CN108828945B - 一种流程工业过程预测优化控制方法 - Google Patents
一种流程工业过程预测优化控制方法 Download PDFInfo
- Publication number
- CN108828945B CN108828945B CN201810685463.4A CN201810685463A CN108828945B CN 108828945 B CN108828945 B CN 108828945B CN 201810685463 A CN201810685463 A CN 201810685463A CN 108828945 B CN108828945 B CN 108828945B
- Authority
- CN
- China
- Prior art keywords
- time
- period
- control
- max
- input
- 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
- G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
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
本发明公开了一种流程工业过程预测优化控制方法。本发明针对流程工业现有控制技术与得到的控制性能的不足,综合多项系统误差形式,来提高系统的控制性能和周期性流程工业的控制性能。通过预测控制技术,在控制输出和输入具有约束的情况下,最优化流程工业的控制效果,最后通过选定的系统目标函数,得到系统的最优控制器。本发明在新的控制结构中,更加精确了控制器变化范围,提高了控制带来的控制性能,同时保证控制装置操作在最佳状态,使流程工业的过程参数能够被严格控制。通过此种改进的技术手段,使得控制输出能够严格控制在安全范围内,防止机器出现过量输出和过度扭转而损坏设备,因此能够得到更好的控制效果。
Description
技术领域
本发明属于自动化技术领域,涉及一种流程工业过程预测优化控制方法。
背景技术
流程工业主要涉及石油、化工、能源、环保水处理等领域,是一个国家国民经济的支柱,也是国家经济持续增长的重要支撑力量。流程工业的操作、管理、控制等技术的先进性也与人们的社会生活息息相关。以石化、能源产业为代表的流程制造行业急需产业转型发展的新动能,现有的制造模式存在一些亟待解决的难题,生产效率低下、成本高等,都使得企业收益受限。因此随着社会的发展与经济的飞速提升,流程工业的优化控制是一个非常棘手和迫切的问题,提升企业生产运行和经营管理的决策,这就需要提出具有优良性能的控制方法,提高控制系统的控制精度,同时优化企业流程工业运营过程中的整体性能,达到节省原料供应、能源消耗的目的。
为解决流程工业中各项参数的严格控制,以及最大化提升流程工业运行的控制性能指标,本发明提出一种新的控制方法,将变松弛形式约束引入流程工业,提高系统控制性能,带有动态形式输出约束,使得系统更能适应生产,进一步提高批次过程的控制性能,提高生产质量,减少生产成本。
发明内容
本发明的目的是针对流程工业现有控制技术与得到的控制性能的不足,综合多项系统误差形式,来提高系统的控制性能和周期性流程工业的控制性能。通过预测控制技术,在控制输出和输入具有约束的情况下,最优化流程工业的控制效果,最后通过选定的系统目标函数,得到系统的最优控制器。
本发明方法的步骤包括:
步骤1、建立过程对象的状态空间模型,具体是:
1-1.首先采集过程对象的实时运行数据,建立处理过程模型,将带干扰的过程描述为以下形式:
其中,
其中k是系统周期t是系统时刻,△是后向差分算子,x(t+1,k),x(t-1,k)分别是k周期t+1,t-1时刻状态,x(t,k)是k周期t时刻状态,y(t+1,k)是k周期t+1时刻系统过程输出,u(t,k)和u(t-1,k)分别是k周期t时刻和t-1时刻系统控制输入,d(t,k)和d(t-1,k)分别是k周期t时刻和t-1时刻可以测量的外部干扰,A,B,D,C,E是相应维数的系统矩阵。
1-2.为了获得更好的控制效果,系统使用T滤波器消除高频噪声:
1-4.针对系统实际过程,为了获得更优的系统控制性能,设计变松弛形式约束,即动态形式输出约束。
ymin(t,k)-εhmin(t,k)≤y(t,k)≤ymax(t,k)+εhmax(t,k)
其中,ymin(t,k)和ymax(t,k)分别为k周期t时刻的最小和最大约束输出值,ε为选定松弛变量。hmax(t,k),hmin(t,k)是相应的输出变约束软化量。
1-5.设计系统输入约束,形式如下:
umin(t,k)-δpmin(t,k)≤u(t,k)≤umax(t,k)+δpmax(t,k)
△umin(t,k)-ηqmin(t,k)≤△u(t,k)≤△umax(t,k)+ηqmax(t,k)
