摘要

工业过程对象具有非线性、强耦合以及大时滞等特点，传统的控制方法难以实现工业过程优化与控制。智能控制是在自动控制、运筹学及人工智能等多学科交叉的基础上形成的，主要用来解决传统控制难以解决的问题。本文以复杂工业对象中典型的流程工业为背景，以神经网络与模糊控制的发展历史以及技术应用等方面展开综述，介绍智能控制方法在流程工业过程中的应用，并简要展望了工业智能控制领域的新方向和新应用。

关键词：

流程工业；智能控制；模糊控制；神经网络；工业人工智能

引言：

传统的工业过程控制假定系统在闭环反馈结果下运行在设定状态，考虑设计保证系统稳定的控制器，使系统的输出能够跟踪输入，忽略了系统工作在偏离设定状态下不能实现最优运行与控制[1]。工业过程运行优化与控制本质上是一个多目标优化问题，需要考虑质量、产品、成本、消耗等相关的综合生产指标与控制系统设计之间的联系[2]。流程工业是指工业过程中原材料生产加工工业，如石油、化工、钢铁、有色金属和建筑材料，是国民经济的基础产业，对于支持世界制造业强国经济的可持续增长具有重要意义。经过几十年的发展，我国流程工业的制造技术、装备和自动化水平有了很大提高。中国现在已经成为世界上制造业规模最大、门类最全、生产规模最大的国家之一[3]。流程工业是国民经济的重要支柱产业，其智能优化、建模与控制已上升为国家战略。流程工业通常规模大、多级耦合、机理复杂且难以建立数学模型，且一旦发生异常，将会影响产品质量、增加能耗和原料消耗、污染环境，甚至会引发安全事故[4]。随着计算机技术以及大数据、人工智能的发展应用，流程工业的控制智能化、数字化、网络化成为可能，并已经得到了初步应用。贾瑶等针对有随机扰动的不确定性和强非线性的矿浆中和过程，将未建模动态补偿、串级PI控制和规则推理智能方法相结合，将出口矿浆pH值和流量控制在工艺规定的范围内[5]。杨杰等针对电熔镁群炉的功率模型的非线性项，使用了径向基函数神经网络来估计，在仿真环境和工业实验中得到了验证[6]。智能控制代表了自动控制的最新发展阶段，也是用人工智能的方法来实现人的体力劳动和脑力劳动自动化的重要领域[7]。智能控制思潮最早出现于20世纪60年代，Fu（傅京孙）等首先把基于启发式推理规则用于增强学习控制系统[8]，1971年Fu又论述了人工智能与自动控制的交接关系[9]。智能控制发展至今，其中产生许多经典的方法与技术，包括基于知识推理的专家系统，还有随着模糊数学发展而来模糊控制理论，还有基于人工神经网络的深度学习方法，直到今天智能控制仍在不断发展中，这也体现了当今时代学科交叉、汇聚研究的特点。此外，智能控制方法在流程工业中的应用也层出不穷。

模糊控制

模糊控制是智能控制理论发展中较早使用的一种智能控制方法。Fuzzy 控制理论是由美国加利福尼亚大学自动控制理论专家L. A. Zadeh于1965年提出[10]，对不确定系统的控制有着重要的作用，自二十世纪七十年代以后，模糊控制器及其相应的软硬件相继出现。1974年英国人Mamdani使用Fuzzy控制语言建立控制器控制锅炉和蒸汽机，取得了良好的效果[11]。模糊集合以及模糊规则的引入，形象地模拟了人的推理、判断、决策的思维过程，从而对于复杂具有不确定性的系统，可以应用模糊控制规则，设计模糊控制器，或者将模糊规则与PID控制器相结合，实现参数自适应的智能控制。

模糊控制过程及特点

模糊逻辑控制（Fuzzy Logic Control）简称模糊控制，它是指应用模糊集合、模糊语言变量、模糊逻辑推理的一系列方法来模拟人的智能行为，对一些难以精确建模的对象或过程进行控制的智能控制方法[12]。

