CN100461037C - 一种基于idp的工业过程动态优化系统及方法 - Google Patents
一种基于idp的工业过程动态优化系统及方法 Download PDFInfo
- Publication number
- CN100461037C CN100461037C CNB2007100685047A CN200710068504A CN100461037C CN 100461037 C CN100461037 C CN 100461037C CN B2007100685047 A CNB2007100685047 A CN B2007100685047A CN 200710068504 A CN200710068504 A CN 200710068504A CN 100461037 C CN100461037 C CN 100461037C
- Authority
- CN
- China
- Prior art keywords
- variable
- optimization
- control variable
- value
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于IDP的工业过程动态优化系统,包括与工业过程对象连接的现场智能仪表、DCS系统以及上位机,所述的DCS系统由数据接口、控制站、数据库构成;现场智能仪表、DCS系统、上位机依次相连,所述的上位机包括:所述的上位机包括初始化处理模块、约束处理模块、信号采集模块、迭代优化模块、判断分析模块、结果显示模块,以及提供了一种工业过程动态优化方法。本发明提供一种能够准确快速找到动态非线性工业过程的最优解、适用性广的基于IDP的工业过程动态优化系统及方法。
Description
(一)技术领域
本发明涉及工业过程控制领域,尤其是一种基于IDP(Iterative DynamicProgramming,迭代动态规划方法)的工业过程动态优化系统。
(二)背景技术
工业过程系统优化是化工过程设计、操作及控制的一个重要环节。在很多情况下,尤其是动态工业过程中,所涉及到的工业过程系统优化模型是以一组复杂的大规模非线性微分方程组来表示的;对于这样的大规模非线性多维动态优化系统的优化来说,如何高效、快捷地寻找到其全局最优解是动态优化应用技术领域的一个关键技术。
尽管目前一些通过间接或直接的方法已经能够寻找到最优解,比如控制变量参数化方法,同步策略方法等,但是很难既可准确快速地寻找到工业过程的最优控制曲线,又可寻找到工业过程动态优化系统的全局最优解。
(三)发明内容
为了克服已有工业过程动态优化系统的很难既可准确快速地寻找最优解、适用性差的不足,本发明提供一种能够准确快速找到动态非线性工业过程的最优解、适用性广的基于IDP的工业过程动态优化系统及方法。
本发明解决其技术问题所采用的技术方案是:
一种基于IDP的工业过程动态优化系统,包括与工业过程对象连接的现场智能仪表、DCS系统以及上位机,所述的DCS系统由数据接口、控制站、数据库构成;智能仪表、DCS系统、上位机依次相连,所述的上位机包括:
初始化处理模块,用于对数据进行初始化处理,对状态变量x和控制变量u进行初始赋值,采用以下步骤来完成:
1)将时间区间[0,tf]分成P小段,(0,t1),(t1,t2)…(tp-2,tp-1),(tp-1,tp);每个时间段的长度取为L=tf/P;
2)设定控制变量u的初始可行域r和缩减因子α,取r=[ulb,uub],其中上标lb、ub分别表示上、下边界;α取在0~1之间,在控制变量的可行域范围内均匀地选取M个控制变量值,作为控制变量的初值u0;
3)将N个控制变量{u0±[H/(N-1)]×r,H=2,4,…N-1},在P个时间段上,将状态变量方程积分N次,得到一组N×P维的状态变量值,作为状态变量的初始值;
约束处理模块,用于处理优化过程中不满足生产条件的变量,采用如下步骤来实现:
1)首先,处理状态变量x的终值约束x(ti)≤xi(tf),取oi=|xi(tf)-x(ti)|;
2)其次,处理状态变量x的上下界约束,依照式(1)取:
其中,上标lb、ub分别表示上、下边界,i=1,...,Ψ,k=1,...,p;Ψ表示状态变量上下界约束的个数;
3)处理控制变量约束,依照式(2)、(3)取:
4)构建一个增广的性能指标函数,参见式(4):
其中,I为工业过程动态优化目标的性能指标,ωi,λi,δi分别为惩罚函数的权重因子,η,Ψ,δ分别为各相应约束的数目;
信号采集模块,用于设定每次采集的时间间隔,采集现场智能仪表的信号;
