针对工业工厂的模块化模型预测控制

摘要

一种用于生成工业工厂(1)的动态模型(10)的方法(100)，该方法包括：·获取(110)工厂(1)的表示成为子单元(1a，1b)的分割，子单元(1a，1b)由低级控制器(31‑37)设定点(51‑57)的相应子集(5a，5b)、过程变量(41‑49)的当前值的子集(4a，4b)和过程变量(41‑49)的未来预测值(41'‑49')的子集(4a'，4b')表征；·获取(120)针对每个子单元(1a，1b)的动态子模型(13a，13b)，其中输入包括设定点(51‑57)的子集(5a，5b)和过程变量(41‑49)的当前值的子集(4a，4b)，并且输出包括未来预测值(41'‑49')的子集(4a'，4b')；·从工厂(1)的布局和/或从所述工厂的来自物理过程模块的组成中获取(130)子单元(1a，1b)之间的相关性(14)；以及·根据相关性(14)将子模型(13a，13b)组合(140)成工厂(1)的模型(10)。

说明书

本发明涉及工业工厂中的物理过程的自动化控制领域。

背景技术

在很多复杂的工业工厂中，生产过程或其他工业过程的最终结果是通过一系列个体物理过程获取的，这些物理过程是相关的，因为至少一个第一过程的结果被馈送到至少一个第二过程中。很多这样的工厂的自动控制以包括至少两个级别的层级进行组织。存在作用于个体物理过程的低级控制器，使得至少一个过程变量理想地匹配低级控制器的设定点。为了确定低级控制器的设定点，使用模型预测控制器(有时也称为高级预测控制器)。从过程的当前状态开始，这样的控制器基于工厂的(通常)时间离散的动态模型来确定在设定点的某些集合被应用于低级控制器时工业过程的当前状态作为整体将演变到哪个未来状态。这些未来状态根据一个或多个最优准则(例如，低能耗、吞吐量最大化)进行评估，并且通常还会评估未来状态是否满足工业过程或工厂的某些约束(例如，某些子过程的最高温度)。在由该约束设置的极限内根据最优准则产生最佳未来状态的设定点的集合被计算并且应用于低级控制器。在下一离散时间步骤中，重复该过程，其中工业过程的当前状态由工业过程的状态变量的实际测量值确定。在US10,082,772B2中公开了这种控制方案的示例性实施例。

本发明的目的是促进在模型预测控制器中预测未来状态所需要的动态模型的获取。

该目的通过根据独立权利要求的一种用于生成动态模型的方法和根据另一独立权利要求的一种动态模型来实现。另一独立权利要求涉及一种用于操作工业工厂的方法。该方法和模型可以体现在计算机程序、存储介质和/或下载产品、计算机和/或控制系统中。在从属权利要求中详述了其他的有利实施例。

发明内容

发明人已经开发了一种用于生成工业工厂的动态模型的方法。例如，该模型可以是时间离散模型。如果这样的模型不是时间离散的，则可以在工厂的运行时对其进行离散化。

工厂包括多个物理过程，这些物理过程是相关的，因为至少一个第一过程的结果被馈送到至少一个第二过程中。例如，可以存在第一容器，在该第一容器中，以一定速度搅拌两种物质的混合物并且将其加热到一定温度，然后将混合物传送到另一容器，在该另一容器中，以一定质量流量加入第三物质并且用一定强度的UV光照射混合物以使其聚合。贯穿本公开，术语“物理”应当理解为通用术语，其明确还包括其中通过化学反应将离析物转化为产品的化学过程、以及其中在活生物体的帮助下进行这样的转化的生物过程。

工厂包括多个低级控制器。每个这样的控制器作用于至少一个物理过程，使得该过程的至少一个过程变量被控制以匹配低级控制器的设定点。例如，这种低级控制器可以控制第一容器的加热器的电流，使得容器内部的温度与设定点相匹配，或者它可以控制搅拌混合物的电机的电流，使得电机以一定速度旋转。

工厂还具有多个传感器。每个这样的传感器测量物理过程中的一个物理过程和/或作为整体的工厂的至少一个过程变量。例如，可以存在测量容器中的温度的传感器、和/或用于容器内部混合物的浊度的传感器，浊度是混合物均匀度的量度。测量作为整体的工厂的过程变量的传感器的两个示例是：测量来自工厂的最终产品的质量流量的传感器、以及测量工厂消耗的总电流的传感器。也就是说，过程变量可以包括物理过程和/或作为整体的工厂的状态变量，但更一般地也可以包括与物理过程和/或工厂整体相关的任何其他测量量。

