CN111340269A - 用于流程工业过程的实时优化方法 - Google Patents

Abstract

本申请实施例提出了用于流程工业过程的实时优化方法，包括对实时工况进行数据有效性检测及稳态检测；在历史工况库中搜索历史优化工况得到匹配工况作为参考优化工况；采用偏差补偿算法对参考优化工况进行偏差补偿；在偏差补偿后对优化结果进行有效性检测，通过则将优化结果以外部目标值的形式传递给APC进行控制。通过采用工况匹配驱动。结合优化决策偏差修正算法，确定决策变量的最终优化结果。在线实时运行过程中不涉及到机理模型的在线取数运算，且工况匹配的优化方案均是历史上经过实际生产验证的可行的，因此本技术于在线运行过程中不会出现模型计算收敛的问题，从而可以保证在工况匹配成功的情况下，优化结果真实，确保了RTO系统的长期运行。

Description

用于流程工业过程的实时优化方法

技术领域

本发明属于过程控制领域，尤其涉及用于流程工业过程的实时优化方法。

背景技术

借助先进控制技术(Advanced Process Control，APC)，可以很好地将装置控制在人为给定的设定值附近运行，从而达到将装置控制在指定操作点的目的。但是如何根据当前的装置工况、原料状况等信息，合理地确定装置的操作点，需要依靠操作人员丰富的操作经验结合对装置性能的可靠把握，同时对整个流程的装置之间做出良好的平衡，综合进行判断。

实时优化(Real Time Optimization，RTO)，主要是基于流程稳态精准机理模型，采用了基于严格机理模型的非线性优化算法，以确保能够在更大范围的操作条件下以经济效益最大化为目标寻找最优值，将优化结果对应的操作工况条件反馈到APC的给定值(Set-Point)，从而使APC的给定值能够基于工况实时合理地进行浮动调整，以实现生产过程的操作优化控制。

经典的RTO技术依靠严格的机理模型，可以准确地预测装置行为。但是在RTO在线运行过程中，一方面因为精确模型较为复杂，另一方面由于在线数据变化的不确定性，这都会导致模型在线实时自动求解的收敛率难以保证，会给RTO系统的在线运行与维护带来很大的困难，甚至导致RTO系统长期不能正常运行，乃至下线。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了用于流程工业过程的实时优化方法，基于装置优化工况库，引入了历史优化工况，不需要时刻在线运行机理模型，避免了传统RTO系统在线计算难以收敛的问题。

