CN1514318A - 过程控制系统中的集成模型预测控制与优化 - Google Patents
过程控制系统中的集成模型预测控制与优化 Download PDFInfo
- Publication number
- CN1514318A CN1514318A CNA031649726A CN03164972A CN1514318A CN 1514318 A CN1514318 A CN 1514318A CN A031649726 A CNA031649726 A CN A031649726A CN 03164972 A CN03164972 A CN 03164972A CN 1514318 A CN1514318 A CN 1514318A
- Authority
- CN
- China
- Prior art keywords
- control
- variables
- auxiliary
- manipulated
- operating
- 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.)
- Granted
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000012369 In process control Methods 0.000 title description 2
- 238000010965 in-process control Methods 0.000 title description 2
- 238000004886 process control Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims description 246
- 230000008569 process Effects 0.000 claims description 187
- 230000006870 function Effects 0.000 claims description 129
- 239000011159 matrix material Substances 0.000 claims description 125
- 230000004044 response Effects 0.000 claims description 115
- 230000008859 change Effects 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 abstract description 4
- 239000013598 vector Substances 0.000 description 27
- 238000004422 calculation algorithm Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 11
- 230000001276 controlling effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 230000033001 locomotion Effects 0.000 description 8
- 238000011217 control strategy Methods 0.000 description 7
- 238000011112 process operation Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004540 process dynamic Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000010992 reflux Methods 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000003362 replicative effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010963 scalable process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
-
- 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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/32—Automatic controllers electric with inputs from more than one sensing element; with outputs to more than one correcting element
-
- 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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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
- G05B13/041—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 variable is automatically adjusted to optimise the performance
-
- 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
- G05B13/048—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 using a predictor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
提供一种过程控制配置系统,用于产生或观察集成优化和控制模块,该模块执行优化程序和多输入/多输出控制程序。该配置系统可以使用户显示或配置优化器或该控制程序。存储程序可以存储关于多个控制与辅助变量以及关于由优化程序和/或控制程序使用的多个操作变量的信息。显示程序可以向用户提供与该多个控制与辅助变量及该多个操作变量相关的信息的显示。
Description
相关申请
本申请是一个系列申请的一部分,并要求美国专利申请US10/310416的优先权,该申请名为“集成模型预测控制和优化程序功能块的配置和显示”,在2002年12月5日申请。该申请是另一美国专利申请US10/241350的后续申请,并要求该在先申请的优先权。该在先申请名为“过程控制系统中的集成模型预测控制与优化”,于2002年9月11日申请。在此引用上述这些申请的全部作为参考。
技术领域
本发明一般涉及过程控制系统,尤其是,涉及过程控制系统中优化的模型预测控制器。
背景技术
过程控制系统,例如应用如在化学、石油或其他过程中的分布式或可升级的过程控制系统,通常包括一个或多个彼此通信连接的过程控制器,并通过模拟或数字或二者混合的总线连接到至少一个主机或操作员工作站,及一个或多个现场设备上。这些现场设备可能是,例如,阀,阀门定位器,开关及变送器(例如温度、压力和流率传感器), 在过程中实现例如打开或关闭阀门及测量过程参数的功能。过程控制器接收代表由所述现场设备获得的过程测量的信号和/或与所述现场设备有关的其他信息,应用这些信息完成控制例行程序,然后产生控制信号,通过总线发送到现场设备从而控制过程的操作。从现场设备和控制器得到的信息通常对于操作员工作站执行的一个或多个应用来说,都是可用于使操作器实现与过程相关的任一期望功能,例如观察过程当前状态,修改过程的操作,等等。
过程控制器通常被编程执行不同的算法、例行子程序或控制回路(全部都是控制例行程序),每个不同的回路都由过程定义或包含在一个过程之中,例如,流量控制回路、温度控制回路、压力控制回路等。通常来说,每个这种控制回路都包括一个或多个输入块,例如模拟输入(AI)功能块,单输出控制块,例如,比例-积分-微分(PID)或者模糊逻辑控制功能块,以及单输出块,例如模拟输出(AO)功能块。由于控制块生成单一控制输出用来控制单一过程输入,例如阀位置,等等,所以这些控制回路通常执行单输入/单输出控制。然而,在某些特定的情况下,应用几个互相独立的操作,单输入/单输出控制回路并不是十分有效,因为被控的过程变量是受不止一个单一过程输入影响的,事实上,每个过程输入都可能影响多个过程输出的状态。这样的例子可能发生在,例如,具有一个容器的流程,通过两条输入管路注入该容器,通过一个单一的输出管路排空,每条管路都由一个不同的阀门进行控制,其中温度、压力和容器的吞吐量都被控制在或接近于一个期望值。如上所述,对于容器的吞吐量、温度和压力的控制可以通过应用单独的吞吐量控制回路、单独的温度控制回路以及单独的压力控制回路来完成。然而,在这种情况下,通过改变一个输入阀的设定来控制容器温度的温度控制回路的操作可能会引起容器中压力的升高,例如,会引起压力回路打开输出阀从而降低压力。这个移动可能进而引起吞吐量控制回路关闭其中一个输入阀,进而影响温度并使温度控制回路执行其他一些操作。通过这个例子可以理解,单输入/单输出控制回路将导致过程输出(在此例中为吞吐量、温度和压力)表现为一种不可接受的方式,使输出振荡不能达到一个稳定的状态。
在一个特定的受控过程变量的变化影响大于过程变量或输出的情况下,模型预测控制(MPC)或其他类型的高级控制方法已经用于实现过程控制。自从70年代后期以来,已经报道了许多成功的模型预测控制的实例,并且MPC已经在过程工业中成为高级的多变量控制的原始形式。更进一步,MPC控制已经在分布式控制系统中实现,作为分布式控制系统的分层软件。美国专利US4616308和US4349869描述了可以在一个过程控制系统中应用的MPC控制器。
通常来说,MPC是一个多输入/多输出的控制策略,即改变多个过程输入的每个输入所产生的影响将在多个过程输出的每个输出中测量到,于是,这些被测量到的响应用来生成控制矩阵或过程模型。对这个过程模型或控制矩阵(通常用来定义过程的稳定状态操作)进行算术求逆,然后其用于或用作一个多输入/多输出控制器,基于过程输入的变化来控制过程输出。在一些情况下,过程模型用一个对于每个过程输入的过程输出响应曲线来表示(通常是一个阶跃响应曲线),这些曲线可以基于一系列,例如发送到每个过程输入的伪随机阶跃变化来生成。这些响应曲线可以用于按照已知的方法对过程进行建模。模型预测控制已经是本领域公知的,因此,在这里不再对其进行详细描述。在Qin,S.Joe和Thomas A.Badgwell于1996年发表在AIChEConference上的文章“工业模型预测控制技术综述”中对MPC进行了一般描述。
MPC已经被认为是一种很有效并有用的控制技术,并已被与其他过程优化联合使用。当优化应用MPC的过程时,优化器最小化或最大化一个或多个由MPC例行程序确定的过程输入变量,从而使过程在最优点运行。尽管这个技术在计算上是可能的,但它还需要选择过程变量,该过程变量具有,例如,改善过程操作运行(例如过程吞吐量或质量)从而从经济角度优化该过程的重大影响。从财政或经济的角度来看,在最优点的操作过程通常需要控制许多互相联系的过程变量,而不仅仅是一个变量。
采用二次编程技术或更流行的例如内点法(interior point method)的技术进行优化被认为是应用MPC提供动态优化的一个解决方法。采用这些方法,确定一个优化结果,优化器将控制器输出的移动提供给控制器(例如多个操作过程变量),需要考虑工艺动态、当前约束和优化目标。然而,这种趋近方法需要大量的计算,在当前的技术水平上实际是不可行的。
在大多数应用MPC的情况下,过程中可用的多个操作变量的数量(例如MPC例行程序的控制输出)大于过程控制变量的数量(例如,必须控制过程变量的数量在一个特定设定点上)。结果,对于优化和约束处理通常有更大的自由度。理论上,为了执行这种优化,要计算过程变量、约束、限制及经济因素所表达的值,其定义了过程优化操作点。在许多情况下,由于过程变量受到与物理过程有关的限制,该变量必须适合并保持这些限制,因此这些过程变量是约束变量。例如,一个代表容器液面的过程变量,限制在实际容器可达到的最大值和最小值之间。一个优化函数可以计算出与每个受限或辅助变量相关的成本和/或利润,从而可以在利润最大化、成本最小化的水平上操作,等等。这些辅助变量的测试可以提供作为MPC例行程序的输入,并被MPC例行程序视为具有一个与辅助变量的操作点相等的设定点的控制变量,该操作点由优化例行程序定义。
MPC发送通常只有方形控制(square control)应用需要的最优操作,在此操作中,过程的控制输入的数目(例如,由控制例行程序所开发的操作变量)与被控过程变量的数目相同(例如,控制器的输入)。然而,在大多数情况下,辅助约束变量的数目与过程控制变量的数目相加之和大于操作变量的数目。对于这种非方形配置的MPC应用将引起不可接受的不良操作。
人们相信,其他一些人已经试图通过动态选择一系列与操作变量数目相同的控制和约束变量,并在线或在操作过程中生成控制器以确定操作变量的下一步移动(move),来解决这个问题。然而,这种技术,由于它需要矩阵求逆,对于计算机实现是非常昂贵的,同时,在一些情况下是不能使用的,例如将MPC在过程控制器中作为一个功能块来实现的情况下。同样重要的是,生成的控制器的一些输入和输出的组合可能产生一个故障状态控制器,引起不可接受的操作。尽管当将控制器的配置设置为离线时,可以检查并改进控制器的状态,该任务对于在线操作来说也是一个过度的负担,并且实际上在控制器水平上是不可实现的。
发明内容
提供了一种过程控制配置系统,该系统应用在生成或观察集成优化和控制块中,执行优化程序和多输入/多输出的控制程序。该配置系统可以使用户显示或配置这个优化器或控制程序。例如,存储程序可以存储有关多个控制和辅助变量及多个在优化程序和/或控制程序中应用的操作变量的信息,同时,显示程序可以为用户显示关于有关多个控制和辅助变量及多个操作变量的信息。
在一个实施例中,存储程序存储至少一些控制和辅助变量中每个变量的响应信息。控制或辅助变量的响应信息可以包括指示控制或辅助变量对于相应操作变量的相应响应的信息。这些响应可以是,例如,阶跃响应,脉冲响应,斜坡响应等。显示程序可以为用户显示响应信息。例如,用户可以指定操作变量,显示程序可以显示一个或多个控制和辅助变量的指定操作变量的响应。
在另一个方面,控制一个过程的过程控制系统包括多输入/多输出控制器和优化器。这个多输入/多输出控制器,在过程控制系统的每个操作周期中,基于过程的多个测量输入和在过程控制系统的每个操作周期中提供给多输入/多输出控制器的一系列目标值,产生用于控制这个过程的多个控制输出。这个优化器在过程控制系统的每个操作周期中发展了用于多输入/多输出控制器的一系列目标值。当保持一系列控制变量在预定的设定点界限、一系列的辅助变量及一系列的操作变量处于预定的辅助和操作变量限制区间之内时,优化器试图最小化或最大化一个目标函数。如果优化器不能确定结果,那么优化器就试图最小化或最大化一个目标函数,而允许违反至少一个设定点区间限制。
