CN101349893B - 自适应模型预测控制装置 - Google Patents

Abstract

本发明公开了一种自适应模型预测控制(MPC)装置。该装置包括控制被控过程的MPC控制模块，还包括在线辨识模块、控制监测模块，MPC控制模块分别与被控过程、在线辨识模块、控制监测模块相连，在线辨识模块还分别与控制监测模块、被控过程相连，控制监测模块也与被控过程相连。在MPC控制模块投运时，在线辨识模块和MPC控制模块共同工作，自动高效地完成MPC控制模块投运的各个步骤。当MPC控制模块在线工作时，控制监测模块连续监测MPC的性能和模型的品质。如果控制性能欠佳并且模型品质较差，那么控制监测模块将启动在线辨识模块，开始对MPC控制模块自动进行维护。

Description

自适应模型预测控制装置 

技术领域

本发明涉及一种多变量被控过程的自适应模型预测控制(MPC)装置，可用于控制炼油、石化、化学、冶金、食品、造纸和电力等流程工业的工业过程。本发明与先进过程控制(APC)相关，特别是与工业过程的模型预测控制(MPC)有着密切的联系。本发明能够处理具有多个控制变量(MV)和多个被控变量(CV)的大规模工业过程，也能够用来控制复杂机器设备。 

背景技术

模型预测控制(model predictive control，MPC或称：模型预报控制，)已成为标准的先进控制技术(APC)，在炼油和石化工业得到普及(见Qinand Badgwell，2003：A survey of industrial model predictive controltechnology(工业模型预测控制技术综述).期刊名Control EngineeringPractice，卷数Vol.11，页数pp.733-764.)，并开始应用于其它的流程工业。 

模型预测控制(MPC)在炼油和石化工业的一个应用例子是常减压装置的控制。一个常减压装置的MPC控制器可覆盖加热炉、主分馏塔(常压塔)和回流镇定塔，可以有三十以上的控制变量(MV)和九十个以上的被控变量(CV)。MPC控制器通过在线调节控制变量(MV)从而达到对被控变量(CV)的有效控制。被控变量(CV)可以被控制在工作区间内，可以被控制在给定值。MPC控制器还具有经济优化的功能。对常减压装置使用MPC控制技术可以提高生产的安全性和稳定性，降低能耗或增加产量，并改进产品的经济收益。据统计，对于一个年产500万吨的常减压装置应用MPC控制技术可以产生高于每年1000万元人民币的经济效益。 

MPC控制技术也可以用来对热电厂锅炉进行燃烧优化控制。一个热电厂锅炉MPC控制器可有二十以上的控制变量(MV)和三十个以上的被控变量(CV)。对热电厂锅炉使用MPC控制技术可以提高生产的安全性和稳定性，降低煤耗，降低氮 氧化物(污染)排放。据统计，对于一个30万千瓦机组的锅炉应用MPC控制技术可以产生高于每年500万元人民币的经济效益。 

MPC技术的核心是过程(即被控生产装置，也叫被控对象、生产过程)的动态数学模型。数学模型通常由过程(系统)辨识获得。过程(系统)辨识是实验建模法，有两部分，一是辨识实验，即对被控对象施加测试信号(激励)并记录其产生的响应；二是模型辨识，即用所测数据进行计算，建模。工程实践表明，辨识实验和模型辨识是MPC工程项目中最难、最费时的工作(见Richalet，1993：Industrialapplications of model based predictive control(模型预测控制的工业应用).期刊名Automatica，卷数Vol.29，No.5，页数pp.1251-1274.)。只基于单一固定模型的MPC控制器是无法长期工作的，在过程发生较大变化时，就必须对MPC控制器进行维护，维护的主要工作是重新辨识模型。 

图1是采用传统MPC控制器的控制系统框图。假设某个工业过程10有多个控制变量MV、被控变量CV和干扰变量DV。在过程控制中，被控过程一般为工业过程，工业过程通常被认为是一个动态的过程，其行为由一个动态数学模型来描述。这就是说，由该数学模型来描述MV、DV与CV之间的关系。数学模型通常由包含辨识实验和模型辨识的过程辨识方法获得。在传统MPC工程项目中，辨识实验采用单变量的阶跃测试法，需要高水平经验丰富的工程师，会消耗大量的人力物力和时间。而且，辨识实验、模型辨识和MPC控制器通常使用不同的程序软件，不是同时在线进行测试，这为用户带来很大的不便。正如前面提到的，辨识实验和模型辨识是传统MPC工程项目中最难、最费时的工作。MPC控制器的维护也必须重新进行辨识实验和辨识新的数学模型。辨识所得的全部期望模型再被载入图1的MPC控制器20。MPC控制器20与工业过程相连，控制和优化工业过程的运行。基于工业过程的数学模型，MPC控制器20预测CV的未来动作，并计算MV的控制动作以实现对CV的控制。可控制CV跟踪设定值或控制其保持在一个区间界限内。DV参与对CV的预测，从而实现了前馈控制。MPC控制问题的数值计算通常使用二次规划这一优化技术。在图1中，“控制参数”包括MV的上下界，MV的变化率上界，CV的上下界，CV的设定值，和权重因子、优先级等控制整定参数。对传统MPC控制器的更详细的讨论可见Qin and Badgwell：A survey of industrialmodel predictive control technology(工业模型预测控制技术综述，期刊名ControlEngineering Practice，卷数2003，Vol.11，页数pp.733-764.)。

目前，MPC工程项目通常采取下列步骤： 

1、MPC控制器的设计和效益分析：选择控制变量MV、干扰变量DV、被控变量CV，并指定对它们的控制要求；检查常规控制回路，必要时对回路进行整定； 

2、预实验：做短暂的阶跃实验，粗略估计过程的稳态时间和模型增益； 

3、辨识实验和模型辨识：进行辨识实验；然后，使用实验数据辨识模型。辨识实验和模型辨识都非常费时费力； 

4、MPC控制器的整定和仿真：基于辨识的模型对MPC控制系统进行仿真； 

5、MPC控制器的投运：将MPC控制器MV和CV逐一切入自动控制状态； 

6、MPC控制器的维护：运行一段时间后，控制性能因过程变化而下降。因此，为防止效益损失需要对MPC控制器进行维护，维护的主要任务是重新辨识模型和重新投运MPC控制器，即重复上述2-5的步骤。 

遵循上述步骤的传统MPC技术的最大问题是费时费力。这些步骤需要高水平、经验丰富的工程师，消耗大量的人力、物力和时间，并且影响了MPC控制器的运行效益。例如，一个常减压装置的MPC控制项目中，仅辨识实验和模型辨识就需要耗时一个多月。各个步骤需要使用不同的软件，这为用户带来很大的不便。因此，传统MPC技术在炼油和石化工业之外的其它领域没有得到广泛的应用。在炼油和石化工业，MPC控制器的维护也因此产生了很多问题。 

美国专利申请号US11/261,642(公开日：2006年5月25日)公开了一种在线工业过程辨识装置，但对MPC控制器如何控制监测、然后如何启动辨识装置对MPC控制器进行辨识和维护没有介绍。 

某些工业过程在运行中表现出很强的非线性特征。对此类过程，基于单一线性模型的MPC控制器无法取得较高的性能。强非线性过程的例子有：生产多规格产品的聚乙烯装置、生产多规格产品的润滑油装置、使用多种原油的常减压装置、和大负荷变化的燃煤发电机组等等。很多现有的MPC控制器无法适用于这些强非线性过程的控制。 

发明内容

本发明所要解决的技术问题是针对现有技术中存在的上述不足之处，提供一种自适应模型预测控制(MPC)装置，能够自动高效地完成MPC控制器的投运和维护即上述的2至6步骤，不但适用于线性过程控制，也可用于强非线性过程。 

解决本发明技术问题所采用的技术方案是该自适应模型预测控制(MPC)装置包括控制被控过程的MPC控制模块，还包括在线辨识模块、控制监测模块，MPC控制模块分别与被控过程、在线辨识模块、控制监测模块相连，在线辨识模块还分别与控制监测模块、被控过程相连，控制监测模块也与被控过程相连。 

所述的MPC控制模块用于接收控制参数、反馈(的被控过程输出)的被控变量CV、在线辨识模块输出的(描述MV、DV和CV之间关系的)动态模型、也可接收干扰变量DV，MPC控制模块自动地MPC仿真、自动地控制参数整定、自动地控制变量MV和被控变量CV的投运，并将控制变量MV分别输送到被控过程、在线辨识模块、控制监测模块； 