一个基本的模糊控制系统一般由模糊化、模糊推理、接模糊三部分组成[13]。如图1所示。模糊化即将相应的模糊控制器的输入转化为模糊语言变量，这个语言变量可由隶属度函数确定。模糊推理过程是模糊控制的关键，主要取决于模糊关系与模糊集合之间的合成规则，根据合成规则的不同，可以分为Mamdani推理法、Larsen推理法、Zadeh推理法等等。解模糊是模糊化的反过程，实现由模糊变量到精确量的转化。

在实际的控制系统中，一般的模糊控制器通常采用误差e和误差变化率ec作为作为模糊输入语言变量，根据专家的领域知识或者实际控制经验来设定模糊规则表。实际应用中，往往将模糊推理应用于PID控制器，相比于传统的静态PID控制器参数，引入模糊规则，会根据系统闭环运行的e、ec来进行模糊推理，实时调节PID控制器的三个参数，实现“参数自校正”[14]。模糊控制具有以下的优缺点[12，15]：

1）控制系统的鲁棒性强，对参数变化不敏感，适合于求解非线性以及含有纯时滞的对象

2）不需要精确的数学模型，适合于机理不清、含有未知扰动的对象，只需要有相应的经验知识

3）模糊变量的引入以及模糊量与精确值的转化，可能导致控制精度下降，系统的动态品质下降

4）控制器设计缺乏系统性，模糊规则表的建立依赖于专业领域知识

模糊控制的应用

目前，模糊控制的硬件主要体现在工业集成板卡，例如PLC中的模糊控制，以及单片机，它们实际上用软计算来实现。而模糊控制软件有MATLAB的模糊控制工具箱，它支持GUI操作以及m文件编程，支持多种隶属度函数、模糊化和解模糊的方法，可以配合simulink实现系统的动态仿真验证[16-19]。模糊控制器应用广泛，在实际的家用电器中都有模糊控制器的身影，如洗衣机、电饭煲等。在实际的工业生产过程中，模糊理论与不同的场景结合，与不同智能方法结合，极大地改善了原系统的性能，进一步体现出它的适应性强。刘群[20]利用粒子群优化算法，对模糊控制器参数进行自动寻优，缩短了控制器设计周期。王玉中[21]针对工业中焦化炉被控对象，将模糊理论与神经网络相结合，提出了模糊网络PID控制器，并通过仿真验证了方法的有效性。Bi等人[22]建立了预测模糊控制系统，可以有效预测地铁站空调系统的负荷，可以一定程度抵消空调系统控制量调整的延迟，

从以上的研究来看，基于模糊理论的智能控制方法还不够系统化，缺乏统一有效的控制器设计方法，而且大多停留于理论研究以及工业仿真阶段，缺乏实际工业对象的优化控制的研究。由于实际工业环境的复杂性，将工业对象建模为简单的二阶惯性或者一阶惯性加纯滞后，进行仿真研究，忽视了工业环境中的各种不确定性，不具备典型性和代表性。但是大多数模糊控制都结合了其他的智能算法，如群智能优化算法，神经网络算法，这可能是模糊控制今后的重要研究方向。

人工神经网络

人工神经网络是人工智能发展中的重要理论成果，它是连接主义学派在反思和总结人的智能行为的产物。连接主义学派的主要观点是人的思维能力和智能行为是通过大脑的复杂神经元的结构、连接模式实现的，可以通过模拟人的大脑结构来实现工业控制的智能化[23]。近几十年来，人工神经网络的研究工作不断深入，已经在工业、自动化、机器人、生物医疗等方面解决了许多实际问题，表现了良好的智能特性[24]。人工神经网络由于自身独特的结构和非线性模拟的能力，具有高度的自适应和容错特性，广泛应用于控制领域。

