汪 會,潘海鵬,張益波

(浙江理工大學 機械與自動控制學院,杭州 310018)

流程工業(yè)也被稱為過程工業(yè)(process industry),包括化工、食品、制藥、冶金、造紙等生產行業(yè),是我國先進生產力發(fā)展的重要支柱.早期的過程工業(yè)通常是連續(xù)型過程,即從原料投入到產品制成是依次連續(xù)進行的,常見于冶金、煉鋼、玻璃制品等大規(guī)模生產行業(yè).隨著科學技術的迅速發(fā)展和人民生活水平的提高,市場競爭對流程工業(yè)的壓力不斷增大,而大數據、人工智能、云計算等技術的出現,也給流程工業(yè)帶來了翻天覆地的變化[1],小批次、多品種生產過程的日益增加促使連續(xù)型生產過程向間歇型生產過程轉化,其中以化工、生物制藥和食品飲料等行業(yè)尤為典型.

間歇生產過程是指將有限量的物質按規(guī)定的加工順序在一個或多個加工設備中加工以獲得有限量產品的加工過程(ANSI/ISA-88.01 標準)[2].間歇生產過程具有動態(tài)性和間斷性,為了滿足精細化生產需求,可以在一個多功能、多用途的生產設備上,生產出不同種類的產品.與連續(xù)生產過程相比,間歇生產過程的特性可以用“多重時變”來概括[3]:

(1)多:“多樣產品”,指同一臺設備可以生產不同材質、形狀、大小的產品,當產品切換后,生產操作條件改變,潛在過程特性隨之變化.

(2)重:“重復運行”,指不斷地重復同一操作來生產多件產品.

(3)時:“時段切換”,指在不同的時段運行不同的生產操作.

(4)變:“變換指標”,指在不同的生產階段,決定產品的關鍵變量發(fā)生變化,控制目標和控制方案也會隨之變化.

間歇生產過程的“多重時變”特性導致不同產品、不同生產階段需要有不同的操作工藝或不同的生產目標,因此,要保證生產過程的產品質量,亟需提出有效的間歇生產過程的優(yōu)化方法.間歇生產過程的優(yōu)化方法的研究一般可以分為生產工藝的優(yōu)化研究、調度優(yōu)化的研究以及生產單元的優(yōu)化研究等,其中針對生產單元的優(yōu)化較為廣泛,本文也是僅對單元優(yōu)化方法進行了總結.

從系統(tǒng)控制的角度來看,“多重時變”的特性也導致間歇生產過程具有非穩(wěn)態(tài)工作點,且隨著批次的更迭在有限時間內重復運行.非穩(wěn)態(tài)工作點,即所有參數(如溫度、流量等)目標值呈現曲線變化,使被控對象輸入輸出關系不斷改變,工作點反復發(fā)生切換,系統(tǒng)動態(tài)呈現出很強的非線性特點.沒有穩(wěn)態(tài)工作點使得間歇生產過程無法建立精確的過程模型,給間歇生產過程的控制帶來了很多困難,也給高質量精細化生產帶來了新的挑戰(zhàn).因此,為了減少能耗和時間、增加收益,探索間歇生產過程中的優(yōu)化方法和控制策略成為熱點.

優(yōu)化與控制是間歇生產過程高質高效運行的重要手段.間歇生產過程中的優(yōu)化問題可以分為開環(huán)形式以及閉環(huán)形式[4].開環(huán)形式的間歇生產過程優(yōu)化基于機理模型對經濟性能指標進行優(yōu)化從而獲得開環(huán)操作軌跡,并將開環(huán)操作軌跡直接作用到間歇生產過程[5].但因為過程的不確定性,需要修改這個開環(huán)解.針對過程的不確定性,閉環(huán)形式優(yōu)化則是基于過程測量在線求解開環(huán)形式的優(yōu)化問題,通常需要在線求解大規(guī)模復雜非線性優(yōu)化問題[6],該問題通常需要大量的計算成本和計算時間.間歇生產過程控制則是對優(yōu)化獲得的操作軌跡的跟蹤,即在有不確定性干擾的條件下,使實際操作軌跡盡可能貼近最優(yōu)操作軌跡[7].本文將分別從間歇生產過程的優(yōu)化和控制兩個方面進行討論.

