CN1900857A - 一种多输入多输出连续生产过程的实时操作优化方法 - Google Patents

Abstract

本发明属于控制系统技术领域，涉及一种多输入多输出连续生产过程的实时操作优化方法。该方法是将生产过程中多个关键操作条件为优化变量，以与关键操作条件相关联的技术指标为目标函数，根据生产过程关键操作条件和技术指标的历史数据，用相关积分法或其他方法在线计算出关键操作条件与技术指标之间在当前时间的梯度向量，然后根据这个梯度向量来确定操作条件的调整方向，当梯度向量为负值或正值时，都要调整关键操作条件使梯度向量向零的方向变化，使技术指标达到最优。本发明简化生产过程的优化控制过程、操作简单、抗干扰性强、通用性强、适应面广、效果好。

Description

一种多输入多输出连续生产过程的实时操作优化方法

技术领域

本发明属于控制系统技术领域，涉及一种多输入多输出(MultipleInput/Multiple Output，MIMO)连续生产过程的实时操作优化方法。

背景技术

对一个连续进料，连续产品产出的连续的生产过程，可以用图1来表示：图中A为上游加工装置群，它的产品是加工装置B的原料，而加工装置B的产品为下游装置C的原料。A之所以称之为装置群，是因为可能不止一套上游装置为B提供原料。由于B的产品可能不止一种，其产品也可能提供给多个下游装置作为原料，因此其下游的的装置称之为装置群C。值得指出，这种装置物料的串接流动是连续的。对于加工装置B来说，有一些生产中可以调整关键因数，也就是可控的关键操作条件U，而这些操作条件又与加工装置B的一些技术指标J，如能耗，经济效益，产品产率有关，这里U可看作生产过程的输入，可以有一个或多个，J看作为生产过程的输出，也可以有一个或多个。操作优化的任务是如何在生产中调整这些操作条件，使得在某一时间段内指定的技术指标(可以是一个，或多个的组合)达到最优(最大，如经济效益；或最小，如能耗)，如图2所示。值得指出，目标函数可能会根据生产的需要进行切换。对单一目标函数过程的操作优化，一般以下述形式描述：

$J^{*}=J\left(U^{*}\right)=J_U^{\max }\left(U\right)----(1-1)$

式中，J为目标函数，J^*为目标函数最优值，U为操作条件，或称调优变量。U^*为调优变量的最佳值。

由于通常U与J的函数关系J(U)为未知函数，为了得到U^*，有两种常用的方法：数学模型与实时在线搜索法。

1.建模法

建模法的基本思想是预先建立目标函数J与调优变量U间的数学模型，然后按照该模型和约束条件，用非线性或线性规划求出U^*。

在建立数学模型的过程中，依据建模原理的不同，可分为机理建模和经验建模两类。

所谓机理建模，就是把整个系统中各部分设备的运转机理方程，按流程结构，利用物料平衡、能量平衡原理组合起来，从而构造一套符合具体生产过程的数学方程。最后按系统的投入产出、价格等确定出目标函数与调优变量U间的关系。

但当被描述的过程过于复杂，或者机理本身不清，或者基本方程不准确，往往使机理建模工作难以进行。此外，一个系统的机理模型一般不具有普遍性，甚至当加工产品变化，或流程稍作改动，就必须对模型做出修改或者推倒重来。

经验建模法就是依靠大量试验或日常运行报表数据为基础，构造系统的调优变量与目标函数间的经验关系。这种建模的优点是：简单、具有普遍性。无论过程或系统如何复杂或不同，都可用同样简单的手段建模，而不需要专门的工艺知识和先验方程。

但是，这种方法的可靠性较差。当模型在线应用时的工作条件偏离或者超出建模数据采集的工况时，模型将产生很大的误差而无法实用，工艺设备的微小改动，可能会导致模型结构很大的变化而使建模工作前功尽弃。

2.在线搜索法

搜索法是一种普遍性的方法，与具体过程无关。其基本思想是在线地变更调优变量的数值，观察目标函数的变化情况，从而确定调优变化方向是否正确。从原则上讲，许多非线性规划方法，如黄金分割法，最速下降法等都能在线应用。但是，这些方法往往对干扰的敏感性很强。众所周知，在通常情况下，目标函数不仅是调优变量的函数，也是其他不可控变量(环境变量)的函数。因而，当目标函数发生变化时，我们很难判断它是起因于调优变量的变化，还是干扰的作用。在目前的在线搜索法中，一般都把调优变量与目标函数作为唯一的因果关系，因而当存在外界扰动时，有可能做出错误的判断，甚至使动作反向。

值得指出，无论是模型法还是直接搜索法，一般是建立在1-1的数学描述基础之上。而反映目标函数J与U之间的关系被定义为代数关系，也没有包含外界干扰项.因而，由此导出的算法原则上只适用于静态的、无干扰的系统。

在实际过程中，情况要复杂得多。首先，调优变量不仅与目标函数在逻辑上有因果关系，而且在时间上也存在着动态过程，也就是说当调优变量改变时，目标函数并不立刻变化，而是有着一个过渡过程。其次，从许多工业过程的实际情况看，目标函数常常处在上下起伏的脉动之中，很难找到静态的情形，这通常是由于那些不可测、不可控的强扰动而引起的。例如生产过程中，原料成份的变化往往是不可控的，由于在线成份检测的困难，这些变量通常也是不可测的。而另一方面，许多过程对于原料成份的变化却十分敏感，结果成份的变化对于目标函数的影响常常要超出可控的温度、压力诸因素对目标函数的效应，有时可达数十倍之多。这样一来，调优变量变化所引起的目标函数变化成份往往要“淹没”于原料成份对目标函数的干扰之中。在这种动态扰动的情况下，传统的方法就显得无能为力。

发明内容

本发明所要解决的技术问题是针对现有技术中多输入多输出连续生产过程的实时操作优化所存在的过程复杂、难度大、受干扰因素多、适应面窄、效果差的缺陷，提供一种多输入多输出连续生产过程的实时操作优化方法，简化生产过程的优化控制过程、操作简单、抗干扰性强、通用性强、适应面广、效果好。

解决本发明技术问题所采用的技术方案是采用一种多输入多输出连续生产过程的实时操作优化方法，该法将生产过程中多个关键操作条件为优化变量，以与关键操作条件相关联的一个或多个技术指标为目标函数，根据生产过程关键操作条件和技术指标的动态历史数据，在线计算出关键操作条件与技术指标之间在当前时间的梯度向量，然后根据这个梯度向量来确定操作条件的调整方向，当梯度向量为负值或正值时，都要调整关键操作条件使梯度向量向零的方向变化，使技术指标达到最优，这种梯度的计算是在线不断进行的，无论技术指标是否达到最优，一旦发现梯度不为零，则调整关键操作条件使梯度向量向零的方向变化，以实现最优点的跟踪。调整关键操作条件使梯度向量向零的方向变化的过程就是关键操作条件优化的过程，由于生产过程的最优点可能会随时间变化，因此这种优化过程是在线不断进行的。