具体的，本申请提出了用于流程工业过程的实时优化方法，所述实时优化方法，包括：

在流程工业连续操作工程中，定时获取工业装置的实时工况，对实时工况依次进行数据有效性检测及稳态检测；

基于工况比对规则在历史工况库中搜索与通过稳态检测后的实时工况匹配的历史优化工况，得到参考优化工况；

比对成功案例的中因外扰变量的差值而产生一定的偏差，采用偏差补偿算法对参考优化工况中的变量进行补偿，以抵消外扰变量不同所带来的差异；

在偏差补偿后对优化结果进行有效性检测，如果通过有效性检测则将优化结果以外部目标值的形式传递给APC进行控制，如果未通过有效性检测则等待人工处理。

可选的，所述对实时工况依次进行数据有效性检测及稳态检测，包括：

基于预设的数据有效性条件对过程数据进行有效性检测，对未通过检测的过程数据进行剔除或替换处理；

基于变化容忍区间对实时工况进行稳态检测。

可选的，所述基于变化容忍区间对实时工况进行稳态检测，包括：

从通过数据有效性检测的结果中选取进行稳态检测的参考对象；

从过程数据中选取待检测的变量，设定针对每个变量构建变化容忍区间；

按照特定的方法对该变量的历史数据及当前数据进行处理，在时间窗口内，对数据的绝对数值和变化趋势进行判断。

可选的，所述基于工况比对规则在历史工况库中搜索与通过稳态检测后的实时工况匹配的历史优化工况，得到参考优化工况，包括：

基于工况比对规则在历史优化工况库中搜索接近的历史优化工况，计算搜索到的历史优化工况与每组工况的比对满意度；

将对应每组工况的比对满意度指标综合后进行排序处理，根据排序结果依次选取预设数量的历史优化工况作为参考优化工况。

可选的，所述采用偏差补偿算法对参考优化工况中的变量进行偏差补偿，还包括：

基于预设的满意度分级区间对参考优化工况进行分级，将高于满意度分级区间最大值的参考优化工况划分为成功匹配工况；

提取成功匹配工况中的信息作为优化信息，基于优化信息完成优化补偿。

可选的，所述基于优化信息完成实时工况的优化补偿，包括：

计算实时工况与成功匹配工况中外扰变量的差值，基于得到的差值对除外扰变量外的其他变量进行偏差修正补偿；

基于偏差修正补偿后的工况对工业装置进行优化。

可选的，所述流程工业优化方法，还包括：

构建用于存储工况的工况库，对工况库中所包含的工况信息进行展示。

可选的，所述工况库包括：

存储已有工况的历史工况库；在历史工况库中设有由已有工况、对应已有工况的优化结果构成的历史优化工况库。

可选的，所述流程工业优化方法还包括：

基于预设的满意度分级区间对参考优化工况进行分级；

将处于满意度分级区间中的参考优化工况划分为备选工况，基于备选工况使用外部优化算法计算得到离线优化备选工况；

将离线优化备选工况存储至历史优化工况库中；

在工况比对算法中未能成功获得比对成功的优化参考工况时，对当前实时工况定义为离线优化备选工况，集中成批优化备选工况借助系统外部环境的优化算法进行离线优化；

离线优化完毕的工况存入工况库中进行扩充。

可选的，所述流程工业优化方法，还包括：

将优化目标值传递给APC系统进行执行，通过Web界面对通过优化的结果进行展示，系统进入休眠等待状态，待APC调整到位后进行下一轮计算。

本发明提供的技术方案带来的有益效果是：

通过以实时工况与历史已优化工况的近似配对为优化决策方案为主线，依据事件特征的类比识别方法，在已有历史优化工况库中遴选出相似的历史优化结果的参考工况，结合优化决策偏差修正算法，确定决策变量的最终优化结果。在线实时运行过程中，系统不涉及到机理模型的在线取数运算，且工况比对的优化方案均是历史上经过实际生产验证的可行的，因此本技术于在线运行过程中不会出现模型计算收敛的问题，从而可以保证在工况比对成功的情况下，优化结果真实、有效、可行，确保了RTO系统的长期运行。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提出了用于流程工业过程的实时优化方法的流程示意图；

图2为本申请实施例提出了包含重要过程的实时优化方法的流程框图；

图3为本申请实施例提出了针对工况比对以及结果分级的流程图。

具体实施方式

为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。

RTO：Real Time Optimization实时优化

APC：Advanced Process Control先进过程控制

DCS：Distributed Control System分布式控制系统

OPC：OLE for Process Control用于过程控制的OLE

COM：Component Object Model组件对象模型

SSD：Steady State Detection稳态检测

CP：Case Pairing工况比对

一次信息：普通仪表或在线仪表相关位号对应的信息

二次信息：由一次信息经运算得到的信息

工况：指根据流程工业连续操作过程中，在满足给定的规则要求前提下，在同一时间窗口下采集的一组可计量、可在线检测的操作变量，如温度、压力、流量、组分含量、液位、功率等。用来表征在某一时间刻度下的准稳态工况。

实时工况工况：指当前工况下获取的一个独立工况。通常指当前操作条件下欲寻求优化操作决策的工况。

历史工况：指当前时刻之前曾经采集到的工况。该工况获取之后，可能根据需求被用来做过离线优化分析，并保存了相应的优化结果。这类工况称之为历史优化工况。

历史优化工况：描述见“历史工况”。该工况记录除包含了可执行的优化方案外，并记录了相关精确机理模型的完备信息，使得历史优化工况具有复述性。

匹配工况：通过工况比对算法匹配到的与当前工况相近的工况。

工况库：各类工况纪录信息、文件、记录逻辑关系的数据库和文件空间。它记录了工况的基础信息，工况优化过程中产生的信息，以及工况与工况间的逻辑关系信息。

实施例一

本创新技术在全面分析了当前已有的RTO系统应用中所存在的问题，充分利用智能化技术，重新构造了APC+RTO的结构体系，对系统包含的功能进行模块化重组，从而达到整体系统运行的实时稳定性和可持续运行的高鲁棒性。从一定意义上来说，本技术是基于APC优化模式和基于RTO优化模式的有机结合，很好地解决了两种模式下分别存在的问题，即APC基于数据驱动的线性规划模型(Linear Programming Model)预测不够准确，RTO使用的严格机理模型于在线计算时又过于复杂，在线使用及维护困难。

