智能决策技术在多装置协调生产中的应用

大型流程制造工厂的决策包含底层的各装置生产计划乃至决策层的重大投资计划等，不同的决策问题具有不同的时间、空间尺度。传统的企业决策由企业下属的生产、销售、管理等各部门分别负责各个层次，然而这种“各个击破”的做法虽然能够将各类决策问题分割为人力能够处理的规模，但这种依靠人力的做法仅仅能够完成决策过程，通常情况下给出的都是“可行解”或“次优解”，并不能够保证决策的最优性。智能工厂通过建模、优化的手段将各层次的决策问题综合联立求解，能够将各层问题统一起来，使各层决策相互配合，实现经济效益、性能指标等目标的最大化和最优化。

1.多装置协调生产

流程工业的特点是大批量连续生产，物流、能流和工艺流程稳定不变，产品线众多而原料种类相对较少，通常一类产品由几条生产线多套装置联合完成大规模生产。由于市场需求变化多端，全球市场的竞争日益激烈，企业通过装置扩建、提升产能的方法已无法满足利润增长的需要，如何盘活生产线，对现有装置进行合理的配置和有效的利用，提高生产柔性，是提高企业经济效益和社会效益的重要途径。

生产过程在一定限度内的柔性是靠改变各装置间物流的分配和装置运行的工作点即工艺操作参数来实现的。生产调度和过程操作优化的结合是柔性化生产的关键，是生产过程控制和管理的纽带，是企业获取经济效益的关键。流程工业的一个装置一般可以采用多套生产方案，装置可以在几个工况下生产不同产品，并具有不同的生产负荷。生产调度要根据产品价格和市场需求以及原料库存，在满足工艺约束的条件下，选择最合理的生产方案。

利用多装置协调生产技术，工厂能够在多生产线上合理安排负荷，合理布局装置生产网络。以石化行业为例，其产品以物料流的形式在管线、储罐、塔釜间流动，产品数据往往是物料的工艺数据，如组分、温度、压力、流量、热焓等。仅原油精炼就需要几十个精馏塔协调生产来完成。这些精馏塔及配套设备在多装置协调生产过程中，需要充分考虑物料平衡、能量平衡等机理关系才能完成稳定生产。不同生产方案下装置的进料可能不同，出料也可能不同，能耗也不一样，生产成本也会发生变化。另外，装置输出物料必须满足一定的性能要求，才能作为下游装置的原料输入。由于装置之间相互高度耦合，一个装置实现操作优化并不一定能增加全流程的经济效益。部分装置甚至牵一发而动全身，局部的优化有时会导致整体流程的操作波动，或者物耗能耗的增加。面对这样一个复杂的生产流程，要综合考虑产品质量、物耗能耗、订单库存等诸多要素和诸多约束，其决策难度可想而知。常规依赖人工经验的调度和操作具有很大的局限性。多装置协调生产，需要充分利用流程物料的工艺数据和装置的机理模型，根据订单需求和经济效益做出符合装置特性和市场要求的生产决策和操作优化。

多装置协调生产是面向生产决策的调度优化问题。所谓协调，不仅要根据装置之间的连接和耦合关系考虑操作优化，还应考虑动态需求、异常状态下的装置管理，保证全流程的稳定生产和安全运行，是一个综合考虑操作优化的生产调度问题，服务于生产决策需求。在订单式生产模式下，要根据市场价格和原料成本调整生产计划，减少仓储成本，根据需求改变生产负荷。这就带来了一个新的问题：如何在多条生产线上完成负荷调配，在多个装置上完成大范围变工况，实现联产联调？

以空分行业为例，一个空分厂由几十套空分装置组成多条生产线，而工业用气需求具有周期性、阶段性、间歇式等特征。这种供需矛盾体现在管网压力的波动上，过高的管网压力会导致气体放散、增加成本，而过低的管网压力会影响下游用气需求。因此，空分装置要满足大范围变负荷（75%～105%）的需求来平衡管网压力。统一负荷调配，实现装置自动变工况，是空分企业生产自动化的迫切需求。空分厂首先要根据用气需求进行生产调度，合理安排每个装置的生产负荷；然后各装置根据变负荷的要求计算最优操作点，提高产率，降低能源消耗。空分装置本身的热耦合、非线性、变负荷以及装置间的负荷分配问题，导致多个空分装置的联产联调问题是一个大规模的混合整数动态优化问题。这个优化命题建立在装置机理模型的基础上，在决策层完成装置间的负荷调度，在操作层实现装置上的变负荷控制，并在两层之间达到最佳的融合衔接。

