CN105229541A - 过程控制方法 - Google Patents

Abstract

本发明涉及一种方法用于控制一种过程，所述方法包括一个自适应控制模型和至少一个过程输入和至少一个过程输出，所述控制模型包括：预测过程中的相关目标；并且，基于目标预测选择相关驱动器用于过程，优选的，所述方法包括基于一个或多个输入适应很多参数，并且利用适应的参数作为输入用于目标预测。

Description

过程控制方法

发明领域

本发明涉及过程控制领域。更具体的说，本发明涉及将产品或产品组件在特定的过程条件下保持相对长的时间以便得到所期望的最终产品的过程控制领域。

发明背景

有关过程控制领域已经出版了数不清的书籍和文章。大多数已知的过程控制领域的方法包括接收来自它们控制着的过程的输入的模型和基于所述输入计算输出用以调整所述过程的有关参数。

在制造一件产品的过程中，例如，食品，过程参数及被控制的过程将会对最终的产品构成产生重要影响。对产品的制造者来说，这可能意味着利润随着最终产品而变化的非常大。因此，过程的控制，尽可能的接近最优控制过程，有着非常重要的意义。最坏情况的产品，当产品离最终产品所期望的状态有着太大变化时，产品可能不得不被丢弃，对制造者来说可能意味着重大损失。

为了用一种更加可预见的方式来处理过程控制，已经出现过不同的模型和控制策略相结合的各种各样的尝试。

已知的第US7856281号美国专利，一种过程控制器，其基于过程：

输入产生输出并且包括一个模型，可能是非线性模型，该模型产生预期的信号用于输出的。进一步，可能会提供一个修正单元用来修正预期矢量用于补偿过程的非线性。

已知的第US7317953号美国专利，一种过程控制器，具有多变量的过程模型，其特征在于作为一套两个或更多的单输入单输出模型(SISO模型)。适应系统探测到过程输入中的变化，并且可能启动一个适应循环，适应系统判定SISO模型的某一个子设备是否需要改变。在适应之后，适应通过判定适应的多变量过程是否比目前的模型有更低的模型错误进行验证，以及使用调整过的模型后是否错误更低。

第WO2011/014350A1号专利，涉及过程控制系统，并且更详细地，关于在线的、自我配置的、基于模型的可预期的自适应过程控制器用于多区域系统，能够调节温度、湿度、压力、流速等等，可能在工业领域使用于各种各样的过程控制应用。第WO2011/014350A1号发明，包括判断每一个控制区域的系统参数(例如，温度区域)并且这些参数之间的相关性持续到加热和冷却阶段，并且，通过利用捕获的信息来维持温度控制系统的每一个区域的单个设定点温度。

尽管这些在先已知的过程控制方法对过可程预期性提供了一些改进，但是，与输入材料流入过程有关的重大差异仍然可能发生，造成过程参数偏离预期，并且导致最终产品也偏离预期。

因此，一种改进的方法应该是优越的，并且尤其一种更有效的和/或可靠的过程控制应该是优越的。

发明概述

因此，本发明优选的追求单独的或用各种组合来缓和、减轻或消除一个或多个上述方法中的劣势。

本发明的目的可以通过具有在权利要求1中定义的特征的方法、通过权利要求10中定义的控制系统、并且通过权利要求11中定义的生产设备达到。优选的实施例在从属权利要求中进行了定义，在下面的描述中进行了阐释，并且展示在附图中。

特别地，可以看出本发明的一个目的，通过提供一种过程控制方法，解决一个或更多上面提到过的缺点，将会提供对有关来自过程的输出的一种改进。

这一目的和其他几个目的自本发明的第一个方面得到，通过提供一种方法来控制一个过程，该方法包括一个自适应控制模型和至少一个过程输入以及至少一个过程输出，控制模型包括：