在线计算出关键操作条件与技术指标之间在当前时间的梯度向量的方法是利用相关积分技术或者其他可能的方法(如动态模型辩识方法)对生产过程关键操作条件和技术指标的动态历史数据进行运算。

相关积分实时优化方法的依据是相关积分理论。相关积分是一种与随机过程有关的运算。在相关积分理论中，目标函数、干扰、优化变量被视为随机过程，而优化变量为均值可控，一般地先确定目标函数

该目标函数应当是在线可计算的或在线可测量的，那么目标函数可以表达为：

$\tilde{J}\left(t\right)=f(\tilde{u}\left(t\right),\tilde{p}\left(t\right),t)$

其中， 为m维均值可控优化变量

$\tilde{u}\left(t\right)=\left[\begin{array}{c}{\tilde{u}}_1\left(t\right)\\ {\tilde{u}}_2\left(t\right)\\ M\\ {\tilde{u}}_m\left(t\right)\end{array}\right]$

为干扰，f为未知映射；最优目标函数定义为：

${\tilde{J}}^{*}\left(t\right)=\underset{E\left\{\tilde{u}\left(t\right)\right\}}{\max }E\left\{f\right[E\left\{\widetilde{u\left(t\right)}\right\},\widetilde{p\left(t\right),t}\left]\right\}$

这里

为调优变量的均值，它可以是基层控制器的设定值或阀位等。

对于这个多变量的优化问题可以证明，在一定条件下目标函数均值对调优变量均值的梯度

满足下式：

$K_{\mathrm{uJ}}=K_{\mathrm{uu}}\frac{\mathrm{dEF}}{\mathrm{dE}\left\{\tilde{u}\left(t\right)\right\}}+\mathrm{\ϵ}\left(t\right)$

式中，ε(t)是均值为零的噪声项，而k_uJ是调优变量与目标函数间互相关积分向量，定义为

$k_{\mathrm{uJ}}=\left[\begin{array}{c}{k}_{u1J}\\ k_{u2J}\\ M\\ k_{\mathrm{umJ}}\end{array}\right],$ $k_{\mathrm{uiJ}}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^T{u}_i(t-\mathrm{\τ})J\left(t\right)\mathrm{dtd\τ},$ i＝1，2，Λ，mk_uu为调优变量自相关积分矩阵，定义为

$k_{\mathrm{uu}}=\left[\begin{array}{cccc}{k}_{u1u1}& k_{1u2}& \mathrm{\Λ}& k_{u1\mathrm{um}}\\ k_{u2u1}& k_{u2u2}& \mathrm{\Λ}& k_{u2\mathrm{um}}\\ M& M& M& M\\ k_{\mathrm{umu}1}& k_{\mathrm{umu}2}& \mathrm{\Λ}& k_{\mathrm{umum}}\end{array}\right],$ $k_{\mathrm{uiuj}}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^T{u}_i(t-\mathrm{\τ})u_j\left(t\right)\mathrm{dtd\τ},$ i，j＝1，2，Λ，m

根据公式

$k_{\mathrm{uu}}=\left[\begin{array}{cccc}{k}_{u1u1}& k_{1u2}& \mathrm{\Λ}& k_{u1\mathrm{um}}\\ k_{u2u1}& k_{u2u2}& \mathrm{\Λ}& k_{u2\mathrm{um}}\\ M& M& M& M\\ k_{\mathrm{umu}1}& k_{\mathrm{umu}2}& \mathrm{\Λ}& k_{\mathrm{umum}}\end{array}\right]$

$k_{\mathrm{uiuj}}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^T{u}_i(t-\mathrm{\τ})u_j\left(t\right)\mathrm{dtd\τ}$ 和优化变量的实时测量值u_i(t)(i＝1，2，Λ，m)计算优化变量的自相关积分矩阵k_uu；其中T，M为大于0的积分常数；

根据公式

$k_{\mathrm{uJ}}=\left[\begin{array}{c}{k}_{u1J}\\ k_{u2J}\\ M\\ k_{\mathrm{umJ}}\end{array}\right]$

$k_{\mathrm{uiJ}}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^{T}u(t-\mathrm{\τ})J\left(t\right)\mathrm{dtd\τ},$ (i＝1，2，Λ，m)和目标函数的实时测量值J(t)计算优化变量与目标变量的互相关积分向量；其中T，M为大于0的积分常数；

上述公式中，u_i(t)，(i＝1，2，Λ，m)，J(t)分别为调优变量和目标函数的测量值。可见k_uJ，k_uu能够通过调优变量和目标函数的观测值计算得到，于是根据公式 $k_{\mathrm{uJ}}=k_{\mathrm{uu}}\frac{\mathrm{dEf}}{\mathrm{dE}\left\{\tilde{u}\left(t\right)\right\}}+\mathrm{\ϵ}\left(t\right)$ 求出目标函数的梯度

(可用最小二乘法估计目标函数的梯度

在算得目标函数的梯度后，可以用直接迭代计算调优变量的新设定值u_s(l+1)

根据公式 $u_s(l+1)=u_s\left(l\right)+\mathrm{\α}\frac{\mathrm{dEf}}{\mathrm{dE}\left\{\tilde{u}\left(l\right)\right\}}$ 计算优化变量的新设定值u_s(l+1)；

式中，α为常数，如果优化目标是求极大值，则取为大于0的数，如果优化目标为极小值，取为小于0的数。

这种迭代过程在线持续进行，直至梯度为零。

对于多目标的情况，也有类似的结论。

由上，可得出本发明的具体进一步的技术方案如下：

1.根据被优化的过程的需要，确定多个要优化的技术指标即目标函数J₁，J₂，Λ，J_n，这些目标函数必需是在线可以计算或测量的。构造一个虚拟的综合目标函数J＝σ₁J₁+σ₂J₂+，Λ，+σ_nJ_n，这里σ₁，σ₂，Λ，σ_n为各目标函数的加权数，根据工艺要求，取值为0到1之间，需要指出，由于生产中目标函数可能切换，因此这里加权值可能是随时间变化的。

根据生产工艺的要求，确定要优化的关键操作条件u₁，u₂，Λ，u_m作为要优化的变量。

对要优化的关键操作条件进行常规定值控制，而其设定值由优化控制计算机采用相关积分技术进行计算，根据工艺过程的具体情况和要求，每隔一定的时间周期进行一次设定值的调整；

