CN102053599A - 用于生产厂的集成优化和控制 - Google Patents
用于生产厂的集成优化和控制 Download PDFInfo
- Publication number
- CN102053599A CN102053599A CN2010105336561A CN201010533656A CN102053599A CN 102053599 A CN102053599 A CN 102053599A CN 2010105336561 A CN2010105336561 A CN 2010105336561A CN 201010533656 A CN201010533656 A CN 201010533656A CN 102053599 A CN102053599 A CN 102053599A
- Authority
- CN
- China
- Prior art keywords
- parameter
- model
- group
- treatment plant
- multiaspect
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
公开了用于生产厂的集成优化和控制的系统和方法。本发明提供了使用参数多面模型来优化和控制生产厂的新技术。特别地,参数多面模型可以被配置成将涉及生产厂的第一组参数(例如,控制参数)转化为涉及生产厂的第二组参数(例如,优化参数)。通常,第一组参数与第二组参数不同。例如,第一组参数可以表示低水平实时控制参数而第二组参数可以表示高水平经济参数。利用合适的参数化表示可以允许参数多面模型在合理的时间内给出生产厂的、合适水平的细节。特别地,参数多面模型可以在一定时间范围内将第一组参数转化为第二组参数,在该时间范围内允许由控制系统基于第二组参数来对处理厂进行控制。
Description
技术领域
本发明通常涉及控制系统并且尤其涉及使用参数多面模型的、用于生产厂的集成优化和控制。
背景技术
由于这种方法可能提供的潜在经济利益的原因,处理厂的集成优化和控制已被长期关注。过去提出了大量的解决方案,而且一些可商业获得的软件供应试图满足针对这样解决方案的巨大需求。然而,一些对这样的解决方案的实现的关键技术挑战依然存在,包括:(1)厂优化和厂控制解决方案之间的不一致性,(2)集成优化和控制解决方案的计算复杂性,和(3)用于复杂处理厂的集成解决方案的可测量性和可维护性。
发明内容
本发明提供了使用参数多面模型来优化和控制生产厂的新技术。特别地,参数多面模型可以被配置成维持涉及生产厂的第一组参数(例如,用于控制的动态模型的参数)与涉及生产厂的第二组参数(例如,用于经济优化的经济模型的参数)的一致性。通常第一组参数与第二组参数不同。例如,第一组参数可以表示低水平实时控制参数而第二组参数可以表示高水平经济参数。利用合适的参数化可以允许参数多面模型在合理的时间内给出用于决策环境的、生产厂的合适水平的细节。特别地,参数多面模型可以在一定时间范围内将第一组参数映射到第二组参数,在该时间范围内允许由控制系统基于第二组参数来控制处理厂。在某些实施例中,映射可以是处理厂当前的和/或预期的操作条件的函数。
附图说明
在参考附图阅读以下详细描述时,本发明的这些和其他特征、方面和优点会变得更好理解,在所有附图中,相同标记代表相同部件,在附图中:
图1是集成的处理厂优化和控制系统的示例性实施例的框图;
图2是具有参数多面模型的、图1的集成的处理厂优化和控制系统的示例性实施例的框图;
图3是参数非线性动态近似器(PUNDA)模型的示例性实施例的框图,PUNDA模型耦接到物理处理或者它的表示,为了训练PUNDA模型从而与图2的参数多面模型一起使用;
图4是可以使用图1的集成的处理厂优化和控制系统的乙醇生产厂的示例性实施例的框图;
图5是具有用于管理图2的各个参数多面模型的参数混合建模构架的集成的处理厂优化和控制系统的示例性实施例的框图;以及
图6是示例性企业级处理厂结构的框图,在该示例性企业级处理厂结构中可以利用图1的集成的处理厂优化和控制系统。
具体实施方式
现在转向附图并且首先参考图1,其示出了集成的处理厂优化和控制系统10。集成的处理厂优化和控制系统10可以包括优化系统12和控制系统14两者。优化系统12通常可以用于优化集成的处理厂优化和控制系统10的一个或多个处理厂16的操作。例如,优化系统12典型地可以由厂经理,区域经理,和其他高级执行官用来优化一个或多个处理厂16的操作。同样地,典型地结合优化系统12使用的优化参数18可以包括成本数据(例如,材料投入的成本数据)、价格数据(例如,生产输出的价格数据)、各个厂的收益率、全面收益率、各个厂的生产能力限制、全面生产能力限制、各个厂的产量模型、全面产量模型、设备效率等等。相反地,控制系统14通常可以用于控制集成的处理厂优化和控制系统10的一个或多个处理厂16的操作。同样地,典型地结合控制系统14使用的控制参数20可以包括可以依赖于处理厂测量(例如,传感器读数,诸如温度、压力、流速的测量)、激励器设置等等的处理厂16模型的参数(例如用于发酵处理的反应速率、处理收益、处理滞留时间等等)。
换句话说,优化系统12和控制系统14可以在两个不同的水平上运行。例如,优化系统12可以涉及优化一个或多个处理厂16的性能。同样地,优化系统12可以从一个或多个处理厂16接收处理输出22和处理输入24,以修改由优化系统12使用的处理厂16的合适模型的优化参数18。这些优化参数18随后可以用于通过例如修改可以被发送到一个或多个处理厂16的处理输入24来优化一个或多个处理厂16。相反地,控制系统14可以涉及一个或多个处理厂16的低水平的、实时的控制。同样地,控制系统14可以从一个或多个处理厂16接收处理输出22和处理输入24,以修改控制参数20。这些控制参数20随后可以通过例如修改可以被发送到一个或多个处理厂16的处理输入24来控制一个或多个处理厂16。如果控制参数20和优化参数18保持一致,则可以会更有效地维持由优化系统12和控制系统14所做决定的一致性,如在下面更详细描述的。在这里描述的参数多面模型通过将优化参数18和控制参数20当作下面的多面模型的不同面来维持一致性,其中各个面参数之间的映射是多面模型的组成部分。
应当注意的是,虽然揭示的实施例关注于优化系统12和控制系统14之间的参数化,但是揭示的实施例可以扩展至利用多面模型不同面的任意数量的系统之间的参数化。确实,参数化多个水平(例如,第一组和第二组参数之间的参数化、第二组和第三组参数之间的参数化、第三组和第四组参数之间的参数化等等)可以由集成的处理厂优化和控制系统10利用。
集成的处理厂的优化和控制系统10的主要目的是实现对复杂处理厂16的实时的、集成优化和控制,并且处理阻碍处理厂16中这样的解决方案的成功实施的现实世界挑战。如上面所讨论的,在过去,对于实现集成的处理厂优化和控制系统10的一些关键技术挑战是:(1)优化系统12和控制系统14之间的不一致性,(2)集成的处理厂优化和控制系统10的计算复杂性,和(3)用于复杂处理厂16的集成的处理厂优化和控制系统10的可测量性和可维护性。
优化系统12和控制系统14之间的不一致性可能成问题的原因在于,优化系统12可能经常产生控制系统14发觉无法执行的解决方案。几个因素可能造成此不一致性。例如,如上面描述的,用于优化和控制的模型可以根本上不同,并且可以在同彼此完全的隔离情况下使用。例如,由控制系统14使用的详细动态模型(例如,处理厂16的物理交互的第一原则模型)可以与可以仅对优化、例如处理厂16的经济属性感兴趣的优化系统12不是特别相关。用于生成和维持用于合适背景的一致模型组的构架由揭示的实施例提供以处理这些非一致性。