在另外一个方面,用于控制具有多个操作变量和多个控制及辅助变量的过程的过程控制技术包括选择控制和辅助变量的子集用于实现过程控制,其中,至少一个控制和辅助变量是根据与操作变量之一最具响应性来进行选择的。控制矩阵是应用所选控制和辅助变量及操作变量来产生的,并且控制器是从控制矩阵中生成的。控制器的输入包括所选择的控制和辅助变量,控制器的输出包括操作变量。优化是通过选择过程操作点来实现的,用来最小化或最大化目标函数,过程操作点通过所选择的控制和辅助变量的一系列目标值来定义,该控制器用来实现多输入/多输出控制技术,以从目标值中开发(develop)出一系列操作变量值。
附图说明
图1是过程控制系统的方块图,该过程控制系统包括具有将优化器与MPC控制器集成在一起的高级控制器功能块的控制模块;
图2是图1所示具有集成优化器和MPC控制器的高级控制器功能块的方块图;
图3是说明图2所示集成优化器和MPC控制器功能块的生成和安装方法的流程图;
图4是说明在在线操作过程中,图2所示集成优化器和MPC控制器的操作的流程图;
图5是设定程序的屏幕显示,说明在实施过程控制的控制模块中的高级控制块;
图6是设定程序的屏幕显示,说明了代表图5所示高级控制块的特性的对话框;
图7是设定程序的屏幕显示,说明了选择或指定图5所示高级控制功能块的输入、输出的方法;
图8是设定程序所提供的屏幕显示,该程序使用户或操作者选择一系列目标函数中的一个,用以生成高级控制块;
图9是测试屏幕的屏幕显示,可以用来使用户在生成高级控制块的过程中完成测试和生成过程模型;
图10是设定程序的屏幕显示,显示若干阶跃响应,该若干阶跃响应表示不同的控制和辅助变量对特定操作变量的响应;
图11是设定程序的屏幕显示,说明了选择与操作变量初始相关的、图9所示的控制或辅助变量之一的方法;
图12是设定程序的屏幕显示,显示若干阶跃响应,该若干阶跃响应表示相同的控制或辅助变量对操作变量中不同的变量的响应;
图13是设定程序的屏幕显示,说明了选择与操作变量相关的控制或辅助变量的另一种方法;
图14是设定程序的屏幕显示,说明了选择与操作变量相关的控制或辅助变量的另一种方法;
图15是屏幕显示,说明了复制模型的阶跃响应的方法,其复制用于不同模型;
图16是屏幕显示,说明了观察和改变阶跃响应曲线的一种方法;
图17是屏幕显示,说明了在高级控制块操作过程中为操作者提供信息的对话屏;和
图18是屏幕显示,说明了诊断(识别)屏幕,将该屏幕提供给使用户或操作者以对高级控制块进行诊断。
具体实施方式
参考图1,过程控制系统10包括通讯连接到历史记录库12及一个或多个主工作站或计算机13(可以是任何类型的个人计算机、工作站等)上的过程控制器11,每个都具有显示屏幕14。控制器11还通过输入、输出(I/O)卡26和28连接到现场设备15-22上。历史记录库12可以是任何所需类型的数据采集器件,其具有用于存储数据的任何所需类型的存储器和任何所需或已知的软件、硬件或固件,历史记录库12也可以与工作站13分开(如图1中所示)或作为工作站13的一部分。控制器11,可以是,例如,Fisher-Rosemount System公司销售的DeltaVTM控制器,通过,例如,以太网(Ethernet)连接或其他任何所需的通讯网络29以通讯的形式连接到主计算机13和历史记录库12上。通讯网络29可以采用局域网(LAN)、广域网(WAN)、远程通讯网络等形式,可以通过硬连线或无线技术实现。控制器11通过任何所需的与之对应的硬件和软件以通讯的形式连接到现场设备15-22上,例如,标准的4-20ma设备和/或任何智能(smart)通讯协议,例如FOUNDATION现场总线协议(Fieldbus)、HART协议等。
现场设备15-22可以是任何类型的设备,例如传感器、阀、变送器、定位器等,而I/O卡26和28可以是遵守任何所需通讯或控制协议的任何类型的I/O设备。在图1所示的实施例中,现场设备15-18是标准的4-20ma设备,其通过模拟线路连接到I/O卡26,而现场设备19-22是智能设备,例如Fieldbus设备,其通过数字线应用Fieldbus通讯协议连接到I/O卡28。当然,现场设备15-22可以遵守任何其他所需的标准或协议,包括任何将来开发的标准或协议。
控制器11,可以是在具有至少一个处理器的设备(plant)10上的许多分布式控制器中的一个,实施或监控一个或多个过程控制程序,该一个或多个过程控制程序可以包括存储在内或其他与之相关的控制回路流程。控制器11还与设备15-22、主计算机13和历史记录库12进行通讯,以采用任何所需方法控制一个过程。需要注意的是,如果需要的话,在此描述的任何控制程序或控制元件可以具有由不同的控制器或其他设备所实现或执行的部分。同样,在此描述的在过程控制系统10中实施的控制程序或控制元件也可以采用任何形式,包括软件、固件、硬件等。为了实现所述目的,过程控制元件可以是过程控制系统的任何部分,包括,例如,存储在任何计算机可读介质中的程序、块或模型。控制程序,可以是一个控制过程中的模块或任何部分,例如,子程序,子程序的一部分(例如代码行)等,该控制程序可以采用任何所需的软件格式实现,例如使用阶跃逻辑(ladder logic)、时序功能图(sequential function chart)、功能块图(function block diagram)、面向对象的程序设计或其他软件编程语言或设计模式。与此类似的,控制程序可以是例如,一个或多个EPROMs,EEPROMs,专用集成电路(ASICs),或任何其他硬件或固件元件中的固化代码(hard-coded)。更进一步的,控制程序可以采用任何设计工具设计,包括图形设计工具或任何其他类型的软件/硬件/固件编程或设计工具。因此,控制器11以任何所需方法配置来执行控制策略或控制程序。
在一个实施例中,控制器11采用通常称为功能块的控制策略来实现,其中每个功能块都是一个总控制程序的一部分或一个对象,并与其他功能块一起进行操作(通过称为“链接”的通信)以在过程控制系统10内部实现过程控制环路。功能块通常执行输入功能、控制功能或输出功能中的一个以在过程控制系统10内部实现某些物理功能,该输入功能例如与变送器、传感器或其他过程参数测量装置有关,该控制功能,例如与执行PID、模糊逻辑等控制的控制程序有关,该输出功能,控制某些设备例如阀的操作。当然,也存在混合及其他类型的功能块。功能块可以存储在控制器11中并通过控制器11来执行,通常当这些功能块被用于或与标准的4-20ma设备及一些智能型现场设备例如HART设备等相联系的情况下,或者与现场总线设备情况相同在应用Fieldbus设备的情况下,功能块也可以存储在现场设备中并通过现场设备本身来执行。尽管在此应用了使用面向对象的程序设计范例的功能块控制策略而提供了关于控制系统的描述,但控制策略或控制环路或模块也同样可以采用其他惯例,例如阶跃逻辑、顺序函数图表等,或采用其他所需的编程语言或范例实现或进行设计。
如在图1中的扩展块30所表示的,控制器11包括多个单循环控制程序,如程序32、34所示,其可以执行一个或多个高级控制环路,如控制环路36所示。每个这样的循环通常称为控制模块。单循环程序32、34分别采用单输入/单输出模糊逻辑控制块和单输入/单输出PID控制块,来实现单循环控制,所述控制块连接到适当的模拟输入(AI)和模拟输出(AO)功能块,它们与例如阀的过程控制设备、例如温度和压力变送器的测量设备,或过程控制系统10中的其他设备有关。尽管高级控制块38的输入和输出可以与任何其他所需的功能块或控制元件进行通讯联系以接收其他类型的输入并提供其他类型的控制输出,但高级控制环路36包括一个具有与多个AI功能块通讯联系的输入及与多个AO功能块通讯联系的输出的高级控制块38。下面进一步描述,高级控制块38可以是一控制块,它集成了模型预测控制程序与优化器以实现过程或部分过程的优化控制。尽管将在此描述的高级控制块38包括模型预测控制(MPC)块,但高级控制块38可以包括任何其他的多输入/多输出控制程序或过程,例如神经网络建模或控制程序、多变量模糊逻辑控制程序等。可以理解的是,包括高级控制块38的如图1所示的功能块,可以由控制器11执行,或者,位于任何其他处理设备并由其执行,例如工作站13中的一个或甚至是现场设备19-22中的一个。
如图1所示,工作站13中的包括一个高级控制块生成程序40,其用于产生、下载及执行高级控制块38。尽管高级控制块生成程序40可以存储在工作站13的内存中并由在此的处理器执行,但如果需要的话,这个程序(或它的任意部分)可以另外或可选择性地存储于过程控制系统10中的任何其他设备中并由其执行。通常说来,高级控制块生成程序40包括将在此进一步描述的用来生成高级控制块并把该高级控制块连接到过程控制系统中的控制块生成程序42,根据高级控制块收集的数据,用来为过程或它的一部分生成过程模型的过程建模程序44,为高级控制块从过程模型中生成控制逻辑参数并存储或将这些控制逻辑参数下载到高级控制块中用来控制过程的控制逻辑参数生成程序46,以及用于生成与高级控制块一同使用的优化器的优化器程序48。可以理解,程序42、44、46和48可以由一系列不同的程序组成,例如生成高级控制元件的第一程序,该元件具有适合于接收过程输出的控制输入及适合于为过程输入提供控制信号的控制输出,第二程序,能够使用户下载并以通讯的形式连接控制程序(可以是任何需要的设定程序)中的高级控制元件,第三程序,采用高级控制元件为每个过程输入提供激励波形,第四程序,采用高级控制元件收集反映每个过程输出对激励波形响应的数据,第五程序,选择或能够使用户选择高级控制块的一系列输入,第六程序,生成过程模型,第七程序,从过程模型中发展出高级控制逻辑参数,第八程序,将高级控制逻辑及过程模型(如果需要的话)放置到高级控制元件中,以使高级控制元件能够控制过程,以及第九程序,选择或能够使用户选择用于高级控制块38的优化器。
图2表示出了与处理器50以通讯的方式连接的高级控制块38的一个实施例的更详细的方块图,可以理解,高级控制块38产生提供给依次连接到过程50的控制输入的其他功能块的一系列操作变量MV。如图2所示,高级控制块38包括MPC控制器块52、优化器54、目标转化块55、阶跃响应模型或控制矩阵56、以及输入处理/滤波块58。MPC控制器52可以是任何标准的M*M(M是任何大于1的数)的具有相同数量输入和输出的MPC程序或过程。MPC控制器52接收一系列N个在过程50中测量到的控制和辅助变量CV和AV(是矢量值)、一系列在将来某一时刻提供给过程50的已知或预期的变化或干扰的扰动变量DV,以及一系列从目标转化块55提供的稳定状态目标控制和辅助变量CVT和AVT作为输入。MPC控制器52应用这些输入生成M操作变量集(以控制信号的形式)并发送这些操作变量MV信号给控制过程50。
进一步地,与一系列分别代表控制变量CV、辅助变量AV和操作变量MV预期值的预期稳定状态操作变量MVSS一起,MPC控制器52按照预期的水平计算并提供给输入处理/滤波块58一系列预期稳定状态控制变量CVSS和辅助变量AVSS。输入处理/滤波块58处理控制、辅助和操作变量的确定的预期稳定状态值CVSS、AVSS、MVSS,以减少噪音的影响和意料不到的干扰对这些变量的影响。可以理解,输入处理/滤波块58可以包括低通滤波器或任何其他输入处理,其减少噪音、建模误差和干扰对这些值的影响,并为优化器54提供滤波过的控制、辅助、操作变量CVSSfil、AVSSfil、MVSSfil。
在这个例子中,优化器54是一个线性规划(LP)优化器,其应用可以由选择块62提供以实现过程优化的目标函数(OF)。或者,优化器54可以是具有线性模型和二次目标函数的二次规划优化器。通常来说,目标函数OF将规定与每个控制、辅助和操作变量相关的成本与利润,同时优化器54通过最大化或最小化目标函数为这些变量设定目标值。选择块62可以选择提供给优化器54的目标函数OF,作为一系列预存储目标函数64之一,该预存储目标函数算术地代表了定义过程50最优操作的不同方法。例如,预存储目标函数64之一可以配置以最大化生产利润,也可以配置以最小化处于供应短缺状态的特殊材料的使用,而目标函数64之一更进一步可以配置以使过程50生产的产品质量最大化。通常来说,目标函数应用与每个控制、辅助、和操作变量的移动相关的成本或利润以确定在一系列可接受点中,由控制变量CV的设定点值或范围及辅助、操作变量AV、MV的限制所决定的最优过程操作点。当然,任何所需目标函数可以用来代替或附加那些在此描述的包括优化每个所关心的问题的目标函数至某一程度,这些问题例如原材料的使用、收益率等。
为了选择目标函数64之一,用户或操作者可以通过在操作者或用户终端上(例如图1中的一个工作站13)选择该目标函数,来提供一个关于要使用的目标函数64的指示,该选择通过输入66向选择块62提供。响应于输入66,选择块62提供所选的目标函数OF给优化器54。当然,用户或操作者可以改变在过程操作中应用的目标函数。如果需要,在用户不提供或不选择目标函数的情况下,可以采用缺省的目标函数。合理的缺省目标函数将在下面进行更详细地描述。尽管作为高级控制块38的一部分进行了说明,但不同的目标函数可以存储在如图1所示的控制器终端13上,并且这些目标函数之一可以在形成或生成这个块的过程中提供给高级控制块38。
除目标函数OF之外,作为输入,优化器54接收,一系列控制变量设定点(通常为控制器指定的过程50的控制变量CV的设定点,并可以由控制器或其他用户改变)及与每个控制变量CV相关的量程、加权或优先权。优化器54另外还接收一系列量程界限或约束界限、一系列辅助变量AV的加权或优先权及一系列用于控制过程50的操作变量MV的界限。通常来说,辅助和操作变量的量程范围定义了辅助和操作变量的界限(通常是基于设备的物理特性),而控制变量的量程提供了一个范围,在该范围中,操作控制变量以达到过程的理想控制。控制和辅助变量的加权规定了控制变量和辅助变量在优化过程中相互之间的相关重要性,并且在一些情况中,如果违反了一些约束条件,其可以用来使优化器54产生控制目标的结果。
在操作过程中,优化器54可以采用线性规划(LP)技术来实现优化。正如所知道的,线性规划技术是一种用来解决一系列线性方程或不等式,以用于最大化或最小化一个特定的称作目标函数的附加函数的数学方法。如上面所描述的,目标函数可以表示如成本或利润的经济价值,但也可以表示其他可替代的目标。进一步地,可以理解,稳定状态增益矩阵定义了对于每一对可能的操作变量和控制或辅助变量的稳定状态增益。换句话说,稳定状态增益矩阵定义了对于每个操作和干扰变量的单位变化来说每个控制和辅助变量的稳定状态增益。这个稳定状态增益矩阵通常是N*M矩阵,其中N为控制和辅助变量的数目,M是在优化器程序中应用的操作变量的数目。通常,N可以大于、等于或小于M,在大多数情况下,N大于M。
