复杂工业过程的运行优化控制系统的制作方法

1.本技术属于工业控制技术领域，具体涉及一种复杂工业过程的运行优化控制系统。


背景技术：

2.复杂工业过程指一类具有长流程、大滞后、强非线性、有复杂的化学反应和物理变化、受到未知干扰、动态特性发生变化，难以建立精确模型等特点的工业过程。该过程底层回路控制受到未知大范围频繁干扰和设定值频繁变化，采用常规pid控制系统难以满足控制目标；物料中存在复杂的物理变化和化学反应，混合成分的比例未知且随生产变化，运行指标难以在线检测，仍然依赖于化验室的化验值；由于化验值周期长，严重滞后于生产过程，并且流程工业过程相邻工序相互干扰，造成工况的频繁波动，操作员难以及时有效的给出底层回路的设定值，从而导致生产过程运行指标波动大。


技术实现要素：

3.(一)要解决的技术问题
4.鉴于现有技术的上述缺点、不足，本技术提供一种复杂工业过程的运行优化控制系统。
5.(二)技术方案
6.为达到上述目的，本技术采用如下技术方案：
7.第一方面，本技术提供一种复杂工业过程的运行优化控制系统，该系统包括dcs控制系统、边缘工业服务器、工业云服务器；
8.所述dcs控制系统，用于通过工业传感器组件采集复杂工业过程中当前控制周期下的工业现场的过程数据，并将采集的数据存储至所述工业云服务器；
9.所述工业云服务器部署有dcs数据库和mes数据库，所述dcs数据库用于存储所述过程数据，所述mes数据库用于存储化验结果数据和生产报表数据；
10.所述边缘工业服务器，用于从所述工业云服务器中获取所述过程数据、所述化验结果数据和所述生产报表数据，通过预先建立的指标检测模型和运行控制模型得到所述dcs控制系统中下一控制周期各底层回路的设定值，并将得到的设定值发送至所述dcs控制系统；
11.所述dcs控制系统，用于根据各底层回路的设定值控制复杂工业过程下一控制周期的运行过程。
12.可选地，所述边缘工业服务器包括：
13.数据获取模块，用于从工业云服务器中获取复杂工业过程当前控制周期下的过程数据、化验结果数据、生产报表数据，作为待分析数据；
14.运行指标智能检测模块，用于将所述过程数据作为输入，通过预先建立的指标检测模型得到运行指标的指标检测预报值，所述指标检测模型为以过程数据作为输入，以指
标检验结果作为输出，采用最小二乘法进行系统辨识得到的指标检测模型；
15.智能运行优化控制模块，用于将所述指标检测预报值和所述待分析数据作为输入，通过预先建立的运行控制模型得到所述dcs控制系统中下一控制周期各底层回路的设定值，所述运行控制模型为采用基于规则的推理算法进行前馈补偿和反馈控制的控制模型。
16.可选地，所述边缘工业服务器还包括：
17.误差补偿模块，用于基于所述化验结果数据和所述指标检测预报值对所述指标检测模型的模型参数进行更新。
18.可选地，所述边缘工业服务器还包括：
19.数据预处理模块，用于对所述待分析数据中的异常值进行进行预处理。
20.可选地，对所述异常值进行预处理的方法包括一阶惯性滤波、min
‑
max标准化和3σ原则。
21.可选地，所述边缘工业服务器还包括：
22.模型库，所述模型库中存储有针对不同的运行指标预先建立的指标检测模型和运行控制模型；
23.工况识别与感知模块，用于根据采集的过程数据对工况进行辨识，并根据当前的工况选择相应的指标检测模型和运行控制模型。
24.可选地，所述复杂工业过程包括氧化铝蒸发过程、氧化铝碱液调配过程和氧化铝溶出过程；
25.所述氧化铝蒸发过程中，所述过程数据包括进料流量回路数据、折光率、温度，所述运行指标为蒸发出料苛性碱浓度，所述设定值为进料流量回路的设定值；
26.所述氧化铝碱液调配过程中，所述过程数据包括碱液原液、母液以及高浓度液碱的回路数据，所述运行指标为苛性碱浓度，所述设定值包括碱液原液流量回路的设定值、母液流量回路的设定值以及高浓度液碱流量回路的设定值；
27.所述氧化铝溶出过程中，所述过程数据包括溶出过程中的加碱流量回路数据、电导率、温度，所述运行指标为溶出苛性比值，所述设定值包括加碱流量回路的设定值。
28.可选地，所述氧化铝蒸发过程、所述氧化铝碱液调配过程和所述氧化铝溶出过程中，数据预处理的方法为：
29.将所述待分析数据中的时序数据在时间窗口内进行一阶惯性滤波，一阶惯性滤波函数为：
30.y(n)＝αx(n) (1
‑
α)y(n
‑
1)
31.其中，α为滤波系数，在本发明中取值为0.05，x(n)为本次采样值，y(n
‑
1)为上次滤波输出值，y(n)为本次滤波输出值。
32.可选地，该系统还包括：