此外,当处理厂16包括成批处理时,建模挑战可能被如下事实进一步复杂化:时常地,成批成功或失败的实际测量可能只有在成批处理终止时才被评定。然而,成批输出量可能受到在成批处理期间成批进展方式的影响。换句话说,优化系统12可能只能够在成批处理完成的情况下识别成批处理的成功或者失败。然而,控制系统12可能需要在整个成批处理期间监视和控制成批处理。同样地,成批处理的连续测量将与最终的成批输出量相关。所揭示的实施例使贯穿处理厂16的不同处理将基于适合于特定水平的优化和控制以及不同时间约束条件两者的参数化信息得到优化和控制。
此外,所揭示的实施例使得过时的和不精确的操作约束条件最小化。约束条件信息的正确交流不是简单地适时信息交流的事情。相反地,处理厂16是动态实体,并且处理操作设定值的合适优化需要对处理厂动态进行适当处理。例如,处理厂动态可以作为处理厂16的操作条件的函数而变化,并且未做到合适地解决此变化会导致针对任务完成的不可行的目标,其负面地影响集成的处理厂优化和控制系统10的全面性能。
由于处理厂16的高度复杂性的原因,集成的处理厂优化和控制系统10的计算复杂性可能成为问题。同样地,处理厂优化和控制通常不能用单一规划实施。特别地,考虑到处理厂16的复杂性和优化的适时结论的需求,尝试这样做可以产生计算上不可行的优化解决方案。更具体地说,针对由优化系统12使用的处理厂16的经济优化的问题描述典型地可以表达为具有整数决定变量的线性编程问题,然而由控制系统14使用的控制问题可以典型地包括具有连续决定变量的非线性编程(含有二次成本、时间变化非线性动态和潜在的时间变化约束条件)。揭示的实施例适于每个水平上的合适问题描述,实现模型的程序化修改,并且包含合适的解决器技术。
用于复杂处理厂16的集成的处理厂优化和控制系统10的可测量性和可维护性可能受到几个主要考虑影响。例如,由控制系统14使用的处理厂16的数学表述的巨大规模,由控制系统14使用的模型类型的多样性(例如,第一原则和经验模型、动态和稳态模型、质量和能量平衡等式),和由优化系统12使用的目标和约束条件的多样性表现出重要挑战。揭示的实施例实现对多样模型的可管理的集成、修改和合并。
此外,用于集成的处理厂优化和控制系统10的在线使用的、对于来自优化系统12的适时结果的需要使计算效率成为关键要求。随问题大小增长维持这种计算效率对于任意实际处理厂16的可行解决方案是关键的。
图2是具有配置成处理上面讨论的技术挑战的参数多面模型26的、图1的集成的处理厂优化和控制系统10的示例性实施例的框图。参数多面模型26可以用于可由优化系统12优化的单个处理厂16或者多个处理厂16。使用参数多面模型26,集成的处理厂优化和控制系统10可以总有针对特定处理可用的合适建模。参数多面模型26可以存储在计算机系统的机器可读存储器介质上,并且由处理器使用实现于此描述的操作的程序指令来执行。
特别地,由参数多面模型26处理的主要挑战是在相关优化问题的背景内的精度和计算效率之间的折中。例如,虽然针对为反应器工作的控制策略控制系统14可能需要反应器的详细非线性动态模型,但是当确定反应器必须运转的生产水平时优化系统12不必需要非线性动态的细节。因此,取决于特定的优化或者控制函数,参数多面模型26可以用于表现用于处理厂16的合适水平的细节。
例如,用于处理厂16的参数多面模型26可以包括处理厂16的详细动态模型28。动态模型28例如可以适合于由模型预测控制(MPC)控制器来使用。参数多面模型26也可以包括处理厂16的参数稳态模型30。参数稳定模型30例如可以适合于用于设定点/情景假设场景分析。参数多面模型26也可以包括“捷径”模型32,其例如可以是以适于处理厂优化的开放等式的形式的参数质量和能量平衡模型。每个模型都可以被看成对下面的处理的视图,并且可以由混合建模构架中的参数多面映射来保持不同视图之间的一致性,如下面更详细的描述。
在简化的场景中,处理厂16会有表现其动态模型28、参数稳态模型30和捷径模型32的单一模型。例如,处理厂16中的容器(例如,桶)或者另一件设备的简单收益、时间约束条件、时间延迟描述可以为容器的动态模型28、参数稳态模型30和捷径模型32提供合适的信息。然而,简化的场景可能并非在所有情况下都是适用和/或理想的。在此情况下,动态模型28、参数稳定模型30和捷径模型32可以通过多面模型中的参数多面映射相互依赖。换句话说,参数多面映射可以是与初级模型相互关联的次级模型。
参数多面模型26的关键优点是为处理厂16的各种感兴趣的优化背景系统地构建一致模型的能力。参数多面模型26可以是在生产型企业中实现计划集成、时间排定、排序和控制的技术的关键。例如,参数多面模型26可能能够在实现处理厂16按适时的方式优化的时间范围产生用于优化系统12的相关参数。
参数非线性动态近似器(PUNDA)模型可以用作用于处理厂16的复杂动态行为的精确和计算有效的表示。PUNDA模型的基本概念可以在以引用方式并入于此的美国专利申请2005/0187643中找到。特别地,图3是耦接到处理厂16或它的表示的PUNDA模型34的示例性实施例的高水平框图,为了训练PUNDA模型34从而与图2的参数多面模型26一起使用。PUNDA模型34可以存储在计算机系统的存储器介质上,并且由处理器使用实现于此描述的操作的程序指令来执行。
在图3示出的实施例中,PUNDA模型34包括串联耦接到动态参数化模型38的非线性近似器36。在某些实施例中,非线性近似器36可以是支持矢量机器、神经网络、统计模型、参数描述、傅里叶级数模型、或者任何其他类型的经验或者基于数据的模型。非线性近似器36可以是一般的非线性近似器,使得可以实现任何类型的非线性映射。非线性近似器36运转以给动态参数化模型38提供参数如图所示。如所指示的,在某些实施例中,非线性近似器36也可以包括反馈回路40,其中非线性近似器36的输出提供为对它本身的进一步输入,因此支持输出对于非线性近似器36的之前输出的从属性。在某些实施例中,动态参数化模型38可以是以一组差分方程(例如一组离散时间多项式)实现的多输入、多输出(MIMO)动态模型,在下文提供了一个示例。因此,动态参数化模型38可以从非线性近似器36接收它的参数并且从而运转。
如图3所示,PUNDA模型34可以耦接到处理厂16或处理厂16的表示。处理输入24可以作为输入提供给处理厂16和PUNDA模型34。处理厂16产生可以结合PUNDA模型输出42或与PUNDA模型输出42一起使用以确定模型误差44的处理输出22,如图所示。模型误差44随后可以提供回PUNDA模型34并且(例如与优化器一起)用于训练PUNDA模型34。根据可以用于以任意希望的精确度对任何复杂非线性动态系统建模的非线性模型和MIMO差分方程组的一系列组合,在此描述了PUNDA模型34。虽然,如上面提到的那样,但是也设想到其他非线性近似器和动态参数化模型。
例如,在各种实施例中,图3的处理厂16可以由处理厂16本身、第一原则模型、经验数据、或者它们的组合来描述或表示。第一原则模型的例子包括以xk+1=Fk(xk,uk,pk),yk=Gk(xk,uk,pk)形式的、处理厂16的状态空间描述,或者以yk=Gk(yk-1,...,yk-N,uk,...,uk-M,pk)形式的输入/输出差分方程。这里,xk是状态矢量,uk是输入矢量(操作或者扰动变量),pk是参数矢量,yk是用于处理厂16的输出矢量。经验数据的例子包括用于所有处理输入和输出24、22的测试数据,或者用于某些输入和输出对的、来自处理厂16的正常操作的相关联的测量。也设想到其他表示,例如包括统计模型、参数描述、傅里叶级数模型和经验数据等等。
