CN104049598B - 线性和非线性系统的基于确定性优化的控制系统及方法 - Google Patents
线性和非线性系统的基于确定性优化的控制系统及方法 Download PDFInfo
- Publication number
- CN104049598B CN104049598B CN201410099248.8A CN201410099248A CN104049598B CN 104049598 B CN104049598 B CN 104049598B CN 201410099248 A CN201410099248 A CN 201410099248A CN 104049598 B CN104049598 B CN 104049598B
- Authority
- CN
- China
- Prior art keywords
- control
- convex
- optimization
- nonlinear
- feasible
- 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.)
- Active
Links
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
- G05B13/047—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 the criterion being a time optimal performance criterion
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
公开了线性和非线性系统的基于确定性优化的控制系统及方法。本文中所描述的实施方式包括提供了控制方法的一种实施方式,该控制方法包括:确定要控制的过程的预定非线性模型的线性逼近;确定非线性约束集合的凸逼近;确定控制轨迹的多个采样周期的初始稳定化可行控制轨迹;执行基于优化的控制算法以改善控制轨迹的多个采样周期的初始稳定化可行控制轨迹;以及通过应用来控制受控过程。
Description
技术领域
本发明一般性地涉及控制系统,更具体地涉及基于确定性优化的系统控制。
背景技术
通常,诸如工厂或者发电系统的控制系统可以是动态的并且包括各种约束。例如,对控制系统的约束可以是致动器限制、操作约束、经济限制、和/或安全限制的结果。因此,对这样的多变量约束的动态系统的控制可能很复杂。诸如耦合多回路比例积分微分(PID)控制器的技术可能不是最适合于处理对这样的复杂控制系统的控制。另一方面,能够处理多变量约束的一种过程控制技术为基于优化的控制(OBC)。具体地,OBC可以通过使得系统能够更接近各种约束地操作(即,通过动态优化)来改善控制系统的性能。
然而,OBC可能需要的计算量很大,因为动态优化计算可能涉及在每个采样时间求解约束优化问题,如二次规划(QP)问题。利用通用解算器可能需要几秒或甚至几分钟。此外,可能难以预测优化器求解约束优化问题所需要的时间。因此,为了利用OBC来控制具有较快动态的系统,使得确定性OBC能够在预定的控制时间内提供可行控制动作通常会是有益的。
发明内容
下面简要描述与原始要求保护的发明范围一致的某些实施方式。这些实施方式并非意在限制要求保护的发明的范围,而是仅意在提供本发明的可能形式的简要描述。实际上,本发明可以包括与以下提出的实施方式相似或不同的各种形式。
第一实施方式提供了一种控制方法,包括:确定要控制的过程的预定非线性模型的线性逼近;确定所述非线性约束集合的凸逼近;确定控制轨迹的多个采样周期的初始稳定化可行控制轨迹;执行基于优化的控制算法以改善控制轨迹的多个采样周期的所述初始稳定化可行控制轨迹;以及通过在预定时间窗内应用所述可行控制轨迹来控制所述受控过程。
第二实施方式提供了一种控制方法,包括:基于要控制的非线性过程的预定状态变化,确定所述非线性过程的线性化模型;周期性地重复执行基于优化的控制算法以确定控制轨迹的多个采样周期的可行控制轨迹;以及通过应用所述可行控制轨迹来控制所述受控过程。
第三实施方式提供了一种控制系统,包括:用于存储可执行代码的存储器电路;以及用于执行所述代码的处理电路。所述代码定义以下步骤,所述步骤在执行时:确定要控制的非线性过程的线性化模型;执行基于优化的控制算法以确定控制轨迹的多个采样周期的可行控制轨迹;以及通过应用所述可行控制轨迹来控制所述受控过程。
附图说明
当参考附图阅读以下详细描述时,本发明的这些以及其它特征、方面和优点将变得更好理解,遍及附图,相似的附图标记表示相似的部分,其中:
图1描绘了利用基于确定性优化的控制(OBC)的控制系统的实施方式的框图;
图2描绘了图1的基于确定性优化的控制(OBC)的实施方式的框图;
图3描绘了图2的处理电路的实施方式的框图;
图4描绘了通信上耦接至控制系统内的其它模块的确定性OBC模块的实施方式;
图5描绘了图1中所描绘的控制系统的确定性优化控制的实施方式的流程图;以及
图6描绘了图5中所描述的凸化过程的实施方式。
具体实施方式
下面将描述本公开内容的一个或更多个具体实施方式。为了提供这些实施方式的简洁描述,可能未在说明书中描述实际实现的全部特征。应该理解的是,在任何这样的实际实现的开发中,如在任何工程和设计项目中,必须做出大量特定于实现的决定来实现开发者的特定目的,例如遵循可能会根据不同实现而变化的系统相关以及业务相关的约束。此外,应该理解的是,这样的开发工作可能是复杂且耗时的,然而对于受益于本公开内容的本领域技术人员,这将是设计、制造和生产的例行工作。
在当介绍本发明的各种实施方式的元素时,冠词“一个(a)”、“一个(an)”、“这个(the)”和“所述(said)”意在表示存在一个或者更多个元素。术语“包括(comprising)”、“包括(including)”和“具有(having)”意在是开放式的并且表示除所列出的元素之外可以存在另外的元素。
