DE60111238T2

DE60111238T2 - System und verfahren zur adaptiven model-basierten prädiktiven, auf ein scharfse nicht-lineares prozessmodel basierte steuerung

Info

Publication number: DE60111238T2
Application number: DE60111238T
Authority: DE
Inventors: M. Todd HESS; Andreas Kroll; S. Carl-Fredrik LINDBERG; Erik Per MODEN; Mikael Petersson; L. Kenneth PRAPROST
Original assignee: ABB Automation Inc
Current assignee: ABB Inc USA
Priority date: 2000-04-06
Filing date: 2001-03-30
Publication date: 2006-04-27
Anticipated expiration: 2021-03-31
Also published as: DE60111238D1; EP1311913A1; AU2001249618A1; US6826521B1; EP1311913B1; ATE297030T1; WO2001079945A1

Description

1. Technisches Gebiet
Die vorliegende Erfindung betrifft die Steuerung eines zeitveränderlichen industriellen Prozesses mit mehreren Variablen, der entweder lineare oder nichtlineare Ansprecheigenschaften aufweist und insbesondere die Online-Ausführung einer von einem genauen nichtlinearen Modell solcher Prozesse abgeleiteten adaptiven linearmodellprädiktiven Steuerung.
2. Allgemeiner Stand der Technik
Es gibt viele zeitveränderliche industrielle Prozesse mit mehreren Variablen, die entweder lineare oder nichtlineare Ansprecheigenschaften aufweisen. Zu solchen Prozessen gehören zum Beispiel eine Destillationssäule, eine Trennsequenz, eine katalytische Cracking-Einheit, ein chemischer Reaktor und ein Kraftwerkskessel. Die Steuerung dieser Prozesse unter Verwendung traditioneller Mehrvariablen-Steuertechniken mit festen Modellrepräsentationen ist aufgrund der variablen Prozeßbedingungen, die sich entweder aus Prozeßnichtlinearitäten, gemessenen oder ungemessenen Störungen, Ausgangsbrennstoffänderungen oder vom Bediener verursachten Änderungen ergeben, schwierig.
Die Standardpraktik für die fortschrittliche industrielle Prozeßsteuerung in Prozessen des oben beschriebenen Typs besteht darin, Software einer linearen mehrvariablen-modellprädiktiven Steuerung (MPC) zu verwenden. Siehe zum Beispiel die Produktliteratur von Setpoint, Inc. von 1993 mit dem Titel "SMC-Idcom: A State-of-the-Art Multivariable Predictive Controller"; die Produktliteratur der DMC Corp. von 1994 mit dem Titel "DMC^TM: Technological Overview"; die Produktliteratur von Honeywell Inc. von 1995 mit dem Titel "RMPCT Concepts Reference"; und Garcia, C. E. und Morshedi, A. M. (1986), "Quadratic Programming Solution of Dynamic Matrix Control (QDMC)", Chem. Eng. Commun. 46: 73–87. Die typische MPC-Software erlaubt Modellablaufsteuerung (d.h. Ändern der Modellverstärkungen und/oder -dynamik) zur Verbesserung der Steuerleistungsfähigkeit beim Betrieb an einem nichtlinearen und/oder zeitveränderlichen Prozeß. Die Steuerung verwendet neue Modelle, die im allgemeinen in einem Offline-Modus berechnet werden oder die durch einen adaptiven Algorithmus, der neuere Betriebsdaten verwendet, berechnet werden können.
Wenn die Modelle offline berechnet werden, erfordert die Steuerung zusätzliche Online-Logik, um zu bestimmen, welche Menge von Modellparametern zum derzeitigen Zeitpunkt verwendet werden soll. Diese Logik ist häufig schwierig zu entwickeln, da sie von zahlreichen Betriebsvariablen abhängen kann. Für große Probleme kann möglicherweise eine signifikante Anzahl verschiedener Modelle erforderlich sein, um die Leistungsfähigkeit zu verbessern. Außerdem besteht eine Möglichkeit, daß das Aufrufen einer bestimmten Menge von Modellparametern für bestimmte Betriebspunkte letztendlich zu einem unstabilen Betrieb führt. Die Aufgabe der Offline-Modellidentifikation ist somit extrem zeitaufwendig und kostspielig und ihre Online-Implementierung hat sich gegenüber vielfältigen Betriebsbereichen nicht als robust erwiesen. Bei den meisten Anwendungen wird deshalb eine vereinfachte Menge von Modellen definiert (z.B. Modelle mit hoher Speiserate und niedriger Speiserate; oder Betriebsmodelle für Winter und Sommer).
Die Steuerleistungsfähigkeit bei Verwendung einer vereinfachten Menge von Modellen ist nicht viel besser als das bei Verwendung eines einzigen Modells Erzielbare. Mit dieser Methodologie entwickelte Steuerungen bleiben tatsächlich gewöhnlich für Prozesse, die einen hohen Grad an Nichtlinearität zeigen, nicht online.
Die adaptive Modellidentifikation ist eine andere Mög lichkeit, lineare Modelle zu modifizieren, um aktuelle Betriebsbedingungen zu erfassen. Diese Prozedur verwendet neuere Betriebsdaten zur automatischen Einstellung der Modelle online. Eines der größten Probleme bei diesem Ansatz stammt naturgemäß aus dem Doppelsteuerprinzip, das im wesentlichen aussagt, daß die Unbestimmtheit bei der Modellidentifikation mit besser werdender Steuerleistungsfähigkeit zunimmt (d.h. mit abnehmender Steuerunbestimmtheit). Es ist also immer viel schwieriger, genaue neue Modelle zu erhalten, wenn die Steuerung läuft, da die Eingangssignale korreliert sind und die Ausgangssignale kleine Abweichungen aufweisen. Tatsächlich bleibt der Identifikationsprozeß häufig aufgrund des Verlusts einer dauerhaften Erregung in den Eingangssignalen erfolglos. Siehe Astrom, K. J. und Wittenmark, B. (1995) "Adaptive Control", Addison-Wesley Publishing Company, Inc., S. 69–70 und 473–477, für eine ausführliche Besprechung dieses Problems. Dieses naturgemäße mathematische Problem begrenzt den Erfolg der adaptiven linearen Modellidentifikation. Derzeitige Algorithmen verwenden verschiedene Modelle zum Ausschalten oder starken Filtern der Parameteränderungen bei der adaptiven Identifikation. Andernfalls könnten aufgrund der hohen Modellunbestimmtheit schlechte Modelle ausgewählt werden und die Steuerleistungsfähigkeit würde sich letztendlich verschlechtern.
Es gibt bestimmte Arten von industriellen Prozessen, die zusätzliche Probleme für empirische Modellidentifikationsmethoden verursachen. Zum Beispiel könnte ein Chargenprozeß mit mehreren Produktdurchgängen arbeiten, in denen sich die Modellverstärkungsfaktoren um Größenordnungen ändern (z.B. Polyethylen-, Polypropylenverarbeitung), obwohl die Chargen möglicherweise kein Gleichgewicht erreichen. Lineare empirische Methoden können für solche Prozesse keine genauen Modelle erhalten, da die notwendigen Betriebsdaten nicht verfügbar sind.
Modellidentifikationsprobleme treten auch bei Prozessen auf, die keine Anlagenprüfung in der Nähe von gefährlichen oder instabilen Betriebsbedingungen erlauben (z.B. katalytisches Cracking, Reaktoren). Steuerungen für solche Prozesse versuchen, einen Verstoß gegen Einschränkungsgrenzen zu verhindern, die zu einem instabilen Verhalten führen könnten, obwohl der Nutzen häufig durch Betrieb näher bei den Grenzen zunimmt. Um die Leistungsfähigkeit zu verbessern und den Nutzen zu maximieren, müssen der Steuerung deshalb mehrere Modelle für alle Betriebsregionen zur Verfügung stehen. Dies ist mit linearen empirischen Methoden nicht möglich. Ein genaues nichtlineares Prozeßsimulationsmodell könnte jedoch diese mehreren Modelle für die Steuerung bereitstellen.
Dieselbe Art von Modellidentifikationsproblemen kann für ungefährliche Prozesse auftreten, die Produktspezifikationsgrenzen aufweisen (z.B. Destillationssäulen). Der Anlagenverwalter möchte kein außerhalb der Spezifikationen liegendes Produkt erzeugen, so daß die Prüfung dergestalt ausgeführt werden muß, daß die Reinheit innerhalb annehmbarer Grenzen gehalten wird. Man erhält jedoch typischerweise größeren Nutzen durch Betrieb näher an diesen Grenzen. Die empirischen Methoden können also für Betriebspunkte, die den Grenzen nahe kommen oder diese überschreiten, keine genauen Modelle erzeugen. Hochreinheits-Trennprozesse stellen die signifikantesten Modellierungsprobleme dar, da über die verschiedenen Betriebsregionen hinweg ein sehr nichtlineares Verhalten auftreten kann.
Ein weiterer Nachteil empirischer MPC-Identifikationsmethoden entsteht, wenn die Steuerung zusammen mit Echtzeitoptimierung (RTO) verwendet wird, da die Modelle nicht einheitlich sind. RTO verwendet im allgemeinen ein genaueres nichtlineares Modell, während MPC entweder ein festes lineares Modell verwendet, das aus Anlagenprüfung erhalten wurde, oder ein aus Online-Daten erhaltenes adaptives lineares Modell. In jedem Fall werden die MPC-Modelle nicht aus dem RTO-Modell abgeleitet (oder umgekehrt), so daß diese Uneinheitlichkeit häufig zu einer signifikanten Leistungsverschlechterung führt. Siehe zum Beispiel den Artikel von Y. Z. Friedman mit dem Titel "What's wrong with unit closed loop optimization?", erschienen in der Ausgabe vom Oktober 1995 von Hydrocarbon Processing auf S. 107–116.
Ein anderes Mittel zum Behandeln nichtlinearer zeitveränderlicher Prozesse ist die Verwendung robuster Steuerverfahren. Das Prinzip der robusten Steuerung ist die Verwendung eines einzigen Prozeßmodells, wobei aber die Steuerung durch Berücksichtigung von Modellierungsunbestimmtheiten abgestimmt wird. Der Steuerentwurf wird anhand eines Bereichs erwarteter Betriebsbedingungen geprüft und wird neu abgestimmt, bis die Leistungsfähigkeit über alle Bedingungen hinweg relativ beständig (oder robust) ist. Das robuste Abstimmverfahren verringert die Empfindlichkeit der Steuerung gegenüber Modellfehlern. Honeywell hat diese Technik an ihr RMPCT-Produkt (Robust Multivariable Predictive Control Technology) angepaßt, wie in der oben zitierten Produktliteratur beschrieben wird.
Die Verwendung robuster Steuertechniken hat jedoch auch einige Nachteile. Durch Einschränken der Steuerung auf ein einziges lineares Modell führt die robuste Abstimmung insbesondere häufig zu einer langsamen und trägen Steuerleistung über den typischen Betriebsbereich hinweg, weil sie versucht, die Leistungsfähigkeit des ungünstigsten Falls zu verbessern. Die robuste Abstimmung verschlechtert also häufig die Leistungsfähigkeit während Zeiten mit kleinem Modellierungsfehler. Dazu kommt es, weil der erwartete Bereich von Modellierungsunbestimmtheiten häufig zu groß für ein einziges Modell und eine einzige Menge von Abstimmparametern ist. Es ist möglich, die Abstimmung zu variieren, dies wird aber zu einer schwierigen Online-Implementierungsaufgabe. Die reelle Lösung besteht darin, mehrere Modelle für Prozesse mit signifikanten Nichtlinearitäten und/oder zeitveränderlichem Verhalten zuzulassen.
Der Stand der Technik des Patents umfaßt viele Beispiele für die Verwendung von auf Modellen basierenden Steuersystemen, die sowohl lineare als auch nichtlineare Methodologien zur Steuerung verwenden. Der größte Teil des Stands der Technik in MPC bezieht sich auf lineare Steuerungen [siehe zum Beispiel die US-Patente Nr. 4,349,869 für Prett et al.; 4,616,308 für Morshedi et al.; 5,351,184 für Lu et al.; und 5,572,420 für Lu]. Um nichtlineare zeitveränderliche Prozesse zu handhaben, können diese Steuerungen Verstärkungsablaufplanung, adaptive Modellschätzung oder robuste Steuerungsabstimmung verwenden. Diese Ansätze stoßen in der Regel auf Implementierungsprobleme und/oder Leistungsverschlechterung für die zuvor beschriebenen Arten von Prozessen und Betriebsbedingungen.
Es wurden einige wenige Patente für nichtlineare, auf Modellen basierende Steuermethodologien ausgegeben. Insbesondere beschreibt das US-Patent Nr. 5,260,865 für Beauford et al. eine nichtlineare, auf Modellen basierende Steuerstrategie für einen Destillationsprozeß, die ein nichtlineares Modell zur Berechnung von für die zusammengesetzte Regelung erforderlichen Flüssigkeits- und Dampfströmungsraten verwendet.
Scanner und Slotine (US-Patent Nr. 5,268,834) verwenden ein neuronales Netzwerk zusammen mit anderen nichtlinearen Steuerstrategien zur Bereitstellung einer adaptiven Steuerung einer Anlage. Bartusiak und Fontaine (US-Patent Nr. 5,682,309) haben eine Referenzsynthesetechnik entwickelt, bei der die Steuerung versucht, zu bewirken, daß eine nichtlineare Anlage einer spezifizierten Referenztrajektorie folgt. Das US-Patent Nr. 5,740,033 für Wassick et al. be schreibt eine MPC, die einen Echtzeit-Exekutivsequenzer und einen interaktiven Modellierer verwendet, um die optimierte Menge von Steuerungsänderungen für einen nichtlinearen Prozeß zu finden.
Dong et al. (US-Patent Nr. 5,424,942) beschreiben eine adaptive blockprädiktive Steuerung des Typs Extended Horizon mit einem Blocksteuersystem und einem adaptiven Blockprädiktionssystem.
Große nichtlineare Steuerprobleme sind in einer Online-Betriebsumgebung schwierig zu lösen. Die Lösungsvorrichtung muß schnell und robust sein. Es ist unbekannt, ob diese Erfindungen in der Lage waren, erfolgreiche Implementierungen einer nichtlinearen Online-Steuerung zu erzielen.
Kurze Darstellung der Erfindung
Die Erfindung ist eine Methodologie für die Prozeßmodellierung und -steuerung und die Softwaresystemimplementierung dieser Methodologie, wozu ein genaues nichtlineares Prozeßsimulationsmodell, die Erzeugung entsprechender linearer Modelle, die aus dem genauen Modell abgeleitet werden, und eine adaptive lineare modellprädiktive Steuerung gehören, die die abgeleiteten linearen Modelle benutzt. Eine modellprädiktive Steuerung (MPC) mit Zustandsraum und mehreren Variablen ist die bevorzugte Wahl für die MPC, da das nichtlineare Simulationsmodell analytisch in eine Menge linearer Zustandsgleichungen übersetzt wird. Eine Zustandsraum-MPC vereinfacht also die Übersetzung der linearisierten Simulationsgleichungen in das von der Steuerung erforderte Modellierungsformat. Die Zustandsraummethodologie erlaubt jedoch auch die Berechnung verschiedener anderer MPC-Modellierungsformen, wie zum Beispiel Übertragungsfunktionen, Impulsantwortkoeffizienten und Sprungantwortkoeffizienten. Deshalb ist die Methodologie insofern sehr allgemein, als jede modellprädiktive Steuerung, die eine der obigen Modellierungsformen benutzt, als die Steuerung verwendet werden kann.
Die Methodologie umfaßt außerdem verschiedene Module, die die Zuverlässigkeit und Leistungsfähigkeit verbessern. Zum Beispiel liegt ein Datenvorbehandlungsmodul vor, mit dem die Anlagenmessungen auf grobe Fehlererkennung vorverarbeitet werden. Ein Datenvereinigungs- und Parameterschätzmodul dient dann zur Korrektur von Instrumentationsfehlern und zur Einstellung von Modellparametern auf der Basis aktueller Betriebsbedingungen. Das Zustandsraummodell voller Ordnung kann durch das Ordnungsreduktionsmodul reduziert werden, um weniger Zustände für das Steuerungsmodell zu erhalten. Außerdem wird eine automatisierte MPC-Abstimmung durchgeführt, um die Steuerleistungsfähigkeit zu verbessern.
Die vorliegende Erfindung wird als ein Verfahren und eine Vorrichtung zur Steuerung eines Prozesses nach Anspruch 1 bzw. 18 realisiert.
Kurze Beschreibung der Zeichnung
1 zeigt ein Blockschaltbild der verschiedenen Softwarekomponenten der Erfindung in den mehreren Betriebsumgebungen und den Datenfluß zwischen Komponenten.
2 zeigt eine Variante der Ausführungsform von 1, bei der das Modelländerungsdetektionsmodul Teil der Modell- und Abstimmumgebung ist.
3 zeigt eine Variante der Ausführungsform von 1, die eine andere Art von MPC-Steuerung verwendet, d.h. keine Zustandsraum-MPC-Steuerung.
4 zeigt eine Erweiterung der Ausführungsform von 1, die die beschriebene Methodologie zusammen mit einem Echtzeitoptimierungsmodul in der Simulations- und Optimierungsumgebung enthält.
5 zeigt eine Erweiterung der Ausführungsform von 1, die 4 ähnlich ist, mit einem EChtzeitoptimierungsmodul, das Ziele für mehrere MPCs setzt, so daß mehrere MPC-Umgebungen und mehrere Modell- und Abstimmumgebungen vorliegen.
6 zeigt eine Variante der Ausführungsform von 1, die für Offline-Entwurf einer adaptiven linearen MPC auf der Basis eines genauen nichtlinearen Modells verwendet wird.
Beschreibung der bevorzugten Ausführungsform(en)
Die in 1 gezeigte Ausführungsform des vollständigen Computersoftwaresystems 50 enthält eine Anzahl verschiedener Komponenten, die in mehreren Umgebungen arbeiten. Zu diesen mehreren Umgebungen gehören eine Simulationsumgebung 10, die Eingaben von einer Anlagenumgebung 20 erhält; und eine Modell- und Abstimmumgebung 30, die Eingaben von der Simulations- und Anlagenumgebung 10, 20 und von einer MPC-Umgebung 40 erhält. Die MPC-Umgebung 40 erhält Eingaben aus der Modell- und Abstimmumgebung 30 und aus der Anlagenumgebung 20 und liefert Ausgaben an die Anlagenumgebung 20 und an die Modell- und Abstimmumgebung 30.
Die Anlagenumgebung 20 enthält einen Regler 22 zur Steuerung des Prozesses 24. Bekanntlich umfaßt der Regler 22 typischerweise ein Prozeßautomatisierungssystem, das assoziierte Instrumentation enthält, wie zum Beispiel Sensoren zur Messung von Temperatur, Druck und Strömung; und Analysierer.
Jede der Umgebungen 10, 30 und 40 enthält die folgenden mehreren Softwarekomponenten:
Simulationsumgebung 10

• Nichtlineares Simulationsmodell 12
• Datenvorbehandlung 14
• Datenvereinigung und Parameterschätzung 16
• Modelländerungsdetektion 18
• Linear-Modellexport 19

Modell- und Abstimmumgebung 30

• Zustandsraumumwandlung 32
• Ordnungsverringerung 34
•Umsetzung diskreter Zeit 35
• Modellauswertung 36
•A utomatisierte MPC-Abstimmung 38

MPC-Umgebung 40

• Modelltransferglättung 42
• Zustandsschätzer und Steuerung 44

Die Simulationsumgebung 10 enthält fünf Komponenten oder Module: ein nichtlineares Modell 12, Datenvorbehandlung 14, Datenvereinigung und Parameterschätzung 16, Modelländerungsdetektion 18 und Linear-Modellexport 19. Das nichtlineare Modell 12 ist eine Repräsentation des industriellen Prozesses als Menge mathematischer Gleichungen (gewöhnliche Differentialgleichungen, partielle Differentialgleichungen, Integralgleichungen und/oder algebraische Gleichungen). Das nichtlineare Modell besitzt typischerweise die folgende allgemeine Form: f(x(t), x^(t), u(t), y(t), θ) = 0 g(x(t), u(t), y(t), θ) = 0
Dabei ist

t: die Zeit,
x(t): der Zustandsvektor,
x^(t): die Zeitableitung des Zustandsvektors,
u(t): der Eingabevektor,
y(t): der algebraische Vektor,
θ: der Parametervektor,
f: definiert die Differentialgleichungen und
g: definiert die algebraischen Gleichungen.

Die Anlagendaten aus der Anlagenumgebung 20 werden durch das Datenvorbehandlungsmodul 14 verarbeitet, das so ausgelegt ist, daß grobe Fehler aus den Anlagendaten erkannt und entfernt werden. Das nichtlineare Modell 12 und das Datenvereinigungs- und Parameterschätzmodul 16 erhalten jeweils die verarbeiteten Anlagendaten aus dem Modul 14.
Das Datenvereinigungs- und Parameterschätzmodul 16 gleicht korrigierende, auf Sensoren basierende Meßfehler in bezug auf Neueinstellung ungemessener Störungen aus (z.B. Geräteattribute oder Zuführungseigenschaften), um eine Echtzeitschätzung des vorhergesagten Anlagenverhaltens bereitzustellen. Dieses Modul erhält vorverarbeitete Meßwerte (d.h. Entfernung grober Fehler) von dem Modul 14 aus dem Anlageninstrumentations- und Steuersystem (Regler 22 in der Anlagenumgebung 20) und verarbeitet diese Informationen zur Erzeugung einer besseren Repräsentation der Leistungsfähigkeit der Anlage. Die Datenvereinigungsprozedur ist erforderlich, um in bezug auf Instrumentationsfehler, wie zum Beispiel Thermoelementdriften, nicht ordnungsgemäße Strömungsmesserkalibration usw. zu korrigieren, indem die vorverarbeiteten Meßdaten verändert werden. Die Parameterschätzprozedur verwendet die vereinigten Meßdaten zur Neueinstellung von Modellparametern (θ), die sich aus Änderungen an ungemessenen Störungen ergeben, die sich auf die Modelleistungsfähigkeit auswirken. Das nichtlineare Modell 12 verwendet dann die vereinigten Daten und neuen Parameterschätzungen zur Schätzung der Werte der anderen Anlagenvariablen.
Die Modellparameter können physikalische Eigenschaften oder spezielle Eigenschaften repräsentieren, die für Modellierungszwecke definiert werden (z.B. Wärmeaustauschkoeffizienten, Tankmischungsfaktoren, Aggregat- Zuführungszusammensetzungseigenschaften usw.). Da die Parameter eng mit dem tatsächlichen Prozeß und den Anlagengeräten assoziiert sind (im Gegensatz zu Übertragungsfunktionskoeffizienten und Sprungantwortkoeffizienten) und da die Daten auch durch das Modul 16 vereinigt werden, liefert diese Art von Parameterschätzprozedur im allgemeinen präzisere Online-Schätzungen als eine adaptive Identifikationsmethode mit linearem Modell. Die neuen Modellparameter werden dann zu dem Nichtlineares-Modell-Modul 12 weitergeleitet.
Das Modelländerungsdetektionsmodul 18 wertet die Änderungen der Modellvariablen aus, die hier als Parameter (θ) und dynamische Variablen (x, y, u) definiert sind, und bestimmt, wann ein neues lineares Modell erzeugt werden soll. Die Modelländerungsdetektionslogik kann auf verschiedenen Kriterien basieren (z.B. wenn sich eine einzige Variable um mehr als eine vorbestimmte Schwelle ändert oder wenn die Summe der Absolutwerte aller Variablenänderungen eine andere Schwelle überschreitet usw.). Wenn das Änderungsdetektionsmodul 18 unter Verwendung eines der oben beschriebenen Kriterien bestimmt, daß eine Änderung der Modellvariablen vorliegt, setzt es ein Flag und sendet es zu dem Nichtlineares-Modell-Modul 12. Das Nichtlineares-Modell-Modul 12 aktiviert dann das Linear-Modell-Exportmodul 19 zur analytischen Erzeugung einer Menge 1inearisierter Modellgleichungen aus dem nichtlinearen Modell des Moduls 12.
Die Software des Linear-Modell-Exportmoduls 19 liefert eine symbolische Differenzierung der nichtlinearen Modellgleichungen zur Erzeugung linearisierter Gleichungen in der folgenden Form:
Dieses Gleichungssystem wird dann in einem Spärliche-Matrix-Format zu der Modell- und Abstimmumgebung 30 weitergeleitet.
Die Modell- und Abstimmumgebung 30 enthält fünf Module: Zustandsraumumsetzung 32, Ordnungsreduktion 34, Umsetzung diskreter Zeit 35, Modellauswertung 36 und automatisierte MPC-Abstimmung 38. Das Zustandsraumumsetzungsmodul 32 erhält die impliziten linearen Modellgleichungen aus der genauen Simulationsumgebung 10. Diese Gleichungen werden dann durch das Zustandsraumumsetzungsmodul 32 in ein Zustandsraummatrixinodell übersetzt, das auf der in dem aktuellen Steuerungsmodell spezifizierten Steuerstruktur basiert, d.h. der Menge von Steuerungseingaben (manipulierten Variablen und Störungsvariablen) und -ausgaben (gesteuerten Variablen), die von der Modell- und Abstimmumgebung 30 aus der MPC-Umgebung 40 empfangen werden. Das resultierende Zustandsraummodell besitzt die folgende standardmäßige zeitkontinuierliche Form: x^(t) = Ax(t) + Bu(t) y(t) = Cx(t) + Du(t)
Das Ordnungsreduktionsmodul 34 dient dann zum Erhalten eines ungefähr äquivalenten Zustandsraummodells im Hinblick auf Zustandsbeobachtbarkeit und -steuerbarkeit mit einer verringerten Anzahl von Zuständen. Diese Prozedur ist für bestimmte praktische Anwendungen sehr wichtig, da sie die Anzahl der Zustände um eine oder mehrere Größenordnungen verringern kann. Der Steuerungsentwurf wird auch durch Verringern der Anzahl der Zustände vereinfacht.
Die Standardtechnik zur Ordnungsreduktion besteht darin, das Zustandsraummodell in eine ausgeglichene Realisierung umzusetzen und dann bestimmte der Zustände abzuschneiden (was gewöhnlich als Ausgleich- und Abschneideverfahren bezeichnet wird). Diese Methode umfaßt das Finden einer ausgeglichenen Realisierung, bei der die Gramschen Steuerbarkeits- und Beobachtbarkeitsmatrizen gleich sind und die Zustände von dem am besten steuerbaren und beobachtbaren zu dem am wenigsten steuerbaren und beobachtbaren sortiert sind. Die Zustände, die viel weniger beobachtbar und viel weniger steuerbar als die anderen sind, können dann (auf der Basis einer spezifizierten Schwelle) eliminiert werden, um das Modell reduzierter Ordnung zu bilden. Alternativ dazu könnte man anstelle des Standardausgleichs- und -abschneideverfahrens andere wohlbekannte Ordnungsreduktionsverfahren verwenden.
Es versteht sich, daß das Ordnungsreduktionsmodul 34 gegebenenfalls wie in 1 durch gestrichelte Linien 33 gezeigt umgangen werden kann. Eine solche Umgehung kann zum Beispiel auftreten, wenn das Simulationsmodell eine kleine Anzahl von Zuständen aufweist; oder um selbige Simulationszustandsvariablen in dem Zustandsraummodell zu behalten.
Das Modell reduzierter Ordnung wird dann durch das Modul 35 auf der Basis der gewünschten Abtastperiode T für die MPC in ein zeitdiskretes Zustandsraummodell umgesetzt. Das MPC-Format des Modells lautet: x(k + 1) = Adx(k) + Boutu(k) + B∫∫d(k) y(k) = Cdx(k) + Doutu(k) + D∫∫d(k)wobei

k: den Zeitschritt repräsentiert,
x(k): der Zustandsvektor ist,
u(k): der manipulierte Variablenvektor ist,
d(k): der Störungsvariablenvektor ist und
y(k): die gesteuerte Prozeßvariable ist.

Als Alternative kann man die Ordnungsreduktionsverfahren auf ein zeitdiskretes Zustandsraummodell voller Ordnung anwenden. Bei dieser alternativen Prozedur, die in 1 nicht gezeigt ist, wurde das zeitkontinuierliche Zustandsraummodell voller Ordnung zuerst in ein zeitdiskretes Modell umgesetzt und dann wurden Ordnungsreduktionstechniken auf das zeitdiskrete Modell angewandt.
Nach der Erzeugung eines zeitdiskreten Zustandsraummodells reduzierter Ordnung wird mit der Modellauswertungsprozedur des Moduls 36 das Zeit- und Frequenzbereichsverhalten des Modells ausgewertet. Mit verschiedenen Leistungsfähigkeitskriterien mit offener Schleife und geschlossener Schleife wird das neue Modell reduzierter Ordnung mit dem neuen Modell voller Ordnung und mit dem existierenden Steuerungsmodell verglichen, z.B.

(O1) Vergleichen von Prädiktionen für neuere Betriebsdaten (beginnend zum Zeitpunkt der Erkennung der Parameter- oder Variablenänderung).
(O2) Vergleichen von Sprungantworten in offener Schleife.
(O3) Vergleichen von Frequenzgängen in offener Schleife.
(C1) Vergleichen von Sprungantworten in geschlossener Schleife.
(C2) Vergleichen von Frequenzgängen in geschlossener Schleife.

Die Modellauswertungslogik kann eine von verschiedenen Formen annehmen. Zum Beispiel Berechnung einer gewichteten Summe der Leistungsfähigkeitskriterien in offener Schleife (O1, O2 und O3) und Vergleichen mit einer spezifizierten Grenze für offene Schleife. Wenn das gewichtete Leistungsfähigkeitsmaß in offener Schleife kleiner als die Grenze für offene. Schleife ist, wird das Modell reduzierter Ordnung zurückgewiesen und das Ordnungsreduktionsmodul 34 berechnet ein neues Modell reduzierter Ordnung. Das Leistungsfähigkeitsmaß in offener Schleife dieses neuen Modells reduzierter Ordnung wird dann ausgewertet.
Wenn das gewichtete Leistungsfähigkeitsmaß in offener Schleife die Grenze für offene Schleife überschreitet, Voranschreiten zur Berechnung einer gewichteten Summe der Leistungsfähigkeitskriterien in geschlossener Schleife (C1, C2) unter Verwendung der existierenden MPC-Abstimmspezifikationen und Vergleichen dieser mit einer Grenze für geschlossene Schleife. Wenn das gewichtete Leistungsfähigkeitsmaß in geschlossener Schleife die Grenze für geschlossene Schleife überschreitet, wird das neue Modell reduzierter Ordnung angenommen und an die MPC-Umgebung 40 weitergeleitet (mit den existierenden MPC-Abstimmspezifikationen).
Wenn das gewichtete Leistungsfähigkeitsmaß in geschlossener Schleife jedoch kleiner als die Grenze für geschlossene Schleife ist, wird die automatisierte MPC-Abstimmprozedur in dem Modul 38 aufgerufen, um neue Steuerungsabstimmspezifikationen für dieses Modell zu definieren.
Das automatisierte Abstimmodul 38 versucht, neue Abstimmspezifikationen für den MPC-Zustandsschätzer und die Steuerung 44 zu finden. Es können verschiedene Abstimmverfahren verwendet werden. Ein Verfahren besteht zum Beispiel darin, neue Abstimmspezifikationen zu finden, die das Leistungsfähigkeitsmaß in geschlossener Schleife des neuen Modells verbessern, während Übereinstimmung mit Abstimmgeschwindigkeitsfaktoren des aktuellen Modells erreicht wird. Die Abstimmgeschwindigkeitsfaktoren werden für jede gesteuerte Variable auf der Basis der Ansprechgeschwindigkeit in geschlossener Schleife relativ zu der Ansprechgeschwindigkeit in offener Schleife unter Verwendung vorbestimmter typischer manipulierter Variablenbewegungen berechnet. Als erster Schritt liest dieses Modul Informationen aus der MPC-Umgebung 40 in bezug auf das aktuelle Modell und Abstimmspezifikationen, einschließlich der Abstimm geschwindigkeitsfaktoren. Das automatisierte Abstimmodul 38 führt dann eine iterative Suche aus, um die Abstimmspezifikationen für das neue Modell zu finden, die das gewichtete Leistungsfähigkeitsmaß in geschlossener Schleife maximieren, während dieselben Abstimmgeschwindigkeitsfaktoren wie bei dem existierenden Modell aufrechterhalten werden.
In der Modell- und Abstimmumgebung 30 sind also Iterationen zwischen den Modulen für Ordnungsreduktion 34, Modellauswertung 36 und automatisierte MPC-Abstimmung 38 möglich. Wenn die Iterationen vollständig sind, werden ein neues Modell und möglicherweise neue Abstimmspezifikationen zu der MPC-Umgebung 40 geleitet. Wenn die Anzahl der Iterationen eine vorbestimmte Grenze erreicht, hören die Iterationen auf, ohne ein neues Modell zu der MPC-Umgebung 40 zu leiten.
Außerdem ist es möglich, eine vereinfachte Prozedur für die Online-Modellauswertung zu verwenden, um die Rechenzeit zu verringern (z.B. einfach nur das Leistungsfähigkeitsmaß O1 oder O1 und C1 zu verwenden). In diesem Fall kann die Offline-Modellauswertungsprozedur komplizierter sein (wie zum Beispiel die oben beschriebene) und die Ergebnisse können dabei helfen, die vereinfachte Online-Prozedur zu definieren (z.B. Finden entsprechender Schwellen für O1 und C1).
Wenn das Modellauswertungsmodul 36 ein neues Modell und neue Abstimmspezifikationen annimmt, empfängt die MPC-Umgebung 40 das neue Modell und die neuen Abstimmspezifikationen. Diese Informationen können entweder automatisch in die MPC 44 heruntergeladen oder zur Genehmigung vor dem Herunterladen einem Bediener/Ingenieur vorgelegt werden. Nachdem ein neues Modell in die MPC 44 heruntergeladen wurde, wird das Modelltransferglättungsmodul 42 aufgerufen, um den Transfer zwischen den beiden Modellen zu glätten.
Bei einer Ausführungsform der vorliegenden Erfindung wurde die MPC-Steuerung durch AdvaControl 3dMPC von ABB realisiert. Diese Steuerung wird in der schwedischen Patentanmeldung laufende Nummer 9903592-5 beschrieben, auf deren Offenlegung hiermit ausdrücklich Bezug genommen wird. Bei einer solchen Ausführungsform verwendet das Modelltransferglättungsmodul die aus der Modell- und Abstimmumgebung 30 weitergeleiteten Abstimmspezifikationen des Beobachters oder Zustandsschätzers zur Berechnung eines neuen Verstärkungsvektors für den Zustandsschätzer des neuen Modells und verwendet dann vergangene Betriebsdaten zur Glättung seiner Initialisierung. Der MPC-Zustandsschätzer aktualisiert die Schätzungen der Zustände auf der Basis linearer Modellprädiktionen und aktueller Betriebsdaten.
Bei dieser Ausführungsform der vorliegenden Erfindung verwendet die MPC-Steuerung die Zustandsschätzungen und findet die optimale Lösung eines Steuerproblems der Minimierung einer gewichteten Summe von Bewegungen manipulierter Variablen plus Abweichungen gesteuerter Variablen von Sollwerten und von Verletzungen von Nebenbedingungen. Das Steuerproblem umfaßt außerdem harte absolute und Änderungsrateneinschränkungen für die manipulierten Variablen. Ein Bewegungshorizont wird für jede manipulierte Variable definiert und für jede gesteuerte Variable wird ein Prädiktionshorizont definiert. Die MPC-Lösung definiert die vorgeschlagenen Bewegungen für jede manipulierte Variable während ihres Bewegungshorizonts. Für jede manipulierte Variable wird die erste berechnete Bewegung zu ihrem aktuellen Wert addiert und dann zu der Anlagenumgebung gesendet, um in dem Reglermodul 22 implementiert zu werden. Die Werte manipulierter Variablen repräsentieren neue Ziele für die Regler (gewöhnlich PID-Reglersollwerte) oder Ausgaben für Betätigungsglieder. Diese Regleränderungen wirken sich auf den Prozeß aus, dann werden neue Daten zu jeder der anderen drei Umgebungen (Simulation 10, Modell und Abstimmung 30 und MPC 40) gesendet und die gesamte Prozedur wird wiederholt.
2 zeigt eine Variante 100 der bevorzugten Ausführungsform von 1, bei der das Modelländerungsdetektionsmodul 18 der Simulationsumgebung 10 von 1 nun als Modul 31 in der Modell- und Abstimmumgebung 30' von 2 enthalten ist. Bei dieser Repräsentation empfängt das Modelländerungsdetektionsmodul 31 entweder Modellprädiktionen aus der MPC-Umgebung 40 und vergleicht diese mit den Meßdaten aus der Anlagenumgebung 20, um die Modellprädiktionsfehler zu bestimmen, oder empfängt abhängig von der Art von MPC die Prädiktionsfehler direkt von der MPC.
Das Modelländerungsdetektionsmodul 31 wertet dann die Modellprädiktionsfehler aus und bestimmt, wann ein neues lineares Modell erzeugt werden soll. Die Änderungsdetektionslogik des Moduls 31 kann auf verschiedenen Kriterien basieren (z.B. wann ein einzelner Prädiktionsfehler eine vorbestimmte Schwelle überschreitet oder die Summe der Absolutwerte aller Prädiktionsfehler eine andere Schwelle überschreitet). Wenn die Änderungsdetektionslogik bestimmt, daß ein signifikanter Modellfehler vorliegt, setzt sie ein Flag und sendet es zu der Simulationsumgebung 10'.
Das Linear-Modell-Exportmodul 19 der Simulationsumgebung 10' führt dem Zustandsraumumsetzungsmodul 32 der Modell- und Abstimmumgebung 30' dann linearisierte Gleichungen des nichtlinearen Modells des Moduls 12 zu. Mit Ausnahme dieser Unterscheidung funktionieren die übrigen Module wie bei der bevorzugten Ausführungsform beschrieben und besitzen Bezugszahlen, die mit den in 1 verwendeten identisch sind.
3 zeigt eine Variante 110 der bevorzugten Ausführungsform von 1, die einen Nicht-Zustandsraum-MPC verwendet, wobei die Umgebungen und Module, die dieselben wie in 1 sind, Bezugszahlen tragen, die mit den in 1 verwendeten für diese Umgebungen und Module identisch sind. Die MPC-Umgebung 40' von 3 enthält einen Modellprädiktor und eine Steuerung 44' anstelle des Zustandsschätzers und der Steuerung 44, die in der Ausführungsform von 1 gezeigt sind. Die Modell- und Abstimmumgebung 30' enthält ein Umsetzungs- und Modellberechnungsmodul 34', das das Ordnungsreduktions- und das zeitdiskrete Umsetzungsmodul 34, 35 der Ausführungsform von 1 ersetzt. Das Umsetzungs- und Modellberechnungsmodul 34' enthält eine Transformation des durch das Zustandsraumumsetzungsmodul 32 bereitgestellten zeitkontinuierlichen Zustandsraummodells voller Ordnung in ein zeitdiskretes Modell sowie die Berechnung der Modellparameter in ihrem entsprechenden MPC-Format.
Bei einer in 3 nicht gezeigten weiteren Variante könnte das Umsetzungs- und Modellberechnungsmodul 34' ein durch das Ordnungsreduktionsmodul 34 von 1 bereitgestelltes Zustandsraummodell reduzierter Ordnung in ein zeitdiskretes Modell transformieren (anstelle der Umsetzung des Zustandsraummodells voller Ordnung). Eine ebenfalls in 3 nicht gezeigte weitere Variante besteht darin, ein Modul hinzuzufügen, das die Komplexität des durch das Umsetzungs- und Modellberechnungsmodul 34' erzeugten Modells reduziert. Zum Beispiel könnte ein Modul zum Reduzieren der Ordnung einer Übertragungsfunktionsmatrixrepräsentation des Modells hinzugefügt werden.
Eine ebenfalls in 3 nicht gezeigte weitere Variante besteht darin, zuerst die Komplexität des linearen Modells zu reduzieren und es dann in das erforderliche MPC-Format umzusetzen, um das MPC-Modell zu aktualisieren. Zum Beispiel ist es möglich, nur die linearisierten stationären (DC-) Verstärkungsfaktoren aus dem genauen nichtlinearen Simulationsmodell zu extrahieren und dann nur diese Verstärkungsfaktoren (ohne Änderungen an der Dynamik) auf das MPC-Modell anzuwenden. Wenn sich das neue Modell aus beliebigen der Prozeduren ergibt, die die verschiedenen oben in Verbindung mit 3 beschriebenen Ausführungsformen für das Umsetzungs- und Berechnungsmodul 34' verwenden, wird dieses Modell als ein vereinfachtes MPC-Format-Modell bezeichnet.
4 zeigt eine Erweiterung 120 der bevorzugten Ausführungsform von 1, um außerdem ein Echtzeit-Optimierungsmodul 17 in der modifizierten Simulations- und Optimierungsumgebung 10' zu enthalten. Die Umgebungen und Module in 4, die mit denen in 1 übereinstimmen, tragen Bezugszahlen, die mit den in 1 für die entsprechenden Umgebungen und Module verwendeten identisch sind. Das Echtzeit-Optimierungsmodul 17 von 4 verwendet die genauen nichtlinearen Prozeßmodelldaten aus dem Modul 12 (die Daten könnten aus einer gemeinsam benutzten Speicherstelle gelesen werden). Diese Modelldaten werden vereinigt und umfassen aktualisierte Modellparameter aus dem Modul 16.
Das Echtzeit-Optimierungsmodul 17 löst dann auf die Werte der Optimierungsvariablen auf, die seine Zielfunktion optimieren (z.B. zur Minimierung von Betriebskosten). Die Ausgangsdaten des Echtzeit-Optimierungsmoduls 17 repräsentieren in der Regel Ziele für die MPC-Steuerung (z.B. stationäre Ziele für einen Teil der manipulierten Variablen oder alle manipulierten Variablen und Sollwertziele für einen Teil der gesteuerten Variablen oder alle gesteuerten Variablen). Diese Daten werden zur Implementierung an den Zustandsschätzer bzw. die Steuerung 44 der MPC-Umgebung 40 weitergeleitet. Die Ausgangsdaten des Echtzeit-Optimierungsmoduls 17 werden außerdem zu dem nichtlinearen Modell 12 in der Simulations- und Optimierungsumgebung 10' geleitet. Als Alternative könnte die Ausgabe des Moduls 17 zu einer Speicherstelle geleitet werden, die gemeinsam mit dem nichtlinearen Modell 12 benutzt wird.
Abhängig von den erforderlichen und verfügbaren Hardware-Betriebsmitteln kann die Optimierungserweiterung der bevorzugten Ausführungsform eine in 4 nicht gezeigte separate Optimierungsumgebung für das Echtzeit-Optimierungsmodul 17 umfassen. In diesem Fall würde die Optimierungsumgebung mit der Simulationsumgebung kommunizieren, um dieselben genauen nichtlinearen Modelldaten zu benutzen. Das Echtzeit-Optimierungsmodul 17 würde seine Ausgabe sowohl zu der MPC-Umgebung als auch zu der Simulationsumgebung senden.
5 zeigt eine modifizierte Version 130 von 4, bei der das nichtlineare Modell 12 und das Echtzeit-Optimierungsmodul 17 der Simulations- und Optimierungsumgebung 10' mit mehreren MPC-Umgebungen 40' und mehreren Modell- und Abstimmumgebungen 30' kommunizieren. Bei dieser Ausführungsform gibt es ein einziges nichtlineares Modell 12, das die vollständige Anlage repräsentiert, und ein einziges Echtzeit-Optimierungsmodul 17. Es kann jedoch mehr als ein MPC vorliegen, wobei jeder MPC mit einem Teil des vollständigen Anlagenmodells (d.h. einem Teilmodell) assoziiert ist. Jeder MPC verwendet ein Modell, das das entsprechende Anlagenteilmodell repräsentiert, zur Steuerung dieses Teils der Anlage. Wenn N MPCs vorliegen, umfaßt dann also wie in 5 gezeigt die MPC-Umgebung 40' 1 bis N solche Umgebungen und die Modell- und Abstimmumgebung 30' umfaßt ebenfalls 1 bis N solche Umgebungen, wobei jede der 1 bis N Umgebungen 30', 40' mit einer jeweiligen der N MPCs assoziiert ist. Das Optimierungsmodul 17 liefert Ziele für einen Teil der N MPC-Steuerungen oder alle.
Das Modelländerungsdetektionsmodul 18' der Simulations- und Optimierungsumgebung 10' bestimmt, wann eine signifikante Änderung in einem oder mehreren der N Teilmodelle vorliegt. Wenn dies auftritt, setzt das Modelländerungsdetektionsmodul 18' Flags für jedes der N Teilmodelle, in denen signifikante Änderungen vorliegen. Das Linear-Modell-Exportmodul 19' führt dann jeder der N Modell- und Abstimmumgebungen 30', deren entsprechendes Änderungsdetektionsflag gesetzt ist, neue linearisierte Teilmodellgleichungen zu.
Bei einer in 5 nicht gezeigten weiteren Variante könnte in jeder Modell- und Abstimmumgebung 30' wie in 2 gezeigt ein Modelländerungsdetektionsmodul 31' vorliegen, statt nur eines einzigen Modelländerungsdetektionsmoduls in der Simulations- und Optimierungsumgebung 10'. Bei dieser Variante bestimmt jedes Modelländerungsdetektionsmodul, wann ein neues lineares Teilmodell für seine entsprechende MPC erzeugt werden soll.
6 zeigt eine Variante 160 der Ausführungsform von 1, die für einen Offline-Entwurf einer adaptiven linearen MPC auf der Basis eines genauen nichtlinearen Modells verwendet wird. Bei dieser Ausführungsform wird die Anlagenumgebung 20 von 1 durch eine Stimulus-Umgebung 60 ersetzt, die die simulierten Bedieneraktionen und Prozeßstörungen liefert. Der Begriff "Simulationsstimuli" soll hierbei die simulierten Bedieneraktionen und Prozeßstörungen bedeuten. Die Simulationsstimuli können automatisch aus einer vorbestimmten Ereignisdatei oder zufällig aus einem Ereignisgenerator oder spontan von dem Benutzer erzeugt werden oder können aus einer beliebigen Kombination der obigen Quellen erzeugt werden. Die Simulationsstimuli werden zu dem nichtlinearen Modell 12 der Simulationsumgebung 10 gesendet. Das nichtlineare Modell 12 liefert simulierte Anlagenmeßdaten für das Datenvorbehandlungsmodul 14 und für die Modell- und Abstimmumgebung 30 und die MPC-Umgebung 40. Die MPC-Steuerung 44 liefert Ziele für die Regler, die innerhalb des nichtlinearen Modells 12 simuliert werden. Die übrigen Module und Datentransfers zwischen Modulen funktionieren genau auf dieselbe Weise wie bei der Ausführungsform von 1.
Es versteht sich, daß die Beschreibung der bevorzugten Ausführungsform(en) die vorliegende Erfindung nicht erschöpfen, sondern nur veranschaulichen soll bzw. sollen. Durchschnittsfachleute werden in der Lage sein, bestimmte Hinzufügungen, Auslassungen und/oder Modifikationen an der Ausführungsform bzw. den Ausführungsformen des offengelegten Gegenstands vorzunehmen, ohne vom Schutzumfang der Erfindung abzuweichen, der durch die angefügten Ansprüche definiert wird.

Claims

Verfahren zur Steuerung eines Prozesses, mit den folgenden Schritten: a) Empfangen von Anlagenmeßvariablen von einem regelnden Steuersystem (22); b) Anwenden (12, 14, 16) der Anlagenmeßvariablen zur Aktualisierung einer oder mehrerer Variablen eines nichtlinearen Modells; c) Linearisieren (19) des aktualisierten nichtlinearen Modells; gekennzeichnet durch d) Weiterleiten (30) eines aus dem linearisierten Modell umgesetzten MPC-Format-Modells an eine modellprädiktive Steuerung.
Verfahren nach Anspruch 1, wobei das aktualisierte nichtlineare Modell linearisiert wird, wenn eine Änderung in der einen bzw. den mehreren der Modellvariablen eine assoziierte vorbestimmte Schwelle überstiegen hat (18, 12).
Verfahren nach Anspruch 1, wobei das aktualisierte nichtlineare Modell linearisiert wird, wenn ein oder mehrere Modellprädiktionsfehler in dem gerade in der modellprädiktiven Steuerung wirkenden MPC-Format-Modell eine assoziierte vorbestimmte Schwelle überstiegen haben (18, 12).
Verfahren nach Anspruch 1, wobei der Schritt des Anwendens der Anlagenmeßvariablen zur Aktualisierung der einen oder mehreren Variablen eines nichtlinearen Modells den Schritt des Vorbehandelns (14) der Anlagenmeßvariablen und das Verwenden der vorbehandelten Anlagenmeßvariablen zur Aktualisierung der Variablen des nichtlinearen Modells umfaßt.
Verfahren nach Anspruch 4, wobei das aktualisierte nichtlineare Modell linearisiert wird, wenn eine Änderung in der einen bzw. den mehreren der Modellvariablen eine assoziierte vorbestimmte Schwelle überstiegen hat (18, 12); und der Schritt des Weiterleitens eines aus dem linearisierten Modell umgesetzten MPC-Format-Modells an eine modellprädiktive Steuerung durch die folgenden Schritte ersetzt wird: Umsetzen des linearisierten Modells in ein Zustandsraummodell voller Ordnung (32); Erzeugen eines Zustandsraummodells mit weniger Zuständen als das Zustandsraummodell voller Ordnung aus dem Zustandsraummodell voller Ordnung (34); Umsetzen des Zustandsraummodells mit weniger Zuständen in ein MPC-Format-Modell (35); und Bewerten (36) der Leistungsfähigkeit des MPC-Format-Modells mit der Abstimmung für ein derzeit existierendes Modell des Prozesses in einer modellprädiktiven Steuerung im Vergleich zu der Leistungsfähigkeit des derzeit existierenden Modells mit der Abstimmung, und entweder: Weiterleiten (30) des MPC-Format-Modells mit der derzeit existierenden Modellabstimmung (44) an eine modellprädiktive Steuerung, wenn die Leistungsbewertung des MPC-Format-Modells eine erste vorbestimmte Grenze übersteigt; oder Berechnen einer neuen Abstimmung (38) für das MPC-Format-Modell, wenn die Leistungsbewertung unter die erste vorbestimmte Grenze fällt, und Wiederholen des Bewertungsschritts; oder Zurückgeben (33) des MPC-Format-Modells an den Schritt des Erzeugens eines MPC-Format-Modells mit weniger Zuständen als das Zustandsraummodell voller Ordnung, um die Anzahl von Zuständen in dem MPC-Format-Modell zu ändern, wenn die Leistungsfähigkeit des MPC-Format-Modells unter die erste vorbestimmte Grenze fällt.
Verfahren nach Anspruch 4, wobei das aktualisierte nichtlineare Modell linearisiert wird, wenn eine Änderung des einen bzw. der mehreren Modellprädiktionsfehler in dem gerade in der modellprädiktiven Steuerung wirkenden MPC-Format-Modell eine assoziierte vorbestimmte Schwelle überstiegen hat (18, 12); und wobei der Schritt des Weiterleitens eines aus dem linearisierten Modell umgesetzten MPC-Format-Modells an eine modellprädiktive Steuerung durch die folgenden Schritte ersetzt wird: Umsetzen des linearisierten Modells in ein Zustandsraummodell voller Ordnung (32); Erzeugen eines Zustandsraummodells mit weniger Zuständen als das Zustandsraummodell voller Ordnung aus dem Zustandsraummodell voller Ordnung (34); Umsetzen des Zustandsraummodells mit weniger Zuständen in ein MPC-Format-Modell (35); und Bewerten (36) der Leistungsfähigkeit des MPC-Format-Modells mit der Abstimmung für ein derzeit existierendes Modell des Prozesses in der modellprädiktiven Steuerung im Vergleich zu der Leistungsfähigkeit des derzeit existierenden Modells mit der Abstimmung, und entweder: Weiterleiten (30) des MPC-Format-Modells mit der derzeit existierenden Modellabstimmung (44) an eine modellprädiktive Steuerung, wenn die Leistungsbewertung des MPC-Format-Modells eine erste vorbestimmte Grenze übersteigt; oder Berechnen einer neuen Abstimmung (38) für das MPC-Format-Modell, wenn die Leistungsbewertung unter die erste vorbestimmte Grenze fällt, und Wiederholen des Bewertungsschritts; oder Zurückgeben (33) des MPC-Format-Modells an den Schritt des Erzeugens eines MPC-Format-Modells mit weniger Zuständen als das Zustandsraummodell voller Ordnung, um die Anzahl von Zuständen in dem MPC-Format-Modell zu ändern, wenn die Leistungsfähigkeit des MPC-Format-Modells unter die erste vorbestimmte Grenze fällt.
Verfahren nach Anspruch 4, wobei das aktualisierte nichtlineare Modell linearisiert wird, wenn eine Änderung in der einen bzw. den mehreren der Modellvariablen eine assoziierte vorbestimmte Schwelle überstiegen hat (18, 12); und der Schritt des Weiterleitens eines aus dem linearisierten Modell umgesetzten MPC-Format-Modells an eine modellprädiktive Steuerung den folgenden Schritt umfaßt: Bewerten (36) der Leistungsfähigkeit des MPC-Format-Modells mit der Abstimmung für ein derzeit existierendes Modell des Prozesses in einer modellprädiktiven Steuerung im Vergleich zu der Leistungsfähigkeit des derzeit existierenden Modells mit der Abstimmung, und entweder: Weiterleiten (30) des MPC-Format-Modells mit der derzeit existierenden Modellabstimmung an eine modellprädiktive Steuerung, wenn die Leistungsbewertung des MPC-Format-Modells eine erste vorbestimmte Grenze übersteigt; oder Berechnen einer neuen Abstimmung für das MPC-Format-Modell, wenn die Leistungsbewertung des MPC-Format-Modells unter die erste vorbestimmte Grenze fällt, und Wiederholen des Bewertungsschritts.
Verfahren nach Anspruch 4, wobei das aktualisierte nichtlineare Modell linearisiert wird, wenn eine Änderung des einen bzw. der mehreren Modellprädiktionsfehler in dem gerade in einer modellprädiktiven Steuerung wirkenden MPC-Format-Modell eine assoziierte vorbestimmte Schwelle überstiegen hat (18, 12); und wobei der Schritt des Weiterleitens eines aus dem linearisierten Modell umgesetzten MPC-Format-Modells an eine modellprädiktive Steuerung den folgenden Schritt umfaßt: Bewerten (36) der Leistungsfähigkeit des MPC-Format-Modells mit der Abstimmung für ein derzeit existierendes Modell des Prozesses in der modellprädiktiven Steuerung im Vergleich zu der Leistungsfähigkeit des derzeit existierenden Modells mit der Abstimmung, und entweder: Weiterleiten (30) des MPC-Format-Modells mit der derzeit existierenden Modellabstimmung an eine modellprädiktive Steuerung, wenn die Leistungsbewertung des MPC-Format-Modells eine erste vorbestimmte Grenze übersteigt; oder Berechnen einer neuen Abstimmung (38) für das MPC-Format-Modell, wenn die Leistungsbewertung des MPC-Format-Modells unter die erste vorbestimmte Grenze fällt, und Wiederholen des Bewertungsschritts.
Verfahren nach Anspruch 4, wobei der Schritt des Anwendens der Anlagenmeßvariablen zur Aktualisierung von Variablen eines nichtlinearen Modells weiterhin den Schritt des Rekonziliierens (16) der vorbehandelten Anlagenmeßvariablen und des Verwendens der rekonziliierten und vorbehandelten Anlagenmeßvariablen zur Aktualisierung der Variablen des nichtlinearen Modells umfaßt.
Verfahren nach Anspruch 9, wobei das aktualisierte nichtlineare Modell linearisiert wird, wenn eine Änderung in der einen bzw. den mehreren der Modellvariablen eine assoziierte vorbestimmte Schwelle überstiegen hat (18, 12); und der Schritt des Weiterleitens eines aus dem linearisierten Modell umgesetzten MPC-Format- Modells an eine modellprädiktive Steuerung durch die folgenden Schritte ersetzt wird: Umsetzen des linearisierten Modells in ein Zustandsraummodell voller Ordnung; Erzeugen eines Zustandsraummodells mit weniger Zuständen als das Zustandsraummodell voller Ordnung (34) aus dem Zustandsraummodell voller Ordnung (32); Umsetzen des Zustandsraummodells mit weniger Zuständen in ein MPC-Format-Modell (35); und Bewerten der Leistungsfähigkeit des MPC-Format-Modells mit der Abstimmung für ein derzeit existierendes Modell des Prozesses in einer modellprädiktiven Steuerung im Vergleich zu der Leistungsfähigkeit des derzeit existierenden Modells mit der Abstimmung, und entweder: Weiterleiten (30) des MPC-Format-Modells mit der derzeit existierenden Modellabstimmung an eine modellprädiktive Steuerung, wenn die Leistungsbewertung des MPC-Format-Modells eine erste vorbestimmte Grenze übersteigt; oder Berechnen einer neuen Abstimmung (38) für das MPC-Format-Modell, wenn die Leistungsbewertung unter die erste vorbestimmte Grenze fällt, und Wiederholen des Bewertungsschritts; oder Zurückgeben des MPC-Format-Modells an den Schritt des Erzeugens eines MPC-Format-Modells mit weniger Zuständen als das Zustandsraummodell voller Ordnung, um die Anzahl von Zuständen in dem MPC-Format-Modell zu ändern, wenn die Leistungsfähigkeit des MPC-Format-Modells unter die erste vorbestimmte Grenze fällt.
Verfahren nach Anspruch 9, wobei das aktualisierte nichtlineare Modell linearisiert wird, wenn eine Änderung des einen bzw. der mehreren Modellprädiktionsfehler in dem gerade in einer modellprädiktiven Steuerung wirkenden MPC-Format-Modell eine assoziierte vorbestimmte Schwelle überstiegen hat (18, 12); und der Schritt des Weiterleitens eines aus dem linearisierten Modell umgesetzten MPC-Format-Modells an eine modellprädiktive Steuerung durch die folgenden Schritte ersetzt wird: Umsetzen des linearisierten Modells in ein Zustandsraummodell voller Ordnung; Erzeugen eines Zustandsraummodells mit weniger Zuständen als das Zustandsraummodell voller Ordnung aus dem Zustandsraummodell voller Ordnung; Umsetzen des Zustandsraummodells mit weniger Zuständen in ein MPC-Format-Modell (35); und Bewerten der Leistungsfähigkeit des MPC-Format-Modells mit der Abstimmung für ein derzeit existierendes Modell des Prozesses in einer modellprädiktiven Steuerung im Vergleich zu der Leistungsfähigkeit des derzeit existierenden Modells mit der Abstimmung, und entweder: Weiterleiten (30) des MPC-Format-Modells mit der derzeit existierenden Modellabstimmung an eine modellprädiktive Steuerung, wenn die Leistungsbewertung des MPC-Format-Modells eine erste vorbestimmte Grenze übersteigt; oder Berechnen einer neuen Abstimmung (38) für das MPC-Format-Modell, wenn die Leistungsbewertung unter die erste vorbestimmte Grenze fällt, und Wiederholen des Bewertungsschritts; oder Zurückgeben (33) des MPC-Format-Modells an den Schritt des Erzeugens eines MPC-Format-Modells mit weniger Zuständen als das Zustandsraummodell voller Ordnung, um die Anzahl von Zuständen in dem MPC-Format-Modell zu ändern, wenn die Leistungsfähigkeit des MPC-Format-Modells unter die erste vorbestimmte Grenze fällt.
Verfahren nach Anspruch 9, wobei das aktualisierte nichtlineare Modell linearisiert wird, wenn eine Änderung in der einen bzw. den mehreren der Modellvariablen eine assoziierte vorbestimmte Schwelle überstiegen hat (18, 12); und der Schritt des Weiterleitens eines aus dem linearisierten Modell umgesetzten MPC-Format-Modells an eine modellprädiktive Steuerung den folgenden Schritt umfaßt: Bewerten der Leistungsfähigkeit des MPC-Format-Modells mit der Abstimmung für ein derzeit existierendes Modell des Prozesses in einer modellprädiktiven Steuerung im Vergleich zu der Leistungsfähigkeit des derzeit existierenden Modells mit der Abstimmung, und entweder: Weiterleiten (30) des MPC-Format-Modells mit der derzeit existierenden Modellabstimmung an eine modellprädiktive Steuerung, wenn die Leistungsbewertung des MPC-Format-Modells eine erste vorbestimmte Grenze übersteigt; oder Berechnen einer neuen Abstimmung (38) für das MPC-Format-Modell, wenn die Leistungsbewertung unter die erste vorbestimmte Grenze fällt, und Wiederholen des Bewertungsschritts.
Verfahren nach Anspruch 9, wobei das aktualisierte nichtlineare Modell linearisiert wird, wenn eine Änderung des einen bzw. der mehreren Modellprädiktionsfehler in dem gerade in einer modellprädiktiven Steuerung wirkenden MPC-Format-Modell eine assoziierte vorbestimmte Schwelle überstiegen hat (18, 12); und der Schritt des Weiterleitens eines aus dem linearisierten Modell umgesetzten MPC-Format-Modells an eine modellprädiktive Steuerung durch den folgenden Schritt ersetzt wird: Bewerten der Leistungsfähigkeit des MPC-Format-Modells mit der Abstimmung für ein derzeit existierendes Modell des Prozesses in einer modellprädiktiven Steuerung im Vergleich zu der Leistungsfähigkeit des derzeit existierenden Modells mit der Abstimmung, und entweder: Weiterleiten (30) des MPC-Format-Modells mit der derzeit existierenden Modellabstimmung an eine modellprädiktive Steuerung, wenn die Leistungsbewertung des MPC-Format-Modells eine erste vorbestimmte Grenze übersteigt; oder Berechnen einer neuen Abstimmung (38) für das MPC-Format-Modell, wenn die Leistungsbewertung unter die erste vorbestimmte Grenze fällt, und Wiederholen des Bewertungsschritts.
Verfahren nach Anspruch 1, wobei der Schritt des Weiterleitens eines aus dem linearisierten Modell umgesetzten MPC-Format-Modells an eine modellprädiktive Steuerung durch die folgenden Schritte ersetzt wird: i. Umsetzen des linearisierten Modells in ein Zustandsraummodell voller Ordnung; ii. Erzeugen eines Zustandsraummodells mit weniger Zuständen als das Zustandsraummodell voller Ordnung aus dem Zustandsraummodell voller Ordnung; iii. Umsetzen des Zustandsraummodells mit weniger Zuständen in ein MPC-Format-Modell; und iv. Weiterleiten (30) des MPC-Format-Modells an eine modellprädiktive Steuerung.
Verfahren nach Anspruch 1, wobei der Schritt des Weiterleitens eines aus dem linearisierten Modell umgesetzten MPC-Format-Modells an eine modellprädiktive Steuerung durch die folgenden Schritte ersetzt wird: i. Umsetzen des linearisierten Modells in ein vereinfachtes MPC-Format-Modell; und ii. Weiterleiten (30) des vereinfachten MPC-Format-Modells an eine modellprädiktive Steuerung.
Verfahren nach Anspruch 14, wobei der Schritt des Weiterleitens des MPC-Format-Modells an eine modellprädiktive Steuerung den folgenden Schritt umfaßt: Bewerten der Leistungsfähigkeit des MPC-Format-Modells mit der Abstimmung für ein derzeit existierendes Modell des Prozesses in einer modellprädiktiven Steuerung im Vergleich zu der Leistungsfähigkeit des derzeit existierenden Modells mit der Abstimmung, und entweder: (i) Weiterleiten (30) des MPC-Format-Modells mit der derzeit existierenden Modellabstimmung an die modellprädiktive Steuerung, wenn die Leistungsbewertung des MPC-Format-Modells eine erste vorbestimmte Grenze übersteigt; oder (ii) Zurückgeben (33) des MPC-Format-Modells an den Schritt des Erzeugens eines MPC-Format-Modells mit weniger Zuständen als das Zustandsraummodell voller Ordnung, um die Anzahl von Zuständen in dem MPC-Format-Modell zu ändern, wenn die Leistungsfähigkeit des MPC-Format-Modells unter die erste vorbestimmte Grenze fällt.
Verfahren nach Anspruch 14, wobei der Schritt des Weiterleitens des MPC-Format-Modells an eine modellprädiktive Steuerung den folgenden Schritt umfaßt: Bewerten der Leistungsfähigkeit des MPC-Format-Modells mit der Abstimmung für ein derzeit existierendes Modell des Prozesses in einer modellprädiktiven Steuerung im Vergleich zu der Leistungsfähigkeit des derzeit existierenden Modells mit der Abstimmung, und entweder: (i) Weiterleiten (30) des MPC-Format-Modells mit der derzeit existierenden Modellabstimmung an die modellprädiktive Steuerung, wenn die Leistungsbewertung eine erste vorbestimmte Grenze übersteigt; oder (ii) Berechnen einer neuen Abstimmung (38) für das MPC-Format-Modell, wenn die Leistungsbewer tung unter die erste vorbestimmte Grenze fällt, und Wiederholen des Bewertungsschritts; oder (iii) zurückgeben (33) des MPC-Format-Modells an den Schritt des Erzeugens eines MPC-Format-Modells mit weniger Zuständen als das Zustandsraummodell voller Ordnung, um die Anzahl von Zuständen in dem MPC-Format-Modell zu ändern, wenn die Leistungsfähigkeit des MPC-Format-Modells unter die erste vorbestimmte Grenze fällt.
Vorrichtung zur Steuerung eines Prozesses, mit dem Prozeßmeßvariablen assoziiert sind, wobei die Vorrichtung folgendes umfaßt: a) einen digitalen Prozessor; b) eine modellprädiktive Steuerung (44) mit einem Modell für den Prozeß darin; und c) eine Simulationsumgebungsroutine mit einem nichtlinearen Modell darin, wobei die Simulationsumgebungsroutine (10, 30) durch den digitalen Prozessor ausgeführt wird, um folgendes durchzuführen: (i) Anwenden von Prozeßmeßvariablen zur Aktualisierung einer oder mehrerer Variablen des nichtlinearen Modells; (ii) Linearisieren (19) des aktualisierten nichtlinearen Modells; und (iii) Weiterleiten (30) eines aus dem linearisierten Modell umgesetzten MPC-Format-Modells an die modellprädiktive Steuerung (44).
Vorrichtung nach Anspruch 18, weiterhin mit einem regelnden Steuersystem (22), das den Prozess gemäß dem MPC-Format-Modell steuert und das die Prozeßmeßvariablen der Simulationsumgebungsroutine (10, 30) zuführt.