CN102483613A - 估计用于控制工业过程的系统模型的初始状态 - Google Patents

Abstract

根据本发明，通过将合并的MLD系统模型用于工业过程的估计和随后控制，由此简化并加速基于模型的控制的设置连同初始状态的准确估计，来促进工业过程的基于模型的控制。具体地说，执行目标函数的最优化，其中目标函数包含工业过程的观测量与混合逻辑动态(MLD)系统模型的输出变量之间的差。最优化作为MLD系统模型的状态变量的函数在过去的若干时间步上执行，并遭受由MLD系统模型的动态特性定义的约束。状态变量的最优化值被保留为估计的初始状态，以便以包含非常相同的MLD系统模型的基于模型的方式进行工业过程的随后控制。单个MLD系统模型是表示工业过程子过程的各个MLD子系统模型的组合或合并，并且由此可由调试工程师在定制步长期间在厂址以及因此在比较靠后的时刻在工厂执行期间详细说明。

Description

估计用于控制工业过程的系统模型的初始状态

技术领域

本发明涉及工业过程建模、最优控制和高级调度的领域。

背景技术

许多工业依赖于控制系统，以便以特定且可预测的方式控制过程。正确定义这种控制系统的操作参数和控制策略对于系统成功是至关重要的，并且为了实现这种成功存在多种不同的技术。将容易认识到，对于一些(arange of)不同工业，适当的控制系统是至关重要的，并且下面要讨论的技术和方法可应用于大量过程。这种过程的一个示例是互连的箱的水平控制。在许多工业(诸如化学、制药和食品工业、矿物处理工业、浆状物和造纸工业、油气工业和水处理工业)中，这是一个普遍问题。更具体地说，在转换、存储或分离液体或悬浮液的所有过程中，水平控制都是重要的。

例如附图中图1所例证的浮选回路具有将有价值的矿物与无价值的材料分离的目的。在水中的粉矿(ground ore)的悬浮液(所谓的浆状物)中二者都包含。通过采用某些矿物(例如闪锌矿、重要的锌矿物)的疏水特性来实现分离。工厂通常由若干互连的浮选槽组成。中间存储箱和混合箱也可以是这种回路的一部分。

图1所示的示例浮选系统包括一系列浮选箱。第一箱接收输入流。使用管子和阀将这些箱互连。该系列中的第三箱具有用于废料的输出。每一个箱都具有用于分离的材料的输出。每个箱中的液体水平由标记线表示。从而，必须要对不同部件(包含容器，诸如浮选槽、中间存储箱(在大多数情况下这称为泵箱(pump box))和混合箱，连接器、弯管(meaning pipes)和出口、传感器，诸如容积流率、泡沫层厚度或浆状物水平和阀开口百分比传感器，以及致动器，诸如控制阀和泵)建模。

不同浮选槽的精确水平控制对于浮选是最重要的，因为泡沫层厚度，即在浆状物液相上面漂浮的泡沫层的厚度，对从这些槽获得的浓缩物的量和成分具有重大影响。可用的各种控制技术的更多细节以及介绍在文章“Model-predictive control of the froth thickness in a flotation circuit”(H.S.Foroush，S.Gaulocher，E.Gallestey，呈现在Procemin 2009，2009年12月4日，智利的圣地亚哥)中公开了。

使用黑盒子模型的模型预测控制(MPC)是用于执行水平控制的一个选项。主要缺点是需要进行长的阶式测试(step test)以便识别工厂模型。这些测试通常需要接近稳态的条件，这在水平控制中是很少见的情况。而且，一旦识别了黑盒子模型，在操作期间就不会再修改它。因此，它不能考虑过程变化或使用不同线性化点的必要性。

例如在文章“Control of Systems Integrating Logic，Dynamics，andConstraints”(A.Bemporad和M.Morari，Automatica 35(3)，1999，pp 407-427)中所介绍的混合逻辑动态(MLD)系统表示用于由交互作用的物理法则、逻辑规则和操作约束描述的建模系统(通常称为“混合系统”)的数学框架。通过遭受涉及连续的变量(即实值变量)和二进制变量(即布尔值变量)的线性混合整数不等式的线性动态方程确定或描述MLD系统。变量包含连续和二进制状态x、输入u和输出y，以及连续辅助变量z和二进制辅助变量δ，如在下面等式中所描述的：

x(t+1)＝Ax(t)+B₁ u(t)+B₂ δ(t)+B₃ z(t)(等式1a)

y(t)＝Cx(t)+D₁ u(t)+D₂ δ(t)+D₃ z(t)(等式1b)