其中,umin(t,k)和umax(t,k)分别为k周期t时刻的最小和最大约束控制输入值,△umin(t,k)和△umax(t,k)分别为k周期t时刻的最小和最大约束控制输入增量,δ,η分别为选定的松弛变量。pmax(t,k),pmin(t,k)是相应的输入变约束软化量。qmax(t,k),qmin(t,k)是相应的输入增量的变约束软化量。
1-6.设置系统跟踪误差形式,如下所示:
e(t,k)=y(t,k)-yr(t,k)
其中,y(t,k)是k周期t时刻的过程输出,yr(t,k)是系统参考轨迹,e(t,k)是k周期t时刻的跟踪误差。
为了得到更精确的控制,设置系统滚动状态误差,形式如下:
其中,x(tr,k)是过去r时刻状态测量值,xp(tr,k)是过去r时刻的状态预测值,r=0,...,p,p为预测时域。
1-7.根据步骤1-6,选取扩展误差E(t,k),对系统进行综合控制:
1-8.设计系统阶段代价,形式如下:
l(x(t,k),u(t,k))=α1||x(t,k)-x(t-1,k)||2+α2||x(t,k)-x(t,k-1)||2+β1||u(t,k)-u(t-1,k)||2
+β2||u(t,k)-u(t,k-1)||2+τ||E(t,k)||2+Vf(x(M))
其中l(x(t,k),u(t,k))是系统阶段代价,α1,α2,β1,β2,τ是相应的权矩阵,Vf(x(M))是终端惩罚。x(t-1,k)是k周期t-1时刻状态,x(t,k-1)是k-1周期t时刻状态,u(t-1,k)是k周期t-1时刻系统输入,u(t,k-1)是k-1周期t时刻系统输入,x(M)是终端时间M的状态。
步骤2、设计被控对象的过程控制器,具体是:
2-1.为求解最优控制输入,设计系统目标函数形式如下:
min是求最小值,J分别是选取的性能指标,N是选取的阶段周期。
2-2.根据步骤1-5将输入输出约束转化为以下形式:
u(0,0)=u(0),△u(0,0)=△u(0)
其中u(0,0),△u(0,0)分别是系统输入和输入增量的初始条件,初始值设置分别为u(0),△u(0)。
2-3.通过步骤2-1到2-2求得带输出约束与控制约束的系统的解,可以得到最优控制量△U*(t,k):
通常取最优控制量的第一个元素作用于系统,如下所示:
△u*(t,k)=[1 0 … 0]△U*(t,k)
其中,△u*(t,k)为最优更新律,最优控制输入定义为:
u(t,k)=u(t-1,k)+△u*(t,k)
2-4.在下一时刻,重复步骤2.1到2.3继续求解新的最优控制输入u(k),作用于控制对象,并依次循环。
本发明的有益效果:本发明在新的控制结构中,更加精确了控制器变化范围,提高了控制带来的控制性能,同时保证控制装置操作在最佳状态,使流程工业的过程参数能够被严格控制。通过此种改进的技术手段,使得控制输出能够严格控制在安全范围内,防止机器出现过量输出和过度扭转而损坏设备,因此能够得到更好的控制效果。
具体实施方式
以潮流发电过程为例:
这里以潮流发电过程中潮流发电装置的叶片桨距角控制为例加以描述,调节手段是控制液压阀的阀门开度。
步骤1、建立潮流发电装置的状态空间模型,具体是:
1-1.首先采集潮流发电装置的实时运行数据,建立过程模型,将带干扰的过程描述为以下形式:
其中,
其中k是系统周期t是系统时刻,△是后向差分算子,x(t+1,k),x(t-1,k)分别是k周期t+1,t-1时刻状态,x(t,k)是k周期t时刻状态,y(t+1,k)是k周期t+1时刻叶片桨距角,u(t,k)和u(t-1,k)分别是k周期t时刻和t-1时刻系统阀门开度,d(t,k)和d(t-1,k)分别是k周期t时刻和t-1时刻可以测量的外部干扰,A,B,D,C,E是相应维数的系统矩阵。
1-2.为了获得更好的控制效果,系统使用T滤波器消除高频噪声:
1-4.针对系统实际过程,为了获得更优的系统控制性能,设计变松弛形式约束,即动态形式输出约束。
ymin(t,k)-εhmin(t,k)≤y(t,k)≤ymax(t,k)+εhmax(t,k)
其中,ymin(t,k)和ymax(t,k)分别为k周期t时刻的最小和最大叶片桨距角,ε为选定松弛变量,hmax(t,k),hmin(t,k)是相应的叶片桨距角变约束软化量。
1-5.设计系统输入约束,形式如下:
umin(t,k)-δpmin(t,k)≤u(t,k)≤umax(t,k)+δpmax(t,k)
△umin(t,k)-ηqmin(t,k)≤△u(t,k)≤△umax(t,k)+ηqmax(t,k)
其中,umin(t,k)和umax(t,k)分别为k周期t时刻的最小和最大约束阀门开度,△umin(t,k)和△umax(t,k)分别为k周期t时刻的最小和最大约束阀门开度增量,δ,η分别为选定的松弛变量。pmax(t,k),pmin(t,k)是相应的阀门开度变约束软化量。qmax(t,k),qmin(t,k)是相应的阀门开度增量的变约束软化量。
