应用逆向差分抑制不可测扰动的模型预测控制器及方法
技术领域
本发明涉及一种模型预测控制器,具体的是一种应用逆向差分抑制不可测扰动的模型预测控制器。
背景技术
模型预测控制是1970年左右提出的新型控制理论,经过四十余年的发展,其对应的理论和应用软件已经比较成熟,在工程实践领域也有着非常广泛的应用。
模型预测控制是一种基于预测模型的闭环优化控制策略。模型预测控制的基本出发点与传统控制(如PID控制)不同。传统的控制,是根据过程当前的和过去的输出测量值和设定值的偏差来确定当前的控制输入。而预测控制不但利用当前的和过去的偏差值,而且还利用预测模型来预估过程未来的偏差值,以滚动优化确定当前的最优输入策略。因此,从基本思想看,预测控制优于传统控制。
模型预测控制一般有三个基本特征,即预测控制、反馈校正和滚动优化。图1是模型预测控制过程的结构图。
预测控制需要一个描述系统动态行为的模型,称为预测模型,它应具有预测功能,即能够根据系统现时刻的控制输入以及过程的历史信息,预测过程输出的未来值。预测模型通常采用在实际工业过程中较易获得的脉冲响应模型或阶跃响应模型。
在预测控制中,采用预测模型进行过程输出值的预估只是一种理想的方式,对于实际过程,存在各种各样的不确定因素,使基于模型的预测不可能准确地与实际相符。因此,在预测控制中,通过输出的测量值与模型的预估值进行比较,得出模型的预测误差,再利用模型预测误差来修正模型预测控制器的输出结果。这种模型加反馈校正的过程,使预测控制具有很强的抗干扰和克服系统不确定的能力。
预测控制是一种优化控制算法。但是,优化过程不是一次离线完成的,而是反复在线进行的。即在每一采样时刻,优化性能指标只涉及从该时刻到未来有限的时间内,而到下一个采样时刻,这一优化时段会同时向前推进,这就是滚动优化的概念。这种在线反复进行的优化算法,能有效克服和校正过程中的各种不确定性,使控制保持实际上的最优。
真实的工业过程实际上是灰色的,即:过程的一部分是确定的,可以用模型关系来描述;过程的另一部分是不确定的。在确定的部分,预测控制保证了控制器有良好的控制效果;在不确定的部分,反馈校正和滚动优化保证了控制器有良好的适应性。如果只有预测控制,则控制器无法在不确定部分工作;如果只有反馈校正和滚动优化,则控制器也没有良好的控制效果。这三个特征是不可或缺的一个整体。
模型预测控制在工业过程上的实际应用,称之为模型预测控制器。一个典型的模型预测控制器,需要根据工业过程的工艺原理和控制需求,定义一个或者多个被控变量(controlled variable,CV)、操纵变量(manipulated variable,MV)和干扰变量(disturbance variable, DV)。
被控变量是指被控制在某个范围内或者目标值附近以改善工艺操作及产品质量性能的物理量。操纵变量是指受控于控制器,用于调节被控变量大小的物理量。干扰变量是其本身不可被控制器调节,但其变化会对被控变量造成影响的物理量。干扰变量根据其可测量与否,分为可测干扰变量和不可测干扰变量。
加热炉是一个简单的例子。加热炉出口温度是控制的目标,为被控变量(CV);天然气流量被用来调节加热炉出口温度,为操纵变量(MV);水流量可测量但不可调节,其波动会对加热炉出口温度造成影响,为可测干扰变量(DV);而天然气热值是不可测量的,但其波动也会对加热炉出口温度造成影响,为不可测干扰变量(DV)。
对可测干扰变量而言,控制器会预测到可测干扰变量的变化对被控变量的未来变化趋势的影响,从而进行预先调节操纵变量来补偿,调节的效果非常好。而对于不可测干扰变量,控制器无法预测未来的变化,只能依靠反馈控制来实现调节,其调节是滞后的,调节效果自然就较差。
如前所述的加热炉的例子,如果天然气热值不稳而频繁波动,就可视为不可测干扰的波动占主导的过程。对不可测干扰变量波动占主导的过程,控制器只是依靠反馈来进行调节,模型预测控制很难达到良好的控制效果。此类过程是模型预测控制技术应用的难点之一。
不可测干扰变量波动占主导地位的典型过程包括:各类化学反应器,使用煤、生物燃料等热值不稳定的燃料的各类加热炉、锅炉和窑。
发明内容