人工神经网络的发展及特点

人工神经网络网络大致经历了4个阶段：萌芽时期、低谷时期、复兴时期、发展时期。1943年，生理学家Mc Culloch和数学家Pitts提出了的一个神经元模型M-P Models，奠定了以后神经网络开发的基础，标志着人工神经网络网络（ANN，Artificial Neural Network）研究的开端[25]。1951年Hebb提出了根据神经元之间的结合强度来改变连接关系，即连接权值强化的Hebb学习法则，为构建有学习能力的神经网络奠基[26]。自此，许多学者纷纷投入到人工神经网络的研究中，由于神经网络的理论还是处在起步阶段，忽略了对自身的局限性研究。Minskyh和Papert于1969年对之前的理论研究提出质疑，认为当前神经网络无法解决非线性问题以及多层网络，例如单层感知器无法解决“异或（XOR）问题”，而Rosenblatt没有及时地有效回应，神经网络的研究一度陷入低潮。此时，仍然有一些学者继续研究神经网络并提出了许多重要的理论模型，比如芬兰的Kohonen教授提出了自组织映射的模型，美国的生理和心理学家Anderson提出了“交互存储器”的神经网络模型，这些研究成果为之后神经网络的复兴以及深度学习打下了基础。美国的物理学家Hopfield于1984年提出了Hopfield神经网络（Hopfield Neural Network，HNN），并通过实验证明了神经网络在一定条件下可以稳定[27]，并引领众多学者推动神经网络的进一步发展，使得神经网络的研究进入新时期。20世纪80年代后，随着人工神经网络在世界范围内复苏，国内外掀起了人工神经网络研究的热潮。1987年美国加州召开了第一届国际神经网络学会；1990年中国国内8个学会牵头在北京召开了“中国神经网络首届学术会议”[24]。此后，神经网络的理论研究和应用成果层出不穷，处于稳步发展中。

人工神经网络是由大量的神经元组成的非线性动力学系统，这是由它的特定结构和组成单元所决定的，并且与相应的学习算法有关。人工神经网络的优点[28]：

1）分类的准确性高，并行计算的处理能力强，人工神经网络由大量简单的神经元组成，具有大规模并行计算的能力，整个神经网络的并行活动保证了信息存储的有效性以及快速性。

2）能够充分逼近复杂的非线性关系，对噪声信号具有较强的鲁棒性和容错性。神经元在网络中处于激活或者抑制状态，充分模拟了大脑中神经元间的信号传递，在数学上使用非线性激活函数来表示

3）神经网络具有自学习、自组织与自适应的能力，能够改变自身以适应环境变化。当外界环境发生变化是，神经网络可以通过自学习调整网络结构参数，使得给定输入下产生期望的输出

人工神经网络的缺点：

1）人工神经网络需要大量的参数，除了学习率等超参数外，还要考虑拓扑结构、权值和阈值的初始值，所以可能需要大量的样本来进行学习和训练。

2）不能观察的学习过程，输出的结果可解释性差，神经网络相当于一个端到端的黑盒模型，会影响到结果的可信度和可接受程度。

3）神经网络模型过于复杂，学习时间过长，达不到学习的目的，或者学习的模型泛化能力太差。或者模型过于简单，无法完成预定的控制任务。

人工神经网络的应用

目前，集过程检测、故障诊断、优化控制以及生产调度等各层次功能于一体的流程工业综合自动化成为工业界和学术界共同关注的话题。与离散工业相比，流程工业具有强非线性，实现流程工业综合自动化挑战巨大，因此必须使用新思路、新方法。人工神经网络在过程系统建模、故障诊断以及在线优化等方面有所应用，在流程工业中具有良好的应用前景。