PUNDA模型34允许关于处理厂16可用的经验信息和/或第一原则知识系统地用于建立处理厂16的计算有利的(即,有效的)模型,该模型适合于在线优化和控制处理厂16。换句话说,可以基本上实时地进行计算。此外,PUNDA模型34可以以任意期望的精确度对非线性处理厂16进行近似,如下面将会详细描述的那样。
注意,可以使用本身不足以充分描述处理厂16的局部第一原则模型来建立具有PUNDA模型34的、处理厂16的代表模型。PUNDA模型34中的非线性近似器36可以当它被串联地连接到动态参数化模型38时被训练并且因此通常非线性近似器36的输出可能不是直接可用的。期待的是,现实世界处理厂16的复杂性可以规定在大多数应用中训练非线性近似器36的必要性。
用于训练在图3的PUNDA结构内的非线性近似器36的优选方法是将参数的训练表示为受约束的非线性编程问题。此约束的非线性编程问题随后用任意合适非线性编程解决器来解决。
本建模方法关注于通过精确获得处理收益和动态两者的成功优化和控制。为了保证用于优化和控制的、PUNDA模型34的保真度,用于训练非线性近似器36的受约束的非线性编程问题可以包括对处理输出22关于处理输入24的(任意阶的)导数的约束条件。也可以包括其他约束条件,例如质量和能量平衡。用于这种约束条件的潜在信息源包括第一原则模型和操作者学识。可以使用各种技术将这样的信息转化成用于非线性编程问题的约束条件。例如,一种方法是在极其复杂的第一原则模型中用软件推导出输出相对于输入的第一阶(或更高阶)导数的分析表达式。推导出的表达式随后可以包括在用于训练的非线性编程问题设置的约束条件中。除了导数约束条件(例如收益约束条件)之外,可以限制PUNDA模型34的训练以保证用于PUNDA模型34的期望的动态行为。例如,根据有关处理厂16的物理特性的现有知识,系统中的时间常数可以被限制于某个范围内。
在PUNDA模型34中,避免了将处理厂16的非线性动态行为分解成线性(或者甚至非线性)动态和静态输入/输出映射的想法。相反地,在PUNDA模型34中,同时执行处理厂16的动态行为的识别和输入/输出静态映射(例如收益关系)。PUNDA模型34中的非线性近似器36规定动态参数化模型38的参数(例如MIMO差分方程模块)如何可以作为处理操作条件的函数而变化而且PUNDA模型34的收益和动态行为是整个PUNDA模型34的全局特性。因此,期望的收益行为可以按与实施期望的动态行为正好相同的方式实施于对PUNDA模型34的训练中。
现在回到图2,PUNDA模型34的输出将会是参数多面模型26的一个或多个面,参数多面模型26使集成的处理厂优化和控制系统10总是依赖于特殊的功能使用处理厂16的合适水平的细节来运转。例如,在一些例子中,集成的处理厂优化和控制系统10可能仅仅需要可以由捷径模型32提供的、处理厂16的较不详细的观察。然而,在其他例子中,集成的处理厂优化和控制系统10可能需要可由动态模型28提供的、处理厂16的更详细的观察。同样地,参数多面模型26可以总是能够在例如可实现由控制系统14来控制处理厂16的时间范围内使用合适水平的细节运转。
接下来是作为参数多面模型26的部分而产生的模型类型的说明例子。这里描述的技术即可以在最初的试运转时也作为改进应用于各种处理厂16。例如,图4是可以使用图1的集成的处理厂优化和控制系统10的乙醇生产厂46的示例性实施例的框图。当前在美国有每年接近72亿加仑产生产能力的、附加的在建设中的每年62亿加仑生产能力的大约134个乙醇生产厂。这些厂的大约三分之二是干磨机(dry-mill)生产设施。
在乙醇生产厂46中,谷物供应48被提供给研磨和蒸煮过程50、52,其中它被化学地分解以增大表面面积对体积的比率。表面面积的增加允许与水的充分交互以获得可发酵的糖的溶液(称为啤酒麦芽浆)。啤酒麦芽浆被加热以促进溶液中的生物量-水接触的量的增加并且增加碳水化合物生物量与非碳水化合物生物量的分离。酶(例如阿尔法(alpha)淀粉酶)典型地被加到液化过程54以促进长链碳水化合物聚合物的进一步分解。啤酒麦芽浆然后被送到发酵过程56,其中几个发酵桶运转以发酵啤酒麦芽浆浆液。
啤酒麦芽浆典型地与由酵母、二次酶(例如葡糖淀粉酶)、氮源和抗生素组成的传播混合物一起被泵入发酵桶。在发酵桶中时,葡糖淀粉酶将糊精转化为葡萄糖,其然后酵母转化为乙醇的初级产物,二氧化碳和热量。以旋转方式使用大量发酵桶,这提供了穿过乙醇生产厂46的连续流动。每个发酵桶中的成批时间由穿过乙醇生产厂46的啤酒麦芽浆流确定。
来自发酵过程56的输出被发送到蒸馏过程58以将乙醇与水、二氧化碳和不可发酵固体(例如釜镏物)分离。乙醇由称为分子筛的特殊处理单元在脱水单元60中进一步脱水到小于5%的水分水平。最终纯度为200-proof的乙醇随后被处理以保证它被变性并且不用于人类消耗。
釜镏物(例如,不可发酵固体和酵母残留),蒸馏过程58最大的输出,被送到釜镏物处理单元62,用于对来自乙醇生产厂46的副产物的进一步处理。釜镏物处理单元62将额外的水从饼状固体分离并且将水回收到研磨和蒸煮单元50、52。使用离心分离机将多余的水(如,稀的釜镏物)从蒸馏器谷物中去除并且此产品可以作为由大约65%水分组成的湿饼出售。湿饼可以由干燥器64进一步处理至大约10%水分并且作为干燥过的蒸馏器谷物出售。
稀的釜镏物液体的一部分可以回收到发酵过程56。然而,流量的大部分通常被送到蒸发器单元66,其中更多液体从液体流分离,使得液体流浓缩成随后可以被送到浆桶的浆。浆可以按多样的方式处理。例如,它可以被喷射入干燥器64至特定的颜色或湿度。此外,它可以被加到部分干燥的釜镏物产品,或者它可以作为液体产品出售。
能量中心为各种处理单元例如研磨和蒸煮单元50、52、蒸馏和摩尔筛单元58和釜镏物处理单元62提供能量。能量中心典型地组成热氧化剂单元和给处理单元提供蒸汽的热恢复蒸汽产生器。能量中心典型地是乙醇生产厂46中的最大热源。
为了说明对用于集成的处理厂优化和控制系统10的参数多面模型26的使用,将把焦点集中在乙醇生产厂46的干燥器64上。用于控制目的的干燥器动态特性可以描述如下:
其中Xs,out/Xs,in是干燥器64的出口/入口上的固体湿度,Vs是固体在轴向上的线性速度,L是干燥器长度,Rw是干燥速率,Ts,out/Ts,in是干燥器64的出口/入口上的固体温度,Cs是固体的热容量,Uv是容积传热系数,Vv是每个单位长度的圆筒体积,Fs是固体的线性密度,λ是水的热蒸发系数,Tg, out/Tg,in是干燥器64的出口或者入口上的干燥空气温度,Cg是干燥空气的热容量,和Fg是干燥空气的线性密度。应当注意Rw是固体特征和干燥空气温度的非线性函数。
过去,由于所包含的长时延的原因,对干燥器64的控制已经证明是困难的。特别地,输入水分含量、温度的扰动,或者固体的流动会长时间干扰处理,并且扰动通常直到它们在干燥器64的出口上被测量时才能被观察到。因此,控制方案经常包括反馈和前馈成分两者。最普通的控制回路是基于输出固体的水分含量的燃料流的控制。组合的前馈和反馈控制策略可以包括用于燃料流、滞留时间、圆筒的旋转速度、干燥空气流和质量流等等的回路。
