DE102006045429A1 - Adaptive, Modellprädiktive Online-Steuerung in einem Prozesssteuerungssystem - Google Patents

Adaptive, Modellprädiktive Online-Steuerung in einem Prozesssteuerungssystem Download PDF

Info

Publication number
DE102006045429A1
DE102006045429A1 DE102006045429A DE102006045429A DE102006045429A1 DE 102006045429 A1 DE102006045429 A1 DE 102006045429A1 DE 102006045429 A DE102006045429 A DE 102006045429A DE 102006045429 A DE102006045429 A DE 102006045429A DE 102006045429 A1 DE102006045429 A1 DE 102006045429A1
Authority
DE
Germany
Prior art keywords
control
model
mpc
block
adaptive
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
Application number
DE102006045429A
Other languages
English (en)
Other versions
DE102006045429B4 (de
Inventor
Dirk Austin Thiele
Wilhelm K. Austin Wojsznis
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fisher Rosemount Systems Inc
Original Assignee
Fisher Rosemount Systems Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fisher Rosemount Systems Inc filed Critical Fisher Rosemount Systems Inc
Publication of DE102006045429A1 publication Critical patent/DE102006045429A1/de
Application granted granted Critical
Publication of DE102006045429B4 publication Critical patent/DE102006045429B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive 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
    • G05B13/048Adaptive 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)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

Ein Verfahren zur Erzeugung und Verwendung einer adaptiven Steuerung vom Typ einer dynamischen Matrixsteuerung oder einer anderen modellprädiktiven Steuerung weist eine Modellschalttechnik auf, um ein Prozessmodell wie beispielsweise ein parametriertes Prozessmodell periodisch für eine Prozessschleife online während des Ablaufs des Prozesses zu bestimmen. Das Verfahren nutzt sodann den Prozess zur Erzeugung eines modellprädiktiven Steuerungsmodells und erzeugt einen modellprädiktiven Steuerungsalgorithmus und lädt diesen in eine modellprädiktive Steuerung auf der Grundlage des neuen Steuerungsmodells herunter, während die modellprädiktive Steuerung online arbeitet. Dieses Verfahren, das allgemein auf modellprädiktive Ein-Kreis-Steuerungen anwendbar ist und sich insbesondere in modellprädiktiven Steuerungen mit einem Steuerungshorizont von eins oder zwei eignet, ermöglicht es, eine modellprädiktive Steuerung während des normalen Ablaufs des Prozesses anzupassen und das Prozessmodell, auf dem die modellprädiktive Steuerung basiert, zu verändern, um auf diese Weise Prozessveränderungen zu berücksichtigen. Die adaptive modellprädiktive Steuerung ist nicht rechenzeitaufwendig und kann daher problemlos innerhalb einer verteilten Steuerung eines Prozesssteuerungssystems implementiert werden und dabei dieselbe oder in einigen Fällen eine bessere Steuerung als eine PID-Steuerung bieten, und zwar insbesondere bei totzeitdominierten Prozessschleifen sowie in Prozessschleifen, die ...

