【导读】2024年6月2日,由、北京市科学技术协会主办的2024国家新质生产力与智能产业发展会议在北京友谊宾馆举办。本次会议以“追新逐质,智创未来”为主题,邀请了10位院士及百余位长江杰青、高校和科研院所的校长、院长等学术精英与会,500余名来自学术界和产业界的本领域专家、学者、学生等参会。
本次大会特别设立八大平行会议,在“企业新质生产力与数智化转型升级平行会议”上,邀请北京科技大学彭开香教授作题为“性能驱动,数智赋能:制造过程闭环分析与优化探索实践”的专题报告,报告介绍了一套数据驱动的闭环性能分析与优化决策框架,详细阐述了面向典型制造流程的闭环控制分析与优化原型系统,并结合实际场景探讨了性能指标、数据关联、性能分析、溯源评估以及性能闭环五大模块的功能及应用现状。
一、数智浪潮:制造过程转型驱动与需求
党的十九大提出了高质量发展,强调智能强国;党的二十大提出了新型工业化,特别是制造强国、智能强国和数字中国的目标。2023年9月习近平总书记在黑龙江考察时首次提出“新质生产力”,并在今年的政府工作报告中强调现代化产业体系建设和新质生产力的发展。这一概念与新型工业化相辅相成,成为推动制造业数字化转型的重要途径。
从2016年阿尔法狗无人机大战到2022年出现的ChatGPT等大模型,人工智能的发展历程展示了从弱人工智能向强人工智能,再向通用人工智能的进步。这一发展为制造业的数字化进程奠定了坚实基础,使得人工智能在制造业智能化转型升级中起到重要作用,推动实体制造业的数字化革命。
在制造业的工业革命中,人类经历了四次确定性的工业革命。未来,随着人工智能、云计算、大数据等先进技术的发展,世界正迈向第五次工业革命。制造产业的信息化、生产过程的智能化和产业资源的孵化,将是未来主要的攻关课题。
从欧洲的工业战略到美国的先进制造业领导力战略,再到中国的“十四五”规划,全球政策方向均强调数字化转型、高端化和绿色化的内涵,核心在于优化决策。实现制造业的优化决策需要解决时空多尺度分布性、纵向横向性能指标的全局性和复杂性等问题。
数据驱动应用是对制造业业务过程的抽象,通过定性与定量的方式理解数据,包括状态监测、根因溯源、预测评估和决策优化,旨在产生新的洞察并辅助制造过程的自主决策。决策优化涉及三个层面:制造业的运行安全、工艺过程的生产性能指标以及计划调度层次。这三个层面相互关联,需要解决融合分析、异常感知和未来影响评估等问题,实现智能管控和多系统交互。
制造企业的信息化系统从研发设计、工艺设计、生产制造到运行维护,涉及多阶段、多工序和多系统的实时数据壁垒。实现智能管控需要多系统交互和动态反馈的基础,以及多个层次的闭环反馈。在多阶段、多工序和多系统的整合中,面临数据冗余、缺失、耦合和跨时空等挑战。
二、性能领航:闭环分析与优化关键技术
在实施该项目过程中,我们对闭环调控优化的理解逐渐深化,特别是针对制造过程的闭环分析与优化的关键技术取得了阶段性成果。制造过程的运行涉及三个层次:底层的运行安全、工艺质量和计划调度。一般的作业过程是自上而下进行分解,从经营层面的相关性能指标到全流程的运行指标,再到具体工序和每个回路的性能指标,最终形成各层次的关键性能指标(KPI)。前期工作包括对多层次性能指标的融合表征、性能退化监测及预测等,希望形成闭环系统,为维护决策、调控优化和计划调度提供服务。
制造过程的调控模式经历了几个阶段:早期的人工操作、基于模型的控制与优化与基于数据的控制与优化。在20年前,数据驱动成为热门,而现在数据、人工知识和工艺知识同样重要。因此,如何将基于模型的流程驱动、数据驱动和知识驱动融合起来非常关键。无论是模型、数据还是知识,都需要协同支撑制造过程的管控和优化。
在数字化背景下,制造企业面临着新的挑战,包括结构功能、调控环境和评价指标的更加苛刻。因此,基于传统的ISA-95架构,我们将性能划分为三个层次的目标:即稳定、高质、以及高效。在最底层,我们往往更关注的是控制系统的安全稳定,以及小回路闭环控制的鲁棒性;,在工序层面(点鼠标),我们更关注各种中间产品的质量问题、工艺路径的合理性问题、以及模型设定的精准度等问题,到更高层次的目标肯定就是经济性,通过智能化调度排程、风险评估、能源管理等,优化全流程的综合经济性能,指导全流程的优化决策。。通过这样的层次化闭环架构,我们致力于形成局部回路的控制闭环、工序层面的指标闭环、以及流程层面的决策闭环,以此来带动跨层滚动优化。
为实现上述目标,相应的数字表征、关联建模、柔性调控以及闭环优化是层次化性能闭环设计架构下的四项关键技术。致力于通过 造过程数字主线技术,解决知识-数据驱动的深度融合网络构建难点(解决的是感知 perception 的问题);通过多工序-系统性能分析与评估,解决资源异构 强耦合下多工序-多系统性能关联的认知(recognition)问题。通过多目标预测-反应式闭环调度,突破优化调度方法关联工业生产实绩的 闭环调度难点;通过闭环调控与多目标跨层优化,突破质量-能效-成本等跨层性能综合优化实现瓶颈,上述两项解决的是 action 的问题。