33.化验系统，用于接收各运行指标的化验值，并将所述化验值保存到所述工业云服务器的mes数据库中。
34.(三)有益效果
35.本技术的有益效果是：本技术提供一种复杂工业过程的运行优化控制系统，该系统通过运行指标智能检测、智能运行优化控制以及控制指令的自动下发，不仅提高了控制
系统对生产过程的控制精度，而且提高了生产指标的合格率。
附图说明
36.本技术借助于以下附图进行描述：
37.图1为本技术一个实施例中的复杂工业过程的运行优化控制系统架构示意图；
38.图2为本技术一个实施例中的边缘工业服务器架构示意图；
39.图3为本技术另一个实施例中的氧化铝蒸发过程的运行优化控制方法流程示意图；
40.图4为本技术另一个实施例中的氧化铝蒸发过程的运行优化控制原理图；
41.图5为本技术又一个实施例中的氧化铝溶出过程的运行优化控制原理图；
42.图6为本技术又一个实施例中的复杂工业过程的运行优化控制系统架构示意图。
具体实施方式
43.为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。可以理解的是，以下所描述的具体的实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合；为了便于描述，附图中仅示出了与发明相关的部分。
44.针对现有技术存在的缺点，本技术提出了一种复杂工业过程的运行优化控制系统，以下通过具体的实施例对本技术作详细描述。
45.实施例一
46.图1为本技术一个实施例中的复杂工业过程的运行优化控制系统架构示意图，如图1所示，该系统包括dcs控制系统100、工业云服务器200、边缘工业服务器300；
47.dcs控制系统100，用于通过工业传感器组件采集复杂工业过程中当前控制周期下的工业现场的过程数据，并将采集的数据存储至工业云服务器200；
48.工业云服务器200部署有dcs数据库和mes数据库，dcs数据库用于存储过程数据，mes数据库用于存储化验结果数据和生产报表数据；
49.边缘工业服务器300，用于从工业云服务器200中获取过程数据、化验结果数据和生产报表数据，通过预先建立的指标检测模型和运行控制模型得到dcs控制系统100中下一控制周期各底层回路的设定值，并将得到的设定值发送至dcs控制系统100；
50.dcs控制系统100，用于根据各底层回路的设定值控制复杂工业过程下一控制周期的运行过程。
51.本实施例的控制系统通过运行指标智能检测、智能运行优化控制以及控制指令的自动下发，不仅提高了控制系统对生产过程的控制精度，而且提高了生产指标的合格率。
52.以下对本实施例方法的各个单元进行展开描述。
53.图2为本技术一个实施例中的边缘工业服务器架构示意图，如图2所示，本实施例中的边缘工业服务器300包括：
54.数据获取模块310，用于从工业云服务器200中获取复杂工业过程当前控制周期下的过程数据、化验结果数据、生产报表数据，作为待分析数据；
55.运行指标智能检测模块320，用于将过程数据作为输入，通过预先建立的指标检测
模型得到运行指标的指标检测预报值，指标检测模型为以过程数据作为输入，以指标检验结果作为输出，采用最小二乘法进行系统辨识得到的指标检测模型；
56.智能运行优化控制模块330，用于将指标检测预报值和待分析数据作为输入，通过预先建立的运行控制模型得到dcs控制系统100中下一控制周期各底层回路的设定值，运行控制模型为采用基于规则的推理算法进行前馈补偿和反馈控制的控制模型。
57.在其他一些可选的实施方式中，边缘工业服务器还可以包括：
58.误差补偿模块，用于基于化验结果数据和指标检测预报值对指标检测模型的模型参数进行更新。
59.在其他一些可选的实施方式中，边缘工业服务器还包括数据预处理模块，用于对待分析数据中的异常值进行进行预处理，以去除测量噪声和数据离群点，以及对滤波处理后的数据补全缺失数据。
60.具体地，对异常值进行预处理的方法包括一阶惯性滤波、min
‑
max标准化和3σ原则。
61.在其他一些可选的实施方式中，边缘工业服务器还包括：
62.模型库，模型库中存储有针对不同的运行指标预先建立的指标检测模型和运行控制模型；
63.工况识别与感知模块，用于根据采集的过程数据对工况进行辨识，并根据当前的工况选择相应的指标检测模型和运行控制模型。
64.这里不同工况下是由于生产数据反映出来，本实施例中采用事件触发的形式，例如，当加热蒸汽压力达到某一等级时，便认为是触发了某一类工况，从而在库中选择在该工况条件下相应指标检测模型和运行控制模型。不同的生产条件变化及生产状态对应不同的运行指标，从而选取对应的指标检测模型和运行控制模型，指标检测模型检测得到检测值，运行控制模型基于检测值得到dcs控制系统中下一控制周期各底层回路的设定值。
