间歇过程优化与先进控制综述
工业过程先进控制概述石红瑞
现场总线控制系统FCS的主要特征
1. 数字通讯代替4~20ｍＡ模拟传输，数字通讯网络延 伸到工业过程现场；
2. 智能现场设备：智能变送器完成测量、变送基本功 能，还具有自诊断、报警，再现标定、PID调节、 信号处理、通信等功能，可实现多参数传感变送器。
3. 开放的互联网络：协议公开、互操作性、互用性。 4. 系统结构的高度分散性：总线仪表集检测、运算、
9、其他类型现场总线
• HART协议，用于现场智能仪表和控制 是设备间通信的一种开放协议，属于模 拟系统向数字系统转变过程中过渡性产 品，其特点是在现有模拟信号传输线上 实现狮子信号通信。 HART协议最早由 Rosemount公司开发并得到E+H，Moor, AB,Siemens,Smar和横河等许多著名仪表 公司的支持。
多变量频域
随机过程 非线性系统
3、检测控制仪表的发展
• 50’，基地式仪表（电子真空管），自力 式温度调节，就地式液位控制
• 60’，单元组合（气动、电动） QDZ ：0.02~0.1MPa 标准信号 DDZП：0~10mA标准信号 DDZШ ：4~20mA、1~5V 标准信号
DDZ仪表与数字调节器
• 研究内容：可控性、可观性、实现问题、 典范型、分解理论、稳定性理论
• 使控制由一类工程设计方法提高到新的 科学----控制科学。相继出现了系统辨识 与参数估计、随机控制、自适应控制、 鲁棒控制等。
• 航空、航天、制导成绩辉煌，复杂工业 过程无能为力。
80~90’，大系统理论与智能控制
• 大系统理论：控制理论广度挖掘 研究大系统的分解及各子系统的协调，多
DCS的体系结构——Siemens
工程师 站
打印服
AB PLC控制系统 ControlNet 操作工 局域 操作工
先进控制技术综述
先进控制技术综述1 引言在实际的工业控制过程中，很多系统具有高度的非线性、多变量耦合性、不确定性、信息不完全性和大滞后等特性。
对于这种系统很难获得精确的数学模型，并且常规的控制无法获得满意的控制效果。
面对这些复杂的工业控制产生了新的控制策略，即先进控制技术。
先进控制技术包括：自适应控制，预测控制，推理控制，鲁棒控制以及包括模糊控制与神经网络在内的智能控制方法。
本文详细介绍了自适应控制、预测控制以及这两种先进控制的应用领域和优缺点[1]。
2 自适应控制自适应控制的思想是对于系统中的不确定性，以及控制任务的艰巨性，对于部分未建模的动态特性、变化的被控对象和干扰信号，及时地测得它们的信息，并根据此信息按一定的设计方法，自动地做出控制决策、修改控制器结构和参数，使其控制信号能够适应对象和扰动的动态变化，在某种意义上达到控制效果最优或次优。
2．1 自适应控制介绍目前自适应控制的种类很多，从总体上可以分为三大类：自校正控制、模型参考自适应控制和其他类型的自适应控制。
自校正控制的主要问题是用递推辨识算法辨识系统参数，根据系统运行指标来确定调节器或控制器的参数。
其原理简单、容易实现，现已广泛地用在参数变化、有迟滞和时变过程特性，以及具有随机扰动的复杂系统。
自校正控制系统的一般结构图如图1所示。
自校正控制适用于离散随机控制系统[2]。
图1 自校正控制结构图模型参考自适应控制，利用可调系统的各种信息，度量或测出各种性能指标，把模型参考自适应控制与参考模型期望的性能指标相比较；用性能指标偏差通过非线性反馈的自适应机构产生自适应律来调节可调系统，以抵消可调系统因“不确定性”所造成的性能指标的偏差，最后达到使被控的可调系统获得较好的性能指标的目的。
模型参考自适应控制可以处理缓慢变化的不确定性对象的控制问题。
由于模型参考自适应控制可以不必经过系统辨识而度量性能指标，因而有可能获得快速跟踪控制。
模型参考自适应控制结构框图如图2所示，模型参考自适应控制一般用于确定性连续控制系统。
过程控制系统综述-
所谓过程控制是指根据工业生产过程的特点，采用测量仪表、执行机构和计算机等自动化工具，应用控制理论，设计工业生产过程控制系统，实现工业生产过程自动化。
一﹑过程控制的特点及分类方法过程控制的特点是与其他自动化控制系统相比较而言的，大致可归纳如下：1.连续生产过程的自动控制。
2.过程控制系统由过程检测、控制仪表组成。
3.被控过程是多种多样的、非电量的。
4.过程控制的控制过程多属慢过程，而且多半为参量控制。
5.过程控制方案十分丰富。
6.定值控制是过程控制的一种常用形式。
7.被控对象的多样性：过程工业涉及到各种工业部门，其物料加工成的产品是多样的。
同时，生产工艺各不相同。
过程控制系统的分类方法很多，若按被控参数的名称来分，有温度、压力、流量、液位、pH等控制系统；按控制系统完成的功能来分，有比值、均匀、分程和选择性控制系统；按调节器的控制规律来分，有比例、比例积分、比例微分、比例积分微分控制系统；按被控量的多少来分，有单变量和多变量控制系统；按采用常规仪表和计算机来分，有仪表过程控制系统和计算机过程控制系统等。
但最基本的分类方法有以下两种：按系统的结构特点来分反馈控制系统，前馈控制系统，复合控制系统（前馈-反馈控制系统）按给定值信号的特点来分定值控制系统，随动控制系统1.反馈控制系统偏差值是控制的依据，最后达到减小或消除偏差的目的。
反馈信号可能有多个，从而可以构成多回路控制系统（如串级控制系统）。
2.前馈控制系统扰动量的大小是控制的依据，控制“及时”。
属于开环控制系统，在实际生产中不能单独采用。
3.闭环与开环控制系统反馈是控制的核心！只有通过反馈才能实现对被控参数的闭环控制！开环控制系统不能自动地“察觉”被控参数的变化情况，也不能判断控制参数的校正作用是否适合实际需要。
闭环控制系统在过程控制中使用最为普遍。
4.定值控制系统定值控制系统是工业生产过程中应用最多的一种过程控制系统。
在运行时，系统被控量（温度、压力、流量、液位、成份等）的给定值是固定不变的。
先进过程控制及其应用期末课程总结论文
先进控制技术及其应用随着工业生产过程控制系统日趋复杂化和大型化，以及对生产过程的产品质量、生产效率、安全性等的控制要求越来越严格，常规的PID控制已经很难解决这些具有多变量、强非线性、高耦合性、时变和大时滞等特性的复杂生产过程的控制问题[]。
自上世纪50年代逐渐发展起来的先进控制技术解决了常规PID控制效果不佳或无法控制的复杂工业过程的控制问题。
它的设计思想是以多变量预估为核心，采用过程模型预测未来时刻的输出，用实际对象输出与模型预测输出的差值来修正过程模型，从而把若干个控制变量控制在期望的工控点上，使系统达到最佳运行状态。
目前先进控制技术不但在理论上不断创新，在实际生产中也取得了令人瞩目的成就。
下面就软测量技术、内模控制和预测控制做简要阐述。
1.软测量技术在生产过程中，为了确保生产装置安全、高效的运行，需要对与系统的稳定及产品质量密切相关的重要过程变量进行实时控制。
然而在许多生产过程中，出于技术或经济上的原因，存在着很多无法通过传感器测量的变量，如石油产品中的组分、聚合反应中分子量和熔融指数、化学反应器反应物浓度以及结晶过程中晶体粒直径等。
在实际生产过程中，为了对这类变了进行实施监控，通常运用两种方法：1).质量指标控制方法：对与质量变量相关的其他可测的变量进行控制，以达到间接控制质量的目的，但是控制精度很难保证。
2).直接测量法：利用在线分析仪表直接测量所需要的参数并对其进行控制。
缺点是在线仪表价格昂贵，维护成本高，测量延迟大，从而使得调节品质不理想。
软测量的提出正是为了解决上述矛盾。
软测量技术的理论根源是20世纪70年代Brosilow提出的推断控制，其基本思想是采集过程中比较容易测量的辅助变量(也称二次变量)，通过构造推断器来估计并克服扰动和测量噪声对主导过程主导变量的影响。
因此，推断估计器的设计是设计整个控制系统的关键。
软测量器的设计主要包括以下几个方面：1)机理分析和辅助变量的选择。
过程控制论文
过程控制的综述与发展摘要:本文介绍过程工业的特点，回顾过程控制的发展过程，指出过程控制发展的趋势,强调 过程综合自动化这一发展方向，并讨论过程控制面临的理论和实际问题。
关键词:过程控制；综合自动化；先进控制；过程优化；现场总线；发展。
一、过程控制发展的回顾过程控制的发展是与控制理论、仪表、计算机以及有关学科的发展紧密相关的.过程控制 的发展大体上可以分为如表1所示的三个发展阶段：70年代以前这一时期应属于自动化孤岛模式的阶段，其控制目标只能是保证生产平稳和少出事故。
70~80年代是发展的第二阶段,分布式工业控制计算机系统(DCS)的出现为实现先进控制创造了条件,多变量预测控制等先进控制方法的应用，使控制达到了新的水平,在实现优质、高产、低消耗的控制目标方面前进了一大步。
值得指出的是在70年代中期,出现了现代控制理论是否适用于过程控制的困惑，这迫使人们去研究生产过程的特点与难点,以缩小理论与应用之间的鸿沟。
80年代后期,工业控制中出现了多学科间的相互渗透与交叉，人工智能和智能控制受到人们的普遍关注,信号处理技术、数据库、通讯技术以及计算机网络的发展为实现高水平的自动控制提供了强有力的技术工具。
过程控制开始突破自动化孤岛的传统模式，采用CIM 的思想和方法来组织、管理和指挥整个生产过程，出现了集控制、优化、调度、管理于一体的新模式.在连续工业中，也将这种模式称为综合自动化或ClpS(eomputerintegratedprocessingsystems)。
可以看到，过程控制在这阶段的目标已从保持平稳和少出事故转向提高产品质量、降耗节能、降低成本、减少污染，并最终以效益为驱动力来重新组织整个生产系统,最大限度地满足动态多变市场的需求,提高产品的市场竞争力。
阶段第一阶段 （70年代以前） 第二阶段 （70~80年代） 第三阶段 （90年代） 控制理论经典控制理论 现代控制理论 控制论、信息论、系统论、人工智能等学科交叉控 控制工具常规仪表 分布式控制计算机 计算机网络 控制要求安全平稳 优质、高产、低耗能 市场预测、快速响应、柔性生产、创新管理 控制水平简单控制系统 先进控制系统 综合自动化二、发展方向——智能控制智能控制的特点：（1）学习能力。
间歇过程的批内自优化控制