该模型将低级控制器的当前设定点和由传感器测量的过程变量的当前值作为输入。基于此，模型输出过程变量的预测未来值，这些值可能是从当前将上述设定点应用于低级控制器而产生的。

例如，该模型可以预测当从最终产品的特定质量流量和容器内部40℃的设定点温度开始时，将该温度增加到45℃将导致容器内部的化学反应加速，使得最终产品的流量增加15％。

在该方法的过程中，获取工厂的表示成为子单元的分割。术语“表示”表示分割并不物理地切断工厂的实际组成部分及其互连，而是对工厂的工程模型进行分割。换言之，该表示可以被视为工厂的“数字孪生”。

该分割可以从任何来源获取。如果工厂是模块化工业工厂，则可以使用成为组成工厂的物理过程模块的已经存在的分割。

例如，一家制药公司可能需要频繁地重新配置工厂以生产新产品，因为这些产品在每单位质量或体积的最终效果方面如此集中，以至于一年的供应量可以仅在几周的时间内生产。公司可以拥有一定的物理过程模块组，并且将该组中的相应子集以相应配置布置，例如，以首先制造产品A，然后是产品B，然后是产品C，最后再回到产品A。在每个配置中，物理过程模块在使用该配置期间以临时方式链接在一起。

如果不存在成为物理过程模块的分割，则可以在工厂的布局中主动搜索合适的子单元。换言之，可以将工厂的表示主动分割为子单元。执行这个操作的若干策略(可以个体地使用或以任意组合使用)详述如下。但即使在存在成为物理过程模块的分割的情况下，这也不一定是所获取的最终分割。例如，可以存在将两个或更多个物理过程模块组合成一个子单元的情况。

每个子单元的输入输出行为由设定点的相应子集、过程变量的当前值和过程变量的未来值、以及实现它们所需要的设定点来表征。在上述玩具示例中，第一子单元可以是混合物在其中被加热和搅拌的第一容器，第二子单元可以是混合物在其中被聚合的第二容器。

对于每个子单元，获取动态子模型，其中该子模型的输入包括设定点的上述子集和过程变量的当前值的上述子集，并且子模型的输出包括过程变量的未来值。以玩具为例，第一子模型可以模拟离开第一容器的混合物质量流量和混合物的均匀性将如何受到温度和电机速度的设定点的变化的影响。第二子模型可以模拟离开第二容器的最终产品的质量流量以及聚合的质量的一些度量将如何受到针对在第二容器中添加的第三组分的质量流量和针对UV光强度的设定点的变化的影响。

子模型可以从任何合适的来源获取。例如，如果抽象模块类型包MTP与物理过程模块相关联，则该包可能已经包含与物理过程模块相对应的子模型。如果分割中的子单元对应于该物理过程模块，则可以立即使用来自MTP的子模型。但是子模型也可以从将某些子单元与子模型相关联的库或目录中获取。具体地，用于获取工厂的表示的分割的策略可以是用对应子模型可用于的子单元来覆盖尽可能多的工厂布局。

从工厂的工程布局和/或从来自物理过程模块的工厂的现有组成中，获取子单元之间的相关性。在玩具示例中，如果没有其他来源可以提供该混合物，则进入第二容器的第一物质和第二物质的混合物的质量流量等于离开第一容器的该混合物的质量流量。根据这些相关性将子模型组合成工厂的模型。如果若干物理过程模块彼此连接，则这些物理过程模块之间的相互相关性由这些物理过程模块之间的物理互连(例如，通过管道、电缆或软管)设置。

发明人已经发现，这种用于生成整个工厂的模型预测控制所需要的动态模型的方法使得模型的创建对工程师而言更加有效并且更加透明。以前，当为整个工厂创建整体模型时，这更像是一门艺术，而不是自动化工程师的任务。过程专家必须手动决定是使用基于物理定律和简化假定的理论建模、实验建模还是这两者的混合。模型的创建需要多次迭代和测试，并且很难实现自动化。出于模型预测控制的目的，该模型通常高度专业化，以至于普通工厂工程师无法解释模型背后的推理。因此，当它在工厂中实际使用时，它经常生成普通操作员无法解释的设定点。