所述的在线辨识模块能自动执行辨识实验和自动模型辨识，用于在线采集从MPC控制模块输出的控制变量MV、被控过程输出的被控变量CV，也可采集干扰变量DV，控制监测模块启动在线辨识的请求，并根据实验信号的变化模式和振幅发出测试信号来激励所有的MPC控制模块输出的控制变量MV，以输入到被控过程中，而且在线辨识模块辨识得到的模型送入MPC控制模块，最终的模型和相关信息也被载入控制监测模块，用于MPC性能监测； 

所述的控制监测模块采集MPC控制模块输出的控制变量MV、被控过程输出的被控变量CV、在线辨识模块辨识得到的最终的模型和相关信息，也可采集干扰变量DV，控制监测模块根据监测计算结果将或者启动在线辨识模块开始辨识实验和模型辨识，即对MPC控制器进行自动维护；或者向用户报警，请求对MPC控制器进行维护。 

MPC控制模块、在线辨识模块、控制监测模块这三个模块自动完成各自的任务，并相互协调实现自适应MPC控制。自适应MPC是指自动投运和自动维护MPC控制装置。假设一个MPC控制器的设计(即控制方案)已经给定，在自适应MPC控制装置的投运过程中，在线辨识模块自动执行辨识实验和自动模型辨识。如果辨识得到的某些模型品质良好并且控制系统仿真的效果理想，MPC控制模块就在辨识实验进行中自动使用这些模型，对相应的控制变量MV、干扰变量DV和被控变 量CV进行自动控制。随着实验的进行，越来越多的模型被送入MPC控制模块，越来越多的MV、DV和CV被投入自动控制中。当所有期望的模型都品质良好并被MPC控制模块使用时，在线辨识模块就停止工作，MPC控制模块的投运也完成了。当MPC控制模块在线工作时，控制监测模块连续监测MPC的性能。当监测到控制性能欠佳且模型品质较差时，控制监测模块启动在线辨识模块，在MPC控制模块继续工作的同时，开始辨识实验和模型辨识。在实验和辨识过程中，品质差的模型逐渐被品质好的新模型取代，当所有品质差的模型被取代后，在线辨识模块停止工作，MPC控制模块的维护也完成了。 

MPC控制模块、在线辨识模块、控制监测模块这三个模块中的任何两个模块也可组成一个系统，完成一定的功能。例如，MPC控制模块和在线辨识模块组成一个系统，完成自动的MPC控制器的投运和在线控制；控制监测模块和在线辨识模块组成一个系统，完成MPC控制器的监控和在线模型辨识。 

本发明自适应MPC装置能够自动高效地完成MPC控制装置的投运和维护，不但能够自动投运新的MPC控制器，而且会在必要时自动维护现有的MPC控制器。不但适用于线性过程控制，也可用于强非线性过程，其操作使用不需要高水平、经验丰富的工程师，能节省大量的人力、物力和时间，大大降低MPC的投运费用，并且会始终保持很高的控制性能。 

对强非线性生产过程，在线辨识模块会辨识出多个模型，然后由MPC控制模块使用这些模型。每个模型是线性模型或简单的Wiener和Hammerstein非线性模型。 

附图说明

图1是传统MPC控制器的控制系统框图。 

图2是采用本发明的自适应MPC控制装置的控制系统框图。 

图3是在线辨识模块框图。 

图4是典型实验信号的组成图。实验信号(下面的Used test signal)由GBN信号(上面的GBN signal广义二进制噪声信号)和白噪声信号(中间的Small white noise小幅值白噪声信号)组成。

图5是每个采样周期实验子模块进行实验的流程图。 

图6是模型辨识子模块的模型辨识流程图。 

图7是本发明MPC控制模块的框图 

图8是某炼油厂常减压装置常压分馏塔简易流程图。其中，Crude：原油，TPA：上回流，Stablizer：回流镇定塔，MPA：中回流，BPA：下回流，Splitter：分解塔，F.D.Gas：F.D.汽，Residue：残渣。 

图中：10-生产过程即被控对象或被控过程  20-MPC控制器  30-MPC控制模块  31-模型预测子模块  32-稳态优化子模块  33-动态控制子模块  40-在线辨识模块  50-控制监测模块  60-实验子模块70-辨识子模块  80-模型文件 

具体实施方式

图2是本发明的自适应MPC控制器的框图。现代工业过程通常采用集散控制系统(DCS)来实现设备操作和回路控制。在描述的框图中，我们因此假设给定的工业过程是基于DCS的。除了DCS，本发明也适用于其它设备操作和回路控制系统，例如可编程逻辑控制系统(PLC)、监控和数据采集系统(SCADA)。本发明通常用于个人计算机(PC)的Microsoft Windows 

操作系统，也适用于其它计算机的Linux、UNIX等操作系统。本发明也可以嵌入到数据处理器(DSP)中。自适应MPC控制装置包括三个模块：MPC控制模块30、在线辨识模块40、控制监测模块50。 

在线辨识模块40包括实验子模块60和模型辨识子模块70两部分；见图3，图中实验子模块和模型辨识子模块相互连接。实验子模块通过某种通讯接口如OPC，DDE与集散控制系统DCS或可编程控制器PLC相连，DCS或PLC再与生产过程相连。实验子模块生成实验信号，自动执行辨识实验，收集MV、DV和CV的数据。模型辨识子模块70基于当前收集的数据自动进行模型辨识和模型检验，并调整正在进行的辨识实验。两部分紧密连接，自动地完成辨识实验、模型辨识等全部辨识步骤，所以叫在线辨识。必要时每个部分也可独立进行，也可接受手动调整。辨识实验是多变量的，即实验信号可同时激励全部MV做实验。如果没有CV受闭环自动控制，则进行开环的辨识实验；如果某些CV受控于MPC，则进行闭环的辨识实验。 

实验子模块60通过激励MV的设定值来进行辨识实验。MV、DV和CV的数据存储在数据库或计算机文件中。实验前，给出被控(工业)过程的稳态时间，实验模块据此自动生成实验信号。本发明使用的实验信号通常是广义二进制噪声(GBN)和小幅值白噪声的叠加。图4显示了一个实验信号的变化曲线，实验信号(下)由广义二进制噪声(generalized binary noise，GBN)信号(上)和白噪声信号(中)组成。GBN部分的设计可参看朱豫才著，张湘平虞水俊孙志强胡德文译(2005年，国防科技大学出版社)，《过程控制的多变量系统辨识》，第3章中的设计指南。设计的实验信号通常是互不相关的，但是对于高纯度蒸馏塔这样的病态生产过程则需要对某些MV使用强相关的实验信号(见该书第10章介绍)。用户还需要为实验信号的振幅指定上、下界限，这些界限可从预实验和工艺知识中获得。 

实验子模块启动时，将设计的实验信号以MPC控制模块的采样周期(如1分钟)，输出到MV的设定值上。图5是实验子模块对CV进行实验的流程图。 

模型辨识子模块使用当前的MV、DV和CV的数据进行模型辨识、模型检验和其它相关计算。图6是模型辨识模块的流程图。模型辨识子模块(70)的相关计算使用的辨识算法是基于上面提到的著作：《过程控制的多变量系统辨识》一书中提出的渐进辨识方法(ASYM)，其中主要步骤如下： 

1.参数估计 

A)估计高阶ARX(方程误差)模型 

B)进行带频率权重的模型降阶 

2.确定模型阶数 

降阶模型的最佳阶次由频域的渐进准则决定。该准则的基本思想是使对控制重要的频域段上模型误差最小。 

3.延迟估计 

工业过程普遍存在延迟现象。对延迟的良好估计会改进模型的准确度。在模型辨识中，延迟可通过固定模型的阶次和尝试各种延迟可能来进行估计，即仿真误差损失函数达到最小值时的延迟。 

4.计算用于模型检验的误差上界矩阵 

根据系统辨识的渐进理论，可以导出模型的频率响应的误差上界矩阵。模型的品质可通过误差上界进行量化。根据误差上界和频率响应在低、中频的相对值，按等级对模型分类。如果误差上界≤30％模型频率响应，模型等级为A(优)；如果30％模型频率响应＜误差上界≤60％模型频率响应，模型等级为B(良)；如果60％模型频率响应＜误差上界≤90％模型频率响应，模型等级为C(中)；如果误差上界＞90％模型频率响应，模型等级为D(差)。模型的等级根据不同类别的实际应用加以实验调整。 

