CN105700358B - 一种带漂移干扰的模型预测控制器的建模质量监控方法 - Google Patents
一种带漂移干扰的模型预测控制器的建模质量监控方法 Download PDFInfo
- Publication number
- CN105700358B CN105700358B CN201610144819.4A CN201610144819A CN105700358B CN 105700358 B CN105700358 B CN 105700358B CN 201610144819 A CN201610144819 A CN 201610144819A CN 105700358 B CN105700358 B CN 105700358B
- Authority
- CN
- China
- Prior art keywords
- control system
- closed
- loop control
- model
- interference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000003908 quality control method Methods 0.000 title abstract 2
- 238000000034 method Methods 0.000 claims abstract description 185
- 230000008569 process Effects 0.000 claims abstract description 157
- 239000011159 matrix material Substances 0.000 claims description 50
- 238000012544 monitoring process Methods 0.000 claims description 30
- 238000004519 manufacturing process Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004886 process control Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 3
- 238000012938 design process Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 239000007791 liquid phase Substances 0.000 description 4
- 238000010992 reflux Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000013404 process transfer Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013142 basic testing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive 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
- G05B13/042—Adaptive 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种带漂移干扰的模型预测控制器的建模质量监控方法,包括如下步骤:建立闭环控制***的干扰模型;根据闭环控制***的实际情况以及给定的控制目标,设计过程的动态模型MPC控制器;采用干扰模型及MPC控制器控制闭环控制***,并采集闭环控制***运行所得的过程数据;根据闭环控制***结构,对过程输出及过程输入数据进行正交投影,获得过程估计干扰更新;根据闭环控制***既定参考信号和过程实际输出,获取闭环控制***的实际跟踪误差;根据所述过程估计干扰更新与所述实际跟踪误差,获得闭环控制***的模型质量指标;根据闭环控制***结构,利用所述模型质量指标对建模质量进行监控;具有可行性高,处理消耗资源少,评价结果准确度高的特点。
Description
技术领域
本发明属于模型预测控制领域,更具体地,涉及一种带漂移干扰的模型预测控制器的建模质量监控方法。
背景技术
模型预测控制(Model Predictive Control,MPC)是一种广泛应用于工业过程控制领域的基于模型的先进控制方法,具有控制效果好、鲁棒性强、对模型精确性要求不高的优点。