-在过程中预测相关目标，

其特征在于

-基于所述预测目标选定用于过程的相关驱动器。

实施例中，所述方法包括基于一个或多个输入适应一些参数，并且利用自适应的参数作为输入用于目标预测。

实施例中，所述方法包括测量一个非在线的参数和提供非在线的参数测量作为输入用于参数选择。

优选的，所述方法包括一个预处理单元用来准备输入信号用于自适应过程。

优选的，所述方法包括操控的输入变量、从属的输出变量、非操控的输入变量和/或执行目标和测量。

有利的，所述方法包括非线性参数适应、目标预测、目标调整、驱动器调整和驱动器选择，作为过程输入进行控制。

有利的，所述操控输入变量和从属的输出变量是用于非线性参数自适应，并且进一步同来自非线性参数自适应的输出一起用于目标预测。

优选的，所述非操控变量输入和执行目标和测量用于目标调整。

优选的，所述方法包括测量非在线的参数并且提供非在线参数测量作为输入用于目标调整。

优选的，所述目标预测和目标调整是用于驱动器调整。

本发明，尤其地，但是不专门地，用于获取一个更加可预期的控制的过程的结果是具有优势的。

本发明的深入的一个方面，所述控制系统是可预见的，能够自适应执行按照本发明关于一种制造设备的方法。

本发明的更深入的一个方面，提供一种制造设备，所述制造设备包括一个控制系统运行一种按照本发明所述的方法。

优选的，所述制造设备包括测量设备用于测量过程中的操控数据和过程中或过程周围介质的非操控数据，以及反馈给控制系统的数据。

上文所述中，有关一般的控制系统已经使用了各种术语。下面的阐述意在说明所用术语，同时，它不能被理解成用来限制本发明的范围。

驱动器：输入(例如，螺旋传送带周转率或者一个阀门的打开)，可能被调整(操控的)并且影响目标值。所述过程并不总是传递关于驱动器的数据。

目标：输出，被测量的，并且作为目标使用，通过驱动器来控制接近一个设定点。

其他(非可调性)输入：测量，并非目标，但是可能用来调整目标(设定点)。这可能包括在线测量和非在线测量。非在线测量一般认为是，例如，以低频率执行的实验室测量，例如，每小时。在这些中，通常是优质的测量(执行测量)，是主要的最优目标。

本发明的第一和第二方面可能各自同其它任何方面结合。本发明的这些及其他方面将通过下文实施例阐明。

附图描述

现在本发明将通过举例方式，结合如下附图进行阐明：

图1为按照本发明所述方法的流程图；和

图2输入测量图表介绍

实施例详细描述

根据图1的自适应过程控制描述

过程数据

过程数据细分为如下：

操控输入变量：这些过程变量能够通过控制直接改变。(驱动器)。

从属输出变量：这些过程变量不能被直接改变。(目标)。这些过程变量已知与执行测量有相互关系。

非操控输入变量：这些过程输入变量已知影响执行，但并不被控制。

执行测量和目标：执行目标被期望为执行过程值。这个变量一般不能被在线测量，例如，持续的，相反，它是被非在线测量的，例如，周期性的抽样调查(执行测量)。

其它变量：过程能够包含源自其它模型和控制中忽略掉的输入或输出变量。(未显示在图中)。

预处理

预处理模型执行过程数据信号过滤。通常，这样做是为了去除过程数据中的高频起伏现象(噪音)。

非线性参数自适应

这个模型执行一种持续的过程参数在线自适应,使用在目标预测器模型中。在响应模型中，参数为响应幅度和时间。幅度参数基于平均值调整后的。非线性时间调整是利用相互关系来执行的。在操作期间，当过程情况变化巨大的时候，参数调整作为维持一个良好的系统模型是有优势的。