1 間歇生產過程優(yōu)化策略

1.1 離線優(yōu)化

傳統(tǒng)優(yōu)化是開環(huán)形式,根據靜態(tài)模型或經驗模型,在離線的狀態(tài)下采用數值計算的方法來求解優(yōu)化問題,從而得到相關控制變量的操作軌跡.文獻[8]針對造紙廠蒸煮過程,設計了一套基于集散控制系統(tǒng)(Distributed Control System,DCS)的間歇蒸煮過程模型,通過解析方法實現對木漿卡伯值的精確預報及升溫曲線的優(yōu)化.文獻[9]針對甲醛生產建立反應過程數學模型,在滿足產品質量和產量的約束條件下,通過優(yōu)化計算求得了使原料單耗最低的最優(yōu)操作條件.文獻[10]針對乳液聚合反應器的機理模型難以建立問題,基于遞歸神經網絡和以往操作經驗建立了反應器的數學模型,采用序貫二次規(guī)劃法計算最優(yōu)反應溫度并實施控制,使生產效率大大提高,節(jié)省了建模時間.

此類優(yōu)化方法一般在生產開始之前,通過解析法或數值法在離線的情況下計算出過程參數,得到最優(yōu)開環(huán)軌跡,無法預測到過程中的不確定因素,也無法避免由初始條件變化來的影響,因此現在研究的較少.

1.2 在線優(yōu)化

在線優(yōu)化是利用測量傳感技術不斷在線獲取研究對象的測量數據,用獲得的數據更新原來的過程模型,從而克服過程干擾帶來的模型偏移、失配問題.根據獲取在線測量數據的方法的不同,在線優(yōu)化方法主要分為基于在線辨識的重復優(yōu)化法和級聯優(yōu)化法.

基于在線辨識的重復優(yōu)化法是將間歇生產過程分割成若干段連續(xù)過程,分別對每段連續(xù)過程用解析法或數值法計算優(yōu)化解.李春富等針對異丁烯酸甲酯聚合反應過程,運用部分最小二乘法(Multiway Partial Least Squares,MPLS)建立軟測量模型,通過在線測量過程變量對產品質量進行預測[11].但這種方法僅適用于線性過程,不宜用于復雜的非線性過程.針對非線性問題,李春富團隊[12]又利用徑向基神經(Radial Basis Function,RBF)網絡的萬能逼近性來處理過程的非線性,將遞推最小二乘(Recursive Partial Least Squares,RPLS)算法同RBF 網絡結合,根據在線測量的數據自適應地調整過程模型的結構和參數,使模型適應非線性過程的變化.

間歇生產過程很多時候要涉及高維優(yōu)化問題,因為間歇生產過程的時變性造成了過程模型一般是由多個線型模型組成.此外,該優(yōu)化策略還存在兩個不足,一是辨識需要額外的激勵信號,易使系統(tǒng)的穩(wěn)定性變差,并且當狀態(tài)變量存在擾動時計算量過大;二是該優(yōu)化策略需要狀態(tài)變量全部可測,對存在不可測擾動的過程優(yōu)化效果欠佳.

級聯優(yōu)化方法結合了離線優(yōu)化和反饋控制的優(yōu)點,圖1為級聯優(yōu)化的系統(tǒng)結構圖,需要嵌套兩個PI 控制器組成反饋模型.內環(huán)采用普通控制器,用來跟蹤給定值,而外環(huán)為內環(huán)的控制器提供最優(yōu)設定值軌跡.當外環(huán)被觸發(fā),就開始修正設定值軌跡,使設定值不斷接近最優(yōu)值[13].文獻[14]將球磨機簡化為一個連續(xù)控制過程,采用連續(xù)磨礦采樣數據確定參數,將自適應律和RBF算法相結合,再利用改進的RBF 算法優(yōu)化被控對象,實驗證明,優(yōu)化后跟蹤軌跡更加逼近理想狀態(tài).與在線辨識的重復優(yōu)化相比,該策略的優(yōu)點是不需要過程狀態(tài)完全可測,節(jié)約時間.但該策略的缺點是對存在非線性的過程的優(yōu)化效果欠佳.