本公开内容一般性地涉及用于控制系统,如工业设备或者发电系统等的基于确定性优化的控制(OBC)的系统和方法。通常,控制系统可以使用过程控制技术来控制系统。例如,一些控制系统使用耦接在多回路配置中的比例积分微分(PID)控制器。多回路PID控制器可以提供控制系统的快速实时控制。另外,PID控制器可以在具有较小计算能力的嵌入式系统中运行。然而,当控制系统具有复杂动态并且/或者其操作受约束时,过程控制的复杂度可能大幅度增加并且多回路PID控制器可能不提供足够的控制。例如,控制系统可以包括具有大死区时间或非最小相位动态的过程。
用于动态多变量系统的控制的一种过程控制技术是能够提供较好的控制(例如,减少过程变化以允许操作在更多有利工作点处更接近约束)的基于优化的控制(OBC)。具体地,OBC使用过程模型来基于过程输入轨迹预测未来的过程输出轨迹。换句话说,OBC计算所操纵的变量的轨迹来优化目标函数(即,使成本最小化)。如本文中所使用的,成本包括有关输出轨迹与期望设定点的匹配有多良好的确定。应当理解的是,在线性控制系统中,成本可以被理解为二次规划(QP)问题。因此,包括在OBC中的动态优化可能是计算复杂的并且在具有通用解算器的计算机服务器上运行,这可能需要数秒钟或甚至数分钟来生成解。因此,为了将OBC包括在嵌入式系统中以进行实时过程控制,在保证OBC的稳定性的同时改进OBC的效率是有利的。
因此,一种实施方式提供了一种线性控制方法,包括:确定要控制的过程的预定非线性模型的线性逼近;确定所述非线性约束集合的凸逼近;确定控制轨迹的多个采样周期的初始稳定化可行控制轨迹;执行基于优化的控制算法以改善控制轨迹的多个采样周期的所述初始稳定化可行控制轨迹;以及通过在预定时间窗内应用所述可行控制轨迹来控制所述受控过程。换句话说,通过包括稳定化函数来生成可用于每个规定采样时间的稳定可行解(即,不增加成本函数的解),确定性OBC可用于具有快速动态的系统的实时控制。
通过介绍的方式,图1描绘了用于工厂/过程12的控制系统10的实施方式。通常,控制系统10可以控制工厂/过程12的工作,工厂/过程12可以是工业制造系统、自动化系统、发电系统、涡轮机系统等。因此,如所描绘的,控制系统10可以控制工厂/过程12将材料输入14转化为材料输出16。例如,工厂/过程12可以是将糖浆(即,材料输入14)转化为糖的晶体(即,材料输出16)的糖结晶过程。另外,控制系统10可以通过操纵输入变量20(即受操纵和扰动的变量)来控制输出变量(即,受控变量)18。回到糖结晶示例,控制系统10可以操纵蒸汽阀(即,受操纵变量)来控制温度(即,受控变量)。在一些实施方式中,材料输入也可以是受操纵变量(例如控制器可以控制材料输入设备的进给速度)。
为了优化工厂/过程12的控制,控制系统10还可以包括被配置成在预定时窗内求出优化问题的稳定可行解的基于优化的控制(OBC)22。换句话说,OBC 22可以确定控制系统10所采取的可行动作(即,解)。具体地,OBC 22可以被配置成确定在控制时域(即,采取动作的时间段)上的控制轨迹26(即,一组动作)。因此,OBC 22可以在指定的采样时间对工厂/过程12的状态进行采样。在一些实施方式中,工厂/过程12的状态可以包括先前的输出变量18、期望的输出轨迹23、期望的控制轨迹24或它们的任意组合。基于工厂/过程12的采样状态,OBC 22可以在控制时间期间确定控制轨迹26(即,优化问题的可行解)。如本文中所示用的,控制时间是指在其期间工厂/过程12正在工作的时间,其可以是实时的。在通过OBC 22来确定控制轨迹26之后,在一些实施方式中,在比较器32中将控制轨迹26与期望的控制轨迹24相比较来确定工厂/过程12的输入变量20(即,在控制系统10中要采取的动作)。替选地,控制轨迹26可以被直接地反映在输入变量20中。需要理解的是,OBC 22可以在嵌入式系统——如可以从威斯康辛州密尔沃基的罗克韦尔自动化有限公司获得的ControlLogix——上实现。
为了利于确定控制轨迹26,如所描绘的,OBC 22包括预定模型28和确定性解算器30。具体地,确定性解算器30可以使用诸如原始有效集方法的可行搜索策略来确定有约束优化问题的解。如将在下文详细描述的,可行搜索策略在控制系统10的可行区域内的开始点处开始并且围绕可行区域移动来搜索最佳可行解(即,具有最小成本的控制轨迹)。换句话说,确定性解算器30可以确定可由控制系统10来采取的各种可行动作(即,控制轨迹)。基于由确定性解算器30确定的可行解,模型28可以被用于预测工厂/过程12的行为。在线性系统或具有线性逼近的非线性系统中,模型28可以是诸如状态空间模型、阶跃或脉冲响应模型、具有外生项的自回归(ARX)模型、传递函数模型等的线性模型。因此,OBC 22可以比较每个可行解的成本并且选择具有最低成本的控制轨迹26。
理想情况下,所确定的控制轨迹26是关联有最低成本的最优解,但是,如上所述,优化计算可能是复杂的。因此,如将要在下面的详细示例部分更具体地描述的,本文中所描述的技术意在提高动态优化计算的效率。例如,本文中描述的技术可以修改目标(即,成本)函数来使用简单的限制定义控制系统10的约束。因此,动态优化计算可以大大地得到减少,并且可以在嵌入式系统上执行,因为与复杂约束相比,许多动态优化解算器(例如,二次规划(QP)解算器)更有效率地处理简单的限制。
尽管可以有效率地被配置动态优化,然而OBC 22在每个控制时间期间不会总是找到最优(即,最低成本)控制轨迹26。然而,在实践中,稳定的次最优控制轨迹26可以是足够的。如本文中使用的,当与通过采取动作而进行的先前步骤相比成本没有增加时,控制轨迹26是稳定的。