目标预测器

目标预测器模型利用系统模型来预测驱动变化对目标的影响。为了对未来的目标变化建立较强的评估，目标预测器是必需的。

驱动器调整

驱动器调整模型利用预测目标值和当前目标设定点来计算用于驱动的可能的调整选择方案。驱动器调整模型是引导目标接近预期设定点的控制器部分。

目标调整

为了达到执行目标，目标调整模型根据非操控变量中的变化和源自执行目标的执行测量中的不同来调整目标设定点。目标调整引导所述过程接近全面执行目标。

驱动器选择

驱动器选择模型执行源自基于优选方案经计算过的可能的驱动器调整的选择。因为能够就有关产量、能源效率或类似事情在整体上最优化，因此驱动器选择在工业上有重要用途。

发明的实现

过程数据：

操控输入变量(驱动)：例如，供料流量和入射能量进入喷雾干燥机(进入的气流和空气温度)，或卧螺离心机传送装置的不同转动速度。

从属输出变量(目标)：例如，喷雾干燥机中排出的空气和粉末的温度或卧螺离心机中的输送转矩。

非操控输出变量：例如，在线测量进入喷雾干燥机的外部空气湿度和空气温度，在线测量来自卧螺离心机的变量信号，或任一例中原料的非在线干物质含量。

执行测量和目标：例如，任一例中残留潮湿或干燥物质含量。如果并且只有执行是被在线测量，执行周期18是多余的(那时也包括周期14)。

预处理

每一个过程变量都是系统模型一部分，是被使用前预先处理过的。

本发明实现之一，预处理是以低通过率过滤器用指数加权移动平均数执行：

y_i＝a_px_i+(1-a_p)y_i-1

其中：

y_i是在时间i的过滤过程变量，

x_i是在时间i的原始过程的变量值，和

a_p是平滑系数,0≤a_p≤1。

非线性参数自适应

系统参数的持续自适应分为两部分：有关幅度的参数和有关时间的参数与目标相联系响应驱动内引起的变化。发明接近参数自适应不同于其它任何已知方法，并且确保一种非常稳定的过程控制。

两套参数都是被计算用于存在于一个给定的发展的控制系统中的每一对驱动/目标。所以，给定例如，3个驱动和2个目标，总共6套系统参数要被计算。

幅度自适应

本发明的实现之一，响应幅度参数是基于平均驱动和目标值不断的被调整。

$X_{T,D}=R_{T,D}^p\·f(\frac{\stackrel{\‾}{D}}{D_{typ}},\frac{\stackrel{\‾}{T}}{T_{typ}})$

R_T，D(t)＝R_T，D(t-1)·(1-a_r)+X_T，D·a_r

其中

t是(整数)时间步长

R_T，D(t)是目标T和驱动D之间调整过的响应幅度。

R^p _T，D是响应幅度尺度

X_T，D是驱动D和目标T之间当前响应幅度。

a_r是平滑“记忆”系数用于调整响应参数。0<a_r<1。

是(过滤的)驱动测量。

D_typ是正常操作期间驱动的典型值。

是(过滤的)目标测量。

T_typ是正常操作期间目标的典型值。

f(x,y)是幅度自适应函数。最简单的幅度自适应测量形式使用的是f(x,y)＝y/x。

时间自适应

本发明的实现之一，系统响应时间是利用驱动和目标的交叉关联进行评估。

$C_{T,D}^i\left(t\right)=\left(\stackrel{-}{T_l}\right(t)-\stackrel{-}{T_s}(t\left)\right)\&CenterDot;\left(\stackrel{-}{D_s}\right(t-i\&CenterDot;\frac{{\mathrm{\&tau;}}_{cor}}{{\mathrm{\&tau;}}_c})-\stackrel{-}{D_l}(t\left)\right)$

$K_{T,D}^i\left(t\right)=(1-a_s)K_{T,D}^1(t-1)+a_s\&CenterDot;C_{T,D}^i\left(t\right),foreachi\&Element;\&lsqb;0,...,N\&rsqb;.$