65.在其他一些可选的实施方式中，运行优化控制系统还可以包括化验系统，化验系统用于接收各运行指标的化验值，并将化验值保存到工业云服务器的mes数据库中。
66.本实施例中，复杂工业过程包括氧化铝蒸发过程、氧化铝碱液调配过程和氧化铝溶出过程；
67.氧化铝蒸发过程中，过程数据包括进料流量回路数据、折光率、温度，运行指标为蒸发出料苛性碱浓度，设定值为进料流量回路的设定值；
68.氧化铝碱液调配过程中，过程数据包括碱液原液、母液以及高浓度液碱的回路数据，运行指标为苛性碱浓度，设定值包括碱液原液流量回路的设定值、母液流量回路的设定值以及高浓度液碱流量回路的设定值；
69.氧化铝溶出过程中，过程数据包括溶出过程中的加碱流量回路数据、电导率、温度，运行指标为溶出苛性比值，设定值包括加碱流量回路的设定值。
70.氧化铝蒸发过程、氧化铝碱液调配过程和氧化铝溶出过程中，数据预处理的方法为：
71.将待分析数据中的时序数据在时间窗口内进行一阶惯性滤波，一阶惯性滤波函数为：
72.y(n)＝αx(n) (1
‑
α)y(n
‑
1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(a1)
73.其中，α为滤波系数，在本发明中取值为0.05，x(n)为本次采样值，y(n
‑
1)为上次滤波输出值，y(n)为本次滤波输出值。
74.需要说明的是，本实施例中生产报表数据可以包括原矿石分析数据，例如矿石的铝硅比、钙硅比；还可以包括关键运行指标的化验值，例如苛性比值化验值、苛性碱浓度化验值等。
75.实施例二
76.本实施实例为我国某一大型氧化铝厂的蒸发过程，该蒸发过程是一个长流程过程，进料流量受到未知大范围频繁干扰和设定值频繁变化，采用常规pid控制方法难以满足控制目标，由于料液成分复杂，混合成分的比例未知且随生产变化，运行指标难以在线检测与自动设定。
77.图3为本技术另一个实施例中的氧化铝蒸发过程的运行优化控制方法流程示意图，以下结合图3本实施例中的各步骤进行展开说明。
78.步骤1：通过数据传输模块采集工业云服务器phd数据库和mongodb中的过程数据、化验系统数据、生产报表数据；
79.步骤2：数据存储，将采集工业云服务器得到的数据存储到边缘工业服务器的数据库中，用于后续运行指标智能检测和智能运行优化控制控制；
80.步骤3：通过特征变量选取模块对采集得到的数据进行筛选，选取对智能设定模型有贡献的相关变量，在不影响模型精度要求的前提下降低模型的复杂度和训练时间；
81.步骤4：通过数据预处理模块对工业生产数据中不可避免的测量噪声和数据离群点进行滤波处理，并且对缺失数据进行补全，针对不同的生产数据采用不同的处理方法，判断边缘设备中是否存在模型，若存在，执行到步骤6，否则，执行到步骤5；
82.步骤5：在边缘设备中针对不同的运行指标建立对应指标智能检测模型的智能运行控制模型，并将这些模型保存到模型库中；
83.步骤6：判断各运行指标智能检测模型和智能运行控制模型是否满足精度要求，若满足，执行到步骤7，否则执行到步骤3；
84.步骤7：工况识别与感知模块根据生产过程采集的数据对工况进行辨识，并根据当前的工况条件选择适合各个运行指标智能检测和智能运行控制模型；
85.步骤8：判断是否达到控制周期，若达到控制周期，则执行到步骤9，若未达到控制周期，则执行到步骤7；
86.步骤9：结合当前的工况识别感知结果与各运行指标智能检测和智能运行控制模型，给出控制系统中各底层回路的设定值；
87.步骤10：将各底层回路的设定值通过数据传输模块发送到边缘控制器实时系统中。
88.本实施例中，开发以上软件定义的复杂工业过程智能优化运行控制系统的工业软件，主要包括数据库通讯连接、数据的读取写入、运行指标智能检测、智能运行优化控制算法的软件实现以及相应的人机界面进行过程监控和人工操作，该软件与底层分布式控制系统(dcs)进行通讯，实现回路数据的读取和控制指令的下发。软件中底层算法以及数据通讯采用python语言开发，前端操作员监控界面采用foxdraw组态软件开发。
89.本实施例中，数据传输采用opc协议和tcp/ip协议，将生产过程数据存储在工业云
服务器中的phd数据库中，化验系统数据以及生产报表数据存储在工业云服务器中的mongodb中。
90.本实施例中，特征选择方法采用包裹法，数据预处理方法包括一阶惯性滤波、min
‑
