數據驅動的工業過程運行監控與自優化研究展望

劉強 卓潔 郎自強 秦泗釗

1 工業過程全流程運行監控系統的內涵與行業現狀

1.1 工業過程全流程運行監控的內涵

工業過程包括以石油、化工、鋼鐵、有色、建材等基礎原材料行業為主的流程工業和以機械、電子、汽車、航空航天、軌道交通、海洋工程等裝備制造行業為主的離散工業.現代工業過程通過控制與決策系統向大規模和集成化方向發展,通常是由多個工業裝備組成的生產工序,其功能是將原料加工為下道工序所需要的中間產品,多個生產工序構成了全流程生產線.現代工業向精細化、集約化發展,對安全、高效、節能、高質生產提出了更高要求,需要對生產全流程進行有效監控[1].

工業生產要求全流程在安全運行的前提下,使反映加工半成品的質量和效率的運行指標盡可能高,反映資源消耗和加工成本的運行指標盡可能低[2],而且與上下游工序的過程控制系統協同.生產任務不只是局限于底層輸出跟蹤設定值,而且要求生產運行向上層要滿足用戶需求和原料狀況,向下層又要綜合考慮底層控制性能和設備狀態、運行環境等生產條件.流程工業生產連續程度高、設備眾多、變量間耦合嚴重、產品固定、產量大,具有復雜能量和物質回流、機理不清等典型特點;離散工業結構復雜、工藝過程長、產品工藝和設備柔性、產品和物料品種規格多,具有非標定制需求、多單元柔性加工、多/變約束運行等典型特點.在上述復雜工業環境和需求中運行的生產全流程控制與運行管理系統,因生產條件的頻繁變化和惡劣環境,還可能造成運行指標、過程控制系統設定值的決策失誤帶來的異常工況,影響生產全流程的安全運行和產品質量[1].因此,除了要對常規的部件異常進行實時監控外,還需要能夠實現監控生產全流程生產條件和運行環境變化、決策不當等引起的異常工況、運行指標異常和協同控制異常等.

工業過程全流程運行監控的內涵是利用相關物理資源和信息資源(例如設備狀態數據、過程數據、圖像、振動聲音、巡檢記錄文本、決策信息等),綜合控制理論、統計計量學、機器學習等理論技術以及人員經驗實現工業過程監控與異常運行狀況預測,判定待監控對象(包括決策和管理執行狀況,產品質量、能耗物耗、排放等運行指標,控制系統性能,生產與人員安全,生產環境與關鍵設備)是否符合預期或標準,將結果在監控周期內(實時、定期巡檢與抽樣)反饋給實施監控的對象(管理人員、操作人員、工藝人員、設備維護人員等).在運行監控基礎上診斷異常發生時間、原因和位置等,并根據評價結果進行生產決策、控制與維護,從而保障生產及人員安全、提高產品質量和生產效率、降低生產成本、節能減排,實現安全、綠色、高效生產的目標.

1.2 工業過程全流程運行監控的行業現狀

目前,工業過程大多按企業資源計劃(Enterprise resource planning,ERP)、制造執行系統(Manufacturing execution system,MES)、過程控制系統(Process control system,PCS)三層結構組織生產,需監控管理與計劃決策、運行指標(產品質量、能耗物耗、排放)、控制系統性能與狀態、人員安全與行為、環境與關鍵設備狀態.

現有的監控與數據采集(Supervisory control and data acquisition,SCADA)的一類系統主要是PCS層數據的采集與監測.對于典型的流程工業而言,利用集散控制系統(Distributed control system,DCS)數據對執行器、傳感器故障、控制系統組件失效或設備狀態異常而引起的變量超限進行監控,雖然具有異常報警功能,但只是根據輸入輸出數據是否超過限制值,瞬間的超限因控制系統的作用而消失,且由于決策與控制的閉環反饋作用和系統各單元間的耦合作用會使輸入輸出互為因果關系,容易造成誤報和異常溯源困難;對于離散工業而言,主要是通過單源特征參數來監控關鍵加工設備的局部運行狀態.該類監控系統因忽略了數據的相關關系與因果關系,導致監控結果不可靠且不能全面監控全流程運行和中間產品質量.為提高過程監控和異常定位的準確性,工業界國內外一些先進企業特別是石化和鋼鐵行業逐漸開始采用統計過程監控技術對關鍵設備和生產流程進行監控.美國Aspen公司開發的統計過程監控軟件已被石化企業廣泛采用.在鋼鐵行業,加拿大Dofasco鋼鐵公司二號連鑄機組成功采用統計過程監控技術實現了開澆階段斷澆故障的監控與預防[3],以及不同鋼種切換過渡過程的監控[4].