对要优化的关键操作条件进行常规定值控制是先由集散系统计算机即DCS或常规仪表对要优化的操作条件进行常规定值控制，而其设定值由优化控制计算机采用相关积分技术进行计算，每隔一定的时间周期(时间周期由具体的工艺过程的快慢来确定)进行一次设定值的调整。

2.采集关键操作条件和各技术指标(即各目标函数)的数据。其方法是根据具体的过程时间特性，建立具有一定数据窗宽度(该数据库的时间宽度应当大于该工艺过程优化变量到目标函数过渡过程时间的3倍以上，一般为8-18小时)的实时数据采集数据系统，通常该系统由集散控制系统(即DCS)构成，以获得生产过程关键操作条件和技术指标的历史数据。该系统每隔一定的采样时间间隔(该时间间隔由工艺过程的快慢来决定，一般为30-90秒)采集关键操作条件和各技术指标即各目标函数的数据。数据窗里的数据存储在数据库之中，每采一次样，数据窗就向前移动一个采样时间，也就是说，最老的数据被抛弃，而最新的数据被加入到数据库之中，如图3所示为一个2个操作条件的例子。

3.数据采样完毕后，对各操作条件进行自相关积分矩阵k_UU的计算：设有m个操作条件

$k_{\mathrm{UU}}=\left\{\begin{array}{cccc}{k}_{11}& k_{12}& \mathrm{\Λ}& k_{1m}\\ k_{21}& k_{22}& \mathrm{\Λ}& k_{2m}\\ M& M& M& M\\ K_{m1}& k_{m2}& \mathrm{\Λ}& k_{\mathrm{mm}}\end{array}\right\}$

式中： $k_{\mathrm{ij}}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^T{u}_i\left(\mathrm{\λ}\right)u_j(\mathrm{\λ}-\mathrm{\τ})\mathrm{d\λd\τ}$

i，j＝1，2，Λm  T，M为积分常数。

4.计算各操作变量与技术指标之间的互相关积分矩阵K_UJ：设有n个目标函数

$K_{\mathrm{UJ}}=\left[\begin{array}{c}{K}_{\mathrm{UJ}1}\\ K_{\mathrm{UJ}2}\\ M\\ K_{\mathrm{UJn}}\end{array}\right]$

式中：

$K_{\mathrm{UJ}1}=\left[\begin{array}{c}{k}_{u1J1}\\ k_{u2J1}\\ M\\ k_{\mathrm{umJ}1}\end{array}\right]......K_{\mathrm{UJn}}=\left[\begin{array}{c}{k}_{u1\mathrm{Jn}}\\ k_{u2\mathrm{Jn}}\\ M\\ k_{\mathrm{umJn}}\end{array}\right]$

$k_{\mathrm{uiJs}}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^T{u}_i\left(\mathrm{\λ}\right)J_s(\mathrm{\λ}-\mathrm{\τ})\mathrm{d\λd\τ}$

(i＝1，2，Λ，m；s＝1，2，Λ，n)T，M为积分常数。

根据相关积分理论，以上的M应当大于从优化变量到目标函数最大的时间常数，而T取为1-5倍的M。

5.根据以上操作条件的自相关积分矩阵和操作变量与各技术指标间的互相关积分向量，计算出操作条件对综合技术指标间的梯度向量K_σ ^d。先通过计算以下的线性方程得到K^d：

K_UJ＝K_UUK^d

$K_{\mathrm{UU}}=\left[\begin{array}{cccc}{K}_{\mathrm{UU}}& 0& \mathrm{\Λ}& 0\\ 0& K_{\mathrm{UU}}& 0& 0\\ M& 0& O& M\\ 0& \mathrm{\Λ}& 0& K_{\mathrm{UU}}\end{array}\right]$

而

$K^d=\left[\begin{array}{c}{K}_{J1}^d\\ K_{J2}^d\\ M\\ K_{\mathrm{Jn}}^d\end{array}\right]$

综合目标函数J对操作条件的梯度K_σ ^d为

$K_{\mathrm{\σ}}^d={\mathrm{\σ}}_1{K}_{J1}^d+{\mathrm{\σ}}_2{K}_{J2}^d,\mathrm{\Λ},K_{\mathrm{Jn}}^d$

6.根据所得到的操作条件对综合技术指标的梯度向量K_σ ^d，计算出操作条件的变化方向，其原则是如果计算出来的梯度为零，则该操作条件目前已经在最优状态；如果不为零，按照梯度的大小与方向进行对操作条件调整。例如：现在的操作条件值是已知的，按照下面的方法求出调整后的操作条件值，要求综合技术指标最大化：

$\left[\begin{array}{c}{u}_1(l+1)\\ u_2(l+1)\\ M\\ u_m(l+1)\end{array}\right]=\left[\begin{array}{cccc}{a}_1{k}_{1\mathrm{\σ}}^d& 0& \mathrm{\Λ}& 0\\ 0& a_2{k}_{2\mathrm{\σ}}^d& 0& M\\ M& 0& O& 0\\ 0& \mathrm{\Λ}& 0& a_m{k}_{\mathrm{m\σ}}^d\end{array}\right]\left[\begin{array}{c}{u}_1\left(l\right)\\ u_2\left(l\right)\\ M\\ u_m\left(l\right)\end{array}\right]$

式中：

$\left[\begin{array}{c}{u}_1\left(l\right)\\ u_2\left(l\right)\\ M\\ u_m\left(l\right)\end{array}\right]$ 为原来的m个操作条件(第l步)的值，而 $\left[\begin{array}{c}{u}_1(l+1)\\ u_2(l+1)\\ M\\ u_m(l+1)\end{array}\right]$ 为调整后的新操作条件(第l+1步)的值。

$\left[\begin{array}{c}{k}_{1\mathrm{\σ}}^d\\ k_{2\mathrm{\σ}}^d\\ M\\ k_{\mathrm{m\σ}}^d\end{array}\right]=K_{\mathrm{\σ}}^d$

α₁，α₂，Λ，α_m为m个正的常数(如果求技术指标最大值)。我们以一个操作条件的生产过程以求技术指标最大值为例，图示调整的方法。见图4、图5、图6所示。图4中示出了当用相关积分方法计算出梯度为零时，技术指标为最大值，操作条件不用调整这种情况。图5中示出了当用相关积分方法计算出梯度为负时，操作条件应当减小，才能提高技术指标。图6中示出了当用相关积分方法计算出梯度为正时，操作条件应当增大，才能提高技术指标。

显然，对第i个操作条件u_i来说，每次调整步长为α_ik_iσ ^d，只要取适当的α_i的值，即如果求技术指标的最大值，取α_i为正值，否则取负值，就可以调整步长的大小和方向。