圖1 級聯優(yōu)化的系統(tǒng)結構圖

近年也提出了很多基于在線測量值的實時優(yōu)化,如動態(tài)規(guī)劃、離散化和參數化法,主要是針對含復雜約束的間歇生產過程的過程參數和質量參數進行在線監(jiān)測,利用監(jiān)測獲得的數據不斷更新過程模型.文獻[15]采用幾何法求解間歇過程的優(yōu)化問題,在狀態(tài)空間變量復雜多樣的情況下,引入反饋律求解終端優(yōu)化問題.文獻[16]使用最速梯度法解決間歇過程的模型失配問題,基于狀態(tài)估計模型在線修改設定值,調節(jié)最優(yōu)軌線的過程參數,利用實時觀測器控制設定值曲線.實時優(yōu)化中常使用的方法是動態(tài)優(yōu)化和非線性優(yōu)化,但需要大量的計算成本以及計算時間,這限制了更新的頻率,導致實時更新受到限制.

根據優(yōu)化是否基于模型,將實時優(yōu)化分為基于模型的實時顯性優(yōu)化和實時隱性優(yōu)化[17].

(1)基于模型的顯性優(yōu)化方法,模型需易獲得測量值.

首先,根據獲得的測量值對模型的過程參數進行實時更新,即:

接著,根據更新后的過程參數進行數值優(yōu)化獲得過程的最優(yōu)點和操作軌跡,即

最后,重復上述步驟,直至得到最優(yōu)解.

該優(yōu)化方法十分依賴過程模型,如果過程模型的誤差較大,該方法的優(yōu)化效果就會受到影響,因此對過程模型的更新十分重要.此外,當輸入接近最優(yōu)值時,該方法無法通過不斷激勵輸入來克服未知參數的干擾.

(2)不需要模型的實時隱性優(yōu)化方法,使用在線監(jiān)測獲得的測量值直接更新輸入值.代表性的方法有自優(yōu)化控制[18]和NCO (Necessary Condition of Optimization)[19].自優(yōu)化控制是通過批內變量的因果性,對有干擾和不確定因素的系統(tǒng)進行優(yōu)化.NCO是基于一個名義上的過程模型,設計控制器跟蹤優(yōu)化目標的必要條件,并通過數值優(yōu)化獲得NCO的結構信息,再利用測量值強制過程與結構信息匹配[17].NCO的算法步驟是:

首先,根據目標函數優(yōu)化所需條件,建立有關NCO的模型,即:

然后,根據必要條件求解最優(yōu)解.

1.3 批次對比優(yōu)化

基于間歇生產過程的重復性,研究人員設計出了批次對比優(yōu)化算法,通過迭代算法將上一批次獲得的有價值的歷史數據運用到當前批次中,不斷改進優(yōu)化指標.批次對比優(yōu)化的關鍵就是如何在上個批次中獲得有用的信息來優(yōu)化接下來的批次.

批次對比優(yōu)化算法可分為兩類,一類是基于模型的統(tǒng)計優(yōu)化方法,如主元分析(Principal Component Analysis,PCA)、最小二乘(Partial Least Squares,PLS)等多變量統(tǒng)計分析方法[20],通過對檢測得到的數據或變量進行系統(tǒng)分析,得到必要的數據維數,由此構造優(yōu)化目標和過程變量之間的數學模型,再根據該模型結合在線測量值更新操作軌跡.算法步驟為:

首先,根據監(jiān)測得到的測量對目標參數進行實時更新,即:

然后,根據得到的過程參數,進行數值計算,再利用上一批次獲得的數據進行對比優(yōu)化,得到下一批次的參數優(yōu)化值,即:

此優(yōu)化方法的優(yōu)點是能建立決策過程的經驗化模型,并可以實時觀察過程的變化,缺點是對含有擾動和不確定因素的過程,其優(yōu)化效果不佳,使用范圍比較局限,無法擴展到其他過程優(yōu)化中.