Description

  • Technologischer Bereich
  • Die vorliegende Erfindung bezieht sich im Allgemeinen auf Prozesssteuerungssysteme und im Besonderen auf die Erzeugung und Verwendung einer adaptiven modellprädiktiven Online-Steuerung oder einer anderen Steuerung modellprädiktiver Art innerhalb eines Prozesssteuerungssystems.
  • Prozesssteuerungssysteme wie beispielsweise verteilte oder skalierbare Prozesssteuerungssysteme der Art, wie sie in Prozessen in der Chemie-, Petroleum- und anderen Industrien eingesetzt werden, weisen typischerweise eine oder mehrere Prozesssteuerungen auf, die über analoge, digitale oder kombinierte analoge/digitale Busse miteinander und mit mindestens einer Host- oder Bedienerstation und einem oder mehreren Feldgeräten kommunikativ verbunden sind. Die Feldgeräte, bei denen es sich beispielsweise um Ventile, Ventilsteller, Schalter und Geber (beispielsweise Temperatur-, Druck- und Strömungsgeschwindigkeitssensoren) handeln kann, erfüllen innerhalb des Prozesses bestimmte Funktionen wie beispielsweise Öffnen oder Schließen von Ventilen und Messung von Prozessparametern. Die Prozesssteuerung empfängt Signale, die von den Feldgeräten durchgeführte Prozessmessungen und/oder andere Informationen im Zusammenhang mit den Feldgeräten repräsentieren, verwendet diese Information zur Durchführung einer Steuerungsroutine und erzeugt sodann Steuerungssignale, die über die Busse zu den Feldgeräten übertragen werden, um den Ablauf des Prozesses zu steuern. Die von den Feldgeräten und von der Steuerung kommenden Informationen werden typischerweise einer oder mehreren Anwendungen zur Verfügung gestellt, die von der Bedienerstation ausgeführt werden, damit ein Bediener beliebige gewünschte Funktionen in Bezug auf den Prozess durchführen kann. Dies kann beispielsweise die Betrachtung des aktuellen Status des Prozesses, eine Änderung des Prozessablaufs etc. sein.
  • Prozesssteuerungen sind typischerweise so programmiert, dass sie für jeden einer Anzahl unterschiedlicher Steuerungskreise, die für einen Prozess definiert bzw. in einem Prozess enthalten sind wie beispielsweise Durchflusssteuerungskreise, Temperatursteuerungskreise, Drucksteuerungskreise etc., unterschiedliche Algorithmen, Subroutinen oder Steuerungskreise (die sämtlich Steuerungsroutinen sind) ausführen. Allgemein gesagt, weist jeder derartige Steuerungskreis einen oder mehrere Eingabeblöcke wie beispielsweise einen Analogeingabe- (AE-) Funktionsblock, einen Steuerungsblock mit einer einzigen Ausgabe wie beispielsweise einen Proportional-Integral-Differential-(PID-) oder einen Fuzzy-Logik-Steuerungsfunktionsblock sowie einen Ausgabeblock mit einer einzigen Ausgabe wie beispielsweise einen Analogausgabe-(AE-) Funktionsblock auf. Diese Steuerungskreise führen typischerweise eine Steuerung mit einem einzelnen Eingang/einzelnen Ausgang aus, da der Steuerungsblock eine einzelne Ausgabe erzeugt, die der Steuerung einer einzelnen Prozesseingabe wie beispielsweise einer Ventilposition etc. dient. In bestimmten Fällen ist jedoch die Verwendung einer Anzahl unabhängig arbeitender Steuerungskreise mit einem einzelnen Eingang/einzelnen Ausgang nicht sehr effizient, da die gesteuerten Prozessvariablen von mehr als einer einzelnen Prozesseingabe beeinflusst werden und da tatsächlich jede Prozesseingabe den Zustand vieler Prozessausgaben beeinflussen kann. Ein Beispiel hierfür ist ein Prozess, bei dem ein Tank aus zwei Speiseleitungen gefüllt und durch eine einzige Ausgangsleitung entleert wird, wobei jede Leitung durch ein anderes Ventil gesteuert wird und wobei Temperatur, Druck und Durchsatz des Tanks auf Werte geregelt werden, die in der Nähe von Sollwerten liegen oder diesen genau entsprechen. Wie bereits angesprochen, kann die Steuerung von Durchsatz, Temperatur und Druck des Tanks mittels eines separaten Durchsatzsteuerkreises, eines separaten Temperatursteuerkreises und eines separaten Drucksteuerkreises erfolgen. In dieser Situation kann jedoch der Betrieb des Temperatursteuerkreises mit einer Veränderung der Einstellung eines der Speiseventile zur Steuerung der Temperatur im Tank zu einer Erhöhung des Drucks im Tank führen, wodurch beispielsweise der Drucksteuerkreis das Auslassventil öffnet, um den Druck zu senken. Durch diese Aktion kann sodann der Durchsatzsteuerkreis veranlasst werden, eines der Speiseventile zu schließen, wodurch die Temperatur beeinflusst und der Temperatursteuerkreis veranlasst wird, eine andere Maßnahme durchzuführen. Wie sich an diesem Beispiel zeigt, können die Steuerungskreise mit einem einzelnen Eingang/einzelnen Ausgang dazu führen, dass sich die Prozessausgaben (in diesem Fall Durchsatz, Temperatur und Druck) auf nicht akzeptable Weise verhalten, wobei die Ausgaben schwanken, ohne jemals einen stabilen Zustand zu erreichen.
  • Die modellprädiktive Steuerung (MPC) oder andere Arten erweiterter Steuerungen, die Verfahren der dynamischen Matrixsteuerung (DMC) einsetzen, werden eingesetzt, um eine Prozesssteuerung in Situationen durchzuführen, in denen Änderungen einer bestimmten Prozessvariablen mehr als eine Prozessvariable oder mehr als einen Ausgang beeinflussen. Seit Ende der 1970-er Jahre wurden zahlreiche erfolgreiche Implementierungen einer modellprädiktiven Steuerung berichtet und die MPC wurde zur primären Form der erweiterten multivariaten Steuerung in der Prozessindustrie. Weiterhin wurde die MPC-Steuerung innerhalb verteilter Steuerungssysteme als verteilte Layered Software für verteilte Steuerungssysteme implementiert. Die U.S.-Patente Nr. 4,616,308 und 4,349,869 beschreiben allgemein MPC-Steuerungen, die innerhalb eines Prozesssteuerungssystems verwendet werden können.
  • Allgemein gesagt, ist MPC eine Steuerungsstrategie mit multiplen Eingängen/multiplen Ausgängen, wobei die Auswirkungen einer Veränderung einer jeden einer Anzahl von Prozesseingaben (d.h. von Stellgrößen) auf jede einer Anzahl von Prozessausgaben (d.h. von Regelgrößen) gemessen und diese gemessenen Reaktionen sodann verwendet werden, um eine Steuerungsmatrix zur Verwendung bei der Steuerung des Prozesses zu erzeugen. Die Steuerungsmatrix weist ein Prozessmodell auf (das allgemein den dynamischen Ablauf des Prozesses definiert), das mathematisch invertiert und sodann in einer Steuerung mit multiplen Eingängen/multiplen Ausgängen verwendet wird oder als Steuerung mit multiplen Eingängen/multiplen Ausgängen verwendet werden muss, um die Prozessausgaben auf der Grundlage von Änderungen der Prozesseingaben zu steuern. In einigen Fällen wird das Prozessmodell als Prozessausgabe-Antwortkurve (typischerweise als Stufenantwortkurve) für jede der Prozesseingaben dargestellt, wobei diese Kurven beispielsweise auf der Grundlage pseudozufälliger Stufenänderungen an jedem der Prozesseingänge erzeugt werden können. Diese Antwortkurven können auf bekannte Weise zur Modellierung des Prozesses verwendet werden. Die modellprädiktive Steuerung ist in der Fachwelt bekannt und wird daher hier nicht im Detail beschrieben. Eine allgemeine Beschreibung der MPC-Steuerung findet sich jedoch bei Qin, S., Joe und Thomas A. Badgwell in "An Overview of Industrial Model Predictive Control Technology" [Übersicht über die industrielle modellprädiktive Steuerungstechnologie], AIChE-Konferenz, 1996.
  • Während MPC in zahlreichen Prozesssteuerungssituationen nützlich ist, verwendet die in der Industrie eingesetzte MPC überwiegend eine dynamische Matrixsteuerungstechnik (DMC), die die Erzeugung eines typischerweise komplexen Prozessmodells (typischerweise mathematisch als rekursiver Algorithmus oder als Matrixberechnung dargestellt) sowie die darauf folgende Invertierung des Modells zur Erzeugung der in der MPC-Steuerung verwendeten Steuerungsmatrix erfordert. Als Folge erfordert die Erzeugung der MPC-Steuerung erheblichen Rechenzeitaufwand. Weiterhin war es, um ein genaues Prozessmodell zur Verwendung bei der Erzeugung der MPC-Steuerung zu entwickeln, traditionell erforderlich, den Prozess mit bekannten Steuerungssignalen wie beispielsweise Stufensignalen für jede der Steuerungseingaben zu stören oder zu irritieren und die Reaktion jeder der Prozessvariablen oder Regelgrößen auf die bekannten Änderungen der Prozesseingaben zu bestimmen. Ein Weg der Implementierung dieses Verfahrens in einem verteilten Steuerungssystem wird ausführlicher im U.S.-Patent Nr. 6,721,609 mit dem Titel "Integrated Optimal Model Predictive Control in a Process Control System" [Integrierte optimale modellprädiktive Steuerung in einem Prozesssteuerungssystem] beschrieben, dessen Inhalt hiermit zum Bestandteil der vorliegenden Beschreibung gemacht wird.
  • Während diese Prozessstörungstechnik allgemein ein hochgenaues Prozessmodell erzeugt, benötigt die Störprozedur Zeit und irritiert den normalen Betrieb des Prozesses und ist daher schwierig, wenn nicht praktisch unmöglich durchzuführen, wenn ein Prozess online abläuft. Statt dessen muss diese Prozessstörungstechnik typischerweise auf dem Prozess implementiert werden, wenn der Prozess nicht abläuft, um ein tatsächliches Produkt zu erzeugen, beispielsweise während der Erstkonfiguration des Prozesses oder der MPC-Steuerung. Diese Einschränkung beschränkt selbstverständlich die Zeiten, während derer ein Prozessmodell bestimmt werden kann, erheblich. Auf jeden Fall eignet sich diese Technik nicht für die Verwendung in einer adaptiven MPC-Steuerung (d.h. in einer Steuerung, bei der die MPC-Steuerungsmatrix während des Onlinebetriebs des Prozesses verändert wird), da dies eine Irritation des Prozesses während jedes Adaptionszyklus erfordert. Darüber hinaus ist dieses Verfahren für MPC-Steuerungen jeder nennenswerten Größe (d.h. MPC-Steuerungen mit multiplen Eingängen und multiplen Ausgängen) rechenzeitaufwendig, da die Steuerungsmatrix invertiert und nach der Ermittlung eines neuen Prozessmodells angewandt werden muss. Diese Rechnerbelastung erschwert die Implementierung einer adaptiven MPC-Steuerung in verteilten Prozesssteuerungen, die typischerweise in Bezug auf die zusätzliche Rechnerauslastung beschränkt sind, die in Verbindung mit der Durchführung von Online-Prozesssteuerungsaktivitäten vorgenommen werden kann.
  • In vielen Situationen ist es jedoch wünschenswert, die MPC-Steuerung während des Betriebs des Prozesses anzupassen, um Nichtübereinstimmungen des Prozessmodells zu berücksichtigen. So spiegelt insbesondere bei der Implementierung der MPC-Steuerung das während der Konfigurationsphase ermittelte Prozessmodell lediglich den Prozess zum Zeitpunkt der Erzeugung des Prozessmodells wider. Alle späteren Änderungen des Prozesses, die sich naturgemäß während des Ablaufs eines Prozesses ergeben, werden von dem von der MPC-Steuerung verwendeten Prozessmodell nicht wiedergegeben und können daher zu einer Nichtübereinstimmung des Modells und zu einer nicht optimalen Steuerung durch die MPC-Steuerung führen. MPC-Steuerungen sind gegenüber Modellierungsfehlern in der Totzeit der Prozessschleife anfällig oder empfindlich. In vielen Steuerungssituationen ist es wünschenswert und gelegentlich notwendig, diese Modell-Nichtübereinstimmung zu kompensieren.
  • In der Vergangenheit bestand ein Verfahren, das zur Kompensation einer Modell-Nichtübereinstimmung in einer DMC- oder einer anderen MPC-Steuerung verwendet wurde, darin, periodisch ein neues Prozessmodell zu erzeugen und ein neues Steuerungsmodell und eine Steuerung mittels der Technik der Prozessirritation oder -störung zu erzeugen. Wie jedoch oben beschrieben, konnte diese Prozedur lediglich selten durchgeführt werden und wegen der Notwendigkeit, den Prozess zu irritieren, um ein neues Prozessmodell zu bestimmen, und auf Grund der Anzahl der Berechnungen, die während des Prozesses der Erzeugung der Steuerungsmatrix durchgeführt werden müssen, muss die Berechnung offline durchgeführt werden. Eine weitere Art der Kompensation einer Modell-Nichtübereinstimmung für nichtlineare Prozesse wird im U.S.-Patentantrag mit der Seriennummer 10/454,937 mit dem Titel "Multiple-Input/Multiple-Output Control Blocks with Non-Linear Predictive Capabilities" [Steuerungsblöcke mit multiplen Eingängen/multiplen Ausgängen mit nichtlinearen prädiktiven Fähigkeiten] beschrieben, das ein nichtlineares Prozessmodell in Verbindung mit einer MPC-Steuerung verwendet, das mittels einer Technik zur Irrititation eines Prozesses erzeugt wurde. Allgemein gesagt, vergleicht dieses Technik mittels eines nichtlinearen Prozessmodells entwickelte vorhergesagte Prozessänderungen und aus dem MPC-Prozessmodell entwickelte vorhergesagte Prozessänderungen, um Fehlersignale zu erzeugen, die für die Modell-Nichtübereinstimmung repräsentativ sind, und verwendet sodann diese Fehlersignale, um nichtlineare Charakteristiken des Prozesses zu kompensieren, die nicht berücksichtigt oder modelliert worden waren, als die MPC-Steuerung erzeugt wurde. Diese Technik ist jedoch von der Verwendung eines komplexen nichtlinearen Prozessmodells abhängig, um den Prozessablauf wiederzuspiegeln und geeignete Kompensationssignale für die MPC-Steuerung zu erzeugen. Zusätzlich kann in vielen Fällen immer noch eine Modell-Nichtübereinstimmung zwischen dem nichtlinearen Prozessmodell und dem aktuellen Prozess bestehen, die zu einer schlechteren Steuerungsleistung führen kann. Weiterhin ist diese Technik nicht adaptiv, da weder das nichtlineare Prozessmodell noch das MPC-Prozessmodell während des Onlinebetriebs der Steuerung ändert werden.
  • Teilweise als Ergebnis der Schwierigkeit, eine effiziente adaptive MPC-Steuerung oder eine andere Art adaptiver DMC-Steuerung zu erzeugen und zu implementieren, verwenden Prozesssteuerungen der gebräuchlichen Art in vielen Situationen, in denen sich das Prozessmodell während des Ablaufs des Prozesses häufig ändert, adaptive PID-Steuerungen. Während adaptive PID-Steuerungen gut bekannt sind und zur Anpassung während des Ablaufs eines Prozesses eingesetzt werden, müssen diese PID-Steuerungen, um zufrieden stellend zu arbeiten, in totzeitdominierten Prozessen auf sehr konservative Weise verstellt oder eingestellt werden, was zu einer schlechten Leistung führt. Darüber hinaus sind PID-Steuerungen insbesondere dann, wenn sich die Prozessdynamik häufig ändert, in hohem Maße empfindlich gegenüber einer schlechten Steuerungsleistung, wenn eine Nichtübereinstimmung zwischen der Steuerungs-Reset-Zeit und der tatsächlichen Prozesszeitkonstante besteht. Bedauerlicherweise ist jedoch die Bestimmung der Prozesszeitkonstanten (die in direkter Verbindung zur Prozesszeit bis zum stabilen Zustand steht) der unsicherste Parameter, der bei der Verwendung bekannter Verfahren zur Identifikation von Prozessmodellen entwickelt wird. PID-Steuerungen sind daher insbesondere dann nicht unbedingt die beste Wahl bei der Steuerung eines totzeitdominierten Prozesses, wenn sich die Zeit des Prozesses bis zum stabilen Zustand häufig ändert.
  • Zusammenfassung
  • Ein Verfahren zur Erzeugung und Verwendung einer adaptiven DMC- oder einer anderen MPC-Steuerung weist eine Modellschalttechnik auf, um ein Prozessmodel wie beispielsweise ein parametriertes Prozessmodell periodisch für eine Prozessschleife online während des Ablaufs des Prozesses zu bestimmen, ohne den Prozess künstlich anzuregen. Das Verfahren verwendet sodann das Prozessmodell zur Erzeugung eines MPC-Steuerungsmodells und erzeugt einen MPC-Steuerungsalgorithmus online, d.h. während des normalen Ablaufs des Prozesses. Dieses Verfahren, das allgemein auf modellprädiktive Ein-Kreis-Steuerungen anwendbar ist und sich insbesondere in MPC-Steuerungen mit einem Steuerungshorizont von eins oder zwei eignet, ermöglicht es, eine MPC-Steuerung online, d.h. während des normalen Ablaufs des Prozesses, anzupassen, das Prozessmodell, auf dem die MPC-Steuerung basiert, zu verändern und auf diese Weise Änderungen des Prozesses über die Zeit zu berücksichtigen. Eine derartige adaptive MPC-Steuerung ist nicht rechenzeitintensiv und kann daher problemlos innerhalb einer verteilten Steuerung eines Prozesssteuerungssystems implementiert werden und dabei dieselbe oder in einigen Fällen eine bessere Steuerung als eine PID-Steuerung auszuführen. Spezifischer wurde festgestellt, dass eine adaptive Ein-Kreis-MPC-Steuerung mit einem kleinen Steuerungshorizont von beispielsweise eins oder zwei in totzeitdominierten Schleifen und insbesondere in Fällen, in denen die Prozessschleifen aufgrund von Änderungen in der Prozessdynamik eine Prozessmodell-Nichtübereinstimmung aufweisen, eine bessere Steuerung als eine PID-Steuerung bieten kann. Zusätzlich kann eine MPC-Steuerung problemlos mehr als eine Vorkopplungseingabe, die in PID-Steuerungen gewöhnlich nicht vorhanden ist, aufweisen.
  • Kurzbeschreibung der Zeichnungen
  • 1 ist ein Blockdiagramm eines Prozesssteuerungssystems einschließlich eines Steuerungsmoduls mit einem adaptiven DMC-Steuerungsfunktionsblock wie beispielsweise einem adaptiven MPC-Steuerungsfunktionsblock zur Steuerung einer oder mehrerer Prozessschleifen;
  • 2 ist ein Blockdiagramm einer adaptiven MPC-Steuerung, die innerhalb des Funktionsblocks in 1 implementiert werden kann;
  • 3 ist ein Flussdiagramm, das den Betrieb der adaptiven MPC-Steuerung in 2 veranschaulicht;
  • 4 ist ein Blockdiagramm eines Steuerungsmoduls, das in einer Prozesssteuerung zur Implementierung der adaptiven MPC-Steuerung in 2 verwendet werden kann, und
  • 5 ist ein Screenshot in Verbindung mit einer Konfigurations- oder Bedienerschnittstellenroutine und veranschaulicht eine Art, auf die ein Bediener den Betrieb der adaptiven MPC-Steuerung in 2 betrachten und bewirken kann.
  • Detaillierte Beschreibung
  • Wie in 1 dargestellt, weist ein Prozesssteuerungssystem 10 eine Prozesssteuerung 11 (die eine verteilte Prozesssteuerung sein kann) auf, die mit einem Daten-Historienspeicher 12 und mit einer oder mehreren Host-Workstations oder Computern 13 (die jeder beliebige Typ von Personal Computer, Workstation etc. sein können) verbunden ist, die jeweils einen Bildschirm 14, einen Speicher und einen Prozessor (nicht dargestellt) besitzen. Die Steuerung 11 ist weiterhin über die Eingabe/Ausgabe- (E/A-) Karten 26 und 28 mit den Feldgeräten 15-22 verbunden. Der Daten-Historienspeicher 12 kann jeder gewünschte Typ von Datensammlungseinheit mit jedem gewünschten Speichertyp und jeder gewünschten oder bekannten Software, Hardware oder Firmware zur Speicherung von Daten sein und kann (wie in 1 dargestellt) von den Workstations 13 getrennt oder Bestandteil einer der Workstations 13 sein. Die Steuerung 11, die beispielsweise die von Emerson Process Management vertriebene De1taV-Steuerung sein kann, ist beispielsweise über eine Ethernet-Verbindung oder jedes andere gewünschte Kommunikationsnetzwerk 29 kommunikativ mit den Host-Computern 13 und dem Daten-Historienspeicher 12 verbunden. Das Kommunikationsnetzwerk kann in Form eines lokalen Netzwerks (LAN), eines Weitbereichsnetzes (WAN), eines Telekommunikationsnetzwerks etc. vorliegen und unter Verwendung festverdrahteter oder drahtloser Technologie implementiert werden. Die Steuerung 11 ist mittels jeder gewünschten Hardware und Software beispielsweise in Verbindung mit Standard-4-20-mA-Geräten und/oder jedem intelligenten Kommunikationsprotokoll wie beispielsweise dem Feldbus-Protokoll der FOUNDATION® Fieldbus, dem HART-Protokoll etc. kommunikativ mit den Feldgeräten 15-22 verbunden.
  • Die Feldgeräte 15-22 können jeder Typ von Gerät wie beispielsweise Sensoren, Ventile, Geber, Steller etc. sein, während die E/A-Karten 26 und 28 jeder Typ von E/A-Gerät sein können, das jedem gewünschten Kommunikations- oder Steuerungsprotokoll entspricht. In der in 1 dargestellten Ausführung sind die Feldgeräte 15-18 Standard-4-20-mA-Geräte oder HART-Geräte, die über analoge und/oder digitale Leitungen mit der E/A-Karte 26 kommunizieren, während die Feldgeräte 19-22 intelligente Geräte wie beispielsweise Feldbus-Feldgeräte sind, die über einen digitalen Bus per Feldbus-Protokollkommunikation mit der E/A-Karte 28 kommunizieren. Selbstverständlich könnten die Feldgeräte 15-22 jedem anderen gewünschten Standard oder allen anderen gewünschten Standards oder Protokollen einschließlich aller künftig entwickelten Standards oder Protokolle entsprechen.
  • Die Steuerung 11, die eine von zahlreichen verteilten Steuerungen innerhalb der Anlage 10 mit mindestens einem darin enthaltenen Prozessor sein kann, implementiert oder leitet eine oder mehrere Prozesssteuerungsroutinen, die darin enthaltene oder auf sonstige Weise damit verbundene Steuerungskreise aufweisen können. Die Steuerung 11 kommuniziert auch mit den Geräten 15-22, den Host-Computern 13 und dem Daten-Historienspeicher 12, um einen Prozess auf jede gewünschte Art zu steuern. Es ist darauf hinzuweisen, dass, falls gewünscht, Teile jeder hier beschriebenen Steuerungsroutine oder jedes hier beschriebenen Elements von verschiedenen Steuerungen oder anderen Einrichtungen implementiert oder ausgeführt werden können. Entsprechend können die hier beschriebenen, innerhalb des Prozesssteuerungssystems 10 zu implementierenden Steuerungsroutinen oder Elemente jede Form einschließlich Software, Firmware, Hardware etc. annehmen. Ein Prozesssteuerungselement kann für die Zwecke dieser Diskussion jeder Teil eines Prozesssteuerungssystems einschließlich beispielsweise einer Routine, eines Blocks oder eines Moduls sein, die in jedem beliebigen computerlesbaren Medium gespeichert sind. Steuerungsroutinen, die Module oder jeder beliebige Teil einer Steuerungsprozedur wie beispielsweise eine Subroutine, Teile einer Subroutine (wie beispielsweise Codezeilen) etc. sein können, können in jedem gewünschten Softwareformat implementiert werden, beispielsweise unter Verwendung von Leiterlogik, Ablaufsprache, Funktionsblockdiagrammen, objektorientierter Programmierung oder unter Verwendung jeder anderen Software-Programmiersprache oder jedes anderen Konstruktionsparadigmas. Entsprechend können die Steuerungsroutinen beispielsweise in einen oder mehrere EPROMs, EEPROMs, anwendungsspezifische integrierte Schaltungen (ASICs) oder beliebige andere Hardware- oder Firmware-Elemente hardcoded werden. Weiterhin können die Steuerungsroutinen mittels beliebiger Entwicklungstools einschließlich grafischer Entwicklungstools oder jeder beliebigen anderen Art von Software-, Hardware- oder Firmware-Programmierung oder Entwicklungswerkzeugen entwickelt werden. Die Steuerung 11 kann folglich konfiguriert werden, um eine Steuerungsstrategie oder Steuerungsroutine auf jede gewünschte Weise zu implementieren.
