全流程智能调度技术：优化生产效率的关键

1.产品切换调度优化技术

由于市场需求变化多端，全球市场的竞争日益激烈，传统流程工业生产装置投资巨大、产品种类相对固定、工艺路线和设备定制化程度高，适应性和灵活性受限的缺点日益显现。产品切换调度优化技术强调利用同一套装置切换生产不同牌号、不同性能的产品，最大限度地保护投资并获取经济效益，提高市场适应性和生产灵活性。

聚烯烃行业是典型的流程工业，其产品线复杂，牌号众多，是流程工业产品质量水平的代表。随着新型催化体系和聚合工艺的推陈出新，聚烯烃新产品不断涌现。我国是世界上聚烯烃需求量最大的国家，2013年消费量超过3 500万吨，且预计未来仍将保持年均4%～5%的增长率。但国内聚烯烃行业存在着致命的缺陷：高端牌号工艺缺乏，1 000多万吨的高端产品依赖进口，而低端牌号产品过剩，利润微薄；工艺流程适应性较差，一套聚烯烃装置仅能生产3～5个牌号产品，远落后于国际上同类装置生产几十个牌号的工艺；生产灵活性较差，通常以大批量方式生产，与订单、价格脱节，导致需求旺盛时产能不足，订单低迷时库存积压。若能对现有聚烯烃生产装置加强技术改造和优化调整，从核心工艺机理的角度进行新牌号产品的开发，对产品工艺条件和切换策略进行优化，根据价格、库存、订单等情况变化优化排产并恰当地处理生产故障，可以大幅度提升装置的生产效率，实现小批量、多品种的灵活排产模式，从而提高生产的适应性、灵活性，掌握市场竞争主动权，提高企业的核心竞争力。

这个新的需求对生产运行和生产管理带来了全新的挑战。产品切换往往需要很大的代价。聚烯烃生产牌号间切换大致需要8～24小时，期间产生大量过渡料，消耗大量原料和能源。国外的聚烯烃企业可以做到几十个牌号同时排产、自动切换，充分发挥装置的生产柔性和生产潜力。国内生产企业由于缺乏对核心调度和优化控制技术的掌握，大多不会切换、不敢切换。极少量的牌号切换和排产，也基本依赖人工经验。从智能制造的角度而言，这里可以提升的空间相当大。

在聚烯烃生产中，牌号切换过渡料和切换时间对切换操作和切换牌号之间的工艺参数、产品质量、性能指标等依赖较强。切换损失不仅与切换牌号的品质性能有关，也与切换顺序有关。多牌号生产过程应在一个生产计划周期内尽量减少切换次数，并合理安排多牌号的切换顺序，通过操作优化减少切换时间，使总切换损失最小。视生产周期长短和质量指标精细程度的不同，牌号切换调度命题的模型尺度从生产计划到生产调度，再到操作优化和质量优化，覆盖决策层、调度层、优化层和控制层。决策层一般考虑全流程经济效益，生产计划周期可达数月，受订单计划和市场不确定因素如原料成本、产品价格等影响较大；调度层一般只根据短期生产订单制订调度规划，在多生产线上合理安排负荷，减少切换次数，在一套装置上合理安排多牌号多阶段生产顺序以减少总切换损失；优化层则考虑牌号切换的过渡过程，优化工艺操作，减少切换时间；控制层的目标是对聚烯烃牌号的质量指标进行直接的反馈控制，最终实现牌号切换操作。

这种多层次命题给建模和求解带来了很大的困难。单一模型很难适应每个层次的需求。以前调度方面的研究多注重长周期的生产计划调度，对切换操作带来的过渡损失以及产品精细质量指标考虑较少，即以前更注重“牌号调度”而不是“切换调度”。在订单式生产模式下，多产品间的切换顺序，以及牌号间的切换策略对生产效率有极大影响，两者理应被同时考虑、联合优化，由此形成了面向质量指标的牌号切换调度优化命题。

