黃 磊

(河南信息工程學校機電工程系，河南 鄭州 450011)

0 引言

在化工和熱工的工業(yè)過程控制中，物料或能量的傳輸和變送延遲會導致控制對象具有純滯后性。這種純滯后性常因控制系統(tǒng)輸出的超量導致目標系統(tǒng)控制指標產生超調或振蕩。因此，純滯后系統(tǒng)的控制過程相對復雜。典型的純滯后系統(tǒng)有液晶玻璃窯爐[1]的復雜多點加熱及恒溫控制系統(tǒng)、硅溶膠反應釜的溫度控制系統(tǒng)[2]以及注塑控制系統(tǒng)里的溫控系統(tǒng)[3]。

隨著產能需求的增加，為了提升玻璃、硅溶膠、樹脂等物料的加工量，原本原料的單通道流入變成雙通道甚至多通道，并同步增加了加工腔體的容量和溫控能力。規(guī)模化生產企業(yè)里多套加工設備的生產能力不同，會按照設備各自設置的溫控指標以及原料注入流量進行非持續(xù)生產。多臺設備還需要保證一致特性的合料。因此，傳統(tǒng)基于可編程邏輯控制器(programmable logic controller，PLC)和各種比例積分微分(proportional integral differential，PID)算法的面向單設備的電氣控制系統(tǒng)，將無法很好地滿足這類快速、大規(guī)模的復雜純滯后系統(tǒng)的應用要求。具體問題表現為：①為了實現自適應控制算法(如改進PID)，采用神經網絡[4]或者模糊算法[5-6]，但主流控制器件PLC作復雜運算的能力不足；②由于不同廠家的硬件專有性和封閉性，使得擴展和程序移植都比較困難[7]；③PID調參需要較復雜的過程，無法快速同步設備的工作狀態(tài)[8]，包括控制指標下達以及控制參數的調整，給生產過程管理帶來困難。

利用軟PLC的控制系統(tǒng)設計[9]無法從根本上解決不同PLC之間不兼容、不能快速替換的問題，而基于工業(yè)物聯網應用技術可以快速實現數據的分布式運算與集中控制[10-11]。通過創(chuàng)新性結合工業(yè)大數據應用技術[12]，本文提出了1種通用的、面向大規(guī)模復雜純滯后系統(tǒng)的云端聯合智能控制系統(tǒng)，并在其基礎上給出了具體的應用驗證結果。

1 復雜純滯后系統(tǒng)結構

單輸入型純滯后控制對象工作過程通常是單口投料，通過流量測量變送，經可控制閥門進入加工腔體。腔體內單個控制器并行控制多個加溫、加壓、攪拌機構以完成加工。腔體內配套多個熱電偶、壓力變送器實現控制反饋。為了實現快速收斂的恒溫/恒壓，通常會采用帶前反饋的PID控制器。

復雜純滯后系統(tǒng)結構如圖1所示。

圖1 復雜純滯后系統(tǒng)結構圖Fig.1 Structure diagram of complex pure hysteresis system

通常，系統(tǒng)設備至少有2個投料口，且投料閥門獨立控制。加工腔體內有多個或多層電加熱/壓裝置，對應配置獨立的控制裝置和多個溫度/壓力測點。在實際生產車間里，多個復雜純滯后系統(tǒng)會并行或串行，形成大規(guī)模生產。這種情況下，系統(tǒng)既要保證多個分立的控制點能自適應向標定值靠近，又要兼顧其他控制點的調控速度，從而完成最終一致且同步的輸出，比如出料合并。

2 系統(tǒng)設計

系統(tǒng)設計需滿足多設備對象一致性控制要求，并控制布線難度以減少后期運行維護壓力和系統(tǒng)采購成本。系統(tǒng)設計重點考慮了3個關鍵點：①基于物聯網技術，提供最小布線原則下的數據實時采集和邊緣計算能力；②基于大數據快速運算技術，利用高性能計算設備縮短解算時長保證100 ms以內的單次解算控制周期；③創(chuàng)建數據流模型，兼顧未來機器學習預測算法應用的可行性。