迭代优化模块,用于寻找最优的性能指标,采用以下步骤来实现:从第P段开始迭代,即从tf-L到tf时间,在控制变量允许范围内搜索得到使得性能指标J最小的各变量,保存tf-L相应的各变量值;再从第P-1时间段起,即从时间tf-2L到tf-L,对于tf-2L的各状态点的控制变量,将状态方程由tf-2L到tf-L,再从tf-L起用距离前段积分终点最近的状态点的最优控制变量积分tf,由此得到tf-2L段上各状态点到终点的最优决策值;重复上述步骤直到第L时间段,即t0时间,保存使得增广的性能指标函数J最优的各控制变量的值,从而得到最优性能指标值和相应的控制变量值;
判断分析模块,用于判断当前步的优化时刻已缩小的可行区域是否小于设定的迭代终止的搜索域,所述的当前步的优化时刻已缩小的可行区域通过式(5)来计算得到:ri+1=α×ri (5)
上式中,r为初始可行域,α为缩减因子,α取在0~1之间,i是优化迭代次数,第一步优化迭代次数取1,第二步取2,依此类推,当前优代迭代步是指第i+1次;
如小于,则优化结束;否则,将更新的已缩小的可行区域输入到迭代优化模块,继续进行迭代优化。
作为优选的一种方案:所述的上位机还包括:结果显示模块,用于将迭代优化模块所得到的最优控制曲线传给DCS系统,并在DCS系统中显示所得到的优化结果信息。
一种用所述的基于IDP的工业过程动态优化系统实现的动态优化方法,所述的动态优化方法包括以下步骤:
(1)、在DCS系统中指定动态优化的状态变量和控制变量,设定各变量的上下边界和DCS采样周期,并将DCS数据库中的相应的各变量的历史数据、上下边界值数据输出到上位机;
(2)、在上位机的判断分析模块中,设定迭代终止的搜索域;
(3)、在上位机中,对DCS系统输入的数据进行初始化处理,包括对时间段、状态变量和控制变量进行初始赋值,采用以下步骤来完成:
3.1)将时间区间[0,tf]分成P小段,(0,t1),(t1,t2)…(tp-2,tp-1),(tp-1,tp);每个时间段的长度取为L=tf/P;
3.2)设定控制变量u的初始可行域r和缩减因子α,取r=[ulb,uub],其中上标lb、ub分别表示上、下边界;α取在0~1之间,在控制变量的可行域范围内均匀地选取M个控制变量值,作为控制变量的初值u0;
3.3)将N个控制变量{u0±[H/(N-1)]×r,H=2,4,…N-1},在P个时间段上,将状态变量方程积分N次,得到一组N×P维的状态变量值,作为状态变量的初始值;
(4)、再对状态变量和控制变量进行约束处理,采用如下步骤来实现:
4.1)首先,处理状态变量x的终值约束x(ti)≤xi(tf),取oi=|xi(tf)-x(ti)|;
4.2)其次,处理状态变量x的上下界约束,依照式(1)取:
其中,上标lb、ub分别表示上、下边界,i=1,...,Ψ,k=1,...,p;Ψ表示状态变量上下界约束的个数;
4.3)处理控制变量约束,依照式(2)、(3)取:
4.4)构建一个增广的性能指标函数,参见式(4):
其中,I为工业过程动态优化目标的性能指标,ωi,λi,δi分别为惩罚函数的权重因子,η,Ψ,δ分别为各相应约束的数目;
(5)、将智能仪表所采集的工业过程对象的数据传送到DCS系统的实时数据库中,在每个采样周期从DCS系统的数据库得到的最新数据输出到上位机,并在上位机的初始化模块中进行初始化处理,然后将初始化后的结果作为迭代优化模块的输入;
(6)、从第P段开始迭代,即从tf-L到tf时间,在控制变量允许范围内搜索得到使得性能指标J最小的各变量,保存tf-L相应的各变量值;再从第P-1时间段起,即从时间tf-2L到tf-L,对于tf-2L的各状态点的控制变量,将状态方程由tf-2L到tf-L,再从tf-L起用距离前段积分终点最近的状态点的最优控制变量积分tf,由此得到tf-2L段上各状态点到终点的最优决策值;重复上述步骤直到第L时间段,即t0时间,保存使得增广的性能指标函数J最优的各控制变量的值,从而得到最优性能指标值和相应的控制变量值;
(7)、判断当前步的优化时刻已缩小的可行区域是否小于设定的迭代终止的搜索域,所述的当前步的优化时刻已缩小的可行区域通过式(5)来计算得到:
ri+1=α×ri (5)
上式中,r为初始可行域,α为缩减因子,α取在0~1之间,i是优化迭代次数,第一步优化迭代次数取1,第二步取2,依此类推,当前优代迭代步是指第i+1次;
如小于,则优化结束;否则,将更新的已缩小的可行区域输入到迭代优化模块,继续进行迭代优化。
作为优选的一种方案:所述的动态优化方法还包括:在所述的(6)中,得到最优的控制变量曲线,并在上位机的人机界面上显示工业过程最优控制变量曲线的结果信息,上位机将所得到的最优控制曲线传给DCS系统,并在DCS系统中显示所得到的优化结果信息。