模型预测控制在工业过程上的实际应用,称之为模型预测控制器(ModelPredictive Controller,MPC Controller)。MPC控制器具有建模简单、动态控制效果好、鲁棒性强的特点,在投产初期具有良好的控制性能;然而,随着时间的推移,MPC控制器性能会逐渐下降,最后甚至不得不切换到传统PID控制。导致控制器性能下降的主要因素有噪声干扰、模型失配、阀门粘滞、感知器偏差等。因此,对MPC控制器的性能进行实时评估和监控,及时发现其性能下降并进行报警,进而诊断性能恶化根源,对保证生产过程的安全、高效、优质、低耗运行具有重要的实际意义。
近年来,基于数据驱动的方法被越来越多地应用于控制***性能评估问题。如MPC框架下的历史性能指标,能对MPC的性能做出有效的评价,但它需要获取一段控制***运行良好的数据来计算评价基准,而此良好运行阶段的选取没有标准,从而给该方法的应用带来一定的局限性。在基于模型的控制技术中,模型的质量对于控制器的设计和整定起到关键作用,控制***的性能依赖于过程模型的精度,亦即受到模型失配程度的影响。
一方面,现阶段关于建模质量监控的技术多采用白噪声作为***干扰噪声源,但在实际工业过程中,干扰往往随时间缓慢递增,呈现出非高斯的特点;另一方面,现阶段关于建模质量监控的技术尚无法诊断导致控制器性能变差的恶化根源,无法诊断控制器性能变差的原因是在于模型存在失配,或者是噪声干扰、阀门粘滞、感知器偏差等因素上。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种带漂移干扰的模型预测控制器的建模质量监控方法,其目的在于仅需利用闭环控制***的常规输入输出数据即可有效监控模型质量,由此提高建模质量监控准确度。
为实现上述目的,按照本发明的一个方面,提供了一种带漂移干扰的模型预测控制器的建模质量监控方法,包括如下步骤:
(1)建立闭环控制***的干扰模型;
(2)根据闭环控制***的实际情况以及给定的控制目标,获取过程的MPC控制器;
(3)当闭环控制***在所述干扰模型及MPC控制器的控制下运行时,采集闭环控制***运行所得的过程数据;所述过程数据包括闭环控制***的过程输出和过程输入;
(4)根据闭环控制***结构,对所述过程输出及过程输入数据进行正交投影,获得过程估计干扰更新;
(5)根据闭环控制***既定参考信号和过程实际输出,获取闭环控制***的实际跟踪误差;
(6)根据所述过程估计干扰更新与所述实际跟踪误差,获得闭环控制***的模型质量指标;
(7)根据闭环控制***结构,利用所述模型质量指标对建模质量进行监控。
优选地,上述步骤(1)包括如下子步骤:
(1.1)根据闭环控制***结构,建立工业过程的一阶移动平均模型,具体如下:
dk=dk-1+εk-θεk-1
其中,θ为白噪声平均系数,-1<θ<1;εk~N(0,σε 2)表示白噪声;σε 2表示白噪声方差;dk表示过程随机干扰噪声;
(1.2)向上述一阶移动平均模型中加入漂移,得到带漂移干扰的一阶移动平均模型,具体如下:
dk=dk-1+εk-θεk-1+δ
其中,δ为漂移,dk表示过程随机干扰噪声。
优选地,上述步骤(2)包括如下子步骤:
(2.1)根据给定的控制目标,定义相关的被控变量CV、操纵变量MV、扰动变量DV;其中,DV是指对CV有影响的可测扰动,但是不可操纵;
(2.2)(2.2)通过对所述操纵变量MV和扰动变量DV做阶跃变化,获得各个被控变量CV的动态变化数据,利用辨识算法获取过程的动态模型预测控制器;并利用参数选择规则配置控制器。
优选地,上述步骤(3)包括如下子步骤:
(3.1)根据控制***的要求,生成闭环控制***的过程设定值,该设定值为常数,记为r(k),其中k表示第k个采样时刻;
(3.2)运行闭环控制***,获取闭环控制***的过程输入u(k)和过程输出y(k)。
优选地,上述步骤(4)包括如下子步骤:
(4.1)根据闭环控制***结构,建立过程输出的高阶自回归模型如下:
yp(k)=[y(k) y(k-1) … y(k-p)]
其中,p表示过程估计干扰更新的数据窗口大小,M表示过程输出高阶自回归模型的阶次;y(k)表示k时刻采集所得过程输出,y(k-1)表示(k-1)时刻采集所得过程输出,…,y(k-p)表示(k-p)时刻采集所得过程输出,yp(k)表示由y(k),y(k-1),…,y(k-p)所构成的1×(P+1)维矩阵;YM(k-1)表示由yp(k-1),yp(k-2),…,yp(k-M)所构成的M×(P+1)维矩阵;
(4.2)根据闭环控制***结构,建立过程设定值的高阶自回归模型如下:
rp(k)=[r(k) r(k-1) … r(k-p)]
其中,p表示过程估计干扰更新的数据窗口大小,N表示过程设定值高阶自回归模型的阶次;
r(k)表示k时刻采集所得过程设定值,r(k-1)表示(k-1)时刻采集所得过程设定值,…,r(k-p)表示(k-p)时刻采集所得过程设定值,rp(k)表示由r(k),r(k-1),…,r(k-p)所构成的1×(P+1)维矩阵;RN(k-1)表示由rp(k-1),rp(k-2),…,rp(k-N)所构成的N×(P+1)维矩阵;