然而,用于乙醇生产厂46的经济优化,所感兴趣的主要变量可能是干燥器64出口上的固体的水分含量和最终干燥过的蒸馏器谷物的生产速度。与生产和干燥的这种水平相关联的能量消耗以及针对湿固体对干燥过的固体的规范和价格有助于干燥器64的最优解决方案。更具体地说,用于乙醇生产厂46的经济优化的捷径模型32可以包括用于进入/离开干燥器64的固体的水和乙醇含量的下列质量平衡等式:
Exit_WaterComponent=(1-εH20)Input_WaterComponent(等式4)
Exit_EthanolComponent=(1-εeth)Input_EthanolComponent(等式5)
其中εH20和εeth是取决于在将水和乙醇从固体中去除时控制器性能的系数。
参数多面模型26可以通过将εH20和εeth确切地建模成控制等式1中Xs,out/Xs,in的、操作变量的函数(例如,作为燃料流和/或质量流的函数)将用于经济优化的捷径模型32(例如,等式4和5)与用于控制的详细动态模型28(例如,等式1-3)系统地关联。通常,可能需要更复杂的关系以正确地表示控制器在乙醇生产厂46的经济优化中的性能。应当注意,在干燥器64的出口中的可达到的水分水平中的控制器约束条件(例如,由于温度约束条件的原因)可以简单地反映在εH20和εeth上的约束条件中并且因此可以维持经济优化与干燥器控制器性能的一致性。
如上面描述的,可能存在用于特定的处理厂16或者一系列处理厂16的多于一个的参数多面模型26。同样地,可以使用用于管理各种参数多面模型26的构架。图5是具有用于管理图2的各种参数多面模型26的参数混合建模构架68的集成的处理厂优化和控制系统10的示例性实施例的框图。尽管优化系统12的背景通常确定合适的模型类型,但是在合适的背景中一致地定义、更新和维持相关模型的能力可能会提出重大挑战。这种参数混合建模构架68可以包括软件构架,其中各种参数多面模型26被定义、修改、使用(例如在包括离线仿真、软件在线分析和在线优化的各种背景中)和维持。
更具体地说,参数混合建模构架68按照对特定模型类型(即,动态模型28、参数稳态模型30或者捷径模型32)来说直观的方式适应参数多面模型26的有效定义。软件使用户能够观察、探测和使用参数多面模型26的各种视图并且允许对无论何处所使用的参数多面模型26(例如,组合模型、使用的优化解决方案或者仿真模型)特定视图进行程序化跟踪。
参数混合建模构架68也适应参数多面模型26的简单和无缝的在线和离线修改。对每个模型的参数进行的鲁棒性的在线修改可以证明有助于集成的处理厂优化和控制系统10的成功实现。如果约束条件可以通过参数混合建模构架68程序化地加以修改,则参数混合建模构架68可以允许对参数多面模型26的参数进行受约束的修改。特殊的重要性可能是参数混合建模构架68在优化问题陈述中包括的逻辑约束条件。
参数混合建模构架68也使参数多面模型26结合到用于适当的优化和控制环境的参数多面模型26中。组合模型中的联通信息可以按透明方式维持。建立参数多面模型26的透明体系的能力可以证明有利于集成的处理厂优化和控制系统10的成功。这部分地起因于以下事实:在某些应用中,处理厂模型的真正尺寸可能会造成对模型管理的重大挑战。
揭示的实施例的有益方面之一是对用于优化和控制计算的参数多面模型26的受约束的修改。处理厂16非常典型地是动态实体。处理厂优化和控制模块的行为可以作为动态处理厂操作条件的函数而变化。改变市场条件会影响原材料成本、能量成本、产品需求、所售商品的价格等等。集成的处理厂优化和控制系统10被装备成处理处理厂16的这种动态性质。特别地,揭示的实施例实现对包括用于处理厂模块的模型、操作约束条件模型和操作优先权和目标等等的优化系统12进行受约束的修改。受约束的修改可能按适应性方式(例如,通过修改处理厂16的当前时间表示)和预测性方式(例如,通过在相关决定/预测范围中修改处理厂16的表示)两者完成。受约束的修改可以基于处理厂16的当前状态和在决定范围中的预期的和/或计划的概略两者。对于用于集成的处理厂优化和控制系统10的处理厂模型受约束修改的必要性的代表例子是以下情况,其中优化系统12确定在聚合物处理中在给定期限内的新生产水平并且需要正确解决作为生产水平的函数的延迟的潜在大变化。
揭示的实施例的另一有利方面是通过系统模型指令减少和经过协调的模块优化在相关时间范围中提供对优化和控制问题的计算有效的解决方案的能力。过去,包含在处理厂16的优化和控制中的计算的适时结论证明是对成功使用集成的优化和控制解决方案的障碍。揭示的实施例通过以下方式解决这种挑战:使用参数多面模型26提供有效的模型指令缩减使得所得到的优化问题变成相当低的规模,其允许例如在允许由控制系统14对处理厂16进行基本上实时控制的时间范围内生成优化参数。一个例子是使用复杂处理厂16的稳态表示的模型,其中使用实际和人工生成的处理厂数据的结合将复杂处理厂16的稳态视图合并到计算有效的稳态模型中,该稳态模型将作为用于复杂处理厂16的组合的参数多面模型26的一个视图。
此外,揭示的实施例通过以下方式解决由集成的优化和控制问题的规模所造成的计算效率的挑战:(1)允许针对各种优化问题同时使用多个解决器技术,(2)通过每个模型中合适定义的参数实现各种优化问题中的约束条件和模型的适时交流,以及(3)由于透明方式实现对遍及各种优化问题的约束条件和参数修改的可追溯性,参数混合建模构架68以透明方式维持参数多面模型26。参数混合建模构架68的程序化地识别合适模型类型、相关约束条件组、解决器类型和针对解决方案的最初猜想的能力是揭示的实施例的关键特征。事实上,揭示的实施例提供一种构架用于实现贯穿复杂处理厂16的分布式集成的处理厂优化和控制系统10,这是因为参数混合建模构架68将维持和管理包括模型、问题描述、解决器和初始条件的集成的处理厂优化和控制系统10。
揭示的实施例可以证明在包括但不局限于经济驱动的处理厂操作、生产计划的最优执行和多个处理厂16的集成的优化和控制的很多种现实世界应用中是有利的。关于经济驱动的处理厂操作,优化系统12可以基于处理厂16的经济目标确定用于控制系统14的设定值。例如,给定原材料成本、能量成本、市场上的产品价格等等的情况下,优化系统12确定每个产品的产品类型和生产水平。关于生产计划的最优执行,可以计划给定数量的产品用于在给定期限内由处理厂16来生产。在这种情况下,优化系统12可以在给定处理厂16的生产能力和约束条件的情况下确定用于处理厂16的最优生产顺序。关于对多个处理厂16的集成优化和控制,多个生产设施可以被看作生产操作的企业级优化的资产。
集成的处理厂优化和控制系统10可以是用于管理处理厂16的更宽的企业级结构的一部分。例如,图6是其中可以使用图1的集成的处理厂优化和控制系统10的示例性企业级处理厂结构70的框图。如所示出的,除上面讨论的优化系统12和控制系统14之外,企业级处理厂结构70也可以包括监视系统72、分析系统74和环境系统76等等。如所示出的,这些系统中的每一个都可以包括自身的各个参数多面模型面。监视系统72可用于监视处理厂16的操作和监视企业级处理厂结构70的其他系统以保证他们接收准确信息和充分地遵照信息进行动作。分析系统74可能稍微与企业级处理厂结构70的其他系统有关联,因为分析系统74可以提供这些系统所使用的一些分析。环境系统76可以包括用于保证处理厂16符合环境调节条件的软件。企业级处理厂结构70的所示出的系统仅仅是示例性的而非意在限制。企业级处理厂结构70的所有示出的系统可以是模块化的并且可以包括软件和硬件解决方案的组合。此外,在某些实施例中,这些系统可以数字连接在一起。