max标准化和3σ原则处理异常值，运行指标智能检测主模型采用最小二乘辨识，智能运行控制采用基于规则的推理系统。
91.本实施例中，仅针对一种工况进行智能运行控制，故不涉及工况识别与感知过程。
92.图4为本技术另一个实施例中的氧化铝蒸发过程的运行优化控制原理图，如图4所示，氧化铝蒸发过程运行优化控制系统包括指标智能检测模块、智能反馈控制模块、智能前馈补偿模块以及高性能控制器等。指标智能检测模块利用检测仪表原始数据以及工业化验数据实现工业过程运行指标的在线智能检测。智能反馈控制器利用智能检测指标作为反馈信号给出工业过程的反馈设定值，智能反馈控制器还根据工厂操作人员输入的运行指标上下限，当运行指标化验值接近上下限或者超出上下限时结合当前运行目标值给出合适的设定值，并对操作人员报警提示，智能控制器还根据化验值与运行指标目标值的差值，给出的加碱流量设定值。智能前馈补偿器结合生产过程的工况变化给出前馈补偿值。反馈设定值与前馈补偿值相加即为最终设定值。智能控制器每隔一个控制周期产生一个控制量，该控制量是离散信号；保持器用于将离散信号转化为连续信号输入到底层回路的控制器中。底层回路通过高性能控制器实现对智能设定值的高精度跟踪控制，从而实现对运行指标的智能运行优化控制。此外，指标智能检测模型还能够基于化验值和指标检测结果对模型参数进行更新。
93.采用上述技术方案所设计的软件定义的复杂工业过程智能运行优化控制技术成功应用于氧化铝蒸发过程。工业应用结果表明，该控制系统控制效果明显优于人工设定。表1为苛性比值智能检测性能评价表，表2为智能设定性能评价表。
94.表1
[0095][0096]
表2
[0097][0098]
由表1和表2可以看出，在工业实验中，采用本发明运行指标智能检测和智能运行优化控制技术可以将蒸发苛性碱浓度控制在目标范围内，其中运行指标智能检测比现有仪
表精度(误差均方差，mse)提高86％，苛性碱浓度区间合格率比人工设定提高31.6％，mse降低了35.4％，平均绝对误差(mae)降低了23.1％。
[0099]
实施例三
[0100]
本实施实例为我国某一大型氧化铝厂的溶出过程，氧化铝生产溶出过程是通过高浓度碱液与矿浆中的氧化铝在高温高压条件进行溶出反应的关键过程，该过程的运行指标是苛性比值(ak)，反映溶出质量的高低。
[0101]
氧化铝溶出过程的控制方法具体包括：
[0102]
步骤101、基于预先建立的氧化铝溶出过程的领域知识库确定当前氧化铝溶出工况启动时加碱流量回路中各运行参数的初始设定值；
[0103]
步骤102、采集所述加碱流量回路中的数据，所述数据包括氧化铝溶出过程中的与苛性比值相关的回路数据、过程数据以及化验数据；
[0104]
步骤103、采用数据回溯的方式，依据所述采集数据中的化验数据、预先设定的目标值和所述领域知识库，对加碱流量回路的当前设定值进行调整；
[0105]
和/或，采用前馈补偿的方式，依据所述采集数据中的回路数据、过程数据和所述领域知识库，对加碱流量回路的当前设定值进行补偿。
[0106]
步骤103中，采取反馈控制和前馈补偿相结合，提出氧化铝溶出过程运行指标苛性比值的自动控制方法，并且根据步骤103中的调整后的加碱流量回路的设定值和/或补偿后的加碱流量回路的设定值计算出最终的设定值。
[0107]
其中知识库建立方法包括：采用决策树回归方法对预设时间段内的历史生产数据进行数据挖掘，获得计算知识；对氧化铝溶出过程的现场操作人员的专家经验进行归纳总结，获得专家知识；将所述计算知识和所述专家知识进行整合，建立氧化铝溶出过程的领域知识库；其中，所述计算知识和所述专家知识均是以if
‑
then形式的规则集合存储在所述领域知识库中。
[0108]
图5为本技术又一个实施例中的氧化铝溶出过程的运行优化控制原理图，以下结合图5对智能前馈补偿器和智能反馈控制器的原理进行说明。
[0109]
第一：反馈控制的处理过程
[0110]
针对氧化铝溶出过程存在大的时间滞后问题，采用数据回溯的方式，依据所述采集数据中的化验数据、预先设定的目标值和所述领域知识库，对加碱流量回路的当前设定值进行调整，包括：
[0111]
采用数据回溯的方式，计算氧化铝溶出过程苛性比值的化验值r(k)与目标值r
*
的差值e(k)、苛性比值在线智能检测的变化率nk_t；
[0112]
根据领域知识库中的if
‑
then形式的规则，当差值e(k)或变化率nk_t满足条件时，对加碱流量回路的当前设定值进行调整。
[0113]
其中，所述溶出过程苛性比值的化验值r(k)与目标值r
*
的差值e(k)＝r(k)
‑
r