具体的，本申请实施例提出了用于流程工业过程的实时优化方法，如图1所示，包括：

11、在流程工业连续操作工程中，定时获取工业装置的实时工况，对实时工况依次进行数据有效性检测及稳态检测；

12、基于工况比对规则在历史工况库中搜索与通过稳态检测后的实时工况匹配的历史优化工况，得到参考优化工况；

13、比对成功案例的中因外扰变量的差值而产生一定的偏差，采用偏差补偿算法对参考优化工况中的变量进行偏差补偿，以抵消外扰变量不同所带来的差异；

14、在偏差补偿后对优化结果进行有效性检测，如果通过有效性检测则将优化结果以外部目标值的形式传递给APC进行控制，如果未通过有效性检测则等待人工处理。

在实施中，本申请提出了用于对流程工业整个过程进行优化的方法。针对整个过程，本实施例提出的实时优化方法分别采用对采集到的实时工况进行有效性检测及稳态检测、基于工况库进行工况比对、对得到的参考优化工况进行偏差补偿、以及对优化结果再次进行有效性检测的四个关键技术来保证优化的稳定性。

与传统RTO系统以模型驱动为导向的设计，本申请实施例提出的实时优化方法采用工况匹配驱动。结合优化决策偏差修正算法，确定决策变量的最终优化结果。在线实时运行过程中不涉及到机理模型的在线取数运算，且工况匹配的优化方案均是历史上经过实际生产验证的可行的，因此本技术于在线运行过程中不会出现模型计算收敛的问题，从而可以保证在工况匹配成功的情况下，优化结果真实，确保了RTO系统的长期运行。

通过实时优化平台实时读取装置当前原料和操作数据及操作限制条件等信息并进行有效性检测处理以及装置稳态检测，将处理后的数据传递给系统进行相关的工况匹配。匹配成功的工况中，其装置的操作状态与当前工况一致。之后系统会调用匹配成功的工况中相关的优化操作方案，并利用补偿算法对优化方案进行偏差修正，以消除外部干扰对优化结果的影响，确定当前工况的最优操作点，并将操作点信息按照外部目标值(ET)的形式传递给先进控制系统(APC)进行控制，使装置能够在RTO系统的指导下、APC系统的控制下自动确定当前工况下的最优操作点，并自动调整装置向该操作点移动，最终维持在最优操作点附近运行，使装置持续获得最优的经济效益。

基于前述描述此处给出如图2所示的包含重要过程的实时优化方法流程图。

可选的，所述对实时工况依次进行数据有效性检测及稳态检测，包括：

基于预设的数据有效性条件对过程数据进行有效性检测，对未通过检测的过程数据进行剔除或替换处理；

基于变化容忍区间对实时工况进行稳态检测。

在实施中，底层直接传递上来的数据有可能因为测量偏差、数据传输问题等因素，存在偏差或异常值。偏差较大或者异常数值不能直接使用，必须要经过既定的数据有效原则进行有效性检测，将其剔除或替换。经过筛选后的数据才能够作为有效数据进一步使用。筛选后的数据会按照装置、工艺及模拟计算的要求，取其一定时间段内的平均值或其他处理方式，以进一步消除波动，减少数据偏差，提高数据的有效性。

另外，在传统的稳态检测启发式、统计式等方法的基础上，整个稳态过程基于物料平衡和能量平衡等因素，使得优化决策获取的过程信息能更为可靠的用于基于准稳态工况的优化计算。

其中，所涉及的稳态检测具体包括：

从通过数据有效性检测的结果中选取进行稳态检测的参考对象；

从过程数据中选取待检测的变量，设定针对每个变量构建变化容忍区间；

按照特定的方法对该变量的历史数据及当前数据进行处理，在时间窗口内，对数据的绝对数值和变化趋势进行判断。

传统的稳态检测一般使用启发式算法(Heuristic)或统计式算法(Statistic)进行稳态判断，使用的信息多为仪表的一次信息。在实际生产过程中，往往需要对一次信息进行处理后使用。本系统可以对经处理后的二次信息进行稳态检测判断。增强后的稳态检测判断可以保证装置处于可靠的准稳态当中。增强稳态检测还可以保证保存到工况库中的文件有一个较为稳定的输入信息。

