在工业生产过程中，一个良好的控制系统不但要保护系统的稳定性和整个生产的安全，满足一定约束条件，而且应该带来一定的经济效益和社会效益。然而设计这样的控制系统会遇到许多困难，特别是复杂工业过程往往具有不确定性（环境结构和参数的未知性、时变性、随机性、突变性）、非线性、变量间的关联性以及信息的不完全性和大纯滞后性等，要想获得精确的数学模型十分困难。因此，对于过程控制系统的设计，已不能采用单一基于定量的数学模型的传统控制理论和控制技术，必须进一步开发高级的过程控制系统，研究先进的过程控制规律，以及将现有的控制理论和方法向过程控制领域移植和改造等方面越来越受到控制界的关注。
世界各国在加强建模理论、辨识技术、优化控制、最优控制、高级过程控制等方面进行研究，推出了从实际工业过程特点出发，寻求对模型要求不高，在线计算方便，对过程和环境的不确定性有一定适应能力的控制策略和方法，如自适应控制系统、预测控制系统、鲁棒控制系统、智能控制系统等先进控制系统。对于含有大量不确定性和难于建模的复杂系统，基于知识的专家系统、模糊控制、人工
一、基于模型的预测控制
自20世纪60年代蓬勃发展起来的以状态空间分析法为基础的现代控制理论，在航空、航天、制导等领域取得了辉煌的成果。在过程控制领域亦有所移植，但实验室及学院式的研究远多于过程工业上的实际应用，其中主要原因是：工业过程的多输入——多输出的高维复杂系统难于建立精确的数学模型，工业过程模型结构、参数和环境都有大量不确定性；工业过程都存在着非线性，只是程度不同而已；工业过程都存在着各种各样的约束，而过程的最佳操作点往往在约束的边界上等，理论与工业应用之间鸿沟很大，为克服理论与应用之间的不协调，70年代以来，针对工业过程特点寻找各种对模型精确度要求低，控制综合质量好，在线计算方便的优化控制算法。预测控制是在这样的背景下发展起来的一类新型计算机优化控制算法。
（一）预测控制的发展
20世纪70年代后期，模型算法控制（MAC）和动态矩阵控制（DMC）分别在锅炉、分馏塔和石油化工装置上获得成功的应用，取得了明显经济效益，从而引起工业控制界的广泛重视。国外一些公司如Setpoint、DMC、Adersa、Profimatics等也相继推出了预测控制商品化软件包，获得了很多成功的应用。
20世纪80年代初期，人们在自适应控制的研究中发现，为了克服最小方差控制的弱点，有必要吸取预测控制中的多步预测优化策略，这样可增强算法的应用性和鲁棒性。因此出现了基于辨识模型并带有自校正的预测控制算法，如扩展时域自适应控制（EPSAC）、广义预测控制（GPC）等，这类算法以长时段多步优化取代了经典最小方差控制中的一步预测优化，从而可应用于时滞和非最小相位对象，并改善了控制性能和对模型失配的鲁棒性。此外，莫拉里等1982年研究一类新型控制结构——内模控制（IMC），发现预测控制算法与这类控制算法有着密切联系。MAC、DMC是IMC的特例，从结构的角度对预测控制作了更深入的研究。
目前，GPC都是以线性系统作为被控制对象，对于弱非线性系统，一般仍能取得较好的控制效果，但对一些强的非线性系统难于奏效。对此，非线性的广义预测控制研究开始重视，主要有基于Hammerstein模型广义预测控制、基于LMOPDP模型广义预测控制、基于神经网络的非线性系统广义预测控制，还有基于双线性模型、多模型等多种方法。
预测控制的鲁棒性设计成为预测控制研究的热点之一。鲁棒预测控制的思想即使用鲁棒控制算法，在算法设计初期就将系统的不确定性考虑进去，使得整个预测控制系统在实际控制中面对对象
不确定时仍能表现出应有的稳定性。相应软件有Honeywell公司推出的基于鲁棒预测控制的RMPCT（Robust Multivariable Predictive Control Technology）等。智能预测控制主要形式有：基于神经网络、模糊模型、遗传算法、专家控制等智能技术的预测控制算法，这些算法可以处理非线性、多目标、约束条件等生产边界条件在幅度变化的异常情况，智能预测控制思想主要是用智能方法来处理过程的描述问题，特别是非线性过程取得了一定成果。