采用任何已知的或标准的LP运算法则或技术,当引起的过程操作符合或落入控制变量CV设定点限制范围、辅助变量AV约束界限及操作变量MV的限制范围内时,优化器54重复执行以确定目标操作变量MVT集(如从稳定状态增益矩阵中确定),其最大化或最小化所选目标函数OF。在一个实施例中,优化器54实际确定操作变量的变化,并应用预测稳定状态控制变量、辅助变量和操作变量CVSSfil、AVSSfil、MVSSfil的指示以便从当前操作确定过程操作中的变化,即,确定MPC控制程序在达到目标或最优过程操作点的过程中的动态操作。由于其对于保证从当前操作点运动到目标操作点的过程中没有违反约束限制是必须的,因而这个动态操作非常重要。
在一个实施例中,可以设计LP优化器54以便最小化下面格式的目标函数:
Q=Pt*A*ΔMV+CtΔMV
其中,Q=总成本/利润,
P=与AVS和CVS相关的利润向量,
C=与MVS相关的成本向量,
A=增益矩阵,
ΔMV=在MVS中计算出的变化的向量,
利润值是个正数,成本值是个负数,用来表示它们对于目标的影响。应用这个目标函数,当保证控制变量CV维持在其目标设定点的限制范围内、辅助变量AV在其上、下约束界限内以及操作变量MV在其上、下界限内时,LP优化器54计算使目标函数最小化的操作变量MV中的变化。
在可采用的一个优化过程中,与LP典型应用不同,操作变量的增加值在当前时刻(t)应用,并且在整个控制范围内,应用操作变量增加值的总和并且在预测范围终端确定控制和辅助变量的增加值,而非位置的当前值。当然,可以为这个变化适当修改LP算法。无论如何,LP优化器54可以采用稳定状态模型,结果需要稳定状态条件以便应用。由于具有通常在MPC设计中采用的预测范围,对于一个自调节过程,将来的稳定状态是可以保证的。对于一个具有预测范围p、控制范围c、M*N的输入-输出过程的可能预测过程稳定状态方程,以增量形式表示为:
ΔCV(t+p)=A*ΔMV(t+c)
其中,
指示出在预测范围的终端(t+p)处的输出预测变化,
是过程稳定状态m*n的增益矩阵,
指示出在控制范围终端(t+c)处操作变量的变化,
向量ΔMV(t+c)代表了整个控制范围内每个控制器输出mvi产生的变化的总和,于是:
所述变化应满足操作变量MV及控制变量CV(在此辅助变量被视为控制变量)的限制范围:
MVmin≤MVcurrent+ΔMV(t+c)≤MVmax
CVmin≤CVpredicted+ΔCV(t+p)≤CVmax
在这种情况下,可以共同定义最大化产值和最小化原材料成本的目标函数为:
其中,
UCV是控制变量CV过程值中单位变化的成本向量,
UMV是操作变量MV过程值中单位变化的成本向量。
采用上述第一个方程,目标函数可以根据操作变量MV表示为:
要得到最优的结果,LP算法计算由上述方程定义的区域内初始顶点的目标函数,并在每个下一步骤改进该结果,直到该算法确定出具有目标函数的最大(或最小)值的顶点为最优的结果。确定的最优操作变量值作为在整个控制范围中要达到的目标操作变量MVT。
通常来说,在准备好的矩阵中运行LP算法获得、产生返回三个可能的结果。第一,对于目标操作变量MVT有唯一的结果。第二,结果是极大(unbounded)的,如果每个控制和辅助变量有高、低界限的话,将是不可能发生的。第三,没有结果,这意味着辅助变量的范围或约束太窄了。为了解决第三种情况,可以放松所有的约束以获得结果。基本的假设是,操作变量的限制(Hi/Lo界限)不能由优化器改变。同样,对于辅助变量的限制或约束(Hi/Lo界限)也是成立的。然而,优化器可以从驱动控制变量CV改变到指定的设定点(CV设定点控制),以驱动控制变量达到在设定点(CV范围控制)延伸的一个范围内或在设定点周围的任何值。在这种情况下,允许控制变量值设置在一个范围内,而不是在指定的设定点。如果有多个辅助变量AV违反它们的约束条件,及从CV设定点控制切换为不能得到结果的CV范围控制,那么也可能在所提供的加权或优先权指示的基础上,放松或忽视辅助变量的约束条件。在一个实施例中,可以通过最小化辅助变量的均方误差或通过放弃一个时序方法中具有最低优先权的辅助变量的约束来得到一个结果,该辅助变量允许其中每个变量违反它们各自的约束条件。
正如上面所指出的,目标函数OF可以由控制块生成程序40默认选择或设定。将在下面给出建立这类缺省设置的一个方法。尤其是,尽管需要提供优化的性能,但许多情况可以只要求控制变量的设定点维持在遵守辅助变量和操作变量的操作约束条件上。对于这些应用,可以配置块38作为一个MPC功能块单独进行操作。为提供这种方便应用,可以自动生成一个缺省的“操作(Operate)”目标函数,其具有分配给其中不同变量的缺省成本及缺省辅助变量AV加权。这些缺省值可以将所有辅助变量AV和操作变量MV的成本设置为相等,或可以提供分配给辅助和操作变量AV、MV的一些其他的预定成本。当选择了一个最优选项时,用户可以生成附加的优化选择并针对不同的目标函数64定义它们相关的成本。也可以允许专家用户修改缺省目标函数的缺省辅助变量和控制变量AV及CV加权。
在一个实施例中,例如,当没有定义这种过程配置的经济性时,目标函数可以由MPC配置自动构造。通常,目标函数可以采用下式构造:
变量Cj和pj可以从配置设定中定义。尤其是,假设控制变量CV设定点只能定义在LL或HL处,pj值按照下面方式定义:
pj=-1,如果在LL定义设定点或选择最小化,并且
pj=1,如果在HL定义设定点或选择最大化。
假设对辅助变量AV来说没有配置信息输入,则对于所有的辅助变量AV来说,pj=0。类似对于操作变量MV,cj变量值依赖于是否定义了优选操作变量目标MVT。优选操作目标变量MVT定义为:
cj=1,如果MVT处于HL(高端界限处)或选择最大化;
cj=-1,如果MVT处于LL(低端界限处)或选择最小化;
cj=0,如果没定义MVT。
如果需要,将应用优化器54与MPC控制器52结合使用的选择是可以调节的以提供一定的优化程度。为实现这个功能,可以通过施加不同的加权到由MPC控制器52和优化器54所确定的操作变量MV的变化,将控制器52中应用的操作变量MV的变化改变。这种操作变量MV的加权组合在此称为有效MV(MVeff)。有效MVeff可以定义如下:
ΔMVeff=ΔMVmpc(α/S)+ΔMVopt(1-α) 0≤α≤1
其中,可以任意或启发性地选择S。通常,S大于1并在10以内。
在此,由于α=0,由于在生成时设置优化器,它将贡献出有效的输出。由于α=1,控制器仅仅提供MPC动态控制。
当然,0到1的范围为优化器和MPC控制提供不同的贡献。
以上所描述的缺省目标函数可以用于在优化器操作的不同可能操作模式中建立优化器操作。尤其是,当控制变量CVs的数目与操作变量MVs的数目相符时,具有缺省设置的期望行为是如下的行为:只要辅助变量AV和操作变量MV控制在它们的限制界限之内,则控制变量CV的设定点将维持不变。如果预测到辅助变量或操作变量将违反它的约束条件,那么控制变量的工作设定点将在其范围内改变以阻止违反限制条件。在这种情况下,如果优化器54在维持控制变量在其限制范围内的过程中,不能找到一个满足辅助和操作变量限制条件的结果,那么控制变量将维持在其限制范围内,而将允许辅助变量偏离其约束限制范围。为了得到最优的结果,将等同地处理表现出要违反限制条件的辅助变量,并使它们的平均限制范围偏移达到最小。
为了获得以上操作,目标函数中应用的缺省成本/利润将自动设置,以致使如果范围定义为允许向设定点之下偏离时,则控制变量CV将被赋予利润为1;如果范围被定义为允许向设定点之上偏离时,则控制变量CV将被赋予利润为-1。在限制范围内的辅助变量AVs将被赋予利润为0,同时,操作变量MVs将被赋予成本为0。
当控制变量CVs的数目小于操作变量MVs的数目时,那么将采用额外的自由度,用于为与所配置的操作变量MV的最终静止位置相关的需求定址。在此,只要辅助变量和操作变量控制在其限制范围内,那么控制变量设定点(如果定义了任何控制变量CV)将维持不变。将要最小化操作变量相对于所配置的最终静止位置的平均偏离。如果预测到一个或多个辅助和操作变量将偏离其限制范围,那么控制变量的工作设定点将在其范围内改变,以阻止其违反限制范围。在这种情况下,如果存在多个结果,那么用于控制的一个结果将使操作变量相对于所配置的最终静止位置的平均偏离最小化。
在将控制变量维持在其范围之内的过程中,当优化器54不能找到一个满足辅助和操作变量的限制的结果(即结果不存在)时,控制变量将维持在其范围内,而允许辅助变量违反其约束条件。为了找到最优结果,将等同地处理表现出要违反限制条件的辅助变量,并使它们的平均限制偏离最小。为了实现这个操作,目标函数中应用的缺省成本/利润将自动设置,以致使如果利润范围定义为允许偏离到设定点之下,则控制变量CV将被赋予利润为1;如果范围定义为允许偏离到设定点之上,则控制变量CV将被赋予利润值为-1。辅助变量将被赋予利润为-1,同时,操作变量将被赋予成本为0.1。
在任何情况下,在进行操作之后,优化器54提供最优或目标操作变量MVT的设定给目标转化块55,该块使用稳定状态增益矩阵以确定目标稳定状态控制和从目标操作变量MVT得到的辅助变量结果。这个转化是直接计算得到的,由于稳定状态增益矩阵定义了操作变量与控制和辅助变量之间的交互作用,因此其可以用于由所定义的目标(稳定状态)操作变量MVT唯一地确定目标控制和辅助变量CVT、AVT。
一旦确定,至少一个目标控制和辅助变量CVT、AVT的N子集将作为输入提供给MPC控制器52,就象前面所提到的,该控制器采用这些目标变量CVT、AVT以确定一组新的稳定状态操作变量(在整个控制范围内)MVSS,该稳定状态操作变量(在整个控制范围内)MVSS驱动当前控制和辅助变量CV、AV到达位于预测范围终点的目标值CVT和AVT。当然,已知的,MPC控制器分步改变操作变量,以努力达到这些变量MVSS的稳定状态值,从理论上来说,这些变量就是由优化器54确定的目标操作变量MVT。由于优化器54和MPC控制器52在每个过程扫描期间如上所述地进行操作,所以可以通过一次次地扫描改变操作变量MVT的目标值,结果,MPC控制器将永远不会达到目标操作变量MVT的任何一个特定设置,尤其是存在噪音、预料不到的干扰、过程50发生改变等的情况下。然而,优化器54通常驱动控制器52将操作变量MV向优化结果的方向移动。
已知,MPC控制器52包括控制预测过程模型70,其可以是N*(M+D)阶跃响应矩阵(其中,N是控制变量CV的数目加上辅助变量AV的数目之和,M是操作变量MV的数目,D是干扰变量DV的数目)。控制预测过程模型70在输出72处生成对于每个控制和辅助变量CV、AV的一个已计算的预测,同时向量加法器74从控制和辅助变量CV、AV的实际测量值中减去当前时刻的预测值,以在输入76生成误差或校正向量。
于是,控制预测过程模型70根据提供到控制预测过程模型70的其他输入的干扰和操作变量,采用这个N*(M+D)阶跃响应矩阵,为在(over)预测范围内的每个控制和辅助变量CV、AV预测一个将来的控制参数。控制预测过程模型70也提供控制和辅助变量CVSS、AVSS的预期稳定状态值给输入处理/滤波块58。
控制目标块80为每个N目标控制和辅助变量CVT、AVT确定一个由目标转化块55通过应用前面为块38所建立的弹道滤波器(trajectory filter)82而提供的控制目标向量。特别是,弹道滤波器提供单位向量,它定义了控制和辅助变量在时间过程中被驱动至它们的目标值的方法。控制目标块80使用这个单位向量和目标变量CVT、AVT从而为每个控制和辅助变量产生动态控制目标向量,该动态控制目标向量定义了目标变量CVT、AVT在由预测范围时间决定的时间周期内的变化。于是,向量加法器84于是从动态控制向量中减去每个控制和辅助变量CV、AV的将来控制参数向量,来为每个控制和辅助变量CV、AV定义误差向量。于是提供每个控制和辅助变量CV、AV的将来误差向量给执行选择操作变量MV步骤的MPC算法,该步骤在操作变量MV的控制范围和控制及辅助变量CV、AV的预测范围内将,例如,最小均方误差最小化。当然,MPC算法或控制器采用根据输入到MPC控制器的N个控制和辅助变量与从MPC控制器52输出的M个操作变量之间的关系而产生的M*M过程模型或控制矩阵。
更特别的是,应用于优化器的MPC算法具有两个主要目标。第一,MPC算法试图在操作约束条件的范围内,使具有最小MV移动的CV控制误差最小;第二,试图获得由优化器设置的最优稳定状态MV值和由最优稳定状态MV值直接计算得到的目标CV值。
为了满足这些目标,原始的不受约束的MPC算法可以扩展为在最小方差结果中包括MV目标。这种MPC控制器的目标函数为:
其中,
CV(k)是受控的输出p阶(p-step)前预测向量;
R(k)是p阶前参考弹道(设定点)向量;
ΔMV(k)是c阶前增加控制移动向量;
Γy=diag{Γy 1,...,Γy p}是受控输出误差上的损失矩阵(penaltymatrix);
Γu=diag{Γu 1,...,Γuc}是控制移动上的损失矩阵(penaltymatrix);
p是预测范围(步骤数);
c是控制范围(步骤数);并且
Γ0是在整个控制范围内,控制器输出移动总和的误差损失(penalty),该总和与优化器定义的MV的目标最优变化相关。为了符号的简化,目标函数用单输入/单输出(SISO)控制来表示。
可以理解,前两项是无约束MPC控制器的目标函数,而第三项设置了附加的状态,其使控制器输出移动的总和等于最优目标处的。换句话说,前两项设置了控制器动态操作目标,而第三项设置了稳定状态优化目标。
需要注意,这种控制器的通常结果与无约束MPC控制器类似,可以表示为:
ΔMV(k)=(SuTΓTΓSu+ΓuTΓu)-1SuTΓTΓEp+1(k)=kompcEp+1(k)
其中:
ΔMV(k)是MPC控制器在时刻k的输出的变化;
Kompc是优化的MPC控制器增益;
Su是过程动态矩阵,该矩阵从SISO模型p×c维阶跃响应,及具有M个操作输入和N个控制输出的多输入/多输出MIMO模型p*n×c*m维阶跃响应中建立。
对于优化的MPC,动态矩阵扩展到如下尺寸:对于SISO模型为(p+1)×m维,对于MIMO模型,为(p+m)*n×c*m维,以调节MV误差。Ep+1(k)是在预测范围内的CV误差向量和在控制范围内,与MV目标最优变化相关的控制器输出移动的总和的误差。矩阵Γ将矩阵Γy与Γ0结合起来,它是对于SISO控制器来说的(p+1)维及对于多变量控制器来说的[n(p+m)]维方阵。上标T代表转置矩阵。
已经确定,由于优化器54是在所有控制和辅助变量CV、AV的基础上进行优化以确定定义唯一最优操作点的操作变量MVT的目标设置,所以这并不意味着MPC控制器52在它的控制矩阵内仅仅应用控制和辅助变量CV、AV的子集进行操作以实际产生操作变量MV的输出,这是因为,当控制器52驱动所选控制和辅助变量CV、AV的子集至它们相应的目标时,控制和辅助变量全集中的其它部分也将位于它们的目标值。结果,这决定了具有M*M控制矩阵的方形(M*M)MPC控制器与可以与采用矩形(N*M)过程模型的优化器一起应用以实现过程优化。这使标准MPC控制器技术能够与标准优化技术一起应用,而不必对非方矩阵求逆,该非方矩阵具有与控制器中这种变换技术相关的伴随近似(approximation)和风险。
