首页 > 2020第三期> 正文
北京理工大学自动化学院院长夏元清:面向复杂工业制造过程的智能感知、处理、决策与控制理论与方法
2021-12-10

9月25日,以“智”造引领,“云”享未来为主题,“科创中国”2020年“企业创新大家谈”系列活动智能制造高峰论坛在北京举办。本次活动由中国科学技术协会主办,中国科协企业创新服务中心、中国仪器仪表学会承办。在主论坛上,北京理工大学自动化学院院长夏元清就《面向复杂工业制造过程的智能感知、处理、决策与控制理论与方法》作主旨报告,本文整理了他的观点分享:

一、研究背景意义

流程工业在国民经济中占有基础性的战略地位,最有可能率先突破新一代智能制造。如石化行业智能工厂建立数字化网络化智能化的生产运营管理新模式,可极以大提高生产优化,安全环保水平。

离散型智能工厂应用新一代人工智能技术可实现加工质量的升级、加工工艺的优化、加工装备的健康保障、生产的智能调度和管理,建成真正意义上的智能工厂。国务院《新一代人工智能发展规划》中指出,将人工智能与智能制造深度融合,对于推动我国制造业转型升级具有重要的意义。

在复杂制造过程中感知、处理、决策与控制的核心技术,包括工况的感知,实际上这是最难的地方,感知就要花钱,就要加新的传感器。复杂制造时序需要有大数据的处理,还要有复杂制造过程中的智能调度与优化决策,以及复杂制造过程中的智能控制。所以目前缺乏支撑复杂制造过程的控制理论与关键技术体系,智能制造面临着很大的挑战。

二、关键应用挑战

(一)制造终端状态数据难以全面实时感知

如接口不开放的设备缺乏传感基础,还有大量老旧设备缺乏改造条件,以及工业生产环境感知时效性差,还有大量的“哑”设备仍存在生产现场,有些设备淘汰太浪费了,还能用,所以不想改造。

(二)是制造时序历史大数据隐含知识挖掘不充分。

如现有的制造历史大数据分析处理方法比较低效,还有传统的大数据处理方法难以满足工业制造时效性要求,因为智能制造跟商业数据不太一样,商业数据存储在那儿,早一点晚一点没什么大影响,智能制造时效性要求太高了,可能毫秒就报废了。所谓制造时序大数据处理问题是一个非常关键的问题。

(三)传统优化方法难以解决机理不清的复杂调度问题

复杂制造过程难以建模。如沈阳的华晨宝马,过程是非常难以建模的,还有调度任务的复杂性、高动态性,以及传统算法计算收敛时间长,还有基于知识的优化方法柔性不足。因此复杂制造过程智能调度与优化决策问题也是一个有待突破的问题。

(四)传统方法难以适应动态运行不确定性。

如说复杂制造过程MES实时实行行时不苟够理想,生产过程自动化不足,制造任务时效性约束,传统方法难以实现实时性和抗干扰性,基于人工的工况异常诊断虚警率高,缺乏自愈控制能力。所以动态不确定性运行智能控制问题,刚才吴院士也讲到智能控制的问题,吴院士是智能控制的专家,搞卫星的。

三、研究内容方案

航天制造产品的应用,比如研究的内容,可以做哪些研究内容,面向多传感器场景的综合智能感知方法,以及数据驱动的多元异构语义识别方法,基于边缘洞察计算的感知数据智能预处理方法,感知层是最重要的,没有感知就没有数据。所以能够进一步建立复杂制造过程的智能感知系统。

技术路线,比如基于边缘动态技术感知智能数据的处理到多传感器场景感知,再进一步到工业场景自主感知与语义的辨识,实现复杂制造过程工况智能感知。对于复杂制造过程持续大数据智能分析处理方法,比如复杂制造过程多维时序大数据模式化解与知识发现方法,面向趋势预测的复杂制造过程时序大数据可视化方法,可视化方法很重要,特别是可视化直观,特别容易理解,也便于领导来视察。还有云端融合的复杂制造过程时序大数据动态智能计算方法。最后也要建立一个系统。针对大数据高效计算问题,研究云端融合的分布式处理方法,比如针对复杂制造过程时序大数据,针对复杂制造过程时序规则知识,要实现复杂制造过程时序大数据智能分析处理,实际上很多工厂也有大数据,但是数据就存在那里也不用,也不知道存了干什么,这样的很多。

还有复杂制造过程智能调度优化决策方法,现在人工智能赋能制造业,基于强化学习的生产、计划、排程方法,基于深度学习的作业工序调度决策方面,基于集成学习的运行操作优化方法,这些东西非常有用,包括快递小哥路线怎么走,要用人工去告诉他怎么走是不可能的,只有实现智能学习的方法快速实现调度决策优化。

技术路线,基于强化学习的序列决策方法,解决为作业选择加工车间的问题,基于深度学习的资源性能评价方法,解决作业工序选择加工机器问题,研究基于集成学习的操作选择方法,解决机器待加工工序的优化排序问题,这都是大家制造过程中都实实在在遇到过的问题,如果你对车间质量、产品性能要求不高,可能自己就行了,几个人的家庭工厂没问题,但是大型的工厂这些东西用上去肯定能提高效果。所以可以实现复杂制造过程智能调度优化与决策。

研究工业制造过程的智能云化处理,现在企业上云,工信部也有补贴,那真是大势所趋。智能云控制闭环反馈控制理论方法,只有实现闭环的控制,才能真正实现协同。

还有就是面向云制造的智能决策与控制系统研制与云制造平台的集成。这个我们航天云网也做了一个平台,做得不错,我们跟它有合作,我们自己现在调度云工作流,调度软件,我们自己也在开发。比如复杂制造过程智能感知系统、复杂制造过程时序大数据智能分析系统,然后到复杂制造过程智能调度与优化决策系统,复杂制造过程智能控制系统,最后在航天云制造平台上应用。我们提高航天复杂产品制造过程的智能化水平,包括智能感知、智能分析处理、智能优化决策、智能自愈控制等。

四、云控制系统

(一)云控制系统理论应用基础

我们在智能制造云控制探索方面建立了云控制团队,提出了云控制概念,建立了平台,这个平台也发布了很多的文章,包括德国工业4.0,和中国政府签订工业4.0合作协议的代表在大会报告中,专门提出我们云控制是工业4.0很重要的一项技术。

(二)智能工厂云控制系统架构

包括各个边缘层等等,云、网、边、端,进一步提出控制即服务,控制也是一种服务,按需申请,随取即用的服务。再好的系统如果不安全谁也不敢用,断网,物理隔离是最安全的,按照物理隔离就是自绝于世,也不太好,在网络的情况下要考虑网络攻击问题,也是云、网、边、端方面,还有边缘控制架构,因为都在云端耗时,实施性差,所以还要建立边缘的控制架构,云端用的是经济模型预测控制方法。

(三)多辊轧机智能制造云控制系统实例

我们也在做这方面的研究,我们建立了框图,包括执行时间、数据、确定云控制的工作流,大规模云控制任务、工作流调度、端到端时延最小化调度方法,多辊轧机操作云控制的设计。因为要上升到一定的理论,要对模型进行分析,光靠拍脑袋定性分析不够,一定要定量分析,定量分析必须要模型分析,这是我们建立的模型,建立了RD系统,云端调度的时延,时延包括哪些方面,云工业云工作流的算法,以及云控制实例,包括调度器控制分配器、调度器状态任务跟踪器、工作流数据库资源分配器、任务执行时间预估器等,这是部署测试的程序。


(根据“企业创新大家谈”速记整理)