为了利于本文中描述的功能,需要理解的是,OBC 22可以包括用于执行计算指令(即,步骤)的处理器;以及用于存储计算机指令(即,代码)和/或数据的存储器。如图2所示,OBC 22可以通过处理电路34来实现处理器以及通过存储器电路36来实现存储器。更具体地,处理电路34可以被配置成处理控制系统的一般功能,如控制致动器;以及OBC22的功能,如动态优化。另外,如图3所描绘的,处理电路34可以包括可以使处理电路34能够更好地完成各种功能的多个处理部件(例如,并行处理器内核或分立的处理器模块)。例如,如所描绘的,第一处理部件38可以执行控制系统10的一般操作。控制系统10的一般操作可以包括控制控制系统10的部件、执行计算等。至于OBC 22功能,可以在第二处理部件40上执行计算密集的动态优化。因此,这使得能够从第一处理部件38调用并且在第二处理部件40上同步地或异步地执行动态优化,这可以提高优化计算的效率。替选地,应当理解的是,可以在第一处理内核38上执行动态优化和控制系统10的一般功能。另外,如所描绘的,处理电路34包括N个处理部件,每个部件被配置成处理控制系统10的不同功能,如计算线性逼近。
回到图2,存储器电路36可以存储用于描述以下方面的计算机指令(即代码):模型28、确定性解算器30、配置参数42、以及其他指令44,如计算用于控制系统10的一般功能的未测量过程变量的虚拟测量。具体地,存储在存储器电路中的指令可以被配置成指导模型28和确定性解算器的工作。因此,存储器电路36通信上耦接至处理电路34以使得处理电路能够读取以及/或者执行指令(即,步骤)。
另外,所描绘的OBC 22的实施方式还包括输出接口46、用户接口48、网络接口50和反馈接口52。具体地,用户接口48可以被配置成使得用户能够与OBC 22通信。例如,如图4所描绘的,用户接口48可以包括被配置成显示OBC 22的诸如已确定的控制轨迹26的数据记录的图形用户接口(GUI)54。另外,用户接口48可以包括使得用户能够向OBC22输入命令的按钮56。类似于用户接口48,网络接口50可以使用户能够通过诸如无线局域网(WAN)的网络58与OBC 22通信。在一些实施方式中,网络58可以是可以能够从威斯康辛州密尔沃基的罗克韦尔自动化有限公司获得的EtherNet/IP网络或ControlNet网络。更具体地,如图4所描绘的,网络接口50可以经由通信模块60通信上耦接至网络58。替选地,网络接口50可以通过OBC 22的底板直接地通信上耦接至网络50。另外,如所描绘的,网络58可以通信上耦接至诸如监控与数据采集(SCADA)的远程监视/控制系统62,以使得用户能够远程地与OBC 22通信。因此,如图2所描绘的,用户接口48和网络接口50通信上耦接至处理电路34以使得能够将用户命令传送至处理电路34,以及将关于OBC 22的信息传送给用户。注意,存储器电路36中的每个模块可以被配置成使得其能够作为服务器来响应,从而响应来自各种接口的查询。例如,可以通过用户接口来查询模型模块28以报告其逼真度。另外,可以通过解算器代码模块30来调用模型模块28以确定最优控制轨迹。
回到图2,如上所述,OBC 22可以被配置成基于来自工厂/过程12的反馈来确定控制系统10的稳定化可行控制轨迹。因此,反馈接口52可以被配置成接收诸如先前的输出变量18、期望的输出轨迹23、期望的控制轨迹24、或其任意组合的反馈,并且将其传送给处理电路34。例如,反馈接口52可以是位于OBC 22的底板上的串行端口,其使得OBC 22能够从控制系统10中的传感器接收采样。在处理电路34确定控制轨迹26之后,控制轨迹26被传送给输出接口46。如以下将更详细描述的,处理电路34可以利用各种搜索函数(例如,QP解算器)和稳定化函数来确定控制轨迹26。因此,输出接口46可以被配置成将控制轨迹26传送给工厂/过程12。类似于反馈接口52,输出接口46可以是位于OBC 22的底板上的串行端口以使得输出接口能够与控制工厂/过程12的输入的控制器通信。应理解的是,如上所述,控制器可以是同一处理部件、处理器的不同内核、或者不同的处理器模块。
如上所述,OBC 22可以被配置成执行对工厂/过程12的动态优化。当可以使用动态模型来模拟工厂/过程12时,可以使用各种技术来执行工厂/过程12的基于确定性优化的控制。例如,在2013年3月15日由Kolinsky等人提交的题为“Stabilized DeterministicOptimization Based Control System and Method”的美国专利申请No.13/837,297和2013年3月15日由Kolinsky等人提交的题为“Sequential Deterministic OptimizationBased Control System and Method”的美国专利申请No.13/836,701中描述了两种这样的技术,在此通过引用将这些专利申请的内容并入本公开内容中。因此,为使用这些技术,调整工厂/过程12的非线性模型会是有利的。更具体地,如图5中描绘的,这可以包括调整成本(即,目标)函数64、模型28、以及约束模型66。相应地,图5描绘了用于大部分控制系统10,包括具有非线性工厂/过程12(即,工厂/过程12的非线性模型)的基于确定性优化的控制过程68。如本文中所使用的,成本函数64可以被配置成利于基于输入变量20和输出变量18来求得工厂/过程12的最佳控制轨迹。此外,如本文中所使用的,模型28可以被配置成基于对未来输入、过去输入、干扰、和/或初始条件的响应的总和来预测工厂/过程12的行为。此外,如本文中使用的,约束模型64对技术限制、经济限制、和/或安全限制进行建模。
如所描绘的,成本函数64经历二次变换处理(过程块70)。例如,二次变换处理70可以包括将成本函数64变换成以下形式:
Wj,Bn,Vn--半正定权重矩阵(调谐参数)
yt j=[yt j(t+1),yt j(t+2),...,yt j(t+p)]T——输入目标轨迹