因此，面向产品微观结构质量指标，在过程机理模型的基础上，在决策层实现多牌号的优化调度，在操作层实现不同牌号间的切换过渡，并在两层之间达到最佳的融合衔接，将是新一代柔性生产过程的重要研究内容。

上述问题的本质，就是在动态过程中引入生产序列和调度的因素，构造和求解相应的一体化优化命题。这将突破过程系统工程中将两者分别处理的传统方法。通过决策层、操作层的信息共享，增加了优化决策的自由度和灵活性，能够在一体化的架构下实现对产品质量性能、物耗能耗指标、设备利用效率、库存订单状况的全方位掌控，形成一个既包含过程状态、控制调节参数等连续变量，又包含牌号变换、任务分配、调度决策等逻辑变量的混合整数动态优化问题。通过求解这个一体化优化问题我们可以得到多产品的最优生产序列和最优切换策略，得到满足订单需求的循环生产计划以及相应的过程调控策略。

2.供应链调度优化技术

供应链是指商品到达消费者手中之前各相关者的连接或业务的衔接，是围绕核心企业，通过对信息流、物流、资金流的控制，从采购原材料开始，制成中间产品以及最终产品，最后由销售网络把产品送到消费者手中的将供应商、制造商、分销商、零售商，直到最终用户连成一个整体的功能网链结构。成功的供应链管理能够协调并整合供应链中所有的活动，最终使它们成为无缝连接的一体化过程。智能工厂的供应链调度优化即是替代人完成整个供应链（从供货商、制造商、分销商到消费者）的综合协调调度管理，把物流与库存成本降到最小。

据估计，全美库存总量约为1.4万亿美元，相当于美国GDP的10%，然而其中的有效库存不足50%。供应链的决策因素包括库存的地点以及考虑需求不确定性下决定每个库存地点的存量。Grossmann等人（2009）研究了随机需求条件下的库存管理。在给定供应链各方、已知各零售商需求满足一定随机概率分布以及订货至交货周期的情况下，他们建立了供应链总成本的数学规划模型，并确定了每个仓库的安全库存。为了解决大规模供应链优化问题的求解难题，他们采用先进的拉格朗日松弛的办法，将问题分解为求解多个小规模子问题的最大下界。针对包含88～150个零售商的多个供应链问题，新方法都能够在1小时之内求解出来（传统方法需超过10小时的求解时间）。供应链优化技术大大提升了各仓库满足不确定性市场需求的能力，并减小了仓库的库存成本，从而提升了企业的经济效益。

智能工厂的供应链不仅包含石油、天然气等原材料的运输和供应，还包括工厂内部中间产品的供应问题。通过对经营信息的充分利用和智能控制技术的广泛应用，智能工厂能够大大提高原料的利用率，降低库存成本，同时提高产品的品质，减少不合格产品的产量和发生率，从而提高产品的边际效益，并提升生产过程的环保和安全性能。壳牌等一些石油公司指出，智能优化技术将为炼油石化企业提升产品附加值的3%～5%的利润，相当于全球石油及天然气行业（以400个全球最大的石化天然气公司计）每年150亿美元的业绩增长。

在这一需求的驱动下，国内外多家流程工业企业开展了与供应链调度相关技术的研究。瓦莱罗能源公司（Valero Energy Corporation）在得克萨斯州休斯敦炼油厂开展了一项全厂级的能源评估项目。该项目包括对当前能源系统的综合分析，以确定主要天然气和燃料油用户以及发电厂、锅炉及冷却水系统内部的供应关系。项目开发了相应的能源优化与管理系统，通过收集的系统分析数据及相关信息，建立了主要炼油与能源生产及供应过程的计算机模型。通过该模型，工程师能够根据过程单元能耗及需求，分析不同的供货合同、不同燃料对系统的影响，分析蒸汽锅炉的最佳负荷、发动机或汽轮机的选择，以及输入/输出能源的不同方案，并在生产要求和装备能力的约束范围内确定每台装置所需供应的燃料、蒸汽、电能以及最经济的生产负荷，从而综合优化能源利用效益。此外，该项目还对节水减排提出了一系列措施。据估计，这些建议的最终实施每年能为工厂节约约130万兆焦耳的热能以及约50万千瓦时的电能，节约总成本约为50万美元^[9]。