调整完成后，间隔一定的时间(3-90秒)，再次进行数据采样，返回步骤3。

步骤3至6的过程是在线不断进行的，可以使各操作点最终达到最优点。需要指出的是即便是各梯度已经到了零，但是步骤2到5还应当不断地进行，这是因为技术指标与操作条件之间的函数关系可能随着时间而变化(如原料性质的变化，装置的改造，等)，需要不断地观测梯度是否为零，如果发生变化，随时进行调整。如图7所示：当技术指标与操作条件的关系由于某种原因(如原料变化)发生变化，使得当前的操作点不再是最优点时，可以发现梯度不为零，按照相关积分的方法将操作条件向最优点迫近。

这就使得本方法能够随时发现生产过程是否偏离了最优点，并进行最优点的追踪。

相关积分实时优化方法有以下不同以往优化技术的特点：

●本发明采用了相关积分方法进行梯度计算，它是根据操作条件与技术指标在一段时间内(即数据窗内)的波动数据进行计算，因此与模型方法不同，在优化操作时不要求生产过程处于静态，可以处于波动状态，而且根据相关积分理论，这些波动的统计特征可以是未知的。

●可以不需要事先建立过程的静态和动态模型，大大减少生产过程操作优化的复杂性。传统的方法，无论是机理建模还是统计建模都是事先设法求出技术指标J与操作条件U之间的函数关系，然后在这个函数关系的基础上去求出最佳的操作条件。如果系统很复杂，就很难得到准确的模型，所需的代价也很高。而本发明注意到只要有当前操作点附近的信息，无须建立大范围的模型即可以对系统进行优化操作，可以省去复杂的过程建模。

●本法具有很强的自适应性能。也就是说，当生产过程由于某种原因发生变化，使得操作条件偏离最优点时，本发明可以发现这种偏离，并且自动地把操作条件重新调整到最佳点上。这种自动追踪最优点的性能在实际生产中具有重要实用价值。因为许多生产过程中操作条件与技术指标之间的关系实际上是随着原料性质的变化，设备的老化、更替，催化剂的改良等而变化。而传统的建模法就需要对生产过程重新建模，或对模型进行修正。

●本方法是一种通用性的方法。只要生产过程是连续的，要优化的技术指标是可以在线测量或计算的，都可以使用本方法，与具体的生产过程无关，可以应用的范围很广。而传统的建模法必须针对某一具体的装置进行建模，建立的优化模型具有特定适用性。

●利用过程正常运行的自然波动进行工作，无需另对过程加入测试信号，因而对过程操作的干扰很小。

●该法具有很强的抗干扰特性，甚至在动态强干扰，即其它因素如原料性质引起技术指标的变化大于有用信号(由被优化的操作条件引起目标函数的变化)的恶劣条件下仍能正常工作，这种强抗干扰性在实际应用中具有重要的意义。

本发明中采用相关积分实时优化方法的核心是利用相关积分技术的原理计算目标函数对操作条件的梯度，然后根据梯度进行操作条件的调整，并且梯度的计算与操作条件的调整不断地在线进行。因此，无论用什么计算方法，只要能在线计算操作条件与目标函数的梯度的都可以用这一原理对装置进行在线优化。因此采用其他可能的方法如动态模型辩识方法同样能在线计算操作条件与目标函数的梯度，进而对装置的连续生产操作进行实时优化。

附图说明

图1一个连续进料、连续产品产出的连续的生产过程方框图

图2为连续生产过程的操作优化流程示意图

图3具有2个操作条件的数据窗数据处理采集示意图

图4为操作条件与技术指标的曲线的梯度为零时的曲线图

图5为操作条件与技术指标的曲线的梯度为负时的曲线图

图6为操作条件与技术指标的曲线的梯度为正时的曲线图

图7为操作条件与技术指标的关系发生变化时期曲线的梯度随之变化的曲线图

图8为本发明采用计算机对连续生产过程进行优化操作的控制图

图9为ARGG装置反应再生系统流程图

图10为酮苯脱油脱蜡联合装置工艺流程图

图中：1-提升管反应器2-旋风分离器3-沉降器4-催化剂再生器5-外取热器，6-分馏系统

具体实施方式

以下是本发明的非限定实施例，在实施时，要求生产过程采用计算机进行优化控制，先由集散系统计算机(即DCS)或常规仪表对要优化的操作条件进行常规定值控制，而其设定值由优化控制计算机采用本发明的方法进行计算，每隔一定的时间周期进行一次设定值的调整，这个调整的周期与具体的工艺过程的快慢来决定。如图8所示。

实施例1：ARGG装置的在线相关积分优化控制

ARGG装置是石油化工厂用于将低价值的油料裂解成高价值的液态烃、汽油、柴油的装置，属于连续生产过程。ARGG装置反应再生系统流程图如图9所示。来自罐区的原料油与回炼汽油、回炼油和回炼油浆混和，在提升管反应器1下部雾化喷入提升管反应器1，进入反应系统。

雾化的反应原料和喷入的蒸汽与来自催化剂再生器4的高温催化剂在提升管反应器1下部混和，沿提升管反应器1上升进行催化裂化反应，反应后的油气连同催化剂在提升管出口处进入旋风分离器2迅速将油气与固体颗粒状的催化剂分离，分离出的油气送入分馏系统6。

分离出的催化剂进入催化剂再生器4，这些催化剂表面有在反应过程中产生的积碳，这些积碳在再生器中燃烧除去，这个过程称为烧焦。烧焦过程中产生的过剩热量由外取热器5取走。经烧焦再生后的催化剂再进入提升管反应器1底部，与原料混合再进行反应。为了保持催化剂的活性和补充消耗的催化剂，外部还向催化剂再生器补充新催化剂。

来自分离器的油气进入分馏系统6，经该系统的分离，产出液态烃，汽油，轻柴油。而产出的回炼油浆和回炼油和部分汽油返回到提升管反应器1。

在该装置的应用实例中，以下几个关键操作变量选为优化变量：

●提升管反应器出口温度

●预提升干气流量

●进料温度

●终止剂流量

●回炼汽油比

●回炼油流量

●回炼油浆流量

●新催化剂加料量

而被优化的技术指标(目标函数)有5个：

●液态烃收率

●汽油收率

●柴油收率

●总液收收率

●装置总经济效益

优化控制系统的结构如图8所示，给定值控制系统由HONEYWELL TPS3000的集散控制系统组成，而优化控制由HONEYWELL TPS3000的APP(应用过程处理器)计算机承担。根据当前工艺的要求从以上五个技术指标中选一个作为当前要优化的技术指标。并按照以下步骤进行