2.1 架構設計

第一層是邊緣層，通過邊緣工控機和遠程終端單元( remote terminal unit，RTU)對加工設備實施監(jiān)控。第二層是中控服務層，基于高性能服務器進行統(tǒng)一管控和控制邏輯運算反饋。

RTU設備通常自帶4G/5G、Wi-Fi網絡能力，同時提供多個輸入輸出(input/output,I/O)數據接口(包括模擬和數字類型)以及標準的串行RS-485接口。RTU設備既可以通過I/O輸出驅動繼電器、指示燈、開關等執(zhí)行器件的工作，又可以直接通過Modbus或其他現場總線協(xié)議對變送器以及繼電器開關量信號進行數據采集。RTU設備具有一定的存儲空間和內存，可以創(chuàng)建并固化脈沖寬度調制(pulse width modulation，PWM)模塊，驅動內外部繼電器完成對電磁閥的控制。在RTU設備里針對設備安保輸出要求進行邏輯編碼，驅動外部警報指示燈和緊急制動按鈕。

大規(guī)模復雜純滯后系統(tǒng)的單點自適應算法乃至未來機器學習模型樣本基于一段歷史數據。但RTU設備的存儲和處理能力有限，無法滿足復雜且快速的數據運行需求。因此，本設計方案采用存儲空間更大、計算能力更高的工控機進一步支持多系統(tǒng)的控制運算。邊緣工控機作為邊緣端的邏輯運算中心和監(jiān)控中心，采用輕量級物聯網應用的消息隊列遙測傳輸(message queuing telemetry transport，MQTT)技術連接多個RTU設備，進行多端數據的快速處理，包括質量過濾、轉置、指標轉換、統(tǒng)計，還將數據通過分布式消息隊列向高性能服務器發(fā)布，以確保大規(guī)模數據的有效使用。

智能控制系統(tǒng)結構如圖2所示。

圖2 智能控制系統(tǒng)結構圖Fig.2 Structure of intelligent control system

既要達到100 ms周期的基于數據段的運算，又要實現多個加工設備的聯動，勢必需要工控機運算數據的相互溝通以及統(tǒng)一協(xié)調?；诠I(yè)大數據的流計算技術可以很好地解決高速數據協(xié)同處理的要求?？紤]到維護成本以及通信速度受限于單機性能短板，在工業(yè)現場一般不建議通過集群方式增強運算能力。因此，本文采用高性能服務器搭建分布式消息隊列引擎。高性能服務器通過分布式消息隊列與多個邊緣工控機通信，對來自不同邊緣工控機的多個加工設備數據作一致化處理，包括溫度偏差的調節(jié)、出料流量的調控，以確保最終合料時的產品品質一致。服務器還負責對所有的數據進行集中存儲，并根據歷史數據的大小進行擴容，可最終形成分布式文件存儲陣列，為潛在的機器學習提供數據支持。服務器用作數據傳輸服務器和消息隊列服務器，以保證數據通信管理有序。

2.2 信息流與功能實現

RTU設備與變送器、控制設備進行通信，波特率為115 200 bit/s，可以達到每秒超過10 KB的傳輸速率。每個加工設備的傳感器數量一般在20個以內、指令控制對象的數量在10個以內、最大數據量小于0.1 KB，可保證每個數據讀取控制指令的周期在10 ms級別。

通過將MQTT的服務質量(quality of service，QoS)設置為0，也就是“至最多一次”的消息通信機制，可以保證數據發(fā)送頻率大于每秒500條、讀取時間周期在10 ms的級別。

