面向复杂纯滞后系统的智能控制系统研究

黄 磊

(河南信息工程学校机电工程系，河南 郑州 450011)

0 引言

在化工和热工的工业过程控制中，物料或能量的传输和变送延迟会导致控制对象具有纯滞后性。这种纯滞后性常因控制系统输出的超量导致目标系统控制指标产生超调或振荡。因此，纯滞后系统的控制过程相对复杂。典型的纯滞后系统有液晶玻璃窑炉[1]的复杂多点加热及恒温控制系统、硅溶胶反应釜的温度控制系统[2]以及注塑控制系统里的温控系统[3]。

随着产能需求的增加，为了提升玻璃、硅溶胶、树脂等物料的加工量，原本原料的单通道流入变成双通道甚至多通道，并同步增加了加工腔体的容量和温控能力。规模化生产企业里多套加工设备的生产能力不同，会按照设备各自设置的温控指标以及原料注入流量进行非持续生产。多台设备还需要保证一致特性的合料。因此，传统基于可编程逻辑控制器(programmable logic controller，PLC)和各种比例积分微分(proportional integral differential，PID)算法的面向单设备的电气控制系统，将无法很好地满足这类快速、大规模的复杂纯滞后系统的应用要求。具体问题表现为：①为了实现自适应控制算法(如改进PID)，采用神经网络[4]或者模糊算法[5-6]，但主流控制器件PLC作复杂运算的能力不足；②由于不同厂家的硬件专有性和封闭性，使得扩展和程序移植都比较困难[7]；③PID调参需要较复杂的过程，无法快速同步设备的工作状态[8]，包括控制指标下达以及控制参数的调整，给生产过程管理带来困难。

利用软PLC的控制系统设计[9]无法从根本上解决不同PLC之间不兼容、不能快速替换的问题，而基于工业物联网应用技术可以快速实现数据的分布式运算与集中控制[10-11]。通过创新性结合工业大数据应用技术[12]，本文提出了1种通用的、面向大规模复杂纯滞后系统的云端联合智能控制系统，并在其基础上给出了具体的应用验证结果。

1 复杂纯滞后系统结构

单输入型纯滞后控制对象工作过程通常是单口投料，通过流量测量变送，经可控制阀门进入加工腔体。腔体内单个控制器并行控制多个加温、加压、搅拌机构以完成加工。腔体内配套多个热电偶、压力变送器实现控制反馈。为了实现快速收敛的恒温/恒压，通常会采用带前反馈的PID控制器。

复杂纯滞后系统结构如图1所示。

图1 复杂纯滞后系统结构图Fig.1 Structure diagram of complex pure hysteresis system

通常，系统设备至少有2个投料口，且投料阀门独立控制。加工腔体内有多个或多层电加热/压装置，对应配置独立的控制装置和多个温度/压力测点。在实际生产车间里，多个复杂纯滞后系统会并行或串行，形成大规模生产。这种情况下，系统既要保证多个分立的控制点能自适应向标定值靠近，又要兼顾其他控制点的调控速度，从而完成最终一致且同步的输出，比如出料合并。

2 系统设计

系统设计需满足多设备对象一致性控制要求，并控制布线难度以减少后期运行维护压力和系统采购成本。系统设计重点考虑了3个关键点：①基于物联网技术，提供最小布线原则下的数据实时采集和边缘计算能力；②基于大数据快速运算技术，利用高性能计算设备缩短解算时长保证100 ms以内的单次解算控制周期；③创建数据流模型，兼顾未来机器学习预测算法应用的可行性。

2.1 架构设计

第一层是边缘层，通过边缘工控机和远程终端单元( remote terminal unit，RTU)对加工设备实施监控。第二层是中控服务层，基于高性能服务器进行统一管控和控制逻辑运算反馈。

RTU设备通常自带4G/5G、Wi-Fi网络能力，同时提供多个输入输出(input/output,I/O)数据接口(包括模拟和数字类型)以及标准的串行RS-485接口。RTU设备既可以通过I/O输出驱动继电器、指示灯、开关等执行器件的工作，又可以直接通过Modbus或其他现场总线协议对变送器以及继电器开关量信号进行数据采集。RTU设备具有一定的存储空间和内存，可以创建并固化脉冲宽度调制(pulse width modulation，PWM)模块，驱动内外部继电器完成对电磁阀的控制。在RTU设备里针对设备安保输出要求进行逻辑编码，驱动外部警报指示灯和紧急制动按钮。

