要是數(shù)字控制就是簡單的連續(xù)系統(tǒng)離散化，計(jì)算機(jī)控制也就沒有什么了不起。離散控制帶來了一些連續(xù)控制所不可能具備的新特點(diǎn)，這就是：差分方程用清晰界定的時刻之間的關(guān)系來描述動態(tài)過程。回到洗熱水澡的例子，如果熱水龍頭不在跟前，而是在村外一里地的小鍋爐房里，你只能用電話遙控，那水溫可以表示為

下一分鐘水溫=0.7*現(xiàn)在水溫+0.2*上一分鐘水溫+0.1*再上一分鐘水溫+0.4*（5 分鐘前鍋爐房龍頭開度-6 分鐘前鍋爐房龍頭開度）)

顯然，下一分鐘的水溫受現(xiàn)在水溫的影響比上一分鐘和再上一分鐘的水溫的影響要大，但鍋爐房龍頭開度要是不變，現(xiàn)在、上一分鐘、再上一分鐘水溫都一樣的話， 下一分鐘的水溫也應(yīng)該和現(xiàn)在的水溫一樣。為什么用 5 分鐘前鍋爐房的龍頭開度呢？ 那是因?yàn)闊崴畯拇逋饬鞯较丛璺恳幸欢ǖ臅r間，這個時間就是滯后。要是把時 間向前推，那現(xiàn)在的龍頭開度就會影響 5 分鐘后的水溫。這說明了離散模型的一個重要特質(zhì)：預(yù)估能力。所有預(yù)報(bào)模型都是建立在離散模型的這個預(yù)估能力上，不管 是天氣預(yù)報(bào)，還是經(jīng)濟(jì)預(yù)測，還是自動控制里對有滯后的過程的控制。

數(shù)字控制的另一特質(zhì)是可以實(shí)施一些不可能在連續(xù)時間實(shí)現(xiàn)的控制規(guī)律。工業(yè)上常有控制量的變化需要和當(dāng)前的實(shí)際值有關(guān)的情況。比如對于不同的產(chǎn)品，反應(yīng)器的轉(zhuǎn)化率總是大體在 88-92%之間，沒有太大的變化，但是催化劑可以在 0.5 到 35ppm 之間變化，采用常規(guī)的 PID 的話，增益就非常難設(shè)，對一個情況合 適了，對另一個情況就不合適。所以催化劑需要按百分比變化率調(diào)整，而不是簡單地按偏差比例調(diào)整。比如說，轉(zhuǎn)化率偏離 1%時，催化劑要是在 0.5ppm，應(yīng) 該調(diào)整 0.05ppm；但是在 15ppm 的時候，就應(yīng)該是 1.5ppm。這樣，控制律就可以表示為

當(dāng)前的控制量=上一步的控制量*（設(shè)定值/當(dāng)前的測量值）

也就是說，在被控變量高于設(shè)定值 10%的情況下，控制量也增加 10%；測量值和設(shè)定值一樣時，控制量不再變化。實(shí)際使用時，誰除以誰要根據(jù)測量值上升你是要控制量上升還是下降來決定，控制律也要稍微修改一下，成為

當(dāng)前的控制量=上一步的控制量*（當(dāng)前的測量值/設(shè)定值）^k

k 次方是用來調(diào)整控制律對“偏差”（這是已經(jīng)不是差值，而是比值了，嚴(yán)格地說， 應(yīng)該叫“偏比”？）的靈敏度，相當(dāng)于比例增益。這個控制律實(shí)際上相當(dāng)于對數(shù) 空間的純積分控制，要是有興趣，對很多常見的非線性過程有相當(dāng)不錯的效果，實(shí)現(xiàn)也簡

單。然而，這是一個本質(zhì)離散的控制律，在連續(xù)時間里無法實(shí)現(xiàn)。

離散控制可以“看一步、走一步”的特性，是連續(xù)控制很難模仿的，也是在實(shí)際中極其有用的。

（十四）系統(tǒng)辨識 1

形形色色的控制理論再牛，沒有被控過程的數(shù)學(xué)模型，照樣抓瞎。前面的洗澡水溫就是一個數(shù)學(xué)模型。這個模型是杜撰的，當(dāng)然可以很容易地給它所有模型參數(shù)。但在實(shí)際中，模型參數(shù)不會從天上掉下來。多少科學(xué)家畢生致力于建立某一特定的物 理、生物、化學(xué)或別的學(xué)科的數(shù)學(xué)模型，基本機(jī)制已經(jīng)清楚的模型都不容易建立， 更不用說很多過程的基本機(jī)制或深層機(jī)制并不清楚。所以靠機(jī)理推導(dǎo)被控過程的數(shù)學(xué)模型是可能的，但對日常的控制問題來說，并不實(shí)際。這就是控制理論的另一個 分支—辨識—一顯身手的地方了。

如果給定一個模型，也就是一個數(shù)學(xué)公式，給它一組輸入數(shù)據(jù)，模型就可以計(jì)算出對應(yīng)的輸出數(shù)據(jù)。比如說，給定模型 y=2*x+1，再給出 x=1，2，3，4，那 y 就等于3，5，7，9，就這么很簡單。辨識的問題反過來，先給定一個模型結(jié)構(gòu)，在這里就是y=a*x+b，已知輸入-輸出數(shù)據(jù)是 x=1，2 時 y=3，5，要求計(jì)算出 a 和 b。顯然，這是一個二元一次方程，誰都會解。在實(shí)際中，輸入-輸出的觀察數(shù)據(jù)含有測量噪聲，這對參數(shù)估計(jì)的精度不 利；但通常積累觀察的數(shù)據(jù)量遠(yuǎn)遠(yuǎn)超過未知參數(shù)的個數(shù)，不說數(shù)學(xué)， 感覺上這就應(yīng)該對克服測量噪聲有利，關(guān)鍵是怎么利用這“多余”的數(shù)據(jù)。一個辦法是把數(shù)據(jù)組 兩兩配對，借眾多的二元一次方程，然后對解出來的 a 和 b 作平均。還有一個辦法就是有名的最小二乘法了，說穿了，就是以 a 和 b 為最優(yōu)化的“控制量”，使模型 輸出和實(shí)際觀測值之間的累積平方誤差為最小。

實(shí)際工業(yè)過程大多有多年的運(yùn)行經(jīng)驗(yàn)，大量的數(shù)據(jù)不成問題。對于大多數(shù)常見過程，模型的基本結(jié)構(gòu)和定性性質(zhì)也可以猜一個八九不離十，有了如此有力的數(shù)學(xué)“大錘”，那么應(yīng)該可以砸開一切建模的硬核桃啦。且慢，世上沒有真正的“神奇**”，一個問題解決了，另一個同等難度的問題又會出現(xiàn)。對于辨識來說，問題有好 幾個。