相比之下，本方法提供了一种基于对普通工厂操作员透明的构建块(即，子模型)的直接方法。因此，由模型生成的设定点对普通操作员更有意义。因此，普通操作员有机会监督工厂的整体自动化控制，并且注意是否有任何异常情况。这提供了附加的安全层，以防出现任何意外故障，诸如传感器故障或管道堵塞。

此外，该模型可能更容易适应工厂的任何变化。例如，趋势是从整体工厂转向模块化工厂，其中模块可以根据需要添加和删除，或者上线和下线。每当发生这种类型的变化时，可以通过简单地在正确的位置添加和删除同一子模型的相同副本，以直接的方式适配工厂的整体模型。以玩具为例，第一容器可以有两个相同副本。如果对最终产品需求很高，则可以使用两个副本，以便为要在其中进行聚合的第二容器生产足够的原料。如果需求很高，并且使用第一容器的一个副本就足够了，则另一副本可以离线，以节省用于加热和搅拌的电力。

此外，如果在一个子单元内进行任何物理改变，则只需改变该子单元的一个子模型。在玩具示例中，第二容器可能需要更换为具有不同几何形状的新容器，因此UV光强度的局部分布以及第二容器内部的聚合将不同。在另一方面，这会影响UV灯强度的设定点与最终产品的质量流量和质量之间的关系。

将子模型组装为整个工厂的最终模型是一个很容易自动化的过程，或者至少可以通过使用计算机来辅助。即使为子单元创建个体子模型的任务留给人类专家，但是总体上节省的人力仍然是可观的，因为产生多个相当简单的子模型要比产生一个更复杂的整体模型容易得多。如果要将某个特定人类专家视为既定的，则尤其如此。如果整体模型对于这个特定专家来说太复杂了，则专家将永远无法产生它。但是如果任务可以分解为创建几个简单的子模型，每个子模型都在专家的范围内，则专家可以一个一个地产生子模型。

此外，本方法还使得在初始创建用于整个工厂的模型之后稍后细化个体子模型变得切实可行。例如，工厂最初可以在特定地点使用相当简单的子模型来启动，以便快速启动。工厂操作者的进一步工作可以产生一个新的细化子模型，该细化子模型可以在以前的简单模型的位置被简单地捕捉到。由于子模型对于工厂中的子单元的所有实例总是相同的，因此也存在改进子模型的市场。例如，如果一个子单元与作为一个包进行销售的单元(例如，已经内置有加热器和搅拌器的第一容器)重合，则该包的制造商、甚至第三方可以稍后发布更细化的模型。

所描述的优势并非“免费”而来。根据基于本方法生成的模型的预测计算涉及根据很多子模型的子计算，并且这些子计算的结果需要聚合。这可能比根据专门制作的高度复杂的整体模型的计算预测需要更长时间。但是，这是一个很小的代价，可以通过添加更多计算资源以直接的方式支付。相比之下，如果一个工业过程对于人类建模专家来说太复杂而无法理解，则这个过程将根本没有模型和模型预测控制。

在特别有利的实施例中，至少一个子单元被选择以对应于在工厂处就位的启用模块化的自动化解决方案的模块。当对这样的工厂的布局进行改变时，它们很可能是模块的添加和移除。因此，如果每个这样的模块都有可用子模型，则只需根据工厂的当前布局“重新编译”子模型的组件，就可以轻松地响应于这种变化而重新创建工厂的整体动态模型。

具体地，在另一特别有利的实施例中，模块可以提供自己的动态模型，并且这可以立即用作对应子单元的子模型。例如，模块可以具有模块类型包MTP，作为其“数字孪生”。MTP可以包含与模块相对应的子单元的动态模型、和/或关于该子单元的输入和输出的信息、和/或关于该子单元的操作、接口、仿真、自动化和参数的信息。MTP提供了一种抽象，该抽象极大地促进了将来自不同供应商的模块组合到一个工厂中，包括为工厂整体生成动态模型。

然而，利用工厂成为模块的现有子分割并不是可以自动生成整体模型的唯一方式。还有其他方法可以至少部分在计算机的帮助下生成模型。

一种这样的方法是在工厂布局中搜索在工厂中多次出现的子单元，其中每个这样的子单元包括至少两个低级控制器和至少两个传感器。由于子单元的每个实例的子模型都是相同的，因此子模型只需要创建一次，然后就可以重新用于所有其他实例。

在示例性实施例中，该搜索可以集中在特定尺寸的子单元上，并且如果没有找到或没有找到更多该尺寸的子单元，则可以以缩减尺寸继续搜索。这提供了一种直接的方法来检测工厂布局中的重复单元，即使不知道这些单元的成分。

另一种分割工厂表示的可能策略是使子单元的尺寸取决于对应子模型的精度要求。如果需要较低精度，则可以通过相当简单的子模型抽象出相对较大的子单元。因此，在另一特别有利的实施例中，响应于确定对第二子单元的子模型的精度要求低于对第一子单元的子模型的精度要求，第二子单元被选择为大于第一子单元。

在另一有利实施例中，子单元的至少一个边界被选择为与工厂内的不同责任区域之间的边界重合。以这种方式，由于在制作子模型时需要询问相关信息的人较少，因此有利于子模型的获取。

不需要在工厂本身现场生成工厂的整体动态模型。而是，它也可以由不同于工厂所有者或操作者的实体生成。例如，基于工厂布局的计算机化表示的工业工厂模型的自动生成可以被提供作为服务。因此，成品模型是具有自身价值的可销售产品。因此，本发明还涉及通过上述方法产生的用于工业工厂的时间离散的动态模型。

通过上述方法生成的成品模型具有与整体模型不同的内部结构。从子模块组装模型会在模型上留下特征“指纹”，在检查模型时可以发现该“指纹”。因此，本发明还涉及用于包括多个子模型的工业工厂的动态预测模型，其中模型的输入跨子模型的输入而分布，模型的输出由子模型的输出编译，并且一个子模型的至少一个输出被处理成另一子模型的至少一个输入。

通过该模型，本发明还提供了一种用于操作工业工厂的方法，该方法包括

·多个物理过程，该多个物理过程是相关的，因为至少一个第一过程的结果被馈送到至少一个第二过程中，

·多个低级控制器，每个这样的控制器作用于至少一个物理过程，使得该过程的至少一个过程变量被控制以匹配低级控制器的设定点，以及

·多个传感器，每个传感器测量物理过程之一和/或作为整体的工厂的至少一个过程变量。

在该方法的过程中，使用如上所述的动态模型，针对低级控制器的设定点的多个候选集合，预测工厂的过程变量的未来值的集合。从多个候选集合中，过程变量的未来值的对应预测集合根据至少一个预定最优准则是最优的候选集合被确定为设置点的最优集合。

关于最优准则有完全的自由。与工业过程相关的示例性标准是：用于生产给定数量的最终产品的最低能耗、最低材料使用、最高吞吐量、最低废物量和/或最低总成本；从工厂排放的最低水平的噪声或其他污染物；工厂的最小磨损量；或工厂的最小停机时间。

将设定点的最优集合应用于低级控制器。这些低级控制器中的至少一个将至少一个致动输出应用于至少一个物理参与者。物理参与者又物理地改变整个工业过程中包含的至少一个物理过程的行为的至少一个方面。

在另一特别有利的实施例中，设定点的最优集合的确定由关于至少一个设定点、至少一个过程变量或其任何组合的至少一个约束来限制。显式模型约束的可能性是模型预测控制的主要优势之一。

如上所述，这些方法可以全部或部分地由计算机实现。具体地，它们可以在软件中实现，该软件在由一个或多个计算机和/或控制系统执行时产生上述优点。因此，本发明还涉及一种包括机器可读指令的计算机程序，该机器可读指令当在一个或多个计算机和/或控制系统上执行时引起计算机和/或控制系统执行如上所述的方法中的一者或两者。

本发明还涉及一种具有如上所述的计算机程序和/或具有如上所述的动态模型的非暂态机器可读存储介质和/或下载产品。存储在与物理过程模块相对应的模块类型包中的子模型可以被该动态模型作为子例程进行调用，从而将这些子模型合并到动态模型中。

本发明还涉及一种或多种计算机和/或一种控制系统，其具有如上所述的动态模型，具有如上所述的计算机程序，具有如上所述的存储介质或下载产品，和/或以任何其他方式特别适配以执行如上所述的方法中的一者或两者。例如，这种特别适配可以包括该方法在专用集成电路ASIC中的至少部分实现。

附图说明

在下文中，使用附图进一步说明本发明，而无意限制本发明的范围。附图示出：

图1：方法100的示例性实施例；

图2：用于说明方法100的工厂1的玩具示例；

图3：使用方法100为图1所示的工厂1而生成的示例性模型10；

图4：方法200的示例性实施例。

具体实施方式

图1示出了方法100的示例性实施例。在步骤110中，工厂1的表示被分割为子单元1a和1b。这也表示，过程变量41-49被分割为属于子单元1a和1b的相应集合4a、4b，过程变量41-49的未来值41'-49'被分割为属于子单元1a和1b的相应集合4a'、4b'，用于低级控制器31-37的设定点51-57被分割为属于子单元1a和1b的相应集合5a、5b。

在框110内示出了可以如何执行分割110的一些示例。

根据框111，可以选择启用模块化的自动化解决方案的至少一个模块作为子单元1a、1b。

根据框112，可以执行对在工厂1内的多个实例中出现的子单元1a、1b的搜索。根据子框113，该搜索可以集中在特定尺寸的子单元1a、1b上。根据子框114，搜索然后可以移动到缩减尺寸。

根据框115，可以确定，对于第二子单元1b，对应子模型13b的精度要求低于与第一子单元1a相对应的子模型13a。响应于该确定，根据框116，可以使第二子单元1b大于第一子单元1a。

根据框117，可以选择子单元1a、1b的至少一个边界以与工厂1中的不同责任区域之间的边界重合。

在步骤120中，可以为子单元1a、1b生成动态子模型13a、13b。框120中示出了两种示例性方法。

根据框121，可以将由被选择作为子单元1a、1b的模块提供的动态模型直接用作该子单元1a、1b的子模型13a、13b。

根据框122，可以从作为子单元1a、1b的数字孪生的模块类型包MTP中获取关于模型的信息以及其他元信息。

在步骤130中，从工厂1的布局和/或从来自物理过程模块的工厂的现有组成中获取子单元1a、1b之间的相关性14。

在步骤140中，根据相关性14将子模型13a、13b组合成工厂1的模型10。

图2示出了可以应用方法100的工厂1的玩具示例。出于易读性的原因，在整个图2中，低级控制器31-37没有与其作用于的参与者分开示出。相反，参与者是用对应低级控制器的附图标记31-37绘制和注释的。

工厂1包括第一容器V1和第二容器V2。

在第一容器V1中，在物理过程2a中，将两种物质A和B搅拌和加热以产生混合物M。为此，

·控制器31控制由传感器61测量的物质A的质量流量41，以匹配设定点51。

·控制器32控制由传感器62测量的物质B的质量流量42，以匹配设定点52；

·控制器33通过加热器H控制由传感器63测量的第一容器V1内部的温度43，以匹配设定点53。

·控制器34控制由传感器64测量的搅拌器S的转速44，以匹配设定点54。

此外，传感器68测量第一容器V1内部的混合物M的浊度48。

混合物M进入第二容器V2，在那里，在第二物理过程2b中，进一步加入第三物质C并且进行UV聚合以形成产品P。为此，

·控制器35控制由传感器65测量的物质C的质量流量45，以匹配设定点55。

·控制器36控制由传感器66测量的UV辐射的强度46，以匹配设定点56；以及

·控制器37控制由传感器67测量的最终产品P的质量流量47，以匹配设定点57。

此外，传感器69测量产品P的粘度49，这是聚合好坏的量度。

在这个玩具示例中，将工厂1的表示分割为子单元1a、1b很容易：在第一容器V1中测量或作用于第一容器V1的内容被分配给子单元1a。在第二容器V2中测量或作用于第二容器V2的内容被分配给子单元1b。相应地，过程变量41-49被分配给子集4a和4b，并且设定点51-57被分配给子集5a和5b。

图3示出了以这种方式生成的模型10。模型10由与子单元1a和1b相对应的两个子模块13a和13b组成。第一子模块13a获取与容器V1有关的过程变量41-44和48的当前值、以及设定点51-54作为输入。基于这些输入，子模型13a预测过程变量41-44和48将如何演变为未来值41'-44'和48'。

过程变量41-44和48的这些未来值41'-44'和48'作为输入被馈送到第二子模型13b中。此外，第二子模型13b获取与容器V2有关的过程变量45-47和49的当前值、以及设定点55-57作为输入。在图3所示的示例中，第二子模型13b不对搅拌器S的未来转速44'和混合物M的未来浊度48'采取其他动作，因为这些量不直接影响聚合结果。但物质A和B的未来质量流量41'和42'的总和是混合物M的质量流量，这与产品P的化学计量相关。此外，容器V2中的聚合与温度有关，因此容器V1中混合物M的未来温度43也与第二子模型13b相关。