批次對比優(yōu)化算法的另一類是使用趨勢模型.根據間歇生產過程的重復性,利用積累的操作經驗和過去生產的歷史數據優(yōu)化和改進現有的過程模型以及通過模型預測最優(yōu)軌線的一種設想.文獻[21]采用趨勢模型算法,將其運用到狀態(tài)估計器的設計上,并使用該模型來改進擴展Kalman 濾波器,實現對間歇反應過程的實時優(yōu)化.該類優(yōu)化方法不依賴精確的模型,可以有效地處理間歇過程的不確定性,算法步驟為:

首先,基于優(yōu)化目標的操作條件和約束來設計NCO,即:

然后,根據必要條件及前一批次數據,重復運行獲得最優(yōu)解.

需要說明的是,實時優(yōu)化和批次對比優(yōu)化在有些時候是可以實現綜合優(yōu)化的[17].例如,基于模型的優(yōu)化,可以利用實時優(yōu)化來估計狀態(tài),同時在過程運行時根據獲得的數據來預測模型的參數.在無模型的優(yōu)化中,利用實時優(yōu)化來得到近似的更新率,再在批次運行中設計終端約束和靈敏度預測的控制器.

近三十年來,間歇生產過程優(yōu)化方法成果斐然,各有各的優(yōu)勢,傳統(tǒng)的離線優(yōu)化研究的人已經很少了,這里不做贅述,僅對在線優(yōu)化和批次對比優(yōu)化方法進行總結,它們的優(yōu)、劣勢及適用場景見表1.

表1 間歇生產過程的優(yōu)化方法分類

無論是在線優(yōu)化還是批次對比優(yōu)化,都是對生產過程中的設定值的優(yōu)化,間歇生產過程中的過程參數(溫度、流量或壓力等)通常不是一個定值,是通過對優(yōu)化目標(產品質量指標、能量指標或效率指標)進行優(yōu)化而得到的一條參數變化曲線.優(yōu)化目標與過程參數之間的關系往往十分復雜,建立精確而又簡易模型來描述兩者關系十分困難,如何在此情況下進行過程對象的優(yōu)化是研究的重點.近年來有很多研究者們利用在線優(yōu)化和批次對比優(yōu)化各自的優(yōu)點,將兩種類型的優(yōu)化方法結合起來,綜合這兩種算法各自的優(yōu)點,形成混合優(yōu)化方法.文獻[22]針對不確定條件下中間存儲時間有限的多產品間歇生產過程調度問題,通過模糊排序建立了數學模型,將分布估計和粒子群優(yōu)化結合,設計出IPSO-EDA 混合算法.文獻[23]針對化工過程優(yōu)化問題,將控制變量參數化方法(Control Variables Parameterization,CVP)和PSO 相結合,利用PSO 對最優(yōu)控制量進行求解,控制變量參數化方法將獲得的解作為初始給定軌跡,進行二次優(yōu)化.相比于單層PSO算法,該策略提高了算法的優(yōu)化精度;相比于單層CVP算法,該策略提高了算法的優(yōu)化效率.

2 間歇生產過程控制策略

間歇生產過程的控制問題是在不違反操作條件和約束的情況下,對最優(yōu)控制軌跡的跟蹤問題.相比于連續(xù)生產過程,間歇生產過程控制的難點主要有:(1)間歇生產過程沒有穩(wěn)定的工作點,設定點和控制時間是不斷變化的;(2)間歇生產過程具有非線性[24];(3)對象模型一般存在不確定性,且生產過程有不確定的干擾,大多帶有約束條件.

這些難點給間歇生產過程控制問題的研究帶來了挑戰(zhàn),同時間歇生產過程的重復性和慢速過程特性又為解決這些難點創(chuàng)造了機會.

傳統(tǒng)的間歇生產過程控制是基于經典控制理論,采用常見的儀器儀表,對生產過程中的溫度、流量、壓力和液位進行控制[25,26],根據不一樣的控制目標和控制要求,以單輸出的比例-積分-微分控制策略為核心,建立特定的操作模型,文獻[27]分別以化工過程常遇到的一階、二階和具有純滯后的對象為例,設計了克服干擾的前饋—反饋控制和串級控制,并優(yōu)化具有延遲特性的Smith 預估補償器.傳統(tǒng)控制策略的主要任務是穩(wěn)定系統(tǒng),但對具有時變性和非線性,且存在外界干擾的間歇生產過程,傳統(tǒng)控制策略無法滿足控制要求.為了實現更好的控制效果,開始了智能控制和先進控制策略的研究.