1-6.设置系统跟踪误差形式,如下所示:
e(t,k)=y(t,k)-yr(t,k)
其中,y(t,k)是k周期t时刻的叶片桨距角,yr(t,k)是系统参考轨迹,e(t,k)是k周期t时刻的跟踪误差。
为了得到更精确的控制,设置系统滚动状态误差,形式如下:
其中,x(tr,k)是过去r时刻状态测量值,xp(tr,k)是过去r时刻的状态预测值,r=0,...,p,p为预测时域。
1-7.根据步骤1-6,选取扩展误差E(t,k),对系统进行综合控制:
1-8.设计系统阶段代价,形式如下:
l(x(t,k),u(t,k))=α1||x(t,k)-x(t-1,k)||2+α2||x(t,k)-x(t,k-1)||2+β1||u(t,k)-u(t-1,k)||2
+β2||u(t,k)-u(t,k-1)||2+τ||E(t,k)||2+Vf(x(M))
其中l(x(t,k),u(t,k))是系统阶段代价,α1,α2,β1,β2,τ是相应的权矩阵,Vf(x(M))是终端惩罚。x(t-1,k)是k周期t-1时刻状态,x(t,k-1)是k-1周期t时刻状态,u(t-1,k)是k周期t-1时刻系统输入,u(t,k-1)是k-1周期t时刻系统输入,x(M)是终端时间M的状态。
步骤2、设计被控对象的过程控制器,具体是:
2-1.为求解最优控制输入,设计系统目标函数形式如下:
min是求最小值,J分别是选取的性能指标,N是选取的阶段周期。
2-2.根据步骤1-5将输入输出约束转化为矩阵形式:
u(0,0)=u(0),△u(0,0)=△u(0)
其中u(0,0),△u(0,0)分别是阀门开度和阀门开度增量的初始条件,初始值设置分别为u(0),△u(0)。
2-3.通过步骤2-1到2-2求得带输出约束与控制约束的系统的解,可以得到最最优控制量△U*(t,k):
通常取最优控制量的第一个元素作用于潮流发电装置,如下所示:
△u*(t,k)=[1 0 … 0]△U*(t,k)
其中,△u*(t,k)为最优更新律,最优阀门开度定义为:
u(t,k)=u(t-1,k)+△u*(t,k)
2-4.在下一时刻,重复步骤2.1到2.3继续求解新的最优阀门开度u(k),作用于潮流发电装置的控制液压阀,并依次循环。
Claims (1)
1.一种流程工业过程预测优化控制方法,其特征在于该方法具体是:
步骤1、建立过程对象的状态空间模型,具体是:
1-1.首先采集过程对象的实时运行数据,建立处理过程模型,将带干扰的过程描述为以下形式:
其中,
其中k是系统周期t是系统时刻,△是后向差分算子,x(t+1,k),x(t-1,k)分别是k周期t+1,t-1时刻状态,x(t,k)是k周期t时刻状态,y(t+1,k)是k周期t+1时刻系统过程输出,u(t,k)和u(t-1,k)分别是k周期t时刻和t-1时刻系统控制输入,d(t,k)和d(t-1,k)分别是k周期t时刻和t-1时刻的外部干扰,A,B,D,C,E是相应维数的系统矩阵;
1-2.使用T滤波器消除高频噪声:
1-4.设计变松弛形式约束,即动态形式输出约束;
ymin(t,k)-εhmin(t,k)≤y(t,k)≤ymax(t,k)+εhmax(t,k)
其中,ymin(t,k)和ymax(t,k)分别为k周期t时刻的最小和最大约束输出值,ε为选定松弛变量;hmax(t,k),hmin(t,k)是相应的输出变约束软化量;
1-5.设计系统输入约束,形式如下:
umin(t,k)-δpmin(t,k)≤u(t,k)≤umax(t,k)+δpmax(t,k)
△umin(t,k)-ηqmin(t,k)≤△u(t,k)≤△umax(t,k)+ηqmax(t,k)
其中,umin(t,k)和umax(t,k)分别为k周期t时刻的最小和最大约束控制输入值,△umin(t,k)和△umax(t,k)分别为k周期t时刻的最小和最大约束控制输入增量,δ,η分别为选定的松弛变量;pmax(t,k),pmin(t,k)是相应的输入变约束软化量;qmax(t,k),qmin(t,k)是相应的输入增量的变约束软化量;
1-6.设置系统跟踪误差形式,如下所示:
e(t,k)=y(t,k)-yr(t,k)
其中,y(t,k)是k周期t时刻的过程输出,yr(t,k)是系统参考轨迹,e(t,k)是k周期t时刻的跟踪误差;
为了得到更精确的控制,设置系统滚动状态误差,形式如下:
其中,x(tr,k)是过去r时刻状态测量值,xp(tr,k)是过去r时刻的状态预测值,r=0,...,p,p为预测时域;
1-7.根据步骤1-6,选取扩展误差E(t,k),对系统进行综合控制:
1-8.设计系统阶段代价,形式如下:
l(x(t,k),u(t,k))=α1||x(t,k)-x(t-1,k)||2+α2||x(t,k)-x(t,k-1)||2+β1||u(t,k)-u(t-1,k)||2+β2||u(t,k)-u(t,k-1)||2+τ||E(t,k)||2+Vf(x(M))