——输出目标轨迹
接着,过程68可以计算模型28的线性逼近,其可以基于预定状态变化。例如,线性逼近可以包括将工厂/过程12逼近为以下形式:
y=AuΔu+yfree (2)
——布置在向量中的所有输入的未来变化
Δun=[Δun(t),Δun(t+1),...,Δun(t+nc-1)]T——第n个输入的未来变化
——布置在向量中的所有预测输出轨迹
yj=[yj(t+1),...,yj(t+p)]T——第j个输出的预测轨迹
——布置在向量中的所有自由输出轨迹(free表示自由)
——第j个输出的自由响应轨迹
——第j个输出的预测矩阵
——预测矩阵
nu——输入的数量
ny——输出的数量
nc——控制时域
p——预测时域
N=nc——控制移动的数量
在一些实施方式中,可以使用参数通用非线性动态逼近器(PUNDA)线性逼近模型。一般来说,PUNDA包括用于对非线性工厂/过程12建模的动态参数模型。动态参数模型接收作为到参数空间的显式映射的输出的一个或更多个参数。参数通用非线性动态逼近器还包括用于基于非线性过程的工作条件来显式模拟动态参数模型的一个或更多个参数的依赖关系的非线性逼近器。PUNDA用于预测对于预测非线性过程的控制和优化有用的过程输出,其中过程输出中的至少一个的实际测量不存在。更具体地,PUNDA操作非线性逼近器以接收包括一个或更多个过程输入的一个或更多个过程工作条件,以基于过程工作条件生成动态参数模型的一个或更多个参数的值,并且将一个或更多个参数的值提供给动态参数模型。此外,PUNDA操作动态参数模型以从非线性逼近器接收一个或更多个参数的值,接收一个或更多个过程输入,基于接收到的一个或更多个参数的值和接收到的一个或更多的过程输入来生成一个或更多个预测的过程输出,并且存储一个多更多个预测的过程输出。对于对PUNDA模型的更详细的描述,参见2004年5月10日由Sayyar-Rodsari等人提交的题为“Parametric Universal Nonlinear Dynamics Approximator and Use”的申请No.2005/0187643A1,在此通过引用将该申请的内容并入本公开内容中。
此外,如上所述,过程68可以凸化约束模型66以有效地简化复杂约束。可以在图6中看到其一个示例。在图6中,曲线76表示将可行区域78和不可行区域80分开的复杂约束。如应理解的,基于复杂约束,如曲线76所描绘的约束的计算会是困难的。因此,通过对约束曲线76进行凸逼近来简化计算会是有利的。如所描绘的,可以对约束曲线,即曲线82、84、以及88进行各种凸逼近。具体地,曲线82看上去包括可行区域78的大部分,即使不是全部;然而,其可能不是一个好的凸逼近,因为其包括大量不可行区域80。相应地,可以将曲线82分类为过凸化。类似地,曲线84也包括大量不可行区域80。此外,曲线84不包括可行区域78中的最低点86,其常常是最佳的解。相应地,曲线84也可以被分类为欠凸化。虽然曲线88不包括一部分可行区域,但是其可以是这三条曲线中的最佳凸逼近,因为其包括最低点86并且看上去不包括大量不可行区域80。
此外,如上所述,可以在不同计算部件(例如,38和40)上处理控制系统10中的各种过程(即,功能)。具体来说,应理解的是,二次变换70、线性逼近(例如,PUNDA)72、以及凸化74均可以在不同的计算部件上运行。相应地,每个过程(即,70、72、以及74)可以同步或异步地工作。换句话说,这为诸如线性逼近72的计算上更复杂的计算提供更多时间。例如,在一些实施方式中,可以在用户请求时或触发事件出现(即,状态变化)时计算线性逼近72,同时可以在每个控制时间期间执行二次变换70和凸化74。状态变化可以包括干扰变化、设定点变化、或其任意组合。因此,可以比线性逼近过程72更频繁地执行过程68的剩余部分。
回到图5,在期望的调整(即,70、72、以及74)之后,过程68可以执行线性动态优化(过程块90)。如以上所描述的,这可以是通过引用并入本文中的技术或者是任何其他线性优化技术。例如,可以使用不可行搜索方法(即,算法),诸如对偶二次有效集算法。可替选地,可以使用可行搜索方法(即,算法),诸如原始有效集解算器算法。结合这两种算法,对于控制时间的第一部分可以执行不可行搜索算法,而如果通过不可行搜索算法没有确定可行轨迹,则可以在第二部分期间执行可行搜索算法。
最后,基于由线性动态优化90确定的控制轨迹,可以对进入工厂/过程12的受操纵变量20进行控制(处理块92)。此外,如所描绘的,可以将由线性动态优化90确定的控制轨迹反馈给二次变换70、线性逼近(例如,PUNDA)72、和/或凸化74以改善每个过程。
一般来说,上述技术使得能够对于许多控制系统10进行基于优化的控制。更具体地,OBC 22被配置成调整非线性工厂/过程12,以便可以使用基于线性优化的控制技术来执行动态优化。这可以包括提供非二次成本函数的二次变换、非线性模型的线性逼近(例如,PUNDA)、以及复杂约束的凸逼近。
虽然本文中仅示出和描述了本发明的某些特性,但是本领域技术人员会想到许多修改和变化。因此,应理解的是,所附权利要求旨在涵盖落入本发明真正精神内的所有这样的修改和变化。
上面公开的技术还可以实现为下面的实施例。
1.一种控制方法,包括:
确定要控制的过程的预定非线性模型的线性逼近;
确定所述非线性约束集合的凸逼近;
确定控制轨迹的多个采样周期的初始稳定化可行控制轨迹;
执行基于优化的控制算法以改善控制轨迹的多个采样周期的所述初始稳定化可行控制轨迹;以及
通过在预定时间窗内应用所述可行控制轨迹来控制所述受控过程。
2.根据实施例1所述的方法,其中,所述线性化模型是通过执行参数通用非线性动态逼近器算法来确定的。
3.根据实施例2所述的方法,其中,所述基于优化的控制算法比所述参数通用非线性动态逼近器算法更频繁地执行。