目前多装置协调生产的研究多集中于稳态联合生产上，动态联产联调仍有难点。一是不同层次的一体化优化问题带来的建模困难，模型需要在调度需求和操作需求间实现平衡：既要面向生产决策需求，又要满足工艺操作约束。二是调度优化命题中存在大量的整型调度变量和连续操作变量，而装置本身的动态机理模型又具有大规模、非线性、强耦合、约束复杂的特点，最终构成的是一个混合整数动态优化问题。无论是建模、验证、求解都存在诸多难题。有效的模型修正、降阶、简化方法和高效的优化计算方法是解决此难题的重点。

2.流程重构技术

流程工业中复杂工艺通常需要多个过程单元的组合来完成，流程的构造需要根据工艺、产品质量以及物耗能耗等要求，确定最佳结构和工艺参数，实现流程的高效安全运行。传统过程工业的工艺流程及产品相对稳定，采用大批量生产的模式来降低单位产品成本，而对订单需求的影响考虑较少。随着流程工业订单需求覆盖面的增加，固定的工艺流程难以适应市场的变化，柔性化生产是未来流程工业的必由之路。所谓柔性化，是指在现有工艺条件和设备条件的基础上，通过对流程结构和工艺参数的优化控制，提高市场需求变化情况下的生产适应性，提高生产效能，实现优质、高效、节能、降耗的智能化。柔性化的核心问题是流程结构和流程性能的系统关系。

流程重构是研究复杂流程系统构效关系的一个重要课题。以聚烯烃和烯烃分离工业为例，其工艺流程存在多个反应单元和多个精馏序列。根据产品品质、生产负荷、原料特性等变化，分析各单元过程间的最佳连接方式，是流程重构的主要研究内容：针对具有串联、并联以及混联特征的反应器序列，揭示多反应器组合方式与产品性能、操作性能之间的关系；针对具有简单塔、复杂塔以及不同塔之间热集成的复杂精馏序列，分析组合结构与精馏系统能量集成、分离性能的关系；针对多套并列生产装置，研究负荷、原料特性等变化时不同装置间反应系统/分离系统组合方式与能耗、物耗之间的关系。(www.xing528.com)

Rhom和Haas在田纳西州的一个工厂实施了流程的优化重构，实现了节能减排^[7]。他们首先构建了整个蒸汽系统的模型，对换热管线的布局和控制可能带来的效益进行评估，并采用了减压涡轮机或废热发电装置作为可能的选择；随后利用物料平衡和热平衡进行夹点分析，给出可节约能量的数量级，并提供了进料流股和废料流股的几种换热选择；流程的其他单元如冷却系统需要考虑气流的平衡和制冷设备的负荷，空气压缩系统考虑压缩机大小和操作控制；此外产率、环保效益、劳动力成本等经济性能也在流程优化的范围内。整个流程的优化重构提高了水的循环利用率，减少了约20%的废水排放，并降低了锅炉房氮氧化物的排放，实现了节能、降耗、减排。

在盐湖城附近的Chevron炼厂，常规分馏流程允许轻烃进入炼厂燃气系统^[8]。这些轻烃会增加燃烧器喷尖污染和堵塞，降低加热器和再沸器的效率。如果能将轻烃从燃气系统中分离出来并作为产品销售，可以一举两得。Chevron对其轻馏分精馏塔及配套再沸器和冷凝器进行建模仿真，以预测精馏流程优化后的效果。仿真结果显示，优化后的流程可以使每年的生产成本降低440万美元。