1.命名各关键操作变量

u₁＝提升管反应器出口温度

u₂＝预提升干气流量

u₃＝进料温度

u₄＝终止剂流量

u₅＝回炼汽油比

u₆＝回炼油流量

u₇＝回炼油浆流量

u₈＝新催化剂加料量

命名各目标函数：

J₁＝液态烃收率

J₂＝汽油收率

J₃＝柴油收率

J₄＝总液收收率

J₅＝装置总经济效益

2.利用HONEYWELL TPS3000集散系统和APP计算机建立了一个基于OPC的数据采集系统。在APP计算机中建立具有数据窗宽度为8小时的实时数据库。每隔60秒采集关键操作条件和各技术指标(各目标函数)的数据。数据窗里的数据存储在数据库之中，每采一次样，数据窗就向前移动一个采样时间，也就是说，最老的数据被抛弃，而最新的数据被加入到数据库之中。

3.数据采样完毕后，对各操作条件进行自相关积分矩阵k_UU的计算：现有8个操作条件

$k_{\mathrm{UU}}=\left[\begin{array}{cccc}{k}_{11}& k_{12}& \mathrm{\Λ}& k_{18}\\ k_{21}& k_{22}& \mathrm{\Λ}& k_{28}\\ M& M& M& M\\ k_{81}& k_{82}& \mathrm{\Λ}& k_{88}\end{array}\right]$

式中： $k_{\mathrm{ij}}={\∫}_{-3600}^{3600}\frac{1}{2T}{\∫}_{-10800}^{10800}{u}_i\left(\mathrm{\λ}\right)u_j(\mathrm{\λ}-\mathrm{\τ})\mathrm{d\λd\τ}$

上述积分中的上下限值3600、-3600、10800、-10800是根据该过程的从优化变量到目标函数通道的大致的响应时间来确定的。

4.计算各操作变量与技术指标之间的互相关积分矩阵K_UJ：现有5个目标函数

$K_{\mathrm{UJ}}=\left[\begin{array}{c}{K}_{\mathrm{UJ}1}\\ K_{\mathrm{UJ}2}\\ M\\ K_{\mathrm{UJ}5}\end{array}\right]$

式中：

$K_{\mathrm{UJ}1}=\left[\begin{array}{c}{k}_{u1J1}\\ k_{u2J1}\\ M\\ k_{u8J1}\end{array}\right]......K_{\mathrm{UJ}5}=\left[\begin{array}{c}{k}_{u1J5}\\ k_{u2J5}\\ M\\ k_{u8J5}\end{array}\right]$

$k_{\mathrm{uiJs}}={\∫}_{-3600}^{3600}\frac{1}{2T}{\∫}_{-10800}^{10800}{u}_i\left(\mathrm{\λ}\right)J_s(\mathrm{\λ}-\mathrm{\τ})\mathrm{d\λd\τ}$

(i＝1，2，Λ，8；s＝1，2，Λ，5)

5.根据以上的操作条件的自相关积分矩阵与操作变量与各技术指标间的互相关积分向量，计算出操作条件对综合技术指标间的梯度向量K_σ ^d。先通过计算以下的线性方程得到K^d：

K_UJ＝K_UUK^d

$K_{\mathrm{UU}}=\left[\begin{array}{cccc}{K}_{\mathrm{UU}}& 0& \mathrm{\Λ}& 0\\ 0& K_{\mathrm{UU}}& 0& 0\\ M& 0& O& M\\ 0& \mathrm{\Λ}& 0& K_{\mathrm{UU}}\end{array}\right]$

而

$K^d=\left[\begin{array}{c}{K}_{J1}^d\\ K_{J2}^d\\ m\\ K_{\mathrm{Jn}}^d\end{array}\right]$

综合目标函数J对操作条件的梯度K_σ ^d为

$K_{\mathrm{\σ}}^d={\mathrm{\σ}}_1{K}_{J1}^d+{\mathrm{\σ}}_2{K}_{J2}^d,\mathrm{\Λ},{\mathrm{\σ}}_5{K}_{J5}^d$

式中，σ₁，σ₂，Λ，σ₅为5个0或1的常数，根据当前优化的目标函数而定。例如，当前要求优化的是液态烃收率，则取σ₁＝1，其余取为0，其他情况依次类推。

6.根据所得到的操作条件对综合技术指标的梯度向量K_σ ^d，计算出操作条件的变化方向，其原则是如果计算出来的梯度为零，则该操作条件目前已经在最优状态；如果不为零，按照梯度的大小与方向进行对操作条件调整。例如：现在的操作条件值是已知的，按照下面的方法求出调整后的操作条件值，要求技术指标最大化：

$\left[\begin{array}{c}{u}_1(l+1)\\ u_2(l+1)\\ M\\ u_8(l+1)\end{array}\right]=\left[\begin{array}{cccc}{a}_1{k}_{1\mathrm{\σ}}^d& 0& \mathrm{\Λ}& 0\\ 0& a_2{k}_{2\mathrm{\σ}}^d& 0& M\\ M& 0& O& 0\\ 0& \mathrm{\Λ}& 0& a_8{k}_{8\mathrm{\σ}}^8\end{array}\right]\left[\begin{array}{c}{u}_1\left(l\right)\\ u_2\left(l\right)\\ M\\ u_8\left(l\right)\end{array}\right]$

式中：

$\left[\begin{array}{c}{u}_1\left(l\right)\\ u_2\left(l\right)\\ M\\ u_8\left(l\right)\end{array}\right]$ 为原来的8个操作条件值，而 $\left[\begin{array}{c}{u}_1(l+1)\\ u_2(l+1)\\ M\\ u_8(l+1)\end{array}\right]$ 为调整后的新操作条件。

$\left[\begin{array}{c}{k}_{1\mathrm{\σ}}^d\\ k_{2\mathrm{\σ}}^d\\ M\\ k_{8\mathrm{\σ}}^d\end{array}\right]=K_{\mathrm{\σ}}^d$

α₁，α₂，Λ，α₈为8个正的常数，这些常数的大小与优化控制的收敛速度相关，需要在现场进行调整。根据现场的调整结果，均取0.001。

7.回到第3步。

根据实际系统的测试，对液态烃收率、总液收收率、和装置经济效益这三种技术指标得到如下的结果：

优化前后的技术指标的对比

优化技术指标	优化前	优化后	优化后增量
				液态烃收率％	27.05	27.83	+0.77
总液收收率％	85.01	85.97	+0.96
				总经济效益(元/吨原料)	153.20	194.46	+41.26

从以上的测试结果看，该系统有着较好的应用效果。

实施例2：酮苯脱油脱蜡联合装置的在线相关积分优化控制酮苯脱蜡装置是炼油厂润滑油生产的主要装置，目的是把原料中的润滑油和石蜡分离，也是属于连续生产过程。该过程的工艺流程图如图10所示：