用m(t)做指数i，是最小的(大多数为负数)，然后

其中

是目标T和驱动D之间相互关系测量，i相互关系时间步长之前。

是目标的最长时间尺度平均值。

是目标的最短时间尺度平均值。

是驱动最长时间尺度平均值。

是驱动最短时间尺度平均值。

τ_c是控制步长之间的持续时间。

τ_cor是相关矢量部件之间的持续时间。

是在参数自适应中使用的所有i交叉相关矢量。

a_s是平滑系数用于交叉相关矢量的调整。

N交叉相关矢量中元素数量。

是指令1的相变参数。

S_T，D(t)是调整后的响应时间。

分隔开控制时间和响应关联时间的时间尺度，确保本发明的实施可以在更多精确响应时间和计算必要条件有限制的地方之间进行换位(通过调整N)。尽管如此，它必须一直确保N·τ_cor比过程预期的最长特定时间尺度更长。

启发响应模型

在另一个实施中，需要甚至更少的计算时间和存储，利用启发模型同时调整响应幅度和时间尺度。作为一个特殊的案例，基于源自过程分析的值，它们被持续保留。

启发响应案例中，R_T，D(t)和S_T，D(t)对过程变化自动做出响应变化。例如，驱动值移动太接近可操作限制，或者一个目标(被期望为大体上不变的)变化的超过了给定的量。此外，限制能够动态调整，以响应控制变得过于积极。

自动参数变化和自动限制变化的组合，使得控制可以自调整。

在实施中，调整是根据下面的规则进行，运行间隔长于过程的最长重要特定时间尺度：

倘若(DTLong>KT*TLong):

Rnew＝KRd*R

Snew＝KSu*S

DTLong是短的和长的时间尺度平均目标值之间长的时间尺度平均偏差。

TLong是长的时间尺度平均目标值。

KT是TLong的最大接受率，即，控制器接受DTLong达到在调整控制参数之前。

KRd是R控制参数向下(d)调整的力度。

KSu是S控制参数向上(u)调整的力度。

例如，这个案例中，过程将会通过把驱动调整的更强，试着更多捕获控制中的目标值中的变化。

DeltaDmin＝KD0*(DLong-Dmin)

DeltaDmax＝KD0*(Dmax-DLong)

如果(D<Dmin+DeltaDmin或者D>Dmax-DeltaDmax):

Rnew＝KRu*Rnew

Snew＝KSd*Snew

DeltaDmin是围绕着可操作限制Dmin的浮动的“不接受”范围。

DeltaDmax是围绕着可操作限制Dmax的浮动的“不接受”范围。

KRu是R控制参数向上(u)调整力度。

KSd是S控制参数向下(d)调整力度。

DLong是长的时间尺度平均驱动值。

如果驱动是在给定的DeltaDmin/max范围之内，控制参数会被放松。为了允许过程运行驱动接近可操作限制用于延长的周期，所述范围是动态调整的，当过程情况需要这样，同时仍旧快速赶上驱动朝着可操作限制运行的案例。

R值和S值总是各自保持在Rmin/max和Smin/max之内。尽管如此，额外的控制执行可以通过在一个很长的时间尺度上，调整这些限制来获得，在大多数积极控制(Rmin和Smax)一边，例如，当过程情况是“容易”时，允许较强的尝试在它们设定的点上去抓取目标，同时，当情况是“困难”时，允许更多目标变量。正常过程控制器总是被强制在设定为“困难”情况下运行。

这个模型实施之一就是适时地一次(长)时间的加强控制，或者对参数给定最大/最小动态限制或者通过一个设定百分比然后探测过程控制太困难的信号。

如果(abs(D-Dold)＞KD1*DLong)；

Rnew＝KRu*R

Snew＝KSd*S

Rmin＝(1+KRu)*R/2

Smax＝(1+KSd)*S/2

R＝Rnew

S＝Snew

过程控制太困难的一个信号经展示如上：探测到一个过大的驱动步长。在这个案例中，当前控制强度是持续不断的自有问题的层面被击退，并且，动态限制进一步加深，这样问题值不会再次击打，直到至少适时地参数之间的时间改变。