4.根据实施例3所述的方法,其中,所述参数通用非线性动态逼近器算法是基于所述受控过程的状态的变化来执行的。
5.根据实施例4所述的方法,其中,所述状态的变化包括所述受控过程的设定点的变化。
6.根据实施例1所述的方法,其中,所述基于优化的控制算法包括不可行搜索算法。
7.根据实施例6所述的方法,其中,所述不可行搜索算法包括对偶二次有效集解算器算法。
8.根据实施例1所述的方法,其中,所述基于优化的控制算法包括可行搜索算法。
9.根据实施例8所述的方法,其中,所述可行搜索算法包括原始有效集解算器算法。
10.根据实施例1所述的方法,其中,所述基于优化的控制算法包括不可行搜索算法和可行搜索算法二者。
11.根据实施例10所述的方法,其中,所述不可行搜索算法在采样周期的第一部分期间执行,并且如果通过所述不可行搜索算法没有确定可行控制轨迹,则所述可行搜索算法在所述采样周期的第二部分期间执行。
12.根据实施例1所述的方法,包括:在所述受控过程的实时控制期间周期性地重复执行至少所述基于优化的控制算法。
13.一种控制方法,包括:
基于要控制的非线性过程的预定状态变化,确定所述非线性过程的线性化模型;
周期性地重复执行基于优化的控制算法以确定控制轨迹的多个采样周期的可行控制轨迹;以及
通过应用所述可行控制轨迹来控制所述受控过程。
14.根据实施例13所述的方法,其中,所述状态变化包括所述受控过程的设定点的变化。
15.根据实施例13所述的方法,其中,所述基于优化的控制算法包括不可行搜索算法。
16.根据实施例13所述的方法,其中,所述基于优化的控制算法包括可行搜索算法。
17.根据实施例13所述的方法,其中,所述基于优化的控制算法包括不可行搜索算法和可行搜索算法二者。
18.根据实施例17所述的方法,其中,所述不可行搜索算法在采样周期的第一部分期间执行,并且如果通过所述不可行搜索算法没有确定可行控制轨迹,则所述可行搜索算法在所述采样周期的第二部分期间执行。
19.一种控制系统,包括:
存储器电路,所述存储器电路用于存储可执行代码;以及
处理电路,所述处理电路用于执行所述代码,所述代码定义以下步骤,所述步骤在执行时:
确定要控制的非线性过程的线性化模型;
执行基于优化的控制算法以确定控制轨迹的多个采样周期的可行控制轨迹;以及
通过应用所述可行控制轨迹来控制所述受控过程。
20.根据实施例19所述的系统,其中,所述处理电路包括多核处理器,并且其中,所述多核处理器的一个核专用于确定所述可行控制轨迹,而所述多核处理器的另一个核执行其它处理功能。
Claims (15)
1.一种用于控制自动化系统的操作的方法,包括:
使用控制系统确定非线性模型的线性逼近,其中,所述非线性模型被配置成对所述自动化系统的非线性操作建模;
使用所述控制系统确定对所述自动化系统的操作的非线性约束的第一凸逼近;
使用所述控制系统对目标函数进行二次变换;
使用所述控制系统基于所述线性逼近、所述第一凸逼近和所述二次变换之后的目标函数执行基于优化的控制算法,以确定控制时域中的多个采样周期上的所述自动化系统的受操作变量的可行轨迹;以及
使用所述控制系统基于所述受操作变量的所述可行轨迹指令所述自动化系统调整所述操作;
其中,确定所述第一凸逼近包括:
确定所述非线性约束的第二凸逼近;
确定所述非线性约束的第三凸逼近;以及
将所述第一凸逼近设置为所述第二凸逼近和所述第三凸逼近中的包括所述非线性约束的可行区域的最低点并且不包括所述非线性约束的大量不可行区域的一个凸逼近;
其中,所述第一凸逼近包括简单的限制。
2.根据权利要求1所述的方法,其中,所述非线性模型是通过执行参数通用非线性动态逼近器算法来确定的。
3.根据权利要求2所述的方法,其中,所述基于优化的控制算法比所述参数通用非线性动态逼近器算法更频繁地执行。
4.根据权利要求3所述的方法,其中,所述参数通用非线性动态逼近器算法是基于所述自动化系统的状态的变化来执行的。
5.根据权利要求4所述的方法,其中,所述状态的变化包括所述自动化系统的设定点的变化。
6.根据权利要求1所述的方法,其中,所述基于优化的控制算法包括不可行搜索算法。
7.根据权利要求6所述的方法,其中,所述不可行搜索算法包括对偶二次有效集解算器算法。
8.根据权利要求1所述的方法,其中,所述基于优化的控制算法包括可行搜索算法。
9.根据权利要求8所述的方法,其中,所述可行搜索算法包括原始有效集解算器算法。
10.根据权利要求1所述的方法,其中,所述基于优化的控制算法包括不可行搜索算法和可行搜索算法二者。
11.根据权利要求10所述的方法,其中,所述不可行搜索算法在采样周期的第一部分期间执行,并且如果通过所述不可行搜索算法没有确定可行控制轨迹,则所述可行搜索算法在所述采样周期的第二部分期间执行。
12.根据权利要求1所述的方法,包括:在所述自动化系统的实时控制期间周期性地重复执行至少所述基于优化的控制算法。
13.一种控制系统,包括:
存储器电路,所述存储器电路用于存储可执行代码;以及
处理电路,所述处理电路用于执行所述代码,所述代码定义以下步骤,所述步骤在执行时:
确定非线性模型的线性逼近,其中,所述非线性模型被配置成对自动化系统的非线性操作建模;
确定对所述自动化系统的操作的非线性约束的第一凸逼近;
对目标函数进行二次变换;
基于所述线性逼近、所述第一凸逼近和所述二次变换之后的目标函数,执行基于优化的控制算法以确定控制时域中的多个采样周期上的所述自动化系统的受操作变量的可行轨迹;以及
基于所述受操作变量的所述可行轨迹,指令所述自动化系统调整所述操作;
其中,确定所述第一凸逼近包括:
确定所述非线性约束的第二凸逼近;
确定所述非线性约束的第三凸逼近;以及
将所述第一凸逼近设置为所述第二凸逼近和所述第三凸逼近中的包括所述非线性约束的可行区域的最低点并且不包括所述非线性约束的大量不可行区域的一个凸逼近;
