多变量控制技术：从系统辨识到异常状态管理

多变量系统（Multivariable Systems）是指具有多个输入量或输出量的系统，又称多输入多输出系统。同单变量系统相比，多变量系统的控制要复杂得多。在多变量控制系统中，被控对象、测量元件、控制器和执行元件都可能具有一个以上的输入变量或一个以上的输出变量。

近年来，随着现代企业规模的不断扩大，尤其是连续过程工业企业，生产工艺和生产装置越来越复杂，各种变量之间具有明显的耦合或交叉影响，例如汽轮机的蒸汽压力和转速控制、石油化工生产中精馏塔的塔顶温度和塔底温度控制、涡轮螺旋桨发动机转速和涡轮进气温度的控制等，都是多变量系统的控制问题。

在智能工厂中，控制系统的性能决定了产品的质量、过程的安全性和经济性等各项指标。多变量系统的控制技术主要包含系统辨识、DCS、安全监测技术以及异常状态管理技术等。

1.系统辨识技术

系统辨识技术是通过分析未知系统的实验或运行数据（输入输出数据）建立系统的数学模型的方法，它能够对比较复杂的实际过程对象进行建模（李鹏波，胡德文，2006）。现代化的制造过程是一个极为复杂的系统，利用系统辨识技术，能够建立大量的输入输出数据之间的联系，从而反映生产过程的特性。

在自动控制领域，系统辨识就是早期控制系统动态特性测试的延续。动态特性的测试，即通过实验得到系统的过渡过程曲线或频率特性曲线，再推算出系统的脉冲过渡函数或传递函数。现代系统辨识则主要是由系统的输入输出直接求出动态方程式的结构和参数。辨识方法可以较好地解决系统噪声和测量噪声干扰的问题，可以处理多变量和非线性系统问题，而对于时变系统和分布参数问题，则可以在多级系统上做参数估计。

由动态特性测试方法直接得到的是非参数模型，而为了获得参数模型就必须探索应用更为普遍的参数估计方法。实际系统通过实验所获得的数据，都包含测量噪声，而模型的假定和简化等过程所引起的误差也可以理解为噪声。从受到噪声干扰的观测值中寻求最接近被测值的估计值，这一过程称为参数估计。参数估计是系统辨识中的基础部分，在此，它解释为在系统结构已知的情况下从系统的观测数据中找出最接近观测值的估计值。

由于学科的发展，不同学科的重叠交叉成为学科发展中的普遍现象。系统辨识中普遍地采用了时间序列的概念和方法，这说明两者在方法上有许多共同之处。时间序列分析起步略早一些，20世纪初，许多数理学家注意到气象、天文现象的时序特性，从而将静态模型参数估计中的概率论和数理统计移到了离散时间序列的参数估计中。时间序列分析相当于估计具有白噪声输入的控制系统，其输入信号是不可测量的，使用的信息只有系统或过程的输出观测值。与时序分析相比，系统辨识的内容则更为广泛些，它除了利用输出信号外，还利用了测量的输入控制信号，要求辨识的结果尽可能不受观测噪声或过程噪声的影响。可以说，正是数理统计学家大量深入的理论研究工作，才为系统辨识奠定了扎实的理论基础。

计算机技术的不断发展和普及，为系统辨识的广泛应用提供了技术上的保证，这也是系统辨识发展的基础之一。可以说，研究系统辨识的算法，不必担心它在计算机上的可操作性问题。计算机具有强大的硬件支持、丰富的软件资源和高速的运算能力，可以在人工不干预的情况下，在线实时地完成系统的辨识，为控制策略的设计直接提供数学模型。

系统辨识、状态估计和控制理论构成现代控制论3个互相渗透的领域。系统辨识是一门应用范围很广的学科，其实际应用已遍及许多领域，在工程控制、航空、航天、海洋工程、认知科学、医学、生物信息学、水文学及社会经济等方面的应用越来越广泛。

模型化是进行系统分析、仿真、设计、预测、控制和决策的前提和基础。具体来说，建立被研究的系统的数学模型有以下几个方面的目的。

（1）系统仿真。为了研究不同输入下系统的输出情况，最直接的方法是对系统本身进行试验。但实际上这往往是难以实现的，原因有很多。例如，利用实际系统进行试验的费用太大；试验过程中系统可能会不稳定，从而实验过程带有一定的危险性；系统的时间常数值会相当大，以致试验周期太长。为此，需要建立系统的数学模型，利用模型模仿真实系统的特性或行为，从而间接地对系统进行仿真研究。