本发明的技术构思为:工业过程动态系统的优化模型,往往是以一组复杂的大规模非线性微分方程组来描述。通常用的控制变量参数化、同步策略等直接或间接动态优化方法在处理大规模非线性动态优化系统时,往往容易出现局部极小值问题,难以找到全局最优解。本发明的动态优化方法,采用IDP方法,并将优化过程中不满足生产条件的变量进行了约束化处理,同时构造了增广的性能指标作为优化目标,并引入了分段缩小优化搜索域的方法,在找到全局最优解的同时,使得优化效率也进一步提高。
本发明的有益效果主要表现在:能够寻找到动态非线性工业过程的全局最优解,而且快速高效,因此可广泛地应用于工业过程动态优化的各领域。
(四)附图说明
图1是本发明所提出的动态优化系统的硬件结构图;
图2是本发明上位机的原理框图。
(五)具体实施方式
下面结合附图对本发明作进一步描述。本发明实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
实施例1
参照图1、图2,一种基于IDP的工业过程动态优化系统,包括与工业过程对象1连接的现场智能仪表2、DCS系统以及上位机6,所述的DCS系统由数据接口3、控制站4、数据库5构成;现场智能仪表2、DCS系统、上位机6通过现场总线依次相连,所述的上位机6包括:
初始化处理模块7,用于对数据进行初始化处理,对状态变量x和控制变量u进行初始赋值,采用以下步骤来完成:
1)将时间区间[0,tf]分成P小段,(0,t1),(t1,t2)…(tp-2,tp-1),(tp-1,tp);每个时间段的长度取为L=tf/P;
2)设定控制变量u的初始可行域r和缩减因子α。取r=[ulb,uub],其中上标lb、ub分别表示上、下边界;α取在0~1之间,一般取0.8。在控制变量的可行域范围内均匀地选取M个控制变量值,作为控制变量的初值u0;
3)将N个控制变量{u0±[H/(N-1)]×r,H=2,4,…N-1},在P个时间段上,将状态变量方程积分N次,得到一组N×P维的状态变量值,作为状态变量的初始值。
约束处理模块8,用于处理优化过程中不满足生产条件的变量,采用如下步骤来实现:
1)首先,处理状态变量x的终值约束x(ti)≤xi(tf),取oi=|xi(tf)-x(ti)|;
2)其次,处理状态变量x的上下界约束,依照式(1)取:
其中,上标lb、ub分别表示上、下边界,i=1,...,Ψ,k=1,...,p;Ψ表示状态变量上下界约束的个数;
3)处理控制变量约束,依照式(2)、(3)取:
4)构建一个增广的性能指标函数,参见式(4):
其中,I为工业过程动态优化目标的性能指标,ωi,λi,δi分别为惩罚函数的权重因子,η,Ψ,δ分别为各相应约束的数目。
信号采集模块9,用于设定每次采集的时间间隔,采集现场智能仪表的信号;
迭代优化模块10,用于寻找最优的性能指标,采用以下步骤来实现:从第P段开始迭代,即从tf-L到tf时间,在控制变量允许范围内搜索得到使得性能指标J最小的各变量,保存tf-L相应的各变量值。再从第P-1时间段起,即从时间tf-2L到tf-L,对于tf-2L的各状态点的控制变量,将状态方程由tf-2L到tf-L,再从tf-L起用距离前段积分终点最近的状态点的最优控制变量积分tf,由此得到tf-2L段上各状态点到终点的最优决策值;重复上述步骤直到第L时间段,即t0时间,保存使得增广的性能指标函数J最优的各控制变量的值,从而得到最优性能指标值和相应的控制变量值;
判断分析模块11,用于判断当前步的优化时刻已缩小的可行区域是否小于设定的迭代终止的搜索域,所述的当前步的优化时刻已缩小的可行区域通过式(5)来计算得到: ri+1=α×ri (5)
上式中,r为初始可行域,α为缩减因子,α取在0~1之间,i是优化迭代次数,第一步优化迭代次数取1,第二步取2,依此类推,当前优代迭代步是指第i+1次;
如小于,则优化结束;否则,将更新的已缩小的可行区域输入到迭代优化模块10,继续进行迭代优化。
所述的上位机还包括:结果显示模块12,用于将迭代优化模块所得到的最优控制曲线传给DCS系统,并在DCS系统中显示所得到的优化结果信息。同时通过DCS系统和现场总线将所得到的优化结果信息传递到现场工作站进行显示,并由现场工作站来执行最优操作。
本实施案例的工业过程动态优化系统的硬件结构图如附图1所示,所述的动态优化系统核心包括初始化处理模块7,约束处理模块8和迭代优化模块10等三大功能模块和带人机界面的上位机6构成,此外还包括:现场智能仪表2,DCS系统和现场总线。所述的DCS系统由数据接口3、控制站4,数据库5构成;工业过程对象1、现场智能仪表2、DCS系统、上位机6通过现场总线依次相连,实现信息流的上传和下达。动态优化系统在上位机6上运行,可以方便地与底层系统进行信息交换,及时进行在线优化。