PPG工业集团是一家为100多个国家的数以万计的汽车修理厂提供涂料等特殊化工产品的公司，每年服务超过300万辆汽车。PPG公司需要能够处理庞大的供应链问题的智能化生产系统，包括实现全流程供应链的可视化，使得每个制造厂都能够独立运行，并改善出口市场的客户服务水平，缩短订货至交货的周期，同时减少冷门产品的过量库存等。因此，PPG公司实施了一套供应链优化管理方案。通过软件自动分析计算，产生的供应方案能够减少20%的库存成本，在欧洲地区，产品的现货供应能力提升至了85%以上，特别是英国，现货供应率达到了98%。陶氏化学（Dow Chemical）也实施了类似的供应链管理项目，该项目为它们的聚乙烯业务降低了约10%的库存成本，同时减少了超过50%的制订供应链计划所需的人力资源，还降低了次品率，并为公司创造了新兴市场的发展机会^[10]。

3.能源调度优化技术

大型制造企业是典型的能耗大户，其消耗的能源介质包括电、煤、天然气、煤气、蒸汽、氧气、水等。大型制造企业能源管理普遍属于粗放型、分散化的模式，加工调度方案往往采用人工经验方式制订，较少考虑能源的最优利用。能源调度优化技术能够根据各个装置的能耗模型制订最优的调度方案，使各装置的生产既能满足用户的需求，又能够保证生产的经济性，从而提高企业的经济效益。(www.xing528.com)

以空分设备的能源调度优化为例，空分设备是以空气为原料，通过压缩循环、深度冷冻的方法把空气变成液态，再经过精馏，从液态空气中逐步分离生产出氧气、氮气及氩气等惰性气体的设备。经空分设备制造的各类气体产品在石化、炼钢、冶金、医疗等各行各业得到了广泛的应用。气体生产需要在超低温的条件下进行，对能量（特别是电能）的消耗很大。由于电价随着季节及用电情况会有很大的波动，因此，气体公司面对的一个很重要的问题是根据电价合理调度各台装置以减小能耗成本。目前，常规调度通过观察现场数据的异常情况来进行人工调节，由调度人员根据个人经验给出调度方案，调度结果的好坏与调度人员的素质、经验、情绪息息相关，调度结果的可靠性不够。当系统规模增大时，由于自身条件的限制，调度人员往往只能做到保证管网供应，很难在此基础上给出降低成本、扩大收益的优化结果，因此，针对气体厂多装置、变负荷的特点，通过装置特性研究，努力形成可服务于实际生产过程的多装置联产变负荷调度运行的指导方法，对气体厂节能降耗、实现企业规模优化很有必要。

目前实施多装置联产调度仍有诸多难点，主要在于：①装置的变负荷产品量不是一个设定组合，也很难由几条方程描述清楚，它是一个未知形态的区间，超出操作区间的设定值可能会导致调度问题无解、装置生产不合理。这需要将海量的现场数据进行归类分析，排除测量误差、运行扰动的影响，给出合理的产品调度空间。②装置的变负荷行为受管网压力影响，很难预测。常规调度计算的等间隔离散化方法已经不能满足联产变负荷调度的精度要求。这就需要建立适用于连续求解调度问题的动态优化命题。Grossmann等人针对美国Praxair公司研究了电价波动下的装置调度问题。他们认为装置运行的历史数据确定了该装置在实际生产中的可行域，只有在该操作区间内的生产条件才是可行的、有意义的。因此，他们针对每个空分装置，利用最小化凸包方法建立了能耗、产量、纯度与操作条件之间的数据模型，并通过现场数据进行模型参数的估计和整定，使其可有效刻画各装置在不同工况下的生产能力，并在此基础上建立联产装置调度命题的全联立优化模型，有效描述负荷需求变化时的最小化切换时间与最大化生产效益。通过这一手段，Mitra等人得到了在需求给定的情况下的最优调度方案，能够比优化前节约4%～13%的能耗费用（Mitra et al.，2012）。