（2）系统预测。不论在自然科学还是在社会科学领域，往往需要研究系统未来发展演变的规律和趋势。掌握了系统的演变规律和趋势，才可能预先做出决策，采取措施，控制系统中有关的变量。例如，启动或停闭某些机组，或者当预测到可能超越安全极限时采取紧急保安措施等。科学的定量预测大多采用模型法，即首先建立所预测系统的数学模型，根据模型对系统中某些变量的未来进行预测。

（3）系统设计和控制。在工程设计中，必须掌握系统中所包括的所有部件的特性或者子系统的特性。一项完善的设计，必须使系统各部件的特性与系统总体设计要求（如产量指标、误差、稳定性、安全性和可靠性等）相适应。为此，在设计中必须分析、考察系统各部分的特性以及各部分之间的相互作用和它们对总体系统特性的影响。显然，只有掌握了各部件和子系统的主要特征，建立了相应的数学模型，才能为系统的分析和设计提供基础，才可能根据系统特性设计控制器，按一定目标进行优化控制和系统决策。

（4）系统分析。建立数学模型就是通过机理分析或实验、观测，将所研究系统的主要特征及其主要变化规律表达出来，将所研究系统中主要变量之间的关系比较集中地揭示出来，从而为分析该系统提供线索和依据。

（5）故障诊断。许多复杂的系统，如导弹、飞机、核反应堆、大型化工和动力装置以及大型转动机械等，需要经常监视和检测可能出现的故障，以便及时排除故障。这表明必须不断地收集系统运行过程中的信息，推断过程动态特性的变化情况。然后，根据过程特性的变化情况判断故障是否已经发生、何时发生、故障大小以及故障的位置等。

（6）验证机理模型。根据实验数据建立起系统的数学模型将非常有利于理解所获得的实验数据，可以探索和分析不同的输入条件对该系统输出变量的影响，以检验所提出的理论，从而更全面地理解系统的动态行为。

2.预测控制技术

预测控制产生于20世纪70年代末，是一种广泛应用于工业控制领域的计算机优化算法。它来源于实际应用，适用于解决多变量、有约束的工业控制过程。比较流行的预测控制算法包括模型算法控制（MAC）、动态矩阵控制（DMC）、广义预测控制（GPC）、预测函数控制（PFC）等。一般来说，预测控制无论其算法形式如何不同，都应建立在预测模型、滚动优化及反馈控制等3项基本原理的基础上。图8.4给出了预测控制的基本原理（席裕庚，1993）。

图8.4　预测控制的基本原理

预测模型的功能是根据对象的历史信息和未来输入预测其未来输出。这里，只强调模型的功能而不强调其结构形式。因此，传统的参数模型如传递函数、状态方程可以作为预测模型，而对于线性稳定系统，甚至脉冲响应、阶跃响应等这类非参数模型也可以直接作为预测模型。

预测控制不同于传统意义上的离散最优控制，它的优化是一种有限时域的滚动优化。在每一采样时刻，优化性能指标只涉及从该时刻起未来有限的时间，而到下一采样时刻，这一优化时段向前推移。因此，预测控制不是用一个对全局相同的优化性能指标，而是在每一个时刻都有一个相对于该时刻的优化性能指标。不同时刻的优化性能指标的相对形式是相同的，但其绝对形式，即所包含的时间区域，则是不同的。因此，在预测控制中，优化不是一次离线进行，而是反复在线进行的。

预测控制是一种闭环控制算法。在通过优化确定了一系列未来的控制作用后，为了防止模型失配或环境干扰引起控制对理想状态的偏离，预测控制通常不是把这些控制作用逐一全部实施，而只是实现本时刻的控制作用。到下一采样时刻，则首先检测对象的实际输出，并利用这一实时信息对基于模型的预测进行修正，然后进行新的优化。预测控制把优化建立在系统实际的基础上，并力图在优化时对系统未来的动态做出较为准确的预测。因此，预测控制中的优化不仅基于模型，而且利用了反馈信息，因而构成了闭环优化。

