原创专栏·新一代智能制造专家谈

张东1   乔岩2   孙德润3

张东，中国电信集团有限公司政企信息服务事业群产业互联网创新专家办公室技术总监,工业互联网产业联盟副秘书长, 教授级工程师，长期从事工业自动化、政府/企业数字化转型等方面的研究工作

乔岩，天翼物联科技有限公司人工智能工程师，长期从事模型算法、智能控制等方面的研究工作

孙德润，香港科技大学本科生，从事数据科学与人工智能相关领域的研究工作

摘要：人工智能作为新型工业化的重要推动力，引领着新一轮科技革命和产业变革。深度学习、强化学习、大模型等人工智能技术的持续发展和视觉质检、生产调度、机器人控制等需求场景的不断涌现，促使制造业全面迈向智能化新阶段。以人工智能赋能工业现场自动化的方式为研究点，梳理了工业优化控制方法、智能优化控制算法、人工智能技术和工业优化控制的结合思路并介绍了部分行业的应用探索及局限。

关键词：优化控制；智能系统；人工智能；机器学习

0  引言

近年来，随着国内新型工业化战略的深入实施，工业现场生产智能决策、设备预测性维护、工业视觉质检等新兴场景需求的不断涌现，以及工业控制与人工智能（Artificial Intelligence，AI）、大数据、物联网技术的融合发展，工业控制逐步由反馈回路控制向智能控制演变。被控对象难度和复杂性的提升，使得可编程逻辑控制器（Programmable Logic Controller，PLC）等控制设备向高性能、多功能、广兼容、网络化的方向发展，具备目前工业控制计算机（Industrial Personal Computer，IPC）的部分功能或与其深度集成。工业控制的智能化将传统依赖人工经验为主的决策和反馈转变为基于机器或系统自主建模、决策、反馈的模式[1]。AI、工业自动化和工业互联网的融合促进了智能制造的发展。生产过程的智能化驱动人工观测与识别向大数据驱动的实时检测与工况识别AI系统发展，驱动控制系统向高性能智能自主控制系统发展，驱动生产单元的自动化系统向全流程多工序协同优化控制系统发展[2]。

1  优化控制简介

优化控制指在既定的约束条件下，通过优化算法或数学模型寻找最优控制策略，使给定的被控系统性能指标取得最优。优化控制是现代工业生产中重要的技术方法，推动了生产过程的稳定、高效和可持续发展。目前，工业优化控制主要采用基础控制回路优化、先进过程控制（Advanced Process Control，APC）、实时运行优化（Real Time Optimization，RTO）等方法，实现生产运行过程中的过程监控、闭环控制和运行优化。复杂工业过程的运行指标与控制回路的被控变量间的动态特性往往具有强非线性、多变量强耦合、不确定性、机理不清、难以建立数学模型等综合复杂性，且处于动态运行[3]。故实际工业运行过程中不存在一般性的优化控制方法，只有针对特定行业或特定工序的优化控制方法。

1.1  基础控制回路优化

基础控制回路通常采用“比例-积分-微分”（Proportional-Integral-Derivative，PID）控制器，PID控制器因结构简单、便于使用、性能稳定等优点广泛应用于实际工业自动化系统。优化单个控制回路（如温度、流量等）的PID参数，可以提升系统响应速度、稳定性，并降低波动。PID控制器的性能取决于比例、积分、微分3项控制器的参数，目前业内广泛使用的参数整定方法是Ziegler-Nichols（Z-N）法，采用可以体现被控对象动态特性的临界点和振荡周期，计算PID控制器的参数。随着智能制造的发展，工业现场要求控制系统具有鲁棒稳定和最优动态性能，需要解决PID目前存在的参数须人工调整、动态复杂系统效果不佳等问题，即需要PID整定智能系统[4]。

1.2  APC控制器

APC是用于处理工业过程中多变量、大滞后、强耦合等问题的高级控制策略，通过预测建模、优化算法等对装置进行卡边操作，更准确地调节生产过程，主要技术有模型预测控制（Model Predictive Control，MPC）、自适应控制、推断控制等。MPC是基于模型的控制算法，能够根据模型提前应对系统运行过程中可能出现的问题并根据预定义的性能指标进行优化。从历史运行数据中建立多变量模型，分析被控变量、操作变量、干扰变量之间的数学关系，利用模型预测未来的系统输出并在约束条件下求解有限时域的最优控制序列。自适应控制指工控系统能够根据系统运行状态和外部环境变化自动调整控制策略，使系统达到最优状态，常用的方法有参数自适应控制、模型参考自适应控制、增益自适应控制、模糊自适应控制等。