所述的动态优化方法按照以下步骤来实现:
1、在DCS系统中指定动态优化的状态变量和控制变量,设定各变量的上下边界和DCS采样周期,并将DCS数据库5中的相应的各变量的历史数据、上下边界值等数据输出到上位机6;
2、在上位机6的IDP的判断分析模块11中,设置迭代终止的搜索域;并按以下步骤来实施上位机6的各模块功能:
1)在上位机6的初始化处理模块7中,对优化模型进行初始化处理,对时间段及状态变量和控制变量进行赋值,具体采用以下过程来完成:
①将时间区间[0,tf]分成P小段,(0,t1),(t1,t2)…(tp-2,tp-1),(tp-1,tp);每个时间段的长度取为L=tf/P;
②设定控制变量u的初始可行域r和缩减因子α。取r=[ulb,uub],其中上标lb、ub分别表示上、下边界;α取在0~1之间,一般取0.8。在控制变量的可行域范围内均匀地选取M个控制变量值,作为控制变量的初值u0;
③将N个控制变量{u0±[H/(N-1)]×r,H=2,4,…N-1},在P个时间段上,将状态变量方程积分N次,得到一组N×P维的状态变量值,作为状态变量的初始值。
2)在上位机6的约束处理模块8中,对状态变量和控制变量进行约束处理,采用如下步骤来实现:
①首先,处理状态变量x的终值约束x(ti)≤xi(tf),取oi=|xi(tf)-x(ti)|;
②其次,处理状态变量x的上下界约束,依照式(1)取:
其中,上标lb、ub分别表示上、下边界,i=1,...,Ψ,k=1,...,p;Ψ表示状态变量上下界约束的个数;
③处理控制变量约束,依照式(2)、(3)取:
④构建一个增广的性能指标函数,参见式(4):
其中,I为工业过程动态优化目标的性能指标,ωi,λi,δi分别为惩罚函数的权重因子,η,Ψ,δ分别为各相应约束的数目。
3、系统开始投运
1)利用定时器,设置好每次数据检测和采集的时间间隔;
2)现场智能仪表2检测过程数据并传送到DCS数据库5的实时数据库中,得到最新的变量数据;
3)在上位机6的初始化处理模块7中,对状态变量和控制变量进行初始化处理,并将初始化之后的数据作为迭代优化模块10的输入;
4)上位机6中的约束处理模块8,根据实际生产环境的条件和操作限制条件对状态变量和控制变量进行约束处理,将处理的结果也作为迭代优化模块10的输入;
5)上位机6的人机界面上显示工业过程最优控制变量曲线的结果信息,上位机6将所得到的最优控制曲线传给DCS系统,并在DCS系统的控制站4中显示所得到的优化结果信息,同时通过DCS系统和现场总线将所得到的优化结果信息传递到现场工作站进行显示,并由现场工作站来执行最优操作。
4、判断分析模块
在系统投运的过程中,判断当前步的优化时刻已缩小的可行区域是否小于设定的迭代终止的搜索域,所述的当前步的优化时刻已缩小的可行区域通过式(5)来计算得到: ri+1=α×ri (5)
上式中,r为初始可行域,α为缩减因子,α取在0~1之间,i是优化迭代次数,第一步优化迭代次数取1,第二步取2,依此类推,当前优代迭代步是指第i+1次;
如小于,则优化结束;否则,将更新的已缩小的可行区域输入到迭代优化模块,继续进行迭代优化。
实施例2
参照图1、图2,一种基于IDP工业过程动态优化方法,包括以下步骤:
(1)、在DCS系统的控制站4中指定动态优化的状态变量和控制变量,设定各变量的上下边界和DCS采样周期,并将DCS数据库5中的相应的各变量的历史数据、上下边界值等数据输出到上位机6;
(2)、在上位机6的判断分析模块11中,设定迭代终止的搜索域;
(3)、在上位机中,对优化模型进行初始化处理,对时间段及状态变量和控制变量进行赋值,具体采用以下过程来完成:
3.1)将时间区间[0,tf]分成P小段,(0,t1),(t1,t2)…(tp-2,tp-1),(tp-1,tp);每个时间段的长度取为L=tf/P;
3.2)设定控制变量u的初始可行域r和缩减因子α。取r=[ulb,uub],其中上标lb、ub分别表示上、下边界;α取在0~1之间,一般取0.8。在控制变量的可行域范围内均匀地选取M个控制变量值,作为控制变量的初值u0;
3.3)将N个控制变量{u0±[H/(N-1)]×r,H=2,4,…N-1},在P个时间段上,将状态变量方程积分N次,得到一组N×P维的状态变量值,作为状态变量的初始值。
(4)、在上位机6的约束处理模块8中,对状态变量和控制变量进行约束处理,采用如下步骤来实现:
4.1)首先,处理状态变量x的终值约束x(ti)≤xi(tf),取oi=|xi(tf)-x(ti)|;
4.2)其次,处理状态变量x的上下界约束,依照式(1)取:
其中,上标lb、ub分别表示上、下边界,i=1,...,Ψ,k=1,...,p;Ψ表示状态变量上下界约束的个数;
4.3)处理控制变量约束,依照式(2)、(3)取:
4.4)构建一个增广的性能指标函数,参见式(4):
其中,I为工业过程动态优化目标的性能指标,ωi,λi,δi分别为惩罚函数的权重因子,η,Ψ,δ分别为各相应约束的数目。
(5)、将现场智能仪表2所采集的工业过程对象1的数据传送到DCS实时数据库5中,在每个采样周期从DCS数据库5得到的最新数据输出到上位机6,并在上位机6的初始化处理模块7中进行初始化处理,然后将初始化后的结果作为迭代优化模块10的输入,并在迭代优化模块10中通过每个步骤的迭代优化寻找到得到性能指标函数的最优值以及相应的控制变量曲线。
所述的动态优化方法还包括:(6)、在判断分析模块11中,判断当前步的优化时刻已缩小的可行区域是否小于设定的迭代终止的搜索域,如小于,则优化结束;否则,将更新的已缩小的可行区域输入到迭代优化模块10,继续进行迭代优化。所述的当前步的优化时刻已缩小的可行区域通过下列式子(5)来计算得到:
ri+1=α×ri (5)
上式中,r为初始可行域,α为缩减因子,α取在0~1之间,i是优化迭代次数,第一步优化迭代次数取1,第二步取2,依此类推,当前优代迭代步是指第i+1次。
在所述的(5)中,通过迭代优化模块11的反复迭代优化得到最优的控制变量曲线,并在上位机6的人机界面上显示工业过程最优控制变量曲线的结果信息,上位机6将所得到的最优控制曲线传给DCS系统,并在DCS系统的控制站4中显示所得到的优化结果信息,同时通过DCS系统和现场总线将所得到的优化结果信息传递到现场工作站进行显示,并由现场工作站来执行最优操作。
Claims (4)
1.一种基于IDP的工业过程动态优化系统,包括与工业过程对象连接的现场智能仪表、DCS系统以及上位机,所述的DCS系统由数据接口、控制站、数据库构成;现场智能仪表、DCS系统、上位机通过现场总线依次相连,其特征在于:所述的上位机包括:
初始化处理模块,用于对数据进行初始化处理,对状态变量x和控制变量u进行初始赋值,采用以下步骤来完成:
1)将时间区间[0,tf]分成P小段,(0,t1),(t1,t2)…(tp-2,tp-1),(tp-1,tp);每个时间段的长度取为L=tf/P;
2)设定控制变量u的初始可行域r和缩减因子α,取r=[ulb,uub],其中上标lb、ub分别表示上、下边界;α取在0~1之间,在控制变量的可行域范围内均匀地选取M个控制变量值,作为控制变量的初值u0;
3)将N个控制变量{u0±[H/(N-1)]×r,H=2,4,…N-1},在P个时间段上,将状态变量方程积分N次,得到一组N×P维的状态变量值,作为状态变量的初始值;
约束处理模块,用于处理优化过程中不满足生产条件的变量,采用如下步骤来实现:
1)首先,处理状态变量x的终值约束x(ti)≤xi(tf),取oi=|xi(tf)-x(ti)|;
2)其次,处理状态变量x的上下界约束,依照式(1)取:
其中,上标lb、ub分别表示上、下边界,i=1,...,ψ,k=1,...,p;ψ表示状态变量上下界约束的个数;
3)处理控制变量约束,依照式(2)、(3)取:
4)构建一个增广的性能指标函数,参见式(4):
其中,I为工业过程动态优化目标的性能指标,ωi,λi,δi分别为惩罚函数的权重因子,η,ψ,δ分别为各相应约束的数目;
信号采集模块,用于设定每次采集的时间间隔,采集现场智能仪表的信号;
迭代优化模块,用于寻找最优的性能指标,采用以下步骤来实现:从第P段开始迭代,即从tf-L到tf时间,在控制变量允许范围内搜索得到使得性能指标J最小的各变量,保存tf-L相应的各变量值;再从第P-1时间段起,即从时间tf-2L到tf-L,对于tf-2L的各状态点的控制变量,将状态方程由tf-2L到tf-L,再从tf-L起用距离前段积分终点最近的状态点的最优控制变量积分tf,由此得到tf-2L段上各状态点到终点的最优决策值;重复上述步骤直到第L时间段,即t0时间,保存使得增广的性能指标函数J最优的各控制变量的值,从而得到最优性能指标值和相应的控制变量值;
判断分析模块,用于判断当前步的优化时刻已缩小的可行区域是否小于设定的迭代终止的搜索域,所述的当前步的优化时刻已缩小的可行区域通过式(5)来计算得到:ri+1=α×ri (5)
上式中,r为初始可行域,α为缩减因子,α取在0~1之间,i是优化迭代次数,第一步优化迭代次数取1,第二步取2,依此类推,当前优代迭代步是指第i+1次;
如小于,则优化结束;否则,将更新的已缩小的可行区域输入到迭代优化模块,继续进行迭代优化。