第二子模型13b基于过程变量45-47和49的当前值、直接作用于它们的设定点55-57和从第一子模型13a中获取的相关过程变量41-43的未来值41'-43'来预测过程变量45-47和49的未来值45'-47'和49'。

在图3所示的示例中，只有来自第一子模型13a的未来值41'-44'和48'被馈送到第二子模型13b中，反之则不然。然而，在实际应用中，来自第二子模型13b的未来值45'-47'和49'中的一个或多个也可以与第一子模型13a相关。

总之，过程变量41-49的所有当前值和低级控制器31-37的所有设定点51-57形成工厂1的新模型10的输入11，而过程变量41-49的所有未来值41'-49'形成新模型10的输出12。

图4示出了用于操作工厂1的方法200的示例性实施例。在步骤210中，动态模型10用于基于过程变量41-49的当前值来预测当将设定点51-57的不同候选集合7a-7f应用于低级控制器31-37时将产生的这些过程变量41-49的未来值41'-49'的集合8a-8f。

在步骤220中，未来值41'-49'的对应集合8a-8f根据最优准则91a-91c是最优的集合点51-57的候选集合7a-7f被确定为设定点51-57的最优集合7。根据框221，该优化可以根据约束92a-92c来约束。

在步骤230中，将设置点51-57的最优集合7应用于低级控制器31-37。在步骤240中，低级控制器31-37将致动输出77应用于物理参与者，该物理参与者物理地改变物理过程2a、2b的行为的各方面。

1：工业工厂

1a、1b：工厂1中的子单元

2a、2b：工厂1中的物理过程

10：工厂1的动态模型

11：模型10的输入

12：模型10的输出

13a、13b：模型10中的子模型

14：子单元1a、1b之间的相关性

31：用于质量流量41的低级控制器

32：用于质量流量42的低级控制器

33：用于温度43的低级控制器

34：用于转速44的低级控制器

35：用于质量流量45的低级控制器

36：用于UV强度46的低级控制器

37：用于质量流量47的低级控制器

4a、4b：过程变量41-49的当前值的子集

4a'、4b'：过程变量41-49的未来预测值41'-49'的子集

41：物质A的质量流量

42：物质B的质量流量

43：容器V1中的温度

44：搅拌器S的转速

45：物质C的质量流量

46：UV强度

47：产品P的质量流量

48：容器V1中的混合物M的浊度

49：容器V2中的产品P的粘度

41'-49'：过程变量41-49的未来预测值

5a、5b：设定点51-57的子集

51：用于质量流量41的设定点

52：用于质量流量42的设定点

53：用于温度43的设定点

54：用于转速44的设定点

55：用于质量流量45的设定点

56：用于UV强度46的设定点

57：用于质量流量47的设定点

61：用于41质量流量的传感器

62：用于质量流量42的传感器

63：用于温度43的传感器

64：用于转速44的传感器

65：用于质量流量45的传感器

66：用于UV强度46的传感器

67：用于质量流量47的传感器

68：用于浊度48的传感器

69：用于粘度49的传感器

7：设定点51-57最优集合

77：基于设定点51-57的最优集合7的致动输出

7a-7f：设定点51-57的候选集合

8a-8f：为候选集合7a-7f而获取的未来预测值41'-49'的集合

100：用于生成模型的方法10

110：将工厂1的表示分割为子单元1a、1b

111：选择模块作为子单元1a、1b

112：搜索重复出现的子单元1a、1b

113：将搜索112集中在子单元1a、1b的特定尺寸上

114：继续搜索112缩减尺寸的子单元1a、1b

115：确定子模型13a、13b的精度要求

116：根据精度要求选择子单元1a、1b的尺寸

117：根据责任区域选择边界

120：获取子单元1a、1b的子模型13a、13b

121：选择模块提供的子模型13a、13b

122：从模块类型包MTP中读取信息

130：确定子单元1a、1b之间的相关性

140：根据相关性14组合子模型13a、13b

200：用于控制工厂1的方法

210：预测候选集合7a-7f'的未来值41'-49'的集合8a-8f

220：用最优准则91a-91c确定最优集合7

221：应用约束92a-92c来确定220

230：将最优集合7应用于低级控制器31-37

240：对物理过程2a、2b应用执行输出77

A、B、C：物质

H：加热器

M：混合物

P：产品

S：搅拌器

V1、V2：容器