柴天佑院士团队 | 工业过程控制智能化及未来发展展望

流程工业是制造业的重要组成部分, 以资源和可回收资源为原料, 通过包含物理化学反应的气液固多相共存的连续化复杂生产全流程, 为下游制造业提供原材料和能源的工业, 包括石化、化工、钢铁、有色、建材、矿业和电力等高耗能行业, 是国民经济和社会发展的重要支柱产业, 是我国经济持续增长的重要支撑力量.目前我国已成为世界上门类最齐全、规模最庞大的流程制造业大国. 我国流程工业产能高度集中, 电力、水泥、钢铁、有色、造纸等行业的产能均居世界第一. 为了使我国由流程制造大国变为制造强国, 需将工业人工智能、工业互联网等新一代信息技术与流程工业自动化和信息化技术深度融合与协同, 创新智能制造模式. 流程工业与离散制造业不同, 实现流程工业高效化、智能化、绿色化的关键是实现生产全流程的整体优化. 针对目前流程制造企业普遍采用的资源计划、制造执行和过程控制系统无法实现无缝集成优化的难题, 需将金字塔式的三层架构变革为人机合作的管理与决策智能化系统和工业过程智能自主控制系统两层架构的智能优化制造新模式 [1,2].

工业过程智能自主控制系统是实现生产全流程整体优化的关键. 实现生产全流程整体优化要求过程控制系统具有高性能动态特性, 即在其运行的所有时间内将过程控制系统优化设定值与被控过程输出之间的跟踪误差控制在设定值区间范围内并尽可能消除跟踪误差 [3]. 我国虽然资源丰富, 但资源的成分复杂, 特别是矿产资源品位低、波动大, 造成生产全流程的运行工况频繁未知变化. 产品质量、产量、能耗、物耗、成本等综合生产指标优化控制动态调整过程控制系统设定值. 由于组成生产全流程的多个工业过程相互影响, 特别是复杂工业过程的动态特性受上下游其他工业过程的影响, 加上复杂工业过程中被控工艺参数, 如选矿控制过程的浓度、粒度, 氧化铝溶出控制过程的苛性比值, 只能靠人工化验获得. 有的被控工艺参数不仅与工业控制过程的变量数据相关, 而且与工况呈现的图像特征相关, 如电熔镁砂生产过程根据矿石熔化的图像特征进行加料控制, 根据炉壁的图像特征进行熔化电流控制. 图像特征只能依靠人工观测.工业过程控制靠积分器来消除跟踪误差, 例如, 工业过程控制普遍采用PID (proportional-integral-derivative)控制. 设定值和未知干扰的频繁变化使积分器失效, 人工化验和人工观测导致反馈信息滞后, 难以实现自动控制, 造成跟踪误差波动大, 往往超过生产工艺规定的目标值范围.

当前, 将人工智能与工业领域相结合, 研究工业人工智能受到学术界和产业界的广泛关注 [4-8]. 工业人工智能已成为工业智能算法的技术基础. 工业互联网作为新一代信息技术与制造业深度融合的产物和以数字化、网络化、智能化为主要特征的新工业革命的关键基础设施 [9]. 工业互联网、工业物联网与工业场景相结合的研究引起学术界和产业界的广泛关注 [2,10-18]. 工业人工智能、工业互联网等新一代信息技术和工业过程控制技术紧密融合与协同会将工业过程控制系统变革为智能自主控制系统, 推动工业过程控制智能化发展. 工业过程控制智能化面临诸多挑战难题, 如因果关系不清的复杂系统建模、控制系统自学习自优化和感知与控制一体化等 [8,19].

本文在分析工业过程控制技术在工业革命中的作用和工业过程控制系统存在问题的基础上, 提出了工业过程控制智能化的涵义、发展方向和面临的挑战难题. 通过复杂工业过程智能控制方法和应用案例, 表明工业人工智能和工业互联网与工业过程控制技术紧密融合与协同为解决工业过程控制智能化的挑战难题提供新的途径. 最后提出了工业过程控制智能化的主要研究方向和研究思路.

工业生产过程是物质流、能源流和信息流交互作用的动态过程, 三流发生变革会引起工业革命. 工业控制技术在工业革命中的作用如图1所示. 

第一次工业革命中能源流首先发生变革. 蒸汽机为动力的工业生产装备代替了人力在生产过程中产生能源流. 蒸汽机为动力的工业生产装备应用于工业生产过程必须解决机器的调速问题. 1788年, 吉姆斯⋅瓦特(James Watt)成功地发明了离心调速器. 离心调速器是一个比例反馈控制器, 从此调速器成了蒸汽机不可分割的一部分. 比例反馈控制技术代替了人工控制, 使生产过程的信息流发生了变革. 如何设计一个稳定的调速器成为一个极富挑战的科学难题. 麦克斯韦(Maxwell)开始了调速器的理论研究 [20]. 麦克斯韦推导出三阶线性微分方程来描述调速系统, 同时发现可以通过闭环系统特征方程的根确定系统的稳定性. 紧接着, 数学家劳斯(Routh)和赫尔维茨(Hurwitz)建立了一般线性系统的稳定性判据 [21,22]. 上述工作奠定了控制理论的基础.蒸汽机与反馈控制技术的广泛应用推动了第一次工业革命.

在第二次工业革命中, 电力代替了蒸汽成为工业生产过程中产生能源流的动力, 使能源流发生了变革. 由于比例控制会产生动态误差, 因此将积分作用引入比例反馈控制, 发明了比例–积分–微分(PID)控制技术 [23,24]. 为了控制以电力为动力的工业生产设备启停和启停顺序, 发明了逻辑控制技术. PID和逻辑控制技术广泛应用于生产过程, 使信息流发生了变革, 实现了传送带的自动化. 自动化的传送带在1870年首次应用于辛辛那提屠宰场, 推动了基于劳动分工和以电力为动力的大规模生产. 如何保证控制系统的稳定性引起了学术界的广泛关注. 1932年,亨利⋅奈奎斯特(Harry Nyquist)开始研究这个问题, 建立了“奈奎斯特判据" [25]. 如何选择PID控制器参数使控制系统具有稳定性和好的动态性能的研究吸引了大量的工程师和科学家. 直到1942年,齐格勒(Ziegler)与尼科尔斯(Nichols)建立了PID参数的整定方法 [26]. 1943年, 贝尔实验室(Bell Laboratory)伯德(Bode)领导的小组设计M9火炮指挥控制系统, 采用了伯德发明的设计反馈控制系统的工具 —— Bode图 [27]. 上述成果奠定了经典控制理论的基础. 电力为动力的工业生产装备和以PID为代表的工业控制技术广泛应用推动了第二次工业革命.

20世纪50年代末到20世纪60年代初, 数字计算机的出现使得亨利⋅庞加莱(J.Henri Poincaré)的状态空间表述方法可以作为多输入多输出被控对象的数学模型和控制器设计与分析的工具. 于是产生了以极大值原理、动态规划和状态空间法为核心的现代控制理论 [28]. 然而, 现代控制理论难以应用于工业过程. 工业过程往往是由多个回路组成的复杂被控对象, 难以用精确数学模型描述. 大规模工业生产的需求, 计算机和通信技术与工业控制技术相结合, 催生了一种专门的计算机控制系统——逻辑程序控制器(programmable logic controller, PLC). 1969年, 美国Modicon公司推出了084 PLC [29]. 该控制系统可以将多个回路的传感器和执行机构通过设备网与控制系统连接起来, 可以方便地进行多个回路的控制, 设备的顺序控制和监控. 1975年, Honeywell和Yokogawa公司研制了可以应用于大型工业过程的分布式控制系统(distributed control system, DCS) [30]. 以组态软件为基础的控制软件、过程监控软件和PLC/DCS应用于生产过程使信息流发生了变革, 使生产线的自动化程度更高, 推动了第三次工业革命. 工业人工智能、工业互联网、工业元宇宙等新一代信息技术的发展必将使生产过程中的感知、识别、 决策与控制组成的信息流发生变革, 引起新一轮工业革命, 推动工业过程控制智能化发展.

3.1 工业过程控制现状分析

目前, 工业过程控制现状如图2和3所示. 

过程控制系统或人工控制系统根据控制系统设定值与区间范围和由检测装置或者人工化验、人工观测得到的被控过程实际输出值, 从而获得跟踪误差. 过程控制系统使用跟踪误差, 被控过程输入输出数据由控制律如PID求出控制输入, 作用于被控工业过程, 使被控过程输出跟踪控制系统设定值, 将其控制在目标区间范围内. 基于经验和知识的人工控制系统根据人工化验或者人工观测得到的反馈信息和控制系统跟踪误差及区间范围凭经验 和知识决策控制输入, 作用于被控工业过程, 使被控过程输出跟踪控制系统设定值, 将其控制在目标区间范围内. 无论是过程控制系统还是人工控制系统都由操作人员通过监控画面的被控过程输入与输出数据监控过程控制的动态特性.

目前, 图2所示的过程控制系统约95%以上采用PID控制器 [31-34]. 国际自动控制联合会(International Federation of Automatic Control, IFAC)的行业工作组对各种控制方法的影响力进行调查, 结果显示PID控制器影响力最强, 影响率高达100% [32]. 因此, 本文以PID为主, 对过程控制系统采用的控制方法进行现状分析. 围绕PID研究的控制方法可以归纳为3类. 

(1)基于被控对象模型的PID控制方法. 采用近似线性系统模型, 通过机理分析和系统辨识方法, 建立被控对象的近似的数学模型 [35,36]. 使用被控对象辨识的模型参数和结构, 采用现代控制方法权衡动态性能和稳定性, 设计PID控制器参数, 如极点配置整定法 [37-40]、 内模控制整定法 [41,42]、约束优化整定法 [43-46]. 

(2)无模型PID控制方法. 通过实验求取反映被控对象动态特性的临界点,以此求取PID参数整定规则 [47-54]. 另一类无模型整定法基于PID控制器结构已知、只与跟踪误差相关, 采用闭环系统的输入–输出数据, 通过智能方法求取最小化性能指标的PID控制器参数 [55-61]. 

(3)针对实际被控对象存在着非线性与不确定性动态特性和受到未知随机干扰, 影响PID控制性能, 文献 [62-66]提出了自适应PID控制. 文献 [67]提出了抗干扰PID. 针对自适应和抗干扰控制会将估计误差引入控制律影响控制系统动态性能, 文献 [68-72]结合选矿、 电熔镁砂等复杂工业过程特点, 利用精确数据和被控过程闭环方程, 采用一步最优控制, 设计精确的补偿信号, 叠加到PID控制器, 提出信号补偿法PID, 显著改善控制系统动态性能.

近年来, 强化学习引起了工业界和学术界的极大关注. 强化学习在工业过程控制的应用研究受到广泛关注. 文献 [73]综述了强化学习在工业过程控制的研究状况并对强化学习与传统最优控制方法进行了比较. 文献 [59,60]将强化学习应用于PID参数整定, 通过仿真和实验表明采用离线训练方式是保证安全整定PID的方法. 为了实现在线整定PID, 文献 [74]将控制过程数字孪生与强化学习相结合, 工业互联网的端边云技术与计算机控制系统相结合, 提出了PID智能整定方法.

上述工业过程控制方法存在的问题如下.

(1) 由于过程控制系统设计所依据的被控过程模型无法准确描述被控过程的动态特性, 因此, 实际运行的过程控制系统难以取得好的动态性能. 如, 采用PID控制技术和商业PID控制器参数整定软件的实际运行的过程控制系统难以取得好的动态性能, 需要有经验的工程师进行调试 [75,76].

(2) 工业控制过程是控制流与能源流和物质流动态交互作用的过程, 原料成分的变化与上下游工业过程的影响等不确定性造成被控过程动态特性变化, 需要重新优化控制系统参数才能使控制系统具有最优的动态性能. 采用实时参数优化方法优化控制系统参数需要进行闭环实验. 由于实时优化方法在数值优化函数的搜索空间可能给出较差的结果, 为了保证控制系统的安全可靠运行, 不允许在线优化控制系统参数, 只能依靠人工离线调整与凑试控制系统参数, 无法获得最优的控制系统参数.

(3) 依靠人工化验、人工观测获得被控工艺参数动态特征的复杂工业过程和受到未知频繁变化干扰造成消除跟踪误差的积分作用 失效的复杂工业过程, 难以采用已有的过程控制技术, 只能采用如图3所示的基于操作人员经验和知识的人工控制. 由于反馈控制信息滞后, 当受到频繁干扰时, 操作人员难以及时准确决策控制输入, 难以将被控过程输出控制在运行优化决策的控制系统设定值区间范围内.

3.2 工业过程控制智能化的涵义与发展方向

由上述分析可以看出, 工业过程控制无法实现优化控制的原因.

(1) 需要人工凭经验和知识设计和调试过程控制系统. 当生产条件变化或受到未知随机干扰导致被控过程动态特性变化, 无法在线优化控制系统参数, 只能依靠人工离线调整.