在一个实施例中,当MPC控制器是方形(square)时,即操作变量MV的数目与控制变量CV的数目相同,那么,可以通过下面所示的CV值的变化有效地达到操作变量MV的目标:
ΔCV=A*ΔMVT
其中,ΔMVT--MV的最优目标变化,
ΔCV-以达到最优MV的CV变化,CV变化量是通过控制CV设定点实现的。
在操作中,优化器54在每次扫描期间设置并更新MPC无约束控制器的稳定状态目标。因此,MPC控制器52执行无约束算法。由于目标CVT和AVT以解决约束的方式设定,所以只要存在一个可行的结果,控制器就会在约束的限制范围内工作。因此,优化是MPC控制器的一个必要的部分。
图3和4描述了说明用于执行集成模型预测控制和优化的步骤的流程图90。流程图90通常分为两部分90a(图3)和90b(图4),其说明了发生在过程操作(90a)之前的功能和在过程操作过程中(90b)的功能,如,在过程操作的每个扫描过程中。在过程操作之前,操作者或工程师执行一系列步骤以生成包括集成MPC控制器和优化器的高级控制块38。特别是,在块92中,可以选择高级控制模板以用作高级控制块38。模板可以存储在或从位于用户接口13上的配置应用内部的程序库中拷贝过来,并可以包括MPC控制器程序52和优化器54常用的算术和逻辑函数,而不需要特定的MPC、过程模型和稳定状态增益或控制矩阵及特定的目标函数。这种高级的控制模板可以放置在包含其他块的模型中,例如配置成与过程50内部设备通讯的输入和输出块,以及其他类型的功能块,例如控制块,包括PID、神经网络和模糊逻辑控制块。可以理解,在一个实施例中,模型中块是面向对象的程序设计范例中具有互相连接的输入和输出的每个对象,以执行块之间的通信。在操作过程中,运行该模型的处理器,应用对块的输入以不同时序执行每个块,以产生块的输出,然后这些输出如块间所指定的通信链接所定义的那样,提供给其他块的输入。
在块94中,操作者定义在块38中应用的特殊操作变量、控制变量、约束变量和干扰变量。如果需要,在设定程序中,例如图1中的程序40,用户可以观察控制模板,选择被命名和配置的输入和输出,应用任何标准的浏览器在配置环境中浏览以找到控制系统中实际的输入和输出,及选择这些实际的控制变量作为控制模板的输入和输出控制变量。图5示出由设定程序所生成的屏幕显示,说明控制模块DEB_MPC具有多个互连功能块,包括多个AI(模拟输入)和AO(模拟输出)功能块、多个PID控制功能块和属于高级功能块的MPC-PRO功能块。图5所示屏幕显示中左手边的树状结构说明了DEB_MPC模块内部的功能块,包括例如Block 1、C4_AI、C4_DGEN等。
可以理解,用户可以通过在该输入和输出及其他功能块的输入和输出之间画线指定从MPC-PRO功能块的输入和输出。或者,用户可以选择MPC-PRO功能块以获得对MPC-PRO块的特性的存取。可以显示一个对话框,例如图6所示的,使用户可以观察MPC-PRO块的特性。如图6中表示的,可以为每个控制、操作、干扰和约束(辅助)变量提供不同的标记,用于提供这些变量的组合,该组合当有例如20或更多变量与高级控制块38相联系时尤为必要。在对于特殊类型的变量的标记中,可以提供说明、低的和高的边界(约束)以及路径名称。另外,用户或操作者可以在变量失败的情况下,指定块做什么,例如不操作、用变量的模拟值代替被测值或接受手动输入。更进一步,操作者可以指定是否最小化或最大化该变量以执行与该变量有关的优化,和优先权或加权及利润值。当没有使用缺省的目标函数时,这些域必须被填充。当然,用户可以用对话框右侧的适当的按钮添加、移动、修改或删除信息或变量。
用户可以通过选择变量,为一个或多个变量指定或改变信息。在这种情况下,如图7所示的REFLUX FLOW操作变量的对话框,可以呈现给用户。用户可以通过浏览在不同的对话框中改变信息并指定信息,例如变量的路径名(即,它的输入或输出连接)。应用图7所示的屏幕,用户可以选择内部浏览按钮或外部浏览按钮,以在定位于MPC-PRO块内部的模块或模块外部浏览。当然,如果非常需要的话,操作者或用户可以手动提供一个地址、路径名、标记名称等,它们定义了与高级控制块输入和输出的连接。
在选择高级控制功能块的输入和输出后,用户可以定义与控制变量有关的设定点,与控制变量、辅助变量、操作变量有关的范围或界限,及与控制变量、辅助变量、操作变量中的每一个有关的加权。当然,由于这些变量在过程控制系统配置环境中选择或得出,那么这些信息中有一些,例如约束界限或范围可能已经与这些变量相联系。如果需要,在图3中的块96中,操作者可以通过指定每个操作变量、控制变量和辅助变量的单位成本/或利润,来配置一个或多个在优化器中应用的目标函数。当然,在该点,操作者可以如上所述选择应用缺省目标函数。图8是由设定程序(configuration program)提供的屏幕显示,其使用户或操作者可以选择一系列目标函数中的一个用于生成高级控制块。可以理解,用户可以使用如图8提供的屏幕显示以选择一系列预存储的目标函数,在此,如标准目标函数和目标函数2-5。
在输入(控制、辅助和干扰变量)被命名并连接到高级控制模板并且加权、边界及设定点与其相关之后,在图3的块98中,将高级控制模板下载到过程内部的一个所选的控制器中,作为用于控制的功能块。控制块的常规种类,及设定该控制块的方法在美国专利US6445963,名为“过程控制系统中集成高级控制块”中记载,该专利转让给本文中的受让人,并因此特别在此引用作为参考。尽管该专利描述了在过程控制系统中生成MPC控制器的类型,并没有讨论优化器与控制器相联系的方法,但可以理解的是,用于联系和配置控制器的常用的方法都可用于在此描述的控制块38,该控制块38具有包括所有在此讨论的用于控制块38的逻辑元件的模板,而并不仅是在该专利中所描述的控制块。
在任何情况下,在高级控制模板被下载到控制器之后,在块100中,操作者可以选择运行控制模板的测试阶段以生成阶跃响应矩阵和用于MPC控制器算法中的过程模型。象在上述专利中所描述的,在测试阶段,高级控制块38中的控制逻辑提供了一系列伪随机波形给过程作为操作变量,并观察控制和辅助变量(MPC控制器将其视为控制变量)的变化。如果需要,操作和干扰变量,连同控制和辅助变量一起,可以由图1中的历史记录库12收集,操作者可以设置设定程序40(图1)以从历史记录库12中获取这个数据,并以任何方法求这个数据的趋势,以取得或确定阶跃响应矩阵,同时每个阶跃响应及时识别控制和辅助变量之一对于操作和控制变量之一(仅仅是一个)单位变化的响应。这个单位变化通常是阶跃变化,但也可能是其他类型的变化,例如脉冲或斜坡变化。另一方面,如果需要,当施加伪随机波形给过程50,然后提供这些波形给操作者或用户所使用的控制器接口13时,生成并安装高级控制块38,该控制块38可以生成阶跃响应矩阵以响应收集到的数据。
图9表示了屏幕显示,其可以由测试程序提供,以提供给操作者采集到的趋势数据的曲线,该曲线使操作者能够控制阶跃响应曲线的产生,及由此产生的高级控制块中MPC控制器中所应用的过程模型或控制矩阵。特别是,曲线区域101绘制了响应于测试波形的多个输入、输出或其他数据(在前面由操作者指定的)。条形图区域102提供了每个趋势数据变量的条形图,该条形图说明了每个被追踪的变量、变量的名称、按照条形格式表示的变量的当前值、可用的设定点(由条形图上的大三角形表示),及可用的边界限制(由条形图上的小三角形表示)。其他的显示区域表示出有关高级控制块的其他信息,例如目标、块(104)的实际模式、稳定状态(106)的配置时间。
在生成高级控制块的过程模型之前,操作者可以用图形方式从趋势图101中指定所应用的数据。特别是,操作者可以指定曲线102的起点和终点108和110,作为用来生成阶跃响应的数据。这个区域的数据可以涂以不同颜色的阴影,例如绿色,以可视地表示所选择的数据。类似地,操作者可以指示阴影区域内将排除的区域(如属于非典型,噪音的影响或不希望的干扰,等)。在线112和114之间表示该区域,并被涂上阴影,例如,用红色表示该数据将不包括在阶跃响应的数据中。当然,用户可以包括或排除任何所需的数据,并可以为每个趋势曲线执行这些功能。(图9表示在这种情况下可用的8个趋势曲线),不同的趋势曲线与,例如,不同的操作变量、控制变量和辅助变量有关。
为了生成一系列阶跃响应,操作者可以选择图9中所示的屏幕显示中的生成模型按钮116,并且生成程序将应用从趋势曲线中选择的数据生成一系列阶跃响应,每一阶跃响应指定控制或辅助变量中的一个对于操作或干扰变量之一的响应。这个生成过程是公知的,将不在此进行进一步详细的描述。
再参考图3,在生成阶跃响应矩阵(或脉冲、斜坡响应矩阵等)之后,在控制和辅助变量比操作变量多的情况下,阶跃响应矩阵(或脉冲、斜坡响应矩阵等)用于选择将在MPC算法中应用的控制和辅助变量的子集,作为将在MPC控制器52中取逆并应用的M*M过程模型或控制矩阵。该选择过程可以由操作者人工执行或由例如,有权使用阶跃响应矩阵的用户接口13中的程序自动执行。一般来说,单个的控制和辅助变量是被认为是与单个操作变量联系最近的。因此,单个和唯一(即,不同的)控制或辅助变量(输入到过程控制器)将与每个不同的操作变量(是过程控制器的输出)相关(配对),所以MPC算法能以M*M组的阶跃响应组所产生的过程模型为基础。
在一个实施例中,该实施例在提供配对时使用了启发式近似法(heuristic approach),自动程序或操作器将选择包括M(在此,M等于操作变量数)个控制和辅助变量的组以试图选择出单个的控制或辅助变量并且使这两个变量配对,所述单个的控制或辅助变量相对于在特定的一个操作变量中的单位变化既有最大的增益又有最快的响应时间。当然,在一些情况中,特定的控制或辅助变量对于多个操作变量也可能具有大的增益和快的响应时间。此时,控制或辅助变量可以与任何有关的操作变量配对,并且实际上也可以与没产生最大增益和最快响应时间的操作变量配对,因为总的来说,在可接受的程度范围内,导致较小增益或较慢响应时间的操作变量不可能影响任何其他控制或辅助变量。因此,总体来说,选择一方是操作变量而另一方是控制或辅助变量的配对以使操作变量与控制和辅助变量的子集配对,这些控制和辅助变量的子集对于操作变量来说代表最具有响应性的控制变量。
自动程序或操作者也可以试着包括不相关的、不太相关的、很少相关等的控制和辅助变量CV和AV。进一步,如果所有的控制变量都没被选择作为M个控制和辅助变量子集中的一个并且因此MPC控制器不接收所有的控制变量作为其输入,是没关系的,这是因为控制和辅助变量目标的组由优化器选择,用以代表过程的操作点,在该点上,没有被选择的控制(也没有被选择的辅助)变量处在它们的设定点或在它们提供的操作范围内。
当然,因为一方面可能有成十甚至成百的控制和辅助变量,而另一方面有成十或成百的操作变量,所以至少从一可视观点来看,选择出对于每个不同的操作变量都有最优响应的控制和辅助变量组是很困难的。为了克服该问题,操作器接口13中的高级控制块生成程序40可以包括或提供对于用户或操作者来说的屏幕显示组以帮助或使操作者能够合适地选出控制和辅助变量,该控制和辅助变量可以用作控制和辅助变量的子集,使其在操作过程中应用于MPC控制器52中。
因此,在图3所示的块120中,可以为操作者提供屏幕,通过该屏幕操作者能够观察到每个控制和辅助变量对一特定的或选择的操作变量的响应。该屏幕示例在图10中,描述了若干控制和辅助(标记作约束)变量中的每个相对于称为TOP_DRAW的操作变量的响应。操作者可以一次一个的上翻操作变量,并且观察每个控制和辅助变量对于每个不同的操作变量的阶跃响应,并在该过程中选择出一个对于操作变量具有最优响应性的控制或辅助变量。典型的,操作者将试着选择相对于操作变量来说具有最高稳态增益和最快响应时间组合的控制或操作变量。如图11所示,通过使用对话块,可将控制和辅助变量中的一个可以选择成对于该操作变量来说是有效的。如果需要的话,如图11所示,该选择出的控制和辅助变量之一可以用不同的颜色,如红色高亮度显示,尽管以前已经选择出了许多(即,对于其它操作变量的已经选择的控制和辅助变量用不同的颜色高亮度显示,如黄色高亮度显示)。在该实施例中,在存储器中自然存储了以前选择的控制和辅助变量的控制程序40可以核实以确保操作者不会选择相同的,且与两个不同的操作变量相关的控制或操作变量。如果用户或操作者选择了控制或辅助变量,该控制或辅助变量已经对另一个操作变量来说是被选择的,那么程序40可以向用户或操作者提供错误信息通知用户或操作者该选择是以前被选择的控制或辅助变量。通过这种方式,程序40防止了对于两个或多个不同操作变量选择出相同的控制或辅助变量。
如图12所示,操作者或用户也可以选择观察对每个不同的操作变量和干扰变量来说不同的阶跃响应。图12示出了TOP_END_POINT对于每个操作和干扰变量的阶跃响应,对于所产生的高级控制块来说,这些变量被提前指定。当然,操作者可以使用图12的屏幕来选择一个与控制变量TOP_END_POINT相关的操作变量。
该选择程序将参照图10-12基于图形显示进行描写,其中通过该显示能够选择出最有效的控制或辅助变量。操作者可以附加地或有选择地以不同的方式,如以表格形式获得信息以参与完成M*M控制器的配置。用于参与完成M*M控制器配置的显示屏,和以表格形式提供信息的示例在图13中显示。在该示例中,以表格形式提供控制矩阵的可用变量(控制CV、辅助AV、和操作MV),矩阵配置的条件数,等等。在显示屏200的部分204中,列出了:还不是控制矩阵配置部分的控制和辅助变量的指示,以及与控制和辅助变量相对于任何过程操作变量来说相关的响应参数(如,增益,停滞时间(dead time),优先权,时间常数,等等)。在部分208中,显示了MPC控制器当前配置的指示。列212提供了可用操作变量的指示,而列216提供了当前包括在MPC控制矩阵中的输出变量(如,控制或辅助)的指示。
该示例显示200显示了具有MVs TOP_DRAW,SIDE_DRAW和BOT_REFLUX,以及具有包括控制和辅助变量BOT_TEMP,SIDE_END_POINT,TOP_END_POINT的控制器输入的方形控制器(square controller)。如果用户通过使用输入装置,如鼠标、跟踪球、触摸屏等来选择操作变量之一,那么该选择的操作变量可以高亮度显示。例如,在示例显示屏200中,使显示操作变量TOP_DRAW高亮度。另外,显示在部分204中所显示的并且与可用控制和辅助变量相关响应参数,该响应参数相应于所选择的操作变量。例如,在示例显示屏200中,也显示相应于操作变量TOP_DRAW并且与可用控制和辅助变量228相关的增益220和停滞时间224。
显示200还包括添加按钮232a和移动按钮232b以便在部分204和208之间移动控制或辅助(约束)变量。该图也示出了各种增益矩阵配置的条件数。
-过程矩阵:完整的N*M过程矩阵,包括沿着第一轴的控制和约束变量以及沿着第二轴的操作变量;
-当前配置:M*M配置,由操作者当前选择并且以表格“MPC控制器输入-输出配置”显示;