E₂ δ(t)+E₃ z(t)＜＝E₁ u(t)+E₄ x(t)+E₅(等式1c)

一般而言，所提到的变量是向量，并且A、B_i、C、D_i和E_i是适当维度的矩阵。

为了更好地提出，上面MLD系统必须使得对于任何给定x(t)和u(t)，唯一地定义δ(t)和z(t)的值。当逻辑语句被写为命题演算表达式时，或当明确设置状态上的界限时，作为等式1的公式或关系自然显现。从高级描述中自动生成MLD系统的矩阵的可能性在MLD框架的优点之中。MLD系统归纳了大量模型，在其中存在线性混合系统以及甚至是非线性系统，它们的非线性可由分段线性函数表述或至少由分段线性函数适当地近似。

EP 1607809描述了为了建模并控制复杂工业系统的任意连接的MLD系统的组合。在EP 1607809中，获得了利用辅助变量提供总体模型的组合模型。此外，EP 1607809描述了使用合并MLD系统的模型预测控制(MPC)的使用。如上所述，MPC是解决最优控制问题的过程，其包含系统动态特性和对系统输出、状态和输入变量的约束。模型预测控制的主要想法是使用至少在某一操作点周围有效的工厂或过程的模型来预测系统的将来演化。基于这个预测，在每个时间步t，控制器通过在线最优化过程选择将来的命令输入或控制信号的序列，这目的在于最优化性能、成本或目标函数，并实施约束的作用。在时间t，实际上仅将来命令输入的最优序列的第一样本应用于系统。在时间t+1，评估新序列以替换前一个。这个在线重新设计提供了期望的反馈控制特征。模型预测控制可被应用于将MLD系统稳定在均衡状态，或经由反馈控制跟踪期望的参考轨迹。

模型预测控制(MPC)与混合逻辑动态(MLD)系统描述组合已经用于公用自动化和过程工业中的过程建模和控制。作为示例，在E.Gallestey等人的文章“Using Model Predictive Control and Hybrid Systems for OptimalScheduling of Industrial Processes”(公布在AT Automatisierungstechnik，Vol.51，no.6，2003，pp.285-293)中描述了调度水泥生产的方法。

为了执行最优化，MPC需要工厂的当前状态作为最优化的起始点，或者至少好的估计。在复杂工厂的情况下，由于有限数量的传感器或不利定位的传感器，状态可能不完全可观测。这里，状态估计是必要的，以便获得工厂状态的估计。此外，可独立于模型预测控制，也就是对于其它控制方法，乃至根本没有控制(例如诊断、监视或操作员决策支持)，使用状态估计。

发明内容

本发明的目的是促进工业过程或工业生产工厂的基于模型的控制。这个目的通过如权利要求1的估计具有多个子过程的工业过程的系统模型的初始状态的方法以及分别如权利要求9和10的控制工业过程的装置和计算机程序实现。优选实施例根据从属专利权利要求是明显的。

根据本发明，执行目标函数的最优化，其中目标函数包含工业过程或生产工厂的观测或测量的量与混合逻辑动态(MLD)系统模型的输出变量之间的差。最优化是在过去的若干时间步上作为MLD系统模型的状态变量的函数执行的，并遭受由MLD系统模型的动态特性定义的约束。状态变量的最优化值被保留为估计的初始状态，以便随后以包含MLD系统模型的基于模型的方式控制工业过程或生产工厂。单个MLD系统模型是表示工业过程子过程的各个MLD子系统模型的组合或合并，并且由此可由调试工程师在定制步骤期间在厂址以及因此在比较靠后的时刻在工厂执行期间详细说明。将合并的MLD系统模型用于工业过程或生产工厂的估计和随后控制简化并加速了基于模型的控制的设置连同初始状态的准确估计。

当目标是状态估计的鲁棒行为时的重要方面是可观测性。如果存在太少测量，或者如果存在太多噪声或模型失配，而无法使所有状态可观测，则必须找到在估计过程期间减小模型中自由度的方式。如下优选实施例描述了标准滚动时域估计(MHE)的相应精炼。

在第一优选实施例中，通过排除某些中间状态变量并对应地减小操作维度和复杂性，简化了最优化过程。为了完成涉及所有状态变量的随后控制的初始状态的估计，根据MLD模型直接计算或模拟所排除变量的适当值，可能不太精确。

在另一优选变型中，识别例如其状态变量具有有限的可观测性的中间子过程，其互连或联系两个外围子过程或相邻子过程，其中后者或它们的MLD子系统模型彼此分别经由中间子过程或子系统模型排他地交互作用。通过从最优化中排除后者的状态变量，合并的MLD系统模型被分成或分割成表示外围子过程的两个独立或断开连接的子系统模型，这进一步简化了初始状态的估计。