大规模复杂纯滞后系统的单点自适应算法乃至未来机器学习模型样本基于一段历史数据。但RTU设备的存储和处理能力有限，无法满足复杂且快速的数据运行需求。因此，本设计方案采用存储空间更大、计算能力更高的工控机进一步支持多系统的控制运算。边缘工控机作为边缘端的逻辑运算中心和监控中心，采用轻量级物联网应用的消息队列遥测传输(message queuing telemetry transport，MQTT)技术连接多个RTU设备，进行多端数据的快速处理，包括质量过滤、转置、指标转换、统计，还将数据通过分布式消息队列向高性能服务器发布，以确保大规模数据的有效使用。

智能控制系统结构如图2所示。

图2 智能控制系统结构图Fig.2 Structure of intelligent control system

既要达到100 ms周期的基于数据段的运算，又要实现多个加工设备的联动，势必需要工控机运算数据的相互沟通以及统一协调。基于工业大数据的流计算技术可以很好地解决高速数据协同处理的要求。考虑到维护成本以及通信速度受限于单机性能短板，在工业现场一般不建议通过集群方式增强运算能力。因此，本文采用高性能服务器搭建分布式消息队列引擎。高性能服务器通过分布式消息队列与多个边缘工控机通信，对来自不同边缘工控机的多个加工设备数据作一致化处理，包括温度偏差的调节、出料流量的调控，以确保最终合料时的产品品质一致。服务器还负责对所有的数据进行集中存储，并根据历史数据的大小进行扩容，可最终形成分布式文件存储阵列，为潜在的机器学习提供数据支持。服务器用作数据传输服务器和消息队列服务器，以保证数据通信管理有序。

2.2 信息流与功能实现

RTU设备与变送器、控制设备进行通信，波特率为115 200 bit/s，可以达到每秒超过10 KB的传输速率。每个加工设备的传感器数量一般在20个以内、指令控制对象的数量在10个以内、最大数据量小于0.1 KB，可保证每个数据读取控制指令的周期在10 ms级别。

通过将MQTT的服务质量(quality of service，QoS)设置为0，也就是“至最多一次”的消息通信机制，可以保证数据发送频率大于每秒500条、读取时间周期在10 ms的级别。

针对大规模复杂纯滞后系统中多点数据流的快速耦合处理要求，需要选择1个合适的流计算平台。单点PID系统的解算过程未涉及复杂的工程函数解算，单加工腔体内多点数据流计算量不大，但需考虑耦合计算过程对不同点数据流处理的协同要求。对比多个流计算平台，包括Spark Streaming、Flink、Storm、Kafka Streams和Samza。Kafka Streams重量轻，具有ms级的传输延迟，支持微服务类型的架构，不需要专用集群，适合单点计算量不大的流计算场合(单事件处理的延迟为ms)。同时，由于Kafka Streams本身就是分布式消息队列，不需要额外增加通信转换的工作，可以快速实现多边缘工控机的数据协同。Kafka Streams还可以利用流处理器的设计，把前续流处理器对1个或多个主题数据的处理结果作为计算拓扑结构后续流处理器的输入。综合场景需要，本文选择Kafka Streams。

基于上述架构设计实现的系统运行结构及流程如图3所示。纯滞后系统设备按照默认设置开始运行，状态数据实时采集，传感器的离散数据通过变送器进入RTU设备。RTU设备对状态数据先进行限值过滤，并根据过滤结果和阈值进行报警和指示灯指示，或实施针对性的紧急制动。RTU设备将质量过滤后的数据整理成传感器主题数据，通过MQTT发布。边缘工控机将订阅的传感器主题数据按照RTU设备为单位组织整理成Jason格式，再通过Kafka Streams进行发布。高性能服务器将订阅到的设备主题数据进行统一化处理，并基于可配置的浮动时间窗口进行自适应增量PID解算。高性能服务器将PID解算结果叠加时间戳，形成控制主题数据，通过Kafka Streams进行发布。边缘工控机将订阅的控制主题数据进行解析，形成控制报文，通过MQTT下发指定RTU设备，以实现完整的控制回路。

图3 系统运行结构及流程图Fig.3 System operation structure and flowchart

在信息流实现过程中，基于时间窗口内实时数据的计算机控制模型是关键。

2.3 自适应增量PID控制的设计实现

为了保证多个纯滞后系统的协同和耦合控制，系统需在传统线性PID控制的基础上进行改进。由于系统采用了集中式云端控制系统框架，可以先将每个PID控制进行独立解耦实现，并在过程增加与输出偏差相关的调偏参数，最终实现耦合控制。

