【導讀】2024年6月2日，由中國自動化學會、北京市科學技術協會主辦的2024國家新質生產力與智能產業發展會議在北京友誼賓館舉辦。本次會議以“追新逐質，智創未來”為主題，邀請了10位院士及百余位長江杰青、高校和科研院所的校長、院長等學術精英與會，500余名來自學術界和產業界的本領域專家、學者、學生等參會。
本次大會特別設立八大平行會議，在“企業新質生產力與數智化轉型升級平行會議”上，邀請北京科技大學彭開香教授作題為“性能驅動，數智賦能：制造過程閉環分析與優化探索實踐”的專題報告，報告介紹了一套數據驅動的閉環性能分析與優化決策框架，詳細闡述了面向典型制造流程的閉環控制分析與優化原型系統，并結合實際場景探討了性能指標、數據關聯、性能分析、溯源評估以及性能閉環五大模塊的功能及應用現狀。
一、數智浪潮：制造過程轉型驅動與需求
黨的十九大提出了高質量發展，強調智能強國；黨的二十大提出了新型工業化，特別是制造強國、智能強國和數字中國的目標。2023年9月習近平總書記在黑龍江考察時首次提出“新質生產力”，并在今年的政府工作報告中強調現代化產業體系建設和新質生產力的發展。這一概念與新型工業化相輔相成，成為推動制造業數字化轉型的重要途徑。
從2016年阿爾法狗無人機大戰到2022年出現的ChatGPT等大模型，人工智能的發展歷程展示了從弱人工智能向強人工智能，再向通用人工智能的進步。這一發展為制造業的數字化進程奠定了堅實基礎，使得人工智能在制造業智能化轉型升級中起到重要作用，推動實體制造業的數字化革命。
在制造業的工業革命中，人類經歷了四次確定性的工業革命。未來，隨著人工智能、云計算、大數據等先進技術的發展，世界正邁向第五次工業革命。制造產業的信息化、生產過程的智能化和產業資源的孵化，將是未來主要的攻關課題。
從歐洲的工業戰略到美國的先進制造業領導力戰略，再到中國的“十四五”規劃，全球政策方向均強調數字化轉型、高端化和綠色化的內涵，核心在于優化決策。實現制造業的優化決策需要解決時空多尺度分布性、縱向橫向性能指標的全局性和復雜性等問題。
數據驅動應用是對制造業業務過程的抽象，通過定性與定量的方式理解數據，包括狀態監測、根因溯源、預測評估和決策優化，旨在產生新的洞察并輔助制造過程的自主決策。決策優化涉及三個層面：制造業的運行安全、工藝過程的生產性能指標以及計劃調度層次。這三個層面相互關聯，需要解決融合分析、異常感知和未來影響評估等問題，實現智能管控和多系統交互。
制造企業的信息化系統從研發設計、工藝設計、生產制造到運行維護，涉及多階段、多工序和多系統的實時數據壁壘。實現智能管控需要多系統交互和動態反饋的基礎，以及多個層次的閉環反饋。在多階段、多工序和多系統的整合中，面臨數據冗余、缺失、耦合和跨時空等挑戰。
二、性能領航：閉環分析與優化關鍵技術
在實施該項目過程中，我們對閉環調控優化的理解逐漸深化，特別是針對制造過程的閉環分析與優化的關鍵技術取得了階段性成果。制造過程的運行涉及三個層次：底層的運行安全、工藝質量和計劃調度。一般的作業過程是自上而下進行分解，從經營層面的相關性能指標到全流程的運行指標，再到具體工序和每個回路的性能指標，最終形成各層次的關鍵性能指標（KPI）。前期工作包括對多層次性能指標的融合表征、性能退化監測及預測等，希望形成閉環系統，為維護決策、調控優化和計劃調度提供服務。
制造過程的調控模式經歷了幾個階段：早期的人工操作、基于模型的控制與優化與基于數據的控制與優化。在20年前，數據驅動成為熱門，而現在數據、人工知識和工藝知識同樣重要。因此，如何將基于模型的流程驅動、數據驅動和知識驅動融合起來非常關鍵。無論是模型、數據還是知識，都需要協同支撐制造過程的管控和優化。
在數字化背景下，制造企業面臨著新的挑戰，包括結構功能、調控環境和評價指標的更加苛刻。因此，基于傳統的ISA-95架構，我們將性能劃分為三個層次的目標：即穩定、高質、以及高效。在最底層，我們往往更關注的是控制系統的安全穩定，以及小回路閉環控制的魯棒性；，在工序層面（點鼠標），我們更關注各種中間產品的質量問題、工藝路徑的合理性問題、以及模型設定的精準度等問題，到更高層次的目標肯定就是經濟性，通過智能化調度排程、風險評估、能源管理等，優化全流程的綜合經濟性能，指導全流程的優化決策。。通過這樣的層次化閉環架構，我們致力于形成局部回路的控制閉環、工序層面的指標閉環、以及流程層面的決策閉環，以此來帶動跨層滾動優化。
為實現上述目標，相應的數字表征、關聯建模、柔性調控以及閉環優化是層次化性能閉環設計架構下的四項關鍵技術。致力于通過 造過程數字主線技術，解決知識-數據驅動的深度融合網絡構建難點（解決的是感知 perception 的問題）；通過多工序-系統性能分析與評估，解決資源異構 強耦合下多工序-多系統性能關聯的認知（recognition）問題。通過多目標預測-反應式閉環調度，突破優化調度方法關聯工業生產實績的 閉環調度難點；通過閉環調控與多目標跨層優化，突破質量-能效-成本等跨層性能綜合優化實現瓶頸，上述兩項解決的是 action 的問題。