在故障诊断方面，易静姝综述了在滚动轴承中人工神经网络方法的应用，分别列举了BP、CNN、RBF等几种典型的神经网络，详细地讨论了这些神经网络诊断方法的优势与不足，也指出了存在局部收敛、过拟合和欠拟合等问题。王威针对传统信号处理地智能诊断方法中流程复杂、特征提取能力不足等问题，提出了一种多尺度卷积神经网络，验证了在噪声环境和变工况下的优越性[29]。Zheng等人将不同轴承位置的振动数据融合成多通道的融合数据，进行周期采样，并调整了传统的卷积神经网络以提取更详细的故障特征，并获得最佳的诊断效果[30]。由此可知，神经网络广泛应用于工业故障诊断，可以实现从端到端的特征提取，现有的研究成果大都是从经典的神经网络结构出发，进行迁移学习，调整网络的结构和参数，应用于其他的工业场景中。

神经网络在流程工业中也有大量的应用。周曼等[31]针对流程工业生产中存在的大量工业生产视频监控画面进行智能识别，降低出错率，使用了Alexnet对流程工业视频图像进行迁移学习，并取得了良好效果。无独有偶，刘志勇等[32]也使用了基于Keras的CNN来对工业现场的热力图进行可视化分类处理，识别正确率可达98.6%。针对磨矿过程的磨矿粒度对象，李曼等人[33]使用加权的随机权神经网络预测模型，比传统的BP和随机权神经网络预测效果更好。周平等[34]针对高炉多元铁水质量建模问题，在原有的随机权神经网络上引入AutoEncoder和PCA方法，即AE-P-RVFLNs算法，可以有效提高模型的运算效率并防止过拟合。

研究展望

随着人工智能的发展崛起，工业人工智能是未来工业智能控制的方向和趋势，由于云计算和大数据的快速发展，流程工业的控制与优化越来越离不开人工智能，传统的机理建模可以作为工业对象的基础模型，而工业数据诉诸于智能数据驱动方法可以弥补数学模型难以建模和优化的不足，也是未来工业智能控制的大势所趋。将人工智能技术、工业自动化技术、工业互联网与制造业领域知识相互融合，以智能制造、工业智能化为目标，研发增强劳动者的AI智能系统，发展工业人工智能技术[35]。

结束语

本文以流程工业复杂对象详细介绍了模糊控制和神经网络的智能控制方法，综述了它们的发展历史和特点，并介绍了在流程工业相关领域的应用，并以此展望了工业智能控制和工业人工智能的发展方向和趋势。

 

 

 

 

参考文献：

[1]柴天佑. 复杂工业过程运行优化与反馈控制[J]. 自动化学报, 2013, 39(11): 1744-1757.

[2]柴天佑. 生产制造全流程优化控制对控制与优化理论方法的挑战[J]. 自动化学报, 2009 (6): 641-649.

[3]Qian F, Zhong W, Du W. Fundamental theories and key technologies for smart and optimal manufacturing in the process industry[J]. Engineering, 2017, 3(2): 154-160.

[4]赵春晖,韩红桂,周平,刘毅,尚超.复杂工业过程智能建模与控制方法及应用专题序言[J].控制工程,2022,29(04):577-580.

[5]贾瑶,吴永建,代伟,张立岩,柴天佑.矿浆中和过程区间串级智能控制方法[C].第26届中国过程控制会议（CPCC2015）论文集.第26届中国过程控制会议（CPCC2015）论文集.中国自动化学会过程控制专业委员会:中国自动化学会过程控制专业委员会,2015:273.

[6]杨杰,柴天佑,张亚军,吴志伟.数据与模型驱动的电熔镁群炉需量预报方法[J].自动化学报,2018,44(08):1460-1474.

[7]蔡自兴.中国智能控制40年[J].科技导报,2018,36(17):23-39.

[8]Waltz M, Fu K. A heuristic approach to reinforcement learning control systems[J]. IEEE Transactions on Automatic Control, 1965, 10(4): 390-398.

[9]Fu K S. Learning control systems and intelligent control systems: An intersection of artifical intelligence and automatic control[J]. IEEE Transactions on Automatic Control, 1971, 16(1): 70-72.

[10]Zadeh L A. Fuzzy sets[J]. Information and control, 1965, 8(3): 338-353.

