先进控制系统介绍

如图8-1所示为软测量结构图，表明在软测量中各模 块之间的关系。
图8-1软测量结构图
软测量的核心是建立工业对象的精确可靠的模型。 软测量初始模型是对过程变量的历史数据进行辨识。 现场测量数据中可能含有随机误差甚至显著误差，须经 数据变换和数据校正等预处理，才能用于软测量建模或 作为软测量模型的输入。软测量模型的输出就是软测量 对象的实时估计值。
8.3解耦控制 8.3.1耦合现象影响及分析
在一个生产装置中，往往需要设置若干个控 制回路，来稳定各个被控变量。在这种情况下， 多个控制回路之间就有可能存在某种程度的相互 耦合，这样的相互耦合可能妨碍各被控变量之间 的独立控制，甚至会破坏各系统的正常工作。
图8-3所示精馏塔温度控制是典型的耦合实例。
(2)整定控制器参数，减小系统关联
具体实现方法：通过整定控制器参数，把两个回路 中次要系统的比例度和积分时间放大，使它受到干扰作 用后，反应适当缓慢一些，调节过程长一些，这样可达 到减少关联的目的。 在采用这种方法时，次要被控变量的控制品质往往 较差，这一点在工艺允许的情况下是值得牺牲的，但在 另外一些情况下却可能是个严重缺点。
8.2时滞补偿控制
控制通道不同程度存在纯滞后(时滞)。例如，热交换 器载热介质(流量)对出口温度影响滞后一段时间；反应 器、管道混合、皮带传送及分析仪表测量流体成分等都 存在纯滞后。纯滞后存在，使被控变量不能及时反映扰 动影响，即使执行器接收信号后立即动作，也需经过纯 滞后时间，才能作用于被控变量。 衡量纯滞后常采用纯滞后时间τ和时间常数T之比。 当τ／T<0.3，是一般纯滞后过程；当τ／T>0.3，为大纯 滞后过程。一般纯滞后可采用常规控制，而当纯滞后较 大时，则用常规控制往往较难奏效。 大纯滞后过程较难控制，目前已有一些可行控制方 案，Smith预估补偿控制就是一种较好的控制方案。
另外，对于基本属于稳态的工况，应尽量保证采样 数据的稳态特性。
8.1.3软测量模型建立
建模方法有机理建模、经验建模及两者结合等方法。
机理建模是从内在物理和化学规律出发，通过物料 平衡、能量平衡和动量平衡建立模型。可充分利用过程 知识，依据过程机理，有较大的适用范围。 经验建模是通过实测或依据积累的操作数据，采用 数学回归或神经网络等方法得到经验模型。 在软测量模型选择时，还应考虑模型的复杂性，以及 在实际系统硬件、软件平台的可实现性。 静态线性模型实施成本较小，神经网络模型所需计算 资源较多。 目前实施的软测量模型一般采用双层结构，底层用 DCS运算模块或可编程语言实现软测量数据采集、滤波 和误差检验及软测量值计算，上位机实现软测量模型组 态、自校正和离线维护。
图8-3 精馏塔温度控制系统
被控变量为塔顶温度T1和塔底温度T2，控制变量为 回流量和蒸气流量。塔顶温度控制器T1C输出u1控制回 流调节阀，调节塔顶回流量QL，实现塔顶温度T1控制。 塔底温度控制器T2C的输出u2控制再沸器蒸气调节阀， 调节蒸气流量QS，实现塔底温度T2控制。 u1变化不仅影响T1，同时还影响T2；同样，u2变化 在影响T2同时，还影响T1，两个控制回路间存在耦合。 解耦是使一个控制变量的变化只对与其匹配的被控 变量影响，而对其他回路被控变量没有影响或影响很小。 这样耦合的多变量系统分解为若干个独立的单变量控制 系统。
8.4.1预测控制的基本原理
预测控制种类很多，各类算法都有一些共同点，主 要有四个基本特征，如图8-6所示。
图8-6 预测控制的基本结构
(1)预测模型
预测控制需要描述系统动态行为的模型，称为预测 模型。应具有预测功能，即能够根据系统的现时刻的控制 输入以及过程的历史信息，预测过程输出的未来值。 在预测控制中有各种不同算法，可采用不同类型的预 测模型。通常采用在实际工业过程中较易获得的脉冲响应 模型和阶跃响应模型等非参数模型。
8.1.4模型校正
当对象特征发生较大变化，软测量器经过在线学 习无法保证预估精度时，须利用测量器运算所累积的 历史数据，进行模型更新或在线校正。 软测量模型的在线校正可表示为模型结构和模型 参数的优化，模型结构修正往往需要大量样本数据和 较长计算时间，难以在线进行。 为解决模型结构修正耗时长和在线校正的矛盾， 提出短期学习和长期学习的校正方法。短期学习算法 简单，学习速度快，便于实时应用。长期学习是当软 测量仪表在线运行一段时间积累足够的新样本模式后， 重新建立软测量模型。
(3)滚动优化
预测控制是一种优化控制算法，通过某一性能指标 的最优化来确定未来的控制作用。 预测控制中的优化与通常的离线最优控制算法不同， 不是采用一个不变的全局最优目标，而是采用滚动式的 有限时域优化策略。即优化过程不是一次离线完成的， 而是反复在线进行的，在每一采样时刻，优化性能指标 只涉及从该时刻起到未来有限时间，而到下一个采样时 刻，这一优化时段会同时向前推移。 因此，预测控制不是用一个对全局相同的优化性能 指标，而是在每一时刻有一个相对于该时刻的局部优化 性能指标。
8.2.1Smith预估补偿控制
为改善大滞后系统控制品质，1957年Smith提出预估 补偿控制。在PID反馈控制基础上，引入预估补偿环节， 使闭环系统方程不含纯滞后项，提高了控制质量。
图8-2 Smith预估补偿控制方案方块图
为实施Smith预估补偿控制，必须求取补偿器的数 学模型。若模型与过程特性不一致，则闭环系统方程中 还会存在纯滞后项，两者严重不一致时，甚至会引起系 统稳定性变差。 实际工业过程的被控对象通常是参数时变的。当参 数变化不大时可近似作为常数处理，采用Smith预估补偿 控制方案有一定的效果。
(4)参考轨线
在预测控制中，为使过程避免出现输入和输出的 急剧变化，往往要求过程输出沿着一条所期望的、平 缓的曲线达到设定值yd。这条曲线通常称为参考轨线。 它是设定值经过在线“柔化”后的产物。 预测控制的这些基本特征使其具有许多优良性质பைடு நூலகம் 如，对数学模型要求不高，能直接处理具有纯滞后过 程，具有良好的跟踪性能和较强的抗扰动能力，对模 型误差具有较强的鲁棒性等。 这些优点使预测控制更加符合工业过程的实际要 求，这是PID控制无法相比的。
(3)减少控制回路
把上述方法推到极限，次要控制回路的控制器比例 度取无穷大，此时这个控制回路不存在，它对主要控制 回路的关联作用也消失。
例如，在精馏塔控制系统设计中，工艺对塔顶和塔 底组分均有一定要求时，若塔顶和塔底的组分均设有控 制系统，这两个控制系统相关，在扰动较大时无法投运， 可采用减少控制回路的方法来解决。如塔顶重要，则塔 顶设置控制回路，塔底不设置质量控制回路而往往设置 加热蒸汽流量控制回路。
8.1.2数据采集与处理
过程数据包含了工业对象的大量相关信息，因此采 集被估计变量和原始辅助变量的历史数据时，数据的数 量越多越好。另外，数据覆盖面在可能条件下应宽一些， 以便软测量具有较宽的适用范围。
为了保证软测量精度，数据的正确性和可靠性十分 重要，因此现场数据必须经过显著误差检测和数据协调， 保证数据的准确性。由于软测量一般为静态估计，应采 集装置平稳运行时的数据，并注意纯滞后的影响。
(4)串接解耦控制
在控制器输出与执行器输入之间，可串接解耦装置 D(s)，双输入双输出串接解耦方块图如图8-5。
图8-5双输入双输出串接解耦方块图
由图可得 Y(s)=G(ｓ)D(s)P(s) 由上式可知，只要找到合适的D(s)使D(s)G(s)相乘 成为对角矩阵，就解除了系统之间的耦合，两个控制系 统不再关联。
软测量技术主要包括辅助变量的选择，数据采集与 处理，软测量模型的建立以及模型在线校正等内容。
8.1.1辅助变量选择
确定被估计变量作为主导变量，根据工艺机理分析 (如物料、能量平衡关系等)，选择影响主导变量的可测相 关变量作为辅助变量。 例如，估计精馏塔塔顶产品的成分，可将塔的进料特 性、塔釜加热特性、回流特性、塔顶操作状态和塔抽出料 特性的可测变量选作初始辅助变量，根据工艺机理、测量 仪表精度和数据相关性分析对初始辅助变量降维。 通过机理分析，选择响应灵敏、测量精度高的变量作 为最终辅助变量。例如，在相关气相温度变量、压力变量 之间选择压力变量。 一种有效的方法-主元分析法，可利用现场历史数据 作统计分析计算，将原始辅助变量与被测量变量的关联度 排序，实现变量精选。
先进控制系统介绍
2011.11.20
先进过程控制(Advanced Process Control)技术，正 在迅速的推广应用。 现代工业生产的大型化、复杂化，对产品质量、产率、 安全及对环境影响的要求越来越严格，许多复杂、多变量、 时变的关键变量的控制，常规PID已不能胜任，因此，先 进控制受到了控制界的广泛关注。 先进控制是指不同于常规PID，具有比常规PID控制 更好控制效果的控制策略的统称。先进控制内涵丰富，带 有较强的时代特征，至今对先进控制还没有严格、统一的 定义。 先进控制的任务明确，即用来处理那些采用常规控制 效果不好，甚至无法控制的复杂工业过程控制问题。
8.4预测控制
预测控制是20世纪70年代发展起来的一种新型计算 机优化控制算法。 预测控制的基本出发点与传统PID控制不同。PID控 制是根据过程当前输出测量值和设定值的偏差来确定当 前的控制输入；而预测控制不但利用当前的和过去的偏 差值，而且还利用预测模型来预估过程未来的偏差值， 以滚动优化确定当前的最优控制策略。从基本思想看， 预测控制优于PID控制。
8.4.2预测控制工业应用
8.3.2解耦控制
（1）正确匹配被控变量与控制变量
图8-4 混合物料温度和流量控制
冷热物料混合系统的混合物料流量F及温度T都要求 控制在设定值。经实验及分析计算，以温度T为被控变 量，热物料流量qh为控制变量的温度控制，及以混合物 料流量F为被控变量，冷物料流量qc为控制变量的流量 控制的匹配关系为 qh qc T 0.2 0.8 F 0.8 0.2 根据理论分析，由相对增益阵列可知，图示系统的 被控变量与控制变量的匹配不合理，应重新匹配，组成 以温度T为被控变量，冷物料流量qc为控制变量的温度 控制；以及以混合物料流量F为被控变量，热物料流量 qh为控制变量的流量控制。