CN101198913B - Mpc模型中的即时动态顾问机 - Google Patents

Abstract

公开了一种用于从模型预测控制器中去除PID控制器的动态特性的方法，模型预测控制器利用过程的识别测试而产生。那么，这就允许产生非常快速的基于最终控制元素的即时操作者顾问机，该顾问机结合过程运行，使得其访问实时数据并提供过程的未来状态的目前预测，以及提供观察控制可能性的可选方案的能力。

Description

MPC模型中的即时动态顾问机 

技术领域

本发明涉及过程，尤其涉及化学过程和石油精炼过程的复杂多变量控制的模型预测控制(MPC)领域。 

背景技术

模型预测控制(MPC)是指计算一系列操纵变量(manipulated variable)调整以最优化复杂的多变量过程未来行为的一类算法。最初是为了满足于石油精炼和化学处理的需要，但是MPC现在可以应用到各种应用领域中，包括：化学、食品加工、自动化、宇航、冶金和纸浆造纸。化学和精炼应用中MPC众所周知的实施是动态矩阵控制或DMC。 

MPC控制器使用过程的软件模型来预测所操纵的变量的过去变化的影响和感兴趣的输出变量上的可测量干扰。计算自变量，以优化被称为预测水平(prediction horizon)的时间间隔内的未来系统行为。一般情况下，可以使用任何期望的目标函数进行优化。系统动态由清楚的过程模型描述，原则上其采取许多不同的数学形式。过程输入和输出约束(constraint)直接地包括在数学分析(problem formulation)中，以便预测并阻止未来约束干扰。 

实际上，已经就运行MPC控制器开发了许多不同的方法并得到了商业化。最成功的实施方案已经针对设备动态特性利用了线性模型。线性模型的第一步在于通过对自变量引入测试干扰(test disturbance)而收集过程中的数据并测量干扰对于自变量的影响。该初始步骤称为识别(Identification)。 

美国专利4,349,869和4,616,308描述了被称为动态矩阵控制(DMC)的MPC控制的实施方案。这两个专利描述了根据设备的线性模型的MPC算法，并描述了如何将过程约束包括在数学分析中。还描述了利用过程数据的MPC控制器的初始识别。 

作为进一步的背景，该过程动态特性的识别要求预测试，预测试时，以某种模式运转过程的自变量以判断对于自变量的影响。在化学或精炼处理中，自变量包括用于选择的自变量的PID(比例-积分-微分)控制器设置点、手动时PID控制器的最终控制元素位置、以及在控制领域的范围之外确定的温度、材料流量、压力和组份。对于任何过程识别测试，对于数据分析，自变量是固定的。此外，在MPC控制器领域中的任何PID控制器的进一步调整是固定的。MPC控制器构造成使用来自识别的动态过程模型，当执行识别时，MPC控制器必须严格地具有已存在的自变量的相同构造。因此，动态模型中，识别期间出现的PID控制器结构嵌入在PID控制器动态特性中。因为PID动态特性是设备行为的一部分，所以具有变量的内在相关性，该变量的内在相关性在不可测量的干扰出现在过程中时发生。各种PID控制回路响应于这些不可测量的干扰并相应地运转很多被控变量。过去这一直阻碍开发人员利用标准的识别测试产生摆脱PID动态特性的MPC控制器。 

美国专利6,980,938处理前述问题并描述了一种通过新颖的数学矩阵算法的使用而从动态模型中去除PID动态特性的方法，该数学矩阵算法利用矩阵列消元法计算将选择的最终控制元素位置(一般阀门位置)受控变量与线性化模型中其对应选择的独立可控的、所操纵的PID控制器设置点变量进行交换，以产生具有一组新的独立可控的、所操纵的变量的第二线性模型，该第二模型使得选择的独立可控的、所操控的PID控制器设置点变量的动态特性从模型中去除。该第二线性化模型是一种仅仅基于最终控制元素位置的开环模型。因为其是开环有限脉冲响应模型，所以已经看出其可以比实际时间快到50至100倍。专利6,980,938描述并要求了该类模型在控制和离线训练模拟器开发中的使用。 

非常期望诸如化学药品制备和石油精炼的复杂多变量过程的控制能够成为操作者的快速即时顾问机(advisor)，但是这点并没有得到满足。其可以以两种重要的途径进行使用。在前台模式中，关于基于自变量和结构的过去变化过程正在运行的情况，操作者顾问机可以运行以提供持续预测。在后台模式中，顾问机可以向操作者提供建议并提供训练模式以教授新的和富有经验的操作者对于该方案从头至尾的使用。该性能在现有技术和实际中都没有使用过。该性能明显的优势在于防止了计划外的停工并保证了个体的安全。 

本发明的一个方面在于对于该未满足的需要的认识和通过使用开环有限脉冲响应模型而处理该需要的方法，与PID控制器的模拟有关的该开环有限脉冲响应模型的PID动态特性已经去除并且该新模型连接至分布式控制系统(DCS)。 

发明内容

本发明的目的在于提供一种从由设备识别测试产生的MPC控制器中除去PID控制器的动态特性的方法。这使得能够产生过程的基于最终控制元素的FIR模型。接着，该基于最终控制元素的模型可以连接至PID控制配置的模拟，并通过分布式控制系统(DCS)控制台进行连接，以产生快速并可信的即时操作者顾问机来在过程的运行期间指导操作者。因为PID控制器的动态特性已经从基于最终控制元素的FIR模型去耦，该即时操作者顾问机可以用于各种控制结构中，而不是必须重复进行设备识别测试。该类的即时顾问机之前从未获得过。 

本发明的再一目的在于提供一种可在MPC控制器的各种实施方案中使用的方法。 

本发明的进一步目的在于提供一种方法，其产生用于复杂多变量过程的即时顾问机，其可以利用新的调整控制结构或新的调整进行修改，并且这么做不是一定要管理过程的新识别测试。 