(2) 针对无法采用工业控制技术的复杂工业过程, 只能依靠操作人员凭经验和知识总结控制规则, 依靠人工化验或人工观测获得被控过程工艺参数, 反馈信息滞后, 无法及时优化控制规则.

(3) 操作人员通过监控画面观测被控过程输入输出数据, 难以及时准确识别控制过程的动态特性变化和调整控制系统.

总之, 目前采用工业控制技术实现工业过程自动控制还需要依靠人的感知、识别、分析与决策能力和经验与知识. 工业人工智能为将过程控制系统设计与调试的知识工作实现自动化与优化提供了新方法. 工业互联网为解决PLC/DCS控制系统无法获得工业大数据和无法执行工业大数据驱动的智能算法的难题提供了新的实现技术. 工业人工智能、工业互联网等新一代信息技术与工业控制技术紧密融合与协同, 将工业过程控制中依靠人的知识工作实现自动化与优化成为工业过程控制智能化的发展方向.

工业过程控制智能化的涵义: 实时感知与识别被控工艺参数, 实时准确可视化识别控制过程动态性能和设备运行状况, 在线自学习自优化过程控制系统, 在所有控制系统运行时间内将被控工艺参数优化目标值与被控过程输出之间的跟踪误差控制在目标范围内 且实现实时跟踪误差极小化的自学习自优化控制.

工业过程控制智能化的发展方向: 工业过程控制智能化驱动人工化验被控工艺参数向工业大数据驱动的实时检测 与预报被控工艺参数的智能系统发展; 驱动人工观测与识别被控工艺参数动态特征向工业大数据驱动的智能感知系统发展; 驱动人工观测与识别被控工业过程动态性能和设备运行状况向元宇宙驱动的工业控制过程远程移动可视化监控的智能系统发展; 驱动复杂工业过程人工控制和过程控制系统向高性能智能控制系统发展; 驱动人工离线调整控制系统参数向在线自学习自优化控制系统参数的智能系统发展; 驱动人工观测视频图像与控制向感知与控制一体化智能系统发展; 驱动PLC/DCS控制系统向新一代信息技术驱动的工业智能控制系统发展.

3.3 工业过程控制智能化面临的挑战

实现工业过程控制智能化的工业大数据驱动的实时检测与预报被控工艺参数的智能系统、工业大数据驱动的智能感知系统、 元宇宙驱动的控制过程智能监控系统需要研究复杂工业动态系统智能建模算法, 包括工业控制过程与被控工艺参数动态变化过程的数字孪生, 复杂工业控制过程动态性能的智能感知与识别, 被控工艺参数的预测与回溯 ,工业控制过程虚拟现实与过程控制系统沉浸式交互. 挑战难题是因果关系不清的被控复杂工业系统建模.

实现工业过程控制智能化的高性能智能控制系统、在线自学习自优化控制系统参数的智能系统需要研究工业高性能智能控制算法, 包括区间最优控制、数据驱动的高性能控制、自学习自优化控制等. 挑战难题是复杂工业动态系统自适应自优化控制.

实现工业过程控制智能化的感知与控制一体化智能系统、新一代信息技术驱动的工业智能控制系统需要研究视频信号驱动的 智能控制算法和软件, 基于自主可控的工业控制计算机和工业服务器的工业智能控制组态软件和智能控制软件, 元宇宙驱动的工业过程智能监控算法与智能监控软件. 挑战难题是基于新一代信息技术的自主可控的工业智能化管控系统.

4.1 复杂工业过程智能控制方法

被控复杂工业过程为

其中,  为被控工业过程输出, 为经网络传输到过程控制器的未知传输时延; 为控制器输出, 为系统延时和经网络传输到被控对象的未知传输时延之和; k为控制采样周期; d为未知随机干扰; f(⋅) 为未知非线性函数. 由于工业过程运行在生产工艺所确定的目标区间附近, 因此可以用线性模型和未知非线性项来表示. 由文献 [54]知, 式1可表示为

其中和为关于的多项式, 阶次分别为和, 即

其中表示被控对象建模误差和未知时延和造成的未建模动态, 是模型结构和参数未知的非线性动态系统, 有界. 虽然未知, 但可以表示为可精确计算的与其变化率之和. 虽然未知, 但反映其对闭环控制系统影响的跟踪误差可测. 将精确数据驱动与一步最优控制律相结合. 基于PID闭环控制方程设计的信号补偿器和PID结合, 提出如图4所示的基于信号补偿的PID控制结构和(5)∼(7)控制律方程.