5.依据等级A、B、C和D进行模型检验。 

依据等级系统，可按以下步骤进行模型检验： 

-如果大多数(如80％及以上)的期望模型是A等级和B等级，其余的期望模型是C等级，那么这些模型对MPC来说是可用的，辨识实验可以停止。 

-如果上述条件没有满足，继续实验并在必要时调整正在进行的实验。 

实验调整包括改变MV的振幅和GBN信号的平均切换时间。所做调整是根据未来(实验的计划结束时间)误差上界获得的。模型的未来误差上界是实验结束时的误差上界，根据未来误差上界获得的模型等级叫做未来等级。 

实验调整进行如下： 

-对某个MV而言，如果相关的期望模型的未来等级大多数是A和B，那么该MV的振幅是合适的，不需调整。 

-对某个MV而言，如果相关的期望模型的未来等级大多数是C和D，那么增大该MV的振幅，使期望模型的未来等级成为A或B。误差上限与MV的振幅成反比，(见该书第6、7章) 

-对某个MV而言，如果相关的期望模型的未来等级大多数是C和D，并且该MV的振幅已经达到界限，那么增大该MV的平均切换时间，通常可增大两倍。 

-对某个MV而言，如果相关的期望模型的未来等级大多数是A，那么减小该MV的振幅，通常可减小30％-50％。 

实验调整的计算由模型辨识子模块70完成，其结果输出到实验子模块60执行。 

6.在模型辨识中使用期望矩阵 

基于预实验和操作经验，用户可以构造了一个所谓的“期望矩阵”。期望矩阵的行和列分别与CV和MV(DV)相对应。矩阵的元素有四个值，分别是： 

+：相应的MV(DV)和CV之间有模型且是正增益 

-：相应的MV(DV)和CV之间有模型且是负增益 

0：相应的MV(DV)和CV之间没有模型 

？：相应的MV(DV)和CV之间有无模型不确定。 

期望矩阵提供了MV和CV之间模型的信息。如果期望矩阵表示某些MV和CV之间存在模型，则辨识该模型；如果期望矩阵表示某些MV和CV之间不存在模型，则排除该模型。与辨识出MV和CV之间的全部模型相比较，使用期望矩阵会大规模减少辨识参数的数目。这将提高模型准确度，加快计算速度。在模型辨识中，用户可选择是否使用期望矩阵，如果期望矩阵不存在或不可靠，则辨识全部模型，从中可获得期望矩阵。 

自动在线辨识方法的详细描述可参阅美国专利申请US11/261,642。 

MPC控制模块30与工业过程(被控对象)相连，对工业过程的运行进行控制和优化。基于工业过程的数学模型，MPC控制模块30预测被控变量CV的未来动作，并计算MV的控制动作以实现对CV的控制。可控制CV跟踪设定值(设定值控制)或控制其保持在一个区间界限内(区间控制)。DV参与对CV的预测，从而实现了前馈控制。MPC控制问题的数值计算使用线性规划和二次规划等优化技术。在图2中，“控制参数”包括MV的上下界，MV的增量上界，CV的上下界，CV的设定值，和权重、优先级等控制整定参数。以上的功能与图1中传统的MPC控制器20类似。MPC控制模块30除了具备传统MPC控制器的全部基本功能外，还拥有三个重要的功能：自动的模型选用，自动的控制参数整定(基于MPC离线仿真)、自动的MV和CV控制投运。这三个功能对本发明自适应MPC控制装置的自动投运和自动维护非常重要。 

下面对MPC控制模块30作更详细的介绍。 

MPC控制模块30包括两类功能模块：1)实时功能模块；2)非实时功能模块。实时功能模块是在每个采样周期工作；非实时功能模块是当某些条件满足时才工作。

实时功能模块包括模型预测子模块31，稳态优化子模块32和动态控制子模块33，如图7中所示，模型预测子模块31分别与稳态优化子模块32和动态控制子模块33相连，动态控制子模块33与被控过程10相连，模型预测子模块31与在线辨识模块40相连。 

模型预测子模块31在每个采样周期，使用在线辨识模块40生成的被控对象的数学模型以及控制变量MV、干扰变量DV和被控变量CV的最新测量值，对被控过程10的未来行为进行预测；MV和CV的预测值供稳态优化子模块32和动态控制子模块33使用。 

稳态优化子模块32是用于解决多变量控制系统中可能出现的自由度不足(当前可用的控制变量MV个数少于被控变量CV个数)和自由度多余(当前可用的控制变量MV个数多于被控变量CV个数)的问题。在每个采样周期，稳态优化子模块根据输入数据进行计算，在自由度不足时对被控变量CV按其优先级进行取舍，放弃级别低的CV，并按其权重进行协调，同一级别的CV的控制误差按权重大小分配；在自由度多余时进行经济优化，即将某些MV和CV变量控制到经济上最优的位置。经济上最优可以是生产消耗(排放)最小，或产品收益最高，或两者兼顾。经济优化的数值算法是线性规划和二次规划。稳态优化子模块32需要的输入数据包括：模型预测子模块31输出的预测值，被控变量CV的优先级，MV和CV的上下限，MV和CV的线性权重和二次权重。稳态优化子模块的输出数据是可行的满足基本控制和经济优化的稳态工作点。 

动态控制子模块33实现两个功能：1)在稳态优化的稳态工作点不变的情况下，克服干扰对系统的影响，保证系统工作在最佳工作点；2)在稳态优化的稳态工作点发生变化的情况下，将系统从当前工作点稳而快地切换到新的稳态工作点。动态控制子模块在每个采样周期，按照对生产过程的控制要求，计算出动态控制所需的控制变量MV未来多个采样点的控制动作。动态控制数值计算采用二次规划。动态控制子模块需要的输入数据包括：模型预测子模块31输出的预测值，MV和CV的上、下限，MV增量的上限，MV增量权重，CV的闭环响应时间和CV的误差权重。 

MPC控制模块30只将动态控制子模块33给出的未来控制动作的第一个采样点的值输出到被控过程10的执行机构(DCS)中。在下一个采样周期，模型预测 子模块31，稳态优化子模块32和动态控制子模块33将重复以上计算。这种方式也叫滚动优化。MPC控制模块30其余的在线实时功能与图1中传统的MPC控制器20类似。 

非实时功能模块包括自动模型选用功能，自动控制参数整定功能(基于MPC离线仿真)、自动MV和CV控制投运功能。这三个功能模块对本发明自适应MPC控制装置的自动投运和自动维护非常重要，各功能通过执行以下工作步骤来实现： 

1.自动模型选用功能：对在线辨识模块40提供的被控对象(生产过程)的数学模型进行选用。选用的规则是，如果一个模型(即描述某个MV和某个CV关系的数学模型)的等级是A，B或C，且该模型增益的正负号与期望矩阵相应的正负号一致，则选用该模型，否则不选用。每当在线辨识模块40产生新模型的时候，自动模型选用功能模块36就执行一次。 

2.自动控制参数整定功能：该功能首先给出MPC控制模块的默认动态控制参数，包括MV和CV的动态控制权重，以及CV的(动态控制)闭环响应时间。默认动态控制参数可以用多种方法。这里给出一种方法： 

MV增量权重＝1/(该MV上界—该MV下界) 

MV误差权重＝1/(该MV上界—该MV下界) 

CV误差权重＝1/(该CV上界—该CV下界) 

CV闭环响应时间＝该CV所有模型闭环响应时间的平均值。 

MPC控制模块30基于模型和默认动态控制参数进行阶跃响应的仿真，检查CV的设定值跟踪性能。MPC控制模块会在动态控制仿真中调整MV和CV的动态权重和CV的闭环响应时间。如果仿真结果显示性能优良，动态控制参数将不变。如果仿真的阶跃响应过快，则增加相应MV的权重，并且/或者增加CV的闭环响应时间；如果仿真的阶跃响应过慢，则反之调整。也可以手动进行仿真和整定。 

3.自动MV和CV控制投运功能：如果仿真结果显示性能优良，控制模块会将相应的MV和CV投入自动控制中(所谓MV的投运既是在控制计算中引入该MV，并将计算出的MV控制动作的第一个采样点的值输出到被控过程；所谓CV的投运既是在控制计算中引入该CV)。也可以手动进行MV和CV自动控制的投运。