在數主線方面，經過兩年多的實踐，我們團隊建了模型、數據、知識協同的復雜產品過程數主線。該主線包括制造過程多元異構數據的統一表征、通過數據描述模型以及構建大知識圖譜。這些成果實現了工藝知識的統一描述、多維時空域下多路經理模型的跨域關聯和時空系統的描述。通過這些技術，我們建立了一個實驗室級的數字資源平臺。
在關聯分析建模方面，針對多工序、多系統統一考慮，團隊提出了異構動態圖解決因果性問題，并構建了多目標約束下的制造性能綜合評價體系。基于圖模型的關聯分析、性能監測與溯源取得了一定成果，并形成了基于工業互聯網的云邊端架構，實現了不同層次性能指標的評估。
在閉環調度技術方面，面對批量生產與客戶定制化生產的矛盾、多設備智能優化配置、多時間尺度和多目標協同優化以及動態調整的需求，我們提出了三個方面的解決方案。首先是優化配置方案，通過魯棒優化算法設計生產流程；其次是閉環調度策略，解決單機和多機調度問題；最后是云邊協同，考慮設備和性能的不確定性，構建云邊協同閉環調度框架。
在閉環調控優化方面，我們解決了多流關聯建模難、性能閉環調控難和多約束耦合優化難的問題。通過非優工況下調控、分布式跨層優化和閉環調控優化，構建了云邊端協同調控優化的整體框架。通過數字主線提供的信息，進行關聯分析，得到各層次的性能指標，并實現跨層次的優化。
三、研發實踐：原型系統構建與應用實踐
本項目中的閉環調控優化系統不僅在實驗室內成功實現了基礎構建，同時也在某條實際生產線上進行了驗證。通過這一實踐，團隊積累了寶貴的實驗室建設經驗。我們的目標是開發一個制造過程變化分析與優化平臺，以過程性能的管控為主線，設定具體的過程性能指標體系。
在這一框架下，我們集成了性能指標、數據關聯、性能分析、數據評估和性能閉環五大模塊，并將這些模塊按云、邊、端進行分解。在端側，主要考慮數據的可追溯性、系統仿真和工況模擬；在邊側，重點關注工序級性能評估、工藝優化和性能溯源；在云側，重點關注以經濟性能為核心的綜合性能評估，包括能耗預測和性能退化預測等功能。
在具體功能模塊上，我們研發了數據驅動的制造過程閉環控制分析與優化原型系統，構建了制造過程6維數字表征模型，突破了 多源異構數據交換、利用與溯源瓶頸，開發復雜時空數據基礎建模、管理與容錯匯聚技術，打造 面向工業互聯網的 數據演化態勢感知平臺。構建 “工序-工藝-工況”協同的全景知識圖譜，建立數據-模型虛實結合的動態交互模型，最終打造“數據-模型-知識”深度融合的數字主線。面向典型工藝流程，我們設計了幾萬余點數據驅動的流程演示模塊，做到了全流程、多層級、多模態數據的實時在線回放，實現了產線流程關鍵工序的全景演示與I、II級基準工藝設定的廣角透視。
另外，研發團隊還進行了數據追溯工作，該模塊的追溯是基于構建的“元模型”。依據時間、空間、屬性、屬性值等一系列集成數據，以鋼卷號為載體，對運行狀態信息與性能指標信息等進行時空變換，構建了與實體鋼卷同步化的“數字鋼卷”。同時，以鋼卷號為唯一索引，梳理加熱爐開始直到卷曲結束多工序的數據血緣關系，支持給定批次的設定值、過程運行狀態測量值的時空追溯。基于時空數據，我們也針對不同需求，開發了一系列功能模塊。如：數據摘要、數據增強、特征空間可視化等。致力于從數據關聯的角度解析工況波動的原因、潛在影響范圍、及傳播效應。
在關聯分析方面，研發團隊以性能為主導，開發了性能管控平臺，集成了關聯分析、過程監測、故障數據、性能評估和綜合評價系統。在閉環調度方面，通過結合煉鋼、連鑄、熱軋和下游工序，研發團隊實現整個過程的動態排程，并考慮了底層和中層的不確定性問題。通過云、邊、端的協同機制，我們統一了控制系統平臺，實現了底層控制性能優化、中層工藝優化和上層閉環調控優化。
盡管我們已取得了一定的進展，但仍需進一步驗證和優化。例如，數據治理、工況感知、數據追溯、融合和退化評估等模塊已在現場部署并取得初步成果，但后續還需進行更多驗證和優化。在實際部署過程中，數據收集仍具有一定的困難性，尤其是實時數據、工藝數據和計劃調度數據的整合工作。然而，一旦數據收集完成，系統部署便能順利進行。
四、數智思考：新質生產力引領未來轉型
通過本項目，研發團隊對數字化，尤其是在新質生產力的引領下，進行了深入的思考。首先，本項目的目的是實現從數據主線、關聯分析、閉環調控到閉環優化四位一體的控制分析與優化框架。整體而言，我們構建了一個從性能感知、過程認知到柔性調控、閉環優化的數字化系統。
盡管研發團隊取得了一定的成果，但在實際應用過程中，依然面臨模型不充分、工況不清晰、知識不完備、決策不智能等問題。未來，團隊計劃進一步深入推進項目，力求將流程驅動、數據驅動和知識驅動有機融合，推動智能驅動，實現自適應、智能認知、智能學習和自優化。
智能驅動的實現需要經歷驅動的進化過程。從流程驅動來看，需要基于物理模型；從數據驅動來看，需要基于數據事實；從知識驅動來看，需要依賴人類智慧。因此，只有將物理模型、數據事實和人類智慧有機結合，才能真正實現制造過程的智能化。
*本文根據作者所作報告速記整理而成