*
分为五个区间，b1‑
b5分别为0.01、0.03、0.03、0.04、0.05、，加碱流量回路的调整单位o1～o5分别为10、15、20、30、50。
[0114]
所述目标值r
*
由操作人员在溶出过程中给出。
[0115]
依据公式(a2)计算苛性比值在线智能检测在时间窗口t
f
内的变化率，苛性比值在时间窗口t
f
内的变化率，本实施例中，t
f
可以取15min。
[0116][0117]
其中，up_t为时间窗口t
f
内大于零的变化率之和，down_t为时间窗口内小于零的变化率之和，th为变化率之和的阈值；
[0118]
ak_t＝1表示在时间窗口t
f
内苛性比值呈上升趋势，ak_t＝0表示在时间窗口t
f
内苛性比值呈下降趋势，ak_t＝
‑
1表示在时间窗口t
f
内苛性比值没有变化。
[0119]
具体推理规则如下：
[0120]
步骤a：事件触发模式，采用运行指标ak的化验值作为反馈信号进行设定值调整，设当前时刻为k，运行指标化验值为r(k)，则对应的加碱流量历史设定值为y(k
‑
t
σ
‑
t
δ
)，其中t
σ
为复杂工业过程存在的滞后时间，t
δ
为ak取样到出结果的时间间隔，在本实施例中，t
σ
取130min，t
δ
取40min。
[0121]
其中，化验值可以由操作人员在氧化铝溶出系统的管道取样口进行取样、并送往化验室进行化验得到。
[0122]
(1)当苛性比值的化验值波动较小时，维持当前加碱流量回路的设定值不变：
[0123]
rule1:if|e(k)|≤b
1 then y
1sp
(k)＝y
1sp
(k
‑
t
σ
‑
t
δ
)
ꢀꢀꢀꢀꢀ
(3)
[0124]
下标sp表示设定值(setpoint)的缩写，下标y
1sp
是加碱流量回路的设定值。
[0125]
(2)当苛性比值的化验值上升，误差位于区间(b1,b2]中，苛性比值化验值偏高，为了保证苛性比值维持在目标区间内，需要在加碱流量回路的历史设定值基础上减少加碱流量：
[0126]
rule2:if b1＜e(k)≤b
2 then y
1sp
(t1)＝y
1sp
(k
‑
t
σ
‑
t
δ
)
‑
o1ꢀꢀꢀꢀꢀ
(4)
[0127]
(3)当苛性比值的化验值上升，误差位于区间(b2,b3]中，苛性比值化验值偏高，为了保证苛性比值维持在目标区间内，需要在加碱流量回路的历史设定值基础上减少加碱流量：
[0128]
rule3:ifb2＜e(k)≤b
3 then y
1sp
(k)＝y
1sp
(k
‑
t
σ
‑
t)
‑
o2ꢀꢀꢀꢀꢀꢀ
(5)
[0129]
(4)当苛性比值的化验值上升，误差位于区间(b3,b4]中，苛性比值化验值偏高，为了保证苛性比值维持在目标区间内，需要在加碱流量回路的历史设定值基础上减少加碱流量：
[0130]
rule4:ifb3＜e(k)≤b
4 then y
1sp
(k)＝y
1sp
(k
‑
t
σ
‑
t)
‑
o3ꢀꢀꢀꢀꢀꢀ
(6)
[0131]
(5)当苛性比值的化验值上升，误差位于区间(b4,b5]中，苛性比值化验值偏高，为了保证苛性比值维持在目标区间内，需要在加碱流量回路的历史设定值基础上减少加碱流量：
[0132]
rule5:ifb4＜e(k)≤b
5 then y
1sp
(k)＝y
1sp
(k
‑
t
σ
‑
t)
‑
o4ꢀꢀꢀꢀꢀꢀꢀ
(7)
[0133]
(6)当苛性比值的化验值上升，并且e(t1)＞b5，苛性比值化验值偏高，为了保证苛性比值维持在目标区间内，需要在加碱流量回路的历史设定值基础上减少加碱流量：
[0134]
rule6:ife(k)＞b
5 then y
1sp
(k)＝y
1sp
(k
‑
t
σ
‑
t)
‑
o5ꢀꢀꢀꢀꢀꢀ
(8)
[0135]
(7)当苛性比值的化验值下降，误差位于区间[
‑
b2,
‑
b1)中，苛性比值化验值偏低，为了保证苛性比值维持在目标区间内，需要在加碱流量回路的历史设定值基础上增加加碱流量：
[0136]
rule7:if
‑
b2≤e(k)＜
‑
b
1 then y
1sp
(k)＝y
1sp
(k
‑
t
σ
‑
t) o1ꢀꢀꢀꢀ
(9)
[0137]
(8)当苛性比值的化验值下降，误差位于区间[
‑
b3,
‑
b2)中，苛性比值化验值偏低，为了保证苛性比值维持在目标区间内，需要在加碱流量回路的历史设定值基础上增加加碱流量：
[0138]
rule8:if
‑
b3≤e(k)＜
‑
b
2 then y
1sp
(k)＝y
1sp
(k
‑
t
σ
‑