间歇过程的批内自优化控制叶凌箭1, 2摘 要 针对间歇过程的实时优化问题, 提出了一种基于自优化控制的批内优化方法. 以测量变量的线性组合为被控变量, 在单批次内跟踪控制被控变量实现间歇过程的实时优化. 根据是否在间歇过程的不同阶段切换被控变量, 给出了两种自优化控制策略, 对每种策略又分别提出两种设定轨线选取方案. 为求解这些情形下的最优被控变量(组合矩阵), 以最小化平均经济损失为目标, 推导了组合矩阵和经济损失之间的函数关系, 分别将其描述为相应的非线性规划问题. 在此基础上,进一步引入了扩张组合矩阵, 将这些非线性规划问题归纳为求解扩张组合矩阵的一致形式(扩张组合矩阵具有不同的结构约束), 并推导得到了其中一种方案的解析解计算方法. 以一个间歇反应器为研究对象, 验证了方法的有效性.关键词 间歇过程, 不确定性, 实时优化, 自优化控制, 动态优化引用格式 叶凌箭. 间歇过程的批内自优化控制. 自动化学报, 2022, 48(11): 2777−2787DOI 10.16383/j.aas.c190855Within-batch Self-optimizing Control for Batch ProcessesYE Ling-Jian 1, 2Abstract For real-time optimization of uncertain batch processes, a within-batch self-optimizing control (SOC) ap-proach is proposed. In this approach, measurement combinations are selected as controlled variables, which are tracked at time-varying setpoints along batch operations. Regarding whether the controlled variables are switched at different batch phases, two self-optimizing control strategies are given, both of which further contain two schemes in terms of the computation of setpoint trajectory. To solve the optimal controlled variables (combination matrices),the average economic loss is considered as the to-be-minimized cost function, then the nonlinear programming prob-lems are formulated by establishing the relationships between the loss and combination matrices. Based on these results, the extended combination matrix is introduced, then different nonlinear programming problems are uni-formed as one problem for solving the optimal extended combination matrix (with different structural constraints).Among these cases, the analytical solution of one option is further derived. A batch reactor is studied to show the effectiveness of the proposed approach.Key words Batch process, uncertainty, real-time optimization, self-optimizing control (SOC), dynamic optimiza-tionCitation Ye Ling-Jian. Within-batch self-optimizing control for batch processes. Acta Automatica Sinica , 2022,48(11): 2777−2787化工过程普遍存在不确定性, 如何采用有效的优化方法找到不确定条件下系统的真实最优点, 对提高化工企业的经济效益发挥着关键作用[1]. 大规模化工过程的控制系统通常为分层递阶结构[2−3], 控制层(下层)的主要任务是抑制底层扰动, 跟踪优化层传递来的被控变量设定值, 优化层(上层)根据调度层(顶层)传达的生产任务指标等, 对当前工况进行识别, 执行相应的优化算法计算出最优设定值,传递给控制层执行.优化层执行的优化算法通常以化工过程的非线性模型为基础, 以传统的 “二步法” 实时优化[4−5] 为例, 首先确定模型的不确定参数, 运行过程中采集系统的输出量数据, 对未知参数进行估计, 再基于更新的系统模型进行重优化, 计算出被控变量的最优设定值后传递给控制层. 这一过程通常还需要结合数据调和、稳态检测等技术手段加强优化结果的可靠性, 工业过程的优化周期一般为4 ~ 8小时. 针对传统的 “二步法” 的缺点, 近年来涌现出了新的实时优化方法, 如Bonvin 课题组提出的修正项自收稿日期 2019-12-17 录用日期 2020-06-11Manuscript received December 17, 2019; accepted June 11,2020国家自然科学基金(61673349), 轻工过程先进控制教育部重点实验室开放课题(江南大学)基金(APCLI1802), 宁波市自然科学基金(2018A610188)资助Supported by National Natural Science Foundation of China (61673349), Foundation of Key Laboratory of Advanced Process Control for Light Industry (Jiangnan University) (APCLI1802),and Ningbo Natural Science Foundation (2018A610188)本文责任编委 谢永芳Recommended by Associate Editor XIE Yong-Fang1. 浙大宁波理工学院信息科学与工程学院 宁波 3151002. 湖州师范学院工学院 湖州 3130001. School of Information Science and Engineering, NingboTech University, Ningbo 3151002. School of Engineering, Huzhou University, Huzhou 313000第 48 卷 第 11 期自 动 化 学 报Vol. 48, No. 112022 年 11 月ACTA AUTOMATICA SINICANovember, 2022适应方法(Modifier adaptation)[6−7], 通过对标称模型的约束及梯度进行修正, 即使不估计扰动参数也能收敛到真实最优点. 文献[8−10]考虑运行层之间的不同时间尺度, 提出了数据驱动的多速率分层运行优化控制方法, 基于Q学习对基础控制回路的设定值进行在线优化, 使运行层能更好地优化控制性能指标. 自优化控制(Self-optimizing control, SOC)[11−13] 提出通过离线选择控制层的被控变量,设定值则在线保持不变, 提供了实时优化的另一种研究思路. 在自优化控制中, 被控变量可以是常规物理量的函数, 即构造虚拟量进行控制, 可使系统的操作变量可以在不确定性下进行自寻优. 当底层控制的优化作用较强时(经济损失可接受), 甚至可以省略单独的优化层, 从而简化控制系统. 相比传统的优化方式, 自优化控制的优化在工作频率为秒/分的反馈控制中完成, 因此优化速度得到大幅度提升, 在一系列研究中表现出良好的效果[14−17].间歇过程是一类批次加工的化工过程, 具有规模小、灵活性高的特点, 在需求多元化的现代市场中应用越来越广泛. 相比连续化工过程, 间歇过程具有 “多重时变” 的操作特征[18−19]. 一方面, 间歇过程具有重复特性, 可以引入学习机制从历史批次的数据中提炼出有用的信息, 改进后续批次的跟踪控制和经济指标优化, 典型的如迭代学习控制[18, 20−23]、批间实时优化[23−24] 等控制和优化技术. 另一方面,由于其时变特性, 间歇过程在批次内无稳定操作点,相比连续过程的控制和稳态优化更具挑战[25−27]. 自优化控制经过近20年的发展, 针对连续过程已报道了一系列被控变量求解方法[12, 28−31], 但是针对需动态优化的间歇过程仍缺乏足够的研究. 值得注意的是, 由于从批间角度看间歇过程是一个静态过程[32],近年来文献[33−34]提出了间歇过程的批间自优化控制方法. 此类方法仅利用了间歇过程的重复性,基于已有的静态自优化控制方法求解被控变量, 然后设计批间控制器调节输入轨迹, 逐批次将被控变量控制于恒定设定点, 实现实时优化. 但批间优化本质上还是静态方法, 由于需要若干个批次才能实现被控变量的跟踪控制, 优化作用慢, 因此未充分发挥自优化控制的优势. 此外, 批间优化只对具有重复特性的扰动具有效果, 当系统受到高频扰动作用时, 批间控制器难以实现有效的实时优化.最近, Ye等[35]提出了一种针对间歇过程的动态自优化控制方法, 通过考虑批内变量的因果性,最终得到了具有优化作用的控制律. 设计控制系统时, 选择被控变量和设计控制器通常是两个独立任务[36],前者主要考虑经济指标的优化, 后者关注于如何更好地跟踪控制被控变量, 保证控制系统的稳定性和鲁棒性. 如何在此前提下求解批内被控变量, 仍是一个开放的课题.