第一個問題是工業(yè)數(shù)據(jù)的閉環(huán)性。大多數(shù)重要參數(shù)都有閉環(huán)回路控制。如果沒有閉環(huán)回路控制，那要么就是過程特性實(shí)在太復(fù)雜，簡單回路控制不了；要么就是這個參數(shù)其實(shí)不重要，飄移一點(diǎn)沒人在乎。然而，一旦閉環(huán)，系統(tǒng)地輸入和輸出就是相關(guān)的了。這一相關(guān)不要緊，輸入-輸出數(shù)據(jù)之間的因果性就全亂了：輸出通過被控 過程本身和輸入相關(guān)（這是好的，辨識就是要測算出這個相關(guān)關(guān)系，輸出要是和輸入不相

關(guān)，也沒有控制或辨識什么事了），輸入通過反饋和輸出相關(guān)；輸入-輸出 成為一個閉合系統(tǒng)，你可以用任意多條定理或方法證明同樣的事：由于因果不分，閉環(huán)辨識是不可能的，除非另外加入“新鮮”的激勵，比如使勁變設(shè)定值，或者在 閉環(huán)回路里額外施加獨(dú)立于輸入、輸出的激勵信號，比如“莫名其妙”地把閥門動幾下。弄到最后，工業(yè)數(shù)據(jù)到底能用多少，就不是一個簡單的回答。有的過程常年 穩(wěn)定操作，像乙烯裝置， 只有小范圍的微調(diào)。這倒不是人家懶或者不求上進(jìn)，而是這些裝置早已高度優(yōu)化，常年操作的極其接近極限的位置，但原料和產(chǎn)品單一，所 以工藝狀況不怎么大變。這種系統(tǒng)的閉環(huán)數(shù)據(jù)用起來很吃力，常常必須做一定的開環(huán)試驗(yàn)。有的過程經(jīng)常在不同的狀態(tài)之間轉(zhuǎn)換（transition），或者由 于不同的原料，如“吃”得很雜的煉油廠，或者由

于不同的產(chǎn)品，如聚乙烯裝置，這實(shí)際上就是“使勁變設(shè)定值”，是新鮮的激勵。這種系統(tǒng)的閉環(huán)數(shù)據(jù)比較好用， 但有別的問題，下面要談到。

（十五）系統(tǒng)辨識 2

第二個問題是動態(tài)和穩(wěn)態(tài)。動態(tài)模型的作用有兩個：一是描述需要多少時間輸出才能達(dá)到某一數(shù)值；二是輸出最終能夠達(dá)到什么數(shù)值。用股票市場舉一個例子，你需要知道兩件事：一是這支股票最后會升到多少 ，二是需要多少時間才能升到那里，只知道其中一個對你并沒有太大的用處。當(dāng)然為了簡化，這里假定這支股票一路飆升， 不來忽升忽降火跌買漲賣的名堂。這就要 求輸入-輸出數(shù)據(jù)必須包含充分的動態(tài)和穩(wěn)態(tài)信息，過于偏頗其中一方面對另一方面會不利。所以，長期穩(wěn)定運(yùn)行的過程中可能包含足夠的穩(wěn)態(tài)數(shù)據(jù)，但動態(tài)不足； 常年不怎么穩(wěn)定的過程可能包含足夠的動態(tài)數(shù)據(jù)， 但穩(wěn)態(tài)不足。用 PID 控制打比方，精確的穩(wěn)態(tài)數(shù)據(jù)有助于計(jì)算正確的比例控制增益， 精確的動態(tài)數(shù)據(jù)有助于計(jì)算 正確的積分和微分增益，顯然，把比例增益整對了更為重要。為了獲得精確的穩(wěn)態(tài)，在辨識中常常需要等過程開環(huán)穩(wěn)定下來才進(jìn)行下一步，但是問題是，司機(jī)過程有 時時間常數(shù)很長，幾個精餾塔一串聯(lián)，時間常數(shù)幾個小時是客氣的，一、兩天都是可能的。這樣一來，一個不太大的模型，十來個變量，開環(huán)試驗(yàn)一做就是一、兩個 星期。要是一個裝置能夠兩個星期開環(huán)，那也不需要什么控制了。

第三個問題是激勵的信噪比。都說人類活動是二氧化碳和溫室效應(yīng)的主要原因， 但要是你去生一堆篝火，再去高空大氣層去測一測二氧化碳和溫室效應(yīng)，肯定什么也測不出來，本來多少，現(xiàn)在還是多少。為什么呢？不是因?yàn)檫@堆篝火沒有效果，而是環(huán)境中的自然的變化遠(yuǎn)遠(yuǎn)超過了篝火的作用，換句話說，就是噪聲遠(yuǎn)遠(yuǎn)超過了信 號。工業(yè)測試也是一樣，信號一定要有一定的強(qiáng)度，否則是白耽誤工夫。信號強(qiáng)度應(yīng)該使過程達(dá)到嚴(yán)重失穩(wěn)的邊緣，這樣才好獲得在大范圍內(nèi)都精確的模型，以便控 制器不光在“風(fēng)平浪靜”的情況下可以正常工作，在“驚濤駭浪”的情況下也能使系統(tǒng)恢復(fù)穩(wěn)定。然而，工廠以生產(chǎn)為主，在一切都“斤斤計(jì)較”的今天，如此大范 圍的測試所帶來的產(chǎn)品損失甚至對設(shè)備的可能的危害，都是工廠極不愿意見到的。理論家們設(shè)計(jì)了一個偽隨機(jī)信號，用一連串寬窄不等的方波信號，作為激勵過程的 輸入，在理論上可以是過程參數(shù)的平均值不致偏離設(shè)定值太多，但 ISO9000 不僅要求產(chǎn)品質(zhì)量的平均值要保證，產(chǎn)品質(zhì)量的一致性也要保證。再說，偽隨機(jī)信 號的脈寬不好確定，太窄了，穩(wěn)態(tài)數(shù)據(jù)不夠；太寬了，和常規(guī)的階躍信號也沒有什么兩樣。所以偽隨機(jī)信號在實(shí)際上用得很少。

第四個問題是輸入的相關(guān)性。實(shí)際工業(yè)過程到了要用辨識來確定模型的時候，都是單回路對付不了了，所以都是多變量過程。在理論上，多個輸入變量可以同時變? 化，只要輸入變量的變化是相互獨(dú)立的，數(shù)學(xué)上容許多個輸入變量同時變化，而辨識可以正確地辨別模型。然而，在使用實(shí)際過程的歷史數(shù)據(jù)時，常常遇到多個輸入 變量并不相互獨(dú)立的問題。比如說，在制作巧克力的過程中，香草巧克力比較“苦”，或者說不太甜，而牛奶巧克力比較甜。問題是做牛奶巧克力時，不光加糖，還 要加牛奶

