“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(guo)程(cheng)優(you)化(hua)具(ju)備(bei)了(le)軟(ruan)件(jian)技(ji)術(shu)基(ji)礎(chu)之(zhi)後(hou)
，第(di)一(yi)步(bu)就(jiu)是(shi)實(shi)現(xian)控(kong)製(zhi)優(you)化(hua)。控(kong)製(zhi)係(xi)統(tong)作(zuo)為(wei)過(guo)程(cheng)工(gong)廠(chang)的(de)生(sheng)產(chan)線(xian)核(he)心(xin)中(zhong)樞(shu)，它(ta)指(zhi)揮(hui)和(he)控(kong)製(zhi)著(zhe)整(zheng)個(ge)生(sheng)產(chan)。而(er)控(kong)製(zhi)係(xi)統(tong)中(zhong)的(de)控(kong)製(zhi)回(hui)路(lu)作(zuo)為(wei)生(sheng)產(chan)操(cao)作(zuo)的(de)基(ji)本(ben)單(dan)元(yuan)
，控(kong)製(zhi)回(hui)路(lu)是(shi)工(gong)廠(chang)生(sheng)產(chan)穩(wen)定(ding)高(gao)效(xiao)的(de)關(guan)鍵(jian)，而(er)控(kong)製(zhi)回(hui)路(lu)優(you)化(hua)往(wang)往(wang)也(ye)是(shi)工(gong)廠(chang)數(shu)字(zi)化(hua)轉(zhuan)型(xing)首(shou)先(xian)要(yao)實(shi)現(xian)的(de)目(mu)標(biao)。

　　控製優化概念本身並不新，自從DCS和PLC danshenghou，duiqizhongkongzhihuiludekongzhixingnengyouhuayizhishigongchanggongyiheyikongjishurenyuanzhuiqiudemubiao

，danshiyouyushixianjishupingjinggao，wangwangxuyaogongyihekongzhijishuzhuanjiagongtongxiezuocainengqushishi
，qieyouhuazhouqichang、優化模型魯棒性差
、後期維護困難。 在工廠數字化轉型時代
，借助於工業軟件和人工智能，機器學習等技術，控製優化實現的思路、方法和技術路徑也有了很大的不同。

　　過程工廠的控製優化一般分基礎調節回路的優化和先進控製（APC）youhua。zuijinjinian，feichangliuxingdecaozuoguichengzidonghuayeshuyukongzhiyouhuadefanchou
，danqijianjuyouguochengkongzhiyouhuahecaozuoyouhuagongneng
，wojiangzaiqitawenzhangzhongdandujieshao。

　　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，關鍵的過程是控製檢測設備（如溫度，壓力
，液位，PH等）和生產調節設備（如閥門，電機），實shi現xian了le遠yuan傳chuan進jin入ru控kong製zhi係xi統tong，由you生sheng產chan內nei超chao操cao作zuo後hou，內nei操cao自zi動dong化hua的de實shi現xian就jiu成cheng為wei了le可ke能neng。內nei操cao自zi動dong化hua的de第di一yi步bu是shi把ba手shou動dong回hui路lu變bian成cheng自zi動dong回hui路lu。第di二er步bu是shi把ba已yi經jing自zi動dong的de回hui路lu進jin一yi步bu減jian少shao波bo動dong，提ti高gao控kong製zhi穩wen定ding性xing，進jin一yi步bu把baSP值(zhi)向(xiang)生(sheng)產(chan)操(cao)作(zuo)邊(bian)界(jie)靠(kao)近(jin)

，俗(su)稱(cheng)卡(ka)邊(bian)操(cao)作(zuo)，從(cong)而(er)達(da)到(dao)降(jiang)低(di)操(cao)作(zuo)負(fu)荷(he)，提(ti)高(gao)操(cao)作(zuo)穩(wen)定(ding)性(xing)和(he)生(sheng)產(chan)產(chan)能(neng)最(zui)大(da)化(hua)的(de)目(mu)的(de)，同(tong)時(shi)也(ye)可(ke)以(yi)降(jiang)低(di)能(neng)耗(hao)，提(ti)高(gao)設(she)備(bei)可(ke)靠(kao)性(xing)。