2.1 智能控制策略

智能控制是針對一類模型復雜而難以建立數學模型的生產過程的控制方法,主要的控制方法有模糊控制和神經網絡控制[28].

模糊控制是基于模糊推理和模仿人的思維方法,對難以建立精確的數學模型的對象實施的一種控制[29].它能夠用模糊語言把過去研究人員總結的控制經驗表示成特定的控制規(guī)則,從而實現對系統(tǒng)的控制.文獻[30-32]針對間歇生產過程的非線性和時變性導致的模型難以建立的問題,結合工程人員的豐富經驗,把模糊規(guī)則控制和傳統(tǒng)控制策略融合,制定綜合操作計劃,獲取了不錯的應用價值.

模糊控制需要依靠操作人員的經驗,不具有通用性.于是,隨著神經網絡理論的深入研究,神經網絡控制接替模糊控制成為控制領域的研究重點,引起了研究人員的研究興趣.對于間歇生產過程控制系統(tǒng),神經網絡控制具有以下優(yōu)勢:(1)萬能逼近特性,可以無限接近最優(yōu)操作軌跡.(2)自主優(yōu)化能力強,能夠克服系統(tǒng)的時變性.(3)采用并行分布處理方法,節(jié)省計算時間.(4)魯棒性和容錯性較強.(5)適用多變量系統(tǒng).充分利用這些優(yōu)勢,對間歇系統(tǒng)和難以建模系統(tǒng),可以創(chuàng)造出新的控制思路.文獻[33-36]將神經網絡應用到間歇過程的建模和控制中,增加了模型的準確性,改善了對過程的控制性能.但僅靠一個神經網絡控制無法避免局部極值及過度訓練.文獻[37]針對原油蒸餾過程,提出Bootstrap 多神經網絡的非線性軟測量建模方法,該方法比單一神經網絡具有更高的準確率和魯棒性.

智能控制策略雖然能在一定程度上實現良好的控制效果,但仍有幾點不足:(1)當遇到含有復雜約束和不確定情況的間歇生產過程時,由于無法了解過程的具體操作情況或者無法獲取大量實驗數據,而難以建立過程模型,對于這種情況,該策略無法實現很好的控制效果.(2)該策略的控制算法往往需要在線處理非線性優(yōu)化問題,使用數值求解的方法對于我們的計算能力是很大的考驗.

2.2 先進控制策略

先進控制策略是以現代控制理論為基礎,對較復雜的生產過程進行控制,主要有自適應控制、魯棒控制、預測控制和迭代學習控制[38].

自適應控制是針對控制目標的特性不停變化和存在不可測因素的生產過程的控制策略.該控制策略具有一定的適應能力,執(zhí)行器設定值隨著過程參數的改變而不同,以確保當控制對象特性變化時,系統(tǒng)仍能達到控制要求.文獻[39]在注塑成型中使用自適應算法來控制注射速度,通過在線測量得到的輸入輸出數據來估計出系統(tǒng)模型,再通過模型配置閉環(huán)系統(tǒng)的零極點,如圖2所示.在此基礎上文獻[40]用GPC 控制器代替了零極點配置控制器,有效的克服了控制器對模型失配敏感的問題.

圖2 自適應控制器示意圖

比較經典反饋控制,自適應控制確實提高了生產過程的實驗結果.但當批次更迭時或過程特性變化時,自適應控制系統(tǒng)的輸出會出現不穩(wěn)定的現象,需要一定時間進行調整,導致控制效率的優(yōu)勢欠缺.