控制监测模块50监测MPC控制模块30的控制性能和模型的品质，对MPC控制模块(30)的性能监测通过以下四个主要指标进行判断，并进行相应的控制操作步骤： 

1).MV和CV的自动/手动控制：当MPC控制模块30性能不佳时，某些MV和CV就可能被操作工或MPC控制器切换到手动控制。 

2).MV和CV的震荡：当MPC控制模块30性能不佳时，就经常存在MV和CV的震荡。信号频谱分析可诊断震荡的存在。 

3).CV的标准方差：在MPC控制模块30投运或维护开始后，控制监测模块50立刻计算所有CV在所谓的计算周期这一段时间内的偏差如标准方差，其结果做为衡量CV变化的基准。根据不同的应用，计算周期可以是24小时或是过程稳态时间(一般可从几分钟到几小时)的10倍。CV的标准方差将重复计算并与基准比较。std(CVi)和std(CVi)_BM分别表示CVi在某个计算周期的标准方差和基准。如果std(CVi)/std(CVi)_BM远远大于1，那么该比率表明CVi的控制性能不佳。需要一个临界值表示该比率远远大于1。根据不同的应用，临界值可以是2、3或5。 

4).模型的品质：对某个CV而言，模型的品质是由CV的仿真误差的标准方差来衡量。在MPC控制模块投运或维护开始后，控制监测模块立刻计算所有CV的仿真误差在计算周期内的标准方差，其结果做为衡量模型品质的基准。然后，CV的仿真误差的标准方差会重复计算，并与基准比较。std(ERRORi)和std(ERRORi) _BM分别表示CVi的仿真误差的标准方差和基准。如果std(ERRORi)/std(ERROR)_BM远远大于1，那么该比率表明CVi对应的模型品质不佳。需要一个临界值表示模型的品质非常差。根据不同的应用，临界值可以是2、3或5。 

控制监测模块50对这4个指标进行计算。监测模块的计算一般不是实时的，每间隔几倍(如1—5倍)的稳态响应时间计算一次便可。如果多次(比如3，5次)计算结果显示MPC控制模块30的品质差，且模型质量也差，控制监测模块50或者启动在线辨识模块40开始辨识实验和模型辨识，即对MPC控制模块30进行自动维护；或者向用户报警，请求对MPC控制模块进行维护。 

下面详细描述本发明自适应MPC控制装置自动完成MPC控制模块投运的步骤：

1.给定被控工业过程MPC控制模块的控制参数： 

(1)确定MV、DV、CV以及MV、CV的界限和经济优化参数； 

(2)MPC用户根据过程操作经验估计出过程的主要稳态时间，确定辨识实验中所有MV的实验信号的合适振幅； 

(3)基于操作经验，构造一个期望矩阵：期望矩阵的行和列分别与CV和MV(DV)相对应，矩阵的元素有四个值，分别是：+：相应的模型是正增益； 

-：相应的模型是负增益；0：相应的MV，CV之间没有模型；？：相应的MV，CV之间有无模型不确定； 

2.将上述信息输入相应模块中； 

3.启动辨识实验：可通过鼠标或一次按键启动辨识实验，在实验中，在线辨识模块40和MPC控制模块30执行下列任务，即执行如下步骤： 

(3-1).在线辨识模块根据实验信号的变化模式和振幅，由实验子模块60发出测试信号来激励所有的MV，进行辨识实验。这由图2中在线辨识模块40指向位于工业过程10前的加法器(作两种信号的加法)的箭头来表示。辨识实验和MPC控制模块的采样时间通常是相同的。MV、DV和CV的数据输入在线辨识模块40，由图2中指向在线辨识模块40的三个箭头表示。 

(3-2).在线辨识模块监测实验，必要时调整实验以保证工业过程的稳定运行，步骤为：a.如果所有CV都保持在正常的工作范围内，继续实验不做调整；b.如果某个开环CV缓慢漂移，则根据期望矩阵调整相关MV的均值；c.如果开环或闭环CV反复在上下界震荡，则减小相关MV的振幅。 

(3-3).自动在线模型辨识：当实验进行到计划时间的1/6至1/2如四分之一时，在线辨识子模块70启动，由辨识子模块70使用现有数据进行模型辨识，模型辨识可定时重复，例如可以是每小时做一次，也可每当获得规定的采样点数据时如100个采样点数据时做一次。 

(3-4).自动模型检验，并且必要时调整实验以提高模型品质或降低对生产干扰。步骤如下：a.每次启动时，在线辨识子模块70根据模型的误差上界划分等级A(优)、B(良)、C(中)和D(差)；b.如果某些MV生成足够多的A和B模型，并且这些模型与期望矩阵保持一致，则减小这些MV的振幅以降低对正常 生产运行的干扰；c.同时，在线辨识子模块还计算在计划实验结束时未来模型的误差上界和模型等级。如果未来模型的等级无法达到A或B，则增大相关MV的振幅，以提高信噪比。为了不干扰被控过程的运行，所有MV的振幅小于根据过程操作经验确定的最大界限。 

(3-5)辨识模型后，在保证模型增益的正负与期望矩阵一致的前提下，品质等级为A、B或C的模型被MPC控制模块30自动选用。该过程用在线辨识模块40指向控制模块30的虚线箭头来表示。 

(3-6).MPC控制模块30使用当前模型对控制系统进行控制参数自动整定和控制系统自动仿真。如果仿真结果表现出良好的控制性能，控制模块将相应的MV、DV和CV投入自动控制中。随着辨识实验和模型辨识的继续，越来越多的模型被MPC控制模块选用，越来越多的MV、DV和CV被控制模块投入自动控制中。 

(3-7).当大多数(如80％及以上)期望的模型达到A等级或B等级时，停止辨识实验。实际的实验时间可能比计划的略短或略长。 

(3-8).在保证模型增益的正负与期望矩阵一致的前提下，MPC控制模块选用(所有)等级为A、B和C的模型。 

(3-9).MPC控制模块30使用所(有)获得的模型对控制参数进行自动整定和对控制系统进行仿真。 

(3-10).如果仿真结果表明控制性能良好，所有的MV、DV和CV被投入自动控制中。 

(3-11).到此，MPC控制器的自动投运就完成了。在自动投运后，MPC控制模块参数在必要时可由控制专家细调。 

(3-12).最终的模型和相关信息(如误差上界，模型等级等)由在线辨识模块40的辨识子模块70载入监测模块50，用于MPC性能监测。这用在线辨识模块40指向控制监测模块50的虚线箭头来表示。 

辨识实验最初在开环状态下进行，即CV不接受自动控制。当某些MV、DV和CV投入自动控制时，辨识实验进入部分闭环状态。为更好地理解开环和闭环辨识实验的区别，有必要区分MV的两个组成部分：1)均值或正常值，既没有施加实验信号时MV的数值，2)实验信号，既实验对MV的扰动量。在辨识实验中，表达式为： 

MV全值＝均值+实验信号 

当MV处于开环状态时，实验模块对MV全值进行操作。当MV处于闭环状态时，实验模块仅对实验信号进行操作，MPC控制器来修改均值，MV全值由加法器(是在被控过程10前的

表示的)获得。这里采用的自动在线辨识方法能够使用闭环数据辨识模型，见美国专利申请号US11/261,642(公开日：2006年5月25日)。 

下面描述本发明自适应MPC控制装置如何对MPC控制实现自动维护。 

在MPC控制模块30投运后，控制监测模块50启动，按MPC控制模块的采样时间收集MV、DV和CV的数据。这由图2中指向控制监测模块50的三个箭头表示。控制监测模块连续监测四个性能指标：MV和CV的自动/手动控制、MV和CV的震荡、CV的标准方差、模型的品质。如果下列某个条件成立，则开始对MPC控制器进行维护。 

1).某些关键CV切入手动(操作工认为控制效果不好时，就将一些CV切入手动)，并且CV对应的模型在最近几个(如3或5个)计算周期内品质很差。 

2).存在强震荡，并且某些关键CV(关键CV是一些与重要的控制要求有关的CV，如产品质量，节能及安全生产)的模型在最近几个(如3或5个)计算周期内品质很差。 

3).某些关键CV的标准方差在最近几个(如3或5个)计算周期内很大，并且CV对应的模型品质很差。 

MPC控制器的维护可通过两种方式启动。第一种是控制监测模块50启动在线辨识模块40；第二种是控制监测模块50向用户发布维护请求，由用户决定并通过鼠标或一次按键启动在线辨识模块40。随后，辨识实验和模型辨识开始，MPC维护的其余工作与以上所述的自动MPC投运的步骤(3)中所述的(3—1)～(3—12)步骤相同。随着辨识实验和模型辨识的继续，控制模块中越来越多的模型被新模型取代。当所有品质差的模型被新模型取代后，维护结束。在MPC维护中，辨识实验经常是现有MPC控制模块投运下的闭环实验。尽管控制性能不如以前那样良好，现有MPC控制模块通常还是优于开环手动控制的。

