數(shù)據(jù)可視化分析與監(jiān)控軟件;g)基于工業(yè)私有云和移動終端的生產(chǎn)全過程智能優(yōu)化決策系統(tǒng)設計技術等.

總體來說,流程工業(yè)智能優(yōu)化決策系統(tǒng)的重點任務是從流程工業(yè)綠色化與自動化、工業(yè)化與信息化深度融合的重大需求出發(fā),以實現(xiàn)流程工業(yè)綠色化、智能化和高效化為目標,建立工業(yè)大數(shù)據(jù)和知識驅動的流程工業(yè)智能優(yōu)化決策機制和系統(tǒng)體系結構,研究工業(yè)大數(shù)據(jù)驅動的領域知識挖掘、推理與重組、多源異構多尺度生產(chǎn)指標預測、大數(shù)據(jù)和知識驅動的生產(chǎn)指標決策、優(yōu)化運行與控制一體化決策方法與技術,研發(fā)流程工業(yè)智能優(yōu)化決策的實現(xiàn)技術與工業(yè)軟件,建立流程工業(yè)智能優(yōu)化決策系統(tǒng)實驗平臺,引領工業(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,實現(xiàn)流程工業(yè)生產(chǎn)的綠色化、智能化和高效化,引領工業(yè)化與信息化深度融合.

5 結束語

流程制造業(yè)具有生產(chǎn)連續(xù)程度高、生產(chǎn)設備眾多、變量間強耦合、生產(chǎn)產(chǎn)品固定、生產(chǎn)量大等特點,生產(chǎn)企業(yè)的整個管理決策過程還是依賴人和知識型工作者來進行.當市場需求和生產(chǎn)要素條件發(fā)生變化時,難以及時準確地做出企業(yè)目標、計劃調度、運行指標、生產(chǎn)指令與控制指令的決策反應,無法實現(xiàn)企業(yè)產(chǎn)品質量、產(chǎn)量、消耗和成本等綜合生產(chǎn)指標的優(yōu)化.本文根據(jù)我國流程工業(yè)過程智能優(yōu)化決策系統(tǒng)的現(xiàn)狀,提出復雜工業(yè)過程生產(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)能夠有效地結合工業(yè)制造流程、知識型工作自動化以及智能技術,使得企業(yè)能夠智能感知物質流、能源流和信息流的狀況、自主學習和主動響應,自適應優(yōu)化決策企業(yè)生產(chǎn)目標、優(yōu)化配置資源和合理配置與循環(huán)利用能源,為實現(xiàn)流程工業(yè)過程智能優(yōu)化制造打下基礎.