本文研究了间歇过程的批内自优化控制问题,贡献如下: 1)基于自优化控制策略提出以输出变量的线性组合为被控变量(虚拟变量), 在批次运行过程中对其进行跟踪控制, 以控制手段实现实时优化;2)根据是否在过程不同阶段切换被控变量, 给出了两种自优化控制策略, 对每种策略又分别给出了两种设定轨线选取方案; 3)引入扩张组合矩阵, 将这些情形统一描述为具有不同结构约束的最优组合矩阵求解问题, 并推导得到了其中一种方案的解析解计算方法. 目前为止, 本文所提方法在国内外文献中未见报道.1 连续过程的自优化控制对连续化工过程, 考虑如下静态优化问题J u∈R n u d∈R n d y∈R n yg g in其中, 为经济指标, , 和分别是操纵变量、扰动变量和测量变量, 和为输出变量的模型函数和约束条件.ddd u opt(d)d u optc=H y cc su opt(d)Hc yHn u= 2y=[T P c A]T T Pc A扰动变量变化且在线不可测是化工过程偏离最优点的主要原因. 当扰动变量变化时, 式(1)的解是的函数, 不妨记为. 实时优化的任务是在未知的前提下, 寻找到新的最优值, 实现过程的最优操作. 自优化控制(SOC)通过构造虚拟的被控变量, 当反馈控制器将控制在恒定设定值上时, 控制器输出能自动逼近当前的实际最优值. 当组合矩阵每行有且只有一个1,其余为0时, 为输出变量的子集, 此时退化为传统的以单变量为被控变量的情形. 更一般的情况下, 中的非零元素提供了更多优化自由度, 可提高系统的闭环经济性能. 例如, 假设系统自由度, , 包括温度, 压力和物质A的浓度, 考虑两种情况:H1c=H1y T c AH2对应的被控变量 为 和 (单个物理量), 的被控变量为3个物理量的线性组合.显然, 前者为后者的一种特殊形式.H为求解一般情形的最优组合矩阵, 研究人员针对不同过程特性和衡量标准提出了求解方法[12, 28−31].以一种针对线性系统的局部法(Exact local meth-2778自 动 化 学 报48 卷Lod)为例[28], 首先定义损失函数d J (u ,d )u opt 对给定的 , 将 在最优点 处进行二阶泰勒展开J u =∂J∂u J uu=∂2J∂u 2J u =0式中, 和 分别为一阶和二阶敏感矩阵. 根据最优性条件, 最优点处 ,将其代入式(1)可得到二次型损失函数此外, 输出函数在标称点处的线性化方程为y m =y +n c =H y m (∆c =0)∆d u 若考虑测量变量含噪声: , 当控制器将被控变量 控制在原设定值上时 , 扰动变化 将引起的 变化量为∆d 同时, 扰动变化 将引起最优点变化J ud =∂2J∂u ∂d 式中, . 将式(6)和式(7)代入式(4) 可计算损失函数[28]V V TV =J uu ˜F=[F W d W n ]F =∂y opt ∂d=−(G y J uu )−1J ud +G yd W d Wn d n d ′n ′式中, 满足 , , , 和 为对角矩阵, 其对角元素为 和 的幅值, 和 为归一化后的扰动和噪声向量, 其最大范数为1.L (∆d ,n )d n L L max L av H L av d ′n ′H式(8)中的损失 为单个工况 引起的损失. 当 和 在其变化范围内变化时, 文献[23−24]中分别以 的最大值和平均值 为衡量标准, 提出了 的求解方法. 以平均损失 为例, 当 和 为正态分布时, 可得到如下最优化问题求解 L av (H )=L av (QH )Q n u 引理1[35]. , 其中 为任意 维非奇异方阵.c =H y c =QH y H 引理1表明, 式(9)的解非唯一(因为控制 和 等效). 利用该特性, 可以先求解出式(9)的一个特解, 再推广至通解形式. 文献[24]给出了最优的一个特解, 即2 间歇过程的自优化控制2.1 间歇过程优化考虑一类带不确定参数的间歇过程优化问题J u (t )∈R n u u L u U x ∈R n x y ∈R n y d ∈R n d x 0)t f ϕf f y T 式中, 为最小化目标, 为操纵变量轨迹( 和 分别为输入下上限), , 和 分别为状态向量(初态 、测量变量和不确定扰动, 为批次运行时间, 为目标函数, , 和 分别为模型方程、输出方程和过程约束.对式(11)所示的动态优化问题, 通常可以基于数值法将其近似为离散化的非线性规划(Non-lin-ear programming, NLP)问题[37]N [0,t f ]ˆf ˆf y 式中, 为间歇过程在操作区间 内的离散段数, 和 代表离散后的非线性状态方程和输出方程.c =H y c 对上述间歇过程的优化问题, 文献[27−28]提出了批间自优化控制方法, 即构造被控变量 ,利用间歇过程的重复特性逐批次将 控制在恒设定值上. 从批间角度看, 间歇过程是一个静态过程, 因此第1节中针对连续过程的被控变量求解方法可以较为直接地拓展至间歇过程. 但批间优化需要经历若干批次实现被控变量的控制, 优化速度较慢. 并且, 若扰动的变化频率较高(如非重复性扰动), 则难以实现被控变量的跟踪控制, 优化效果有限.2.2 批内自优化控制策略本文研究间歇过程的批内自优化控制方法, 即在单批次中控制被控变量实现实时优化. 与批间优化相比, 批内优化的响应速度更快, 能提高优化效果. 由于跟踪控制在单批次内完成, 批内优化能应11 期叶凌箭: 间歇过程的批内自优化控制2779c =H y c s 对非重复性扰动. 对被控变量 及其设定值, 考虑如下几种策略:H c s 策略1. 和 保持恒定;H c s 策略2. 恒定, 时变;H c s 策略3. 和 均时变.[t i ,t i +1)策略1为连续过程中采用的自优化控制方法,对具有时变特性的间歇过程, 一般难以取得理想效果. 策略2采用恒定被控变量, 其设定值为动态轨线, 较策略1更适合间歇过程. 策略3进一步考虑具有切换结构的控制系统, 对离散化的间歇过程,在 时间段内控制一组新的被控变量, 如图1所示.图 1 间歇过程的离散化变量及自优化控制策略Fig. 1 Discretization of batch processes andself-optimizing control strategy结合间歇过程的时变特性, 本文主要研究策略2和策略3的被控变量求解问题. 对此, 引入如下假设条件:y [0,t f ]假设1. 输出变量 在时间轴 上连续可测.c (i )=H (i )y c s (i )[t i ,t i +1)c (i )c s (i )lim t →t i +1H (i )y (t )=c s (i )假设2. 对一组选定的被控变量 及设定值 , 在对应的时间间隔 内, 控制器可以将被控变量 控制在其设定值 上, 即.[t 0,t 1)c (t )=H y (t )c s (1)t 1H y (1)=c s (1)c (t )=H y (t )c s (2)t 2H y (2)=c s (2)采用策略2时, 第1个时间段 内的被控变量 , 设定值为 , 至终点 实现; 第2个时间段 的设定值变为 , 至终点 实现 ; 以此类推.对策略2, 进一步考虑两种设定值选取方案:[c s (1),···,c s (N )]H c s (i )c =H y (t )c ∗s (i )方案1. 设定值轨线 为一组既定常数, 对给定的组合矩阵 , 设定值 为被控变量 在各时间节点处的标称值 ,使标称工况的损失为0.c s (i )t i −1y (0:i −1)=[y T (0)···y T (i −1)]T 方案2. 设定值 为当前批次运行至 时刻的变量 的c s (i )=c ∗s (i )−H ′(i )y (0:i −1)H ′(i )函数, 不妨假定为线性关系, 记为 , 其中 为待确定的系数矩阵.H ′(i ),i =1,···,N 可以看到, 方案1中被控变量的设定轨线固定不变. 而方案2的被控变量设定轨线在当前批次运行过程中不断利用测量值进行修正. 相比方案1, 方案2更加充分地利用了过程信息, 理论上能进一步提高优化效果, 但需求解额外的决策变量 .H 为推导这两种方案中损失函数与组合矩阵 之间的关系, 定义如下超向量¯u,¯y ,¯d [0,t f ]式中, 超向量 由时间轴 上各离散点处的变量堆叠组成. 为便于描述, 将上述超向量的非线性映射关系记为G ˆf ˆf y式中, 映射函数 由式(12)中的状态方程 和 定义. 使用超向量, 间歇过程中变量的动态关系记为式(14)所示的静态函数.¯H∈R n ¯u×n ¯y ¯c∈R Nn ¯u 对方案1, 定义如下扩张组合矩阵 及总被控变量 ¯H¯c方案2也可以定义相同维度的扩张组合矩阵 及总被控变量 :2780自 动 化 学 报48 卷[t i −1,t i )¯c(i )=H y (i )+H ′i y (0:i −1)¯c(i )=H y (i )−H ′i y (0:i −1)t −1y (0:i −1)式中, 的被控变量为 , 等同于被控变量 , 且设定值修正量为 , 因为在 时刻 为已知量.¯H¯c L av ¯H引入扩张组合矩阵 后, 总被控变量 由每个时间节点的被控变量组成, 方案1 和方案2统一地描述为静态自优化控制问题的规范形. 结合第1节已有的结论, 可以得到损失函数 与 的关系表达式, 即求解如下最优化问题V,G y ˜F式中, 和 等矩阵均定义为超向量之间的关系.¯H¯H上述优化问题和静态问题(9)之间的不同之处在于, 此处扩张组合矩阵 应满足式(15)或式(16)所示的结构, 即矩阵 具有结构性约束. 式(10)所示的解析解不能直接推广至式(17)求解, 否则不满足约束条件(15)或(16).[t 0,t 1)c (t )=H (1)y (t )c s (1)t 1H (1)y (1)=c s (1)[t 1,t 2)c (t )=H (2)y (t )c s (2)t 2H (2)y (2)=c s (2)采用策略3时, 在第1个时间段 内, 控制器控制被控变量 , 设定值为 ,至终点 实现 ; 在第2个时间段 内, 被控变量切换为 , 设定值为 , 至终点 实现 ; 以此类推. 