（廢話，不加牛奶那還是牛奶巧克力嗎？）由于兩者總是同時出現(xiàn)，在甜度模型里， 就難以辨別甜度是由于加糖的關(guān)系，還是由于加牛奶的關(guān)系。有的時候 可以根據(jù)對具體過程的認(rèn)識，人工地限制辨識的過程，來消除這種影響，有的時候，就不太容易? 了，只好不用歷史數(shù)據(jù)，專門做試驗(yàn)，用各自獨(dú)立的輸入，便是模 型。

第五個問題是模型結(jié)構(gòu)。模型結(jié)構(gòu)包括兩個方面，一是模型的階數(shù)，二是剔除在物理上不可能的模型。辨識的模型歸根結(jié)蒂還是差分方程，這就有一個如何預(yù)設(shè)階數(shù)的問題。數(shù)學(xué)上有很多驗(yàn)前和驗(yàn)后的檢驗(yàn)方法，在工業(yè)上，人們偷一個懶，改用費(fèi)參數(shù)模型，也就是用一條響應(yīng)曲線而不是一個方程來表述一個模型，這樣就可以繞 過階數(shù)的問題。但是剔出不現(xiàn)實(shí)的模型還是一個手工活，需要對每一個模型仔細(xì)研究，以確定模型所描述的動態(tài)關(guān)系是否合理。數(shù)學(xué)方法還是不夠可靠。

在搞模型的人中間，常常會聽到黑箱、白箱和灰箱的說法。黑箱模型就是不理會實(shí)際過程的物理、化學(xué)等性質(zhì)，純粹從數(shù)學(xué)出發(fā)，假設(shè)一個模型結(jié)構(gòu)，然后用種種數(shù)學(xué)方法找出一個最好的模型。白箱反其道而行之，從物理、化學(xué)等性質(zhì)出發(fā)，建立機(jī)理模型。黑箱模型的好處是“放之四海而皆準(zhǔn)”，不需要對具體過程有深入的了 解。黑箱模型是一種削足適履的作法，但是如果履本身就做得比較好，具有相當(dāng)?shù)撵`活性和適應(yīng)性，就并不需要削足。由于黑箱模型可以自由假設(shè)模型結(jié)構(gòu)，黑箱模 型的處理和使用都比較方便。黑箱模型是經(jīng)驗(yàn)主義的，數(shù)據(jù)里沒有包含的情況，黑箱模型無法預(yù)測。白箱模型則是“量身度造”的，反映了過程的物理、化學(xué)等性 質(zhì)，對實(shí)際過程的數(shù)據(jù)沒有太大的依賴，對數(shù)據(jù)中不包含的情況也能可靠地預(yù)測。但是白箱模型的結(jié)構(gòu)有具體問題決定，得出的模型不一定容易使用。在實(shí)際中，人 們經(jīng)常在假設(shè)一個模型結(jié)構(gòu)的時候考慮進(jìn)大大簡化的過程機(jī)理，所以模型結(jié)構(gòu)不是憑空拍腦袋出來，而是粗略地抓住了過程的基本特質(zhì)，然后再用黑箱方法的“數(shù)據(jù) 絞肉機(jī)”，將簡化模型沒有能夠捕捉的細(xì)微末節(jié)一網(wǎng)打盡。這種模型結(jié)合了黑箱和白箱的特點(diǎn)，所以稱為灰箱。實(shí)際建模中，純粹黑箱或白箱的成功例子很少，灰箱 的成功機(jī)會就要多得多。

不管什么箱，最后還是有一個如何辨識實(shí)際過程的問題。閉環(huán)辨識的好處不用多說了，問題是如何從閉環(huán)辨識中獲得有用的模型。工業(yè)上有一個辦法，沒有一個“官名”，但實(shí)際上是一個開環(huán)-反饋過程。具體做法是這樣的：先用粗略的過程知識構(gòu)造一個簡單的多變量控制器，其任務(wù)不是精確控制被控過程，而是將被控變量為 此在極限之內(nèi)，一旦逼近或超過極限，就采取動作將其“趕”回極限內(nèi)；但只要在極限內(nèi)，就按部就班地坐階躍擾動，測試過程特性。測試的結(jié)果用來改進(jìn)控制器的 模型，然后再來一遍。幾遍（一般兩遍就夠了）之后，模型精度應(yīng)該很不錯了。這個方法比較好地解決了辨識精度和過程穩(wěn)定性的要求。

（十六）自適應(yīng)控制

西游記里最好看的打斗是孫悟空大戰(zhàn)二郎神那一段。孫悟空大不過就變，二郎神則是“敵變我變”，緊追不舍，最后把個無法無天的頑皮猴子擒拿歸案。用控制理論的觀點(diǎn)看，這“敵變我變”的本事就是自適應(yīng)控制控制器結(jié)構(gòu)根據(jù)被控過程的變化自動調(diào)整、自動優(yōu)化。

自適應(yīng)控制有兩個基本思路，一是所謂模型跟蹤控制，二是所謂之校正控制。模型跟蹤控制也叫模型參考控制，在概念上對人們并不陌生。毛主席那陣子，經(jīng)常樹立各種榜樣，目的就是要在黨發(fā)出號召時，我們比照榜樣的行為，盡量調(diào)整自己的行 為，使我們的行為了榜樣的行為接近。這就是模型跟蹤控制的基本思路。模型跟蹤 控制在航空和機(jī)電上用得比較多，在過程控制中很少使用。

自校正控制的思路更接近人們對自適應(yīng)的理解。自校正控制是一個兩步走的過程，首先對被控過程作實(shí)時辨識，然后再辨識出來的模型的基礎(chǔ)，實(shí)時地重新構(gòu)造控制器。思路簡單明了，實(shí)施也不算復(fù)雜，但自校正控制在一開始的歡呼后，并沒有在工業(yè)上取得大范圍的成功，原因何在呢？

原因之一是閉環(huán)辨識。雖然自校正控制不斷改變控制器的參數(shù)，在一定程度上打破了固定增益反饋控制對輸入、輸出帶來的因果關(guān)系，但是因果關(guān)系還是存在，還是相當(dāng)強(qiáng)烈，對辨識模型的質(zhì)量帶來影響。

原因之二是所謂“協(xié)方差爆炸”。數(shù)學(xué)上當(dāng)然有嚴(yán)格的說法，但簡單地說，就是自校正控制器的目的當(dāng)然還是系統(tǒng)穩(wěn)定下來，但是在系統(tǒng)越來越穩(wěn)定的過程中，自校 正控制器對偏差和擾動的敏感度越來越高，最后到“萬籟俱靜”的時候，敏感度在理論上可以達(dá)到無窮大，然而，這時如果真的擾動來了，控制器一下子就手足無措 了。

