基于数据驱动的非线性模型预测控制（NMPC）用于空分装置（ASU）

《ACS Omega》：Data-Driven Nonlinear Model Predictive Control for Air Separation Units

　　

在本研究中，研究人员使用了一种基于数据驱动预测模型的非线性模型预测控制（NMPC）框架来控制空分装置（ASU）。该框架集成到工业自动化平台中，无论底层控制系统供应商如何，都能提供实时控制。该方法是一种可扩展的解决方案，利用自动化训练框架，在模型训练方面只需最小努力。它是物理建模的非线性模型预测控制（NMPC）的强大替代方案，并已通过控制多个生产关键型林德（Linde）ASU得到验证。此外，研究人员引入了一种多模型方法，该方法结合了多个数据驱动预测模型，仅利用所考虑过程变量的主要依赖关系。此外，该方法能够在工厂快速实施，因为无需进行阶跃测试，而阶跃测试通常耗时且干扰工厂的正常运行。基于两个应用实例，研究人员展示了不同负荷变化场景下的控制性能，确保满足所有产品规格。此外，不同的操作模式，包括不同的产品、不同的设备以及不同的整体控制任务，可以通过单个非线性模型来捕获。

**研究背景与问题**

空气分离装置（ASU）通过低温精馏将空气分离为氮、氧、氩等产品，其生产过程具有高度非线性特性，例如复杂的热力学关系导致过程变量强烈耦合。传统控制多采用比例积分（PI）控制器进行反馈调节，但难以实现全局优化。模型预测控制（MPC）通过预测模型和在线优化可提升控制品质，线性模型预测控制（LMPC）在宽工况下性能有限，而物理建模的非线性模型预测控制（NMPC）虽能覆盖非线性，但建模耗时、实时性难以保证，且阶跃测试等系统辨识步骤会干扰正常生产。因此，研究人员旨在开发一种基于数据驱动的NMPC框架，利用人工神经网络（ANN）作为预测模型，无需物理建模，仅依赖历史数据，实现快速部署和适应工况变化，并集成到工业自动化平台中，以解决上述问题。

**研究内容与结论**

本研究提出了一种名为AIPC（Artificial Intelligence Predictive Control）的数据驱动NMPC框架，将ANN预测模型嵌入林德（Linde）自有的AOPS高级自动化平台，实现与底层分布式控制系统（DCS）无关的实时控制。该框架已在多个生产关键型林德ASU上得到验证。研究人员通过两个应用实例展示了其性能：在ASU1（数字孪生）上，引入多模型方法，将多个子模型并行组合，仅利用过程变量的主要依赖关系，成功实现了20%和50%负荷变化下的多变量控制，并满足所有产品纯度规格；在ASU2（实际工厂）上，单个非线性模型即可覆盖气体模式和液体模式两种截然不同的操作模式（涉及不同设备、不同控制任务），且与之前仅用PI+自动负荷变化（ALC）系统的策略相比，AIPC使GOX（气态氧）纯度均值从99.804%提升至99.838%，GAN（气态氮）杂质均值从0.059 ppm降低至0.023 ppm，标准差分别降低了约0.1倍和1.4倍，表明产品纯度更高、波动更小。该研究的重要意义在于：提供了一种可扩展、易维护的工业控制替代方案，能快速实施、适应工况变化，并已在实际生产中得到验证，论文发表在《ACS Omega》。

**主要关键技术方法**

1. **数据驱动的ANN预测模型**：采用单隐层全连接前馈ANN，激活函数为线性整流单元（ReLU），基于NARX（非线性自回归外生输入）结构，利用历史数据（包括稳态和动态数据）进行训练。数据预处理包括滤波去除异常工况、异常值检测、标准化。训练采用Adam优化算法和均方误差（MSE）损失函数。模型训练平台为Python环境下的TensorFlow和Keras。

2. **MPC优化框架**：采用梯度下降优化器（带动量和线搜索步长控制），采样时间30秒，预测时域90分钟。成本函数包含三项：MV（操纵变量）变化率惩罚、CV（被控变量）设定值跟踪误差惩罚、以及约束违反惩罚（软约束形式）。通过调整权重系数实现多目标优化。