原料油进入系统后分成7路，每路设有3个结晶器，各路首先向原料油添滤液以进行预稀释，之后进入换热器E101，在原料油进入E101时，加入新鲜溶剂和换冷后的滤液以进行一次(1)稀释，原料油经一次(1)稀释并经E101换冷后，在换热器E101后加入滤液以进行一次(2)稀释，之后原料油进入氨冷结晶器E102、E103，然后加入新鲜溶剂以进行二次稀释，结晶后的原料油进入缓冲罐D101、脱蜡滤机，期间加入冷洗溶剂，过滤后的滤液经滤液罐D104进入溶剂回收系统。过滤出来的蜡进入蜡液罐D105和D106，经过一段蜡脱油滤机，期间加入一段冷洗，其滤液进入滤液罐D110。一段蜡脱油滤机的过滤出的蜡进入蜡液罐D112，加入新鲜溶剂与之混合后，进入二段蜡脱油滤机并加入二段冷洗。二段蜡脱油滤机的滤液进入滤液罐D111，然后进入脱蜡滤机蜡液罐D105。二段蜡脱油滤机过滤出来的蜡在蜡液罐D113中与加入的二段稀释溶剂混合后形成的脱油蜡进入溶剂回收系统。

该系统要优化的技术指标是去油蜡的收率。而关键的操作变量(优化变量)是各流各路的溶剂比，具体如下：

优化控制器的设计优化变量是23个，分别是

1、一路预稀释比

2、二路预稀释比

3、三路预稀释比

4、四路预稀释比

5、五路预稀释比

6、六路预稀释比

7、七路预稀释比

8、一路一稀(1)稀释比

9、二路一稀(1)稀释比

10、三路一稀(1)稀释比

11、四路一稀(1)稀释比

12、五路一稀(1)稀释比

13、六路一稀(1)稀释比

14、七路一稀(1)稀释比

15、一路一稀(2)稀释比

16、二路一稀(2)稀释比

17、三路一稀(2)稀释比

18、四路一稀(2)稀释比

19、五路一稀(2)稀释比

20、六路一稀(2)稀释比

21、七路一稀(2)稀释比

22、二次比

23、冷洗比

在这个系统中，给定值控制系统用的是YOKOGAWA Centem CS系统，优化控制计算机是该系统的操作站。相关积分优化控制的数据窗宽度是13小时。每隔60秒采集关键操作条件和技术指标(目标函数：去油蜡的收率)的数据。按照以下步骤进行控制计算：

1.命名各关键操作变量

u₁＝一路预稀释比

u₂＝二路预稀释比

u₃＝三路预稀释比

u₄＝四路预稀释比

u₅＝五路预稀释比

u₆＝六路预稀释比

u₇＝七路预稀释比

u₈＝一路一稀(1)稀释比

u₉＝二路一稀(1)稀释比

u₁₀＝三路一稀(1)稀释比

u₁₁＝四路一稀(1)稀释比

u₁₂＝五路一稀(1)稀释比

u₁₃＝六路一稀(1)稀释比

u₁₄＝七路一稀(1)稀释比

u₁₅＝一路一稀(2)稀释比

u₁₆＝二路一稀(2)稀释比

u₁₇＝三路一稀(2)稀释比

u₁₈＝四路一稀(2)稀释比

u₁₉＝五路一稀(2)稀释比

u₂₀＝六路一稀(2)稀释比

u₂₁＝七路一稀(2)稀释比

u₂₂＝二次比

u₂₃＝冷洗比

命名目标函数：

J₁＝去油蜡的收率

2.用YOKOGAWA Centum CS集散控制系统和配套的数据采集环境在操作站上建立了数据采集系统。并建立具有数据窗宽度为13小时的实时数据库。该数据库每隔60秒通过YOKOGAWA Centem CS采集关键操作条件和各技术指标(各目标函数)的数据。数据窗里的数据存储在数据库之中，每采一次样，数据窗就向前移动一个采样时间，也就是说，最老的数据被抛弃，而最新的数据被加入到数据库之中。

3.数据采样完毕后，对各操作条件进行自相关积分矩阵k_UU的计算：现有m＝23个操作条件

$k_{\mathrm{UU}}=\left[\begin{array}{cccc}{k}_{11}& k_{12}& \mathrm{\Λ}& k_{1m}\\ k_{21}& k_{22}& \mathrm{\Λ}& k_{2m}\\ M& M& M& M\\ k_{m1}& k_{m2}& \mathrm{\Λ}& k_{\mathrm{mm}}\end{array}\right]$

式中： $k_{\mathrm{ij}}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^T{u}_i\left(\mathrm{\λ}\right)u_i(\mathrm{\λ}-\mathrm{\τ})\mathrm{d\λd\τ}$

i，j＝1，2，Λm T＝7200，M＝14000为积分常数，该常数是由脱蜡过程大致的时间常数决定的。

4.计算各操作变量与技术指标之间的互相关积分矩阵K_UJ：K_UJ＝K_UJ1

式中：

$K_{\mathrm{UJ}1}=\left[\begin{array}{c}{k}_{u1J1}\\ k_{u2J1}\\ M\\ k_{\mathrm{umJ}1}\end{array}\right]$

$k_{\mathrm{uiJ}1}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^T{u}_i\left(\mathrm{\λ}\right)J_1(\mathrm{\λ}-\mathrm{\τ})\mathrm{d\λd\τ}$

(i＝1，2，Λ，m)

T，M为积分常数，T＝7200，M＝14000。

5.根据以上的操作条件的自相关积分矩阵与操作变量与各技术指标间的互相关积分向量，计算出操作条件对综合技术指标间的梯度向量K_σ ^d。先通过计算以下的线性方程得到K^d：K_UJ＝K_UUK^d

$K_{\mathrm{UU}}=\left[\begin{array}{cccc}{k}_{\mathrm{UU}}& 0& \mathrm{\Λ}& 0\\ 0& k_{\mathrm{UU}}& 0& 0\\ M& 0& O& M\\ 0& \mathrm{\Λ}& 0& k_{\mathrm{UU}}\end{array}\right]$

而 $K^d=K_{\mathrm{UJ}1}^d$

综合目标函数J对操作条件的梯度K_σ ^d为

$K_{\mathrm{\σ}}^d={\mathrm{\σ}}_1{K}_{J1}^d$

式中：σ₁＝1

6.根据所得到的操作条件对综合技术指标的梯度向量K_σ ^d，计算出操作条件的变化方向，其原则是如果计算出来的梯度为零，则该操作条件目前已经在最优状态；如果不为零，按照梯度的大小与方向进行对操作条件调整。例如：现在的操作条件值是已知的，按照下面的方法求出调整后的操作条件值，要求技术指标最大化：