以上所用的工业过程的数学模型是线性模型。 

对强非线性工业过程，该自适应MPC控制装置将使用多模型，以达到高品质的控制效果。因此对强非线性被控对象，其控制过程包括以下执行步骤： 

1.在线辨识模块70会辨识出多个模型； 

2.MPC控制模块使用多个模型进行控制：每个模型是线性模型，其辨识的方法与前述线性被控(工业)过程控制辨识所执行的步骤1)～4)相同。每个模型针对生产过程的一个工作点或工作范围。 

3.在每个控制采样周期，MPC控制模块30从多个模型中计算出与被控工业过程行为最匹配的线性模型，在MPC控制计算中使用该模型。模型的计算是自动的。模型计算有两种方法：1)切换法和2)插值法。切换法基于MV、DV和CV的最近数据对所有的模型进行仿真，将仿真的CV与测量的CV相比较，在多个模型中间选择仿真误差最小的模型。插值法采用所谓的工作点变量，用来指示工业过程的当前操作区域。工作点变量一般是某个可测的过程变量，例如聚乙烯、润化油的等级指标，生产加工量或发电机组的负荷。假设已辨识出在不同工作点的多个模型，在某个控制周期，如果当前工作点在多个模型中有对应的模型，那么选择该模型；如果当前工作点没有对应的模型，那么在控制模块中采用邻近两个模型的线性插值或非线性插值；如果当前工作点在模型范围外，那么采用最近工作点的模型。 

以下是本发明的一个非限定实施例。 

实施例：本发明自适应模型预测控制装置在常减压装置的常压蒸馏塔中的应用常减压装置常压塔MPC设计的描述 

常减压装置的常压蒸馏塔(简称常压塔)是常减压装置最复杂、最难控制的一部分。图8是某炼油厂常减压装置常压分馏塔简易流程图，根据不同的沸点，该塔中将原油初步分解为不同的分馏物。该塔有四种侧取分馏物，并且每种都有与之相关的侧取分馏物分离器。 

-煤油(侧取分馏物1)； 

-用于管道混合式汽车柴油机的柴油(A.D.)(A.D.是由四种侧取分馏物以及来自真空塔的中级汽油混合而成) 

-重油(侧取分馏物4)。 

该塔将所有直馏石脑油/轻汽油(WSR)作为顶部产品，将底部残余物作为真空装置的进料。此外，该塔还具有一个顶部回流和三个泵环流。顶部泵环流(TPA)和底部泵环流(BPA)分别与回流镇定塔和分裂塔进行热交换。 

常减压装置的操作经济指标要求所生产的产品应尽可能接近于产品规格界限。更详细的MPC控制目标如下： 

最少石脑油模式 

-石脑油流量最小化。 

-在最小燃点处，使煤油的流量最大，并且使90％干点极大。 

非最少石脑油/轻汽油模式 

-在HSR-石脑油/轻汽油的最高的90％干点处，使石脑油/轻汽油流量达到最大。-煤油90％干点极大，燃点不再是这一模式的控制目标。 

在前两种模式下，还要： 

-以牺牲重油(HGO)的质量为代价，使得用于汽车柴油产量在不受过程约束和浊点规范要求的前提下得到提高。 

-以牺牲残余物的回收率为代价，使HGO的质量能在不受过程约束和色度规范要求的情况下得到最大程度的提高。 

-使加热器出口温度达到最高。 

-使原油的进料流量达到过程规定的上限。 

-使分馏塔的气压最小。 

-使TPA(顶部泵环流)流量达到最大，以最大程度地满足预热Stabilizer塔的能量需求。 

-使BPA(底部泵环流)流量达到最大，以最大程度的满足预热分馏塔的能量需求。

为了实现以上控制目的，选择控制变量(MV)、干扰变量(DV)和被控控变量(CV)如下： 

控制变量(MV) 

(1)原油的进料流速                  (2)原油的进料流速 

(3)原油的进料流速                  (4)组合盘管的出口温度 

(5)侧取分馏物流速                  (6)侧取分馏物流速 

(7)侧取分馏物流速                  (8)侧取分馏物流速 

(9)第一侧取分离器的蒸汽流速        (10)第二侧取分离器的蒸汽流速 

(11)第三侧取分离器的蒸汽流速       (12)顶部回流流速 

(13)轻回流流速                     (14)中回流流速 

(15)重回流流速                     (16)分馏塔进料流速 

(17)第一形成A.D.的侧取流速         (18)第四形成A.D.的侧取流速 

(19)形成A.D.的IGO流速 

干扰变量(DV) 

(1)蒸汽压力   (2)压缩机负载   (3)闪闷罐出口气流 

被控变量(CV) 

(1)IGO流的阀位置                 (2)用于IGO罐液位控制阀位置 

()40FRC79的阀位置                (4)MEROX的流量 

(5)40FRC9的阀位置                (6)40FC170的阀位置 

(7)第一侧取分馏物流向罐的流速    (8)40FRC1的阀位置 

(9)第一侧取分离器液位控制输出    (10)第二侧取分离器液位控制输出 

(11)第三侧取分离器液位控制输出   (12)第四侧取分离器液位控制输出 

(13)底部液位位控制输出           (14)残余物流速

(15)40FC184的阀位置                 (26)40FC185的阀位置 

(17)40FC186的阀位置                 (18)40FC187的阀位置 

(19)塔顶部温度                      (20)煤油燃点 

(21)煤油的90％点                    (22)增加的柴油浊点 

(23)轻油总流量                      (24)第四侧取分馏物的色度 

(25)D-2液位                         (26)分裂塔重沸器的分馏流量 

(27)Stabilizer塔重沸器的分馏流量    (28)40FRC62的阀位置 

(29)40FRC63的阀位置                 (30)40FRC96的位阀置 

(31)原油的进料总量                  (32)加热炉的工作方式A 

(33)加热炉的工作方式B               (34)闪蒸罐内的温度差 

(35)HSR的90％点                     (36)进气压力 

对常减压装置常压塔使用MPC控制技术，首先要建立动态数学模型，即定量描述19个控制变量MV、3个干扰变量DV与36个被控变量CV之间关系的所谓转递函数矩阵。MPC控制技术一般使用过程辨识获得生产装置的数学模型。然后，MPC控制器软件使用所得数学模型，对常减压装置常压塔的生产进行实时优化控制，以达到如上所述的控制目标。 

针对以上MPC控制器的设计，假设预实验，即短暂的阶跃实验，和对基础控制回路的整定都已完成。同时也假设从事常减压装置常压塔MPC控制项目的控制工程师是高水平且经验丰富。下面将描述并比较传统的MPC控制技术的解决办法和本专利提出的自适应MPC控制装置的解决办法。 

传统MPC控制技术的解决办法 

MPC控制器的投运 

传统的MPC控制技术通常采取下列步骤： 

1).辨识实验和模型辨识。传统的辨识实验是单变量方式，即一个控制变量MV做完再做下一个。对一个控制变量做辨识实验就是对该变量加一些激励信号，实 验出对各个被控变量CV所产生的变化，得出所对应的变化关系。如控制变量MV：原油的进料流速，需将原油的进料以不同的流速作为激励信号，分别实验出各个被控变量CV对每个原油的进料流速所产生的变化，得出所对应的变化关系。常减压装置常压塔MPC具有19个控制变量MV，则需对其每一个控制变量MV进行辨识实验，一般需要10到20个昼夜。传统的辨识实验是由控制工程师或操作工手工操作的，劳动强度大。传统的辨识实验是开环的，在辨识实验中，所有的被控变量CV都不能加任何控制。开环试验对常减压装置的生产干扰大。辨识实验结束后，控制工程师将实验数据输入到一个辨识软件中，并在辨识软件中设置好控制变量MV，干扰变量DV和被控变量CV，然后进行模型辨识。由于没有有效便捷的模型检验方法，控制工程师只能依靠工艺知识和经验对模型的质量进行猜测(主要根据模型增益的正负号的对错和模型仿真误差的大小)。对常减压装置常压塔的模型辨识大约需要3～5个工作日。 