由于预测控制对于复杂工业过程的适应性，在国内外许多企业得到广泛应用，取得显著经济效益，它在工业过程中有着广阔的应用前景。
（二）预测控制软件包的发展
目前，国外已经形成许多以预测控制为核心思想的先进控制商品化软件包，成功应用于石油化工中的催化裂化、常减压、连续重整、延迟焦化、加氢裂化等许多重要装置。有关部分国外公司软件产品如表。
随着MPC技术
为了解决无可行解的问题，控制结构能随情况发生变化，能使用于过程动态特性以及更高的品质要求，国外公司技术人员开发第三代MPC，第三代模型预测控制技术主要特点是：处理约束的多变量、多目标、多控制模式和基于模型预测的最优控制器。在国内应用较多有：IDCOM-M、DMC、SMCA等控制软件包。
在第三代模型预测控制技术基础上又出现了第四代模型预测控制技术，特征是：基于Windows的图形用户界面；采用多层优化，以实现不同等级目标控制；采用灵活的优化方法；直接考虑模型不确定性（鲁棒控制设计）；改进的辨识技术等。主要代表产品有DMC-pllus、RMPCT等。
（三）我国预测控制应用 （1）催化裂化装置 （2）常减压装置 （3）连续重整装置 （4）聚丙烯装置 2．国内自行开发部分先进控制软件包应用
1．国外引进部分先进控制软件包应用
由于先进控制软件包可以为企业带来可观的经济效益，我国已引进IDCOM-M、SMCA、DMCplus等先进控制软件，并已投入使用。另外，Honeywell Profimatics公司已经与中国石化总公司合作，在石化行业推广他们的RMPCT软件，部分已投入使用。
国内首先由齐鲁石化公司胜利炼油厂引进美国Setpoint公司的多变量预测控制技术（IDCOM-M）获得成功后，大庆石油化工总厂催化裂化装置、兰州炼油化工总厂催化裂化装置、前郭炼油厂催化裂化装置、抚顺石化公司炼油一厂催化裂化装置、燕山石化公司催化裂化装置、乌鲁木齐石化总厂催化裂化装置、荆门石化总厂催化裂化装置等亦从国外引进与合作开发了先进控制系统。
齐鲁石化公司胜利炼油厂引进Honeywell公司先进控制软件；大庆石油化工总厂在第三套常减压蒸馏装置引进Honeywell公司RMPCT先进控制软件；燕山石化公司常减压装置先进控制；兰炼常减压装置先进控制。
广州石油化工总厂连续重整装置采用美国西雷公司的数据平台ONSPEC、美国Setpoint公司的多变量预估软件SMCA；金陵石化公司炼油厂连续重整和抽提装置上采用Honeywell公司的鲁棒多变量预估控制器RMPCT；镇海炼化股份有限公司炼油厂连续重整装置采用美国Aspen公司DMCplus先进控制软件。
扬子石化公司、上海石化、齐鲁石化公司、燕山石化公司等在聚丙烯装置实施先进控制技术获得了明显经济效益。
我国通过“八五”“九五”国家重点科技攻关等，在先进控制与优化控制方面积累了许多经验，成功应用实例亦不少。部分成果已逐渐形成商品化软件。
（四）预测控制发展方向 二、软测量技术 软测量的基本思想是对于难于测量或暂时不能测量的重要变量（或称之为主导变量），选择另外一些容易测量的变量（或称之为辅助变量），通过构成某种数学关系来推断和估计，以软件来代替硬件（传感器）功能。这类方法具有响应迅速，连续给出主导变量信息，且具有投资低、维护保养简单等优点。 近年来，国内外对软测量技术进行了大量研究。著名国际过程控制专家McaVoy教授将软测量技术列为未来控制领域需要研究的几大方向之一，具有广阔的应用前景。 软测量技术主要内容有：机理分析与辅助变量选择，数据采集和预处理，软测量模型建立，在线校正，实施及评价。 （一）软测量建模方法 1．基于工艺机理分析的软测量建模 3．基于人工神经网络的软测量建模