魯棒控制可以消除間歇生產過程中因模型失配而產生的不良影響.文獻[41]以非線性系統(tǒng)的魯棒鎮(zhèn)定和魯棒L2 干擾抑制問題為主線,概括介紹了基于耗散性的非線性過程魯棒控制領域的新進展.魯棒控制常和自適應控制綜合來實現生產過程的控制目標,魯棒控制器消除系統(tǒng)干擾和未建模動態(tài)的影響,但當系統(tǒng)存在不確定參數時,計算難度較大,而自適應控制可以克服系統(tǒng)的不確定參數,因此兩者相結合能夠產生比各自獨立作用更好的控制效果.文獻[42-44]都是將自適應魯棒控制應用到參數不確定的非線性系統(tǒng),驗證了結合后的算法魯棒性和準確性都更好.文獻[45]基于非線性船舶運動模型,在考慮參數不確定的同時,還加入了外界擾動,提出了非線性Backstepping 自適應魯棒控制算法.文獻[46]將反饋控制與自適應魯棒控制組合,構成中藥溶液糖析出系統(tǒng)的控制器,驗證了方法的有效性.

自適應控制和魯棒控制能夠克服生產過程中的數據無法測量引起的弊端,確保生產的產品質量沒有差異,達到優(yōu)化控制的目的.但自適應控制和魯棒控制只能用于過程參數在限制邊界內不明顯改變的狀況,其優(yōu)化控制的范圍是很有限的.對于批次較多且頻繁切換的生產過程,模型預測控制和迭代學習控制更適合.

模型預測控制(Model Predictive Control,MPC)是面向實際運行結果與理論結果有偏差的生產過程,對處理含約束和不確定因素干擾的多參數生產過程的控制問題上具有很大的潛能.模型預測控制具有以下特點:對模型的寬容性;有限時域的滾動優(yōu)化的有效性;設計時考慮各種軟、硬約束的可能性[47].基于這些特點,很多學者將其應用到間歇生產過程控制系統(tǒng).針對間歇生產過程的特點,研究較多的是多模型預測控制(Multiple Model Predictive Control,MMPC)和非線性模型預測控制(Nonlinear Model Predictive Control,NMPC)[13].

MMPC是針對一類非線性過程提出的一種預測控制策略,其特點是將非線性過程以多時段線性模型或仿射線性模型近似并用作預測模型[48].把間歇生產過程的運行周期劃分為一個個的小時間段,再對這些小時間段的生產過程建立線性模型,這些線性模型組合出整個間歇生產過程的近似模型.文獻[49]應用了基于線性不等式的魯棒模型預測控制,構造了MMA 聚合的連續(xù)攪拌式反應釜的多元分布模型,實現了對各種輸入順序的控制,結果表明,盡管模型具有不確定性,該策略對反應器的特性的控制卻很好,且保證了系統(tǒng)的魯棒性.文獻[50]針對污水生化處理過程,首先從積累的過程輸入輸出數據中找出與當前過程狀態(tài)一致的數據集合,運用局部多項式擬合方法構造過程的局部模型,再基于過程的變化建立數個模型,將所得數個模型與MPC 相融合,得到MMPC 方法.

NMPC是針對弱非線性過程的控制方法,將整個過程劃分為幾段,每段建立線性模型,將非線性過程用多個線性模型組合來近似.對于強非線性過程,以線性模型作為MPC 很難預測過程的動態(tài)行為,而NMPC能很好的解決這一問題.NMPC 問題一般通過離散化技術轉化為非線性規(guī)劃問題,然后采用非線性規(guī)劃求解器進行求解.文獻[51]采用多參數非線性預測控制模型,在被控對象模型不匹配,參數不確定及存在干擾的情況下,進行控制模擬,結果證明,多速率NMPC的控制效果比線性多速率MPC和單速率MPC 都要好.文獻[52]針對濕法冶金浸出過程,分別采用線性化的MPC 方法和基于全局正交配置法的NMPC 方法,從跟蹤性能、抗擾性能和模型失配魯棒性能3 個方面進行了浸出率控制效果仿真對比,證明了NMPC 方法超調量小,響應速度快,穩(wěn)定性高,且在模型失配的情況下具有較強的魯棒性.