-自动配置:M*M配置,由MPC应用程序中的选择程序自动选择。
显示200还包括用于回复到自动确定的配置的按钮236。因此,如果在改变到自动配置之后,操作者希望回复到自动配置的话,其可以选择按钮236。
使用显示中的信息,如显示在显示器200中的内容和过程知识,操作者可以以任何想要的方式建立方形矩阵。
可以理解,图10-13中的显示屏可以使操作者设想并选择M个控制和辅助变量的子集,以用作MPC控制算法的输入(图3中的块120),当有大量这些变量时,这点尤其是有用的。而且,在块120中确定的控制和约束变量组可以基于一些预先建立的标准或选择程序自动或电子地选择出。在一个实施例中,基于某响应参数(如,一个或几个增益,停滞时间,优先权,时间常数,等等)的组合,选择程序可以选择输入变量,以便使用这些变量正如从对于控制约束变量和操作变量的阶跃响应(或脉冲响应,斜坡响应,等等)中确定的一样。在另一实施例中,选择程序可以利用某种形式的对于控制器输入和输出值的时间序列分析。例如,在操作和控制或辅助变量之间的交叉相关可以用来选择最具有响应性(most responsive)的控制或辅助变量作为控制器输入。另一例,在控制和操作变量之间的交叉相关可以用来从矩阵中删除相互成线性(co-linear)(即,相关的)的控制器输入。程序也可以包括从模型分析或过程知识产生的任何一组启发。
在另一个实施例中,自动选择过程可以通过基于矩阵的条件数来选择输入/输出矩阵,如通过减少条件数到想要的程度,然后通过从控制矩阵产生控制器配置来首先确定控制矩阵。
在该例中,对于过程增益矩阵A来说,矩阵ATA的条件数可以确定用来测试矩阵的能控性。在动态控制操作中,越小的条件数通常意味着更好的能控性,而越高的条件数意味着较差的能控性和更多的控制步骤或越大的移动。没有严格的标准用来定义能控性的可接受程度,因此,条件数可以用作各种重要控制矩阵(potential control matrix)的相对比较,也可以用作不良状况矩阵(ill conditioned matrix)的测试。众所周知,不良状况矩阵的条件数接近无穷大。在数学上,不良状况发生在相互成线性的过程变量的条件下,也就是说,由于在控制矩阵中的相互成线性的行或列。因此,影响条件数和能控性的主要因素是矩阵行与列的交叉相关。控制矩阵中输入-输出变量的认真选择可以减少条件问题。实际上,如果控制矩阵的条件数是成百的(如,500)或更高,就应该多加注意。对于这种矩阵,控制器操作变量的移动可能会过多。
如上所讨论的,控制矩阵解决了动态控制问题,而LP优化器解决的是稳态优化问题,并且即使MPC控制器块可以有不相同的MV和CV数(包括AV数),但控制矩阵也需要是方形的输入-输出矩阵。为了开始选择控制矩阵的输入和输出用来产生控制器,典型地将所有可用的MV包括或选择为控制器输出。在选择输出(MV)之后,成为动态控制矩阵一部分的过程输出变量(即,多个CV和AV)必须以如此一种方式被选择,该方式能够产生非不良状况的方形控制矩阵。
现在将讨论在控制矩阵中自动或手动选择CV和AV作为输入的方法,可以理解其它方法也可以使用。该实施例通过应用称为MV绕回(wrap around)(或自身被控MV)的技术,以及自动估算MPC控制器的MV移动因素上的损失(penalty)来进一步增强所得控制器的鲁棒性。
步骤1-如果可能,选择CV直到CV的数量等于MV的数量(即,控制器输出的数量)。在CV多于MV的情况中,基于任何希望的标准,如优先权、增益或相位响应、用户输入、相关分析等,以任意顺序地选择CV。如果CV的可能总数等于MV的总数,那么进入步骤4为可接受性去测试由此产生的方形控制矩阵条件数。如果该CV数量少于MV的数量,就如步骤2所述那样选择AV。如果没有定义CV,就选择相对于MV具有最大增益的AV,并且进入步骤2。
步骤2-一个接一个地进行计算,将用于每个可能AV的条件数添加到已经选择的由先前选择的CV和AV所定义的控制矩阵。应当理解,由选择的CV所定义的矩阵将包括用于每个所选择的CV和AV的行,这就定义了这些CV或AV相对于每个在先前所选择的MV的稳定状态增益。
步骤3-选择在步骤2中确定的AV,其产生了用于由此产生的矩阵的最小条件数,并增加所选择的AV来定义该矩阵为先前矩阵。如果现在MV的数量等于所选择的CV的数量加上所选择的AV的数量(就是说,如果该矩阵现在是方形),就进入到步骤4。否则返回到步骤2。
步骤4-计算所产生的方形控制矩阵AC的条件数。如果需要的话,由于这些不同矩阵的条件数与其他矩阵的平方根有关,则可以用计算矩阵AC的条件数代替计算矩阵AC TAC的条件数。如果该条件数是可接受的,跳过步骤5和6进入到步骤7。
步骤5-对每个选择的MV执行绕回程序(wrap-around),并计算由每个绕回程序产生的矩阵的条件数。实质上,对每个不同的MV而不是删除的AV(或CV),通过轮流放置单位响应(增益1.0;停滞时间=0,时间常数=0)来执行绕回程序。该单位响应将在该矩阵行中的一个位置上为1(unity)而其它位置为0。实质上,每个特殊的MV代替AV(或CV)用作该情况中的输入和输出以形成良好条件的方形控制矩阵。作为一个示例,对于4*4矩阵,组合1000、0100、0010、和0001将被放置在增益矩阵AC中删除AV的行中。
步骤6-在执行用于每个MV的绕回程序之后,选择产生最小条件数的组合。如果与在步骤4中获得的条件数比较没有获得改善,则保持最初矩阵。
步骤7-在这点上,通过选择与一个特定MV有关的具有最优响应(最大增益,最快响应时间)的CV或AV,及排除用于控制自身(即,绕回的MV)的MV,而将每个所选CV和所选AV与MV建立联系。确信每个MV与唯一的CV(或AV)配对,以防不只一个MV具有高增益及与单一CV(或AV)或用于CV(AV)参数的相反方向的快速响应关系。该绕回MV与它自身相关。一旦完成了所有参数的配对,就完成了该选择过程。
当然,该程序定义的控制矩阵以及产生的条件数可以提供给用户,用户可以接受或拒绝将该定义的控制矩阵用于产生控制器。
应该指出,在上述的自动程序中,为了提高能控性,最多只能选择一个MV用作控制自身(即,绕回)。在该手动处理程序中,绕回的MV的数量是任意的。例如,参照图11,可以取消选定“最有效的”CV和AV。参照图13,使用删除按钮232b能够删除CV或AV。在这些例子中,当在控制器配置中相应输出变量选择的缺乏时,选择用于控制自身的MV是显而易见的。例如,图14示出了图13的显示器200,但在此,操作变量TOP_DRAW和SIDE_DRAW不包括相应的受控变量CV。因此,操作变量TOP_DRAW和SIDE_DRAW被绕回。可以通过先在显示器200中选择BOT_TEMP和TOP_DRAW对,然后选择删除按钮232b,来将图13所示显示器200修改成图14中的那样。接着,可以选择显示器200中的SIDE_END_POINT和SIDE_DRAW对,然后选择删除按钮232b。在图14的显示器200中,接着将BOT_TEMP和SIDE_END_POINT变量放在可用变量列228中。另外,图14说明的当前配置的条件数不同于自动配置的条件数。
而且,如果MV的数量大于CV加AV的数量之和,那么可以使用更多的MV作为用于控制的绕回。这样,最后,仍然将方形控制矩阵提供给具有每个MV的控制器作为输出。可以理解,执行和使用绕回的过程意味着为控制矩阵选择的CV和AV的数量可以少于控制器控制的MV的数量,该作为控制矩阵输入的差是MV绕回的数量。进一步,该绕回程序可以用在CV和AV的和小于MV的过程中。
当然,上述使用稳态增益能够计算出条件数,因此,控制矩阵能从本质上定义稳态能控性。过程动态特性(停滞时间,延迟,等等)和模型的不确定性也对动态能控性有影响,并且这些影响通过改变过程变量(如,控制和辅助变量)的优先权被考虑,由于它们对动态控制有影响,所以这些影响可以指示出它们包括在控制矩阵中。
使用其它企图提高稳态和动态能控性的启发式程序也是可能的。这种程序典型地具有启发标准,可能一些还是对立的,该标准应用在几个阶段以产生出一个控制矩阵,因此,上述程序选择出合适的控制器输入组,该组将对控制矩阵提供改进。在这样一个启发式程序中,基于最高增益关系,CV和AV将由MV编组。然后,对于每次MV分组,将选择出具有最快动态特性和最大增益的一个过程输出。该选择过程可以考虑置信区间并越过AV(其它的相同)优先选择CV。在MPC控制产生期间,该过程模型产生程序将使用从每组中选择的参数。因为对于每个MV仅有一个参数被选择,所以响应矩阵是方形的并且能被转置。
无论如何,在选择包括M个(或更少)控制和辅助变量的子集并输入到MPC控制器之后,在图3中的块124从确定的方形控制矩阵中产生用于图2所示MPC控制算法86中的过程模型或控制器。众所周知,该控制器产生步骤是一个计算集约程序。用于控制器产生的主要调谐因素是在控制器操作变量的移动(PM)参数上的损失。分析表明在计算PM中停滞时间是一主要因素,而过程增益则影响控制器的移动。下面的实验公式说明了在估计PM因素时的停滞时间和增益,该因素对于达到50%的模型误差能够提供稳定的和响应性的MPC操作:
其中DTi是用于MVi_CVj对在MPC扫描中的停滞时间,Gi是用于MVi_CVj对的增益(无单位),并且配对是在方形控制器配置期间的一个设置。因此该方形矩阵配对能传送PM值,该值可以平衡控制器所要求的运行和耐用性之间的矛盾。
之后,在块126将该MPC过程模型(自然包括控制矩阵)或控制器并且,如果需要的话,该阶跃响应和稳定状态阶跃响应增益矩阵下载给控制块38,并且该数据被结合到控制块38中用于操作。此时,控制块38准备在过程50中在线操作。
如果需要,该过程阶跃响应可以以一种不是产生这些阶跃响应的方式被重新配置或被提供。例如,任何阶跃响应都可以从不同的模型中复制,并提供到,如图10-12的屏幕中以指示某一控制或辅助变量对操作或干扰变量的阶跃响应。图15示出了一屏幕显示器,其中用户可以选择和复制某一过程或模型的一个阶跃响应,之后将同样的响应放置或粘贴到不同的模型中,并且将该阶跃响应粘贴到新的模型中,由此使用户能手动指定一阶跃响应模型。当然,作为该过程的一部分,如上所述用户可以删除一个或多个自动产生的阶跃响应模型。
图16示出了屏幕显示,其中用户可以更详细地观察一个阶跃响应(这里是TOP_END_POINT对TOP_DRAW的阶跃响应)。在显示器上显示用于该阶跃响应的参数,例如稳定状态增益,响应时间,第一命令时间常数和均方误差,以使用户或操作者容易参考。如果需要的话,该用户可以通过指定不同的参数,如不同的增益和时间常数,来观察和改变该阶跃响应的特性。如果用户指定不同的增益或其它参数,该阶跃响应模型可以数学地再生以具有该新的参数或参数组。当用户知道该阶跃响应的参数并且需要改变该产生的阶跃响应以匹配或符合这些参数时,这些操作是有用的。因为利用了增益和动态响应,所以将依次在该方形控制矩阵配对和产生中反映该阶跃响应模型的变化。
现在参考图4,说明了当过程50在线操作时,利用图3的流程图90a产生的在每个操作周期或高级控制块38的扫描期间执行的总体步骤。在块150中,该MPC控制器52(图2)接收并处理该控制与辅助变量CV和AV的测量值。尤其是,该控制预测过程模型处理该CV、AV和DV测量值或输入以产生进一步的控制参数向量,以及预测的稳定状态控制和辅助变量CVSS和AVSS。
接着,在块152,该输入处理/滤波器块58(图2)处理或过滤由MPC控制器52产生的预测的控制、辅助和操作变量CVSS、AVSS和MVSS,并且提供这些滤波后的值给优化器54。在块154,该优化器54执行标准LP技术以确定包括M个操作变量目标MVT的组,该技术能够最大化或最小化所选择的或默认的目标函数,而不违反任何辅助和操作变量的限制,并保持该控制变量在它们指定的设定点或在这些变量的指定范围内。总的来说,该优化器54通过将每个控制变量和辅助变量强制在它们的限制范围内来计算目标操作变量结果MVT。如上所述,在很多情况中,将存在一个结果,其中每个控制变量都位于它们的设定点(可以初始被处理为控制变量的上限),而每个辅助变量仍然维持在它们各自的约束范围内。如果是这种情况,那么该优化器54仅仅需要输出产生用于目标函数的最优结果的确定的操作变量目标MVT。
然而,在一些情况中,由于一些或所有辅助或操作变量的紧密约束,就不可能找到一个操作点,在该操作点上,所有的控制变量位于它们的设定点并且所有的辅助变量在它们各自的约束范围内,这是因为这样的结果是不存在的。在这些情况下,如上所述,优化器54可以允许控制变量在它们的指定设定点范围内放宽,以便找到一个操作点,在该点,辅助变量在它们各自的限制范围内进行操作。如果在这种情况下得不到结果,那么该优化器可以降低作为限制的一个或多个辅助变量的约束界限使其落入该结果的范围中,和/或可以降低控制变量设定点范围使其落入该结果中,而不用确定出忽略了下降的辅助变量约束范围和/或下降的控制变量设定点范围的最优过程操作点。在此,优化器基于提供给每个控制与辅助变量的各自的加权来选择降低哪个辅助或控制变量(例如,具有最小加权或最高优先权的将最先下降)。该优化器54基于提供给它们的加权或优先权继续降低辅助或控制变量,直至找到目标操作变量MVT的结果,其中为了保留较高优先权控制或辅助变量,控制变量的所有设定点范围和辅助变量的限制范围是相符的。
接着,在块156中,目标转换块55(图2)使用稳定状态阶跃响应增益矩阵从用于操作变量MVT的目标值中确定出该控制与辅助变量CVT和AVT的目标值,并且将所选择的这些值中的所选的N个(其中N等于或小于M)子集提供给MPC控制器52作为目标输入。在块158中,MPC控制器52使用控制矩阵或由此衍生的逻辑算法来作为如上所述的无约束MPC控制器操作,以确定这些目标值的进一步CV和AV向量,用将来的控制参数向量执行向量减法以产生将来的误差向量。以公知的方式操作MPC算法以便基于从M*M阶跃响应中开发的过程模型来确定稳定状态操作变量MVSS,并提供这些MVSS值给输入处理/过滤块58(图2)。在块160中,该MPC算法还确定向过程50输出的MV阶跃,并以任何合适的方式将这些阶跃中的第一个输出给该过程50。
在操作期间,运行一个或多个监控应用程序,例如,接口13之一可以从高级控制块或,其它直接或通过历史记录库(historian)12通讯连接到此的功能块中预定信息,并且向用户或操作者提供一个或多个观察或诊断屏幕用于观察该高级控制块的操作状态。功能块技术以在控制和输出功能块上的级联输入(CAS_IN)和远程级联输入(RCAS_IN)以及回应计算输出(BKCAL_OUT和RCAS_OUT)为特征。使用这些连接器,在现有控制策略的基础上,附加一个监控优化MPC控制策略,并且利用一个或多个观察屏幕或显示器来观察该监控控制策略是可行的。同样,如果需要的话,最优MPC控制器的目标也可以在一个策略中修改。
