Modular Hardware-in-loop Platform of Intelligent Algorithm Testing and Verification for Municipal Solid Waste Incineration
-
摘要: 城市固废焚烧(Municipal solid waste incineration, MSWI)过程因工业现场的安全要求和控制系统的封闭特性导致离线研究的各类智能算法难以在线验证. 此外, 已有的实验室仿真平台难以模拟领域专家基于多模态数据进行智能感知、认知、决策和控制的工业实际. 针对上述问题, 首先, 在综述现有面向工业过程的仿真平台研究现状和所面临挑战的基础上, 描述面向MSWI过程智能算法测试与验证平台的需求, 提出并构建由多模态历史数据驱动系统、安全隔离与优化控制系统和多入多出回路控制系统组成的模块化半实物平台. 然后, 在实验室环境中完成平台硬件搭建、工业软件开发、仿真功能实现和典型场景验证, 并移植部分模块至工业现场进行应用. 最后, 总结与展望模块化半实物平台的研究方向.Abstract: Due to the safety requirements of industrial sites and the closed characteristics of control systems, intelligent algorithms with off-line research mode are difficult to verify online in municipal solid waste incineration (MSWI) process. In addition, the existing laboratory simulation platform is difficult to simulate the industrial reality of domain experts＇ intelligent perception, cognition, decision-making and control based on multi-modal data. In view of the above problems, first, on the basis of summarizing the research status and challenge of the existing simulation platform for industrial process, the requirements of testing and verification platform for MSWI process are described. Furthermore, the modular hardware-in-loop platform for intelligent algorithm testing and verification is proposed and constructed, which is composed of multi-modal historical data-driven system, security isolation and optimal control system, and multi-input and multi-output loop control system. Then, the platform hardware construction, industrial software development, simulation function realization and typical scene verification are completed in the laboratory environment, and some modules are transplanted to the industrial site for application. Finally, the research direction of the modular hardware-in-loop platform is summaried and prospected.
-
城市固废(Municipal solid waste, MSW)高达8% ~ 10%的全球年增长率使得具有无害化、减量化和资源化等特点的MSW焚烧(MSW incineration, MSWI)技术成为目前世界各国处理“垃圾围城”困境的主要技术手段[1−2]. 作为典型流程工业[3−4], MSWI过程在实现所需能源自给自足的基础上, 可提供电能、热能等多种形式能源, 同时具有较低的环境污染排放风险[5−6]. 研究表明, MSWI技术的减质率、减容率和能量回收率可达到70%、90%和19%[7−8], 其在经济、环保等方面所呈现出的潜在价值已被发展中国家所认可[9]. 我国MSWI技术起步于1992年深圳引进日本三菱2台150 (吨/日)马丁炉排焚烧炉, 在经过“十二五”的着力推广和“十三五”的无废城市规划后, MSW处理能力占比(超过50%)已居世界首位[10]. 同时, MSWI过程在低碳、环保和可持续能源等领域均具有关键作用[11], 已成为新时期生态文明建设和循环经济体系中的托底工业[12].
MSWI过程具有多阶段、多因素和机理复杂等特性[13−14]. 运行经验表明, 采用“3T+E”的原则能够有效保证烟气中有害物质的分解和燃烧[15], 即炉膛温度(Furnace temperature, FT)大于850 ℃、烟气停留时间(Time)大于2 s、足够的烟气湍流强度(Turbulent)以及适当的过量空气系数(Excess air-coefficient). 在该原则下, 国外研究学者将主要操纵变量确定为MSW进料量、炉排速度和进风量, 主要被控变量确定为燃烧线长度、炉膛温度、烟气含氧量(Oxygen concentration, OC)和锅炉蒸汽流量(Boiler steam flow, BSF), 进而研发出适合自身国情的自动燃烧控制(Automatic combustion control, ACC)系统[2, 16−19], 但其能够长周期稳定运行的前提是具有稳定的MSW成分和热值. 基于世界银行的统计[20]、谷琳等[21]与Yamada等[22]提供的数据可知, 国外MSW源于分类后的可燃组分, 其热值波动范围较小. 相比较而言, 我国MSW分类政策和相应管理制度仍在逐步完善和推广中, 导致所收集MSW的组分具有不确定性强、热值低和波动性大等特点[2]. 因此, 国外ACC系统难以直接应用于我国MSWI过程的运行控制[23].
目前, 国内MSWI厂主要采用领域专家(即知识型工作者)凭借机理和经验认知对工况漂移现象进行判断, 针对多场景需求采用区别化手动操作规则的模式, 即具有智能自主行为的手动控制模式[24]. 该模式从本质上是依据结构化过程数据、非结构化图像与文本甚至语言交流等多模态数据判断场景需求后调整操纵变量, 其基础是对MSWI过程机理的掌握和经验的积累以及对工况漂移的认知[2]. 显然, 该模式在一定程度上存在专家精力有限性、经验差异性和控制主观性等一系列问题, 从而难以保证MSWI厂长期稳定运行, 进而影响减污降碳效率[25−26]. 由“生活垃圾焚烧发电厂自动监测数据公开平台”可知, 自2020年以来, 我国就已关闭了MSWI厂21家, 涉及焚烧炉50余台[2]. 因此, 十分需要将我国MSW特性和30余年的运行经验相结合, 研发具有自主知识产权的智能建模、控制与优化等算法, 进而形成具有行业特色的工业软件[27]. 然而, 工业现场对运行安全性的考虑以及分布式控制系统(Distributed control system, DCS)固有的封闭特性导致其难以与外部智能算法进行交互, 即不能对MSWI控制系统进行直接的数据采集和参数写入操作, 从而使得针对MSWI过程所研究的智能算法难以验证. 通常情况下, 离线研究的智能算法与工业过程的融合均需要经过工程初试验证和中试调试等多环节的测试与评估[2]. 因此, 智能算法测试与验证平台是实验室研究的相关理论与技术能够落地应用不可或缺的重要手段[28].
类似于MSWI过程的连续性, 流程工业通常具有机理复杂不清和涉及多种物理/化学反应的被控对象, 从而难以采用精确数学模型进行描述[29−30]. 与此同时, 生产过程会产生和分解有毒有害物质[31−32], 导致难以在实验室环境内构建实物平台[33]. 对此, Sahin和Bolat[34]提出DOPC (Distributed OLE for process control)概念, 利用仿真模型搭建实验平台; 翟廉飞等[35]提出由管理优化层、控制层和被控对象层组成的包括真实控制器与虚拟被控对象的制粉系统智能解耦仿真平台; 肖金壮等[36]提出利用Q8卡接入电阻炉进行计算机控制的简化仿真平台; 贾立和袁凯[37]提出利用软件模拟搭建间歇生产过程优化控制的仿真平台. 此外, 相关企业也对仿真平台进行了研究, 例如: 北京灵思创奇科技有限公司所提出的构建虚实结合的多功能工业过程控制实验装置, 特点是能够更换仿真模型, 覆盖液位控制、温度控制和虚拟仪表监测等各项实验内容, 既能满足实验室环境下使用, 也能应用于具有宽温、震动等特点的恶劣环境; 大风科技研发的SimuWorks大型科学计算与仿真支撑平台由仿真引擎、图形化建模工具、模块资源管理器、模块资源库和其他仿真功能软件组成, 能够用于大型科学计算、动态特性建模研究、仿真系统开发和优化设计与验证等. 上述平台并不足以满足具有高运行安全性、强现场相似性的基于多模态数据驱动的智能建模、控制和优化算法研究的需求. 除此之外, 不同的工业现场在难测参数检测、关键参数预测、智能化自主控制、运行指标优化等方面具有不同需求[38], 有必要研究具有模块化组合功能的同时适合实验室研究和工业现场验证的半实物平台. 本文认为, 实验室离线研究的智能算法应该先以某种形式逐步得到工业现场领域专家的认可, 之后才能实现落地应用. 因此, 首先需要采取具备安全隔离功能的数据采集和工艺参数反传方式以避免对生产端的运行安全造成影响; 其次, 使得离线开发的智能算法在实验室内就具有仿工业现场的测试与验证场景; 再者, 相关智能算法及对其进行承载的软硬件系统能够以原型机方式模块化快速移植至工业现场, 进而推进MSWI过程工业软件的落地应用.
本文的结构如图1所示.
综上所述, 本文首先描述MSWI过程对仿真平台的需求; 然后, 概述工业过程仿真平台目前的现状及其所面临的挑战性问题; 接着, 基于模块化理念构建由多模态历史数据驱动、安全隔离与优化控制和多入多出回路控制系统组成的面向智能建模、控制和优化算法测试与验证的模块化半实物平台; 再接着, 在实验室完成平台硬件搭建、工业软件开发、仿真功能实现、系统有效性验证和典型场景在线验证等一系列工作, 并将部分模块移植至实际现场进行应用; 最后, 展望所构建模块化半实物平台的未来研究方向.
1. 面向MSWI过程的需求描述
1.1 炉排炉型MSWI工艺流程
北京某MSWI厂的工艺流程如图2所示.
由图2可知, MSW由车辆运输, 经地磅称重后排入固废池, 经3 ~ 7天的生物发酵和脱水后, 固废池中的MSW由抓斗投入至料斗中; 然后, 进料器将MSW推至炉排, 经过干燥、燃烧、烧烬三个阶段, 燃烧过程为保证高温烟气中有害物质的充分分解和燃烧, 烟气温度应控制在850 ℃以上, 烟气应停留2 s以上和有足够的烟气湍流度; 之后, 高温烟气进入余热锅炉, 换热产生的高温蒸汽带动汽轮发电机组发电; 随后, 与消石灰和活性炭混合的烟气进入脱酸反应器, 发生中和反应, 吸附烟气中的二噁英(Dioxin, DXN)和重金属; 接着, 在袋式除尘器中去除烟气颗粒、中和反应物和活性炭吸附剂; 最后, 含有粉尘、CO、$ {{\rm{NO}}x} $、$ \rm{SO_2} $、HCl和DXN等其他物质的废气通过烟囱排入大气, 焚烧产生的灰渣通过捞渣机输送至渣坑后由车辆运输至指定地点进行填埋.
1.2 运行专家手动控制模式描述
国内MSWI厂多采用领域专家(即知识型工作者)手动操作模式[2]. 本质上, 该模式是基于ACC系统的控制逻辑, 结合我国MSWI过程存在的多不确定性因素和多场景需求的实际现状而归纳总结的经验模式, 其可简述为[2]: 机械抓斗操作工程师凭经验操作抓斗完成固废池分区整备以及固废混合与拆解, 确保发酵周期达标和入炉固废热值稳定, 依据料位视频监控画面凭经验控制投料频率以确保焚烧量; 运行工程师基于多模态信息预测火焰状态、燃烧线位置、炉膛温度场、烟气含氧量等被控变量的未来趋势, 凭经验对固废燃烧、余热交换和烟气净化等阶段的操纵变量进行设定. 包含执行机构、检测仪表等设备简图和操纵变量、被控变量、运行指标等工艺参数的手动控制示意图如图3所示.
图 3 MSWI过程领域专家手动控制示意图Fig. 3 Manual control schematic diagram of domain expert in MSWI process在图3中, 排放气体$ {\gamma _{{\rm{G3}}}} $, 炉排温度$ y_{{\rm{Grate}}}^{{\rm{Tem}}} $, 炉排速度$ {w_{{\rm{Speed}}}} $和挡板开度$ {w_{{\rm{Baffle}}}} $向量可分别表示为
$$ {\gamma _{{\rm{G3}}}} = \left[ {{\gamma _{{\rm{NO}}x}},\; {\gamma _{{\rm{CO}}}},\; {\gamma _{{\rm{CO_2}}}},\; {\gamma _{{\rm{Acid}}}}} \right] $$ (1) $$\begin{split} y_{{\rm{Grate}}}^{{\rm{Tem}}} =\;& \Big[ y_{{\rm{LI,\; LO,\; RI,\; RO}}}^{{\rm{Dry}}},\; y_{{\rm{LI,\; LI,\; RI,\; RO}}}^{{\rm{Burn1}}},\; \\ &y_{{\rm{LI,\; LO,\; RI,\; RO}}}^{{\rm{Burn2}}},\; y_{{\rm{LI,\; RI}}}^{{\rm{BurnOut}}} \Big]\end{split} $$ (2) $$ \begin{split}{w_{{\rm{Speed}}}} = \;&\Big[ w_{{\rm{LI,\; LO,\; RI,\; RO}}}^{{\rm{Feeder}}},\; w_{{\rm{LI,\; LO,\; RI,\; RO}}}^{{\rm{Dry}}},\; \\ &w_{{\rm{LI,\; LO,\; RI,\; RO}}}^{{\rm{Burn1}}},\; w_{{\rm{LI,\; LO,\; RI,\; RO}}}^{{\rm{Burn2}}},\; w_{{\rm{LI,\; RI}}}^{{\rm{BurnOut}}} \Big]\end{split} $$ (3) $$ \begin{split}{w_{{\rm{Baffle}}}} =\;& \Big[ w_{{\rm{L,\; R}}}^{{\rm{Dry1}}},\; w_{{\rm{L,\; R}}}^{{\rm{Dry2}}},\; w_{{\rm{L,\; R}}}^{{\text{Burn1-1}}},\; w_{{\rm{L,\; R}}}^{{\text{Burn1-2}}},\; \\& w_{{\rm{L,\; R}}}^{{\text{Burn2-1}}},\; w_{{\rm{L,\; R}}}^{{\text{Burn2-2}}},\; w_{{\rm{L,\; R}}}^{{\rm{BurnOut}}} \Big] \end{split}$$ (4) 其中, $ {\gamma _{{\rm{NO}}x}} $, $ {\gamma _{{\rm{CO}}}} $, $ {\gamma _{{\rm{CO_2}}}} $和$ {\gamma _{{\rm{Acid}}}} $分别表示$ {{\rm{NO}}x} $、CO、$ \rm{CO_2} $和酸性气体排放浓度.
MSWI过程的操纵变量集$ {u_{{\rm{MSWI}}}} $分为炉内燃烧过程(Furnace combustion process, FCP)和烟气处理过程(Flue gas clean process, FGCP)两部分, 可表示为
$$ {u_{{\rm{MSWI}}}} = \left[ {{u_{{\rm{FCP}}}},\; {u_{{\rm{FGCP}}}}} \right] $$ (5) $$\begin{split} {u_{{\rm{FCP}}}} =\;& \Big[ u_{{\rm{LI,\; LO,\; RI,\; RO}}}^{{\rm{Feeder}}},\; u_{{\rm{LI,\; LO,\; RI,\; RO}}}^{{\rm{Dry}}},\; \\&u_{{\rm{LI,\; LO,\; RI,\; RO}}}^{{\rm{Burn1}}},\; u_{{\rm{LI,\; LO,\; RI,\; RO}}}^{{\rm{Burn2}}},\; \\& u_{{\rm{LI,\; RI}}}^{{\rm{BurnOut}}},\; u_{{\rm{L,\; R}}}^{{\rm{Dry1}}},\; u_{{\rm{L,\; R}}}^{{\rm{Dry2}}},\; u_{{\rm{L,\; R}}}^{{\text{Burn1-1}}},\; \\& u_{{\rm{L,\; R}}}^{{\text{Burn1-2}}},\; u_{{\rm{L,\; R}}}^{{\text{Burn2-1}}},\; u_{{\rm{L,\; R}}}^{{\text{Burn2-2}}},\; u_{{\rm{L,\; R}}}^{{\rm{BurnOut}}},\;\\& {u_{{\rm{PriAir}}}},\; {u_{{\rm{SecAir}}}},\; {u_{{\rm{N}}{{\rm{H}}_{\rm{3}}} \cdot {{\rm{H}}_{\rm{2}}}{\rm{O}}}} \Big]\end{split} $$ (6) $$ {u_{{\rm{FGCP}}}} = \left[ {{u_{\rm{C}}},\; {u_{{\rm{Ca(OH}}{{\rm{)}}_{\rm{2}}}}}} \right] $$ (7) 进一步, 领域专家的决策过程$ {f_{{\rm{expert}}}}\left({\rm{\cdot}} \right) $可以描述为
$$ \begin{split} &\Big[ {w_{{\rm{Speed}}}},\; {w_{{\rm{Baffle}}}},\; {w_{{\rm{PriAir}}}},\; {w_{{\rm{SecAir}}}},\;{w_{\rm{C}}},\\ &\qquad{w_{{\rm{Ca(OH}}{{\rm{)}}_{\rm{2}}}}},\;{w_{{\rm{N}}{{\rm{H}}_{\rm{3}}} \cdot {{\rm{H}}_{\rm{2}}}{\rm{O}}}},\;{u_{{\rm{FCP}}}},\;{u_{{\rm{FGCP}}}} \Big] =\\ &\qquad{f_{{\rm{expert}}}}\Big( {r_{\max }},\; {r^*},\; {r_{\min }},\; {y_{{\rm{FT}}}},\; {y_{{\rm{G1OX}}}},\; {y_{{\rm{BSF}}}},\; \\ &\qquad{y_{{\rm{PriAir}}}},\; {y_{{\rm{SecAir}}}},\; {\gamma _{{\rm{G3}}}},\; {y_{{\rm{G3OX}}}},\; y_{{\rm{Grate}}}^{{\rm{Tem}}},\; \\&\qquad y_{{\rm{Statu}}}^{},\; {{\Upsilon}} \Big)\end{split} $$ (8) 其中, $ {r_{\max }} $和$ {r_{\min }} $分别表示被控变量设定值的上限和下限; $r^*$表示由领域专家基于多模态信息和专家经验进行决策的被控变量设定值; $ y_{{\rm{Statu}}}^{} $表示巡检人员实时反馈的状态信息; $ {{\Upsilon}} $表示火焰视频信息.