  • In einer Ausführung implementiert die Steuerung 11 eine Steuerungsstrategie mittels allgemein so genannter Funktionsblöcke, wobei jeder Funktionsblock ein Teil oder ein Objekt einer umfassenden Steuerungsroutine ist und (über als Verbindungen bezeichnete Kommunikationswege) in Verbindung mit anderen Funktionsblöcken arbeitet, um Prozesssteuerungskreise innerhalb des Prozesssteuerungssystems 10 zu implementieren. Funktionsblöcke führen typischerweise eine der folgenden Funktionen aus: eine Eingabefunktion, die beispielsweise mit einem Geber, einem Sensor oder einem anderen Gerät zur Messung eines Prozessparameters verbunden ist, eine Steuerungsfunktion, die beispielsweise mit einer Steuerungsroutine verbunden ist, die eine PID-, Fuzzy-Logik- oder eine andere Steuerungsfunktion ausführt, oder eine Ausgabefunktion, die den Betrieb einer Einrichtung wie beispielsweise einem Ventil steuert, um eine physikalische Funktion innerhalb des Prozesssteuerungssystems 10 auszuführen. Selbstverständlich existieren hybride und andere Arten von Funktionsblöcken. Funktionsblöcke können in der Steuerung 11 gespeichert und von dieser. ausgeführt werden, was typischerweise der Fall ist, wenn diese Funktionsblöcke für Standard-4-20-mA-Gerte und einige Typen von intelligenten Feldgeräten wie beispielsweise HART-Geräte verwendet werden oder mit diesen verbunden sind, oder sie können in den Feldgeräten selbst gespeichert und von diesen implementiert werden, was bei Feldbus-Geräten der Fall sein kann. Während die Beschreibung des Steuerungssystems hier anhand einer Funktionsblock-Steuerungsstrategie erfolgt, die ein objektorientiertes Programmierungsparadigma verwendet, könnten die Steuerungsstrategie oder die Steuerungskreise oder Module auch mit anderen Konventionen wie beispielsweise Leiterlogik, Ablaufsprache etc. oder mittels jeder anderen gewünschten Programmiersprache oder jedes anderen gewünschten Paradigmas implementiert oder entwickelt werden.
  • Wie durch den erweitert dargestellten Block 30 in 1 dargestellt, kann die Steuerung 11 eine Anzahl traditioneller Ein-Kreis-Steuerungsroutinen, die als Routinen 32 und 34 dargestellt sind, aufweisen und einen oder mehrere adaptive Steuerungskreise vom DMC-Typ, dargestellt als Steuerungskreis 36, implementieren. Jeder dieser traditionellen Steuerungskreise vom DMC-Typ wird typischerweise als Steuerungsmodul bezeichnet. Die Steuerungsroutinen 32 und 34 führen, wie dargestellt, eine Ein-Kreissteuerung mittels eines Fuzzy-Logik-Steuerungsblocks mit einer einzelnen Eingabe/einer einzelnen Ausgabe und eines PID-Steuerungsblocks mit einer einzelnen Eingabe/einer einzelnen Ausgabe aus, die mit entsprechenden analogen Eingabe- (AE) und analogen Ausgabe- (AA) Funktionsblöcken verbunden sind, die mit Prozesssteuerungsgeräten wie beispielsweise Ventilen, mit Messgeräten wie beispielsweise Temperatur- und Druckgebern oder mit beliebigen anderen Geräten innerhalb des Prozesssteuerungssystems 10 verbunden sein können. Der adaptive Steuerungskreis 36 vom DMC-Typ, der ausführlicher als adaptiver MPC-Steuerungskreis beschrieben wird, weist entsprechend der Darstellung einen MPC-Steuerungsblock 38 auf, der Eingänge, die kommunikativ mit einem oder mehreren AE-Funktionsblöcken und Ausgaben verbunden sind, und Ausgänge, die kommunikativ mit einem oder mehreren AA-Funktionsblöcken verbunden sind, besitzt, wobei die Eingaben und Ausgaben des adaptiven MPC-Steuerungsblocks 38 jedoch auch mit beliebigen anderen gewünschten Funktionsblöcken oder Steuerungselementen kommunikativ verbunden werden können, um andere Typen von Eingaben zu empfangen und andere Typen von Steuerungsausgaben zu liefern. Während weiterhin der adaptive MPC-Steuerungsblock 38 in 1 als Steuerungsblock mit multiplen Eingängen/multiplen Ausgängen dargestellt ist, versteht es sich, dass dieser Steuerungsblock statt dessen ein Ein-Kreis-Steuerungsblock mit einem Rückkopplungspfad und, falls gewünscht, mit einem Vorkopplungspfad könnte.
  • Wie ausführlicher beschrieben wird, ist der adaptive MPC-Steuerungsblock 38 ein Steuerungsblock, der den Prozess überwacht und der ein Prozessmodell wie beispielsweise ein parametriertes Prozessmodell für den Prozess (oder mindestens den Teil oder die Schleife des Prozesses, der bzw. die vom Steuerungsblock 38 gesteuert wird) online während des Ablaufs des Prozesses neu berechnet. Der adaptive MPC-Steuerungsblock 38 verwendet sodann das neue Prozessmodell, wann auch immer dies ermittelt wird, um das innerhalb des Steuerungsblocks verwendete MPC-Steuerungsmodell und den MPC-Steuerungsalgorithmus neu zu berechnen, um dadurch die MPC-Steuerung innerhalb des MPC-Steuerungsblocks 38 anzupassen, um auf der Grundlage des neu berechneten Prozessmodells besser zu passen oder zu steuern. Diese adaptive MPC-Steuerung erfolgt ohne die Notwendigkeit, den Prozess künstlich zu irritieren, um das neue Prozessmodell zu bestimmen, und ohne den Prozess offline schalten zu müssen, um das neue MPC-Steuerungsmodell und den Algorithmus innerhalb der MPC-Steuerung zu installieren. Es versteht sich, dass das Prozessmodell zu unterschiedlichen Zeiten während des Ablaufs des Prozesses neu definiert und dass die MPC-Steuerung zu unterschiedlichen Zeiten während des Ablaufs des Prozesses regeneriert werden kann, um die Modell-Nichtübereinstimmung zwischen der MPC-Steuerung und dem Prozess auf Grund von Veränderungen des Prozesses im Lauf der Zeit zu verringern oder zu beseitigen.
  • Wie oben bemerkt, könnte, während der adaptive Steuerungsblock 38 hier als einen modellprädiktiven Steuerungsblock (MPC-Block) enthaltend beschrieben wird, der Steuerungsblock 38 andere Steuerungstechniken vom DMC-Typ implementieren, die statt dessen dieselben hierin beschriebenen Prinzipien verwenden. Weiterhin versteht sich, dass die in 1 dargestellten Funktionsblöcke einschließlich des adaptiven MPC-Steuerungsblocks 38 von der Steuerung 11 ausgeführt werden können oder alternativ in einer beliebigen anderen Verarbeitungseinrichtung wie beispielsweise einer der Workstations 13 oder sogar einem der Feldgeräte 19-22 enthalten sein und von diesen ausgeführt werden können.
  • Wie in 1 dargestellt, weist eine der Workstations 13 eine adaptive MPC-Konfigurationsroutine 40 auf, die verwendet wird, um den adaptiven MPC-Steuerungsblock 38 (oder den Steuerungsmodul 36, in dem sich der Steuerungsblock 38 befindet) zu erzeugen, herunterzuladen und zu implementieren. Während die adaptive MPC-Steuerungsblockkonfigurationsroutine 40 in einem Speicher innerhalb der Workstation 13 gespeichert und von einem dort enthaltenen Prozessor ausgeführt werden kann, kann, falls gewünscht, diese Routine (oder jeder Teil davon) zusätzlich oder alternativ in einer anderen Einrichtung innerhalb des Prozesssteuerungssystems 10 gespeichert und von dieser ausgeführt werden. Allgemein gesagt, weist die adaptive MPC-Konfigurationsroutine 40 eine Steuerungsblockerzeugungsroutine 42 auf, die einen adaptiven MPC-Steuerungsblock entsprechend der hier enthaltenen Beschreibung erzeugt und die diesen adaptiven MPC-Steuerungsblock mit dem Prozesssteuerungssystem verbindet. Die Erzeugungs- und Konfigurationsroutine kann in dieselbe Routine integriert werden oder dieselbe Routine sein, die verwendet werden kann, um andere Typen von Modulen und Funktionsblöcken zu erzeugen und zu konfigurieren, wie beispielsweise die Module 32 und 34 und/oder die darin enthaltenen FLC- und PID-Funktionsblöcke, die allgemein in der Technik bekannte Routinen sind. Der adaptive MPC-Funktionsblock 38 kann mithin einer eines Satzes verschiedener Funktionsblöcke sein, die auf eine derzeit existierenden und in der Technik bestens bekannten Funktionsblöcken ähnliche Art und Weise ausgewählt und konfiguriert werden können. Zusätzlich kann, wie in 1 dargestellt, ein Bediener oder eine Bedienerschnittstellenanwendung 44 mit dem adaptiven MPC-Steuerungsblock 38 während seines Betriebs kommunizieren, um einen Bediener wie beispielsweise einen Steuermann in die Lage zu versetzen, den MPC-Steuerungsblock 38 betreffende Informationen und Daten zu betrachten und die Axt und Weise, auf die der MPC-Steuerungsblock 38 arbeitet, zu modifizieren, um ein neues MPC-Steuerungsmodell und den MPC-Algorithmus aus einem Prozessmodell zu erzeugen. In einigen Fällen kann die Bedienerschnittstellenroutine 44 den Bediener in die Lage versetzen, dem adaptiven MPC-Steuerungsblocks 38 Einstelleingaben zu übergeben, um den Betrieb dieses Blocks zu beeinflussen. Weiterhin kann die Bedienerschnittstellenroutine 44 in jeder der Workstations 13 oder in jedem anderen gewünschten Bedienereingabegerät gespeichert und ausgeführt werden, das mit dem Steuerungssystem kommunikativ verbunden ist wie beispielsweise ein Handheld-Gerät, ein Personal Digital Assistant (PDA), ein Mobiltelefon etc.
  • 2 zeigt ein detailliertes Blockdiagramm einer Ausführung des adaptiven MPC-Steuerungsblocks, der kommunikativ mit einem Prozess 50 verbunden ist. Es versteht sich, dass der adaptive MPC-Steuerungsblock 38 während des Betriebs eine oder mehrere Stellgrößen MV erzeugt, die anderen (in 2 nicht dargestellten) Funktionsblöcken übergeben werden, die ihrerseits mit Steuerungseingängen des Prozesses 50 verbunden sind. Wie in 2 dargestellt, weist der adaptive MPC-Steuerungsblock 38 einen adaptiven Modellgenerator 52 und einen MPC-Steuerungsblock 54 auf. Der MPC-Steuerungsblock 54 ist in diesem Fall als Ein-Kreis-Steuerungsblock, beispielsweise als Steuerungsblock mit einer einzelnen Steuerungsausgabe in Form eines einzelnen Steuerungssignals (oder einer einzelnen Stellgröße) MV, dargestellt, das seinerseits dem Prozess 50 übergeben wird, um eine Prozesssteuerung auszuführen. Der MPC-Steuerungsblock 54 in 2 weist sowohl einen Rückkopplungs- als auch einen Vorkopplungspfad und somit Eingänge für beide dieser Pfade auf. Es kann jedoch in einigen Fällen möglich sein, eine Standard-MPC-Steuerungsroutine mit gleichzahligem M × M (wobei M jede Zahl größer als eins sein kann) zu verwenden, die über dieselbe Anzahl von Eingaben wie von Ausgaben verfügt, auch wenn eine solche Einrichtung hier nicht beschrieben wird.
  • Der MPC-Steuerungsblock 54 empfängt als Eingaben eine gemessene Regelgröße (controlled variable)CV (wie innerhalb des Prozesses 50 gemessen), eine Störvariable DV, einen Sollwert oder Vektor SP, der den gewünschten Zielvektor für die Regelgröße CV definiert, sowie die vom Steuerungsblock erzeugte Stellgröße (manipulated variable) MV. Wie bekannt ist, repräsentiert die Störvariable DV eine gemessene oder vorhergesagte Änderung (beispielsweise eine Störung) im Prozess 50 und wird, wie dargestellt, dem Prozess 50 zum selben Zeitpunkt übergeben, zu dem dieser Wert dem Steuerungsblock übergeben wird. Allgemein gesagt, repräsentiert die Störvariable DV die Eingabe zum Vorkopplungspfad der MPC-Steuerung 54, während die Regelgröße CV die Eingabe zum Vorkopplungspfad der MPC-Steuerung 54 repräsentiert.
  • Wie in einer MPC-Steuerung typisch, werden die Regelgröße CV und die Störgröße DV zusammen mit der von der MPC-Steuerung 54 erzeugten Stellgröße MV dem Eingang eines Regelgrößenprozessmodells 70 (auch als Regelgrößenvorhersageeinheit bezeichnet) übergeben. Die Regelgrößenvorhersageeinheit 70 verwendet ein in ihr gespeichertes Prozessmodell (als Steuerungsmodell bezeichnet), um die zukünftigen Werte der Regelgröße CV auf der Grundlage der aktuellen und/oder vorhergesagten zukünftigen Werte der Stellgröße MV und der Störgröße DV vorherzusagen. (Für jede dieser Eingabevariablen wird typischerweise ein separates Steuerungsmodell verwendet). Die Regelgrößenvorhersageeinheit 70 erzeugt eine Ausgabe, die eine zuvor berechnete Vorhersage für die Regelgröße CV für den aktuellen Zeitpunkt repräsentiert, und ein Vektorsummierer 74 subtrahiert den vorhergesagten Wert der Regelgröße CV für den aktuellen Zeitpunkt vom aktuellen gemessenen Wert der Regelgröße CV, um einen Fehler- oder Vorhersagekorrekturvektor an einem Eingang 76 zu erzeugen.
  • Allgemein gesagt, verwendet die Regelgrößenvorhersageeinheit 70 eine Stufenantwortmatrix (die in diesem Fall mathematisch aus einem Prozessmodell entwickelt werden kann), um einen zukünftigen Wert für eine Regelgröße CV zu jedem der Zeitpunkte über den Vorhersagehorizont auf der Grundlage der Störgrößen DV und der Stellgrößen MW und des den anderen Eingängen der Regelgrößenvorhersageeinheit 70 übergebenen Fehlersignals vorherzusagen. Die Ausgabe der Einheit 70 ist als vorhergesagter CV-Vektor dargestellt. Eine Sollwert-Vorhersageeinheit 80 liefert einen Zielvektor für die Regelgröße CV auf der Grundlage des dieser aus jeder gewünschten Quelle wie beispielsweise von einem Optimierer, einem Anwender, einem Steuermann etc. übergebenen Sollwert SP. In einer Ausführung kann die Sollwert-Vorhersageeinheit 80 den Sollwert SP zusammen mit einem vorher bestimmten Änderungs- oder Filterverktor verwenden, der die Art definiert, auf die die Regelgröße CV über die Zeit auf ihren Sollwert zu treiben ist (d.h. die Robustheit und Geschwindigkeit der Steuerung definierend). Die Sollwert-Vorhersageeinheit 80 erzeugt einen dynamischen Steuerungszielvektor (als vorhergesagter Regelgrößenzielvektor bezeichnet) für die Regelgröße CV, der die Änderung des Sollwerts für die Regelgröße CV über den vom Vorhersagehorizont definierten Zeitraum definiert. Ein Summierer 84, der ein Vektorsummierer sein kann, subtrahiert sodann den vorhergesagten Regelgrößenvektor vom dynamischen Steuerungszielvektor, um einen zukünftigen Fehlervektor für die Regelgröße CV zu definieren. Der zukünftige Fehlervektor für die Regelgröße CV wird sodann an einem MPC-Algorithmusblock 85 übergeben, der so arbeitet, dass die Stellgrößen-MV-Schritte (für jeden der Zeiträume bis zum Steuerungshorizont) ausgewählt werden, die beispielsweise den Kleinste-Quadrate-Fehler über die Steuerungshorizont minimieren. Selbstverständlich kann der MPC-Algorithmusblock 85 eine Steuerungsmatrix oder einen anderen Algorithmus verwenden, der aus Beziehungen zwischen der Regelgröße CV und der Störvariablen-DV-Eingabe zur MPC-Steuerung 52 und der Stellgrößenausgabe des MPC-Steuerungsblocks 54 entwickelt wird. Wie allgemein bekannt ist, versucht der MPC-Algorithmusblock 85, den Regelgrößen-CV-Fehler mit minimalen Bewegungen der Stellgröße MV über den Steuerungshorizont zu minimieren und gleichzeitig die Regelgröße CV innerhalb betrieblicher Grenzen zu halten und einen Stabilzustandswert für die Stellgröße MV und die Regelgröße CV innerhalb begrenzter Zeit zu erreichen.
  • Allgemein gesagt, arbeitet der MPC-Steuerungsblock 54 ein Mal während jedes Steuerungs-Scans, um ein Ein-Kreis-MPC-Steuerungssignal als Regelgröße CV zur Verwendung bei der Steuerung des Prozesses 50 auf der Grundlage des MPC-Steuerungsmodells und des Steuerungsalgorithmus zu erzeugen, die innerhalb der Blöcke 70 bzw. 85 gespeichert sind. Wie oben jedoch angemerkt, ändert sich die Dynamik des Prozesses 50 typischerweise über die Zeit, was zu einer Nichtübereinstimmung zwischen dem tatsächlichen Ablauf des Prozesses 50 und dem Modell des Prozesses 50, das innerhalb des MPC-Steuerungsblocks 54 verwendet wird, führen kann.
  • Um dieses Problem zu kompensieren, arbeitet der adaptive Modellgenerator 52, um ein den Prozess 50 und insbesondere die vom MPC-Steuerungsblock 54 gesteuerte Schleife des Prozesses 50 repräsentierendes Prozessmodell neu zu bestimmen. Der adaptive Modellgenerator kann, falls gewünscht, dasselbe oder separate Prozessmodelle für den Rückkopplungs- und den Vorkopplungspfad der MPC-Steuerung bestimmen. Der adaptive Modellgenerator 52 verwendet sodann das aktualisierte Prozessmodell, um ein neues MPC-Steuerungsmodell zur Verwendung im Block 70 sowie einen neuen MPC-Steuerungsalgorithmus zur Verwendung im Block 85 zu bestimmen, um auf diese Weise die MPC-Steuerung 54 in die Lage zu versetzen, auf der Grundlage eines Prozessmodells zu arbeiten, dass den aktuellen Betrieb des Prozesses 50 genauer widerspiegelt. Dieser Aktualisierungsprozess passt die MPC-Steuerung 54 online während des Ablaufs des Prozesses 50 an den Prozess 50 an, um auf diese Weise eine Modell-Nichtübereinstimmung zu beseitigen oder zu verringern und eine bessere Steuerung durchzuführen.
  • Allgemein gesagt, weist der adaptive Modellgenerator 52 einen Prozessmodellschätzer 90 auf, der arbeitet, um online und während des Ablaufs des Prozesses 50 neue Modelle für den Prozess 50 und insbesondere für die spezifische Schleife des Prozesses 50, die vom MPC-Steuerungsblock 54 gesteuert wird, zu bestimmen oder neu zu berechnen. Die Ausgabe des Prozessmodellschätzers 90 ist ein Prozessmodell wie beispielsweise ein parametriertes Prozessmodell, das den Betrieb des Prozesses 50 entsprechend einem Satz von Parametern definiert. Der gebräuchlichste Typ eines parametrierten Prozessmodells ist ein Prozessmodell erster Ordnung plus Totzeit, das Parameter für die Prozessantwortzeit, die Prozessverstärkung und die Prozesstotzeit aufweist, wobei jedoch auch statt dessen andere parametrierte Prozessmodelle verwendet werden könnten. Ein Verfahren zur Definition oder zum Schätzen von Prozessmodellen aus Prozessvariablen zur Verwendung in einer adaptiven PID-Steuerung wird in U.S. Patent Nr. 6,577,908 mit dem Titel "Adaptive Feedback/Feedforward PID Controller" [Adaptive Rückkopplungs-/Vorkopplungs-PID-Steuerung] und der U.S.-Veröffentlichung Nr. 2003/0195641 mit dem Titel "State Based Adaptive Feedback Feedforward PID Controller" [Statusbasierte, adaptive Rückkopplungs-Vorkopplungs-PID-Steuerung] beschreiben, wobei beide Patentschriften hiermit durch Verweis ausdrücklich zum Bestandteil dieser Veröffentlichung gemacht werden.
  • Allgemein gesagt, sammelt der Prozessmodellschätzer 90 regelmäßig Daten, die für die Regelgröße CV und eine oder mehrere der Stellgrößen MV, die Störvariable DV und den Sollwert SP sowie möglicherweise, falls gewünscht, andere Variablen während des normalen Ablauf des Prozesses repräsentativ sind. Der Prozessmodellschätzer 90 prüft oder analysiert diese Daten sodann periodisch (oder versetzt einen Anwender in die Lage, dies über die Bedienerschnittstellenroutine 44 in 1 durchzuführen) um festzustellen, wann signifikante Änderungen in irgendeiner der Prozesseingabevariablen wie beispielsweise Änderungen des Sollwerts SP, der Störvariablen DV oder der Regelgröße CV auftreten, die den Prozess 50 veranlassen können zu reagieren bzw. die dazu führen, dass der Prozess gesteuert werden muss. Bei Erkennen einer solchen Änderung bestimmt der Prozessmodellschätzer 90 sodann, wann die Prozessvariable (d.h. die Regelgröße CV) einen stabilen (bzw. eingeschwungenen) Zustand erreicht, und verwendet die zwischen diesen beiden Punkten gesammelten Prozessdaten, um die Antwort des Prozesses auf die Änderung zu bestimmen. Spezifischer können Störungen innerhalb des Prozesses 50 oder Änderungen des Sollwerts SP die MPC-Steuerung veranlassen, eine Änderung des Steuerungssignals (der Stellgröße MV) zu implementieren, um den Prozess 50 zu ändern. Eine Änderung der Regelgröße CV spiegelt sodann die Prozessantwort auf diese Änderung wider und der Prozessmodellschätzer 90 kann bekannte Techniken verwenden, um ein parametriertes Prozessmodell zu bestimmen, das den Prozess 50 beschreibt oder modelliert. Wie oben bereits angemerkt, kann dieses parametrierte Prozessmodell als ein Prozessmodell erster Ordnung plus Totzeit oder als jeder andere Typ eines parametrierten Prozessmodells definiert werden. Signifikant ist jedoch, dass der Prozessmodellschätzer 90 den Prozess nicht zu stören oder zu irritieren braucht, um das Prozessmodell zu bestimmen, sondern er analysiert vielmehr Prozessdaten, die während des normalen oder Onlinebetriebs des Prozesses 50 gesammelt werden. Als Ergebnis kann der Prozessmodellschätzer 90 kontinuierlich als Hintergrundprozess in der Prozesssteuerungseinrichtung (beispielsweise der Prozesssteuerung 11 in 1) während des normalen Ablaufs des Prozesses 50 laufen, ohne viel Rechenkapazität des Steuerungsprozessors zu beanspruchen und ohne den Prozess 50 zu irritieren.
  • Nach der Bestimmung eines neuen Prozessmodells übergibt der Prozessmodellschätzer 90 das Prozessmodell (beispielsweise die berechnete Prozessverstärkung K, die Totzeit DT und die Zeitkonstante Tc) an eine MPC-Modellberechnungseinheit sowie an eine Filtereinheit 94 für eine Bewegungszuschlagsvariable (Penalty on Move Variable) und einen Sollwertzielvektor. Die MPC-Modellberechnungseinheit 92 verwende das neue Prozessmodell, um ein typisches MPC-Steuerungsmodell zur Verwendung in der Regelgrößenvorhersageeinheit 70 zu berechnen. Dieses MPC-Steuerungsmodell hat allgemein die Form einer Transferfunktion, die als Antwortkurve dargestellt ist, die die Antwort der Regelgröße CV auf eine Stufenänderung in der Stellgröße MV (oder in der Störvariablen für den Vorkopplungspfad) über die Zeit bis zum Vorhersagehorizont definiert. Dieses Modell ist allgemein mathematisch leicht zu berechnen als die Serie von Werten der Regelgröße CV (ein Wert für jeden der Scan-Zeitpunkte bis zum Vorhersagehorizont), die aus einem Prozess resultieren würden, der perfekt durch das parametrierte Prozessmodell definiert wird, das vom Prozessmodellschätzer 90 als Antwort auf eine Stufenänderung in der Stellgröße MV entwickelt wird.
  • Nach der Bestimmung des MPC-Steuerungsmodells übergibt die MPC-Modellberechnungseinheit 92 dieses Modell an eine MPC-Algorithmusberechnungseinheit 96 und speichert dieses Modell zur zukünftigen Verwendung oder zum Herunterladen in die Regelgrößenvorhersageeinheit 70 der MPC-Steuerung bei der Aktualisierung der MPC-Steuerung 54. Im wesentlichen zur selben Zeit berechnet die Filtereinheit 94 für eine Bewegungszuschlagsvariable und einen Sollwertzielvektor einen Bewegungszuschlag und eine Sollwert-Trajektorie oder Filterkoeffizienten zur Verwendung in der MPC-Steuerung 54 oder bestimmt diese auf sonstige Weise. In einer Ausführung, die im Folgenden ausführlicher beschrieben wird, können die Sollwertzielvektorfilter-Trajektorie und der Bewegungszuschlag, die in der Sollwertvorhersageeinheit 80 bzw. dem MPC-Algorithmusblock 85 verwendete Steuerungseinstellungsvariablen sind, automatisch berechnet werden. So kann beispielsweise der Bewegungszuschlag automatisch auf der Prozesszeit bis zum stabilen Zustand TSS basieren, die ihrerseits aus der vom Prozessmodellschätzer 90 entwickelten Antwortzeit des Prozessmodells bestimmt wird. In einer anderen Ausführung können der Bewegungszuschlag und der die Sollwertzielvektorfilter-Trajektorie von einem Bediener wie beispielsweise von einem Steuermann eingegeben oder spezifiziert werden.
  • Eine MPC-Algorithmus-Berechnungseinheit 96 verwendet das MPC-Steuerungsmodell (und invertiert dieses Modell typischerweise) sowie den Bewegungszuschlagswert zur Bestimmung eines geeigneten Steuerungsalgorithmus zur Verwendung durch den MPC-Algorithmusblock 85 auf der Grundlage des neu bestimmten Prozessmodells. Im Anschluss daran aktualisiert der adaptive Modellgenerator 52 den MPC-Steuerungsblock 54 zu gegebener Zeit, beispielsweise wenn der Prozess 50 sich in einem stabilen Zustand oder in einem quasi-stabilen Zustand befindet oder wenn er von einem Bediener über eine Bedienerschnittstelle angewiesen wird, indem der adaptive Modellgenerator 52 das neue MPC-Steuerungsmodell in die Regelgrößenvorhersageeinheit 70, die neuen Sollwert-Trajektorien- oder Filterkoeffizienten in den Sollwertvorhersageblock 80 (falls geändert) und den neuen MPC-Steuerungsalgorithmus in den MPC-Algorithmusblock 85 herunterlädt.
  • Auf diese Weise können die MPC-Modellberechnungseinheit 92 und der MPC-Algorithmus-Berechnungsblock 96 neue MPC-Steuerungsparameter, -modelle und -algorithmen auf der Grundlage dieses Modells berechnen und sodann diese neuen MPC-Steuerungselemente in die MPC-Steuerung 54 herunterladen, wenn der Prozessmodellschätzer 90 ein Prozessmodell für den Prozess 50 bestimmt oder erkennt, das sich auf signifikante Weise von dem Prozessmodell unterscheidet, das zur Konfigurierung der MPC-Steuerung 54 verwendet worden war.
  • Signifikant wurde festgestellt, dass eine Ein-Kreis-MPC- oder eine andere Steuerung vom DMC-Typ mit einem Steuerungshorizont von eins oder zwei oder möglicherweise mehr auf die oben beschriebene Weise angepasst werden kann, ohne rechenzeitaufwendig zu sein, und dass eine derartige adaptive Steuerung in einer verteilten oder anderen Prozesssteuerung online während des laufenden Prozesses laufen oder ausgeführt werden kann, sodass eine wahrhaft adaptive Online-MPC-Steuerung (oder eine andere Steuerung vom DMC-Typ) realisiert wird. Insbesondere wurde festgestellt, dass der MPC-Steuerungsalgorithmus (wie in Block 85 in 2 verwendet) für eine Ein-Kreis-MPC-Steuerung mit einem Steuerungshorizont von eins oder zwei auf einfache Weise definiert werden kann, d.h. als eine oder mehrere einfache mathematische Formeln, die nicht rekursiv sind und die keine Matrixberechnungen verwenden. Als Ergebnis ist die in diesen Fällen benötigte Bestimmung des MPC-Steuerungsalgorithmus für den Block 85 nicht rechenzeitintensiv und gestattet mithin die häufige und schnelle Neuberechnung eines neuen MPC-Steuerungsmodells und Steuerungsalgorithmus für den MPC-Steuerungsblock 54 bei Erhalt eines neuen Prozessmodells. Es ist mithin möglich, den MPC-Steuerungsblock 54 online bei laufendem Prozess 50 zu aktualisieren, da diese Anpassung rasch und in Echtzeit erfolgen und innerhalb der verteilten Steuerung ausgeführt werden kann, die die MPC-Steuerung 54 tatsächlich ausführt.
  • Weiterhin wurde, wie bereits ausgeführt, festgestellt, dass Ein-Kreis-MPC-Steuerungen einschließlich einer MPC-Steuerung mit einem kleinen Steuerungshorizont (beispielsweise eins oder zwei und möglicherweise bis zu fünf) in vielen Situationen wie beispielsweise bei totzeitdominierten Prozessen und in Prozessen, bei denen sich die Zeit bis zum stabilen Zustand über die Zeit ändert, eine bessere Steuerungsleistung als PID-Steuerungen bieten.
  • 3 zeigt ein Flussdiagramm 100, das vom adaptiven MPC-Steuerungsblock 38 verwendet werden kann, um eine adaptive Steuerung innerhalb der Steuerung 11 in 1 auszuführen. In einem ersten Abschnitt 102 der Routine 100 arbeitet der Pxozessmodellschätzer 90, während der Prozess 50 online abläuft, um Prozesseingabe-/ausgabedaten wie beispielsweise Daten, die für die Regelgröße CV, die Stellgröße MV, den Sollwert SP und die Störvariable DV repräsentativ sind, sowie alle weiteren gewünschten und erforderlichen Daten zu sammeln und diese Daten in einem Speicher zu speichern. Periodisch, beispielsweise nach jeder Datensammlungsinstanz, nach Sammeln einer bestimmten Datenmenge, nach einem bestimmten Zeitraum, als Antwort auf einen Bedienerbefehl etc., sucht der Prozessmodellschätzer 90 nach einem Block von Daten, die verwendet werden können, um ein neues Prozessmodell zu definieren, sowie insbesondere nach Störungen in den Prozesseingaben (wie beispielsweise Änderungen des Steuerungssignals), die die Prozessausgabe (beispielsweise die Regelgröße CV) veranlassen, sich zu ändern und anschließend einen stabilen Wert anzunehmen. Wenn eine derartige Änderung festgestellt wird, oder als Antwort auf eine vom Bediener getroffene Auswahl eines Datensatzes zur Verwendung bei der Entwicklung eines Prozessmodells analysiert der Prozessmodellschätzerblock 90 den ausgewählten oder bestimmten Block von Prozessdaten, um ein neues Prozessmodell zu erzeugen.
  • Spezifischer sammelt ein Block 104, der von der Prozessmodellschätzeinheit 90 implementiert werden kann, Prozesseingabe-/ausgabedaten und ein Block 106 bestimmt, ob genügend Daten während eines Zeitraums gesammelt wurden, während dessen der Prozess eine für eine Berechnung eines neuen Prozessmodells ausreichende Änderung durchgemacht hat. Der Block 106 kann auch auf Bedienerbefehle ansprechen, um ein Prozessmodell aus einem ausgewählten Satz von Prozessdaten zu erzeugen. Wenn die gesammelten Daten nicht so sind, dass die Prozessmodellschätzeinheit 90 ein neues Prozessmodell berechnen kann, oder wenn der Bediener die Routine 100 nicht angewiesen hat, ein neues Prozessmodell zu entwickeln, fährt der Block 104 mit dem Sammeln von Prozesseingabe-/ausgabedaten fort. Wenn andererseits genügend Prozessdaten über einen Zeitraum gesammelt wurden, während dessen der Prozess eine ausreichende Änderung oder Störung erfahren hat, um ein neues Prozessmodell zu berechnen, oder wenn ein Bediener eine Prozessmodellberechnung veranlasst hat, berechnet ein Block 108 beispielsweise mittels des in U.S.-Patent Nr. 6,577,908 und/oder in U.S.-Veröffentlichung Nr. 2003/0195641 beschriebenen Verfahrens ein neues Prozessmodell und übergibt das neue Prozessmodell einem zweiten Abschnitt 110 der Routine 100.
  • Der Abschnitt 110 der Routine 100 bestimmt aus dem ermittelten Prozessmodell ein neues MPC-Modell und einen neuen MPC-Algorithmus. Für die Zwecke dieser Beschreibung wird angenommen, dass das vom Block 108 bestimmte Prozessmodell ein parametriertes Prozessmodell erster Ordnung plus Totzeit nebst Parametern ist, die eine Prozessverstärkung, eine Prozesstotzeit und eine Prozesszeitkonstante sowohl für den Rückkopplungs- als auch für den Vorkopplungspfad definieren. Es ist jedoch ersichtlich, dass das Prozessmodell Parameter lediglich für den Rückkopplungspfad aufweisen könnte oder ein Prozessmodell erster Ordnung eines anderen Typs oder einer anderen Natur oder jeder Typ von Prozessmodell mit Ausnahme eines Prozessmodells erster Ordnung sein könnte. Allgemein gesagt, könnten mithin statt dessen andere Typen oder Formen von Prozessmodellen verwendet werden.
  • Wie in 3 dargestellt, weist der Abschnitt 110 der Routine 100 einen Berechnungsblock 112 auf, der durch die Filtereinheit 94 für eine Bewegungszuschlagsvariable und einen Sollwertzielvektor in 2 implementiert werden kann, der die Scan-Rate und/oder die Ausführungszeit und/oder den Vorhersagehorizont und/oder die Zeit bis zum stabilen Zustand für die MPC-Steuerung auf der Grundlage eines neuen Prozessmodells bestimmt.
  • Ähnlich einem adaptiven PID-Steuerungsverfahren wird die Zeit TSS bis zum stabilen Zustand nach jeder erfolgreichen Modellidentifikation auf der Grundlage des Prozessmodells und insbesondere auf der Grundlage der Zeitkonstante des Prozessmodells aktualisiert. Im Gegensatz zu einer PID-Steuerung, die mit jeder Scan-Rate ablaufen kann (solange die Scan-Rate einige Male schneller ist als die Prozessantwortzeit), muss die adaptive MPC-Steuerung jedoch mit einer Scan-Rate ablaufen, die die Zeit TSS bis zum stabilen Zustand innerhalb des von der MPC-Steuerung verwendeten Vorhersagehorizonts hält. Um die Scan-Rate der MPC-Steuerung als Teil des adaptiven Prozesses zu ändern oder zu verändern und dadurch eine bessere Steuerung zu realisieren, wurde festgelegt, dass die von der MPC-Steuerung verwendete Ausführungszeit oder der Vorhersagehorizont (die in MPC-Steuerungen typischerweise unveränderlich sind) geändert werden können, um so einen besseren Betrieb der MPC-Steuerung zu ermöglichen.
  • Um zu gewährleisten, dass die neue Scan-Rate angemessen gewählt wird, bestimmt der Block 112 zunächst aus dem neuen Prozessmodell die Prozesszeit TSS bis zum stabilen Zustand auf jede bekannte Weise und insbesondere auf der Grundlage der Zeitkonstante, die im Prozessmodell beispielsweise für den Rückkopplungspfad der MPC-Steuerung 54 bestimmt wurde. Die Zeit TSS bis zum stabilen Zustand kann in tatsächlicher Zeit (beispielsweise in Minuten, Sekunden etc.) oder als Anzahl der Ausführungszyklen bestimmt oder ausgedrückt werden, die von der Steuerung während der Zeit bis zum stabilen Zustand auf der Grundlage der festen Steuerungsausführungszeit pro Ausführungszyklus benötigt werden.
  • Anschließend kann die Ausführungszeit berechnet werden als die Zeit TSS bis zum stabilen Zustand, dividiert durch den maximal zulässigen Vorhersagehorizont, der während der Konfiguration der adaptiven MPC-Steuerung von einem Anwender oder einem Konfigurationsingenieur eingestellt werden kann. Die Berechnung kann wie folgt ausgedrückt werden: Exec_Time = Trunc[TSS/PHmax]
  • Mit:
  • Exec_Time
    = Ausführungszeit
    TSS
    = Zeit bis zum stabilen Zustand
    PHmax
    = maximaler Vorhersagehorizont
  • Trunc ist hier die mathematische Abkürzungsoperation.
  • In einer beschriebenen Ausführung wird ein maximaler Vorhersagehorizont PHmax von 120 verwendet, was bedeutet, dass während jedes Scans von der Regelgrößenvorhersageeinheit bis zu 120 Vorhersagen berechnet werden können. In vielen Fällen führt diese Berechnung jedoch zu einem Rest, der zu mehr oder weniger Ungenauigkeit beim Betrieb der MPC-Steuerung führt. Um eine Teilung mit einem Rest zu vermeiden und dadurch den Fließkommafehler und Schwankungen des Steuerungsbetriebs zu vermindern, kann es zugelassen werden, dass sich der Vorhersagehorizont zwischen einem Minimalwert PHmin und dem Maximalwert PHmax bewegt und so gewählt wird, dass das Produkt des gewählten Vorhersagehorizonts PH und der Ausführungszeit genau gleich der Zeit TSS bis zum stabilen Zustand ist. Der gewählte Vorhersagehorizont wird sodann innerhalb aller interner Schleifen innerhalb der MPC-Steuerung (d.h. innerhalb der Blöcke 70, 74, 80, 84 und 85 des Steuerungsblocks 54 in 2) anstelle des maximal zulässigen Vorhersagehorizonts PHmax als Vorhersagehorizont verwendet. In diesem Fall kann mithin der Vorhersagehorizont beispielsweise je nach der für ein neues Prozessmodell bestimmten tatsächlichen Zeit TSS bis zum stabilen Zustand zwischen 60 und 120 wechseln.
  • Die folgende Tabelle 1 veranschaulicht Beispiele für verschiedene Kombinationen von Ausführungszeiten Exec_Time und ausgewählten Vorhersagehorizonten PH, die vorteilhaft innerhalb der MPC-Steuerung 54 auf der Grundlage einer bestimmten Zeit TSS bis zum stabilen Zustand des Prozessmodells verwendet werden können. Es ist ersichtlich, dass sich in dieser Tabelle die Zeit TSS bis zum stabilen Zustand (was die bekannte Variable ist, aus der die Ausführungszeit und der Vorhersagehorizont bestimmt werden) in diesem Fall zwischen 10 und 12800 Sekunden bewegt, während die Ausführungszeit zwischen 0,1 und 213 ms schwankt, was in allen Fällen zu einem gewählten Vorhersagehorizont PH zwischen 60 und 120 führt. Der Vorhersagehorizont wird, was jedoch nicht erforderlich ist, auf 60 gesetzt, d.h. auf den kleinsten zulässigen Wert für jeden Wert größer als 3200 für die Zeit bis zum stabilen Zustand, da ein Vorhersagehorizont größer als 60 für eine dermaßen lange Zeit bis zum stabilen Zustand nicht erforderlich ist. Auf jeden Fall können, falls gewünscht, die Ergebnisse in Tabelle 1 oder in einer vergleichbaren, vorausberechneten Tabelle für eine wünschenswerte Kombination eines Vorhersagehorizonts und einer Ausführungszeit mit verschiedenen ermittelten Werten für die Prozesszeit TSS bis zum stabilen Zustand in dem adaptiven Modellgenerator 52 gespeichert werden, um für die Bestimmung des angemessenen Vorhersagehorizonts zur Verwendung in der MPC-Steuerung auf der Grundlage der bestimmten Zeit des Prozessmodells TSS bis zum stabilen Zustand verwendet zu werden. Selbstverständlich kann statt dessen jede gewünschte andere Art und Weise der Erzeugung von Kombinationen des Vorhersagehorizonts und der Ausführungszeit auf der Grundlage einer bestimmten Prozesszeit bis zum stabilen Zustand verwendet werden.
  • Tabelle 1
    Figure 00240001
  • Figure 00250001
  • Wie zu sehen ist, ist der adaptive MPC-Steuerungsblock 38 tatsächlich in der Lage, seinen Vorhersagehorizont und seine Ausführungszeit während des Anpassungsprozesses zu ändern oder zu verändern um zu gewährleisten, dass die Steuerungs-Scan-Rate so eingestellt wird, dass die Zeit TSS bis zum stabilen Zustand innerhalb des Vorhersagehorizonts bleibt. Falls gewünscht, kann der Block 112 die Ausführungszeit mit der Scan-Rate der Steuerung vergleichen um festzustellen, ob die gewählte oder berechnete Ausführungszeit kleiner ist als die konfigurierte Scan-Rate der Steuerung. Wenn diese Bedingung wahr ist, kann der Block 112 einem Benutzer beispielsweise über die Bedienerschnittstellenanwendung 44 eine Warnung übegeben, die besagt, dass die Scan-Rate des Steuerungsblocks erhöht werden sollte, um den ordnungsgemäßen Betrieb der MPC-Steuerung zu ermöglichen.
  • Sodann bestimmt oder ermittelt ein Block 114, der im MPC-Modellberechnungsblock 92 in 2 implementiert sein kann, ein Stufenantwortmodell (das MPC-Steuerungsmodell), das die Reaktion der Regelgröße CV über die vom Vorhersagehorizont PH definierte Zeit auf eine Stufenänderung der Stellgröße MV (für den Rückkopplungskreis) sowie die Reaktion der Regelgröße CV über die vom Vorhersagehorizont PH definierte Zeit auf eine Stufenänderung der Störvariablen DV (für den Vorkopplungskreis) definiert. Selbstverständlich kann ein derartiges Stufenantwortmodell mathematisch aus dem vom Block 90 entwickelten Prozessmodell erzeugt werden. Allgemein gesagt, wird die Antwort der Regelgröße CV für jede der Anzahl der Steuerungs-Scans berechnet, die vom Vorhersagehorizont PH definiert wird, der vom Block 112 bestimmt wird. Wenn der Vorhersagehorizont 120 ist, werden mithin 120 verschiedene Antworten der Regelgröße CV als Antwort auf eine Stufenänderung der Stellgröße MV zu einer ersten Zeitinstanz bestimmt, um das MPC-Stufenantwortmodell zu definieren (für den Rückkopplungspfad). Dieses Stufenantwortmodell wird hier als Stufenantwortvektor B bezeichnet, der in nicht-vektorieller Form als (b1, b2, ..., bi, ... bp) definiert ist, wobei p der gewählte Vorhersagehorizont ist und bp die Antwort am gewählten Vorhersagehorizont.
  • Sodann berechnet oder bestimmt ein Block 116 den Bewegungszuschlag (Penalty on Move) und den Fehlerzuschlag (Penalty on Error) zur Verwendung im MPC-Algorithmus und, falls gewünscht, die Sollwertfilterkonstante oder -trajektorie zur Verwendung in der MPC-Steuerung zur Bestimmung der Antwort und der Robustheit der MPC-Steuerung 54. Diese Parameter sind ihrem Wesen nach Einstellparameter für die MPC-Steuerung. Falls gewünscht, können der Fehlerzuschlag, der Sollwertfilter und der Bewegungszuschlag automatisch bestimmt oder von einem Anwender im Wege einer Eingabe beispielsweise über die Bedienerschnittstellenanwendung 44 in 1 eingestellt werden.
  • Eine Art, die Sollwertzielvektorfilterzeitkonstante automatisch einzustellen, besteht darin, einen Sollwertzielvektorfilterzeitfaktor zu definieren, der den Betrieb des Sollwertzielvektorfilters in Bezug auf die Zeit bis zum stabilen Zustand des Prozesses definiert. So könnte beispielsweise ein Sollwertzielvektorfilterzeitfaktor zwischen 0 und 4 betragen und die Sollwertzielvektorfilterzeitkonstante (die die Zeitkonstante des Sollwertzielvektorfilters definiert) kann bestimmt werden als Produkt der Prozesszeit TSS bis zum stabilen Zustand und des Sollwertzielvektorfilterzeitfaktors. Wie ersichtlich ist, könnte sich dieser Sollwertzielvektorfilterzeitfaktor mit jeder neuen Prozessmodellidentifizierung ändern. Selbstverständlich könnten, falls so gewünscht, der Sollwertzielvektorfilterfaktor oder die Sollwertzielvektorfilterzeitkonstante vom Bediener ausgewählt oder bereitgestellt werden.
  • Allgemein gesagt, kann der Fehlerzuschlag (der den Koeffizienten definiert, den der MPC-Steuerungsalgorithmus während der Berechnung der Steuerungsbewegungen auf einen Fehlervektor zwischen der gewünschten Regelgröße CV und der vorhergesagten Regelgröße anwendet) auf eins gesetzt werden und braucht nicht veränderbar zu sein. Tatsächlich ist in einem Ein-Kreis-System lediglich das Verhältnis zwischen dem Bewegungszuschlag (POM) und dem Fehlerzuschlag (PE) von Bedeutung, was bedeutet, dass, solange eine dieser Variablen veränderbar ist, die andere dieser Variablen nicht veränderbar sein muss.
  • In einer Ausführung kann ein Default-Bewegungszuschlag (der den Zuschlag definiert, den der MPC-Steuerungsalgorithmus während der Berechnung der Steuerungsbewegungen auf Einheits-Steuerungssignalbewegungen anwendet) bei jeder Änderung des Prozessmodells wie folgt berechnet werden:
    Figure 00270001
  • Hierbei ist DT die Prozesstotzeit (aus dem Prozessmodell), PH der Vorhersagehorizont, G die Prozessverstärkung (aus dem Prozessmodell) und PM der berechnete Bewegungszuschlag. Allgemein setzt diese Gleichung, die auf heuristischem Weg aus Beobachtungen entwickelt wurde, einen höheren Bewegungszuschlag an, je mehr die Prozesstotzeit zunimmt, und einen geringeren Bewegungszuschlag, je mehr die Prozessverstärkung steigt. Selbstverständlich könnten statt dessen andere Gleichungen oder Verfahren zur Berechnung eines empfohlenen oder Default-Wertes für den Bewegungszuschlag verwendet werden.
  • Auf jeden Fall kann der empfohlene Wert des Bewegungszuschlags auf der Bedienerschnittstelle als Nur-Lese-Parameter angezeigt werden (beispielsweise mittels der Schnittstellenanwendung 44 in 1). Wenn gewünscht, kann die Bedienerschnittstellenanwendung 44 es dem Bediener jedoch ermöglichen, den empfohlenen Wert (der als Default-Einstellung verwendet werden kann) auf andere Werte zu ändern. Diese Änderung kann beispielsweise auf die Weise durchgeführt werden, dass es dem Bediener ermöglicht wird, den gewünschten POM direkt vorzugeben, oder dass es dem Bediener ermöglicht wird, einen POM-Faktor vorzugeben, der zur Änderung des empfohlenen Wertes zu verwenden ist (d.h. als Multiplikator des empfohlenen Wertes). Ein derartiger POM-Faktor könnte beispielsweise von 0,1 bis 10 reichen und kann von einem Bediener beispielsweise mittels eines Schiebereglers oder eines Attributfeldes in einer Bedienerschnittstellen-Bildschirmdarstellung geändert oder ausgewählt werden. Auf jeden Fall kann die Bedienerschnittstelle zusätzlich zum empfohlenen POM-Wert und zum POM-Faktor den aktuellen Wert des derzeit in der MPC-Steuerung verwendeten POM angeben (wobei dieser aktuelle Wert das Produkt des POM-Faktors und des empfohlenen Wertes des POM ist).
  • Wie in 3 dargestellt, berechnet oder bestimmt ein Block 118 sodann den MPC-Steuerungsalgorithmus zur Verwendung im MPC-Algorithmusblock 85 in 2 während des Betriebs der MPC-Steuerung 54. Allgemein gesagt, kann dieser Algorithmus, wenn die MPC-Steuerung 54 eine Ein-Kreis-Steuerung mit einem Steuerungshorizont von eins oder zwei ist, in einer geschlossenen Form ausgedrückt werden, was bedeutet, dass die Regenerierung dieses Algorithmus bei einer Modellaktualisierung rechnerisch einfach ist.
  • Allgemein entwickelt der Block 118 eine nicht eingeschränkte, inkrementale MPC-Steuerung aus dem Stufenantwortmodell (oder dem Stufenantwortvektor), dem Bewegungszuschlag (POM) und dem Fehlerzuschlag (der für diese Diskussion mit eins angenommen wird). Die allgemeine Lösung für die inkrementale Steuerung mit einem Steuerungshorizont m und einem Vorhersagehorizont p bei einem Steuerungs-Scan k lautet: ΔU(k) = KOp(k) = (SuTΓyTΓyS + ΓuTΓu)–1SuTΓyTΓyEp(k)
  • Wobei:
    K die für die MPC-Steuerung zu berechnende Steuerungsverstärkungsmatrix ist;
    Δ U(k) ein m Schritte führender inkrementaler Steuerungsausgangsbewegungsvektor (m step ahead incremental controller output moves vector) ist;
    Γy = diag (γ1, γ2, ..., γp] eine Aufschlagsmatrix auf den Ausgabefehler ist;
    Γu = diag [u1, u2, ..., um] eine Aufschlagsmatrix auf die Steuerungsbewegungen ist;
    Su die p × m-Prozessdynamikmatrix (die Steuerungsmatrix) ist und
    Ep(k) der Fehlervektor über den Vorhersagehorizont ist.
  • Für eine MPC-Steuerung mit einem Steuerungshorizont gleich eins ist die dynamische Matrix (transponiert): SuT = BT = [b1, ..., bi, ..., bp]T, was einfach der transponierte Stufenantwortvektor ist.
  • Zusätzlich:
  • Γy
    = diagp [γ, γ, ..., γ] und
    Γu
    = diag [u] = u
    wobei jedes u ein einzelner Bewegungsaufschlag und jedes y ein einzelner Fehleraufschlag ist. Angesichts des Voranstehenden kann die MPC-Steuerungsmatrix allgemein ausgedrückt werden als:
    Figure 00290001
  • Es ist angemessen anzunehmen, und die adaptive Steuerung ist so eingestellt, dassγ=1
  • Folglich kann die Steuerungsverstärkungsmatrix ausgedrückt werden als:
    Figure 00300001
  • Es ist mithin leicht zu erkennen, dass eine Ein-Kreis-MPC-Steuerung mit einem Steuerungshorizont von eins einfach ein Prozessschrittantwortvektor ist, der mit der Summe von zwei Koeffizienten skaliert ist:
    Figure 00300002
    und C2 = u2
  • Als Ergebnis ist es ein einfacher Berechnungsschritt, jedes Mal, wenn ein neues Prozessmodell identifiziert wird, die Steuerungsverstärkungsmatrix K als geschlossene, nicht-rekursive Nicht-Matrix-Gleichung zur Verwendung im MPC-Algorithmusblock 85 in 2 innerhalb der Steuerung 11 online während des laufenden Prozesses zu regenerieren.
  • Im Falle einer MPC-Steuerung mit einem Steuerungshorizont gleich zwei kann die dynamische Matrix (transponiert) ausgedrückt werden als:
    Figure 00300003
    mit Γy = diagp [γ, γ, ..., γ]und
    Figure 00300004
  • In diesem Fall wird die Steuerungsverstärkungsmatrix K abgeleitet als:
    Figure 00310001
  • Um diese Gleichung einfacher auszudrücken, können die folgenden Variablen definiert werden:
    Figure 00310002
  • Unter Verwendung dieser Variablen kann die Steuerungsverstärkungsmatrix K sodann ausgedrückt werden als:
    Figure 00320001
    was neu ausgedrückt werden kann als:
    Figure 00320002
  • Nun lautet die MPC-Steuerungsverstärkungsmatrix für die erste Steuerungsbewegung von k1 (d.h. der ersten Steuerungsbewegung des Zwei-Bewegungs-Steuerungshorizonts):
    Figure 00320003
  • Wie man erkennt, ist daher die erste Bewegung der Zwei-Bewegungs-Steuerungsmatrix ein neu skalierter Antwortvektor, der zu einem gewissen Grad dem Steuerungsvektor für den Steuerungshorizont gleich eins ähnlich ist. Der konstante Skalierungsfaktor für alle Stufenantwortkoeffizienten ist:
    Figure 00330001
  • Dieser Koeffizient nimmt ab, wenn der Bewegungszuschlag (u) zunimmt, und daher kann ein individueller Skalierungsfaktor für jeden Schrittantwortkoeffizienten ausgedrückt werden als:
    Figure 00330002
  • Diese abgeleitete Formel veranschaulicht deutlich die Ähnlichkeit eines Stufenantwortvektors und des Steuerungsvektors. Diese Gleichung eignet sich wegen der unkontrollierten Möglichkeit einer Division durch null in den Stufenkoeffizientenverhältnissen allerdings nicht für die Steuerungsberechnungen. Eine geeignete Implementierungsform kann jedoch definiert werden als:
    Figure 00330003
  • Um diese Steuerungsverstärkung für die erste Bewegung zu bestimmen, könnte eine Berechnungssequenz wie folgt aufgestellt werden:
  • Zuerst berechne m als:
    Figure 00330004
  • Zweitens berechne n als:
    Figure 00340001
  • Drittens berechne 1 als:
    Figure 00340002
  • Sodann berechne: mn – 12
  • Anschließend skaliere die Schrittantwort um m um und skaliere anschließend die Schrittantwort um 1 um und verschiebe nach rechts, d.h. setze bi = 0. Sodann subtrahiere die beiden umskalierten Antworten mB – IB (verschoben) und skaliere den aus diesem Schritt erhaltenen Vektor um
    Figure 00340003
    um, um den Steuerungsvektor zu erhalten.
  • Auf ähnliche Weise kann die MPC-Steuerungsmatrix oder -verstärkung für die zweite Steuerungsbewegung k2 ausgedrückt werden als:
    Figure 00340004
  • Wie oben veranschaulicht, sind im Falle einer Ein-Kreis-MPC-Steuerung mit einem Steuerungshorizont von zwei die Steuerungsverstärkungsgleichungen nicht rechenzeitaufwendig und können daher online innerhalb der Steuerung bestimmt werden, während die Steuerung tätig ist, um den Prozess zu steuern. Während hier Steuerungsverstärkungsalgorithmen für eine MPC-Steuerung mit einem Steuerungshorizont von eins oder zwei vorgesehen sind, ist es zusätzlich möglich, dass MPC-Steuerungen mit größeren Steuerungshorizonten von beispielsweise drei, vier, fünf oder sogar mehr mittels mathematischer Berechnungen ausgedrückt und bestimmt werden können, die sich für eine Ausführung im Prozesssteuerungsgerät eignen und damit eine adaptive MPC-Steuerungsregenerierung online während der laufenden Steuerung eines Prozesses erlauben.
  • Wie in 3 dargestellt, bestimmt ein Block 120, nachdem der Block 118 den Steuerungsverstärkungsalgorithmus zur Verwendung im MPC-Algorithmusblock 85 in 2 berechnet oder erzeugt hat, ob die MPC-Steuerung 54 mit den neuen Steuerungsparametern aktualisiert werden soll. Als Teil dieses Prozesses kann ein Block 120 bestimmen, ob der Prozess aktuell in einem stabilen Zustand oder in einem quasi-stabilen Zustand oder auf sonstige Weise bereit ist, die MPC-Steuerung 54 aktualisieren zu lassen. Der Block 120 kann auch oder statt dessen feststellen, ob ein Bediener einen adaptiven Zyklus veranlasst oder auf sonstige Weise verlangt hat, dass die MPC-Steuerung auf der Grundlage eines neuen Prozessmodells aktualisiert werden soll. Wenn der Prozess aktuell eine Steuerungsänderung durchmacht oder eine ausreichende Schwankung in der Regelgröße CV erfährt, kann der Block 120 warten, bis der Prozess einen stabilen Zustand oder einen quasi-stabilen Zustand erreicht. Wenn jedoch der Prozess in einem stabilen Zustand oder ansonsten in einem Zustand, eine Steuerungsänderung durchzumachen, ist und wenn der Bediener, falls gewünscht, eine Steuerungsaktualisierung zugelassen hat, lädt ein Block 122 den neuen Steuerungsalgorithmus in den MPC-Algorithmusblock 85 und das neue Stufenantwortmodell in die Regelgrößenvorhersageeinheit 70 herunter. Zusätzlich lädt der Block 122 die neue Scan-Rate, die Zeit bis zum stabilen Zustand, die Ausführungszeit und den Vorhersagehorizont in sämtliche der Blöcke 70, 74, 76, 80 und 85 der MPC-Steuerung 54 herunter, sodass diese Blöcke sämtlich mit demselben Vorhersagehorizont, derselben Scan-Rate und derselben Ausführungszeit arbeiten. Weiterhin kann, falls gewünscht, eine neue Sollwertzielvektorfilterkonstante oder ein neuer Sollwertzielvektorfilterfaktor in die Sollwert-Vorhersageeinheit 80 heruntergeladen werden, während ein neuer Bewegungszuschlag zur Verwendung innerhalb des Steuerungsalgorithmus 85 zur Verfügung gestellt werden kann, um auf diese Weise die MPC-Steuerung 54 mit den neuen Steuerungsparametern auf der Grundlage des neuen Prozessmodells einzustellen.
  • Nach Abschluss des Herunterladens übergibt der Block 122 die Kontrolle zurück an den Block 104, um mit der Datensammlung fortzufahren. Es versteht sich selbstverständlich, dass der Steuerungsblock 104 während des Betriebs der anderen Blöcke der Routine 100 fortfahren kann, Prozessdaten zu sammeln. Weiterhin sind, wie oben ausgeführt, der Sollwertzielvektorfilterfaktor oder die Zeitkonstante und die Bewegungszuschlagsvariable zwei Einstellfaktoren, die von einem Anwender jederzeit geändert und in die MPC-Steuerung heruntergeladen werden können, um den Betrieb der MPC-Steuerung 54 jederzeit zu ändern. Die MPC-Steuerung kann somit zu verschiedenen Zeiten eingestellt werden und braucht, um eingestellt zu werden, nicht zu warten, bis die MPC-Steuerung auf der Grundlage eines neuen Prozessmodells aktualisiert wird. Mit anderen Worten kann die MPC-Steuerung jederzeit während des Ablaufs des Prozesses mit neuen Sollwertzielvektorfilterfaktoren und neuen Bewegungszuschlagswerten aktualisiert werden.
  • 4 zeigt allgemein einen adaptiven MPC-Steuerungsblock, der als Funktionsblock 150 angegeben oder dargestellt ist, der mit anderen Funktionsblöcken 152 und 154 zu einem Steuerungsmodul kombiniert ist. Die Funktionsblöcke 152 sind als AA-Funktionsblöcke dargestellt und die Funktionsblöcke 154 sind als AE-Funktionsblöcke dargestellt, wobei statt ihrer jedoch auch andere Typen, Arten und Anzahlen von Funktionsblöcken verwendet werden und während des Ablaufs des Prozesses innerhalb der Steuerung (wie beispielsweise der Steuerung 11 in 1) arbeiten könnten, um Eingabe- und Ausgabefunktionen für den Funktionsblock 150 durchzuführen. Wie in 4 dargestellt, werden der adaptive Modellgenerator 52 und die MPC-Steuerung 54 innerhalb des adaptiven MPC-Steuerungsfunktionsblocks 150 gespeichert und werden in diesem ausgeführt und diese Blöcke sind kommunikativ verbunden, wie dies erforderlich ist, um Eingaben zu empfangen, die von den AE-Blöcken 152 übergeben werden, und die erforderlichen Ausgaben für die AE-Blöcke 154 Verfügung zu stellen, um auf diese Weise die Steuerung des Prozesses oder einer Schleife des Prozesses zu bewirken. Selbstverständlich können alle erforderlichen Anzahlen von AE-Blöcken 152 und AA-Blöcken 154 vorgesehen werden und diese Funktionsblöcke können gekoppelt werden, um auf jede bekannte Weise alle gewünschten Signale zu empfangen oder um Signale an alle gewünschten Komponenten innerhalb der Prozessanlage zu senden. Allgemein gesagt, werden mindestens ein einzelner AE-Block und ein einzelner AA-Block für die Ein-Kreis-MPC-Steuerung vorgesehen, um die Steuerung im Rückkopplungskreis durchzuführen. Falls gewünscht, können jedoch zusätzliche Eingaben und Ausgaben kommunikativ mit dem adaptiven Modellgenerator 52 und der MPC-Steuerung verbunden werden, um eine ähnliche Ein-Kreis-MPC-Steuerung für den Vorkopplungspfad durchzuführen, der auf eine ähnliche Weise gesteuert werden kann, wie dies oben in Bezug auf den Rückkopplungskreis beschrieben wurde. Zusätzlich kann die MPC-Steuerung 54 auf die hier allgemein für den Rückkopplungskreis beschriebene Weise für den Vorkopplungspfad angepasst werden. Weiterhin kann, falls gewünscht, der adaptive Modellgenerator 52 Eingabesignale von der Prozessanlage empfangen, die von der MPC-Steuerung 54 nicht bei der Steuerung des Prozesses verwendet werden.
  • 5 stellt eine Bildschirmanzeige 200 dar, die von der Bedienerschnittstellenanwendung 44 in 1 auf einem Anzeigegerät wie beispielsweise dem Bedienerschnittstellenbild 14 in 1 vorgesehen werden kann, um den Bediener in die Lage versetzen zu sehen, was innerhalb des adaptiven MPC-Funktionsblocks 150 oder 38 geschieht, und um den adaptiven MPC-Prozess zu lenken. Insbesondere kann die Bedienerschnittstellenanwendung 44 die Bildschirmanzeige 200 vorsehen, um den Bediener in die Lage zu versetzen, die Daten zu betrachten und auszuwählen, anhand derer das Prozessmodell zu bestimmen ist, eine Modelladaptierungsprozedur zu veranlassen, Einstellparameter für die MPC-Steuerung vorzugeben oder zu ändern etc. Insbesondere weist die Bildschirmanzeige 200 einen Prozessablaufanzeigebereich 210 auf, der den aktuellen Ablauf des Prozesses und insbesondere die historischen Werte der Regelgröße, des Sollwerts, der Stellgröße und/oder aller anderen gewünschten Variablen anzeigt, um den Ablauf des Prozesses auf leicht verständliche Weise anzuzeigen oder zu zeigen. Der Bediener kann, falls gewünscht, diese Daten betrachten und Teile dieser Daten (mittels einer Maus oder eines anderen Eingabegerätes) hervorheben oder auswählen, um die Daten zu bestimmen, die bei der Berechnung eines neuen Prozessmodells für den Prozess zu verwenden sind.
  • Ein Abschnitt 220 der Bildschirmanzeige 200 zeigt Informationen für die verschiedenen Modelle in Verbindung mit dem Prozess und der MPC-Steuerung, um dem Bediener ein besseres Verständnis der aktuellen ablaufenden Ereignisse innerhalb des Prozesses oder innerhalb des adaptiven MPC-Teils des Prozesses zu vermitteln. Der Abschnitt 220 in 5 ist in vier Unterabschnitte einschließlich des Abschnitts 222 für das Rückkopplungsmodell, einen Abschnitt 224 für das MPC-Rückkopplungsmodell, einen Betriebsabschnitt 226 und einen MPC-Einstellabschnitt 228 unterteilt. Allgemein liefert der Abschnitt 222 für das Rückkopplungsmodell dem Bediener Anzeigen des Prozessmodells, das zuletzt für den Rückkopplungspfad der MPC-Steuerung berechnet wurde, und liefert in diesem Fall die Werte der Modellparameter für ein derartiges Modell, definiert als Prozessverstärkung, Prozesszeitkonstante und Totzeit. Dieses aktuelle Modell braucht nicht das zur Erzeugung der aktuell innerhalb der Anlage ablaufenden MPC-Steuerung verwendete Prozessmodell zu sein und ist dies wahrscheinlich auch nicht.
  • Der Abschnitt 224 für das MPC-Rückkopplungsmodell zeigt (in der "Calculated" [Berechnet] überschrieben Spalte das MPC-Modell, das für die Berechnung des MPC-Algorithmus und des MPC-Prozessmodells, die aktuell für den Rückkopplungspfad der MPC-Steuerung verwendet werden, verwendet wurde. In diesem Fall arbeitet die Prozesssteuerung aktuell mit einer MPC-Steuerung, die auf der Grundlage eines Prozessmodels erzeugt wurde, das eine Prozessverstärkung von 1,00, eine Zeitkonstante von 20,0 und eine Totzeit von 1,0 aufwies. Der Abschnitt 224 zeigt jedoch den "aktuellen" Wert des zuletzt bestimmten Prozessmodells für den Prozess als das Modell, das bei Implementierung für den nächsten Adaptierungszyklus zu verwenden ist. Dieses Modell ist in dem Beispiel in 5 als das zuletzt berechnete Prozessmodell dargestellt, das im Abschnitt 222 für das Rückkopplungsmodell gezeigt ist. Wie ausgeführt, könnte der Bediener dieses Prozessmodell, falls gewünscht, durch Eingabe neuer Werte für die Modellparameter ändern oder variieren. Zusätzlich versetzt eine Aktualisierungsschaltfläche 230 den Bediener in die Lage, eine adaptive MPC-Erzeugung oder Berechnung mittels des im Abschnitt für die aktuellen Werte des Prozessmodells spezifizierten Prozessmodells zu initiieren. Selbstverständlich könnte, falls gewünscht, das zuletzt berechnete Prozessmodell automatisch verwendet werden und die MPC-Steuerungsadaptierung könnte anstelle oder ergänzend zu einer Initiierung einer Aktualisierung durch den Bediener mittels der Aktualisierungsschaltfläche 230 nach jeder Prozessmodellerzeugung automatisch und periodisch implementiert werden, um das MPC-Steuerungsmodell zu aktualisieren.
  • Der Betriebsabschnitt 226 der Bildschirmanzeige 200 zeigt die Betriebsregion, innerhalb derer der Prozess aktuell abläuft. Es wird darauf hingewiesen, dass der Prozess als getrennte betriebliche Regionen aufweisend definiert weiden kann, die beispielsweise durch Werte der Regelgrößen oder beliebige andere Variablen bestimmt sind. Falls gewünscht, können unterschiedliche Modelle auf der Grundlage der betrieblichen Region, in der der Prozess abläuft, ausgewählt und verwendet werden. So können tatsächlich einige betriebliche Regionen mehr an die Verwendung der hierin beschriebenen adaptiven MPC-Steuerung anpassbar sein. Weiterhin zeigt der Betriebsabschnitt 226, dass die Prozessmodellschätzeinheit derzeit Daten sammelt und im Lernmodus ist.
  • Wichtig ist, dass der MPC-Einstellabschnitt 228 den Bediener in die Lage versetzt, die MPC-Steuerung einzustellen, indem er den Bediener in die Lage versetzt, die Sollwertfiltereinstellungen und die Bewegungszuschlagsvariable zu ändern. Insbesondere kann der Bediener, in diesem Fall an einem Eingabeblock 235, einen Sollwertfilterfaktor (aktuell auf 2 gesetzt) bestimmen, der mit der Prozessmodellzeit bis zum stabilen Zustand zu multiplizieren ist, um die in der MPC-Steuerung verwendete Sollwertfilterzeitkonstante zu bestimmen. Zusätzlich versetzt ein Schieberegler 238 den Bediener in die Lage, die Bewegungszuschlagsvariable zu ändern, um die MPC-Steuerung einzustellen, um dadurch eine langsamere oder eine schnellere Antwortcharakteristik zu erhalten. Allgemein gesagt, kann der Schieberegler 238 verwendet werden, um einen Bewegungszuschlagsfaktor vorzugeben oder zu ändern, der mit dem Default-Bewegungszuschlag multipliziert wird, der auf die oben in Bezug auf den Block 116 in 3 beschriebene Weise berechnet wird. Selbstverständlich kann der Bediener, falls gewünscht, in der Lage sein, den Sollwertzielvektorfilter und den Bewegungszuschlagsfaktor direkt zu ändern.
  • Auf jeden Fall kann die Bedienerbildschirmanzeige 200 beispielsweise von einem Steuerungsbediener oder einem anderen Bediener verwendet werden, um die Einstellung der MPC-Steuerung zu ändern, um ein Prozessmodell zu aktualisieren oder um die Neuberechnung und Aktualisierung eines Prozessmodells auf der Grundlage von im Abschnitt 210 ausgewählten Daten zu veranlassen, um die adaptive Aktualisierung des MPC-Steuerungsmodells mit dem zuletzt berechneten Prozessmodell zu veranlassen, etc. Die Bedienerschnittstellenanzeige 200 bietet dem Bediener mithin ein hohes Maß oder Niveau von Eingaben über die adaptive Aktualisierung der MPC-Steuerung einschließlich der Möglichkeit, die über den Sollwertfilterfaktor und den Bewegungszuschlagsfaktor definierte Robustheit der Steuerung auszuwählen, die zur Erzeugung eines neuen Prozessmodells zu verwendenden Daten zu definieren und zu definieren, ob und wann die MPC-Steuerung auf der Grundlage eines spezifischen Prozessmodells zu aktualisieren ist. Selbstverständlich kann. der adaptive MPC-Steuerungsblock vollständig automatisch oder halbautomatisch sein, wobei diese Funktionen automatisch, periodisch oder zu signifikanten Zeitpunkten wie beispielsweise nach einer Bestimmung eines neuen Prozessmodells ausgeführt werden. Weiterhin kann die adaptive MPC-Steuerung, wie oben beschrieben, eine automatische Berechnung der Einstellparameter auf der Grundlage der von einer Prozessmodellberechnung bestimmten geschätzten Zeit bis zum stabilen Zustand durchführen, was die Notwendigkeit einer Ersteinstellung beseitigt, die ein gemeinsamer Nachteil bekannter MPC-Steuerungen ist. In einer Ausführung kann das initiale Prozessmodell aus Prozessdaten bestimmt werden und die Zeit bis zum stabilen Zustand kann daraus berechnet werden, oder der Bediener kann anfänglich die Zeit bis zum stabilen Zustand eingeben, die auf die oben beschriebene Weise verwendet werden kann, um die Default-Einstellparameter für den POM- und den Sollwertfilterfaktor sowie den Vorhersagehorizont und die Ausführungszeit für die Steuerung zu bestimmen. Entsprechend kann der Bediener, falls gewünscht, ein initiales Prozessmodell bestimmen, das bei der erstmaligen Einstellung der Ausführung des MPC-Steuerungsblocks zu verwenden ist.
  • Während der adaptive MPC-Funktionsblock hierin beschrieben und dargestellt wurde als ein MPC-Funktionsblock, der einen adaptiven MPC-Modellgenerator innerhalb desselben Funktionsblocks aufweist, der mithin in derselben Einrichtung wie der MPC-Steuerungsblock ausgeführt wird, ist es auch möglich, den adaptiven Modellgenerator in einer separaten Einrichtung wie beispielsweise in einer Bedienerschnittstelleneinrichtung zu implementieren. Insbesondere kann sich der adaptive Modellgenerator in einem anderen Gerät wie beispielsweise in einer der Bedienerworkstations 13 befinden und mit der MPC-Steuerung, wie in 2 beschrieben, während jeder Ausführung oder jedem Scan der Steuerung, während Zeiten der MPC-Steuerungsaktualisierung etc. kommunizieren. Selbstverständlich kann, falls erforderlich, eine Kommunikationsschnittstelle wie beispielsweise eine bekannte OPC-Schnittstelle verwendet werden, um die Kommunikationsschnittstelle zwischen dem die MPC-Steuerung beinhaltenden Funktionsblock und der Workstation oder einem anderen Computer, der den adaptiven Modellgeneratorblock implementiert oder ausführt, zu bilden.
  • Zusätzlich können, obwohl der adaptive MPC-Steuerungsblock und andere hierin beschriebene Blöcke und Routinen hierin dergestalt beschrieben sind, dass sie in Verbindung mit Feldbus- und Standard-4-20-mA-Geräten verwendet werden, diese selbstverständlich unter Verwendung jedes anderen Prozesssteuerungskommunikationsprotokolls oder jeder anderen Programmierungsumgebung implementiert und mit allen anderen Typen von Geräten, Funktionsblöcken oder Steuerungen verwendet werden. Obwohl die adaptive MPC-Steuerung oder andere adaptive DMC-Steuerungsblöcke und die damit verbundenen, hierin beschriebenen Erzeugungs- und Anzeigeroutinen vorzugsweise in Software implementiert werden, können sie in Hardware, Firmware etc. implementiert und von jedem anderen mit dem Prozesssteuerungssystem verbundenen Prozessor ausgeführt werden. Die hierin beschriebene Routine 100 oder jeder Teil davon können mithin in einer oder mehreren Standard-Universal-CPUs oder auf spezifisch entwickelter Hardware oder Firmware wie beispielsweise ASICs, falls gewünscht, implementiert werden. Die Software kann, wenn in Software implementiert, in jedem computerlesbaren Speicher wie beispielsweise auf Magnetplatte, Laser-Disk, optischer Disk, einem Flash-Memory oder einem anderen Speichermedium, in einem Arbeitsspeicher oder in einem Nurlesespeicher eines Computers oder Prozessors etc. gespeichert werden. Entsprechend kann die Software einem Anwender oder einem Prozesssteuerungssystem mittels jeder bekannten oder gewünschten Übergabemethode wie beispielsweise auf einer computerlesbaren Diskette oder einem anderen transportablen Computer-Speichermedium übergeben oder moduliert und über einen Kommunikationskanal wie beispielsweise eine Telefonleitung, das Internet etc. gesendet werden (wobei dies als identisch oder austauschbar mit der Übergabe der betreffenden Software mittels eines transportablen Speichermediums betrachtet wird).
  • Während somit die vorliegende Erfindung zwar unter Bezugnahme auf spezifische Beispiele beschrieben wird, die lediglich der Veranschaulichung dienen und diese Erfindung nicht einschränken sollen, ist es jedoch für den technisch Versierten offenkundig, dass Änderungen, Ergänzungen oder Streichungen an den dargestellten Ausführungen vorgenommen werden können, ohne vom Geist und Umfang der Erfindung abzuweichen.

Claims (16)

  1. Prozesssteuerung zur Steuerung eines Prozesses, wobei die Prozesssteuerung enthält: eine dynamische Steuerung vom Matrix-Steuerungs-Typ mit einem Steuerungsalgorithmus, der ein Steuerungssignal auf der Grundlage eines Eingangssignals erzeugt, wobei das Steuerungssignal der Steuerung einer Prozessvariablen dient; eine mit dem Prozess gekoppelte Prozessmodellschätzungseinheit zur Sammlung von Prozessdaten während des Onlinebetriebs des Prozesses und zur Bestimmung eines Prozessmodells, das den Betrieb des Prozesses aus den gesammelten Prozessdaten abbildet, und eine Steuerungsadaptierungseinheit, die das Prozessmodell verwendet, um den Steuerungsalgorithmus während des Betriebs des Prozesses anzupassen.
  2. Prozesssteuerung nach Anspruch 1, wobei die dynamische Steuerung vom Matrix-Steuerungs-Typ eine modellprädiktive Steuerung (MPC) ist.
  3. Prozesssteuerung nach Anspruch 2, wobei die MPC-Steuerung eine Ein-Kreis-Steuerung ist.
  4. Prozesssteuerung nach Anspruch 3, wobei die MPC-Steuerung einen oder mehrere Rückkopplungspfade sowie einen oder mehrere Vorkopplungspfade aufweist.
  5. Prozesssteuerung nach Anspruch 4, wobei der Steuerungsalgorithmus einen Steuerungshorizont verwendet, der mindestens zehn Mal kürzer ist als ein Voraussagehorizont.
  6. Prozesssteuerung nach Anspruch 4, wobei der Steuerungsalgorithmus einen Steuerungshorizont gleich zwei verwendet.
  7. Prozesssteuerung nach Anspruch 4, wobei der Steuerungsalgorithmus einen Steuerungshorizont gleich eins verwendet.
  8. Prozesssteuerung nach Anspruch 2, wobei der Steuerungsalgorithmus eine Bewegungszuschlagsvariable aufweist, die während des Betriebs der MPC-Steuerung verändert werden kann.
  9. Prozesssteuerung nach Anspruch 2, wobei die MPC-Steuerung einen Sollwert-Zielvektorfilter mit einem Sollwert-Zielvektorfilterparameter aufweist und wobei der Sollwert-Zielvektorfilterparameter während des Betriebs der MPC-Steuerung verändert werden kann.
  10. Prozesssteuerung nach Anspruch 2, wobei das Prozessmodell ein Prozessmodell erster Ordnung plus Totzeit ist.
  11. Prozesssteuerung nach Anspruch 2, wobei das Prozessmodell ein parametrisches Prozessmodell ist.
  12. Prozesssteuerung nach Anspruch 2, wobei die Steuerungsadaptierungseinheit einen Voraussagehorizont für den Steuerungsalgorithmus auf der Grundlage des Prozessmodells bestimmt.
  13. Prozesssteuerung nach Anspruch 2, wobei die Steuerungsadaptierungseinheit eine Ausführungszeit für die MPC-Steuerung auf der Grundlage des Prozessmodells bestimmt.
  14. Prozesssteuerung nach Anspruch 2, wobei die Steuerungsadaptierungseinheit aus dem Prozessmodell eine Zeit bis zum stabilen Zustand und eine Kombination eines Voraussagehorizonts für den Steuerungsalgorithmus und einer Ausführungszeit für die MPC-Steuerung auf der Grundlage der Zeit bis zum stabilen Zustand bestimmt.
  15. Prozesssteuerung nach Anspruch 2, wobei die Steuerungsadaptierungseinheit einen Wert für eine im Steuerungsalgorithmus verwendete Bewegungszuschlagsvariable auf der Grundlage des Prozessmodells bestimmt.
  16. Prozesssteuerung nach Anspruch 15, wobei das Prozessmodell eine Prozesstotzeit und die Steuerungsadaptierungseinheit den Wert der Bewegungszuschlagsvariablen auf der Grundlage der Grundlage der Prozesstotzeit bestimmt.
DE102006045429.4A 2005-09-30 2006-09-26 Adaptive, Modellprädiktive Online-Steuerung in einem Prozesssteuerungssystem Active DE102006045429B4 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/240,705 2005-09-30
US11/240,705 US7451004B2 (en) 2005-09-30 2005-09-30 On-line adaptive model predictive control in a process control system

Publications (2)

Publication Number Publication Date
DE102006045429A1 true DE102006045429A1 (de) 2007-04-26
DE102006045429B4 DE102006045429B4 (de) 2018-07-19

Family

ID=37902858

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102006045429.4A Active DE102006045429B4 (de) 2005-09-30 2006-09-26 Adaptive, Modellprädiktive Online-Steuerung in einem Prozesssteuerungssystem

Country Status (5)

Country Link
US (2) US7451004B2 (de)
JP (4) JP5558652B2 (de)
CN (2) CN1940780B (de)
DE (1) DE102006045429B4 (de)
HK (1) HK1100045A1 (de)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020224717A1 (de) * 2019-05-09 2020-11-12 Dürr Systems Ag Analyseverfahren und vorrichtungen hierzu
US11928628B2 (en) 2019-05-09 2024-03-12 Dürr Systems Ag Method for checking workpieces, checking facility and treatment facility

Families Citing this family (141)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9785140B2 (en) * 2000-02-01 2017-10-10 Peer Intellectual Property Inc. Multi-protocol multi-client equipment server
US8280533B2 (en) * 2000-06-20 2012-10-02 Fisher-Rosemount Systems, Inc. Continuously scheduled model parameter based adaptive controller
US20020159996A1 (en) 2001-01-31 2002-10-31 Kandasamy Hariharan Use of CD23 antagonists for the treatment of neoplastic disorders
US9983559B2 (en) * 2002-10-22 2018-05-29 Fisher-Rosemount Systems, Inc. Updating and utilizing dynamic process simulation in an operating process environment
US7729789B2 (en) 2004-05-04 2010-06-01 Fisher-Rosemount Systems, Inc. Process plant monitoring based on multivariate statistical analysis and on-line process simulation
JP2007536634A (ja) * 2004-05-04 2007-12-13 フィッシャー−ローズマウント・システムズ・インコーポレーテッド プロセス制御システムのためのサービス指向型アーキテクチャ
US20060010946A1 (en) * 2004-07-15 2006-01-19 Midwestern Bio-Ag Products & Services, Inc. Pelleted organic calcium phosphate compositions
US20060228121A1 (en) * 2005-03-29 2006-10-12 General Electric Company Remote monitoring system and method
DE102005044126B4 (de) * 2005-09-15 2018-05-24 Samson Ag Verfahren und Vorrichtung zum Überprüfen der Funktionsfähigkeit eines Stellgeräts
US7451004B2 (en) * 2005-09-30 2008-11-11 Fisher-Rosemount Systems, Inc. On-line adaptive model predictive control in a process control system
US7738975B2 (en) 2005-10-04 2010-06-15 Fisher-Rosemount Systems, Inc. Analytical server integrated in a process control network
US8036760B2 (en) * 2005-10-04 2011-10-11 Fisher-Rosemount Systems, Inc. Method and apparatus for intelligent control and monitoring in a process control system
US7444191B2 (en) 2005-10-04 2008-10-28 Fisher-Rosemount Systems, Inc. Process model identification in a process control system
US20070078540A1 (en) * 2005-10-05 2007-04-05 Invensys Systems, Inc. Utility for comparing deployed and archived parameter value sets within a field device editor
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
JP2007185561A (ja) * 2006-01-11 2007-07-26 Taiyo Nippon Sanso Corp 排ガス処理装置
WO2007102367A1 (ja) 2006-02-28 2007-09-13 Toyota Jidosha Kabushiki Kaisha 物体進路予測方法、装置、プログラム、および自動運転システム
US20070225835A1 (en) * 2006-03-23 2007-09-27 Yucai Zhu Computer method and apparatus for adaptive model predictive control
US7840287B2 (en) * 2006-04-13 2010-11-23 Fisher-Rosemount Systems, Inc. Robust process model identification in model based control techniques
US7496413B2 (en) * 2006-05-03 2009-02-24 Honeywell Asca Inc. Apparatus and method for coordinating controllers to control a paper machine or other machine
US7797063B2 (en) * 2006-08-24 2010-09-14 Exxonmobil Research And Engineering Company Method for model gain matrix modification
JP5337695B2 (ja) * 2006-08-24 2013-11-06 エクソンモービル リサーチ アンド エンジニアリング カンパニー モデルゲイン行列を修正する方法を実行するコンピュータプログラム
US7949417B2 (en) 2006-09-22 2011-05-24 Exxonmobil Research And Engineering Company Model predictive controller solution analysis process
JP4207076B2 (ja) * 2006-09-29 2009-01-14 ブラザー工業株式会社 適応制御装置、画像形成装置、およびプログラム
US8005812B1 (en) 2007-03-16 2011-08-23 The Mathworks, Inc. Collaborative modeling environment
US9729843B1 (en) 2007-03-16 2017-08-08 The Mathworks, Inc. Enriched video for a technical computing environment
US7966104B2 (en) * 2007-03-26 2011-06-21 Siemens Corporation Apparatus and method for the control of the indoor thermal environment having feed forward and feedback control using adaptive reference models
US7653445B2 (en) * 2007-04-13 2010-01-26 Controlsoft, Inc. Apparatus and method for model-based control
US8046086B2 (en) 2007-05-15 2011-10-25 Fisher-Rosemount Systems, Inc. Methods and systems for batch processing and execution in a process system
US7881815B2 (en) * 2007-07-12 2011-02-01 Honeywell International Inc. Method and system for process control
US7970482B2 (en) * 2007-08-09 2011-06-28 Honeywell International Inc. Method and system for process control
CN101446804B (zh) * 2007-11-26 2010-11-24 北京北方微电子基地设备工艺研究中心有限责任公司 一种工艺控制方法和装置
GB2490267B (en) * 2008-01-31 2013-01-16 Fisher Rosemount Systems Inc Robust adaptive model predictive controller with tuning to compensate for model mismatch
CA2718911C (en) * 2008-03-20 2015-05-05 University Of New Brunswick Method of multi-dimensional nonlinear control
CN101286044B (zh) * 2008-05-12 2010-06-16 杭州电子科技大学 一种燃煤锅炉系统蒸汽温度混合建模方法
US7930045B2 (en) * 2008-10-07 2011-04-19 Emerson Process Management Power & Water Solutions, Inc. Two-stage model predictive control technique
GB2479315B (en) * 2009-02-02 2014-12-10 Fisher Rosemount Systems Inc Model predictive controller with tunable integral component to compensate for model mismatch
US8155764B2 (en) * 2009-02-27 2012-04-10 Honeywell International Inc. Multivariable model predictive control for coalbed gas production
US8184627B2 (en) * 2009-03-02 2012-05-22 New Jersey Institute Of Technology Point-to-multipoint (P2MP) network resource management
US8881039B2 (en) 2009-03-13 2014-11-04 Fisher-Rosemount Systems, Inc. Scaling composite shapes for a graphical human-machine interface
US8121119B2 (en) * 2009-04-06 2012-02-21 New Jersey Institute Of Technology Point-to multipoint (P2MP) network resource management
US9258361B2 (en) * 2009-04-08 2016-02-09 New Jersey Institute Of Technology Transferring data among nodes on a network
US8145329B2 (en) * 2009-06-02 2012-03-27 Honeywell International Inc. Method and system for combining feedback and feedforward in model predictive control
US9323234B2 (en) * 2009-06-10 2016-04-26 Fisher-Rosemount Systems, Inc. Predicted fault analysis
US20110016610A1 (en) * 2009-07-27 2011-01-27 Steven Wieder Sweatband with absorbent bamboo inner layer and related method of use
US8473079B2 (en) * 2009-11-25 2013-06-25 Honeywell International Inc. Fast algorithm for model predictive control
US8825183B2 (en) * 2010-03-22 2014-09-02 Fisher-Rosemount Systems, Inc. Methods for a data driven interface based on relationships between process control tags
EP2553535B1 (de) * 2010-03-29 2014-03-05 Siemens Aktiengesellschaft Engineering-werkzeug und verfahren zur parametrierung eines modellbasierten prädiktivreglers
US8688412B2 (en) 2010-04-07 2014-04-01 Honeywell International Inc. System and method for solving chemical engineering equations and model development using equation editor
WO2011132050A1 (en) * 2010-04-19 2011-10-27 Abb Research Ltd A method and system for updating a model in a model predictive controller
US9335042B2 (en) 2010-08-16 2016-05-10 Emerson Process Management Power & Water Solutions, Inc. Steam temperature control using dynamic matrix control
US9217565B2 (en) 2010-08-16 2015-12-22 Emerson Process Management Power & Water Solutions, Inc. Dynamic matrix control of steam temperature with prevention of saturated steam entry into superheater
US9447963B2 (en) 2010-08-16 2016-09-20 Emerson Process Management Power & Water Solutions, Inc. Dynamic tuning of dynamic matrix control of steam temperature
US9488974B2 (en) * 2010-08-17 2016-11-08 Massachusetts Institute Of Technology Method and apparatus for pulse-modulated feedback control
DE102010039701A1 (de) * 2010-08-24 2012-03-01 Robert Bosch Gmbh Verfahren und System zur Steuerung einer elektrischen Maschine in einem Antriebsstrang eines Kraftfahrzeuges
US8996141B1 (en) * 2010-08-26 2015-03-31 Dunan Microstaq, Inc. Adaptive predictive functional controller
US9235761B2 (en) 2010-11-17 2016-01-12 The Boeing Company Zero phase real time filtering with a recurrence matrix
US20130346460A1 (en) * 2011-01-11 2013-12-26 Thierry Bruneau Method and device for filtering a signal and control device for a process
US10203667B2 (en) * 2011-09-01 2019-02-12 Honeywell International Inc. Apparatus and method for predicting windup and improving process control in an industrial process control system
US9163828B2 (en) * 2011-10-31 2015-10-20 Emerson Process Management Power & Water Solutions, Inc. Model-based load demand control
US9237107B2 (en) 2011-11-15 2016-01-12 New Jersey Institute Of Technology Fair quantized congestion notification (FQCN) to mitigate transport control protocol (TCP) throughput collapse in data center networks
EP2595015B1 (de) * 2011-11-18 2020-01-15 The Boeing Company Nullphasen-Echtzeitfilterung mit einer Wiederkehrmatrix
US10222769B2 (en) 2012-10-12 2019-03-05 Emerson Process Management Power & Water Solutions, Inc. Method for determining and tuning process characteristic parameters using a simulation system
US9486578B2 (en) 2012-12-07 2016-11-08 Animas Corporation Method and system for tuning a closed-loop controller for an artificial pancreas
US9907909B2 (en) 2012-12-20 2018-03-06 Animas Corporation Method and system for a hybrid control-to-target and control-to-range model predictive control of an artificial pancreas
US9235657B1 (en) 2013-03-13 2016-01-12 Johnson Controls Technology Company System identification and model development
US10418833B2 (en) 2015-10-08 2019-09-17 Con Edison Battery Storage, Llc Electrical energy storage system with cascaded frequency response optimization
US9852481B1 (en) 2013-03-13 2017-12-26 Johnson Controls Technology Company Systems and methods for cascaded model predictive control
US9436179B1 (en) 2013-03-13 2016-09-06 Johnson Controls Technology Company Systems and methods for energy cost optimization in a building system
US9448546B2 (en) * 2013-03-15 2016-09-20 Rockwell Automation Technologies, Inc. Deterministic optimization based control system and method for linear and non-linear systems
DK177915B1 (en) * 2013-05-28 2015-01-05 Core As Process control method
CN103322648B (zh) * 2013-06-13 2016-09-14 浙江工业大学 一种中央空调的室内温度动态矩阵预测控制方法
US10162317B2 (en) * 2013-06-27 2018-12-25 The Boeing Company Real-time feedback control for performing tooling operations in assembly processes
CN103941584A (zh) * 2013-12-03 2014-07-23 西北农林科技大学 一种基于模糊自适应控制器的温度控制方法
FR3014569B1 (fr) * 2013-12-10 2017-03-03 Electricite De France Commande predictive a modele interne
US20150268645A1 (en) * 2014-03-18 2015-09-24 Honeywell Asca Inc. Method and apparatus for specifying and visualizing robust tuning of model-based controllers
WO2016010601A2 (en) * 2014-04-23 2016-01-21 The Florida State University Research Foundation, Inc. Adaptive nonlinear model predictive control using a neural network and input sampling
US10386820B2 (en) 2014-05-01 2019-08-20 Johnson Controls Technology Company Incorporating a demand charge in central plant optimization
US10061275B2 (en) * 2014-07-29 2018-08-28 Linestream Technologies Optimized parameterization of active disturbance rejection control
US9733628B2 (en) 2014-08-13 2017-08-15 Honeywell International Inc. System and method for advanced process control
US10025301B2 (en) 2014-08-29 2018-07-17 General Electric Company Method and system of adaptive model-based control for multiple-input multiple-output plants
US9747543B1 (en) 2014-09-30 2017-08-29 Hrl Laboratories, Llc System and method for controller adaptation
US10001760B1 (en) 2014-09-30 2018-06-19 Hrl Laboratories, Llc Adaptive control system capable of recovering from unexpected situations
US9665089B2 (en) * 2015-01-21 2017-05-30 Honeywell International Inc. Method and apparatus for advanced control using function blocks in industrial process control and automation systems
US9946241B2 (en) 2015-02-23 2018-04-17 Mitsubishi Electric Research Laboratories, Inc. Model predictive control with uncertainties
US10768586B2 (en) 2015-06-05 2020-09-08 Shell Oil Company System and method for background element switching for models in model predictive estimation and control applications
JP7101114B2 (ja) * 2015-09-28 2022-07-14 コーニンクレッカ フィリップス エヌ ヴェ 比例流量弁を使用して気体流を制御するための方法及びシステム
US10126810B2 (en) * 2015-09-29 2018-11-13 Emerson Process Management Power & Water Solutions, Inc. Method for controlling power generation unit to desired output as specified by load demand signal by using modified control signal
US10190789B2 (en) 2015-09-30 2019-01-29 Johnson Controls Technology Company Central plant with coordinated HVAC equipment staging across multiple subplants
US10222427B2 (en) 2015-10-08 2019-03-05 Con Edison Battery Storage, Llc Electrical energy storage system with battery power setpoint optimization based on battery degradation costs and expected frequency response revenue
US10564610B2 (en) 2015-10-08 2020-02-18 Con Edison Battery Storage, Llc Photovoltaic energy system with preemptive ramp rate control
US10554170B2 (en) 2015-10-08 2020-02-04 Con Edison Battery Storage, Llc Photovoltaic energy system with solar intensity prediction
US10283968B2 (en) 2015-10-08 2019-05-07 Con Edison Battery Storage, Llc Power control system with power setpoint adjustment based on POI power limits
US10197632B2 (en) 2015-10-08 2019-02-05 Taurus Des, Llc Electrical energy storage system with battery power setpoint optimization using predicted values of a frequency regulation signal
US10250039B2 (en) 2015-10-08 2019-04-02 Con Edison Battery Storage, Llc Energy storage controller with battery life model
US10190793B2 (en) 2015-10-08 2019-01-29 Johnson Controls Technology Company Building management system with electrical energy storage optimization based on statistical estimates of IBDR event probabilities
US10742055B2 (en) 2015-10-08 2020-08-11 Con Edison Battery Storage, Llc Renewable energy system with simultaneous ramp rate control and frequency regulation
US10700541B2 (en) 2015-10-08 2020-06-30 Con Edison Battery Storage, Llc Power control system with battery power setpoint optimization using one-step-ahead prediction
US10222083B2 (en) 2015-10-08 2019-03-05 Johnson Controls Technology Company Building control systems with optimization of equipment life cycle economic value while participating in IBDR and PBDR programs
US10418832B2 (en) 2015-10-08 2019-09-17 Con Edison Battery Storage, Llc Electrical energy storage system with constant state-of charge frequency response optimization
US11210617B2 (en) 2015-10-08 2021-12-28 Johnson Controls Technology Company Building management system with electrical energy storage optimization based on benefits and costs of participating in PDBR and IBDR programs
US10389136B2 (en) 2015-10-08 2019-08-20 Con Edison Battery Storage, Llc Photovoltaic energy system with value function optimization
CN105159095A (zh) * 2015-10-10 2015-12-16 杭州电子科技大学 多变量过程的蒸馏塔模型预测控制优化pid控制方法
CN105404149B (zh) * 2015-11-27 2017-12-08 本钢板材股份有限公司 一种基于钢种净空渣厚的多模型lf炉电极调节方法
CN105388764B (zh) * 2015-12-15 2017-12-08 重庆科技学院 基于动态矩阵前馈预测的电液伺服pid控制方法及系统
JP6727835B2 (ja) * 2016-02-15 2020-07-22 メタウォーター株式会社 制御装置、制御方法及びプログラム
US10878140B2 (en) 2016-07-27 2020-12-29 Emerson Process Management Power & Water Solutions, Inc. Plant builder system with integrated simulation and control system configuration
US10778012B2 (en) 2016-07-29 2020-09-15 Con Edison Battery Storage, Llc Battery optimization control system with data fusion systems and methods
US10594153B2 (en) 2016-07-29 2020-03-17 Con Edison Battery Storage, Llc Frequency response optimization control system
US11449046B2 (en) 2016-09-16 2022-09-20 Honeywell Limited Model-plant mismatch detection with support vector machine for cross-directional process behavior monitoring
US10809674B2 (en) 2016-09-16 2020-10-20 Honeywell Limited Model-plant mismatch detection using model parameter data clustering for paper machines or other systems
US10761522B2 (en) 2016-09-16 2020-09-01 Honeywell Limited Closed-loop model parameter identification techniques for industrial model-based process controllers
CN106444362A (zh) * 2016-12-06 2017-02-22 杭州电子科技大学 一种废塑料裂解炉炉膛温度的分布式pid型预测函数控制方法
CN106483853A (zh) * 2016-12-30 2017-03-08 杭州电子科技大学 炼油加热炉炉膛压力的分数阶分布式动态矩阵控制方法
EP3593212B1 (de) * 2017-03-06 2024-09-04 Honeywell Limited Verfahren und vorrichtung zum entwurf einer modellbasierten steuerung mit zeitlich robuster stabilität und leistungsfähigkeit für multiple-array-querrichtungs-(cd)-bahnherstellungs- oder -verarbeitungssysteme oder andere systeme
US10984334B2 (en) * 2017-05-04 2021-04-20 Viavi Solutions Inc. Endpoint detection in manufacturing process by near infrared spectroscopy and machine learning techniques
US10344615B2 (en) * 2017-06-22 2019-07-09 General Electric Company Method and system for schedule predictive lead compensation
CN109828459B (zh) * 2017-11-23 2020-05-26 中国科学院沈阳自动化研究所 一种基于多变量约束区间预测控制的平稳控制实现方法
US10838440B2 (en) 2017-11-28 2020-11-17 Johnson Controls Technology Company Multistage HVAC system with discrete device selection prioritization
US10838441B2 (en) 2017-11-28 2020-11-17 Johnson Controls Technology Company Multistage HVAC system with modulating device demand control
CN107918282B (zh) * 2017-11-30 2020-11-06 湖北工业大学 用于互联电网自动发电控制的可变域mpc方法
US10844795B2 (en) * 2018-01-10 2020-11-24 Toyota Motor Engineering & Manufacturing North America, Inc. Feedforward and feedback architecture for air path model predictive control of an internal combustion engine
JP6519896B1 (ja) * 2018-03-15 2019-05-29 オムロン株式会社 学習装置、学習方法、及びそのプログラム
JP6536978B1 (ja) 2018-03-15 2019-07-03 オムロン株式会社 学習装置、学習方法、及びそのプログラム
JP6748135B2 (ja) * 2018-03-19 2020-08-26 ファナック株式会社 機械学習装置、サーボ制御装置、サーボ制御システム、及び機械学習方法
US11573542B2 (en) 2018-07-13 2023-02-07 Siemens Aktiengesellschaft Method and apparatus for adjusting process control prediction model and process controller
CN109004878B (zh) * 2018-08-21 2022-05-27 上海应用技术大学 异步电动机动态矩阵控制方法
US11163271B2 (en) 2018-08-28 2021-11-02 Johnson Controls Technology Company Cloud based building energy optimization system with a dynamically trained load prediction model
US11159022B2 (en) 2018-08-28 2021-10-26 Johnson Controls Tyco IP Holdings LLP Building energy optimization system with a dynamically trained load prediction model
CN109358531B (zh) * 2018-09-04 2021-06-29 南宁学院 一种基于分时控制交接控制权的现场控制系统
CA3114244A1 (en) * 2018-09-28 2020-04-02 University Of New Brunswick Stateless discrete predictive controller
US11467543B2 (en) * 2019-09-20 2022-10-11 Fisher-Rosemount Systems, Inc. Process controller design with process approximation and lambda tuning
CN111273625B (zh) * 2020-03-03 2021-05-25 浙江中控技术股份有限公司 一种动态矩阵控制的前馈计算方法及装置
CN111610774B (zh) * 2020-04-01 2021-05-25 石化盈科信息技术有限责任公司 一种有效投用率的计算方法、系统、电子设备及存储介质
US11418969B2 (en) 2021-01-15 2022-08-16 Fisher-Rosemount Systems, Inc. Suggestive device connectivity planning
US11975725B2 (en) 2021-02-02 2024-05-07 Toyota Research Institute, Inc. Systems and methods for updating the parameters of a model predictive controller with learned external parameters generated using simulations and machine learning
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
US20230052163A1 (en) * 2021-08-12 2023-02-16 Siemens Industry, Inc. System and method for managing control performance of a building automation device
US20230051907A1 (en) * 2021-08-12 2023-02-16 Siemens Industry, Inc. System and method for managing control performance of a building automation device
CN114114895B (zh) * 2021-12-22 2024-01-30 北京国控天成科技有限公司 应用于石油化工领域的自动控制方法和系统
CN114355774B (zh) * 2021-12-27 2023-07-28 中国联合网络通信集团有限公司 模型预测控制方法及装置

Family Cites Families (138)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA978699A (en) 1971-01-06 1975-11-25 Borg-Warner Corporation Cross-linked nitrile-containing polymers
GB1583545A (en) 1976-08-04 1981-01-28 Martin Sanchez J Control systems
US4054408A (en) * 1976-08-30 1977-10-18 Shell Oil Company Method for optimizing the position of a furnace damper without flue gas analyzers
US4054780A (en) * 1976-11-01 1977-10-18 Phillips Petroleum Company Gain-adaptive process control
US4349869A (en) * 1979-10-01 1982-09-14 Shell Oil Company Dynamic matrix control method
IL62597A (en) 1980-04-07 1984-03-30 Martin Sanchez Juan Adaptive-predictive control system
JPS6069702A (ja) * 1983-09-26 1985-04-20 Toshiba Corp サンプル値プロセス制御装置
US4616308A (en) * 1983-11-15 1986-10-07 Shell Oil Company Dynamic process control
US4733733A (en) 1986-02-11 1988-03-29 Nl Industries, Inc. Method of controlling the direction of a drill bit in a borehole
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
JPS6398703A (ja) * 1986-10-15 1988-04-30 Idemitsu Petrochem Co Ltd プロセスの予測制御方法
US5043863A (en) * 1987-03-30 1991-08-27 The Foxboro Company Multivariable adaptive feedforward controller
US4912624A (en) * 1988-03-30 1990-03-27 Syracuse University Multi-parameter optimization circuit
JP2553675B2 (ja) 1988-11-18 1996-11-13 日本電気硝子株式会社 プロセスの制御方法
US5018215A (en) * 1990-03-23 1991-05-21 Honeywell Inc. Knowledge and model based adaptive signal processor
JP2954660B2 (ja) * 1990-05-30 1999-09-27 株式会社東芝 モデル予測制御装置
ATE143509T1 (de) * 1990-06-21 1996-10-15 Honeywell Inc Auf variablem horizont basierende adaptive steuerung mit mitteln zur minimierung der betriebskosten
US5159562A (en) * 1990-07-31 1992-10-27 Westinghouse Electric Corp. Optimization of a plurality of multiple-fuel fired boilers using iterated linear programming
JP2539540B2 (ja) 1990-09-19 1996-10-02 株式会社日立製作所 プロセス制御装置
US5180896A (en) * 1990-10-11 1993-01-19 University Of Florida System and method for in-line heating of medical fluid
US5159547A (en) * 1990-10-16 1992-10-27 Rockwell International Corporation Self-monitoring tuner for feedback controller
US5216593A (en) * 1991-01-24 1993-06-01 International Business Machines Corporation Method and apparatus for discrete activity resourse allocation through cardinality constraint generation
US5347446A (en) * 1991-02-08 1994-09-13 Kabushiki Kaisha Toshiba Model predictive control apparatus
US5335164A (en) * 1991-07-31 1994-08-02 Universal Dynamics Limited Method and apparatus for adaptive control
US5283729A (en) * 1991-08-30 1994-02-01 Fisher-Rosemount Systems, Inc. Tuning arrangement for turning the control parameters of a controller
JPH07502354A (ja) * 1991-12-18 1995-03-09 ハネウエル・インコーポレーテッド 閉ループ神経ネットワーク自動同調器
US5353207A (en) * 1992-06-10 1994-10-04 Pavilion Technologies, Inc. Residual activation neural network
US5329443A (en) * 1992-06-16 1994-07-12 Praxair Technology, Inc. Two-phase method for real time process control
US5384698A (en) * 1992-08-31 1995-01-24 Honeywell Inc. Structured multiple-input multiple-output rate-optimal controller
US5477444A (en) 1992-09-14 1995-12-19 Bhat; Naveen V. Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process
US5740033A (en) * 1992-10-13 1998-04-14 The Dow Chemical Company Model predictive controller
ATE240557T1 (de) 1992-11-24 2003-05-15 Pavilion Tech Inc Betreiben eines neuronalen netzwerks mit fehlenden und/oder inkompletten daten
US5351184A (en) * 1993-01-26 1994-09-27 Honeywell Inc. Method of multivariable predictive control utilizing range control
US5825646A (en) 1993-03-02 1998-10-20 Pavilion Technologies, Inc. Method and apparatus for determining the sensitivity of inputs to a neural network on output parameters
EP0687369A1 (de) * 1993-03-02 1995-12-20 Pavilion Technologies Inc. Methode und vorrichtung zur auswertung eines neuronalen netzes innerhalb von gewünschten betriebsparametergrenzen
JPH06301406A (ja) 1993-04-14 1994-10-28 Toshiba Corp 階層型モデル予測制御システム
CA2118885C (en) * 1993-04-29 2005-05-24 Conrad K. Teran Process control system
US5453925A (en) * 1993-05-28 1995-09-26 Fisher Controls International, Inc. System and method for automatically tuning a process controller
US5402367A (en) 1993-07-19 1995-03-28 Texas Instruments, Incorporated Apparatus and method for model based process control
US5594858A (en) * 1993-07-29 1997-01-14 Fisher-Rosemount Systems, Inc. Uniform control template generating system and method for process control programming
US5386373A (en) * 1993-08-05 1995-01-31 Pavilion Technologies, Inc. Virtual continuous emission monitoring system with sensor validation
US5539638A (en) * 1993-08-05 1996-07-23 Pavilion Technologies, Inc. Virtual emissions monitor for automobile
US6041320A (en) * 1993-08-23 2000-03-21 Fisher Controls International, Inc. Multi-region fuzzy logic control system with auxiliary variables
US5461559A (en) * 1993-10-04 1995-10-24 The United States Of America As Represented By The Secretary Of The Air Force Hierarchical control system for molecular beam epitaxy
US5408406A (en) * 1993-10-07 1995-04-18 Honeywell Inc. Neural net based disturbance predictor for model predictive control
DE4338608B4 (de) * 1993-11-11 2005-10-06 Siemens Ag Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System
US5587897A (en) 1993-12-27 1996-12-24 Nec Corporation Optimization device
JP2929259B2 (ja) * 1993-12-27 1999-08-03 株式会社山武 コントローラ
US5517424A (en) * 1994-03-31 1996-05-14 Electric Power Research Institute, Inc. Steam turbine fuzzy logic cyclic control method and apparatus therefor
US5457625A (en) * 1994-04-13 1995-10-10 The M. W. Kellogg Company Maximizing process production rates using permanent constraints
US5587899A (en) 1994-06-10 1996-12-24 Fisher-Rosemount Systems, Inc. Method and apparatus for determining the ultimate gain and ultimate period of a controlled process
US5586221A (en) 1994-07-01 1996-12-17 Syracuse University Predictive control of rolling mills using neural network gauge estimation
WO1996010219A1 (fr) * 1994-09-26 1996-04-04 Kabushiki Kaisha Toshiba Methode et systeme d'optimisation du service d'une installation
US5696696A (en) 1994-10-11 1997-12-09 Betzdearborn, Inc. Apparatus and method for automatically achieving and maintaining congruent control in an industrial boiler
US5568378A (en) * 1994-10-24 1996-10-22 Fisher-Rosemount Systems, Inc. Variable horizon predictor for controlling dead time dominant processes, multivariable interactive processes, and processes with time variant dynamics
US5704011A (en) 1994-11-01 1997-12-30 The Foxboro Company Method and apparatus for providing multivariable nonlinear control
US5550732A (en) * 1994-12-19 1996-08-27 Motorola, Inc. Controller for nonlinear systems
US5659667A (en) * 1995-01-17 1997-08-19 The Regents Of The University Of California Office Of Technology Transfer Adaptive model predictive process control using neural networks
US5748467A (en) * 1995-02-21 1998-05-05 Fisher-Rosemont Systems, Inc. Method of adapting and applying control parameters in non-linear process controllers
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
US5572420A (en) 1995-04-03 1996-11-05 Honeywell Inc. Method of optimal controller design for multivariable predictive control utilizing range control
US5682309A (en) * 1995-04-28 1997-10-28 Exxon Chemical Patents Inc. Feedback method for controlling non-linear processes
US5561599A (en) * 1995-06-14 1996-10-01 Honeywell Inc. Method of incorporating independent feedforward control in a multivariable predictive controller
US5758047A (en) * 1995-06-14 1998-05-26 Lu; Zhuxin Joseph Method of process controller optimization in a multivariable predictive controller
US5680409A (en) * 1995-08-11 1997-10-21 Fisher-Rosemount Systems, Inc. Method and apparatus for detecting and identifying faulty sensors in a process
US5873251A (en) * 1995-09-13 1999-02-23 Kabushiki Kaisha Toshiba Plant operation control system
WO1997012300A1 (en) * 1995-09-26 1997-04-03 Boiquaye William J N O Adaptive control process and system
JP3956057B2 (ja) * 1996-01-31 2007-08-08 エイエスエム アメリカ インコーポレイテッド 熱処理のモデル規範型予測制御
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
US5841652A (en) 1996-04-03 1998-11-24 Scap Europa, S.A. Adaptive-predictive control and optimization system
US5838563A (en) 1996-04-12 1998-11-17 Fisher-Rosemont Systems, Inc. System for configuring a process control environment
US5877954A (en) * 1996-05-03 1999-03-02 Aspen Technology, Inc. Hybrid linear-neural network process control
US5933345A (en) 1996-05-06 1999-08-03 Pavilion Technologies, Inc. Method and apparatus for dynamic and steady state modeling over a desired path between two end points
US6047221A (en) * 1997-10-03 2000-04-04 Pavilion Technologies, Inc. Method for steady-state identification based upon identified dynamics
US6278899B1 (en) * 1996-05-06 2001-08-21 Pavilion Technologies, Inc. Method for on-line optimization of a plant
US6438430B1 (en) * 1996-05-06 2002-08-20 Pavilion Technologies, Inc. Kiln thermal and combustion control
US6493596B1 (en) * 1996-05-06 2002-12-10 Pavilion Technologies, Inc. Method and apparatus for controlling a non-linear mill
US5727128A (en) * 1996-05-08 1998-03-10 Fisher-Rosemount Systems, Inc. System and method for automatically determining a set of variables for use in creating a process model
US5659467A (en) * 1996-06-26 1997-08-19 Texas Instruments Incorporated Multiple model supervisor control system and method of operation
US6424872B1 (en) * 1996-08-23 2002-07-23 Fieldbus Foundation Block oriented control system
US5970430A (en) 1996-10-04 1999-10-19 Fisher Controls International, Inc. Local device and process diagnostics in a process control network having distributed control functions
AU5875098A (en) * 1997-02-04 1998-08-25 British Telecommunications Public Limited Company Processor
US6122555A (en) * 1997-05-05 2000-09-19 Honeywell International Inc. System and methods for globally optimizing a process facility
US6055483A (en) * 1997-05-05 2000-04-25 Honeywell, Inc. Systems and methods using bridge models to globally optimize a process facility
US5920478A (en) * 1997-06-27 1999-07-06 Oakleaf Engineering, Inc. Multi-input multi-output generic non-interacting controller
JP3354088B2 (ja) * 1997-09-16 2002-12-09 本田技研工業株式会社 内燃機関の排気系の空燃比制御装置
US6453308B1 (en) * 1997-10-01 2002-09-17 Aspen Technology, Inc. Non-linear dynamic predictive device
FI974327A (fi) 1997-11-25 1999-05-26 Valmet Automation Inc Menetelmä ja laitteisto paperin ominaisuuksien säätämiseksi
FI974328A (fi) 1997-11-25 1999-05-26 Valmet Automation Inc Menetelmä ja laitteisto paperin ominaisuuksien säätämiseksi
US6064809A (en) * 1998-06-05 2000-05-16 The Board Of Trustees Of The University Of Illinois Fast model predictive ellipsoid control process
US6215907B1 (en) * 1998-06-26 2001-04-10 Fisher-Rosemont Systems, Inc. Recursive on-line wavelet data compression technique for use in data storage and communications
US6253113B1 (en) * 1998-08-20 2001-06-26 Honeywell International Inc Controllers that determine optimal tuning parameters for use in process control systems and methods of operating the same
WO2004084371A1 (ja) * 1998-08-31 2004-09-30 Kaoru Fujita 発電プラントの最適化制御方法及び最適化制御装置
US6269274B1 (en) * 1998-09-09 2001-07-31 Honeywell International Inc System and method for balancing and distributing control algorithm processing load and real time plant control system employing the same
US6714899B2 (en) * 1998-09-28 2004-03-30 Aspen Technology, Inc. Robust steady-state target calculation for model predictive control
US6381505B1 (en) * 1998-09-28 2002-04-30 Aspen Technology, Inc. Robust steady-state target calculation for model predictive control
US6360131B1 (en) * 1998-10-16 2002-03-19 Cheng Model-free adaptive control for flexible production systems
EP1055180B1 (de) * 1998-12-03 2011-07-20 Siemens Aktiengesellschaft Verfahren und anordnung zum entwurf eines technischen systems
JP3621839B2 (ja) * 1998-12-17 2005-02-16 本田技研工業株式会社 プラントの制御装置
US6542782B1 (en) * 1998-12-31 2003-04-01 Z. Joseph Lu Systems for generating and using a lookup table with process facility control systems and models of the same, and methods of operating such systems
US6298454B1 (en) 1999-02-22 2001-10-02 Fisher-Rosemount Systems, Inc. Diagnostics in a process control system
DE19910910A1 (de) * 1999-03-11 2000-09-28 Voith Sulzer Papiertech Patent Verfahren zur Durchführung eines optimierten Faser- oder Papierherstellungsprozesses
WO2000065417A1 (en) * 1999-04-23 2000-11-02 Canadian Space Agency Advanced ship autopilot system
US6330483B1 (en) 1999-05-07 2001-12-11 The Boeing Company Optimal control system
US6493601B1 (en) * 1999-06-18 2002-12-10 Impact Systems, Inc. Real time measurement system for a moving web using a Kalman filter algorithm
US6445963B1 (en) * 1999-10-04 2002-09-03 Fisher Rosemount Systems, Inc. Integrated advanced control blocks in process control systems
US6654649B2 (en) * 1999-12-22 2003-11-25 Aspen Technology, Inc. Computer method and apparatus for optimized controller in a non-linear process
GB0005866D0 (en) * 2000-03-10 2000-05-03 Borealis Polymers Oy Process control system
US6484133B1 (en) 2000-03-31 2002-11-19 The University Of Chicago Sensor response rate accelerator
US6826521B1 (en) * 2000-04-06 2004-11-30 Abb Automation Inc. System and methodology and adaptive, linear model predictive control based on rigorous, nonlinear process model
US6721609B1 (en) * 2000-06-14 2004-04-13 Fisher-Rosemount Systems, Inc. Integrated optimal model predictive control in a process control system
US7113834B2 (en) 2000-06-20 2006-09-26 Fisher-Rosemount Systems, Inc. State based adaptive feedback feedforward PID controller
US6577908B1 (en) * 2000-06-20 2003-06-10 Fisher Rosemount Systems, Inc Adaptive feedback/feedforward PID controller
JP2004503000A (ja) * 2000-06-30 2004-01-29 ザ ダウ ケミカル カンパニー 多変量マトリクスプロセス制御
US20020019722A1 (en) 2000-07-19 2002-02-14 Wim Hupkes On-line calibration process
US6701223B1 (en) * 2000-09-11 2004-03-02 Advantica, Inc. Method and apparatus for determining optimal control settings of a pipeline
US6772019B2 (en) * 2000-11-16 2004-08-03 Lockheed Martin Corporation Method and system for multi-parameter choice optimization
US6954713B2 (en) 2001-03-01 2005-10-11 Fisher-Rosemount Systems, Inc. Cavitation detection in a process plant
ATE413633T1 (de) * 2001-12-18 2008-11-15 Mts System Corp Verfahren zur bestimmung von steuerparametern für ein steuersystem
JP3864781B2 (ja) * 2001-12-28 2007-01-10 オムロン株式会社 温度調節器
US6980938B2 (en) * 2002-01-10 2005-12-27 Cutler Technology Corporation Method for removal of PID dynamics from MPC models
GB2388922B (en) * 2002-01-31 2005-06-08 Cambridge Consultants Control system
US6901300B2 (en) * 2002-02-07 2005-05-31 Fisher-Rosemount Systems, Inc.. Adaptation of advanced process control blocks in response to variable process delay
US6678668B2 (en) * 2002-03-07 2004-01-13 Insyst Ltd. System and method for complex process optimization and control
US7376472B2 (en) 2002-09-11 2008-05-20 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
DE10341764B4 (de) 2002-09-11 2019-01-10 Fisher-Rosemount Systems, Inc. Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems
US7050863B2 (en) * 2002-09-11 2006-05-23 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
US20040181300A1 (en) * 2003-03-11 2004-09-16 Clark Robert L. Methods, apparatus and computer program products for adaptively controlling a system by combining recursive system identification with generalized predictive control
US6993396B1 (en) * 2003-03-20 2006-01-31 John Peter Gerry System for determining the health of process control feedback loops according to performance assessment criteria
US7272454B2 (en) * 2003-06-05 2007-09-18 Fisher-Rosemount Systems, Inc. Multiple-input/multiple-output control blocks with non-linear predictive capabilities
US7317953B2 (en) * 2003-12-03 2008-01-08 Fisher-Rosemount Systems, Inc. Adaptive multivariable process controller using model switching and attribute interpolation
US7050880B2 (en) * 2003-12-30 2006-05-23 Sc Solutions Chemical-mechanical planarization controller
WO2005077038A2 (en) * 2004-02-06 2005-08-25 Wisconsin Alumni Research Foundation Siso model predictive controller
JP2005339241A (ja) 2004-05-27 2005-12-08 Nissan Motor Co Ltd モデル予測制御装置および車両用推奨操作量生成装置
GB2430764B (en) 2005-09-30 2011-03-09 Fisher Rosemount Systems Inc On-line adaptive model predictive control in a process control system
US7451004B2 (en) * 2005-09-30 2008-11-11 Fisher-Rosemount Systems, Inc. On-line adaptive model predictive control in a process control system
US7395124B2 (en) * 2005-11-10 2008-07-01 Rockwell Automation Technologies, Inc. Adaptive motor drive method and apparatus including inertia estimator
US9577916B1 (en) 2015-12-03 2017-02-21 International Business Machines Corporation Gateway flow plugin containers

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020224717A1 (de) * 2019-05-09 2020-11-12 Dürr Systems Ag Analyseverfahren und vorrichtungen hierzu
US11927946B2 (en) 2019-05-09 2024-03-12 Dürr Systems Ag Analysis method and devices for same
US11928628B2 (en) 2019-05-09 2024-03-12 Dürr Systems Ag Method for checking workpieces, checking facility and treatment facility

Also Published As

Publication number Publication date
US7451004B2 (en) 2008-11-11
JP2014167833A (ja) 2014-09-11
CN1940780B (zh) 2015-05-13
CN1940780A (zh) 2007-04-04
US7856281B2 (en) 2010-12-21
US20070078529A1 (en) 2007-04-05
CN101807048A (zh) 2010-08-18
JP6357027B2 (ja) 2018-07-11
CN101807048B (zh) 2014-12-10
JP2014167834A (ja) 2014-09-11
HK1100045A1 (en) 2007-08-31
US20090143872A1 (en) 2009-06-04
DE102006045429B4 (de) 2018-07-19
JP5558652B2 (ja) 2014-07-23
JP6008898B2 (ja) 2016-10-19
JP2012230701A (ja) 2012-11-22
JP2007109223A (ja) 2007-04-26

Similar Documents

Publication Publication Date Title
DE102006045429B4 (de) Adaptive, Modellprädiktive Online-Steuerung in einem Prozesssteuerungssystem
DE102004026979B4 (de) Vielfacheingabe- /Vielfachausgabe-Steuer-/Regelblöcke mit nichtlinearen Vorhersagefähigkeiten
DE10127788B4 (de) Integrierte Optimalmodell-Vorhersagesteuerung in einem Prozeßsteuerungssystem
DE69225723T2 (de) Zweistufige Systemidentifikationsvorrichtung mit Optimierung
DE102018203702B4 (de) Vorrichtung für maschinelles Lernen, Servo-Regelungsvorrichtung, Servo-Regelungssystem und Verfahren für maschinelles Lernen
DE69823049T2 (de) Modellfreie adaptive prozesssteuerung
DE60111238T2 (de) System und verfahren zur adaptiven model-basierten prädiktiven, auf ein scharfse nicht-lineares prozessmodel basierte steuerung
DE69717987T2 (de) Methode und vorrichtung zur simulation von dynamischen und stationären prädiktions-, regelungs- und otpimierungsverfahren
DE112015003733T5 (de) Modellprädiktive Regelung unter Verwendung drahtloser Prozesssignale
DE69518965T2 (de) Mehrgrössen-/nichtlineare Prozesssteuerung
DE69511991T2 (de) Verfahren und Vorrichtung zur Steuerung von Mehrgrössen-/nichtlinearen Systemen
DE10362408B3 (de) Integrierte modellbasierte prädikative Steuerung und Optimierung innerhalb eines Prozesssteuerungssystems
DE10341764B4 (de) Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems
DE60102242T2 (de) Rechnerverfahren und gerät zur beschränkung einer nicht-linearen gleichungsnäherung eines empirischen prozesses
DE69518208T2 (de) Verfahren und Vorrichtung zur Erzeugung einer Mehrgrössen-/nichtlinearen Steuerung
DE602005002839T2 (de) Ablaufplanung von industriellen produktionsprozessen
DE69409250T2 (de) Störungsprädiktor auf basis eines neuronalen netzes zur modellprädiktiven regelung
DE102004058238B4 (de) Adaptive, multivariable Prozesssteuerung, die Modellschaltung und Attribut-Interpolation nutzt
DE10341574A1 (de) Konfiguration und Betrachtungsanzeige für einen integrierten prädiktiven Modellsteuerungs- und Optimierungsfunktionsblock
DE112009000224T5 (de) Robuster andaptiver modellprädiktiver Regler mit Abstimmung zum Ausgleich einer Modellfehlanpassung
DE10341762B4 (de) Handhabung der Realisierbarkeit von Beschränkungen und Grenzen in einem Optimierer für Prozesssteuerungssysteme
DE102020118259A1 (de) Echtzeitsteuerung unter verwendung der gerichteten vorhersage-simulation innerhalb eines steuerungssystems einer prozessanlage
DE102006049832A1 (de) Nichtperiodische Steuerungskommunikationen in drahtlosen und anderen Prozesssteuerungssystemen
DE102019204861A1 (de) Maschinenlernvorrichtung; steuervorrichtung und maschinelles lernverfahren
DE102019204949A1 (de) Maschinelle lernvorrichtung, steuervorrichtung und maschinelles lernverfahren

Legal Events

Date Code Title Description
8110 Request for examination paragraph 44
R016 Response to examination communication
R016 Response to examination communication
R079 Amendment of ipc main class

Free format text: PREVIOUS MAIN CLASS: G05B0013000000

Ipc: G05B0013040000

R018 Grant decision by examination section/examining division
R020 Patent grant now final