由于预测控制能够有效处理多变量、复杂约束、卡边操作等情形（钱积新等，2007），它不仅在石油化工工业中取得了成功的应用，还不断被应用于流程工业的其他领域，涉及炼油、聚合、制气、制浆与造纸等工业过程。许多大公司，如埃克森美孚、伊士曼化工、壳牌石油和普莱克斯都曾多次报道此项技术的成功应用。据报道，乙烯工厂在引入预测控制这一先进的多变量控制技术后，提高了产品的质量并且降低了能量消耗，由此获得了每年2亿～5亿美元的整体利润^[3]。近年来在环境控制、微电子加工、航天航空、医疗设备等诸多领域中，也出现了用预测控制解决约束优化问题的报道，如半导体生产的供应链管理、材料制造中的高压复合加工、建筑物节能控制、城市污水处理、飞行控制、卫星姿态控制、糖尿病人血糖控制等（席裕庚等，2013）。(www.xing528.com)

由于预测控制具有适应复杂生产过程控制的特点，所以预测控制具有强大的生命力。可以预言，随着预测控制在理论和应用两方面的不断发展和完善，它必将在工业生产过程中发挥越来越大的作用，展现出广阔的应用前景。

3.安全监测技术

生产安全检测是智能工厂中很重要的一部分，在所有的工厂中管理者首要考虑的就是生产安全问题，不仅仅是工厂中工人的安全，还包括工厂周边居民的安全。近年来，生产安全的概念已经扩展到安全地生产产品之外，还包括社会安全。2004年年初，美国国土安全部将炼油厂和化工厂定为潜在的恐怖主义袭击目标。而“9·11”事件后，政府和企业更是大大提高了加强企业设施安全性的积极性，包括物理安全和网络安全，以应对非传统的恐怖袭击。

在生产安全检测方面有示范作用的有霍尼韦尔特殊材料公司在路易斯安那州盖思马尔工厂建立的一个安全系统，这一系统史无前例地完全和过程控制自动化系统集成为一体，全盘着眼地考虑安全和生产操作的需要。这套系统是目前在使用中的最先进的集成化系统，它通过将系统控制、自动化以及安全系统集成起来，减少风险，增加安全防备。其好处包括：①识别和控制进出设施的人流和物流；②定位和跟踪大楼的住户和资产；③增加对限制区域的控制路径；④跟踪和定位设备、产品及其他资源；⑤跟踪事故发生时人员在现场的位置；⑥将控制和安全系统集成起来获得更大的速度和效率；⑦保护过程自动化和网络免受网络袭击；⑧整合至关重要的航道和码头监控雷达系统；⑨积极响应警报和突发事件；⑩共享数据以节约成本。^[4]

随着信息技术的发展，我国也开始进行利用信息技术构建生产安全预警系统的研究。这里以某城市天然气公司生产安全信息预警系统为例。其显著特点是构建起了一个比较完整的天然气生产安全预警系统框架，包含与天然气业务相关的地理信息系统、数据采集与监控系统、管道运行巡检系统、应急指挥系统和一个完善的应急处理流程机制。天然气预警信息系统依托先进的物联网技术、地理信息技术、数据采集监控技术、卫星定位技术、视频与通信技术，实现对天然气管网运行的实时监控、快速处置、指挥决策的综合管理模式。既是安全管理手段的提升，也是管理模式的创新。在城市各门站、关键输气管线及设施、涉及重大公共安全的重要用户节点设立或增加远程实时监测点、部分智能终端设备，利用物联网技术并发挥其全面感知、可靠传递、智能处理的特点，初步建立了城市天然气公司智能化的集识别、定位、跟踪、监控功能为一体的天然气生产安全预警信息系统（叶鹏，2013）。

预警系统主要由各类软硬件支撑环境、数据支撑环境、基础软件、预警系统和系统集成接口构成。

（1）系统各类支撑环境包括预警系统的软件支撑环境、硬件支撑环境、网络环境和感知环境。软硬件是保证预警系统能够正常运行的前提；网络负责信息的传输，包括企业的VPN专网、公司内部局域网、3G无线网以及CORS基站网络；感知环境由各类传感器和智能终端组成，主要负责信息的采集。

（2）数据支撑由基础空间地理数据和业务数据组成。空间数据是基础，天然气管线数据是核心，同时包含远程监测数据、用户数据等其他业务数据。数据层可以根据天然气行业的实际需求与空间数据进行集成应用。

（3）基础软件相当于中间件。包括GIS地理信息开发运行环境的ArcGIS平台、Oracle数据库管理工具、基于Javaee （Java Platform Enterprise Edition，即Java平台企业版）架构的Weblogic中间件以及SCADA自动化监控组态软件iFIX。