t) o2ꢀꢀꢀꢀꢀ
(10)
[0139]
(9)当苛性比值的化验值下降，误差位于区间[
‑
b4,
‑
b3)中，苛性比值化验值偏低，为了保证苛性比值维持在目标区间内，需要在加碱流量回路的历史设定值基础上增加加碱流量：
[0140]
rule9:if
‑
b4≤e(k)＜
‑
b
3 then y
1sp
(k)＝y
1sp
(k
‑
t
σ
‑
t) o3ꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0141]
(10)当苛性比值的化验值下降，误差位于区间[
‑
b5,
‑
b4)中，苛性比值化验值偏低，为了保证苛性比值维持在目标区间内，需要在加碱流量回路的历史设定值基础上增加加碱流量：
[0142]
rule10:if
‑
b5≤e(k)＜
‑
b
4 then y
1sp
(k)＝y
1sp
(k
‑
t
σ
‑
t) o4ꢀꢀꢀꢀꢀ
(12)
[0143]
(11)当苛性比值的化验值下降，并且e(t1)＜
‑
b5，苛性比值化验值偏低，为了保证苛性比值维持在目标区间内，需要在加碱流量回路的历史设定值基础上增加加碱流量：
[0144]
rule11:ife(k)＜
‑
b
5 then y
1sp
(k)＝y
1sp
(k
‑
t
σ
‑
t) o5ꢀꢀꢀꢀꢀꢀ
(13)
[0145]
步骤b：时间触发模式，采用苛性比值ak在线智能检测数据作为反馈信号在反馈控制周期对加碱流量回路的设定值进行微调，设当前时刻为k，ak的在线智能检测示数为q(k)，则对应的历史设定值为y(k
‑
t
σ
)，在反馈控制周期t
f
内对设定值进行调整，本实施例中，t
f
取15min。
[0146]
(1)在时间窗口t
f
内苛性比值的线智能检测数据没有变化并且达到控制周期，加碱流量回路的的设定值保持历史设定值不变：
[0147]
rule12:ift＞t
f and ak_t＝
‑
1then y
1sp
(k)＝y
1sp
(k
‑
t
σ
)
ꢀꢀꢀꢀ
(14)
[0148]
其中，t为采样时间，t
f
表示反馈控制周期。
[0149]
(2)在时间窗口t
f
内苛性比值呈上升趋势并且达到控制周期，在加碱流量回路的历史设定值基础上降低加碱流量：
[0150]
rule13:
[0151]
(3)在时间窗口t
f
内苛性比值呈下降趋势并且达到控制周期，在加碱流量回路的历史设定值基础上增加加碱流量：
[0152]
rule14:
[0153]
第二、前馈补偿的处理过程
[0154]
根据硅前a/s、赤泥a/s、循环碱液的苛性碱浓度nk和循环碱液的苛性比值ak的变化情况对加碱流量回路的设定值进行补偿，其中a/s表示铝硅比：
[0155]
(1)硅前前馈补偿器
[0156]
硅前a/s反映进入溶出工序的矿石成分，直接影响溶出过程的配碱和最终的氧化铝产量，当硅前a/s增高时，需要增大加碱流量，当硅前a/s降低时，需要减少加碱流量，相邻两个硅前a/s差值记为δ1，在前馈补偿周期t
b1
内对设定值进行调整，在本实施例中，t
b1
取
120min。
[0157]
具体设定规则如下：
[0158]
1)当硅前a/s增大时，需要增加对加碱流量回路的设定值的补偿。
[0159]
rule15:
[0160]
2)当硅前a/s降低时，需要减少对加碱流量回路的设定值的补偿。
[0161]
rule16:
[0162]
φ1(k)为硅前前馈补偿器的流量补偿值。
[0163]
(2)赤泥a/s前馈补偿器
[0164]
赤泥a/s反映溶出过程的溶出效果，如果赤泥a/s过高则意味着大量的铝矿石流失到了赤泥中，造成资源浪费，因此需要将赤泥a/s控制在一个限度内，相邻两个赤泥a/s差值记为δ2，在前馈补偿周期t
b2
内对设定值进行调整，在本实施例中，t
b2
取120min。
[0165]
具体设定规则如下：
[0166]
1)当赤泥a/s增大时，需要增加对加碱流量回路的设定值的补偿。
[0167]
rule17:
[0168]
2)当赤泥a/s降低时，需要减少对加碱流量回路的设定值的补偿。
[0169]
rule18:
[0170]
φ2(k)为赤泥前馈补偿器的流量补偿值
[0171]
3)循环碱液苛性碱浓度nk前馈补偿器
[0172]
溶出加碱即为循环碱液，因此循环碱液nk增大时需要降低加碱流量，循环碱液nk降低时需要增加加碱流量，相邻两个循环碱液nk差值记为δ3，在前馈补偿周期t
b3
内对设定值进行调整，在本实施例中，t
b3
取120min。
[0173]
具体设定规则如下：