其中,所述第一凸逼近包括简单的限制。
14.根据权利要求13所述的系统,其中,所述处理电路包括多核处理器,并且其中,所述多核处理器的一个核专用于确定所述可行控制轨迹,而所述多核处理器的另一个核执行其它处理功能。
15.根据权利要求13所述的系统,其中,在执行时,所述处理电路在对所述自动化系统进行控制期间周期性地重复至少所述基于优化的控制算法的执行。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/838,315 | 2013-03-15 | ||
US13/838,315 US9448546B2 (en) | 2013-03-15 | 2013-03-15 | Deterministic optimization based control system and method for linear and non-linear systems |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104049598A CN104049598A (zh) | 2014-09-17 |
CN104049598B true CN104049598B (zh) | 2017-07-18 |
Family
ID=50478664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410099248.8A Active CN104049598B (zh) | 2013-03-15 | 2014-03-17 | 线性和非线性系统的基于确定性优化的控制系统及方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9448546B2 (zh) |
EP (1) | EP2778806B1 (zh) |
CN (1) | CN104049598B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10317857B2 (en) * | 2013-03-15 | 2019-06-11 | Rockwell Automation Technologies, Inc. | Sequential deterministic optimization based control system and method |
WO2015199779A2 (en) | 2014-03-31 | 2015-12-30 | Peterson Elmor L | Flexible vector-processing algorithms for numerically solving extreme-scale, linear and non-linear, predictive and prescriptive, problems in science and engineering, on parallel-processing super computers |
CN104698842B (zh) * | 2015-02-06 | 2017-11-24 | 浙江大学 | 一种基于内点法的lpv模型非线性预测控制方法 |
JP6523854B2 (ja) * | 2015-07-29 | 2019-06-05 | 株式会社東芝 | 最適制御装置、最適制御方法、コンピュータプログラム及び最適制御システム |
CN106444370B (zh) * | 2016-06-22 | 2019-11-08 | 上海振华重工集团(南通)传动机械有限公司 | 一种基于运动线性模型和区域性能指标的预测控制算法 |
CN106154839B (zh) * | 2016-09-19 | 2019-02-01 | 重庆大学 | 基于未知目标轨迹的非线性系统鲁棒自适应跟踪控制方法 |
US11662719B2 (en) | 2017-09-29 | 2023-05-30 | Rockwell Automation Technologies, Inc. | Classification modeling for monitoring, diagnostics optimization and control |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6381504B1 (en) | 1996-05-06 | 2002-04-30 | Pavilion Technologies, Inc. | Method for optimizing a plant with multiple inputs |
US7050953B2 (en) | 2002-05-22 | 2006-05-23 | Bigwood Technology Incorporated | Dynamical methods for solving large-scale discrete and continuous optimization problems |
US7050863B2 (en) | 2002-09-11 | 2006-05-23 | Fisher-Rosemount Systems, Inc. | Integrated model predictive control and optimization within a process control system |
US7376472B2 (en) | 2002-09-11 | 2008-05-20 | Fisher-Rosemount Systems, Inc. | Integrated model predictive control and optimization within a process control system |
US7328074B2 (en) | 2002-12-02 | 2008-02-05 | United Technologies Corporation | Real-time quadratic programming for control of dynamical systems |
US20050187643A1 (en) * | 2004-02-19 | 2005-08-25 | Pavilion Technologies, Inc. | Parametric universal nonlinear dynamics approximator and use |
US20090150890A1 (en) * | 2007-12-10 | 2009-06-11 | Yourst Matt T | Strand-based computing hardware and dynamically optimizing strandware for a high performance microprocessor system |
US20060111881A1 (en) | 2004-11-23 | 2006-05-25 | Warren Jackson | Specialized processor for solving optimization problems |
US20060282177A1 (en) | 2005-06-10 | 2006-12-14 | United Technologies Corporation | System and method of applying interior point method for online model predictive control of gas turbine engines |
US8065022B2 (en) * | 2005-09-06 | 2011-11-22 | General Electric Company | Methods and systems for neural network modeling of turbine components |
US7451004B2 (en) * | 2005-09-30 | 2008-11-11 | Fisher-Rosemount Systems, Inc. | On-line adaptive model predictive control in a process control system |
US20070156259A1 (en) | 2005-12-30 | 2007-07-05 | Lubomir Baramov | System generating output ranges for model predictive control having input-driven switched dynamics |
US7987145B2 (en) | 2008-03-19 | 2011-07-26 | Honeywell Internationa | Target trajectory generator for predictive control of nonlinear systems using extended Kalman filter |
US8046089B2 (en) | 2008-06-20 | 2011-10-25 | Honeywell International Inc. | Apparatus and method for model predictive control (MPC) of a nonlinear process |
US9141098B2 (en) * | 2009-10-30 | 2015-09-22 | Rockwell Automation Technologies, Inc. | Integrated optimization and control for production plants |
-
2013
- 2013-03-15 US US13/838,315 patent/US9448546B2/en active Active
-
2014
- 2014-03-17 EP EP14160227.6A patent/EP2778806B1/en active Active
- 2014-03-17 CN CN201410099248.8A patent/CN104049598B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
EP2778806B1 (en) | 2019-08-07 |
EP2778806A1 (en) | 2014-09-17 |
US20140277601A1 (en) | 2014-09-18 |
CN104049598A (zh) | 2014-09-17 |
US9448546B2 (en) | 2016-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104049598B (zh) | 线性和非线性系统的基于确定性优化的控制系统及方法 | |
Guerra et al. | Digital twin-based optimization for ultraprecision motion systems with backlash and friction | |
US11644803B2 (en) | Control system database systems and methods | |