　　在過去

，控製回路優化基本靠控製優化專家才能完成

，專家需要具備很強的控製知識（例如PID控製原理）hegongyiguochengzhishiyijifengfudexianchangjingyancainengbaxianchangdekongzhihuiluyouhuahao
，bingqiexuyaohuafeihenchangdeshijian，chengbenhengao，wufaquanmianzhankai，zhinengxuanzeguanjianhuilujinxingshidianyouhua。jinguangeDCS或PLC廠商也陸續推出了PIDhuiluzizhengdinggongju，danshizaixianchangshiyongshi
，youyuyuxianchanggongyiwufapipei，zhengdingxiaoguojibenbulixiang，wufadaitikongzhiyouhuazhuanjiadezhishihejingyan。suizhexiandaigongchangguimoyuelaiyueda，gongyiyuelaiyuefuza，chuantongdezhuanjiayouhuafangfayijingwufamanzuxianzaideshengchanxuyao。

　　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，給控製回路優化帶來了新的實現技術路徑。下麵以艾默生的數字化控製回路優化平台DeltaV insight為例來介紹一下數字化的控製優化實現的方法
，如下圖：

　　DeltaV Insight作為數字化控製性能優化平台，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，在傳統控製回路按需自整定的基礎上，加入了自適應整定模塊（智能控製），而整個這些智能數字化模塊都是嵌入在其DCS係統DeltaV中。 有了這些數字化智能工具
，DeltaV就具備實現控製回路智能優化的全新技術路徑，如下圖。

　　如上圖所示
，數字化回路控製優化實現路徑的第一步，是在運行的係統上對需要優化的控製回路（可同時多個控製回路）進行自學習。打開Insight上的Learning功(gong)能(neng)，係(xi)統(tong)會(hui)自(zi)動(dong)觀(guan)察(cha)
，識(shi)別(bie)存(cun)儲(chu)該(gai)回(hui)路(lu)在(zai)生(sheng)產(chan)過(guo)程(cheng)中(zhong)的(de)各(ge)種(zhong)跟(gen)該(gai)控(kong)製(zhi)回(hui)路(lu)相(xiang)關(guan)的(de)數(shu)據(ju)，采(cai)用(yong)內(nei)嵌(qian)的(de)算(suan)法(fa)進(jin)行(xing)機(ji)器(qi)學(xue)習(xi)，建(jian)立(li)回(hui)路(lu)優(you)化(hua)仿(fang)真(zhen)模(mo)型(xing)。為(wei)了(le)保(bao)證(zheng)模(mo)型(xing)的(de)完(wan)整(zheng)正(zheng)確(que)，一(yi)般(ban)建(jian)議(yi)自(zi)學(xue)習(xi)周(zhou)期(qi)應(ying)該(gai)覆(fu)蓋(gai)該(gai)回(hui)路(lu)的(de)全(quan)生(sheng)產(chan)周(zhou)期(qi)狀(zhuang)態(tai)（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
，自學習完成後，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製需求
，並給出相應回路整定優化的方向和建議
，如控製策略、整定方法等。如下圖所示：

　　tongguoqianliangbukeyikanchu，caiyongxianjindeshuzihuajishuhedashujufenxifangfa，daitilechuantongzhuanjiakaojishuhejingyandaoxianchangguanchazongjie，quedingyouhuafangfadegaonandugongzuo
，zhejiushidehuiluyouhuadejishupingjingdadaxiajiang。youjibendekongzhizhishihegongyilejiedexianchangyikongrenyuanyekeyijinxingkongzhiyouhuadegongzuo，congerweikongzhihuiluyouhuazaiquanchangdezhankaitigonglekeneng。

