汪 會(huì),潘海鵬,張益波

(浙江理工大學(xué) 機(jī)械與自動(dòng)控制學(xué)院,杭州 310018)

流程工業(yè)也被稱為過(guò)程工業(yè)(process industry),包括化工、食品、制藥、冶金、造紙等生產(chǎn)行業(yè),是我國(guó)先進(jìn)生產(chǎn)力發(fā)展的重要支柱.早期的過(guò)程工業(yè)通常是連續(xù)型過(guò)程,即從原料投入到產(chǎn)品制成是依次連續(xù)進(jìn)行的,常見(jiàn)于冶金、煉鋼、玻璃制品等大規(guī)模生產(chǎn)行業(yè).隨著科學(xué)技術(shù)的迅速發(fā)展和人民生活水平的提高,市場(chǎng)競(jìng)爭(zhēng)對(duì)流程工業(yè)的壓力不斷增大,而大數(shù)據(jù)、人工智能、云計(jì)算等技術(shù)的出現(xiàn),也給流程工業(yè)帶來(lái)了翻天覆地的變化[1],小批次、多品種生產(chǎn)過(guò)程的日益增加促使連續(xù)型生產(chǎn)過(guò)程向間歇型生產(chǎn)過(guò)程轉(zhuǎn)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(chǎn)過(guò)程是指將有限量的物質(zhì)按規(guī)定的加工順序在一個(gè)或多個(gè)加工設(shè)備中加工以獲得有限量產(chǎn)品的加工過(guò)程(ANSI/ISA-88.01 標(biāo)準(zhǔn))[2].間歇生產(chǎn)過(guò)程具有動(dòng)態(tài)性和間斷性,為了滿足精細(xì)化生產(chǎn)需求,可以在一個(gè)多功能、多用途的生產(chǎn)設(shè)備上,生產(chǎn)出不同種類的產(chǎn)品.與連續(xù)生產(chǎn)過(guò)程相比,間歇生產(chǎn)過(guò)程的特性可以用“多重時(shí)變”來(lái)概括[3]:

(1)多:“多樣產(chǎn)品”,指同一臺(tái)設(shè)備可以生產(chǎn)不同材質(zhì)、形狀、大小的產(chǎn)品,當(dāng)產(chǎn)品切換后,生產(chǎn)操作條件改變,潛在過(guò)程特性隨之變化.

(2)重:“重復(fù)運(yùn)行”,指不斷地重復(fù)同一操作來(lái)生產(chǎn)多件產(chǎn)品.

(3)時(shí):“時(shí)段切換”,指在不同的時(shí)段運(yùn)行不同的生產(chǎn)操作.

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

間歇生產(chǎn)過(guò)程的“多重時(shí)變”特性導(dǎo)致不同產(chǎn)品、不同生產(chǎn)階段需要有不同的操作工藝或不同的生產(chǎn)目標(biāo),因此,要保證生產(chǎn)過(guò)程的產(chǎn)品質(zhì)量,亟需提出有效的間歇生產(chǎn)過(guò)程的優(yōu)化方法.間歇生產(chǎn)過(guò)程的優(yōu)化方法的研究一般可以分為生產(chǎn)工藝的優(yōu)化研究、調(diào)度優(yōu)化的研究以及生產(chǎn)單元的優(yōu)化研究等,其中針對(duì)生產(chǎn)單元的優(yōu)化較為廣泛,本文也是僅對(duì)單元優(yōu)化方法進(jìn)行了總結(jié).

從系統(tǒng)控制的角度來(lái)看,“多重時(shí)變”的特性也導(dǎo)致間歇生產(chǎn)過(guò)程具有非穩(wěn)態(tài)工作點(diǎn),且隨著批次的更迭在有限時(shí)間內(nèi)重復(fù)運(yùn)行.非穩(wěn)態(tài)工作點(diǎn),即所有參數(shù)(如溫度、流量等)目標(biāo)值呈現(xiàn)曲線變化,使被控對(duì)象輸入輸出關(guān)系不斷改變,工作點(diǎn)反復(fù)發(fā)生切換,系統(tǒng)動(dòng)態(tài)呈現(xiàn)出很強(qiáng)的非線性特點(diǎn).沒(méi)有穩(wěn)態(tài)工作點(diǎn)使得間歇生產(chǎn)過(guò)程無(wú)法建立精確的過(guò)程模型,給間歇生產(chǎn)過(guò)程的控制帶來(lái)了很多困難,也給高質(zhì)量精細(xì)化生產(chǎn)帶來(lái)了新的挑戰(zhàn).因此,為了減少能耗和時(shí)間、增加收益,探索間歇生產(chǎn)過(guò)程中的優(yōu)化方法和控制策略成為熱點(diǎn).

優(yōu)化與控制是間歇生產(chǎn)過(guò)程高質(zhì)高效運(yùn)行的重要手段.間歇生產(chǎn)過(guò)程中的優(yōu)化問(wèn)題可以分為開(kāi)環(huán)形式以及閉環(huán)形式[4].開(kāi)環(huán)形式的間歇生產(chǎn)過(guò)程優(yōu)化基于機(jī)理模型對(duì)經(jīng)濟(jì)性能指標(biāo)進(jìn)行優(yōu)化從而獲得開(kāi)環(huán)操作軌跡,并將開(kāi)環(huán)操作軌跡直接作用到間歇生產(chǎn)過(guò)程[5].但因?yàn)檫^(guò)程的不確定性,需要修改這個(gè)開(kāi)環(huán)解.針對(duì)過(guò)程的不確定性,閉環(huán)形式優(yōu)化則是基于過(guò)程測(cè)量在線求解開(kāi)環(huán)形式的優(yōu)化問(wèn)題,通常需要在線求解大規(guī)模復(fù)雜非線性優(yōu)化問(wèn)題[6],該問(wèn)題通常需要大量的計(jì)算成本和計(jì)算時(shí)間.間歇生產(chǎn)過(guò)程控制則是對(duì)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(shí)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(chǎn)過(guò)程的優(yōu)化和控制兩個(gè)方面進(jìn)行討論.