类似地, 对策略3也考虑两种方案:c (i )[c s (1),···,c s (N )]H (i )y (i )t i c ∗s (i )方案3. 每组被控变量 对应的设定值 为既定常数, 为 在时间节点 处的标称值 .c s (i )t i −1y (0:i −1)=[y T (0)···y T (i −1)]T c s (i )=c ∗s (i )−H ′(i )y (0:i −1)H ′(i )方案4. 设定值 为当前批次运行至 时刻的变量 的函数, 记为 , 其中 为待确定的系数矩阵.¯H¯c 同理, 对策略3的两种方案也分别定义扩张组合矩阵 及总被控变量 .方案3中,方案4中,H N H (i ),i =1,···,N 与策略2相比, 策略3中两种方案的组合矩阵 是时变的, 即需求取 个组合矩阵 . 同理, 对策略3求解如下最优化问题¯H¯H 从以上分析看到, 对不同的控制策略和设定值选取方案, 可以统一归结为具有不同结构的扩张组合矩阵 的求解问题, 可以在优化问题中对 施加等式约束实现. 一般来说, 具有特定结构的组合矩阵难以求得闭合解, 需使用数值优化算法.注1. 以上提出的4种被控变量选择方案, 从控制角度看, 执行策略2 (方案1)最简单, 但优化效果可能较差; 策略3 (方案4)理论上的优化效果最好, 但被控变量需要不断切换, 并且设定轨线也要在线修正. 针对具体过程, 需结合过程特性和优化性能结果综合考虑这两个因素, 选择最合理的自优化控制方案.¯H2.3 策略3 (方案4)的 解析解¯H¯H下面提出一种针对策略3 (方案4)的闭合解求解方法. 如式(19)所示, 此时 为块下三角矩阵.为表述方便, 将式(19)所示的 表达式记为¯H i =[H ′iH (i )]∈R n u ×in y i H (i )H ′i 式中, 子矩阵 , 同时包含了 时刻的被控变量组合矩阵 及修正设定值轨线的系数矩阵 .¯HQ ¯H′=Q ¯H L av (¯H)=L av (¯H ′)引理 2. 对满足式(21)结构的 及非奇异块下三角矩阵 , 转化矩阵 同样满足式(21)结构, 并且 .¯HQ ¯H ′¯H′=Q ¯H 证明. 由于 和 均为块下三角, 显然 也为块下三角矩阵. 将 代入到损失函数表达式11 期叶凌箭: 间歇过程的批内自优化控制2781L av (¯H ′)=0.5∥V (¯H ′G y )−1¯H ′˜F ∥2FQ 中, 矩阵前后互消, 结论成立. □¯HG y ¯HGy V V T V =J uu J uu 与引理1类似, 引理2也可用于先求解 的特解. 注意到敏感矩阵 为块下三角矩阵, 因此 的逆也为块下三角. 将 取为满足 的块下三角矩阵, 可以对 进行Cholesky 分解得到.¯H定理 1. 对策略3 (方案4)的 矩阵, 式(20)等同于求解如下问题˜Fi ˜F n y i n d +n y i G yi G y n y i n u i V i V i 式中, 为 的子矩阵 (前 行, 前 列), 为 的子矩阵 (前 行, 前 列), 为 的第个分块矩阵.Q ¯H Q =V (¯HGy )−1¯H ′=Q ¯H 证明. 根据引理2, 可选择任意非奇异的块下三角矩阵对矩阵 进行转化求取特解, 可选择, 使 满足∀i =1,···,N 即对 , 均满足¯H不失一般性, 式(24)可作为对决策变量 的约束加入到优化问题中. 此时□Q ¯H(i)∀i =1,···,N 通过合理利用转化矩阵 , 定理1将目标函数及约束条件分解到每个离散时间节点, 能够沿时间轴依次求解出子矩阵 . 对 , 求解如下优化问题式(26)为带等式约束的二次型凸优化问题, 可进一步求得解析解.定理 2. 对式(26)所示的带等式约束的二次型凸优化问题, 其闭合解为证明. 式(26)在形式上与第1节静态自优化控制问题一致, 闭合解(27)的推导过程可参见文献[28].□¯HL av ¯H综上, 本文求取最优扩张组合矩阵 的计算步骤如图2所示, 其中策略3 (方案4)可直接应用定理2 求得闭合解, 其他3种情况则需使用数值优化法求取. 由于目标函数 是 的非线性函数, 优化问题(17)和(20)不能保证得到全局最优解. 对此, 策略3 (方案4)得到的解析解可作为数值优化的初始解进行寻优.¹H图 2 最优扩张组合矩阵 的求解步骤¹HFig. 2 Procedure for solving the optimal extendedcombination matrix 3 仿真研究3.1 间歇反应器描述A +B →C 2B →D A B u (t )本节研究一个带副反应的间歇反应器, 主副反应分别为和 , 其中反应物 在初始时刻投放完毕, 在反应过程中实时投放, 实时流量为操纵变量 . 体系的模型方程为2782自 动 化 学 报48 卷−c −c c X X V 式中, 表示物料 的浓度, 为持液量, 其他符号含义及标称值列于表1.表 1 间歇反应器参数及标称值Table 1 Parameters for the reactor model andnominal values符号物理含义标称值k 1 主反应的反应常数0.053 L·mol/min k 2 副反应的反应常数0.128 L·mol/minu L u 下限0 L/min u U u 上限0.001 L/min c Bin B 进料浓度5 mol/L c Ao A 初始浓度0.72 mol/L c Bo B 初始浓度0.0614 mol/LV o V 初始值1 L t f批次运行时间250 min[0,t f ]C D 操作目标为在 操作时段内最大化产物产量 的同时减少副产物 , 即表示为如下优化问题u (t )u (t )J opt k 1k 2±k 1k 2u (t )在表1所示的标称工况下, 使用数值优化方法求解式(33)可得到 的最优输入轨迹(图3). 可以看到, 此时 整个轨线处于可行域内, 最优值 = 0.271687 mol. 反应常数 和 为不确定扰动, 变化范围为其标称值的 40%. 当 和 变化时, 的最优输入轨迹随之改变.图 3 标称点的最优输入轨迹Fig. 3 Optimal input trajectory at the nominal point4 被控变量计算示例N =2[0,t f ]为更清晰地阐述本文方法, 以 为例(即 被均匀离散为两段), 介绍如何使用第2节中的方法求解不同被控变量. 离散后的优化变量个数n ¯u =2V , 对式(33)进行重优化后得到Hessian 矩阵和 矩阵c A c B 考虑使用 和 构造被控变量, 对离散系统进行线性化, 得到式中¯yT =y T (0)y T (1)y T (2)c A c B 其中, 测量变量 为 、 分别在0, 125 min 及250 min 时刻的量组成. 得到上述矩阵后, 可以构造式(17)和式(20)所示的优化问题来求解被控变量, 结果如下.H =[−0.00260.0035]c (t )=−0.0026c A +0.0035c B c s (1)=−0.000303c s (2)=−0.0000591) 策略2 (方案1): , 即整个时间段内都控制被控变量 . 经计算, 前125 min 的设定值为 , 后125 min 的设定值为 .¯H2)策略2 (方案2): 求解得到的扩张组合矩阵 为c (t )=−1.11c A +2.70c B c s (1)=−0.33c s (2)=0.20−0.51c A (1)−1.93c B (1)即整个时间段内, 被控变量为 .前125 min 的设定值为 , 后125 min 设定值为 .H (1)=[−0.00190.0057]3)策略3 (方案3): ,11 期叶凌箭: 间歇过程的批内自优化控制2783H (2)=[−0.00150.0074]c (1)=−0.0019c A +0.0057c B c (2)=−0.0015c A +0.0074c B c s (1)=−0.00048c s (2)=−0.000034, 即前125 min 被控变量, 后125 min 被控变量, 其设定值分别为 和 .¯H4)策略3 (方案4): 根据定理2, 求得扩张矩阵 为c (1)=−1.06c A +2.85c B c s (1)=−0.29c (2)=−1.48c A +3.27c B c s (2)=0.31−0.88c A (1)−2.07c B (1)即前125 min 被控变量 , 设定值 ; 后125 min 被控变量 , 设定值 .4.1 批内自优化控制效果N =2N =20V 由于 难以逼近整个间歇操作过程, 后文设置 并以相同的方法重新求解被控变量, 同时, 在测量变量中加入体积变量 提高优化效果.从表2可观察到:L av表 2 损失函数 L avTable 2 Loss function 策略及方案N =2 N =20 策略 2 (方案 1)0.03710.0083策略 2 (方案 2)0.034230.0024策略 3 (方案 3)0.03680.0069策略 3 (方案 4)0.034200.0022L av N =20N =21) 4种方案的损失 在 时, 相比 都大幅度降低;2) 策略2 (方案1)的损失函数为0.0083, 策略2 (方案2)通过在线设定值修正, 进一步将损失减少到0.0024;3) 策略3 (方案3)的损失为0.0069, 略低于策略2 (方案1);4) 策略2 (方案3)的损失为 0.0024, 与策略3(方案4)的损失0.0022很接近, 表明不切换被控变量也能得到较好的优化控制效果.基于表2的结果, 策略2 (方案2)与策略3 (方案4)效果接近, 但前者无需在线切换被控变量, 更易于在线控制, 因此考虑使用策略2 (方案2)对该反应器进行批内自优化控制. 此外, 动态仿真中将与策略2 (方案1)的结果进行对比, 有助于进一步理解本文方法.c 1(t )=0.0062c A +0.002c B +0.0831V 策略2 (方案1)的被控变量为 , 设定值轨线如图4所示. 为进一步获取平滑的设定值轨线, 使操作更为平稳, 对这些离散点进行回归分析, 得到平滑的设定值轨迹方c s (t )=0.0877+3.705×10−5t −1.97×10−8t 2t c 1(t )程 , 为一条随时间 变化的连续曲线, 如图4所示. 