流程重构的实质是工艺、流程、控制的高度统一。其中首要的问题是，采用统一的描述方法建立过程机理模型和流程超结构模型，深入分析各单元过程的不同连接方式及其组合效应，重点揭示流程结构、工艺参数、原料特性等与过程产品性能、操作性能、经济性能之间的关系。

在流程重构的思想下，新流程的设计是一个基于流程结构与工艺参数集成优化的过程系统综合问题。流程的优化构建一方面需要根据工艺、产品质量以及能耗物耗等要求，确定优化的流程结构和相应的优化工艺参数，从而使重构后的流程能够高效运行；另一方面需要优化流程重构过程的动态变化过程，使同一套装置具有多个传统意义上的工艺流程，并能平稳高效地完成多流程之间的动态切换。

重构流程的优化实施涉及如何从原流程结构及其工艺自动、平稳、快速地切换到目标流程结构及其工艺。对传统意义上的流程工业而言，流程的改变往往意味着设备的停车，停车和重启带来巨大的能源和物料消耗，是连续工业生产过程中尽量要避免的。在线重构是指在不停车的前提下进行流程的重构，通过对单元连接关系和操作工况的优化控制，完成流程结构、工艺参数、产品质量的大范围变化。在线重构使工艺流程具有非常好的生产柔性，但增加了优化模型的求解难度，并对控制方案提出了更高的要求。

与多装置协调生产不同，流程重构更加侧重于工艺过程优化与控制的集成设计，其优化目的是为了增强生产柔性，使生产流程更适于调度需求。因此，流程重构的优化模型层次往往在单元级别，单元机理模型、组合逻辑关系、操作控制、产品质量、经济性能构成了一个包含逻辑变量、连续变量、微分方程、代数方程的大规模混合整数动态优化问题。多过程单元的动态操作特性、大范围变工况、多模态导致流程重构超结构模型具有大规模、非线性、强耦合、复杂约束特征，对于建模方法、优化算法提出了新的挑战。

3.中长期决策优化技术

企业的中长期决策优化是企业在生产经营中遇到的重要问题之一，投资决策、装备升级改造等都属于长期决策优化的范围。投资决策是企业所有决策中最为关键、最为重要的决策，因此，我们常说，投资决策失误是企业最大的失误，一个重要的投资决策失误往往会使一个企业陷入困境，甚至破产。对于流程工业企业来说，投资往往意味着大量资金成本、时间成本的投入，而长期决策优化的目标是帮助企业找到风险小、回报丰厚的投资决策方案。

Tarhan、Grossmann等人（2009）针对海上原油勘探的计划问题研究了在原油储量、天然气储量和气井见水时间（Water Breakthrough Time）不确定的情况下的开采计划决策问题。原油和天然气开采分为4个阶段：勘探、评估、开发和开采，每个阶段都需要在不确定的条件下做出关键的决策，包括投资决策和经营决策，例如，决定每种类型的钻井设备的数量、开采能力、建造计划，以及钻井的方式和钻探的计划等。在开采时，原油的流量、含水量与累积原油产量之间具有某种一定的关系，一般说来随着累计产量的不断增加，原油流量会逐步减小，而含水量则呈先增加后减小的趋势。然而由于原油储量的不确定性，在开采前并不清楚原油的初始最大流量、原油总储量以及见水时间等重要信息。因此，如何在这些不确定性信息下做出投资和经营决策，使钻探开采计划合理有序，且期望的收益最大，成了关系石油公司长期利益的重大问题。Tarhan、Grossmann等人针对该问题构造了包含各决策变量的决策树。该决策树能够描述动态化决策过程对整体收益的影响。利用该决策模型，Tarhan、Grossmann等人采用了随机规划的方法，将问题构造为一个混合整数规划问题（MINLP），并基于分枝定界算法提出了问题的求解策略，最终求解结果见图8.5。利用这种方法获得的投资方案较一般方法期望收益增加12%，并且从结果来看，该方法对于较低储量的油藏点相比于一般方法有较大的收益提升，而在较高储量的油藏点的收益基本持平，说明了利用优化方法获得的最优投资方案提升了投资的可靠性，且保证了收益的稳定性。

图8.5　优化后的不同情况下各阶段投资方案