1 間歇生產(chǎn)過(guò)程優(yōu)化策略

1.1 離線優(yōu)化

傳統(tǒng)優(yōu)化是開(kāi)環(huán)形式,根據(jù)靜態(tài)模型或經(jīng)驗(yàn)?zāi)Ｐ?在離線的狀態(tài)下采用數(shù)值計(jì)算的方法來(lái)求解優(yōu)化問(wèn)題,從而得到相關(guān)控制變量的操作軌跡.文獻(xiàn)[8]針對(duì)造紙廠蒸煮過(guò)程,設(shè)計(jì)了一套基于集散控制系統(tǒng)(Distributed Control System,DCS)的間歇蒸煮過(guò)程模型,通過(guò)解析方法實(shí)現(xiàn)對(duì)木漿卡伯值的精確預(yù)報(bào)及升溫曲線的優(yōu)化.文獻(xiàn)[9]針對(duì)甲醛生產(chǎn)建立反應(yīng)過(guò)程數(shù)學(xué)模型,在滿足產(chǎn)品質(zhì)量和產(chǎn)量的約束條件下,通過(guò)優(yōu)化計(jì)算求得了使原料單耗最低的最優(yōu)操作條件.文獻(xiàn)[10]針對(duì)乳液聚合反應(yīng)器的機(jī)理模型難以建立問(wèn)題,基于遞歸神經(jīng)網(wǎng)絡(luò)和以往操作經(jīng)驗(yàn)建立了反應(yīng)器的數(shù)學(xué)模型,采用序貫二次規(guī)劃法計(jì)算最優(yōu)反應(yīng)溫度并實(shí)施控制,使生產(chǎn)效率大大提高,節(jié)省了建模時(shí)間.

此類優(yōu)化方法一般在生產(chǎn)開(kāi)始之前,通過(guò)解析法或數(shù)值法在離線的情況下計(jì)算出過(guò)程參數(shù),得到最優(yōu)開(kāi)環(huán)軌跡,無(wú)法預(yù)測(cè)到過(guò)程中的不確定因素,也無(wú)法避免由初始條件變化來(lái)的影響,因此現(xiàn)在研究的較少.

1.2 在線優(yōu)化

在線優(yōu)化是利用測(cè)量傳感技術(shù)不斷在線獲取研究對(duì)象的測(cè)量數(shù)據(jù),用獲得的數(shù)據(jù)更新原來(lái)的過(guò)程模型,從而克服過(guò)程干擾帶來(lái)的模型偏移、失配問(wèn)題.根據(jù)獲取在線測(cè)量數(shù)據(jù)的方法的不同,在線優(yōu)化方法主要分為基于在線辨識(shí)的重復(fù)優(yōu)化法和級(jí)聯(lián)優(yōu)化法.

基于在線辨識(shí)的重復(fù)優(yōu)化法是將間歇生產(chǎn)過(guò)程分割成若干段連續(xù)過(guò)程,分別對(duì)每段連續(xù)過(guò)程用解析法或數(shù)值法計(jì)算優(yōu)化解.李春富等針對(duì)異丁烯酸甲酯聚合反應(yīng)過(guò)程,運(yùn)用部分最小二乘法(Multiway Partial Least Squares,MPLS)建立軟測(cè)量模型,通過(guò)在線測(cè)量過(guò)程變量對(duì)產(chǎn)品質(zhì)量進(jìn)行預(yù)測(cè)[11].但這種方法僅適用于線性過(guò)程,不宜用于復(fù)雜的非線性過(guò)程.針對(duì)非線性問(wèn)題,李春富團(tuán)隊(duì)[12]又利用徑向基神經(jīng)(Radial Basis Function,RBF)網(wǎng)絡(luò)的萬(wàn)能逼近性來(lái)處理過(guò)程的非線性,將遞推最小二乘(Recursive Partial Least Squares,RPLS)算法同RBF 網(wǎng)絡(luò)結(jié)合,根據(jù)在線測(cè)量的數(shù)據(jù)自適應(yīng)地調(diào)整過(guò)程模型的結(jié)構(gòu)和參數(shù),使模型適應(yīng)非線性過(guò)程的變化.

間歇生產(chǎn)過(guò)程很多時(shí)候要涉及高維優(yōu)化問(wèn)題,因?yàn)殚g歇生產(chǎn)過(guò)程的時(shí)變性造成了過(guò)程模型一般是由多個(gè)線型模型組成.此外,該優(yōu)化策略還存在兩個(gè)不足,一是辨識(shí)需要額外的激勵(lì)信號(hào),易使系統(tǒng)的穩(wěn)定性變差,并且當(dāng)狀態(tài)變量存在擾動(dòng)時(shí)計(jì)算量過(guò)大;二是該優(yōu)化策略需要狀態(tài)變量全部可測(cè),對(duì)存在不可測(cè)擾動(dòng)的過(guò)程優(yōu)化效果欠佳.

級(jí)聯(lián)優(yōu)化方法結(jié)合了離線優(yōu)化和反饋控制的優(yōu)點(diǎn),圖1為級(jí)聯(lián)優(yōu)化的系統(tǒng)結(jié)構(gòu)圖,需要嵌套兩個(gè)PI 控制器組成反饋模型.內(nèi)環(huán)采用普通控制器,用來(lái)跟蹤給定值,而外環(huán)為內(nèi)環(huán)的控制器提供最優(yōu)設(shè)定值軌跡.當(dāng)外環(huán)被觸發(fā),就開(kāi)始修正設(shè)定值軌跡,使設(shè)定值不斷接近最優(yōu)值[13].文獻(xiàn)[14]將球磨機(jī)簡(jiǎn)化為一個(gè)連續(xù)控制過(guò)程,采用連續(xù)磨礦采樣數(shù)據(jù)確定參數(shù),將自適應(yīng)律和RBF算法相結(jié)合,再利用改進(jìn)的RBF 算法優(yōu)化被控對(duì)象,實(shí)驗(yàn)證明,優(yōu)化后跟蹤軌跡更加逼近理想狀態(tài).與在線辨識(shí)的重復(fù)優(yōu)化相比,該策略的優(yōu)點(diǎn)是不需要過(guò)程狀態(tài)完全可測(cè),節(jié)約時(shí)間.但該策略的缺點(diǎn)是對(duì)存在非線性的過(guò)程的優(yōu)化效果欠佳.