對于管理與計劃決策、運行指標、控制系統性能與過程運行狀態、環境和關鍵設備狀態、人員決策與操作尚缺乏有效的監控.管理與計劃決策監控主要是對ERP和MES執行結果的監控,無法分析異常原因、監控不及時,無法實現決策、控制、設備一體化監控;對于產品質量和能耗物耗、排放等運行指標的監控主要是根據控制圖(例如休哈特控制圖、累加和控制圖、指數加權平均控制圖)等抽樣檢驗,屬于事后監控、實時性差;環境和關鍵設備狀態的監控通過人員持檢測儀表在生產線的巡檢完成,無法實時監控原料及用戶需求、系統運行環境、設備狀態等生產條件的異常變化.現有運行優化與控制算法通常沒有識別生產條件和運行工況變化的功能,不能適應工業過程的這種動態變化,在生產條件發生非期望變化時,如果處理不當就會導致系統性能變壞,使系統運行處于異常工況[1].

上述異常工況發生時,由于異常工況機理不清導致難以利用現有監控系統來診斷,通常由運行工程師靠耳朵和眼睛來觀測運行工況表征以及利用ERP,MES,PCS獲取的子系統/單元的短時運行數據憑經驗判斷與處理.由于診斷與處理具有主觀性、滯后性和非優性,造成診斷與處理結果的差異大,無法保證最優且處理不當可造成嚴重的災難性后果,難以安全優化運行.

2 工業過程運行監控的研究現狀

2.1 工業過程運行監控方法

目前,工業過程安全運行監控的研究主要是基于模型的單元內控制系統故障診斷與容錯控制方法[5?12],以及數據驅動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故障診斷與容錯控制方法

對于可以獲得系統模型的工業過程或生產單元,基于模型方法利用可測信號估計系統狀態或殘差進行監控,包括參數估計方法、觀測器方法、對偶關系方法等對預先定義的傳感器、執行機構、被控對象故障實現單元級控制系統故障的診斷[5?7].近年的主要進展是針對復雜工業過程參數不確定、時變干擾、未建模動態、非線性等導致故障特征難以辨識,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分的問題,文獻[8]提出了基于極大/極小優化理論的有限頻故障診斷方法;針對非線性被控對象,文獻[9]使用非線性模糊建模方法將原系統描述為T-S系統,基于集合論的模型描述和借鑒集合等價類技術的執行器故障的估計和分離方法.

容錯控制是利用系統模型設計容錯控制器,實現傳感器、執行機構、被控對象故障情況下通過一定程度降低系統性能來保證穩定性和安全[10].近年的主要進展是針對現有容錯控制技術難以在全局范圍內對未知動態非線性系統進行故障補償,提出了魯棒自適應容錯控制和基于多項式優化技術的非線性容錯控制方法,解決了系統模型未知情況下根據系統輸入輸出數據設計容錯控制器的難題.例如,文獻[11]針對一類具有已知控制方向的嚴格反饋非線性系統,提出基于反推方法的執行器故障、非線性和外部擾動完全未知下的自適應容錯控制方法;針對一類具有未知控制方向的不確定非線性系統,文獻[12]引入新誤差轉換函數和通過構造新自適應機制,提出了一種低復雜度的狀態反饋容錯控制方法.

上述方法均以精確數學模型描述的過程模型為基礎,僅限解決單元內控制系統故障的監控與診斷,性能的好壞很大程度上依賴于模型的準確程度,不能解決機理不清的復雜工業過程全流程的運行監控與異常工況診斷問題.

2.1.2 數據驅動的異常工況診斷與自愈控制方法

對于機理不清的難以獲得精確數學模型的工業過程而言,運行異常原因不僅包括傳感器故障和執行機構故障等控制系統故障,還包括原材料波動、運行環境變化、過程設備磨損老化、操作不當等原因引起的異常運行工況和產品質量不合格,難以采用傳統基于模型方法進行診斷.

近二十年,隨著工業過程普遍采用DCS采集了直接反映生產全流程運行工況的數據,數據驅動的監控與故障診斷方法通過各種數據處理與分析方法(例如多元統計方法、聚類分析、頻譜分析小波分析等)挖掘數據中隱含的異常工況相關信息進行診斷.研究和應用最多的是以單一層面的主元分析(Principal component analysis,PCA)和獨立元分析(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計過程監控方法[13?20].該類方法利用正常工況數據建立潛結構模型,將由多變量構成的高維空間投影到低維來建立數據間的潛結構,在此基礎上通過比較正常和故障條件下數據相關結構的變化來監控和診斷故障.故障監控一般根據故障檢測指標超過其控制限來實現;在此基礎上,常使用貢獻圖[14?15]或基于重構的貢獻圖[16,18,21]來識別故障變量以及結合過程知識分析故障原因,或利用歷史故障數據提取故障方向并采用重構方法診斷故障原因[15,17,22].該類方法因其具有降維、便于可視化的優點,已在化工、薄膜制造、醫藥、微電子制造、鋼鐵生產等多種流程工業中取得成功應用.