1．自适应MPC：目前亦有自适应MPCSPAN的产品，但实时实现自适应控制存在一定困难，有待进一步研究。
2．鲁棒MPC：只有RMPCT在控制器设计时考虑到模型不确定性，所以设计具有鲁棒稳定性MPC保障的控制器将减少整定与测试时间。
3．非线性MPC：由于不少的生产过程是非线性，开发简单实用的非线性MPC亦是今后的一
个发展方向。
由于在线分析仪表（传感器）不仅价格昂贵，维护保养复杂，而且由于分析仪表滞后大，最终将导致控制质量的性能下降，难以满足生产要求。还有部分产品质量目前无法测量，这在工业生产中实例很多，例如精（分）馏塔产品成分；塔板效率；干点、闪点；反应器中反应物浓度、转化率、催化剂活性；高炉铁水中的含硅量；生物发酵罐中的生物量参数等。近年来，为了解决这类变量的测量问题，各方面在深入研究，目前应用较广泛的是软测量方法。
软测量的核心问题是其模型的建立，也即建立待估计变量与其他直接测量变量间的关联模型。软测量建模的方法多种多样，且各种方法互有交叉，且有相互融合的趋势，因此很难有妥当而全面的分类方法。目前，软测量建模方法一般可分为：机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、基于支持向量机（SVMs）和核函数的方法、过程层析成像、相关分析和现代非线性系统信息处理技术等。这些方法都不同程度地应用于软测量实践中，均具有各自的优缺点及适用范围，有些方法在软测量实践中己有许多成功的应用，后面几种建模方法限于技术发展水平，在过程控制中目前还应用较少。
基于工艺机理分析的软测量建模主要是运用化学反应动力学、物料平衡、能量平衡等原理，通过对过程对象的机理分析，找出不可测主导变量与可测辅助变量之间的关系（建立机理模型），从而实现对某一参数的软测量。对于工艺机理较为清楚的工艺过程，该方法能构造出性能良好的软仪表。但是对于机理研究不充分、尚不完全清楚的复杂工业过程，难以建立合适的机理模型。
2．基于回归分析的软测量建模
经典的回归分析是一种建模的基本方法，应用范围相当广泛。以最小二乘法原理为基础的回归技术目前已相当成熟，常用于线性模型的拟合。对于辅助变量较多的情况，通常要借助机理分析，首先获得模型各变量组合的大致框架，然后再采用逐步回归方法获得软测量模型。为简化模型，也可采用主元回归分析法（Principal Component Regression，PCR）和部分最小二乘回归法（Partial-Least-Squares Regression，PLSR）等方法。基于回归分析的软测量建模方法简单实用，但需要足够有效的样本数据，对测量误差较为敏感。
基于人工神经网络（A
4．基于模式识别的软测量建模
这种软测量建模方法是采用模式识别的方法对工业过程的操作数据进行处理，从中提取系统的特征，构成以模式描述分类为基础的模式识别模型。基于模式识别方法建立的软测量模型与传统的数学模型不同，它是一种以系统的输入、输出数据为基础，通过对系统特征提取而构成的模式描述模型。该方法的优势在于它适用于缺乏系统先验知识的场合，可利用日常操作数据来实现软测量建模。在实际应用中，这种软测量建模方法常常和人工神经网络以及模糊技术
5．基于模糊数学的软测量建模
模糊数学模仿人脑逻辑思维特点，是处理复杂系统的一种有效手段，在过程软测量建模中也得到了应用。基于模糊数学软测量模型是一种知识性模型。该法特别适合应用于复杂工业过程中被测对象呈现亦此亦彼的不确定性，难以用常规数学定量描述的场合。实际应用中常将模糊技术和其他人工智能技术相结合，例如模糊数学和人工神经网络相结合构成模糊神经网络，将模糊数学和模式识别相结合构成模糊模式识别，这样可互相取长补短以提高软仪表的效能。
6．基于支持向量机（SVMs）的方法 7．基于过程层析成像的软测量建模 8．基于相关分析的软测量建模 9．基于现代非线性信息处理技术的软测量建模