显然, 受限于领域专家精力的有限性和经验的差异性, 该模式难以实现MSWI过程的长期安全稳定运行和高效率燃烧, 但是该模式下产生的多模态运行数据中所蕴含的焚烧机理知识和丰富的领域专家经验是研究适合我国国情的MSWI过程智能算法的基础.
1.3 实现MSWI智慧运行面临的难点
在现阶段手动控制模式中, 领域专家的作用体现在: 由企业总工程师根据入库MSW信息, 确定当日运行指标; 抓斗工程师和巡检工程师依照经验确定入炉MSW性质和运行设备状况; 运行操作工程师依经验推理估计“最佳”运行参数. 由此可知, 手动控制模式下MSWI厂对领域工程师(即知识型工作者)具有高度依赖性. 本文认为, 针对我国MSW的特性, 研究具有本土特色的智能优化控制需要解决以下难点[2]:
1)燃烧过程被控对象建模. 通常, 精准构建被控对象模型是进行工业过程智能控制研究的基础. 建立燃烧过程被控对象模型的关键要素包含: 准确的燃烧机理特性描述; 清晰的燃烧边界条件波动范围; 完备的燃烧过程多工况数据. 燃烧机理复杂以及领域专家经验差异性等问题导致实际过程的工况复杂多变, 难以构建精确机理模型或完备数据驱动模型.
2)燃烧阶段自组织智能控制. 其核心是如何通过“布风布料”操作确保稳定燃烧, 主要被控变量为烟气含氧量、炉膛温度、锅炉蒸汽流量和燃烧线等. 除了作为强干扰因素的MSW组分多变性和热值不确定性外, 长周期不间断的运行特性和设备的未知磨损与不定期维护等也是干扰因素之一. 此外, 作为重要被控变量的燃烧线只能依据领域专家经验进行估计的缺点也极大地制约着燃烧阶段控制水平的智能化. 操纵变量之间、被控量之间、操纵变量与被控量之间还存在强耦合关联性和长时滞特性. 这些因素均需要控制器具有自组织结构和参数以抑制上述干扰的能力.
3) MSWI运行指标的实时检测. 相关指标主要包括环保指标(污染物和温室气体排放浓度)、产品指标(飞灰产量、炉渣热灼减率、燃烧效率和有机物脱除率)和经济指标(MSW处理费、上网发电量). 除常规污染物和温室气体可采用烟气排放连续监测系统(Continuous emission monitoring system, CEMS) 在线实时检测外, 其他运行指标受限于技术或成本原因在目前阶段均难以进行在线检测, 只能在实验室进行离线化验, 其所带来的长时滞性难以支撑MSWI过程的运行优化; 采用这些数据构建软测量模型面临着标记样本稀疏、不均衡且期望分布未知等问题.
4) MSWI运行状态感知和故障诊断难. 目前基于人工认知经验的故障诊断效率低且易出现误报和漏报. 除上述蕴含在工况频繁变化的过程数据中的知识难以提取和量化外, 领域专家对燃烧火焰所表征知识的提取机制更加难以建模. 针对进料组分多变性和热值波动不确定性, 以及设备未知磨损、不定期维护等多种因素导致的动态时变性, 难以实现仿优秀领域专家的MSWI过程运行状态智能感知和故障诊断.
5) MSWI全流程协同优化运行难. 该过程的优化运行目标是“减量、低排、创收”, 即提高MSW的减量化比例(减量)、降低污染物的排放浓度(低排) 和增加废物转化为能源(Waste to energy, WTE) 的经济效益(创收), 这些运行目标间除相互冲突与约束外, 还具有动态时变和多时空尺度等特性. 此外, MSW来源的多样性和成分的复杂性、MSWI过程运行条件的多变性和工况波动的频繁性等因素也增加了全流程协同优化运行的难度.
6)智能建模、控制和优化算法验证难. 面向实际工业过程所研制的智能优化控制技术在工程应用前需进行验证测试, 利用高可信评估技术对预期效果和风险系数进行评估. MSWI过程固有的多变量、强耦合、强非线性和不确定性等特点, 再加之工业现场对运行安全性、信息保密性和企业经济性等需求, 导致新研制的智能优化控制技术难以在实际过程中进行调试和试验. 以真实运行的MSWI过程为模拟对象, 构建能够集多物理量、多时间尺度、多源多模态数据且能够相互安全隔离的仿真验证平台是首先需要解决的问题, 也是本文的主要关注点.
1.4 实验室研究对半实物平台功能的需求
为保证实验室环境中调试的智能算法具备良好的移植性和可靠性, 所建立的MSWI智能算法测试与验证模块化半实物平台应满足以下需求:
1)与实际工业现场控制层级结构和专家认知模式的相似性. 在控制硬件结构、通信方式和控制层级上能最大限度地贴近实际工业现场, 这有利于提高智能算法测试与验证的有效性和可靠性, 便于进行模块化设计理念的实现和离线研究算法以及工业软件的可移植. 实际工业现场中, 领域专家基于多模态数据凭借经验实现对MSWI过程的稳定控制. 现有平台研究多是针对结构化过程数据进行相关智能算法的测试与验证, 违背了领域专家的感知、认知、决策和控制的操作模式. 同时, 需根据MSWI过程多模态数据传输差异性和多时间尺度特性开发相应的采集方式并实现数据同步, 以支撑多模态数据驱动智能算法研究. 因此, 需要结合不同MSWI过程工业现场的特点和考虑多模态数据的采集与传输方式, 仿领域专家的感知、认知、决策和控制模式, 搭建多模态数据驱动的具有层次化、模块化和可移植等功能的半实物平台.
2)瞄准未来发展的多回路智能控制的可验证性和可扩展性. MSWI过程具有多变量、多回路、强非线性和强耦合性特点, 实现其在多需求场景下的多回路自组织控制一直是工业现场未能解决的难点. 现有研究多针对稳态工况设计单/双回路进行智能算法研究, 并且仅基于MATLAB、Python等软件仿真实现, 未考虑智能算法的可移植性. 因此, 需基于MSWI过程、领域专家经验和机理认知, 设计具有可验证功能且支撑落地应用的多回路智能控制算法验证环境, 以支撑未来进行先进智能控制算法研究的可扩展性.
3)能够模拟在实际工业现场具有可应用性和可移植功能的隔离式数据交换模式. 构建半实物平台的目的是实现智能算法的测试与验证, 以支撑其落地应用. 考虑到实际工业现场的安全性和控制系统的封闭特性, 实现安全隔离的数据传输是进行在线验证的关键. 因此, 仿真平台应该具备模拟实际工业现场中可实现的隔离式数据采集的功能, 同时还应具备将难测参数检测值、关键工艺参数预测值、被控变量设定关键值、控制器参数、操纵变量输出值等参数传输至现场的功能, 这都需要基于实际现场的数据传输方式搭建具有安全隔离数据交互模式的半实物仿真平台, 进而简化智能算法在现场的验证与移植过程, 避免智能算法工业软件的二次开发.
1.5 工业现场应用对半实物平台功能的需求
由于我国MSW的复杂性导致国外引进的ACC系统难以有效运行, 领域专家仅能凭借专家经验感知认知运行工况的动态变化, 从而导致实际MSWI过程存在不同程度的随机性和任意性[2]. 为解决上述因领域专家经验差异性而导致的难以长时间安全、稳定、高效运行的问题, 面向实际工业现场需求构建的智能算法测试与验证半实物平台应具备以下功能:
1)数据传输的安全隔离性. 为保证生产连续性和安全性, 实际工业现场禁止非企业内部设备接入其控制系统进行数据采集与参数下发等操作. 然而, 现有的智能算法研究多数基于离线过程数据进行, 缺乏有效的实时在线数据和反馈数据支撑, 导致其时效性和有效性均难以保证. 因此, 为解决数据采集过程中对实际MSWI过程可能造成的干扰以及智能算法在线验证时因随机性、安全性等因素造成的适用性问题, 还需具有基于安全隔离模式的数据交互功能.
2)燃烧状态的定性识别和燃烧线的量化检测需求. 火焰视频蕴含能够表征MSWI运行状态的重要信息, 合适的燃烧线位置不仅能够最小化污染物排放浓度, 同时还能最大化MSWI厂经济效益. 然而, 由于现有检测设备的缺陷以及相关研究的匮乏, 从而导致实际工业现场中仅能依据领域专家凭经验主观认知描述燃烧状态和定性判断火焰燃烧线位置. 因此, 需具有火焰燃烧状态定性识别和燃烧线定量检测的功能, 以弥补人工经验感知引起的认知差异.
3)常规污染物的多步预测. MSWI厂虽利用烟气CEMS对尾气排放浓度进行在线监测, 但由于MSWI过程具备长时滞性, 除考虑CEMS因长周期校准机制所引起的测量误差外, 领域专家需依据自身经验预测这些常规污染物和未来时段内的变化以采取相应措施. 因此, 需具有对常规污染物(尤其是能够表征燃烧状态的CO和$ \rm{CO_2} $排放浓度)的多步预测功能, 为领域专家制定手动操作策略乃至后续实现预测控制提供指导.
4)难测污染物的实时检测. 二噁英作为MSWI过程的关键污染排放物, 是导致焚烧建厂存在“邻避效应”的关键. 然而, 由于二噁英的复杂性和现有检测设备的局限性, 难以对其进行实时检测, 目前仅能依靠耗时较长的实验室采样化验和昂贵的关联物取样化验等方式进行[5]. 显然, 上述方式难以对二噁英排放浓度实现有效的实时监测, 不能支撑有效的反馈控制. 因此, 需具有针对MSWI过程类似二噁英的难测污染物的实时检测功能, 进而为实现污染减排优化提供支撑.
5)被控变量设定值和操纵变量输出值的优化. MSWI的关键被控变量诸如炉膛温度、烟气含氧量、锅炉蒸汽流量、燃烧线位置等, 在国外ACC系统中多依据生产需求和当前运行工况进行设定. 显然, 更为合理的方式是根据企业经济目标、污染排放指标、热酌减率等质量指标, 采用智能算法优化设定. 此外, 在目前国内MSWI厂多基于人工操作模式设定操纵变量输出值的情况下, 有必要在综合考虑多类运行指标和关键被控变量的前提下研究相应的智能优化方法. 因此, 需具有针对被控变量设定值和操纵变量输出值的智能优化功能, 为实现全流程智慧化运行提供支撑.
综上可知, 需要构建能够同时满足实验室智能算法测试与验证和工业现场应用的半实物平台, 以满足类似MSWI的工业过程需求. 因此, 有必要对该类平台的研究现状和挑战进行综述, 以为其设计与实现提供支撑.
2. 工业过程测试与验证平台的研究现状及挑战
2.1 研究现状
从控制角度而言, 工业系统由控制系统和被控对象两大部分组成[39]. 据此, 依据仿真平台中上述两部分的组成属性, 本文将其分为四类: 真实控制系统与真实被控对象(“真−真”)类、真实控制系统与虚拟被控对象(“真−虚”)类、虚拟控制系统与真实被控对象(“虚−真”)类和虚拟控制系统与虚拟被控对象(“虚−虚”)类. 下面分别予以综述.
2.1.1 “真−真”类平台
文献[40]依据化学水处理工艺流程建立等比例缩小物理模型, 采用包括硬件组态、逻辑组态和人机接口等软件系统, 基于阀门故障问题验证了该“真−真”平台的有效性, 结构如图4所示.
由图4可知, 操作站和监控站通过工业以太网与PLC通讯, 分别运行WinCC和Step7实现对控制系统的操作和监控; 作为控制器的S7-300 PLC通过PROFIBUS-DP实现对实际物理过程的控制. 然而, 上述“真−真”类平台仅能仿真简单过程, 针对类似MSWI过程的典型流程工业因其工艺复杂、反应剧烈且存在类型不清、排放污染且毒性强等原因难以在实验室环境中建立物理对象.
2.1.2 “真−虚”类平台
在文献[35]后, 文献[41]又提出了由对象模型计算机、仪表与执行机构虚拟装置、PLC、监控计算机和优化计算机等组成的“真−虚”平台, 结构如图5所示.
由图5可知, 优化监控层利用以太网以OPC (OLE for process control)方式实现监控计算机与优化计算机之间的数据交换; 回路控制层由真实PLC和虚拟仪表与执行机构组成, 二者之间利用电缆和I/O板卡传递标准的4 ~ 20 mA工业信号; 虚拟对象层中对象模型计算机用MATLAB构建后台模型模拟层流冷却对象, 用组态软件编写前台界面设定虚拟被控对象模型的特性参数.
现有研究中, “真−虚”类平台结构中的控制系统采用真实的PLC/DCS、执行机构与仪表装置采用软硬件相结合的方式进行模拟, 被控对象采用智能建模算法进行模拟. 该结构不仅保证在实验室环境中研究智能控制与优化算法的测试与验证的可移植性, 又确保被控对象在模拟过程中的安全性.
2.1.3 “虚−真”类平台
文献[42]提出利用MATLAB搭建虚拟控制器, 通过接口设备连接至真实电加热水箱的“虚−真”平台, 结构如图6所示.
由图6可知, 虚拟控制计算机中采用PID算法对真实电加热水箱进行温度控制, 优势在于能够在线优化PID参数和调用其他智能控制算法. 类似地, 文献[43]将风电机组等真实实验装置通过接口设备连接至虚拟控制计算机, 建立RT-LAB仿真平台.
由上可知, “虚−真”类平台仅能面向简单过程进行模拟仿真, 此外采用MATLAB软件模拟的控制器难以直接移植至实际PLC/DCS中. 与“真−虚”类平台相比, 此类平台采用真实的物理设备搭建被控对象模型, 仅适用于对简单安全的被控对象进行模拟, 难以实现类似MSWI的复杂工业过程被控对象的搭建.
2.1.4 “虚−虚”类平台
文献[37]利用OPC技术建立了由计算机和服务器组成的间歇生产过程优化控制“虚−虚”仿真平台, 结构如图7所示.
由图7可知, 优化控制计算机基于MATLAB利用不同算法实现虚拟对象模型的控制, 优化控制计算机与对象模型计算机之间通过以太网和OPC技术进行数据传输.
由上可知, “虚−虚”类平台的缺陷相比于其他3类平台较为明显, 即, 其仅可用于智能算法的测试, 不具备模块化和可移植特性, 对实际工业过程的指导作用较小, 同时也难以实现类似真实场景的算法验证.
面向流程工业的上述各类平台的研究现状如表1所示.