原因之三是實(shí)際過程的復(fù)雜性。在辨識實(shí)際過程時，最重要的步驟不是后面的

“數(shù)學(xué)絞肉機(jī)”，而是對數(shù)據(jù)的篩選，必須把各種異常數(shù)據(jù)剔除出去，否則就是“垃圾 進(jìn)來，垃圾出去”。但是，要實(shí)時、自動地剔除異常數(shù)據(jù)，這個要求非同小可，比設(shè)計(jì)、投運(yùn)一個自校正控制器費(fèi)事多了。這是自校正控制在實(shí)際中成功例子有限的 最大原

因。

（十七）模型預(yù)估控制

自動控制從一開始就是以機(jī)電控制為主導(dǎo)的。60 年代數(shù)學(xué)派主導(dǎo)了一段時間后，

70 年代化工派開始“小荷才露尖尖角”。自校正控制已經(jīng)有很多化工的影子，但化工派的正式入場之作是模型預(yù)估控制（model predictive control，MPC）。這是一個總稱， 其代表作是動態(tài)矩陣控制（dynamic matrix control，DMC）。DMC 是 Charlie Cuttler 的

PhD 論文，最先在殼牌石油公司獲得應(yīng)用，以后 Cuttler 自立門戶，創(chuàng)辦 DMC 公司， 現(xiàn)在是 Aspen Technology 公司的一部分。

數(shù)學(xué)控制理論非常優(yōu)美，放之四海而皆準(zhǔn)，但是像老虎一樣，看起來威猛，卻是干不得活的，干活畢竟靠老牛。DMC 的成功之處在于應(yīng)用偽理論，將一些本來不相干的數(shù)學(xué)工具一鍋煮，給一頭老老實(shí)實(shí)的老牛披上一張絢爛的老虎皮，在把普羅大眾唬得一愣一愣的時候，悄悄地把活干了。

DMC 基本就是把非參數(shù)模型（在這里是截?cái)嗟碾A躍曲線）放入線性二次型最優(yōu)控制的架構(gòu)下，成功地解決了解決了多變量、滯后補(bǔ)償和約束控制問題。多變量的含義不言自明，滯后放在離散動態(tài)模型下也很容易實(shí)現(xiàn)預(yù)測，這也沒有什么稀奇。稀奇的是，DMC 用“土辦法”解決了約束控制問題。所有實(shí)際控制問題的控制量都 有極

限。加速時，油門踩到底了，那就是極限，再要多一馬力也多不出來了。龐特里亞金的最大值原理在理論上可以處理約束控制問題，在實(shí)際上很難求出有用的解 來，最速控制是一個特例。那 DMC 是怎么解決約束控制問題的呢？當(dāng)某個控制量達(dá)到極限

時，這個控制量就固定在極限值上了，這就不再是變量，而是已知量，把 已知量代進(jìn)去，將控制矩陣中相關(guān)的行和列抽掉，重新排列矩陣，剩余的接著求解。這也沒有什么稀奇。令人頭疼的是如何處理輸出約束的問題。DMC 把線性規(guī)劃 和控制問題結(jié)合

起來，用線性規(guī)劃解決輸出約束的問題，同時解決了靜態(tài)最優(yōu)的問題，一石兩鳥，在工業(yè)界取得了極大的成功。自卡爾曼始，這是第一個大規(guī)模產(chǎn)品 化的“現(xiàn)代控制技

術(shù)”，Cuttler 在 DMC 上賺了大錢了，在“高技術(shù)泡沫”破碎之前把公司賣給 Aspen

Technology，更是賺得缽滿盆溢。他女婿是一個醫(yī)生，也不行醫(yī)了，改行搞過程控制，跟著 Cuttler 干了。

DMC 的英明之初在于從實(shí)際需要入手，不拘泥于理論上的嚴(yán)格性、完整性，人參、麻黃、紅藥水、狗皮膏藥統(tǒng)統(tǒng)上，只要管用就行。在很長一段時間內(nèi)，DMC 的穩(wěn)定性根本沒有辦法分析，但是它管用。搞實(shí)際的人容易理解 DMC 的歪道理，但搞理論的人對 DMC 很頭疼。

DMC 打開局面后，一時群雄蜂起，但塵埃落定之后，如今只有三家還在舞臺

上。Honeywell 的 RMPCT（Robust Multivariable Predictive Control Technology）是一個中國同胞開創(chuàng)的，他的獨(dú)特之處在于引入“漏斗”概念。大部分控制問題都有一個特

點(diǎn)：如果擾動當(dāng)前，有一點(diǎn)控制偏差是可以容忍 的；但時間一長，控制偏差應(yīng)該消除。換句話說，這就像一個時間軸上對偏差的橫放的漏斗。這個概念對復(fù)雜過程的

MPC 參數(shù)整定非常有用，已經(jīng)在別的公司的產(chǎn) 品上也出現(xiàn)了。

第三家就是方興正艾的 Pavilion Technology 的 Perfecter。美國公司有一個壞毛病，喜歡對好好的產(chǎn)品取一個不倫不類的名字。Perfecter 的特色是將神經(jīng)元技術(shù)

（neural net）和 MPC 結(jié)合起來，所以可以有效地處理非線性過程。神經(jīng)元模型沒有什么神秘的，說穿了，就是具有某些特定復(fù)雜形式的回歸模型，但是比回歸模型更不 適宜內(nèi)插和外推。DMC 也號稱可以處理非線性，因?yàn)榧词闺A躍響應(yīng)曲線拐上幾拐，

DMC 照樣囫圇吞棗，可以計(jì)算控制輸出來，這就是非參數(shù)模型的好處。但是問 題在于 DMC 的結(jié)構(gòu)框架畢竟還是線性的，階躍響應(yīng)的概念根本不適合非線性過程，因?yàn)榉蔷€性響應(yīng)和輸入的絕對數(shù)值、相對變化甚至變化方向有關(guān)，甚至可以更復(fù) 雜，所以所謂 DMC 可以處理非線性是放空炮。如果實(shí)際過程的非線性不強(qiáng)，根本可以忽略

它；如果實(shí)際過程有很強(qiáng)的非線性，DMC 肯定抓瞎。那 么，Perfecter 用了神經(jīng)元，是不是就所向披靡了呢？也不盡然。Perfecter 繼承了 DMC 不問理論、唯實(shí)用是問的好傳統(tǒng)，但是 Perfecter 的基本骨架還是線性的 MPC，只是用靜態(tài)的神經(jīng)元模型時不時地作一個線性化。Perfecter 在理論上乏善可陳，在實(shí)用上還是管用 的。

前面說到 PID 在當(dāng)今過程控制中占至少 85%，那 MPC 就要占 14.5%了。

（十八）DCS

計(jì)算機(jī)對自動控制的影響要是只局限在離散控制理論上，那也就不是計(jì)算機(jī)控制了。事實(shí)上，80 年代以后新建的化工廠，基本都采用計(jì)算機(jī)控制。說是可以采用比