在其他案例中，R值和S值通过一个过滤器被改变为Rnew值和Snew值。

目标预测器

对控制系统的每一个目标来说，一个对所需修正的预测是持续不断的被计算的。这个计算是来自目标设定点的当前偏差的一个函数，以及由之前驱动的变化造成的影响。

Δ_T，D(t)＝Δ_T，D(t-1)·(1-S_T，D)+D(t)-D(t-1)

ΔT_p＝T-T_setpoint-Σ_DR_T，D·Δ_T，D

其中

Δ_T，D(t)是对驱动D之前改变的一种测量。

T_setpoint是目标设定点。

ΔT_p是源自当前控制步长的目标需要改变的量级的预测。

驱动器调整

对于每一个目标来说，它是用来计算每个驱动应该调整多少，只要驱动是被用于修正对目标的预测偏差。

$D_{prop}^T=\&lsqb;\mathrm{\&alpha;}/R_{T,D}\&rsqb;\&CenterDot;{\mathrm{\&Delta;T}}_p^{\&prime;}+D$

其中

是驱动的建议新值被用于修正对目标T的偏差。

α是控制力度。

一旦一个被计算用于所有成对的目标T和驱动D，控制器为每个驱动计算一个单独的调整值。这是通过为每一个D计算的加权总数来做到的。

$D_{update}=\frac{{\mathrm{\&Sigma;w}}_T\&CenterDot;D_{prop}^T}{{\mathrm{\&Sigma;w}}_T}$

其中

D_update是每个驱动的单独调整驱动值。

w_T是目标T的权重。

单独权重w_T，每个目标是基于与执行测量相互关联的目标力度、目标测量可靠性或一些其它有重要意义的特征进行分配的。

目标调整：

为了达到过程的整体执行目标，需要进行控制系统目标的在线调整。

目标调整以两种形式进行：

目标调整的主因源自执行的测量。执行测量是过程的主要指示器；尽管如此，它是变化的通常不是持续的采集。相反，执行测量是周期性进行，典型性的实验室值，并且，当执行测量和执行目标之间的偏差被观察到时，控制系统会调整目标设定点。

其它目标调整原因源自非操控输入变量变化。这些变化能够被监测到，并且已知对执行目标的影响，尽管如此，在大多数实际应用中它们是不可能控制的。这个可能包括这样的变量，如周围介质温度或湿度，或组件输入浓度的测量。

执行由于非操控输入变量的变化引起的目标调整，采用下面形式：

$T_{tuned}\left(t\right)=T_{tuned}(t-1)+\underset{V_t}{\&Sigma;}{g}_{T,Vi}\left(V_i\right(t),V_i(t-1),\mathrm{...},V_i(t-n\left)\right)$

其中

T_tuned是在时间步长t调整后的目标设定点。

V_i(t)是在时间t(过滤过的)非操控输入变量。

g_T，Vi是与变量V_i和目标T相关联的调整函数。

g的最简单形式是线性关系：

$g_{T,V_i}\left(V_i\right(t),V_i(t-1\left)\right)=K_{Y,V_i}\&lsqb;V_i\left(t\right)-V_i(t-1)\&rsqb;$

实施基于执行目标和执行测量之间偏差引起的目标调整，采取下面形式：

T_tuned＝T_tuned.old+h_T，P(P_setpoint，P(t)，P(t-1)，…，P(t-n))

其中

T_tuned是计算过的新的调整的目标设定点。

T_tuned.old是旧的目标设定点(在执行测量前设定的)。

P(t)是在时间t的执行测量。

P_setpoint是整体系统执行目标。

h_T，P是调整函数与执行目标和目标T关联。

h最简单的形式是线性关系：

h_T，P(P_setpoint，P)＝K_T，P·[P-P_setpoint]