综上所述, “真−虚”类平台结构是目前实验室环境中进行典型流程工业模拟仿真的最优方案. 从连接的角度看, 文献[44]基于计算资源合理分配的思想提出云仿真模式, 但仍存在通信不确定性和安全性等问题; 从算法验证的角度看, 文献[41−43, 45−53]基于先进智能控制理论提出优化控制算法, 仿真平台为该类算法的有效性进行离线验证. 但是, 面向MSWI过程, 同时考虑多模态数据的应用性、数据传输的安全性、回路控制的有效性和具有模块化架构且具有可移植性等功能需求的智能算法测试与验证模块化半实物平台的研究还未见报道.
表 1 各类平台研究现状Table 1 Research status of different type platforms平台类型 序号 工业过程类别 单位 年份 文献 特点描述 “真−真” 1 化学水处理工艺流程 华北电力大学 2010年 [40] 作为被控对象的化学水处理系统, 由阳离子、阴离子和混合离子交换器以及除碳器、中间水泵、中间水箱、凝结水换热器、其他辅助设备组成, 并设计电路板控制阀门状态 “真−虚” 2 炼焦生产过程 中南大学 2008年 [45] 以大型钢铁企业焦化厂优化控制系统的机、焦侧火道温度实际运行数据与本系统上模拟运行数据进行比较, 表明了温度稳定良好 3 磨矿生产过程 东北大学 2008年 [46] 以泵池液位和旋流给矿量的控制为例给出控制效果 4 磨矿流程 清华大学 2008年 [47] 基于磨矿分级过程动态模型, 能够正确反映磨机入口给矿、给水等过程控制量变化后的粒度指标动态趋势、重要工艺参数与状态变量(磨矿浓度、分级机溢流浓度、旋流器给矿浓度等)的动态趋势 5 强磁选过程 东北大学 2008年 [48] 基础回路控制系统包括6个独立回路, 能够优化控制精矿品位和尾矿品位在目标范围内 6 蒸发过程 东北大学 2009年 [49] 采用非线性自适应解耦PID控制算法对强制循环蒸发系统进行有效控制 7 电厂烟气脱硫系统 高斯图文印刷系统
(中国)有限公司2010年 [50] 国产自主品牌的DCS分散控制系统, 用于运行人员培训以及对整个脱硫系统设备运行进行分析 8 电熔镁炉 东北大学 2011年 [51] 基于规则推理与案例推理相结合进行智能优化控制实验 9 铝酸钠叶滤过程 东北大学 2011年 [52] 进行叶滤机和阀门的逻辑启停、联锁控制以及叶滤机入口流量、压力等回路控制 10 竖炉焙烧过程 东北大学 2012年 [53] 基于正常和异常工况进行运行优化控制实验, 所采用优化控制方法包括控制回路预设定、前馈、反馈补偿、故障诊断、自愈控制及磁选管回收率软测量等 11 电厂锅炉控制系统 云南大学 2012年 [54] 基于模糊神经网络控制算法进行锅炉出口蒸汽压力实验, 被控对象模型为三入三出传递函数矩阵 12 烧结生产过程 中南大学 2012年 [44] 基于物理/虚拟资源建立云仿真平台, 利用接口层提供系统验证与调试环境, 实现料层厚度解耦控制 13 甲醇生产过程/浮式储油卸油装置 天津理工大学 2014年 [55] 用于模型预测控制、控制系统性能评价与故障诊断等, 为先进过程控制研究提供实施与验证环境 14 黄铜矿浮选过程 东北大学 2014年 [56] 基于回路控制层和优化控制层双网运行控制算法进行不确定丢包情况下的优化控制实验 15 自然循环锅炉系统 云南大学 2016年 [57] 用于顺序逻辑控制和控制策略等模块的调试与验证 16 氧化铝生料浆配料过程 沈阳镁铝设计研究院
有限公司2017年 [58] 结合了PowerFlex系列变频器, 用于控制系统的调试与开发 17 电厂自动加药系统 长沙理工大学 2018年 [59] 用于现场参数的调试与整定, 炉水模型由Simulink搭建 “虚−真” 18 电加热水箱 华北电力大学 2017年 [42] 真实对象为电加热水箱及其管道回路, 控制器由MATLAB实现, 控制器参数可在线调试 19 风电机组 沈阳工业大学 2020年 [43] 用于教学实验, 能够基于此平台分析不同被控对象特性 “虚−虚” 20 间歇生产过程 上海大学 2011年 [37] 结合MATLAB和WinCC实现, 采用微分形式的机理模型 2.2 面临挑战
针对类似于MSWI的复杂工业过程, 构建能够同时用于实验室和工业现场的智能算法测试与验证模块化半实物平台, 目前来看还存在如下挑战:
1)能够模拟领域专家运用多模态数据进行感知、认知、决策和控制, 由多模态历史数据同步驱动的智能算法测试与验证平台. 在实际MSWI过程中, 领域专家依据过程数据、火焰视频、班组日志和巡检语音汇报等多模态信息智能自主地进行决策和采取相应的控制动作, 从而实现生产过程的安全、稳定与高效运行. 然而, 现有仿真平台多采用简单的结构化过程数据进行智能算法研究, 忽视了对生产过程多模态数据的综合表征和运用. 同时, 由于在采集方式和时间尺度上的差异性, 在应用多模态数据进行智能算法研究前需耗费大量精力进行同步以保证智能模型的有效性. 如何实现离线多模态历史数据仿工业现场的近实时再驱动以及多模态数据驱动智能算法的近工程化测试与验证是半实物仿真平台研究的挑战之一.
2)能够与实际工业现场进行对接的具有双向安全隔离机制的智能算法测试与验证平台. 实际工业现场的安全性要求和PLC/DCS系统的封闭特性导致外部设备难以直接接入, 从而造成智能算法研究缺乏实时有效的数据支撑, 难以对离线开发的智能算法移植至工业现场进行在线测试与验证. 如何在不干扰实际工业现场安全稳定运行的前提下, 实现多模态数据的实时采集和智能算法的在线验证是半实物仿真平台研究面临的最大挑战. 尤其是后者, 如何保证离线智能算法所获得的包括难测参数检测值、被控变量优化设定值、控制器参数、操纵变量输出值等在内的工艺参数安全有效地传递至生产端, 如何逐渐获得现场领域专家对智能算法的认可, 进而确保现场运行安全是必须在仿真平台设计阶段关注的问题.
3)能够便于承载离线研发智能算法的工业软件移植至实际现场的模块化易移植半实物仿真平台. 现有仿真平台在搭建过程中未考虑模块化可移植设计, 导致各部分耦合过于紧密而难以分割, 表面上看似节约设备成本, 实际上却仅能支撑在实验室环境中实现智能算法的测试与验证, 从而导致在工业现场进行应用时仍需要二次开发验证环境, 阻碍了具有自主知识产权的工业软件的发展进程. 如何实现半实物仿真平台的模块化设计和可移植化应用是目前仿真平台研究的挑战所在, 也是智能算法能否快速落地应用的关键.
综上所述, 有必要对MSWI这一典型复杂的流程工业过程, 设计出能够在实验室内进行智能算法测试与验证且便于移植至工业现场的模块化半实物平台.
3. 模块化半实物平台的设计与实现
3.1 功能设计
考虑在实际工业现场进行功能验证和软硬件移植的前提下, 基于前文所述, 所设计的模块化半实物平台具有如下功能:
1)模拟领域专家结合过程数据和火焰视频认知关键工艺参数变化趋势的实际场景, 为多模态数据驱动建模提供工程化验证平台, 实现多模态数据的匹配与同步及降低其预处理难度;
2)利用安全隔离装置实现数据的单向传输, 为智能算法既提供正向采集的数据源支撑又提供反向传输的优化工艺参数的工程化验证环境, 避免数据交互对生产端的干扰与影响, 即无扰采集与传输;
3)采用与实际工业现场相同的控制层级结构, 利用软硬件模拟执行机构和仪表装置, 实现多入多出回路控制的工程化验证;
4)采用与工业现场相同的信号多类型传递方式模拟数据传输过程中可能存在的问题, 即, 利用OPC协议传输过程数据, 利用同轴电缆结合视频采集卡获取火焰图像;
5)为保证所开发的软件和模块能够直接与实际工业现场进行对接, 平台中所开发的软硬件具有较强的可移植性和复用率.
3.2 结构设计
3.2.1 总体结构
从功能分块的视角看, 所设计的模块化半实物平台由多模态历史数据驱动、安全隔离与优化控制、多入多出回路控制等系统以及计算机网络和数据库组成, 如图8所示.
图 8 功能分块视角的模块化半实物平台结构Fig. 8 Structure of modular hardware-in-loop platform in view of function partition由图8可知:
1)多模态历史数据驱动系统: 由多模态历史数据同步发布模块、多模态数据采集模块和多模态数据驱动建模模块组成. 其中, 多模态历史数据同步发布模块包含网络时间同步服务器、历史左/右炉排火焰图像发布计算机和历史过程数据发布计算机; 多模态数据驱动建模模块包含难测参数预测计算机、关键工艺参数预测计算机、燃烧线状态识别计算机和燃烧线状态量化计算机.
2)安全隔离与优化控制系统: 由数据采集正向隔离模块、运行优化模块和运行参数反向传输模块组成. 其中, 运行优化模块包含需采用的多台本地优化机和远程云计算服务器.
3)多入多出回路控制系统: 由运行参数辅助决策模块、过程监控模块、回路控制模块和虚拟控制对象模块组成. 其中, 运行参数辅助决策模块包含运行参数反向接收服务器和运行参数OCR识别计算机; 虚拟控制对象模块包含虚拟执行机构计算机、虚拟对象计算机和虚拟仪表装置计算机.
4)计算机网络: 由网段不同的外网端和内网端组成. 其中, 外网端利用单向采集传输的过程数据和火焰图像进行智能算法测试与验证研究; 内网端模拟工业现场, 主要包含相关数据采集与内部数据传输功能.
5)数据库: 保存平台运行过程中的各类过程数据与火焰视频和图像.
从模块化组成和同时适用于实验室与工业现场的视角看, 所设计的半实物平台包括如图9所示的13个模块. 通过这些模块的灵活组合可实现能够用于实验室的多模态历史数据驱动、安全隔离与优化控制、多入多出回路控制等功能, 以及可以移植至现场的数据采集与工艺参数建模、辅助决策与运行优化等功能.
图 9 实验室与工业现场均适用视角的模块化半实物平台结构Fig. 9 Structure of modular hardware-in-loop platform in view of application in laboratory and industrial site在图9中, 连接各个模块的虚线表示实验室所独有的连接方式, 实线表示实验室和工业现场均具有的连接方式, 粗框表示实际MSWI过程的组成及相关系统. 其中, M9-运行参数辅助决策模块在实验室和工业现场应用时存在着差异性. 此外, 基于图9中的13个模块所能够实现的子系统包含但不受限于前文所提及的5个系统.
3.2.2 多模态历史数据驱动系统结构
基于北京某MSWI厂, 描述领域专家借助多模态信息进行感知认知的过程, 如图10左侧所示.
图 10 领域专家感知认知过程与多模态历史数据驱动系统结构Fig. 10 Perceptual cognitive process of domain experts and structure of multi-modal historical data-driven system如图10左侧所示, 领域专家根据过程数据、火焰视频等多模态数据所蕴含的信息, 监视预警难测参数(如DXN)、预测关键工艺参数、识别燃烧线状态与量化燃烧线位置, 并依据机理认知和累积经验进行相关操作, 从而保证MSWI过程安全、稳定、高效运行. 如, 若火焰视频中出现燃烧线后移, 同时炉膛温度处于临界值, 领域专家会依据自身专家经验预测FT变化趋势后给出适当的“布风布料”操纵变量值; 同时, 保证其他诸如CO、$ {{\rm{NO}}x} $等运行指标以及诸如烟气含氧量、锅炉蒸汽流量等被控变量的变化处于稳定范围内. 显然, 烟气排放指标、被控变量、操纵变量等参数之间的耦合关系难以描述. 构建能够在仿工业现场环境下进行验证的多模态数据驱动模型是非常必要的.
基于上述对领域专家感知认知过程的抽象化描述, 提出由多模态历史数据同步发布模块、多模态数据采集模块和多模态数据驱动建模模块组成的多模态历史数据驱动系统, 结构如图10右侧所示.
1)多模态历史数据同步发布模块由网络时间同步服务器、历史过程数据发布计算机、历史左/右炉排火焰图像发布计算机组成. 首先, 将实际工业现场中同一时间采集得到的过程数据与火焰视频分别存储至上述计算机中; 接着, 利用网络时间同步服务器对历史过程数据发布计算机、历史左/右炉排火焰图像发布计算机的系统时间进行同步; 最后, 设置多模态历史数据发布时间以实现多模态数据的同步发布.
2)多模态数据采集模块, 具备历史数据实时接收功能和火焰图像实时采集功能:
a)历史数据实时接收功能: 利用OPC协议接收历史过程数据发布计算机中产生的历史数据, 该过程可表示为
$$ D = {f_{{\rm{Data}}}}({D_{{\rm{Pre}}}},\; {T_{{\rm{Pub}}}},\; T_{{\rm{Get}}}^{{\rm{Data}}},\; IP) $$ (9) 其中, $ D $表示实时接收的过程数据; $ {f_{{\rm{Data}}}}(\cdot) $表示历史数据实时接收过程; $ {D_{{\rm{Pre}}}} $表示当前发布的过程数据; $ {T_{{\rm{Pub}}}} $表示数据发布时间; $ T_{{\rm{Get}}}^{{\rm{Data}}} $表示接收时间间隔; IP表示网口IP地址.
b)火焰图像实时采集功能: 结合视频采集卡, 通过摄像机实时拍摄历史左/右炉排火焰图像发布计算机中产生的火焰视频实现采集, 该过程可表示为
$$ \begin{split}\left[ {{P_{\rm{L}}},\; {P_{\rm{R}}}} \right] =\;& {f_{{\rm{Fire}}}}\big( P_{{\rm{Pre}}}^{\rm{L}},\; P_{{\rm{Pre}}}^{\rm{R}},\; {T_{{\rm{Pub}}}},\; \\ &T_{{\rm{Get}}}^{{\rm{Fire}}},\; PORT \big)\end{split} $$ (10) 其中, $ {P_{\rm{L}}} $和$ {P_{\rm{R}}} $表示实时采集的左炉排和右炉排火焰视频图像; $ {f_{{\rm{Fire}}}} (\cdot)$表示火焰实时采集过程; $ P_{{\rm{Pre}}}^{\rm{L}} $和$ P_{{\rm{Pre}}}^{\rm{R}} $分别表示历史左/右炉排火焰图像发布计算机当前发布的火焰视频图像; $ T_{{\rm{Get}}}^{{\rm{Fire}}} $表示采集时间间隔; $ PORT $表示采集端口.
3)多模态数据驱动建模模块, 由难测参数检测与预警计算机、关键工艺参数预测计算机、燃烧线状态识别计算机和燃烧线量化计算机组成, 将同步采集得到的多模态数据作为模型输入, 该过程可表示为
$$\begin{split} \left[ {{{\hat y}_1},\; {{\hat y}_2},\; \cdots,\; {{\hat y}_n}} \right] = \;&{f_{{\rm{MSWI}}}}\big( D,\; {P_{\rm{L}}},\; {P_{\rm{R}}},\; \\& T_{{\rm{Get}}}^{{\rm{Data}}},\; T_{{\rm{Get}}}^{{\rm{Fire}}} \big)\end{split} $$ (11) 其中, $ \{ {\hat y_1},\; {\hat y_2},\; \cdots,\; {\hat y_n}\} $表示模型输出; $ {f_{{\rm{MSWI}}}}(\cdot) $表示多模态数据驱动建模过程.
综上, 通过设计多模态历史数据驱动系统, 能够有效解决多模态数据驱动模型难以在线验证的难题, 同时也能够解决多模态数据应用存在的采样难、同步难和匹配难等问题.