PID 更先進(jìn)的技術(shù)，實(shí)際上，絕大多數(shù)還是在用 PID，加上順序控制，按部就班地執(zhí)行一系列動作。那計(jì)算機(jī)控制的好處到底在什么地方呢？

過程控制的實(shí)際裝置最初全是直接安裝在現(xiàn)場的，后來出現(xiàn)氣動單元儀表，可以把壓縮空氣的信號管線從現(xiàn)場拉到中心控制室，操作工可以在中控觀察、控制全廠? 了。電動單元儀表防爆問題解決后，中控的使用更加廣泛。操作工坐在儀表板前，對

所轄工段的情況一目了然。但是隨著工廠的增大和過程的復(fù)雜，儀表板越來越 長，一個大型化工廠隨隨便便就可以有上千個基本控制回路和上萬個各種監(jiān)控、報(bào)警點(diǎn)，儀表板非有幾百米長不可，這顯然是不可能的。生產(chǎn)過程的高度整合，使一 兩個人控制整個工廠不光滿足削減人工的需要，也對減少通訊環(huán)節(jié)、綜合掌控全局有利。所以， 計(jì)算機(jī)顯示屏就不光是酷，而是必須的了。另外，計(jì)算機(jī)控制使現(xiàn)場 儀表（閥門、測量變送器等）的自檢成為可能，大大提高了系統(tǒng)的可靠性。于是，計(jì)算機(jī)控制就是不花沒人性了。

計(jì)算機(jī)控制從一開始的集中控制（用 IBM 的大型機(jī)）到現(xiàn)在的分散控制（所謂Distributed Control System，DCS）走過一個螺旋形上升的過程。集中控制的要害在于風(fēng)險(xiǎn)集中，要是大型機(jī)掛了，全廠都要失控。分散控制將全廠劃分為若干條條塊塊， 用以 微處理器為基礎(chǔ)的一個控制用局部網(wǎng)來分散控制，主要子系統(tǒng)都是實(shí)時冗余的， 故障時在第一時間內(nèi)切換到備用系統(tǒng)，主系統(tǒng)和備用系統(tǒng)在平時定期互相自檢、切 換，以保證可靠。分散控制顯然大大提高由于計(jì)算機(jī)本身引起的可靠性。但是現(xiàn)場儀表和接線終端（field terminal assembly，F(xiàn)TA）不是冗余的，整個可靠性鏈還是有漏 洞。另外，控制局部網(wǎng)的同軸電纜長度有物理限制，F(xiàn)TA 到 DCS 的長度也有物理限制，所以最 后分散控制還是不怎么分散，全是集中在中控室附近或地下室里。不過

DCS 在地理上的集中，并不妨礙其在邏輯上的分散，只要不是一把火把 DCS 的機(jī)房燒

掉，部件可靠性的問題還是可以很好地隔離在小范圍。

既然 DCS 是一個局部網(wǎng)，那就有一個通信協(xié)議的問題。DCS 基本上用兩大類型的通信協(xié)議：輪詢（polling，中文的準(zhǔn)確譯名是什么？）和中斷。輪詢由 中心控制單元輪流查詢所有子系統(tǒng)，不管有沒有數(shù)據(jù)更新，到時候就來問一遍，所以不管什么時候，系統(tǒng)地通信流量都很高，但是恒定。中斷方式正好相反，子系統(tǒng) 自己先檢查一下，如果數(shù)據(jù)沒有變化，就不上網(wǎng)更新；直到數(shù)據(jù)有變化，再上網(wǎng)“打一個招呼”。這個方式的平時通信流量較低，所以網(wǎng)路帶寬要求較低。但是生產(chǎn) 過程發(fā)生異常時，大量警報(bào)數(shù)據(jù)蜂擁而來，如果帶寬不夠，就會發(fā)生通信阻塞的問題。所以，中斷和輪詢到最后對帶寬的要求是一樣的，因?yàn)檎l也不能承擔(dān)生產(chǎn)過程 異常時通信阻塞的后果。

二十年前，Honeywell 是第一個吃 DCS 這個螃蟹的公司，今天 Honeywell 仍然是行業(yè)里的老大，盡管其設(shè)備昂貴，被戲稱為 Moneywell。當(dāng)年的 DCS 全是量身度造的硬件、軟件。今天在“開放系統(tǒng)”（open architecture）的大潮里，DCS 的制造廠家都紛紛將控制臺和計(jì)算、網(wǎng)絡(luò)控制單元轉(zhuǎn)向通用的 WINTEL 或 UNIX 平臺，自己專注于工控專用裝 置（如基本控制裝置，包括 I/O）和系統(tǒng)的軟件整合。但是這帶來了新的問題。通用/商用硬件、軟件的可靠性常常不能滿足 24 小時、365 天的連續(xù)運(yùn)轉(zhuǎn)要 求。對于大多數(shù) IT 來說，機(jī)子壞了，兩小時內(nèi)換上就是很快的了。但是對于生產(chǎn)過程來說，這是不可容忍的。開放結(jié)構(gòu)容許將 DCS 和經(jīng)營、管理、辦公網(wǎng)絡(luò)相連 接，極大地提高了信息交流速度和深度、廣度，但也帶來了網(wǎng)絡(luò)安全問題，緊接著就是 DCS 前面豎起一道又一道的防火墻，把數(shù)據(jù)分享和遠(yuǎn)程操控壓縮到最低。另 外就是 WINTEL 夜以繼日的不斷更新?lián)Q代，是硬件、軟件的穩(wěn)定性十分糟糕，沒有過多少時間，又要升級，又是頭疼。這是 DCS 的第二個螺旋形上升，只是現(xiàn) 在還是盤旋多于上升。

計(jì)算機(jī)控制的領(lǐng)地也在擴(kuò)大，類似 USB 那樣的技術(shù)也開始用于數(shù)字化的儀表。過去的儀表都必須把信號線拉到接線板（marshalling panel）上，然后再連到 FTA 上，

這樣同樣遠(yuǎn)在百把米外的 10 臺儀表，需要并行拉線，很浪費(fèi)。用了類似 USB 的現(xiàn)場總線（field bus），各個儀表可以“掛”在總線上，然后一根總線連到 DCS 就可以了， 大大節(jié)約拉線費(fèi)用和時間，對系統(tǒng)（如加一個測量用的變送器或控制閥）的擴(kuò)展也極為方便。

DCS 的最大優(yōu)越性是可編程。這不是簡單的像 PLC（programmable logic

controller，可編程序邏輯控制器，多用于機(jī)電控制）的梯形邏輯那樣編程，而是可以像 C、FORTRAN 那樣“正規(guī)”的編程。沒有在 IT 干過，只 能和學(xué)校里計(jì)算機(jī)語言課程和大作業(yè)的程序相比。DCS 編程和平常的編程相比，還是有一些特點(diǎn)的。首先，DCS 的程序?qū)儆凇霸偃搿笔剑簿褪嵌〞r反復(fù)運(yùn)行 的，而不是一次從頭到底運(yùn)行就完事的。所以 DCS 程序可以在運(yùn)行完畢時在內(nèi)存里存放數(shù)據(jù)，到下次運(yùn)行時再調(diào)用，形成所謂