（4）预警系统包括4个具体应用系统，分别是燃气地理信息系统、数据采集与监控系统、安全巡检系统以及应急指挥系统。此层上的各应用系统不同于传统意义上燃气行业使用的此类系统，而是将物联网技术深度融合到预警系统的各子系统开发设计当中：物联网中接入的大量传感器设备（感知环境）都具有空间位置信息，把这些传感器设备的位置及派生出的其他信息利用地理信息进行表现，这不仅使得预警系统能够达到传统上的物物联合，更能达到人和物的联合，使管网运行更加智能化，抢险维修反应更加及时。物联网在预警系统中的运用体现在各子系统的具体功能设计中。

（5）系统集成接口。系统集成接口是考虑到预警系统和公司现有信息系统及将来建设的其他系统的未来数据及应用集成而预留的标准接口。

4.故障诊断技术

生产中的故障等异常状况是指系统中引起工况偏离正常工作状态的某种扰动或一系列扰动。异常状况有可能带来比较小的影响，如引起产品产量的降低，也有可能引发灾难性的损失，如大规模的人员伤亡。智能工厂故障诊断技术的目的就是找到产生异常的原因并且及时而有效地采取补偿或者修正的措施。在动态系统中，异常状况通常会随着时间的推移而使得异常的诊断和处理相当复杂，依靠人工手段排查异常情况往往费时费力，对经验依赖性强，而且时效性、可靠性难以得到保障。通过自动化、智能化的故障诊断技术，异常情况能够被迅速、及时地侦测和处理，保证生产过程的安全、稳定。

在异常检测及处理的研究中，处于领先地位的是ASM联合协会（The Abnormal Situation Management Consortium）。ASM联合协会是Honeywell公司牵头的产学研结合的国际性组织，它致力于开发用于异常检测及处理的产品。异常状况的处理需要综合考虑人类操作工的行为、过程技术、系统设计以及环境。ASM与诺瓦化工（NOVA Chemicals）的合作研究表明，在自动化系统中考虑到人为因素可以从实质上提高操作效果。通过使用ASM联合协会的概念，如有效预警管理和显示设计等，诺瓦化工在预警前识别过程的偏移上实现了多于35%的增长，在提高操作工解决问题的能力上实现了25%的增长，在操作反应时间上缩短了35%～48%。这些操作效率的提升转变成了每年近100亿的操作成本的节省^[5]。

在异常检测及处理中，应用较为广泛的是智能视频监控系统。智能视频监控近来发展迅速，得到了大量研究机构和公司的巨大人力物力投入，使得电子设备的计算能力得到了飞跃性的提升。在这些监控系统中，通过采用图像处理技术和机器视觉技术，从实时视频中进行信息提取、高效计算，最后使得计算机能够像人一样通过视觉来认识世界和理解世界。就如操作员或工程师一样，计算机通过摄像头获得场景中的监控目标，通过检测目标的特征确认目标是否异常并及时、准确地发出报警信息。通过这种方式，工厂能够更有效地获取准确的图像信息，处理突发事件，大大提高了监控系统的智能化和自动化水平，有效缓解了传统监控系统对于人的过多依赖，减轻了操作人员的工作量，提高了工作效率，同时使监控系统的视频数据存储量和监控报警时效性得到了有效的控制。

美国国防高级研究项目中心（DARPA）计划资助一项为期3年的基础研究领域的视频监控系统研究，并以卡内基—梅隆大学和Sarnoff公司为首组成了一个重大视频监控项目VSAM团队。美国的十几所高等院校和专业研究机构参与其中。在这个项目中，现有的网络技术、数据链路通信技术、视频图像理解技术、分布式复合传感器技术等被宽泛融合，用于解决城市监管、国防安全的前沿监控和战场实时感知等目标任务。VSAM中的视频理解技术能自动检测和跟踪多个人员、车辆的复杂场面，并进行长时间监控。VSAM复合传感器融合技术使用有源传感器网络进行多领域的合作，每个传感器发送的标志性事件和有代表性的图像传回中心操作员控制站，多视频传感器则构成一个分布式、功能整合的跟踪网络。VSAM包含了许多先进的无线网络通信和实时监控技术，如通过无线网络连接空间的多个摄像机传感器获取视频，并基于静止与运动摄像机对实时运动物体进行检测与跟踪。在VSAM系统中包含了一个使用多摄像头对室外复杂光照场景中的运动人员进行实时自主监控与跟踪的模块，能对监控背景中人的相互交互情况进行监控。这就是美国马里兰大学的W4系统。W4系统能够分割出视频图像帧中出现的人体，能细化到躯体的各部分，诸如头、手、脚、躯体等，再以人体的图像进行人的外观建模，这样能在人身体出现遮挡后进行重新定位识别和准确的跟踪。针对多人活动场景，W4系统能够自主地切分出多个单人目标，分别进行自动跟踪与判别。同时W4系统还能通过躯体分割的方式分离出人体的轮廓图，这样能够自动地判断运动人体有无携带特殊物品（刘轲，2013）。在工业生产中逐步引入上述诊断技术，将为智能工厂提供有力的技术支撑。