目前,國內外學者在數據驅動的工業過程監控方面已經發表了大量研究成果,主要是針對具體的工業過程具有的大規模、間歇時段性、多層面運行、動態性、強非線性等過程復雜性,從提高過程監控結果的解釋性和準確性的角度提出的過程監控與故障診斷方法.本文主要從過程復雜性出發,對已有成果進行分類和總結.

1)針對薄膜制造和鋼鐵冷軋連退過程這類典型的大規模連續生產過程,因其具有大規模變量和多單元串聯加工特點,為了提高過程監控結果的解釋性,學者提出利用過程知識或變量選擇方法等對過程變量進行分塊來建立多塊潛結構模型,在此基礎上實現對生產全流程的集散監控與診斷[22?28].例如,學者提出基于多塊主元分析[23?25]和多級主元分析的集散診斷方法[28],成功應用于薄膜制造和鋼鐵冷軋連退過程的集散監控與診斷.近年來,學者還提出多塊監控結果融合的集散監控方法[26]和大數據條件下的用于過程監控的并行PCA方法[27].

2)針對注塑過程、發酵過程、半導體加工過程等成批次多時段生產的間歇過程,會采集到批次、時間、變量三維數據.為了實現上述間歇過程的監控,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或批次展開成二維矩陣,再采用多元統計建模方法進行建模,從而分別監控間歇過程變量間關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,主要是針對間歇過程的多時段提出考慮批次間過渡狀態的軟時段劃分與監控方法[31?33],針對各批次數據不等長問題提出的過程監控方法[35],以及基于重構的間歇過程故障診斷方法[34].

3)復雜工業過程通常多層面運行,企業管理人員和工程師往往更關心過程故障是否會導致最終產品質量或運行指標的異常.但PCA一類方法只能檢測到過程變量的異常狀況,無法建立過程變量與產品質量或運行指標間的關系.如果檢測到的故障不會造成產品質量或運行指標異常,會導致誤診斷.基于PLS或基于典型相關分析的過程監控方法在濾除誤報警方面更有效.例如,文獻[36]將數據劃分為過程數據與質量數據兩層結構,采用PLS模型描述過程數據與質量數據間的潛結構關系,實現運行層故障和過程層故障的分離.但上述潛結構分解是面向質量預測的,在用于過程監控時會包含輸出無關的變化以及對預測質量無用的大變化[37?38].針對上述問題,多位學者從過程監控角度對數據空間進行了更完整的劃分,提出了運行層和過程層聯合監控的一系列方法[38?44],包括基于全潛結構[39]和并發潛結構[40]的異常工況診斷方法以及非線性和集散擴展方法[41],為解決運行層與過程層異常工況的分離提供了有效途徑.但上述方法并沒有改變基本PLS模型對質量變量的預測能力,只是根據質量變量空間進一步分解過程數據空間.為此,文獻[45?46]提出改進潛結構投影和高效潛結構投影方法,將過程數據空間分解為質量相關的子空間和質量無關的子空間并分別進行監控,并在鋼鐵熱連軋機組進行分析比較和應用驗證[47].上述建模與監控方法通常采用偏最小二乘算法,存在建模效率低、與質量有關的過程異常工況的診斷精度低等不足.針對該問題,文獻[48]提出了基于并發典型相關分析的聯合監控方法.但上述方法都屬于監控工業過程穩態工況的監控方法.

4)復雜工業過程實際運行時通常具有動態運行特點,即由儲能環境、動態操作、底層回路控制和運行控制的反饋作用會引入動態,采用上述穩態工況運行監控方法定義的正常范圍往往過大,導致漏報率過高.針對該問題,學者提出了動態過程監控方法.文獻[49]利用時間窗構造變量的增廣矩陣并進行奇異值分解提出基于動態主元分析的異常監控方法,文獻[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方法[52]),和同時考慮過程噪聲和測量噪聲的條件下的間接動態主元分析方法[54].如何面向工業過程運行監控對高維動態多時空數據建模和壓縮一直是國際上尚未解決的難題,為了同時提取變量間的動態自相關和互相關,文獻[55]提出一種基于動態潛變量模型的異常工況診斷方法.但該方法以潛變量估計方差最大為目標,可能提取出方差較大的靜態變化,而非動態變化.針對上述問題,有學者提出動態內在主元分析方法[56],以動態潛變量及其預測值的協方差最大為目標,實現了依據動態性強弱依次提取時間序列低維數據特征和多時空大數據降維可視化和特征提取.從而,可以由降維的動態潛變量提取特征與預測未來,由動態和靜態建模誤差監控當前狀況,為異常工況的監控與預測提供了新的解決思路.