“遞歸”運(yùn)算。這既是優(yōu)點(diǎn)，也是缺 點(diǎn)，要是別人在你兩次運(yùn)算中間把那個中間數(shù)據(jù)更改了，你就慘了，找債主都不容易。

DCS 程序的特色是實(shí)時，所以其執(zhí)行非常取決于一系列事件在時間上的順序。時序上要是搞岔了，老母雞也就變鴨了。問題是，分散控制要求越分散越好，不光是 可靠性，在系統(tǒng)資源的調(diào)度上，分散了也容易使系統(tǒng)的計(jì)算負(fù)荷均勻。這樣一來，一個應(yīng)用程序包常常將一個巨大的程序打散成很多小程序，各自的時序和銜接就要 非常小心。

和學(xué)術(shù)型控制計(jì)算程序最大的不同，或許還在于對異常情況的處理。一個多變量控制問題在實(shí)際上常常會有部分變量處于手動控制，而其余變量處于自動控制的情? 況。這在理論上是一個麻煩，在實(shí)際上是一個噩夢。不光要考慮所有的排列、組合， 還要考慮所有情況平順的切入、切出，不同模式之間的切換。還有就是要考慮異 常情況下如何安全、自動地退出自動控制，交還手動控制。有時操作規(guī)程上的一句話，程序?qū)憣懢褪且豁?。如果操作?guī)程上來一句“視情處理”，那就更慘了。在所 有控制程序中，控制計(jì)算通常不超過 30%，20%為人機(jī)接口功能，而 50%為異常情況處理。

計(jì)算機(jī)控制不是因?yàn)楦冗M(jìn)、更有效的人機(jī)界面才開始的。從一開始，人機(jī)界面就面臨一個管中窺豹的問題。計(jì)算機(jī)的 CRT 顯屏只有這么大，不可能 “一言以蔽之”， 在一瞥之中把所有的過程信息盡收眼底。計(jì)算機(jī)可以不斷地?fù)Q屏，分段顯示其他裝

置、工段的信息，但是把所有的工段、裝置分別用各自的畫幅表 示，如果沒有有效的組織，找都不容易找到，就像在同一個目錄里雜亂無章地放上百把個文件一樣。分級的菜單是傳統(tǒng)的解決辦法，但是要逐級上去再逐級下來，很 費(fèi)時間，情急之中，往往來不及更換。大鍵盤上 short cut 鍵可以“一鍵調(diào)出”，但需要死記硬背，這可不是幾

個、十幾個畫幅，而是上百個甚至更多。很長時間以來，如何有效地在畫幅之間導(dǎo)? 航，可以在最短時間和 最少點(diǎn)擊內(nèi)，不需要死記硬背，就可以直觀地找到所需要的畫幅，一直是一個令人頭疼的問題。

人機(jī)界面設(shè)計(jì)的另一個問題是色彩。還記得 DOS 2.0 時代的 WordStar 嗎？那是黑底綠字的。那時候，CRT 亮度不足，壽命也糟糕，黑底可以延長壽命，綠字可以增加反差，幫助閱讀，反正機(jī)房是暗暗的，黑底并不傷眼睛。到了 WordPerfect 5.0 的時

候，就是藍(lán)底白字了，字和背景之間的反差大大減小，藍(lán)底也比較適宜于在明亮的房

間內(nèi)使用。到了 Word 的時代，沒有昏暗的機(jī)房了，基本上都用像紙上寫字一樣的白底黑字了，再用黑底綠字，太傷眼睛。

中控室計(jì)算機(jī)顯示也經(jīng)歷了類似的旅程。早期 DCS 的顯示都是黑底綠字的，到了用 WINTEL 或 UNIX 的時代，很多人出于習(xí)慣，仍然采用黑底綠字，但是現(xiàn) 代人機(jī)工程研究表明，淺色背景大大減低眼睛的疲勞，在明亮室內(nèi)的燈光對屏幕的反光也

小，所以控制室的顯示開始向淺灰背景進(jìn)化了。人機(jī)工程研究同時發(fā)現(xiàn)，色 彩可以作為過程信息的一部分，天下太平的時候，應(yīng)該用最不顯眼的灰色，所有的圖形、數(shù)據(jù)都用不同深淺的灰色來表示，只有在過程參數(shù)越限或報(bào)警時，才采用彩 色顯示，這樣可以一下子就把操作工的注意力吸引到需要的地方。但是，出于習(xí)慣思維，很多地方還是大量采用各種色彩表示不同的設(shè)備狀態(tài)和參數(shù)，即使是正常狀 態(tài)也是一樣。這樣在平日里色彩繽紛很好看，但在異常情況時，不容易在萬馬軍中找到上將的首級，實(shí)際上是舍本逐末。

顯示器的布置也很有講究，少了當(dāng)然不行，也不是越多越好，一個操作工的視界的上下左右有一定的范圍，控制臺的色彩、構(gòu)造、照明都不能想當(dāng)然的。這不是助長修正主義，而是保持操作工最有效地控制生產(chǎn)過程的要求。

（十九）控制系統(tǒng)仿真與參數(shù)整定

傳統(tǒng)上，如果操作工不抱怨，控制回路的性能就是可以接受的，除非你想精益求精，一般不會去沒事找事，重新整定參數(shù)。在對經(jīng)濟(jì)效益斤斤計(jì)較的今天，生產(chǎn)過程的工藝條件被推到極端，對控制性能提出極大的挑戰(zhàn)，控制回路必需時時、處處都在最優(yōu)狀態(tài)。隨著控制回路數(shù)的迅速增長，單靠人工觀察，已經(jīng)難于隨時掌握所有 控制回路的性能狀況了?？刂苹芈沸阅茉u估技術(shù)應(yīng)運(yùn)而生。

理論上，對一個過程可以設(shè)計(jì)一個最優(yōu)控制，其中一種就叫最小方差控制。這其實(shí)是線性二次型最優(yōu)控制的一種，控制作用比較猛，但是這是理論上的極限，控制方差不可能再小了。90 年代時，理論界提出一個方法，可以用閉環(huán)辨識的方法，不辨識模型，而是直接確定理論上的最小方差，然后將實(shí)際方差和理論上的最小方差 相比， 判別控制回路是否需要重新整定。這個方法開創(chuàng)了控制回路性能評估的先河，但是在實(shí)用上不容易排除不利影響，應(yīng)用不多。

然而，不和理論上的最優(yōu)值比較，而是和實(shí)際上的理想值比較，就可以繞過很多麻煩的理論問題。比如說，流量回路應(yīng)該在 1 分鐘內(nèi)安定下來，那理想值就是 1 分鐘。通過快速富利葉變換和頻域分析，可以將理論性能和實(shí)際性能相比較，迅速確定