可选的，所述基于工况比对规则在历史工况库中搜索与通过稳态检测后的实时工况匹配的历史优化工况，得到参考优化工况，包括：

基于工况比对规则在历史优化工况库中搜索接近的历史优化工况，计算搜索到的历史优化工况与每组工况的比对满意度；

将对应每组工况的比对满意度指标综合后进行排序处理，根据排序结果依次选取预设数量的历史优化工况作为参考优化工况。

在实施中，基于工况比对综合算法，对实时工况的操作条件在工况库中与历史优化工况进行搜索比对。比对算法将比对满意度最高的历史优化工况作为当前实时工况的参考优化工况，用于当前实时工况优化结果的生成。

所使用的工况比对算法，将参与比对的工况信息按照工艺流程的特征进行分组。每组信息可组态相应的比对规则，依此计算出每组信息的比对满意度指标。各组指标经综合统一转换后，生成实时工况和历史优化工况的总参考比对满意度指标。最后综合工况库中有效历史优化工况的搜索进行工况比对满意度评估。每组信息可以每组信息可组态相应的比对规则，依此计算出每组信息的比对满意度指标。各组指标经综合统一转换后，生成实时工况和历史优化工况的总参考比对满意度指标。最后综合工况库中有效历史优化工况的搜索进行工况比对满意度评估。工况比对过程中所产生的比对信息都将记录在工况库中，为比对算法提供后续比对的参考信息。

可选的，所述采用偏差补偿算法对参考优化工况中的变量进行偏差补偿，还包括：

基于预设的满意度分级区间对参考优化工况进行分级，将高于满意度分级区间最大值的参考优化工况划分为成功匹配工况；

提取成功匹配工况中的信息作为优化信息，基于优化信息完成优化补偿。

在实施中，在根据满意度进行排序，选取满意度较高的历史优化工况作为参考优化工况后，考虑到参考优化工况与实际工况还会存在差异，因此不能直接基于参考优化工况对实际工况进行优化，需要对参考优化进行优化补偿处理。

在补偿前，需要对根据满意度选取到的参考优化工况进行分级处理，该处理将工况分为：成功比对的工况，比对满意度不足的工况，完全不能找到比对的全新工况和特殊工况四类。

分级的具体结果包括如下四类：

成功比对的工况：在这类工况情形下，提取比对成功的历史优化工况信息作为参考信息，继续完成实时工况的优化策略修正，从而得到实时优化的结果。

比对满意度不足的工况：这类工况说明工况库中无相似历史优化工况，也就不能提供参考优化工况。但比对满意度最佳的历史工况记录能够提供离线优化分析的详细信息。利用这些信息可以有效地协助对该实时工况寻优。

完全不能找到比对的全新工况：比对算法中会对工况比对结果差的工况标记为无比对工况。这类工况显然是有待进一步生成优化结果的新工况。

特殊工况：出现异常或者包含新信息的工况，根据这类工况的比对结果进行相应的特殊处置。

后三类情况明显无法用于对实时工况进行优化，因此本步中仅针对第一类即成功比对的工况用于优化，并在具体优化前进行优化补偿处理。本部分针对工况比对以及结果分级的流程图如图3所示。

可选的，所述基于优化信息完成实时工况的优化补偿，包括：

计算实时工况与成功匹配工况中外扰变量的差值，基于得到的差值对除外扰变量外的其他变量进行偏差修正补偿；

基于偏差修正补偿后的工况对工业装置进行优化。

在实施中，获取实时工况与成功匹配工况的偏差，基于偏差计算出实时工况中各变量的补偿增量，将补偿增量与参考优化工况组成的可行域进行比对；

如果补偿增量在可行域内，执行外部扰动补偿，如果补偿增量在可行域外，调整变量的计算步长，调整完毕后重新计算补偿增量；

将补偿增量与匹配工况的优化结果结合获取实时工况的优化计算结果。

实际运行过程中，实时的工况记录与比对成功的工况记录同时传入，目的是用于计算优化当前工况下的优化参考工况，即当前工况对应的优化值。首先通过读取进来的工况记录来获取当前工况与已比对工况的偏差关系模型。该关系模型可以预估当前工况与比对工况的偏差，从而可以推算出比对工况优化值的补偿增量。计算出各变量的补偿增量以后，系统会将这些补偿增量与所用的参考工况组成的可行域进行比对。如果增量在可行域之内，则进行下一步外部扰动补偿的执行。如果增量超过了可行域，则需要调整变量的计算调整步幅，调整完毕后重新计算扰动补偿增量。