3.2.3 安全隔离与优化控制系统结构
考虑到智能算法的有效验证和可移植性, 进而坚持以不影响生产端运行为设计理念, 提出承接多模态历史数据驱动系统和多入多出回路控制系统的安全隔离与优化控制系统, 其由数据采集正向隔离模块、运行优化模块和运行参数反向传输模块组成, 结构如图11所示.
由图11可知:
1)数据采集正向隔离模块, 通过采集多入多出回路控制系统的过程数据为智能算法提供数据源支撑, 其单向传输功能有利于移植至工业现场时实现与真实MSWI过程的隔离式数据采集, 避免智能算法的测试与验证对实际工业过程的干扰, 该过程可表示为
$$\begin{split} {D_{{\rm{IsoAcq}}}} = \;&{f_{{\rm{Acq}}}}\big( {S_{{\rm{Tag}}}},\; {T_{{\rm{Acq}}}},\; IP_{{\rm{Acq}}}^{{\rm{In}}},\; \\& IP_{{\rm{Acq}}}^{{\rm{Out}}},\; Read \big)\end{split} $$ (12) 其中, $ {D_{{\rm{IsoAcq}}}} $表示采集得到的过程数据; $ {f_{{\rm{Acq}}}}(\cdot) $表示数据采集正向隔离过程; ${S_{{\rm{Tag}}}}$表示设置的采集点位集合; $ {T_{{\rm{Acq}}}} $表示采集时间间隔; $ IP_{{\rm{Acq}}}^{{\rm{In}}} $和$ IP_{{\rm{Acq}}}^{{\rm{Out}}} $分别表示该模块中内、外网端数据采集与发送的IP地址; $ Read $表示数据仅可单向传输(即仅可读).
2)运行优化模块, 基于数据采集正向隔离模块采集得到的过程数据和多模态数据驱动建模模块的难测参数检测值、关键参数预测值、燃烧状态识别和燃烧线位置量化值等, 采用智能算法求解操纵变量输出值和被控变量设定值, 该过程可表示为
$$\;\; \left[ {{U_{{\rm{Out}}}},\; {r_{{\rm{Out}}}}} \right] = {f_{{\rm{Opt}}}} \left( {{D_{{\rm{IsoAcq}}}},\; {A_{{\rm{IntelOpt}}}},\; p_{{\rm{Out}}}^{{\rm{KeyPara}}}} \right)\;\; $$ (13) 其中, $ {U_{{\rm{Out}}}} $和$ {r_{{\rm{Out}}}} $分别表示智能算法求解所得的操纵变量输出值和被控变量设定值; $ {f_{{\rm{Opt}}}}(\cdot) $表示运行优化过程; $ p_{{\rm{Out}}}^{{\rm{KeyPara}}} $表示难测参数检测值、关键工艺参数预测值、燃烧状态识别和燃烧线位置量化值; $ {A_{{\rm{IntelOpt}}}} $表示所采用的智能算法.
3)运行参数反向传输模块, 将运行优化模块求解所得的优化参数值和多模态数据驱动建模模块的关键参数值下发至运行参数辅助决策模块, 该过程可表示为
$$\begin{split} &\left[ {U_{{\rm{In}}}},\; {r_{{\rm{In}}}},\;p_{{\rm{In}}}^{{\rm{KeyPara}}} \right] = {f_{{\rm{Trans}}}}\big( {U_{{\rm{Out}}}},\; {r_{{\rm{Out}}}},\; p_{{\rm{Out}}}^{{\rm{KeyPara}}},\; \\& \qquad{T_{{\rm{Trans}}}},\; IP_{{\rm{Trans}}}^{{\rm{In}}},\; IP_{{\rm{Trans}}}^{{\rm{Out}}},\; Write \big)\\[-1pt]\end{split} $$ (14) 其中, $ {U_{{\rm{In}}}} $, $ {r_{{\rm{In}}}} $和$ p_{{\rm{In}}}^{{\rm{KeyPara}}} $分别表示经运行参数反向传输模块传输至内网端的操纵变量输入值、被控变量设定值和关键工艺参数值; $ {f_{{\rm{Trans}}}}(\cdot) $表示运行参数反向传输过程; $ {T_{{\rm{Trans}}}} $表示反向传输时间间隔; $ IP_{{\rm{Trans}}}^{{\rm{In}}} $和$ IP_{{\rm{Trans}}}^{{\rm{Out}}} $分别表示该模块中内、外网端数据采集与发送的IP地址; $ Write $表示数据写入操作.
综上, 所设计安全隔离与优化控制系统能够为智能算法提供工程化测试与验证环境, 避免数据传输过程中对生产端的干扰与影响.
3.2.4 多入多出回路控制系统结构
结合实际MSWI过程的控制层级结构(如图12左侧所示), 提出由真实设备层和虚拟对象层组成的多入多出回路控制系统, 结构如图12右侧所示.
图 12 某MSWI厂控制层级与多入多出回路控制系统结构Fig. 12 Control layer of a MSWI plant and structure of multi-input and multi-output loop control system1)真实设备层包括运行参数辅助决策模块、过程监控模块和回路控制模块, 其中:
a)运行参数辅助决策模块, 包括运行参数反向接收服务器和运行参数OCR识别计算机, 接收运行参数反向传输模块中的运行参数, 并根据现场领域专家的需求和认可度进行选择性下发, 该过程可表示为
$$ \left[ {U_{{\rm{In}}}^{{\rm{Expert}}},\; r_{{\rm{In}}}^{{\rm{Expert}}}} \right] = {f_{{\rm{Aux}}}}\left( {{U_{{\rm{In}}}},\; {r_{{\rm{In}}}},\; {M_{{\rm{DecMod}}}}} \right) $$ (15) 其中, $ U_{{\rm{In}}}^{{\rm{Expert}}} $和$ r_{{\rm{In}}}^{{\rm{Expert}}} $表示下发的操纵变量输出值和被控变量设定值; $ {f_{{\rm{Aux}}}}(\cdot)$表示运行参数辅助决策过程; $ {M_{{\rm{DecMod}}}} $表示辅助决策模式, 包括程序规则自动决策和专家经验人工决策两种.
b)过程监控模块, 用来监控MSWI过程的运行状态, 在领域专家的监管下进行被控变量设定值$r_{{\rm{In}}}^{{\rm{Expert}}} =[{r_{{\rm{In,\; 1}}}^{{\rm{Expert}}},\; r_{{\rm{In,\; 2}}}^{{\rm{Expert}}},\; \cdots,\; r_{{{\rm{In}}},\;Q}^{{\rm{Expert}}}} ]$和操纵变量输出值$U_{{\rm{In}}}^{{\rm{Expert}}} = [{U_{{\rm{In,\; 1}}}^{{\rm{Expert}}},\; U_{{\rm{In,\; 2}}}^{{\rm{Expert}}},\; \cdots,\; U_{{\rm{In}},\; Q}^{{\rm{Expert}}}} ]$的修改与下发等操作.
c)回路控制模块, 采用与实际现场一致的主流控制器, 通过装载相关算法实现回路控制及变量转换功能, 可表示为
$$ \left\{ \begin{aligned} &{u_1} = f_{\rm{1}}^{{\rm{control}}}(U_{{\rm{In}},\; 1}^{{\rm{Expert}}},\; r_{{\rm{In}},\; 1}^{{\rm{Expert}}},\; y_{\rm{1}}^{\rm{I}},\; p_1^{\max },\; p_1^{\min })\\ &{u_2} = f_2^{{\rm{control}}}(U_{{\rm{In}},\; 2}^{{\rm{Expert}}},\; r_{{\rm{In}},\; 2}^{{\rm{Expert}}},\; y_2^{\rm{I}},\; p_2^{\max },\; p_2^{\min })\\ &\qquad\qquad\qquad\qquad\qquad\vdots \\ &{u_{{Q}}} = f_{{Q}}^{{\rm{control}}}(U_{{\rm{In}},\; {{Q}}}^{{\rm{Expert}}},\; r_{{\rm{In}},\; {{Q}}}^{{\rm{Expert}}},\; y_{{Q}}^{\rm{I}},\; p_{{Q}}^{{\rm{max}}},\; p_{{Q}}^{{\rm{min}}}) \end{aligned} \right. $$ (16) 其中, $ \{ {{u_1},\; {u_2},\; \cdots,\; {u_Q}} \} $表示真实PLC/DCS回路控制设备下发的电信号, 即回路控制器输出; $ f_i^{{\rm{control}}} (\cdot)$表示第i个控制回路的变量转换过程, $ i = 1,\; 2,\; 3, \cdots,\; Q $; $ \{ {y_{\rm{1}}^{\rm{I}},\; y_2^{\rm{I}},\; \cdots,\; y_Q^{\rm{I}}} \} $表示虚拟对象层反馈的电信号, 即仪表装置过程变量值经特性模拟后的输出; $ \{ {p_1^{\max },\; \cdots,\; p_Q^{{\rm{max}}}} \} $和$ \{ {p_1^{\min },\; \cdots,\; p_Q^{\min }} \} $表示上述过程变量值的上限和下限.
2)虚拟对象层由虚拟执行机构计算机、虚拟对象计算机和虚拟仪表装置计算机组成, 描述如下:
a)虚拟执行机构计算机, 将真实设备层下发的电信号经转换和特性模拟后输出至虚拟对象计算机, 可表示为
$$ \left\{ \begin{aligned} &u_{\rm{1}}^{{\rm{process}}} = f_{\rm{1}}^{\rm{A}}({u_1})\\ &u_{\rm{2}}^{{\rm{process}}} = f_{\rm{2}}^{\rm{A}}({u_2})\\ &\qquad\vdots\\ &u_Q^{{\rm{process}}} = f_Q^{\rm{A}}({u_Q}) \end{aligned} \right. $$ (17) 其中, $ \{ {u_{\rm{1}}^{{\rm{process}}},\; u_{\rm{2}}^{{\rm{process}}},\; \cdots,\; u_Q^{{\rm{process}}}} \} $表示经特性模拟后输出的执行机构变量值; $ f_i^{\rm{A}} (\cdot)$表示第i个执行机构变量转换过程, $ i = 1,\; 2,\; 3,\; \cdots,\; Q $.
b)虚拟对象计算机, 运行反应机理、数值仿真和数据驱动等建模方式建立的具有不同尺度和特性的焚烧过程对象模型, 通过接收执行机构输出值进行被控对象特性模拟, 获得被控过程变量并输出至虚拟仪表装置计算机, 可表示为
$$ \{ {y_1},\; {y_2},\; \cdots ,\; {y_Q}\} = {f^{{\rm{process}}}}\left( {{z_1},\; {z_2},\; \cdots ,\; {z_M}} \right) $$ (18) 其中, $ \left\{ {{z_1},\; {z_2},\; \cdots,\; {z_M}} \right\} $表示过程对象模型输入, 包括用于回路控制的执行机构变量$ \{ u_{\rm{1}}^{{\rm{process}}}, \;u_{\rm{2}}^{{\rm{process}}}, \cdots,\; u_Q^{{\rm{process}}} \} $以及不用于回路控制的仪表装置过程变量$ \left\{ {{y_1},\; {y_2},\; \cdots,\; {y_P}} \right\} $的组合, 存在$M = Q+ P$; $ \{ {y_1}, {y_2},\; \cdots,\; {y_Q} \} $表示过程对象模型输出的仪表装置变量值; ${f^{{\rm{process}}}} (\cdot)$表示被控对象特性模拟过程.
c)虚拟仪表装置计算机, 接收虚拟对象计算机输出的被控变量值, 经特性模拟后将其以电信号的方式输出至真实设备层, 可表示为
$$ \left\{ \begin{aligned} &y_{\rm{1}}^{\rm{I}} = f_{\rm{1}}^{\rm{I}}({y_1})\\& y_{\rm{2}}^{\rm{I}} = f_{\rm{2}}^{\rm{I}}({y_2})\\&\qquad\vdots\\& y_Q^{\rm{I}} = f_Q^{\rm{I}}({y_Q}) \end{aligned} \right. $$ (19) 其中, $ \left\{ {y_{\rm{1}}^{\rm{I}},\; y_2^{\rm{I}},\; \cdots,\; y_Q^{\rm{I}}} \right\} $表示经特性模拟后的过程变量电信号; $ f_i^{\rm{I}}(\cdot) $表示第i个仪表装置的变量转换过程.
综上, 基于所设计的多入多出回路控制系统能够为多回路智能控制算法提供可靠的工程化验证环境, 同时具备与实际工业现场相同的控制层级及数据传输方式, 提高智能控制算法测试与验证的认可度以及现场的可移植性.
3.3 硬件搭建
3.3.1 网络连接
本平台中的连接方式包括: 回路控制模块与虚拟执行机构和虚拟仪表装置之间的基于PCI板卡和端子板的电缆连接; 历史左/右炉排火焰图像发布与多模态数据采集之间的基于同轴电缆和采集卡的连接; 其余模块之间利用以太网连接, 如图13所示.
由图13可知, 从对平台功能实现支撑的视角而言, 硬件分为网络设备、隔离设备、辅助设备和基础设备.
1)网络设备是实现平台集成的关键组成, 包含内网交换机和外网交换机.
2)隔离设备是保证平台具有工业现场可移植性和实用性功能的关键, 其将所搭建平台以物理隔离视角分为内网端、外网端, 能够避免外网端智能算法的测试与验证以及内网端与外网端之间的数据传输对验证和落地实际工业过程可能会造成的干扰与影响. 数据采集正向隔离模块用于采集内网端虚拟/真实MSWI过程的运行数据, 为外网端智能算法提供数据支撑; 运行参数反向传输模块用于将外网端利用智能算法求解所得的各类运行参数反传至内网端.
3)辅助设备是实现平台功能的基础, 包含PCI板卡、摄像头、视频采集卡和网络时间同步服务器. 其中, PCI板卡用于实现虚拟执行机构和虚拟仪表装置与回路控制模块之间利用电缆传输信号的功能; 摄像头用于采集历史左/右炉排火焰图像; 视频采集卡用于将摄像头采集得到的模拟图像进行数字化转换与存储; 网络时间同步服务器用于同步多模态历史数据驱动系统中的系统时间.
4)基础设备包含工控机和回路控制模块. 其中工控机用于搭载和开发平台软件系统以实现平台的正常运转; 回路控制模块用于实现多入多出回路控制系统中的数据转换、逻辑控制和回路控制等功能.
3.3.2 硬件选型
本平台的硬件选型如表2所示.
表 2 平台硬件描述Table 2 Description of platform hardware设备类型 硬件名称 型号 网络设备 交换机 TP-LINK 16口全千兆交换机TL-SG1016DT 隔离设备 数据采集正向隔离模块 安盟定制式采集装置, 内外网各6个千兆电口, 内外网各128 GB SSD, 内外网主机各1个串口、2个USB口和2U机箱, 主动采集模块、主动发布模块、协议转换模块等, 支持通用工业协议OPC UA/DA、Modbus等 运行参数反向传输模块 辅助设备 PCI板卡 32路隔离模拟量输入PCI-1713U板卡, 32路模拟量输出通道PCI-1724U板卡 摄像头 海康威视红外监控摄像头, DS-2CE16C3T 6 mm 视频采集卡 天创恒达TC-330N4 4路软压缩标清音视频卡 网络时间同步服务器 北斗时讯(天津)科技有限公司BDTS801 基础设备 工控机 研华IPC-610L工控机, 配置Windows7 64位专业版系统 回路控制模块 ABB可编程控制器, 8输入8输出AX522模块、16输出AO523模块、8输入8输出AX522 PLC模块和16输出AO523 PLC模块等 3.4 软件设计
3.4.1 总体组成
本平台的软件系统如图14所示, 其中网络时间同步服务器软件、数据采集正向隔离模块配置软件和运行参数反向隔离模块配置软件为定制式专用软件, 其余均为自主开发软件系统.
由图14可知:
1)多模态历史数据驱动系统由网络时间同步服务器软件、历史左/右炉排火焰图像定时同步播放软件系统、历史过程数据定时同步发布软件系统、多模态数据采集软件系统和多模态数据驱动建模软件系统组成.