回路的當(dāng)前性能狀況。最要緊的是，這可以用計(jì)算機(jī)自動采集數(shù)據(jù)，自動計(jì)算， 每天早上（或隨便什么時候）給出報(bào)表，控制工程師可以一目了然，哪些回路需要重新整定，哪些沒有問題，可以有的放矢。實(shí)時頻域分析還可以將所有以相近頻率 振蕩的回路羅列出來，接下來控制工程師就可以按圖索驥，找出害群之馬了。

控制回路性能評估的下一步當(dāng)然就是自動整定。這實(shí)際上是一個簡化的、斷續(xù)運(yùn)行的自校正 PID 控制器，在理論上已經(jīng)沒有問題，但實(shí)用上還有很多可靠性問題沒有完全解決，現(xiàn)在產(chǎn)品不少，但實(shí)用的還是不多。

對控制回路性能評估的更進(jìn)一步，當(dāng)然就是對生產(chǎn)過程的故障診斷了。故障就是異常情況，異常就是和正常不一樣。所以故障診斷的核心在于如何探測這“不一樣”。

故障總是有蛛絲馬跡的，問題在于工業(yè)過程的數(shù)據(jù)量太大，在大海里撈針，等撈到的時候，常常已經(jīng)時過境遷了。在數(shù)據(jù)分析中，PLS（其實(shí)是 Peojection to Latent

Structure，而不是一般所認(rèn)為的 Partial Least Square）和主元分析（Principal Component

Analysis，PCA）是很流行的方法。PLS 和 PCA 將眾多相關(guān)的變量歸攏到少數(shù)幾個“合成”的變量，這樣一個有大量變量的復(fù)雜大系統(tǒng)就可以簡化為 一個小系統(tǒng)，就從大海撈針變?yōu)橥肜飺漆樍?。撈出來的針不再是單個的變量，而是變量的組合。這和實(shí)際是相符的，故障的早期征兆常常是若干變量的組合，而不能 單從一兩個變量上看出來。

PLS 和 PCA 還可以和圖形方法結(jié)合起來使用。比如說，將那些合成變量標(biāo)稱化， 就是除以正常值，那所有合成變量的標(biāo)稱值就是 1。把所有變量畫成“蜘蛛圖”（spider

chart），每一個蜘蛛腳代表一個合成變量，由于合成變量的標(biāo)稱值都是 1，蜘蛛圖就是大體為圓的。如果哪一個腳出現(xiàn)變化，蜘蛛就不圓了，非常容易看出異常來，接下來就可以有的放矢地尋找故障的早期跡象了。

圖形數(shù)據(jù)分析的另一個路子是所謂 co-linear 分析。這是 IBM 早年琢磨出來的一個東西，理論上簡直沒有東西，但要求換一個思路，正所謂退一步海闊天 空。平常的數(shù)據(jù)點(diǎn)，三維以上就沒法畫了。但是如果把三維空間的所有數(shù)軸畫成平行線，而不是常見的直角坐標(biāo)，那三維空間里的一個點(diǎn)，就是連接三根平行線的一 根折線。如果僅此而已，那也就是一個簡單但愚蠢的數(shù)學(xué)游戲。平行坐標(biāo)系的妙處在于，平行線可以盡著畫，所以 5 維、20 維、3 千維，只要紙足夠大，都可以 畫，而且可以看見，而不是只能想像。平行坐標(biāo)只有一個缺點(diǎn)，就是只能表述離散的點(diǎn)，而難以表述連續(xù)的線或面，但這對計(jì)算機(jī)采集的數(shù)據(jù)來說，不是問題，計(jì)算 機(jī)采集的數(shù)據(jù)本來就是離散的

點(diǎn)。這樣，用平行坐標(biāo)把大量的數(shù)據(jù)點(diǎn)畫成折線簇，可以很直觀地看出數(shù)據(jù)中的模式來，# O! f! P9 R8 w3 F- I 故障診斷的另一個思路是對整個過程進(jìn)行辨識。辨識出來的模型表述系統(tǒng)的行為，故障當(dāng)然就是行為的改變，所以將實(shí)時辨識出來的模型和正常模型相比較，就可 以判斷系統(tǒng)是否出現(xiàn)異?；蚬收?。

計(jì)算機(jī)和模型的另一個用處就是仿真。仿真（simulation）也叫模擬，但是模擬容易和模擬電路（analog circuit）搞混，所以現(xiàn)在叫仿真多了。只要對實(shí)際過程有一個足夠精確的模型，計(jì)算機(jī)是可以相當(dāng)精確地模仿實(shí)際系統(tǒng)的行為的。

仿真有靜態(tài)仿真和動態(tài)仿真。靜態(tài)仿真基本上就是解一個巨大的非線性聯(lián)立方程組，描述空間分布的微分方程也被有限元方法分解了?，F(xiàn)代靜態(tài)仿真已經(jīng)可以做得相當(dāng)精確，但這也是在多年結(jié)合實(shí)際過程數(shù)據(jù)“磨合”模型的基礎(chǔ)上才能做到的。靜態(tài)仿真大量用于工藝設(shè)備設(shè)計(jì)計(jì)算，但是對研究實(shí)際過程的真實(shí)行為的作用有限， 因?yàn)閷φ麄€生產(chǎn)過程和工藝的仿真要考慮進(jìn)各個設(shè)備動作的時間和控制回路的影響，這些靜態(tài)仿真是無法體現(xiàn)的。動態(tài)仿真要解同樣巨大的聯(lián)立微分方程組，由于要 達(dá)到實(shí)時或更快，一般只能大大簡化，否則計(jì)算速度跟不上。希望有朝一日，動態(tài)仿真可以達(dá)到靜態(tài)仿真同等的精度，而不必?fù)?dān)心損失計(jì)算速度。

仿真在工業(yè)上十分有用?，F(xiàn)代化工廠越來越穩(wěn)定，越來越安全，很多操作工一輩子也沒有遇到過真正危險(xiǎn)的情況。但沒有遇到過不等于不會遇到，操作工必須接受足夠的訓(xùn)練，只有這樣，才能當(dāng)遇到危險(xiǎn)情況時，首先能及時、正確地識別故障，然后才能及時、正確地作出反應(yīng)。這就要靠仿真訓(xùn)練了?，F(xiàn)代化工廠也在不斷地拓展 工藝參數(shù)的極限，經(jīng)常需要做各種各樣的試驗(yàn)。有了仿真，就可以預(yù)先驗(yàn)證試驗(yàn)的構(gòu)思， 和驗(yàn)證對緊急情況的處理。

仿真更是控制工程師的好幫手，新的控制回路先放到仿真上試一下，得出初始整定參數(shù)，驗(yàn)證異常情況的處理能力，然后再放到真家伙上，可以避免很多不必要的驚訝。

