楊舒博 / 工研院資通所
石化製程長期受進料組成變動、觸媒活性衰退、設備效率變化與量測誤差等不確定性影響。傳統模型預測控制所得的最佳操作點常接近品質與安全限制，遇到擾動時容易違規。隨機模型預測控制(SMPC)將不確定性與機率限制納入滾動最佳化，使工程師能以信賴水準設定可接受的風險。本文先說明SMPC的基本觀念與適合導入的石化單元，再以加氫脫硫製程為例，介紹利用遞迴神經網路代理模型加速聯合機率限制求解的方法。案例顯示，在各取樣時點的限制滿足機率均達0.8以上的前提下，隨機最佳控制的求解時間縮短最多達97%。此一加速使控制器更有機會在控制週期內依最新量測更新操作，兼顧觸媒保護與氫氣成本。工研院已投入AI-enhanced智慧化生產效率輔助系統，結合化工理論模型與AI提供操作參數建議。在合作廠商的驗證中，產物產率較歷年提高1%至2%以上，展現出SMPC所需的建模與驗證能量。
【內文精選】
石化製程(Petrochemical Process)具有連續運轉、單元高度耦合、能耗龐大與安全要求嚴格等特性。進料組成會隨上游操作改變，觸媒活性也會逐漸衰退；此外，熱交換器結垢與感測器量測誤差等情況亦相當常見。這些因素都可能使實際製程偏離模型預測。
傳統進階製程控制多建立在確定性模型上，最佳解往往緊貼品質或安全限制。實際狀況一旦偏離假設，就可能造成違規、能源浪費，甚至觸發保護停機。現場常以預留固定安全裕度的方式降低風險，但裕度多寡仰賴經驗；留得太多會犧牲效益，留得太少又不足以抵禦較大的擾動。隨機模型預測控制(Stochastic Model Predictive Control; SMPC)提供另一種方法，將不確定性及其發生機率直接納入控制問題，使可承擔的風險成為可設定、可驗證的工程參數。本文以應用場景為主軸，先說明SMPC的基本觀念，盤點石化廠適合導入的單元，再以加氫脫硫(Hydrodesulphurisation; HDS)製程為例，說明如何利用人工智慧(Artificial Intelligence; AI)代理模型化解SMPC的計算瓶頸，最後整理台灣產業的導入能量與發展藍圖。
從MPC到SMPC的風險量化控制
1. 模型預測控制的基本邏輯
模型預測控制(Model Predictive Control; MPC)運作時，控制器會利用製程動態模型預測未來一段時間的走向，計算一整段最佳操作序列，但只執行第一步，到了下一個取樣時點，再依最新量測重新求解。這種滾動時域機制讓MPC能同時處理多變數耦合與操作限制，是石化業常用的進階控制技術之一。
2. 以機率限制設定可接受風險
傳統MPC假設模型與未來狀態都是確定的，但SMPC則承認未來有多種可能，改用機率描述操作限制。以反應器氫氣莫耳分率為例，在不確定環境下很難保證其永遠不低於0.7，因此可改為要求低於0.7的機率不得超過兩成，也就是以至少0.8的信賴水準滿足限制。信賴水準可由製程、工安與營運單位共同設定，不再只是隱含於操作經驗中的安全裕度。實務上，品質、觸媒保護與設備安全往往必須同時成立，此時可採用聯合機率限制(Joint Chance Constraint; JCC)，要求所有限制同時滿足的機率達到指定水準，更貼近現場對整體可運轉性的要求。
圖一、傳統MPC與SMPC在不確定性下的安全裕度差異
如圖一所示，傳統MPC使用無法處理不確定性的模型預測製程走向，操作軌跡可能接近安全限制；實際製程一旦受到擾動，便可能出現違規風險。SMPC則同時考量多種可能情境，並透過機率限制保留安全裕度。此圖為概念示意，並不代表所有傳統MPC必然違規 ---以上為部分節錄資料，完整內容請見下方附檔。
★本文節錄自《工業材料雜誌》477期，更多資料請見下方附檔。