本发明的一个目的通过一种产生即时操作者顾问机的方法而实现，即时操作者顾问机用于在过程模拟中使用的过程，并用于训练模拟机，通过去除PID动态特性的影响并因此从过程的控制器模型的动态特性中去除不可测量的干扰的影响而产生训练模拟机，过程具有多个独立可控的操纵变量和基于独立可控的操纵变量的至少一个被控变量，方法包括以下步骤：通过在操纵变量的每个中分别引入测试干扰以及测量干扰对于被控变量的影响，收集关于过程的数据；利用干扰对于被控变量的影响来产生使得至少一个被控变量与独立可控操控变量有关的第一线性化动态模型；利用矩阵列消元计算，将选择的最终控制元素位置可控变量与第一线性化动态模型中其对应选择的独立可控操纵PID控制器设置点变量互换，以产生 第二线性化动态模型，第二线性化动态模型具有新的一组独立可控的操纵变量，第二线性化动态模型使得选择的独立可控操纵PID控制器设置点从第二线性化动态模型中除去；经由数学模拟器外部地模拟期望的调整控制配置，以便用手动、级联或自动模式来模拟PID控制器，从而获取过程的完整模型。 

本发明的又一方面在于完整模型的使用，如下所述：访问来自过程的实时数据，以利用应变量和自变量的状态初始化完整的模型；初始化调整控制系统的结构；以及利用预测向量的状态进行初始化，使得接着可以数学地计算完整模型，以预测至少一个被控变量的未来方式。 

还应该注意，可以经由DCS控制台或者可由现代控制组件获得的控制台模拟器在过程模型之外容易地模拟调整控制配置，这样允许操作者以手动模式安置PID控制器，打破级联，重新调整PID控制器或者甚至重新设定调整控制配置。 

当前用于石油精炼和化学处理中的识别的最一般方法是动态矩阵识别(DMI)。该DMI将被用于例证本发明的方法，但是应该理解，本发明并不受限于具体识别技术。 

附图说明

图1为分馏器的流程示意图； 

图2为基于阀门位置的分馏器模型的模拟； 

图3示出了分馏器设备测试的结果； 

图4为具有PID控制器的分馏器的模拟； 

图5为具有原始值和恢复值的分馏器的示例； 

图6为发明方法的一个方面的步骤的流程图表示； 

图7为发明方法的一个方面的步骤的流程图表示；以及 

图8为发明方法的一个方面的步骤的流程图表示。  

具体实施方式

本发明是一种结合模型预测控制而使用的方法，其用于从过程的MPC控制器中去除PID控制器的动态特性，以随后产生过程的即时顾问机。 

MPC过程模型是一组线性等式，所以其应该可能数学地将任何自变量与应变量进行互换，假定在自变量和应变量之间存在相关性。该转换的备用组是用于PID控制器的设置点(自变)和用于该PID控制器的相关的最终控制元素位置(应变)。 

MPC控制器一般基于处理系统的线性模型。尽管本文中将描述的本发明在很多领域具有应用，但是使用的实例将来源于化学和精炼处理应用。 

在任何系统中具有两种类型的变量：自变量和应变量。自变量输入进系统。自变量进一步划分为操纵变量和干扰(前馈)变量。操纵变量是由人类操作者改变的变量，例如，最终控制元素位置或PID控制器设置点。干扰变量是对系统具有影响的自变量，但是人类操作者不能够改变。变量例如进料成分、进料温度以及环境温度都是干扰变量的例子。 

应变量是系统的输出。应变量受到自变量变化的影响。人类操作者不能直接地改变它们。但是，可以通过恰当地改变操纵变量的值控制应变量的值。进一步地，当干扰进入系统时，必须恰当地调整操纵变量以抵消干扰。 

线性模型的使用允许在所述复杂并多变的控制下使用矩阵计算。有几种一般形式的MPC模型。控制的一般模型是阶跃响应模型： 

$\begin{array}{ccccc}\mathrm{\δ}{\stackrel{\‾}{O}}_i=A_{\mathrm{1,1}}\mathrm{\Δ}{\stackrel{\‾}{I}}_1& +\·\·\·& +A_{1,j}\mathrm{\Δ}{\stackrel{\‾}{I}}_j& +\·\·\·& +A_{1,\mathrm{nind}}\mathrm{\Δ}{\stackrel{\‾}{I}}_{\mathrm{nind}}\\ \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·\\ \mathrm{\δ}{\stackrel{\‾}{O}}_i=A_{i,1}\mathrm{\Δ}{\stackrel{\‾}{I}}_1& +\·\·\·& +A_{i,j}\mathrm{\Δ}{\stackrel{\‾}{I}}_j& +\·\·\·& +A_{i,\mathrm{nind}}\mathrm{\Δ}{\stackrel{\‾}{I}}_{\mathrm{nind}}\\ \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·\\ \·& \·& \·& \·& \·\\ \mathrm{\δ}{\stackrel{\‾}{O}}_{\mathrm{ndep}}=A_{\mathrm{ndep},1}\mathrm{\Δ}{\stackrel{\‾}{I}}_1& +\·\·\·& +A_{\mathrm{ndep},j}\mathrm{\Δ}{\stackrel{\‾}{I}}_j& +\·\·\·& +A_{\mathrm{ndep},\mathrm{nind}}\mathrm{\Δ}{\stackrel{\‾}{I}}_{\mathrm{nind}}\end{array}$

等式1：阶跃响应动态矩阵、分块矩阵形式 

其中： 

$\mathrm{\δ}{\stackrel{\‾}{O}}_i=\left[\begin{array}{c}{O}_{i,1}-O_{i,0}\\ O_{i,2}-O_{i,0}\\ O_{i,3}-O_{i,0}\\ \·\\ \·\\ \·\\ O_{i,\mathrm{ncoef}}-O_{i,0}\end{array}\right],$ 每次阶跃的第i个应变量的累积变化 