根据本发明的实施例,提供了一种机器可读存储器介质,包括用于优化和控制处理厂的程序指令,其中程序指令由处理器执行以将涉及处理厂的参数多面模型的第一面的第一组参数映射到涉及处理厂的参数多面模型的第二面的第二组参数,并且使用第二组参数控制处理厂,其中第一组参数与第二组参数不同,并且其中第一组参数到第二组参数的映射是处理厂当前的和/或预期的操作条件的函数,并且其中按允许对处理厂进行控制的适时方式进行映射。
根据本发明的实施例所提供的机器可读存储器介质,其中程序指令由处理器执行以将用于控制处理厂的操作的控制参数组映射到用于优化处理厂的操作的优化参数组。
根据本发明的实施例所提供的机器可读存储器介质,其中程序指令由处理器执行以将涉及处理厂的参数多面模型的面的多个参数组映射到涉及处理厂的参数多面模型的面的多个不同的参数组。
根据本发明的实施例所提供的机器可读存储器介质,其中程序指令由处理器执行以将涉及乙醇生产厂的第一组参数映射到涉及乙醇生产厂的第二组参数。
虽然在此仅仅示出和描述了本发明的某些特征,但是本领域技术人员会想到很多修改和改变。因此,要理解的是,附带的权利要求意在覆盖所有落在本发明的真实精神中的这种修改和改变。
Claims (16)
1.一种系统,包括:处理厂的参数多面模型,其被配置成从处理厂接收输入和将涉及处理厂的参数多面模型的第一面的第一组参数映射到涉及处理厂的参数多面模型的第二面的第二组参数,和配置成使用第二组参数来控制处理厂的控制系统,其中第一组参数与第二组参数不同,并且其中第一组参数到第二组参数的映射是处理厂当前的和/或预期的操作条件的函数,并且其中按允许对处理厂进行控制的适时方式进行此映射。
2.如权利要求1的系统,包括:
优化系统,其被配置成对处理厂的操作进行优化;和
控制系统,其被配置成对处理厂的操作进行控制;
其中第一组参数包括由控制系统使用的控制参数而第二组参数包括由优化系统使用的优化参数。
3.如权利要求2的系统,其中优化参数包括生产设施约束条件、生产能力限制、设备效率或它们的组合。
4.如权利要求2的系统,其中控制参数包括反应速率、处理收益、处理滞留时间、传感器读数、激励器设置或它们的组合。
5.如权利要求1的系统,其中参数多面模型的面包括详细动态模型、参数稳态模型、捷径模型或者它们的组合。
6.如权利要求1的系统,包括配置成生成参数多面模型的参数非线性动态近似器。
7.如权利要求6的系统,其中参数非线性动态近似器包括非线性近似器和参数化动态模型。
8.如权利要求1的系统,包括多个参数多面模型,其每个都被配置成将各自的参数组映射到不同的参数组。
9.如权利要求1的系统,包括配置成管理多个参数多面模型的混合建模构架。
10.如权利要求1的系统,其中处理厂是乙醇生产厂。
11.一种计算机实现方法,包括:将涉及处理厂的参数多面模型的第一面的第一组参数映射到涉及处理厂的参数多面模型的第二面的第二组参数,并且使用第二组参数来控制处理厂,其中第一组参数与第二组参数不同,并且其中第一组参数到第二组参数的映射是处理厂当前的和/或预期的操作条件的函数,并且其中按允许对处理厂进行控制的适时方式进行映射。
12.如权利要求11的计算机实现方法,包括将用于控制处理厂的操作的控制参数组映射到用于优化处理厂的操作的优化参数组。
13.如权利要求11的计算机实现方法,包括生成用于将第一组参数映射到第二组参数的参散多面模型,其中参数多面模型的至少一个面是参数非线性动态近似器。
14.如权利要求13的计算机实现方法,包括使用混合建模构架来管理多个参数多面模型。
15.如权利要求11的计算机实现方法,包括将涉及处理厂的参数多面模型的面的多个参数组映射到涉及处理厂的参数多面模型的面的多个不同的参数组。
16.如权利要求11的计算机实现方法,包括将涉及乙醇生产厂的第一组参数映射到涉及乙醇生产厂的第二组参数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US12/609,785 US9141098B2 (en) | 2009-10-30 | 2009-10-30 | Integrated optimization and control for production plants |
US12/609,785 | 2009-10-30 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102053599A true CN102053599A (zh) | 2011-05-11 |
Family
ID=43447947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010105336561A Pending CN102053599A (zh) | 2009-10-30 | 2010-10-29 | 用于生产厂的集成优化和控制 |
Country Status (3)
Country | Link |
---|---|
US (2) | US9141098B2 (zh) |
EP (1) | EP2320283A1 (zh) |
CN (1) | CN102053599A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104049598A (zh) * | 2013-03-15 | 2014-09-17 | 洛克威尔自动控制技术股份有限公司 | 线性和非线性系统的基于确定性优化的控制系统及方法 |
CN104049532A (zh) * | 2013-03-15 | 2014-09-17 | 洛克威尔自动控制技术股份有限公司 | 基于按顺序的确定性的优化的控制系统和方法 |
CN110989540A (zh) * | 2012-07-04 | 2020-04-10 | 诺尔斯海德公司 | 用于优化工业过程的产品特性和生产成本的方法 |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102375442A (zh) * | 2010-08-23 | 2012-03-14 | 同济大学 | 一种对混杂非线性系统的实时在线控制系统及控制方法 |
US8725303B2 (en) * | 2011-07-08 | 2014-05-13 | Sharp Laboratories Of America, Inc. | System and method for the multi-dimensional representation of energy control |
US9292010B2 (en) | 2012-11-05 | 2016-03-22 | Rockwell Automation Technologies, Inc. | Online integration of model-based optimization and model-less control |
US9400491B2 (en) | 2013-03-15 | 2016-07-26 | Rockwell Automation Technologies, Inc. | Stabilized deteministic optimization based control system and method |