可选的，所述流程工业优化方法，还包括：

构建用于存储工况的工况库，对工况库中所包含的工况信息进行展示。

在实施中，工况库包括存储已有工况的历史工况库；在历史工况库中设有由已有工况、对应已有工况的优化结果构成的历史优化工况库。

对于工况库的工况记录的管理，是实现工况匹配策略高效运行的另一个关键环节。工况库的管理包括：已匹配工况的调用、离线优化备选工况的保存、优化备选工况的人工优化等部分。工况匹配过程中，如果在工况库中找到了相关的工况记录，则会调用改工况对应的优化方案，并进一步进行偏差补偿等处理。如果工况库中没有匹配到到相关的工况，则会在抓取到当前工况以后，将其标识为“未优化”并存入工况库中，用于人工离线优化。“未优化”工况在需要的时候，由人工进行筛选，选择需要进行离线优化的工况，使用常规的流程模拟软件对其进行离线优化计算，并将优化结果、相关运算文件等内容保存到工况库当中，最后将该工况的标识由“未优化”更改为“已优化”，作为优化工况保存。

可选的，所述流程工业优化方法还包括：

基于预设的满意度分级区间对参考优化工况进行分级；

将处于满意度分级区间中的参考优化工况划分为备选工况，基于备选工况使用外部优化算法计算得到离线优化备选工况；

将离线优化备选工况存储至历史优化工况库中；

在工况比对算法中未能成功获得比对成功的优化参考工况时，对当前实时工况定义为离线优化备选工况，集中成批优化备选工况借助系统外部环境的优化算法进行离线优化；

离线优化完毕的工况存入工况库中进行扩充。

在实施中，基于满意度分级区间进行分级后，剩余的参考优化工况会作为备选工况，作为工况库的补充，使工况库中的历史优化工况尽可能有效地覆盖可操作的工况条件。

基于优化工况生成策略，在工况库建立伊始，采用若干历史优化工况记录，这些记录应覆盖装置的设计操作条件和可能的操作变化。在工况比对算法中未能获得比对成功的优化参考工况时，将当前实时工况定义为离线优化备选工况，集中成批优化备选工况作离线优化。从而可扩充工况库中的历史优化工况，扩大备选历史优化工况的覆盖范围。离线优化需要借助系统外部的优化算法获得。

考虑到已有历史优化工况未能涵盖的操作条件空间，在工况比对算法中未能成功获得比对成功的优化参考工况时，对当前实时工况定义为离线优化备选工况，集中成批优化备选工况作离线优化。从而可扩充工况库中的历史优化工况，扩大备选历史优化工况的覆盖范围。历史优化工况的优化结果获取，需要借助系统外部环境的优化算法获得，故称之为离线优化获取。

针对上述离线优化获取的模式采取开放操作，即主要满足预设条件就可以作为历史优化工况的优化结果，预设条件包括：

优化算法的约束模型能够很好地描述流程的工艺机理，在较大范围内能预估流程操作状态；

优化目标函数以装置经济效益最大化为目标；

在优化操作工况点上，可获取指定变量之间的关联关系及相关系数。

离线优化获取的优化工况方法，使实时优化技术彻底摆脱了在线进行复杂优化算法求解的问题。同时又可以很好地进行历史优化工况的覆盖操作工况扩张，使系统的适应能力可以智能化地迭代更新，从而实现全方位的装置级流程操作优化。离线优化获取技术的另一个优势是，根据不同流程工艺装置，该开发系统可以采纳不同的领域优化软件，加速实时优化系统的应用开发。

将优化目标值传递给APC系统进行执行，通过Web界面对通过优化的结果进行展示，系统进入休眠等待状态，待APC调整到位后进行下一轮计算。有别于传统RTO的DCS展示界面，本系统集成的Web展示系统会将所有用户关心的数据、工况分析、优化结果、操作方案、执行情况等内容集中展示在Web界面上。通过Web界面可以直观有效地调取所有重要信息，既便于技术人员进行分析处理，又便于集中进行参观展示。