在第二优选实施例中，所谓的人工观测被用作在最优化过程期间使模型更稳定的手段。为此，向目标函数增加包括模型输出或变量的分段线性函数与人工观测之间差的凸函数的正则化项(regulation term)。备选地或除此以外，在最优化的所选时间步，向模型输出的函数指派人工观测。这相当于实施精确解决方案的非永久性附加硬约束。基于例如有关似乎真实的初始状态的一些专家知识，或基于从MLD模型外部(例如从另一模拟或模糊系统)计算的值，预先确定人工观测。

在第三优选实施例中，引入所谓的校正或偏置项，它们能够估计过程或测量噪声的非零均值。偏置项实现为在估计时域(estimation horizon)上恒定但遭受过程噪声的单个状态。不同实现是具有常量作为输入的第一阶滤波器。这个常量可以是0或偏置的某一低通滤波版本，在MPC期间引起偏置项的对应衰变。通过这样做，可以补偿模型失配，并且可以考虑变化的过程条件，为了获得并保持模型的预测能力这是重要的。

在另一变型中，合并第一子系统和第二子系统包括如下步骤：尽可能消去与第一子系统的相关输出连接的第二子系统的相关输入。合并的系统变成具有较少辅助变量要最优化的倾斜者(leaner)。另一方面，由合并MLD系统的附加辅助实和/或布尔变量替换其余相关输入，尤其是包括闭合合并MLD系统中代数环路的那些输入。

最后，所述方法应用于独一无二并且例如由于工厂特定客户要求或规定而需要许多个性化的复杂工业过程或生产工厂，诸如浮选过程或水泥窑。

附图说明

在下文将参照在附图中例证的优选示范实施例更详细地说明本发明的主题，附图中：

图1例证了作为第一工业工厂的浮选系统；

图2描绘了作为第二工业工厂的渣块生产单元；

图3描绘了渣块生产单元的模型；以及

图4例证了两个MLD子系统合并成组合MLD系统。

具体实施方式

图2示出了具有预热器、旋转窑和冷却器作为其主要组成部分的渣块生产单元的特定过程配置，其可细分成若干子系统或由若干子系统合并而成。具体地说，实际窑烧过程被分成5个区或隔间，即预热、煅烧、转变、烧结和冷却。它们中的每个都由适当配置的MLD模型建模，以便捕获不同区的不同特性。仅具有3个隔间加上在窑后面的附加预热隔间和前面的附加冷却隔间的窑的粗略建模已经证明是调和准确性和计算鲁棒性的良好折中。附加地，平行于通过隔间模型的互连描述的热力学和质量传输模型，引入氧模型。

如图2中所描绘的，操控的变量或输入包括生料供给速率、废气流率、窑转速和初级燃料流率。通过热力学和质量传输模型描述隔间模型的互连，这导致连接了不同区的状态。基本上，每个操控的变量和每个观测的变量或对应的传感器都表示一个子过程。具体地说，引入氧水平(O2)、燃烧区温度(BZT)和预热器旋风温度(BET)的传感器子过程。

图3描绘了用于估计的图2的渣块生产单元的模型建立，其中模型状态描绘为圆圈，子系统指示为矩形，并且连续线表示直接状态连接。虚线所指示的子系统定义通过借助模拟中间状态引入切割而生成的3个独立估计问题。这样，消除了难以理解并容易不稳定的部分之间复杂且远的交互作用。在具体窑烧示例中，这个技术应用于中间隔间，由此实质上将窑分成了前部分和后部分。

图4示出了2个MLD块或子系统S1和S2，其分别由相应组矩阵A1、B11...3、C1、D11...3、E11...5和A2、B21...3、C2、D21...3、E21...5以及状态向量x1、x2、输入向量u1、u2、输出向量y1、y2、实辅助变量向量z1、z2和布尔辅助变量向量δ1、δ2定义。MLD子系统S1、S2互连，如连结两个块的箭头所指示的。目标是合并S1和S2，以便获得由矩阵A、B1..3、C、D1..3和E1..5和状态x、输入u和输出y的对应向量描述的一个单个或组合MLD系统S，而没使用辅助变量。

通过沿矩阵的对角线创建包括子系统S1、S2的对应矩阵的矩阵作为起始点，随后消去或交换行和/或列，获得组合系统S的矩阵，如下面说明的。同样，通过用S2的对应向量作为起始点扩大Si的向量，并且如果必要的话随后消去或重新排列它们的元素，来创建组合系统S的向量。要注意，组合系统S的矩阵和向量被唯一指定，并在对它们的行、列或元素执行的随后运算的整个过程中保持它们的指定。