在数主线方面,经过两年多的实践,我们团队建了模型、数据、知识协同的复杂产品过程数主线。该主线包括制造过程多元异构数据的统一表征、通过数据描述模型以及构建大知识图谱。这些成果实现了工艺知识的统一描述、多维时空域下多路经理模型的跨域关联和时空系统的描述。通过这些技术,我们建立了一个实验室级的数字资源平台。
在关联分析建模方面,针对多工序、多系统统一考虑,团队提出了异构动态图解决因果性问题,并构建了多目标约束下的制造性能综合评价体系。基于图模型的关联分析、性能监测与溯源取得了一定成果,并形成了基于工业互联网的云边端架构,实现了不同层次性能指标的评估。
在闭环调度技术方面,面对批量生产与客户定制化生产的矛盾、多设备智能优化配置、多时间尺度和多目标协同优化以及动态调整的需求,我们提出了三个方面的解决方案。首先是优化配置方案,通过鲁棒优化算法设计生产流程;其次是闭环调度策略,解决单机和多机调度问题;最后是云边协同,考虑设备和性能的不确定性,构建云边协同闭环调度框架。
在闭环调控优化方面,我们解决了多流关联建模难、性能闭环调控难和多约束耦合优化难的问题。通过非优工况下调控、分布式跨层优化和闭环调控优化,构建了云边端协同调控优化的整体框架。通过数字主线提供的信息,进行关联分析,得到各层次的性能指标,并实现跨层次的优化。
三、研发实践:原型系统构建与应用实践
本项目中的闭环调控优化系统不仅在实验室内成功实现了基础构建,同时也在某条实际生产线上进行了验证。通过这一实践,团队积累了宝贵的实验室建设经验。我们的目标是开发一个制造过程变化分析与优化平台,以过程性能的管控为主线,设定具体的过程性能指标体系。
在这一框架下,我们集成了性能指标、数据关联、性能分析、数据评估和性能闭环五大模块,并将这些模块按云、边、端进行分解。在端侧,主要考虑数据的可追溯性、系统仿真和工况模拟;在边侧,重点关注工序级性能评估、工艺优化和性能溯源;在云侧,重点关注以经济性能为核心的综合性能评估,包括能耗预测和性能退化预测等功能。
在具体功能模块上,我们研发了数据驱动的制造过程闭环控制分析与优化原型系统,构建了制造过程6维数字表征模型,突破了 多源异构数据交换、利用与溯源瓶颈,开发复杂时空数据基础建模、管理与容错汇聚技术,打造 面向工业互联网的 数据演化态势感知平台。构建 “工序-工艺-工况”协同的全景知识图谱,建立数据-模型虚实结合的动态交互模型,最终打造“数据-模型-知识”深度融合的数字主线。面向典型工艺流程,我们设计了几万余点数据驱动的流程演示模块,做到了全流程、多层级、多模态数据的实时在线回放,实现了产线流程关键工序的全景演示与I、II级基准工艺设定的广角透视。
另外,研发团队还进行了数据追溯工作,该模块的追溯是基于构建的“元模型”。依据时间、空间、属性、属性值等一系列集成数据,以钢卷号为载体,对运行状态信息与性能指标信息等进行时空变换,构建了与实体钢卷同步化的“数字钢卷”。同时,以钢卷号为唯一索引,梳理加热炉开始直到卷曲结束多工序的数据血缘关系,支持给定批次的设定值、过程运行状态测量值的时空追溯。基于时空数据,我们也针对不同需求,开发了一系列功能模块。如:数据摘要、数据增强、特征空间可视化等。致力于从数据关联的角度解析工况波动的原因、潜在影响范围、及传播效应。
在关联分析方面,研发团队以性能为主导,开发了性能管控平台,集成了关联分析、过程监测、故障数据、性能评估和综合评价系统。在闭环调度方面,通过结合炼钢、连铸、热轧和下游工序,研发团队实现整个过程的动态排程,并考虑了底层和中层的不确定性问题。通过云、边、端的协同机制,我们统一了控制系统平台,实现了底层控制性能优化、中层工艺优化和上层闭环调控优化。
尽管我们已取得了一定的进展,但仍需进一步验证和优化。例如,数据治理、工况感知、数据追溯、融合和退化评估等模块已在现场部署并取得初步成果,但后续还需进行更多验证和优化。在实际部署过程中,数据收集仍具有一定的困难性,尤其是实时数据、工艺数据和计划调度数据的整合工作。然而,一旦数据收集完成,系统部署便能顺利进行。
四、数智思考:新质生产力引领未来转型
通过本项目,研发团队对数字化,尤其是在新质生产力的引领下,进行了深入的思考。首先,本项目的目的是实现从数据主线、关联分析、闭环调控到闭环优化四位一体的控制分析与优化框架。整体而言,我们构建了一个从性能感知、过程认知到柔性调控、闭环优化的数字化系统。
尽管研发团队取得了一定的成果,但在实际应用过程中,依然面临模型不充分、工况不清晰、知识不完备、决策不智能等问题。未来,团队计划进一步深入推进项目,力求将流程驱动、数据驱动和知识驱动有机融合,推动智能驱动,实现自适应、智能认知、智能学习和自优化。
智能驱动的实现需要经历驱动的进化过程。从流程驱动来看,需要基于物理模型;从数据驱动来看,需要基于数据事实;从知识驱动来看,需要依赖人类智慧。因此,只有将物理模型、数据事实和人类智慧有机结合,才能真正实现制造过程的智能化。
*本文根据作者所作报告速记整理而成