2)多入多出回路控制系统由运行参数反向接收软件系统、运行参数OCR识别软件系统、监控软件系统、PLC厂家配套回路控制软件、虚拟执行机构软件系统、虚拟对象软件系统和虚拟仪表装置软件系统组成.
3)安全隔离与优化控制系统由数据采集正向隔离模块配置软件、面向MSWI过程的炉膛温度智能优化控制软件系统和运行参数反向隔离模块配置软件组成.
3.4.2 多模态历史数据驱动系统软件结构
该系统软件的设计结构如图15所示.
图 15 多模态历史数据驱动系统软件结构Fig. 15 Software structure of multi-modal historical data-driven system由图15可知:
1)网络时间同步服务器软件, 通过接收卫星信号利用以太网同步各计算机时间.
2)历史过程数据定时同步发布软件系统, 将工业现场中采集的过程数据保存至本地MySQL数据库中, 通过OPC Client定时读出数据并写入至OPC Sever中以实现发布功能.
3)历史左/右炉排火焰图像定时同步播放软件系统, 将工业现场与过程数据同时采集的左、右炉排火焰视频保存至硬盘, 配合历史过程数据发布计算机定时同步播放以实现多模态历史数据同步发布.
4)多模态数据采集软件系统, 通过利用OPC Client采集多模态历史数据同步发布计算机发布的过程数据, 并结合视频采集卡采集历史左/右炉排火焰图像发布计算机中的火焰视频, 进行时间同步匹配后保存.
5)多模态数据驱动建模软件系统, 将多模态数据采集模块采集的多模态数据输入至离线训练完毕的用于实现难测参数检测、关键参数预测、燃烧状态识别和燃烧线量化等功能的多模态数据驱动模型中, 得到模型输出.
3.4.3 安全隔离与优化控制系统软件结构
该系统软件的设计结构如图16所示.
图 16 安全隔离与优化控制系统软件结构Fig. 16 Software structure of security isolation and optimal control system由图16可知:
1)数据采集正向隔离模块配置软件, 利用数据采集功能实时采集多入多出回路控制系统中的过程数据, 基于光纤实现数据单向传输, 并通过OPC Server将采集数据进行发布, 为运行优化模块提供数据源支撑.
2)运行优化软件系统, 根据需求开发相应软件系统, 通过采集数据采集正向隔离模块配置软件中的过程数据和接收多模态数据驱动建模软件系统输出值, 基于优化和控制算法求解与验证被控变量设定值和操纵变量输出值.
3)运行参数反向隔离模块配置软件, 与数据采集正向隔离模块配置软件同理, 区别在于该软件采集运行优化软件求解的被控变量设定值、操纵变量输出值和多模态数据驱动建模软件系统输出值, 并实时传输至运行参数辅助决策软件系统.
3.4.4 多入多出回路控制系统软件结构
该系统软件的设计结构如图17所示.
图 17 安全隔离与优化控制系统软件结构Fig. 17 Software structure of security isolation and optimal control system由图17可知, 真实设备层由运行参数辅助决策软件系统、过程监控软件系统和PLC/DCS厂家配套回路控制软件组成; 虚拟对象层由虚拟执行机构软件系统、虚拟仪表装置软件系统和虚拟对象软件系统组成.
1)真实设备层
a)运行参数辅助决策软件系统包括数据采集功能和参数下发功能, 通过OPC Client或OCR识别方式采集运行参数反向传输模块中优化求解的运行参数和多模态数据驱动建模软件系统的输出值, 并根据需求决策下发至过程监控模块的方式.
b)过程监控软件系统包括焚烧过程、炉排运行状态、锅炉状态、烟气处理、变量趋势图和参数设定等界面, 通过OPC Client接收PLC厂家配套回路控制软件中实时发送至OPC Server的过程变量值, 并以图形化的方式显示焚烧过程、炉排运行状态等界面, 以实现全流程的监控功能; 同时, 其具备回路参数设定功能, 可根据生产需求、生产指标和专家经验进行控制回路参数的设定与修改.
c) PLC/DCS厂家配套回路控制软件包括模拟量转换、数字量转换、PID回路控制和OPC通讯等功能, 控制算法由监控设备下载至控制器中, 同时通过接收虚拟仪表装置软件系统的电信号, 基于误差进行PID参数回路调节, 并向虚拟执行机构软件系统下发电信号, 以供虚拟对象软件模拟仿真, 直至实现实际测量值对设定值的跟踪.
2)虚拟对象层
a)虚拟执行机构软件系统包括板卡配置、OPC配置和固废焚烧等界面, 具有数据采集卡驱动功能, 将真实设备层下发的电信号转换为数字信号, 并根据变量关系和执行机构模型将其转换成具有实际物理意义的执行机构变量值.
b)虚拟对象软件系统包括OPC配置、机理模型和数驱模型等界面, 通过配置OPC Server实现与虚拟执行机构软件系统和虚拟仪表装置软件系统之间的数据传递; 具备模型选择功能, 可通过机理模型和数驱模型界面选择过程对象建模方式, 并设置相关参数; 同时, 采用OPC Client与OPC Server通讯读取执行机构变量值, 并将其作为过程对象模型输入实现对焚烧过程的模拟; 之后利用OPC写功能将模型输出写至OPC Server中; 采用由MySQL开发的数据库实现过程数据的存储以及可视化展示.
c)虚拟仪表装置软件系统包括板卡配置、OPC配置和固废焚烧等界面, 采用OPC Client与虚拟对象软件系统进行通讯, 并根据变量关系、仪表装置模型和数据采集卡驱动将其转换为电信号回传至真实设备层.
3.4.5 软件配置
采用高级语言编程软件、商业数学软件、控制组态软件及其他专用软件实现平台功能, 其具体描述如表3所示.
表 3 平台软件描述Table 3 Description of platform softwares软件名称 功能描述 Visual Studio Professional 2022 WinForm包含不同功能的控件及触发事件函数, 用于编写和绘制前台软件系统 MATLAB 2022a 通过编写代码实现复杂计算, 同时具备强大GUI设计功能, 利用该软件实现相关算法的开发与GUI界面的设计 Automation Builder 设备制造商和系统集成商构建设备和系统的工程软件套装, 实现回路控制模块的硬件组态程序的编写功能 OPC Server配置软件 模拟实际工业现场中数据点位和平台中新增点位, 实现数据的传输和发布功能 网络时间同步服务器软件 接收卫星时间为计算机授时和同步多模态历史数据驱动系统中各计算机的系统时间 隔离模块配置软件 配置数据采集和传输的OPC Server和相关点位以及调用模块硬件, 实现数据单向传输 3.5 平台实现
本节结合前文描述, 逐系统展示平台各模块前台界面并介绍相应功能. 为便于后续需求的变化和功能的补充, 本平台在开发时预留了接口与界面, 该部分不做展示.
3.5.1 总体实现
基于前文描述, 在实验室环境中搭建MSWI智能算法测试与验证模块化半实物平台, 实物如图18所示.
3.5.2 多模态历史数据驱动系统实现
基于前文所述多模态历史数据驱动系统结构, 本节对其协同运行模式进行介绍, 如图19所示.
图 19 多模态历史数据驱动系统协同运行示意图Fig. 19 Schematic diagram of the cooperative operation of multi-modal historical data-driven system由图19可知, 首先, 利用多模态历史数据同步发布模块将实际工业现场同步采集得到的多模态数据进行定时同步发布; 接着, 利用多模态数据采集模块对平台中多模态数据进行同步采集; 最后, 基于采集得到的多模态数据进行模型计算, 得到当前工况、模型输出及预测曲线.
利用软硬件结合方式搭建的多模态历史数据驱动系统的实物连接如图20 所示.
图 20 多模态历史数据驱动系统实物图Fig. 20 Physical picture of multi-modal historical data-driven system3.5.3 安全隔离与优化控制系统实现
基于前文所述安全隔离与优化控制系统结构, 本节对其协同运行模式进行介绍, 如图21所示.
图 21 安全隔离与优化控制系统协同运行示意图Fig. 21 Schematic diagram of the cooperative operation of security isolation and optimal control system由图21可知, 首先, 利用数据采集正向隔离模块采集并转发多入多出回路控制系统中的过程数据; 接着, 运行优化模块获取多入多出回路控制系统当前的运行状态, 根据需求选择是否基于内部优化模型求解; 然后, 当工况变化时, 利用运行优化模块求解被控变量设定值或操纵变量输出值; 最后, 利用运行参数反向传输模块采集并转发运行优化模块求解所得的被控变量设定值和操纵变量输出值, 同时基于运行参数辅助决策模块反传至过程监控模块, 实现MSWI过程运行优化.
利用软硬件结合方式开发的安全隔离与优化控制系统的实物连接如图22 所示.
图 22 安全隔离与优化控制系统实物图Fig. 22 Physical picture of security isolation and optimal control system3.5.4 多入多出回路控制系统实现
基于前文所述多入多出回路控制系统结构, 本节对其协同运行模式进行介绍, 如图23所示.
图 23 多入多出回路控制系统协同运行示意图Fig. 23 Schematic diagram of the cooperative operation of multi-input and multi-output loop control system由图23可知, 首先, 利用运行参数辅助决策模块采集运行参数反向传输模块中的参数并下发至过程监控模块; 接着, 回路控制模块接收过程监控模块的回路控制参数进行运算; 然后, 虚拟执行机构计算机、虚拟对象计算机和虚拟仪表装置计算机实现被控对象的模拟与信号传递, 并将输出值反传至回路控制模块.
利用软硬件结合方式搭建的多入多出回路控制系统实物连接如图24 所示.
图 24 多入多出回路控制系统实物图Fig. 24 Physical picture of multi-input and multi-output loop control system4. 模块化半实物平台测试与验证
4.1 系统有效性测试与验证
4.1.1 多模态历史数据驱动系统验证
基于所搭建的多模态历史数据驱动系统, 综合随机森林和反向传播神经网络算法建立以炉膛温度(FT)、烟气含氧量(OC)和锅炉蒸汽流量(BSF)为输出的多模态数据驱动预测模型, 其包括图像特征提取、过程数据选择和关键工艺参数预测模型模块[60], 主要的前台界面如图25 所示.
图 25 多模态历史数据驱动系统前台界面Fig. 25 Foreground interface of multi-modal historical data-driven system在图25中: 1)左上为采集摄像机播放的火焰视频界面; 2)右上为可设置过程数据与火焰图像采集时间间隔的过程数据界面; 3)左下为对当前工况监控的运行过程监控界面; 4)右下为关键工艺参数预测曲线界面.
由上可知, 所建立的FT、OC和BSF预测模型验证了多模态历史数据驱动系统能够实现多模态历史数据的同步发布、采集和建模, 有效解决了离线多模态数据建模存在的采集难、同步难和匹配难等问题.
4.1.2 多入多出回路控制系统验证
基于所搭建的多入多出回路控制系统, 将执行机构模型采用带有时间常数的惯性环节表征, 仪表装置模型采用比例环节近似, 对象模型采用基于随机森林和梯度决策树混合集成构建的数据驱动模型近似, 控制器以FT、OC和BSF为被控变量采用PLC系统中的PID模块实现[61], 主要的前台界面如图26所示.
图 26 多入多出回路控制系统前台界面Fig. 26 Foreground interface of multi-input and multi-output loop control system由图26可知: 1)左上图为监控界面, 3个操纵变量即燃烧炉排左1-1段、干燥炉排右2段和干燥炉排左2段, 它们的阀门开度分别为81.6%、100% 和100%, 被控变量FT、OC和BSF的当前值分别为972 ℃、8.1%和20.78 kg/s; 2)右上图为PID回路跟踪曲线, 表明被控变量能够实现对设定值的跟踪; 3)左下图和右下图分别为执行机构前台界面和仪表装置前台界面, 带有矩形框的仪表盘为与本文PID控制相关的操纵变量值和被控变量值.
由上可知, 基于特定工况构建过程对象模型能采用多回路PID控制器实现对设定值的实时跟踪.
4.1.3 安全隔离与优化控制系统验证
炉膛温度是保证MSWI过程安全运行的重要指标, 也是确保尾气中多种污染物排放浓度最小化的关键因素. 针对MSWI厂面临的MSW成分复杂波动大且热值难测、燃烧过程不稳定、污染排放波动性强、炉温超高位运行导致故障频发与运维成本高等诸多问题[2], 基于所搭建的安全隔离与优化控制系统, 进行以常规烟气指标排放浓度最小化为优化目标的炉膛温度优化控制, 优化系统的前台界面如图27所示.
图 27 安全隔离与优化控制系统前台界面Fig. 27 Foreground interface of security isolation and optimal control system由图27可知, 该软件系统能够在数据采集正向隔离模块中读取过程数据, 实现MSWI过程的监控, 能够利用内嵌的智能算法求解炉膛温度最优设定值和控制器输出值, 并通过运行参数反向传输模块将其下发至多入多出回路控制系统, 进而实现对MSWI过程的运行优化.
由上可知, 基于所开发的炉膛温度智能优化控制软件系统验证了安全隔离与优化控制系统能够实现对生产端的安全隔离作用, 为智能算法的研究提供了工程化验证环境.
4.2 实验室场景智能算法测试与验证
4.2.1 智能建模算法测试与验证
4.2.1.1 面向多尺度缺失数据的改进GAN-DFR的二噁英排放浓度软测量
DXN的检测具有长周期、高成本等特性, 与其对应的过程数据常以小时的时间尺度进行存储, 受传感器故障、不确定扰动或人为因素的影响, 这些历史数据往往存在不同程度的缺失. 以北京某焚烧厂2009—2020年间的记录数据为例, 其含有2% ~ 3%的缺失, 显然, 这不利于挖掘运行数据蕴含规律和建立DXN排放软测量模型. 完备的建模数据是构建有效软测量模型乃至实现MSWI过程运行优化的基础. 因此, 对缺失数据进行填充至关重要[62].
针对上述问题, 提出面向多尺度缺失数据的改进生成对抗网络−深度森林回归(Generating adversarial networks-deep forest regression, GAN-DFR)软测量建模策略[63]. 具体步骤为: 首先, 根据数据缺失情况对样本和特征进行划分; 接着, 通过生成器填充缺失数据, 采用判别器判断填充结果, 基于MSE的约束项确保填充效果, 并通过模型复杂度惩罚项缓解过拟合问题; 然后, 将一定范围的小时间尺度输入数据取均值以匹配大时间尺度的输出数据; 最后, 改进的DFR每层全连接并行和串行两种森林算法, 以提高多样性和准确性.
基于上述策略, 开发了基于GAN和DFR的多尺度二噁英排放浓度软测量软件, 并在本平台多模态历史数据驱动系统中进行验证, 软件前台界面如图28所示.
图 28 基于GAN-DFR的多尺度二噁英排放浓度软测量软件前台界面Fig. 28 Foreground interface of multi-scale dioxin emission concentration soft measurement software based on GAN-DFR4.2.1.2 基于Vit-IDFC的MSWI过程燃烧状态识别
MSWI过程中, 固废原料在物理/化学性质方面的不确定性波动会造成燃烧过程的不稳定性和烟气排放超标, 已经成为发展绿色环保废物处理目标的阻碍[2]. 在现场运行过程中, 一般依靠领域专家观测燃烧火焰, 依据经验对燃烧状态进行判断, 从而对关键操纵变量进行调整以达到控制目标. 这不仅消耗精力和存在主观性, 而且不利于MSWI过程的优化控制. 燃烧状态是MSWI过程的重要参数, 对燃烧过程的关键参数调节能够体现于火焰图像的视觉特征变化之中.
针对上述问题, 提出基于Vit-IDFC的MSWI过程燃烧状态识别. 具体步骤为: 首先, 利用预训练Vit网络Transformer编码层提取火焰图像的多层视觉转换特征, 并基于专家经验对深度特征进行选择; 接着, 将所选择的Vit视觉转换特征和原始火焰图像组合后作为级联森林的输入, 构建改进深度森林识别(Improved deep forest identification, IDFC)模型; 最后, 采用所构建的火焰图像数据集对模型进行验证.
基于上述策略, 开发了基于Vit-IDFC的MSWI过程燃烧状态识别软件, 并在本平台多模态历史数据驱动系统中进行验证, 软件前台界面如图29 所示.