US10133268B2 (en) * | 2014-01-30 | 2018-11-20 | Exxonmobil Research And Engineering Company | Real time optimization of batch processes |
US11427839B2 (en) | 2014-08-29 | 2022-08-30 | Lee Tech Llc | Yeast stage tank incorporated fermentation system and method |
US11680278B2 (en) | 2014-08-29 | 2023-06-20 | Lee Tech Llc | Yeast stage tank incorporated fermentation system and method |
CN104267602B (zh) * | 2014-09-24 | 2016-11-30 | 南京富岛信息工程有限公司 | 一种支持多公用组分的汽油在线双调合头协调优化方法 |
WO2017066348A1 (en) * | 2015-10-13 | 2017-04-20 | Invensys Systems, Inc. | Systems and methods of hierarchical smart asset control application development and optimization |
US11166478B2 (en) | 2016-06-20 | 2021-11-09 | Lee Tech Llc | Method of making animal feeds from whole stillage |
CN109254531B (zh) * | 2017-11-29 | 2021-10-22 | 辽宁石油化工大学 | 具有时滞和干扰的多阶段间歇过程的最优成本控制方法 |
JP2021523504A (ja) | 2018-05-06 | 2021-09-02 | ストロング フォース ティエクス ポートフォリオ 2018,エルエルシーStrong Force Tx Portfolio 2018,Llc | エネルギー、コンピュータ、ストレージ、及びその他のリソースの、スポット市場及び先物市場における分散型元帳及びその他のトランザクションの実行を自動化する、機械及びシステムを改善するための方法及びシステム |
US11550299B2 (en) | 2020-02-03 | 2023-01-10 | Strong Force TX Portfolio 2018, LLC | Automated robotic process selection and configuration |
US11669914B2 (en) | 2018-05-06 | 2023-06-06 | Strong Force TX Portfolio 2018, LLC | Adaptive intelligence and shared infrastructure lending transaction enablement platform responsive to crowd sourced information |
US11720072B2 (en) * | 2018-09-28 | 2023-08-08 | Honeywell International Inc. | Plant state operating analysis and control |
US11169508B2 (en) | 2018-09-28 | 2021-11-09 | Honeywell International Inc. | Contextual analytics mapping |
US11982993B2 (en) | 2020-02-03 | 2024-05-14 | Strong Force TX Portfolio 2018, LLC | AI solution selection for an automated robotic process |
EP3929679A1 (en) * | 2020-06-23 | 2021-12-29 | ABB Schweiz AG | Engineering system for orchestration of an industrial plant |
WO2022159719A1 (en) | 2021-01-22 | 2022-07-28 | Lee Tech Llc | System and method for improving the corn wet mill and dry mill process |
WO2023073655A1 (en) * | 2021-10-30 | 2023-05-04 | Jio Platforms Limited | System and method for optimizing non-linear constraints of an industrial process unit |
WO2024069602A1 (en) * | 2022-09-30 | 2024-04-04 | Jio Platforms Limited | System and method for constrained optimization of equipment of process units |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6434435B1 (en) * | 1997-02-21 | 2002-08-13 | Baker Hughes Incorporated | Application of adaptive object-oriented optimization software to an automatic optimization oilfield hydrocarbon production management system |
US20070156288A1 (en) * | 2005-12-12 | 2007-07-05 | Pegasus Technologies, Inc. | Model based control and estimation of mercury emissions |
US20080108048A1 (en) * | 2006-10-31 | 2008-05-08 | Bartee James F | Model predictive control of fermentation temperature in biofuel production |
CN101458498A (zh) * | 2008-11-26 | 2009-06-17 | 清华大学 | 一种快速模型预测控制方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1994020887A2 (en) * | 1993-03-02 | 1994-09-15 | Pavilion Technologies, Inc. | Method and apparatus for analyzing a neural network within desired operating parameter constraints |