1.3  RTO控制器

RTO指设定优化控制目标，系统围绕该目标实时、在线优化的技术。按技术实现路径一般可分为稳态实时优化、动态实时优化和基于神经网络的实时优化。稳态实时优化全流程基于严格的机理模型，一般是小时级优化。动态实时优化结合动态模型和优化算法提升了计算效率，优化频次达到分钟级，但无法保证计算结果的合理性，一般采用“后馈纠偏”方法进行修正。基于神经网络模型的实时优化，采用神经网络模型对工业运行过程进行建模，通过学习和优化，可以找到最优的控制方案，对于非线性系统具有良好的计算效果，但神经网络模型计算结果同样难以解释。

2  AI在优化控制中的应用

狭义的优化控制指通过设计控制器及调整其参数寻求最优控制方案；广义的优化控制则包含全部功能组件的设计，以使系统达到性能最优。传统的工业控制和优化方法均基于数理分析逻辑，控制基于数学模型，对线性系统和小部分非线性系统具有良好效果；优化基于微积分计算，主要适用于拟凸函数优化。实际工业运行系统的复杂性导致控制和优化两个层面经常面临非线性、难建模、多目标、多约束、非凸、实时性等现实问题，这使传统的数学分析方法面临挑战，AI技术的发展为解决工业优化控制问题提供了新的思路。

2.1  智能优化控制

智能优化控制指在控制过程中，以目标为导向，通过模拟人类智能行为使控制系统能够自主适应环境变化、处理不确定性信息并实现优化控制目标的一种控制方式，提升传统优化控制方法难以处理的高度非线性、强不确定性、多目标冲突和模型缺失等挑战。目前常用的方法是采用算法，在解空间中高效、全局地搜索最优或次优解，实现智能优化控制的目标。

随着AI技术与工业优化控制的不断融合，深度强化学习（Deep Reinforcement Learning，DRL）兼具强化学习和深度学习的技术特点，可以学习高度复杂的控制策略，近年来在智能优化控制领域崭露头角。DRL通过强化学习机制与环境不断交互学习最优策略；以神经网络表示价值函数或策略函数，可在高维状态空间或动作空间实现高效表示。目前，已在核聚变反应堆磁场[5]、电力系统电力电容器[6]等场景的优化控制中得到有效应用。

2.2  智能优化控制算法

传统的工业智能优化控制算法一般是基于数理逻辑，借鉴自然和人工系统的优化机制，采用直接搜索或随机搜索策略，在解空间中寻找全局或局部最优解。按照原理或策略不同，可分为进化类算法（遗传算法、差分进化算法、免疫算法等）、群智能算法（粒子群算法、蚁群算法等）、模拟退火算法、禁忌搜索算法等。根据工业场景需求，算法可组合成混合优化策略，提升解决实际问题的能力。

基于AI技术构建的预测模型与智能优化控制算法结合可有效提升算法在工业数据预处理、特征选择与权重优化、模型集成与组合优化、实时优化与自适应控制等方面的能力。智能优化控制算法常用的AI技术有反向传播的神经网络（Backpropagation Neural Network，BPNN）、支持向量机（Support Vector Machine，SVM）、K临近算法（K-Nearest Neighbors，KNN）、长短期记忆网络（Long Short-Term Memory，LSTM）、门框循环单元（Gated Recurrent Unit，GRU）、卷积神经网络（Convolutional Neural Network，CNN）、随机森林（Random Forest，RF）、Q学习（Q-Learning）等。

BPNN在控制优化控制领域应用广泛，结构包含输入层、输出层和数个隐藏层。数据输入后，利用链式法则，从输出层向输入层逐层计算误差梯度，更新网络的权重和偏置，以使损失函数最小化；SVM是基于监督学习的二分类器，广泛应用于分类和回归任务。核心思想是通过在特征空间中找到一个最优的超平面，将不同类别的数据分隔开并最大化不同类别数据之间的间隔；KNN是机器学习中常用的分类算法，通过查找与新数据点最接近的K个已知数据点，并根据这K个数据点的类别或值来预测新数据点的类别或值；LSTM和GRU都是特殊的循环神经网络（Recurrent Neural Network，RNN）。针对RNN中的梯度消失问题，LSTM引入门控机制（如遗忘门、输入门、输出门等）和细胞状态捕捉序列中的长期依赖关系，GRU引入并简化了门控机制（如更新门、重置门等），并提升了训练速度；CNN是一种深度学习架构，利用卷积捕捉局部特征，并通过卷积-池化-全连接的模型结构逐步提取高级别特征，适用于图像、视频和时间序列数据的处理分析；RF是基于决策树的集成学习算法。通过构建多个决策树并将预测结果汇总，提高模型的准确性和鲁棒性；Q-Learning是一种强化学习算法，通过智能体与环境不断交互来优化行为，核心是通过学习一个Q函数（Q-table），迭代更新使预期奖励最大化。