針對大規(guī)模復雜純滯后系統(tǒng)中多點數據流的快速耦合處理要求，需要選擇1個合適的流計算平臺。單點PID系統(tǒng)的解算過程未涉及復雜的工程函數解算，單加工腔體內多點數據流計算量不大，但需考慮耦合計算過程對不同點數據流處理的協(xié)同要求。對比多個流計算平臺，包括Spark Streaming、Flink、Storm、Kafka Streams和Samza。Kafka Streams重量輕，具有ms級的傳輸延遲，支持微服務類型的架構，不需要專用集群，適合單點計算量不大的流計算場合(單事件處理的延遲為ms)。同時，由于Kafka Streams本身就是分布式消息隊列，不需要額外增加通信轉換的工作，可以快速實現多邊緣工控機的數據協(xié)同。Kafka Streams還可以利用流處理器的設計，把前續(xù)流處理器對1個或多個主題數據的處理結果作為計算拓撲結構后續(xù)流處理器的輸入。綜合場景需要，本文選擇Kafka Streams。

基于上述架構設計實現的系統(tǒng)運行結構及流程如圖3所示。純滯后系統(tǒng)設備按照默認設置開始運行，狀態(tài)數據實時采集，傳感器的離散數據通過變送器進入RTU設備。RTU設備對狀態(tài)數據先進行限值過濾，并根據過濾結果和閾值進行報警和指示燈指示，或實施針對性的緊急制動。RTU設備將質量過濾后的數據整理成傳感器主題數據，通過MQTT發(fā)布。邊緣工控機將訂閱的傳感器主題數據按照RTU設備為單位組織整理成Jason格式，再通過Kafka Streams進行發(fā)布。高性能服務器將訂閱到的設備主題數據進行統(tǒng)一化處理，并基于可配置的浮動時間窗口進行自適應增量PID解算。高性能服務器將PID解算結果疊加時間戳，形成控制主題數據，通過Kafka Streams進行發(fā)布。邊緣工控機將訂閱的控制主題數據進行解析，形成控制報文，通過MQTT下發(fā)指定RTU設備，以實現完整的控制回路。

圖3 系統(tǒng)運行結構及流程圖Fig.3 System operation structure and flowchart

在信息流實現過程中，基于時間窗口內實時數據的計算機控制模型是關鍵。

2.3 自適應增量PID控制的設計實現

為了保證多個純滯后系統(tǒng)的協(xié)同和耦合控制，系統(tǒng)需在傳統(tǒng)線性PID控制的基礎上進行改進。由于系統(tǒng)采用了集中式云端控制系統(tǒng)框架，可以先將每個PID控制進行獨立解耦實現，并在過程增加與輸出偏差相關的調偏參數，最終實現耦合控制。

傳統(tǒng)純滯后系統(tǒng)采用PID算法進行控制。在時間離散控制的計算機上實現的數字化控制模型如下。

e(k-1)]}

(1)

式中：u(k)為k時刻的執(zhí)行機構位置或開關狀態(tài)；e(k)為k時刻的預設值與實測值的偏差；Kp、Ti、Td為PID的3個常規(guī)參量，即比例系數、積分系數、微分系數。

由于計算控制輸出u(k)時要對過去各個狀態(tài)、e(k)進行累加，積分域的運算量大，很容易出現積分飽和。純滯后系統(tǒng)的控制量達到最大時，誤差仍然在積分的作用下繼續(xù)累積。即使誤差開始反向變化，系統(tǒng)也需要較長時間才能從飽和區(qū)退出。所以，在算法中加入自定義窗口期T，只進行T內的積分計算。同時，考慮到并行加工的多個設備的輸出，需要保證合料前一致，因此需要增加全局偏差Δe。最終的增量式數字化控制模型如下。

(2)

式中:T為積分時間窗口，一般取1～5個采集周期，代表積分量對應的采樣數據數量，e(k)越小則T越?。籆為控制點數量，一般為加熱絲或加壓泵的點數；e(k)i對應測量點i的當前偏差值，即當低于平均測量偏差值時需要減少相應的控制量。

I(u)=50%M(u)

(4)

式中：I(u)為u(k)的初始值;M(u)為u(k)的最大值。

(5)

式中：I(Ti)為Ti的初始值；I(Td)為Td的初始值；M(e)為e(k)的初始值。

u(k)初始值設置為最高值的一半，Kp初始值取高經驗值，純滯后系統(tǒng)初期偏差值e(k)的變化較緩，Kp緩慢變小。當控制作用顯現時，e(k)的變化劇烈，Kp將迅速變小，加速收斂。Ti初始值取高經驗值，并隨著偏差值e(k)的趨零加速積分作用的衰減，以減少飽和區(qū)。Td初始值取低經驗值，并隨著偏差值e(k)的趨零加速微分作用的增強，以減少結果振蕩。

自適應增量PID數字算法基于至少5個采集周期數據以及自動核算的偏差最大值M(e)參與模型運算過程。每個純滯后系統(tǒng)的數據通過Kafka Streams進行消息分發(fā)，并可以通過Kafka Streams實現基于遺傳值e(k)以及窗口期e(k)的數值運算。在Kafka Streams使用滑動時間窗口模式完成1～5個采集周期的數值運算，并利用Kafka Streams提供的aggregate方法實現Max算子。

3 應用驗證

為了便于驗證，本文搭建了應用驗證系統(tǒng)。應用驗證系統(tǒng)原理如圖4所示。

應用驗證系統(tǒng)采用3套同樣的子系統(tǒng)同步運行來模擬大規(guī)模系統(tǒng)控制要求。每套子系統(tǒng)主體均為兩進一出的腔體，采用空氣作為加工對象。腔體在2個進風口布置電控風扇，通過控制風扇轉速來模擬對象流量控制，且每個風扇的轉速均不同。腔體內安裝4個分立的電加熱棒，并可通過控制通電占空比來模擬加工控制。腔體內采用4個與電加熱棒等距的熱電偶進行溫控點的數據反饋，并在出風口布置一個熱電偶以確認出風口溫度。

圖4 應用驗證系統(tǒng)原理示意圖Fig.4 Schematic diagram of application verification system

每個系統(tǒng)配套1個RTU設備。3個系統(tǒng)共用1個工控機和1個高性能服務器。工控機配置為酷睿i3 3217U，4 GB內存，128 GB固態(tài)硬盤。服務器配置為至強E-2224 G，8 GB內存，1 TB硬盤。熱電偶的采樣頻率為100 ms。在QoS0的狀態(tài)下，MQTT的數傳消息速率在15個熱電偶和6個風扇轉速的數據量下，實測在21～39 ms之間完成。利用Kafka Streams進行100次運算時間約為21 s，從室溫19 ℃到設定值63 ℃的一致收斂時間實測約為30 s，且從振蕩期開始，3個出風口的溫差控制在0.1～0.3 ℃之間。驗證系統(tǒng)目標溫度輸出如圖5所示。圖5基本驗證了智能電氣控制系統(tǒng)的設計有效性。

圖5 驗證系統(tǒng)目標溫度輸出Fig.5 Verify system target temperature output

4 結論

本文利用RTU設備、工控機和高性能服務器搭建面向大規(guī)模復雜純滯后系統(tǒng)對象的智能電氣控制系統(tǒng)。系統(tǒng)基于MQTT進行原始數據通信，采用改進的自適應增量PID控制算法，并運用Kafka Streams進行控制模型的流計算。試驗證明，該系統(tǒng)設計能夠適應多個純滯后系統(tǒng)的耦合輸出要求，同時兼顧快速、穩(wěn)定收斂的控制目標，具有良好的應用效果。由于本智能控制系統(tǒng)架構非常適合工業(yè)大數據技術應用，后續(xù)可以通過機器學習模型來應對純滯后系統(tǒng)的滯后值τ預測。預測結果可對PID控制算法有更直接的收斂促進作用。