针对现有技术中存在的上述技术问题,本发明提供了一种应用逆向差分模块抑制不可测扰动的模型预测控制器,所述逆向差分值的采用如下公式计算:
其中为原始信号,n为计算步长, 为逆向差分值。
进一步的,所述原始信号
为控制器的被控变量,或者被控变量的相关变量。
进一步的,在常规控制系统中,所述逆向差分模块通过I/O接口与模型预测控制器进行连接。
进一步的,所述逆向差分模块作为使用了模型预测控制模型的系统的在线平台部分的新增模块,或者作为工艺计算模块中的一部分。
进一步的,所述逆向差分模块通过逆向差分值的在线计算、逆向差分预测模型定义、与预测控制器的连接来实施。
进一步的,所述逆向差分预测模型定义为一阶阶跃响应模型,其模型参数如下:增益为0.5到2之间的某个数值,死时间为零,时间常数为1到5倍控制器运行周期中的某个数值。
本发明还提供了一种应用逆向差分模块抑制不可测扰动的模型预测控制方法,用于将逆向差分值应用到模型预测控制模型中以抑制不可测扰动,所述逆向差分模块通过逆向差分值的在线计算,逆向差分预测模型的定义,与模型预测控制器的连接来实施。
进一步的,所述逆向差分值通过如下公式计算:
进一步的,所述原始信号为控制器的被控变量,或者被控变量的相关变量。
进一步的,所述逆向差分预测模型定义为一阶阶跃响应模型,其模型参数如下:增益为0.5到2之间的某个数值,死时间为零,时间常数为1到5倍控制器运行周期中的某个数值。
本发明的应用逆向差分模块抑制不可测扰动的模型预测控制器对现有的模型预测控制技术进行了改进,适用于不可测干扰变量波动占主导地位的工业过程,对此类过程,传统的模型预测控制器只是依靠反馈来进行调节,很难达到良好的控制效果。而逆向差分值反映了变量的变化趋势,是一种易提取可辨识的先导信号,将其作为干扰变量引入模型预测控制器,控制器就可以根据逆向差分值的变化来预先调节操纵变量,从而实现超前调节,大幅提高控制器的控制效果。
附图说明
图1是模型预测控制结构图;
图2是不同计算步长的逆向差分实施效果图;
图3是常规的模型预测控制器对分解炉出口温度的控制效果图;
图4是应用逆向差分技术的模型预测控制器对分解炉出口温度的控制效果图;
图5是使用了模型预测控制模型的系统结构图;
图6是一阶阶跃响应模型图。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明的主要思想是一种将逆向差分值作为干扰变量引入模型预测控制器。
差分,又名差分函数或差分运算,差分包括前向差分和逆向差分。一阶逆向差分的数学定义如下:
而在本发明中,为实现所需的功能,对一阶逆向差分重新定义如下:
其中n为计算步长。
逆向差分值反映了变量的变化趋势,是一种易提取可辨识的先导信号。图3是常规的模型预测控制器在不可测干扰占主导地位的过程的控制效果图。图中Temp为原始信号(某加热炉出口温度),delta_T1为步长为1时的逆向差分值,delta_T5为步长为5时的逆向差分值,delta_T15为步长为15时的逆向差分值,其坐标横轴均为时间序列。
在图中可以看出,在图中方框区域,在出口温度Temp下降的过程中,逆向差分值delta_T1、delta_T5和delta_T15均提前下降,显示其均提前预知了出口温度的变化,展现了良好的预见性。在图中其他区域,我们也可以看到类似的趋势。
但是在这些变量中,delta_T1信号的噪音较大,虽然在部分时刻表现了对温度的变化趋势的良好预测,但更多的时候,变化趋势湮没在噪音之中。delta_T15虽然没有很大的噪音,但其信号与原始信号较为相象,其预测并没有足够的提前量。而delta_T5则相对较好,即在能很好的预测了温度未来的变化趋势,又没有太多的噪音。
从上述描述可以看出,计算步长的选择非常重要。计算步长越小,噪音越大;计算步长越大,预测的提前量越少。逆向差分值的计算步长存在最佳值。
逆向差分值是一个虚拟变量,其本身并没有实际的物理意义,但其良好地反映了变量的变化趋势。将其作为干扰变量引入模型预测控制器,控制器就可以根据逆向差分值的变化来预先调节操纵变量,从而实现超前调节。
应用逆向差分技术的模型预测控制器,在不可测干扰占主导地位的过程中,控制效果非常好。