状态、输入和输出的向量可含有实(用指数r表示)和布尔(指数b)变量。如果情况是这样，则所有实变量都将必须被分组并在布尔变量之前放在对应的向量中。在输入和输出之间，某些变量独立于其它MLD块(用前缀i表示)，并且一些是相关的(前缀d)。图1中由从一个MLD块(S1，S2)指向另一个MLD块(S2，S1)的公共箭头表示相关变量对。

在下面将详述根据图2的实施例的处理，例如仅具有一对、两对或三对相关变量的较不一般性的配置也是可想到的，并且可在本发明的框架中得到处理。

组合MLD块S的所得到状态向量x由S1和S2的所有状态的构成部分组成，并且被定义为x＝[xr1，xr2，xb1，xb2]。由于两个系统的实变量都放在布尔变量之前，因此组合MLD系统S的矩阵A基于上面所示出的子系统S1、S2的矩阵A1、A2必须将对应于xb1的行和列与xr2的行和列对换。同样，在系统S的状态动态特性中涉及的其它矩阵B1...3基于子系统S1、S2的对应矩阵B11...3、B21...3在第一步中经历对应的行对换。同样，在第一步中，在系统S的矩阵C、E4上执行列对换，系统S的矩阵C、E4乘以所得到状态向量x并且基于子系统S1、S2的对应矩阵(C1，E14；C2，E24)。

组合MLD块S的所得到输出向量y由S1和S2的独立输出的构成部分组成，并且在布尔法则之前将实法则考虑进去，被定义为y＝[iyr1，iyr2，iyb1，iyb2]。再者，在系统S的输出动态特性(C，D1...3)中涉及的矩阵基于子系统S1、S2的对应矩阵(C1，D11...3，C2，D21...3)。循着相同的想法，对应于iyb1的这些矩阵的行将必须在第一步中与对应于iyr2的行对换。此外，因为失去了相关输出，所以C、D1...3矩阵的对应行必须被删除。

组合MLD块S的所得到输入向量u由S1和S2的独立输入的构成部分组成，并且被定义为u＝[iur1，iur2，iub1，iub2]。再者，两个系统的实变量都被放在布尔变量之前。相关输入已经被丢弃了。这表明，输入矩阵B1在第二步中将经历对应于iub1与iur2的列之间的对换，在第三步中将必须删除对应于相关输入的列。同样，基于子系统S1、S2的矩阵(D11，E11；D21，E21)的系统S的其它输入矩阵D1、E1将经历iub1与iur2之间的列对换，并且在第二步中将删除对应于相关输入(dur1，dur2，dub1，dub2)的列。

在本发明的一个实施例中，消去变量，而没有引入辅助变量。要消去的每个相关输入u1连接到某一输出y1，其被作为线性组合y1＝C1x+D11u+D12δ+D13z给出。因为u1＝y1，所以u1的每次出现都可由对应的线性组合直接替换，只要D1中u1的系数等于0即可。

换句话说，假定第一MLD的第二输入连接到第二MLD的第五输出，即u¹ ₂＝y² ₅。从合并MLD中移除变量u¹ ₂。也就是说，移除B₁/D₁/E₁的第二列。那个第二列中的任何非零项(即B₁，D₁，E₁中任一个中的任何非零值)必须使同一行中的其它变量的系数增大y² ₅系数的相应倍数，使得该行的输出保持正确。

这个方法仅可用于在要移除的列(在以上示例中是B₁/D₁/E₁的第二列)中在定义行的项(这在上文中是y² ₅)为0的情况下，因为否则替换不会完成。在代数环路的情况下，该项不为0。如果正在讨论的项已知，并且不同于1，则可通过求解等式来求解该代数环路。如果正在讨论的项为1(或者它是用符号的(symbolic)并且因此可能为1)，则这是不可能的。在这种情况下，改为使用“与附加辅助变量合并”过程，如下所述。

消去的实相关输入然后将由加到组合系统S的实辅助变量z上的附加实辅助变量替代。由此，MLD系统的实辅助变量包含S1和S2的原始辅助变量加上由S1-S2和S2-S1实互连引入的变量。类似地，布尔相关输入将由加到组合系统S的布尔辅助变量上的附加布尔辅助变量替换。

如果是实的话通过向矩阵B3、03和F3添加，或者如果是布尔的话通过将从矩阵B～、D1和E1删除的列(观测后者的符号变化)添加到矩阵B2、02和E2，来获得或执行这种变换。