$\stackrel{\·\·}{A}{\stackrel{\‾}{I}}_j=\left[\begin{array}{c}\mathrm{\Δ}{I}_{j,1}\\ \mathrm{\Δ}{I}_{j,2}\\ \mathrm{\Δ}{I}_{j,3}\\ \·\\ \·\\ \·\\ \mathrm{\Δ}{I}_{j,\mathrm{ncoef}}\end{array}\right],$ 每次阶跃的第j个自变量的阶跃变化， 

以及 

动态矩阵 

该阶跃响应等式的可选形式是有限脉冲响应(FIR)形式。如下所述，其可以源于阶跃响应形式。 

从识别得到： 

b_i，j，k＝a_i，j，k                 对于k＝1， 

b_i，j，k＝a_i，j，k-a_{i，j，(k-1)}    对于k：2→ncoef 

以及 

ΔO_i，k＝O_i，k-O_i，(k-1)           对于k：1→ncoef 

发明人可以区分等式的以上系统，给出： 

$\begin{array}{ccccccc}\stackrel{\·\·}{A}{\stackrel{\‾}{O}}_1& =& B_{\mathrm{1,1}}\stackrel{\·\·}{A}{\stackrel{\‾}{I}}_1& \·\·\·& +B_{1,j}\stackrel{\·\·}{A}{\stackrel{\‾}{I}}_j& \·\·\·& +B_{1,\mathrm{nind}}\stackrel{\·\·}{A}{\stackrel{\‾}{I}}_{\mathrm{nind}}\\ \·& \·& \·& & \·& & \·\\ \·& \·& \·& & \·& & \·\\ \·& \·& \·& & \·& & \·\\ \stackrel{\·\·}{A}{\stackrel{\‾}{O}}_i& =& B_{i,1}\stackrel{\·\·}{A}{\stackrel{\‾}{I}}_1& \·\·\·& +B_{i,j}\stackrel{\·\·}{A}{\stackrel{\‾}{I}}_j& \·\·\·& +B_{i,\mathrm{nind}}\stackrel{\·\·}{A}{\stackrel{\‾}{I}}_{\mathrm{nind}}\\ \·& \·& \·& & \·& & \·\\ \·& \·& \·& & \·& & \·\\ \·& \·& \·& & \·& & \·\\ \stackrel{\·\·}{A}{\stackrel{\‾}{O}}_{\mathrm{ndep}}& & B_{\mathrm{ndep},1}\stackrel{\·\·}{A}{\stackrel{\‾}{I}}_1& \·\·\·& +B_{\mathrm{ndep},j}\stackrel{\·\·}{A}{\stackrel{\‾}{I}}_j& \·\·\·& +B_{\mathrm{ndep},\mathrm{nind}}\stackrel{\·\·}{A}{\stackrel{\‾}{I}}_{\mathrm{nind}}\end{array}$

等式2：有限脉冲响应等式--分块矩阵形式 

其中 

$\stackrel{\·\·}{A}{\stackrel{\‾}{O}}_i=\left[\begin{array}{c}{O}_{i,1}-O_{i,0}\\ O_{i,2}-O_{i,1}\\ O_{i,3}-O_{i,2}\\ \·\\ \·\\ \·\\ O_{i,\mathrm{ncoef}}-O_{i,(\mathrm{ncoef}-1)}\end{array}\right],$ 每次时间间隔的第i个应变量的变化 

$\stackrel{\·\·}{A}{\stackrel{\‾}{I}}_j=\left[\begin{array}{c}{\mathrm{\ΔI}}_{j,1}\\ \mathrm{\Δ}{I}_{j,2}\\ \mathrm{\Δ}{I}_{j,3}\\ \·\\ \·\\ \·\\ \mathrm{\Δ}{I}_{j,\mathrm{ncoef}}\end{array}\right],$ 如上，以及 

脉冲系数的模型矩阵 

这些等式具有五种形式，而发明人仅仅示出了前两种。尽管这些形式在数学上等价，并且尽管所有形式可以用于识别预测和控制，但是它们具有非常不同的性质。 

$\mathrm{\δ}\stackrel{\‾}{O}=\mathrm{A\Δ}\stackrel{\‾}{I}$ --最经常地用于控制计算； 

$\mathrm{\Δ}\stackrel{\‾}{O}=\mathrm{B\Δ}\stackrel{\‾}{I}$ --用于稳定状态变量的识别； 

$\mathrm{\Δ\Δ}\stackrel{\‾}{O}=\mathrm{B\Δ\Δ}\stackrel{\‾}{I}$ --用于斜率变量的识别； 

$\mathrm{\δ}\stackrel{\‾}{O}=\mathrm{B\δ}\stackrel{\‾}{I}$ --不经常使用。旧的IDCOM控制公式； 

$\mathrm{\Δ}\stackrel{\‾}{O}=\mathrm{A\Δ\Δ}\stackrel{\‾}{I}$ --不经常使用。 

C.R.Cutler and C.R.Johnston在论文“Analysis of the Forms of theDynamic Matrix”中探讨了这些形式的矩阵，1985年10月发表于Proceedings of the Instrument Society of America ISA 85 Advances inInstrumentation中，Volume 40，Number 1-October 1985。 

在两个美国专利4,349,869和4,616,308中描述了这些线性模型技术的使用，包括模型识别和用于控制的模型使用以及具有约束的控制中的使用。 

现在推导本发明的算法以演示从控制器中去除PID(比例-积分-微分) 动态特性。该推导来自等式2的FIR模型。为了推导该算法，发明人假定第j个自变量是PID控制器的设置点，并且第i个应变量是对于该设置点变化的PID最终控制元素的响应。在很多过程中，最终控制元素是一个阀门，但是其也可以是其他的事件例如发动机上设置的速度。该项最终控制元素预料响应于PID控制回路的那些任何元素。发明人希望重新设立模型，使得最终控制元素是过程模型的自变量；也就是说，发明人期望从所有受影响的模型响应中去除该PID控制器的动态特性。这可以通过将第i个应变量与第j个应变量互换而实现，如下： 