图17是由一个或多个这种观察应用程序产生的屏幕显示示例,该观察应用程序说明了提供信息给操作者的一个优化器对话框屏幕,该信息是有关于高级控制模块在操作期间的操作的。尤其是,分别说明了该过程的输入(操作变量MV)和输出(控制与辅助变量CV与AV)。对于这些变量中的每一个,该屏幕显示器显示了变量的名称(描述符)、被测量的当前值、可应用的设定点、由优化器计算的目标值、变量变化的单位和单位值以及当前变量值的指示。对于输出变量,还指示出该变量是否是用于MPC控制器中所选择的变量之一,是否是由MPC控制器确定的该变量的预测值,以及是否是该变量的预置优先权。该屏幕使操作者能够观察到高级控制块的当前操作状态,从而观察高级控制块的运行控制方式。进一步,用户可以配置一些用于远程设定点性能(capability)的受控参数,以便外部应用程序可以设置用于处理输入输出总和的协调(through coordination)的操作目标。
图18是由描述诊断应用程序的诊断应用程序产生的屏幕显示,该诊断屏幕可以提供给用户或操作者以执行对高级控制块的诊断。尤其是,图18的诊断屏幕分别描述了控制与约束(辅助)变量、操作变量和扰动变量。对于每个变量来说,提供有该变量的名称或描述符以及(在第一栏中)表示该变量是否存在错误状态或报警状态的指示。可以图形表示该误差或警报,利用,例如,绿色检验标记或红色“X”或任何其他所需的方式。这些变量中的每个变量的值和状态也被显示。对于操作变量来说,说明了这些信号的Back_Cal(返回计算或反馈)变量的值和状态。应当理解,通过提供给操作者必要的信息,该屏幕可以用于对高级控制块执行诊断,以确定控制系统中存在的问题。当然,可以提供给操作者其它类型的屏幕和信息使其能够观察高级控制块和模块的操作并执行对高级控制块和模块的诊断。
尽管在此已经描述了高级功能块具有位于相同功能块中的优化器,并因此在如MPC控制器的相同的装置中执行,但是,在一个单独的装置中操作该优化器也是可能的。尤其是,该优化器可以位于不同的设备中,例如在用户工作站13之一中,并且在控制器的每个操作或扫描期间如图2所述与MPC控制器通信连接,以计算并提供给MPC控制器目标操作变量(MVT)或由此确定的控制与辅助变量(CV和AV)的子集。当然,一个特殊接口,例如公知的OPC接口,可以用来提供在控制器和其中具有MPC控制器的功能块以及工作站或其它实施或执行该优化器的计算机之间的通信接口。在与图2有关的所述具体实施例中,优化器和MPC控制器在每个扫描周期内必须保持互相通信,以执行集成优化MPC控制。然而,在这种情况中,可以使用其他期望类型的优化器,例如公知的或标准的已在过程控制环境中存在的实时优化器。如果优化问题是非线性的并且该结果要求非线性编程技术,那么也可以方便地使用该特征(feature)。
尽管已经描述了所述的高级控制块和其他块以及程序与Fieldbus和标准的4-20ma设备结合应用,但是当然,他们可以利用任何其他过程控制通信协议或编程环境得以实施,并且可以与其它类型的设备、功能块或控制器一起应用。尽管在此描述的高级控制块和相关的产生以及测试程序优选地在软件中执行,但他们也可以在硬件、固件等中实现,并且可以由任何其他与过程控制系统有关的处理器执行。因此,如果需要的话,在此描述的程序40可以在标准的多功能CPU或在特殊设计的硬件或固件,例如ASIC中实现。当在软件中执行时,该软件可以存储在任何计算机可读存储器中,例如在磁盘、激光影碟、光盘、或其他存储介质中,也可存储在计算机的RAM或ROM或处理器中,等。同样,该软件可以通过任何公知的或理想的传送方法包括,例如,在计算机可读磁盘或其他移动式计算机存储机构中,发送给用户或发送给过程控制系统,或者通过通信信道例如电话线、国际互联网等得以调制。(被视为通过移动式存储介质于该软件相同或可交互提供)。
因此,尽管已经参考具体实施例对本发明进行了描述,所述实施例仅是示例性的而不约束本发明,但对本领域技术人员来说,在不脱离本发明的实质和范围的情况下,可以对公开的实施例进行改变、添加或删减。
Claims (35)
1.一种过程控制配置系统,用于产生或观察控制块,该控制块具有集成优化器以及多输入/多输出的控制程序,包括:
计算机可读介质:
设定程序,存储在计算机可读介质中并且适于在处理器上执行,该设定程序包括:
存储程序,该程序存储了关于多个控制和辅助变量以及关于多个由优化器和多路输入/多路输出控制程序中的一个或二者所使用的操作变量的信息,该信息关于该多个控制和辅助变量以及关于该多个操作变量,该操作变量包括对于至少一些控制和辅助变量中每个变量的响应信息,该响应信息表示至少一些控制和辅助变量中的每个对各自操作变量的响应;和
显示程序,适于向用户提供涉及一个或多个控制、辅助和操作变量的显示,该显示包括响应信息的子集,该响应信息的子集包括表示至少一些控制和辅助变量中的每个变量对至少一个操作变量的响应的响应信息。
2.如权利要求1所述的过程控制配置系统,其中设定程序进一步包括能够使用户从所述多个操作变量中选择一个操作变量的第一程序。
3.如权利要求2所述的过程控制配置系统,其中设定程序进一步包括能够使用户将所述操作变量之一与控制和辅助变量之一联系起来的第二程序。
4.如权利要求3所述的过程控制配置系统,其中设定程序进一步包括能够使用户分离与操作变量之一相关的控制及辅助变量之一的第三程序。
5.如权利要求4所述的过程控制配置系统,其中显示程序适于显示多个操作变量的指示,并且对于每个操作变量来说,如果有的话,显示多个控制和辅助变量中相关的一个的指示。
6.如权利要求5所述的过程控制配置系统,其中显示程序适于显示与配置相关的当前配置条件数的指示,该配置对应于当前相关的操作变量和控制及辅助变量。
7.如权利要求6所述的过程控制配置系统,其中显示程序适于显示与自动产生的配置相关的自动配置条件数的指示。
8.如权利要求6所述的过程控制配置系统,其中显示程序适于显示与配置相关的过程矩阵配置条件数的指示,该配置对应于具有沿着过程矩阵的第一轴的所有多个控制与辅助变量和沿着过程矩阵的第二轴的所有操作变量的过程矩阵。
9.如权利要求3所述的过程控制配置系统,其中显示程序适于显示多个控制与辅助变量的可用变量的指示,该可用变量将与操作变量相关。
10.如权利要求3所述的过程控制配置系统,其中显示程序适于显示用于每个可用变量的响应信息的指示,该响应信息表示每个可用变量对操作变量之一的响应。
11.如权利要求3所述的过程控制配置系统,其中对于每个可用变量的响应信息至少包括增益的指示、停滞时间的指示、优先权的指示,以及时间常数的指示之一。
12.如权利要求11所述的过程控制配置系统,其中增益的指示包括一数值。
13.如权利要求11所述的过程控制配置系统,其中停滞时间的指示包括一数值。
14.如权利要求1所述的过程控制配置系统,其中用于至少一些控制与辅助变量中的每个变量的响应信息至少包括增益的指示、停滞时间的指示、优先权的指示,和时间常数的指示之一。
15.如权利要求1所述的过程控制配置系统,其中用于至少一些控制与辅助变量中的每个变量的响应信息包括与阶跃响应相关的信息。
16.如权利要求1所述的过程控制配置系统,其中用于至少一些控制与辅助变量中的每个变量的响应信息包括与脉冲响应相关的信息。
17.如权利要求1所述的过程控制配置系统,其中用于至少一些控制与辅助变量中每个变量应信息包括与斜坡响应相关的信息。
18.一种用于控制过程的过程控制系统,包括:
多输入/多输出控制器,适于在过程控制系统的每个操作周期内,基于来自该过程的多路测量输入和基于在过程控制系统的每个操作周期内提供给多输入/多输出控制器的一组目标值,产生多路配置的控制输出以控制该过程;
优化器,适于产生由多输入/多输出控制器在过程控制系统的每个操作周期内应用的一组目标值;
其中该优化器是包括目标函数的线性或二次编程优化器,并且该优化器适于最小化或最大化该目标函数,而保持一组控制变量在预定设定点的限制范围内,保持一组辅助变量在一组预定辅助变量的限制范围内,及保持一组操作变量在一组预定操作变量的限制范围内,如果不存在结果,就违反至少一个设定点的限制范围。
19.如权利要求18所述的过程控制系统,其中该优化器适于存储一组对应于一组控制变量的优先权,并且其中该优化器使用该组中的优先权来确定要违反的至少一个控制设定点的限制范围。
20.如权利要求18所述的过程控制系统,其中如果不存在结果,该优化器就适于违反至少一个设定点的限制范围和辅助变量的限制范围。
21.如权利要求20所述的过程控制系统,其中该优化器适于存储对应于该组控制变量的第一组优先权,以及对应于该组辅助变量的第二组优先权,其中该优化器应用第一组优先权和第二组优先权来确定至少违反控制设定点的限制范围和辅助变量的限制范围之一。
22.一种用于控制过程的过程控制系统,包括:
响应矩阵,定义了一组控制与辅助变量中每个变量对于一组操作变量中每个变量的变化的反应,其中在该组控制与辅助变量中的控制与辅助变量的数量等于第一数值,在该组操作变量中的操作变量的数量等于第二数值;
线性或二次优化器适于:
基于该过程控制和辅助变量的一组预测值及基于该过程操作变量的一组当前值,产生一组目标操作变量值,该目标操作变量值定义了最优操作点,其中在该组控制与辅助变量的预测值中的控制和辅助变量的预测值的数量等于第一数值,其中在该组操作变量的当前值中的操作变量的数量等于第二数值;
应用一组预测控制与辅助变量,一组预测操作变量,和响应矩阵来产生一组目标值用于一组控制与辅助变量的预定子集,其中在该组预测控制与辅助变量中预测控制和辅助变量的数量等于第一数值,在该组控制与辅助变量的预定子集中的控制与辅助变量的数量不同于第一数值;
其中线性或二次优化器适于产生最大化或最小化目标函数的该组目标操作变量值,同时保持每个控制变量在预定设定点,及保持每个辅助变量和操作变量在预定的约束范围内;
其中该优化器适于当保持每个控制变量在预定设定点以及每个辅助变量和操作变量在预定约束范围内的结果不存在时,产生用于最大化或最小化目标函数的该组目标操作变量值,同时保持每个控制变量在预定设定点的限制范围内,并保持每个辅助变量和操作变量在约束范围内;
其中该优化器适于当保持每个控制变量在预定设定点的限制范围内以及保持每个辅助变量和操作变量在预定约束范围内的结果不存在时,产生最大化或最小化该目标函数的该组目标操作变量值,同时基于与控制变量相关的优先权,保持每个辅助变量在预定约束范围内、该操作变量在预定约束范围内,而允许一个或多个控制变量违反预定设定点的限制范围;
多输入/多输出控制器适于:
产生该组预测控制与辅助变量和该组预测操作变量;以及
将用于该组控制与辅助变量的预定子集的该组目标值和该组控制与辅助变量的预定子集的测量值结合,以产生一组操作控制信号来控制该过程的操作变量,其中在该组操作控制信号中的操作控制信号数量等于第二数值。
23.如权利要求22所述的过程控制系统,其中该优化器适于当保持每个辅助变量和操作变量在预定约束范围内的结果不存在时,产生最大化或最小化该目标函数的该组目标操作变量值,同时基于与控制和辅助变量相关的优先权,保持操作变量在预定的约束范围内,而允许一个或多个控制变量违反预定设定点的限制范围,以及允许该辅助变量违反预定约束范围。
24.如权利要求22所述的过程控制系统,其中该优化器适于当保持每个控制变量在预定设定点的限制范围内及保持操作变量在预定约束范围内的结果不存在时,产生最大化或最小化该目标函数的该组目标操作变量值,同时基于与控制变量和辅助变量相关的优先权,保持操作变量在预定约束范围,而允许一个或多个控制变量违反预定设定点的限制范围以及允许辅助变量违反预定约束范围。
25.一种控制过程的方法,该过程具有多个操作变量和多个能够由操作变量的变化影响的控制和辅助变量,其中多个操作变量在数量上不同于该多个控制和辅助变量,该方法包括:
选择该多个控制和辅助变量的子集用于执行过程控制,其中选择该子集包括选择对操作变量之一最具有响应性的控制或辅助变量之一;
利用所选择的多个控制和辅助变量的子集和多个操作变量产生控制矩阵;
从控制矩阵中产生控制器,该控制矩阵具有作为输入的多个控制和辅助变量及作为输出的多个操作变量的所选子集;
通过选择过程操作点来执行过程最优化,以最小化或最大化依赖于多个操作变量和多个控制及辅助变量的目标函数,所述过程操作点是由所选择的的多个控制和辅助变量子集的一组目标值定义的;
利用从该控制矩阵产生的控制器执行多输入/多输出控制技术,以从用于所选择的多个控制和辅助变量子集的目标值与所选择的多个控制和辅助变量子集的测量值中产生一组操作变量值;以及
利用产生的该组操作变量值控制该过程。
26.如权利要求25所述的方法,其中选择对操作变量之一最具有响应性的控制或辅助变量之一的步骤包括至少根据交叉相关分析来选择控制或辅助变量之一。
27.如权利要求25所述的方法,其中选择对操作变量之一最具有响应性的控制或辅助变量之一的步骤包括至少启发性地选择控制或辅助变量之一。
28.如权利要求25所述的方法,其中选择对操作变量之一最具有响应性的控制或辅助变量之一的步骤包括至少根据与控制和辅助变量相关的优先权来选择控制或辅助变量之一。
29.一种控制过程的方法,该过程具有多个操作变量和多个能够由操作变量的变化影响的控制和辅助变量,其中多个操作变量在数量上不同于该多个控制和辅助变量,该方法包括:
选择该多个控制和辅助变量的子集,用于执行过程控制,其中该子集中的控制和辅助变量的数量少于多个操作变量中的操作变量的数量;
利用所选择的多个控制和辅助变量的子集和多个操作变量产生控制矩阵;
从控制矩阵中产生控制器,该控制矩阵具有作为输入的多个控制和辅助变量及作为输出的多个操作变量的所选子集;
通过选择过程操作点来执行过程最优化,以最小化或最大化依赖于多个操作变量和多个控制及辅助变量目标函数,所述过程操作点是由所选择的多个控制和辅助变量子集的一组目标值定义的;
利用从该控制矩阵产生的控制器执行多输入/多输出控制技术,以从用于所选择的多个控制和辅助变量子集的目标值与所选择的多个控制和辅助变量子集的测量值中产生一组操作变量值;以及
利用产生的该组操作变量值控制该过程。
30.一种过程控制元件,适于用作在处理器上实施的过程控制程序的一部分,以便利用多个操作参数控制一过程的多个控制和辅助参数,该过程控制元件包括:
计算机可读介质;
存储在计算机可读介质上的、适于在处理器中执行的功能块,用于在每个控制扫描期间实施该过程的多路输入/多路输出控制,该功能块包括:
目标函数,该函数基于多个控制和辅助参数定义了优化标准,其中该目标函数基于控制和辅助参数的第一数值来定义优化标准;
优化器程序,该程序使用该目标函数在每个控制扫描期间产生一组用于控制和辅助变量的最优目标值,其中该优化器程序包括线性或二次编程程序;
控制矩阵,该矩阵使得多个控制和辅助参数的预定子集相关于多个操作参数,其中在预定子集中的控制和辅助参数的数量等于第一数值,其中在多个操作参数中的操作参数的数量等于第一数值;以及
多输入/多输出控制程序,该程序在每个控制扫描期间利用控制矩阵和多个控制与辅助变量子集的目标值产生对于多个操作参数中每个参数的控制信号,其中确定控制信号以驱动多个控制和辅助参数的子集达到该控制和辅助参数子集的最优目标值,其中该多输入/多输出控制程序包括模型预测控制程序。
31.一种过程控制元件,适于用作在处理器上实施的过程控制程序的一部分,以便利用多个操作参数控制过程的多个控制和辅助参数,该过程控制元件包括:
计算机可读介质;
存储在计算机可读介质上的、适于在处理器中执行的功能块,用于在每个控制扫描期间实施该过程的多路输入/多路输出控制,该功能块包括:
目标函数,该函数基于多个控制和辅助参数定义了优化标准;
优化器程序,该程序使用该目标函数在每个控制扫描期间产生一组用于控制和辅助变量的最优目标值;
控制矩阵,该矩阵使得多个控制和辅助参数的预定子集相关于多个操作参数;以及
多输入/多输出控制程序,该程序在每个控制扫描期间利用控制矩阵和多个控制与辅助变量子集的目标值产生对于多个操作参数中每个参数的控制信号,其中确定控制信号以驱动多个控制和辅助参数的子集达到该控制和辅助参数的子集的最优目标值;
其中该功能块包括存储器,用于存储一组控制参数设定点和一组辅助与操作参数的限制范围,并且其中设定该优化器程序以确定操作参数的该组最优目标值,其导致该控制参数处于控制参数设定点,辅助和操作参数在该辅助和操作参数的限制范围内,及最小化或最大化该目标函数;
其中该存储器也存储一组控制参数设定点的限制范围,并且该优化器程序适于当保持该控制参数在控制参数设定点以及辅助和操作参数在辅助和操作参数的限制范围内的结果不存在时,产生用于最大化或最小化该目标函数的操作参数的最优目标值组,同时保持每个控制参数在控制参数设定点的限制范围内,及保持每个辅助参数和操作参数在辅助和操作参数的限制范围内;
其中该存储器也存储一组用于控制参数的优先权指示,并且该优化器程序适于当保持每个控制参数在控制参数设定点的限制范围内以及每个辅助参数和操作参数在辅助和操作参数的限制范围内的结果不存在时,产生最大化或最小化该目标函数的该组目标操作参数,同时根据用于控制参数的优先权指示,保持每个控制参数在控制参数设定点的限制范围内,而允许一个或多个控制参数违反该控制参数设定点的限制范围;
其中该存储器也存储了一组用于辅助参数的优先权指示,并且该优化器程序适于当保持每个控制参数在控制参数设定点的限制范围内以及每个辅助参数和操作参数在辅助和操作参数的限制范围内的结果不存在时,产生最大化或最小化该目标函数的该组目标操作参数,而根据用于辅助参数和控制参数的优先权指示,允许至少一个辅助参数违反该辅助参数的限制范围。
32.一种执行过程控制的方法,该过程具有由操作变量的第二数值控制的控制和辅助变量的第一数值,该方法包括:
确定阶跃响应矩阵,该矩阵定义了每个控制与辅助变量对于每个操作变量的变化的响应;
选择控制与辅助变量的子集,该子集具有与操作变量的数量相同或少于该数量的控制与辅助变量,其中选择该子集包括选择对操作变量之一最具有响应性的控制或辅助变量之一;
从响应矩阵内部的响应中产生方形控制矩阵,该响应矩阵用于所选的控制与辅助变量的子集以及操作变量;以及
在该过程的每个扫描期间;
获得每个所选的控制与辅助变量的子集的测量值;
计算每个所选的控制与辅助变量的子集的最优操作目标值;
通过应用每个所选的控制与辅助变量的子集的目标值,对每个所选的控制与辅助变量的子集的测量值以及该控制矩阵来执行多输入/多输出控制程序,以产生一组操作参数信号;以及
利用该操作参数信号来控制该过程。
33.如权利要求32所述的方法,选择对操作变量之一最具有响应性的控制或辅助变量之一的步骤包括至少根据交叉相关分析来选择控制或辅助变量之一。
34.如权利要求32所述的方法,选择对操作变量之一最具有响应性的控制或辅助变量之一的步骤包括至少启发性的选择控制或辅助变量之一。
35.如权利要求32所述的方法,选择对操作变量之一最具有响应性的控制或辅助变量之一的步骤包括至少根据与控制和辅助变量相关的优先权来选择控制或辅助变量之一。
Applications Claiming Priority (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/241,350 US7376472B2 (en) | 2002-09-11 | 2002-09-11 | Integrated model predictive control and optimization within a process control system |
US10/241,350 | 2002-09-11 | ||
US10/310,416 US7330767B2 (en) | 2002-09-11 | 2002-12-05 | Configuration and viewing display for an integrated model predictive control and optimizer function block |
US10/310,416 | 2002-12-05 | ||
US10/627,362 | 2003-07-25 | ||
US10/627,362 US7050863B2 (en) | 2002-09-11 | 2003-07-25 | Integrated model predictive control and optimization within a process control system |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1514318A true CN1514318A (zh) | 2004-07-21 |
CN1514318B CN1514318B (zh) | 2010-04-28 |
Family
ID=29255267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN03164972.6A Expired - Lifetime CN1514318B (zh) | 2002-09-11 | 2003-09-11 | 过程控制系统中的集成模型预测控制与优化 |
Country Status (4)
Country | Link |
---|---|
CN (1) | CN1514318B (zh) |
DE (2) | DE10362369B3 (zh) |
GB (4) | GB2432682B (zh) |
HK (3) | HK1063223A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622528A (zh) * | 2012-04-16 | 2012-08-01 | 广东双利电缆有限公司 | 一种制造铝合金杆所需配方参数的自动生成方法及系统 |
CN101533273B (zh) * | 2007-09-28 | 2013-10-23 | 费舍-柔斯芒特系统股份有限公司 | 过程控制系统的过程模型库的动态管理 |
CN104834294A (zh) * | 2005-12-05 | 2015-08-12 | 费舍-柔斯芒特系统股份有限公司 | 利用并行过程仿真的多目标预测过程优化 |
CN105589448A (zh) * | 2009-02-02 | 2016-05-18 | 费希尔-罗斯蒙特系统公司 | 具有用以补偿模型失配的可调节积分分量的模型预测控制器 |
CN105793789A (zh) * | 2013-12-05 | 2016-07-20 | 拜耳技术服务有限责任公司 | 用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和系统 |
CN109002891A (zh) * | 2018-03-15 | 2018-12-14 | 小蚁科技(香港)有限公司 | 神经网络的基于特征的选择性控制 |
CN113631867A (zh) * | 2019-03-15 | 2021-11-09 | 3M创新有限公司 | 使用因果模型控制制造过程 |
Families Citing this family (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10341762B4 (de) * | 2002-09-11 | 2014-05-15 | Fisher-Rosemount Systems, Inc. | Handhabung der Realisierbarkeit von Beschränkungen und Grenzen in einem Optimierer für Prozesssteuerungssysteme |
US7376472B2 (en) | 2002-09-11 | 2008-05-20 | Fisher-Rosemount Systems, Inc. | Integrated model predictive control and optimization within a process control system |
US8005647B2 (en) | 2005-04-08 | 2011-08-23 | Rosemount, Inc. | Method and apparatus for monitoring and performing corrective measures in a process plant using monitoring data with corrective measures data |
US9201420B2 (en) | 2005-04-08 | 2015-12-01 | Rosemount, Inc. | Method and apparatus for performing a function in a process plant using monitoring data with criticality evaluation data |
DE102005025282A1 (de) * | 2005-06-02 | 2006-12-07 | Bayer Materialscience Ag | Datenverarbeitungssystem und Verfahren zur Regelung einer Anlage |
US7451004B2 (en) | 2005-09-30 | 2008-11-11 | Fisher-Rosemount Systems, Inc. | On-line adaptive model predictive control in a process control system |
US8271103B2 (en) | 2007-05-02 | 2012-09-18 | Mks Instruments, Inc. | Automated model building and model updating |
US8301676B2 (en) | 2007-08-23 | 2012-10-30 | Fisher-Rosemount Systems, Inc. | Field device with capability of calculating digital filter coefficients |
US7702401B2 (en) | 2007-09-05 | 2010-04-20 | Fisher-Rosemount Systems, Inc. | System for preserving and displaying process control data associated with an abnormal situation |
US8055479B2 (en) | 2007-10-10 | 2011-11-08 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process |
US8494798B2 (en) | 2008-09-02 | 2013-07-23 | Mks Instruments, Inc. | Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection |
US8155932B2 (en) | 2009-01-08 | 2012-04-10 | Jonas Berggren | Method and apparatus for creating a generalized response model for a sheet forming machine |
US8209048B2 (en) | 2009-01-12 | 2012-06-26 | Abb Automation Gmbh | Method and apparatus for creating a comprehensive response model for a sheet forming machine |
US9069345B2 (en) * | 2009-01-23 | 2015-06-30 | Mks Instruments, Inc. | Controlling a manufacturing process with a multivariate model |
US20100198364A1 (en) * | 2009-02-05 | 2010-08-05 | Shih-Chin Chen | Configurable Multivariable Control System |
US8756039B2 (en) | 2010-03-02 | 2014-06-17 | Fisher-Rosemount Systems, Inc. | Rapid process model identification and generation |
US8855804B2 (en) | 2010-11-16 | 2014-10-07 | Mks Instruments, Inc. | Controlling a discrete-type manufacturing process with a multivariate model |
US9429939B2 (en) | 2012-04-06 | 2016-08-30 | Mks Instruments, Inc. | Multivariate monitoring of a batch manufacturing process |
US9541471B2 (en) | 2012-04-06 | 2017-01-10 | Mks Instruments, Inc. | Multivariate prediction of a batch manufacturing process |
EP2884354A1 (en) * | 2013-12-12 | 2015-06-17 | Honeywell spol s.r.o. | Model-based predictive controller with steady-state model adaptation |
GB2543156B (en) * | 2014-03-20 | 2021-06-02 | Fisher Rosemount Systems Inc | Reducing controller updates in a control loop |