$\left[\begin{array}{c}{u}_1(l+1)\\ u_2(l+1)\\ M\\ u_m(l+1)\end{array}\right]=\left[\begin{array}{cccc}{a}_1{k}_{1\mathrm{\σ}}^d& 0& \mathrm{\Λ}& 0\\ 0& a_1{k}_{2\mathrm{\σ}}^d& 0& M\\ M& 0& O& 0\\ 0& \mathrm{\Λ}& 0& a_m{k}_{\mathrm{m\σ}}^d\end{array}\right]\left[\begin{array}{c}{u}_1\left(l\right)\\ u_2\left(l\right)\\ M\\ u_m\left(l\right)\end{array}\right]$

式中：

$\left[\begin{array}{c}{u}_1\left(l\right)\\ u_2\left(l\right)\\ M\\ u_m\left(l\right)\end{array}\right]$ 为原来的m个操作条件值，而 $\left[\begin{array}{c}{u}_1(l+1)\\ u_2(l+1)\\ M\\ u_m(l+1)\end{array}\right]$ 为调整后的新操作条件。

$\left[\begin{array}{c}{k}_{1\mathrm{\σ}}^d\\ k_{2\mathrm{\σ}}^d\\ M\\ k_{\mathrm{m\σ}}^d\end{array}\right]=K_{\mathrm{\σ}}^d$

α₁，α₂，Λ，α_m为m个正的常数，这些常数的大小与优化控制的收敛速度相关，需要在现场进行调整。根据现场的调整结果，均取值为0.001。

7.回到第3步。

根据测试我们得到了下表：

优化前后产品收率

	去蜡油(％)	去油蜡(％)	蜡下油(％)
				优化前	50.13	42.64	7.67
优化后	49.57	43.85	6.9
				增量	-0.56	+1.21	-0.77

从以上结果中可以看出，要优化的技术指标，去油蜡的收率增加了1.21％，有一定的优化效果。

Claims (10)

1、一种多输入多输出连续生产过程的实时操作优化方法，其特征在于将生产过程中多个关键操作条件为优化变量，以与关键操作条件相关联的一个或多个技术指标为目标函数，根据生产过程关键操作条件和技术指标的历史数据，在线计算出关键操作条件与技术指标之间在当前时间的梯度向量，然后根据这个梯度向量来确定操作条件的调整方向，当梯度向量为负值或正值时，都要调整关键操作条件使梯度向量向零的方向变化，使技术指标达到最优，这种梯度的计算是在线不断进行的，无论技术指标是否达到最优，一旦发现梯度不为零，则调整关键操作条件使梯度向量向零的方向变化，以实现最优点的跟踪。

2、根据权利要求1所述的多输入多输出连续生产过程的实时操作优化方法，其特征在于在线计算出关键操作条件与技术指标之间在当前时间的梯度向量的方法是利用相关积分技术对生产过程关键操作条件和技术指标的历史数据进行积分运算。

3、根据权利要求2所述的多输入多输出连续生产过程的实时操作优化方法，其特征在于所述相关积分技术具体包括：

构造目标函数

该目标函数应当是在线可计算的或在线可测量的，那么 $\tilde{J}\left(t\right)=f(\tilde{u}\left(t\right),\tilde{p}\left(t\right),t),$ 其中，

为m维均值可控优化变量，

为干扰，f为未知映射；

根据公式

$k_{\mathrm{uu}}=\left[\begin{array}{cccc}{k}_{u1u1}& k_{1u2}& \mathrm{\Λ}& k_{u1\mathrm{um}}\\ k_{u2u1}& k_{u2u2}& \mathrm{\Λ}& k_{u2\mathrm{um}}\\ M& M& M& M\\ k_{\mathrm{umu}1}& k_{\mathrm{umu}2}& \mathrm{\Λ}& k_{\mathrm{umum}}\end{array}\right]$

$k_{\mathrm{uiuj}}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^T{u}_i(t-\mathrm{\τ})u_j\left(t\right)\mathrm{dtd\τ}$ 和优化变量的实时测量值u_i(t)(i＝1，2，Λ，m)计算优化变量的自相关积分矩阵k_uu；其中T，M为大于0的积分常数；

根据公式

$k_{\mathrm{uJ}}=\left[\begin{array}{c}{k}_{u1J}\\ k_{u2J}\\ M\\ k_{\mathrm{umJ}}\end{array}\right]$

$k_{\mathrm{uiJ}}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^{T}u(t-\mathrm{\τ})J\left(t\right)\mathrm{dtd\τ},(i=\mathrm{1,2},\mathrm{\Λ},m)$ 和目标函数的实时测量值J(t)计算优化变量与目标变量的互相关积分向量；其中T，M为大于0的积分常数；

根据公式 $k_{\mathrm{uJ}}=k_{\mathrm{uu}}\frac{\mathrm{dEf}}{\mathrm{dE}\left\{\tilde{u}\left(t\right)\right\}}+\mathrm{\ϵ}\left(t\right)$ 求出目标函数的梯度

根据公式 $u_s(l+1)=u_s\left(l\right)+\mathrm{\α}\frac{\mathrm{dEf}}{\mathrm{dE}\left\{\tilde{u}\left(l\right)\right\}}$ 计算优化变量的新设定值u_s(l+1)；式中，α为常数。

4、根据权利要求3所述的多输入多输出连续生产过程的实时操作优化方法，其特征在于包括以下步骤：

(1)根据被优化的过程的需要，确定多个要优化的技术指标即目标函数J₁，J₂，Λ，J_n，这些目标函数必需是在线可以计算或测量的，构造一个综合的目标函数J＝σ₁J₁+σ₂J₂+，Λ，+σ_nJ_n，这里σ₁，σ₂，Λ，σ_n为各目标函数的加权数，根据工艺要求，取值为0到1之间，这里加权值可能是随时间变化的，

根据生产工艺的要求，确定要优化的关键操作条件u₁，u₂，Λ，u_m作为要优化的多个变量；

对要优化的关键操作条件进行常规定值控制，而其设定值由优化控制计算机采用相关积分技术进行计算，根据工艺要求，每隔一定的时间周期进行一次设定值的调整；

(2)建立具有数据窗的实时数据采集系统，采集关键操作条件和技术指标的数据，以获得生产过程关键操作条件和技术指标的历史数据；

(3)数据采样完毕后，对各关键操作条件进行自相关积分矩阵k_UU的计算：设有m个操作条件，则

$k_{\mathrm{UU}}=\left\{\begin{array}{cccc}{k}_{11}& k_{12}& \mathrm{\Λ}& k_{1m}\\ k_{21}& k_{22}& \mathrm{\Λ}& k_{2m}\\ M& M& M& M\\ k_{m1}& k_{m2}& \mathrm{\Λ}& k_{\mathrm{mm}}\end{array}\right\}$