其中 

识别矩阵。 

注意，仅仅以上等式2具有使得ΔO的各项相乘的识别矩阵通过执行列消除运算(绕轴旋转)，可以得到： 

其可以重新写为： 

$\left[\begin{array}{c}{\hat{B}}_{\mathrm{1,1}}\\ \·\\ \·\\ \·\\ {\hat{B}}_{(\hat{i}-1),1}\\ {\hat{B}}_{\hat{i},1}\\ {\hat{B}}_{(\hat{i}+1),1}\\ \·\\ \·\\ \·\\ {\hat{B}}_{\mathrm{ndep},1}\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{I}}_1+\·\·\·+\left[\begin{array}{c}{\hat{B}}_{1,(\hat{j}-1)}\\ \·\\ \·\\ \·\\ {\hat{B}}_{(\hat{i}-1),(\hat{j}-1)}\\ {\hat{B}}_{\hat{i},(\hat{j}-1)}\\ {\hat{B}}_{(\hat{i}+1,),(\hat{j}-1)}\\ \·\\ \·\\ \·\\ {\hat{B}}_{\mathrm{ndep},(\hat{j}-1)}\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{I}}_{(\hat{j}--1)}+\left[\begin{array}{c}0\\ \·\\ \·\\ \·\\ 0\\ -I\\ 0\\ \·\\ \·\\ \·\\ 0\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{I}}_{\hat{j}}+\left[\begin{array}{c}{\hat{B}}_{1,(\hat{j}+1)}\\ \·\\ \·\\ \·\\ {\hat{B}}_{(\hat{i}-1),(\hat{j}+1)}\\ {\hat{B}}_{\hat{i},(\hat{j}+1)}\\ {\hat{B}}_{(\hat{i}+1),(\hat{j}+1)}\\ \·\\ \·\\ \·\\ {\hat{B}}_{\mathrm{ndep},(\hat{j}+1)}\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{I}}_{(\hat{j}+1)}\·\·\·+\left[\begin{array}{c}{\hat{B}}_{1,\mathrm{nind}}\\ \·\\ \·\\ \·\\ {\hat{B}}_{(\hat{i}-1),\mathrm{nind}}\\ {\hat{B}}_{\hat{i},\mathrm{nind}}\\ {\hat{B}}_{(\hat{i}+1),\mathrm{nind}}\\ \·\\ \·\\ \·\\ {\hat{B}}_{\mathrm{ndep},\mathrm{nind}}\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{I}}_{\mathrm{nind}}$

$=\left[\begin{array}{c}I\\ \·\\ \·\\ \·\\ 0\\ 0\\ 0\\ \·\\ \·\\ \·\\ 0\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{O}}_1+\·\·\·+\left[\begin{array}{c}0\\ \·\\ \·\\ \·\\ I\\ 0\\ 0\\ \·\\ \·\\ \·\\ 0\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{O}}_{(\hat{i}-1)}+\left[\begin{array}{c}{\widehat{-B}}_{1,\hat{j}}\\ \·\\ \·\\ \·\\ {\widehat{-B}}_{(\hat{i}-1),\hat{j}}\\ {\widehat{-B}}_{\hat{i},\hat{j}}\\ {\widehat{-B}}_{(\hat{i}+1),\hat{j}}\\ \·\\ \·\\ \·\\ {\widehat{-B}}_{\mathrm{ndep},\hat{j}}\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{O}}_{\hat{i}}+\left[\begin{array}{c}0\\ \·\\ \·\\ \·\\ 0\\ 0\\ I\\ \·\\ \·\\ \·\\ 0\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{O}}_{(\hat{i}+1)}+\·\·\·+\left[\begin{array}{c}0\\ \·\\ \·\\ \·\\ 0\\ 0\\ 0\\ \·\\ \·\\ \·\\ I\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{O}}_{\mathrm{ndep}}$

可以重新整理为： 

$\left[\begin{array}{c}{\hat{B}}_{\mathrm{1,1}}\\ \·\\ \·\\ \·\\ {\hat{B}}_{\left(\hat{i}-1\right),1}\\ {\hat{B}}_{\hat{i},1}\\ {\hat{B}}_{(\hat{i}+1),1}\\ \·\\ \·\\ \·\\ {\hat{B}}_{\mathrm{ndep},1}\end{array}\right]\×\mathrm{\Δ}{\hat{I}}_1+\·\·\·+\left[\begin{array}{c}{\hat{B}}_{1,(\hat{j}-1)}\\ \·\\ \·\\ \·\\ {\hat{B}}_{(\hat{i}-1),(\hat{j}-1)}\\ {\hat{B}}_{\hat{i},(\hat{j}-1)}\\ {\hat{B}}_{(\hat{i}+1),(\hat{j}-1)}\\ \·\\ \·\\ \·\\ {\hat{B}}_{\mathrm{ndep},(\hat{j}-1)}\end{array}\right]\×\mathrm{\Δ}{\hat{I}}_{(\hat{j}-1)}+\left[\begin{array}{c}{\hat{B}}_{1,\hat{j}}\\ \·\\ \·\\ \·\\ {\hat{B}}_{(\hat{i}-1),\hat{j}}\\ {\hat{B}}_{\hat{i},\hat{j}}\\ {\hat{B}}_{(\hat{i}+1),\hat{j}}\\ \·\\ \·\\ \·\\ {\hat{B}}_{\mathrm{ndep},\hat{j}}\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{O}}_{\hat{i}}+\left[\begin{array}{c}{\hat{B}}_{1,(\hat{j}+1)}\\ \·\\ \·\\ \·\\ {\hat{B}}_{(\hat{i}-1),(\hat{j}+1)}\\ {\hat{B}}_{\hat{i},(\hat{j}+1)}\\ {\hat{B}}_{(\hat{i}+1),(\hat{j}+1)}\\ \·\\ \·\\ \·\\ {\hat{B}}_{\mathrm{ndep},(\hat{j}+1)}\end{array}\right]\×\mathrm{\Δ}{\hat{I}}_{(\hat{j}+1)}\·\·\·+\left[\begin{array}{c}{\hat{B}}_{1,\mathrm{nind}}\\ \·\\ \·\\ \·\\ {\hat{B}}_{(\hat{i}-1),\mathrm{nind}}\\ {\hat{B}}_{\hat{i},\mathrm{nind}}\\ {\hat{B}}_{(\hat{i}+1),\mathrm{nind}}\\ \·\\ \·\\ \·\\ {\hat{B}}_{\mathrm{ndep},\mathrm{nind}}\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{I}}_{\mathrm{nind}}$

$=\left[\begin{array}{c}I\\ \·\\ \·\\ \·\\ 0\\ 0\\ 0\\ \·\\ \·\\ \·\\ 0\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{O}}_1+\·\·\·+\left[\begin{array}{c}0\\ \·\\ \·\\ \·\\ I\\ 0\\ 0\\ \·\\ \·\\ \·\\ 0\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{O}}_{(\hat{i}-1)}+\left[\begin{array}{c}0\\ \·\\ \·\\ \·\\ 0\\ I\\ 0\\ \·\\ \·\\ \·\\ 0\end{array}\right]\×\mathrm{\Δ}{\hat{I}}_{\hat{j}}\left[\begin{array}{c}0\\ \·\\ \·\\ \·\\ 0\\ 0\\ I\\ \·\\ \·\\ \·\\ 0\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{O}}_{(\hat{i}+1)}+\·\·\·+\left[\begin{array}{c}0\\ \·\\ \·\\ \·\\ 0\\ 0\\ 0\\ \·\\ \·\\ \·\\ I\end{array}\right]\×\mathrm{\Δ}{\stackrel{\‾}{O}}_{\mathrm{ndep}}$

或者重新集合矩阵等式，得到： 

注意 

和 

已经互换，使得最终控制元素位置现在是自变量，并且PID设置位置现在为应变量。这样示出了从唯一一个PID控制器中去除了PID动态特性，但是该算法明显是通用的，因为多自变量/应变量对可以互换以去除多控制器的动态特性。 

作为进一步示例，现在将要示出以数字表示的实例问题，从而说明如何将该方法应用于模型预测控制器以去除特定PID控制器的动态特性。 

给出具有两个(2)自变量、两个(2)应变量和四个(4)模型系数的PIF模型，其中，第二自变量是PID控制器的设置点，而第二应变量为PID控制器的最终控制元素位置，发明人期望利用作为自变量的PID最终控制元素位置而不是PID设置点来重新建立模型。这就要求根据之前讨论的算法从所有系统响应中去除PID控制器的动态特性。该实例对于ΔO＝BΔI_j、δO＝BδI以及ΔΔO＝BΔI形式的方程也有效。 

应变量-1 

自变量-1         自变量-2 

b_1，1，1＝1.5    b_1，2，1＝0.5 

b_1，1，2＝0.6    b_1，2，2＝0.4 

b_1，1，3＝0.2    b_1，2，3＝0.2 

b_1，1，4＝0.1    b_1，2.4＝0.1 

应变量-2 

自变量-1         自变量-2 

b_2，1，1＝-0.3   b_2，2，1＝0.75 

b_2，1，2＝-0.4   b_2，2，2＝0.25 

b_2，1，3＝-0.1   b_2，2，3＝0.15 

b_2，1，4＝-0.05  b_2，2，4＝0.05 

问题在下列矩阵中详细说明。 

指出中心元素 

将等式-5乘以(-1/0.75) 

将等式-5乘以0.5，再加到等式-1，并替换等式-1； 

将等式-5乘以0.4，再加到等式-2，并替换等式-2； 

将等式-5乘以0.2，再加到等式-3，并替换等式-3； 

将等式-5乘以0.1，再加到等式-4，并替换等式-4； 

将等式-5乘以0.25，再加到等式-6，并替换等式-6； 

将等式-5乘以0.15，再加到等式-7，并替换等式-7； 

将等式-5乘以0.05，再加到等式-8，并替换等式-8。 

将等式-6乘以(-1/0.75) 

 将等式-5乘以0.5，再加至等式-2并替换等式-2； 

将等式-5乘以0.4，再加至等式-3并替换等式-3； 

将等式-5乘以0.2，再加至等式-4并替换等式-4； 

将等式-5乘以0.25，再加至等式-7并替换等式-7； 

将等式-5乘以0.15，再加至等式-8并替换等式-8。 

将等式-7乘以(-1/0.75) 

将等式-5乘以0.5，再加至等式-3并替换等式-3； 

将等式-5乘以0.4，再加至等式-4并替换等式-4； 

将等式-5乘以0.25，再加至等式-8并替换等式-8。 

将等式-8乘以(-1/0.75) 

将等式-5乘以0.5，再加至等式-4并替换等式-4 

重新整理等式 

已经除去PID动态特性的新模型系数如下： 

应变量-1 

自变量-1              自变量-2 

_1，1，1＝1.7        

_1，2，1＝0.667 

_1，1，2＝0.96       

_1，2，2＝0.311 

_1，1，3＝0.4         _1，2，3＝0.030 

_1，1，4＝0.181      

_1，2，4＝0.017 

应变量-2 

自变量-1              自变量-2 

_2，3，1＝0.4        

_2，2，1＝1.333 

_2，1，2＝0.4        

_2，2，2＝-0.444 

_2，1，3＝0.08        _2，2，3＝-0.119 

_2，1，4＝0.0133      _2，2，4＝0.040 

注意，所有的系数值改变。该新的控制器现在已经使得第二自变量(PID设置点)的动态特性除去。现在利用该控制器来控制处理，并且该控制器的开发已经结束，而不用必须对于处理上的识别测试花费过多的额外时间。 