其中l(x(t,k),u(t,k))是系统阶段代价,α1,α2,β1,β2,τ是相应的权矩阵,Vf(x(M))是终端惩罚,x(t-1,k)是k周期t-1时刻状态,x(t,k-1)是k-1周期t时刻状态,u(t-1,k)是k周期t-1时刻系统输入,u(t,k-1)是k-1周期t时刻系统输入,x(M)是终端时间M的状态;
步骤2、设计被控对象的过程控制器,具体是:
2-1.为求解最优控制输入,设计系统目标函数形式如下:
min是求最小值,J分别是选取的性能指标,N是选取的阶段周期;
2-2.根据步骤1-5将输入输出约束转化为以下形式:
u(0,0)=u(0),△u(0,0)=△u(0)
其中u(0,0),△u(0,0)分别是系统输入和输入增量的初始条件,初始值设置分别为u(0),△u(0);
2-3.通过步骤2-1到2-2求得带输出约束与控制约束的系统的解,得到最优控制量△U*(t,k):
取最优控制量的第一个元素作用于系统,如下所示:
△u*(t,k)=[1 0 … 0]△U*(t,k)
其中,△u*(t,k)为最优更新律,最优控制输入定义为:
u(t,k)=u(t-1,k)+△u*(t,k)
2-4.在下一时刻,重复步骤2.1到2.3继续求解新的最优控制输入u(k),作用于控制对象,并依次循环。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810685463.4A CN108828945B (zh) | 2018-06-28 | 2018-06-28 | 一种流程工业过程预测优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810685463.4A CN108828945B (zh) | 2018-06-28 | 2018-06-28 | 一种流程工业过程预测优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108828945A CN108828945A (zh) | 2018-11-16 |
CN108828945B true CN108828945B (zh) | 2020-12-18 |
Family
ID=64138499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810685463.4A Active CN108828945B (zh) | 2018-06-28 | 2018-06-28 | 一种流程工业过程预测优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108828945B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111025898B (zh) * | 2019-11-07 | 2021-08-24 | 江南大学 | 一种用于流程工业大规模过程控制的降维辨识方法 |
CN113031451B (zh) * | 2021-05-31 | 2021-08-03 | 浙江中控技术股份有限公司 | 一种适用于流程工业预测控制的稳态优化方法 |
CN113671916B (zh) * | 2021-08-19 | 2023-02-28 | 华东理工大学 | 一种考虑输入约束的流程工业过程优化控制方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458498A (zh) * | 2008-11-26 | 2009-06-17 | 清华大学 | 一种快速模型预测控制方法 |
EP2913724A1 (en) * | 2014-02-25 | 2015-09-02 | Abb Ag | PLC with a finite horizon optimization control program |
CN105116726A (zh) * | 2015-07-20 | 2015-12-02 | 宁波大学 | 一种基于机理模型的非线性预测控制器的参数设计方法 |
CN105487379A (zh) * | 2015-12-23 | 2016-04-13 | 杭州电子科技大学 | 一种焦化加热炉氧气含量的预测函数控制方法 |
CN107991886A (zh) * | 2017-12-28 | 2018-05-04 | 杭州电子科技大学 | 一种废塑料气化炼油炉膛压力的预测优化控制方法 |
-
2018
- 2018-06-28 CN CN201810685463.4A patent/CN108828945B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101458498A (zh) * | 2008-11-26 | 2009-06-17 | 清华大学 | 一种快速模型预测控制方法 |