图 29 基于Vit-IDFC的MSWI过程燃烧状态识别软件前台界面Fig. 29 Foreground interface of combustion state identification software for MSWI process based on Vit-IDFC4.2.1.3 基于GAN与孪生网络的燃烧线量化
燃烧线是表征MSWI过程燃烧稳定性和运行安全性的关键参数之一. 通常MSWI过程的火焰图像依据燃烧线的位置分为正常(燃烧发生在燃烧炉排)、异常(燃烧发生在干燥炉排中部和后端以及燃烬炉排)和极端异常(燃烧发生在干燥炉排前端) 3种类别. 运行专家可以通过观察火焰图像凭经验识别燃烧位置, 进而修正“布风布料”策略以保证系统能够稳定地运行. 实现燃烧线量化能够从检测视角代替“人工看火”, 进而通过实时的反馈来提高MSWI过程的智能化程度.
针对上述问题, 提出基于生成对抗网络−孪生卷积神经网络(Generative adversarial network-twin convolutional neural networks, GAN-SCNN)的燃烧线动态量化方法. 具体步骤为: 首先, 采用图像处理技术、深度卷积生成对抗网络和循环生成对抗网络构建完成包含面向真实的燃烧线正常、面向真实/生成的燃烧线异常和面向生成的燃烧线极端异常火焰图像子库的完备图像库; 接着, 采用燃烧线特征提取和SCNN相似性度量实现与“典型模板库”适配和非适配新火焰图像的燃烧线量化; 最后, 采用冗余判别机制利用非适配图像构建并更新“典型模板库”以实现自适应.
基于上述策略, 开发了基于生成对抗网络和孪生卷积神经网络的MSWI过程燃烧线量化软件, 并在本平台多模态历史数据驱动系统中进行验证, 软件前台界面如图30所示.
图 30 基于GAN-SCNN的MSWI过程燃烧线量化软件前台界面Fig. 30 Foreground interface of combustion line quantization software for MSWI process based on GAN-SCNN4.2.2 智能控制算法测试与验证
炉膛温度是表征焚烧炉运行状态的重要参数, 决定了MSW的焚烧效率和燃烧过程的稳定性. 过高的炉膛温度会大幅降低设备的使用寿命, 造成经济损失; 反之则会大幅降低焚烧效率, 并使排放烟气中的污染物含量增加. 对其进行精准控制是实现MSWI过程平稳运行和减污降碳的关键. 针对MSWI过程存在的诸多不确定性, 本节主要采用基于区间II型模糊神经网络(Fuzzy neural network, FNN)的智能控制算法, 在实现上采用前台组态软件和后台MATLAB混合编程的方式.
4.2.2.1 基于区间II型FNN的炉膛温度控制
提出一种基于线性回归决策树(Linear regression decision tree, LRDT)构建炉膛温度模型和区间II型FNN为控制器的炉膛温度控制方法, 步骤为: 首先, 在进行炉膛温度控制特性分析的基础上, 基于线性回归决策树算法建立以一次风量、二次风量、进料器均速、干燥炉排均速、氨水注入量为输入和以炉膛温度为输出的多入单出炉膛温度模型; 其次, 采用IT2FNN作为控制器, 通过自适应学习算法调整控制器参数以克服不确定性扰动, 进而提高控制器的自适应能力; 最后, 采用北京某MSWI厂的运行数据进行炉膛温度的恒定值与设定值跟踪实验, 结果表明了所提方法的有效性. 在此基础上, 开发智能控制软件, 并在本平台多入多出回路控制系统中进行验证, 软件前台界面如图31所示.
图 31 基于区间II型FNN的炉膛温度控制软件前台界面Fig. 31 Foreground interface of furnace temperature control software based on interval type-II FNN4.2.2.2 基于自组织区间II型FNN的炉膛温度预测控制
提出一种基于自组织区间II型FNN的炉膛温度模型预测控制方法, 具体为: 首先, 采用IT2FNN建立系统的预测模型, 用于预测未来时间内炉膛温度的动态变化; 其次, 提出参数在线学习策略和结构在线自组织算法, 通过在控制过程中进一步对网络的部分参数和结构进行优化, 从而改善模型的预测效果; 然后, 设计基于梯度下降法的滚动优化策略, 通过优化目标函数在线求解最优控制量; 最后, 对IT2FNN预测模型的收敛性和控制系统的闭环稳定性进行证明, 并基于实际数据的仿真实验证明所提建模方法和控制器的有效性. 在此基础上, 开发智能预测控制软件, 并在本平台多入多出回路控制系统中进行验证, 软件前台界面如图32 所示.
图 32 基于自组织区间II型FNN的炉膛温度模型预测控制软件前台界面Fig. 32 Foreground interface of furnace temperature model predictive control software based on self-organizing interval type-II FNN4.2.3 智能优化算法测试与验证
4.2.3.1 面向炉膛温度的智能优化控制
针对实际工业现场大多依靠领域专家凭借经验依据污染物排放浓度进行操作, 从而导致炉膛温度波动大、污染物排放浓度难以最优等问题, 提出涵盖建模、控制和优化算法的基于多回路改进单神经元自适应PID的炉膛温度智能优化控制方法. 步骤为: 首先, 面向以炉膛温度控制为目标的过程对象建模问题, 建立基于最小二乘决策树的多入单出被控对象模型; 接着, 面向炉膛温度与多个操纵变量相关的问题, 提出基于ISNA-PID的多回路控制器; 最后, 面向以降低与炉膛温度相关的污染物排放浓度为目标的优化设定问题, 建立基于CART树算法的单入单出指标模型, 采用粒子群优化算法求解$ {{\rm{NO}}x} $与$ \rm{CO_2} $排放优化模型, 获得炉膛温度设定值. 基于实际MSWI厂过程数据验证所提建模、控制和优化框架的有效性. 在此基础上, 开发了炉膛温度智能优化控制软件, 并在本平台的安全隔离与优化控制系统和多入多出回路控制系统中进行验证, 前台界面如图33、图34所示.
图 33 多入多出回路控制系统前台界面Fig. 33 Foreground interface of multi-input and multi-output loop control system
图 34 安全隔离与优化控制系统前台界面Fig. 34 Foreground interface of security isolation and optimal control system4.2.3.2 面向多被控变量的多目标智能优化控制
针对MSWI过程的炉膛温度、烟气含氧量、锅炉蒸汽流量等多被控变量的设定值难以依据污染物排放指标和燃烧效率进行同时优化设定的问题, 提出面向多被控变量的多目标智能优化控制方法. 具体步骤为: 首先, 建立以多被控变量为决策变量, 最小化多种污染物排放浓度和最大化MSW燃烧效率的多目标优化模型; 其次, 建立面向污染物排放的包括被控对象模型和污染物排放指标模型的MSWI过程全流程模型; 接着, 利用单神经元自适应PID建立多入多出回路控制器, 实现对燃烧过程的稳定控制; 最后, 结合领域专家知识实现基于多目标粒子群优化算法的关键被控变量优化设定值的自适应求解. 基于北京某MSWI厂的现场数据, 验证了所提方法能够获取3个关键被控变量的优化设定值, 降低了污染物排放浓度和提高了燃烧效率. 在此基础上, 开发了数据驱动多目标优化控制软件, 并在本平台的安全隔离与优化控制系统和多入多出回路控制系统中进行验证, 软件前台界面如图35、图36 所示.
图 35 多入多出回路控制系统前台界面Fig. 35 Foreground interface of multi-input and multi-output loop control system
图 36 安全隔离与优化控制系统前台界面Fig. 36 Foreground interface of security isolation and optimal control system4.3 工业场景的智能算法移植应用
4.3.1 多模态数据实时采集系统
为支撑MSWI过程智能算法研究, 将本平台中的多模态数据采集系统移植至工业现场, 从而实现对运行过程数据的实时采集与存储, 最终结果表明, 能保证对内网系统运行无干扰, 结构如图37所示.
图 37 移植至工业现场的多模态数据实时采集系统示意图Fig. 37 Schematic diagram of the multi-modal data real-time acquisition system transplanted to industrial sites4.3.2 基于仿真机理和改进线性回归决策树的二噁英排放软测量
截止目前, DXN的生成机理和实时检测仍是尚未解决的难题[5]. 现有研究主要基于可用的小样本高维真实历史数据构建软测量模型, 还未能有效结合燃烧过程机理进行DXN检测. 针对该问题, 提出基于仿真机理和改进线性回归决策树的DXN排放模型. 步骤为: 首先, 采用基于床层固废燃烧模拟软件和大型通用流程模拟系统耦合的数值仿真模型获取多运行工况下的虚拟机理数据; 接着, 利用虚拟机理数据构建基于改进LRDT的燃烧状态表征变量($ \rm{CO_2} $、CO和$ \rm{O_2} $)模型; 最后, 基于多入单出LRDT算法, 以真实历史数据中的$ \rm{CO_2} $、CO、$ \rm{O_2} $为输入和DXN为输出构建过程映射模型(Process mapping model, PMM), 再利用该模型进行半监督学习和结构迁移, 得到机理映射模型1 (Mechanism mapping model 1, MMM1), 从而进一步通过结构增量学习获得基于半监督迁移学习的MMM2模型.
基于上述策略, 开发了基于仿真机理和改进线性回归决策树的二噁英排放浓度软测量软件, 在完成实验平台测试与验证后移植至实际工业现场, 基于第4.3.1节系统上搭建的边缘端平台进行在线验证, 软件的前台界面如图38 所示.
图 38 基于仿真机理和改进线性回归决策树的二噁英排放浓度软测量软件前台界面Fig. 38 Foreground interface of dioxin emission concentration soft measurement software based on simulation mechanism and improved linear regression decision tree5. 模块化半实物平台总结与展望
MSWI已经成为新时期我国环保事业发展的支柱产业. 经济差异、居民素质和管理水平等因素导致引进的ACC系统难以稳定运行, 我国MSWI厂多采用领域专家依据机理认知和累积经验的手动控制模式, 其难以维持长时段的高效率运行, 迫切需要研究适合我国国情的相关智能技术. 受运行安全性和设备封闭性等因素的限制, 离线研究的各类智能算法通常不允许在工业现场进行在线测试与验证, 各类设备和软件系统更难以移植. 对此, 本文提出由多模态历史数据驱动系统、安全隔离与优化控制系统和多入多出回路控制系统组成的MSWI智能算法测试与验证模块化半实物平台, 利用多软件混合编程开发了多款具有自主知识产权的工业软件, 完成了仿真平台的有效性测试、多场景下的模块化验证和工业现场移植应用. 与目前常用的具有同工业现场一致的控制层级结构“真−虚”类平台相比, 其优势在于: 1)基于多模态数据驱动的平台更切合实际现场; 2)利用数据单向传输装置实现了外网与内网间的数据无忧采集; 3)采用多种安全隔离模式实现运行优化参数的无忧下装; 4)模块化的理念同时支撑实验室和工业现场.
展望未来, 面向该模块化半实物平台的后续研究应包含以下方面:
1)融合多模态数据的智能自主控制测试与验证平台. 实际工业现场中领域专家依据过程数据、班组记录和火焰视频等多模态数据, 结合自身经验实现对MSWI过程的运行控制. 该操作模式存在主观性、滞后性和随机性, 难以确保最优. 如何在本文所建立的半实物平台的基础上融合其内嵌的三个系统实现协同运行, 以支撑多模态数据驱动的智能自主控制算法研究及其测试与验证是未来发展的关键.
2)耦合仿真机理与历史数据的数字孪生模型测试与验证平台. MSWI过程机理的综合复杂性导致难以建立以精确数学推理为基础的数字孪生模型. 计算资源的发展与完善使得利用数值仿真软件建模和分析MSWI过程成为目前支撑数字孪生模型构建的主要手段之一. 如何交互仿真机理模型和历史数据驱动模型来提高数字孪生模型对实际MSWI过程的契合度, 并在半实物平台上完成测试与验证以支撑落地应用是未来研究的重点.
3)建立设备端、边缘端和云端分层均衡化的控制与优化算法的测试与验证平台. 从实际工业现场的安全性和其系统固有的封闭特性考虑, 以及从控制与优化需要具有实时性[64]的视角而言, 面向多模态数据的智能控制与优化算法通常难以在PLC/DCS系统上实现[65], 因此需具有强大算力的云端服务器来支撑在现场搭建的边缘端服务器. 在工业5.0的新范式[66]下, 在这种需要把实时性、算力成本、优化成本、经济效益等进行分层均衡化, 进而实现智能自主控制与运行优化一体化的策略下, 如何建立安全加密的数据传输方式和进行分层任务的合理分配, 并实现与本文半实物平台的交互迭代是未来研究的核心.
4)开发能够洞悉MSWI厂过去历程、当前动态和未来走向的全生命周期工业元宇宙平台. 本质上, 引进ACC系统的“水土不服”成就了认知水平存在差异性的众多领域专家. 获取不同专家经验进行融合是实现MSWI过程长时段安全稳定运行的关键. 利用历史操作数据还原MSWI厂的演化历程, 整合与提取多类型专家经验后建立完备的运行优化知识库, 在虚拟空间为当前运行的焚烧厂进行“变装”式类似商业元宇宙的沉浸体验[67], 依据当前动态现状进行修正, 及时选取最佳知识推演焚烧厂的元宇宙运维场景[68]和未来走向, 甚至统筹多厂实现基于联邦学习[69−70]的工业元宇宙[71]平台以进行推演与优化控制是未来研究的难点.