传统纯滞后系统采用PID算法进行控制。在时间离散控制的计算机上实现的数字化控制模型如下。

e(k-1)]}

(1)

式中：u(k)为k时刻的执行机构位置或开关状态；e(k)为k时刻的预设值与实测值的偏差；Kp、Ti、Td为PID的3个常规参量，即比例系数、积分系数、微分系数。

由于计算控制输出u(k)时要对过去各个状态、e(k)进行累加，积分域的运算量大，很容易出现积分饱和。纯滞后系统的控制量达到最大时，误差仍然在积分的作用下继续累积。即使误差开始反向变化，系统也需要较长时间才能从饱和区退出。所以，在算法中加入自定义窗口期T，只进行T内的积分计算。同时，考虑到并行加工的多个设备的输出，需要保证合料前一致，因此需要增加全局偏差Δe。最终的增量式数字化控制模型如下。

(2)

式中:T为积分时间窗口，一般取1～5个采集周期，代表积分量对应的采样数据数量，e(k)越小则T越小；C为控制点数量，一般为加热丝或加压泵的点数；e(k)i对应测量点i的当前偏差值，即当低于平均测量偏差值时需要减少相应的控制量。

I(u)=50%M(u)

(4)

式中：I(u)为u(k)的初始值;M(u)为u(k)的最大值。

(5)

式中：I(Ti)为Ti的初始值；I(Td)为Td的初始值；M(e)为e(k)的初始值。

u(k)初始值设置为最高值的一半，Kp初始值取高经验值，纯滞后系统初期偏差值e(k)的变化较缓，Kp缓慢变小。当控制作用显现时，e(k)的变化剧烈，Kp将迅速变小，加速收敛。Ti初始值取高经验值，并随着偏差值e(k)的趋零加速积分作用的衰减，以减少饱和区。Td初始值取低经验值，并随着偏差值e(k)的趋零加速微分作用的增强，以减少结果振荡。

自适应增量PID数字算法基于至少5个采集周期数据以及自动核算的偏差最大值M(e)参与模型运算过程。每个纯滞后系统的数据通过Kafka Streams进行消息分发，并可以通过Kafka Streams实现基于遗传值e(k)以及窗口期e(k)的数值运算。在Kafka Streams使用滑动时间窗口模式完成1～5个采集周期的数值运算，并利用Kafka Streams提供的aggregate方法实现Max算子。

3 应用验证

为了便于验证，本文搭建了应用验证系统。应用验证系统原理如图4所示。

应用验证系统采用3套同样的子系统同步运行来模拟大规模系统控制要求。每套子系统主体均为两进一出的腔体，采用空气作为加工对象。腔体在2个进风口布置电控风扇，通过控制风扇转速来模拟对象流量控制，且每个风扇的转速均不同。腔体内安装4个分立的电加热棒，并可通过控制通电占空比来模拟加工控制。腔体内采用4个与电加热棒等距的热电偶进行温控点的数据反馈，并在出风口布置一个热电偶以确认出风口温度。

图4 应用验证系统原理示意图Fig.4 Schematic diagram of application verification system

每个系统配套1个RTU设备。3个系统共用1个工控机和1个高性能服务器。工控机配置为酷睿i3 3217U，4 GB内存，128 GB固态硬盘。服务器配置为至强E-2224 G，8 GB内存，1 TB硬盘。热电偶的采样频率为100 ms。在QoS0的状态下，MQTT的数传消息速率在15个热电偶和6个风扇转速的数据量下，实测在21～39 ms之间完成。利用Kafka Streams进行100次运算时间约为21 s，从室温19 ℃到设定值63 ℃的一致收敛时间实测约为30 s，且从振荡期开始，3个出风口的温差控制在0.1～0.3 ℃之间。验证系统目标温度输出如图5所示。图5基本验证了智能电气控制系统的设计有效性。

图5 验证系统目标温度输出Fig.5 Verify system target temperature output

4 结论

本文利用RTU设备、工控机和高性能服务器搭建面向大规模复杂纯滞后系统对象的智能电气控制系统。系统基于MQTT进行原始数据通信，采用改进的自适应增量PID控制算法，并运用Kafka Streams进行控制模型的流计算。试验证明，该系统设计能够适应多个纯滞后系统的耦合输出要求，同时兼顾快速、稳定收敛的控制目标，具有良好的应用效果。由于本智能控制系统架构非常适合工业大数据技术应用，后续可以通过机器学习模型来应对纯滞后系统的滞后值τ预测。预测结果可对PID控制算法有更直接的收敛促进作用。