孟章等[7]将智能算法分为浅层学习算法（如SVM、KNN、RF、Q-Learning等）和深层学习算法（如LSTM、CNN等），并设计了“问题分析-算法实现-算法应用”的通用应用框架。工业现场可将智能优化控制算法及推理结果嵌入控制系统中，通过在线运行优化PID等控制器的方式，解决具体场景需求和优化控制问题。

2.3  智能优化控制算法的局限

当前，基于AI的智能优化控制算法在制造业实际应用中落地主要面临数据质量低、算法结果难解释和工业优化控制本身的复杂性三大障碍。工业数据的低质量、难获取、不平衡和数据安全考虑一直是制约AI技术在制造业落地的关键因素，数据质量差会直接导致智能算法性能下降。为解决数据质量问题，张涛等[8]提出3种可行的思路，分别是通过数据生成丰富数据量、通过正则化神经网络或迁移学习从有限数据中提取特征、在既有数据下优化模型或分类方法；算法结果可解释指算法能够以人类可理解的方式解释其决策过程和结果的能力，然而深度学习等AI算法模型结构复杂且具有“黑箱”属性，难以解释其决策依据。与此同时，工业过程控制对算法可靠性和安全性要求极高、某些行业监管要求模型的决策过程可解释以满足安全及合规的要求、模型的故障排查和优化较为困难，这些原因都导致AI算法在工业优化控制领域落地困难。有学者提出类激活映射法、特征可视法、梯度解释法等方式试图解决算法难解释的问题[9]，但尚未得到产业界普遍认可；工业优化控制的复杂性主要体现在工业过程多层级结构和多变量耦合带来的系统结构复杂、多时间尺度和动态不确定性带来的动态特征复杂、多目标优化和全局优化带来的优化目标复杂、行业特征和工艺特征带来的高度定制化需求和数据实时处理的高要求。

3  应用案例

在某燃煤发电机组湿法脱硫系统中，构建了基于“云-边-端”协同的智能优化控制系统。该系统汇聚DCS生产实时数据（如原烟气SO₂浓度、净烟气SO₂浓度等）、煤质在线分析数据（如硫分、灰分等）、化验室石灰石品质数据（如纯度、活性等）以及电网自动发电控制调度负荷指令，通过数据清洗、时延对齐和多变量关联分析，构建了覆盖“锅炉燃烧-脱硫反应-浆液供给”全流程的数字孪生数据底座。系统平台以部署在边缘计算服务器上的APC软件为控制终端，以运行在云端的深度强化学习寻优算法为决策大脑，综合考虑深度调峰工况下的负荷波动、入口硫分变化以及循环泵组合寻优等外部变量，以二氧化硫超低排放达标率100%、石灰石粉耗最小化、浆液循环泵电耗最小化为核心目标，实现了具有自动寻优能力的智能实时优化控制。

经过数个月连续运行改造后，系统平均投用率达到97.5%。在节能降耗方面，石灰石粉单耗由1.21 kg/kWh降至1.13 kg/kWh，降幅6.6%；浆液循环泵平均电耗下降11.8%，脱硫系统综合厂用电率下降0.21个百分点。在环保指标方面，净烟气SO₂浓度小时均值超标次数降为零，浓度标准偏差降低52.3%。系统有效提升了机组在深度调峰工况下的脱硫系统运行经济性和环保可靠性，为火电厂智能化转型升级提供了可参考的技术路径。

4  结束语

智能优化控制是提升制造业生产制造水平、降本增效的有效途径。随着AI技术的持续演进，新的计算范式和算法模型会为解决工业优化控制问题提供新的工具和思路。为推进智能优化控制在工业现场落地，需进一步加强新型网络基础设施建设、提升网络可靠性、实时性、安全性、协议兼容和互操作能力。支持海量数据的实时采集与边缘计算处理，采用流式计算框架和确定性网络传输提升数据传输质量，预留扩展接口，支持未来产业升级；增强工业现场数据实时处理能力，可建设云-边协同计算架构，将AI推理部署在靠近工业现场的边缘节点，减少数据传输时延。同时，在云端训练复杂模型，定期更新边缘端模型参数，减少边缘计算压力；采用模型压缩与硬件加速，提升现场AI计算速度。考虑工业控制系统的复杂性，须对工业控制系统运行机制、AI技术的能力边界、产业生态建设现状、工业数据安全与隐私保护有充分的理解，确保AI赋能新型工业化平稳、高效推进。