水泥厂的分解炉是一种典型的不可测干扰占主导地位的过程。如图3是常规的模型预测控制器对分解炉出口温度的控制效果图,图4是应用逆向差分技术的模型预测控制器的控制效果图。从图中可以看出,应用逆向差分技术后,分解炉出口温度的波动幅度下降了近一半。
本发明对现有的模型预测控制模型进行了改进,新增一个逆向差分模块。
图5示出了使用了模型预测控制模型的系统结构图。一般分为离线平台部分和在线平台部分。
离线平台部分包括数据预处理模块、模型辨识模块、控制器组态模块和离线仿真模块。数据预处理模块从实时数据库或者其他数据库中采集到数据,进行降噪、异常值删除等数据预处理工作。模型辨识模块从数据预处理模块处理后的数据中,通过系统辨识的方法取得变量间的阶跃响应模型。控制器组态模块中定义控制器结构(包括被控变量、操纵变量和干扰变量)、数据接口、阶跃响应模型和初始调节参数等。控制器组态模块组态好后,可以在离线仿真模块进行仿真,也输入到预测控制器模块。
在线平台部分包括实时数据库模块、预测控制器模块和工艺计算模块。实时数据库模块为数据交互核心模块,它通过I/O接口与常规控制系统进行交互,也和预测控制器模块和工艺计算模块双向交互。预测控制器模块为该系统的核心,它在线运行下装的控制器,计算出最优的调节方案,并通过实时数据库模块下发工艺指令到常规控制系统来完成调节。工艺计算模块为预测控制器模块的辅助模块,主要完成辅助计算、辅助逻辑等功能。
本发明所述的逆向差分模块,可以在常规控制系统中实施,通过I/O接口与模型预测控制器进行连接。也可以在使用了模型预测控制模型的系统的在线平台部分中新增逆向差分模块,或者作为工艺计算模块中的一部分来实施。
逆向差分模块的实施包含三个步骤:逆向差分值的在线计算,逆向差分预测模型的定义,与模型预测控制器的连接。
逆向差分值的计算公式如下:
其中为原始信号,n为计算步长, 为逆向差分值。
原始信号一般为被控变量(CV),因为被控变量的逆向差分值可以很好的显现其自身的变化趋势。但在某些特例中,计算被控变量的关联变量的逆向差分值,也可以取得同样的效果。
计算步长n可进行调节的。在实施过程中,需要在线调试并找到最佳计算步长。也可通过离线的方式,通过数据分析或者实时经验,预先找到最佳的计算步长。
如前所述,根据模型预测控制的算法,变量之间必须定义预测模型。预测模型通常采用在实际工业过程中较易获得的脉冲响应模型或阶跃响应模型,一般通过阶跃测试和模型辨识的方法取得。
图6示出了简单的阶跃响应模型示意图。输入变量在某时刻产生一个从0到1的阶跃,输出变量会在输入变量的阶跃变化后的一段时间域内会产生响应,称为阶跃响应模型。阶跃响应模型可以是参数化的(即用参数进行拟合),也可以是非参数化的(即不用参数进行拟合)。参数化的模型包括零阶模型、一阶模型、二阶模型等。对于大部分过程,都可以用一阶模型进行拟合。
一阶模型包含三个模型参数:增益(Gain)、死时间(Td)、时间常数(τ)。增益为CV变化率和MV或DV变化率的比值;死时间为MV 或 DV变化多长时间后观察到CV的变化;时间常数为CV到达稳态值的63%的时间。
逆向差分值是一个虚拟变量,它和被控变量之间不存在直接的基于物理意义的阶跃响应模型,因此不能通过传统的方法取得。从严格意义上来说,逆向差分值是从被控变量中提取的一部分信息,因此其与被控变量之间是存在确定的模型关系的。
作为一种最优的方式,可以将逆向差分值和被控变量之间的逆向差分预测模型定义为一阶模型。其典型的模型参数如下:增益为0.5到2之间的某个数值,死时间为零,时间常数为1到5倍控制器运行周期中的某个数值。
上述一阶模型仅为举例,当然可以定义其他类型的模型(如二阶模型、非参数模型等)来达到类似的效果。
与预测控制器的连接在模型预测控制软件的控制器组态模块中实施。实施包括两个步骤:将逆向差分模块计算出的逆向差分值作为干扰变量引入到模型预测控制器中;在模型关系中定义逆向差分值与被控变量之间的模型。
本发明与模型预测控制(model predictive control, MPC)有着紧密的联系,是现有的模型预测控制技术的一种补充,适用于不可测干扰变量波动占主导地位的工业过程。本发明适用的应用领域与模型预测控制器相同,主要包括炼油、石化、化学、水泥、冶金、食品、造纸和电力等流程工业的工业过程。