已经产生了相同的方法来从等式的开环阶跃响应形式中去除PID动态特性。这在发明人的申请10/043,473中示出，并且在本文中不再重复。 

塔模拟实施例 

在下列实施例中示出了算法的示意性用途。该实施例将示出如下： 

利用基于最终控制元素的有限脉冲响应(FIR)模型作为过程模拟器，从而作为即时顾问机或离线训练模拟器使用。 

基于特定调整控制结构的FIR模型的设备阶跃-测试及识别。 

使用适当算法来去除PID控制器动态特性并恢复潜在的基于最终控制元素的模型。 

在该实例中，基于阀门位置的FIR模型用于作为过程模型来模拟复杂分馏器的行为。分馏器的调整控制由三个PI(比例/积分)反馈控制器组成。利用调整控制器设置点，对模拟执行设备阶跃测试。接着，根据PI控制器的设置点获取用于分馏器的FIR模型。然后，基于调整控制方案的该模型被输入给算法，以去除PI控制器动态特性并恢复原始的FIR过程模型。 

应该注意，术语有限脉冲响应(FIR)模型用于参考模型的开环阶跃响应形式，因为阶跃形式应该由脉冲系数直接地计算出。 

复杂分馏器示意图的说明 

图1中示出了复杂分馏器的示意图。进料流速5由上游单元所控制并在熔炉6中预热。分馏器7具有顶部、中部和底部产品。分馏器顶部温度由推动顶部回流的PI控制器所控制。中部产品汲取温度(draw temperature)由改变中部产品汲取速率的PI控制器9所控制。第三PI控制器10改变底部产品速率以控制分馏器底部水平面。底部成分(发光器件)由分析器11测量。 

有限脉冲响应(FIR)模型的说明 

该实例中使用的过程模型为基于阀门位置的开环阶跃响应模型，概述如下： 

模型自变量 

TIC-2001.OP--顶部回流流量阀门 

TIC-2002.OP--中部产品流量阀门 

LIC-2007.OP--底部产品流量阀门 

FIC-2004.SP--中部回流流速 

FI-2005.PV--分馏器进料速率 

模型应变量 

TIC-2001.PV--分馏器顶部温度 

TIC-2002.PV--中部产品汲取温度 

LIC-2007.PV--分馏器底部水平面 

AI-2022.PV--分馏器底部成分(发光器件) 

开环阶约响应模型可以在如下产生的理想化情况中观察到。利用稳定状态的系统，可以在时间＝0时使得第一自变量增加一个工程单位，同时保持所有的其他自变量不变。接着，等间距时间间隔地测量所有应变量的值，直到系统再次达到稳定状态。然后，通过从用于该应变量的每个未来时间间隔的每个被测值中减去时间＝0时应变量的值，计算出与第一自变量有关的每个应变量的模型响应曲线。实质上，阶跃响应曲线表示自变量的变化对于应变量的影响。接着，该过程对于所有的自变量连续重复，从而产生完整的模型。模型的稳定状态时间由系统中最慢的响应曲线的稳定状态时间定义。 

显然在现实世界中，因为过程经常不处于稳定状态，所以该模型不能够以此方式产生。此外，不可能在自变量阶跃期间阻止可测量的干扰和不可测量的干扰去影响系统。模型的产生要求在每个自变量中进行多个阶跃(设备阶跃测试)。那么利用软件包例如AspenTech的DMCplus模型程序分析因此而收集的数据，从而计算开环阶跃响应模型。 

一旦识别出该模型，就可以用它来根据自变量的过去变化预测未来的系统响应。也就是说，如果知道所有的自变量如何在过去的一个稳定状态时间内变化，假如没有进一步的自变量变化，发明人可以利用该模型来预测在未来的一个稳定状态时间内应变量如何变化。这样示出了用于预测的 模型的使用(这是将FIR模型作为过程模拟器的基础)。 

根据没有进一步的自变量变化，给出预测的未来系统响应，并给出对于所有自变量和应变量的约束，模型可以用于设计自变量运转的策略以保持处于约束中的所有自变量和应变量。这样示出了用于控制的模型的使用。 

利用有限脉冲响应(FIR)作为过程模拟器 

用于该实例的模型具有90(90)分钟的稳定状态时间。使用的时间间隔是3(3)分钟。产生的响应曲线每个均由30(30)个数字的向量定义，其表示与t＝0时自变量阶跃变化有关的应变量对于时间的累加变化，同时所有其他自变量保持不变。 

表1中示出了模型系数，而图2示出了模型曲线。基于阀门位置的该模型用于根据模型自变量的过去和目前的变化预测模型应变量中未来的系统行为。 

表1：基于分馏器模拟阀门的模型系数 

应变量的阶跃响应系数-1：TIC-2001.PV DEG F 

应变量的阶跃响应系数-2：TIC-2002.PV DEG F 

应变量的阶跃响应系数-3：LIC-2001.PV％ 

应变量的阶跃响应系数-4：AI-2022.PV MOLE％ 

如上所提及，在系统中具有三种PI(比例/积分)控制器。这些PI控制器如下配置： 

表2：分馏器PID控制器 

利用调节过程的这些PI控制器执行设备测试(图3中的数据曲线)。用于系统的自变量和应变量如下： 

模型自变量 

TIC-2001.SP--顶部回流流量阀门 

TIC-2002.SP--中部产品流量阀门 

LIC-2007.SP--底部产品流量阀门 

FIC-2004.SP--中部回流流速 

FI-2005.PV--分馏器进料速率 

模型应变量 

TIC-2001.PV--分馏器顶部温度 

TIC-2002.PV--中部产品汲取温度 

LIC-2007.PV--分馏器底部水平面 

TIC-2001.OP--顶部回流流量阀门 

TIC-2002.OP--中部产品流量阀门 

LIC-2007.OP--底部产品流量阀门 

AI-2022.PV--分馏器底部成分(发光器件) 