(4.3)根据闭环控制***结构,建立过程输出以及过程设定值的混合高阶自回归模型如下:
其中,为(M+N)×(P+1)维矩阵,前M行由过程输出的高阶自回归模型YM(k-1)组成,后N行由过程设定值的高阶自回归模型RN(k-1)组成;
(4.4)根据上述高阶自回归模型,通过正交投影算法,获取过程估计干扰更新向量:
其中,ep(k)=[e(k) e(k-1) … e(k-p)],表示1×(P+1)维的过程估计干扰更新向量,e(k)表示k时刻所得过程估计干扰更新,I表示(P+1)×(P+1)维的单位矩阵;
由于闭环数据具有高度相关性,因此是病态的,导致所得过程估计干扰更新不可靠。
优选地,步骤(4.4)解决这一问题的方法进一步包括如下子步骤:
(4.4.1)对矩阵作QR分解,即获取正交矩阵Q1和Q2,对角矩阵R11,对角矩阵R22和行向量R21;
(4.4.2)根据正交矩阵Q1和Q2,对角矩阵R11,对角矩阵R22和行向量R21之间的关系,获得如下结果:
(4.4.3)由上述(4.4.2)所得结果,获取可靠的过程估计干扰更新:
优选地,上述步骤(5)具体如下:
根据闭环控制***既定参考信号(或者控制信号)与过程实际输出,获取闭环控制***的实际跟踪误差:
其中,表示k时刻闭环控制***的实际跟踪误差,r(k)表示k时刻既定参考信号,y(k)表示k时刻过程实际输出。
优选地,上述步骤(6)包括如下子步骤:
(6.1)根据输出权重矩阵Q和输入权重矩阵S定义关键性能指标KPI:
其中,JN表示关键性能指标KPI,N表示求取指标所需采样数据长度,y(k)表示k时刻过程实际输出,r(k)表示k时刻既定参考信号,Δu*(k)=u(k)-u(k-1)表示k时刻过程控制输入与(k-1)时刻过程控制输入之差;
(6.2)根据步骤(4)获取的过程估计干扰更新e(k)与步骤(5)获取的实际跟踪误差获得闭环控制***的模型质量指标MQI:
其中,N表示求取指标所需采样数据长度,表示k时刻闭环控制***的实际跟踪误差,e(k)表示k时刻闭环控制***的过程估计干扰更新,Q表示输出权重矩阵。
优选地,上述步骤(7)具体如下:
根据上述闭环控制***的关键性能指标KPI评价控制器性能:KPI值越小,表示控制器性能越好;根据上述闭环控制***的模型质量指标MQI评价建模质量;MQI的取值范围为η∈(0,1],模型质量指标η越接近于1,闭环控制***的建模质量越好,模型质量质量指标越接近于0,闭环控制***的建模质量越差。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明提供的建模质量监控方法,采用当前闭环控制***的常规闭环回路数据对过程干扰更新进行估计,不需要过程时滞或交互矩阵等很难获取的开环过程的附加信息,使得该方法可行性高,处理所需消耗资源少;
(2)本发明提供的建模质量监控方法,为了描述工业过程的实际干扰情况,采用带有漂移的IMA(1,1)模型描述干扰噪声,更加符合工业过程实际情况,因而对建模质量的评估结果更准确;
(3)本发明提供的建模质量监控方法,在处理过程中不需要对当前闭环控制***作任何调整,且不需要加入任何外界激励信号,因而对工业生产过程影响极小,极大地降低了监控成本,提高了工业过程的产品质量和***安全性,可维护性;
(4)本发明提供的建模质量监控方法,利用扰动序列的反馈不变性原则提出一种模型质量指标MQI,根据该指标可以及时发现控制***中的模型是否发生失配,实现对控制***性能的实时评价;并且由于过程估计干扰更新与过程实际跟踪误差之间的关系,模型质量指标MQI不受控制器调节参数改变以及闭环控制***干扰模型变化的影响,相对于传统的KPI指标,MQI指标可以更加准确地将模型质量之外的可影响控制器整体控制性能的因素区分开来,从而更加准确有效地表征建模质量。
附图说明
图1是本发明实施例提供的模型质量监控方法的整体流程示意图;
图2为实施例中的闭环***结构原理示意图;
图3为实施例中的Wood-Berry精馏塔原理示意图;
图4为实施例中基于Wood-Berry精馏塔所得过程估计干扰噪声序列的仿真结果图;
图5为实施例中基于Wood-Berry精馏塔所得模型残差序列的仿真结果图;
图6为实施例中基于Wood-Berry精馏塔所得模型输出y1与设定值r1的仿真结果图;
图7为实施例中基于Wood-Berry精馏塔所得模型输出y2与设定值r2的仿真结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明实施例提供的带漂移干扰的模型预测控制器的建模质量监控方法,其流程如图1所示,具体如下:
(1)根据工业过程实际干扰情况,建立闭环控制***的干扰模型;
(2)根据闭环控制***的实际情况,设计MPC控制器;