圖1 級(jí)聯(lián)優(yōu)化的系統(tǒng)結(jié)構(gòu)圖

近年也提出了很多基于在線測(cè)量值的實(shí)時(shí)優(yōu)化,如動(dòng)態(tài)規(guī)劃、離散化和參數(shù)化法,主要是針對(duì)含復(fù)雜約束的間歇生產(chǎn)過(guò)程的過(guò)程參數(shù)和質(zhì)量參數(shù)進(jìn)行在線監(jiān)測(cè),利用監(jiān)測(cè)獲得的數(shù)據(jù)不斷更新過(guò)程模型.文獻(xiàn)[15]采用幾何法求解間歇過(guò)程的優(yōu)化問(wèn)題,在狀態(tài)空間變量復(fù)雜多樣的情況下,引入反饋律求解終端優(yōu)化問(wèn)題.文獻(xiàn)[16]使用最速梯度法解決間歇過(guò)程的模型失配問(wèn)題,基于狀態(tài)估計(jì)模型在線修改設(shè)定值,調(diào)節(jié)最優(yōu)軌線的過(guò)程參數(shù),利用實(shí)時(shí)觀測(cè)器控制設(shè)定值曲線.實(shí)時(shí)優(yōu)化中常使用的方法是動(dòng)態(tài)優(yōu)化和非線性優(yōu)化,但需要大量的計(jì)算成本以及計(jì)算時(shí)間,這限制了更新的頻率,導(dǎo)致實(shí)時(shí)更新受到限制.

根據(jù)優(yōu)化是否基于模型,將實(shí)時(shí)優(yōu)化分為基于模型的實(shí)時(shí)顯性優(yōu)化和實(shí)時(shí)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(cè)量值.

首先,根據(jù)獲得的測(cè)量值對(duì)模型的過(guò)程參數(shù)進(jìn)行實(shí)時(shí)更新,即:

接著,根據(jù)更新后的過(guò)程參數(shù)進(jìn)行數(shù)值優(yōu)化獲得過(guò)程的最優(yōu)點(diǎn)和操作軌跡,即

最后,重復(fù)上述步驟,直至得到最優(yōu)解.

該優(yōu)化方法十分依賴過(guò)程模型,如果過(guò)程模型的誤差較大,該方法的優(yōu)化效果就會(huì)受到影響,因此對(duì)過(guò)程模型的更新十分重要.此外,當(dāng)輸入接近最優(yōu)值時(shí),該方法無(wú)法通過(guò)不斷激勵(lì)輸入來(lái)克服未知參數(shù)的干擾.

(2)不需要模型的實(shí)時(shí)隱性優(yōu)化方法,使用在線監(jiān)測(cè)獲得的測(cè)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(guò)批內(nèi)變量的因果性,對(duì)有干擾和不確定因素的系統(tǒng)進(jìn)行優(yōu)化.NCO是基于一個(gè)名義上的過(guò)程模型,設(shè)計(jì)控制器跟蹤優(yōu)化目標(biāo)的必要條件,并通過(guò)數(shù)值優(yōu)化獲得NCO的結(jié)構(gòu)信息,再利用測(cè)量值強(qiáng)制過(guò)程與結(jié)構(gòu)信息匹配[17].NCO的算法步驟是:

首先,根據(jù)目標(biāo)函數(shù)優(yōu)化所需條件,建立有關(guān)NCO的模型,即:

然后,根據(jù)必要條件求解最優(yōu)解.

1.3 批次對(duì)比優(yōu)化

基于間歇生產(chǎn)過(guò)程的重復(fù)性,研究人員設(shè)計(jì)出了批次對(duì)比優(yōu)化算法,通過(guò)迭代算法將上一批次獲得的有價(jià)值的歷史數(shù)據(jù)運(yùn)用到當(dāng)前批次中,不斷改進(jìn)優(yōu)化指標(biāo).批次對(duì)比優(yōu)化的關(guān)鍵就是如何在上個(gè)批次中獲得有用的信息來(lái)優(yōu)化接下來(lái)的批次.

批次對(duì)比優(yōu)化算法可分為兩類,一類是基于模型的統(tǒng)計(jì)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(jì)分析方法[20],通過(guò)對(duì)檢測(cè)得到的數(shù)據(jù)或變量進(jìn)行系統(tǒng)分析,得到必要的數(shù)據(jù)維數(shù),由此構(gòu)造優(yōu)化目標(biāo)和過(guò)程變量之間的數(shù)學(xué)模型,再根據(jù)該模型結(jié)合在線測(cè)量值更新操作軌跡.算法步驟為:

首先,根據(jù)監(jiān)測(cè)得到的測(cè)量對(duì)目標(biāo)參數(shù)進(jìn)行實(shí)時(shí)更新,即:

然后,根據(jù)得到的過(guò)程參數(shù),進(jìn)行數(shù)值計(jì)算,再利用上一批次獲得的數(shù)據(jù)進(jìn)行對(duì)比優(yōu)化,得到下一批次的參數(shù)優(yōu)化值,即:

此優(yōu)化方法的優(yōu)點(diǎn)是能建立決策過(guò)程的經(jīng)驗(yàn)化模型,并可以實(shí)時(shí)觀察過(guò)程的變化,缺點(diǎn)是對(duì)含有擾動(dòng)和不確定因素的過(guò)程,其優(yōu)化效果不佳,使用范圍比較局限,無(wú)法擴(kuò)展到其他過(guò)程優(yōu)化中.