Villarreal-Cervantes et al. | Off-line PID control tuning for a planar parallel robot using DE variants | |
Adhyaru et al. | Bounded robust control of nonlinear systems using neural network–based HJB solution | |
CN104049596A (zh) | 稳定确定性的基于最优化的控制系统及方法 | |
EP2981867B1 (en) | System and method for implementing model predictive control in plc | |
Guan et al. | Robust adaptive tracking control for manipulators based on a TSK fuzzy cerebellar model articulation controller | |
Drgoňa et al. | Deep learning explicit differentiable predictive control laws for buildings | |
Blondin et al. | Control engineering from classical to intelligent control theory—an overview | |
Al-Dujaili et al. | Adaptive backstepping control design for ball and beam system | |
Tsai et al. | A methodology for designing a nonlinear feedback controller via parametric optimization: State-parameterized nonlinear programming control | |
Dib et al. | Comparative Study of Optimal Tuning PID Controller for Manipulator Robot | |
Pan et al. | Economic optimization and control based on multi priority rank RTO and double layered MPC | |
Myrtellari et al. | Analysis and Performance of Linear Quadratic Regulator and PSO algorithm in optimal control of DC motor | |
Mahmoodabadi et al. | Optimal design of an adaptive robust controller using a multi-objective artificial bee colony algorithm for an inverted pendulum system | |
Mattera et al. | Optimal data-driven control of manufacturing processes using reinforcement learning: an application to wire arc additive manufacturing | |
Shafei et al. | Trajectory tracking of an uncertain wheeled mobile robotic manipulator with a hybrid control approach | |
Wang et al. | A New Model‐Free Trajectory Tracking Control for Robot Manipulators | |
Korenkov et al. | Self-organized intelligent quantum controller: quantum deep learning and quantum genetic algorithm–QSCOptKBTM toolkit | |
CN104049532A (zh) | 基于按顺序的确定性的优化的控制系统和方法 | |
Nader et al. | Modelling and Control of a Two‐Wheel Inverted Pendulum Using Fuzzy‐PID‐Modified State Feedback | |
Kuang | A perspective of Intelligent algorithms and manipulator control | |
Song et al. | LQR Optimal Control Method Based on Two-Degree-of Freedom Manipulator | |
Zhang et al. | Model-free adaptive near-optimal tracking 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: ohio Patentee after: Rockwell automation technologies Address before: ohio Patentee before: Rockwell Automation Tech Inc. |
|
CP01 | Change in the name or title of a patent holder |