[0174]
1)当循环碱液nk降低时，需要增加对加碱流量回路的设定值的补偿。
[0175]
rule19:
[0176]
2)当循环碱液nk增大时，需要减少对加碱流量回路的设定值的补偿。
[0177]
rule20:
[0178]
φ3(k)为苛性碱浓度nk前馈补偿器的流量补偿值。
[0179]
(3)循环碱液苛性比值ak前馈补偿器
[0180]
溶出加碱即为循环碱液，当循环碱液ak增大时需要减少加碱流量，当循环碱液ak降低时需要增加加碱流量，相邻两个循环碱液ak差值记为δ4，在前馈补偿周期t
b4
内对设定值进行调整，本实施例中，t
b4
取120min。
[0181]
具体设定规则如下：
[0182]
1)当循环碱液ak降低时，需要增加对加碱流量回路的设定值的补偿。
[0183]
rule21:
[0184]
2)当循环碱液ak增大时，需要减少对加碱流量回路的设定值的补偿。
[0185]
rule22:
[0186]
φ4(k)为苛性比值ak前馈补偿器的流量补偿值。
[0187]
第三、根据调整后的加碱流量设定值和补偿后的加碱流量设定值，计算加碱流量回路的最终设定值，即：
[0188]
y
sp
(k)＝y
1sp
(k) φ1(k) φ2(k) φ3(k) φ4(k)
ꢀꢀꢀꢀꢀꢀꢀ
(25)
[0189]
最后，对加碱流量回路的设定值进行限幅，下装到底层流量控制回路。
[0190][0191]
式中，y
min
＝80m3/h，y
max
＝300m3/h分别为加碱流量下限值和上限值。
[0192]
本实施例中结合溶出过程的运行工况，在初始设定值的基础上利用实时采集的回路数据、过程数据、化验数据和规则推理，通过在可变的反馈控制周期内调整加碱流量回路控制的当前设定值；进而实现了氧化铝溶出过程中运行指标的自动控制，有效提高了苛性比值的合格率。
[0193]
实施例四
[0194]
本技术第三方面通过又一实施例提供了一种复杂工业过程智能运行优化控制系统，图5为本技术又一个实施例中的复杂工业过程的运行优化控制系统结构示意图，如图5所示，该系统包括控制系统、边缘工业服务器、工业云服务器、化验系统，以下对本实施例系统的各个部分进行展开描述。
[0195]
控制系统包括dcs控制系统、操作计算机以及工业传感器等，用于实现工业生产传感器的数据采集，控制量的读取与下装，生产过程的监控和执行机构远程操作。
[0196]
dcs控制系统，实现对工业生产设备和生产流程的分布式控制与集中管理，并将相关的信号数据传递到操作计算机，实现对生产设备和过程的监控。
[0197]
操作计算机用于远程监控生产过程和工业设备，包括设备的液位、阀门的开度、工业设备的启停等，同时用于监控智能运行优化控制软件的运行状态以及控制指令的调整。在人工控制阶段，操作人员可以通过操作计算机将控制指令下发到dcs控制系统。
[0198]
工业传感器用于对生产设备以及生产物料等相关变量的在线检测，并将测量信号传输到dcs服务器，用于设备监控和过程变量的在线检测。
[0199]
工业云服务器为工厂内部搭建的私有云，在工业云服务器中部署dcs数据库和mes数据库，用于工业现场过程数据和化验数据的采集和集中存储。
[0200]
工业云服务器中dcs数据库用于存储工业生产过程中的过程数据以及控制回路数据，并且可以将相关的控制指令写入到dcs数据库中，作为上位机和下位机之间的数据中转；在工业云服务器部署mes数据库用于存储dcs数据库中的部分数据、化验系统数据、生产
报表数据等，用作mes平台的后台数据库。
[0201]
具体的，工业云平台中phd数据库通过opc服务器实现工业服务器与dcs服务器之间的通讯，存储工业生产过程中的过程数据以及控制回路数据，并且可以将相关的控制指令写入phd数据库，通过opc服务器发送到dcs控制系统，作为上位机和下位机之间的数据中转；在工业云平台部署mongodb用于存储phd数据库中的部分数据、化验系统数据、生产报表数据等，用作mes平台的后台数据库。
[0202]
针对复杂工业过程存在数据孤岛的问题，将生产过程的仪表数据、化验数据以及生产报表数据存储在工业云服务器的数据库中，将全厂的相关数据都集中在工业云服务器中；针对工业现场存在大量数据并且生产工况多变难以判断，在边缘工业服务器中部署工业软件，实现运行指标智能检测、工况的识别与感知和智能运行优化控制以及控制指令的自动下发，提高了控制精度，减少了数据传输的成本和延迟。
[0203]
化验系统用于进行化验室指标化验值的在线录入，将化验值保存到工业云服务器的mes数据库中，实现化验车间和生产车间的数据互通。