仿真的一個遠(yuǎn)親是實(shí)時最優(yōu)化（real time optimization，RTO）。對于斤斤計(jì)較的現(xiàn)代制造業(yè)，實(shí)時最優(yōu)化當(dāng)然是求之不得的。實(shí)時最優(yōu)化就是把整個生產(chǎn)過程當(dāng)一個大的實(shí)時仿真來運(yùn)算， 實(shí)時（實(shí)際上是每小時）計(jì)算出最優(yōu)工況。想法是好的，困難是多的。首先，那么大一個方程組收斂不容易，要劃成很多條條塊塊，分別求解，然后拼起來。問題就 出在“拼”上，邊界條件碰不攏怎么辦？模型總是有相當(dāng)?shù)暮喕?，其中有些參?shù)必須和實(shí)際測量值符合，有些就沒有實(shí)際測量值對應(yīng)，就是“經(jīng)驗(yàn)系數(shù)”

（fudge factor）了。這些經(jīng)驗(yàn)系數(shù)就是承擔(dān)收拾爛賬的，邊界碰不攏，就調(diào)整經(jīng)驗(yàn)系數(shù)，使他們對齊。問題是，好多時候，這一招也不靈，所以實(shí)時最優(yōu)化的喇叭吹 得很響，真正用起來的很少，花了大錢最后放棄的也不在少數(shù)。

（二十）工藝與自動化的關(guān)系

和打仗一樣，贏得戰(zhàn)斗的是武士，不是武器?？刂乒こ處熓强刂苹芈烦晒εc否的關(guān)鍵，而不是價值千金的計(jì)算機(jī)，或者“放之四海而皆準(zhǔn)”的數(shù)學(xué)控制理論。

在加拿大，化工系的控制“專業(yè)”要選滿所有化工學(xué)分，然后再加選控制學(xué)分，所以要求比一般的化學(xué)工程師還要高一點(diǎn)。選滿化工學(xué)分是很重要的一點(diǎn)，如果沒有 對化工的話語權(quán)，那化工控制也別混了，這一點(diǎn)是國內(nèi)（至少是二十多年前我讀大學(xué)的時候）所欠缺的。這就像醫(yī)生一樣，只有對生理、病理有深刻的了解，對病人 的具體情況有深刻的了解，才有可能可靠地判斷病情，才能可靠地開方治病。只會看單抓 藥，這就不是醫(yī)生，而是藥劑師了。在實(shí)際中，控制工程師對工藝過程的動 態(tài)行為的理解至少應(yīng)該和工藝工程師同等，和操作工相當(dāng)。事實(shí)上，很多時候，控制工程師的使命就是將工藝工程師和操作工的經(jīng)驗(yàn)和知識具體化、自動化了，如果 你不能深刻理解，那如何實(shí)現(xiàn)呢？一個優(yōu)秀的控制工程師可以在操作工不在的時候，當(dāng)班操作；可以在工藝工程師不在的時候，做出工藝決定。

但是控制工程師畢竟不是工藝工程師，也不是操作工。控制工程師應(yīng)該掌握前面說到的所有領(lǐng)域，從數(shù)學(xué)控制理論，到計(jì)算機(jī)網(wǎng)絡(luò)，到人機(jī)工程，到工藝和儀表知 識。這個要求很高，但不是不切實(shí)際的。這些是攪這個瓷器活所必需的金剛鉆。這也是為什么現(xiàn)在工業(yè)界熱衷于招雇具有碩士學(xué)位的控制畢業(yè)生，因?yàn)楸究频膸啄暌?經(jīng)很難學(xué)習(xí)必須的知識了。至于博士，那還是有眼高手低的嫌疑，呵呵。

專業(yè)知識只是成功的一面，控制工程師必須善于與人打交道。工藝工程師比較好說，畢竟有類似的背景，但操作工是控制系統(tǒng)成敗的關(guān)鍵，如果無法取得操作工對你個人和你的控制系統(tǒng)的信任和合作，那控制系統(tǒng)很可能就是永久性地被關(guān)閉，操作工寧愿手工控制，出了問題還是因?yàn)榭刂葡到y(tǒng)不可靠，你就等著里外不是人吧。但 是取得操作工的信任和合作后，事情會向相反的方向發(fā)展。操作工會主動向你提出改進(jìn)建議，或新的想法，主動找機(jī)會幫你試驗(yàn)新的功能，主動拓展控制系統(tǒng)的性能 極限。如果說顧客是上帝的話，操作工而不是部門主管才是控制工程師的上帝。

控制工程師也要善于和頭兒打交道，畢竟搞項(xiàng)目、要錢的時候，還是要找頭兒的。打報(bào)告、作報(bào)告、項(xiàng)目控制和管理、和供應(yīng)商打交道，這些都是必備的技能。

工藝工程師也是工程師，但用軍隊(duì)的比方來說，他們?nèi)硕鄤荼?，更像常?guī)部隊(duì)， 習(xí)慣大兵團(tuán)協(xié)同作戰(zhàn)。控制工程師則像特種部隊(duì)，人數(shù)少，行止怪癖（至少對工藝的人來說，他們永遠(yuǎn)弄不明白控制的人到底在做什么，怎么做出來的），從規(guī)劃到實(shí)施到維修，全一手包辦。

控制理論的發(fā)展歷程就是一個尋找“放之四海而皆準(zhǔn)”的“神奇**”的歷程，終極目標(biāo)是可以用一個統(tǒng)一的數(shù)學(xué)控制工具去“套”任何一個具體的控制問題，而不 必對具體過程的物理、化學(xué)等特性有深入的理解?？刂评碚摰拿恳淮沃卮筮M(jìn)展，都給人們帶來希望，“這一次終于找到了”。但每一次希望都帶來了新的失望，新方 法、新工具解決了老問題，但帶來了新的局限，有的時候甚至轉(zhuǎn)了一圈兜回去了。新的局限往往比老問題更棘手，需要對過程的理解是更多而不是更少。矛和盾就是 這么著在螺旋形上升中斗法。

但是現(xiàn)實(shí)常常和人們的認(rèn)識背道而馳。在商業(yè)化的大潮中，推銷先進(jìn)控制算法的公司拍胸脯擔(dān)?？梢匀绾稳绾斡谩叭f能”的數(shù)學(xué)控制工具解決一切控制問題，那些絢 爛的老虎皮也確實(shí)照得不明就里的人眼花繚亂，心旌飄蕩；公司的頭兒也一口吃進(jìn)，畢竟“技術(shù)萬能論”不僅在美軍中盛行，在北美的公司文化中也是大行其道。直 到有一天，人們發(fā)現(xiàn)永動機(jī)依然是神話，人還是不能在水上步行，方才想起來，原來世上是沒有這等好事的。不過這是題外話了。

全文完。