2).MPC控制器的整定(即MV，CV权重，CV闭环响应时间等参数的确定)和仿真。常减压装置常压塔的模型得到后，控制工程师将模型输入到一个MPC控制器仿真软件中，并在软件中设置好控制变量MV，干扰变量DV和被控变量CV(即设置这些变量的变量名加上下界)，基于辨识的模型对MPC控制器的参数进行设定，并对MPC控制系统进行仿真。MPC控制器的整定和仿真大约需要3个工作日。 

3).MPC控制器的投运。MPC控制器的整定和仿真结束后，控制工程师将模型输入到一个MPC在线控制器软件中，并在软件中设置好控制变量MV，干扰变量DV和被控变量CV，将MPC控制器MV和CV逐一切入自动控制状态，并仔细观察控制品质。MPC控制器的投运大约需要5个工作日。 

MPC控制器的维护 

运行一段时间后，MPC控制器的控制品质因装置的变化而下降。MPC控制品质下降可由控制工程师和操作工对装置的仔细观察而发觉，也可使用某个MPC控制监测软件来检测。为防止MPC控制的经济效益损失，需要对MPC控制器进行维护。维护的主要任务是重新辨识模型和重新投运MPC控制器，即需要将以上的步骤1)、2)和3)重复一遍，所耗人力及时间也接近如上所述。

本发明自适应模型预测控制(MPC)装置的解决办法 

自适应模型预测控制(MPC)装置的投运 

如前所述，本专利提出的自适应模型预测控制(MPC)装置只需要一套软件包，包含MPC控制模块30，在线辨识模块40和控制监测模块50。控制工程师在自适应模型预测控制(MPC)装置软件中设置好控制变量MV，干扰变量DV和被控变量CV后，就可启动在线辨识模块40，开始辨识实验。辨识实验是自动的，多变量的，即所有的控制变量(MV)同时加激励信号。当实验进行了约20小时后，模型辨识子模块启动，使用现有数据自动进行模型辨识。对常减压装置常压塔，一次模型辨识可在10～20分钟内结束。自动模型辨识可每一小时重复一次，以得到最新模型。在线辨识模块将所得模型划分等级A(优)、B(良)、C(中)和D(差)。辨识模型后，在保证模型增益的正负与期望矩阵一致的前提下，品质等级为A、B或C的模型被MPC控制模块30选用。MPC控制模块使用当前模型对部分控制系统进行动态控制参数自动设定和自动仿真。如果仿真结果表现出良好的控制性能，控制模块会将相应的MV、DV和CV投入自动控制中。注意这时一些被控变量CV已经被控了，这就叫闭环实验。闭环实验能降低对常压塔生产的干扰。随着辨识实验和模型辨识的继续，越来越多的模型被载入MPC控制模块，越来越多的MV、DV和CV被MPC控制模块投入自动控制中。当大多数如80％模型达到A等级或B等级时，停止辨识实验。所有的MV、DV和CV被投入自动控制中。常减压装置常压塔的辨识实验一般需要3到4个昼夜。也就是说，MPC控制器的投运只需要3到4个昼夜，并可全部自动进行。这四天控制工程师可以不在场，由操作工监视便可。在投运后，如果需要，MPC控制装置参数可由控制工程师细调，此项工作需要3个工作日。 

MPC控制装置的维护 

在MPC控制器投运后，控制监测模块50启动，使用MV、DV和CV的数据对MPC控制品质进行分析。运行一段时间后，如果控制监测模块发现MPC控制模块的控制品质下降，而且模型误差增大，控制监测模块50将启动在线辨识模块40，开始辨识实验和模型辨识。这时MPC控制模块30仍在运行，所以是闭环辨 识。自动模型辨识可每一小时重复一次。每次辨识模型后，在保证模型增益的正负与期望矩阵一致的前提下，品质等级为A、B或C的模型被送入控制模块替代相应的旧模型。当所有的旧模型都被替代后，控制模块将根据新的模型对控制参数自动设定，MPC控制器的维护就结束了。对常压塔来说，MPC控制器的维护需要3到4个昼夜，可完全自动进行。 

本发明自适应模型预测控制装置将传统MPC控制技术各个步骤揉合在一起，并行执行，达到高效率、高品质的控制器的投运，并大大降低了使用难度。本发明自适应模型预测控制装置的优点可归结如下： 

-方法简单。由于模型辨识和控制器参数设定都是自动的，使用者不需要掌握很深的模型辨识和MPC控制理论和经验。除了MPC控制器的设计需要有经验的控制工程师来做，大部分工作可由操作工来做。这大大降低了MPC控制技术应用的门槛，也节省了人力成本。 

-模型质量高，因此导致MPC控制模块品质好。模型质量好的一个原因是多变量辨识实验对每个控制变量MV的有效激励时间远远大于单变量辨识实验的有效激励时间。对常压塔来说，多变量辨识实验对每个控制变量(MV)的有效激励时间是3到4昼夜，单变量辨识实验对每个控制变量(MV)的有效激励时间则小于1个昼夜。模型质量好的另一个原因是MPC控制模块的维护，即重新辨识模型，可以自动进行，人力成本很低，可随时进行。 

-辨识实验对生产干扰小。这是因为辨识实验大部分时间都是闭环实验，即在有控制器运行的条件下进行试验。对常压塔来说，只有在控制器投运的第一个昼夜是开环辨识实验，其余时间全是闭环实验。 

--工程效率高。与传统MPC控制技术相比，自适应MPC控制装置可节省70％的时间和人力。

Claims (22)

1.一种自适应模型预测控制装置，包括控制被控对象(10)的MPC控制模块(30)，其特征在于还包括在线辨识模块(40)、控制监测模块(50)，MPC控制模块(30)分别与被控对象(10)、在线辨识模块(40)、控制监测模块(50)相连，在线辨识模块(40)还分别与控制监测模块(50)、被控对象(10)相连，控制监测模块(50)也与被控对象(10)相连，

所述的MPC控制模块(30)用于接收控制变量MV、被控变量CV、干扰变量DV和在线辨识模块(40)输出的动态模型，MPC控制模块(30)自动地进行MPC仿真、自动地进行控制参数整定、自动地进行控制变量MV和被控变量CV的投运，并将控制变量MV分别输送到被控对象(10)、在线辨识模块(40)、控制监测模块(50)；

所述的在线辨识模块(40)能自动执行辨识实验和自动模型辨识，用于在线采集从MPC控制模块(30)输出的控制变量MV、被控变量CV和干扰变量DV，控制监测模块(50)启动在线辩识的请求，并根据实验信号的变化模式和振幅发出测试信号来激励MPC控制模块(30)输出的控制变量MV，以输入到被控对象(10)中，在线辨识模块(40)辨识得到的模型送入MPC控制模块(30)，最终的模型和相关信息被载入控制监测模块(50)，用于MPC控制模块(30)的性能监测；

所述的控制监测模块(50)采集MPC控制模块(30)输出的控制变量MV、被控变量CV、干扰变量DV以及在线辨识模块(40)辨识得到的最终的模型和相关信息，控制监测模块监测四个指标，即1)控制变量MV和被控变量CV的自动/手动控制；2)控制变量MV和被控变量CV的震荡；3)被控变量CV的标准方差；4)模型的品质，如果四个指标的计算结果显示控制器品质低并且模型品质差，控制监测模块(50)或者启动在线辨识模块(40)开始辨识实验和模型辨识即对MPC控制模块(30)进行自动维护，或者向用户报警，请求对MPC控制模块(30)进行维护。 

2.根据权利要求1所述自适应模型预测控制装置，其特征在于在线辨识模块(40)包括实验子模块(60)和模型辨识子模块(70)，所述的实验子模块(60)生成实验信号，自动执行辨识实验，收集控制变量MV、干扰变量DV和被控变量CV的数据，所述的模型辨识子模块(70)基于当前收集的数据自动进行模型辨识和模型检验及相关计算，并调整正在进行的辨识实验。

3.根据权利要求2所述自适应模型预测控制装置，其特征在于辨识实验是多变量的，即实验信号可同时激励全部控制变量MV做实验，如果没有被控变量CV受闭环自动控制，则进行开环的辨识实验；如果某些被控变量CV受控于MPC控制模块(30)，则进行闭环的辨识实验。

4.根据权利要求3所述自适应模型预测控制装置，其特征在于实验子模块(60)通过激励控制变量MV的设定值来进行辨识实验，控制变量MV、干扰变量DV和被控变量CV的数据存储在数据库或计算机文件中，实验前，给出被控对象(10)的稳态时间的估计值，实验子模块(60)据此自动生成实验信号。

