先进控制技术在流程工业中的应用

作者：浙江大学信息学院控制系 张日东 王树青

欢迎访问e展厅 展厅 7 工业PC/工控机展厅 DCS卡, 平板电脑, 工控板, 单板机, 监控系统, ... 随着现代控制理论的迅速发展，各种先进控制策略、方法和技术已开始在流程工业中广泛应用。用先进控制改造传统的流程工业已成为现代工业企业提高经济效益的重要技术措施。 所谓先进控制技术(Advanced Process Control，APC)，是对那些不同于常规单回路控制，并比常规PID控制有更好控制效果的控制策略的统称。现代复杂的工业生产过程，通过实施先进控制，可以大大提高工业生产过程操作和控制的稳定性，改善工业生产过程的动态性能，减少关键变量的运行波动幅度，使其更接近于优化目标值，从而将工业生产过程推向更接近装置约束边界条件下运行，最终达到增强工业生产过程的稳定性和安全性，保证产品质量的均匀性，提高目标产品的收率，提高生产装置的处理能力，降低生产过程运行成本以及减少环境污染等目的。本文将简要介绍常用的行之有效的一些先进控制方法及其在流程工业中的应用。 模型预测控制 模型预测控制是一种基于模型的闭环优化控制策略，已在炼油、化工、冶金和电力等复杂工业过程控制中得到广泛的应用。模型预测控制具有控制效果好、鲁棒性强等优点，可有效地克服过程的不确定性、非线性和关联性，并能方便处理过程被控变量和操纵变量中的各种约束。 预测控制算法种类较多，表现形式多种多样，但都可以用以下三条基本原理加以概括：①模型预测：预测控制的本质是在对过程的未来行为进行预测的基础上，对控制量加以优化，而预测是通过模型来完成的。②滚动优化 ：预测控制的优化，是在未来一段时刻内，通过某一性能指标的最优化来确定未来的控制作用，这一性能指标涉及到系统未来的行为，并且在下一时刻只施加当前时刻控制作用，它是在线反复进行的，而且优化是有别于传统意义下的全局优化。③反馈校正 ：预测控制是一种闭环控制算法，用预测模型预测未来的输出时，预测值与真实值之间存在一定的偏差，只有充分利用实际输出误差进行反馈校正，才能得到良好的控制效果。 目前，预测控制的研究范围主要涉及到以下方面，(1)对现有基本算法作修正。如引入扰动观测器，采用变反馈校正系数等。(2)单变量到多变量的推广。把只适合于稳定对象的算法推广到非自衡系统，把预测控制的应用范围推广到非线性及分布参数系统。(3)优化目标函数的选取。如采用最小方差的目标函数、二范数的目标函数、无穷范数的目标函数等。(4)预测模型的选取。尤其是在非线性预测控制中，非线性预测控制要比线性预测控制复杂得多。因而，目前研究主要集中在特殊的非线性模型，如Wiener模型，Bilinear模型、广义Hammerstein模型、Volterra模型等。(5)引入大系统方法，实现递阶或分散的控制算法。(6)将基本控制算法与先进的控制思想与结构相结合，如自适应预测控制、模糊预测控制、鲁捧预测控制、神经网络预测控制等。 目前，预测控制的应用几乎遍及各个工业领域，如：炼油、石化、化工、造纸、天然气、矿冶、食品加工、炉窑、航空、汽车等。其中全世界采用了以预测控制为核心的先进控制算法已经超过5000多例。国外著名的控制工程公司都开发研制了各自的商品化软件。预测控制的软件产品至今已走过了三代。第一代产品主要以Adersa公司的IDCOM和Shell Oil公司的DMC为代表，可处理无约束的预测控制问题。第二代以Shell Oil公司的QDMC为代表，它增加了处理输入输出有约束的多变量对象的技术。而目前的第三代产品，主要有Aspen公司的DMC　plus和Honeywell公司的RMPCT,以及浙大中控软件公司的Adcon等，都已在炼油、化工、石化等工业生产过程中应用。 内模控制 内模控制(Internal Model Control, IMC)是一种基于过程数学模型进行控制器设计的新型控制策略。它不仅是一种实用的先进控制算法，而且是研究预测控制等基于模型的控制算法的重要理论基础，以及提高常规控制系统设计水平的有力工具。 自面世以来，内模控制不仅在控制系统稳定性和鲁棒性理论分析方面发展迅速，而且在工业过程控制中也得到成功的应用。许多研究者讨论了内模控制与其他控制算法，如动态矩阵控制(DMC)、模型算法控制(MAC)、线性二次型最优控制(LQOC)等之间的内在关系，尤其是多变量内模控制可以直接调整闭环系统动态性能，并对模型误差具有良好的鲁棒性，因此IMC也是多变量过程控制系统分析与设计的一种重要方法。IMC是一种实用性很强的控制方法，其主要特点是结构简单、在线调节参数少，特别是对于鲁棒性及抗扰性的改善和大时滞系统的控制效果更为显著。因此它不仅在慢响应的过程控制中获得到大量应用，在快响应的电机控制中也取得了良好的效果。经过二十多年的发展，IMC方法不仅已扩展到了多变量和非线性系统，还产生了多种设计方法，主要有零极点对消法、预测控制法、针对PID控制器设计的IMC法、有限拍法等。IMC与其他控制方法的结合也比较多，如自适应IMC，采用模糊决策、仿人控制、神经网络的智能型IMC等。已经证明，各类预测控制算法本质上都属于IMC类，在其等效的IMC结构中只是其给定输入采用未来的超前值。这不仅从结构上说明预测控制为何具有良好的性能，而且为进一步的深入分析和改进提供了有力的工具。 模糊控制 1965年，Zadeh教授最早提出模糊集合的概念，从而突破了经典集合论中属于或不属于的绝对关系，标志着模糊数学的诞生。模糊控制是应用模糊数学理论，对一些无法构造数学模型的过程进行有效的控制。基本的模糊系统包括模糊化处理、模糊推理和非模糊化控制三个环节。在模糊推理面,Takagi和Subeno通过使用最小二乘法近似做出了贡献。在非模糊化方面，相继出现了最大隶属度值法、面积平均法、重心法、最大隶属度平均值法等。 在应用方面，1974年，Mamdani首次将模糊控制应用到蒸汽机和锅炉的控制，取得了满意的效果。1980年，Holmblad和Ostergaard将模糊控制成功地安装到水泥窑炉上，并开发了第一个商品化模糊控制器。1985年，AT&T贝尔实验室的Togai和Watanabe设计出第一块模糊逻辑芯片。1987年，Omron公司研制出第一代模糊微处理机。Yamakawa设计了高速模糊控制器硬件系统。进入90年代，日本推出了大量采用模糊控制的家用电器。不少仪表商已经将模糊控制作为DCS的一个模块。目前，美国国家航空与航天局正考虑将模糊控制技术应用到航空系统。国际原子能机构和工业应用系统机构也准备将模糊控制技术应用到大型系统高速推理上。 神经控制 神经控制以其独特的优点受到控制界的关注并得到了广泛的应用，这主要来自以下三方面的动力：①处理越来越复杂系统的需要；②实现越来越高设计目标的需要；③越来越不确定情况下进行控制的需要。20世纪80年代以来，人工神经网络又有了重大突破，人们提出了许多功能强大的神经元模型和各种有效的算法并促进了它的应用。目前，神经网络已经在对象建模、系统辨识、参数估计、自适应控制、预测控制、容错控制、故障诊断、数据处理等领域得到了广泛的应用。其中，神经网络与模糊逻辑、遗传算法、专家系统、小波分析结合、混沌神经网络、基于粗糙集的神经网络等方向已成为新的研究热点。 就目前神经网络在控制系统中的应用来说，它在控制系统的建模、辨识和控制中都获得了广泛的应用。主要有 ：①系统辨识：通过多层前馈网络能够提供非线性被控对象的直接逆向模型。②充当各类控制器：如监督控制、直接逆模控制、模型参考控制、内模控制、预测控制、自适应控制、非模型控制等。 工业过程监控 就工业过程的性能监控领域而言，当前提出的方法可分为三大类：基于数学模型的方法、基于数据驱动的方法和基于知识的方法。基于模型的方法包括参数估计方法、观测器方法、对偶关系方法等。基于数据驱动的方法以采集的过程数据为基础，通过各种数据处理与分析方法挖掘隐含信息来指导工业生产。基于知识的方法是利用人工智能的方法构造某些系统功能以模仿和实现人类的思维和行为，完成整个检测和诊断过程。但从目前的理论水平和解决问题的角度来看，采用基于数据驱动的方法更适宜。在基于数据驱动的工业过程性能监控算法中，研究和应用最多的方法应属统计方法。单变量统计过程控制近十几年来又取得了新的进展，除早期的X控制图，还包括MA（Moving Average）控制图，CUSUM（Cumulative Sum）控制图和EWMA(Exponentially Weighted Moving Average)控制图。多变量统计过程控制(Multivariate Statistical Process Control, MSPC)最基本方法是主元分析和偏最小二乘法（Partial least square, PLS），但随着各种实际问题的出现，不少改进和扩展的统计方法又被提出，主要包括动态方面的改进、非线性方面的改进、自适应方法、多尺度的方法、层次和多块分析方法、间歇生产过程的监控方法、专家系统方法、动态趋势分析方法、神经网络方法等。目前，独立成分分析(Independent Component Analysis,ICA)作为一种新方法也得到了关注，ICA具有“去冗余”的特点，并能抑制高斯白色和有色噪声。工业生产过程运行性能和安全性的实时评估，已成为复杂大工业生产过程计算机控制的重要内容，也是工业企业实时管理与控制一体化的新技术。(end)

文章内容仅供参考 (投稿) (1/24/2005)