其中, 

和可以由下式获得:

由式(5)和(6)的控制器表达式可知,控制器的参数直接关系到系统的稳定性及控制性能. 具有最优动态性能的控制系统的目标是在系统运行期间将跟踪误差控制在目标值范围内且尽可能小并且使控制输入在允许的波动范围内尽可能小, 即

其中, δ为跟踪误差目标值范围上界, 为控制输入允许的波动范围上界.

求取满足最优控制性能指标(8)的控制器参数需要进行闭环控制实验. 但实际投入闭环运行的控制系统不允许进行参数整定实验. 通过建立工业控制过程的数字孪生模型, 并结合数字孪生、强化学习和端边云协同技术, 可以实现在数字空间自学习自优化控制器参数 [74]. 在数字空间自优化控制器参数无法看到真实工业控制过程的动态变化, 工业元宇宙与数字孪生相结合可以实现控制系统参数自优化与工业控制过程的沉浸式交互 [77]. 采用文献 [74,77]方法, 提出自学习自优化的工业过程智能控制系统结构如图5所示,控制过程数字孪生建模算法结构如图6所示, 自优化整定控制器参数算法结构图7所示, 基于强化学习的控制器参数整定算法结构如图8所示.

4.2 抗商业5G未知随机时延的智能控制应用案例

5G无线网络系统的发展为工业物联网系统实现全面的无线连接和覆盖提供可靠低时延的通信 [78]. 虽然5G网络低时延、大带宽、高可靠, 可以传输工业场景中的工业大数据, 但由于无线介质的不完善因素(如丢包、同步误差和时延波动), 特别是在复杂工业场景中的电磁干扰等不确定因素造成的未知变化的时延, 不仅使实时控制系统消除误差的积分作用失效, 而且可能改变闭环控制系统的延时, 造成不稳定的零点 [79], 使工业控制系统性能下降, 甚至不稳定. 大部分工业过程具有惯性环节, 控制采样周期500 ms以上, 商用5G时延一般小于200 ms, 却难以应用于工业过程控制. 由式(1)和 (2)知, 商业5G造成的未知随机延时包含在未知非线性动态系统之中, 采用本文的工业过程智能控制方法, 提出基于补偿信号的抗5G时延过程控制方法[80]. 基于5G无线网络的工业过程控制系统结构和抗5G时延控制器结构如图9和10所示.

将抗时延控制器和控制器参数优化组成的抗5G时延优化控制方法与工业互联网的端边云协同技术相结合, 提出了如图11所示的端边云协同的抗时延优化控制系统结构和图12所示的系统功能. 

云-5G控制过程数字孪生系统利用5G闭环控制过程的输入输出及相关变量大数据, 将系统辨识与自适应深度学习相结合, 建立了云端协同的闭环控制下由被控对象与执行机构和检测装置组成的控制过程数字孪生模型. 边–控制器参数自优化整定系统采用云边协同的控制过程数字孪生模型和控制器参数自优化智能整定算法, 自优化整定控制器参数并利用优化的参数对端–基于5G的闭环控制系统的抗时延控制器参数进行自校正. 具体控制算法可参考文献[80].

为了说明本文提出的端边云协同抗时延5G智能控制方法可以明显改善基于5G的工业过程控制系统性能, 以换热系统的流量控制为场景, 建立如图13所示的基于商用5G网络的控制实验系统.

端–基于商业5G的闭环控制系统包括PLC、过程监控计算机、远程IO设备和商业5G终端、5G基站与云服务器组成的商用5G无线传输系统、网络性能检测设备、网络性能监控计算机和工业换热系统的冷风流量被控过程. 远程IO通过电信号连接冷风流量控制系统的流量检测与风机变频执行机构, PLC与远程IO的数据通信协议为开发的可使用商业5G的基于时分多址的保证控制周期的通信协议. 如图8所示的商业5G网络传输系统通过5G终端、5G基站和云服务器和远程IO连接PLC与工业换热系统. 网络性能测量设备和网络性能监控计算机通过网线接入商用5G传输过程, 在数据收发设备两端为数据报文添加时间戳, 利用网络监控计算机进行商业5G的网络性能测量与分析. 边–控制器参数自优化整定系统采用边缘控制系统, 云-5G控制过程数字孪生系统采用人工智能计算平台.