建立在统计学习理论基础上的支持向量机（SVMs- Support Vector Machines）业已成为当前机器学习领域的一个研究热点。支持向量机采用结构风险最小化准则，在有限样本情况下，得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值，解决了一般学习方法难以解决的问题，如神经网络结构选择问题和模型学习问题等，从而提高了模型的泛化能力。另外，支持向量机把机器学习问题归结为一个二次规划问题，因而得到的最优解不仅是全局最优解，而且具有唯一性。由于软测量建模与一般数据回归问题之间存在着共性，支持向量机方法应用于回归估计问题取得不错的效果应用，也促使人们把眼光投向工程应用领域，提出了建立基于支持向量机的软测量建模方法。
基于过程层析成像（Process Tomography，PT）的软测量建模方法与其他软测量建模方法不同的是，它是一种以医学层析成像（Computerized Tomography，CT）技术为基础的在线获取过程参数二维或三维的实时分布信息的先进检测技术，即一般软测量技术所获取的大多是关于某一变量的宏观信息，而采用该技术可获取关于该变量微观的时空分布信息。由于技术发展水平的制约，该种软测量建模方法目前离工业实用化还有一定距离，在过程控制中的直接应用还不多。
基于相关分析的软测量建模方法是以随机过程中的相关分析理论为基础，利用两个或多个可测随机信号间的相关特性来实现某一参数的软测量方法。该方法采用的具体实现方法大多是互相关分析方法，即利用各辅助变量（随机信号）间的互相关函数特性来进行软测量。目前这种方法主要应用于难测流体（即采用常规测量仪表难以进行有效测量的流体）流速或流量的在线测量和故障诊断（例如流体输送管道泄漏的检测和定位）等。
基于现代非线性信息处理技术的软测量是利用易测过程信息（辅助变量，它通常是一种随机信号），采用先进的信息处理技术，通过对所获信息的分析处理提取信号特征量，从而实现某一参数的在线检测或过程的状态识别。这种软测量技术的基本思想与基于相关分析的软测量技术一致，都是通过信号处理来解决软测量问题，所不同的是具体信息处理方法不同。该软测量建模方法的信息处理方法大多是各种先进的非线性信息处理技术，例如小波分析、混沌和分形技术等，因此能适用于常规的信号处理手段难以适应的复杂工业系统。相对而言，基于现代非线性信息处理技术的软测量建模方法的发展较晚，研究也还比较分散
软测量建模方法虽然经过多年的发展有了很多成果，但仍有许多问题有待于进一步研究。
（二）工业应用实例
软测量技术工业应用成功实例不少。国外有Inferential Control、Setpoint、DMC、Profimatics、Simcon、Applied Automation等公司以商品化软件形式推出各自的软测量仪表，例如：测量10%、50%、90%和最终的ASTM沸点、闪点、倾点、黏点和雷得蒸汽压等，这些已广泛应用于常减压塔、FCCU主分馏塔、焦化主分馏塔、加氢裂化分馏塔、汽油稳定塔、脱乙烷塔等先进控制和优化控制。它增加了轻质油收率，降低了能耗并减少了原油切换时间，取得了明显经济效益。
国内引进催化裂化、常减压等装置的先进控制软件亦有软测量技术，但这些引进软件价格昂贵。国内有关高等院校、科研院所和企业等自行开发了
气分装置丙烯丙烷塔塔顶丙烯成分软测量。通过严格的汽液平衡模型简化和现场测试，得到非线性回归模型，并设计在线校正。该软测量估计器投入在线运行，精确度满足要求，并成功应用于丙烯成分闭环控制，取得了明显经济效益。
催化裂化装置分馏塔轻柴油凝固点软测量，基于现场数据分析并结合工艺机理分析，建立了多层前向网络柴油凝固点的软测量模型，设计简单在线校正。神经网络模型估计值与分析值最大误差为1.65℃，并用了闭环控制，平稳了生产，减少凝固点波动，合格品由94%提高到100%。