批次對(duì)比優(yōu)化算法的另一類是使用趨勢(shì)模型.根據(jù)間歇生產(chǎn)過(guò)程的重復(fù)性,利用積累的操作經(jīng)驗(yàn)和過(guò)去生產(chǎn)的歷史數(shù)據(jù)優(yōu)化和改進(jìn)現(xiàn)有的過(guò)程模型以及通過(guò)模型預(yù)測(cè)最優(yōu)軌線的一種設(shè)想.文獻(xiàn)[21]采用趨勢(shì)模型算法,將其運(yùn)用到狀態(tài)估計(jì)器的設(shè)計(jì)上,并使用該模型來(lái)改進(jìn)擴(kuò)展Kalman 濾波器,實(shí)現(xiàn)對(duì)間歇反應(yīng)過(guò)程的實(shí)時(shí)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(guò)程的不確定性,算法步驟為:

首先,基于優(yōu)化目標(biāo)的操作條件和約束來(lái)設(shè)計(jì)NCO,即:

然后,根據(jù)必要條件及前一批次數(shù)據(jù),重復(fù)運(yùn)行獲得最優(yōu)解.

需要說(shuō)明的是,實(shí)時(shí)優(yōu)化和批次對(duì)比優(yōu)化在有些時(shí)候是可以實(shí)現(xiàn)綜合優(yōu)化的[17].例如,基于模型的優(yōu)化,可以利用實(shí)時(shí)優(yōu)化來(lái)估計(jì)狀態(tài),同時(shí)在過(guò)程運(yùn)行時(shí)根據(jù)獲得的數(shù)據(jù)來(lái)預(yù)測(cè)模型的參數(shù).在無(wú)模型的優(yōu)化中,利用實(shí)時(shí)優(yōu)化來(lái)得到近似的更新率,再在批次運(yùn)行中設(shè)計(jì)終端約束和靈敏度預(yù)測(cè)的控制器.

近三十年來(lái),間歇生產(chǎn)過(guò)程優(yōu)化方法成果斐然,各有各的優(yōu)勢(shì),傳統(tǒng)的離線優(yōu)化研究的人已經(jīng)很少了,這里不做贅述,僅對(duì)在線優(yōu)化和批次對(duì)比優(yōu)化方法進(jìn)行總結(jié),它們的優(yōu)、劣勢(shì)及適用場(chǎng)景見(jiàn)表1.

表1 間歇生產(chǎn)過(guò)程的優(yōu)化方法分類

無(wú)論是在線優(yōu)化還是批次對(duì)比優(yōu)化,都是對(duì)生產(chǎn)過(guò)程中的設(shè)定值的優(yōu)化,間歇生產(chǎn)過(guò)程中的過(guò)程參數(shù)(溫度、流量或壓力等)通常不是一個(gè)定值,是通過(guò)對(duì)優(yōu)化目標(biāo)(產(chǎn)品質(zhì)量指標(biāo)、能量指標(biāo)或效率指標(biāo))進(jìn)行優(yōu)化而得到的一條參數(shù)變化曲線.優(yōu)化目標(biāo)與過(guò)程參數(shù)之間的關(guān)系往往十分復(fù)雜,建立精確而又簡(jiǎn)易模型來(lái)描述兩者關(guān)系十分困難,如何在此情況下進(jìn)行過(guò)程對(duì)象的優(yōu)化是研究的重點(diǎn).近年來(lái)有很多研究者們利用在線優(yōu)化和批次對(duì)比優(yōu)化各自的優(yōu)點(diǎn),將兩種類型的優(yōu)化方法結(jié)合起來(lái),綜合這兩種算法各自的優(yōu)點(diǎn),形成混合優(yōu)化方法.文獻(xiàn)[22]針對(duì)不確定條件下中間存儲(chǔ)時(shí)間有限的多產(chǎn)品間歇生產(chǎn)過(guò)程調(diào)度問(wèn)題,通過(guò)模糊排序建立了數(shù)學(xué)模型,將分布估計(jì)和粒子群優(yōu)化結(jié)合,設(shè)計(jì)出IPSO-EDA 混合算法.文獻(xiàn)[23]針對(duì)化工過(guò)程優(yōu)化問(wèn)題,將控制變量參數(shù)化方法(Control Variables Parameterization,CVP)和PSO 相結(jié)合,利用PSO 對(duì)最優(yōu)控制量進(jìn)行求解,控制變量參數(shù)化方法將獲得的解作為初始給定軌跡,進(jìn)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(chǎn)過(guò)程控制策略

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

這些難點(diǎn)給間歇生產(chǎn)過(guò)程控制問(wèn)題的研究帶來(lái)了挑戰(zhàn),同時(shí)間歇生產(chǎn)過(guò)程的重復(fù)性和慢速過(guò)程特性又為解決這些難點(diǎn)創(chuàng)造了機(jī)會(huì).

傳統(tǒng)的間歇生產(chǎn)過(guò)程控制是基于經(jīng)典控制理論,采用常見(jiàn)的儀器儀表,對(duì)生產(chǎn)過(guò)程中的溫度、流量、壓力和液位進(jìn)行控制[25,26],根據(jù)不一樣的控制目標(biāo)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(xiàn)[27]分別以化工過(guò)程常遇到的一階、二階和具有純滯后的對(duì)象為例,設(shè)計(jì)了克服干擾的前饋—反饋控制和串級(jí)控制,并優(yōu)化具有延遲特性的Smith 預(yù)估補(bǔ)償器.傳統(tǒng)控制策略的主要任務(wù)是穩(wěn)定系統(tǒng),但對(duì)具有時(shí)變性和非線性,且存在外界干擾的間歇生產(chǎn)過(guò)程,傳統(tǒng)控制策略無(wú)法滿足控制要求.為了實(shí)現(xiàn)更好的控制效果,開(kāi)始了智能控制和先進(jìn)控制策略的研究.

2.1 智能控制策略

智能控制是針對(duì)一類模型復(fù)雜而難以建立數(shù)學(xué)模型的生產(chǎn)過(guò)程的控制方法,主要的控制方法有模糊控制和神經(jīng)網(wǎng)絡(luò)控制[28].

模糊控制是基于模糊推理和模仿人的思維方法,對(duì)難以建立精確的數(shù)學(xué)模型的對(duì)象實(shí)施的一種控制[29].它能夠用模糊語(yǔ)言把過(guò)去研究人員總結(jié)的控制經(jīng)驗(yàn)表示成特定的控制規(guī)則,從而實(shí)現(xiàn)對(duì)系統(tǒng)的控制.文獻(xiàn)[30-32]針對(duì)間歇生產(chǎn)過(guò)程的非線性和時(shí)變性導(dǎo)致的模型難以建立的問(wèn)題,結(jié)合工程人員的豐富經(jīng)驗(yàn),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(jì)劃,獲取了不錯(cuò)的應(yīng)用價(jià)值.

模糊控制需要依靠操作人員的經(jīng)驗(yàn),不具有通用性.于是,隨著神經(jīng)網(wǎng)絡(luò)理論的深入研究,神經(jīng)網(wǎng)絡(luò)控制接替模糊控制成為控制領(lǐng)域的研究重點(diǎn),引起了研究人員的研究興趣.對(duì)于間歇生產(chǎn)過(guò)程控制系統(tǒng),神經(jīng)網(wǎng)絡(luò)控制具有以下優(yōu)勢(shì):(1)萬(wàn)能逼近特性,可以無(wú)限接近最優(yōu)操作軌跡.(2)自主優(yōu)化能力強(qiáng),能夠克服系統(tǒng)的時(shí)變性.(3)采用并行分布處理方法,節(jié)省計(jì)算時(shí)間.(4)魯棒性和容錯(cuò)性較強(qiáng).(5)適用多變量系統(tǒng).充分利用這些優(yōu)勢(shì),對(duì)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(xiàn)[33-36]將神經(jīng)網(wǎng)絡(luò)應(yīng)用到間歇過(guò)程的建模和控制中,增加了模型的準(zhǔn)確性,改善了對(duì)過(guò)程的控制性能.但僅靠一個(gè)神經(jīng)網(wǎng)絡(luò)控制無(wú)法避免局部極值及過(guò)度訓(xùn)練.文獻(xiàn)[37]針對(duì)原油蒸餾過(guò)程,提出Bootstrap 多神經(jīng)網(wǎng)絡(luò)的非線性軟測(cè)量建模方法,該方法比單一神經(jīng)網(wǎng)絡(luò)具有更高的準(zhǔn)確率和魯棒性.

智能控制策略雖然能在一定程度上實(shí)現(xiàn)良好的控制效果,但仍有幾點(diǎn)不足:(1)當(dāng)遇到含有復(fù)雜約束和不確定情況的間歇生產(chǎn)過(guò)程時(shí),由于無(wú)法了解過(guò)程的具體操作情況或者無(wú)法獲取大量實(shí)驗(yàn)數(shù)據(jù),而難以建立過(guò)程模型,對(duì)于這種情況,該策略無(wú)法實(shí)現(xiàn)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(wèn)題,使用數(shù)值求解的方法對(duì)于我們的計(jì)算能力是很大的考驗(yàn).

2.2 先進(jìn)控制策略

先進(jìn)控制策略是以現(xiàn)代控制理論為基礎(chǔ),對(duì)較復(fù)雜的生產(chǎn)過(guò)程進(jìn)行控制,主要有自適應(yīng)控制、魯棒控制、預(yù)測(cè)控制和迭代學(xué)習(xí)控制[38].

自適應(yīng)控制是針對(duì)控制目標(biāo)的特性不停變化和存在不可測(cè)因素的生產(chǎn)過(guò)程的控制策略.該控制策略具有一定的適應(yīng)能力,執(zhí)行器設(shè)定值隨著過(guò)程參數(shù)的改變而不同,以確保當(dāng)控制對(duì)象特性變化時(shí),系統(tǒng)仍能達(dá)到控制要求.文獻(xiàn)[39]在注塑成型中使用自適應(yīng)算法來(lái)控制注射速度,通過(guò)在線測(cè)量得到的輸入輸出數(shù)據(jù)來(lái)估計(jì)出系統(tǒng)模型,再通過(guò)模型配置閉環(huán)系統(tǒng)的零極點(diǎn),如圖2所示.在此基礎(chǔ)上文獻(xiàn)[40]用GPC 控制器代替了零極點(diǎn)配置控制器,有效的克服了控制器對(duì)模型失配敏感的問(wèn)題.

圖2 自適應(yīng)控制器示意圖

比較經(jīng)典反饋控制,自適應(yīng)控制確實(shí)提高了生產(chǎn)過(guò)程的實(shí)驗(yàn)結(jié)果.但當(dāng)批次更迭時(shí)或過(guò)程特性變化時(shí),自適應(yīng)控制系統(tǒng)的輸出會(huì)出現(xiàn)不穩(wěn)定的現(xiàn)象,需要一定時(shí)間進(jìn)行調(diào)整,導(dǎo)致控制效率的優(yōu)勢(shì)欠缺.

魯棒控制可以消除間歇生產(chǎn)過(guò)程中因模型失配而產(chǎn)生的不良影響.文獻(xiàn)[41]以非線性系統(tǒng)的魯棒鎮(zhèn)定和魯棒L2 干擾抑制問(wèn)題為主線,概括介紹了基于耗散性的非線性過(guò)程魯棒控制領(lǐng)域的新進(jìn)展.魯棒控制常和自適應(yīng)控制綜合來(lái)實(shí)現(xiàn)生產(chǎn)過(guò)程的控制目標(biāo),魯棒控制器消除系統(tǒng)干擾和未建模動(dòng)態(tài)的影響,但當(dāng)系統(tǒng)存在不確定參數(shù)時(shí),計(jì)算難度較大,而自適應(yīng)控制可以克服系統(tǒng)的不確定參數(shù),因此兩者相結(jié)合能夠產(chǎn)生比各自獨(dú)立作用更好的控制效果.文獻(xiàn)[42-44]都是將自適應(yīng)魯棒控制應(yīng)用到參數(shù)不確定的非線性系統(tǒng),驗(yàn)證了結(jié)合后的算法魯棒性和準(zhǔn)確性都更好.文獻(xiàn)[45]基于非線性船舶運(yùn)動(dòng)模型,在考慮參數(shù)不確定的同時(shí),還加入了外界擾動(dòng),提出了非線性Backstepping 自適應(yīng)魯棒控制算法.文獻(xiàn)[46]將反饋控制與自適應(yīng)魯棒控制組合,構(gòu)成中藥溶液糖析出系統(tǒng)的控制器,驗(yàn)證了方法的有效性.

自適應(yīng)控制和魯棒控制能夠克服生產(chǎn)過(guò)程中的數(shù)據(jù)無(wú)法測(cè)量引起的弊端,確保生產(chǎn)的產(chǎn)品質(zhì)量沒(méi)有差異,達(dá)到優(yōu)化控制的目的.但自適應(yīng)控制和魯棒控制只能用于過(guò)程參數(shù)在限制邊界內(nèi)不明顯改變的狀況,其優(yōu)化控制的范圍是很有限的.對(duì)于批次較多且頻繁切換的生產(chǎn)過(guò)程,模型預(yù)測(cè)控制和迭代學(xué)習(xí)控制更適合.

模型預(yù)測(cè)控制(Model Predictive Control,MPC)是面向?qū)嶋H運(yùn)行結(jié)果與理論結(jié)果有偏差的生產(chǎn)過(guò)程,對(duì)處理含約束和不確定因素干擾的多參數(shù)生產(chǎn)過(guò)程的控制問(wèn)題上具有很大的潛能.模型預(yù)測(cè)控制具有以下特點(diǎn):對(duì)模型的寬容性;有限時(shí)域的滾動(dòng)優(yōu)化的有效性;設(shè)計(jì)時(shí)考慮各種軟、硬約束的可能性[47].基于這些特點(diǎn),很多學(xué)者將其應(yīng)用到間歇生產(chǎn)過(guò)程控制系統(tǒng).針對(duì)間歇生產(chǎn)過(guò)程的特點(diǎn),研究較多的是多模型預(yù)測(cè)控制(Multiple Model Predictive Control,MMPC)和非線性模型預(yù)測(cè)控制(Nonlinear Model Predictive Control,NMPC)[13].

MMPC是針對(duì)一類非線性過(guò)程提出的一種預(yù)測(cè)控制策略,其特點(diǎn)是將非線性過(guò)程以多時(shí)段線性模型或仿射線性模型近似并用作預(yù)測(cè)模型[48].把間歇生產(chǎn)過(guò)程的運(yùn)行周期劃分為一個(gè)個(gè)的小時(shí)間段,再對(duì)這些小時(shí)間段的生產(chǎn)過(guò)程建立線性模型,這些線性模型組合出整個(gè)間歇生產(chǎn)過(guò)程的近似模型.文獻(xiàn)[49]應(yīng)用了基于線性不等式的魯棒模型預(yù)測(cè)控制,構(gòu)造了MMA 聚合的連續(xù)攪拌式反應(yīng)釜的多元分布模型,實(shí)現(xiàn)了對(duì)各種輸入順序的控制,結(jié)果表明,盡管模型具有不確定性,該策略對(duì)反應(yīng)器的特性的控制卻很好,且保證了系統(tǒng)的魯棒性.文獻(xiàn)[50]針對(duì)污水生化處理過(guò)程,首先從積累的過(guò)程輸入輸出數(shù)據(jù)中找出與當(dāng)前過(guò)程狀態(tài)一致的數(shù)據(jù)集合,運(yùn)用局部多項(xiàng)式擬合方法構(gòu)造過(guò)程的局部模型,再基于過(guò)程的變化建立數(shù)個(gè)模型,將所得數(shù)個(gè)模型與MPC 相融合,得到MMPC 方法.

NMPC是針對(duì)弱非線性過(guò)程的控制方法,將整個(gè)過(guò)程劃分為幾段,每段建立線性模型,將非線性過(guò)程用多個(gè)線性模型組合來(lái)近似.對(duì)于強(qiáng)非線性過(guò)程,以線性模型作為MPC 很難預(yù)測(cè)過(guò)程的動(dòng)態(tài)行為,而NMPC能很好的解決這一問(wèn)題.NMPC 問(wèn)題一般通過(guò)離散化技術(shù)轉(zhuǎn)化為非線性規(guī)劃問(wèn)題,然后采用非線性規(guī)劃求解器進(jìn)行求解.文獻(xiàn)[51]采用多參數(shù)非線性預(yù)測(cè)控制模型,在被控對(duì)象模型不匹配,參數(shù)不確定及存在干擾的情況下,進(jìn)行控制模擬,結(jié)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(xiàn)[52]針對(duì)濕法冶金浸出過(guò)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(gè)方面進(jìn)行了浸出率控制效果仿真對(duì)比,證明了NMPC 方法超調(diào)量小,響應(yīng)速度快,穩(wěn)定性高,且在模型失配的情況下具有較強(qiáng)的魯棒性.

迭代學(xué)習(xí)控制(Iterative Learning Control,ILC)是根據(jù)過(guò)去積累的控制經(jīng)驗(yàn)和過(guò)程輸出誤差來(lái)優(yōu)化當(dāng)前的控制效果,使被控系統(tǒng)的實(shí)際輸出軌跡在有限時(shí)間區(qū)間內(nèi)盡可能收斂于期望的輸入軌跡[53],通過(guò)學(xué)習(xí)降低控制算法對(duì)模型準(zhǔn)確性的依賴.文獻(xiàn)[54]提出了基于模型的迭代學(xué)習(xí)控制,利用先前批次的跟蹤誤差修正當(dāng)前批次的系統(tǒng)輸入,降低了對(duì)模型準(zhǔn)確性的依賴.由于間歇生產(chǎn)過(guò)程需要在規(guī)定的時(shí)間里完成多個(gè)批次的生產(chǎn)任務(wù),所以通常從時(shí)間和批次兩個(gè)維度來(lái)研究它的優(yōu)化和控制問(wèn)題.基于間歇生產(chǎn)過(guò)程的二維表示,文獻(xiàn)[55-57]分別提出了4 種類型的迭代學(xué)習(xí)控制算法,提高了算法的收斂速度和魯棒性.以及文獻(xiàn)[58]的利用多批次輸入輸出信息的高階迭代學(xué)習(xí)控制算法.這類算法利用大量的數(shù)據(jù)不斷更新過(guò)程模型,因此對(duì)模型的準(zhǔn)確性要求不嚴(yán)格.文獻(xiàn)[59,60]針對(duì)間歇生產(chǎn)過(guò)程的模型不準(zhǔn)確問(wèn)題,引入組合思想,將控制條件與獲得的歷史數(shù)據(jù)進(jìn)行綜合尋優(yōu),再結(jié)合迭代學(xué)習(xí)策略實(shí)現(xiàn)控制效果.文獻(xiàn)[61]根據(jù)最優(yōu)軌跡的特性,對(duì)輸入軌線采取一定程度的參數(shù)化處理,并結(jié)合迭代學(xué)習(xí)實(shí)現(xiàn)控制效果,在實(shí)現(xiàn)了所需的控制效果的情況下,簡(jiǎn)化了原本的迭代控制系統(tǒng).文獻(xiàn)[62]針對(duì)空調(diào)在運(yùn)行過(guò)程中會(huì)遇到各種不同的干擾問(wèn)題,提出了一種二維框架理論的迭代學(xué)習(xí)預(yù)測(cè)控制.

LC是利用歷史數(shù)據(jù)來(lái)更新系統(tǒng),對(duì)生產(chǎn)過(guò)程將要出現(xiàn)的問(wèn)題無(wú)法預(yù)測(cè),無(wú)法克服生產(chǎn)過(guò)程中的“臨時(shí)干擾”.MPC是通過(guò)預(yù)測(cè)未來(lái)的系統(tǒng)狀態(tài)輸出,進(jìn)行滾動(dòng)時(shí)域優(yōu)化,能及時(shí)處理實(shí)時(shí)干擾,保證時(shí)域跟蹤性能及閉環(huán)穩(wěn)定性,彌補(bǔ)了ILC的不足[63],因此模型預(yù)測(cè)控制的迭代學(xué)習(xí)是控制間歇生產(chǎn)過(guò)程的一種重要方法.文獻(xiàn)[64-66]針對(duì)有約束的二維系統(tǒng),提出了一些基于模型預(yù)測(cè)控制的迭代學(xué)習(xí)控制方法.

綜上所述,間歇生產(chǎn)過(guò)程的控制技術(shù)飛速發(fā)展,要在實(shí)際生產(chǎn)過(guò)程中實(shí)現(xiàn)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(shì)以及使用場(chǎng)景的簡(jiǎn)單介紹.對(duì)于批次數(shù)量非常有限,或者生產(chǎn)過(guò)程耗時(shí)較長(zhǎng),并且不同生產(chǎn)過(guò)程的控制模型的設(shè)定值差異很大的過(guò)程,不宜用ILC和NMPC,使用魯棒控制和自適應(yīng)控制的效果更佳.

表2 間歇過(guò)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(jìn)控制的控制策略組合起來(lái)實(shí)現(xiàn)對(duì)間歇生產(chǎn)過(guò)程的控制.文獻(xiàn)[67]針對(duì)間歇生產(chǎn)過(guò)程存在的參數(shù)時(shí)變問(wèn)題,將在線自適應(yīng)調(diào)節(jié)和ILC 組合起來(lái)建立綜合控制模型,通過(guò)仿真驗(yàn)證,該策略改善了間歇發(fā)酵過(guò)程的控制性能.文獻(xiàn)[68]針對(duì)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(yīng)用到注塑機(jī)注射速度的控制中,結(jié)果表明,該算法的魯棒性較強(qiáng),有效改善了系統(tǒng)的控制效果.文獻(xiàn)[69]通過(guò)最小二乘法辨識(shí)得到時(shí)變偏擾模型,并進(jìn)一步將迭代學(xué)習(xí)算法和S-procedure 魯棒方法相結(jié)合,實(shí)驗(yàn)證明,該設(shè)計(jì)對(duì)系統(tǒng)的收斂性更高,達(dá)到了很好的控制效果.

當(dāng)系統(tǒng)中存在不重復(fù)干擾時(shí),有人提出將迭代學(xué)習(xí)控制算法與批次內(nèi)的反饋控制算法結(jié)合形成反饋迭代學(xué)習(xí)控制[70],如圖3所示.文獻(xiàn)[71]針對(duì)間歇過(guò)程反應(yīng)器的模型誤差和隨機(jī)干擾問(wèn)題,在最優(yōu)迭代學(xué)習(xí)控制的框架下引入時(shí)間反饋機(jī)制,在生產(chǎn)過(guò)程的每個(gè)批次中,不斷利用當(dāng)前信息校正過(guò)程中特性變化的過(guò)程輸出.文獻(xiàn)[72]在文獻(xiàn)[71]的基礎(chǔ)上,提出了一種兩階段(two-stage)的結(jié)合方式,以降低算法對(duì)不重復(fù)干擾的敏感性.

由于間歇生產(chǎn)過(guò)程有時(shí)間和批次兩個(gè)維度,于是又提出用二維控制理論來(lái)分析設(shè)計(jì)反饋迭代學(xué)習(xí)控制方法.文獻(xiàn)[65]基于二維控制理論,提出了一種間歇生產(chǎn)過(guò)程的集成預(yù)測(cè)迭代學(xué)習(xí)控制(2D-Integrated Predictive Iterative Learning Control,2D-IPILC)策略.文獻(xiàn)[73]針對(duì)存在批次變化傳感器故障的間歇過(guò)程,基于間歇生產(chǎn)過(guò)程的容錯(cuò)控制,引入迭代學(xué)習(xí)控制律,建立了高階控制模型,證明了容錯(cuò)閉環(huán)系統(tǒng)的穩(wěn)定性和魯棒性.

圖3 反饋迭代學(xué)習(xí)控制示意圖

總之,針對(duì)間歇生產(chǎn)過(guò)程的控制技術(shù)的發(fā)展已經(jīng)有了很大的突破,各種控制策略也相對(duì)成熟.但仍然存在待研究的問(wèn)題,比如對(duì)不確定時(shí)長(zhǎng)的間歇生產(chǎn)過(guò)程的控制問(wèn)題,以及如何利用得到的數(shù)據(jù)對(duì)時(shí)變系統(tǒng)建立精確的模型問(wèn)題,以更好的提高算法的收斂性能和控制效果.

3 結(jié)論與展望

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

(1)現(xiàn)在間歇生產(chǎn)過(guò)程的優(yōu)化方法大部分都需要系統(tǒng)模型,而現(xiàn)實(shí)工廠運(yùn)行中構(gòu)造精確的系統(tǒng)模型具有很大的挑戰(zhàn),缺乏精確的過(guò)程模型、生產(chǎn)過(guò)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(wèn)題的同時(shí),系統(tǒng)的穩(wěn)定性不受到影響.例如,對(duì)于間歇生產(chǎn)過(guò)程難以建立精確的數(shù)學(xué)模型問(wèn)題,前面有提到一種無(wú)模型優(yōu)化方法,但這種方法通常需要大量的實(shí)現(xiàn)數(shù)據(jù),如何結(jié)合其他優(yōu)化方法從而實(shí)現(xiàn)揚(yáng)長(zhǎng)避短還需要大家來(lái)研究.

(2)當(dāng)間歇生產(chǎn)過(guò)程的過(guò)程特性發(fā)生變化時(shí),過(guò)程的控制參數(shù)需要隨之變化.例如,在乙酸乙酯的生產(chǎn)過(guò)程中,當(dāng)催化劑或反應(yīng)原料發(fā)生變化時(shí),為了獲得合格的乙酸乙酯產(chǎn)品,需要更改進(jìn)料流率、釜溫和釜內(nèi)壓強(qiáng)等過(guò)程參數(shù).因此我們要獲取優(yōu)化目標(biāo)和過(guò)程參數(shù)之間的數(shù)學(xué)關(guān)系,這就需要基于大量的實(shí)驗(yàn)數(shù)據(jù)來(lái)建立生產(chǎn)過(guò)程的模型.還有一些間歇生產(chǎn)過(guò)程因?yàn)楫a(chǎn)品發(fā)生變化而改變了過(guò)程特性,這時(shí)可以利用前個(gè)產(chǎn)品的實(shí)驗(yàn)數(shù)據(jù)來(lái)對(duì)新的產(chǎn)品建模.目前已經(jīng)有人提出了基于過(guò)程相似特性的模型移植策略,不過(guò)這方面的理論研究和應(yīng)用還不夠成熟,還需要進(jìn)一步對(duì)如何界定產(chǎn)品的相似性和如何甄別有用的數(shù)據(jù)來(lái)研究.

對(duì)于間歇生產(chǎn)過(guò)程的控制策略,主要從3 種控制策略方面進(jìn)行敘述.雖然近三十年,間歇生產(chǎn)過(guò)程的控制策略研究取得了不少成果,但仍存在很多問(wèn)題需要改進(jìn):

(1)對(duì)于基于模型的控制策略來(lái)說(shuō),精確模型對(duì)于獲得好的控制效果至關(guān)重要.迭代學(xué)習(xí)的引入一定程度上降低了控制策略對(duì)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(duì)于間歇生產(chǎn)過(guò)程來(lái)說(shuō),建模的難點(diǎn)在于過(guò)程的時(shí)變性,而如何利用過(guò)程的重復(fù)性對(duì)時(shí)變性的過(guò)程進(jìn)行建模仍需要研究.

(2)間歇生產(chǎn)過(guò)程大多具有很明顯的非線性,為了降低在線計(jì)算的復(fù)雜度,前一節(jié)提到的基于迭代學(xué)習(xí)的控制策略的原理是將非線性過(guò)程劃分為多個(gè)線性過(guò)程,建立線性模型以近似非線性過(guò)程.如文獻(xiàn)[74]在不同的時(shí)間點(diǎn),將非線性模型進(jìn)行線性處理,通過(guò)對(duì)非線性過(guò)程進(jìn)行劃分,獲得多個(gè)線性模型,用這些線性模型來(lái)近似為非線性過(guò)程.針對(duì)這些線性模型完成非線性過(guò)程的控制策略的設(shè)計(jì).當(dāng)間歇生產(chǎn)過(guò)程的非線性較弱,且沒(méi)有復(fù)雜的約束和不確定因素的干擾時(shí),這種近似化方法是可行的.但當(dāng)過(guò)程的非線性無(wú)法得到高精度的近似時(shí),這種方法獲得的控制策略無(wú)法具有說(shuō)服力,需要更加合適的控制策略來(lái)解決,這值得大家去研究.

間歇生產(chǎn)過(guò)程的優(yōu)化方法和控制策略的研究仍落后于連續(xù)生產(chǎn)過(guò)程,對(duì)間歇生產(chǎn)過(guò)程的研究還不夠,而傳統(tǒng)的連續(xù)生產(chǎn)過(guò)程的優(yōu)化方法和控制策略不宜用于間歇生產(chǎn)過(guò)程,此外,還需要加強(qiáng)改進(jìn)算法和現(xiàn)代控制理論的融合,研究出適合大多數(shù)的間歇生產(chǎn)過(guò)程的控制與優(yōu)化軟件且實(shí)現(xiàn)產(chǎn)業(yè)化具有必要性.