2.如权利要求1所述的一种基于IDP的工业过程动态优化系统,其特征在于:所述的上位机还包括:
结果显示模块,用于将迭代优化模块所得到的最优控制曲线传给DCS系统,并在DCS系统中显示所得到的优化结果信息。
3.一种用如权利要求1所述的基于IDP的工业过程动态优化系统实现的动态优化方法,其特征在于:所述的动态优化方法包括以下步骤:
(1)、在DCS系统中指定动态优化的状态变量和控制变量,设定各变量的上下边界和DCS采样周期,并将DCS数据库中的相应的各变量的历史数据、上下边界值数据输出到上位机;
(2)、在上位机的判断分析模块中,设定迭代终止的搜索域;
(3)、在上位机中,对DCS系统输入的数据进行初始化处理,包括对时间段、状态变量和控制变量进行初始赋值,采用以下步骤来完成:
3.1)将时间区间[0,tf]分成P小段,(0,t1),(t1,t2)…(tp-2,tp-1),(tp-1,tp);每个时间段的长度取为L=tf/P;
3.2)设定控制变量u的初始可行域r和缩减因子α,取r=[ulb,uub],其中上标lb、ub分别表示上、下边界;α取在0~1之间,在控制变量的可行域范围内均匀地选取M个控制变量值,作为控制变量的初值u0;
3.3)将N个控制变量{u0±[H/(N-1)]×r,H=2,4,…N-1},在P个时间段上,将状态变量方程积分N次,得到一组N×P维的状态变量值,作为状态变量的初始值;
(4)、再对状态变量和控制变量进行约束处理,采用如下步骤来实现:
4.1)首先,处理状态变量x的终值约束x(ti)≤xi(tf),取oi=|xi(tf)-x(ti)|;
4.2)其次,处理状态变量x的上下界约束,依照式(1)取:
其中,上标lb、ub分别表示上、下边界,i=1,...,ψ,k=1,...,p;ψ表示状态变量上下界约束的个数;
4.3)处理控制变量约束,依照式(2)、(3)取:
4.4)构建一个增广的性能指标函数,参见式(4):
其中,I为工业过程动态优化目标的性能指标,ωi,λi,δi分别为惩罚函数的权重因子,η,ψ,δ分别为各相应约束的数目;
(5)、将现场智能仪表所采集的工业过程对象的数据传送到DCS系统的实时数据库中,在每个采样周期从DCS系统的数据库得到的最新数据输出到上位机,并在上位机的初始化模块中进行初始化处理,然后将初始化后的结果作为迭代优化模块的输入;
(6)、从第P段开始迭代,即从tf-L到tf时间,在控制变量允许范围内搜索得到使得性能指标J最小的各变量,保存tf-L相应的各变量值;再从第P-1时间段起,即从时间tf-2L到tf-L,对于tf-2L的各状态点的控制变量,将状态方程由tf-2L到tf-L,再从tf-L起用距离前段积分终点最近的状态点的最优控制变量积分tf,由此得到tf-2L段上各状态点到终点的最优决策值;重复上述步骤直到第L时间段,即t0时间,保存使得增广的性能指标函数J最优的各控制变量的值,从而得到最优性能指标值和相应的控制变量值;
(7)、判断当前步的优化时刻已缩小的可行区域是否小于设定的迭代终止的搜索域,所述的当前步的优化时刻已缩小的可行区域通过式(5)来计算得到:
ri+1=α×ri (5)
上式中,r为初始可行域,α为缩减因子,α取在0~1之间,i是优化迭代次数,第一步优化迭代次数取1,第二步取2,依此类推,当前优代迭代步是指第i+1次;
如小于,则优化结束;否则,将更新的已缩小的可行区域输入到迭代优化模块,继续进行迭代优化。
4.如权利要求3所述的一种基于IDP的工业过程动态优化方法,其特征在于:所述的动态优化方法还包括:
在所述的(6)中,得到最优的控制变量曲线,并在上位机的人机界面上显示工业过程最优控制变量曲线的结果信息,上位机将所得到的最优控制曲线传给DCS系统,并在DCS系统中显示所得到的优化结果信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100685047A CN100461037C (zh) | 2007-05-11 | 2007-05-11 | 一种基于idp的工业过程动态优化系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2007100685047A CN100461037C (zh) | 2007-05-11 | 2007-05-11 | 一种基于idp的工业过程动态优化系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101055467A CN101055467A (zh) | 2007-10-17 |
CN100461037C true CN100461037C (zh) | 2009-02-11 |