(3)根据上述闭环控制***的干扰模型及上述MPC控制器来控制闭环控制***,并采集闭环控制***运行所得过程输出和过程输入数据;
(4)根据闭环控制***结构,对所得过程输出及过程输入数据进行正交投影,获得过程估计干扰更新;
(5)根据闭环控制***既定参考信号(或者控制信号)和过程实际输出,获取闭环控制***的实际跟踪误差;
(6)根据上述闭环控制***的过程估计干扰更新与上述实际跟踪误差,获得闭环控制***的模型质量指标;
(7)根据闭环控制***结构,利用上述模型质量指标对建模质量进行监控;
根据所得闭环控制***的关键性能指标KPI评价控制器性能,KPI值越小,表示控制器性能越好;根据所得闭环控制***的模型质量指标MQI评价建模质量,MQI的取值范围为η∈(0,1],模型质量指标η越接近于1,闭环控制***的建模质量越好,模型质量质量指标越接近于0,闭环控制***的建模质量越差。
图2所示,是本发明实施例里所采用的闭环控制***结构图,u(t)、y(t)分别表示闭环控制***的过程输入和过程输出,r(t)表示闭环控制***的过程设定值,d(t)表示闭环控制***的外界干扰;Gc为一般闭环控制***的控制器的传递函数,实施例中即为MPC控制器,G为过程传递函数。
以下以Wood-Berry精馏塔过程为实施例,对本发明提供的带漂移干扰的模型预测控制器的建模质量监控方法作进一步说明。
实施例中,Wood-Berry精馏塔是一个典型的具有较大纯滞后的多入多出***;过程如图3所示,输出为塔顶馏出物浓度XD和塔底液相浓度XB,由塔顶回流量R和塔底再沸器蒸汽量S控制;过程模型为:
其中,输入u1表示回流速率,单位为1b/min;输入u2表示蒸汽流量,单位为1b/min;输出y1表示塔顶馏出物浓度,单位为mol%;输出y2表示塔底液相浓度,单位为mol%。
实施例中,Wood-Berry精馏塔的过程传递函数矩阵为:
其中,s表示拉普拉斯算子。
实施例中,过程采样时间为1min/次,经离散化后的过程传递函数矩阵为:
实施例中,干扰模型取如下对角阵:
利用本发明提供的带漂移干扰的模型预测控制器的建模质量监控方法对实施例的Wood-Berry精馏塔过程进行建模质量监控过程,具体如下:
(1)根据工业过程实际干扰情况,建立闭环控制***的干扰模型,
Wood-Berry精馏塔过程的干扰模型如下:
将其表述为以下通用形式:
带漂移干扰的一阶移动平均模型(IMA(1,1)),表示如下:
dk=dk-1+εk-θεk-1+δ
其中,δ表示漂移,dk表示过程随机干扰噪声;
式中,ek~N(δ/(1-θ),σε 2)。令δ=0.005,θ=0.5,则实施例中,σ2分别为7.62和0.142;dk即为Wood-Berry精馏塔过程采用的干扰模型,其中,k=1,2,……,500。
(2)根据闭环控制***的实际情况,设计模型预测控制器MPC,实施例中,利用MATLAB工具箱中已有的MPC Toolbox设计MPC控制器;MPC控制器参数取预测时域P=100,控制时域M=10,指标所需采样数据长度取N=500。为实现最小方差准则,权重矩阵分别设为Q=diag{1,100},S=0;过程设定值为:
(3)根据上述闭环控制***的干扰模型及上述MPC控制器来控制闭环控制***,并采集闭环控制***运行所得过程输出和过程输入数据;
在闭环控制***正常运行时,采样时间设定为1min/次,采集闭环控制***Wood-Berry精馏塔运行所得过程输出数据,包括塔顶馏出物浓度XD和塔底液相浓度XB,分别记为y1和y2;过程输入数据,包括顶回流量R和塔底再沸器蒸汽量S,分别记为u1和u2;采集的样本数N设为500。
(4)根据闭环控制***结构,对所得过程输出及过程输入数据进行正交投影,获得过程估计干扰更新:
根据闭环控制***运行所得过程输出和过程输入数据,建立过程输出的高阶自回归模型如下:
yp(k)=[y(k) y(k-1) … y(k-p)]
建立设定值的高阶自回归模型如下:
rp(k)=[r(k) r(k-1) … r(k-p)]
其中,过程设定值r(k)为常数,实施例中设定为:p表示过程估计干扰更新的数据窗口大小,M表示过程输出高阶自回归模型的阶次,N表示过程设定值高阶自回归模型的阶次;
建立过程输出以及过程设定值(或者过程输入)的混合高阶自回归模型,具体如下:
对矩阵作QR分解,即获取正交矩阵Q1和Q2,对角矩阵R11,对角矩阵R22和行向量R21;
通过正交投影算法,获取过程估计干扰更新向量:
其中,ep(k)=[e(k) e(k-1) … e(k-p)],表示1×(P+1)维的过程估计干扰更新向量,e(k)表示k时刻所得过程估计干扰更新,I表示(P+1)×(P+1)维的单位矩阵;
根据正交矩阵Q1和Q2,对角矩阵R11,对角矩阵R22和行向量R21之间的关系,获得如下结果:
获取最终可靠的过程估计干扰更新:
实施例中,k=1,2,……,500,采集的样本数N设为500,预测时域P=100,控制时域M=10。
(5)根据闭环控制***既定参考信号(或者控制信号)和过程实际输出,获取闭环控制***的实际跟踪误差:
根据闭环***的结构,获取***的跟踪误差:
其中,表示k时刻闭环控制***的实际跟踪误差,r(k)表示k时刻既定参考信号,y(k)表示k时刻过程实际输出,k=1,2,……,500。
(6)根据上述闭环控制***的过程估计干扰更新与上述实际跟踪误差,获得闭环控制***的模型质量指标
根据输出权重矩阵Q和输入权重矩阵S定义关键性能指标KPI:
其中,JN表示关键性能指标KPI,N表示求取指标所需采样数据长度,设为500;y(k)表示k时刻过程实际输出:塔顶馏出物浓度XD和塔底液相浓度XB,分别记为y1和y2;过程设定值r(k)为常数,设为: Δu*(k)=u(k)-u(k-1)表示k时刻过程控制输入与k-1时刻过程控制输入之差,输出权重矩阵Q=diag{1,100},输入权重矩阵S=0。
根据过程估计干扰更新e(k)与实际跟踪误差获得闭环控制***的模型质量指标MQI:
其中,N是指求取指标所需采样数据长度,实施例中为500;表示k时刻闭环控制***的实际跟踪误差,e(k)表示k时刻闭环控制***的过程估计干扰更新,Q表示输出权重矩阵,实施例中,Q=diag{1,100}。
(7)根据闭环控制***结构,利用模型质量指标对建模质量进行监控;实施例中,通过以下三种不同情形来验证模型质量指标MQI的有效性。
情形一:过程模型匹配,但是干扰模型失配:
令K1=0.5,K2=0.3,模拟过程模型和干扰模型都匹配的情形,通过计算式(1)及式(2),得到相应的KPI指标值为450.3286,MQI指标值为0.9993;通过设定不同的K1和K2值,得到在干扰模型存在不同程度失配情况下的KPI指标及MQI指标,如表1所示:
表1:过程模型匹配,干扰模型失配情况下的参数列表
从表1可分析出,第一行结果为两个CV变量都是加漂移的白噪声干扰所得,由于采用更匹配的干扰模型,第二,三,四行结果中的MQI和KPI指标都比第一行的有所提高。
仿真结果如图4-7所示;从图4可分析出,所估干扰噪声序列接近白噪声但不完全为白噪声,整体分布有一个微小的漂移。图5为模型残差序列,图6,图7为模型输出与设定值,从图6,图7可分析出,模型的控制效果比较理想,可整体跟踪设定值且过程趋于稳定。
情形二:过程模型和干扰模型都匹配情况,但控制器参数不同:
为了验证MQI指标不受控制器参数影响,而KPI指标存在这一缺陷,可在过程模型和干扰模型都匹配的情况下,进行如下三组对比试验:
(Ⅰ)基本试验,即情形一中K1=0.5,K2=0.3;
(Ⅱ)输入权重矩阵设为S=diag{0.2,0.6};
(Ⅲ)回流速率即输入u1被限定为u1≤151b/min。
仿真试验结果如下:
表2:过程模型与干扰模型均匹配情况下的控制器参数列表
由表2所得结果可分析出,在过程模型和干扰模型都匹配,控制器参数发生变化的情况下,KPI指标发生相应变化,但是MQI指标保持不变;由此,验证了MQI指标可以准确地将模型质量之外的可影响控制器整体控制性能的因素区分开来。
情形三:过程模型和干扰模型均失配情况:
当过程模型存在失配情况,假定MPC中过程模型的稳态增益包含20-40%的偏差,具体如下:
通过设定不同的K1和K2值,令干扰模型存在不同程度的失配情况,得到如表3所示结果。
表3:过程模型与干扰模型均失配情况的参数列表
由表3所得结果可分析出,在过程模型失配情况固定,通过设定不同的卡尔曼增益得到不同失配情况的干扰模型且控制器参数不发生变化的情况下,随着KPI指标的递减,MQI指标相应递增,由此,验证了MQI指标可以有效表征建模质量。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种带漂移干扰的模型预测控制器的建模质量监控方法,其特征在于,包括如下步骤:
(1)建立闭环控制***的干扰模型;
(2)根据闭环控制***参数以及给定的控制目标,获取过程的MPC控制器;
(3)当闭环控制***在所述干扰模型及MPC控制器的控制下运行时,采集闭环控制***运行所得的过程数据;所述过程数据包括闭环控制***的过程输出和过程输入;
(4)根据闭环控制***结构,对所述过程输出及过程输入数据进行正交投影,获得过程估计干扰更新;
(5)根据闭环控制***既定参考信号和过程实际输出,获取闭环控制***的实际跟踪误差;
(6)根据所述过程估计干扰更新与所述实际跟踪误差,获得闭环控制***的模型质量指标;
(7)根据闭环控制***结构,利用所述模型质量指标对建模质量进行监控。
2.如权利要求1所述的建模质量监控方法其特征在于,所述步骤(1)包括如下子步骤:
(1.1)根据闭环控制***结构,建立工业过程的一阶移动平均模型,具体如下:
dk=dk-1+εk-θεk-1
其中,θ为白噪声平均系数,-1<θ<1;εk~N(0,σε 2)表示白噪声;σε 2表示白噪声方差;dk表示过程随机干扰噪声;
(1.2)向上述一阶移动平均模型中加入漂移,得到带漂移干扰的一阶移动平均模型,具体如下:
dk=dk-1+εk-θεk-1+δ
其中,δ为漂移,dk表示过程随机干扰噪声。
3.如权利要求1或2所述的建模质量监控方法,其特征在于,所述步骤(2)包括如下子步骤:
(2.1)根据给定的控制目标,定义被控变量CV、操纵变量MV和扰动变量DV;
(2.2)通过对所述操纵变量MV和扰动变量DV做阶跃变化,获得各个被控变量CV的动态变化数据,利用辨识算法获取过程的MPC控制器;并利用参数选择规则配置控制器。
4.如权利要求1或2所述的建模质量监控方法,其特征在于,所述步骤(3)包括如下子步骤:
(3.1)根据控制***的要求,生成闭环控制***的过程设定值r(k);所述设定值为常数,k表示第k个采样时刻;
(3.2)运行闭环控制***,获取闭环控制***的过程输入u(k)和过程输出y(k)。
5.如权利要求1或2所述的建模质量监控方法,其特征在于,所述步骤(4)包括如下子步骤:
(4.1)根据闭环控制***结构,建立过程输出的高阶自回归模型如下:
yp(k)=[y(k) y(k-1) … y(k-p)]
其中,p表示过程估计干扰更新的数据窗口大小,M表示过程输出高阶自回归模型的阶次;y(k)表示k时刻采集所得过程输出,y(k-1)表示k-1 时刻采集所得过程输出,…,y(k-p)表示(k-p)时刻采集所得过程输出,yp(k)表示由y(k),y(k-1),…,y(k-p)所构成的1×(p +1)维矩阵;YM(k-1)表示由yp(k-1),yp(k-2),…,yp(k-M)所构成的M×(p+1)维矩阵;
(4.2)根据闭环控制***结构,建立过程设定值的高阶自回归模型如下:
rp(k)=[r(k) r(k-1) … r(k-p)]
其中,N表示过程设定值高阶自回归模型的阶次;
r(k)表示k时刻采集所得过程设定值,r(k-1)表示(k-1)时刻采集所得过程设定值,…,r(k-p)表示(k-p)时刻采集所得过程设定值,rp(k)表示由r(k),r(k-1),…,r(k-p)所构成的1×(p+1)维矩阵;RN(k-1)表示由rp(k-1),rp(k-2),…,rp(k-N)所构成的N×(p+1)维矩阵;
(4.3)根据闭环控制***结构,建立过程输出以及过程设定值的混合高阶自回归模型如下:
其中,维矩阵,前M行由过程输出的高阶自回归模型YM(k-1)组成,后N行由过程设定值的高阶自回归模型RN(k-1)组成;
(4.4)根据上述高阶自回归模型,通过正交投影算法,获取过程估计干扰更新向量:
其中,ep(k)=[e(k) e(k-1) … e(k-p)],表示1×(p+1)维的过程估计干扰更新向量,e(k)表示k时刻所得过程估计干扰更新,I表示(p+1)×(p+1)维的单位矩阵。
6.如权利要求5所述的建模质量监控方法,其特征在于,所述步骤(4.4)包括如下子步骤:
(4.4.1)对矩阵作QR分解,即获取正交矩阵Q1和Q2,对角矩阵R11,对角矩阵R22和行向量R21;
(4.4.2)根据正交矩阵Q1和Q2,对角矩阵R11,对角矩阵R22和行向量R21之间的关系,获得如下结果:
(4.4.3)由上述(4.4.2)所得结果,获取可靠的过程估计干扰更新:
7.如权利要求1或2所述的建模质量监控方法,其特征在于,所述步骤(5)具体如下:
根据闭环控制***既定参考信号与过程实际输出,获取闭环控制***的实际跟踪误差:
其中,表示k时刻闭环控制***的实际跟踪误差,r(k)表示k时刻既定参考信号,y(k)表示k时刻过程实际输出。
8.如权利要求7所述的建模质量监控方法,其特征在于,所述步骤(6) 包括如下子步骤:
(6.1)根据输出权重矩阵Q和输入权重矩阵S定义关键性能指标KPI:
其中,JN表示关键性能指标KPI,N表示求取指标所需采样数据长度,y(k)表示k时刻过程实际输出,r(k)表示k时刻既定参考信号,Δu*(k)=u(k)-u(k-1)表示k时刻过程控制输入与(k-1)时刻过程控制输入之差;
(6.2)根据步骤(4)获取的过程估计干扰更新e(k)与所述实际跟踪误差获得闭环控制***的模型质量指标MQI:
其中,N表示求取指标所需采样数据长度,表示k时刻闭环控制***的实际跟踪误差,e(k)表示k时刻闭环控制***的过程估计干扰更新,Q表示输出权重矩阵。
9.如权利要求8所述的建模质量监控方法,其特征在于,所述步骤(7)具体如下:
根据所述闭环控制***的关键性能指标KPI评价控制器性能:KPI值越小,表示控制器性能越好;
根据所述闭环控制***的模型质量指标MQI评价建模质量;MQI的取值范围为η∈(0,1],模型质量指标越接近于1,表明闭环控制***的建模质量越好,模型质量质量指标越接近于0,表明闭环控制***的建模质量越差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610144819.4A CN105700358B (zh) | 2016-03-14 | 2016-03-14 | 一种带漂移干扰的模型预测控制器的建模质量监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610144819.4A CN105700358B (zh) | 2016-03-14 | 2016-03-14 | 一种带漂移干扰的模型预测控制器的建模质量监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105700358A CN105700358A (zh) | 2016-06-22 |
CN105700358B true CN105700358B (zh) | 2018-06-12 |
Family
ID=56221642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610144819.4A Expired - Fee Related CN105700358B (zh) | 2016-03-14 | 2016-03-14 | 一种带漂移干扰的模型预测控制器的建模质量监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105700358B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106843111B (zh) * | 2017-03-10 | 2019-04-05 | 中国石油大学(北京) | 油气生产***报警信号根原因精确溯源方法及装置 |
CN107272640A (zh) * | 2017-06-12 | 2017-10-20 | 华中科技大学 | 一种基于模型预测控制器的建模质量监控方法和*** |
CN108646553A (zh) * | 2018-04-20 | 2018-10-12 | 华中科技大学 | 一种统计在线监控闭环控制***模型质量的方法 |
CN108536127B (zh) * | 2018-04-20 | 2019-08-13 | 华中科技大学 | 一种数据驱动的多变量控制***的模型失配诊断方法 |
WO2020010629A1 (zh) * | 2018-07-13 | 2020-01-16 | 西门子股份公司 | 过程控制预测模型调整方法、装置和过程控制器 |
CN111176155B (zh) * | 2019-12-20 | 2021-07-02 | 华中科技大学 | 一种闭环模型预测控制***的过程模型失配检测方法 |
CN111300984B (zh) * | 2020-03-11 | 2021-07-16 | 华南理工大学 | 针对滚版印刷***的参数自整定方法、滚版印刷*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3966115B2 (ja) * | 2002-08-05 | 2007-08-29 | 株式会社デンソー | 設計支援装置、設計支援方法、及び設計支援プログラム |
US7421374B2 (en) * | 2005-11-17 | 2008-09-02 | Honeywell International Inc. | Apparatus and method for analyzing model quality in a process control environment |
CN101349893B (zh) * | 2007-07-18 | 2011-03-16 | 太极光控制软件(北京)有限公司 | 自适应模型预测控制装置 |
CN104932488B (zh) * | 2015-06-30 | 2017-06-16 | 南京工业大学 | 一种模型预测控制性能评估与诊断方法 |
-
2016
- 2016-03-14 CN CN201610144819.4A patent/CN105700358B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN105700358A (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105700358B (zh) | 一种带漂移干扰的模型预测控制器的建模质量监控方法 | |
Annaswamy et al. | A historical perspective of adaptive control and learning | |
CN104932488B (zh) | 一种模型预测控制性能评估与诊断方法 | |
Zhang et al. | Low-computation adaptive fuzzy tracking control of unknown nonlinear systems with unmatched disturbances | |
CN105807611B (zh) | 一种闭环控制***的模型与对象不匹配的检测方法 | |
CN108536127B (zh) | 一种数据驱动的多变量控制***的模型失配诊断方法 | |
CN113297798B (zh) | 一种基于人工神经网络的机器人外界接触力估计方法 | |
CN106383443B (zh) | 抗干扰控制方法及*** | |
CN104330972A (zh) | 一种基于模型自适应的综合预测迭代学习控制方法 | |
CN107272640A (zh) | 一种基于模型预测控制器的建模质量监控方法和*** | |
di Capaci et al. | A valve stiction tolerant formulation of MPC for industrial processes | |
Chen et al. | Design fixed-time practical distributed average tracking algorithms for nonlinear signals with bounded-and Lipschitz-type derivatives | |
CN108628288A (zh) | 一种用于一阶时滞组合积分控制***的性能评价方法 | |
CN107168066B (zh) | 一种温室环境自适应控制方法 | |
Pengfei et al. | Soft sensor model derived from wiener model structure: modeling and identification | |
Duţescu et al. | Model predictive control of a nonlinear laboratory twin rotor aero-dynamical system | |
CN112925207A (zh) | 一种基于参数辨识的温室环境温度自适应方法 | |
Simkoff et al. | Plant-model mismatch evaluation for unconstrained MPC with state estimation | |
Ji et al. | Parameters tuning of model free adaptive control based on minimum entropy | |
Sadalla et al. | Stability analysis of simple anti-windup compensation in approximate pole-placement control of a second order oscillatory system with time delay | |
Tiwari et al. | Learning digital emulators for closed architecture machine tool controllers | |
Jian-hong et al. | Virtual reference feedback tuning control design for closed loop system | |
Guojun et al. | A real-time updated model predictive control strategy for batch processes based on state estimation | |
Salat et al. | Black-box system identification by means of support vector regression and imperialist competitive algorithm | |
Waleed et al. | Integration of a robust kalman filter with model-free control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180612 |
|
CF01 | Termination of patent right due to non-payment of annual fee |