-
图 3 MSWI过程领域专家手动控制示意图
Fig. 3 Manual control schematic diagram of domain expert in MSWI process
图 8 功能分块视角的模块化半实物平台结构
Fig. 8 Structure of modular hardware-in-loop platform in view of function partition
图 9 实验室与工业现场均适用视角的模块化半实物平台结构
Fig. 9 Structure of modular hardware-in-loop platform in view of application in laboratory and industrial site
图 10 领域专家感知认知过程与多模态历史数据驱动系统结构
Fig. 10 Perceptual cognitive process of domain experts and structure of multi-modal historical data-driven system
图 12 某MSWI厂控制层级与多入多出回路控制系统结构
Fig. 12 Control layer of a MSWI plant and structure of multi-input and multi-output loop control system
图 15 多模态历史数据驱动系统软件结构
Fig. 15 Software structure of multi-modal historical data-driven system
图 16 安全隔离与优化控制系统软件结构
Fig. 16 Software structure of security isolation and optimal control system
图 17 安全隔离与优化控制系统软件结构
Fig. 17 Software structure of security isolation and optimal control system
图 19 多模态历史数据驱动系统协同运行示意图
Fig. 19 Schematic diagram of the cooperative operation of multi-modal historical data-driven system
图 20 多模态历史数据驱动系统实物图
Fig. 20 Physical picture of multi-modal historical data-driven system
图 21 安全隔离与优化控制系统协同运行示意图
Fig. 21 Schematic diagram of the cooperative operation of security isolation and optimal control system
图 22 安全隔离与优化控制系统实物图
Fig. 22 Physical picture of security isolation and optimal control system
图 23 多入多出回路控制系统协同运行示意图
Fig. 23 Schematic diagram of the cooperative operation of multi-input and multi-output loop control system
图 24 多入多出回路控制系统实物图
Fig. 24 Physical picture of multi-input and multi-output loop control system
图 25 多模态历史数据驱动系统前台界面
Fig. 25 Foreground interface of multi-modal historical data-driven system
图 26 多入多出回路控制系统前台界面
Fig. 26 Foreground interface of multi-input and multi-output loop control system
图 27 安全隔离与优化控制系统前台界面
Fig. 27 Foreground interface of security isolation and optimal control system
图 28 基于GAN-DFR的多尺度二噁英排放浓度软测量软件前台界面
Fig. 28 Foreground interface of multi-scale dioxin emission concentration soft measurement software based on GAN-DFR
图 29 基于Vit-IDFC的MSWI过程燃烧状态识别软件前台界面
Fig. 29 Foreground interface of combustion state identification software for MSWI process based on Vit-IDFC
图 30 基于GAN-SCNN的MSWI过程燃烧线量化软件前台界面
Fig. 30 Foreground interface of combustion line quantization software for MSWI process based on GAN-SCNN
图 31 基于区间II型FNN的炉膛温度控制软件前台界面
Fig. 31 Foreground interface of furnace temperature control software based on interval type-II FNN
图 32 基于自组织区间II型FNN的炉膛温度模型预测控制软件前台界面
Fig. 32 Foreground interface of furnace temperature model predictive control software based on self-organizing interval type-II FNN
图 33 多入多出回路控制系统前台界面
Fig. 33 Foreground interface of multi-input and multi-output loop control system
图 34 安全隔离与优化控制系统前台界面
Fig. 34 Foreground interface of security isolation and optimal control system
图 35 多入多出回路控制系统前台界面
Fig. 35 Foreground interface of multi-input and multi-output loop control system
图 36 安全隔离与优化控制系统前台界面
Fig. 36 Foreground interface of security isolation and optimal control system
图 37 移植至工业现场的多模态数据实时采集系统示意图
Fig. 37 Schematic diagram of the multi-modal data real-time acquisition system transplanted to industrial sites
图 38 基于仿真机理和改进线性回归决策树的二噁英排放浓度软测量软件前台界面
Fig. 38 Foreground interface of dioxin emission concentration soft measurement software based on simulation mechanism and improved linear regression decision tree
表 1 各类平台研究现状
Table 1 Research status of different type platforms
平台类型 序号 工业过程类别 单位 年份 文献 特点描述 “真−真” 1 化学水处理工艺流程 华北电力大学 2010年 [40] 作为被控对象的化学水处理系统, 由阳离子、阴离子和混合离子交换器以及除碳器、中间水泵、中间水箱、凝结水换热器、其他辅助设备组成, 并设计电路板控制阀门状态 “真−虚” 2 炼焦生产过程 中南大学 2008年 [45] 以大型钢铁企业焦化厂优化控制系统的机、焦侧火道温度实际运行数据与本系统上模拟运行数据进行比较, 表明了温度稳定良好 3 磨矿生产过程 东北大学 2008年 [46] 以泵池液位和旋流给矿量的控制为例给出控制效果 4 磨矿流程 清华大学 2008年 [47] 基于磨矿分级过程动态模型, 能够正确反映磨机入口给矿、给水等过程控制量变化后的粒度指标动态趋势、重要工艺参数与状态变量(磨矿浓度、分级机溢流浓度、旋流器给矿浓度等)的动态趋势 5 强磁选过程 东北大学 2008年 [48] 基础回路控制系统包括6个独立回路, 能够优化控制精矿品位和尾矿品位在目标范围内 6 蒸发过程 东北大学 2009年 [49] 采用非线性自适应解耦PID控制算法对强制循环蒸发系统进行有效控制 7 电厂烟气脱硫系统 高斯图文印刷系统
(中国)有限公司2010年 [50] 国产自主品牌的DCS分散控制系统, 用于运行人员培训以及对整个脱硫系统设备运行进行分析 8 电熔镁炉 东北大学 2011年 [51] 基于规则推理与案例推理相结合进行智能优化控制实验 9 铝酸钠叶滤过程 东北大学 2011年 [52] 进行叶滤机和阀门的逻辑启停、联锁控制以及叶滤机入口流量、压力等回路控制 10 竖炉焙烧过程 东北大学 2012年 [53] 基于正常和异常工况进行运行优化控制实验, 所采用优化控制方法包括控制回路预设定、前馈、反馈补偿、故障诊断、自愈控制及磁选管回收率软测量等 11 电厂锅炉控制系统 云南大学 2012年 [54] 基于模糊神经网络控制算法进行锅炉出口蒸汽压力实验, 被控对象模型为三入三出传递函数矩阵 12 烧结生产过程 中南大学 2012年 [44] 基于物理/虚拟资源建立云仿真平台, 利用接口层提供系统验证与调试环境, 实现料层厚度解耦控制 13 甲醇生产过程/浮式储油卸油装置 天津理工大学 2014年 [55] 用于模型预测控制、控制系统性能评价与故障诊断等, 为先进过程控制研究提供实施与验证环境 14 黄铜矿浮选过程 东北大学 2014年 [56] 基于回路控制层和优化控制层双网运行控制算法进行不确定丢包情况下的优化控制实验 15 自然循环锅炉系统 云南大学 2016年 [57] 用于顺序逻辑控制和控制策略等模块的调试与验证 16 氧化铝生料浆配料过程 沈阳镁铝设计研究院
有限公司2017年 [58] 结合了PowerFlex系列变频器, 用于控制系统的调试与开发 17 电厂自动加药系统 长沙理工大学 2018年 [59] 用于现场参数的调试与整定, 炉水模型由Simulink搭建 “虚−真” 18 电加热水箱 华北电力大学 2017年 [42] 真实对象为电加热水箱及其管道回路, 控制器由MATLAB实现, 控制器参数可在线调试 19 风电机组 沈阳工业大学 2020年 [43] 用于教学实验, 能够基于此平台分析不同被控对象特性 “虚−虚” 20 间歇生产过程 上海大学 2011年 [37] 结合MATLAB和WinCC实现, 采用微分形式的机理模型 
下载: 导出CSV
表 2 平台硬件描述
Table 2 Description of platform hardware
设备类型 硬件名称 型号 网络设备 交换机 TP-LINK 16口全千兆交换机TL-SG1016DT 隔离设备 数据采集正向隔离模块 安盟定制式采集装置, 内外网各6个千兆电口, 内外网各128 GB SSD, 内外网主机各1个串口、2个USB口和2U机箱, 主动采集模块、主动发布模块、协议转换模块等, 支持通用工业协议OPC UA/DA、Modbus等 运行参数反向传输模块 辅助设备 PCI板卡 32路隔离模拟量输入PCI-1713U板卡, 32路模拟量输出通道PCI-1724U板卡 摄像头 海康威视红外监控摄像头, DS-2CE16C3T 6 mm 视频采集卡 天创恒达TC-330N4 4路软压缩标清音视频卡 网络时间同步服务器 北斗时讯(天津)科技有限公司BDTS801 基础设备 工控机 研华IPC-610L工控机, 配置Windows7 64位专业版系统 回路控制模块 ABB可编程控制器, 8输入8输出AX522模块、16输出AO523模块、8输入8输出AX522 PLC模块和16输出AO523 PLC模块等
下载: 导出CSV
表 3 平台软件描述
Table 3 Description of platform softwares
软件名称 功能描述 Visual Studio Professional 2022 WinForm包含不同功能的控件及触发事件函数, 用于编写和绘制前台软件系统 MATLAB 2022a 通过编写代码实现复杂计算, 同时具备强大GUI设计功能, 利用该软件实现相关算法的开发与GUI界面的设计 Automation Builder 设备制造商和系统集成商构建设备和系统的工程软件套装, 实现回路控制模块的硬件组态程序的编写功能 OPC Server配置软件 模拟实际工业现场中数据点位和平台中新增点位, 实现数据的传输和发布功能 网络时间同步服务器软件 接收卫星时间为计算机授时和同步多模态历史数据驱动系统中各计算机的系统时间 隔离模块配置软件 配置数据采集和传输的OPC Server和相关点位以及调用模块硬件, 实现数据单向传输
下载: 导出CSV
-
[1] Gómez-Sanabria A, Kiesewetter G, Klimont Z, Schoepp W, Haberl H. Potential for future reductions of global GHG and air pollutants from circular waste management systems. Nature Communications, 2022, 13(1): Article No. 106 doi: 10.1038/s41467-021-27624-7 [2] 汤健, 夏恒, 余文, 乔俊飞. 城市固废焚烧过程智能优化控制研究现状与展望. 自动化学报, 2023, 49(10): 2019−2059Tang Jian, Xia Heng, Yu Wen, Qiao Jun-Fei. Research status and prospects of intelligent optimization control for municipal solid waste incineration process. Acta Automatica Sinica, 2023, 49(10): 2019−2059 [3] Walser T, Limbach L K, Brogioli R, Erismann E, Flamigni L, Hattendorf B, et al. Persistence of engineered nanoparticles in a municipal solid-waste incineration plant. Nature Nanotechnology, 2012, 7(8): 520−524 doi: 10.1038/nnano.2012.64 [4] Xia H, Tang J, Aljerf L. Dioxin emission prediction based on improved deep forest regression for municipal solid waste incineration process. Chemosphere, 2022, 294: Article No. 133716 doi: 10.1016/j.chemosphere.2022.133716 [5] 乔俊飞, 郭子豪, 汤健. 面向城市固废焚烧过程的二噁英排放浓度检测方法综述. 自动化学报, 2020, 46(6): 1063−1089Qiao Jun-Fei, Guo Zi-Hao, Tang Jian. Dioxin emission concentration measurement approaches for municipal solid wastes incineration process: A survey. Acta Automatica Sinica, 2020, 46(6): 1063−1089 [6] 何汶峰, 郑宇, 刘蓓蓓, 张炳. 垃圾分类政策对垃圾焚烧大气污染排放的影响. 中国环境科学, 2022, 42(5): 2433−2441 doi: 10.3969/j.issn.1000-6923.2022.05.050He Wen-Feng, Zheng Yu, Liu Bei-Bei, Zhang Bing. Effects of garbage classification on air pollutant emissions from garbage incineration. China Environmental Science, 2022, 42(5): 2433−2441 doi: 10.3969/j.issn.1000-6923.2022.05.050 [7] Kumar A, Samadder S R. A review on technological options of waste to energy for effective management of municipal solid waste. Waste Management, 2017, 69: 407−422 doi: 10.1016/j.wasman.2017.08.046 [8] Liu Y L, Sun W X, Liu J G. Greenhouse gas emissions from different municipal solid waste management scenarios in China: Based on carbon and energy flow analysis. Waste Management, 2017, 68: 653−661 doi: 10.1016/j.wasman.2017.06.020 [9] Wang T Z, Tang J, Xia H, Aljerf L, Zhang R Y, Tian H, et al. Intelligent optimal control of furnace temperature for the municipal solid waste incineration process using multi-loop controller and particle swarm optimization. Expert Systems With Applications, 2024, 257 : Article No. 125015 [10] Zhuang J B, Tang J, Aljerf L. Comprehensive review on mechanism analysis and numerical simulation of municipal solid waste incineration process based on mechanical grate. Fuel, 2022, 320: Article No. 123826 doi: 10.1016/j.fuel.2022.123826 [11] Kammen D M, Sunter D A. City-integrated renewable energy for urban sustainability. Science, 2016, 352(6288): 922−928 doi: 10.1126/science.aad9302 [12] 国家统计局. 中国统计年鉴. 北京: 中国统计出版社, 2021.National Bureau of Statistics. China Statistical Yearbook. Beijing: China Statistics Press, 2021. [13] Ding H X, Qiao J F, Huang W M, Yu T. Cooperative event-triggered fuzzy-neural multivariable control with multitask learning for municipal solid waste incineration process. IEEE Transactions on Industrial Informatics, 2024, 20(1): 765−774 doi: 10.1109/TII.2023.3264108 [14] Qiao J F, Sun J, Meng X. Event-triggered adaptive model predictive control of oxygen content for municipal solid waste incineration process. IEEE Transactions on Automation Science and Engineering, 2024, 21(1): 463−474 doi: 10.1109/TASE.2022.3227918 [15] Hunsinger H, Jay K, Vehlow J. Formation and destruction of PCDD/F inside a grate furnace. Chemosphere, 2002, 46(9−10): 1263−1272 doi: 10.1016/S0045-6535(01)00256-9 [16] Hershkowitz A, Salerni E. Municipal solid waste incineration in Japan. Environmental Impact Assessment Review, 1989, 9(3): 257−278 doi: 10.1016/0195-9255(89)90008-5 [17] Onishi K. Fuzzy control of municipal refuse incineration plant. Automatic Measurement Control Society, 1991, 27(3): 326−332 [18] Schuler F, Rampp F, Martin J, Wolfrum J. TACCOS-A thermography-assisted combustion control system for waste incinerators. Combustion and Flame, 1994, 99(2): 431−439 doi: 10.1016/0010-2180(94)90150-3 [19] Zipser S, Gommlich A, Matthes J, Keller H B. Combustion plant monitoring and control using infrared and video cameras. IFAC Proceedings Volumes, 2006, 39(7): 249−254 doi: 10.3182/20060625-4-CA-2906.00048 [20] Kaza S, Yao L, Bhada-Tata P, Van Woerden F. What a Waste 2.0: A Global Snapshot of Solid Waste Management to 2050. Washington: World Bank, 2018. [21] 谷琳, 何坤, 刘海威. 中国生活垃圾焚烧发电项目垃圾热值特性及其影响研究. 见: 中国环境科学学会2022年科学技术年会——环境工程技术创新与应用分会场论文集(3). 南昌, 中国: 《环境工程》编辑部, 2022.Gu Lin, He Kun, Liu Hai-Wei. Study on waste heat value characteristics and its impact on waste incineration power generation project in China. In: Proceedings of the Chinese Society of Environmental Sciences, 2022 Science and Technology Annual Conference——Environmental Engineering Technology Innovation and Application (3). Nanchang, China: Environmental Engineering Branch of Chinese Society of Environmental Sciences: Editorial Department of Environ mental Engineering, 2022. [22] Yamada T, Asari M, Miura T, Niijima T, Yano J, Sakai S I. Municipal solid waste composition and food loss reduction in Kyoto City. Journal of Material Cycles and Waste Management, 2017, 19(4): 1351−1360 doi: 10.1007/s10163-017-0643-z [23] Sun J, Meng X, Qiao J F. Data-driven optimal control for municipal solid waste incineration process. IEEE Transactions on Industrial Informatics, 2023, 19(12): 11444−11454 doi: 10.1109/TII.2023.3246467 [24] 丁海旭, 汤健, 乔俊飞. 城市固废焚烧过程数据驱动建模与自组织控制. 自动化学报, 2023, 49(3): 550−566Ding Hai-Xu, Tang Jian, Qiao Jun-Fei. Data-driven modeling and self-organizing control of municipal solid waste incineration process. Acta Automatica Sinica, 2023, 49(3): 550−566 [25] Liu Y L, Xing P X, Liu J G. Environmental performance evaluation of different municipal solid waste management scenarios in China. Resources, Conservation and Recycling, 2017, 125: 98−106 doi: 10.1016/j.resconrec.2017.06.005 [26] Meng X, Tang J, Qiao J F. NOx emissions prediction with a brain-inspired modular neural network in municipal solid waste incineration processes. IEEE Transactions on Industrial Informatics, 2022, 18(7): 4622−4631 doi: 10.1109/TII.2021.3116528 [27] 郑南宁. 软件不再是单一的工具, 而是一个个强大的平台, 支撑着整个工业生态. 冶金自动化, 2023, 47 (6): 56Zheng Nan-Ning. Software is no longer a single tool, but a powerful platform that supports the entire industrial ecosystem. Mentallurgical Industrial Automation, 2023, 47 (6): 56 [28] 杨超, 彭涛, 阳春华, 陈志文, 桂卫华. 高速列车牵引传动系统故障测试与验证仿真平台研究. 