CA2184832A1 (en) * | 1994-03-17 | 1995-09-21 | Johannes H.A. Krist | System for real time optimization and profit depiction |
US5486995A (en) * | 1994-03-17 | 1996-01-23 | Dow Benelux N.V. | System for real time optimization |
US5666297A (en) * | 1994-05-13 | 1997-09-09 | Aspen Technology, Inc. | Plant simulation and optimization software apparatus and method using dual execution models |
US6122555A (en) * | 1997-05-05 | 2000-09-19 | Honeywell International Inc. | System and methods for globally optimizing a process facility |
US6442513B1 (en) * | 1998-08-24 | 2002-08-27 | Mobil Oil Corporation | Component mapper for use in connection with real-time optimization process |
US6381505B1 (en) * | 1998-09-28 | 2002-04-30 | Aspen Technology, Inc. | Robust steady-state target calculation for model predictive control |
JP2004502228A (ja) * | 2000-06-26 | 2004-01-22 | シーメンス アクチエンゲゼルシヤフト | 工業的プロセスのパラメータを予め計算するための汎用的な方法 |
US20030097243A1 (en) * | 2001-10-23 | 2003-05-22 | Mays Thomas Gilmore | Method and system for operating a hydrocarbon production facility |
US7376472B2 (en) * | 2002-09-11 | 2008-05-20 | Fisher-Rosemount Systems, Inc. | Integrated model predictive control and optimization within a process control system |
US7050863B2 (en) * | 2002-09-11 | 2006-05-23 | Fisher-Rosemount Systems, Inc. | Integrated model predictive control and optimization within a process control system |
US20050187643A1 (en) * | 2004-02-19 | 2005-08-25 | Pavilion Technologies, Inc. | Parametric universal nonlinear dynamics approximator and use |
US7194318B2 (en) * | 2003-01-31 | 2007-03-20 | Fakhruddin T Attarwala | Integrated optimization and control using modular model predictive controller |
US7257451B2 (en) * | 2005-02-15 | 2007-08-14 | Exxon Mobil Chemical Patents Inc. | Method for creating a linear programming model of an industrial process facility |
-
2009
- 2009-10-30 US US12/609,785 patent/US9141098B2/en active Active
-
2010
- 2010-10-29 EP EP10189335A patent/EP2320283A1/en not_active Withdrawn
- 2010-10-29 CN CN2010105336561A patent/CN102053599A/zh active Pending
-
2015
- 2015-09-21 US US14/860,367 patent/US10067485B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6434435B1 (en) * | 1997-02-21 | 2002-08-13 | Baker Hughes Incorporated | Application of adaptive object-oriented optimization software to an automatic optimization oilfield hydrocarbon production management system |
US20070156288A1 (en) * | 2005-12-12 | 2007-07-05 | Pegasus Technologies, Inc. | Model based control and estimation of mercury emissions |
US20080108048A1 (en) * | 2006-10-31 | 2008-05-08 | Bartee James F | Model predictive control of fermentation temperature in biofuel production |
CN101458498A (zh) * | 2008-11-26 | 2009-06-17 | 清华大学 | 一种快速模型预测控制方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989540A (zh) * | 2012-07-04 | 2020-04-10 | 诺尔斯海德公司 | 用于优化工业过程的产品特性和生产成本的方法 |
CN104049598A (zh) * | 2013-03-15 | 2014-09-17 | 洛克威尔自动控制技术股份有限公司 | 线性和非线性系统的基于确定性优化的控制系统及方法 |
CN104049532A (zh) * | 2013-03-15 | 2014-09-17 | 洛克威尔自动控制技术股份有限公司 | 基于按顺序的确定性的优化的控制系统和方法 |
CN104049532B (zh) * | 2013-03-15 | 2017-04-12 | 洛克威尔自动控制技术股份有限公司 | 基于按顺序的确定性的优化的控制系统和方法 |
