CN102520616B - 炼油工业过程的部分解耦非最小化模型预测函数控制方法 - Google Patents

Abstract

本发明涉及一种炼油工业过程的部分解耦非最小化模型预测函数控制方法。传统的控制手段精度不高，导致后续生产控制参数不稳定、产品合格率和装置效率较低。本发明方法首先基于炼油工业过程模型建立部分解耦状态空间模型，挖掘出基本的过程特性；然后基于该部分解耦状态空间模型建立预测函数控制回路；最后通过计算预测函数控制器的参数，将过程对象整体实施预测函数控制。本发明方法有效方便了控制器的设计，保证控制性能的提升，同时满足给定的生产性能指标。本发明提出的控制技术可以有效减少工艺参数与实际工艺参数之间的误差，进一步弥补了传统控制器的不足，同时保证控制装置操作在最佳状态，使生产过程的工艺参数达到严格控制。

Description

炼油工业过程的部分解耦非最小化模型预测函数控制方法

技术领域

本发明属于自动化技术领域，涉及一种炼油工业过程系统的部分解耦非最小化模型预测函数控制方法。

背景技术

炼油工业过程是我国流程工业过程的重要组成部分，其要求是供给合格的能源、燃料和化工原料等工业产品，满足国民经济发展的需要。为此，生产过程的各个主要工艺参数必须严格控制。然而随着生产工艺技术的发展，市场对石油化工产品的质量要求越来越高，由此使得工艺过程变的更加复杂。简单的单回路过程控制已经从常规控制发展到了复杂控制、先进控制以及实时优化等高级阶段。这个发展带来了新的控制问题，就是被控对象已经成为复杂的多变量对象，输入量与输出量之间相互关联。这些不利因素导致传统的控制手段精度不高，又进一步导致后续生产控制参数不稳定，产品合格率低，装置效率低下。而目前实际工业中控制基本上采用传统的简单的控制手段，控制参数完全依赖技术人员经验，使生产成本增加，控制效果很不理想。我国炼油化工过程控制与优化技术比较落后，能耗居高不下，控制性能差，自动化程度低，很难适应节能减排以及间接环境保护的需求，这其中直接的影响因素之一便是系统的控制方案问题。

发明内容

本发明的目标是针对现有的炼油工业过程系统控制技术的不足之处，提供一种部分解耦非最小化模型预测函数控制方法。该方法弥补了传统控制方式的不足，保证控制具有较高的精度和稳定性的同时，也保证形式简单并满足实际工业过程的需要。

本发明方法首先基于炼油工业过程模型建立部分解耦状态空间模型，挖掘出基本的过程特性；然后基于该部分解耦状态空间模型建立预测函数控制回路；最后通过计算预测函数控制器的参数，将过程对象整体实施预测函数控制。

本发明的技术方案是通过数据采集、过程处理、预测机理、数据驱动、优化等手段，确立了一种炼油工业过程的部分解耦非最小化模型预测函数控制方法，利用该方法可有效提高控制的精度，提高控制平稳度。

本发明方法的步骤包括：

(1)利用炼油工业过程模型建立部分解耦状态空间模型，具体方法是：

首先采集炼油工业过程的输入输出数据，利用该数据建立输入输出模型如下：

其中

、

、

为三个变量，分别是：

，

,

,,

,,,

,

表示过程的多项式方程，

分别为输入、输出数据，所述的输入输出数据为数据采集器中存储的数据；

进一步将上述方程通过克莱姆方程处理为

其中，是的行列式数值，

是将

的第

列替换成

获得的行列式数值。

将上述过程模型展开得到：

其中，

是得到的模型阶次，

和

为对角矩阵，

, 

，

                           

将过程模型通过后移算子

处理成过程的状态空间表示方式：

其中， 

、

分别是第时刻的变量值，

，

为取转置符号。

为一单位矩阵。

定义一过程期望输出为

，并且输出误差为：

 进一步得到第

时刻的输出误差

为：

其中，

为第

时刻的过程期望输出。

     最后定义一个新的复合状态变量：

  将上述处理过程综合为一个部分解耦的过程模型：

其中，

为第时刻的复合状态变量，并且

(2)基于该部分解耦状态空间模型设计预测函数控制器，具体方法是：

a.定义该预测函数控制器的目标函数为：

其中

是预测步长，

是加权矩阵，是第时刻的复合状态变量。

b.定义控制变量的组成为

其中，

是控制变量的加权系数，

 是第

 时刻的基函数数值，

是控制步长。

c.计算控制器的参数，具体是：

其中

是当前时刻的基函数数值，

，，

为控制量计算参数，最终控制器为：

其中，

是第

时刻的各控制变量数值。

本发明提出的一种炼油工业过程的部分解耦非最小化模型预测函数控制方法弥补了传统控制的不足，并有效地方便了控制器的设计，保证控制性能的提升，同时满足给定的生产性能指标。

本发明提出的控制技术可以有效减少理想工艺参数与实际工艺参数之间的误差，进一步弥补了传统控制器的不足，同时保证控制装置操作在最佳状态，使生产过程的工艺参数达到严格控制。

具体实施方式

以焦化加热炉辐射出口温度过程控制为例：

这里以焦化加热炉辐射出口温度过程控制作为例子加以描述。该过程是一个对变量耦合的过程，出口温度不仅受到燃料量流量的影响，同时也受炉膛压力，进风流量的影响。调节手段采用燃料量流量，其余的影响作为不确定因素。

(1)建立部分解耦状态空间模型，具体方法是：

首先利用数据采集器采集炼油工业过程输入数据（燃料流量）和输出数据（加热炉辐射出口温度），建立输入输出模型如下：

其中，

,

,

,

,

,

,

,

表示加热炉出口温度过程的多项式方程，

分别为燃料流量、加热炉辐射出口温度数据；

然后定义三个变量

、

、

如下：

将以上过程的输入数据和输出数据表示为：

进一步上述方程通过克莱姆方程处理为

其中，是

的行列式数值，

是将

的第

列替换成

获得的行列式数值。

将上述过程模型展开得到：

其中，

是得到的模型阶次，

和

为对角矩阵，

, 

，

                           

将过程模型进一步通过后移算子处理成

定义一个新的状态变量

为：

进一步得到过程的状态空间表示方式：

其中，

，分别是第

时刻的变量值。

为一单位矩阵。

定义一过程期望输出为

，并且输出误差为：

 进一步得到第

时刻的输出误差

为：

其中，为第

时刻的过程期望输出。

     最后定义一个新的复合状态变量：

  将上述处理过程综合为一个部分解耦的过程模型：

其中，

为第

时刻的复合状态变量，并且

(2)设计出口温度部分解耦状态空间模型设计预测函数控制器，具体方法是：

第一步：定义该温度预测函数控制器的目标函数为：

其中

是预测步长, 

是加权矩阵。

第二步：定义控制变量的组成为

其中，

是控制变量的加权系数，

 是第

 时刻的基函数数值，

是控制步长。

第三步：计算温度控制器的参数，具体是：

其中

 是当前时刻的基函数数值，

，

，

为控制量计算参数。

最终控制器为：

其中，

是第

时刻的各控制变量数值。

Claims (1)

1.炼油工业过程的部分解耦非最小化模型预测函数控制方法，其特征在于该方法包括以下步骤：

(1)利用炼油工业过程模型建立部分解耦状态空间模型，具体方法是：

首先采集炼油工业过程的输入输出数据，利用该数据建立输入输出模型如下：

$\stackrel{\‾}{F}Y=\stackrel{\‾}{H}$

其中

、Y、

为三个变量，分别是：

$\stackrel{\‾}{H}=\left[\begin{array}{ccc}{\stackrel{\‾}{H}}_{11}\left(z^{-1}\right)u_1\left(k\right)+{\stackrel{\‾}{H}}_{12}\left(z^{-1}\right)u_2\left(k\right)+\·\·\·+{\stackrel{\‾}{H}}_{1N}\left(z^{-1}\right)u_N\left(k\right)& & \\ {\stackrel{\‾}{H}}_{21}\left(z^{-1}\right)u_1\left(k\right)+{\stackrel{\‾}{H}}_{22}\left(z^{-1}\right)u_2\left(k\right)+\·\·\·+{\stackrel{\‾}{H}}_{2N}\left(z^{-1}\right)u_N\left(k\right)& & \\ \·& & \\ \·& & \\ \·& & \\ {\stackrel{\‾}{H}}_{N1}\left(z^{-1}\right)u_1\left(k\right)+{\stackrel{\‾}{H}}_{N2}\left(z^{-1}\right)u_2\left(k\right)+\·\·\·+{\stackrel{\‾}{H}}_{\mathrm{NN}}\left(z^{-1}\right)u_N\left(k\right)& & \end{array}\right],$

表示过程的多项式方程，u_i(k)、y_i(k)，i=1,2,...,N，分别为输入、输出数据，所述的输入输出数据为数据采集器中存储的数据；

进一步将上述方程通过克莱姆方程处理为

$y_i\left(k\right)=\frac{D_i}{D}$

其中，D是

的行列式数值，D_i是将D的第i列替换成获得的行列式数值；

将上述过程模型展开得到：

F(z^-1)y(k)=H(z^-1)u(k)

其中，n是得到的模型阶次，F_i(k)，i=1,2,...,n和I为对角矩阵，

y(k)=[y₁(k),y₂(k),...,y_N(k)]^T,

u(k)=[u₁(k),u₂(k),...,u_N(k)]^T，

F(z^-1)=I+F₁z^-1+F₂z^-2+...+F_nz^-n

H(z^-1)=H₁z^-1+H₂z^-2+...+H_nz^-n

将过程模型通过后移算子Δ处理成过程的状态空间表示方式：

Δx_m(k+1)=A_mΔx_m(k)+B_mΔu(k)

Δy(k+1)=C_mΔx_m(k+1)

其中，Δx_m(k+1)、Δy(k+1)分别是第k+1时刻的变量值，

Δx_m(k)^T=[Δy(k)^TΔy(k-1)^T…Δy(k-n+1)^TΔu(k-1)^TΔu(k-2)^T…Δu(k-n+1)^T]，T为取转置符号；

$A_m=\left[\begin{array}{ccccccccc}{-F}_1& {-F}_2& \·\·\·& {-F}_{n-1}& {-F}_n& H_2& \·\·\·& H_{n-1}& H_n\\ I_N& 0& \·\·\·& 0& 0& 0& \·\·\·& 0& 0\\ 0& I_N& \·\·\·& 0& 0& 0& \·\·\·& 0& 0\\ \·& \·& & \·& \·& \·& & \·& \·\\ \·& \·& \·\·\·& \·& \·& \·& \·\·\·& \·& \·\\ \·& \·& & \·& \·& \·& & \·& \·\\ 0& 0& \·\·\·& I_N& 0& 0& \·\·\·& 0& 0\\ 0& 0& \·\·\·& 0& 0& 0& \·\·\·& 0& 0\\ 0& 0& \·\·\·& 0& 0& I_N& \·\·\·& 0& 0\\ \·& \·& & \·& \·& & \·& \·& \·\\ \·& \·& \·\·\·& \·& \·& \·\·\·& \·& \·& \·\\ \·& \·& & \·& \·& & \·& \·& \·\\ 0& 0& \·\·\·& 0& 0& 0& \·\·\·& I_N& 0\end{array}\right]$

B_m=[H₁ ^T 0 0 … 0 I_N 0 0]^T

C_m=[I_N 0 0 … 0 0 0 0]

I_N为一单位矩阵；

定义一过程期望输出为r(k)，并且输出误差e(k)为：

e(k)=y(k)-r(k)

进一步得到第k+1时刻的输出误差e(k+1)为：

e(k+1)=e(k)+C_mA_mΔx_m(k)+C_mB_mΔu(k)-Δr(k+1)

其中，r(k+1)为第k+1时刻的过程期望输出；

最后定义一个新的复合状态变量：

$z\left(k\right)=\left[\begin{array}{c}\mathrm{\Δ}{x}_m\left(k\right)\\ e\left(k\right)\end{array}\right]$

将上述处理过程综合为一个部分解耦的过程模型：

z(k+1)=Az(k)+BΔu(k)+CΔr(k+1)

其中，z(k+1)为第k+1时刻的复合状态变量，并且

$A=\left[\begin{array}{cc}{A}_m& 0\\ C_m{A}_m& I_N\end{array}\right];B=\left[\begin{array}{c}{B}_m\\ C_m{B}_m\end{array}\right];C=\left[\begin{array}{c}0\\ -I_N\end{array}\right]$

(2)基于该部分解耦状态空间模型设计预测函数控制器，具体方法是：

a.定义该预测函数控制器的目标函数为：

$J=\underset{j=1}{\overset{N_y}{\mathrm{\Σ}}}{z}^T(k+j)Q_{j}z(k+j)$

其中N_y是预测步长，Q_j是加权矩阵，z(k+j)是第k+j时刻的复合状态变量；

b.定义控制变量的组成为

$u(k+i)=\left[\begin{array}{c}\underset{j=1}{\overset{N_u}{\mathrm{\Σ}}}{\mathrm{\μ}}_{1j}{f}_j\left(i\right)\\ \underset{j=1}{\overset{N_u}{\mathrm{\Σ}}}{\mathrm{\μ}}_{2j}{f}_j\left(i\right)\\ \·\\ \·\\ \·\\ \underset{j=1}{\overset{N_u}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{Nj}}{f}_j\left(i\right)\end{array}\right]$

其中，μ_lj,(k),l=1,2,…,N是控制变量的加权系数，f_j(i)是第i时刻的基函数数值，N_u是控制步长；

c.计算控制器的参数，具体是：

$H_k=\underset{j=1}{\overset{N_u}{\mathrm{\Σ}}}{f}_j\left(0\right)h_{\mathrm{kj}},k=\mathrm{1,2},\·\·\·,N_u$

$H_{\mathrm{uk}}=\underset{j=1}{\overset{N_u}{\mathrm{\Σ}}}{f}_j\left(0\right)h_{\mathrm{ukj}},k=\mathrm{1,2},\·\·\·,N_u$

$M_k=\underset{j=1}{\overset{N_u}{\mathrm{\Σ}}}{f}_j\left(0\right)m_{\mathrm{kj}},k=\mathrm{1,2},\·\·\·,N_u$

其中f_j(0)是当前时刻的基函数数值，h_kj，h_ukj，m_kj为控制量计算参数，最终控制器为：

$u\left(k\right)=\left[\begin{array}{c}-H_{1}z\left(k\right)+H_{u1}u(k-1)-M_1\mathrm{\ΔR}\\ -H_{2}z\left(k\right)+H_{u2}u(k-1)-M_2\mathrm{\ΔR}\\ \·\\ \·\\ \·\\ -H_{N_u}z\left(k\right)+H_{u{N}_u}u(k-1)-M_{N_u}\mathrm{\Δ}R\end{array}\right]$

其中，u(k-1)是第k-1时刻的各控制变量数值。