CN104765339B (zh) * | 2015-02-10 | 2017-05-10 | 浙江大学 | 一种基于控制变量优先级的fcc动态控制方法 |
US10969135B2 (en) * | 2017-07-27 | 2021-04-06 | Johnson Controls Technology Company | Central plant control system with computation reduction based on sensitivity analysis |
CN108427284A (zh) * | 2018-04-09 | 2018-08-21 | 中国石油大学(华东) | 一类串联结构多智能体系统协调一致性控制方法 |
JP7358257B2 (ja) * | 2020-01-28 | 2023-10-10 | 住友重機械工業株式会社 | 制御プログラム生成装置、制御プログラム生成方法、ロール・ツー・ロール搬送システム |
CN113325696B (zh) * | 2021-06-01 | 2022-07-19 | 吉林大学 | 一种应用于交联电缆生产设备的单神经元pid与模型预测结合的混合控制方法 |
CN113485109B (zh) * | 2021-07-12 | 2022-07-12 | 山东大学 | 一种基于可变优先级的变流器动态级联控制方法及系统 |
US20240085861A1 (en) * | 2022-09-14 | 2024-03-14 | Rockwell Automation Technologies, Inc. | Programmable automation controller based optimization |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4349869A (en) | 1979-10-01 | 1982-09-14 | Shell Oil Company | Dynamic matrix control method |
US4616308A (en) | 1983-11-15 | 1986-10-07 | Shell Oil Company | Dynamic process control |
US4736316A (en) | 1986-08-06 | 1988-04-05 | Chevron Research Company | Minimum time, optimizing and stabilizing multivariable control method and system using a constraint associated control code |
US5457625A (en) | 1994-04-13 | 1995-10-10 | The M. W. Kellogg Company | Maximizing process production rates using permanent constraints |
US5612866A (en) | 1994-06-24 | 1997-03-18 | Integrated Systems, Inc. | Code generation system to construct an asynchronous real-time controller for a real-time system |
US5574638A (en) * | 1995-04-03 | 1996-11-12 | Lu; Zhuxin J. | Method of optimal scaling of variables in a multivariable predictive controller utilizing range control |
US5682309A (en) * | 1995-04-28 | 1997-10-28 | Exxon Chemical Patents Inc. | Feedback method for controlling non-linear processes |
US5758047A (en) * | 1995-06-14 | 1998-05-26 | Lu; Zhuxin Joseph | Method of process controller optimization in a multivariable predictive controller |
JP3412384B2 (ja) | 1996-03-13 | 2003-06-03 | 株式会社日立製作所 | 制御モデル構築支援装置 |
US5930762A (en) | 1996-09-24 | 1999-07-27 | Rco Software Limited | Computer aided risk management in multiple-parameter physical systems |
CN1099060C (zh) * | 1999-04-14 | 2003-01-15 | 袁璞 | 通用多变量模型预估协调控制方法 |
US6330483B1 (en) * | 1999-05-07 | 2001-12-11 | The Boeing Company | Optimal control system |
US6445963B1 (en) * | 1999-10-04 | 2002-09-03 | Fisher Rosemount Systems, Inc. | Integrated advanced control blocks in process control systems |
US6445936B1 (en) * | 1999-11-16 | 2002-09-03 | Agere Systems Guardian Corp. | Low power consumption quick charge for wireless device |
US6721609B1 (en) | 2000-06-14 | 2004-04-13 | Fisher-Rosemount Systems, Inc. | Integrated optimal model predictive control in a process control system |
AU2001265362A1 (en) * | 2000-06-30 | 2002-01-14 | The Dow Chemical Company | Multi-variable matrix process control |
US6772019B2 (en) | 2000-11-16 | 2004-08-03 | Lockheed Martin Corporation | Method and system for multi-parameter choice optimization |
-
2003
- 2003-09-10 DE DE10362369.8A patent/DE10362369B3/de not_active Expired - Lifetime
- 2003-09-10 DE DE10341764.8A patent/DE10341764B4/de not_active Expired - Lifetime
- 2003-09-11 GB GB0702678A patent/GB2432682B/en not_active Expired - Lifetime
- 2003-09-11 GB GB0609616A patent/GB2429539B/en not_active Expired - Lifetime
- 2003-09-11 CN CN03164972.6A patent/CN1514318B/zh not_active Expired - Lifetime
- 2003-09-11 GB GB0321249A patent/GB2394312B/en not_active Expired - Lifetime
- 2003-09-11 GB GB0702680A patent/GB2432683B/en not_active Expired - Lifetime
-
2004
- 2004-08-09 HK HK04105928A patent/HK1063223A1/xx not_active IP Right Cessation
-
2007
- 2007-09-05 HK HK07109646A patent/HK1102841A1/xx not_active IP Right Cessation
- 2007-09-17 HK HK07110110A patent/HK1102842A1/xx not_active IP Right Cessation
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834294A (zh) * | 2005-12-05 | 2015-08-12 | 费舍-柔斯芒特系统股份有限公司 | 利用并行过程仿真的多目标预测过程优化 |
CN101533273B (zh) * | 2007-09-28 | 2013-10-23 | 费舍-柔斯芒特系统股份有限公司 | 过程控制系统的过程模型库的动态管理 |
CN105589448A (zh) * | 2009-02-02 | 2016-05-18 | 费希尔-罗斯蒙特系统公司 | 具有用以补偿模型失配的可调节积分分量的模型预测控制器 |
CN102622528A (zh) * | 2012-04-16 | 2012-08-01 | 广东双利电缆有限公司 | 一种制造铝合金杆所需配方参数的自动生成方法及系统 |
CN105793789A (zh) * | 2013-12-05 | 2016-07-20 | 拜耳技术服务有限责任公司 | 用于过程单元中的全部过程区段的自动的监视和状态确定的计算机实现的方法和系统 |
CN109002891A (zh) * | 2018-03-15 | 2018-12-14 | 小蚁科技(香港)有限公司 | 神经网络的基于特征的选择性控制 |
CN113631867A (zh) * | 2019-03-15 | 2021-11-09 | 3M创新有限公司 | 使用因果模型控制制造过程 |
Also Published As
Publication number | Publication date |
---|---|
GB2429539B (en) | 2007-06-06 |
CN1514318B (zh) | 2010-04-28 |
GB0609616D0 (en) | 2006-06-21 |
GB0321249D0 (en) | 2003-10-08 |
GB0702680D0 (en) | 2007-03-21 |
DE10341764B4 (de) | 2019-01-10 |
GB2432682B (en) | 2007-10-10 |
HK1063223A1 (en) | 2004-12-17 |
GB0702678D0 (en) | 2007-03-21 |
GB2432682A (en) | 2007-05-30 |
HK1102841A1 (en) | 2007-12-07 |
GB2432683B (en) | 2007-10-10 |
GB2394312A (en) | 2004-04-21 |
DE10341764A1 (de) | 2004-07-15 |
DE10362369B3 (de) | 2022-09-29 |
HK1102842A1 (en) | 2007-12-07 |
GB2394312B (en) | 2007-10-03 |
GB2429539A (en) | 2007-02-28 |
GB2432683A (en) | 2007-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1514318A (zh) | 过程控制系统中的集成模型预测控制与优化 | |
CN1490691A (zh) | 集成模型预测控制和优化器功能块的配置和观察显示器 | |
CN1490690A (zh) | 在过程控制系统中的集成模型预测控制和最佳化 | |
El-Farra et al. | Integrating robustness, optimality and constraints in control of nonlinear processes | |
CN1300651C (zh) | 过程控制系统优化程序中的约束和限制可行性处理 | |
US7930045B2 (en) | Two-stage model predictive control technique | |
Darby et al. | MPC: Current practice and challenges | |
CN1940780A (zh) | 过程控制系统中的在线自适应模型预测控制 | |
JP4786072B2 (ja) | 多入力/多出力論理装置及び該多入力/多出力論理装置を使用してプロセスを制御する方法 | |
Brosilow et al. | Techniques of model-based control | |
JP5096359B2 (ja) | 同時プロセスシミュレーションを伴う多目的予測プロセス最適化 | |
Qin et al. | A survey of industrial model predictive control technology | |
CN1274435A (zh) | 无模型自适应过程控制 | |
CN1894637A (zh) | 模型预测控制器中核心过程模型的使用 | |
CN1161753A (zh) | 模型预测控制装置与方法 | |
EP3683634B1 (en) | A method for controlling a technological process | |
KR100642016B1 (ko) | 다변수 예측제어 및 일괄 시퀀스 로직을 이용한 ptac배치 공정의 최적화 방법 | |
Jørgensen et al. | Monitoring and control of batch processes | |
Huzmezan et al. | Adaptive predictive regulatory control with brainwave |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CX01 | Expiry of patent term | ||
CX01 | Expiry of patent term |
Granted publication date: 20100428 |