　　確定了回路控製優化的方向後，就進入了第三步即回路整定。有了前麵的的KPI分fen析xi和he方fang向xiang建jian議yi，整zheng定ding時shi隻zhi需xu根gen據ju建jian議yi選xuan擇ze相xiang應ying的de參can數shu和he控kong製zhi策ce略lve
，采cai用yong整zheng定ding工gong具ju的de模mo型xing檢jian測ce功gong能neng進jin行xing自zi動dong整zheng定ding，並bing打da開kai仿fang真zhen功gong能neng
，可ke以yi把ba當dang前qian回hui路lu能neng夠gou實shi現xian穩wen定ding自zi動dong控kong製zhi的de參can數shu區qu間jian整zheng定ding出chu來lai，如ru下xia圖tu：

　　在上圖的綠色區域的穩定控製的區間
，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），然後保存PID的比例，積分和微分關鍵參數
，下裝到係統即可實現。

　　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製回路優化工作
，但是還有很多回路的在整個生產周期過程中SP值變化範圍比較大，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控製很穩定
，控製性能也很好，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
， 結合前麵的自學習功能，自動偵測到該回路在整個生產過程的SP設置範圍邊界

，然後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製參數。當SPzhizaibutongqujianqiehuanshi，keyizidongqiehuanbutongdekongzhicanshu

，congerkeyibaozhenggaihuiluzaizhenggeshengchancaozuozhouqidounengwendinggaoxiaokongzhi，dadazengjiahuiludewendingxing。

　　如ru果guo通tong過guo以yi上shang步bu驟zhou，仍reng然ran無wu法fa實shi現xian回hui路lu優you化hua，尤you其qi是shi出chu現xian回hui路lu相xiang互hu耦ou合he現xian象xiang時shi，該gai平ping台tai通tong過guo數shu據ju分fen析xi也ye可ke以yi明ming確que的de告gao訴su用yong戶hu，並bing推tui薦jian采cai用yong先xian進jin控kong製zhi模mo型xing來lai繼ji續xu進jin行xing控kong製zhi優you化hua，這zhe就jiu是shi控kong製zhi優you化hua的de第di五wu步bu：先進控製。

　　先進控製範圍很廣泛
，一切區別於常規的控製策略的控製都可以稱為先進控製，如模糊控製、自適應控製、多變量預估控製、神經元網絡預測、專家經驗係統控製等。目前，廣泛采用的APC策略基本上以多變量預估控製為主，即MPC。過去先進控製的實施方法都是在控製係統外麵搭建APC服務器
，在上麵建立先控模型，通過OPC與控製係統多個回路進行同時，實現多回路的優化穩定控製。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服務器與控製係統通信有比較大的滯後，導致APC模型的魯棒性很差，現場生產參數一超出範圍，APC模型就很容偏離控製
，同時給後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，自適應控製與先控模型做了一個結合

，如下圖所示，相對於其以前的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
，還得益於其DCS係統控製器強大的數據處理能力，可以把先進控製模型直接載入控製器中執行，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後，提升先控的穩定性。如下圖所示這種嵌入式的APC特別適用於小場景的專業裝置中使用，可複製性非常強
，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，控製優化借助機器學習
、大數據分析、自(zi)適(shi)應(ying)智(zhi)能(neng)控(kong)製(zhi)等(deng)技(ji)術(shu)，實(shi)現(xian)了(le)數(shu)字(zi)化(hua)轉(zhuan)型(xing)
，大(da)大(da)降(jiang)低(di)了(le)控(kong)製(zhi)優(you)化(hua)實(shi)施(shi)的(de)技(ji)術(shu)瓶(ping)頸(jing)，同(tong)時(shi)也(ye)降(jiang)低(di)了(le)控(kong)製(zhi)係(xi)統(tong)生(sheng)命(ming)周(zhou)期(qi)的(de)維(wei)護(hu)成(cheng)本(ben)
，為(wei)工(gong)廠(chang)大(da)規(gui)模(mo)全(quan)麵(mian)實(shi)現(xian)控(kong)製(zhi)優(you)化(hua)提(ti)供(gong)了(le)可(ke)能(neng)，為(wei)工(gong)廠(chang)的(de)整(zheng)體(ti)數(shu)字(zi)化(hua)轉(zhuan)型(xing)奠(dian)定(ding)了(le)堅(jian)實(shi)的(de)基(ji)礎(chu)。