式中： $k_{\mathrm{ij}}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^T{u}_i\left(\mathrm{\λ}\right)u_j(\mathrm{\λ}-\mathrm{\τ})\mathrm{d\λd\τ}$

i，j＝1，2，Λm T，M为积分常数，

在自相关积分矩阵中包含了各操作条件之间相关性的信息，

(4)计算各操作变量与技术指标之间的互相关积分矩阵k_UJ：设有n个目标函数，则

$K_{\mathrm{UJ}}=\left[\begin{array}{c}{K}_{\mathrm{UJ}1}\\ K_{\mathrm{UJ}2}\\ M\\ K_{\mathrm{UJn}}\end{array}\right]$

式中：

$K_{\mathrm{UJ}1}=\left[\begin{array}{c}{k}_{u1J1}\\ k_{u2J1}\\ M\\ k_{\mathrm{umJ}1}\end{array}\right]......K_{\mathrm{UJn}}=\left[\begin{array}{c}{k}_{u1\mathrm{Jn}}\\ k_{u2\mathrm{Jn}}\\ M\\ k_{\mathrm{umJn}}\end{array}\right]$

$k_{\mathrm{uiJs}}={\∫}_{-M}^M\frac{1}{2T}{\∫}_{-T}^T{u}_i\left(\mathrm{\λ}\right)J_s(\mathrm{\λ}-\mathrm{\τ})\mathrm{d\λd\τ}$

i＝1，2，Λ，m；s＝1，2，Λ，n

T，M为积分常数；

(5)根据以上的操作条件的自相关积分矩阵与操作变量与各技术指标间的互相关积分向量，计算出操作条件对综合技术指标间的梯度向量K_σ ^d。先通过计算以下的线性方程得到K^d：

K_UJ＝K_UUK^d

$K_{\mathrm{UU}}=\left[\begin{array}{cccc}{k}_{\mathrm{UU}}& 0& \mathrm{\Λ}& 0\\ 0& k_{\mathrm{UU}}& 0& 0\\ M& 0& O& M\\ 0& \mathrm{\Λ}& 0& k_{\mathrm{UU}}\end{array}\right]$

而

$K^d=\left[\begin{array}{c}{K}_{J1}^d\\ K_{J2}^d\\ M\\ K_{\mathrm{Jn}}^d\end{array}\right]$

综合目标函数J对操作条件的梯度K_σ ^d为

$K_{\mathrm{\σ}}^d={\mathrm{\σ}}_1{K}_{J1}^d+{\mathrm{\σ}}_2{K}_{J2}^d,\mathrm{\Λ},K_{\mathrm{Jn}}^d$

(6)根据所得到的操作条件对综合技术指标的梯度向量K_σ ^d，计算出操作条件的变化方向，其原则是如果计算出来的梯度为零，则该操作条件目前已经在最优状态；如果不为零，按照梯度的大小与方向进行对操作条件调整；

(7)调整完成后，间隔一定的时间，再次进行数据采样，返回步骤3，

步骤3至6的过程是在线不断进行的，可以使各操作点最终达到最优点。

5、根据权利要求4所述的多输入多输出连续生产过程的实时操作优化方法，其特征在于步骤(1)中对要优化的关键操作条件进行常规定值控制是先由集散系统计算机即DCS或常规仪表对要优化的操作条件进行常规定值控制，而其设定值由优化控制计算机采用相关积分技术进行计算，每隔一定的时间周期进行一次设定值的调整。

6、根据权利要求4所述的多输入多输出连续生产过程的实时操作优化方法，其特征在于步骤(2)中，是根据具体的过程时间特性，建立具有数据窗的实时数据采集系统，采集关键操作条件和技术指标数据的方法是建立具有一定数据窗宽度的实时数据采集数据系统，一般该系统由集散控制系统即DCS构成，以获得生产过程关键操作条件和技术指标的历史数据，该系统每隔一定的采样间隔采集关键操作条件和各技术指标即各目标函数的数据，数据窗里的数据存储在数据库之中，每采一次样，数据窗就向前移动一个采样时间，最老的数据被抛弃，而最新的数据被加入到数据库之中。

7、根据权利要求6所述的多输入多输出连续生产过程的实时操作优化方法，其特征在于步骤(2)中，建立的数据窗宽度的时间宽度大于该工艺过程优化变量到目标函数过渡过程时间的3倍以上。

8、根据权利要求6所述的多输入多输出连续生产过程的实时操作优化方法，其特征在于步骤(2)中，实时数据采集数据系统采集关键操作条件和各技术指标即各目标函数的数据是根据工艺过程的快慢每隔30--90秒采集一次。

9、根据权利要求4所述的多输入多输出连续生产过程的实时操作优化方法，其特征在于步骤(6)中，计算出来的梯度为零，则该操作条件目前已经在最优状态；计算出来的梯度不为零，按照梯度的大小与方向进行对操作条件调整，在操作条件值是已知的，按照下面的方法求出调整后的操作条件值，要求综合技术指标最大化：

$\left[\begin{array}{c}{u}_1(l+1)\\ u_2(l+1)\\ M\\ u_m(l+1)\end{array}\right]=\left[\begin{array}{cccc}{\mathrm{\α}}_1{k}_{1\mathrm{\σ}}^d& 0& \mathrm{\Λ}& 0\\ 0& {\mathrm{\α}}_2{k}_{2\mathrm{\σ}}^d& 0& M\\ M& 0& O& 0\\ 0& \mathrm{\Λ}& 0& {\mathrm{\α}}_m{k}_{\mathrm{m\σ}}^d\end{array}\right]\left[\begin{array}{c}{u}_1\left(l\right)\\ u_2\left(l\right)\\ M\\ u_m\left(l\right)\end{array}\right]$

式中：

为原来的m个操作条件值，而

为调整后的新操作条件。

$\left[\begin{array}{c}{k}_{1\mathrm{\σ}}^d\\ k_{2\mathrm{\σ}}^d\\ M\\ k_{\mathrm{m\σ}}^d\end{array}\right]=K_{\mathrm{\σ}}^d$

如果是求技术指标最大值，则α₁，α₂，Λ，α_m为m个正的常数。

10、根据权利要求7所述的多输入多输出连续生产过程的实时操作优化方法，其特征在于步骤(6)中，对第i个操作条件u_i来说，每次调整步长为α_ik_is ^d，取适当的α_i的值即如果求技术指标的最大值，取α_i为正值，否则取负值，以调整步长的大小。

Images