[0204]
边缘工业服务器利用软件定义技术在边缘工业服务器中虚拟出实时系统和多个非实时系统，实时系统用于实现底层回路的高性能控制，非实时系统用于实现运行指标的智能检测和智能运行优化控制。表3为本实施例中边缘工业服务器性能参数表。
[0205]
表3
[0206][0207]
在实时系统中部署有运行经过编译器编译出的二进制控制程序的运行模块以及向实时数据库中写入数据的数据模块，实时系统为了保证实时性，在操作系统的统一调度下，按照运行周期连续运行程序并向数据库中写入运行结果。
[0208]
具体的，在实时系统中包含执行控制程序的运行模块和写入实时数据库的数据通讯模块。编译器首先将针对plc编写的程序编译成机器语言，并将程序下发到运行模块中，运行模块得到编译后可以直接运行的程序经过验证后在操作系统的调度下开始执行，执行完成后数据通讯模块按照点表向实时数据库中写入运算数据，并且向外设发送信号，将计算结果向外部输出。为了保证稳定性和执行速度，实时系统按照轻量化的要求进行配置，并且多个实时系统以及实时和非实时系统中间实现了系统级的隔离，保证相互的执行不会影响。
[0209]
在非实时系统中部署数据库，用于存储算法相关数据，作为智能运行优化控制系统的后台数据库。这里的数据库可以是sql server数据库。
[0210]
采用软件定义技术，在边缘服务器上对工业应用软件功能进行模块化开发，包括数据传输模块、特征变量选取模块、数据预处理模块、时间戳对齐模块、运行指标智能检测模块、工况识别与感知模块、智能运行控制模块、生产指标监控模块。
[0211]
数据传输模块用于边缘工业服务器和工业云服务器之间的数据传输，读取phd数据库和mongodb中的过程数据、化验系统数据、生产经营数据，并将边缘工业服务器中的在线检测指标和控制指令下发到实时系统中。
[0212]
sql server数据库部署在边缘工业服务器中用于存储复杂工业应用算法的相关数据，作为智能运行优化控制系统的后台数据库，用于生产指标的监控和智能运行优化控制。
[0213]
特征变量选取模块用于对采集得到的数据进行筛选，选取对智能设定模型有贡献的相关变量，在不影响模型精度要求的前提下降低模型的复杂度和训练时间。
[0214]
数据预处理模块用于处理工业生产数据中不可避免的测量噪声和数据离群点，并且对缺失数据进行补全，提高模型精度和抗干扰性能，针对不同的生产数据采用不同的处理方法。
[0215]
时间戳对齐模块，对生产过程中化验数据和过程数据采样时间进行对齐。
[0216]
运行指标智能检测模块，由主模型和误差补偿模型组成，利用工业现场采集到的过程数据和化验数据，实时更新模型参数，实现运行指标的实时在线检测。
[0217]
工况识别与感知模块，对复杂工业过程中相关工序的数据进行分析，通过辨识相邻工序的生产条件变化，识别出当前的工况。
[0218]
智能运行优化控制模块，采用生产过程的相关数据以及控制回路数据，通过复杂工业过程智能运行优化控制算法，结合当前生产工况给出控制回路的设定值。
[0219]
生产指标监控模块用于对生产过程的运行指标进行监控，提供历史趋势查看、合格率统计、生产指标调整等功能。
[0220]
控制系统、边缘工业服务器、工业云服务器、化验系统通过工业交换机、现场总线等通讯设备实现数据互通。
[0221]
举例来说，工业现场各种传感器、流量计等通过硬线接入dcs的io板卡，实现过程数据的读取，通过opc服务器可以实现dcs控制系统与工业云平台中phd数据库的数据传输，边缘工业服务器与工业云服务器处于同一个局域网中，通过tcp/ip协议实现数据的互相传输。
[0222]
本实施例提出了由控制系统、边缘工业服务器、工业云服务器、化验系统组成的端
‑
边
‑
云协同实现技术，实现了复杂工业过程底层回路高性能控制，运行指标智能检测和智能运行优化控制，降低人工劳动强度，提高了运行指标的合格率。此外系统采用软件定义控制的技术，将软硬件解耦，提高了设备的自定义程度，允许操作人员根据现场情况随时对控制系统的配置进行修改，另外由于虚拟化技术的加入，减少了控制系统的硬件数量，提高了稳定性，减少了设备维护成本。
[0223]
在本技术公开的上述实施例中，应该理解到，所揭露的设备和方法，也可以通过其它的方式实现。以上所描述的设备和方法实施例仅仅是示意性的，显然，本领域的技术人员可以对本发明进行各种修改和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也应该包含这些修
改和变型在内。