US10317857B2 (en) | 2013-03-15 | 2019-06-11 | Rockwell Automation Technologies, Inc. | Sequential deterministic optimization based control system and method |
US10871752B2 (en) | 2013-03-15 | 2020-12-22 | Rockwell Automation Technologies, Inc. | Sequential deterministic optimization based control system and method |
Also Published As
Publication number | Publication date |
---|---|
US20110106277A1 (en) | 2011-05-05 |
US20160011572A1 (en) | 2016-01-14 |
EP2320283A1 (en) | 2011-05-11 |
US10067485B2 (en) | 2018-09-04 |
US9141098B2 (en) | 2015-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102053599A (zh) | 用于生产厂的集成优化和控制 | |
CN101689045B (zh) | 生物燃料发酵过程的非线性模型预测控制 | |
US8571689B2 (en) | Model predictive control of fermentation in biofuel production | |
US7933849B2 (en) | Integrated model predictive control of batch and continuous processes in a biofuel production process | |
Epstein | Decision making and the temporal resolution of uncertainty | |
Kopanos et al. | Reactive scheduling by a multiparametric programming rolling horizon framework: a case of a network of combined heat and power units | |
Malcolm et al. | Robust optimization for power systems capacity expansion under uncertainty | |
US7831318B2 (en) | Model predictive control of fermentation temperature in biofuel production | |
Kong et al. | Nonlinear multivariable hierarchical model predictive control for boiler-turbine system | |
US20080103748A1 (en) | Integrated model predictive control of distillation and dehydration sub-processes in a biofuel production process | |
US20070088447A1 (en) | Scheduling of industrial production processes | |
Tsay et al. | 110th anniversary: using data to bridge the time and length scales of process systems | |
Lu et al. | A hybrid deep learning-based online energy management scheme for industrial microgrid | |
Sharma et al. | Strategic value optimization and analysis of multi-product biomass refineries with multiple stakeholder considerations | |
Brown et al. | Does locational marginal pricing impact generation investment location decisions? An analysis of Texas’s wholesale electricity market | |
Wang et al. | Secure energy management of multi-energy microgrid: A physical-informed safe reinforcement learning approach | |
Luo et al. | Development of a conceptual framework for evaluating the flexibility of future chemical processes | |
Di Pretoro et al. | Demand response scheduling using derivative-based dynamic surrogate models | |
Bruns et al. | Indirect demand response potential of large-scale chemical processes | |
Zhou et al. | Data-efficient constrained learning for optimal tracking of batch processes | |
Zhang et al. | Machine learning-based data-driven robust optimization approach under uncertainty | |
Soderstrom et al. | Industrial application of a large-scale dynamic data reconciliation strategy | |
Morato et al. | A two-layer EMS for cooperative sugarcane-based microgrids | |
Pistikopoulos et al. | Towards the integration of process design, control and scheduling: Are we getting closer? | |
WO2009026279A1 (en) | System and process for optimizing process control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20110511 |