两个子系统S2和S1的相关输入与输出之间的等式表示子系统之间的连接。其中含有的信息必须被保留并包含在组合MLD系统S的公式化中。然而，因为相关变量不出现在最后公式化中，因此这不是直接的任务。在S1-S2连接(图1中的短直箭头)的情况下，子系统S1的相关输出的原始表达式包括在该组等式中：

y1＝C1×1+D11u1+D12δ1+D13z1              (4)

作为上面行消去过程的结果，dyi的这些表达式是组合MLD块S的输出变量y的所得到等式所缺少的。

源自上面概述的过程的合并MLD系统S又可视为子系统本身。经由过程的迭代应用，可以生成表示任意复杂工业安装或过程的所有相关技术方面的复杂MLD系统。由此，基本MLD子系统或“原子”MLD块的合并顺序对最终结果没有任何影响，并且可以随意选择。

为了将MLD系统用于基于模型的控制过程，必须定义目标函数或成本函数。在本发明的上下文中，这经由增加正好包括表示要最优化的目标的一个独立标量输出变量的功能MLD子系统，来最方便地进行。这个功能MLD子系统最终被合并到表示物理过程的所有相关技术方面的复杂MLD系统。由此，与成本有关的复杂MLD系统的所有输出都被视为具有功能MLD子系统的对应相关输入的相关输出。没有对用作控制变量的独立输入u或单个输出MLD系统S的命令输入的数量进行限制，那些源自上面提到的最终合并。

给予我们了可适当建模为作为具有可能切换行为的离散时间线性或分段线性动态系统的MLD的工业过程。MLD模型具有输入(操控变量)、输出(传感器测量)、状态以及可能的辅助变量。在数学上，这读作：

x_t+1＝Ax_t+B₁u_t+B₂d_t+B₃z_t+B₅

y_t＝Cx_t+D₁u_t+D₂d_t+D₃z_t+D₅

E₂d_t+E₃z_t≤E₁u_t+E₄x_t+E₅           (等式6a到6c)

这里，t表示时间指数，x含有状态向量，u含有输入向量，y含有输出向量，d和z分别是布尔辅助变量和实辅助变量，并且大写字母表示定义MLD动态特性的矩阵。

实施本发明的技术基于如下步骤使用合并MLD模型作为状态估计的输入提供了改进方法。固定若干过去时间步，这被称为估计时域(estimationhorizon)。在估计时域(观测历史)上至少对于一对时间步观测描述过程的合并MLD模型的一些输出。目标是公式化对应于滚动时域估计的最优化问题：

$J=\underset{t=-\mathrm{horizon}+1}{\overset{0}{\mathrm{\Σ}}}{(y_t-{\hat{y}}_t)}^T{W}_y^t(y_t-{\hat{y}}_t)+\underset{t=-\mathrm{horizon}+2}{\overset{0}{\mathrm{\Σ}}}{(x_t^{\mathrm{sim}}-x_t)}^T{W}_x^t(x_t^{\mathrm{sim}}-x_t)---\left(7\right)$

其中

是观测的向量，我们缩写成

y_t＝Cx_t+D₁u_t+D₂d_t+D₃z_t+D₅和

$x_t^{\mathrm{sim}}=A{x}_{t-1}+B_1{u}_{t-1}+B_2{d}_{t-1}+B_3{z}_{t-1}+B_5$ (等式8a和8b)

并且Wyt和Wxt(t在此表示时间步)分别含有状态和测量权重矩阵。通常，它们在对角线上含有状态和测量噪声的负二次方(inverse squares)(并且对角线外为0)；更一般地，可以根据可用于状态不确定性和传感器噪声的任何信息构造权重矩阵。权重矩阵可与时间t相关。在噪声参数为0(没有噪声或完全实施了状态动态特性的观测)的情况下，对应权重将是无限的。这些成本函数由最优化问题中的硬约束替换。

在实施本发明的技术中，由上述技术实现的组合MLD模型提供用于计算等式7的输出的值。

当前时间是t＝0，并且估计的通常目的是确定向量x0。对应于非观测值的权重需要设置成0，在此情况下，

的对应项关系不大。

在某些情况下(例如存在布尔，并且由于某种原因不能解决所得到的混合整数二次问题)，上面的二次成本函数可由对应的线性成本函数替换，其中这些权重分别变成状态和测量噪声的逆(没有二次方)。

上面的最优化问题中的最优化变量是状态xt，更精确地说是时域上的状态序列{xt}。然而，仅对这个序列的最后元素x0感兴趣，因为它表示当前工厂状态的估计。

尽管可改变上面成本函数J的以上公式化，例如可增加惩罚前一状态估计与当前状态估计之间间隙的所谓到达成本，但是基本原理总是相同的-找到测量质量的置信度与过程模型质量的置信度之间的合理折中。

上面提到的状态估计问题被公式化并以常规时间间隔，例如在对应于离散时间模型的采样周期的每个时间步求解。这个事实与也以常规时间间隔执行并使用状态估计作为输入信息的控制器一起闭合了控制环路。

实施本发明一个方面的技术使用具有合并MLD模型作为其输入的滚动时域估计。在这种技术中，在求解之前可从最优化问题中消去系统中已知(优选为观测)的变量。这可能大大便于最优化，尤其是在应用于布尔变量的情况下。

在这种技术中可以容易地处理约束，例如状态变量上的物理边界。在每个时间步，估计器总是考虑整个估计时域，覆盖过去的充分长的时段，使得在某些情况下，可以通过更近的测量来解释过去的动态现象。MLD框架允许容易地构建第一原理模型，使其直接设计(即保持、适配和配置)模型和估计器。当它达成建模过程时，工程师具有更多自由度，因为可定义不可直接测量的状态，但是只能使用状态估计推断。总之，我们的发明是估计动态模型的动态状态的系统而有力的方式。

实施本发明一个方面的方法能够生成使用被用于(或能够用于)最优控制的相同MLD模型以全自动方式估计的最优化问题。如上所述合并MLD的相同方法用于提供系统或过程的单个MLD模型以便输入到状态估计方法中。

给定状态估计的这个技术，存在估计自适应偏置项的非常好的可能性。自适应偏置项是简单的单输入单输出MLD。

x_t+1＝x_t

y_t＝x_t                           (9a和9b)

其当用于最优控制时因此只像常量偏置那样表现。然而，在状态估计中，对应的状态噪声允许根据(可能间接)连接到它的测量改变偏置。状态噪声越低将导致偏置的表现越僵硬；状态噪声越高将越灵活地呈现偏置。值得注意的是，偏置不是必须与具体测量直接关联，而是几乎可放在模型中的任何地方，例如以便估计对过程的供给(在浮选中是必需的)。

复杂工业过程的一个示例是水泥窑。如果通过能量平衡定义主模型动态特性(正好通过系统供给的质量)的第一原理模型近似这种过程，则仅使用测量的能量状态(温度)作为模型的状态不充分。这个的原因是，掌控过程的传热和化学反应在窑内发生，其中没有测量可用(除燃烧区温度以外，其主要从窑扭矩推导出)。因此，必须使用在窑烧结束时的测量以便推导出系统内的能量状态。所描述的MHE技术使工程师能够对于哪些测量可用、它们在哪里并且如何值得信赖、给出什么类型的窑(预热器、预煅烧炉...)、气体在哪里进出系统、燃烧的燃料(煤、轮胎、备选燃料...)在哪里的过程结构的不同情形和硬件，非常快速而有效地定制它们的窑模型，。

另一个复杂工业过程是用于将矿物与其它材料分离的浮选过程，如上面参考图1所描述的。监管控制器可最优化主操控变量的使用：每个浮选槽的泡沫水平和空气流率。实现泡沫水平和空气流率的设置点是将设置点分别转变成流阀和气阀的开口的较低级控制器(“水平控制(Level control)”和“局部空气PID控制器”)的任务。

主要目的是执行到工厂操作员或较高级控制器确定的设置点的不同箱的闭合水平控制。因为水平设置点可在操作期间频繁改变，所以控制器必须具有好的动态性能(足够的响应时间、小过冲)。

要应对的另一个重要主题是抗扰。到浮选回路的供给流根据上游过程(磨矿回路或另一浮选回路)通常在时间上变化很大。变化可以在量上和成分上(例如变化的密度)。好的控制策略必须将供给流考虑进去，不管它被直接测量还是可能仅以间接方式推断。

由于时间延迟、箱之间的静水力耦合、再循环流以及快慢动态特性的混合(回路对单个浮选槽)，浮选回路的动态特性相当错综复杂。这意味着，由操作人员执行的水平控制不是实际可行的选项。而且，常规控制技术在应对这些动态现象时具有非常有限的能力。

诸如浮选回路等过程可在时间上缓慢且逐渐地改变其属性。例如，管道、软管和管子可由于固体沉积而部分受阻，并因此改变它们的流阻。而且，设备(例如控制阀)可磨损并改变其属性。控制器应该是足够鲁棒的以保护性能，而不管这种改变如何和/或是否能够适应改变的条件。

最后，控制(更确切地说是状态估计)策略应该能够工作，不管受限的仪表如何，具体地说是低数量的传感器或低质量的测量。

具有差性能的水平控制策略，即没有好的跟踪和抗扰属性的策略，会对监管控制器的性能具有负面影响，并由此导致浮选工厂的次最优经济结果。

在下文，将描述浮选槽模型后面的一般方法，浮选回路中最重要的部件。

dVi/dt＝qFi-qCi-qTi                   (10)

这里，Vi是由浮选槽i中的浆状物占据的容积(i∈{1，...，N}，其中N是浮选槽的总数)。qFi、qCi和qTi分别是流入/流出浮选槽i的供给、浓缩和尾渣容量。

为了表述上面提到的MLD框架中的浮选槽模型，需要进行两个另外步骤。

首先，必须在操作点周围线性化非线性模型。这意味着，必须近似和线性化非线性项qTi。qFi和qCi被输入到系统，并由此已经是线性了。

其次，必须使用诸如显式尤拉方法的近似方法在时间上离散化连续时间模型。等式(10)被变换成如下等式：

Vi[k+1]＝Vi[k]+Δt.(qFi[k]-qCi[k]-qTi[k])        (11)

一旦已经创建了在浮选回路中使用的所有部件，就可根据这些构建块构建回路。MLD框架提供了定义必要互连所需的一切。获得的总体模型再次属于MLD类型。

在类似过程的高级过程控制(APC)中已经证明是成功的重要特征是模型的参数化。参数应该自动并且在操作期间以常规时间间隔适配，诸如以考虑缓慢的过程变化。

每个部件都可被参数化，其中典型参数是槽容量、阀系数和用于线性化的操作点。例如，对于不同的浮选槽，操作点是不同的，并且操作点也可在时间上变化。

参考图1，示例目标是控制第二浮选槽的泡沫层厚度。为了实现这个，公式化如下最优化问题：

minu，δ，z JMPC＝∑k＝1...N[‖y[k]SP-Cx[k]+D1u[k]+D2δ[k]+D3z[k]‖2Q，2+

‖u[k+1]-u[k]‖2R，2]

s.t.E2δ[k]+E3z[k]＜＝E4x[k]+E1u[k]+E5对于所有k        (12)

这里，向量ysp含有用于各种受控变量y的设置点。

为了影响闭环行为，工程师可调谐加权矩阵QMPC和RMPC。例如，通过在RMPC矩阵中分配高增益，由此惩罚控制动作的使用，可实现较少激进的响应(较少过冲，但具有较长的稳定时间，即较小的控制带宽)。

而且，多个控制目标可以相对彼此折中，例如用于其水平控制精确度具有不同优先级的回路中的不同浮选槽的设置点。

模型预测控制允许注重附加约束，例如浮选槽中的泡沫层厚度的上限和下限，其没有作为动态模型的不可缺少部分的(诸如浮选槽之间互连流的)设置点或约束。

必须在每个采样周期求解最优化问题(等式10)。最优化的结果是控制时域(k＝0到NMPC)上的控制滚动序列u[k]。然而，仅对第一元素u[0]感兴趣，因为它的值被发送到过程作为致动器的设置点。

再次参考图1，存在应该估计的3个物理状态，以便能完成MPC计算，为了这样做，应该在每个采样时间最优化如下目标函数：

minx，δ，z JMHE＝∑k＝-N+1...0[‖x[k]-Ax[k-1]+B1u[k-1]+B2δ[k-1]+B3z[k-1]

‖2Q，2+

‖y[k]-Cx[k]+D1u[k]+D2δ[k]+D3z[k]‖2R，2]

s.t.E2δ[k]+E3z[k]＜＝E4x[k]+E1u[k]+E5对于所有k    (13)

等式(13)中的成本函数的第一分量描述过程噪声，而第二分量是测量噪声。分别对于确切的状态演化和测量(即分别没有过程噪声或测量噪声)，对应的过程噪声项或测量噪声项被公式化为等式约束，代替成本函数的一部分。

由此，基本原理是，在估计时域上最优化状态序列，以便找到传感器值与模型预测之间的最佳折中(在最小平方意义上)。

因此，MHE在估计时域上给予我们状态向量序列。然而，我们将仅利用这个序列的最后元素，在其它项中，是过程当前状态的最佳估计。这个估计然后用作模型预测控制的初始状态。然而，其它元素可用于诊断目的，或者以便执行随后的参数估计。

Claims (10)

1.一种估计具有多个子过程的工业过程的系统模型的初始状态的方法，所述方法包括：

-作为状态变量x的函数最优化包括所述工业过程的观测量y与合并混合逻辑动态MLD系统模型的输出之间差的目标函数J，其中所述最优化在过去的若干时间步上执行，并且遭受由所述合并MLD系统模型的动态特性定义的约束，并且其中所述合并MLD系统模型是表示所述工业过程的所述子过程的MLD子系统模型的组合；以及