5.根据权利要求4所述自适应模型预测控制装置，其特征在于实验子模块(60)启动时，将设计的实验信号以MPC控制模块(30)的采样周期，输出到控制变量MV的设定值上。

6.根据权利要求4所述自适应模型预测控制装置，其特征在于模型辨识子模块(70)使用当前的控制变量MV、干扰变量DV和被控变量CV的数据进行模型辨识、模型检验和相关计算。

7.根据权利要求2所述自适应模型预测控制装置，其特征在于模型辨识子模块(70)使用的辨识算法采用渐进辨识方法，其主要步骤如下：

(1).参数估计 

A)估计高阶方程误差ARX模型 

B)进行带频率权重的模型降阶 

(2).确定模型阶数 

降阶模型的最佳阶次由频域的渐进准则决定，使对控制重要的频域段上模型误差最小； 

(3).延迟估计 

在模型辨识中，延迟通过固定模型的阶次和尝试各种延迟可能来进行估计，即仿真误差损失函数达到最小值时的延迟； 

(4)计算误差上界矩阵 

根据系统辨识的渐进理论，可以导出模型的频率响应的误差上界矩阵，模型的品质通过误差上界进行量化，根据误差上界和频率响应在低、中频的相对值，按等级对模型分类：如果误差上界≤30％模型频率响应，模型等级为A即优；如果30％模型频率响应＜误差上界≤60％模型频率响应，模型等级为B即良；如果60％模型频率响应＜误差上界≤90％模型频率响应，模型等级为C即中；如果误差上界＞90％模型频率响应，模型等级为D即差，模型的等级根据不同类别的实际应用加以实验调整； 

(5).依据等级A、B、C和D进行模型检验。

8.根据权利要求7所述自适应模型预测控制装置，其特征在于步骤(5)模型检验按如下步骤进行： 

-  如果大多数的期望模型是A等级和B等级，其余的期望模型是C等级，那么这些模型对MPC控制模块(30)来说是可用的，辨识实验停止； 

-  如果上述条件没有满足，继续实验。 

9.根据权利要求7所述自适应模型预测控制装置，其特征在于步骤(4)中所述的实验调整包括改变控制变量MV的振幅和广义二进制噪声GBN信号的平均切换 时间，所做调整是根据未来误差上界获得的，模型的未来误差上界是当前实验结束时的误差上界，模型等级叫做未来等级，实验调整按如下步骤进行： 

-  对某个控制变量MV而言，如果相关的期望模型的未来等级大多数是A和B，那么该控制变量MV的振幅是合适的，不需调整； 

-  对某个控制变量MV而言，如果相关的期望模型的未来等级大多数是C和D，那么增大该控制变量MV的振幅，使期望模型的未来等级成为A或B； 

-  对某个控制变量MV而言，如果相关的期望模型的未来等级大多数是C和D，并且该控制变量MV的振幅已经达到界限，那么增大该控制变量MV的平均切换时间，增大两倍； 

-  对某个控制变量MV而言，如果相关的期望模型的未来等级大多数是A，那么减小该控制变量MV的振幅30％-50％； 

实验调整的计算由模型辨识子模块(70)完成，其结果输出到实验子模块(60)执行。 

10.根据权利要求7所述自适应模型预测控制装置，其特征在于还包括步骤： 

模型辨识子模块(70)在模型辨识中使用期望矩阵， 

基于预实验和操作经验，构造“期望矩阵”，期望矩阵的行和列分别与被控变量CV和控制变量MV或者干扰变量DV相对应，矩阵的元素有四个值，分别是： 

+：相应的控制变量MV或者干扰变量DV和被控变量CV之间有模型且是正增益 

-：相应的控制变量MV或者干扰变量DV和被控变量CV之间有模型且是负增益 

相应的控制变量MV或者干扰变量DV和被控变量CV之间没有模型 

？：相应的控制变量MV或者干扰变量DV和被控变量CV之间有无模型不确定； 

期望矩阵提供控制变量MV或者干扰变量DV和被控变量CV之间模型的信息，如果期望矩阵表示某些控制变量MV或者干扰变量DV和被控变量 CV之间存在模型，则辨识该模型；如果期望矩阵表示某些控制变量MV或者干扰变量和被控变量CV之间不存在模型，则排除该模型；与辨识出MV和CV之间的全部模型相比较，使用期望矩阵会大规模减少辨识参数的数目，在模型辨识中，可选择是否使用期望矩阵，如果期望矩阵不存在或不可靠，则辨识全部模型，从中可获得期望矩阵。

11.根据权利要求1所述自适应模型预测控制装置，其特征在于MPC控制模块(30)接收干扰变量DV，干扰变量DV参与对被控变量CV的预测，实现前馈控制。

12.根据权利要求1所述自适应模型预测控制装置，其特征在于MPC控制模块(30)包括两类功能模块：1)实时功能模块；2)非实时功能模块，实时功能模块是在每个采样周期工作；非实时功能模块是当条件满足时才工作，所述条件包括每当在线辨识模块(40)产生新模型时、控制仿真显示性能优良和较差时。

13.根据权利要求12所述自适应模型预测控制装置，其特征在于实时功能模块包括模型预测子模块(31)，稳态优化子模块(32)和动态控制子模块(33)，模型预测子模块(31)分别与稳态优化子模块(32)和动态控制子模块(33)相连，动态控制子模块(33)与被控对象(10)相连，模型预测子模块(31)与在线辨识模块(40)相连；

所述的模型预测子模块(31)在每个采样周期，使用在线辨识模块(40)生成的被控对象(10)的数学模型以及控制变量MV、干扰变量DV和被控变量CV的最新测量值，对被控对象(10)的未来行为进行预测；控制变量MV和被控变量CV的预测值供稳态优化子模块(32)和动态控制子模块(33)使用；

所述稳态优化子模块(32)是用于解决多变量控制系统中可能出现的自由度不足和自由度多余的问题，在每个采样周期，稳态优化子模块(32)根据输入数据进行计算，在自由度不足时对被控变量CV按其优先级进行取舍，放弃级别低的被控变量CV，并按其权重进行协调，同一级别的被控变量CV 的控制误差按权重大小分配；在自由度多余时进行经济优化，即将某些控制变量MV和被控变量CV控制到经济上最优的位置；稳态优化子模块(32)需要的输入数据包括：模型预测子模块(31)输出的预测值，被控变量CV的优先级，控制变量MV和被控变量CV的上下限，控制变量MV和被控变量CV的线性权重和二次权重；稳态优化子模块(32)的输出数据是可行的满足基本控制和经济优化的稳态工作点；

所述动态控制子模块(33)在每个采样周期，按照对被控对象(10)的控制要求，计算出动态控制所需的控制变量MV未来多个采样点的控制动作。

14.根据权利要求13所述自适应模型预测控制装置，其特征在于动态控制子模块(33)可实现两个功能：1)在稳态优化的稳态工作点不变的情况下，克服干扰对系统的影响，保证系统工作在最佳工作点；2)在稳态优化的稳态工作点发生变化的情况下，将系统从当前工作点稳而快地切换到新的稳态工作点。

15.根据权利要求13所述自适应模型预测控制装置，其特征在于动态控制子模块(33)计算动态控制数值采用二次规划，动态控制子模块(33)需要的输入数据包括：模型预测子模块(31)输出的预测值，控制变量MV和被控变量CV的上、下限，控制变量MV增量的上限，控制变量MV增量权重，被控变量CV的闭环响应时间和被控变量CV的误差权重。

16.根据权利要求13所述自适应模型预测控制装置，其特征在于MPC控制模块(30)采用滚动优化，即只将动态控制子模块(33)给出的未来控制动作的第一个采样点的值输出到被控对象(10)的执行机构中，在下一个采样周期，模型预测子模块(31)，稳态优化子模块(32)和动态控制子模块(33)将重复权利要求13中的计算。 

17.根据权利要求10所述自适应模型预测控制装置，其特征在于非实时功能模块包括自动模型选用功能，自动控制参数整定功能、自动控制变量MV和被控变量CV控制投运功能，各功能通过执行以下工作步骤来实现： 

(1).自动模型选用功能：对在线辨识模块(40)提供的被控对象(10)的数学模型进行选用，选用的规则是，如果一个模型即描述某个MV和某个CV关系的数学模型的等级是A，B或C，且该模型增益的正负号与期望矩阵相应的正负号一致，则选用该模型，否则不选用，每当在线辨识模块(40)产生新模型的时候，自动模型选用功能就执行一次； 