这样示出了作为过程模拟器的基于最终控制元素的FIR模型的使用。如上所述，PID控制计算在过程模拟之外执行。 

如图4所示，分析产生的数据并识别基于该PID结构的模型。 

将去除PID动态特性的新算法应用到图4中所示的模型，并且将已经去除PID动态特性的该模型与原始的模拟模型进行比较。如在图5中所能看见的，算法成功地恢复了原始的基于最终控制元素的模型。注意，被恢复模型的稳定状态时间比原始模型的稳定状态时间长。这是具有PID控制器的模型具有更长的稳定状态时间的结果。原始的基于最终控制元素的模拟模型具有90分钟的稳定状态时间。 

当配置PID控制器并执行设备阶跃测试时，因为不得不等待PID反馈控制稳定下来，花费180分钟用于过程达到稳定状态。恢复的基于最终控制元素模型的稳定状态时间与从包括PID动态特性的模型中产生的稳定时间相同。但是，可以看出90分钟内恢复的模型已经达到了稳定状态，并且如果此时对其进行删减，那么应该严格地匹配原始的基于最终控制元素的模型。 

本发明对即时顾问机的适用性 

产生快速有限脉冲响应模型的能力使得如现在所述的即时操作者顾问机得以发展，该快速有限脉冲响应模型的PID设置点由其对应的最终控制元素位置例如阀门位置所代替。与离线模拟机或者训练机相比，操作者顾问机在实施上非常不同。操作者顾问机根据其处于的位置以及正去往的位置来处理实际过程。传统的模拟机仅仅处理历史数据并且不与实时数据相互影响。其不预测过程在达到稳定状态时将遵循的方式。操作者顾问机获得在过去从某个时间到稳定状态的过程的实际时间大小，以预测过程在未来的某个时间达到稳定状态时将进行到哪里。离线模拟机不这样运行。迄今为止，实际上不可想象将传统的模拟机作为实时的顾问机，因为以与处理相同的速度执行传统模拟机需要一段时间。以处理的100倍速度运行的开环最终控制元素FIR模型的产生使得首次能够产生操作者顾问机，这是本发明的一个方面。每个执行时间间隔都修正可控自变量未来响应的操作者顾问机的预测，以利用观察的测量获取预测一致。当阀门饱和、改变PID结构或进行调整变化时，操作者顾问机的开环最终控制元素模型不为无效，调整变化不是预测性控制器的例子。 

图6中可以看到完整的发明观念，一般以标号50表示。可以利用任何稳定的调整结构和PID调整执行设备识别测试(步骤60)，并可以获得相应的模型。接着，将去除PID动态特性的算法应用至产生的模型(步骤70)，以去除所有PID控制器的动态特性，并将模型输入从PID设置点转换为阀门或者最终控制元素。现在这就是开环FIR模型。接着，在过程模型之外，经由分布控制系统(DCS)控制台或控制台仿真器模拟调整控制方案(步骤80)，以产生完整的模型。这样允许操作者以手动模式操作PID控制器、打破级联、重新调整PID控制器或者甚至任意地重新设定调整控制配置。现在该完整的模型就是不受PID动态特性约束的开环最终控制元素过程模型，PID动态特性与PID控制器的仿真相联系，其可由操作者改变。 

重要地是注意到现在具有的基于最终控制元素的开环回路过程模型的重要性。传统的模型预测控制器例如DMC控制器利用来自过程的测度去更新过程的未来状态的预测，但是在阀门为饱和的情况下，预测无效， 并且不得不忽略该数据。利用基于最终控制元素而不是PID设置点的开环模型，一直保持预测，而不考虑后台中PID控制器正发生的情况。因此，本文中所述的操作者顾问机模型可以用于预测性多变量控制器的预测向量的产生，而不涉及阀门饱和度或者调整控制结构或调整中的变化。 

模型的开环FIR可以比实际时间快50至100倍运行。这可以以两种重要的方式进行使用。在前台模式中，操作者顾问机可以运行以便基于自变量和结构的过去变化提供对于过程正在向何处进行的持续预测。在后台模式中，顾问机可以向操作者提供建议并提供训练模式以通过各种方案的使用教授新的操作者和富有经验的操作者。这些性能在现有技术和实际中都没有使用过。未来一段时间，如果操作者对设置点、调整或PID控制器的结构进行改变，则实时后台模型允许操作者检查几分钟内其过程将发生的情况。前台模型中，OA软件维持对于达到稳定状态时过程将遵从的方式的预测。除非预测基于不被阀门饱和或PID调整或结构变化无效的开环模型，以与预测性控制器使用的相同的方式，使用来自过程的测量来更新预测。预测一直维持，而不考虑后台中正发生的情况。在操作者已经观察到在实时后台中其希望进行的改变之后，那么他可以确信进行其处理的改变。该性能明显的优势在于防止了计划外停工并保证了个体的安全。 

因为现在过程由基于最终控制元素的开环高速有限脉冲响应模式(其中已经除去PID动态特性)模拟，所以其运行得比连续更新成未来的前述前台模型和使得操作者能够向操作者顾问机询问“如果...那将会怎样”问题的后台模型中的实际时间都快很多。并且，因为PID控制结构在FIR模型之外模拟，所以在操作者的模型中，方案可以改变控制结构或调整。操作者顾问机模型可以容易地运行在连接至设备分布式控制系统(DCS)的个人计算机上，并可以以规则的时间间隔扫描过程和DCS结构。 