驱动器选择：

每个控制间隔，控制系统适应/调整最多一个驱动。作为潜在驱动调整是被计算用于所有驱动(见50)，一个选择过程被引入用来从可用驱动中挑选一个驱动。

基于考虑比如过程加工能力、能量效率或类似标准作出一个指令。此外，驱动选择依赖于对特定的驱动的调整是否在产量和能量消耗之间有一个积极或消极的关系。例如，在一个干燥过程中，由于较高温度(所有物体相等)将会允许一个较快干燥速度，输入温度将会有一个积极的关系。

具有3个驱动的控制系统的实现之一，制定的指令如下：

1.原料输入速率-由于主要聚焦于过程生产量。

2.输入温度-由于拥有高于3的能量效率。

3.输入空气速率-由于最低的能量效率。

所有3个驱动都有一种积极的生产/能量消耗关系，并且，驱动之间的选择将会有下面的形式：

选择指令：

1.增加原料输入速率？

a.是->停止选择–增加原料输入速率。

b.否->继续选择。

2.增加输入空气温度？

a.是->停止选择–增加输入空气温度。

b.否->继续选择。

3.增加或降低输入空气速率？

a.是->停止选择–提高/降低输入空气速率

b.否->继续选择

4.降低输入空气温度？

a.是->停止选择-降低输入空气温度。

b.否->继续选择。

5.降低原料输入速率？

a.是->停止选择–降低原料输入速率。

b.否->停止–无变化。

为了进一步强调用于控制过程的各种各样的输入数据的来源，图2中做了参考。尽管图1中，所有用于控制过程的输入数据显示出源自过程，这必须理解为比过程本身更为宽泛。输入数据部分源自过程，但是，也可能是对过程输入的测量，例如，过程给料，或可能是过程输出测量，例如，过程所制造的产品。最终数据源自周围介质，也可能表现为过程的输入数据，例如，空气湿度或空气压力。

尽管本发明结合具体的实施例进行了描述，但并不限制于此中详述的具体形式。相反，本发明的保护范围仅通过随附的权利要求限定。权利要求中，术语“包括”并不排斥其它元素或步骤的存在。另外，尽管个别的特征可能包括在不同的权利要求中，这些可能是有力的组合，并且不同的权利要求的内容并不意味着特征的组合是不可行和/或有利的。除此之外，单数单词不排除复数。因此，涉及“a”、“an”、“第一”、“第二”等等的单数词语，并不排斥复数形式。与此同时，权利要求标号不应被理解为对范围的限制。

Claims (12)

1.一种方法用于控制一个过程，所述方法包括一个自适应控制模型和至少一个过程输入和至少一个过程输出，所述控制模型包括：

-预测过程中的相关目标；

其特征在于

-基于所述目标预测，选择相关驱动器用于所述过程。

2.根据权利要求1所述方法，所述方法包括基于一个或多个输入适应许多参数，并且，利用适应的参数作为输入用于目标预测。

3.根据权利要求1或2所述方法，所述方法包括操控输入变量、从属输出变量、非操控输入变量以及执行目标和测量。

4.根据之前所述任一权利要求所述方法，所述方法包括非线性参数适应、目标预测、目标调整、驱动器调整以及驱动器选择作为过程输入被控制。

5.根据权利要求4所述方法，操控输入变量和从属输出变量是用于非线性参数适应以及进一步和源自非线性参数适应的输出一起用于目标预测。

6.根据权利要求5所述方法，非操控输入变量和执行目标和测量是用于目标调整。

7.根据权利要求6所述方法，所述方法包括测量非在线参数和提供非在线参数测量作为输入用于目标调整。

8.根据权利要求6或7所述方法，目标预测和目标调整是用于驱动器调整。

9.根据之前所述任一权利要求所述方法，所述方法包括预处理单元用于准备输入信号供适应过程使用。

10.一种控制系统适应于执行根据之前所述任一权利要求所述的关于一种制造设备的方法。

11.一种制造设备包括一种控制系统执行根据之前所述任一权利要求所述方法。

12.根据权利要求11所述的一种制造设备，所述设备包括测量设备用于测量过程中的操控数据以及过程中和/或过程周围介质的非操控数据以及反馈给控制系统的数据。