3. **多模型扩展方法**：将多个独立训练的ANN子模型以并行方式组合，每个子模型仅关注特定过程区域的过程变量，合并后作为一个整体预测模型输入MPC优化器。该方法可处理不同时间尺度控制回路，并避免引入不必要依赖关系，相当于非线性情况下稀疏控制矩阵的扩展。

4. **工业自动化平台与数字孪生**：AIPC集成于林德AOPS应用套件，通过OPC与DCS通信，实现实时控制。对于ASU1，使用UniSim Design构建数字孪生（DT）作为受控对象，用于测试和开发；对于ASU2，直接使用实际工厂历史数据训练模型，并部署于生产关键ASU。样本队列来源：ASU1数据由数字孪生模拟生成（包括多种负荷变化场景），ASU2数据来自实际工厂历史数据（包含多种操作点和操作模式）。

**研究结果**

**ASU1**：通过数字孪生环境进行20%和50%负荷变化实验。研究人员设置了从100%至80%及100%至50%的负荷变化（由GOX需求定义），负荷变化速率为0.5%/分钟。结果显示，在20%负荷变化下，GOX流程值约40分钟达到设定值，整个过程中所有产品（GAN、GOX、LAR）的纯度规格均得到维持，虽然GOX纯度偶尔超过约束限（0.8 ppm O₂），但仅激活成本函数中的额外惩罚项，未导致实际产品规格违规。四个CV（压力塔中点温度、低压塔中点温度、氩上流氧浓度、粗氩杂质）的设定值均得到良好跟踪，MVs（回流阀位置、空气进料流量、氩上流流量、粗氩流量）呈现负荷依赖性行为。在50%负荷变化这一更极端场景中，产品纯度规格同样始终保持，尽管过程变量变化幅度更大，但AIPC仍能有效应对，证明了该框架对大幅负荷波动的鲁棒性。

**ASU2**：在实际生产关键林德ASU上进行了13天数据采集与分析。该工厂存在两种操作模式：气体模式（仅产气态产品）和液体模式（主要产液态产品，需额外制冷）。BAC（增压空气压缩机）流量和节流阀的状态清晰指示了模式切换。研究人员发现，单个非线性模型即可同时覆盖两种模式，无需切换输入/输出变量集或控制模型。在液体模式下，所有6个MV均被激活用于控制5个CV（包括压力塔氧浓度、低压塔氧浓度、氩上流氧浓度、氮富集侧流氧浓度、节流阀上游温度）；在气体模式下，节流阀控制回路不活动。尽管模式切换时需手动启停设备，但AIPC在两种模式中均能维持GOX和GAN的纯度规格，且不受操作点或负荷变化影响。与之前仅使用PI+ALC系统的20天运行数据对比，AIPC控制下的GOX纯度均值更高（99.838% vs. 99.804%），GAN杂质均值更低（0.023 ppm O₂ vs. 0.059 ppm O₂），且标准差均显著减小，表明控制性能提升。

**讨论与结论**

讨论部分指出，AIPC的预测模型基于ANN，能映射任意非线性关系，覆盖整个操作范围，且无需阶跃测试，可实现快速工厂实施和定期重训练以适应工况变化，维护工作量低于传统NMPC。多模型方法通过将相对独立的氩控制回路分离为单独子模型，避免了不必要的依赖关系，提升了预测质量和整体性能。此外，多模型方法便于处理不同时间尺度控制回路（如氩精馏部分响应慢）。结论部分明确：AIPC是一种数据驱动的NMPC框架，依赖ANN预测模型，仅需历史数据，已用于多个生产关键林德ASU，是物理建模NMPC的强大替代方案；两个应用实例分别验证了其处理多变量控制、极端负荷变化以及不同操作模式的能力，且相比传统控制策略（PI+ALC）提高了产品纯度和控制稳定性；AIPC具有过程无关性，可推广至炼油、石化等工业控制应用，结合自动化训练框架，是适合工业装置的非线性MPC解决方案。