[11]Mamdani E H.Application of Fuzzy Algorithms for Control of Simple Dynamic Plant[J].Proceedings of the Institution of Electrical Engineers, 1974, 121 (121) :1585~1588.

[12]王刚.模糊控制的研究与发展[J].数字技术与应用,2017(01):10-11.

[13]程凤林,张军芳,杜鹏,崔红芳,刘旭浩,刘士琴.模糊控制方法介绍[J].山东工业技术,2019(06):149+167.

[14]宋超,曹翱,温家玺.自适应模糊PID控制器的设计及MATLAB仿真[J].现代制造技术与装备,2018(07):203-205.

[15]林美珍.模糊控制理论的应用[J].宁德师专学报(自然科学版),2010,22(04):353-355+384.

[16]仇成群,刘成林,沈法华,陈杰.基于Matlab和模糊PID的汽车巡航控制系统设计[J].农业工程学报,2012,28(06):197-202.

[17]李健,王冬青,王丽美.模糊PID控制器设计及MATLAB仿真[J].工业控制计算机,2011,24(05):56-57+95.

[18]张志超,崔天时,冯兆宇,张桢.基于SimuLink的模糊PID控制器设计及仿真[J].物联网技术,2016,6(08):75-76.

[19]张衍成. 基于Matlab/Simulink的车辆主动悬架模糊控制仿真研究[D].辽宁工业大学,2014.

[20]刘群. 基于粒子群算法优化的模糊控制器设计与应用[D].沈阳工业大学,2017.

[21]王玉中. 工业过程的预测控制与模糊PID控制的研究[D].杭州电子科技大学,2017.

[22]Bi H, Zhou Y, Liu J, et al. Load forecast and fuzzy control of the air-conditioning systems at the subway stations[J]. Journal of Building Engineering, 2022, 49: 104029.

[23]林学森. 机器学习观止——核心原理与实践[M].北京：清华大学出版社，2021:19-22

[24]毛健,赵红东,姚婧婧.人工神经网络的发展及应用[J].电子设计工程,2011,19(24):62-65.

[25]McCulloch W S, Pitts W. A logical calculus of the ideas immanent in nervous activity[J]. The bulletin of mathematical biophysics, 1943, 5(4): 115-133.

[26]Hebb D O. The organization of behavior: A neuropsychological theory[M]. Psychology Press, 2005.

[27]Hopfield J J. Neurons with graded response have collective computational properties like those of two-state neurons[J]. Proceedings of the national academy of sciences, 1984, 81(10): 3088-3092.

[28]邢广成,强天伟.人工神经网络的发展与应用[J].科技风,2012(15):65-66.

[29]王威. 基于多尺度卷积神经网络的电机故障诊断方法研究[D].中国矿业大学,2020.

[30]Zheng J, Yang C, Zheng F, et al. A Rolling Bearing Fault Diagnosis Method Using Multi-Sensor Data and Periodic Sampling[C]//2022 IEEE International Conference on Multimedia and Expo (ICME). IEEE, 2022: 1-6.

[31]周曼,刘志勇,陈梦迟,赵浴阳,杨鲁江.基于AlexNet的迁移学习在流程工业图像识别中的应用[J].工业控制计算机,2018,31(11):80-82.

[32]刘志勇,周曼,赵浴阳,杨鲁江,施方展,戴玲玲.卷积神经网络可视化在流程工业图像识别中的应用[J].化工自动化及仪表,2021,48(01):74-78.

[33]李曼,郑秀萍,俞胜平,初延刚. 基于加权随机权神经网络的磨矿粒度指标预测方法[C]//.第28届中国过程控制会议（CPCC 2017）暨纪念中国过程控制会议30周年摘要集.[出版者不详],2017:50.

[34]周平, 张丽, 李温鹏, 等. 集成自编码与 PCA 的高炉多元铁水质量随机权神经网络建模[J]. 自动化学报, 2018, 44(10): 1799-1811.

[35]柴天佑. 工业人工智能发展方向[J]. 自动化学报, 2020, 46(10): 2005-2012.