(2).自动控制参数整定功能：该功能首先给出MPC控制模块(30)的默认动态控制参数，包括控制变量MV和被控变量CV的动态控制权重，以及被控变量CV的动态控制闭环响应时间； 

MPC控制模块(30)基于模型和默认动态控制参数进行阶跃响应的仿真，检查被控变量CV的设定值跟踪性能，MPC控制模块(30)会在动态控制仿真中调整控制变量MV和被控变量CV的动态权重和被控变量CV的闭环响应时间，如果仿真结果显示性能优良，动态控制参数将不变，如果仿真的阶跃响应过快，则增加相应控制变量MV的权重，并且/或者增加被控变量CV的闭环响应时间；如果仿真的阶跃响应过慢，则反之调整； 

(3).自动控制变量MV和被控变量CV控制投运功能：如果仿真结果显示性能优良，MPC控制模块会将相应的控制变量MV和被控变量CV投入自动控制中。 

18.根据权利要求17所述自适应模型预测控制装置，其特征在于默认动态控制参数的方法采用： 

控制变量MV增量权重＝1/(该控制变量MV上界-该控制变量MV下界) 

控制变量MV误差权重＝1/(该控制变量MV上界-该控制变量MV下界) 

被控变量CV误差权重＝1/(该被控变量CV上界-该被控变量CV下界) 

被控变量CV闭环响应时间＝该被控变量CV所有模型闭环响应时间的平均值。 

19.根据权利要求1所述自适应模型预测控制装置，其特征在于通过执行如下步骤自动完成MPC控制模块(30)的投运： 

(1)给定MPC控制模块(30)的控制参数： 

A.确定控制变量MV、干扰变量DV、被控变量CV以及控制变量MV、被控变量CV的界限和经济优化参数； 

B.MPC用户根据过程操作经验估计出被控对象(10)的主要稳态时间，确定辨识实验中所有控制变量MV的实验信号的合适振幅； 

C.基于操作经验，构造一个期望矩阵：期望矩阵的行和列分别与被控变量CV和控制变量MV或者干扰变量DV相对应，矩阵的元素有四个值，分别是： 

+：相应的模型是正增益；-：相应的模型是负增益；0：相应的控制变量MV或者干扰变量和被控变量CV之间没有模型；？：相应的控制变量MV或者干扰变量和被控变量CV之间有无模型不确定； 

(2).将步骤(1)中的信息输入到在线辨识模块(40)中； 

(3).启动辨识实验：通过鼠标或一次按键启动辨识实验，在实验中，在线辨识模块(40)和MPC控制模块(30)执行如下步骤： 

(3-1).在线辨识模块(40)根据实验信号的变化模式和振幅，由实验子模块(60)发出测试信号来激励所有的控制变量MV，进行辨识实验；辨识实验和MPC控制模块(30)的采样时间是相同的；控制变量MV、干扰变量DV和被控变量CV的数据输入在线辨识模块(40)； 

(3-2).在线辨识模块(40)监测实验，必要时调整实验以保证工业过程的稳定运行，步骤为：a.如果所有被控变量CV都保持在正常的工作范围内，继续实验不做调整；b.如果某个开环被控变量CV缓慢漂移，则根据期望矩阵调整相关控制变量MV的均值；c.如果开环或闭环被控变量CV反复在上下界震荡，则减小相关控制变量MV的振幅； 

(3-3).自动在线模型辨识：当实验进行到计划时间的1/6至1/2时，模型辨识子模块(70)启动，由模型辨识子模块(70)使用现有数据进行模型辨识，模型辨识定时重复； 

(3-4).自动模型检验，并且必要时调整实验以提高模型品质或降低对生产干扰，步骤如下：a.每次启动时，模型辨识子模块(70)根据模型的误差上界划分等级A：优、B：良、C：中和D：差；b.如果某些控制变量MV生成足够多的A和B模型，并且这些模型与期望矩阵保持一致，则减小这些控制变量MV的振幅以降低对正常生产运行的干扰；c.同时，模型辨识子模块(70)还计算在计划实验结束时未来模型的误差上界和模型等级；如果未来模型的等级无法达到A或B，则增大相关控制变量MV的振幅，以提高信噪比，为了不干扰被控对象(10)的运行，所有控制变量MV的振幅小于根据过程操作经验确定的最大界限； 

(3-5).辨识模型后，在保证模型增益的正负与期望矩阵一致的前提下，品质等级为A、B或C的模型被MPC控制模块(30)自动选用； 

(3-6).MPC控制模块(30)使用当前模型对控制系统进行控制参数自动整定和控制系统自动仿真，如果仿真结果表现出良好的控制性能，MPC控制模块将相应的控制变量MV、干扰变量DV和被控变量CV投入自动控制中，随着辨识实验和模型辨识的继续，越来越多的模型被MPC控制模块(30)选用，越来越多的控制变量MV、干扰变量DV和被控变量CV被MPC控制模块(30)投入自动控制中； 

(3-7).当大多数期望的模型达到A等级或B等级时，停止辨识实验； 

(3-8).在保证模型增益的正负与期望矩阵一致的前提下，MPC控制模块(30)选用等级为A、B和C的模型； 

(3-9).MPC控制模块(30)使用所获得的模型对控制参数进行自动整定和对控制系统进行仿真； 

(3-10).如果仿真结果表明控制性能良好，所有的控制变量MV、干扰变量DV和被控变量CV被投入自动控制中； 

(3-11).到此，MPC控制模块(30)的自动投运就完成了； 

(3-12).最终的模型和相关信息由在线辨识模块(40)的模型辨识子模块(70)载入控制监测模块(50)，用于MPC控制模块(30)的性能监测。 

20.根据权利要求19所述的自适应模型预测控制装置，其特征在于步骤(3)的辨识实验最初在开环状态下进行，即被控变量CV不接受自动控制，当某些控制变量MV、干扰变量DV和被控变量CV投入自动控制时，辨识实验进入部分闭环状态，在辨识实验中，控制变量MV的数值表示为：控制变量MV全值＝均值+实验信号，其中，均值表示没有施加实验信号时控制变量MV的数值，实验信号即实验对控制变量MV的扰动量，当控制变量MV处于开环状态时，实验子模块(60)对控制变量MV全值进行操作，当控制变量处于闭环状态时，实验子模块(60)仅对实验信号进行操作，MPC控制模块(30)修改均值，控制变量MV全值由加法器(⊕)获得。 

21.根据权利要求19所述的自适应模型预测控制装置，其特征在于对MPC控制模块(30)实现自动维护是在MPC控制模块(30)投运后，控制监测模块(50)启动，按MPC控制模块(30)的采样时间收集控制变量MV、干扰变量DV和被控变量CV的数据，控制监测模块(50)连续监测四个性能指标：控制变量MV和被控变量CV的自动/手动控制、控制变量MV和被控变量CV的震荡、被控变量CV的标准方差、模型的品质，如果下列某个条件成立，则开始对MPC控制模块(30)进行维护： 

1)某些关键被控变量CV切入手动，并且被控变量CV对应的模型在最近3至5个计算周期内品质很差； 

2)存在强震荡，并且某些关键被控变量CV的模型在最近几个计算周期内品质很差； 

3)某些关键被控变量CV的标准方差在最近几个计算周期内很大，并且被控变量CV对应的模型品质很差；

MPC控制模块(30)的维护通过两种方式启动：第一种是控制监测模块(50)启动在线辨识模块(40)；第二种是控制监测模块(50)向用户发布维护请求，由用户决定并通过鼠标或一次按键启动在线辨识模块(40)；随后，辨识实验和模型辨识开始，MPC控制模块(30)维护的其余工作与自动MPC控制模块(30)投运 步骤(3)中所述的(3-1)～(3-12)步骤相同，随着辨识实验和模型辨识的继续，MPC控制模块(30)中越来越多的模型被新模型取代，当所有品质差的模型被新模型取代后，维护结束。

22.根据权利要求1所述的自适应模型预测控制装置，其特征在于MPC控制模块(30)、在线辨识模块(40)、控制监测模块(50)这三个模块中的任何两个模块可组成一个系统，完成一定的功能，MPC控制模块(30)和在线辨识模块(40)组成一个系统，完成自动的MPC控制模块(30)的投运和在线控制；控制监测模块(50)和在线辨识模块(40)组成一个系统，完成MPC控制模块(30)的监控和在线模型辨识；MPC控制模块(30)和控制监测模块(50)组成一个系统，完成MPC控制模块(30)的在线监控。 

Images