催化裂化装置主分馏塔粗汽油干点软测量。通过机理和现场采集数据分析，建立回归模型和神经网络模型，模型精确度均能满足生产。最后采用回归模型，并加在线控制，现场应用表明误差小于3℃，达98%，已投入闭环控制。
常减压装置常压塔柴油凝固点软测量。通过现场采集数据经处理后，建立了非线性回归模型和神经网络模型，为提高模型精确度和鲁棒性，组成非线性回归模型与神经网络模型结合的混合模型，并设计了一个串级控制系统。投入运行后获得较好控制效果，可以满足生产要求。
加氢裂化装置第一分馏塔航煤干点软测量。根据加氢裂化分馏塔的工艺机理和实测数据分析，合理确定辅助变量，进行数据采集和预处理。在此基础上开发了BP-RBF-PLS的航煤干点软测量混合模型。在工业装置上投入运行精度较高，已通过验收，认为该软测量可实现航煤干点在先连续测量，满足生产要求，为实现先进控制创造了条件。
延迟焦化装置分馏塔粗汽油干点软测量。经对现场采集的数据及工艺机理分析，确定了影响粗汽油干点的最主要因素，分别建立了PLS和RBFN模型，为提高模型精确度和泛化能力、将PLS模型和RBFN模型并联建立了粗汽油干点混合模型，交叉验证表明这一方法是有效的，所建模型精确度较高和良好的泛化能力。
PTA氧化反应质量指标软测量。经工艺机理分析，结合实际数据的相关分析，确定辅助变量，采用基于递推算法的PLS建立软测量模型，该箅法已在PTA氧化反应质量指标的先进控制中应用，取得了较好经济效益。
连续重整装置中重整产品辛烷值、待生催化剂结焦含量、重整产品C5+液收率的软测量，实现在保证质量合格前提下提高产品收率的优化操作指导；完成对重整再生器氧含量的软测量。两个系统先后投运后运行正常，取得了良好的经济效益。
另外，还有丙烯腈收率软测量；高压聚乙烯生产过程中的重要参数——熔融指数（MI）的软测量；合成醋酸乙烯的空时得率和催化剂选择性的软测量；乙烯装置裂解炉出口乙烯收率、丙烯收率、裂解深度的软测量；丁二烯装置的DA106塔塔底的水含量、塔顶的甲基乙炔（MA）和DA107塔塔底的丁二烯（BD-13）、塔顶的丁二烯（BD-13）和总炔（主要是乙基乙炔，用EA表示）的软测量。
（三）软测量技术研究的方向
软测量技术是工业计算机优化控制的有利工具，在理
1．数据处理
数据处理是一个十分重要的问题，尤其是过失误差处理。在理论研究方面已经取得不少成果，但跟实际应用还存在相当距离，应进一步深入研究，缩小理论与实际的差距。近年来，出现了神经网络方法，很有吸引力。
2．软测量建模方法研究
将新兴的技术用于软测量建模。目前虽然出现了众多软测量建模方法，但仍不能满足实际需要。将一些新兴的技术用软测量建模，建立基于新兴技术的软测量模型仍是目前研究的热点。如：将微粒群优化技术、遗传算法、混沌与分形技术等新兴技术用于软测量建模，建立性能更好的软测量模型。
将不同的方法相互融合建立混合模型。由于实际系统的复杂多变，一种方法建立的模型难以满足要求。如果结合实际系统的机理分析和实际情况，将不同的方法相互融合，建立混合模型，这一建模方
3．在线校正的研究
在线校正是软测量应用中必不可少的部分，尽管已有不少离线校正的方法，但在线校正的方法十分有限。因此，开发更多实用方法，以适应复杂工业过程控制的需要亦应是当前研究重点。
三、结束语
今后，还要进一步开发鲁棒性强，适应性宽（操作条件、原料性质等），性能价格比优的商品化先进控制与优化控制软件，适应国内大中型企业需要。
当前先进控制与优化控制软件的二次开发量较大，从设计，测试，仿真研究，到实际工业装置投运周期较长，为此今后应开发一些二次开发量较少的先进控制与优化控制软件，以适应市场需要。
用户要建立一支能参与设计、测试、仿真研究、到实际工业装置投运技术队伍，一旦先进控制与优化控制软件厂商交付使用后，企业自已能运行、维护，保持长期运行。
随着人工智能的迅速发展和控制理与其他学科的交叉渗透，先进控制技术将会得到更深入的发展，应用更加广泛，产生更大的经济效益和社会效益。
来源：《世界仪表与自动化》