5)絕大多數復雜工業過程嚴格意義上都是非線性過程,導致線性的潛結構建模與監控方法不能取得滿意效果.為此,學者提出了一系列以主元分析、偏最小二乘、典型相關分析等潛結構建模算法為基礎的非線性變形方法[57?59],例如與神經網絡相結合的偏最小二乘方法[57]和基于核投影的非線性過程建模和監控方法.基于核投影的監控方法的基本思想是通過核函數將原始變量的低維空間投影到高維空間,采用傳統的線性潛結構方法對高維空間數據建模,再利用核機制通過對高維空間的線性分解和監控實現對原始非線性空間的分解和監控.文獻[42]提出了全核偏最小二乘方法,并成功應用于典型非線性過程鋼鐵熱連軋生產過程帶鋼厚度相關故障的監控與原因診斷.

6)還有一些針對過程數據非高斯性提出的基于ICA的過程監控方法[19,60?61],以及針對數據采集和傳輸過程中引入的離群點、缺失點等數據復雜性提出的魯棒建模與監控方法[62].

故障預測是早期發現異常并預測其發展趨勢,現有故障預測的研究主要是面向設備視情維護,根據設備疲勞動力學模型[62]或異常發生概率演變模型[63]來預測裝備或部件的剩余壽命.基于模型方法需要精確的機理模型,限制了應用范圍.數據驅動方法通過分析過程數據來近似跟蹤異常工況過程的退化特性.文獻[64]利用邏輯回歸分析和極大似然方法建立性能模型,利用滑動自回歸模型估計設備剩余壽命.振動信號[65]的幅度、頻率等特征也被用于異常工況預測.工業過程運行異常工況的預測仍是有待研究的難題.

工業過程運行監控的最終目標是通過維護與控制操作等手段使過程從異常工況或非優工況恢復到正常工況或優化工況.針對該問題,學者針對難以建立模型的復雜工業過程開展自愈控制方法研究.國內外自愈控制早期研究解決的是故障發生后采用網絡化切換等調控手段恢復系統功能,例如自愈電網、集散控制系統的熱后備智能切換系統、自愈軍事衛星通信系統等.對于工業過程而言,自愈控制的含義有所不同,主要是在工業過程偏離安全運行的異常工況下,通過主動控制手段調整控制回路輸入輸出、操作指令等,使系統遠離故障工況,從異常工況恢復到正常工況,并使實際運行指標盡可能接近目標值,從而改善系統安全性和運行品質[66?67].文獻[68?69]針對豎爐焙燒過程和超高溫電熔鎂爐過程由于控制回路設定值不合適而導致的異常工況,提出了以調整改變控制回路設定值為手段排除異常工況的自愈控制方法.

迄今為止,上述大多針對具體工業過程的方法研究,尚未形成工業過程安全運行與自優化系統,特別是未能綜合利用聲像和過程數據多源異構動態信息實現準確監控,尚未解決運行決策故障和協同故障的遠程移動可視化監控,尚不能通過評估系統運行動態性能、識別運行環境變化、量化原料與用戶需求,通過自適應、自學習、自動調整控制結構和控制參數實現自優化運行.通過信息資源與工業過程物理資源相結合建立信息物理系統(Cyber-physical systems,CPS)來建立安全運行監控與自優化系統成為新的發展方向.

2.2 CPS時代安全監控與自優化的機遇

由ERP,MES,PCS三層結構組織的工業過程生產的企業目標、資源計劃、調度、運行指標、生產指令與控制指令的決策處于人工狀態,ERP,MES,PCS三者無法實現無縫集成.針對該問題,文獻[2]指出下一代工業過程生產系統將發展為由智能自主控制系統、智能協同控制系統、智能優化決策系統、虛擬制造系統、安全運行監控系統組成的智能優化決策系統,如圖1所示.其中,工業過程安全運行監控與自優化系統利用工業互聯網和大數據管理云平臺來獲取智能自主控制系統、智能協同控制系統、智能優化決策系統、虛擬制造系統所產生的歷史運行工況數據,建立各系統/單元內和系統/單元間協同的運行工況的模型,在此基礎上以人機交互的方式監控整個生產全流程的決策和協同,保障系統安全、可靠、優化運行.其主要新特征是將工業互聯網的計算資源與工業過程的物理資源緊密結合與協同,采用智能手段并充分利用優化決策系統、協同控制系統、智能化控制系統獲得的多層面多源異構動態數據,從而將工業過程安全監控與自優化發展為CPS.

近幾年大數據、云計算和人工智能技術的迅猛發展為實現下一代智能化運行監控與自優化系統創造了條件.一方面,大數據和云計算技術提供了必要的數據資源和計算資源;另一方面,以深度學習為代表的人工智能技術從基于邏輯推理和概率統計的傳統范式向大數據驅動的新范式轉變,通過解析多源異構動態數據中隱含的復雜結構特征來處理異常運行狀況的不確定性和模糊性,為研究工業大數據條件下異常工況診斷與自優化系統和新方法奠定了基礎.