Family
ID=38795332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2007100685047A Expired - Fee Related CN100461037C (zh) | 2007-05-11 | 2007-05-11 | 一种基于idp的工业过程动态优化系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100461037C (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776892B (zh) * | 2009-12-31 | 2012-07-04 | 浙江大学 | 一种约束优先的工业过程动态优化系统及方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2855004T3 (es) | 2009-12-02 | 2021-09-23 | Shell Int Research | Coordinación basada en la economía del control de proceso avanzado y optimización en tiempo real |
CN101776899B (zh) * | 2009-12-23 | 2012-01-25 | 浙江大学 | 空分塔平衡级节能控制系统及方法 |
CN101890247B (zh) * | 2010-06-30 | 2012-03-07 | 浙江大学 | 一种内部热耦合精馏塔的高纯非线性控制系统及方法 |
CN101884849B (zh) * | 2010-06-30 | 2012-03-07 | 浙江大学 | 一种高纯精馏过程的浓度非线性观测系统及方法 |
FR2963837B1 (fr) * | 2010-08-10 | 2012-08-31 | Air Liquide | Traitement a niveaux multiples pour optimiser une ou plusieurs unites de separation de fluides |
JP6327235B2 (ja) * | 2015-11-06 | 2018-05-23 | 横河電機株式会社 | イベント解析装置、イベント解析システム、イベント解析方法、およびイベント解析プログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5424942A (en) * | 1993-08-10 | 1995-06-13 | Orbital Research Inc. | Extended horizon adaptive block predictive controller with an efficient prediction system |
CN1745347A (zh) * | 2003-01-31 | 2006-03-08 | 法赫尔丁·T·阿塔尔瓦拉 | 使用模块化模型预测控制器的集成优化和控制 |
CN1285016C (zh) * | 2003-06-09 | 2006-11-15 | 石油大学(北京) | 复杂滞后过程的先进控制方法及其系统 |
CN1300651C (zh) * | 2002-09-11 | 2007-02-14 | 费舍-柔斯芒特系统股份有限公司 | 过程控制系统优化程序中的约束和限制可行性处理 |
-
2007
- 2007-05-11 CN CNB2007100685047A patent/CN100461037C/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5424942A (en) * | 1993-08-10 | 1995-06-13 | Orbital Research Inc. | Extended horizon adaptive block predictive controller with an efficient prediction system |
CN1300651C (zh) * | 2002-09-11 | 2007-02-14 | 费舍-柔斯芒特系统股份有限公司 | 过程控制系统优化程序中的约束和限制可行性处理 |
CN1745347A (zh) * | 2003-01-31 | 2006-03-08 | 法赫尔丁·T·阿塔尔瓦拉 | 使用模块化模型预测控制器的集成优化和控制 |
