KR20030014285A - 다변수 행렬 프로세스 제어방법 및 그 장치 - Google Patents

다변수 행렬 프로세스 제어방법 및 그 장치 Download PDF

Info

Publication number
KR20030014285A
KR20030014285A KR1020027017886A KR20027017886A KR20030014285A KR 20030014285 A KR20030014285 A KR 20030014285A KR 1020027017886 A KR1020027017886 A KR 1020027017886A KR 20027017886 A KR20027017886 A KR 20027017886A KR 20030014285 A KR20030014285 A KR 20030014285A
Authority
KR
South Korea
Prior art keywords
time
attribute
model
controlled variable
variable
Prior art date
Application number
KR1020027017886A
Other languages
English (en)
Inventor
로날드에이.가그네
Original Assignee
더 다우 케미칼 캄파니
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 더 다우 케미칼 캄파니 filed Critical 더 다우 케미칼 캄파니
Publication of KR20030014285A publication Critical patent/KR20030014285A/ko

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
    • 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00Automatic controllers
    • G05B11/01Automatic controllers electric
    • G05B11/32Automatic controllers electric with inputs from more than one sensing element; with outputs to more than one correcting element
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B11/00Automatic controllers
    • G05B11/01Automatic controllers electric
    • G05B11/36Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • 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
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00Systems involving the use of models or simulators of said systems
    • G05B17/02Systems involving the use of models or simulators of said systems electric

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)
  • Retry When Errors Occur (AREA)

Abstract

본 발명은 적어도 하나의 독립적으로 제어된 조종되는 변수와 이 조종되는 변수에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 컴퓨터실행 제어를 위한 방법을 제공한다. 제어 어프로치는 적어도 2개의 모델의 세트의 사용을 통해 각각 조종되는 변수의 각각의 함수로서 각각 제어되는 변수에 대한 크기의 기대편차(expected variation)를 정의하는 로버스트 다변수 컨트롤러를 사용한다. 모델 세트는 동적 응답 관성 특성을 갖는다. 기준 모델(다이내믹 행렬 제어(Dynamic Matrix Control)에 있어서 정의된 전통적인 모델)로부터 2개의 모델이 유도된다. 더욱이 다중 모델 세트는 그들 모델 및 실시간 사용 중의 이득의 적응을 가능하게 한다.

Description

다변수 행렬 프로세스 제어방법 및 그 장치{MULTI-VARIABLE MATRIX PROCESS CONTROL}
제조 시스템의 최적화된 조작(operation)은 수익성, 생산성, 환경 영향 및 높은 생산 품질에 있어서 이익을 제공하기 위해 높이 평가되고 있다. 복잡한 제어 어프로치의 해답을 제공하기 위한 저가의 컴퓨터의 증가하는 가능성은 수년 전까지도 경제적으로 조사될 수 없었던 기술을 통합하기 위해 개선된 최적화된 조작을 갖는다. 제어에 있어서 컴퓨터 사용의 비교적 초기 단계에서 허가된 기술의 하나로서, 다이내믹 행렬 제어(Dynamic Matrix Control: DMC)가 있는데, 이 제어에서는 출력하는 방법에 기초를 둔 피드포워드 제어의 형태 또는 제어되는 변수(controlled variable; "피제어변수"라고도 한다)는 알려진 제어설정 및 현재의 데이터의 상황(context)에 있어서 움직이도록 예측되고 있다. 많은 경우에, 피드포워드 방법론은 컨트롤러의 동작이 취해지기 전에 프로세스 장애(process disturbance)가 제어되는 변수를 실질적으로 변화시킬 때까지 기다리는 피드백 방법론보다 뛰어나다. 실제로, 이상적인 컨트롤러는 최적의 조작을 얻기 위해 충분한 능력에서의 피드포워드 및 피드백 동작을 제공한다.
다이내믹 행렬 제어는 1982년 9월 14일에 발행된 프릿 데이비드 엠., 라마커 브레인 엘. 및 커틀러 찰스 알.에 의한 미국 특허 제4,349,869호(명칭: 다이내믹 행렬 제어방법)에 개시되어 있다. 다이내믹 행렬 제어는 특별한 시간에서 결정의 상황에 있어서의 미래의 컨트롤러 응답에서의 제한, 제어되는 시스템에서의 상태의 전 세트의 조정, 다중 영향에서의 복잡성, 및 장애에 대하여 각각의 비선형 충격에 관련된 제어 문제를 해결하는데 도움이 된다.
그러나, 다이내믹 행렬 제어는 또한 그 고전적인 형태로 과도상태 또는 다른 하강 중의 프로세스 안정성 또는 모델 정의 및 동조(tuning)에 있어서 사용되는 유체흐름 처리량으로부터의 편차를 처리하는데 도전을 제공한다. 모든 조작상의 상황에 있어서 DMC의 사용상의 안정성에 대한 필요성은 본 발명의 개발에 있어서의 구동력이다. 본 발명은 전통적인 DMC 어프로치를 실질적으로 강화하기 위해 안정성, 로버스트성(robustness) 및 적응성에 있어서 유익한 특징을 제공한다.
이 발명은 화학적인 제조 플랜트와 같은 장치에 있어서 실행되는 프로세스 또는 일련의 프로세스에 대하여 각각의 피드포워드 관계의 행렬을 통한 적응형 제어를 위한 컴퓨터실행 방법 및 컴퓨터에 기초를 둔 장치에 관한 것이다.
도 1은 시스템 개관을 나타낸 도면,
도 2는 다변수 컨트롤러의 논리적인 상세(logical detail)를 나타낸 도면,
도 3은 기본적인 제어시스템 블록도를 나타낸 도면,
도 4는 다변수 제어시스템 블록도를 설명하는 도면,
도 5는 시간의존 비통합모델 특성화(time-dependent non-integrating-modelcharacterization)를 나타낸 도면,
도 6은 다중 모델 비통합모델 특성화를 나타낸 도면,
도 7은 비통합모델 세트 관성 특성(inertial characteristic)을 나타낸 도면,
도 8은 시간의존 통합모델 함수 특성화를 나타낸 도면,
도 9는 다중 모델 통합모델 특성화를 설명하는 도면,
도 10은 통합모델 세트 관성 특성을 나타낸 도면,
도 11은 다중 모델 시스템을 배치할 때의 다변수 제어 범용 동작을 나타낸 도면,
도 12는 모델 구성 단계를 나타낸 도면,
도 13은 모델에 있어서의 데드시간(dead-time) 시간축 속성 결정을 나타낸 도면,
도 14는 모델에 있어서의 정상상태(Steady-state) 시간축 속성 결정을 설명하는 도면,
도 15는 모델에 있어서의 램프부(ramp-portion) 결정 상세를 나타낸 도면,
도 16은 모델에 있어서의 곡선부(curvilinear-portion) 결정 상세를 나타낸 도면,
도 17은 컨트롤러 조작 상세를 나타낸 도면,
도 18은 적응 방법론 상세를 나타낸 도면,
도 19는 미래의 제어되는 변수 필요조건 정의 상세를 나타낸 도면,
도 20은 제어되는 변수 예측 상세를 설명하는 도면,
도 21은 파라미터를 모델화할 때에 모델 오정합(mismatch)의 상황에서 동작하는 정규의 DMC을 위한 시뮬레이터로부터의 출력을 나타낸 도면,
도 22는 도 21의 모델 오정합의 상황에서 동작하는 바람직한 실시예의 로버스트 컨트롤러(robust controller)를 위한 시뮬레이터로부터의 출력을 나타낸 도면,
도 23은 이득에 있어서 모델 오정합의 상황에서 동작하는 정규의 DMC를 위한 시뮬레이터로부터의 출력을 나타낸 도면,
도 24는 도 23의 모델 오정합의 상황에서 동작하는 바람직한 실시예의 로버스트 컨트롤러를 위한 시뮬레이터로부터의 출력을 나타낸 도면,
도 25는 컨트롤러 모델 반전의 상황에서 동작하는 정규의 DMC를 위한 시뮬레이터로부터의 출력을 나타낸 도면,
도 26은 도 25의 모델 반전의 상황에서 동작하는 바람직한 실시예의 로버스트 컨트롤러를 위한 시뮬레이터로부터의 출력을 나타낸 도면이다.
본 발명은, 적어도 하나의 독립적으로 제어되는 조종되는 변수(manipulated variable; "피조종변수"라고도 한다)와 이 조종되는 변수에 응답하는 적어도 하나의 제어되는 변수(피제어변수)를 갖는 처리장치의 컴퓨터실행 제어를 위한 방법으로,
동적 응답 관성 특성을 갖는 적어도 2개의 모델의 세트로부터 각기 조종되는변수의 각각의 함수로서 각기 제어되는 변수에 대한 크기에서의 기대편차(expected variation)를 정의하는 단계와,
처리장치에 있어서 조종되는 변수를 변경하기 위해 상기 모델 세트로부터 정의된 변화를 실현하는 단계를 구비한 것을 특징으로 한다.
좀더 상세하게는, 본 발명은 적어도 하나의 독립적으로 제어되는 조종되는 변수와 이 조종되는 변수에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 조작을 제어하기 위한 컴퓨터실행 시스템으로,
동적 응답 관성 특성을 갖는 것으로, 각기 조종되는 변수의 각각의 함수로서 각기 제어되는 변수에 대한 크기에서의 기대편차를 정의하기 위한 적어도 2개의 모델의 세트와,
상기 처리장치에 있어서 상기 조종되는 변수를 변경하기 위해 상기 모델 세트로부터 정의된 변화를 실현하기 위한 수단을 구비한 것을 특징으로 한다.
또, 본 발명은 적어도 하나의 독립적으로 제어되는 조종되는 변수와 적어도 하나의 상기 조종되는 변수에 응답하며 또한 상기 조종되는 변수와 관계없이 생기는 프로세스 장애에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 조작을 제어하기 위한 컴퓨터실행 시스템으로,
각각의 제어되는 변수의 크기를 측정하기 위한 수단과,
각각의 조종되는 변수에 있어서 조종되는 변수 장애예(disturbance instance)의 각각의 함수로서 각각의 제어되는 변수에 대한 크기에서의 기대편차를 정의하기 위한 적어도 2개의 모델의 세트,
상기 모델의 세트로부터, 조종되는 변수 변경을 달성할 때에 상기 조종되는 변수 전부와 상기 하나의 제어되는 변수의 상호작용으로 예측되는 모델링 에러값을 결정하기 위한 수단,
상기 제어되는 변수 크기 및 상기 예측된 모델링 에러값으로부터 예측되는 프로세스 장애값을 결정하기 위한 수단,
상기 예측된 모델링 에러값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화의 제1부분을 정의하기 위한 수단,
상기 예측된 프로세스 장애값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화의 제2부분을 정의하기 위한 수단, 및
상기 조종되는 변수를 변경하기 위해 상기 제1 및 제2의 소망하는 변화부분을 실현하기 위한 수단을 구비한 것을 특징으로 한다.
또, 본 발명은 적어도 하나의 독립적으로 제어되는 조종되는 변수와 적어도 하나의 상기 독립적으로 제어되는 조종되는 변수에 응답하는 적어도 하나의 제어되는 변수를 갖는 장치의 조작을 제어하기 위한 컴퓨터실행 시스템으로,
시간의 연속적인 이산 간격(discrete interval)의 세트를 시간의존 함수로 정의하기 위한 수단과,
각각 독립적으로 제어되는 조종되는 변수에 있어서 각각의 제어되는 변수에서의 응답을 자극하는 미리 정의된 크기의 조종되는 변수 장애예를 도입하기 위한 수단,
각각의 제어되는 변수의 크기를 측정하기 위한 수단,
컨트롤러,
각각의 응답에 대해 시간축 상의 시간의 연속적인 이산간격의 상기 세트에 걸친 상기 제어되는 변수 크기의 적어도 하나의 시간의존 함수 특성화, 동일한 시간 계속기간을 갖는 하나의 상기 응답에 대한 각각의 이산 시간 간격을 정의하기 위한 수단,
상기 장애예를 도입한 후에 상기 제어되는 변수의 크기에 있어서 초래된 변화를 측정하는 것으로부터의 응답에 대한 상기 제1의 시간의존 함수 특성화를 획득하기 위한 수단,
상기 제1의 시간의존 함수 특성화를 상기 컨트롤러로 반전시키기 위한 수단,
상기 제1의 시간의존 함수 특성화로부터 제2의 상기 시간의존 함수 특성화를 유도하기 위한 수단,
상기 제1의 시간의존 함수 특성화로부터 제3의 상기 시간의존 함수 특성화를 유도하기 위한 수단,
상기 제2 시간의존 함수 특성화, 상기 제3 시간의존 함수 특성화, 적어도 하나의 제어되는 변수의 크기 및 상기 컨트롤러로부터 실시간에 조종되는 변수의 값에서의 소망하는 변화를 결정하기 위한 수단, 및
상기 조종되는 변수를 변경하기 위해 상기 소망하는 변화를 실현하기 위한 수단을 구비하고,
상기 함수 특성화는 제로시간 시간축 속성, 최대시간 시간축 속성, 데드시간 시간축 속성, 응답이득 속성, 램프비율 속성, 정상상태 시간축 속성, 상기 데드시간 시간축 속성의 시간축 위치와 상기 정상상태 시간축 속성의 시간축 위치 사이에 배치된 곡선부(curvilinear-portion), 상기 데드시간 시간축 속성의 시간축 위치와 상기 최대시간 시간축 속성의 시간축 위치 사이에 배치된 램프부(ramped portion) 및 상기 정상상태 시간축 속성의 시간축 위치와 상기 최대시간 시간축 속성의 시간축 위치 사이에 배치된 호말로이달부를 갖고, 상기 호말로이달부는 통합 제어되는 변수 응답을 위해 제로값을 가지며, 상기 램프부는 비통합 제어되는 변수 응답을 위해 제로값을 갖고, 하나의 상기 응답에 대한 각각의 함수 특성화는 동등하게 값이 매겨진 제로시간 시간축 속성, 응답이득 속성, 램프비율 속성 및 최대시간 시간축 속성을 가지며,
제1의 상기 함수 특성화는, 제1의 상기 데드시간 시간축 속성, 제1의 상기 정상상태 시간축 속성, 제1의 상기 곡선부, 제1의 상기 호말로이달부, 및 상기 최대시간 시간축 속성에서 상기 램프비율 속성과 등가인 그 함수 도함수(functional derivative)를 갖는 제1의 상기 램프부를 갖고,
상기 제2의 함수 특성화는, 상기 제1 데드시간 속성으로부터의 미리 정의된 제1의 점감하는 오프셋(diminishing offset)에서의 제2 데드시간 속성, 상기 제1 정상상태 속성으로부터의 미리 정의된 제2의 점감하는 오프셋에서의 제2 정상상태 속성, 상기 제1 곡선부로부터의 미리 정의된 제1의 함수 오프셋에서의 제2 곡선부, 상기 제1 호말로이달부의 외삽법(extrapolation)에서의 제2 호말로이달부, 및 상기 제1 램프부의 외삽법에서의 제2 램프부를 가지며,
상기 제3의 함수 특성화는, 상기 제1 데드시간 속성으로부터의 미리 정의된제1의 초부가적인 오프셋(superadditive offset)에서의 제3 데드시간 속성, 상기 제1 정상상태 속성으로부터의 미리 정의된 제2의 초부가적인 오프셋에서의 제3 정상상태 속성, 상기 제1 곡선부로부터의 미리 정의된 제2의 함수 오프셋에서의 제3 곡선부, 상기 제1 호말로이달부의 절단(truncation)에서의 제3 호말로이달부, 및 상기 제1 램프부의 절단에서의 제3 램프부를 갖는 것을 특징으로 한다.
부가적으로, 본 발명은 적어도 하나의 독립적으로 제어되는 조종되는 변수와 적어도 하나의 상기 조종되는 변수에 응답하며 또한 상기 조종되는 변수와 관계없이 생기는 프로세스 장애에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 조작을 제어하기 위한 컴퓨터실행 시스템으로,
각각의 제어되는 변수의 크기를 측정하기 위한 수단과,
각각의 조종되는 변수에 있어서 조종되는 변수 장애예의 각각의 함수로서 각각의 제어되는 변수에 대한 크기에서의 기대편차를 정의하기 위한 모델,
상기 모델로부터, 조종되는 변수 변경을 달성할 때에 상기 조종되는 변수 전부와 하나의 상기 제어되는 변수의 상호작용으로 에러값을 결정하기 위한 수단,
상기 에러값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화를 정의하기 위한 수단,
상기 조종되는 변수를 변경하기 위해 상기 소망하는 변화를 실현하기 위한 수단 및,
상기 제어시에 발산 응답 작용을 결정하기 위한 수단을 구비한 것을 특징으로 한다.
본 발명은, 적어도 하나의 독립적으로 제어되는 조종되는 변수와 이 조종되는 변수에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 컴퓨터실행 제어를 위한 방법으로,
동적 응답 관성 특성을 갖는 적어도 2개의 모델의 세트로부터 각기 조종되는 변수의 각각의 함수로서 각기 제어되는 변수에 대한 크기에서의 기대편차를 정의하는 단계와,
상기 처리장치에 있어서 상기 조종되는 변수를 변경하기 위해 상기 모델 세트로부터 정의된 변화를 실현하는 단계를 구비한 것을 특징으로 한다.
또, 본 발명은 적어도 하나의 독립적으로 제어되는 조종되는 변수와 적어도 하나의 상기 조종되는 변수에 응답하며 또한 상기 조종되는 변수와 관계없이 생기는 프로세스 장애에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 컴퓨터실행 제어를 위한 방법으로,
각각의 제어되는 변수의 크기를 측정하는 단계와,
적어도 2개의 모델의 세트로부터 각각의 조종되는 변수에 있어서의 조종되는 변수 장애예의 각각의 함수로서 각각의 제어되는 변수에 대한 크기에서의 기대편차를 정의하는 단계,
상기 모델의 세트로부터, 조종되는 변수 변경을 달성할 때에 상기 조종되는 변수 전부와 상기 하나의 제어되는 변수의 상호작용으로 예측되는 모델링 에러값을 결정하는 단계,
상기 제어되는 변수 크기 및 상기 예측된 모델링 에러값으로부터 예측되는프로세스 장애값을 결정하는 단계,
상기 예측된 모델링 에러값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화의 제1부분을 정의하는 단계,
상기 예측된 프로세스 장애값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화의 제2부분을 정의하는 단계, 및
상기 조종되는 변수를 변경하기 위해 상기 제1 및 제2의 소망하는 변화부분을 실현하는 단계를 구비한 것을 특징으로 한다.
또, 본 발명은 적어도 하나의 독립적으로 제어된 조종되는 변수와 적어도 하나의 상기 독립적으로 제어된 조종되는 변수에 응답하는 적어도 하나의 제어되는 변수를 갖는 장치의 컴퓨터실행 제어를 위한 방법으로,
시간의 연속적인 이산 간격의 세트를 시간의존 함수로 정의하는 단계와,
각각 독립적으로 제어된 조종되는 변수에 있어서 각각의 제어되는 변수에서의 응답을 자극하는 미리 정의된 크기의 조종되는 변수 장애예를 도입하는 단계,
각각의 제어되는 변수의 크기를 측정하는 단계,
컨트롤러를 제공하는 단계,
각각의 응답에 대해 시간축 상의 시간의 연속적인 이산간격의 상기 세트에 걸친 상기 제어되는 변수 크기의 적어도 하나의 시간의존 함수 특성화, 동일한 시간 계속기간을 갖는 하나의 상기 응답에 대한 각각의 이산 시간 간격을 정의하는 단계,
상기 장애예를 도입한 후에 상기 제어되는 변수의 크기에 있어서 초래된 변화를 측정하는 것으로부터의 응답에 대한 상기 제1의 시간의존 함수 특성화를 획득하는 단계,
상기 제1의 시간의존 함수 특성화를 상기 컨트롤러로 반전시키는 단계,
상기 제1의 시간의존 함수 특성화로부터 제2의 상기 시간의존 함수 특성화를 유도하는 단계,
상기 제1의 시간의존 함수 특성화로부터 제3의 상기 시간의존 함수 특성화를 유도하는 단계,
상기 제2 시간의존 함수 특성화, 상기 제3 시간의존 함수 특성화, 적어도 하나의 제어되는 변수의 크기 및 상기 컨트롤러로부터 실시간에 조종되는 변수의 값에서의 소망하는 변화를 결정하는 단계, 및
상기 조종되는 변수를 변경하기 위해 상기 소망하는 변화를 실현하는 단계를 구비하고,
상기 함수 특성화는 제로시간 시간축 속성, 최대시간 시간축 속성, 데드시간 시간축 속성, 응답이득 속성, 램프비율 속성, 정상상태 시간축 속성, 상기 데드시간 시간축 속성의 시간축 위치와 상기 정상상태 시간축 속성의 시간축 위치 사이에 배치된 곡선부, 상기 데드시간 시간축 속성의 시간축 위치와 상기 최대시간 시간축 속성의 시간축 위치 사이에 배치된 램프부 및 상기 정상상태 시간축 속성의 시간축 위치와 상기 최대시간 시간축 속성의 시간축 위치 사이에 배치된 호말로이달부를 갖고, 상기 호말로이달부는 통합 제어되는 변수 응답을 위해 제로값을 가지며, 상기 램프부는 비통합 제어되는 변수 응답을 위해 제로값을 갖고, 하나의 상기 응답에 대한 각각의 함수 특성화는 동등하게 값이 매겨진 제로시간 시간축 속성, 응답이득 속성, 램프비율 속성 및 최대시간 시간축 속성을 가지며,
제1의 상기 함수 특성화는 제1의 상기 데드시간 시간축 속성, 제1의 상기 정상상태 시간축 속성, 제1의 상기 곡선부, 제1의 상기 호말로이달부, 및 상기 최대시간 시간축 속성에서 상기 램프비율 속성과 등가인 그 함수 도함수를 갖는 제1의 상기 램프부를 갖고,
상기 제2의 함수 특성화는, 상기 제1 데드시간 속성으로부터의 미리 정의된 제1의 점감하는 오프셋에서의 제2 데드시간 속성, 상기 제1 정상상태 속성으로부터의 미리 정의된 제2의 점감하는 오프셋에서의 제2 정상상태 속성, 상기 제1 곡선부로부터의 미리 정의된 제1의 함수 오프셋에서의 제2 곡선부, 상기 제1 호말로이달부의 외삽법에서의 제2 호말로이달부, 및 상기 제1 램프부의 외삽법에서의 제2 램프부를 가지며,
상기 제3의 함수 특성화는, 상기 제1 데드시간 속성으로부터의 미리 정의된 제1의 초부가적인 오프셋에서의 제3 데드시간 속성, 상기 제1 정상상태 속성으로부터의 미리 정의된 제2의 초부가적인 오프셋에서의 제3 정상상태 속성, 상기 제1 곡선부로부터의 미리 정의된 제2의 함수 오프셋에서의 제3 곡선부, 상기 제1 호말로이달부의 절단에서의 제3 호말로이달부, 및 상기 제1 램프부의 절단에서의 제3 램프부를 갖는 것을 특징으로 한다.
부가적으로, 본 발명은 적어도 하나의 독립적으로 제어되는 조종되는 변수와 적어도 하나의 상기 조종되는 변수에 응답하며 또한 상기 조종되는 변수와 관계없이 생기는 프로세스 장애에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 컴퓨터실행 제어를 위한 방법으로,
각각의 제어되는 변수의 크기를 측정하는 단계와,
모델로부터 각각의 조종되는 변수에 있어서 조종되는 변수 장애예의 각각의 함수로서 각각의 제어되는 변수에 대한 크기에 있어서의 기대편차를 정의하는 단계,
상기 모델로부터, 조종되는 변수 변경을 달성할 때에 상기 조종되는 변수 전부와 하나의 상기 제어되는 변수의 상호작용으로 에러값을 결정하는 단계,
상기 에러값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화를 정의하는 단계,
상기 조종되는 변수를 변경하기 위해 상기 소망하는 변화를 실현하는 단계 및,
상기 제어시에 발산 응답 작용을 결정하는 단계를 구비한 것을 특징으로 한다.
바람직한 실시예를 설명함에 있어, 기준은 서로에 의한 데이터 통신에 있어서의 "로직(logic)" 및 "논리적 부분"에 대하여 만들어진다. 이 점에 관하여, 컴퓨터실행 로직은 일반적으로 데이터를 독출하거나, 데이터를 기록하거나, 데이터를 계산하거나, 데이터와 관련된 결정조작을 수행하거나, 데이터를 기록하는 등의 작업을 우선적으로 수행하는 컴퓨터실행 기계코드의 가상의 함수 요소(functionalelement)를 참조한다. 설계상 고려할 사항으로서, 논리적인 서브부분으로서의 이들 요소의 논의는 개별적으로 집중되고 독특하게 특성화된 상황 내에서 유효하게 고려되고 설계되며 연구되고 강화될 수 있는 초점 추출된 서브컴포넌트 내로 총체적인 논리 시스템의 유용한 분리를 가능하게 한다. 명확해진 바와 같이, 이들 서브컴포넌트의 몇몇은 그들이 상술한 실시예의 포괄적이고 전체적인 시스템 내로 통합될 때에 그들 자신의 우측에 특성의 특색 있는 영역을 나타낸다.
이 명세서는 또한 명료함을 촉진하기 위해 항목 "실시간(Real-Time)"을 참조하고, 다음의 단락은 실시간 개념의 논의를 나타낸다.
실시간 컴퓨터 처리는, 일반적으로 사건이 실제의 시간제한 내에서 주어진 반응을 일으키고 컴퓨터 동작이 외부 조건 및 실제의 시간에 의한 상황 내에서 명확하게 제어되는 컴퓨터 처리의 방법으로서 정의된다. 프로세스 제어의 범위에 있어서 연관된 설명으로서, 실시간 컴퓨터 제어된 처리는 연관된 프로세스 제어 논리의 성능, 결정, 및 프로세스 제어 결정 프로그램이 다른 시간 기간도 이용되지만 보통 10ms∼2sec의 기간을 갖는 상당히 높은 주파수로 주기적으로 실행되는 실시간 프로세스를 실현하는 제어되는 장치를 감시하여 변경하도록 작용하는 프로세스 제어 결정 프로그램에 본질적인 음량 조작에 관한 것이다. (상술한 실시예의 컨트롤러와 같은) "고급의(advanced)" 제어 루틴의 경우, 단일의 해법예가 더 확장된 계산을 요구하는 시간을 필요로 하는 경우에, 근본적으로는 더 긴 기간을 필요로 하지만(제어요소 설정의 변화의 결정에 있어서의 주파수는 관련된 변수 측정의 주파수와 같거나 그 보다 작은 주파수에서 실행되지 않으면 안된다), 제어에 있어서 사용되는 특정한 값의 해결을 위해 확장된 기간이 합리적으로 단정할 수 있는 기초로 반복되고, 조작하는 기계적 어셈블리의 적응형 제어에서의 이용에 충분하면, 결정의 그 기간은 실시간에 아직도 결정되고 있다.
이 명세서는 또한 명료함을 촉진하기 위해 항목 "정상상태(Steady-State)"를 참조하고, 다음의 단락은 정상상태 개념의 논의를 나타낸다.
본 발명의 해결방법은 또한 "정상상태 조작"의 개념에 대해 일반적인 기준을 포함하고 있다. "정상상태 조작"은 근본적으로 (1) 프로세스가 시간 구간에 걸쳐 그 조작에 있어서 동적으로 규칙적이고 균일하며, (2) 프로세스 내로 흐르는 운동량, 질량 및 에너지 실체는 근본적으로 프로세스 밖으로 흐르는 운동량, 질량 및 에너지 실체와 같으며, (3) 프로세스 내에서 운동량, 질량 및 에너지의 축적은 그것들이 명쾌하게 예상되어 관련된 동적 모델 내로 분해되지 않는 한 근본적으로는 일어나지 않는 상황이다. 정상상태 조작의 상태에 관한 수학적인 균형의 해(solution)는 또한 예상되는 화학반응을 조절하는 것도 필요로 한다. 따라서, "정상상태"에서의 시스템은 동적 균형, 안정성, 견실함 및 평형(equilibrium)이 특징이다.
바람직한 실시예는, 적어도 하나의 독립적으로 제어되는 조종되는 변수(Manipulated Variable: MV)와 이 조종되는 변수에 응답하는(또한 조종되는 변수와 관계없이 생기는 프로세스 장애에 응답하는) 적어도 하나의 제어되는 변수(Controlled Variable: CV)를 갖는 처리장치의 조작을 제어하기 위한 컴퓨터실행 시스템을 제공한다.
모델을 정의함에 있어, 시간의 연속적인 이산 간격의 세트를 시간의존 함수로 정의하기 위한 회로 및 로직이 제공된다. 고전적인 DMC(Dynamic Matrix Control: 다이내믹 행렬 제어) 모델[Primary Model: 주모델)]은 각 조종되는 변수에 있어서 각 제어되는 변수에 대한 크기에서의 기대편차를 조종되는 변수 장애예의 각각의 함수로서 정의하기 위한 시작점이다. 컴퓨터 회로 및 로직은 그 후 상기 모델로부터 조종되는 변수 변경을 달성할 때에 상기 정의된 조종되는 변수 전부와 하나의 상기 제어되는 변수의 상호작용으로 에러값을 결정하는데 사용된다. 컴퓨터 회로 및 로직은 또한 상기 에러값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화를 정의하기 위해서도 제공된다. 컴퓨터 회로 및 로직은 그 후 각각의 조종되는 변수에 있어서 조종되는 변수 장애예의 각각의 함수로서 각각의 제어되는 변수에 대한 크기에서의 기대편차를 수립하기 위해 적어도 2개의 모델(패스트 모델(Fast Model) 및 슬로우 모델(Slow Model))의 세트를 정의할 때에 주모델(기준모델이라고도 한다)을 사용하고, 모델 세트(집합적으로 주모델, 슬로우 모델 및 패스트 모델)은 또한 주(기준) 모델의 슬로우 측 및 패스트 측의 각각에 대해 동적 응답 관성 특성을 갖는다. 기준모델(Reference Model), 패스트 모델 및 슬로우 모델은 또한 여기에서 REFERENCE 모델(이후, 기준모델이라 한다), FAST 모델(이후, 패스트 모델이라 한다) 및 SLOW 모델(이후, 슬로우 모델이라 한다)로서 각각 참조된다.
보다 상세하게는, 바람직한 실시예의 다변수 컨트롤러는 각각의 응답에 관하여 시간축 상의 시간의 연속적인 이산간격의 상기 세트에 걸친 상기 제어되는 변수크기의 적어도 하나의 시간의존 함수 특성화, 동일한 시간 계속기간을 갖는 상기 하나의 응답에 대한 각각의 이산 시간 간격를 갖고, 상기 함수 특성화는 제로시간 시간축 속성, 최대시간 시간축 속성, 데드시간 시간축 속성, 응답이득 속성, 램프비율 속성, 정상상태 시간축 속성, 상기 데드시간 시간축 속성의 시간축 위치와 상기 정상상태 시간축 속성의 시간축 위치 사이에 배치된 곡선부(curvilinear-portion), 상기 데드시간 시간축 속성의 시간축 위치와 상기 최대시간 시간축 속성의 시간축 위치 사이에 배치된 램프부(ramp-portion) 및 상기 정상상태 시간축 속성의 시간축 위치와 상기 최대시간 시간축 속성의 시간축 위치 사이에 배치된 호말로이달부를 가지며, 상기 호말로이달부는 통합 제어되는 변수 응답을 위해 제로값을 갖고, 상기 램프부는 비통합 제어되는 변수 응답을 위해 제로값을 가지며, 상기 하나의 응답에 대한 각각의 함수 특성화는 동등하게 값이 매겨진 제로시간 시간축 속성, 응답이득 속성, 램프비율 속성 및 최대시간 시간축 속성을 갖는다.
응답에 대한 상기 제1의 시간의존 함수 특성화(주모델)는, 상기 장애예를 도입한 후에 상기 제어되는 변수의 크기에 있어서 초래된 변화를 측정하는 것으로부터 유도된다. 제1의 상기 함수 특성화는 제1의 상기 데드시간 시간축 속성, 제1의 상기 정상상태 시간축 속성, 제1의 상기 곡선부, 제1의 상기 호말로이달부, 및 상기 최대시간 시간축 속성에서 상기 램프비율 속성과 등가인 그 함수 도함수(functional derivative)를 갖는 제1의 상기 램프부를 갖는다.
제2의 상기 시간의존 함수 특성화(패스트 모델)는 상기 제1의 시간의존 함수 특성화로부터 유도되고, 상기 제2의 함수 특성화는 상기 제1 데드시간 속성으로부터의 미리 정의된 제1의 점감하는 오프셋(diminishing offset)에서의 제2 데드시간 속성, 상기 제1 정상상태 속성으로부터의 미리 정의된 제2의 점감하는 오프셋에서의 제2 정상상태 속성, 상기 제1 곡선부로부터의 미리 정의된 제1의 함수 오프셋에서의 제2 곡선부, 상기 제1 호말로이달부의 외삽법(extrapolation)에서의 제2 호말로이달부, 및 상기 제1 램프부의 외삽법에서의 제2 램프부를 갖는다.
또한, 제3의 상기 시간의존 함수 특성화(슬로우 모델)도 상기 제1의 시간의존 함수 특성화로부터 유도되고, 상기 제3의 함수 특성화는 상기 제1 데드시간 속성으로부터의 미리 정의된 제1의 초부가적인 오프셋(superadditive offset)에서의 제3 데드시간 속성, 상기 제1 정상상태 속성으로부터의 미리 정의된 제2의 초부가적인 오프셋에서의 제3 정상상태 속성, 상기 제1 곡선부로부터의 미리 정의된 제2의 함수 오프셋에서의 제3 곡선부, 상기 제1 호말로이달부의 절단(truncation)에서의 제3 호말로이달부, 및 상기 제1 램프부의 절단에서의 제3 램프부를 갖는다.
다변수 컨트롤러를 위한 컨트롤러는 근본적으로 상기 제1의 시간의존 함수 특성화(주모델)를 반전함으로써 정의되어 있다.
모델을 실현할 때에, 관성 특성값이 모델 변수 컨트롤러의 데이터베이스 내로 입력되어 그 모델 세트에 있어서 동적 응답 관성 특성이 얻어진다. (응답의 로버스트성을 수립하는) 관성 특성은, (a) 주모델의 슬로우 측에 대해 그리고 주모델의 패스트 측에 대해 다르거나, 또는 (b) 이들 2개의 관성 특성이 동일하다. 이 점에 관하여, 제1, 제2 및 제3의 시간의존 함수 특성화는 모델 세트에 있어서 3개의 모델을 정의하고, 모델 세트는 제1 및 제2의 시간의존 함수 특성화 사이의 제1의 동적 응답 관성 특성과 제1 및 제3의 시간의존 함수 특성화 사이의 제2의 동적 응답 관성 특성을 통합한다.
관성 특성이 입력된 후에, 주모델(Primary Model)은 각각의 독립적으로 제어되는 조종되는 변수에 있어서 각각의 제어되는 변수에서의 응답을 자극하는 미리 정의된 크기의 조종되는 변수 장애예를 도입함으로써 정의된다. 그 후, 각각의 제어되는 변수의 크기가 측정되고, 보유되며, 전통적인 DMC 절차(전에 논의한 미국 특허 4,349,869 참조)에 따른 주모델의 정의에 사용된다.
다변수 컨트롤러를 실현할 때에, 다수의 다른 어프로치가 가능하다.
하나의 어프로치에 있어서, 변화는 처리장치에 있어서 각각의 조종되는 변수를 변경하기 위해 모델 세트로부터 정의되고, 이 정의를 달성할 때에, 소망하는 변화가 제2의 시간의존 함수 특성화, 제3의 시간의존 함수 특성화 및 적어도 하나의 제어되는 변수의 크기로부터 실시간에 조종되는 변수의 값에 대해 결정된다.
또한, 소망하는 변화는 제1의 시간의존 함수 특성화, 제2의 시간의존 함수 특성화, 제3의 시간의존 함수 특성화 및 적어도 하나의 제어되는 변수의 크기로부터 실시간에 조종되는 변수의 값에 대해서도 결정된다.
다른 실시예에 있어서, 조종되는 변수 변경을 달성할 때에 상기 조종되는 변수 전부와 상기 하나의 제어되는 변수의 상호작용으로 예측되는 모델링 에러값이 결정된다. 그 후, 상기 제어되는 변수 크기 및 상기 예측된 모델링 에러값으로부터 예측되는 모델링 에러값이 결정되고, 상기 예측된 모델링 에러값으로부터 적어도 하나의 조종되는 변수(manipulated variable)의 현재의 값에서의 소망하는 변화의 제1부분이 결정된다. 그 후, 상기 예측된 프로세스 장애값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화의 제2부분이 결정된다. 최후로, 이들 제1 및 제2의 소망하는 변화부분이 각각의 조종되는 변수를 변경하기 위해 효과적으로 결합된다.
또한, 실시간 조작에서 모델의 적응에 대한 기초는 설명되는 실시예에서 가능하다. 이러한 점에서, 모델링 에러값과 프로세스 장애값은 모델 세트의 관성 특성하에서 컨트롤러를 적응하는 결정에 이용된다. 더욱이, 제어동작에서의 발산 응답 작용(divergent response behavior)에 대한 결정 및 반작용은 (a) 적응형 제어 및 (b) 컨트롤러에서 적응적으로 변형되어지는 모델의 진행중 이용(ongoing use)을 매개로 전략적 로버스트성을 제공하도록 실행된다.
다변수 컨트롤러의 형식화된 특징은 다음의 부분에서 설명된다. 논의는 로버스트 다변수 컨트롤러의 모델을 설명하는 제1소부분과, 로버스트 다변수 컨트롤러에서 컨트롤러 정의를 설명하는 제2소부분, 로버스트 다변수 컨트롤러에서 프로세스의 결정을 설명하는 제3소부분, 로버스트 다변수 컨트롤러에서 적응형 프로세스를 설명하는 제4소부분, 로버스트 다변수 컨트롤러에서 적응에 대한 결정을 설명하는 제5소부분 및, 로버스트 다변수 컨트롤러에서 발산의 결정 및 발산에 대한 적응을 설명하는 제6소부분의 6개의 소부분으로 나누어지게 된다.
형식화된 특징의 다음의 제1소부분은 로버스트 다변수 컨트롤러의 모델을 논의한다.
본 실시예의 로버스트 행렬 프로세스 제어방법은 (a) (조종되는 변수, MV로서 나타내어진) 피드포워드 변수를 포함하는 입력값과, (b) (제어되는 변수, CV로서 나타내어진) 출력값 사이의 관계를 명백하게 정의하는 수치값의 세트를 요구한다. 각 데이터 세트는 "모델(model)"로서 언급된다. 각 데이터 세트는 엔트리가 시간에 대한 순서화된 관계의 데이터 세트의 값에서의 벡터로서 표현된다. 모델(MV)에 대한 입력 변수는 제어시스템(MV)으로부터의 출력신호이고, 모델(CV)로부터의 출력 변수는 제어시스템(CV)에 대한 입력신호임을 주지해야 한다.
(벡터로서 표현된) 이러한 데이터 세트는 (a) 수학적 데이터 논리적 오브젝트(스칼라, 벡터, 행렬)를 발생시키고, (b) 제어된 장치의 로버스트 제어를 달성하기 위해 엔진-해석 계산(자명하지 않은 수학적 계산을 수행하기 위한 것과 같은 순서로 배열된 스칼라, 벡터, 행렬, 수학적 연산의 세트의 컴퓨터 논리에서의 실행 및 조종)을 달성하도록 컴퓨터실행 절차에 의해 처리된다.
상기한 바와 같이, 용어 "모델"은 벡터로서 정의된 시간 스탬프 값(time stamped values)의 세트를 참조한다.
식 1
M(t) = {a(t)}, 여기서 t=0,1*△t,2*△t,3*△t,---np*△t
여기서, "np"는 모델 크기이고, 따라서 "np"a(t)값이 있다.
각 값 a(t)는 정규의 모델 식별기술을 통해 얻어진다 이는 통상적으로 이어지는 분석과 처리에 따라 플랜트 테스팅 및 데이터 집합 기술을 포함한다. M(t)는 스텝 모델, 임펄스 모델, 또는 파라미터적 모델이다. 이하의 설명은 스텝 모델에대해 언급하지만, 임펄스 모델(임펄스 모델은 합 처리에 의해 스텝 모델로 용이하게 변환된다)이나 (스텝 모델이나 임펄스 모델로 변환되어지는) 파라미터적 모델에 대한 등가가 존재한다.
MV와 CV의 각 쌍에 대한 모델 M(t)가 항상 존재한다. t=0로부터 np*△t까지의 자명한 모델 M(t)={0}는 쌍의 2개의 요소 사이에 물리적 관계가 존재하지 않지만, 그럼에도 불구하고 이러한 모델이 존재한다는 것을 나타낸다. 통상적으로 모델은 연속적인 커브를 얻기 위해 샘플(샘플링)된 데이터[즉, 각 a(t)]의 평활화 후 표현되어지고; 평활화된 샘플된 데이터는 도 5에 도시되고, 도 5에 대해 명세서에서 논의된다.
모델의 세트는 행렬 A를 정의하는데 이용되고, 여기서 행렬의 각 열은 특정하게 예측된 미래의 CV값으로 언급된다. "A" 행렬은 다이나믹 행렬 제어(Dynamic Matrix Control)분야의 당업자에게는 자명하고, 기술의 설명에 통상적으로 이용된다.
플랜트 테스팅에 의해 얻어진 모델의 이러한 제1세트는 여기서 "기준모델(Reference Model)"로서 언급된다. "기준모델"은 시간에 의존하므로, 시간("t")은 "기준시간(Reference Time)"으로서 정의된다. "기준시간"은 제로로부터 tfinal까지 간다. 기준시간의 정의는 기준모델로부터 2개의 다른 모델을 추출하는데 중요하다. 이러한 점에서, 본 실시예는 관련된 시간의존 모델에서의 시간의 연속적 이산 간격의 세트의 정의에 일부 기초를 두고 있고, 여기서 각 관련된 모델에대한 각 이산 시간 간격은 동일한 시간 구간을 가지며, 각 관련된 모델은 또한 동일하게 값이 정해진 제로시간 시간축 속성과 최대시간 시간축 속성을 갖는다. 따라서, 기준모델과 2개의 부가적 모델(여기서 더욱 설명되어 짐)은 모두 t=0로부터 동일한 tfinal까지의 시간 기간을 구비하는 시간축을 갖는다. 본 실시예의 기본적인 생각은 "기준모델"로부터 추출되고 관련된 "인벨로프(envelop)"를 정의하고 이용하는 것이다. "인벨로프"가 정의되어 불확정 영역을 정하고, 여기서 실제 모델은 시간 및 처리 조건에 대해 (a) 존재하고, 더욱이 (b) 전개하도록 신뢰되어진다.
따라서, "인벨로프"는 (각 시간축에 대해) "상부" 경계와 "하부" 경계를 갖고, 이러한 경계는 정의를 요구한다. 간단화를 위해, 각 모델 M(t)은 연속적인 수학적 등가를 갖는 것으로 가정한다. 즉, M(t)는 M*(t)(M*는 연속적임)의 z-변환이다. 따라서,
식 2
M(t) = Z(M*(t)) = a0 + a1*z-1+ a2*z-2+ 등등--
각 모델은 데드시간(dead time)을 나타낸다. 따라서, M*(t)는 M*(t-d)로서 기록된다. M*는 t ≤d일 때 제로이다.
각 모델은 최종 안정상태 이득 또는 최종 일정 램프(ramp)를 갖고, 이들은 각각 G 또는 R로서 표시된다. 안정상태(또는 최종 일정 램프율) 시작의 시간은 Tss로서 정의된다. 모델의 최종 값은 시간 tlast에서 야기된다.
인벨로프 경계는 포지티브 이득 모델에 대한 하부 한계 모델과 상부 한계 모델이다. 하부 한계 모델은 "슬로우 모델(Slow Model)"로서 표시되고, 기준모델에 대해, (a) 더 많은 데드시간을 갖추고, (b) "후에" 안정상태에 도달하는 처리의 물리적 중요성을 갖는다. 상부 한계 모델은 "패스트 모델(Fast Model)"로서 표시되고, 기준모델에 대해, (a) 더 적은 데드시간을 갖고, (b) "즉시" 안정상태에 도달하는 처리의 물리적 중요성을 갖는다. 이러한 로버스트 컨트롤러의 기본적인 생각은 "슬로우 모델"과 "패스트 모델" 사이에 "놓이는" 작용(behavior)을 나타내는 한, 보상이 계산 및 실행되어져야만 하는 모델 불일치가 없다는 의미에서 완전한 컨트롤러와 같은 행동에 대한 컨트롤러에 대해 가능하다.
"패스트 모델"과 "슬로우 모델"을 정의함에 있어서, M*(t)로 시간 변수의 치환이 수행되고, 치환의 목적은 시간축에 따른 기준모델의 기능을 축소시키거나(패스트 모델) 확장(슬로우 모델)시키는 것이다.
"패스트 모델"은 M*(t)로 시간변수를 치환하는 다음의 식에 의해 얻어진다.
데드시간 이전의 시간에 대해:
식 3
t = tfast/(1.0-Fr1) 따라서 tfast= (1.0-Fr1)*t
데드시간 이후의 시간에 대해:
식 4
tfast= (1.0-Fr1)*td+ (1.0-Fr2)*(t-td)
램프 모델에 대해, Fr2는 제로이다.
tfast>tss이후의 부분은 tfinal까지 안정상태에서 모델값으로 채워진다. 램프의 경우, 램프는 일정 비율 R로 연장된다.
"슬로우 모델"은 M*(t)로 시간변수를 치환하는 다음에 의해 얻어진다.
데드시간 이전의 시간에 대해:
식 5
tslow= (1.0+Fr3)*t
데드시간 이후의 시간에 대해:
식 6
tslow= (1.0+Fr3)*td+(1.0+Fr4)*(t-td)
램프 모델에 대해, Fr4는 제로이다.
tslow>tfinal이후의 부분은 강하된다.
Fr1, Fr2, Fr3, Fr4는 로버스트성 인자이다. 로버스트성 인자는 통상적으로 0∼0.5의 수치적 범위에서 포지티브 조정가능 값이지만, 더 큰 크기로 될 수 있다. 시간-기준 모델 수축 및 확장이 데드시간 전후에 달리 처리된다는 사실은 한계 모델을 세우는데 더욱 유연성을 허용한다("슬로우 모델"과 "패스트 모델"은 "기준모델" 주변의 "인벨로프"를 정의하는 집합적 "한계 모델"이다). 이러한 점에서, (a) 제어되어지는 동작 장치의 실제 데드시간과, (b) 제어되어지는 조작 장치의 실제 천이 궤도(여기서 더욱 설명되는 바와 같은 "곡선부"에 따른 각 모델의 특성) 양쪽은 시간변화 및/또는 측정 에러를 수행하고, (1) "슬로우 모델"에 대한 "기준모델" 확장과, (2) "패스트 모델"에 대한 "기준모델" 수축에서의 독립적 방법에 의해 주어진 유연성은 본 실시예에 의해 가능한 로버스트 조작 응답을 용이하게 한다. 더욱이, 이러한 한계 모델의 양쪽이 기준모델에 대해 기본적으로 근사되도록 해석될 경우, "슬로우" 및 "패스트" 모델은 이러한 유연성을 필요로 한다.
상기한 치환처리의 끝에서, 기준 및 한계 모델의 모든 시간은 상기한 바와 같이 각 관련된 모델에 대한 각 이산 시간 간격이 동일 시간 구간을 갖고, 또한 각 관련된 모델이 동일하게 값이 정해진 제로 시간 시간축 속성과 최대시간 시간축 속성을 갖는 곳에서 시간의 연속적 이산 간격의 세트의 시간축을 제공하는 각 모델을 구비하는 동일한 등가성을 갖게 된다.
즉,
식 7
t = tfast= tslow
명백한 바와 같이, 모든 관련된 인벨로프를 발생시키도록 다이나믹 제어 행렬에서의 모든 모델을 처리하기 전에, 몇몇 또는 모든 Reference Model은 마지막동작이 변화되지 않은 (a) 비통합 처리 모델의 이득 또는 (b) 소정의 통합 처리 모델의 램프 비율을 유지하는 것을 확실히 하도록 tlast의 더 큰 크기에 따라 선택적으로 연장된다.
Fr1, Fr2, Fr3, Fr4의 값은 모델에 속하고, 인트라-함수적(intra-functional)이다. 이는 충분한 수의 로버스트 인자에 의해 표현되는 것 보다 조정에 대해 더 적은 값을 갖는 것이 (요구됨에도 불구하고) 가능함을 주지해야 한다. 이러한 점에서, 여기서 설명되어지는 계산은 비율과 사용자 정의된 함수의 이용을 통해 단일 값을 그룹지우고 할당하도록 Fr인자의 소정 세트를 허용한다는 것을 주지해야 한다. 이러한 Fr값은 각 제어되는 변수 및/또는 각 조종되는 변수에 대한 공간(local)이고, 따라서 전체 컨트롤러에 대한 조정을 위한 단일 Fr을 제공하는 것이 가능하다. 이러한 태양은 원한다면 공간 조정을 방해하지 않고, 따라서 각 모델에 적용된 각 Frk는 다음과 같이 분석된다.
식 8
Frk(i,j) = Fr(글로벌) + Fr(전체 MVi) + Fr(전체 CVi) + Frk(기준모델예에 대한 특정)
각 Frk(i,j)가 포지티브 수로 되는 요구는 아직 타당하지만, 이는 네가티브 값을 갖는 것으로부터 상기 식의 다른 성분을 방지하지 못한다. 이러한 점에서,Frk(i,j)가 포지티브(또는 제로)일 때, 공간 Fr은 네트(net) Frk(i,j)가 Fr(글로벌) 보다 더 낮은 크기인 효과를 갖는 네가티브로 될 수 있다.
모든 Fr(i,j)가 선택될 때, 모델은 적절히 연장되고(필요하다면), M* fast및 M* slow는 계산되며, M* fast및 M* slow는 샘플된 형태(또는 Z변환 형태)로 쓰여진다. 도 16과 관련한 도면 및 논의는 상기한 형식화된 모델에 대한 등가적 결과를 초래하는 컴퓨터실행 근사 프로세스를 설명한다. 프로세스는 기준모델 M(이미 z변환 형태임)의 보간(interpolation: 내삽)을 포함한다.
벡터 형태에 있어서 실시예의 결과는 다음과 같다.
기준모델(0,0,0,0,0,0,a1,a2,a3,a4,a5,---ass,---ass)
슬로우 모델(0,0,0,0,0,0,0,b1,b2,b3,b4,b5,---ass,---ass)
패스트 모델(0,0,0,0,c1,c2,c3,c4,c5,---ass,---ass)
여기서, bi및 ci는 규칙을 갖는 ai로부터 보간되어진다.
식 9
xi= f*ai+(1.0-f)*ai+1
그리고, f는 각 Frk및 모델의 현재 시간(t)으로부터 계산된다.
경계가 (a) 정확하게 신뢰되는 곳에서 예측된 작용의 조작 영역과 (b) 모델이 프로세스에서의 장애를 검출하도록 신뢰되는 곳에서의 상보 동작적 영역을 분리하는 곳에서, 이러한 모델들은 제어된 프로세스 응답(작용)를 직접 정의하기 때문에 한계 모델을 정의하고 계산하는데 사용자 선택이 있음을 강조해야만 한다. 따라서, 상기한 실시예의 이점은 (즉, 전통적인 DMC에서와 같이) 기준모델 주위에 정의된 인벨로프가 없을 때, 기준모델의 유사한 불명료성이 로버스트성을 감소시키는 정도로 기준모델의 불명료성이 로버스트성을 감소시키지 않는 한 실현된다. 또한, 주목할 만한 것은 제안된 변환이 오직 (a) 데드시간과 (b) 프로세스 모델 궤도와 접촉되고, 모델의 이득이 변화되지 않는다는 사실이다. 이득에 대한 적응은 후에 가산되지만, 적응은 (a) 모델 불명료성, (b) (더욱 중요하게) 데드시간 불확실성, 및/또는 (c) (1) 시간 또는 (2) 프로세스 상태에 대한 데드시간 변화에도 불구하고 로버스트성을 달성하도록 요구되지 않는다.
형식화된 특징의 다음의 제2소부분은 로버스트 다변수 컨트롤러에서 컨트롤러 정의를 논의한다.
적절한 컨트롤러의 전체 구조는 통상적인 DMC(Dynamic Matrix Controller)와 동일하다. 이러한 점에서 적절한 컨트롤러는, 예측기 블록과, 최적화기 블록 및, 이동 계산기 블록의 3개의 블록을 갖는다. 그러나, 본 실시예의 논의에 있어서 더욱 논의하는 바와 같이, 예측기 및 이동 계산기 블록은 전통적으로 배치된 DMC와는 다르다. 최적화기 블록은 통상적인 LP 해석기(solver) 또는 소정의 다른 상업적으로 가능한 안정상태 최적화기이다.
본 실시예의 예측기 블록은 기준모델의 조건적 이용을 갖는 슬로우 및 패스트 모델을 이용함에 있어서 전통적인 DMC와는 다르다. 이러한 점에서, 차이의 중요한 요소는 프로세스의 적어도 2개의 한계 작용의 예측과 관련된다.
컨트롤러 블록은 조종되는 변수에서 최종 이동을 평가하기 위해 전통적인 DMC의 최소제곱 공식을 이용하지만, 본 실시예에 있어서 (Ei)의 계산은 DMC에 있어서 종전의 기술과는 다르고, 이러한 점에서 전통적인 계산은 다음과 같다.
식 10
△U = (AtWA)-1ㆍAtWㆍE
여기서, △U = MVt+1-MVt
또한 (AtWA)-1는 여기서 "ATA" 행렬로서 표시되고, 또한 AtWㆍE는 여기서 "ATE" 행렬로서 표시된다.
전통적인 DMC의 경우에서와 같이, "이동 억제 인자(move supression factor)"와, "등가 관련 에러(equal concern error)" 및, "강제 취급(constraints handling)"은 이러한 최소제곱 공식을 풀때 본 실시예에서 계산 및 처리된다. 이들은 벡터 E에 독립적이다. 전통적인 DMC에 있어서, 로버스트성은 최상 가능 (Reference)모델이 얻어진다는 가정하에서 "이동 억제 의뢰"에 따라 실질적으로 달성된다. 그러나, 이는 조종되는 변수의 반응 이동을 억제하는 것을 희생시켜 실행된다. 결과적으로, 컨트롤러는 장애와 설정점이 완전하게 요구된 응답성과 관련하여 변화되는 것에 대해 감소된 응답성을 갖게 된다.
그러나, 컨트롤러 로버스트성은 제어된 프로세스가 예측된 프로세스 작용을 나타내는 한 얻어질 수 있게 된다. 제어된 프로세스의 정확한 예측이 불가능하므로, 프로세스의 결정은 로버스트성이 "찾아진(found)" 곳에서의 위치에서 행해진다. 따라서, 보상에 대해 모델 불일치가 없게 되는 판단에서 완전한 컨트롤러와 같이 행동하도록 컨트롤러에 대해, 모델 불일치는 프로세스 결정의 변경에 의해 최소화되어야만 한다. 따라서, 상기한 제어 식은 다음과 같이 변형된다.
식 11
△U = (AtWA)-1ㆍAtWㆍF(모델, Y,---)
여기서, F는 프로세스 측정 Y에 종속되는 함수이고, 한계 모델을 기초로 하는 에러가 이용된다. 이러한 점에서, F(모델, Y,---)는 △U = (AtWA)-1ㆍAtWㆍE 식에서 E를 대체한다.
형식화된 특징의 다음의 제3소부분은 로버스트 다변수 컨트롤러에 대한 프로세스의 결정을 논의한다.
각 CV에 대해, 패스트 모델 CVfast로부터의 하나와, 슬로우 모델 CVslow로부터의 하나인 적어도 2개의 예측이 있다. 선택적으로, 기준모델로부터의 예측은 적어도 하나의 한계 모델에 따라 이용된다. 예측은 다음 식에 따른 전통적 DMC 관례에 따라 얻어진다.
식 12
그러나, 본 실시예에 있어서, 슬로우 모델에 대한 하나와 패스트 모델에 대한 하나인 적어도 2개의 예측 블록이 있다. 또한, 기준모델로부터 예측을 유지하는 것이 바람직하지만, 다시 이는 선택적이다.
측정된 출력(Y)은 ad-hos 함수를 통해 이러한 예측과 비교된다. 함수는 변형된 측정값 Y*를 발생시키도록 설계된다. 이 때, "보정에 대한 에러(error to correct)"는 적어도 이러한 3개의 함수와, 선택적으로 기준모델 예측이다.
식 13
Y*=f(CVfast(t),CVslow(t),Y,등등---)
실시예에서, 함수는 다음과 같이 정의된다.
식 14∼16
CVmax= Max(CVfast(t-k),CVslow(t-k)){∀k|-d<k<+d}
CVmin= Min(CVfast(t-k),CVslow(t-k))d=0,1,2 또는 3(선택)
CVmean= (CVfast+CVslow)/2.0
또는, 한편,
식 17
CVmean= CVreference더 많은 계산에 따르지만, 더 좋은 평가가 달성되는 한 바람직하게 된다.
예측된 값내에서 확장 {∀k|-d<k<+d}는 더 적고 더 많은 데드시간을 갖는 것에 대해 예측 모델의 선택을 확대한다. 따라서, 만약 d=3이면, 예컨대 이 때 이러한 함수는 각 모델이 다른 응답 작용을 발생시킴에 따라, 실질적으로 적어도 14개의 다른 모델을 이용한다.
식 18∼20
Y>CVfast이면 Y*=Y-CVfast+CVfast+CVslow
Y>CVfast이면 Y*=Y-CVfast+CVslow
한편, Y*=CVmean
(연속적인 이점을 갖는) 다른 가능한 함수는 다음과 같이 예측된 CV에서 표준화 변동에 대해 함수 Φ를 정의함으로써 얻어진다.
식 21
이는 다음에 따른 원하는 Y*를 계산하는 것이 가능하다.
식 22
"a"와 "n"의 값은 통계적 기대에 알맞는 작용을 제공하도록 조정된다. 예컨대, a=1.5 및 n=4는 원하는 효과를 갖는 함수를 발생시키고:
이는 Y가 CVfast및 CVslow이내일 때, Y*는 CVmean과 등가로 되돌아가고;
이는 CVfast또는 CVslow로부터 멀어질 때, Y*는 측정된 CV와 등가로 되돌아가며;
이는 CVfast또는 CVslow에 근접할 때, Y*는 적은 보정을 더하는 측정된 CVmean과 등가로 되돌아간다.
함수 용어인
식 23
은 측정된 출력이 슬로우 및 패스트 예측 이내에 있을 때 제로(또는 제로에 가까울 때)인 신뢰 함수이다. 제1실시예에 있어서, 신뢰 간격은 CVmax및 CVmin에 의해 정의된다. 양쪽 경우에 있어서, 함수는 스케일링 감도 인자이다. 또한, 함수는 측정된 출력이 예측으로부터 떨어져 이동할 때 1이라는 수(unity)를 향해 점프(증가)하고, 이는 측정된 출력이 보정을 필요로 하는 (조작 장치) 플랜트에서 강한 편차를 나타내는 신뢰를 나타낸다. 또한, CVmean(예컨대, (CVfast+CVslow)/2)는 (만약 가능하다면) CVreference에 의해 선택적으로 대체된다.
보상에 대한 에러는 각 CV에 대해 Y*-CVmean으로부터 즉시 평가된다. 이러한공식은 슬로우 및 패스트 모델로부터 프로세스 정보를 포함하고, 이는 동시에 적어도 2개의 모델(그리고, 선택적으로 상기 나타낸 바와 같이 더 많은 모델)을 이용하는 컨트롤러를 발생시킨다.
식 24
△U = (AtWA)-1ㆍAtW(Y*-CVmean)
형식화된 특징의 다음의 제4소부분은 로버스트 다변수 컨트롤러에서 적응형 프로세스를 논의한다.
더욱이, 로버스트성은 컨트롤러에 더해질 수 있다. 로버스트 컨트롤러는 데드시간 변화와 전체 모델 변화에 의해 야기된 프로세스 변동에도 (취급하거나 복사를 수행할 때에도) "불구하고" 아마도 안정되므로, 설명된 실시예의 전체 제어 프로세스는 비교적 개선된 안정성을 제공하게 되어, 이 때 (나머지) 이득 요소는 전통적인 DMC 관례에 대해 더 나은 효율에 따라 (본 실시예의 실시간 동작 이용 동안) 온라인에 바로 적응된다. 이러한 적응형 프로세스는 (a) 오직 이득이 적응되어지고, 또한 (b) 어떠한 불일치가 식 11에 의해 설명된 로버스트 컨트롤러 구조에 의해 모델 형상 및 모델 데드시간에 본래부터 허용되어지기 때문에, "반적응형(semi-adaptive)"으로서 아마도 더욱 정확하게 나타내어진다. 2개의 한계 예측의 이용으로부터 추출된 정보는 모든 모델(Reference, Slow, Fast Model)에 대한 (온라인) 개선 이득을 평가하기 위해 더욱 이용되어진다. 최대 안정성 정보가 가능한 곳에서 동작 영역에 대한 적응을 안내함으로써, 적응형 알고리즘은 믿을 수 있고 비분열 데이터(non-disruptive data)에 따라 공급된다. 이는 이득 평가 알고리즘이 원만하게 진행될 수 있도록 한다.
이득 적응의 프로세스는 기준모델의 과거 예측과 프로세스로부터의 이력 데이터의 비교를 포함한다. 이 때, 최소제곱근 방법에 의해 곱셈보정 인자가 평가된다.
각 CV(i)에 대한 시간 tk에서 기준모델을 기초로 하는 모델 예측은 다음과 같이 쓰여질 수 있다.
식 25
그리고, 이는 더 큰 샘플된 시간 간격과 다음의 다른 식으로 변환된다.
식 26
여기서, N은 MV와 FF의 수이고, "np"는 모델 크기로 되며, 이 때 모델에서 동일한 크기 "s"의 "r" 분할이 존재함에 따라 모델에서 np=r*s 값이 존재한다.
△CVs(i,k) 및 △Us(i,k)는 s*△t와 동일한 시간 간격에 의해 분리된 그 값의 시간 차로서 취해진다. 통상적으로, "s"가 선택됨에 따라 데드시간의 효과는 최소화되고, 이는 적응 프로세스에서 안정성을 발생시킨다.
△CVs(i,k) 값은 그 수명(age) 및 신뢰성에 따라 가중된다. 수명은△CVs(i,k)와 λ(t)를 가중함으로써 감소되어, 최근 값은 비교적 오래된 데이터 보다 적응 계산에서 더 많은 가중을 갖는다.
식 27
λ(k)= λ0 (k-1)
여기서, λ0는 통상적으로 0.9와 1.0 사이에 놓여지도록 조정된다.
신뢰성은 모델 예측과 관련되고, 따라서 슬로우 및 패스트 모델 뿐만 아니라 MV 운동의 형태에 의해 얻어진 예측된 값을 포함한다. 또한, 이는 온라인 프로세스 값 Y를 이용한다. 패스트 모델 및 슬로우 모델은 각각 기준모델에 대한 불확실성의 영역을 정의하므로, 이러한 전체 정보는 적응 이용에 대한 데이터의 준비성을 결정하는데 이용된다.
식 28
V(i,k)=f(CVslow, CVfast, CVreference, MV,Y) 그리고 0.0<V(i,k)<1.0
즉,
식 29∼식 33
CVslow≠CVfast이면
Y>CVslow및 Y>CVfast이면, 이 때 V(i,k)=0.0,
Y<CVslow및 Y<CVfast이면, 이 때 V(i,k)=0.0,
한편,
V(i,k) = Min(|Y-CVfast|,|Y-CVslow|/|CVfast-CVslow)|,
한편,
V(i,k)=1.0
마지막으로, △Us(j,k)가 그 이력 기록에 따라 그 "s" 시간 간격내에서 단조(monotonic)가 아니면, 이 때 V(i,k)=0.0이다.
U의 단조성은 다음의 식에 의해 평가된다.
식 34
|△Us|<∑Ki|△Ut+i|
각 Ki>0에 따라 ∑Ki= 1.0에 따른다(이력 데이터에서의 첫번째 △Ut+i값의 효과를 우선적으로 가중하도록 선택됨).
선택적으로, 제안된 스케일링 감도 인자의 일부는 V함수를 결정한다.
식 35
무엇을 선택하여도, 이러한 함수는 적어도 2개의 한계 모델로부터 얻어진 예측을 이용함으로써 이득과 다른 모델 파라미터에 의해 야기된 모델 불일치의 효과를 삭제(또는 최소화)하도록 사용자에 의해 선택된다. 선택된 함수는 (a) 적은 장애를 갖는 결정론적 프로세스 또는 (b) 강한 확률론적 장애에 의해 특징지워지는프로세스와 같은 프로세스의 특성에 따라 변화된다. 함수 V는 (a) 프로세스 이득을 적응하기 위한 가장 가치있는 정보를 포함하는 데이터를 스크리닝하고, (b) 적응 프로세스에서 에러를 도입하는 몇몇 천이 및 장애를 거절하는 효과를 갖는다.
계속해서, 각 △CVs(i,k)는 다음의 가중 함수에 의해 변형된다.
식 36
△CVs(i,k)=△CVs(i,k)*(λ(k)*V(i,k))
이는 다음의 제곱합 에러의 최소화를 설명하는데 이용되는 행렬 "C"를 형성한다.
식 37
합은 유용한 이력 데이터상에서 수행된다.
식 38∼식 39
S(i)를 최소화하기 위해, 이득에서의 변화의 세트는 각 모델의 실제 "a"값의 승산을 제공하도록 도입된다. 이들은 합의 각 항목을 승산하는 △G(i,j)이다(식 39). 따라서, 모델이 있는 만큼 많은 △G가 있게 된다. 이후의 참조를 위해, △U 및 △CV 양은 "델타-에스 양(delta-s quantities)"으로 총괄적으로 표시된다.
계속해서, 이득의 변화는 최저제곱 공식으로부터 계산된다.
식 40
△G(i) = (CtHC)-1ㆍCtH△Y(i)(각 CVi에 대해 반복됨)
결과적인 개개의 △G(i) 승산자는 타당화 및 이완화(필터화)되어, 원활한 변화가 실행된다. 몇몇 경우에 있어서, 타당성 프로세스는 전체 벡터 평가의 거절을 초래하게 된다. 이러한 경우, 타당성 프로세스는 적응에 대해 로버스트성을 가산하게 된다.
계속해서, 각 모델(Slow, Fast, Reference)은 행렬 △G(i)에 의해 갱신된다.
식 41
M=Mㆍ△G(i)
이는 각 선택된 CV(i)에 대해 반복된다. 각 CV(i)는 이러한 점에서 필요적으로 적응을 필요로 하지 않고, 이는 (a) 컨트롤러 시운전(commissioning)에서의 정의 또는 (b) 각 개개의 CV에 대한 "턴온" 또는 "턴오프"에 의한 실시간 동작에서의 실행을 선택한다.
형식화된 특징의 다음의 제5소부분은 로버스트 다변수 컨트롤러에서 적응에 대한 결정을 논의한다.
식 42
△G=(CtHC)-1ㆍCtH△Y
적응 결과의 실행은 모든 모델에 영향을 미치고, 불량조건의 행렬이나 단일 행렬을발생시키게 된다. 명백한 바와 같이, 단일 행렬 또는 불량조건 행렬은 제어를 위해 실행되어지지 않아야 한다. 따라서, 이득은 소정의 이득 변화의 결과를 분석함으로써 타당화된다. 이는 한층 더한 로버스트성을 적응 프로세스에 가산한다.
초기 모델은 고유값 또는 단일값과 같은 특징 값의 세트를 발생시키는데 이용된다. 계산은 통상적으로 상업적 패키지와 함께 수행된다. 따라서, 분해 계산 프로세스로부터 오직 결과 벡터와 행렬만이 여기서 중요하다.
이러한 특징 값은 더 많은 변화를 타당하게 하는데 이용되고, 이는 기준값으로서 기능한다.
다음은 이득이 스케일 및 물리적 유니트 효과를 보상하도록 표준화되는 것을 가정한다. 이득 행렬은 a-차원을 이룬다.
프로세스 이득의 행렬이 적응의 목표이므로, 특징값은 Greference로부터 얻어진다.
식 43
고유값에 대해: Greference= T-1ㆍλㆍT;
식 44
단일값에 대해: Greference= Uㆍ∑ㆍV
행렬 λ 또는 ∑는 모니터에 대한 특징값을 포함한다. 불량조건 행렬에 대해, (a) 프로세스의 하나의 특징값에서 부호의 변화를 검출하는 것과, 그 후 (b) 모든 특징값에서 동일한 부호를 발생시켜 컨트롤러 안정성에 부가하도록 모델 이득에서 부호의 등가 변화를 반응적으로 실행하는 것이 필요하다.
벡터 T 및/또는 U,V는 일정하게 유지되고, 특징값만이 갱신된다. 이 때, 적응이 모델 이득 G(i,j)에서 변화를 계산함에 따라, 새로운 대응하는 λ 또는 ∑가 λ*또는 ∑*를 발생시키도록 결정되고 타당화된다. 타당화된 특징값은 이 때 최종 이득을 역계산(back-calculating)하는데 이용된다.
식 45
고유값에 대해: G* ref,slow,fast= T-1ㆍλㆍT;
식 46
단일값에 대해: G* ref,slow,fast= Uㆍ∑*ㆍV
몇몇 보호수단은 급격한 변화를 방지하도록 바람직하게 도입되는 것을 주지해야만 한다. 이러한 점에서, (임계값 ε보다 크거나 동일한) 큰 특징값과 (임계값 ε보다 작은) 작은 특징값이 다른 방법으로 취급된다. 제어된 프로세스와 모델 사이의 부호 차이가 더 큰 것을 갖출 것 같기 때문에, 작은 값은 불안정성 및 잠재적 발산과 관련된다. 따라서, 작은 특징값은 크기를 감소시키도록 허용되지 않는다. 임계값은 변화가 컨트롤러에 발산을 도입할 수 있는(즉, 반전된 이득) 곳에서, 한계를 지나는 것으로부터 소정의 크기 변화를 방지하도록 정의(ε로 표시)된다. 발산 문제는 적응 매카니즘에 의해 해결되지는 않는다. 다른 매카니즘은 소부분6에서 설명되어진다.
소정 특징값이 부호 변화를 나타내고, (그리고, 동시에) 큰 값이면, 이 때 해당 CV와 관련된 이득을 위한 적응은 신뢰할 수 없음에 따라 거절되게 된다. 한편, 특징값은 다음의 식에 따라 타당화 및 이완된다.
식 47 및 식 48
λ* i,t= max(ε,(1.0-h)*λreference,min(ε,(1.0+h)*λreference* i,t))
f가 0.0<f<1.0을 선택함에 따라, λ* i,t= λ* i,t+ f** i,t- λ* i,t-1)
여기서, "h"는 초기 특징값에 대한 클램핑 한계를 정의하고, "f"는 변화의 속도를 제한한다. 선택적으로, "f"는 이력 데이터를 기초로 조정된다.
식 49
f = g(과거 λ의 통계)
필터링되지 않은 특징값은 (a) "f"가 과거 계산된 특징값의 통계를 기초로 할 때 더욱 이용하기 위해, 또는 (b) 적응 프로세스의 안정성을 억세스하도록 이력에 유지된다.
형식화된 특징의 다음의 소부분6은 로버스트 다변수 컨트롤러에서 발산 및 적응의 결정을 논의한다.
이전에 설명한 바와 같이, 초기 기준모델은 고유값 또는 고유 벡터, 또는 단일값 분해 ∑와 같은 특징값을 계산하는데 이용된다.
계산은 캠브리지 유니버시티 출판부(Cambridge University Press)에 의한"Recipes in C"와 같은 상업적 패키지에 따라 수행된다.
발산에 대한 적응의 프로세스는 이전의 2개의 소부분의 반적응 매카니즘(semi-adaptative mechanism)에 의존하지 않고 독립적으로 실행된다.
(단일값 분해에서) 고유벡터의 세트 또는 V의 벡터는 효과가 완화되는 공간으로 현재의 MV의 맵핑을 구성한다.
(일정하게 유지된) 벡터 T 및/또는 U, V는 △CV(i) 및 △MV(i)를 변환시키는데 이용된다. 이러한 마지막 2개의 양(quantities)의 평가는 "델타-에스 양(delta-s quantities)"을 이용하는 것에 의해 수행된다.
식 50
△CVs(i,k) 및 △MVs(i,k)
(다시 한번) 데드시간의 효과를 최소화하도록 된다. 이는 발산 검출 매카니즘에서 안정성을 발생시킨다.
이 때, 각 △MVs(i,k) 및 △CVs(i,k)는 타당성 인자 V(i,k)에 의해 타당화된다. 이는 조종되는 변수 및 제어되는 변수에서 변화의 천이 성질을 나타내는 슬로우 및 패스트 모델로부터 도입되는 정보를 이용한다.
식 51 및 식 52
△MVs(i,k) = △MVs(i,k)*V(i,k);
△CVs(i,k) = △CVs(i,k)*V(i,k);
마지막으로, 변환이 다음 식에 의해 수행된다.
식 53
고유값에 대해: A = Tㆍ△CVs및 B = Tㆍ△MVs
식 54
단일값에 대해: A = U-1ㆍ△CVs및 B = Vㆍ△MVs
A의 요소는 CV로 변환되고, B의 요소는 MV로 변환된다. 이는 효과의 완화를 도입한다.
계속해서, 특징값의 부호의 평가는 A의 요소에 대한 난제로 요소 및/또는 B의 충분히 큰 요소의 비에 의해 얻어진다. A의 소정의 요소의 "너무 작은(too-small)" 값은 명백히 대응하는 MV가 (a) 움직이지 않거나, 또는 (b) 대응하는 변환된 CV상에서 작용하도록 일제히 움직이지 않는다는 것을 나타낸다. 이 경우, 결론이 대응하는 특징값과 관련하여 도달되는 것이 없고, 따라서 아무것도 변화되지 않는다.
알려진 작은 특징값은 전공자에 의해 추적되고, 불변의 부호 변화는 포지티브 발산 검출신호를 야기시킨다. 여기서 논리는 CUSUM 알고리즘으로부터 추출된 것과 같은 통계를 이용하는 사용자 선택 알고리즘을 주로 기초로 한다.
발산이 검출될 때, (λ 및 ∑의 값에 대응하지만, 부호는 인버트됨에 따른)모델 이득 G(i,j)에서의 변화는 발생된 λd및 ∑d에 도입된다. 이는 (고유값에 대해) 다음의 변환이 소정의 작은 고유값(다른 고유값은 잘 적응될 수 있음)을 위해달성되는 것을 의미한다.
식 55
반전된 특징값을 갖는 λd로 표시되는 새로운 벡터는 최종 이득을 역계산하는데 이용된다.
식 56
고유값(eigenvalues)에 대해: Gd ref,slow,fast= T-1·λd·T
식 57
특이값에 대해: Gd ref,slow,fast= U·∑d·V
그 후, 새로운 이득이 기준모델 내로 삽입되고, 어떤 다른 모델이 그것(예컨대, 패스트 모델 및 슬로우 모델)으로부터 미리 유도된다. 이것은, 모든 모델의 모든 대응하는 부분에 대해 동일한 이득을 유지하는데 중요한 것이다.
바람직한 실시예에서의 더 한층의 설명은 도면 및 그들의 설명의 고찰로부터 인식되고 있다. 이제, 그 도면 및 도 1로 돌아가면, 시스템 개관(100)은 적용된 설명되는 실시예에 있어서 물리적인 구성요소의 개관을 나타낸다.
제어 컴퓨터(104)는 조작되는 장치(피조작장치; 102)의 실시간 조작 감시 및 제어시에 제어 컴퓨터 로직(120)의 실행을 위해 제어 컴퓨터 CPU(122)를 합체하고 있다. 조작되는 장치(102)는 특별한 제한은 없고, 예로서 스트림 터빈, 가스 터빈, 케미컬 프로세스(chemical process), 내부 연소 엔진 또는 용광로(furnace) 등이 있다.
통신 인터페이스(106)는 제어 컴퓨터(104)와 다변수 컨트롤러(108)간의 양방향 통신을 촉진함에 있어서 통신 인터페이스 로직(116)의 실행을 위해 통신 인터페이스 CPU(118)를 합체하고 있다.
다변수 컨트롤러(108)는 바람직한 실시예의 방법론에 있어서 다변수 컨트롤러 로직(112)의 실행을 위해 다변수 컨트롤러 CPU(114)를 합체하고 있으며, 도 2의 다변수 컨트롤러의 논리적인 상세(200)가 다변수 컨트롤러 로직(112)의 더 한층의 상세를 나타낸다. 모니터 및 키보드(110)는 정보 및 데이터의 인간의 조망에 감시를 제공한다.
아날로그 입력신호(124)는 제어 컴퓨터(104)로의 전기적인 전압입력으로서 조작되는 장치(102)로부터의 아날로그 입력신호를 제공하고, 조작되는 장치(102) 내의 속성(예컨대, 온도 또는 압력)에 응답하고 있다. 제어 컴퓨터(104) 내에서의 데이터논리 실체로의 변환 후에, 실시간 인터페이스 로직(210)의 측정되는 속성의 제어가 제어 컴퓨터(104)나 다변수 컨트롤러(108)의 어느 하나에 있어서 전개되는 컨트롤러의 목표인 한에 있어서는 아날로그 입력신호(124)는 제어되는 변수(Controlled Variable: CV)로서 표시된다.
디지탈 입력신호(126)는 제어 컴퓨터(104)로의 전기적인 전압입력으로서 조작되는 장치(102)로부터의 디지탈 입력신호를 제공하고, 조작되는 장치(102) 내의 속성(예컨대, 개방되거나 개방되지 않은 밸브)에 응답하고 있다. 제어 컴퓨터(104) 내에서의 데이터논리 실체로의 변환 후에, 실시간 인터페이스 로직(210)의 측정되는 속성의 제어가 제어 컴퓨터(104)나 다변수 컨트롤러(108)의 어느 하나에 있어서 전개되는 컨트롤러의 목표인 한에 있어서는 디지탈 입력신호(126)는 제어되는 변수(CV)로서 표시된다.
디지탈 출력신호(128)는 조작되는 장치(102)에 있어서의 제어요소의 위치를 변경 및 처리하기 위해 전기적인 전압입력으로서 제어 컴퓨터(104)로부터의 디지탈 출력신호를 제공한다. 그렇게 함으로써, 디지탈 출력신호(128)는 조작되는 장치(102)의 속성(예컨대, 펌프를 통한 유체 전송을 가능하게 할 때에 유체로의 전송에 이용할 수 있는 운동에너지)을 변경하고 있다. 따라서, 값이 디지탈 출력신호(128)의 전압으로 나타내어지는 제어 컴퓨터 로직(120), 통신 인터페이스 로직(116) 및 다변수 컨트롤러 로직(120) 내의 데이터논리 실체는 조종되는 변수(Manipulated Variable: MV)로서 표시된다.
아날로그 출력신호(130)는 조작되는 장치(102)에 있어서의 제어요소의 위치를 변경 및 처리하기 위해 전기적인 전압입력으로서 제어 컴퓨터(104)로부터의 아날로그 출력신호를 제공한다. 그렇게 함으로써, 디지탈 출력신호(130)는 조작되는 장치(102)의 속성(즉, 파이프 내에서의 유체 흐름에 이용할 수 있는 단면영역)을 변경하고 있다. 따라서, 값이 아날로그 출력신호(130)의 전압으로 나타내어지는제어 컴퓨터 로직(120), 통신 인터페이스 로직(116) 및 다변수 컨트롤러 로직(120) 내의 데이터논리 실체는 조종되는 변수(MV)로서 표시된다.
조작되는 장치(102), 제어 컴퓨터(104) 및 통신 인터페이스(106)의 본질은 당업자에게 명백하게 되리라고 생각되는데, 설명되는 바람직한 실시예 및 그들의 용도의 전반적인 이해를 가능하게 하기 위해 여기에 소개되고 있다. 다변수 컨트롤러(108)의 상세는, 이 명세서에 있어서 가장 다음의 논의의 초점이다. 제어 컴퓨터(104)의 일례는, 2000년 1월 12일에 출원된 미국 특허출원 제09/482,386호(명칭: 통합된 안정 제어 시스템을 갖춘 프로세스 제어 시스템)에 있어서 주어진다.
이제 도 2로 돌아가면, 다변수 컨트롤러의 논리적인 상세(200)는 다변수 컨트롤러 로직(112)의 상세를 나타낸다. 휴먼 인터페이스 로직(human interface logic; 202)은, 모니터 및 키보드(110)의 스크린 상에 조망(viewing)을 위한 데이터 출력을 제공하고, 키보드와 모니터 및 키보드(110)로부터의 합병시킨 입력장치(예컨대, 트랙볼(trackball), 마우스)로부터의 데이터 입력을 제공한다. 모델(204)의 상세는 도 5 내지 도 10의 시간의존 비통합 특성화(500), 다중 비통합 모델 특성화(600), 비통합 모델 관성 특성(700), 시간의존 통합 함수 특성화(800), 다중 통합 모델 특성화(900) 및 통합 모델 관성 특성(1000)에 나타내어져 있다. MV 결정 로직(206)은 제어되는 변수(214) 및 피드포워드 변수(216) 값의 상황에 있어서 조종되는 변수(212)를 결정하는데 반응을 잘 일으키는 제어 로직을 실행한다. 적응 로직(adaptation logic; 208)은 모델(204) 및 MV 결정 로직(206) 내에서 제어관련 값을 적응시키기 위한 로직을 제공한다. 적응 로직(208)은 발산 응답로직(218), 이득 결정 로직(220) 및 기록보관 로직(Archival Logic; 222) 논리부를 갖는다. 실시간 인터페이스 로직(210)은 (통신 인터페이스(106)에 의해 가능하게 되는 데이터 통신으로부터) 제어 컴퓨터 로직(120)으로부터 변하기 쉬운 피드포워드 변수(216) 및 조종되는 변수(212)를 독출하고, 이들 변수를 MV 결정 로직(206)으로 통신한다. 실시간 인터페이스 로직(210)도 또한 MV 결정 로직(206)으로부터 변하기 쉬운 조종되는 변수(212)를 독출하고, 이들 변수를 (통신 인터페이스(106)에 의해 가능하게 되는 데이터 통신을 통해) 제어 컴퓨터 로직(120)으로 통신한다.
이제 도 3으로 유의하여 계속 진행하면, 기본적인 제어시스템 블록도(300)는 모델을 통합하는 컨트롤러 구조에 대한 전통적인 제어 시스템도를 나타낸다. 컨트롤러(302)는 모델(306)의 효과적인 반전으로서 종종 결정되는) 컨트롤러이다. 제어되는 장치(피제어장치; 304)는 조작되는 장치(102)의 컨트롤러 블록 표현이다. 모델(306)은 제어 하에 있는 제어되는 장치(304)의 관점의 컴퓨터실행 모델이다. 장애/CV 가산점(308)은 장애(312) 및 제어되는 장치(304)로부터의 출력(제어되는 변수)에 대한 가산점이다. 모델/CV 가산점(310)은 모델(306) 출력(제어되는 변수의 모델결정 값) 및 장애/CV 가산점(308)으로부터의 출력(어떤 장애(312)의 영향을 포함하는 제어되는 변수의 실질적인 값)에 대한 가산점이다. 장애(312)는 컨트롤러(402)에 의해 성립되지 않는 제어되는 변수 상의 어떤 영향이다. 설정점(setpoint; 314)은 (a) 조작기술자 또는 (b) 제어되는 변수의 소망하는 값에 관한 자동 설정점 결정시스템의 어느 하나의 결정을 나타낸다.
도 4에 있어서, 다변수 컨트롤러 제어시스템 블록도(400)는 바람직한 실시예에 따른 모델 구조를 통합하는 컨트롤러 구조에 대한 제어 시스템도를 나타낸다. 컨트롤러(402)는 다변수 컨트롤러 제어시스템 블록도(400)에 있어서 추출된 기능에 대한 컨트롤러(302)와 밀접하게 제휴되어 있다. 컨트롤러(402)는 선형 프로그램(426)을 통합하고 있다. 제어되는 장치(304), 장애/CV 가산점(308) 및 장애(312)는 제어되는 장치(304)로부터 반복되어 있다. 컨트롤러(402)에 있어서의 더 한층의 상세는 도 17의 컨트롤러 조작(1700)에서 설명되어 있다. 프로세스 장애값 가산점(404)은 모델링 에러 계산블록(406) 출력 및 장애/CV 가산점(308) 출력에 대한 가산점이다. 프로세스 장애값 가산점(404)으로부터의 출력은 컨트롤러(402)로의 입력이다. 모델링 에러 계산블록(406)은 패스트 모델(Fast Model; 410), 기준모델(Reference Model; 408) 및 슬로우 모델(Slow Model; 412)의 이용을 통한 제어되는 변수의 분리된 모델결정예에 대한 제어되는 변수의 모델결정에 있어서의 에러의 정도를 결정한다. 기준모델(408)의 모델이 적응 블록(416)으로부터의 입력을 매개해서 사용상 변경될 수 있다는 점을 제외하고, 기준모델(408)은 모델(306)과 추상적으로 등가이다. 패스트 모델(410) 및 슬로우 모델(412)의 모델은, 도 5 내지 도 10의 시간의존 비통합 특성화(500), 다중 비통합 모델 특성화(600), 비통합 모델 관성 특성(700), 시간의존 통합 함수 특성화(800), 다중 통합 모델 특성화(900) 및 통합 모델 관성 특성(1000), 및 도 12 내지 도 16의 모델 구성 단계(1200), 데드시간 시간축 속성결정(1300), 정상상태 시간축 속성결정(1400), 램프부 결정 상세(1500) 및 곡선부 결정 상세(1600)에 있어서 더 설명되는 바와 같이 기준모델(408)의 모델로부터 결정된다.
이력 블록(History Block; 414)은 다변수 컨트롤러 제어시스템 블록도(400)에 있어서의 기록보관 로직(Archival Logic; 222)을 나타낸다. 이력 블록(414)은 (a) 제어되는 장치(304)로 보내지는 제어되는 변수, (b) 컨트롤러(402)로부터의 조종되는 변수 및 (c) 패스트 모델(410), 기준모델(408) 및 슬로우 모델(412)로부터의 제어되는 변수의 출력 모델 결정 값과의 데이터 독출 통신이 가능하고, 이들 제어블록 요소로부터 수신된 데이터는 필요에 따라 패스트 모델(410), 기준모델(408), 슬로우 모델(412) 및 컨트롤러(402)를 적응시킬 때에 적응 블록(416)에 의한 사용을 위해 기록보관된다. 적응 블록(416)은 필요에 따라 패스트 모델(410), 기준모델(408), 슬로우 모델(412) 및 컨트롤러(402)를 적응시킬 때에 기록보관된 값을 사용하기 위해 이력 블록(414)과의 양방향 데이터 통신이 가능하다. 발산 응답 루틴(418)은 컨트롤러(402), 기준모델(408), 패스트 모델(410) 및 슬로우 모델(412)에 있어서 사용하도록 제어 이득을 결정하기 위한 적응 블록(416)의 논리적인 부분이다. 이득 결정 루틴(420)은, 컨트롤러(402), 기준모델(408), 패스트 모델(410) 및 슬로우 모델(412)에 있어서 사용하게 될 후보자 변경 데이터가 제어되는 장치(102)의 소망하지 않는 발산 제어를 제공하도록 다변수 컨트롤러 제어시스템 블록도(400)에 따른 시스템을 구성할 수 있는지를 결정하기 위한 적응 블록(416)의 논리적인 부분이다. 적응 블록(416)은 패스트 모델(410), 기준모델(408), 슬로우 모델(412) 및 컨트롤러(402)로 적응 정보를 입력한다. 한 실시예에 있어서는, 컨트롤러-어댑터 데이터 경로(422)는 컨트롤러(402)의 방향에 따라 적응 블록(416) 로직의 조작을 촉진하고, 적응 블록(416)은 어댑터-컨트롤러데이터 경로(424)를 매개한 입력을 제공한다. 변형 실시예에 있어서는, 적응 블록(416)은 컨트롤러-어댑터 데이터 경로(422)를 매개한 컨트롤러(402) 방향의 이익 없이 컨트롤러(402)와 병렬로 동작하고, 어댑터-컨트롤러 데이터 경로(424)를 매개해서 컨트롤러(402)로 입력을 제공한다.
이제 도 5로 돌아가면, 시간의존 비통합 특성화(500)는 바람직한 실시예의 모델링 어프로치를 이해하는데 유용한 것으로, 모델(306)을 정의하는데 사용되는 것과 같은 각각의 조종되는 변수에서의 단위 단계 변화에 대한 제어되는 변수 변화의 전통적인 비통합 응답 모델(주모델)의 묘사(depiction)를 나타낸다. 시간의존 비통합 특성화(500)는 또한 기준모델(408)을 정의하는데 사용되는 응답모델의 묘사이다. 시간의 이산 간격의 세트(502)는 동일한 시간 계속기간의 시간의 각각의 이산 간격(504)과 함께 시간축(506) 상에 나타내어져 있다.
제어되는 변수 크기(508)에 대한 축은 시간축(506)과 직교하는 교점으로 묘사되고, 각각의 조종되는 변수에서의 단위 단계변화의 순간에(시간축 제로값) 제로시간 시간축 속성(512)을 나타낸다. 제로시간 시간축 속성(512)과 주모델 데드시간 시간축 속성(516; 도 5 내지 도 10에 있어서의 축(506) 경계 설정자(locator) 기준 C) 사이의 함수는, 보통 응답 모델에 있어서 "데드시간 (Dead-Time)"이라고 명명되고 있다. 이 모델은 주모델 정상상태 시간축 속성(520; 도 5 내지 도 8에 있어서의 축(506) 경계 설정자 기준 F)까지 시간상 계속되는 주모델 데드시간 시간축 속성(516; 축(506) 경계 설정자 기준 C)에서 주모델 곡선부(522)에 따라 응답을 초기화한다. 주모델 정상상태 시간축 속성(520)으로부터 최대시간 시간축속성(514; 도 5 내지 도 10에 있어서의 축(506) 경계 설정자 기준 B)까지, 모델은 응답 이득 속성(518)에 따른 제어되는 변수에서의 변경을 달성한 후에, 주모델 호말로이달부(510)에서의 일정한 응답을 나타낸다.
이제 도 6으로 돌아가면, 다중 비통합모델 특성화(600)는 시간의 이산간격(504), 시간축(506), 제어되는 변수 크기(508), 주모델 호말로이달부(510), 제로시간 시간축 속성(512), 최대시간 시간축 속성(514; 축(506) 경계 설정자 기준 B), 주모델 데드시간 시간축 속성(516; 축(506) 경계 설정자 기준 C), 응답 이득 속성(518), 주모델 정상상태 시간축 속성(520; 축(506) 경계 설정자 기준 F) 및 주모델 곡선부(522)를 반복하고, 그 후 패스트 모델 곡선부(606; 패스트 모델 데드시간 시간축 속성(602)과 패스트 모델 정상상태 시간축 속성(604) 사이에 배치됨) 및 패스트 모델 호말로이달부(614; 패스트 모델 정상상태 시간축 속성(604)과 최대시간 시간축 속성(514) 사이에 배치됨)를 갖는, 제로시간 시간축 속성(512)∼패스트 모델 데드시간 시간축 속성(602; 축(506) 경계 설정자 기준 C')∼패스트 모델 정상상태 시간축 속성(604; 축(506) 경계 설정자 기준 F')∼최대시간 시간축 속성(514; 축(506) 경계 설정자 기준 B)에 의해 정의된 함수에 따라 패스트 모델을 나타낸다. 또, 슬로우 모델은 슬로우 모델 곡선부(610; 슬로우 모델 데드시간 시간축 속성(612)과 슬로우 모델 정상상태 시간축 속성(608) 사이에 배치됨) 및 슬로우 모델 호말로이달부(616; 슬로우 모델 정상상태 시간축 속성(608)과 최대시간 시간축 속성(514) 사이에 배치됨)를 갖는, 제로시간 시간축 속성(512)∼슬로우 모델 데드시간 시간축 속성(612; 축(506) 경계 설정자 기준 C")∼슬로우 모델 정상상태 시간축 속성(608; 축(506) 경계 설정자 기준 F")∼최대시간 시간축 속성(514)에 의해 정의된 함수에 따라 나타내어지고 있다. 슬로우 모델 및 패스트 모델은 모두 시간의존 비통합 특성화(500)에 따라 주모델(기준모델)로부터 유도되고 있다.
이제 도 7로 유의하여 계속 진행하면, 비통합 모델 관성 특성(700)은 패스트 모델과 주모델 사이의 패스트 동적 응답 관성 특성(702) 및 주모델과 슬로우 모델 사이의 슬로우 동적 응답 관성 특성(704)의 그 이상의 식별과 더불어 다중 비통합모델 특성화(600)를 나타내고 있다.
이제 도 8로 돌아가면, 시간의존 통합 함수 특성화(800)에 따른 주모델(기준모델)은 모델(306)을 정의하는데 사용되는 것과 같은 각각의 조종되는 변수에서의 단위 단계 변화에 대한 제어되는 변수 변화의 전통적인 통합 응답 모델(주모델)의 묘사(depiction)를 나타낸다. 시간축(506), 시간의 이산 간격(504), 제로시간 시간축 속성(512), (각각의 시간축(506) 기준 경계 설정자 B를 따른) 기준 최대시간 시간축 속성(514) 및 (각각의 시간축(506) 기준 경계 설정자 C를 따른) 주모델 데드시간 시간축 속성(516)은 시간의존 비통합 특성화(500)의 기준프레임과 치수의 정렬을 나타내도록 반복되고 있다. 주모델 램프부(802)는 주모델을 시간의존 비통합 특성화(500)에 있어서 묘사된 것과 구별짓고, 응답의 경사(slope)로서의 램프비율의 속성을 시간의 함수로서 갖는다.
도 9에 있어서, 다중 통합모델 특성화(900)는 점 제로시간 시간축 속성(512), 패스트 모델 데드시간 시간축 속성(906; 시간축(506) 기준 경계 설정자C') 및 최대시간 시간축 속성(514)에 의해 정의된 함수에 있어서의 패스트 모델, 및 제로시간 시간축 속성(512), 슬로우 모델 데드시간 시간축 속성(908; 시간축(506) 기준 경계 설정자 C") 및 최대시간 시간축 속성(514)에 의해 정의된 함수에 있어서의 슬로우 모델의 통합 응답 모델 등가를 나타낸다(여기서, 최대시간 시간축 속성(514)은, 모든 모델 시간의존 비통합 특성화(500), 다중 비통합 모델 특성화(600), 비통합 모델 관성 특성(700), 시간의존 통합 함수 특성화(800), 다중 통합 모델 특성화(900) 및 통합 모델 관성 특성(1000)에 있어서 점 B에 대한 특이점이라는 것에 주의해야 한다). 주모델 램프부(802)는 시간의 기준점 이산 간격(504), 시간축(506), 제로시간 시간축 속성(512), 최대시간 시간축 속성(514) 및 주모델 데드시간 시간축 속성(516; 시간축(506) 기준 경계 설정자 C)를 따라 주모델로부터 반복되고 있다. 패스트 모델은 패스트 모델 데드시간 시간축 속성(906) 및 최대시간 시간축 속성(514)에 접속된 함수부에 의해 정의된 패스트 모델 램프부(902)를 갖는다. 슬로우 모델은 슬로우 모델 데드시간 시간축 속성(908) 및 (시간축(506) 기준 경계 설정자 B)에 의해 표시된 특이점에서) 최대시간 시간축 속성(514)에 접속된 함수부에 의해 정의된 슬로우 모델 램프부(904)를 갖는다.
이제 도 10으로 돌아가면, 통합 모델 관성 특성(1000)은 패스트 모델과 주모델(기준모델) 사이의 패스트 동적 응답 관성 특성(1002) 및 주모델(기준모델)과 슬로우 모델 사이의 슬로우 동적 응답 관성 특성(1004)의 그 이상의 식별과 더불어 다중 통합모델 특성화(900)를 나타내고 있다.
이제 도 11로 유의하여 계속 진행하면, 바람직한 실시예에 대한 방법에서의 상세의 고찰, 다변수 컨트롤러 범용 개발동작(1100)은 모델 변수 컨트롤러를 이용할 때의 단계의 폭 넓은 개관을 나타낸다. 모델 구성 단계(1102)에 있어서, 조작되는 장치(102)가 조작되고 데이터는 주모델을 세우도록 얻어지며, 주모델은 기준모델(408)에서의 사용을 위해 구성되고 있다. DMC(Dynamic Matrix Controller) 모델은 초기의 주모델의 특성을 나타내고 있다. 또한, 패스트 모델(410) 및 슬로우 모델(412)(및 다중 비통합 모델 특성화(600), 비통합 모델 관성 특성(700), 시간의존 통합 함수 특성화(800), 다중 통합 모델 특성화(900) 및 통합 모델 관성 특성(1000))의 패스트 및 슬로우 모델도 도 12 내지 도 16의 모델 구성 단계(1200), 데드시간 시간축 속성결정(1300), 정상상태 시간축 속성결정(1400), 램프부 결정 상세(1500) 및 곡선부 결정 상세(1600)의 더 한층의 상세에 따라 세워지고 있다. 주모델은 또한 컨트롤러(402)의 응답을 제공하도록 반전되고 있다. 초기의 동조 단계(Tuning Step; 1104)에 있어서, 다변수 컨트롤러 제어시스템 블록도(400)는 더욱이 제어 엔지니어가 동조 파라미터를 정의하는 것과 같이 구성되어 있다. 조작 단계(1106)에 있어서, 다변수 컨트롤러 제어시스템 블록도(400)는 도 17a 및 도 17b의 컨트롤러 조작(1700)에 따라 조작되는 장치(102)를 제어하기 위해 사용되고 있는데, 이 단계를 실행함에 있어서 장애 예측은 모델의 세트로부터 조종되는 변수 전부와 하나의 제어되는 변수의 상호작용으로 예측되는 모델링 에러값을 설정하기 위해 MV 결정 로직(206)의 로직 내에서 작용한다. 또한, 제어되는 변수 크기로부터의 예측된 프로세스 장애값과 예측된 모델링 에러값도 계산된다. 그후, 이들 예측된 모델 에러값 및 예측된 프로세스 장애 에러값을 이용하여 동조 데이터나 모델 데이터의 어느 하나의 그 이상의 적응에 대한 필요성을 결정한다.
상술한 실시예에 있어서 이용되는 방법의 논의를 제공함에 있어서, 도 12 내지 도 20은 플로우차트의 일반적인 동기 내에서 순서화된 진행을 나타내는 기본적인 가상의 단계의 유용한 세트를 나타내지만, 명확하게 되는 바와 같이 특별히 분기하기 위한 프로토콜 없이 나타내어지는 어떤 병렬 및 대체 경로의 점에서 이들 플로우차트는 컴퓨터 로직 코딩을 위한 설계 레벨 템플릿(template)을 엄밀하게 묘사하는 것을 의미하지는 않는다. 이들 도면에 묘사된 방법 및 프로세스로부터 코딩 플로우시트(coding flowsheet) 및 그때부터 실행가능한 코드로의 변환은 명백하게 될 것이고, 이들 도면 및 논의를 똑바로 제공하게 될 것이다.
이제 도 12로 돌아가면, 모델 구성 단계(1200)는 각각의 패스트 모델 및 각각의 슬로우 모델에 대해 각각의 주모델의 변형에 있어서의 모델 구성 단계(1102) 상세의 첫 번째 레벨을 나타낸다. 패스트 모델 곡선부 변형 단계(1202)는 패스트 모델 곡선부(606) 정의에 대한 경로를 초기화하고, 슬로우 모델 곡선부 변형 단계(1204)는 패스트 모델 곡선부(610) 정의에 대한 경로를 초기화한다.
도 13 내지 도 16은 모델의 특정의 고찰 및 모델 구성 단계(1200)의 개괄적인 묘사에 있어서의 그 이상의 상세를 나타낸다. 도 13의 데드시간 시간축 속성 결정(1300)은 주모델 데드시간 시간축 속성(516) 정의에서의 상세를 나타낸다. 도 14의 정상상태 시간축 속성 결정(1400)은 주모델 정상상태 시간축 속성(520) 정의에서의 상세를 나타낸다. 도 15의 램프부 결정 상세(1500)는 시간의존 통합 함수특성화(800) 및 다중 통합 모델 특성화(900)에 있어서의 주모델 데드시간 시간축 속성(516) 및 주모델 램프부(802) 속성 결정에서의 상세를 나타낸다. 도 16의 곡선부 결정 상세(1600)는 주모델 곡선부(522)로부터의 패스트 모델 곡선부(606) 및 슬로우 모델 곡선부(610) 결정에서의 상세를 나타낸다.
이제 도 17로 돌아가면, 컨트롤러 조작(1700)은 MV 결정 로직(206) 및 컨트롤러(402)의 조작 상의 프로세스를 나타낸다. 이력갱신 단계(1702)에 있어서, 현존하는 MV, FF 및 CV 변수에 대한 데이터는 적응 블록(416)에서의 기록보관 및 사용을 위해 이력 블록(414)으로 송신되고 있다. 이력은 N개의 입력(CV) 변수, L개의 피드포워드(FF) 변수 및 M개의 출력(MV) 변수에 대해 세워진다. 적응 결정 단계(1704)에 있어서, (제어되는 변수 크기로부터의) 예측된 프로세스 장애값 및 예측된 모델링 에러값이 계산된다. 예측된 모델 에러값 및 예측된 프로세스 장애 에러값은, 그 후 동조 데이터나 모델 데이터의 어느 하나의 그 이상의 적응을 위한 필요성을 결정하기 위해 사용된다. 모델 적응 단계(1722; 적응 결정 단계(1704)로부터 YES 응답이 주어진 경우)에서의 상세는 도 18a 내지 도 18e의 적응 방법론 상세(1800)에 있어서 논의된다. CV 예측단계(1706)에 있어서, 주(기준)모델, 슬로우 모델 및 패스트 모델은 정상상태의 제어되는 변수의 값을 예측하기 위해 사용된다. 예측은 N개의 입력(CV) 변수, L개의 피드포워드(FF) 변수 및 M개의 출력(MV) 변수에 대해 행해진다. 이것의 그 이상의 상세는, 도 19의 미래의 CV 필요조건 결정 상세(1900)에 있어서 나타내어져 있다. 정상상태 MV 정의 단계(1708)에 있어서는, 정상상태의 조종되는 변수의 값을 정의하기 위해 선형 프로그램(426)이 호출된다.이들 값은 N개의 입력(CV) 변수 및 M개의 출력(MV) 변수에 대해 정의된다. 다이내믹 행렬 확립 단계(1710)에 있어서는, 동조가 변화되거나, 모델이 변화되거나, 혹은 이것이 컨트롤러(402)의 프로세스의 제1의 실행예라면, 동적 (ATA) 행렬이 다시 세워진다. ATA 행렬은 M×M(여기서, M은 각각의 MV에 대해 움직이는 미래의 MV의 수에 승산되는 N(CV변수), 즉 M=N(CV변수)이다)의 크기를 갖는다. 미래의 CV 필요조건 정의 단계(1712)에 있어서는, 제어되는 변수의 값에서의 필요한 미래의 시프트(이동)가 설정점과, CV 데이터 획득 단계(1720)에 있어서 제어 컴퓨터 로직(120)의 데이터베이스로부터 획득된 것과 같은 다른 예측된 미래의 값으로부터 결정된다. 미래의 CV 필요조건 정의 단계(1712)의 그 이상의 상세는 도 20의 CV 예측 상세(2000)에 있어서 나타내어져 있다. 시프트는 M개의 출력 변수에 대해 결정된다. MV 변화 정의 단계(1714)에 있어서는, ATE 행렬 및 다이내믹 행렬이 조종되는 변수에서의 증분 변화를 정의하기 위해 해석된다. MV 실행 단계(1716)에 있어서는, 조종되는 변수의 증분 변화가 실행되고, 프로세스는 데이터 획득 단계(1718)로 돌아간다. 이것은 N개의 입력 변수의 각각에 영향을 미친다. 데이터 획득 단계(1718)에 있어서는, MV, CV 및 FF 변수가 (통신 인터페이스(106)를 매개해서) 제어 컴퓨터 로직(120)으로부터 독출된다. CV 데이터 획득 단계(1720)에 있어서는, 제어되는 변수의 값에서의 필요한 미래의 시프트에 따라 제어 컴퓨터 로직(120)의 데이터베이스로부터 설정점 및 다른 예측된 미래의 값이 획득된다.
도 18에 있어서, 적응 방법론 상세(1800)는 모델 적응 단계(1722; 적응 결정 단계(1704)로부터 YES 응답이 주어진 경우)에 있어서의 명세를 나타낸다. 망각 인자(Forgetting Factor) 변경 결정(1804)에 있어서는, "망각 인자"는 개별의 할인 인자(discount factor)를 결정할 때의 사용을 통해 기록보관 로직(222)에 있어서 가장 오래된 데이터에 인가된다. 적응 방법론 상세(1800)의 C행렬 확립 단계(1802) 및 다른 단계에 있어서, "차분 형태(differential form)"는 종종 "차 형태(difference form)"라고도 불리운다. C행렬은 M×N(여기서, N은 MV 및 FF 변수의 수이고, M은 사용되는 시간 수평선에서의 증분의 수이다)의 크기를 갖는다.
이제 도 19로 유의하여 계속 진행하면, 미래의 CV 필요조건 정의 상세(1900)는 컨트롤러 조작(1700)의 미래의 CV 필요조건 정의 단계(1712)에서의 프로세스 상세를 나타낸다. 변형의 CV 에러 결정 단계(1902)에 있어서는, 현재 및 예측된 CV값에 대해 대체 에러의 값이 결정된다. 실례로,
식 58∼식 60
L = 최대의 예측된 CV - 최소의 예측된 CV
X = 현재의 CV / L
에러 = x*(1.0 - exp(-x*x))
또는
에러 = x*(1.0 - 1.0/(1+a*xn))
여기서, "a"는 로버스트 동조를 가능하게 하도록 정의된다(한 실시예에 있어서, "a"는 제약 근접(constraint proximity)의 함수라는 점에 주의해야 한다).
도 20에 있어서, CV 예측 상세(2000)는 미래의 CV 필요조건 정의 단계(1712)에서의 그 이상의 상세를 나타낸다. CV 에러 보정 단계(2002)에 있어서는, 각각의 제어되는 변수에 대한 각각의 에러가 아래의 관계식에 의해 평가된다.
식 61
에러 = 설정점 - 함수(패스트 예측 CV, 슬로우 예측 CV)
여기서, 함수는 똑바른 산술평균이거나, 또는 양자택일로 함수는 CV에서의 제약 근접에 기초를 두고 있다.
전통적인 DMC 컨트롤러와 비교할 때, 다변수 컨트롤러의 이익은, 도 21 내지 도 26과 관련한 시뮬레이션으로부터 다음의 예에 있어서 증명된다.
그 예에 있어서, 조작 장치의 시뮬레이션은 고전적인 DMC를 갖춘 도 21, 도 23 및 도 25에 있어서 제어되고 있다. 각각 비교 도면 도 22, 도 24 및 도 26에 있어서는, 조작 장치의 시뮬레이션은 바람직한 실시예의 로버스트 다변수 컨트롤러를 이용하여 제어되고 있다. 도 21 내지 도 22 비교에 있어서, 모델은 플랜트의 시뮬레이션과 컨트롤러에 있어서 사용되는 모델간의 모델 파라미터에서의 동일한 시프트에 의해 영향을 받는다. 도 23 내지 도 24 비교에 있어서, 모델은 플랜트의 시뮬레이션과 컨트롤러에 있어서 사용되는 모델간의 이득 파라미터에서의 동일한 시프트에 의해 영향을 받는다. 도 25 내지 도 26 비교에 있어서, 모델은 동일한 컨트롤러 모델(특성값) 반전에 의해 영향을 받는다. 시뮬레이션 출력시간 차트를 독출함에 있어, 시간 차트의 오른쪽 스케일은 MV 변수의 양에 관한 값을 정의하고, 반면에 왼쪽 스케일은 SP 및 CV 변수의 양에 관한 값을 정의한다.
도 21은 모델링 파라미터의 모델 오정합의 상황에 있어서 동작하는 정규의DMC에 대한 시뮬레이터로부터의 출력(2100)을 나타낸다. 출력(2100)은 CV1과 MV1의 활동(action)에 대한 타임 차트(2102), CV2와 MV2의 활동에 대한 타임 차트(2104) 및 CV3와 MV3의 활동에 대한 타임 차트(2106)를 포함하고 있다. 도 21은 조작 장치의 시뮬레이션과 컨트롤러에 있어서 사용되는 모델간의 모델 오정합의 상황에서의 정규의 DMC를 나타낸다(이 경우는 첫번째 모델에 있어서만 모델 오정합을 갖는 3×3의 크기이고, 이 점에 관해서는 데드시간은 부정확하게 모델링된다). 이동 억제 인자는 1이라는 수(unity)로 설정된다. 등가의 관련 에러도 모두 1이라는 수이다. 시뮬레이션은 CV 및 MV의 모든 값이 50.0에서 시작하도록 내면적으로 표준화된다. 프로세스 이득은 보통 0∼3.0 범위에 있다. 도면은 9(즉, 3×3) 중에서 단 하나의 모델에 있어서 데드시간 모델에서의 단일의 작은 에러에 의해 DMC에 있어서 야기되는 불안정성을 나타낸다. 엄밀하게 말하면, 다른 모델 파라미터의 각각은 장치 시뮬레이션과 컨트롤러의 모델 사이에서 같다. 제1 모델에 있어서의 데드시간 에러는 약 20%이다. 이 에러는 컨트롤러를 3개의 CV 전부에 있어서 불안정하게 만든다. 즉, 전통적인 경화(cure)는 이동 억제를 증가시키는 것이지만, 외부 장애 및 설정점 변화에 대하여 컨트롤러 반응시간을 희생시키고 있다.
도 22는 도 21의 모델 오정합의 상황에서 동작하는 바람직한 실시예의 로버스트 컨트롤러를 위한 시뮬레이터로부터의 출력(2200)을 나타낸다. 출력(2200)은 CV1및 MV1의 활동에 대한 타임 차트(2202), CV2및 MV2의 활동에 대한 타임차트(2204) 및 CV3및 MV3의 활동에 대한 타임 차트(2206)를 포함하고 있다. 도 22는 도 21과 같은 모델 오정합과 마주 대하여 로버스트 컨트롤러를 나타내고 있다(이 경우는 제1 모델에서만 모델 오정합을 갖는 3×3의 경우이고, 데드시간은 다시 부정확하게 설계된다). 이동 억제 인자는 1이라는 수로 설정되어 있다. 등가의 관련 에러도 모두 1이라는 수이다. 시뮬레이션은 CV 및 MV의 모든 값이 50.0에서 시작하도록 내면적으로 표준화된다. 이 도면은 로버스트 다변수 컨트롤러의 결과적인 안정성을 나타낸다. 컨트롤러는 반응시간을 희생시켜 안정성을 얻고 있지 않고, 따라서 장애 및 설정점 변화는 정규의 DMC보다 빠르게 처리될 수 있다. 로버스트성은, 이동 억제를 제로로 해야 할 어떠한 이유가 있으면, 이동 억제를 제로(즉, 턴오프)로 할 수 있을 정도로 중요하다.
도 23은 이득에 있어서의 모델 오정합의 상황에서 동작하는 정규의 DMC에 대한 시뮬레이터로부터의 출력(2300)을 나타낸다. 출력(2300)은 CV1및 MV1의 활동에 대한 타임 차트(2302), CV2및 MV2의 활동에 대한 타임 차트(2304) 및 CV3및 MV3의 활동에 대한 타임 차트(2306)를 포함하고 있다. 도 23은 적응이 없는 정규의 DMC를 나타낸다. 이 경우는 모든 모델의 이득에서만 모델 오정합을 갖는 3×3의 경우이다. 이동 억제 인자는 1이라는 수로 설정되어 있다. 등가의 관련 에러도 모두 1이라는 수이다. 시뮬레이션은 CV 및 MV의 모든 값이 50.0에서 시작하도록 내면적으로 표준화된다. 프로세스 이득은 보통 0∼50%의 범위의 에러에 따라 0∼3.0의 범위 내에 있다. 이 도면은 이득 에러에 의해 DMC에 있어서 야기되는 불안정성을나타낸다. DMC 컨트롤러는 3개의 CV 전부에 있어서 불안정하다.
도 24는 도 23의 모델 오정합의 상황에서 동작하는 바람직한 실시예의 로버스트 컨트롤러를 위한 시뮬레이터로부터의 출력(2400)을 나타낸다. 출력(2400)은 CV1및 MV1의 활동에 대한 타임 차트(2402), CV2및 MV2의 활동에 대한 타임 차트(2404) 및 CV3및 MV3의 활동에 대한 타임 차트(2406)를 포함하고 있다. 도 24는 적응이 있는 로버스트 컨트롤러를 나타낸다. 이 경우는 모든 모델의 이득에서만 모델 오정합을 갖는 도 23에 있어서 이용된 것과 같은 3×3의 경우이다. 이동 억제 인자는 1이라는 수로 설정되어 있다. 등가의 관련 에러도 모두 1이라는 수이다. 시뮬레이션은 CV 및 MV의 모든 값이 50.0에서 시작하도록 내면적으로 표준화된다. 프로세스 이득은 보통 0∼50%의 범위의 에러에 따라 0∼3.0의 범위 내에 있다. 이 도면은 로버스트 컨트롤러(2408의 면적)에 있어서의 몇몇 초기의 불안정성을 나타낸다. 여기서, 이것은 런닝 주기(learning period)이다. 이 런닝 주기 후에, 컨트롤러는 이것이 과거의 데이터로부터 실제의 프로세스를 제어 모델과 정합시키는 보정 모델이득을 유도하기 때문에 설정점 변화에 대하여 거의 완전한 응답을 나타낸다. 또한, 도 24의 2408의 면적에 있어서의 피크를 도 23의 2308의 비교가능한 피크 면적과 비교함에 있어, 주의해야 할 것은 도 24의 컨트롤러는 설정점(SP) 이상의 적은 오버슈트(overshoot)를 나타내고, 이것은 다중 모델 컨트롤러의 설명한 실시예가 운영체제(operating system)에 대하여 반작용하는 효율을 증명한다는 점이다.
도 25는 컨트롤러 모델(특성값) 반전의 상황에서 동작하는 정규의 DMC에 대한 시뮬레이터로부터의 출력(2500)을 나타낸다. 출력(2500)은 CV1및 MV1의 활동에 대한 타임 차트(2502), CV2및 MV2의 활동에 대한 타임 차트(2504) 및 CV3및 MV3의 활동에 대한 타임 차트(2506)를 포함하고 있다. 주의해야 할 것은, (a) 시간 t=100에서의 설정점 변화는 반전된 응답을 트리거하고, 이동 억제 인자가 1이라는 수로 설정되어 있기 때문에 컨트롤러는 매우 급격하게 발산한다는 점이다.
도 26은 도 25의 모델(특성값) 반전의 상황에서 동작하는 바람직한 실시예의 로버스트 컨트롤러에 대한 시뮬레이터로부터의 출력(2600)을 나타낸다. 출력(2600)은 CV1및 MV1의 활동에 대한 타임 차트(2602), CV2및 MV2의 활동에 대한 타임 차트(2604) 및 CV3및 MV3의 활동에 대한 타임 차트(2606)를 포함하고 있다. 다시, t=100에서의 설정점 변화는 반전된 응답을 트리거하고, 컨트롤러는 초기에는 발산하지만 도 25의 정규의 DMC만큼 급격하지는 않다. 반전 검출은, 그 후 모든 모델에서의 특성값의 반전을 트리거하는데, 이 프로세스는 시간 t=120에서 효과적으로 발생한다. 명확해진 바와 같이, 이러한 반전은 컨트롤러 파라미터의 다른 선택이 사용될 때 초기의 상대적인 모멘트에서 초기화되고 있다. 이동 억제 인자는 1이라는 수로 설정되어 있다. 도 25 및 도 26의 비교는, (a) 제어 프로세스에 있어서의 발산 응답 작용(behavior)을 결정하고, 그 후 (b) 컨트롤러를 안정화시키기 위해 식별된 발산 응답 작용을 방해하는 상술한 실시예에서의 값을 나타낸다.
상술한 실시예는, 다수의 컴퓨터 시스템 구조 변형례 내에서 달성할 수 있다. 한 변형례에 있어서, 실시예는 컴퓨터실행 로직 내의 다른 데이터베이스, 데이터 부분(data section) 및 논리적인 엔진(데이터를 독출하고 데이터를 기록하며 데이터를 계산하고 데이터 계산 프로세스에서의 결정을 행하는 논리적인 소부분(subsection))이 동시에 인스톨(install)되고 동적으로 능동 데이터 이송 결합에 의해 활성화되며 데이터 공유(data common)의 이용 및/또는 응용 프로그램 인터페이스(API)를 통해 직접 또는 간접으로 촉진되는 다중 프로세스 환경의 상황 내에서 촉진된다. 다른 변형례에 있어서, 다른 데이터베이스, 데이터 부분 및 논리적인 엔진은, 다른 컴포넌트가 가보관에 제공된 데이터 공유 및 데이터 도표(data schema)의 이용을 통해 직접 또는 간접으로 촉진되는 결합을 사용하여 조작 기술자에 의해 순차적으로 활성화되는 단일의 프로세스 환경의 환경 내에서 촉진된다. 더욱 다른 변형례에 있어서, 다른 데이터베이스, 데이터 부분 및 논리적인 엔진은, (a) 다른 데이터베이스, 데이터 부분 및 논리적인 엔진의 몇몇 컴포넌트가 가보관에 제공된 데이터 공유 및 데이터 도표의 이용을 통해 직접 또는 간접으로 촉진되는 결합을 사용하여 조작 기술자에 의해 억세스되어 활성화되고, (b) 다른 데이터베이스, 데이터 부분 및 논리적인 엔진 내의 다른 컴포넌트가 가보관에 제공된 데이터 공유 및 데이터 도표의 이용을 통해 직접 또는 간접으로 촉진되는 결합을 사용하여 이미 활성된 것으로부터의 호출에 의해 억세스되어 활성화되는 단일의 프로세스 환경의 상황 내에서 탈분극(depoly)된다. 하나의 변형례에 있어서, 다변수 컨트롤러는 하나의 물리적인 컴퓨터 상에서 실현되어 실행된다. 다른 변형례에 있어서, 컨트롤러는 분리된 운영체제가 각 플랫폼에 필요하게 되지만 각기 하나의 엔진에 의해 발생된 결과가 다른 컴퓨터 플랫폼에서 실행하는 제2의 또는 다른 복수의 다른 데이터베이스, 데이터 부분 및 논리적인 엔진으로 조작 기술자에 의해 이송되는 경우에 다른 플랫폼 상에서 촉진된다. 더욱 다른 변형례에 있어서, 분리된 운영체제가 각 플랫폼에 필요하게 되고, 운영체제가 그러한 컴퓨터실행 통신 네트워크를 통해 필요한 통신을 촉진하기 위해 필요하게 되는 어떤 네트워킹 로직을 더 통합하지만, 컨트롤러는 컴퓨터 네트워크에 의해 상호 접속된 복수의 컴퓨터 플랫폼 상에서 촉진된다. 상술한 실시예에 따른 비교적 작은 컨트롤러는 33㎒ 클럭을 갖는 인텔 40486 CPU, 10메가바이트(MB)의 RAM 메모리 및 마이크로소프트로부터의 윈도우즈95 운영체제를 이용한 100메가바이트 하드디스크를 갖춘 컴퓨터 상에서 탈분극된다. 상술한 실시예에 따른 더 큰 컨트롤러는 128메가바이트(MB)의 RAM 및 컴팩 컴퓨터로부터의 (최소한) 500메가바이트 하드디스크를 갖춘 백스스테이션(Vaxstation) 4000m90 상에서 탈분극된다. 상기의 개관(overview)의 상황 내에서 구조 개발의 많은 다른 단계적 변화(gradation)는 출원인에 의해 일반적으로 명백해지리라고 생각되고, 본 발명의 설명은 일단 이 발표의 이익이 제공되기만 하면 본 발명의 정신을 이탈하는 일없이 상기의 컴퓨터 시스템 구조 변형례의 상황 내에서 본 발명의 효용을 달성하기 위해 이 발표의 이익을 제공받는 당업자에 의해 편리하게 변형될 수 있다.

Claims (26)

  1. 적어도 하나의 독립적으로 제어되는 조종되는 변수(manipulated variable)와 이 조종되는 변수에 응답하는 적어도 하나의 제어되는 변수(controlled variable)를 갖는 처리장치의 조작을 제어하기 위한 컴퓨터실행 시스템으로,
    동적 응답 관성 특성을 갖는 것으로, 각기 조종되는 변수의 각각의 함수로서 각기 제어되는 변수에 대한 크기에서의 기대편차(expected variation)를 정의하기 위한 적어도 2개의 모델의 세트와,
    상기 처리장치에 있어서 상기 조종되는 변수를 변경하기 위해 상기 모델 세트로부터 정의된 변화를 실현하기 위한 수단을 구비한 것을 특징으로 하는 컴퓨터실행 시스템.
  2. 제1항에 있어서, 상기 모델을 실시간 사용중에 적응시키는 수단을 더 구비한 것을 특징으로 하는 시스템.
  3. 제1항에 있어서, 상기 제어를 행할 때에 발산 응답 작용을 결정하는 수단을 더 구비한 것을 특징으로 하는 시스템.
  4. 적어도 하나의 독립적으로 제어되는 조종되는 변수와 적어도 하나의 상기 조종되는 변수에 응답하며 또한 상기 조종되는 변수와 관계없이 생기는 프로세스 장애에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 조작을 제어하기 위한 컴퓨터실행 시스템으로,
    각각의 제어되는 변수의 크기를 측정하기 위한 수단과,
    각각의 조종되는 변수에 있어서 조종되는 변수 장애예(disturbance instance)의 각각의 함수로서 각각의 제어되는 변수에 대한 크기에서의 기대편차를 정의하기 위한 적어도 2개의 모델의 세트,
    상기 모델의 세트로부터, 조종되는 변수 변경을 달성할 때에 상기 조종되는 변수 전부와 상기 하나의 제어되는 변수의 상호작용으로 예측되는 모델링 에러값을 결정하기 위한 수단,
    상기 제어되는 변수 크기 및 상기 예측된 모델링 에러값으로부터 예측되는 프로세스 장애값을 결정하기 위한 수단,
    상기 예측된 모델링 에러값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화의 제1부분을 정의하기 위한 수단,
    상기 예측된 프로세스 장애값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화의 제2부분을 정의하기 위한 수단, 및
    상기 조종되는 변수를 변경하기 위해 상기 제1 및 제2의 소망하는 변화부분을 실현하기 위한 수단을 구비한 것을 특징으로 하는 컴퓨터실행 시스템.
  5. 제4항에 있어서, 상기 모델 세트는 동적 응답 관성 특성을 통합시키고, 상기 시스템은 상기 동적 응답 관성 특성이 상기 모델 세트에 있어서 달성될 수 있도록관성 특성값을 획득하는 수단을 더 구비한 것을 특징으로 하는 시스템.
  6. 제5항에 있어서, 상기 모델 세트를 실시간 사용중에 적응시키는 수단을 더 구비한 것을 특징으로 하는 시스템.
  7. 제4항에 있어서, 상기 제어를 행할 때에 발산 응답 작용을 결정하는 수단을 더 구비한 것을 특징으로 하는 시스템.
  8. 적어도 하나의 독립적으로 제어되는 조종되는 변수와 적어도 하나의 상기 독립적으로 제어되는 조종되는 변수에 응답하는 적어도 하나의 제어되는 변수를 갖는 장치의 조작을 제어하기 위한 컴퓨터실행 시스템으로,
    시간의 연속적인 이산 간격(discrete interval)의 세트를 시간의존 함수로 정의하기 위한 수단과,
    각각 독립적으로 제어되는 조종되는 변수에 있어서 각각의 제어되는 변수에서의 응답을 자극하는 미리 정의된 크기의 조종되는 변수 장애예를 도입하기 위한 수단,
    각각의 제어되는 변수의 크기를 측정하기 위한 수단,
    컨트롤러,
    각각의 응답에 대해 시간축 상의 시간의 연속적인 이산간격의 상기 세트에 걸친 상기 제어되는 변수 크기의 적어도 하나의 시간의존 함수 특성화, 동일한 시간 계속기간을 갖는 하나의 상기 응답에 대한 각각의 이산 시간 간격을 정의하기 위한 수단,
    상기 장애예를 도입한 후에 상기 제어되는 변수의 크기에 있어서 초래된 변화를 측정하는 것으로부터의 응답에 대한 상기 제1의 시간의존 함수 특성화를 획득하기 위한 수단,
    상기 제1의 시간의존 함수 특성화를 상기 컨트롤러로 반전시키기 위한 수단,
    상기 제1의 시간의존 함수 특성화로부터 제2의 상기 시간의존 함수 특성화를 유도하기 위한 수단,
    상기 제1의 시간의존 함수 특성화로부터 제3의 상기 시간의존 함수 특성화를 유도하기 위한 수단,
    상기 제2 시간의존 함수 특성화, 상기 제3 시간의존 함수 특성화, 적어도 하나의 제어되는 변수의 크기 및 상기 컨트롤러로부터 실시간에 조종되는 변수의 값에서의 소망하는 변화를 결정하기 위한 수단, 및
    상기 조종되는 변수를 변경하기 위해 상기 소망하는 변화를 실현하기 위한 수단을 구비하고,
    상기 함수 특성화는 제로시간 시간축 속성, 최대시간 시간축 속성, 데드시간 시간축 속성, 응답이득 속성, 램프비율 속성, 정상상태 시간축 속성, 상기 데드시간 시간축 속성의 시간축 위치와 상기 정상상태 시간축 속성의 시간축 위치 사이에 배치된 곡선부(curvalinear portion), 상기 데드시간 시간축 속성의 시간축 위치와 상기 최대시간 시간축 속성의 시간축 위치 사이에 배치된 램프부(ramped portion)및 상기 정상상태 시간축 속성의 시간축 위치와 상기 최대시간 시간축 속성의 시간축 위치 사이에 배치된 호말로이달부를 갖고, 상기 호말로이달부는 통합 제어되는 변수 응답을 위해 제로값을 가지며, 상기 램프부는 비통합 제어되는 변수 응답을 위해 제로값을 갖고, 하나의 상기 응답에 대한 각각의 함수 특성화는 동등하게 값이 매겨진 제로시간 시간축 속성, 응답이득 속성, 램프비율 속성 및 최대시간 시간축 속성을 가지며,
    제1의 상기 함수 특성화는, 제1의 상기 데드시간 시간축 속성, 제1의 상기 정상상태 시간축 속성, 제1의 상기 곡선부, 제1의 상기 호말로이달부, 및 상기 최대시간 시간축 속성에서 상기 램프비율 속성과 등가인 그 함수 도함수(functional derivative)를 갖는 제1의 상기 램프부를 갖고,
    상기 제2의 함수 특성화는, 상기 제1 데드시간 속성으로부터의 미리 정의된 제1의 점감하는 오프셋(diminishing offset)에서의 제2 데드시간 속성, 상기 제1 정상상태 속성으로부터의 미리 정의된 제2의 점감하는 오프셋에서의 제2 정상상태 속성, 상기 제1 곡선부로부터의 미리 정의된 제1의 함수 오프셋에서의 제2 곡선부, 상기 제1 호말로이달부의 외삽법(extrapolation)에서의 제2 호말로이달부, 및 상기 제1 램프부의 외삽법에서의 제2 램프부를 가지며,
    상기 제3의 함수 특성화는, 상기 제1 데드시간 속성으로부터의 미리 정의된 제1의 초부가적인 오프셋(superadditive offset)에서의 제3 데드시간 속성, 상기 제1 정상상태 속성으로부터의 미리 정의된 제2의 초부가적인 오프셋에서의 제3 정상상태 속성, 상기 제1 곡선부로부터의 미리 정의된 제2의 함수 오프셋에서의 제3곡선부, 상기 제1 호말로이달부의 절단(truncation)에서의 제3 호말로이달부, 및 상기 제1 램프부의 절단에서의 제3 램프부를 갖는 것을 특징으로 하는 컴퓨터실행 시스템.
  9. 제8항에 있어서, 실시간에 조종되는 변수의 값에서의 소망하는 변화를 결정하기 위한 상기 수단은, 상기 제1의 시간의존 함수 특성화, 상기 제2의 시간의존 함수 특성화, 상기 제3의 시간의존 함수 특성화, 적어도 하나의 제어되는 변수의 크기 및 상기 컨트롤러로부터의 상기 소망하는 변화를 결정하는 것을 특징으로 하는 컴퓨터실행 시스템.
  10. 제9항에 있어서, 상기 제1, 제2 및 제3의 시간의존 함수 특성화는 모델 세트에 있어서 3개의 모델을 정의하고, 상기 모델 세트는 상기 제1 및 제2의 시간의존 함수 특성화 사이의 제1의 동적 응답 관성 특성과 상기 제1 및 제3의 시간의존 함수 특성화 사이의 제2의 동적 응답 관성 특성을 통합시키며, 상기 시스템은 상기 제1 및 제2의 동적 응답 관성 특성이 상기 모델 세트에 있어서 각각 달성될 수 있도록 제1의 관성 특성값 및 제2의 관성 특성값을 획득하기 위한 수단을 더 구비한 것을 특징으로 하는 컴퓨터실행 시스템.
  11. 제10항에 있어서, 상기 모델 세트를 실시간 사용중에 적응시키는 수단을 더 구비한 것을 특징으로 하는 시스템.
  12. 적어도 하나의 독립적으로 제어되는 조종되는 변수와 적어도 하나의 상기 조종되는 변수에 응답하며 또한 상기 조종되는 변수와 관계없이 생기는 프로세스 장애에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 조작을 제어하기 위한 컴퓨터실행 시스템으로,
    각각의 제어되는 변수의 크기를 측정하기 위한 수단과,
    각각의 조종되는 변수에 있어서 조종되는 변수 장애예의 각각의 함수로서 각각의 제어되는 변수에 대한 크기에서의 기대편차를 정의하기 위한 모델,
    상기 모델로부터, 조종되는 변수 변경을 달성할 때에 상기 조종되는 변수 전부와 하나의 상기 제어되는 변수의 상호작용으로 에러값을 결정하기 위한 수단,
    상기 에러값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화를 정의하기 위한 수단,
    상기 조종되는 변수를 변경하기 위해 상기 소망하는 변화를 실현하기 위한 수단 및,
    상기 제어시에 발산 응답 작용을 결정하기 위한 수단을 구비한 것을 특징으로 하는 컴퓨터실행 시스템.
  13. 제12항에 있어서, 상기 발산 응답 작용을 방해하는 수단을 더 구비한 것을 특징으로 하는 컴퓨터실행 시스템.
  14. 적어도 하나의 독립적으로 제어되는 조종되는 변수와 이 조종되는 변수에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 컴퓨터실행 제어를 위한 방법으로,
    동적 응답 관성 특성을 갖는 적어도 2개의 모델의 세트로부터 각기 조종되는 변수의 각각의 함수로서 각기 제어되는 변수에 대한 크기에서의 기대편차를 정의하는 단계와,
    상기 처리장치에 있어서 상기 조종되는 변수를 변경하기 위해 상기 모델 세트로부터 정의된 변화를 실현하는 단계를 구비한 것을 특징으로 하는 방법.
  15. 제14항에 있어서, 상기 모델 세트를 실시간 사용중에 적응시키는 단계를 더 구비한 것을 특징으로 하는 방법.
  16. 제14항에 있어서, 상기 제어를 행할 때에 발산 응답 작용을 결정하는 단계를 더 구비한 것을 특징으로 하는 방법.
  17. 적어도 하나의 독립적으로 제어되는 조종되는 변수와 적어도 하나의 상기 조종되는 변수에 응답하며 또한 상기 조종되는 변수와 관계없이 생기는 프로세스 장애에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 컴퓨터실행 제어를 위한 방법으로,
    각각의 제어되는 변수의 크기를 측정하는 단계와,
    적어도 2개의 모델의 세트로부터 각각의 조종되는 변수에 있어서의 조종되는 변수 장애예의 각각의 함수로서 각각의 제어되는 변수에 대한 크기에서의 기대편차를 정의하는 단계,
    상기 모델의 세트로부터, 조종되는 변수 변경을 달성할 때에 상기 조종되는 변수 전부와 상기 하나의 제어되는 변수의 상호작용으로 예측되는 모델링 에러값을 결정하는 단계,
    상기 제어되는 변수 크기 및 상기 예측된 모델링 에러값으로부터 예측되는 프로세스 장애값을 결정하는 단계,
    상기 예측된 모델링 에러값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화의 제1부분을 정의하는 단계,
    상기 예측된 프로세스 장애값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화의 제2부분을 정의하는 단계, 및
    상기 조종되는 변수를 변경하기 위해 상기 제1 및 제2의 소망하는 변화부분을 실현하는 단계를 구비한 것을 특징으로 하는 방법.
  18. 제17항에 있어서, 상기 모델 세트는 동적 응답 관성 특성을 통합시키고, 상기 방법은 상기 동적 응답 관성 특성이 상기 모델 세트에 있어서 달성될 수 있도록 관성 특성값을 획득하는 단계를 더 구비한 것을 특징으로 하는 방법.
  19. 제18항에 있어서, 상기 모델 세트를 실시간 사용중에 적응시키는 단계를 더구비한 것을 특징으로 하는 방법.
  20. 제17항에 있어서, 상기 제어를 행할 때에 발산 응답 작용을 결정하는 단계를 더 구비한 것을 특징으로 하는 방법.
  21. 적어도 하나의 독립적으로 제어된 조종되는 변수와 적어도 하나의 상기 독립적으로 제어된 조종되는 변수에 응답하는 적어도 하나의 제어되는 변수를 갖는 장치의 컴퓨터실행 제어를 위한 방법으로,
    시간의 연속적인 이산 간격의 세트를 시간의존 함수로 정의하는 단계와,
    각각 독립적으로 제어된 조종되는 변수에 있어서 각각의 제어되는 변수에서의 응답을 자극하는 미리 정의된 크기의 조종되는 변수 장애예를 도입하는 단계,
    각각의 제어되는 변수의 크기를 측정하는 단계,
    컨트롤러를 제공하는 단계,
    각각의 응답에 대해 시간축 상의 시간의 연속적인 이산간격의 상기 세트에 걸친 상기 제어되는 변수 크기의 적어도 하나의 시간의존 함수 특성화, 동일한 시간 계속기간을 갖는 하나의 상기 응답에 대한 각각의 이산 시간 간격을 정의하는 단계,
    상기 장애예를 도입한 후에 상기 제어되는 변수의 크기에 있어서 초래된 변화를 측정하는 것으로부터의 응답에 대한 상기 제1의 시간의존 함수 특성화를 획득하는 단계,
    상기 제1의 시간의존 함수 특성화를 상기 컨트롤러로 반전시키는 단계,
    상기 제1의 시간의존 함수 특성화로부터 제2의 상기 시간의존 함수 특성화를 유도하는 단계,
    상기 제1의 시간의존 함수 특성화로부터 제3의 상기 시간의존 함수 특성화를 유도하는 단계,
    상기 제2 시간의존 함수 특성화, 상기 제3 시간의존 함수 특성화, 적어도 하나의 제어되는 변수의 크기 및 상기 컨트롤러로부터 실시간에 조종되는 변수의 값에서의 소망하는 변화를 결정하는 단계, 및
    상기 조종되는 변수를 변경하기 위해 상기 소망하는 변화를 실현하는 단계를 구비하고,
    상기 함수 특성화는 제로시간 시간축 속성, 최대시간 시간축 속성, 데드시간 시간축 속성, 응답이득 속성, 램프비율 속성, 정상상태 시간축 속성, 상기 데드시간 시간축 속성의 시간축 위치와 상기 정상상태 시간축 속성의 시간축 위치 사이에 배치된 곡선부, 상기 데드시간 시간축 속성의 시간축 위치와 상기 최대시간 시간축 속성의 시간축 위치 사이에 배치된 램프부 및 상기 정상상태 시간축 속성의 시간축 위치와 상기 최대시간 시간축 속성의 시간축 위치 사이에 배치된 호말로이달부를 갖고, 상기 호말로이달부는 통합 제어되는 변수 응답을 위해 제로값을 가지며, 상기 램프부는 비통합 제어되는 변수 응답을 위해 제로값을 갖고, 하나의 상기 응답에 대한 각각의 함수 특성화는 동등하게 값이 매겨진 제로시간 시간축 속성, 응답이득 속성, 램프비율 속성 및 최대시간 시간축 속성을 가지며,
    제1의 상기 함수 특성화는 제1의 상기 데드시간 시간축 속성, 제1의 상기 정상상태 시간축 속성, 제1의 상기 곡선부, 제1의 상기 호말로이달부, 및 상기 최대시간 시간축 속성에서 상기 램프비율 속성과 등가인 그 함수 도함수를 갖는 제1의 상기 램프부를 갖고,
    상기 제2의 함수 특성화는, 상기 제1 데드시간 속성으로부터의 미리 정의된 제1의 점감하는 오프셋에서의 제2 데드시간 속성, 상기 제1 정상상태 속성으로부터의 미리 정의된 제2의 점감하는 오프셋에서의 제2 정상상태 속성, 상기 제1 곡선부로부터의 미리 정의된 제1의 함수 오프셋에서의 제2 곡선부, 상기 제1 호말로이달부의 외삽법에서의 제2 호말로이달부, 및 상기 제1 램프부의 외삽법에서의 제2 램프부를 가지며,
    상기 제3의 함수 특성화는, 상기 제1 데드시간 속성으로부터의 미리 정의된 제1의 초부가적인 오프셋에서의 제3 데드시간 속성, 상기 제1 정상상태 속성으로부터의 미리 정의된 제2의 초부가적인 오프셋에서의 제3 정상상태 속성, 상기 제1 곡선부로부터의 미리 정의된 제2의 함수 오프셋에서의 제3 곡선부, 상기 제1 호말로이달부의 절단에서의 제3 호말로이달부, 및 상기 제1 램프부의 절단에서의 제3 램프부를 갖는 것을 특징으로 하는 방법.
  22. 제21항에 있어서, 실시간에 조종되는 변수의 값에서의 소망하는 변화를 결정하기 위한 상기 단계는, 상기 제1의 시간의존 함수 특성화, 상기 제2의 시간의존 함수 특성화, 상기 제3의 시간의존 함수 특성화, 적어도 하나의 제어되는 변수의크기 및 상기 컨트롤러로부터의 상기 소망하는 변화를 결정하는 것을 특징으로 하는 방법.
  23. 제22항에 있어서, 상기 제1, 제2 및 제3의 시간의존 함수 특성화는 모델 세트에 있어서 3개의 모델을 정의하고, 상기 모델 세트는 상기 제1 및 제2의 시간의존 함수 특성화 사이의 제1의 동적 응답 관성 특성과 상기 제1 및 제3의 시간의존 함수 특성화 사이의 제2의 동적 응답 관성 특성을 통합시키며, 상기 방법은 상기 제1 및 제2의 동적 응답 관성 특성이 상기 모델 세트에 있어서 각각 달성될 수 있도록 제1의 관성 특성값 및 제2의 관성 특성값을 획득하기 위한 단계를 더 구비한 것을 특징으로 하는 방법.
  24. 제23항에 있어서, 상기 모델 세트를 실시간 사용중에 적응시키는 단계를 더 구비한 것을 특징으로 하는 방법.
  25. 적어도 하나의 독립적으로 제어되는 조종되는 변수와 적어도 하나의 상기 조종되는 변수에 응답하며 또한 상기 조종되는 변수와 관계없이 생기는 프로세스 장애에 응답하는 적어도 하나의 제어되는 변수를 갖는 처리장치의 컴퓨터실행 제어를 위한 방법으로,
    각각의 제어되는 변수의 크기를 측정하는 단계와,
    모델로부터 각각의 조종되는 변수에 있어서 조종되는 변수 장애예의 각각의함수로서 각각의 제어되는 변수에 대한 크기에 있어서의 기대편차를 정의하는 단계,
    상기 모델로부터, 조종되는 변수 변경을 달성할 때에 상기 조종되는 변수 전부와 하나의 상기 제어되는 변수의 상호작용으로 에러값을 결정하는 단계,
    상기 에러값으로부터 적어도 하나의 조종되는 변수의 현재의 값에서의 소망하는 변화를 정의하는 단계,
    상기 조종되는 변수를 변경하기 위해 상기 소망하는 변화를 실현하는 단계 및,
    상기 제어시에 발산 응답 작용을 결정하는 단계를 구비한 것을 특징으로 하는 방법.
  26. 제25항에 있어서, 상기 발산 응답 작용을 방해하는 단계를 더 구비한 것을 특징으로 하는 방법.
KR1020027017886A 2000-06-30 2001-06-04 다변수 행렬 프로세스 제어방법 및 그 장치 KR20030014285A (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US21545300P 2000-06-30 2000-06-30
US60/215,453 2000-06-30

Publications (1)

Publication Number Publication Date
KR20030014285A true KR20030014285A (ko) 2003-02-15

Family

ID=22803037

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020027017886A KR20030014285A (ko) 2000-06-30 2001-06-04 다변수 행렬 프로세스 제어방법 및 그 장치

Country Status (11)

Country Link
US (1) US6745088B2 (ko)
EP (1) EP1299778A2 (ko)
JP (1) JP2004503000A (ko)
KR (1) KR20030014285A (ko)
CN (1) CN1449511A (ko)
AR (1) AR031981A1 (ko)
AU (1) AU2001265362A1 (ko)
BR (1) BR0112379A (ko)
CA (1) CA2411378A1 (ko)
MX (1) MXPA02012834A (ko)
WO (1) WO2002003150A2 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101007299B1 (ko) * 2010-05-27 2011-01-13 임재익 전열히터 제어장치

Families Citing this family (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8280533B2 (en) * 2000-06-20 2012-10-02 Fisher-Rosemount Systems, Inc. Continuously scheduled model parameter based adaptive controller
US7113834B2 (en) * 2000-06-20 2006-09-26 Fisher-Rosemount Systems, Inc. State based adaptive feedback feedforward PID controller
US7158840B2 (en) * 2001-06-29 2007-01-02 Cymer, Inc. Tuning control parameters of vibration reduction and motion control systems for fabrication equipment and robotic systems
US7376472B2 (en) * 2002-09-11 2008-05-20 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
DE10362369B3 (de) * 2002-09-11 2022-09-29 Fisher-Rosemount Systems, Inc. Integrierte Modell-Vorhersagesteuerung und -optimierung innerhalb eines Prozesssteuerungssystems
EP1406169A3 (en) * 2002-09-30 2006-11-02 Sap Ag Computer system and methods for using relationships between contexts
US7039559B2 (en) * 2003-03-10 2006-05-02 International Business Machines Corporation Methods and apparatus for performing adaptive and robust prediction
PT1606672E (pt) * 2003-03-21 2010-09-28 Aspen Technology Inc Métodos e artigos para detecção, verificação e reparação da colinearidade
DE102004058238B4 (de) * 2003-12-03 2016-02-04 Fisher-Rosemount Systems, Inc. Adaptive, multivariable Prozesssteuerung, die Modellschaltung und Attribut-Interpolation nutzt
US20050193739A1 (en) * 2004-03-02 2005-09-08 General Electric Company Model-based control systems and methods for gas turbine engines
US7203554B2 (en) * 2004-03-16 2007-04-10 United Technologies Corporation Model predictive controller with life extending control
US7660649B1 (en) * 2004-07-02 2010-02-09 Optimal Innovations Inc. Resource management using calculated sensitivities
US20060010946A1 (en) * 2004-07-15 2006-01-19 Midwestern Bio-Ag Products & Services, Inc. Pelleted organic calcium phosphate compositions
FR2880142B1 (fr) * 2004-12-23 2007-04-13 Framatome Anp Sas Procede et dispositif d'optimisation des valeurs de reglage d'une installation industrielle
WO2007001252A1 (en) * 2005-06-13 2007-01-04 Carnegie Mellon University Apparatuses, systems, and methods utilizing adaptive control
US7451004B2 (en) * 2005-09-30 2008-11-11 Fisher-Rosemount Systems, Inc. On-line adaptive model predictive control in a process control system
GB2430764B (en) * 2005-09-30 2011-03-09 Fisher Rosemount Systems Inc On-line adaptive model predictive control in a process control system
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
US7738975B2 (en) * 2005-10-04 2010-06-15 Fisher-Rosemount Systems, Inc. Analytical server integrated in a process control network
US8527252B2 (en) * 2006-07-28 2013-09-03 Emerson Process Management Power & Water Solutions, Inc. Real-time synchronized control and simulation within a process plant
US7856280B2 (en) * 2006-08-02 2010-12-21 Emerson Process Management Power & Water Solutions, Inc. Process control and optimization technique using immunological concepts
US7797063B2 (en) * 2006-08-24 2010-09-14 Exxonmobil Research And Engineering Company Method for model gain matrix modification
EP1967792B1 (de) * 2007-03-01 2014-12-17 STEAG Powitec GmbH Regelkreis zur Regelung eines Verbrennungsprozesses
US20090058185A1 (en) * 2007-08-31 2009-03-05 Optimal Innovations Inc. Intelligent Infrastructure Power Supply Control System
US7822512B2 (en) * 2008-01-08 2010-10-26 General Electric Company Methods and systems for providing real-time comparison with an alternate control strategy for a turbine
EP2269122A4 (en) * 2008-03-20 2012-07-18 Univ New Brunswick NON-LINEAR MULTIDIMENSIONAL CONTROL METHOD
US20100049486A1 (en) * 2008-08-22 2010-02-25 General Electric Company Systems and Methods for Simulating Plant Operations
US8775138B2 (en) * 2008-11-21 2014-07-08 Exxonmobil Chemical Patents Inc. Methods for handling withdrawal of streams from a linear programming model developed from a thermodynamically-based reference tool
US8756039B2 (en) * 2010-03-02 2014-06-17 Fisher-Rosemount Systems, Inc. Rapid process model identification and generation
US8699161B2 (en) * 2012-03-09 2014-04-15 Lsi Corporation Storage device having write signal with multiple-slope data transition
US9715221B2 (en) * 2014-05-01 2017-07-25 Aspen Technology, Inc. Online control calculation for models containing near colinearity and uncertainty
CN105223810B (zh) * 2015-09-06 2017-10-24 西南交通大学 一种基于多变量控制的高铁低频振荡过电压阻尼方法
CN106227033A (zh) * 2016-07-29 2016-12-14 浙江邦业科技股份有限公司 一种适用多约束目标的pid控制算法
KR101933784B1 (ko) * 2017-03-17 2018-12-28 두산중공업 주식회사 가스 터빈 실시간 시뮬레이션 시스템 및 그 방법
US10822255B2 (en) 2017-07-14 2020-11-03 Doosan Heavy Industries & Construction Co., Ld Water treatment apparatus using underwater plasma discharge and water treatment system including same
DE102017218813A1 (de) * 2017-10-20 2019-04-25 Robert Bosch Gmbh Verfahren und Vorrichtung zum Einstellen mindestens eines Parameters eines Aktorregelungssystems und Aktorregelungssystem
CN108681244B (zh) * 2018-05-11 2021-01-26 东南大学 基于多模型前馈的燃料电池阳极压力动态矩阵控制方法
US11604459B2 (en) 2019-07-12 2023-03-14 Emerson Process Management Power & Water Solutions, Inc. Real-time control using directed predictive simulation within a control system of a process plant
US11644814B2 (en) * 2019-11-20 2023-05-09 Abb Schweiz Ag Method and apparatus for coordinating the utilization of operational zones to achieve production goals
US11586950B2 (en) * 2019-12-06 2023-02-21 At&T Intellectual Property I, L.P. Methods, systems, and devices for detecting and mitigating potential bias

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4349869A (en) 1979-10-01 1982-09-14 Shell Oil Company Dynamic matrix control method
US4448736A (en) * 1982-05-24 1984-05-15 Standard Oil Company (Indiana) Continuous in-line melt flow rate control system
AU560995B2 (en) * 1984-02-07 1987-04-30 Toshiba, Kabushiki Kaisha Process control apparatus
US5432885A (en) * 1987-10-16 1995-07-11 Mitsubishi Denki Kabushiki Kaisha Recurrent fuzzy inference apparatus
US5060132A (en) * 1989-06-13 1991-10-22 Elsag International B.V. Method of modeling and control for delignification of pulping
US5313395A (en) * 1989-12-25 1994-05-17 Nippondenso Co. Ltd. Speed control system for an internal combustion engine
US5394322A (en) * 1990-07-16 1995-02-28 The Foxboro Company Self-tuning controller that extracts process model characteristics
JPH04308901A (ja) * 1991-04-05 1992-10-30 Nec Corp 状態推定器と磁気ディスク装置の位置決め制御回路
EP0518651B1 (en) * 1991-06-11 1996-08-14 Kabushiki Kaisha Toshiba Process control system
US5190020A (en) * 1991-06-26 1993-03-02 Cho Dong Il D Automatic control system for IC engine fuel injection
US5544038A (en) * 1992-09-21 1996-08-06 General Electric Company Synchronous rectifier package for high-efficiency operation
US5740033A (en) * 1992-10-13 1998-04-14 The Dow Chemical Company Model predictive controller
US6381504B1 (en) * 1996-05-06 2002-04-30 Pavilion Technologies, Inc. Method for optimizing a plant with multiple inputs
US6278899B1 (en) * 1996-05-06 2001-08-21 Pavilion Technologies, Inc. Method for on-line optimization of a plant
US5764509A (en) * 1996-06-19 1998-06-09 The University Of Chicago Industrial process surveillance system
US5901059A (en) * 1996-09-13 1999-05-04 Honeywell Measurex Corp Method and apparatus for controlling a process using adaptive prediction feedback
DE69731060T2 (de) * 1996-11-29 2005-11-17 Woodward Governor Co., Loveland Verfahren und Gerät zur Berechnung und Steuerung von nicht-linearen Störungen in einem Rückführsteuerungssystem
US6438532B1 (en) * 1997-01-25 2002-08-20 Kabushiki Kaisha Toshiba Adjustment rule generating and control method and apparatus
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
US6587108B1 (en) * 1999-07-01 2003-07-01 Honeywell Inc. Multivariable process matrix display and methods regarding same
EP1194307B1 (en) * 2000-05-16 2006-04-05 Nissan Motor Company, Limited System and method for controlling vehicle velocity and inter-vehicle distance

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101007299B1 (ko) * 2010-05-27 2011-01-13 임재익 전열히터 제어장치

Also Published As

Publication number Publication date
MXPA02012834A (es) 2003-05-15
EP1299778A2 (en) 2003-04-09
US20020016640A1 (en) 2002-02-07
CA2411378A1 (en) 2002-01-10
CN1449511A (zh) 2003-10-15
US6745088B2 (en) 2004-06-01
WO2002003150A2 (en) 2002-01-10
JP2004503000A (ja) 2004-01-29
AU2001265362A1 (en) 2002-01-14
WO2002003150A3 (en) 2002-05-02
AR031981A1 (es) 2003-10-22
BR0112379A (pt) 2003-04-29

Similar Documents

Publication Publication Date Title
KR20030014285A (ko) 다변수 행렬 프로세스 제어방법 및 그 장치
US8046090B2 (en) Apparatus and method for automated closed-loop identification of an industrial process in a process control system
EP2062104B1 (en) Dynamic controller utilizing a hybrid model
EP0823078B1 (en) Feedback method for controlling non-linear processes
Wang Continuous time model predictive control design using orthonormal functions
KR102225370B1 (ko) 학습을 통한 파라미터 개선 기반의 예측 시스템 및 방법
JPH0869302A (ja) 空気分離システムのためのモデル予測制御方法
Nakaya et al. On-line tracking simulator with a hybrid of physical and Just-In-Time models
JP2024516410A (ja) モデル制約を課すことによって信頼できるディープラーニングコントローラを構築するための装置および方法
Gharamaleki et al. An analytical approach to optimal control of nonlinear systems with input constraints
Zhang et al. Generalized Parameter Estimation Method for Model-Based Real‑Time Optimization
CN116184830B (zh) 一种笼套式电动节流阀阀门开度控制方法
Joy et al. Approximate dynamic programming‐based control of distributed parameter systems
Hätönen et al. Convex modifications to an iterative learning control law
JP4474555B2 (ja) Pid制御装置及びpid制御方法
Kristoffersen et al. State and parameter estimation for a gas-liquid cylindrical cyclone
Kristoffersen et al. Nonlinear state and parameter estimation for a gas-liquid cylindrical cyclone
Yang et al. Learning MPC for Process Dynamic Working Condition Change Tasks under Model Mismatch
Uduehi et al. Predictive PID controller design
Mirkin Decomposition-coordination optimization of the dynamic systems with adaptation of the criterion
McDonald et al. A Multiobjective Predictive Control Solution
Ławryńczuk Suboptimal nonlinear predictive control with MIMO neural Hammerstein models
CN117096895A (zh) 基于电力系统的阻尼控制器设计方法、控制器及电力系统
Emhemed et al. DEVELOPMENT OF PREDICTIVE CONTROL STRATEGY USING SELF-IDENTIFICATION MATRIX TECHNIQUE (SMT)
Peng et al. A New Estimation Method for Radial Basis Function-based Models

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid