⚡ electrical engineering

A tutorial overview of model predictive control for continuous crystallization: current possibilities and future perspectives

本文针对一种用于连续结晶的模型预测控制框架进行了教程综述，该框架利用数据驱动的代理模型来实现对复杂粒径分布的高效实时优化，从而解决制药和精细化工制造中的关键质量控制挑战。

原作者： Collin R. Johnson, Kerstin Wohlgemuth, Sergio Lucia

发布于 2026-02-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Collin R. Johnson, Kerstin Wohlgemuth, Sergio Lucia

原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心理念：在传送带上制造完美的晶体

想象一下，你正在经营一家生产糖或药物的工厂。你需要最终产品中的晶体大小和形状完全一致。如果晶体太大，药物可能无法正常溶解；如果太小，它们可能会结块。

长期以来，工厂一直采用分批制造（Batching）的方式（就像在烤箱里烤一个蛋糕）。但现代工厂希望使用连续结晶（Continuous Crystallization）（就像一条永不停歇的传送带）。这种方式更快、更稳定，但也更难控制。

问题所在：
控制一条晶体传送带就像蒙着眼睛驾驶轮船。你需要精确知道有多少晶体、它们有多大，以及它们在传送带上的什么位置。追踪每一个晶体所需的数学计算极其复杂，以至于计算机需要花费太长时间才能解出结果。等到计算机算出该怎么做时，传送带已经移动了。这使得无法使用“智能”自动控制器（称为模型预测控制或 MPC）来实时调整工艺。

解决方案：“智能捷径”

本文作者提出了一种聪明的变通方法。他们并不试图在实时处理中解决那个超级困难的数学问题，而是教计算机根据过去的数据来猜测答案。

可以这样理解：

传统方法（第一性原理模型）： 试图计算暴雨中每一滴雨水的精确轨迹，以预测水洼会在哪里形成。这很精确，但耗时太久。
新方法（代理模型）： 观察成千上万场风暴，并学习一个简单的规则：“如果风从北边吹来，水洼就会在这里形成。”这是一种近似值，但它足够快，可以用来辅助驾驶。

论文展示了如何利用机器学习来构建这些“智能捷径”（称为代理模型）。这些捷径运行速度极快，足以在控制器上运行，从而让工厂能够即时调整温度和流速，以保持晶体尺寸的完美。

他们是如何实现的（配方步骤）

论文详细介绍了一个构建该系统的完整“配方”：

详细地图（物理学）： 首先，他们建立了一个极其详细的晶体工厂计算机模型。该模型追踪“群体平衡方程”（PBE），这是一种统计每种尺寸下存在多少晶体的专业说法。他们测试了不同的求解方法，例如使用网格法（将问题切分成小盒子）或模拟单个颗粒（类似于电子游戏）。
- 类比： 这就像是绘制一张极其详细的城市地图，显示每一条街道和每一栋建筑。
捷径（代理模型）： 他们用不同的设置运行了这个详细地图数千次，生成了海量数据。然后，他们使用神经网络（一种人工智能）来学习数据中的模式。AI 学会了几乎瞬间预测晶体尺寸，而无需进行繁重的数学计算。
- 类比： 与其每次都重新画地图，不如问一位对城市了如指掌的当地出租车司机，他能瞬间告诉你最快的路线。
试驾（MPC）： 他们将这个“出租车司机”AI 放入了一个智能控制器（MPC）中。控制器会询问 AI：“如果我现在调高热量，10 分钟后晶体尺寸会变成多少？”AI 会瞬间回答，随后控制器做出最佳决策。

研究发现（结果）

论文在两种类型的晶体工厂上进行了测试：

简单工厂（混合均匀的反应釜）： 这就像一锅搅拌得非常均匀的汤。
- 结果： 他们将“智能捷径”控制器与“详细地图”控制器进行了对比。捷径的效果同样出色！它保持了晶体尺寸的完美，并且运行速度足够快，具有实用价值。
复杂工厂（管式/塞流）： 这就像一根长管，晶体在其中呈线状流动。这很难建模，因为管子开头的晶体与末端的晶体不同。
- 结果： “详细地图”由于速度太慢，无法用于实时控制。但“智能捷径”表现完美。它成功控制了复杂的管道系统，使晶体保持在理想尺寸，这在以前是无法实现的。

注意事项（重要警告）

论文非常诚实地说明了局限性：

“训练数据”原则： AI 捷径只能很好地猜测它曾经见过的场景。如果你要求它预测一个与其训练数据完全不同的情况（比如在只学过晴天驾驶的情况下，去预测暴雪天的路况），它可能会给出错误的答案。
并非魔法： 你仍然需要那个详细的“地图”（物理模型）来生成最初的训练数据。如果不理解物理学，你就无法凭空创造出这个捷径。

总结

这篇论文为工程师提供了一份路线图。它告诉大家：“如果你想自动控制复杂的晶体工厂，不要试图在实时处理中去解决那些不可能完成的数学题。相反，建立一个详细的模型，用它来训练一个快速的 AI‘捷径’，然后利用这个捷径来运行你的工厂。”

他们甚至已经在网上公开了代码和示例，以便其他工程师可以进行尝试。这填补了复杂数学理论与实际工业控制之间的鸿沟。

技术摘要：连续结晶模型预测控制教程综述

问题陈述
连续结晶工艺因其能够降低批次间差异和运营成本（特别是在制药行业中）而日益受到重视。然而，部署先进的控制策略（如模型预测控制，MPC）仍然具有挑战性。有效的控制需要对连续相（浓度、温度）和颗粒相（粒径分布，PSD）进行精确建模。
核心难点在于，将空间分布的结晶器模型（例如，塞流、段流）与追踪完整 PSD 的详细群体平衡方程（PBE）相结合时，会产生计算复杂性。这些组合通常会导致复杂的偏微分方程（PDEs），而这些方程在实时优化中在计算上是难以实现的。虽然基于矩的方法（追踪统计矩而非完整的分布）提供了计算上的简便性，但它们无法捕捉完整的 PSD 形态，而这对于产品质量至关重要。此外，现有的文献综述通常孤立地讨论这些主题（例如，PBE 解法、混合均匀系统的控制或通用的机器学习应用），缺乏一个整合了空间分布模型、全 PSD 解析以及实时 MPC 的综合框架。

方法论
本文通过架起高保真第一性原理模型与实时控制之间的桥梁，为在连续结晶中实施 MPC 提供了一个教程综述和实践路线图。该工作流程分为三个主要阶段：

高保真建模：
- PBE 解法： 作者回顾并比较了五种求解 PBE 的数值方法：标准矩法（SMOM）、矩分量法（QMOM）、离散群体平衡方程（DPBE）、有限元正交配点法（OCFE）以及蒙特卡洛（MC）模拟。他们证明了虽然基于矩的方法效率很高，但无法解析完整的 PSD。对于全解析，DPBE 和 OCFE 更为理想，其中 DPBE 在稳定性与准确性之间提供了稳健的折衷，特别是在使用针对团聚主导系统设计的几何网格时。
- 结晶器概念： 教程详细介绍了三种不同系统的建模：单级混合悬浮混合产品移除（MSMPR）结晶器、两级 MSMPR 级联以及管式（塞流）结晶器。这些模型将 PBE 与连续相的质量和能量平衡耦合在一起。
代理模型开发：
- 为了实现实时优化，计算昂贵的第一性原理模型被数据驱动的代理模型所近似。
- 研究评估了三种代理建模技术：子空间辨识（线性）、使用神经网络的非线性自回归模型（NARX）以及循环神经网络（RNN）。
- 研究强调通过仅预测控制相关的测量值（例如，平均直径 $L_{43}$ 或中值 $d_{50}$ ）来降低模型复杂度。NARX 模型通过显式编码输入的时序历史，在所测试的非线性结晶系统中表现出比 RNN 和线性子空间模型更优越的预测精度。
模型预测控制实现：
- 开发的代理模型通过 do-mpc 和 CasADi 工具箱集成到 MPC 框架中。
- 控制目标包括追踪特定的颗粒尺寸指标（如 $L_{43}$ 或 $d_{50}$ ），同时最大化进料流量（产量）并遵守对过饱和度或温度的约束。
- 为了防止优化器利用代理模型的误差（模型剥削），作者建议对输入变化进行惩罚，并仔细调整代价函数的权重。

主要贡献与结果
论文提出了两个主要的案例研究来验证工作流程：

案例 1：两级 MSMPR 结晶器： 该系统作为一个基准，其中第一性原理模型在计算上对于 MPC 是可行的。结果显示，使用基于 NARX 代理模型的 MPC 控制器，其性能与使用第一性原理模型的控制器几乎一致。基于代理模型的控制器成功追踪了设定值的平均直径，并实现了进料流量的最大化，仅有轻微的闭环成本增加和可以忽略不计的约束违反。
案例 2：管式结晶器： 该系统代表了一个复杂的空间分布过程，其中直接在 MPC 中使用第一性原理模型在计算上是不可行的。基于代理模型的 MPC 成功控制了中值粒径（ $d_{50}$ ）并管理了温度约束。研究强调，虽然管式系统在物理上更为复杂，但神经网络近似消除了离散化瓶颈，使得控制问题变得可解。有趣的是，由于特定的约束结构和预测多个阶段输出的需求，MSMPR 案例的计算时间高于管式案例。

意义与主张
作者声称，本教程通过为应用于具有全 PSD 解析的空间分布结晶器的 MPC 提供完整的实践工作流程，填补了文献中的关键空白。

可行性： 论文证明，现在在计算上已经可以实现开发既能包含详细 PSD 模型又能包含空间分布结晶器动力学的 MPC 方案，这种组合此前被认为过于复杂，无法进行实时优化。
实践路线图： 通过提供开源代码和交互式示例，这项工作降低了过程工程师和控制研究人员的准入门槛，促进了先进过程控制与结晶领域之间的协作。
战略指导： 论文提供了一个决策树，引导从业者判断何时需要使用代理模型（例如，对于管式系统或全 PSD 追踪），以及何时简化的一性原理模型（例如，混合均匀的 MSMPR 配合矩法）就足够了。

未来展望与局限性
论文坦诚地承认，尽管该方法在仿真中是稳健的，但在实际工业系统上的实验验证仍然匮乏。它确定了几个开放性挑战：

模型有效性： 代理模型仅在训练域内的插值范围内有效；外推仍具有风险。
不确定性量化： 未来的工作应整合不确定性量化（例如，贝叶斯方法、一致性分位数回归），以实现稳健或随机 MPC，从而使控制器能够考虑预测的可靠性。
新型系统： 该框架需要适配复杂的创新型结晶器（如段流、振荡流）以及结晶现象（如结垢），这些现象难以从第一性原理进行建模。
工业采用： 受监管行业（如制药业）向连续化生产转型的进程受到监管障碍的影响，且 PID 控制目前仍占据主导地位。作者认为，随着代理工具的成熟，它们将促进先进控制策略的采用。