5.分布式控制系统

DCS系统是分布式控制系统（Distributed Control System）的缩写，是由多台计算机分别控制生产过程中的多个控制回路，同时又可集中获取数据和集中管理的自动控制系统。DCS综合了计算机（Computer）、通信（Communication）、显示（CRT）和控制（Control）等4C技术，是一个由过程控制级和过程监控级组成的以通信网络为纽带的多级计算机系统，它包含了上述多种智能控制技术的综合应用。DCS不仅具有传统的控制能力和集中化的信息管理和操作显示功能，而且还有大规模数据采集、处理的功能及较强的数据通信能力，为实现先进的过程控制和生产管理提供了基础性的工具和手段（李国勇，2009）。

从结构上划分，DCS包括分散过程控制级、集中操作监控级和综合信息管理级。分散过程控制级直接与生产过程现场的传感器、变送器、执行机构、电气开关等相连接，完成生产过程控制，是系统控制功能的主要实施部分。集中操作监控级主要是显示操作站，它完成显示、操作、记录、报警等功能，还能进行控制系统的生成，完成系统组态。综合信息管理级实际上是一个管理信息系统（Management Information System，MIS），作为DCS更高层次的应用，它主要实现生产管理和经营管理，做出生产和经营决策，确保最优化的经济效益。

在分散过程控制级上，DCS通过采用若干个控制器对一个生产过程中的众多控制点进行控制，使系统控制功能分散在各台计算机上实现，这种分散化的控制方式会提高系统的可靠性。各控制回路之间通过高速数据通道交换信息。集中操作监控级通过通信网络与分散过程控制级相应的控制器连接，收集生产数据，传达操作指令，将由于地理和功能上分散的控制引起的分散的信息集中起来，进行集中的监视和操作。DCS各工作站之间通过通信网络传送各种数据，整个系统信息共享，协调工作，以完成控制系统的总体功能和优化处理。因此，DCS兼顾了分而自治和综合协调的设计原则。

DCS具有以下特点：①控制功能强，可实现复杂、先进的控制，如自适应控制、最优控制和非线性控制等；②系统可靠性高，可实现容错控制和冗余控制；③人机界面良好，可实现友好的人机交互；④软硬件结构灵活，具有模块化积木式特点；⑤系统易开发且易维护；⑥使用组态软件，编程简单，操作方便；⑦性价比高。

自1975年美国最大的仪表控制公司Honeywell首次向世界推出它的综合DCS系统TDC-2000以来，DCS系统不断更新换代，在可靠性和技术性能上取得了大幅度的提高，应用领域不断扩大。DCS作为一种有效的工具和实现手段，在流程工业计算机集成制造系统（CIMS）中完成重要的基础控制和实时生产数据采集、动态监控等功能。与管理类计算机相比，DCS能够提供更加可靠的生产过程数据，使CIMS系统所做出的优化决策也更加可靠。从功能上看，流程工业CIMS中的生产自动化系统、动态监控系统和在线质量控制都可以由DCS实现。从流程工业CIMS的层次结构看，DCS主要担负过程控制和过程优化任务，有些生产调度和生产管理工作也可在DCS上完成。

DCS系统在流程工业中的广泛应用为流程工业带来了良好的经济技术效益，在化工、石化、炼油、冶金、电力、食品等流程工业中的成功案例数不胜数。英国帝国化学工业集团ICI以及亨斯迈石化公司（Huntsman）利用先进的控制、优化技术以及高保真、大容量的数据库技术，对欧洲最大单一车间乙烯工厂的裂解装置控制系统进行完全替换，以此提高产品产量，提高系统可靠性，降低不合格产品数量，降低能量消耗。全新DCS系统和在此基础上更高附加值的项目开发帮助ICI实现以下3个商业目标：①最大化乙烯和丙烯的产量；②减少非计划停车；③降低裂解装置的能量消耗^[6]。全新DCS系统产生的经济效益远远超过了其自身的投资。