随着空分装置大型化、区域化的发展，气体公司的下游用户数将越来越庞大。一个突出的问题是用户频繁而无序的间歇用气需求所导致的气体供需矛盾，这一供需矛盾集中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，提高气体生产成本，而过低的管网压力又会使下游用户受到影响。因此，气体公司需要既能够满足下游不断变化的用户需求，又能够优化自身经济效益的生产方案，即能够在需求存在一定随机波动的情况下，优化自身的经济效益。目前最先进的建模优化技术已经能够考虑存在随机波动的情况下的最优化问题，相关的研究包括Li、Misener和Floudas等人（2012）关于在不确定性需求下的炼油调度操作优化研究以及Zhu、Legg和Laird等人（2011）关于需求不确定性下的空分塔最优操作研究等。通过随机优化技术，智能工厂能够捕捉不确定性参数背后的本质特征，从而为管理者在不确定性条件下的决策难题提供支撑。

【注释】

[1]奥迪汽车（Audi）公司Neckarsulm工厂APS系统导入应用[EB/OL].http：//www.yukontek.com/chenGong_35.html.

[2]Smart process manufacturing： An operations and technology roadmap [EB/OL].[2011-08-29].https：//smart-process-manufacturing.ucla.edu/presentations-and-reports/spm-operationstechnology-road-map/SmartProcessManufaturingAnOperationsandTechnologyRoadmapFullRepo rt.pdf.

[3]Smart process manufacturing： An operations and technology roadmap [EB/OL].[2011-08-29].https：//smart-process-manufacturing.ucla.edu/presentations-and-reports/spm-operationstechnology-road-map/SmartProcessManufaturingAnOperationsandTechnologyRoadmapFullRepo rt.pdf.

[4]Smart process manufacturing： An operations and technology roadmap [EB/OL].[2011-08-29].https：//smart-process-manufacturing.ucla.edu/presentations-and-reports/spm-operationstechnology-road-map/SmartProcessManufaturingAnOperationsandTechnologyRoadmapFullRepo rt.pdf.

[5]Smart process manufacturing： An operations and technology roadmap [EB/OL].[2011-08-29].https：//smart-process-manufacturing.ucla.edu/presentations-and-reports/spm-operationstechnology-road-map/SmartProcessManufaturingAnOperationsandTechnologyRoadmapFullRepo rt.pdf.

[6]Smart process manufacturing： An operations and technology roadmap [EB/OL].[2011-08-29].https：//smart-process-manufacturing.ucla.edu/presentations-and-reports/spm-operationstechnology-road-map/SmartProcessManufaturingAnOperationsandTechnologyRoadmapFullRepo rt.pdf.

[7]Smart process manufacturing： An operations and technology roadmap [EB/OL].[2011-08-29].https：//smart-process-manufacturing.ucla.edu/presentations-and-reports/spm-operationstechnology-road-map/SmartProcessManufaturingAnOperationsandTechnologyRoadmapFullRepo rt.pdf.

[8]Smart process manufacturing： An operations and technology roadmap [EB/OL].[2011-08-29].https：//smart-process-manufacturing.ucla.edu/presentations-and-reports/spm-operationstechnology-road-map/SmartProcessManufaturingAnOperationsandTechnologyRoadmapFullRepo rt.pdf.

[9]Smart process manufacturing： An operations and technology roadmap [EB/OL].[2011-08-29].https：//smart-process-manufacturing.ucla.edu/presentations-and-reports/spm-operationstechnology-road-map/SmartProcessManufaturingAnOperationsandTechnologyRoadmapFullRepo rt.pdf.

[10]ibid.