圖1 工業過程運行監控系統的作用Fig.1 Role of operational monitoring system

3 數據驅動的工業過程智能監控與自優化系統的研究展望

3.1 數據驅動的工業過程智能化運行監控與自優化系統的發展愿景

工業過程智能化安全運行監控與自優化系統(如圖2所示)集運行狀況感知與特征提取、運行狀況監控、動態性能評價、異常運行狀況預報、自愈控制/自優化于一體,采用智能手段利用大數據對系統動態運行狀況、運行目標、運行環境進行遠程移動實時準確的可視化監控,具有遠程移動可視化、異常運行工況監控和自優化三大類功能.其愿景功能是智能自主感知與監控整個過程的決策和協同控制.在此基礎上,評價系統動態性能,預報異常運行狀況,在系統運行環境變化導致的異常工況下,通過自愈控制和自優化使系統恢復安全優化運行.目標是實現運行監控的精準性、實時性、預測性、遠程移動可視化性,以及動態運行性能與運行指標的自優化,保障其安全優化運行.

圖2 復雜工業過程智能化安全運行監控與自優化系統的架構Fig.2 Intelligent operational monitoring and self-optimization of complex industrial processes

具體功能包括:1)智能優化決策運行的監控,包括對決策控制一體化的監控、協同優化的監控、協同控制的監控、過程運行工況的監控、控制系統的監控、關鍵設備狀態的監控;2)運行環境指標的監控與溯源;3)人員安全與操作行為的監控;4)產品質量、安全、排放、泄露等安全優化運行指標的監控與溯源;5)智能優化決策系統運行動態性能評價,實現智能優化決策系統一體化優化運行的動態性能評價、協同控制的動態性能評價、底層控制的動態性能評價;6)異常工況的智能預測;7)自愈控制與自優化控制:采用自愈控制/自優化手段對決策和控制進行調整,使系統從異常工況/非優工況恢復安全優化運行,實現運行指標(經濟指標、能耗、物耗、加工精度等)自優化運行.

3.2 數據驅動的工業過程智能化運行監控與自優化研究的新方向

為實現上述發展目標和功能,解決動態機理不清的工業過程異常工況與決策故障等的監控,需要重點研究如下五個新方向.

3.2.1 數據驅動的決策、協同控制、底層控制多層面聯合監控

生產資源制約因素難以量化與可視化,中間/最終產品質量難以測量,上層對工業過程中的異常難以實時響應.針對工業過程智能決策協同控制按照決策層、協同控制層、底層控制層多層面運行,產生多層面大數據[70?71]的情況,不僅通過DCS采集到過程數據,而且通過大數據平臺獲得與上層產品質量相關的用戶評價數據以及下層設備級的特征數據.正常的產品質量等指標數據和過程運行數據通常占有特定的運行數據子空間,而不是任意占滿全維空間.通過對各類層間共有的和層內特有的數據異常進行聯合監控,為多層面聯合監控提供決策支持.工業過程多層面數據的集成和融合擴展了用于異常工況監控的數據類別.

然而,面向多層面聯合監控的潛結構建模通常難以考慮底層運行動態,這是因為多層面的PLS和典型相關分析(Canonical correlation analysis,CCA)一類潛結構模型由內模型和外模型組成,所以動態建模有更多可能性.對過程變量增廣成含有很多遲延項再進行多層面聯合監控是最直接的方式.但其缺點與動態主元分析方法類似,模型的目標函數不明確,而且矩陣維數人為增高導致潛在的動態關系難以解釋.文獻[72]提出一種偏最小二乘的修改算法,但只將動態項引入內模型,而外模型沿用靜態PLS模型,形成內外不一致的動態偏最小二乘模型.文獻[73]提出相似的方法建立動態內模型關系.然而,上述兩種方法的動態內模型與靜態外模型不一致.文獻[74]采用過程變量延遲量加權組合作為輸入,建立與指標變量得分間的內模型,實現了緊湊的內模型與外模型.然而,其內模型是不顯現的且難以解釋,難以用于故障監控.有學者提出基于動態內在偏最小二乘[75]和動態內在典型相關分析[76]的動態潛結構建模方法以及在此基礎上的監控方法,通過使質量預測潛變量及其估計值的協方差或相關系數最大化,得到內外一致具有最精簡動態結構模型.主要優點是具有最大輸出預報能力,而且按預報能力對提取的潛變量排序,從而實現對質量相關異常的監控與預報.

上述多層面聯合監控方法,需要利用同步均勻采樣的過程數據與質量數據,而實際工業過程多層面運行采集到多尺度不均勻采樣的工業大數據,主要是決策層采集到的指標數據或質量數據,往往是稀疏不均勻采樣且具有延遲的,通常與高維過程數據具有動態強關聯和潛結構.通過建立二者間的動態潛結構模型,就能夠預測指標狀況.已有學者取得了一些初步進展,文獻[77]提出了將動態窗口與并發典型相關分析算法相結合的不均勻數據潛結構建模與異常工況診斷方法,利用動態窗口技術實現了慢速率質量與快速率過程數據之間動態潛結構的提取,通過多層面動態過程不均勻采樣數據實現跨尺度質量預報與多層面聯合監控方法.

運行工況和運行指標的標記數據通常難以獲得,無法實現實時動態信息到異常運行狀況的端到端學習,這方面的關鍵問題是研究基于稀疏標記數據與高維未標記數據的運行狀況智能預測方法.特別是基于動態時間窗口與半監督集成學習方法,包括:

2)異常運行狀況的征兆期預測與未來預測.以歷史異常工況標記數據為輸出,通過異常工況的模式匹配[79]實現征兆期異常的預測;利用高維動態數據提取的動態潛變量來預測未來數據特征,研究基于向量時間序列的異常工況趨勢預測方法[75?76,80].

3)異常運行狀況時空傳播溯源.針對異常運行狀況時間和空間雙重傳播性,研究異常時空傳播溯源算法.特別是針對多層面的控制引入的閉環反饋可以改變故障的方向和貢獻,造成故障根本原因的誤診斷[81?82],重點研究多層面閉環數據去反饋影響的故障溯源方法.

3.2.2 基于機理、數據、知識多源異構動態信息融合的異常工況診斷與預測

現代工業過程的故障從設備級向上層運行擴展,包括設備級的單元故障、控制層控制系統故障、運行層物料及設定值操作不當引起的異常工況等.故障發生時,可從運行內部狀態、外在表現、歷史經驗三個方面,利用機理、數據、知識多源動態信息進行運行工況診斷.

1)機理模型特征直接反應了運行內部狀態,基于模型的故障診斷方法都需要利用運行的機理基準模型或其結構.然而,復雜工業過程的基準模型或基準模型結構可隨時間改變,難以預先確定.為了解決這類問題,學者們提出了一種新的面向故障診斷的系統建模和模型特性分析方法[83],通過線性/非線性黑箱模型辨識和模型特性分析實現故障檢測和診斷.文獻[84]提出利用輸入輸出數據建立非線性自回歸滑動平均模型,然后應用非線性輸出頻率響應函數對建立的模型進行頻率分析,進而實現故障診斷.上述基于機理模型特征的故障診斷方法,其基本思想是利用過程模型的頻率響應特性的非期望變化來識別故障.

2)針對熱像、聲像可直接描述運行工況的特點,已有研究利用圖像數據進行異常工況的監控,主要是采用攝像機或紅外熱成像技術獲得圖像,再利用圖像的色彩、亮度、幾何特征、形狀特征等判定運行工況[85?86],結合機器學習方法建立特征與運行工況間的關系,實現運行工況監控與預測.現有方法主要是利用靜態圖像判定當前工況,且屬于“黑箱”建模,使用其進行異常工況特征提取與預測,需要進一步研究學習過程及中間結果的可解釋性問題.

3)運行工況的知識通常是專家理解多源異構數據得到的規則,為異常工況診斷提供了標簽知識和推理手段.例如,文獻[69]提出了一種基于電流數據異常工況規則提取方法.但專家知識通常難以應對生產全流程及實時響應生產條件的頻繁變化,易發生漏報和誤報.人工智能驅動的深度學習等中間結果,也需要被專家所能解釋和理解.

上述機理、圖像、過程數據單一方面的信息均無法全面反映或理解整個生產過程的運行工況,有必要結合常規過程數據與新型傳感獲得的更長時段高維動態數據,進行運行工況的狀態感知.另外,現有的異常監控方法主要是故障發生后的診斷.通過利用高維動態數據潛結構模型,由降維的動態潛變量提取特征與預測異常工況預測是一種可行的思路.文獻[80]針對多變量過程的異常工況預測問題,提出向量滑動自回歸模型可以聯合表征多變量下的動態特征,建立多變量異常幅度的動態模型,進而進行異常工況預測.然而,現有方法未融合更高維的新型熱像、聲像傳感信息,且屬于短時間段的動態預測和長時間段的靜態模態匹配.短時間段的動態預測不具備長時間段記憶功能,長時間段的靜態模態匹配不具備對未來的動態預測性,有必要研究基于機理、數據、知識多源異構動態信息融合的異常工況預測方法,包括:

1)綜合利用圖像、聲音等多源異構傳感器動態數據,研究面向異常工況診斷的提取原始數據中的共有信息和特有信息的深度學習方法.以多源動態數據間動態潛變量投影相關系數最小為目標,建立全視角共有特征提取方法;針對多源動態信息具有時間和空間雙重關聯性、高維和非線性的特點,研究考慮時間關聯約束的基于函數型數據分析的粗糙度懲罰正則化流形學習、基于張量分析和基于慢特征分析的高維多變量時間序列特征提取方法.

2016—2017年利用高壓分離技術共開展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，節約標煤28.68×104t，實現節能減排。

2)惡劣開放環境下,常規傳感數據和聲場圖像大數據強干擾,不確定性強,難以利用單一特征準確監控異常運行狀況,需要研究面向異常工況診斷的數據與聲像的特征級融合和決策級融合方法,例如研究基于模糊熵[87]的多源動態信息特征級融合機制和基于模糊積分[88]的多源動態信息決策級融合機制,將圖像、聲音、過程數據特征轉換為向量并歸一化到合理區間,再將各特征串聯為長向量作為學習方法的輸入,實現多源特征的有效融合.在此基礎上,以異常工況標記為輸出,通過異常工況模式的匹配實現征兆期微小異常的智能預測.

3)基于動態扭曲等時間序列建模方法[89?90],利用長時間尺度的動態數據,研究異常工況動態預測方法.

3.2.3 專家知識與控制手段相結合的協同層自愈控制

自愈是在異常工況監控、預測與溯源的基礎上,針對異常工況原因,采取調控手段防止異常發生或消除異常影響的一種技術.基于定性的專家知識和定量的設定值優化調節已成為自愈控制的有效途徑.現有的以調整控制回路設定值為自愈控制手段的自愈控制方法針對的是控制回路設定值不當引起的異常工況[68?69],故障后再去調節,屬于被動的自愈手段,且自愈知識庫僅利用專家經驗構建.利用更全面涵蓋決策、過程和新型傳感數據來獲得最佳的決策手段給自愈控制帶來新的機遇和挑戰,這方面有待研究的關鍵問題包括:

1)針對復雜工業過程多層面多單元協同優化控制決策,研究以改變控制器結構、參數、設定值與操作指令為手段的的協同調控方法,建立局部補償與全局補償互相配合的底層回路設定在線修正算法,實現非優與異常運行狀況自愈.

2)針對復雜工業過程運行狀況多變和異常運行的復雜性,研究數據和專家知識相結合實現自動自愈決策,且在執行時能夠實時反饋和調整檢驗的策略.

3)研究基于判別分析和變量選擇的類間差異性分析算法來實現異常原因溯源,其核心是基于大數據的決策與運行指標的監控與溯源.

3.2.4 數據驅動的運行動態性能分析與自優化

運行監控與診斷系統通常是在異常較嚴重時發現異常并診斷原因,但做到防止異常發展或自動消除異常影響才是最終目的.為此,需要對過程運行動態性能進行分析.對于多個單元協同的多層面生產全流程高維強相關的過程變量與運行指標變量的動態性能分析而言,難以建立相應的數學模型.針對難以建立動態性能評估模型的生產全流程,文獻[91?93]提出數據驅動的控制系統性能監控方法,僅需標稱的優化運行工況數據來實現控制系統的動態性能評估.對于實際工業過程,其動態性能評估與優化往往是面向上層運行指標相關的經濟效益最大化.為此,文獻[94?95]結合濕法冶金過程面向經濟效益最大化的運行狀態自優化,提出了過程運行狀態在線評價和非優原因識別方法.尚有待研究的問題是針對實際生產中頻繁出現穩態工況與動態過渡工況交替的變工況現象.全工況涵蓋了穩態工況和動態過渡工況.動態過渡工況中,某些特征參數上的正常變化與異常變化有一定程度的重合.為此,需要研究實時精細化感知與分析全工況運行狀態評價的方法.

工業過程運行通常按照多層面組織,各層以不同時間尺度運行.優化決策由操作員根據經驗通過調整控制器設定值實現,難以優化.針對過程運行的目標是產生效益,Skogestad于2000年首先提出自優化是以運行指標優化為目標,對系統的控制結構進行干預,通過選擇(設計)合理的被控變量等方式自動實現運行指標的優化運行.主要實現策略是以過程運行的經濟花費、能源效率或間接控制目標為代價函數來設計被控變量,通過控制被控變量跟蹤設定值實現不確定性與變化擾動對于經濟目標最優化影響最小[96?99],離線使用模型研究優化的控制結構,設計簡單的控制結構使過程在變化擾動存在的情況下近優運行.

智能決策協同控制系統運行時會出現穩態與動態過渡交替的變工況現象.隨著系統復雜性的增大,系統模型難以獲得,開放環境下不確定性大干擾未知,系統運行伴隨多運行工況,造成以系統模型為基礎的自優化方法對未知干擾的魯棒性差、對多工況切換下的自適應差、局限于控制系統層.數據驅動的自優化成為新的發展方向,利用系統的已知輸入輸出數據信息,建立系統運行指標與輸入動態數據之間的關系,再建立相應的自優化控制方法.文獻[100]在動態性能評估基礎上,提出了基于數據的操作量優化設定補償方法,通過利用歷史數據在當前工作點附近建立操作量補償值和經濟效益增量的實現過程運行自優化.

尚有待研究的問題是:

1)針對復雜工業過程會出現偏離安全運行的異常工況和偏離最優運行的非優工況,將動態性能分析、自愈控制、自優化相結合,建立由異常工況判別、非優工況判別、自愈控制補償和自優化補償組成的自愈控制與自優化結構.

2)多運行狀況自優化.研究提高自優化控制的應對多運行狀況的自適應性方法,設計最優設定值、控制變量和控制結構,實現系統不同運行狀況切換時的自優化切換.

3)協同的自優化.針對具有多個獨立子系統的系統,每個子系統在設計自優化控制時,其代價函數考慮對整體系統的影響,其約束條件需考慮子系統之間的協調,在完成自身控制的同時完成整體的任務指標.研究通過操作指令與控制回路設定值協同調控,實現非優工況的自優化.

3.2.5 支撐運行監控與自優化系統的實現技術

目前,工業過程數據采集分析系統普遍以DCS為基礎構建,采用的實時數據庫難以與高級運行數據庫集成,傳統系統架構不能有效管理和利用多源異構數據.現有的以數據為中心的大數據計算架構用于工業過程監控時,存在以下問題:

1)現有面向批處理的并行計算模型數據處理的實時性不強,難以滿足工業過程監控實時性的要求.

2)現有的大數據分析框架是通用的體系結構,長于查詢和分類聚類等簡單建模[101?103],難以滿足工業過程多層面聯合監控和異常工況診斷等復雜的需求.

為此,工業過程運行監控與自優化難以直接應用現有大數據計算架構來實現.工業過程全流程運行監控需要感知市場需求變化、資源屬性變化和生產條件變化,對原有的基于DCS的計算機控制系統提出挑戰.工業大數據技術、工業互聯網技術和工業云的發展支撐了研制生產制造全流程遠程、移動與可視化安全運行監控系統.有待研究的問題包括:

1)遠程和移動監控系統實現技術.基于云的多源異構大數據的實時采集、傳輸、查詢、存儲;基于云計算技術的感知信息提取方法,實現云端服務化;基于大數據分而治之思想的MapReduce分布式計算技術[104?107]的在線建模和異常監控技術.

2)異常運行狀況監控過程與結果的可視化技術.為了有效實現“人在回路中”的監控與決策,增強深度學習算法[108?109]的中間結果可解釋性,通過虛擬現實與增強顯示技術直觀顯示關鍵運行狀態的動態變化,圖像特征、模型特征、數據特征顯示技術.

3)人機交互的多維可視決策監控技術.實現多個維度不同視角下對決策進行實時監控,具體包括:宏觀維度對決策影響的系統整體運行趨勢實時可視化監控,細觀維度對同一組決策指標間的關聯關系人機交互可視化,微觀維度對某個具體決策指標信息及其動態特性可視化.

4)基于移動云計算的決策監控云服務,包括決策監控涉及的計算和信息存儲等密集消耗型資源通過云端服務化實現,決策監控涉及的可視化展示與人機交互等通過移動智能終端實現.

5)支撐技術與平臺,包括多源異構數據遠程移動獲取與存儲技術和大數據監控方法的分布式計算技術.另外,對于高耗能、高污染、高風險的工業過程,實際過程操作不當易產生危及生命安全的故障,采用仿真技術建立虛擬的運行監控與自愈控制半實物仿真實驗系統,是相關研究必不可少的工具.

4 結論

本文對工業過程運行監控系統的行業現狀和研究現狀進行了較為全面的綜述和梳理,將現有研究成果劃分為基于模型的控制系統故障診斷與容錯控制方法和數據驅動的異常工況診斷與自愈控制方法.指明了利用大數據、云計算和人工智能技術將工業過程信息資源和物理資源相結合來建立安全監控與自優化系統的發展趨勢.面向動態機理不清的工業過程異常工況與決策故障的監控,給出了下一代智能化運行監控與自優化系統的新研究方向.

針對工業過程運行于開放不確定和信息不完全的環境中,需要應對復雜多變的運行工況,其運行監控下一步需要攻克的難點是將人工智能的機器學習算法與機理分析方法相結合,實現可解釋的運行工況特征學習,以及在此基礎上的人機協同運行監控.特別是在運行指標與決策的遠程移動可視化監控、異常工況智能預測和自愈控制、系統動態特性評價和自優化等方面取得進展,使其具備智能主動監控和多智能體協同自優化能力.