在图7的一般以标号100示出的步骤中更加详细地示出了图6的步骤80的设备识别。步骤105中，每个自变量一次扰动一个工程单位。步骤110中，当每个自变量改变时，等间距时间间隔地测量并记录每个应变量的值，直到变量达到稳定状态，以产生阶跃响应曲线。从阶跃响应曲线中，可以以直接的方式获取开环线性化动态矩阵的系数(步骤115)。如之前所 提及，这可以采取阶跃响应模型(SRM)的形式，或者通过对每个曲线进行数学微分产生有限脉冲响应(FIR)模型的系数。本发明预期这些形式都可以使用。因为该识别以稳定的调整结构进行，对应的PID调整替换具体调整结构的动态特性，自然地，特定PID调整包括在该线性模型中。 

图8的一般以标号150示出的步骤中示出了图6的步骤70的细节。以图7中步骤155产生的线性化模型开始，步骤160描述了一种数学算法，该数学算法利用矩阵列消元法计算将选择的最终控制元素位置受控变量与第一线性化模型中其对应选择的独立可控的操纵PID控制器设置点变量进行交换，以产生具有一组新的独立可控的操纵变量的第二线性化模型，所述该第二模型使得所述选择的独立可控的操纵PID控制器设置点变量的动态特性从第二动态模型中去除。该第二线性化模型现在可以与任何PID调整控制结构的外部数学模拟相结合(步骤165)，以产生完整的新的有力并快速的模型，该模型能够连接至用于即时顾问机的分布式控制系统控制台。 

在设置初始条件之后，利用微分方程的直接的计算机解决方案算出完整的操作者顾问机模型。可以利用历史数据或利用来自过程的实时数据初始化该模型。当操作者在后台模式中利用历史数据时，其可以执行之前已经设计的方案或产生新的方案。在实时后台模式中，操作者可以选择“如果...那将会怎样”选项，并且使得模拟初始化应变量和自变量的当前状态、PID控制器的结构和调整以及过程将要根据来自过去的相关数据行进到的位置处的开环预测向量的更新状态。 

之前不可能获得这样的能力来对空间进行控制，因为由过程设备识别中获得的现有的预测性控制器模型使得PID控制器的一个未变化结构的动态特性嵌入在模型中。重要的是还应该注意到，当操作者执行“如果...那将会怎样”方案并且结果不使操作者满意时，可以中断执行，修改方案，并且多次重新启动顾问机，直到获得期望的结果。每次执行此事件，操作者顾问机还可以从过程中重新访问实时数据以初始化应变量和自变量，重新初始化控制结构，重新设置最终控制元素预测向量的状态，并接着重新算出模型。这样可以一直进行直到找出满意的变化。操作者顾问机模型的 高速使得本发明的该方面成为可能。 

尽管以具体说明和附图公开并描述了本发明的优选形式，但是因为对于本领域的技术人员而言优选形式的变更显而易见，所以当根据前述公开阅读时，不应该将本发明构造成受限于所示和所述的具体形式，相反，其在所附权利要求中进行阐述。 

Claims (10)

1.一种产生即时操作者顾问机的方法，所述即时操作者顾问机用于过程模拟以及用于训练用于过程的模拟机，所述过程具有多个独立可控的操纵变量和基于所述独立可控的操纵变量的至少一个被控变量；所述过程运行于比例-积分-微分控制器定义的调整控制配置下；所述方法包括以下步骤：

通过在所述操纵变量的每个中分别引入测试干扰以及测量所述干扰对于所述被控变量的影响，收集关于所述过程的数据；

利用所述干扰对于所述被控变量的所述影响来产生将所述至少一个被控变量关联于所述独立可控的操纵变量的第一线性化动态模型；

利用矩阵列消元计算，将选择的最终控制元素位置被控变量与所述第一线性化动态模型中它们对应的选择的独立可控的操纵比例-积分-微分控制器设置点变量互换，以产生第二线性化动态模型，所述第二线性化动态模型具有新的一组独立可控的操纵变量，所述第二线性化动态模型使得所述选择的独立可控的操纵比例-积分-微分控制器设置点变量的动态特性从所述第二线性化动态模型中除去，并且以最终控制元素位置替换；以及

经由数学模拟器外部地模拟所述调整控制配置，以手动、级联或自动模式模拟比例-积分-微分控制器，从而获取所述过程的完整的即时操作者顾问机。

2.根据权利要求1所述的方法，其中，所述第一线性化动态模型是阶跃响应模型。

3.根据权利要求1所述的方法，其中，所述第一线性化动态模型是有限脉冲模型。

4.根据权利要求1所述的方法，其中，所述过程在任何时间具有操纵变量和被控变量的值的已知状态、所述调整控制配置的结构和调整以及开环最终控制元素预测向量的值；在获取所述完整的即时操作者顾问机后，所述方法还包括以下步骤：

a.访问来自所述过程的实时数据，以利用所述被控变量和所述操纵变量的状态初始化所述完整的即时操作者顾问机；

b.初始化所述调整控制配置的结构和调整；以及

c.利用开环最终控制元素预测向量的状态进行初始化。

5.根据权利要求4所述的方法，在步骤c后，所述方法还包括以下步骤：

d.数学地求解所述完整的即时操作者顾问机，以预测所述至少一个被控变量的未来响应。

6.根据权利要求5所述的方法，在步骤d后，所述方法还包括以下步骤：

e.手动地停止对于所述完整的即时操作者顾问机的数学求解；

f.重新访问来自所述过程的实时数据，以利用所述被控变量和所述操纵变量的状态初始化所述完整的即时操作者顾问机；

g.重新初始化所述调整控制配置的结构和调整；

h.利用所述开环最终控制元素预测向量的状态进行重新初始化；

i.重新求解所述完整的即时操作者顾问机，以预测所述至少一个被控变量的所述未来响应。

7.一种由权利要求1的方法产生的即时操作者顾问机。

8.一种由权利要求4的方法产生的即时操作者顾问机。

9.一种由权利要求5的方法产生的即时操作者顾问机。

10.一种由权利要求6的方法产生的即时操作者顾问机。

Images