迭代學習控制(Iterative Learning Control,ILC)是根據過去積累的控制經驗和過程輸出誤差來優(yōu)化當前的控制效果,使被控系統(tǒng)的實際輸出軌跡在有限時間區(qū)間內盡可能收斂于期望的輸入軌跡[53],通過學習降低控制算法對模型準確性的依賴.文獻[54]提出了基于模型的迭代學習控制,利用先前批次的跟蹤誤差修正當前批次的系統(tǒng)輸入,降低了對模型準確性的依賴.由于間歇生產過程需要在規(guī)定的時間里完成多個批次的生產任務,所以通常從時間和批次兩個維度來研究它的優(yōu)化和控制問題.基于間歇生產過程的二維表示,文獻[55-57]分別提出了4 種類型的迭代學習控制算法,提高了算法的收斂速度和魯棒性.以及文獻[58]的利用多批次輸入輸出信息的高階迭代學習控制算法.這類算法利用大量的數據不斷更新過程模型,因此對模型的準確性要求不嚴格.文獻[59,60]針對間歇生產過程的模型不準確問題,引入組合思想,將控制條件與獲得的歷史數據進行綜合尋優(yōu),再結合迭代學習策略實現控制效果.文獻[61]根據最優(yōu)軌跡的特性,對輸入軌線采取一定程度的參數化處理,并結合迭代學習實現控制效果,在實現了所需的控制效果的情況下,簡化了原本的迭代控制系統(tǒng).文獻[62]針對空調在運行過程中會遇到各種不同的干擾問題,提出了一種二維框架理論的迭代學習預測控制.

LC是利用歷史數據來更新系統(tǒng),對生產過程將要出現的問題無法預測,無法克服生產過程中的“臨時干擾”.MPC是通過預測未來的系統(tǒng)狀態(tài)輸出,進行滾動時域優(yōu)化,能及時處理實時干擾,保證時域跟蹤性能及閉環(huán)穩(wěn)定性,彌補了ILC的不足[63],因此模型預測控制的迭代學習是控制間歇生產過程的一種重要方法.文獻[64-66]針對有約束的二維系統(tǒng),提出了一些基于模型預測控制的迭代學習控制方法.

綜上所述,間歇生產過程的控制技術飛速發(fā)展,要在實際生產過程中實現好的控制效果,需要使用合適的控制策略,表2為各類控制策略的優(yōu)、劣勢以及使用場景的簡單介紹.對于批次數量非常有限,或者生產過程耗時較長,并且不同生產過程的控制模型的設定值差異很大的過程,不宜用ILC和NMPC,使用魯棒控制和自適應控制的效果更佳.

表2 間歇過程的控制策略分類

2.3 混合控制策略

混合控制是將傳統(tǒng)控制、智能控制和先進控制的控制策略組合起來實現對間歇生產過程的控制.文獻[67]針對間歇生產過程存在的參數時變問題,將在線自適應調節(jié)和ILC 組合起來建立綜合控制模型,通過仿真驗證,該策略改善了間歇發(fā)酵過程的控制性能.文獻[68]針對初始狀態(tài)不確定和存在干擾的系統(tǒng),將魯棒控制和ILC 一起應用到注塑機注射速度的控制中,結果表明,該算法的魯棒性較強,有效改善了系統(tǒng)的控制效果.文獻[69]通過最小二乘法辨識得到時變偏擾模型,并進一步將迭代學習算法和S-procedure 魯棒方法相結合,實驗證明,該設計對系統(tǒng)的收斂性更高,達到了很好的控制效果.

當系統(tǒng)中存在不重復干擾時,有人提出將迭代學習控制算法與批次內的反饋控制算法結合形成反饋迭代學習控制[70],如圖3所示.文獻[71]針對間歇過程反應器的模型誤差和隨機干擾問題,在最優(yōu)迭代學習控制的框架下引入時間反饋機制,在生產過程的每個批次中,不斷利用當前信息校正過程中特性變化的過程輸出.文獻[72]在文獻[71]的基礎上,提出了一種兩階段(two-stage)的結合方式,以降低算法對不重復干擾的敏感性.

由于間歇生產過程有時間和批次兩個維度,于是又提出用二維控制理論來分析設計反饋迭代學習控制方法.文獻[65]基于二維控制理論,提出了一種間歇生產過程的集成預測迭代學習控制(2D-Integrated Predictive Iterative Learning Control,2D-IPILC)策略.文獻[73]針對存在批次變化傳感器故障的間歇過程,基于間歇生產過程的容錯控制,引入迭代學習控制律,建立了高階控制模型,證明了容錯閉環(huán)系統(tǒng)的穩(wěn)定性和魯棒性.