采用图13所示的实验系统开展商业5G传输特性和本文提出的工业过程智能控制方法抗商业5G未知随机传输延时的控制实验. 图14为商用5G无线传输抖动对控制器的控制性能影响. 采用5G无线网络控制输入时延、被控输出时延和往返时延的正态概率密度函数和互补累计分布函数, 分析商用5G无线网络在控制实验中的网络特性. 从图14可以看出, 往返时延200 ms的概率密度为, 互补累积分布为, 往返时延小于200 ms的概率为96.11%. 最大往返时延432.36 ms的概率密度为, 互补累积分布为, 往返时延大于200 ms小于432.36 ms的概率密度为3.83%. 从上述5G无线网络传输特性分析可以看出, 存在着未知随机变化的延时.

基于商业5G的冷风流量控制目标为

其中, δ=2, =45 Hz, k=1表示采样周期为500 ms, 设定值采用如下方波信号:

其中, A为方波幅值, C为偏移量, T为方波周期, sgn(x)为符号函数, 定义为

实验中, 方波信号参数为 A=25, C=175, T=540 s. 0.001<KP<0.01, 0<KI<0.01, 0.001<KD<0.01, 100<λ<500.

利用建立的云边协同冷风流量控制过程数字孪生模型, 采用控制器参数自优化方法, 得到最优控制器参数为

图15为本文的工业过程智能控制方法抗商用5G未知随机延时的控制实验结果. 

从图15可以看出, 比较大的往返时延107.41, 102.04, 186.04, 108.02, 104.51, 109.73, 153.92, 123.93 ms分别发生在采样点49, 73, 82, 96, 136, 209, 216, 234. 虽然商用5G的绝大部分往返时延在200 ms以内, 少数往返时延大于200 ms小于432.36 ms, 均小于本实验的采样周期500 ms. 因受到未知随机干扰, 往返时延随机发生在不同的采样点, 影响控制系统动态性能, 在79∼84采样点和208∼234采样点区间, 往返时延抖动剧烈, 采用PID控制难以将流量控制在目标范围内. 由于本文方法将往返时延抖动作为未知干扰, 通过优化抗干扰控制器使流量控制误差分别为0.34和1.97. 采用控制性能评价指标(8)得 J(k)=1.469, 其中 k=800 均小于控制目标区间上界2 . 从图14和15可以看到, 商用5G的传输时延发生随机变化, 抗时延控制器仍能将冷风流量控制在目标区间范围内.

4.3 工业过程控制智能化的研究方向和研究思路

工业过程控制智能化的主要研究方向为: (1) 因果关系不清的复杂工业生产过程智能建模方法, 包括(i)控制过程数字孪生智能建模方法, (ii)工业大数据驱动的被控工艺参数实时检测与智能预报方法; (2) 复杂工况的智能感知与识别方法, 包括(i)视频与数据融合的工艺参数动态特征智能感知方法, (ii)控制过程动态特性智能识别方法; (3) 基于新一代信息技术的工业过程智能控制方法, 包括(i)工业元宇宙驱动的工业控制过程智能监控方法, (ii)自学习自优化高性能智能控制方法, (iii)感知与控制一体化智能方法; (4) 基于新一代信息技术的工业智能控制系统, 包括(i)基于新一代软件技术的工业智能控制软件, (ii)工业互联网驱动的软件定义控制系统技术, (iii)基于新一代通信的通信与控制一体化技术; (5) 基于新一代信息技术的自主可控工业智能化管控系统.

研究思路如下: (1) 问题驱动,找准急需解决的高性能工业控制的应用场景, 如基于人工化验或人工观察的工业过程控制和受到未知频繁干扰的工业过程控制等; (2) 建立可实时采集工业现场数据的智能控制研究实验系统; (3) 将新一代信息技术,工业控制技术和被控过程领域知识紧密融合与协同,学科方法和技术研发相结合, 研发功能强大的工业智能控制系统; (4) 创新研究机制,形成基础研究–前沿技术研发–工程应用–产品化长期稳定合作研究机制和研发团队.

本文分析了工业控制技术在三次工业革命中的作用, 分析了目前工业过程控制系统的现状和存在的主要问题. 提出工业过程控制智能化是工业控制技术在新一轮工业革命中的发展方向, 通过基于新一代信息技术的工业过程智能控制方法和抗商用5G随机时延控制实验案例表明, 将工业人工智能、 工业互联网等新一代信息技术与工业控制技术紧密融合与协同为发展工业过程控制智能化和研发自主可控的智能化工业管控系统 开辟了新途径. 最后, 提出了工业过程控制智能化的主要研究方向和研究思路.

来源：中国科学信息科学

| 往期回顾