CN1285016C (zh) * | 2003-06-09 | 2006-11-15 | 石油大学(北京) | 复杂滞后过程的先进控制方法及其系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101776892B (zh) * | 2009-12-31 | 2012-07-04 | 浙江大学 | 一种约束优先的工业过程动态优化系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101055467A (zh) | 2007-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100461037C (zh) | 一种基于idp的工业过程动态优化系统及方法 | |
Ding et al. | Automatic structural synthesis of the whole family of planar 3-degrees of freedom closed loop mechanisms | |
CN101927495B (zh) | 一种冗余度机械臂重复运动规划方法 | |
CN103269176B (zh) | 一种基于分数阶pi预测函数的逆变器控制方法 | |
CN101887239A (zh) | 一种自适应的工业过程最优控制系统及方法 | |
CN101763087B (zh) | 一种基于非线性共轭梯度法的工业过程动态优化系统及方法 | |
CN105159148A (zh) | 一种机器人指令处理方法及装置 | |
CN113660676B (zh) | 基站流量预测方法、系统、存储介质及设备 | |
CN112132177A (zh) | 基于机器学习快速预测abo3钙钛矿带隙的在线预报方法 | |
CN101887260A (zh) | 一种自适应同步策略的工业过程最优控制系统及方法 | |
CN106777616A (zh) | 一种高速水稻钵苗插秧机移箱机构多学科优化设计方法 | |
Das et al. | An economic design model for X charts with random sampling policies | |
CN111177127A (zh) | 一种基于bp神经网络的光伏电站出力数据修复方法 | |
CN102722101A (zh) | 基于闭环频域的辨识方法和系统 | |
Mertik et al. | Estimating software quality with advanced data mining techniques | |
Wang et al. | Using features and their constraints to aid process planning of sheet metal parts | |
CN102436528A (zh) | 复杂装备方案重用再生设计方法 | |
Liu et al. | On the embedded kinematic fractionation of epicyclic gear trains | |
CN101763082B (zh) | 一种有效的基于两点步长梯度法的工业过程动态优化系统及方法 | |
Salmasi et al. | A heuristic approach for multi-stage sequence-dependent group scheduling problems | |
Shieh | An FPGA-based sliding fuzzy control for DC/DC boost converter | |
Shengbo et al. | Knowledge-Driven Analysis Framework of Anomaly Propagation in Manufacturing Workshop | |
Bai et al. | An Analysis on Market Potential of China’s Industrial Internet Based on Grey Theory under Digital Transformation | |
CN116541273B (zh) | 基于图注意力的二进制代码相似性检测方法及系统 | |
CN116774005B (zh) | 一种四开关Buck-Boost变换器故障诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090211 Termination date: 20110511 |