圖3 反饋迭代學習控制示意圖

總之,針對間歇生產過程的控制技術的發(fā)展已經有了很大的突破,各種控制策略也相對成熟.但仍然存在待研究的問題,比如對不確定時長的間歇生產過程的控制問題,以及如何利用得到的數據對時變系統(tǒng)建立精確的模型問題,以更好的提高算法的收斂性能和控制效果.

3 結論與展望

針對間歇生產過程的“多重時變”特性,本文分別綜述了近年來的優(yōu)化方法和控制策略.對于間歇生產過程的優(yōu)化方法,主要從基于測量值的在線優(yōu)化和基于模型的批次對比優(yōu)化兩個方面進行陳述.從本文的分析可以看到,在線優(yōu)化和批次對比優(yōu)化均是間歇生產過程的研究熱點,研究成果也十分斐然,但間歇過程的優(yōu)化方法仍在發(fā)展過程,未來的研究前景:

(1)現在間歇生產過程的優(yōu)化方法大部分都需要系統(tǒng)模型,而現實工廠運行中構造精確的系統(tǒng)模型具有很大的挑戰(zhàn),缺乏精確的過程模型、生產過程存在干擾和不確定因素,,如何常采用合適的組合優(yōu)化方法,解決這些問題的同時,系統(tǒng)的穩(wěn)定性不受到影響.例如,對于間歇生產過程難以建立精確的數學模型問題,前面有提到一種無模型優(yōu)化方法,但這種方法通常需要大量的實現數據,如何結合其他優(yōu)化方法從而實現揚長避短還需要大家來研究.

(2)當間歇生產過程的過程特性發(fā)生變化時,過程的控制參數需要隨之變化.例如,在乙酸乙酯的生產過程中,當催化劑或反應原料發(fā)生變化時,為了獲得合格的乙酸乙酯產品,需要更改進料流率、釜溫和釜內壓強等過程參數.因此我們要獲取優(yōu)化目標和過程參數之間的數學關系,這就需要基于大量的實驗數據來建立生產過程的模型.還有一些間歇生產過程因為產品發(fā)生變化而改變了過程特性,這時可以利用前個產品的實驗數據來對新的產品建模.目前已經有人提出了基于過程相似特性的模型移植策略,不過這方面的理論研究和應用還不夠成熟,還需要進一步對如何界定產品的相似性和如何甄別有用的數據來研究.

對于間歇生產過程的控制策略,主要從3 種控制策略方面進行敘述.雖然近三十年,間歇生產過程的控制策略研究取得了不少成果,但仍存在很多問題需要改進:

(1)對于基于模型的控制策略來說,精確模型對于獲得好的控制效果至關重要.迭代學習的引入一定程度上降低了控制策略對模型的依賴,但精確的模型仍能提供更好的控制效果和控制速率.對于間歇生產過程來說,建模的難點在于過程的時變性,而如何利用過程的重復性對時變性的過程進行建模仍需要研究.

(2)間歇生產過程大多具有很明顯的非線性,為了降低在線計算的復雜度,前一節(jié)提到的基于迭代學習的控制策略的原理是將非線性過程劃分為多個線性過程,建立線性模型以近似非線性過程.如文獻[74]在不同的時間點,將非線性模型進行線性處理,通過對非線性過程進行劃分,獲得多個線性模型,用這些線性模型來近似為非線性過程.針對這些線性模型完成非線性過程的控制策略的設計.當間歇生產過程的非線性較弱,且沒有復雜的約束和不確定因素的干擾時,這種近似化方法是可行的.但當過程的非線性無法得到高精度的近似時,這種方法獲得的控制策略無法具有說服力,需要更加合適的控制策略來解決,這值得大家去研究.

間歇生產過程的優(yōu)化方法和控制策略的研究仍落后于連續(xù)生產過程,對間歇生產過程的研究還不夠,而傳統(tǒng)的連續(xù)生產過程的優(yōu)化方法和控制策略不宜用于間歇生產過程,此外,還需要加強改進算法和現代控制理論的融合,研究出適合大多數的間歇生產過程的控制與優(yōu)化軟件且實現產業(yè)化具有必要性.