上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。

以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.用于流程工业过程的实时优化方法，其特征在于，所述实时优化方法，包括：

在流程工业连续操作工程中，定时获取工业装置的实时工况，对实时工况依次进行数据有效性检测及稳态检测；

基于工况比对规则在历史工况库中搜索与通过稳态检测后的实时工况匹配的历史优化工况，得到参考优化工况；

比对成功案例的中因外扰变量的差值而产生一定的偏差，采用偏差补偿算法对参考优化工况中的变量进行补偿，以抵消外扰变量不同所带来的差异；

在偏差补偿后对优化结果进行有效性检测，如果通过有效性检测则将优化结果以外部目标值的形式传递给APC进行控制，如果未通过有效性检测则等待人工处理。

2.根据权利要求1所述的用于流程工业过程的实时优化方法，其特征在于，所述对实时工况依次进行数据有效性检测及稳态检测，包括：

基于预设的数据有效性条件对过程数据进行有效性检测，对未通过检测的过程数据进行剔除或替换处理；

基于变化容忍区间对实时工况进行稳态检测。

3.根据权利要求2所述的用于流程工业过程的实时优化方法，其特征在于，所述基于变化容忍区间对实时工况进行稳态检测，包括：

从通过数据有效性检测的结果中选取进行稳态检测的参考对象；

从过程数据中选取待检测的变量，设定针对每个变量构建变化容忍区间；

按照特定的方法对该变量的历史数据及当前数据进行处理，在时间窗口内，对数据的绝对数值和变化趋势进行判断。

4.根据权利要求1所述的用于流程工业过程的实时优化方法，其特征在于，所述基于工况比对规则在历史工况库中搜索与通过稳态检测后的实时工况匹配的历史优化工况，得到参考优化工况，包括：

基于工况比对规则在历史优化工况库中搜索接近的历史优化工况，计算搜索到的历史优化工况与每组工况的比对满意度；

将对应每组工况的比对满意度指标综合后进行排序处理，根据排序结果依次选取预设数量的历史优化工况作为参考优化工况。

5.根据权利要求1所述的用于流程工业过程的实时优化方法，其特征在于，所述采用偏差补偿算法对参考优化工况中的变量进行补偿，还包括：

基于预设的满意度分级区间对参考优化工况进行分级，将高于满意度分级区间最大值的参考优化工况划分为成功匹配工况；

提取成功匹配工况中的信息作为优化信息，基于优化信息完成优化补偿。

6.根据权利要求5所述的用于流程工业过程的实时优化方法，其特征在于，所述基于优化信息完成实时工况的优化补偿，包括：

计算实时工况与成功匹配工况中外扰变量的差值，基于得到的差值对除外扰变量外的其他变量进行偏差修正补偿；

基于偏差修正补偿后的工况对工业装置进行优化。

7.根据权利要求1所述的用于流程工业过程的实时优化方法，其特征在于，所述流程工业优化方法，还包括：

构建用于存储工况的工况库，对工况库中所包含的工况信息进行展示。

8.根据权利要求7所述的用于流程工业过程的实时优化方法，其特征在于，所述工况库包括：

存储已有工况的历史工况库；在历史工况库中设有由已有工况、对应已有工况的优化结果构成的历史优化工况库。

9.根据权利要求1所述的用于流程工业过程的实时优化方法，其特征在于，所述流程工业优化方法还包括：

基于预设的满意度分级区间对参考优化工况进行分级；

将处于满意度分级区间中的参考优化工况划分为备选工况，基于备选工况使用外部优化算法计算得到离线优化备选工况；

将离线优化备选工况存储至历史优化工况库中；

在工况比对算法中未能成功获得比对成功的优化参考工况时，对当前实时工况定义为离线优化备选工况，集中成批优化备选工况借助系统外部环境的优化算法进行离线优化；

离线优化完毕的工况存入工况库中进行扩充。

10.根据权利要求1所述的用于流程工业过程的实时优化方法，其特征在于，所述流程工业优化方法，还包括：

将优化目标值传递给APC系统进行执行，通过Web界面对通过优化的结果进行展示，系统进入休眠等待状态，待APC调整到位后进行下一轮计算。

Images