对该系统可以采用普通的PI 控制器对被控变量 进行跟踪控制.c 2(t )=0.0026c A +0.00032c B +0.0830V t k t k +1[t k ,t k +1]c 2(t )策略2 (方案2)的被控变量为 , 设定值轨线在每批次运行过程中采集测量值进行在线修正. 为增强操作平稳性, 在 时刻计算得到 时刻的设定点后, 在 时间段内设置斜坡形设定值轨线, 使设定轨线维持连续性. 同样使用PI 控制器跟踪控制得到的被控变量 .k 1k 2c 1(t )c 2(t )c 2(t )u (t )c 1(t )u (t )J (J =0.34374→0.34505)c 2(t )u (t )J =0.34701J opt =0.34755c 2(t )u (t )c 2(t )(K p =20)(L =0.00054)不确定参数 和 分别改变 +20%和 −20%时的优化控制效果如图5所示, 从图5(a)中可以看到, 两种方法分别对 和 都实现了较好的闭环跟踪控制, 其中, 的设定轨线根据批内采集到的测量值进行了调整, 相比自身的标称轨线有一定程度的上移; 图5(b)显示不同方法的控制输入 轨迹, 其中, 控制 时的 轨迹相比标称操作更靠近当前工况真实的最优轨线, 性能指标 有所提高 , 显示出一定的优化控制效果. 控制 时的 轨迹更靠近最优轨线, 其性能指标 和最优值 差别不大. 同时注意到控制 时的 轨迹振荡更加剧烈, 这是因为 的设定轨线不断在线修正, 为了得到满意的控制效果, 使用了高增益PI 控制器 . 这并不影响最终得到满意的优化效果 , 从另一个角度说明了间歇过程中控制关键变量的重要性.k 1k 2c 1(t )c 2(t )不确定参数 和 分别改变 −40%和 +40%时的优化控制效果如图6所示, 此时系统的不确定性向另一个方向变化, 并且幅度更大. 从图6(a)中可以看到, 两种方法同样对 和 都实现了图 4 策略2 (方案1)的设定值轨线Fig. 4 Setpoint trajectory for Strategy 2 (Scheme 1)2784自 动 化 学 报48 卷c 1(t )c 2(t )c 1(t )u (t )J J opt =0.12252c 2(t )J =0.11602k 1k 2c 2(t )u (t )u (t )较好的闭环跟踪控制, 其中, 的设定轨线不变,而 的设定轨线相比自身的标称轨线有一定程度的下移. 从图6(b)来看, 虽然控制 能将 轨迹向着真实的最优轨线的方向调节, 其性能指标 从标称操作的0.09646提高到0.10312, 但作用有限, 距离最优值 仍有较大差距. 控制 进一步提高了优化控制效果, 其性能指标为, 相比最优性能只有0.006的损失(此时, 的变化较大, 该损失在一定程度上由系统的非线性导致). 此外, 控制 时的 轨迹同样振荡较为剧烈, 但随反应进行, 大致围绕着最优轨线上下波动.[k 1k 2]表3进一步统计了100组随机扰动下各方法的非线性损失, 其中随机扰动 均匀分布在各自c B c 1(t )c 2(t )的变化范围. 可以看到, 相比标称操作(平均损失0.0036)和以单变量 (平均损失0.0042)为被控变量的情形, 两种批内自优化控制方法有效提高了经济性能, 其中, 策略2 (方案1)中控制 将平均损失减少到0.0026, 策略2 (方案2)中控制 进一步将平均损失减少到0.0007, 几乎可以忽略不计.表 3 100组随机扰动下的非线性损失统计量Table 3 Statistics of nonlinear losses for 100 groups ofrandom disturbances方案平均损失最大损失标准差标称操作0.00360.02270.0068c B 控制 0.00420.01650.0054策略 2 (方案 1)0.00260.01670.0050策略 2 (方案 2)0.00070.00530.0016501001502002500.0840.0860.0880.0900.0920.0940.096时间 /min(a) 被控变量及其设定轨线(a) Controlled variable and its setpoint120.087750.087700.08780c 1 设定轨线c 2 设定轨线 (无修正)c 2 设定轨线 (在线修正)被控变量 c 1(t )被控变量 c 2(t )05010015020025045678910时间 /min (b) 输入变量(b) Input variable×10控制 c 1(t ), J = 0.34505标称输入, J = 0.34374最优输入, J = 0.34755控制 c 2(t ), J = 0.34701(k 1k 2图 5 批内自优化控制效果 : +20%, : −20%)(k 1k 2Fig. 5 Within-batch self-optimizing performance : +20%, : −20%)0501001502000.0800.0850.0900.095时间 /min(a) 被控变量及其设定轨线(a) Controlled variable and its setpoint120.087750.087700.08780c 1 设定轨线c 2 设定轨线 (无修正)c 2 设定轨线 (在线修正)被控变量 c 1(t )被控变量 c 2(t )0501001502002500.20.60.40.81.0时间 /min (b) 输入变量(b) Input variable×10−3控制 c 1(t ), J = 0.10312标称输入, J = 0.09646最优输入, J = 0.12252控制 c 2(t ), J = 0.11602(k 1k 2图 6 批内自优化控制效果 : +40%, : −40%)(k 1k 2Fig. 6 Within-batch self-optimizing performance : +40%, : −40%)11 期叶凌箭: 间歇过程的批内自优化控制2785。
间歇过程不确定性短期调度综述
间歇过程不确定性短期调度综述
孙月兰;徐然;宋建成
【期刊名称】《化工自动化及仪表》
【年(卷),期】2009(36)1
【摘要】根据处理不确定性调度问题的方法,将各种不确定条件下的优化调度方法分成两大类:随机调度和反应调度.随机调度又可细分为基于求助的随机规划、概率规划、模糊规划和随机动态规划.通过讨论和对比它们的优、缺点和局限性,提出通用、有效的反应调度工具,启发式学习方法和模糊集合理论的新型随机调度方法,不确定性调度与计划集成、设计与调度集成及调度与控制集成将是进一步研究的方向.【总页数】5页(P6-10)
【作者】孙月兰;徐然;宋建成
【作者单位】浙江科技学院,自动化与电气工程学院,杭州,310023;浙江科技学院,自动化与电气工程学院,杭州,310023;浙江科技学院,自动化与电气工程学院,杭
州,310023
【正文语种】中文
【中图分类】TP11
【相关文献】
1.基于时间描述的批处理短期调度方法综述 [J], 梅红;郑骏玲
2.不确定性投资理论下实证检验中不确定性的测度方法的文献综述 [J], 牛碧珵
3.不确定性间歇过程的一种实时优化控制方法 [J], 叶凌箭;马修水;宋执环
4.间歇过程优化与先进控制综述 [J], 陈治纲;许超;邵惠鹤
5.间歇过程动态优化方法综述 [J], 史洪岩;苑明哲;王天然;袁德成
因版权原因，仅展示原文概要，查看原文内容请购买。
先进控制技术的几种控制策略综述
先进控制技术的几种控制策略综述明权（湖南大学电气与信息工程学院，湖南长沙410004）（E-mai: 87269709@）摘要：近十几年来，世界各国在加强建模理论、辨识技术、最优控制、高级过程控制等方面进行了研究，涌现出很多针对模型要求不高、在线计算方便、对过程及环境的不确定性有一定适应能力的先进控制策略和方法，主要有自适应控制、鲁棒控制、预测调制、H∞控制、模糊控制、人工智能控制等，本文综合分析了这些先进控制策略发展动态。
关键词：先进控制；控制策略；自适应控制；鲁棒控制；H∞控制；预测调制；模糊控制；人工智能控制。
1、引言众所周知，控制策略是控制的核心。
从模拟控制系统开始，到数字控制系统及模数混合系统的长期发展过程中，形成了许多有效的控制策略(方法)，一般分为两类：传统控制策略和现代控制策略。
传统控制策略主要有PID控制、Smith控制和解耦控制。
然而随着现代工业的大型化、复杂化发展，为了保证系统的稳定性、生产的安全性以及控制的精确性，采用单一基于定量的数学模型的传统控制理论与控制策略已经远远不能胜任。
于是，开发高级的过程控制系统，研究高级的控制策略，越来越成为控制界的关注对象。
近些年来，针对复杂控制过程的不确定性（环境结构和参数的未知性、时变性、随机性、突变性）、非线性、变量间的关联性以及信息的不完全性和大纯滞后性等，一批对模型要求不高、在线计算方便，对过程和环境的不确定性有一定适应能力的控制策略和方法得到了引用、改进和发展。
下文将先简单介绍几种传统控制策略，然后在其基础上比较性地引出自适应控制、鲁棒控制、H∞控制、预测控制、模糊控制、智能控制等控制策略。
2、传统控制策略简介2.1 PID控制PID控制策略是应用的最广泛的一种算法，它无论在模拟调节或数字控制中，都得到了广泛的应用。
这种控制方法具有一系列特性:（1）PID算法蕴涵了动态控制过程中过去、现在和将来的主要信息，而且其配置几乎最优。
先进控制理论在电力系统中的应用综述及展望
先进控制理论在电力系统中的应用综述及展望摘要：控制理论作为一门科学技术，已经广泛地运用于各个行业。
20世纪以来，控制理论与方法对电力工业的进步做出了巨大贡献，随着控制理论的发展和电力系统的日益复杂化，电力系统控制包含的内容也越来越丰富。
本文围绕先进控制理论在电力系统中的应用综述及展望方面展开详细分析，希望能够给相关人士提供重要的参考价值。
关键词：电力系统；PID控制；线性控制引言：先进控制理论的发展和应用极大地促进了其他学科的发展，改变着社会生产和人们生活的面貌。
根据国家电网公司的发展规划，“十二五”期间我国特高压电网将进入快速发展阶段，形成以“三纵三横”特高压交流和14回特高压直流为骨干网架的“三华”交直流混联电网。
对于较为庞大的电力系统来说，在研究其动态特性的同时，构建先进的安全控制系统成为了难点问题。
再加上各种先进技术的应用，不仅促使电力系统的调控能力明显提高，而且一定程度上也增加了电网控制的复杂性，对电力系统的稳定运行要求又相应提高。
因此，改善与提高我国电力大系统的动态品质、安全稳定和经济性一直是电力科技的首要任务。
提高电力系统稳定性的最经济和最有效的手段之一是采用先进的控制理论和方法。
为此，文章围绕先进控制理论在电力系统中的应用综述及展望进行分析，具有重要的现实意义。
一、经典控制经典控制理论形成于20世纪20年代到50年代，主要为满足第二次世界大战前后军事技术和工业发展的需要。
其代表性著作是钱学森的《工程控制论》。
经典控制理论主要研究线性时不变、单输入单输出的控制问题。
在分析和设计大型反馈控制系统时，经典控制论主要采用频域法，其中以Nyquist判据、Bode图和根轨迹法最为广泛。
经典控制理论的设计目标是使闭环系统特征方程的特征根全部位于左半开平面上。
上述设计目标可以描述为一类无目标函数的优化问题，即约束满足问题。
由于使系统稳定的控制器解并不唯一，所以根据经典控制理论设计的PID控制器往往带有较大的冗余性。
间歇发酵过程的优化操作与调度的开题报告
间歇发酵过程的优化操作与调度的开题报告一、研究背景间歇发酵是一种微生物发酵工艺，在生物医药、食品工业、环境保护等领域得到了广泛应用。
但是，由于发酵条件的多变性和微生物代谢反应的复杂性，间歇发酵的过程控制存在一定的难度和局限性。
因此，优化操作和调度策略的研究具有重要的理论和实践意义。
二、研究目的本研究的主要目的是通过对间歇发酵过程中的操作参数、微生物代谢反应、传质机制等方面的分析和研究，优化间歇发酵过程，并设计智能化的调度策略，以提高发酵生产的效率和品质。
三、研究内容1. 操作参数的优化研究：通过对温度、pH值、营养物质浓度等操作参数的影响分析和研究，确定最佳操作参数及其范围，以提高发酵生产的效率和稳定性。
2. 微生物代谢反应的研究：通过对微生物代谢通路和代谢产物的分析，深入研究微生物在不同操作参数下的代谢特点及其调节机制，从而更好地控制代谢反应，提高产物质量和产率。
3. 传质机制的研究：通过对发酵过程中传质机制的分析和研究，确定传质参数及其对发酵生产的影响，同时优化发酵设备的结构和运行模式，以提高发酵的传质效率和稳定性。
4. 调度策略的设计与实现：根据实验结果，建立间歇发酵过程的数学模型，设计基于模型预测控制的调度策略，并构建智能化调度系统，以实现对发酵过程的实时监测和控制。
四、研究意义和创新点本研究的成果将为间歇发酵过程的优化和调度策略的设计提供理论基础和实践指导。
同时，通过对微生物代谢反应和传质机制的深入分析和研究，将揭示微生物代谢的规律和机理，为微生物工程和生物过程工程的研究提供有价值的参考和借鉴。
最后，通过构建智能化调度系统，将为生物发酵工业的智能化转型提供技术支持和创新思路。
五、研究方法与技术路线1. 实验方法：采用间歇发酵罐实验和微生物分析实验，获得发酵过程和微生物代谢反应的数据。
2. 理论分析方法：通过建立发酵过程模型和微生物代谢模型，对发酵过程和微生物代谢反应进行分析和研究。
3. 调度策略设计方法：基于模型预测控制思想设计调度策略，并构建智能化调度系统。
化学工程中的过程优化与自动化控制
化学工程中的过程优化与自动化控制化学工程是一门综合性学科，涉及到化学、物理、数学等多个领域。
在化学工程的实践中，过程优化与自动化控制是非常重要的环节。
通过优化和控制，可以提高生产效率、降低能源消耗、减少废弃物产生等，为企业带来巨大的经济效益和环境效益。
过程优化是指对化学工程中的各个环节进行综合分析和改进，使得整个过程达到最佳状态。
过程优化的核心是通过调整操作条件、改进设备设计、优化反应路径等方式，提高产品质量和产量，降低生产成本。
例如，在化学反应中，通过调整反应温度、压力、物料配比等参数，可以改善反应速率和选择性，提高产品纯度。
在物料输送过程中，通过改变输送速度、管道设计等，可以减少物料损失和能量消耗。
过程优化需要综合考虑经济、技术和环境等因素，找到一个平衡点，使得生产过程既能够满足市场需求，又能够最大程度地减少资源消耗和环境污染。
自动化控制是指利用先进的控制系统和设备，对化学工程中的各个环节进行实时监测和调节，实现自动化生产。
自动化控制可以提高生产过程的稳定性和可靠性，减少人为因素的干扰，提高生产效率和产品质量。
在化学反应中，通过自动化控制系统可以实时监测反应温度、压力、流量等参数，并根据设定的控制策略进行自动调节，使得反应过程保持在最佳状态。
在物料输送过程中，通过自动化控制系统可以实现物料输送速度的自动调节，保证物料的稳定输送和减少物料损失。
自动化控制系统还可以实现生产过程的远程监控和操作，提高生产的灵活性和可控性。
过程优化和自动化控制是相互关联、相互促进的。
过程优化为自动化控制提供了优化的目标和指导，而自动化控制则为过程优化提供了实现的手段和工具。
过程优化和自动化控制的目标都是提高生产效率、降低成本、提高产品质量和保护环境。
通过过程优化和自动化控制，可以实现化学工程的智能化和绿色化，推动化学工程的可持续发展。
在过程优化和自动化控制中，数据的采集和分析是非常重要的环节。
通过对生产数据的实时监测和分析，可以及时发现问题和隐患，并采取相应的措施进行调整和改进。
间歇生产制度优化方案
间歇生产制度优化方案间歇生产制度是一种生产方式，其特点是在一段时间内集中连续生产一种产品，然后停止生产，进行产品转换和设备维护，以提高生产效率和管理灵活性。
然而，目前的间歇生产制度也存在一些问题，如转换时间长、生产过程中存在浪费等。
为了优化间歇生产制度，可以采取以下方案：1. 缩短转换时间：转换时间是影响生产效率的主要因素之一。
可以通过设立专门的转换团队，优化工艺流程，减少清洗、调整和装卸设备等时间，来缩短转换时间。
另外，可以采用标准化的模具和设备，以便快速更换和调整，提高生产转换的效率。
2. 优化物料管理：在间歇生产过程中，物料管理是一个重要的环节。
可以通过制定合理的物料补充策略，减少物料的浪费和过期，合理布局物料的存放位置，提高物料的利用率。
另外，可以建立物料管理系统，实现自动化的物料采购和配送，提高物料管理的效率和准确性。
3. 引入数字化生产管理系统：通过引入数字化生产管理系统，可以实时监控生产过程，提高生产的可视化程度。
通过系统收集和分析生产数据，可以发现生产过程中存在的问题，并及时采取措施进行调整和改进。
另外，数字化生产管理系统还可以实现生产数据的统计和分析，为生产决策提供科学依据。
4. 提供员工培训和激励：员工是生产的核心力量，他们的技能水平和积极性直接影响到生产效率和质量。
可以通过对员工进行培训，提高他们的技术水平和操作能力，使其能够适应间歇生产的要求。
另外，可以建立激励机制，给予员工相应的奖励和认可，激发他们的工作热情和积极性。
综上所述，优化间歇生产制度需要从多个方面入手，包括缩短转换时间、优化物料管理、引入数字化生产管理系统和提供员工培训和激励等。
通过这些措施的实施，可以有效提高间歇生产的效率和管理的灵活性。
不确定性间歇过程的一种实时优化控制方法
不确定性间歇过程的一种实时优化控制方法叶凌箭;马修水;宋执环【期刊名称】《化工学报》【年(卷),期】2014(000)009【摘要】An integrated batch-to-batch and within batch optimization approach was proposed for real-time optimization of uncertain batch processes. Firstly, the structural information of optimal input trajectory was obtained by optimizing the nominal model, then the whole trajectory was parametrized as scalar variables and sub-trajectories. For the active terminal constraints in the necessary conditions of optimality, the batch-to-batch optimizing approach was taken to satisfy constraint condition. For the sensitivity part, which contained unknown disturbances that entered the optimal feedback, a regression approach was proposed to approximate the optimal input using measurements, hence within batch optimization could be realized. The effectiveness of the proposed integrated optimization approach was verified through the study of a batch reactor.%针对不确定性间歇过程的实时优化问题，提出了一种集成批间和批内优化的新实时优化控制方法。
间歇过程动态优化方法综述
间歇过程动态优化方法综述
史洪岩;苑明哲;王天然;袁德成
【期刊名称】《信息与控制》
【年(卷),期】2012(41)1
【摘要】间歇过程的动态优化近年来引起了广泛关注.针对近期主要的研究成果,综述了间歇过程动态优化中的数学模型、求解方法及控制架构等问题,介绍了间歇过程目前主要的操作优化方法,具体分析了含不确定性间歇过程的动态优化策略,总结了间歇过程常用的优化模拟计算工具.最后探讨了这一领域中值得进一步研究的问题和可能的发展方向.
【总页数】8页(P75-82)
【关键词】间歇过程;动态优化;控制架构;不确定性
【作者】史洪岩;苑明哲;王天然;袁德成
【作者单位】中国科学院沈阳自动化研究所工业信息学研究室;沈阳化工大学信息工程学院;中国科学院研究生院
【正文语种】中文
【中图分类】TP273
【相关文献】
1.非线性动态优化仿真在间歇过程中的应用 [J], 潘多涛;黄明忠;史洪岩;袁德成
2.甘油间歇生物歧化过程的动态优化 [J], 徐恭贤;杨杰
3.间歇过程优化与先进控制综述 [J], 陈治纲;许超;邵惠鹤
4.1,4-丁二醇脱水产物间歇精馏分离动态过程与优化 [J], 米容立;冯子健;伊春海;杨伯伦
5.间歇生产过程的优化方法和控制策略综述 [J], 汪会;潘海鹏;张益波
因版权原因，仅展示原文概要，查看原文内容请购买。
间歇生产过程温度控制分解
间歇生产过程温度控制分解在工业生产中，许多过程需要控制温度以确保产品的质量和可靠性。
在生产过程中，间歇生产是一种常见的生产模式，控制间歇生产过程中的温度变化变得非常关键。
本文将探讨如何控制间歇生产过程中的温度变化，以确保产品质量和生产效率。
什么是间歇生产？在生产过程中，有两种生产模式：连续生产和间歇生产。
在连续生产中，生产设备一直运行，产品不断地被制造出来。
而在间歇生产中，生产设备只在一定的时间段内运行，然后停止一段时间，以便操作员可以清理和准备下一轮生产。
间歇生产有很多优点，其中之一是能够改善生产效率。
但是，由于停机和启动周期的间隔，温度控制变得更加困难，因为温度在生产过程中的变化会影响产品质量。
因此，在间歇生产过程中，需要一种特殊的温度控制方法来确保产品的质量和生产效率。
间歇生产过程中的温度异常在间歇生产过程中，温度的异常变化可能会导致产品质量的下降。
以下是可能遇到的异常：首批生产过热首批生产中的温度过高可能导致产品失去一些关键特征，并在生产过程中变形。
这样，首批产品的质量就会下降，影响后续的生产。
尾批生产过冷如果最后一批产品的温度过低，那么它们可能无法达到预期的强度要求。
这可能会导致整个生产过程的失败。
生产过程中温度波动在间歇生产过程中，如果温度不稳定，则温度波动可能会导致生产效率下降。
如果操作员必须在每个运行周期内调整温度并等待直到温度稳定，那么生产的时间和成本都会增加。
控制间歇生产过程中的温度为了控制间歇生产过程中的温度变化，需要采用一些特殊的方法：预热生产系统在运行生产系统之前，将炉子或系统预热到生产温度。
这有助于确保在第一次生产之前的温度稳定。
在生产过程中使用温控设备使用电脑或智能设备来控制温度的变化，可提高生产效率和产品质量。
这种方法允许操作员位置远离生产现场，设备可以自动调整温度以确保生产的稳定性。
增加加热元件在间歇生产过程中使用更多的加热元件，可以加快加热过程，使温度更加平稳。
间歇生产过程的先进控制
间歇生产过程的先进控制
张泉灵
【期刊名称】《数字化工》
【年(卷),期】2004(000)011
【摘要】间歇生产过程又叫批量生产过程，是工业生产中广泛采用的一种生产方式，广泛应用于化工、食品、饮料和医药等行业。
由于间歇生产过程单元的操作条件有很大的时变性和高度的非线性，使得间歇生产过程单元的控制一直被认为是化学工业中的一项困难和具有挑战性的课题。
【总页数】3页(P55-57)
【作者】张泉灵
【作者单位】无
【正文语种】中文
【中图分类】TQ021.8
【相关文献】
1.先进控制技术在丙烯腈生产过程中的应用 [J], 章鹏;李林;徐晓亮
2.乙苯苯乙烯装置生产过程优化和先进控制系统应用 [J], 徐彬
3.合成气制乙二醇生产过程的先进控制及应用 [J], 张彬;杨为民;杨卫胜
4.先进控制技术在马来酸酐生产过程中的应用 [J], 夏佳佳;杨效军;李剑;杨如惠;陈明宇;郑鑫
5.先进控制技术及应用第一讲工业生产过程的先进控制 [J], 王树青;金晓明;荣冈
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
间歇过程优化与先进控制综述陈治纲,许 超,邵惠鹤(上海交通大学自动化系,上海,200030) 摘要: 总结近年来间歇过程操作优化和设计优化中出现的各种新方法,以及在优化问题求解中使用的各种先进控制策略,反映间歇过程最优化和先进控制的最新研究方向。
重点介绍间歇过程单元的操作优化和控制,兼顾在线稳态优化和动态优化。
对新的研究方法提出展望。
关键词: 间歇过程;优化;先进控制 中图分类号:TP273 文献标识码:A 文章编号:100023932(2003)(03)200012061 引 言间歇过程(Batch Processes )广泛应用于精细化工、生物制品、药品生产、农产品深加工等领域。
近年来,为适应多品种、多规格和高质量的市场要求,间歇过程生产重新受到重视,国外还出现了较大规模的间歇生产,针对间歇过程的优化和先进控制的研究也出现了新的热潮。
在普通工业过程中间歇过程所占的比例如表1所示[1]。
表1 工业生产中采用间歇生产过程与连续生产过程的比例工业部门生产方式间歇生产过程连续生产过程化工45%55%食品和饮料65%35%医药80%20%冶金35%65%玻璃和水泥35%65%造纸15%85% 间歇生产也是一种很古老的生产方式。
当前,特别是国内的大多数间歇生产过程自动化水平普遍较低。
为提高市场竞争力,节约生产成本,并兼顾环保的要求,在间歇生产中推行各种优化方法和先进控制策略成为迫切的需要。
计算机的飞速发展,测量技术的进步和各种非线性优化算法的成熟为间歇过程中先进算法和技术的应用提供了坚实的保障。
现代控制技术的进步和现代化生产对过程优化要求的不断提高,使控制和优化的关系越来越密不可分,对于间歇过程尤其如此。
一方面,由于过程模型的不确定性不可避免和各种干扰的存在,间歇过程的优化问题一般要求在线、实时地进行,而这一“动态”特性可以借助于一些先进的控制方法来实现;另一方面,先进控制算法往往具有基于模型的、含有某种优化性能指标的特点,其实施过程中需要对出现的优化问题进行实时求解。
基于上述原因,在本文中一般将优化和控制问题放在一起进行叙述,仅将间歇过程单元的轨迹跟踪问题作为控制问题进行讨论。
另外,本文提到的优化和先进控制策略均是从控制工程师的角度出发进行讨论,对工艺上的问题不做论述。
间歇过程中的优化问题主要包括针对间歇过程单元的操作优化及针对间歇过程装置级的设计优化或优化调度两大方面。
在最优操作轨线确定的条件下,间歇单元的最优化体现为跟踪控制,目标是如何使过程变量快速准确地跟踪既定轨迹,从而满足优化指标的要求。
2 间歇过程单元的操作优化2.1 概 述间歇过程单元是间歇过程的最小组成单位,是实施优化和先进控制的基础。
常见的间歇单元主要有间歇反应过程、间歇精馏过程及间歇干燥过程等,在操作上又有各种半间歇和全间歇的形式。
虽然操作方式不同,但这些间歇过程单元都具有一些共同的特性:没有稳定的工作点,运行时间有限,运行具 收稿日期:2002212208 基金项目:本文研究受“十・五”国家攻关项目“流程工业生产过程的先进控制系统”项目资助(2001BA201A04)综述与评论 化工自动化及仪表,2003,30(3):1～6 Control and Instruments in Chemical Industry有重复性等。
没有稳定的工作点给控制和优化带来了很多困难,而运行时间的有限性和操作的重复性是可以利用的优势。
另外,间歇过程的建模相对连续过程具有更多的不便,这是因为间歇过程单元的灵活性决定了加工产品随时可能改变,不具备辨识模型所需的大量实验和时间条件。
因此,较新的研究往往是基于简化模型的,然后在各种反馈设计和方法上下功夫。
随着现代测量技术的进步,传统的基于离线过程建模的优化转向了基于实时测量的闭环优化,其特点是将优化所使用的过程模型的辨识和更新建立于在线测量、软测量、滤波等基础上。
而优化的策略也从基于模型的(model2based)向基于测量值的(measurement2based)转变[2]。
间歇过程单元的优化通常是以提高产品的质量、产量或缩短运行时间等为目标,目标的实现一般由最佳操作轨线来保证。
所谓的操作轨线,指的是过程中易于测量的控制变量如温度、流量等的变化曲线。
间歇过程单元的控制变量一般不多,常见的有反应温度、参与反应的组分流量等。
但D.Bonvin 指出,在实际的工业生产中,温度和流量都参与控制是没有必要的。
在某一时间段,通常的做法是主要控制一个变量,其它变量保持恒定。
例如在常见的半间歇反应过程的开始阶段,以控制流量来达到过程优化目的时,一般保持反应的恒温[2]。
由于优化在层次上高于基于参考轨线的跟踪控制,所以对间歇过程经济效益的提高往往能够起到更大的作用。
确定最佳操作轨线的方法有离线优化、在线优化和批次对比优化(batch2to2batch opti2 mization)等。
传统的优化一般是离线进行的,运行时采用开环实现。
方法无非是基于经验规则或模型,采用解析解法或数值方法对优化问题进行求解,得到相关控制变量的最优跟踪轨线。
由于这种方法无法保证经验规则和过程模型中的不确定性因素,同时无法克服由于初始条件和过程干扰对系统实时运行的影响,因此现在的研究较少。
本文主要讨论在线优化和批次对比优化。
优化过程中用到的数学求解方法根据具体问题的描述形式不同,主要有直接求解,使用最大值原理和动态规划方法求解等。
其中直接求解又有一些专用的解法。
例如,使用打靶法(Shooting Method)求解直接优化问题描述的两点边值问题等。
无论是优化还是控制,都存在模型的不确定性和生产过程中存在的约束等问题。
在这一点上,间歇过程比连续过程有更多的劣势。
因此,在讨论间歇过程先进控制和优化时,必须注意到不确定参数模型和约束的处理等问题,实际上先进的控制和优化正是针对这些问题而做出的。
2.2 在线优化一种较常见的在线优化方法是基于在线辨识的重复优化。
该方法使用优化目标函数和过程变量之间的模型进行最优化计算,并通过在线辨识不断更新模型。
这种优化、辨识、再优化的过程不断重复进行。
在线辨识和随后的优化构成一对对偶问题,最终都可以化为非线性规划问题进行求解[2,3]。
由于间歇过程的时变特性,模型一般由建立在各时段上的分段线性模型组成,而优化往往有最终产品的指标在内,因此这种策略一般要涉及维数很高的优化问题求解。
该策略的另一不便之处在于辨识需要额外的激励信号,不利于过程的平稳运行。
另外,该方法要求系统状态变量完全可测,对不可测的状态变量要构造状态观测器,对不可测干扰一般有时需要借助扩展Kalman滤波的方法进行处理。
另一类常见的优化策略采用串级的方式。
串级的内环采用普通的控制器,完成对给定值的跟踪。
外环的作用是为内环控制器提供最优设定值轨线。
外环以一定的方式被触发,然后进行设定值轨线的修正,使轨线不断趋向最优。
不同的优化方法决定了外环控制器的触发方式。
这种策略的优点是不需要过程的状态完全可测,并避免了耗时的在线重复计算。
Visser等针对较普遍的最终产品质量优化问题,提出了一种基于这种优化框架的方法。
首先,使用最大值原理得到问题最优化解的必要条件,然后将必要条件和系统的有效约束集结合起来,得到最优轨线以约束条件和奇异解进行分段表示的形式。
这样,最优轨线各段和不同的系统输出和状态变量就联系在了一起。
优化问题变为对相应的状态变量或输出变量进行跟踪控制。
最后,根据最优轨线的转折点作为串级优化系统外环的触发条件;外环触发后改变内环的跟踪变量集合和相应的设定值,内环完成对设定值的跟踪。
外环的另一作用是利用过程的实时测量值对最优轨线不断进行实时修正[4]。
这种策略有时需要涉及奇异最优化问题的求解。
2.3 批次对比优化由于间歇过程特有的重复运行特性,每次运行后的数据都对过程优化提供了额外有价值的信息。
这样,通过一些迭代算法,将这些历史数据运用于间歇过程的后续运行中,就可以使得优化指标不断得到改进。
值得注意的是,最终产品的性能指标变化・2・化工自动化及仪表 第30卷 需要认真评估,特别是对目标变化率低而又极为重要的行业,如特殊合成和制药等。
从这一点出发,也能看出该策略的优越性:几乎不需要模型。
批次对比优化中通常考虑的核心问题是如何从先前的批次数据中提取有价值的信息。
一种方法是使用主元分析、部分最小二乘等多变量统计分析方法等来分析,由此得到优化指标和过程变量之间的统计相关模型,然后使用该模型,在后续的批次中根据实时测量值更新操作轨线。
J.H.Lee的研究小组运用这种思想,将质量控制和统计过程控制结合在一起,成功地使用在了一些复杂的间歇聚合反应过程和造纸过程中[5]。
但是这种方法缺乏对过程优化有用的外推性特点。
另一种较为简单,是使用趋势模型(tendency model)。
这是基于间歇操作的重复性,可以应用积累的操作经验和庞大的成批历史数据来更新和改进模型以及由模型预估的最优轨线的一种构想。
田华等提出的间歇反应器智能控制模型是其中的一个例子[6]。
Fotopoulos等人将趋势模型的思想运用在状态观测器设计上,并使用该模型设计扩展Kalman滤波器,最终和过程的实时优化结合在一起[7]。
近年来提出的使用批次对比策略来实现间歇过程操作优化的新方法很多。
Zafiriou和Zhu提出了一种基于迭代学习的方法,并通过迭代的收敛性分析,给出了修改操作轨线的方法。
这种方法需要过程的状态变量完全可测。
当过程状态不完全可测时,系统的模型可以借助神经网络等来近似[8]。
Srinivasan等提出了基于不变量(invariant)的方法。
其思想是先找出决定最优轨线各时间段基本形状的不变量集合,然后通过迭代的方法逐渐得到最优轨线。
该方法首先涉及到的是最优轨线的参数化问题。
具体做法是将分段的最优轨线划分为决策变量的集合,决策变量由各时段内的数值、斜率和各时段间的切换时间等组成。
然后利用最大值原理对这些决策变量和过程状态变量的对应关系进行分析,同时考虑状态变量约束条件和终端约束条件。
Srini2 vasan等通过分析指出,满足最大值原理的最优解往往是由状态变量的约束和终端约束所决定的,所有对最优操作轨线起作用的约束即组成不变量集合。
不变量集合决定了分段表示的最优轨线的大致形状,不确定的是各段之间的切换时间和时段内所取的数值等,即最优轨线的决策变量。
因此,优化通过不断调整这些决策变量来实现,这可以通过批次间的某种迭代规则完成。
该方法在一个流加操作生化反应器的模拟运行中得到成功应用[3]。
值得指出的是,在线优化和批次对比优化越来越趋向融合,一些将两者优点结合起来的方法已经提出。
间歇单元操作优化问题的进一步解决既有赖于新方法的使用,也在于最优化算法的发展和在线测量技术的进步。