數字化技術下控制優化實現的新路徑
http://www.moduwu.com 2022-09-27 15:23 來源：艾默生
“在之前文章中闡述了“數字化下以工業軟件為驅動的工業過程優化的整體實現技術路徑”。過程優化具備了軟件技術基礎之后，第一步就是實現控制優化。控制系統作為過程工廠的生產線核心中樞，它指揮和控制著整個生產。而控制系統中的控制回路作為生產操作的基本單元，控制回路是工廠生產穩定高效的關鍵，而控制回路優化往往也是工廠數字化轉型首先要實現的目標。
控制優化概念本身并不新，自從DCS和PLC 誕生后，對其中控制回路的控制性能優化一直是工廠工藝和儀控技術人員追求的目標，但是由于實現技術瓶頸高，往往需要工藝和控制技術專家共同協作才能去實施，且優化周期長、優化模型魯棒性差、后期維護困難。 在工廠數字化轉型時代，借助于工業軟件和人工智能，機器學習等技術，控制優化實現的思路、方法和技術路徑也有了很大的不同。
過程工廠的控制優化一般分基礎調節回路的優化和先進控制（APC）優化。最近幾年，非常流行的操作規程自動化也屬于控制優化的范疇，但其兼具有過程控制優化和操作優化功能，我將在其它文章中單獨介紹。
我們首先來介紹基礎調節回路的優化，也叫內操自動化。在過程工廠中，調節回路大部分是PID回路，關鍵的過程是控制檢測設備（如溫度，壓力，液位，PH等）和生產調節設備（如閥門，電機），實現了遠傳進入控制系統，由生產內超操作后，內操自動化的實現就成為了可能。內操自動化的第一步是把手動回路變成自動回路。第二步是把已經自動的回路進一步減少波動，提高控制穩定性，進一步把SP值向生產操作邊界靠近，俗稱卡邊操作，從而達到降低操作負荷，提高操作穩定性和生產產能最大化的目的，同時也可以降低能耗，提高設備可靠性。
在過去，控制回路優化基本靠控制優化專家才能完成，專家需要具備很強的控制知識（例如PID控制原理）和工藝過程知識以及豐富的現場經驗才能把現場的控制回路優化好，并且需要花費很長的時間，成本很高，無法全面展開，只能選擇關鍵回路進行試點優化。盡管各DCS或PLC廠商也陸續推出了PID回路自整定工具，但是在現場使用時，由于與現場工藝無法匹配，整定效果基本不理想，無法代替控制優化專家的知識和經驗。隨著現代工廠規模越來越大，工藝越來越復雜，傳統的專家優化方法已經無法滿足現在的生產需要。
在數字化時代，隨著大數據分析、人工智能、機器學習等技術進入OT領域，給控制回路優化帶來了新的實現技術路徑。下面以艾默生的數字化控制回路優化平臺DeltaV insight為例來介紹一下數字化的控制優化實現的方法，如下圖：
DeltaV Insight作為數字化控制性能優化平臺，它主要是集成了自學習模型（機器學習）和在線回路數據分析功能模塊DeltaV Inspect（大數據分析）。同時，在傳統控制回路按需自整定的基礎上，加入了自適應整定模塊（智能控制），而整個這些智能數字化模塊都是嵌入在其DCS系統DeltaV中。 有了這些數字化智能工具，DeltaV就具備實現控制回路智能優化的全新技術路徑，如下圖。
如上圖所示，數字化回路控制優化實現路徑的第一步，是在運行的系統上對需要優化的控制回路（可同時多個控制回路）進行自學習。打開Insight上的Learning功能，系統會自動觀察，識別存儲該回路在生產過程中的各種跟該控制回路相關的數據，采用內嵌的算法進行機器學習，建立回路優化仿真模型。為了保證模型的完整正確，一般建議自學習周期應該覆蓋該回路的全生產周期狀態（連續過程一般建議在1個月左右，間歇性生產建議至少完成2個完整的批次左右）。 第二步，自學習完成后，通過DeltaV Inspect工具對回路相關數據進行深入分析，結合自學習模型，量化分析出回路重要的KPI，如時間常數、時滯常數、波動指數、調節指數等，同時也能分析出跟回路連接的智能設備（如儀表閥門）性能，組態配置等是否滿足回路的控制需求，并給出相應回路整定優化的方向和建議，如控制策略、整定方法等。如下圖所示：
通過前兩步可以看出，采用先進的數字化技術和大數據分析方法，代替了傳統專家靠技術和經驗到現場觀察總結，確定優化方法的高難度工作，這就使得回路優化的技術瓶頸大大下降。有基本的控制知識和工藝了解的現場儀控人員也可以進行控制優化的工作，從而為控制回路優化在全廠的展開提供了可能。
確定了回路控制優化的方向后，就進入了第三步即回路整定。有了前面的的KPI分析和方向建議，整定時只需根據建議選擇相應的參數和控制策略，采用整定工具的模型檢測功能進行自動整定，并打開仿真功能，可以把當前回路能夠實現穩定自動控制的參數區間整定出來，如下圖：
在上圖的綠色區域的穩定控制的區間，用鼠標點擊不同的位置，就可以顯示出不同的PV-SP、MV的曲線圖，根據該回路實際生產操作的需求選擇最合適的曲線（例如超調量，穩定時間，波動性等），然后保存PID的比例，積分和微分關鍵參數，下裝到系統即可實現。
以上是針對SP值在生產過程中基本保持不變的場景。智能的按需整定基本上可以實現控制回路優化工作，但是還有很多回路的在整個生產周期過程中SP值變化范圍比較大，這就導致在不同的SP值，可能導致回路的各性能會發生很大的差異。例如SP在30%時，可能當前的PID控制很穩定，控制性能也很好，但是當SP值設置為70% 時，回路波動就開始增大，調節就開始不穩定了。針對這種現象，就需要進行回路優化的第四步，自適應整定。DeltaV Insight 集成了一個智能整定模塊—自適應整定， 結合前面的自學習功能，自動偵測到該回路在整個生產過程的SP設置范圍邊界，然后自動的可以把整個操作區間細分成幾個性能相近的小區間，為每個小區間自動整定出穩定的最優控制參數。當SP值在不同區間切換時，可以自動切換不同的控制參數，從而可以保證該回路在整個生產操作周期都能穩定高效控制，大大增加回路的穩定性。
如果通過以上步驟，仍然無法實現回路優化，尤其是出現回路相互耦合現象時，該平臺通過數據分析也可以明確的告訴用戶，并推薦采用先進控制模型來繼續進行控制優化，這就是控制優化的第五步：先進控制。
先進控制范圍很廣泛，一切區別于常規的控制策略的控制都可以稱為先進控制，如模糊控制、自適應控制、多變量預估控制、神經元網絡預測、專家經驗系統控制等。目前，廣泛采用的APC策略基本上以多變量預估控制為主，即MPC。過去先進控制的實施方法都是在控制系統外面搭建APC服務器，在上面建立先控模型，通過OPC與控制系統多個回路進行同時，實現多回路的優化穩定控制。先控模型基本需要通過專家技術結合現場情況進行搭建，加上APC服務器與控制系統通信有比較大的滯后，導致APC模型的魯棒性很差，現場生產參數一超出范圍，APC模型就很容偏離控制，同時給后去的維護帶來了很大的困難。
隨著數字化技術的發展現在的APC模型都集成了先進的智能自適應分析模塊，可以動態檢測現場生產條件的變化。動態改進APC模型以適應不同的生產條件，從而大大提高了先控的魯棒性，同時降低了運營中的維護成本，從而讓APC的實用性大大增強。，例如艾斯本公司的DMC3，就把數據分析，自適應控制與先控模型做了一個結合，如下圖所示，相對于其以前的DMC Plus模型有了很大的提高，目前在石化和化工行業得到了廣泛的應用。而艾默生的DeltaV MPC模塊不但能集成智能分析自動建模的功能，還得益于其DCS系統控制器強大的數據處理能力，可以把先進控制模型直接載入控制器中執行，無需額外的外置APC服務器，從而大大減少了先控模型與底層回路的通信的滯后，提升先控的穩定性。如下圖所示這種嵌入式的APC特別適用于小場景的專業裝置中使用，可復制性非常強，維護成本非常低，在化工行業得到了廣泛應用。最近艾默生持股55%與艾斯本共同成立了一家新的軟件技術公司，組成了新的戰略聯盟，相信Aspen DMC3和DeltaV MPC的強強聯合，將會把過程行業的先控優化推向更高的高度。
綜上所示，在數字化技術不斷發展的推動下，控制優化借助機器學習、大數據分析、自適應智能控制等技術，實現了數字化轉型，大大降低了控制優化實施的技術瓶頸，同時也降低了控制系統生命周期的維護成本，為工廠大規模全面實現控制優化提供了可能，為工廠的整體數字化轉型奠定了堅實的基礎。
編輯精選