自动化学报, 2019, 45(12): 2218−2232Yang Chao, Peng Tao, Yang Chun-Hua, Chen Zhi-Wen, Gui Wei-Hua. Fault testing and validation simulation platform for traction drive system of high-speed trains. Acta Automatica Sinica, 2019, 45(12): 2218−2232 [29] 柴天佑. 工业人工智能发展方向. 自动化学报, 2020, 46(10): 2005−2012Chai Tian-You. Development directions of industrial artificial intelligence. Acta Automatica Sinica, 2020, 46(10): 2005−2012 [30] Zhou P, Gao B H, Wang S, Chai T Y. Identification of abnormal conditions for fused magnesium melting process based on deep learning and multisource information fusion. IEEE Transactions on Industrial Electronics, 2022, 69(3): 3017−3026 doi: 10.1109/TIE.2021.3070512 [31] Xia H, Tang J, Aljerf L, Cui C L, Gao B Y, Ukaogo P O. Dioxin emission modeling using feature selection and simplified DFR with residual error fitting for the grate-based MSWI process. Waste Management, 2023, 168: 256−271 doi: 10.1016/j.wasman.2023.05.056 [32] Xia H, Tang J, Aljerf L, Wang T Z, Gao B Y, Xu Q D, et al. Assessment of PCDD/Fs formation and emission characteristics at a municipal solid waste incinerator for one year. Science of the Total Environment, 2023, 883: Article No. 163705 doi: 10.1016/j.scitotenv.2023.163705 [33] 柴天佑. 复杂工业过程运行优化与反馈控制. 自动化学报, 2013, 39(11): 1744−1757 doi: 10.3724/SP.J.1004.2013.01744Chai Tian-You. Operational optimization and feedback control for complex industrial processes. Acta Automatica Sinica, 2013, 39(11): 1744−1757 doi: 10.3724/SP.J.1004.2013.01744 [34] Sahin C, Bolat E D. Development of remote control and monitoring of web-based distributed OPC system. Computer Standards & Interfaces, 2009, 31(5): 984−993 [35] 翟廉飞, 柴天佑, 高忠江, 岳恒. 制粉系统智能解耦控制的分布式仿真实验平台. 系统仿真学报, 2006, 18(7): 1824−1828 doi: 10.3969/j.issn.1004-731X.2006.07.023Zhai Lian-Fei, Chai Tian-You, Gao Zhong-Jiang, Yue Heng. A distributed simulation platform for intelligent decoupling control of coal pulverizing systems. Journal of System Simulation, 2006, 18(7): 1824−1828 doi: 10.3969/j.issn.1004-731X.2006.07.023 [36] 肖金壮, 魏会然, 王洪瑞, 张伟. 基于Q8的电阻炉控制系统的半实物仿真. 系统仿真学报, 2008, 20(5): 1196−1198Xiao Jin-Zhuang, Wei Hui-Ran, Wang Hong-Rui, Zhang Wei. Hardware-in-the-loop simulation of furnace temperature control system based on Q8 card. Journal of System Simulation, 2008, 20(5): 1196−1198 [37] 贾立, 袁凯. 间歇生产过程优化控制的分布式仿真平台. 系统仿真学报, 2011, 23(10): 2254−2257Jia Li, Yuan Kai. Distributed simulation platform for optimization control of batch processes. Journal of System Simulation, 2011, 23(10): 2254−2257 [38] 阳春华, 孙备, 李勇刚, 黄科科, 桂卫华. 复杂生产流程协同优化与智能控制. 自动化学报, 2023, 49(3): 528−539Yang Chun-Hua, Sun Bei, Li Yong-Gang, Huang Ke-Ke, Gui Wei-Hua. Cooperative optimization and intelligent control of complex production processes. Acta Automatica Sinica, 2023, 49(3): 528−539 [39] 汤健, 柴天佑, 片锦香, 岳恒. 工业过程智能优化控制半实物仿真实验平台. 东北大学学报(自然科学版), 2009, 30(11): 1530−1533 doi: 10.3321/j.issn:1005-3026.2009.11.003Tang Jian, Chai Tian-You, Pian Jin-Xiang, Yue Heng. A hardware-in-the-loop simulation platform for optimized intelligent control of industrial process. Journal of Northeastern University (Natural Science), 2009, 30(11): 1530−1533 doi: 10.3321/j.issn:1005-3026.2009.11.003 [40] 赵珊珊, 白焰, 黄从智. 化学水处理系统的半物理仿真. 化工自动化及仪表, 2010, 37(1): 79−84 doi: 10.3969/j.issn.1000-3932.2010.01.023Zhao Shan-Shan, Bai Yan, Huang Cong-Zhi. Semi-physical simulation of chemical water treatment system. Control and Instruments in Chemical Industry, 2010, 37(1): 79−84 doi: 10.3969/j.issn.1000-3932.2010.01.023 [41] 片锦香, 柴天佑, 贾树晋, 岳恒. 层流冷却系统过程优化控制仿真实验平台. 系统仿真学报, 2007, 19(24): 5667−5671 doi: 10.3969/j.issn.1004-731X.2007.24.016Pian Jin-Xiang, Chai Tian-You, Jia Shu-Jin, Yue Heng. Simulation platform for optimal control of laminar cooling system. Journal of System Simulation, 2007, 19(24): 5667−5671 doi: 10.3969/j.issn.1004-731X.2007.24.016 [42] 马平, 王凯宸, 李紫君. 基于半实物仿真平台的温度控制系统设计. 实验科学与技术, 2017, 15(5): 10−14 doi: 10.3969/j.issn.1672-4550.2017.05.003Ma Ping, Wang Kai-Chen, Li Zi-Jun. Design of temperature control system using semi-physical simulation platform. Experiment Science and Technology, 2017, 15(5): 10−14 doi: 10.3969/j.issn.1672-4550.2017.05.003 [43] 颜宁, 张冠锋, 满林坤, 马少华, 赵海川. 基于RT-LAB半实物仿真平台的风电机组一次调频实验方法研究. 实验技术与管理, 2020, 37(11): 226−229Yan Ning, Zhang Guan-Feng, Man Lin-Kun, Ma Shao-Hua, Zhao Hai-Chuan. Research on primary frequency regulation experimental method of wind turbine based on RT-LAB semi-physical simulation platform. Experimental Technology and Management, 2020, 37(11): 226−229 [44] 熊永华, 许虎, 吴敏, 赖旭芝. 一种烧结生产过程控制云制造仿真实验平台. 计算机集成制造系统, 2012, 18(7): 1627−1636Xiong Yong-Hua, Xu Hu, Wu Min, Lai Xu-Zhi. Cloud manafacturing simulation platform for sintering production process control. Computer Integrated Manufacturing Systems, 2012, 18(7): 1627−1636 [45] 李可夫, 吴敏, 雷琪. 炼焦生产全流程优化控制实验平台设计与开发. 计算技术与自动化, 2008, 27(4): 48−53 doi: 10.3969/j.issn.1003-6199.2008.04.012Li Ke-Fu, Wu Min, Lei Qi. Design on simulation platform aimed to the intelligent integrated optimizing control for whole coking process. Computing Technology and Automation, 2008, 27(4): 48−53 doi: 10.3969/j.issn.1003-6199.2008.04.012 [46] 迟瑛, 岳恒, 丁进良, 汤健. 磨矿仿真实验平台的设计和实现. 控制工程, 2008, 15(5): 598−601 doi: 10.3969/j.issn.1671-7848.2008.05.032Chi Ying, Yue Heng, Ding Jin-Liang, Tang Jian. Design and implementation of the simulation experiment for grinding process. Control Engineering of China, 2008, 15(5): 598−601 doi: 10.3969/j.issn.1671-7848.2008.05.032 [47] 铁鸣, 范玉顺, 柴天佑. 磨矿流程优化控制的分布式仿真平台. 系统仿真学报, 2008, 20(15): 4000−4005Tie Ming, Fan Yu-Shun, Chai Tian-You. Distributed simulation platform for optimizing control of mineral grinding process. Journal of System Simulation, 2008, 20(15): 4000−4005 [48] 刘卓, 刘金礼, 刘建昌. 强磁选过程智能优化控制仿真实验平台. 控制工程, 2008, 15(S1): 155−158Liu Zhuo, Liu Jin-Li, Liu Jian-Chang. Intelligent optimizing control simulation experiment platform for the high intensity magnetic separation process. Control Engineering of China, 2008, 15(S1): 155−158 [49] 王永刚, 柴天佑. 蒸发过程的解耦控制仿真实验平台. 系统仿真学报, 2009, 21(18): 5812−5815Wang Yong-Gang, Chai Tian-You. Distributed simulation platform for decoupling control of evaporation process. Journal of System Simulation, 2009, 21(18): 5812−5815 [50] 黄昕昀. 电厂烟气脱硫控制系统半实物仿真平台. 电气自动化, 2010, 32(6): 28−29 doi: 10.3969/j.issn.1000-3886.2010.06.010Huang Xin-Yun. Semi-physical simulation platform on flue gas desulfurization control system. Electrical Automation, 2010, 32(6): 28−29 doi: 10.3969/j.issn.1000-3886.2010.06.010 [51] 吴永建, 吴志伟, 张莉, 岳恒, 柴天佑. 电熔镁炉智能优化仿真实验平台. 系统仿真学报, 2011, 23(4): 676−680Wu Yong-Jian, Wu Zhi-Wei, Zhang Li, Yue Heng, Chai Tian-You. Simulation platform for intelligent optimization control of electric-fused magnesia furnace. Journal of System Simulation, 2011, 23(4): 676−680 [52] 李健, 岳恒, 郭向红, 柴天佑. 铝酸钠叶滤过程控制仿真实验平台. 化工学报, 2011, 62(8): 2089−2094 doi: 10.3969/j.issn.0438-1157.2011.08.001Li Jian, Yue Heng, Guo Xiang-Hong, Chai Tian-You. Simulation experiment platform for sodium aluminates solution filtrating process. CIESC Journal, 2011, 62(8): 2089−2094 doi: 10.3969/j.issn.0438-1157.2011.08.001 [53] 周平, 代伟, 柴天佑. 竖炉焙烧过程运行优化控制系统的开发及实验研究. 控制理论与应用, 2012, 29(12): 1565−1572Zhou Ping, Dai Wei, Chai Tian-You. Exploration of operational optimization control system for shaft furnace roasting process and its experiment study. Control Theory & Applications, 2012, 29(12): 1565−1572 [54] 李鹏, 孙鹤, 张健, 洪建武, 曹敏. 电厂锅炉燃烧系统先进过程控制实验仿真平台. 计算机与应用化学, 2012, 29(10): 1216−1220 doi: 10.3969/j.issn.1001-4160.2012.10.014Li Peng, Sun He, Zhang Jian, Hong Jian-Wu, Cao Min. Advanced process control simulation platform for combustion system of boiler in power plant. Computers and Applied Chemistry, 2012, 29(10): 1216−1220 doi: 10.3969/j.issn.1001-4160.2012.10.014 [55] 高强, 李航, 高翔, 赵洪业, 吴楠. 一种用于先进过程控制研究的半实物仿真系统. 自动化与仪表, 2014, 29(2): 28−32 doi: 10.3969/j.issn.1001-9944.2014.02.008Gao Qiang, Li Hang, Gao Xiang, Zhao Hong-Ye, Wu Nan. Hardware-in-the-loop simulation system for advanced process control research. Automation & Instrumentation, 2014, 29(2): 28−32 doi: 10.3969/j.issn.1001-9944.2014.02.008 [56] Zhang Y W, Fan J L, Jiang Y, Wang L. Semi-physical simulation platform for double layer network-based operational control. In: Proceedings of the 11th World Congress on Intelligent Control and Automation. Shenyang, China: IEEE, 2014. 1118−1123 [57] 唐国泽, 李鹏, 任文平, 董吉开, 王江. 自然循环锅炉控制系统半实物仿真平台设计. 控制工程, 2016, 23(6): 933−936Tang Guo-Ze, Li Peng, Ren Wen-Ping, Dong Ji-Kai, Wang Jiang. Design of semi physical simulation platform for control of the natural circulation boiler. Control Engineering of China, 2016, 23(6): 933−936 [58] 李天庆. 生料浆配料过程控制系统及半实物仿真实验平台设计. 轻金属, 2017, (2): 58−62Li Tian-Qing. Design of the control system and hardware-in-loop simulation experiment platform for the raw slurry blending process. Light Metals, 2017, (2): 58−62 [59] 冯佳瑶, 乔越, 贺慧勇, 蔡启祥, 宋章明. 电厂加药系统半实物仿真平台设计. 天水师范学院学报, 2018, 38(2): 37−39 doi: 10.3969/j.issn.1671-1351.2018.02.011Feng Jia-Yao, Qiao Yue, He Hui-Yong, Cai Qi-Xiang, Song Zhang-Ming. Design of semi-physical simulation platform for dosing system in power plant. Journal of Tianshui Normal University, 2018, 38(2): 37−39 doi: 10.3969/j.issn.1671-1351.2018.02.011 [60] 王天峥, 汤健, 夏恒, 潘晓彤, 乔俊飞, 刘溪芷. 多模态数据驱动的城市固废焚烧过程验证平台设计与实现. 中国电机工程学报, 2023, 43(12): 4697−4707Wang Tian-Zheng, Tang Jian, Xia Heng, Pan Xiao-Tong, Qiao Jun-Fei, Liu Xi-Zhi. Design and implementation of multi-modal data-driven verification platform for municipal solid waste incineration process. Proceedings of the CSEE, 2023, 43(12): 4697−4707 [61] 王天峥, 汤健, 夏恒, 乔俊飞. 城市固废焚烧过程的回路控制半实物仿真平台. 系统仿真学报, 2023, 35(2): 241−253Wang Tian-Zheng, Tang Jian, Xia Heng, Qiao Jun-Fei. Hardware-in-the-loop simulation platform of loop control for municipal solid waste incineration process. Journal of System Simulation, 2023, 35(2): 241−253 [62] 郭帆, 白文涛, 黄彪. 输出相关的变分自编码器的实时软传感器建模缺失数据. 过程控制学报, 2020, 92: 90−97 doi: 10.1016/j.jprocont.2020.05.012Guo Fan, Bai Wen-Tao, Huang Biao. Output-relevant variational autoencoder for just-in-time soft sensor modeling with missing data. Journal of Process Control, 2020, 92: 90−97 doi: 10.1016/j.jprocont.2020.05.012 [63] Cui C L, Tang J, Xia H, Yu W, Qiao J F. Multiscale modeling using GAN and deep forest regression with application to dioxin emission soft sensor. IEEE Transactions on Instrumentation and Measurement, 2023, 72: Article No. 2526813 [64] 柴天佑, 程思宇, 李平, 贾瑶, 郑锐. 端边云协同的复杂工业过程运行控制智能系统. 控制与决策, 2023, 38(8): 2051−2062Chai Tian-You, Cheng Si-Yu, Li Ping, Jia Yao, Zheng Rui. Intelligent system for operational control of complex industrial process based on end-edge-cloud collaboration. Control and Decision, 2023, 38(8): 2051−2062 [65] 柴天佑. 工业人工智能与工业互联网协同实现生产过程智能化及其未来展望. 控制工程, 2023, 30(8): 1378−1388Chai Tian-You. Industrial AI and industrial internet collaboratively achieving production process intelligence and its future perspectives. Control Engineering of China, 2023, 30(8): 1378−1388 [66] Xiang W, Yu K, Han F L, Fang L, He D H, Han Q L. Advanced manufacturing in Industry 5.0: A survey of key enabling technologies and future trends. IEEE Transactions on Industrial Informatics, 2024, 20(2): 1055−1068 doi: 10.1109/TII.2023.3274224 [67] Mogaji E, Wirtz J, Belk R W, Dwivedi Y K. Immersive time (ImT): Conceptualizing time spent in the metaverse. International Journal of Information Management, 2023, 72: Article No. 102659 doi: 10.1016/j.ijinfomgt.2023.102659 [68] Dolgui A, Ivanov D. Metaverse supply chain and operations management. International Journal of Production Research, 2023, 61(23): 8179−8191 doi: 10.1080/00207543.2023.2240900 [69] Guendouzi B S, Ouchani S, El Assaad H, El Zaher M. A systematic review of federated learning: Challenges, aggregation methods, and development tools. Journal of Network and Computer Applications, 2023, 220: Article No. 103714 doi: 10.1016/j.jnca.2023.103714 [70] Yang W, Xiang W, Yang Y, Cheng P. Optimizing federated learning with deep reinforcement learning for digital twin empowered industrial IoT. IEEE Transactions on Industrial Informatics, 2023, 19(2): 1884−1893 doi: 10.1109/TII.2022.3183465 [71] Wang J G, Tian Y L, Wang Y T, Yang J, Wang X X, Wang S J, et al. A framework and operational procedures for metaverses-based industrial foundation models. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2023, 53(4): 2037−2046 doi: 10.1109/TSMC.2022.3226755 -
下载:
计量
- 文章访问数: 344
- HTML全文浏览量: 183
- PDF下载量: 87
- 被引次数: 0