-将在最终时间步的所述状态变量的最优化值x₀保留为估计的初始状态，用于基于所述合并MLD系统模型控制所述工业过程。

2.如权利要求1所述的方法，其中所述状态变量包括中间状态变量，其特征在于，它包括：

-从所述最优化中排除所述中间状态变量，以及

-通过评估所述MLD系统模型来在所述最终时间步模拟所述中间状态变量值，并且在估计的初始状态x₀中保留模拟的值。

3.如权利要求2所述的方法，其特征在于，它包括：

-识别中间子过程，其互连两个外围子过程，其中表示所述两个外围子过程的两个MLD子系统模型仅经由所述中间子过程交互作用，以及

-将表示所述中间子过程的所述MLD子系统的状态变量指定为中间状态。

4.如权利要求1所述的方法，其特征在于，它包括：

-至少在所述最优化期间的一个时间点向所述目标函数J增加包括所述模型输出

的函数与人工观测y的函数之间差的凸函数的正则化项；或者

-在所述最优化的所选时间步向最优化问题的约束增加人工观测y。

5.如权利要求1所述的方法，其特征在于，它包括：

-向遭受变化的过程条件和/或所述模型与所述工厂之间差的过程变量的演化增加校正项，其中校正项由作为常量演化并遭受过程噪声的单个状态或具有常量输入并遭受过程噪声的第一阶滤波器实现。

6.如权利要求1所述的方法，其中所述合并MLD系统(S)涉及状态向量、输入向量和输出向量，并且是两个任意互连的MLD子系统(S1，S2)的组合，其中每个子系统都涉及相应状态向量、相应输入向量、相应输出向量、相应实辅助变量和相应布尔辅助变量，并且由相应状态(等式1a)和输出等式(等式1b)以及约束(等式1c)描述，并且其中：

-所述两个子系统(S1，S2)经由通过一个子系统(S1，S2)的相关输出(dy1，dy2)和另一个子系统(S2，S1)的相关输入(du2，du1)形成的相关对(dy1，du2；dy2，du1)互连；

-所述子系统(S1，S2)的独立输入(iu1，iu2)和输出(iy1，iy2)不是所述相关对(dy1，du2；dy2，du1)的一部分；

-组合系统(S)的状态变量(x)由所述子系统(S1，S2)的对应状态(x1；x2)组成，所述组合系统(S)的输入向量和输出向量(u，y)由所述子系统(S1，S2)的对应独立输入(iu1，iu2)和对应独立输出(iy1，iy2)组成；

-通过用定义du的线性组合替换MLD矩阵(A，B，C，D，E)中的所述相关输入du的每次出现而从所述合并MLD系统中消去第一相关对(dy ₁，du ₂；dy ₂，du ₁)；

-第二相关对(dy ₁，du ₂；dy ₂，du ₁)由所述组合系统(S)的附加辅助实变量和/或布尔变量(z ₁₂，z ₂₁，δ ₁₂，δ ₂₁)替换；以及

-每个子系统(S1，S2)的第二相关输出(dy ₁，dy ₂)的输出等式(等式1b)被转换成涉及所述附加实和/或布尔变量(z ₁₂，z ₂₁，δ ₁₂，δ ₂₁)的所述组合系统(S)的附加约束(等式1d)。

7.如权利要求1至6中任一项所述的方法，其特征在于：所述工业过程是浮选过程，并且所述MLD子系统模型包含箱水平、流率和阀百分比中的至少一个作为状态。

8.如权利要求1至6中任一项所述的方法，其特征在于：所述工业工厂是水泥窑，并且所述MLD子系统模型包含预热器旋风温度、氧水平、燃烧区温度、预煅烧炉温度、冷却器温度、材料流率、气体流率、通过燃烧输入的热量或致动器位置中的至少一个作为状态。

9.一种基于工业过程的估计的初始状态和合并混合逻辑动态MLD系统模型控制所述工业过程的装置，所述合并MLD系统模型是表示所述工业过程的子过程的MLD子系统模型的组合，所述装置适合于：

-作为状态变量x的函数最优化包括所述工业过程的观测量y与所述合并MLD系统模型的输出之间差的目标函数J，其中所述最优化在过去的若干时间步上执行，并且遭受由所述合并MLD系统模型的动态特性定义的约束；以及

-将在最终时间步的所述状态变量的最优化值x₀保留为所述估计的初始状态。

10.一种计算机程序，当加载到计算机中并执行时用于按照如权利要求1至6中任一项所述的方法控制工业过程。

Images