EP2913724A1 (en) * | 2014-02-25 | 2015-09-02 | Abb Ag | PLC with a finite horizon optimization control program |
CN105116726A (zh) * | 2015-07-20 | 2015-12-02 | 宁波大学 | 一种基于机理模型的非线性预测控制器的参数设计方法 |
CN105487379A (zh) * | 2015-12-23 | 2016-04-13 | 杭州电子科技大学 | 一种焦化加热炉氧气含量的预测函数控制方法 |
CN107991886A (zh) * | 2017-12-28 | 2018-05-04 | 杭州电子科技大学 | 一种废塑料气化炼油炉膛压力的预测优化控制方法 |
Non-Patent Citations (3)
Title |
---|
一类非线性系统的扩展状态空间预测控制;张日东等;《控制与决策》;20050731;第20卷(第7期);第807-810页 * |
基于支持向量机和遗传算法的电站锅炉水冷壁高温腐蚀建模与燃烧优化;王春林等;《2009中国智能自动化会议论文集》;20091231;第191-196页 * |
基于预测控制的先进过程控制技术研究;安爱民;《中国博士学位论文全文数据库信息科技辑》;20120415;第I140-23页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108828945A (zh) | 2018-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108828945B (zh) | 一种流程工业过程预测优化控制方法 | |
CN102156496B (zh) | 一种反应釜温度混合控制方法 | |
CN1060915A (zh) | 应用人工神经网络的通用过程控制 | |
CN106802563B (zh) | 一种基于果蝇优化和lssvm的污水过程优化控制方法 | |
US20220112108A1 (en) | Hierarchical Model Predictive Control Method of Wastewater Treatment Process based on Fuzzy Neural Network | |
CN101962708B (zh) | 大型板材真空退火炉多温区均温性控制系统及其控制方法 | |
CN107986428A (zh) | 一种污水处理精确曝气方法 | |
CN103771582B (zh) | 污水处理的曝气控制方法 | |
CN101709863B (zh) | 燃煤锅炉炉膛压力系统混合控制方法 | |
CN113087077A (zh) | 压力式超滤膜净水系统节能降耗控制系统及方法、装置和介质 | |
CN111522230A (zh) | Mimo异因子紧格式无模型控制方法 | |
CN101598927B (zh) | 一种基于神经网络的纯碱碳化工艺控制系统及其控制方法 | |
CN101963785A (zh) | 精对苯二甲酸生产中氧化母液过滤过程的在线控制方法 | |
CN111580381A (zh) | 一种动态事件驱动控制策略的溶解氧控制方法 | |
CN105334831A (zh) | 由数据差异驱动的间歇过程双维在线优化方法 | |
CN113094896B (zh) | 一种电厂供热机组优化控制方法 | |
CN116400581A (zh) | 一种污水处理系统平稳运行的无扰切换pid控制方法 | |
CN115180719B (zh) | 一种a2o工艺污水处理设施的智能控制方法及系统 | |
CN113741182B (zh) | 一种基于广义值迭代的污水处理过程控制方法 | |
CN112327615B (zh) | 基于无抖振模糊滑模的污水处理脱氮过程控制方法 | |
CN113641101B (zh) | 一种基于数值仿真的多渠池控制参数寻优算法 | |
CN114149076A (zh) | 一种厌氧氨氧化污水处理系统的智能调试系统 | |
CN106610588B (zh) | 一种串级预测控制系统及方法 | |
Ruhua et al. | Automatic control of sewage treatment process using biological reaction (iSPEC 2021) | |
CN110850710A (zh) | 基于无模型自适应控制的水电机组控制优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |