CN1490690A - 在过程控制系统中的集成模型预测控制和最佳化 - Google Patents

在过程控制系统中的集成模型预测控制和最佳化 Download PDF

Info

Publication number
CN1490690A
CN1490690A CNA031584985A CN03158498A CN1490690A CN 1490690 A CN1490690 A CN 1490690A CN A031584985 A CNA031584985 A CN A031584985A CN 03158498 A CN03158498 A CN 03158498A CN 1490690 A CN1490690 A CN 1490690A
Authority
CN
China
Prior art keywords
variable
control
auxiliary
controlled
optimizer
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.)
Granted
Application number
CNA031584985A
Other languages
English (en)
Other versions
CN100381956C (zh
Inventor
威廉・K・沃杰茨尼斯
威廉·K·沃杰茨尼斯
・L・布莱文斯
特伦斯·L·布莱文斯
尼克松
马克·尼克松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fisher Rosemount Systems Inc
Original Assignee
Fisher Rosemount Systems Inc
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 Fisher Rosemount Systems Inc filed Critical Fisher Rosemount Systems Inc
Publication of CN1490690A publication Critical patent/CN1490690A/zh
Application granted granted Critical
Publication of CN100381956C publication Critical patent/CN100381956C/zh
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Images

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
    • 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
    • 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

Abstract

本发明涉及集成优化和控制技术,在控制和辅助变量数可以大于受控变量数的加工厂内,将如线性或二次规划的优化程序与如模型预测控制的先进控制集成。该技术首先确定定义在优化时使用的受控变量和每个过程变量中的变化之间相关性的阶跃响应矩阵。随后选择控制和辅助变量的子集用作在过程操作期间执行控制的模型预测控制例程的输入,并产生模型预测控制例程使用的M×M控制方阵。其后,在过程控制器每次扫描期间,优化器例程计算控制和辅助变量每个全集的最佳操作目标,并向模型预测控制例程提供作为输入的、所选择的控制和辅助变量子集的目标操作点。模型预测控制例程由各控制和辅助变量子集的目标值和测量值和M×M控制矩阵确定受控变量的变化。

Description

在过程控制系统中的集成模型预测控制和最佳化
技术领域
本发明一般涉及过程控制系统,具体涉及在过程控制系统中最佳模型预测控制器的使用。
背景技术
过程控制系统,诸如那些用于化学、石油或其它过程中的分布式或可伸缩的过程控制系统,典型地包括一个或多个过程控制器,它们经由模拟、数字或组合的模拟/数字总线可通信地彼此连接在一起、连接到至少一个主机或操作员工作站和连接到一个或多个现场设备。现场设备可以例如是阀门、阀门定位器、开关和发送器(诸如温度、压力和流速传感器),在诸如打开或关闭阀门和测量过程参数的过程中起作用。过程控制器接收指示由现场设备作出的过程测量的信号和/或其它有关现场设备的信息,使用这个信息来实现控制例程并随后产生控制信号,这个控制信号经由总线被发送到现场设备以控制过程的操作。来自现场设备和控制器的信息一般可由操作员工作站执行的一个或多个应用程序获得,以便使得操作员能够执行关于过程的任何所期望的功能,诸如查看过程的当前状态、修改过程的操作等。
过程控制器一般被编程来执行不同的算法、子例程或用于多个不同回路(loop)的每一个的控制回路(它们都是控制例程),所述控制回路是对一个过程定义的或包括在一个过程中的,诸如流控制回路、温度控制回路、压力控制回路等。一般来说,每个这样的控制回路包括一个或多个诸如模拟输入(AI)功能块的输入块,诸如比例积分微分(PID)或模糊逻辑控制功能块的单输出控制块、诸如模拟输出(AO)功能块的单输出块。这些控制回路一般执行单输入/单输出控制,因为控制块建立用于控制诸如阀门位置等的单过程输入的单控制输出。但是,在某些情况下,多个独立操作的、单输入/单输出回路的使用不是很有效的,因为被控制的过程变量不仅被一个单过程输入影响,并且实际上,每个过程输入都可能影响许多过程输出的状态。在此的一个示例可能出现在例如这样的过程中,它具有由两个输入管线填充并且由单输出管线清空的箱体,每条管线由不同的阀门控制,其中,箱体的温度、压力和流量被控制在、或接近所期望的值。如上所述,可以利用独立的流量控制回路、独立的温度控制回路和独立的压力控制回路来执行对箱体的流量、温度和压力的控制。但是,在这种情况下,在改变输入阀门之一的设置以控制箱体内的温度的温度控制回路操作中,可能引起箱体内的压力提高,这例如使得压力回路打开出口阀门以降低压力。这个行为可能随后使得流量控制回路关闭输入阀门之一,因此影响温度并且使得温度控制回路采取某些其它行动。从这个示例可以明白,单输入/单输出控制回路使得过程输出(在这种情况下,为流量、温度和压力)表现出不可接受的方式行为,其中,输出振荡而达不到平稳的状态条件。
模型预测控制(MPC)或其它类型的先进控制已经被用于在其中特定受控的处理变量的改变影响多个过程变量或输出的情况下执行过程控制。自七十年代后期以来,已经报道了模型预测控制的许多成功的实现方式,并且MPC已经成为加工工业中先进的多变量控制的主要形式。而且,MPC控制已经被作为分布式控制系统分层软件实现在分布式控制系统中。美国专利第4,616,308和4,349,869一般地说明了可以用于过程控制系统内的MPC控制器。
一般来说,MPC是多输入/多输出控制策略,其中测量每个过程输入的改变对各个过程输出的影响,并且这些测量的响应被随后用于建立过程的控制矩阵或模型。所述处理模型或控制矩阵(它通常定义过程的稳态操作)被数学反转,并且随后被用于或作为多输入/多输出控制器以根据过程输入的改变来控制过程输出。在一些情况下,过程模型被表示为对于每个过程输入的过程输出响应曲线(典型地为阶跃响应曲线),可以根据例如提供给每个过程输入的一系列伪随机步骤改变来建立这些曲线。这些响应曲线可以用于以公知的方式来对过程进行模型化。模型预测控制是本领域内所公知的,因此在此不说明其细节。但是,MPC在Qin,S.Joe and Thomas A.Badgwell,“AnOverview of Industrial Model Predictive Control Technology,”AIChEConsference,1996(Qin,S.Joe和Thomas A.Badgwell,“工业模型预测控制技术概览”,美国化学工程师学会会议,1996)中被一般地说明。
已经发现,MPC是很有效的和有用的控制技术,它已经与过程优化相结合地被使用。为了优化使用MPC的过程,优化器(optimizer)最小化或最大化一个或多个由MPC例程确定的过程输入变量,以便使得过程在最佳点运行。虽然该技术是可以被计算的,但是必须选择例如对于改进过程的经济运行(例如过程流量或质量)有重要影响的过程变量以从经济角度优化过程。从财政或经济角度出发的在最佳点运行过程典型地要求彼此相结合地控制多个过程变量,而不仅仅是单个过程变量。
已经提出利用二次规划技术或诸如内点方法的更现代的技术进行优化,来作为提供具有MPC的动态优化的解决方案。利用这些方法,考虑到过程动态、当前约束和优化目标,确定优化方案,优化器向控制器提供在控制器输出(即,过程的被控变量)中的变动。但是,这个方法具有很大的计算负担,在当前的技术水平上不是实际可行的。
在使用MPC的多数情况下,在过程中可以获得的被控变量(即MPC例程的控制输出)的数量大于过程的控制变量的数量(即必须被控制在特定的设定点的过程变量的数量)。结果,通常存在优化和约束处理的多个自由度。理论上,为了执行这样的优化,应当计算由定义过程的最佳操作点的过程变量、约束、极限和经济因素表示的值。在许多情况下,这些过程变量是被约束的变量,因为它们具有与它们所属的过程的物理特性相关的极限,在所述过程中必须保持这些变量。例如,表示箱体水平的过程变量限于实际箱体可以物理地达到的最大和最小水平。优化函数可以计算与每个受约束的或辅助的变量相关联的成本和/或收益以工作在收益最大、成本最小的水平上等。这些辅助变量的测量可以随后作为输入提供到MPC例程,并且被MPC例程作为具有与由优化例程定义的辅助变量的操作点相同的设定点的控制变量。
MPC提供由仅仅用于平方控制的应用所经常要求的最佳性能,在用于平方控制(square control)的应用中,过程的控制输入(即由控制例程产生的受控变量)的数量等于受控的过程变量(即控制器的输入)的数量。但是在多数情况下,辅助约束变量的数量加上过程控制变量的数量大于受控变量的数量。这样的非平方配置的MPC的实现导致不可接受的不良性能。
相信其它人已经试图通过动态选择与受控变量数量相同的一组控制和受约束变量、在线或在过程操作期间产生控制器以确定受控变量中的下次变化来克服这个问题。但是,这个技术计算上昂贵,因为它进行矩阵转换,并且不能用于一些情况,例如在过程控制器中被实现为功能块的MPC。同等重要的是,所产生的控制器的输入和输出的一些组合可能导致病态控制器,它导致不可接受的操作。虽然可以离线建立控制器配置使验证和改进控制的调整,但是这个任务对于在线操作是过大的负担,并且是在控制器级不可能实际实现的。
发明内容
集成优化和控制技术将优化程序与先进的、如模型预测控制的控制程序组合,在所述先进控制程序中,控制和辅助约束变量的数量可以大于或小于在加工厂(process plant)中的受控变量的数量。这种技术首先确定阶跃响应矩阵,它定义在受控变量和每个过程变量(可以是控制变量和辅助变量)的变化之间的相关性,所述过程变量用在优化器中以确定过程的最佳操作点。在过程的操作期间,具有与受控变量的数量相同或较少数量的过程控制变量和辅助变量的子集被选择用作MPC例程的输入。基于该控制和辅助变量子集和受控变量的MPC控制器的增益矩阵随后被用于建立在MPC例程操作期间所使用的MPC控制器。其后,在过程控制器的每次扫描期间,优化器例程计算控制和辅助变量全集的每个的最佳操作目标,并且向MPC例程提供用于所选择的控制和辅助变量的每个子集的一组确定的目标操作点来作为输入。MPC例程随后从利用控制和辅助变量子集作为输入的、预定的MPC矩阵确定用于控制过程的受控变量的变化。典型地,控制和辅助变量的子集被选择作为具有阶跃响应的控制和辅助变量,所述阶跃响应对于受控变量之一具有最高的增益和最快的响应时间。这个技术使得具有与输出相同数量的输入、并且仍然允许优化例程的、要使用的MPC例程能够利用考虑比在过程中的受控变量更多的控制和辅助变量的优化例程来确定过程的最佳操作点。这个技术是鲁棒的,因为它响应于在过程中的干扰和噪声工作来迅速控制到一个所期望的操作点,而且其计算简单,因为它不需要在过程控制系统每次扫描期间重新计算MPC矩阵。
附图说明
图1是一个包括控制模块的过程控制系统的方框图,所述控制模块具有先进的控制器功能块,它将优化器和MPC控制器集成在一起;
图2是具有集成的优化器和MPC控制器的、图1中的先进控制器功能块的方框图;
图3是图解建立和安装图2的集成优化器和MPC控制器功能块的方式的流程图;
图4是图解在在线过程操作期间图2的集成优化器和MPC控制器的操作的流程图;
图5是图解在执行过程控制的控制模块中的先进控制块的配置程序的屏幕显示;
图6是图解表示图5的先进控制块特性的对话框的配置程序的屏幕显示;
图7是图解选择或指定在图5的显示中描述的先进控制功能块的输入和输出方式的配置程序的屏幕显示;
图8是由使得用户或操作员能够选择用于建立先进控制块的一组目标功能之一的配置程序的屏幕显示;
图9是可以用于使得用户能够在建立先进控制块期间执行测试和建立过程模型的测试屏幕的屏幕显示;
图10是图解指示不同控制和辅助变量对一个特定受控变量的响应的阶跃响应的配置程序的屏幕显示;
图11是图解将图9的控制和辅助变量之一选择为与所述受控变量主要相关联的方式的配置程序的屏幕显示;
图12是图解指示同一控制或辅助变量对不同受控变量的响应的阶跃响应的配置程序的屏幕显示;
图13是图解复制要被复制用于不同模型的模型的阶跃响应之一的方式的屏幕显示;
图14是图解观察和改变阶跃响应曲线的方式的屏幕显示;
图15是图解在先进控制块操作期间向操作员提供信息的对话屏幕的屏幕显示;
图16是图解可以被提供给用户或操作员以执行对先进控制块的诊断的诊断屏幕的屏幕显示。
具体实施方式
现在参照图1,过程控制系统10包括过程控制器11,它与数据历史单元12和一个或多个主机工作站或计算机13(可以是任何类型的个人计算机、工作站等)可通信地连接,每个主机工作站或计算机13具有一个显示屏幕14。控制器11也经由输入/输出(I/O)卡26和28连接到现场设备15-22。数据历史单元12可以是任何所期望类型的数据收集单元,它具有任何所期望类型的用于存储数据的存储器和任何所期望或公知的软件、硬件或固件,数据历史单元12可以是与工作站13分离的(如图1所示)、或者是工作站13之一的一部分。控制器11可以例如是由Fisher-Rosemount Systems,Inc.公司销售的DeltaVTM控制器,它经由例如以太网连接或任何其它所期望的通信网络29可通信地连接到主机计算机13和数据历史单元12。通信网络29的形式可以是局域网(LAN)、广域网(WAN)、电信网络等,可以利用硬连线或无线技术来实现通信网络29。控制器11利用与例如标准4-20ma设备和/或任何智能通信协议相关联的任何所期望硬件和软件可通信地连接到现场设备15-22,所述智能通信协议诸如FOUNDATION现场总线(Fieldbus)协议、HART协议等。
现场设备15-22可以是任何类型的设备,诸如传感器、阀门、发送器、定位器等,而I/O卡26和28可以是任何类型的符合所期望的通信或控制器协议的I/O设备。在图1所示的实施例中,现场设备15-18是4-20ma标准的设备,它们通过模拟线与I/O卡26通信,而现场设备19-22是诸如Fieldbus现场设备的智能设备,它们利用Fieldbus协议通信通过数字总线与I/O卡28通信。当然,现场设备15-22可以符合任何其它所期望的标准或协议,包括未来开发的任何标准或协议。
控制器11可以是在其中具有至少一个处理器的工厂10内的许多分布式控制器之一,它实现或预见一个或多个过程控制例程,其包括存储在其中的或否则与其相关的控制回路。控制器11也与设备15-22、主机计算机13和数据历史单元12通信,以便以任何所期望的方式控制过程。应当注意,在此所述的任何控制例程或要素如果期望的话可以具有由不同的控制器或其它设备实现或执行的部分。同样,要在过程控制系统10内实现的、在此所述的控制例程或要素可以采用任何形式,包括软件、固件、硬件等。为了这个讨论的目的,过程控制要素可以是过程控制系统的任何部分,包括例如存储在任何计算机可读介质上的例程、块或模块。控制例程可以是模块或诸如子例程的控制程序的任何部分、子例程的部分(诸如代码行)等,它可以以任何所期望的软件格式被实现,诸如使用梯形逻辑(ladder logic)、顺序功能表、功能块表、面向对象的编程或任何其它的软件编程语言或设计范例。同样,控制例程可以被硬编码到例如一个或多个EPROM、EEPROM、特定用途集成电路(ASIC)或任何其它硬件或固件元素中。进一步,可以使用任何设计工具来设计控制例程,所述设计工具包括图形设计工具或任何其它类型的软件/硬件/固件编程或设计工具。因此,控制器11可以被配置来以任何所期望的方式实现控制策略或控制例程。
在一个实施例中,控制器11使用通常所称的功能块来实现控制策略,其中,每个功能块是整体控制例程的一部分或对象,并且(经由被称为链接的通信)与其它功能块相结合地工作以实现在过程控制系统10内的过程控制回路。功能块一般执行输入功能、控制功能或输出功能之一,输入功能诸如与发射器、传感器或其它过程参数测量设备相关的输入功能,控制功能诸如与执行PID、模糊逻辑等控制的控制相关的控制功能,输出功能控制诸如阀门的一些设备的操作以在过程控制系统10内执行一些物理功能。当然,也存在混合和其它类型的功能块。功能块可以被存储在控制器11中并且由控制器11执行,这种情况典型的是当这些功能块被用于、或相关于4-20ma标准设备和诸如HART设备这样类型的智能现场设备时,或可以被存储在现场设备本身和由现场设备本身执行,这可以是对于Fieldbus设备的情况。虽然在此可以使用面向对象的编程范例的功能块控制策略来提供对控制系统的描述,但是也可以利用诸如梯形逻辑、顺序功能图等的其它约定或利用任何其它期望的编程语言或范例来实现和设计控制策略或控制回路或模块。
如图1的扩展块30所示,控制器11可以包括多个被图解为例程32和34的单回路控制例程,并且可以实现一个或多个被图解为控制回路36的先进控制块。每个这样的回路典型地被称为控制模块。单回路控制例程32和34被图解为利用单输入/单输出模糊逻辑控制块和单输入/单输出PID控制块来实施单回路控制,单输入/单输出模糊逻辑控制块和单输入/单输出PID控制块分别连接到适当的模拟输入(AI)和模拟输出(AO)功能块,模拟输入(AI)和模拟输出(AO)功能块可能与诸如阀门的过程控制设备相关联、与诸如温度和压力发送器的测量设备相关联或与在过程控制系统10内的任何其它设备相关联。先进控制回路36被图解为包括先进控制块38,它具有与多个AI功能块可通信地连接的输入和与多个AO功能块可通信地连接的输出,但是先进控制块38的输入和输出可以被可通信地连接到任何其它的所期望功能块或控制元件以接收其它类型的输入和提供其它类型的控制输出。如将进一步说明的,先进控制块38可以是这样的控制块,它集成模型预测控制例程与优化器以执行过程或一部分过程的优化控制。虽然在此说明先进控制块38包括模型预测控制(MPC)块,但是先进控制块38也可以包括任何其它的多输入/多输出控制例程或程序,诸如神经网络建模或控制例程、多变量模糊逻辑控制例程等。可以明白,包括先进控制块38的图1所示的功能块可以由控制器11执行,或者可以位于任何其它的处理设备中或可以由任何其它的处理设备执行,诸如工作站13之一或甚至现场设备19-22之一。
如图1所示,工作站13之一包括先进控制块产生例程40,用于建立、下载和实现先进控制块38。虽然这个先进控制块产生例程40可以被存储在工作站13的一个存储器中并且可以由其中的处理器执行,但是如果期望的话,这个例程(或其任何部分)可以另外或作为另一选择被存储在过程控制系统10内的任何其它设备中和由其执行。一般而言,先进控制块产生例程40包括:控制块建立例程42,它建立在此进一步说明的先进控制块,并且将这个先进控制块连接到过程控制系统中;过程建模例程44,它根据由先进控制块收集的数据建立过程或其一部分的过程模型;控制逻辑参数建立例程46,它从过程模型建立用于先进控制块的控制逻辑参数,并且在先进控制块中存储或下载这些控制逻辑参数,以用于控制过程;优化器例程48,它建立优化器来用于先进控制块。可以明白,例程42、44、46和48可以由一系列不同的例程构成,诸如:第一例程,它建立一个先进控制元素,该元素具有被适配来接收过程输出的控制输入,并且具有被适配来向过程输入提供控制信号的控制输出;第二例程,它使得用户能够下载和可通信地连接过程控制例程(可以是任何所期望的配置例程)内的先进控制元素;第三例程,它使用先进控制元素来向每个过程输入提供激励波形;第四例程,它使用先进控制元素来收集反映每个过程输出对激励波形的响应的数据;第五例程,它选择或使得用户能够选择一组用于先进控制块的输入;第六例程,它建立过程模型;第七例程,它从功能模型来产生先进控制逻辑参数;第八例程,它将先进控制逻辑和——如果需要的话——过程模型放在先进控制元素内,以使得先进控制元素控制过程;第九例程,它选择或使得用户能够选择一个优化器来用于先进控制块38中。
图2图解了与过程50可通信地连接的先进控制块38的一个实施例的更详细的方框图,可以明白,先进控制块38产生一组受控变量MV,这些受控变量MV被提供到其它功能块,这些其它功能块继而连接到过程50的控制输入。如图2所示,先进控制块38包括MPC控制器块52、优化器54、目标转换块55、阶跃响应模型或控制矩阵56、输入处理/过滤块58。MPC控制器52可以是任何标准、方形M×M(其中M可以是任何大于1的数)MPC例程或程序,它具有与输出相同数量的输入。MPC控制器52作为输入接收:在过程50内测量的一组N个控制和辅助变量CV和AV(它们是值的向量);一组干扰变量DV,它们是未来某个时间提供到过程50的已知或预期的改变或干扰;和一组稳态目标控制和辅助变量CVT和AVT,它们被从目标转换块55提供。MPC控制器52使用这些输入来(以控制信号的形式)建立一组M个受控变量MV,并且提供这些受控变量MV信号来控制过程50。
而且,MPC控制器52在控制级计算并向输入处理/过滤块58提供一组分别表示控制变量CV、辅助变量AV和受控变量MV的预测值的、预测稳态控制变量CVSS和辅助变量AVSS,以及一组预测的稳态受控变量MVSS。输入处理/过滤块58处理控制变量、辅助变量和受控变量CVSS、AVSS、MVSS的所确定的预测稳态值,以降低噪声和未预测的干扰对这些变量的影响。可以明白,输入处理/过滤块58可以包括低通滤波器或任何其它输入处理,所述任何其它输入处理降低噪声、建模差错和干扰对这些值影响,并且向优化器54提供过滤的控制变量、辅助变量和受控变量CVSSfil、AVSSfil、MVSSfil
优化器54在这个示例中是线性规划(LP)优化器,它使用可以从选择块62提供的目标函数(OF)来执行过程优化。或者,优化器54可以是二次规划优化器,它是具有线性模型和二次目标函数的优化器。一般而言,目标功能OF将指定与多个控制变量、辅助变量和受控变量中的每个相关的成本和收益,优化器54通过最大化和最小化目标函数来为那些变量设置目标值。选择块62可以选择被提供到优化器54的目标函数OF来作为一组预先存储的目标函数64之一,目标函数64数学地表示定义过程50的最佳操作的不同方式。例如,预先存储的目标函数64之一可以被配置来最大化工厂的收益,另一个目标函数64可以被配置来最小化短缺的特定原材料的使用,而再一个目标函数64可以被配置来最大化在过程50内制造的产品的质量。一般而言,目标函数使用与控制、辅助和受控变量的每个变动相关的成本或收益,以确定在一组可接受的点内的最佳过程操作点,所述一组可接受的点由控制变量CV的设定点值或范围以及辅助变量和受控变量AV和MV的极限来定义。当然,任何期望的目标函数都可以被使用来取代或附加到在此描述的目标函数,包括在一定程度上优化多个所关心项目的每个的目标函数,所述所关心项目诸如原材料的使用、收益等。
为了选择目标函数64之一,用户或操作员可以提供要使用的目标函数64的一个指示,通过操作员或用户终端(诸如图1的工作站13之一)来选择这个目标函数,所述选择是经由输入66被提供到选择块62的。响应于输入66,选择块62向优化器54提供所选择的目标函数OF。当然,用户或操作员可以改变在过程操作期间使用的目标函数。如果期望的话,可以在用户不提供或选择目标函数的情况下使用默认目标函数。下面将详细讨论一个可能的默认目标函数。虽然被图解为先进控制块38的一部分,但是不同的目标函数可以存储在图1的操作终端13中,并且这些目标函数之一可以在建立或产生这个块期间被提供给先进控制块38。
除了目标函数OF,优化器54作为输入还接收一组控制变量设定点(它们典型地是操作员指定的、用于过程50的控制变量CV的设定点,并且可以被操作员或其它用户改变)和与每个控制变量CV相关联的范围和加权或优先级。优化器54此外还接收辅助变量的一组范围或约束极限和一组加权或优先级、以及用于控制过程50的受控变量MV的一组极限。一般而言,辅助和受控变量的范围(典型地基于工厂的物理特性)定义辅助受控变量的极限,而控制变量的范围提供这样的一个范围,其中,控制变量可以为过程的满意控制而操作。控制和辅助变量的加权指定在优化过程期间控制变量和辅助变量相对于彼此的相对重要程度,并且可以在一些情况下,如果一些约束被损害,则用于使得优化器54能够产生控制目标方案。
在操作期间,优化器54可以使用线性规划(LP)技术来执行优化。如所公知的,线性规划是最大化或最小化被称为目标函数的某个附加函数的数学技术,用于求解一组线性方程和不等式。如上所述,目标函数可以表达诸如成本或收益的经济值,但是也可以表达其它目标。此外,可以明白,稳态增益矩阵定义每个可能的受控变量和控制或辅助变量对的稳态增益。换句话说,稳态增益矩阵定义对于在每个受控和干扰变量中的单位变化在每个控制和辅助变量中的稳态增益。这个稳态增益矩阵一般是N×M矩阵,其中,N是控制和辅助变量的数量,M是在优化器例程中使用的受控变量的数量。一般,N可以大于、等于或小于M,在最一般的情况下,N大于M。
使用任何公知或标准的LP算法或技术,优化器54反复确定一组目标受控变量MVT(从稳态增益矩阵确定),这组目标受控变量MVT最大化或最小化所选择的目标函数OF,产生满足或落入控制变量CV设定点范围极限、辅助变量AV约束极限和受控变量MV极限内的过程操作。在一个实施例中,优化器54实际确定在受控变量中的变化,并且使用所预测的稳态控制变量、辅助变量和受控变量CVSSfil、AVSSfil、MVSSfil的指示来从它的当前操作确定在过程操作中的改变,即确定在达到目标或最佳过程操作点的过程期间的MPC控制例程的动态操作。这个动态操作是重要的,因为在从当前操作点到目标操作点的移动中必须保证不损害任何约束极限。
在一个实施例中,LP优化器54可以被设计来最小化下列形式的目标函数:
Q=Pt*A*ΔMV+CtΔMV
其中:
Q=总成本/收益
P=与AV和CV相关联的收益向量
C=与MV相关联的成本向量
A=增益矩阵
ΔMV=用于在MV中所计算的改变的向量
收益值是正数,成本值是负数,用于指示它们对目标的影响。使用这个目标函数,LP优化器54计算在受控变量MV中的变化,所述变化最小化目标函数并且同时保证控制变量CV保持在自它们的目标设定点的一个范围中、辅助变量AV保持在它们的上和下约束极限内、受控变量MV保持在它们的上和下极限内。
在可以使用的一个优化程序中,受控变量的递增值被用于当前时间(t),受控变量的递增量的和被用于控制级,并且在预测级确定控制和辅助变量的递增值而不是位置当前值,这在LP应用中是典型的。当然,LP算法可以被适当地改进来用于这个变化。在任何情况下,LP优化器54可以使用稳态模型,结果,对于它的应用需要稳态条件。利用在MPC设计中通常使用的预测级,对于自调节过程保证了未来的稳态。用于m×n输入-输出过程的、具有以递增形式表达的预测级p、控制级c的一个可能的预测过程稳态方程是:
ΔCV(t+p)=A*ΔMV(t+c)
其中:
ΔCV ( t + p ) = Δ cv 1 . . . Δ cv n 表示在预测级(t+p)的终端的输出中的预测改变,
A = a 11 . . . a 1 m . . . . . . . . . . a n 1 . . . a nm 是m×n增益矩阵的过程稳态,
ΔMV ( t + c ) = Δmv 1 . . . Δmv m 表示在控制级(t+c)的终端受控变量的改变。
向量ΔMV(t+c)表示由每个控制器输出mvi进行的在控制级的改变的和,以便
Δ mv i = Σ j = 1 c mv i ( t + j ) - - - - i = 1,2 , . . . , m
所述改变应当满足对于受控变量MV和控制变量CV的极限(在此辅助变量被当作控制变量):
MVmin≤MV当前+ΔMV(t+c)≤MVmax
CVmin≤CV预测+ΔCV(t+c)≤CVmax
在这种情况下,用于最大化乘积值和最小化原材料成本的目标函数可以被联合定义为:
Q min = - UC V T * ΔCV ( t + p ) + UMV T * ΔMV ( t + c )
其中:
UCV是用于在控制变量CV过程值中的单位改变的成本向量;
UMV是用于在受控变量MV过程值中的单位改变的成本向量。
代入上述的第一方程,目标函数可以以受控变量MV的形式被表达为:
Q min = - UCV T * A * ΔMV ( t + c ) + UMV T * ΔMV ( t + c )
为了找到最佳的解,LP算法对由这个方程定义的区域中的初始顶点计算目标函数,并在每下个步骤改进解直到该算法确定了具有目标函数的最大值(或最小值)的顶点来作为最佳解。所确定的最佳受控变量值被用作要在控制级获得的目标受控变量MVT
一般而言,在所准备的矩阵上运行LP算法返回三种可能的结果。首先,对于目标受控变量MVT存在唯一的解。第二,该解无限,如果每个控制和辅助变量具有上限和下限则不发生这个结果。第三,没有解,这表示对辅助变量的界限或约束太严。为了处理第三种情况,可以放松整体约束以获得一个解。基本的假设是对受控变量的极限(高/低限)不能被优化器改变。对于辅助变量的约束或极限(高/低限)也是这样。但是,优化器可以从向指定设定点驱动控制变量CV(CV设定点控制)改变到向自设定点或在设定点周围的范围内的任何值驱动控制变量(CV范围控制)。在这种情况下,允许控制变量的值位于一个范围内而不是在特定的设定点。如果存在几个损害它们的约束的辅助变量AV,并且从CV设定点控制向CV范围控制的转换不提供一个解,则也可能根据所提供的加权或优先级指定来放松或忽略辅助变量的约束。在一个实施例中,可以通过最小化允许它们中的每个损害它们各自的约束的辅助变量的均方误差、或通过依序放弃具有最低优先级的辅助变量的约束,来确定解。
如上所述,目标函数OF可以被控制块产生程序40选择或设置为默认。一种建立这样的默认设置的方法被提供如下。特别地,虽然期望提供优化能力,但是在许多情况下可能仅仅要求以仍然遵守辅助变量和受控变量的操作约束的方式来维持控制变量的设定点。对于这些应用,块38可以被配置来唯一地作为MPC功能块进行操作。为了提供这种使用方便,可以自动建立默认的“操作”目标函数,并且将默认的成本以及默认的辅助变量AV加权分配到其中不同的变量。这些默认量可以将所有的辅助变量AV和受控变量MV的成本设置为相等的,或向辅助变量和受控变量AV和MV提供一些其它的预定的成本分配。当选择一个专家选项时,则用户可以建立附加的优化选择和定义它们的对于不同目标函数64的相关联成本。这个专家用户也将被允许修改默认的目标函数的默认辅助变量和控制变量AV和CV加权。
在一个实施例中,当例如对于过程配置不定义经济因素时候,可以从MPC配置自动构造目标函数。一般,可以使用下面的公式来构造目标函数。
CD T = C T + P T * A = [ C 1 , . . . , C j , . . . , C m ] + [ Σ i = 1 n p i a i 1 , Σ i = 1 n p i a i 2 , . . . , Σ i = 1 n p i a im ] = [ CD 1 , . . . , CD j , . . . , CD m ]
可以从配置设置定义变量Cj和pj。特别是,假定仅仅可以在LL(低极限)或HL(高极限)定义控制变量CV设定点,则以下面的方式来定义pj值:
如果设定点定义在LL或选择了最小化,则pj=-1;
如果设定点定义在HL或选择了最大化,则pj=1。
假定对于辅助变量AV没有输入配置信息,则对于所有辅助变量AV,pj=0。类似地,对于受控变量MV,Cj值依赖于是否定义了优选的受控变量目标MVT。在定义了优选的受控变量目标MVT时:
如果MVT在HL(高极限)或选择了最大化,则Cj=1,
如果MVT在LL(低极限)或选择了最小化,则Cj=-1,
如果不定义MVT,则Cj=0。
如果期望的话,则可以调整与MPC控制器52相结合的优化器54的使用的选择,以便因此提供优化程度。为了实施该功能,可以通过向由MPC控制器52和优化器54确定的在受控变量MV中的改变施加不同的加权来警告由控制器52使用的受控变量MV的改变。受控变量MV的这种加权组合在此指的是有效MV(MVeff)。这个有效MVeff可以被确定为:
ΔMVeff=ΔMVmpc(1+α/S)+ΔMVopt(1-α)    0<α<1
其中,S是任意或试探性地选择的。典型地,S将大于1,并且在10的范围内。
在此,对于α=1,优化器对在产生时设置的有效输出作出贡献。对于α=0,控制器仅提供MPC动态控制。当然,在0和1之间的范围提供了优化器和MPC控制的不同贡献。
上述的默认目标函数可以被用于在其不同的可能操作模式期间建立优化器的操作。特别是,当控制变量CV的数量与受控变量MV的数量相匹配时,只要辅助变量AV和受控变量MV在它们的极限内,则对于默认设置的所期望的行为是维持控制变量CV设定点。确定预测辅助变量或受控变量将损害它们的极限,则控制变量工作设定点将在其范围内被改变以防止这些极限被损害。如果在这种情况下优化器54不能找到满足辅助变量和受控变量极限并且将控制变量保持在它们的范围中的解,则控制变量将被保持在它们的范围内,并且允许辅助变量从它们的约束极限偏移。在寻找最佳解时,那些损害极限的辅助变量AV将被等同看待,并且它们的平均极限偏移被最小化。
为了实现这个行为,将自动设置由目标函数使用的默认成本/收益,以便如果范围被定义为允许偏移低于设定点则为控制变量CV分配收益1,如果范围被定义为允许偏移高于设定点则为控制变量CV分配收益-1。在极限内的辅助变量AV将被分配收益0,而受控变量MV将被分配成本0。
当控制变量CV的数量小于受控变量MV的数量时,则可以使用额外的自由度来处理与所配置的受控变量MV最后所处位置相关联的要求。在此,只要辅助变量和受控变量在它们的极限内,则控制变量设定点(如果定义了任何控制变量CV)将被维持。受控变量从所配置的最后所处位置的平均偏移将被最小化。如果预测辅助变量和受控变量中的一个或多个将损害它的极限,则控制变量工作设定点将在它们的范围内被改变以防止这些极限被损害。在这个条件下,如果存在多个解,则用于控制的那个解将使受控变量从所配置的最后所处位置的平均偏移最小化。
当优化器54不能找到满足辅助和受控变量的极限并且将控制变量保持在它们的范围内的解(即不存在解)时,则控制变量将被保持在范围中并且允许辅助变量偏移它们的约束极限。在寻找最佳解时,那些损害极限的辅助变量将被等同地对待,并且它们的平均极限偏移被最小化。为了实现这个行为,将自动设置由目标函数使用的默认成本/收益,以便如果所述范围被定义为允许偏移低于设定点,则控制变量将被分配收益1,如果所述范围被定义为允许偏移大于设定点,则控制变量将被分配收益-1。辅助变量将被分配收益1或-1,而受控变量将被分配成本0.1。
在任何情况下,在操作后,优化器54向目标转换块55提供一组最佳或目标受控变量MVT,目标转换块55使用稳态增益矩阵来确定目标稳态控制和从目标受控变量MVT导致的受控变量。这个转换是可以直接计算的,因为稳态增益矩阵定义在受控变量和控制和辅助变量之间的交互,因此可以被用于从所定义的目标(稳态)受控变量MVT唯一地确定目标受控变量和辅助变量CVT和AVT
一旦被确定。则至少N个目标控制变量和辅助变量CVT和AVT的子集被作为输入提供给MPC控制器52,MPC控制器52如上所述使用这些目标值CVT和AVT来确定一组新的稳态受控变量(在控制级)MVSS,它向在控制级的终端的目标值CVT和AVT驱动当前的控制和受控变量CV和AV。当然,如所公知的,MPC控制器逐步改变受控变量,以试图达到这些变量MVSS的稳态值,它们在理论上将是由优化器54确定的目标受控变量MVT。因为优化器54和MPC控制器52在每个过程扫描期间如上所述地操作,因此受控变量的目标值MVT可以逐个扫描地改变,结果是,MPC控制器可能从未实际达到这些目标受控变量MVT组中的任何特定的一个,尤其是在存在噪声、未预期的干扰、在过程50中的改变等的时候。但是,优化器54总是驱动控制器52向最佳解移动受控变量MV。
如所公知的,MPC控制器52包括控制预测过程模型70,它可以是N×(M+D)的阶跃响应矩阵(其中N是控制变量CV的数量加上辅助变量V的数量,M是受控变量MV的数量,D是干扰变量DV的数量)。控制预测过程模型70在输出72上产生对每个控制变量和辅助变量CV和AV的预先计算的预测,向量求和器74从控制和辅助变量CV和AV的实际测量值减去对当前时间的这些预测值,以在输入76上产生差错或校正向量。
控制预测过程模型70随后使用N×(M+D)的阶跃响应矩阵,根据被提供给控制预测过程模型70的其它输入的干扰变量和受控变量来在控制级预测每个控制变量和辅助变量CV和AV的未来控制参数。控制预测过程模型70也向输入处理/过滤块58提供控制变量和辅助变量CVSS和AVSS的预测稳态值。
控制目标块80利用先前对于块38建立的轨道过滤器82来确定对于由目标转换块55提供的N个目标控制变量和辅助变量CVT和AVT的每个的控制目标向量。特别是,轨道过滤器提供单位向量,它限定将控制变量和辅助变量随着时间驱动到它们的目标值的方式。控制目标块80使用这个单位向量和目标变量CVT和AVT来产生每个控制和辅助变量的动态控制目标向量,它定义了在由控制级时间限定的时间期间在目标变量CVT和AVT中的改变。向量求和器84然后从动态控制向量中为每个控制变量和辅助变量CV和AV减去未来控制参数向量,以为每个控制变量和辅助变量CV和AV定义一个差错向量。每个控制和辅助变量CV和AV的未来差错向量随后被提供给MPC算法,MPC算法运行选择受控变量MV步骤,这些步骤在控制级最小化例如最小均方误差。当然,MPC算法或控制器使用M×M过程模型或控制矩阵,M×M过程模型或控制矩阵是由N个输入到MPC控制器52的控制和辅助变量和由MPC控制器52输出的M个受控变量之间的关系发展而成的。
更具体地说,对于优化器适用的MPC算法具有两个主目标。首先,MPC算法试图在操作约束内以最小的MV移动来最小化CV控制差错,第二,试图获得由优化器建立的最佳稳态MV值和从最佳稳态MV值直接计算的目标CV值。
为了满足这些目标,可以扩展原始的未约束MPC算法以将MV目标包括到最小二乘解中。对于这个MPC控制器的目标函数是:
min ΔMV ( k ) { | | Γ y [ CV ( k ) - R ( k ) ] | | 2 + | | Γ u ΔMV ( k ) | | 2 + | | Γ o [ ΣΔMV ( k ) - ΔMVT ] | | 2 }
其中:
CV(k)是受控输出p-阶跃在前预测向量;
R(k)是p-阶跃在前参考轨道(设定点)向量;
ΔMV(k)是c-阶跃在前递增控制移动向量;
Гy=diag{Гy 1,…,Гy p}是关于受控输出差错的惩罚矩阵;
Гu=diag{Гu 1,…,Гu c}是关于控制移动的惩罚矩阵;
p是预测级(阶跃的数量);
c是控制级(阶跃的数量);
Гo是对在控制级上的控制器输出移动的和相对于由优化器限定的MV的目标最佳改变的误差的惩罚。为了表示的简单,目标函数对单输入/单输出(SISO)控制示出。
可以明白,前两项是未约束的MPC控制器的目标函数,而第三项建立使得控制器输出移动的和等于最佳目标的附加条件。换句话说,前两项建立控制器动态操作目标,而第三项建立稳态优化目标。
可以注意到,与未约束的MPC控制器类似,对于这个控制器的一般的解可以表达为:
ΔMV ( k ) = ( S u T Γ T ΓS u + Γ uT Γ u ) - 1 S uT Γ T Γ E p + 1 ( k ) = K ompc E p + 1 ( k )
其中:
ΔMV(k)是在时间k在MPC控制器输出中的改变;
Kompc是优化的MPC控制器增益;
Su是由SISO模型的大小为pxc的阶跃响应,和具有m个受控输入和n个控制输出的多输入/多输出MIMO模型的大小为p*nxc*m的阶跃响应建立的过程动态矩阵。
对于优化的MPC,动态矩阵被扩展到大小:对于SISO模型为(p+1)×m,对于MIMO模型为(p+m)*n×c*m,以便容纳MV差错。Ep+1(k)是在预测级的CV差错向量和在控制级的控制器输出移动的和相对于MV的目标最佳改变的误差。矩阵Г组合矩阵Гy和Гo,并且对于SISO控制器是大小为(p+1)、对于多变量控制器大小为[n(p+m)]的方阵。上标T表示转置矩阵。
已经确定,因为优化器54根据所有的控制和辅助变量CV和AV来优化以确定定义唯一最佳操作点的一个受控变量MVT的目标集,所以MPC控制器52仅使用在它的控制矩阵中的控制和辅助变量CV和AV的子集来操作以实际产生由其输出的受控变量MV,因为当控制器52向与其相关联的目标驱动所选择的控制和辅助变量CV和AV的子集的时候,控制和辅助变量的全集的其它变量也将在它们的目标值。结果,已经确定具有M×M控制矩阵的方形(M×M)MPC控制器可以与使用矩形(N×M)过程模型的优化器一起使用,以执行过程优化。这使得标准的MPC控制技术能够被用于标准的优化技术而不必以维护人员的近似和在控制器中的与这样的转换技术相关联的风险来反转非方阵。
在一个实施例中,当MPC控制器是正方的时,即受控变量MV的数量等于控制变量CV的数量时,则可以如下通过CV值的改变有效地获得受控变量MV的目标:
ΔCV=A*ΔMVT
ΔMVT-MV的最佳目标改变
ΔCV-用于获得最佳MV的CV改变。CV改变是通过管理CV设定点来实现的。
在操作中,优化器54在每次扫描中建立和更新MPC未约束控制器的稳态目标。因此,MPC控制器52执行未约束算法。因为目标CVT和AVT是以考虑约束的方式设置的,只要存在可行的解,控制器就工作在约束极限内。因此,优化是MPC控制器的一个组成部分。
图3和4说明了图解用于执行集成模型预测控制和优化的步骤的流程图90。流程图90一般被划分成两个部分90a(图3)和90b(图4),图解在过程操作之前发生的功能(90a)和在过程操作期间、如在过程操作的每次扫描期间发生的功能(90b)。在过程操作之前,操作员或工程师采取多个步骤来建立先进控制块38,其中包括集成的MPC控制器和优化器。特别是,在块92,可以选择先进的控制摸板来用作先进控制块38。模板可以被存储在用户接口13上的配置应用内的库中并从其复制,并且可以包括MPC控制器例程52和优化器54的一般的数学和逻辑功能,而没有特定的MPC、过程模型和稳态增益或控制矩阵以及特定的目标函数。这个先进控制模板可以被放置到具有其它块以及其它类型的功能块的模块中,所述其它块诸如被配置用来与在过程50的中设备通信的输入和输出块,功能块诸如控制块,包括PID、神经网络和模糊逻辑控制块。可以理解,在一个实施例中,在一个模块中的块是在面向对象的编程范例中的各个对象,其输入输出彼此连接以执行在块之间的通信。在操作期间,运行模块的处理器在不同的时间利用对块的输入依序运行每个块,以产生块的输出,这些输出随后被提供给由块之间的特定通信链路定义的其它块的输入。
在块94,操作员定义要用在块38中使用的特定受控变量、控制变量、受约束的变量和干扰变量。如果期望的话,在诸如图1的程序40的配置程序中,用户可以查看控制模板,选择要命名和配置的输入和输出,利用在配置环境中的任何标准浏览器进行浏览以找到控制系统内的实际的输入和输出,选择这些实际控制变量作为控制模板的输入和输出控制变量。图5图解了由配置例程建立的屏幕显示,其描述了控制模块DEB_MPC,它包括多个相互连接的功能块,其中包括多个AI(模拟输入)和AO(模拟输出)功能块、多个PID控制功能块和一个作为先进功能块的MPC-PRO功能块。在图5显示左侧的树结构图解了在DEB_MPC模块中的功能块,包括例如块1、C4_AI、C4_DGEN等。
可以明白,用户可以通过在MPC-PRO功能块的输入和输出与其它功能块的输入和输出之间划线来指定MPC-PRO功能块的输入和输出。或者,用户可以选择MPC-PRO块以获得对MPC-PRO块的特性的访问。如图6所示,可以显示的对话框以使得用户能够查看MPC-PRO块的特性。如图6所示,可以对每个控制、受控、干扰和约束(辅助)变量提供不同的标签以提供这些变量的组织结构,这尤其是当诸如20或更多的变量与先进控制块38相关联时是必要的。在对于特定类型的变量的标签内,可以提供说明、低和高限(约束)以及路径名称。另外,用户或操作员可以指定在变量失败情况下要做什么,诸如不采取行动、使用变量的模拟值来取代测量值或接受手工输入。而且,操作员可以指定是否最小化或最大化这个变量以执行与这个变量相关联的优化和优先级或加权和收益值。这些字段当未使用默认目标函数的时候必须被填入。当然,用户可以利用在对话框右侧的适当按键增加、移动、修改或删除信息或变量。
用户可以通过选择变量来指定或改变一个或多个变量的信息。在这种情况下,可以向用户显示对话框,诸如图7的用于REFLUX FLOW受控变量的对话框。用户可以改变在其不同框内的信息并可以通过浏览来指定信息,诸如变量的路径名称(即它的输入或输出连接)。利用图7的屏幕,用户可以选择一个内部浏览按钮或外部浏览按钮来在其内定位了MPC-PRO块的模块内或在模块外部进行浏览。当然,如果期望的话,操作员或用户可以手动提供地址、路径名称、标签名称等,如果期望的话定义到和自先进控制块的输入和输出连接。
在选择了至先进控制功能块的输入和输出之后,用户可以定义与控制变量相关联的设定点,与控制变量、辅助变量和受控变量相关联的范围或极限,以及与每个控制、辅助和受控变量相关联的加权。当然,一些这种信息、诸如约束极限或范围可能在这些变量在过程控制系统配置环境中被选择或发现时已经与这些变量相关联。如果期望的话,在图3的块96,操作员可以通过为每个受控变量、控制变量和辅助变量指定单位成本和/或收益来配置一个或多个用在优化器中的目标函数。当然,此处,操作员可以选择使用如上所述的默认目标函数。图8是由配置例程提供的屏幕显示,所述配置例程使得用户或操作员能够选择一组目标函数之一来用于建立先进控制块。可以明白,用户可以使用诸如由图8提供的屏幕显示来选择一组先前存储的目标函数,在此被图解为标准目标函数和目标函数2-5。
在输入(控制、辅助和干扰变量)被命名和结合到先进控制模板并且加权、极限和设定点与其相关联之后,在图3的块98,先进的控制模板被下载到过程内所选择的控制器中,作为用于控制的功能块。控制块的一般特性和配置这个控制块的方式被说明于美国专利第6,445,963号,题目为“IntegratedAdvanced Control Blocks in Process Control Systems(过程控制系统中的集成先进控制块)”,这个专利被转让给本授让人,在此通过引用将其明确地并入。虽然这个专利说明了在过程控制系统中建立MPC控制器的特性,并且没有讨论优化器可以连接到该控制器的方式,但是应该明白,其连接和配置控制器的一般步骤可以用于在此说明的控制块38,并且模板包括所有在此对于控制块38所讨论的所有逻辑元素,而不仅仅是在该专利中所述的那些。
在任何情况下,在先进控制模板被下载到控制器中之后,操作员可以在块100选择运行控制模板的测试阶段以产生要用于MPC控制器算法中的阶跃响应矩阵和过程模型。如在上述的专利中所述,在测试阶段,在先进控制块38中的控制逻辑向过程提供一系列伪随机波形作为受控变量,并且观察在控制和辅助变量(它们被MPC控制器本质上当作控制变量)中的改变。如果期望的话,可以通过图1的历史单元12来收集受控变量和干扰变量以及控制和辅助变量,操作员可以建立配置程序40(图1)以从历史单元12获得该数据,并以任何方式对该数据实施倾向化,以获得或确定阶跃响应矩阵,每个阶跃响应标识控制或辅助变量之一对于受控变量和控制变量之一(并且仅为一个)的单位改变在时间上的响应。这个单位改变一般是阶跃改变,但是可以是另一种类型的改变,诸如冲击或倾斜改变。另一方面,如果期望的话,控制块38可以响应于当将伪随机波形施加到过程50时收集的数据而产生阶跃响应矩阵,并且随后将波形提供到被建立和安装先进控制块38的操作员或用户使用的操作员接口13。
图9图解了可以由测试例程提供的屏幕显示,以向操作员提供收集和倾向的数据的图表,它们使得操作员能够指导阶跃响应曲线、以及因此在先进控制块的MPC控制器中使用的过程模型或控制矩阵的建立。特别是,图表区域101响应于测试波形而绘制多个输入或输出的数据或其它数据(由操作员先前指定)。条形图区域102提供了一个用于每个倾向数据变量的条形图,为每个倾向的变量图解变量的名称、条形图形式的变量当前值、适用的设定点(由在条形图上的大三角指示)、适用的极限(由在条形图上的小三角指示)。其它显示区域图解了关于先进控制块的其它内容,诸如块的目标和实际模式(104)和到稳态的配置时间(106)。
在建立先进控制块的过程模型之前,操作员可以从趋势图表101图形地指定要使用的数据。特别是,操作员可以指定图表102的开始点和结束点108和110作为要用于建立阶跃响应的数据。在这个区域中的数据可以以诸如绿色的不同的颜色加阴影,以便可视地指示所选择的数据。同样,操作员可以指定在这个加阴影区域中要排除的区域(作为无代表性、噪声或不期望的干扰的影响等)。这个区域被图解在线112和114之间,并且可以被加例如红色阴影,以便指示这个数据不包括在阶跃响应的产生中。当然,用户可以包括或排除任何所期望的数据,并且可以对于多个趋势图表的每个执行这些功能(图9图解了在这种情况下可以获得的8个趋势图表),不同的趋势图表与例如不同的受控变量、控制变量、辅助变量等相关联。
为了建立一组阶跃响应,操作员可以选择在图9的屏幕显示上的建模按键116,并且建立例程将使用从趋势图表所选择的数据来产生一组阶跃响应,每个阶跃响应表示控制或辅助变量之一对受控或干扰变量之一的响应。这个产生过程是公知的,在此不再进一步详细说明。
在建立阶跃响应矩阵之后,在控制和辅助变量的数量超过受控变量的情况下,阶跃响应矩阵被用于选择控制和辅助变量的子集,它将被用于MPC算法来作为要在MPC控制器52内反转和使用的M×M过程模型或控制矩阵。这个选择过程可以由操作员手动或由在例如可以访问阶跃响应矩阵的用户接口13内的例程自动执行。一般而言,控制和辅助变量之中的单独一个将被标识为与受控变量中的单独一个最接近地相关联。因此,控制和辅助变量(对过程控制器的输入)之中的单独和唯一的(即不同的)一个将与不同的受控变量(过程控制器的输出)的每个相关联,以便MPC算法可以基于由M×M组阶跃响应建立的过程模型。
在提供配对中使用试探手段的一个实施例中,自动例程或操作员将选择一个M个(M等于受控变量的数量)控制和辅助变量的集合,以试图选择单个控制或辅助变量并且将这两个变量配对,其中,该单个控制或辅助变量具有最大增益和对在特定受控变量中的单位改变的最快响应时间的一定组合。当然,在一些情况下,特定的控制或辅助变量可以具有对多个受控变量的大增益和快响应时间。在此,那个控制或辅助变量可以与任何相关联的受控变量配对,并且可以事实上与不产生最大增益和最块响应时间的受控变量配对,因为,总的来说,引起较少增益或较慢响应时间的受控变量在可接受的程度上可能不会影响任何其它控制或辅助变量。因此,一方面是受控变量和另一方面是控制或辅助变量的对被选择来在总体的意义上将受控变量与表示对受控变量的最响应的控制变量和辅助变量的子集配对。而且,如果所有的控制变量都未被选作M个控制和辅助变量的子集之一,并且MPC控制器因此不接收所有的控制变量作为其输入,也没有关系,因为由优化器选择的控制和辅助变量目标的集合表示过程的操作点,在该点上未选择的控制(以及未选择的辅助)变量在它们的设定点或在它们的所提供的操作范围内。
当然,因为一方面可能存在几十或甚至几百个控制和辅助变量,而另一方面也可能存在几十或甚至几百个受控变量,因此至少从可视的角度上会难于选择具有对每个不同的受控变量的最佳响应的控制变量和辅助变量的集合。为了克服这个问题,在操作员接口13内的先进控制块产生例程40可以包括或向用户或操作员提供一组屏幕显示以帮助或使得操作员能够对控制和辅助变量进行适当的选择,所述控制和辅助变量应当作为要在操作期间用于MPC控制器52中的控制和辅助变量的子集。
因此,在图3所示的块120,操作员可以被提供一个屏幕,操作员在其中可以查看每个控制和辅助变量对一个特定或选择的受控变量的响应。这样的屏幕被图解在图10中,其中描述多个控制和辅助(标注为约束)变量的每个对被称为TOP_DRAW的受控变量的响应。操作员可以一次一个地滚动通过受控变量,并且查看每个控制和辅助变量对每个不同的受控变量的阶跃响应,并且在过程期间选择对那个受控变量响应最佳的一个控制或辅助变量。典型地,操作员将试图选择具有最高稳态增益和对受控变量的最快响应时间的最佳组合的控制或受控变量。如图11所示,可以使用对话框选择控制和辅助变量之一作为对于这个受控变量最为重要的。如果期望的话,如图11所示,可以以诸如红色的不同颜色来加亮控制和辅助变量中所选择的一个,而先前选择的变量(即已经为其它受控变量选择的控制和辅助变量)可以以诸如黄色的不同颜色加亮。在这个实施例中,控制例程40当然将先前选择的控制和辅助变量存储在存储器中,可以查看以保证操作员不会选择与两个不同的受控变量相关联的相同的控制或辅助变量。如果用户或操作员选择已经为另一个受控变量选择的控制或辅助变量,例程40可以向用户或操作员提供差错消息,通告用户或操作员先前选择的控制或辅助变量的选择。以这种方式,例程40防止对两个或更多的不同受控变量选择相同的控制或辅助变量。
如图12所示,操作员或用户也可以选择查看对于不同的受控变量和干扰变量的每个的不同阶跃响应。图11图解TOP_END_POINT对先前被建立的先进控制块指定的受控和干扰变量的每个的阶跃响应。当然,操作员可以使用图12的屏幕来选择与控制变量TOP_END_POINT相关联的受控变量之一。
可以明白,图10-12的显示屏幕使得操作员可以观察和选择将用作MPC控制算法输入的M个控制和辅助变量的子集,所述MPC控制算法当存在多个这些变量时特别有用。当然,可以根据一些预先建立的标准或选择例程来自动地或电子地选择在块74确定的控制和约束变量的集合,所述预先建立的标准或选择例程可以根据增益响应和时间延迟的一定组合来选择要使用的输入变量,所述增益响应和时间延迟是从被控制的约束变量或受控变量的阶跃响应确定的。
在另一个实施例中,自动选择过程可以通过根据矩阵的条件数量来选择输入/输出矩阵、例如通过最小化条件数量达到所期望的程度和通过随后从控制矩阵得到控制器配置,来首先确定控制矩阵。
在这个示例中,对于过程增益矩阵,可以确定矩阵ATA的条件数量A来测试矩阵的可控性。较小的条件数量一般表示较好的可控性,而较高的条件数量则表示较差的可控性和在动态控制操作期间的更多的控制步骤或移动。对于定义可控性的可接受程度没有严格的标准,因此,可以使用条件数量来作为各种潜在控制矩阵的相对比较和作为对病态矩阵的测试。公知的是,病态矩阵的条件数量接近无限。数学上,病态条件发生在共线的过程变量的情况下——即由于在控制矩阵中的共线行或列。因此,影响条件数量或可控性的主要因素是矩阵行和列之间的交叉相关。在控制矩阵中仔细地选择输入-输出变量可以减少条件问题。实际上,如果控制矩阵的条件数量在几百(如500)或更高,则会有影响。对于这样的矩阵,控制器受控变量变动异常过大。
如上所述,控制矩阵解决动态控制问题。而LP优化器解决稳态优化问题,并且控制矩阵需要是方形输入-输出矩阵,即使MPC控制器块可能具有不同数量的MV(包括AV)和CV也是这样。为了开始选择用于产生控制器的控制矩阵的输入和输出,所有的可获得MV被典型地包括或选择为控制器输出。在选择输出(MV)之后,必须以这样的方式选择作为动态控制矩阵的部分的过程输出变量(即CV和AV),以产生非病态的控制方阵。
现在讨论在控制矩阵内自动或手动选择CV和AV的一种方法,可以明白,也可以使用其它方法。
步骤1-选择CV,如果可能的话直到CV的数量等于MV的数量(即控制器输出的数量)。在CV比MV多的情况下,可以根据诸如优先级、增益或相位响应、用户输入等的任何所期望的标准来以任何顺序选择CV。如果CV的可能的总数量等于MV的数量,则进行到步骤4以测试结果产生的对于可接受性的控制方阵条件数量。如果CV的数量小于MV的数量,可以如在步骤2所述来选择AV。如果不存在定义的CV,则选择相对于MV具有最大增益的AV,并且进行到步骤2。
步骤2-逐个计算每个可能AV的条件数量,所述每个可能AV被加到由先前选择的CV和AV定义的、已经选择的控制矩阵。可以明白,由所选择的CV定义的矩阵将包括每个所选择的CV和AV的行,对于每个先前选择的MV定义那个CV或AV的稳态增益。
步骤3-选择在步骤2确定的、导致所产生的矩阵的最小条件数量的AV,并且将这个矩阵定义为加上所选择的AV的在先的矩阵。如果现在MV的数量等于所选择的CV的数量加上所选择的AV的数量(即,如果矩阵现在是方阵),则进行到步骤4。否则返回步骤2。
步骤4-计算所建立的控制方阵Ac的条件数量。如果期望的话,则可以使用矩阵Ac的条件数量计算而非矩阵Ac TAc,因为这些不同矩阵的条件数量相关为另一个的平方根。
步骤5-如果在步骤4计算的条件数量是可以接受的,则通过选择相对于一个具体的MV具有最大增益的CV或AV直到配对完成来将每个CV和所选择的AV与一个MV相关联。在此,选择过程结束。如果另一方面,条件数量大于最小可接受条件数量,则消除加到控制矩阵的最后一个AV/CV,并且执行步骤6的回绕(wrap-around)程序。
步骤6-对每个所选择的MV执行回绕程序,一次一个,并且计算从每个回绕程序产生的矩阵的条件数量。实质上,通过依序将对每个不同MV的统一响应替换所消除的AV(或CV)来执行回绕程序。该统一响应在矩阵行中的位置之一是统一的,在其它位置为0。实质上,每个特定的MV在这种情况下被用做输入和输出来取代AV,以形成良好条件的控制方阵。作为示例,对于一个4×4矩阵,组合1000、0100、0010、0001被放在增益矩阵Ac的消除AV线的行中。
步骤7-在对每个MV执行回绕程序之后,选择产生最小条件数量的组合。如果没有改进,则保留原始矩阵。此处,通过选择相对于一个具体MV具有最大增益的CV或AV来将每个所选择的CV和所选择的AV与MV相关联,其中除了用于控制本身的MV(即回绕的MV)之外。
当然,由这个程序定义的控制矩阵以及所产生的条件数量可以被提交给用户,而用户可以接受或拒绝所定义的控制矩阵来用于产生控制器。
应当注意,在上述自动程序中,至多仅仅一个MV被选择用于控制本身(即回绕)以改进可控性。在人工程序中,回绕MV的数量可以是任意的。当在控制器配置中没有相应的输出变量选择时,所选择用于控制本身的MV是显然的,而且,如果MV的数量大于CV加上AV的总数量,则可以使用更多的MV作为用于控制的回绕。以这种方式,最后,一个控制方阵仍然被提供到将每个MV作为输出的控制器。可以明白,执行和使用回绕的过程表示选择用于控制矩阵的CV和AV的数量可以小于由控制器控制的MV的数量,其差是作为控制矩阵输入的MV回绕的数量。而且,这个回绕程序可以用于CV加AV少于MV的过程。
当然,上面利用稳态增益来计算条件数量,因此控制矩阵定义对稳态必要的可控性。过程动态(停滞时间,拖后等)和模型不确定性也具有对动态可控性的影响,并且可以通过改变过程变量(如控制和辅助变量)的优先级来考虑这些影响,这可以规定由于它们对动态控制的影响而使得它们包括在控制矩阵中。
还可能利用打算改进稳态和动态可控性的其它试探程序。这样的程序典型地具有多个试探标准,可能一些彼此矛盾,它们被应用于几个阶段来发展控制矩阵,因此选择提供控制矩阵的一些改进的、适当的控制器输入的集合。在一个这样的试探程序中,CV和AV将根据MV基于最高增益关系来分组。然后,对于每个MV组,将选择具有最快动态和重要增益的一个过程输出。这个选择过程可以考虑到置信区间,并且使CV相对于AV优先(所有其余的相同)。过程模型产生例程将随后使用在MPV控制产生期间对每个组选择的参数。因为对每个MV仅仅选择一个参数,因此响应矩阵是方形的并且可以被反转。
在任何情况下,在选择输入到MPC控制器的M(或更少)个控制和辅助变量的子集之后,图3的块124从确定的控制方阵产生用于图2的MPC控制算法86的过程模型或控制器。公知的是,这个控制器产生步骤是计算密集的程序。块126随后向控制块38下载这个MPC过程模型(固有地包括控制矩阵)或控制器和——如果需要的话——阶跃响应和稳态阶跃响应增益矩阵,并且这个数据被并入控制块38中用于操作。此时,控制块38准备好用于在过程50中的在线操作。
如果期望的话,可以用不同于这些阶跃响应的产生方式来重新配置或提供过程阶跃响应。例如,可以从不同的模型复制阶跃响应,并提供到例如图10-12的屏幕以指定某个控制或辅助变量对受控变量或干扰变量的阶跃响应。图13图解了一个屏幕显示,其中,用户可以选择和复制特定过程或模型的阶跃响应之一、然后删除或向不同的模型粘贴那个相同的响应、并且将那个阶跃响应粘贴到新的模型,以便因此使得用户能够手动指定阶跃响应模型。当然,作为这个过程的一部分,用户可以删除如上所述自动产生的一个或多个阶跃响应模型。
图14图解了一个屏幕显示,其中,用户可以查看阶跃响应中更特殊的一个(在此为TOP_END_POINT对TOP_DRAW的阶跃响应)。这个阶跃响应的参数,诸如稳态增益、响应时间、一阶时间常数和均方误差,被图解在显示上以使用户或操作员易于引用。如果期望的话,用户可以通过指定不同的参数来查看和改变这个阶跃响应的特性,所述不同的参数如果期望的话诸如为不同的增益或时间常数。如果用户指定了不同的增益或其它参数,阶跃响应模型可以被以数学方式自动再生以具有这个新参数或参数集。当用户知道阶跃响应的参数并且需要改变所产生的阶跃响应以匹配或符合这些参数时,这个操作是有用的。
现在参见图4,在图解在线操作的过程50的同时,图解了在利用图3的流程图90a建立的先进控制块38的每个操作周期或扫描周期内执行的一般步骤。在块150,MPC控制器52(图2)接收和处理控制和辅助变量CV和AV的测量值。特别是,控制预测过程模型处理CV、AV和DV测量或输入以产生未来控制参数向量,以及预测的稳态控制和辅助变量CVSS和AVSS
接着,在块152,输入处理/过滤块58(图2)处理或过滤由MPC控制器52发展的、预测的控制变量和辅助变量和受控变量CVSS、AVSS和MVSS,并且将这些过滤的值提供给优化器54。在块154,优化器54执行标准LP技术以确定M个受控变量目标MVT的集合,所述M个受控变量目标MVT最大化或最小化所选择的或默认的目标函数,同时不损害辅助变量和受控变量的任何极限,并且同时将控制变量保持在它们的指定设定点或在这些变量的指定范围内。一般而言,优化器54将通过强制使每个控制变量和辅助变量符合它们的极限来计算目标受控变量解MVT。如上所述,在许多情况下,存在这样的解,其中,每个控制变量在它们的设定点(它可能起初被作为控制变量的上限),而同时每个辅助变量保持在它们各自的约束极限内。如果是这样,则优化器54仅仅需要输出产生目标函数的最佳结果的确定的受控变量目标MVT
但是在一些情况下,由于对一些或全部辅助变量或受控变量的严格极限,不可能找到这样的操作点,在该点所有的控制变量都在它们的设定点,并且所有的辅助变量都在它们各自的约束极限内,因为这样的解不存在。在这些情况下,如上所述,优化器54可以允许控制变量在它们的指定设定点范围内放松以便找到这样的一个操作点,在此辅助变量操作在它们各自的极限内。如果在这种情况下不存在解,则优化器可以将作为解内的一个极限的辅助变量约束极限之一删除,并且在忽略所删除的辅助变量约束极限的情况下,代之以确定最佳过程操作点。在此,优化器根据对每个控制和辅助变量提供的各个加权来选择将作为约束极限删除那个辅助或控制变量(例如首先删除最低加权或最高优先级)。优化器54根据其提供的加权或优先级继续删除辅助变量或控制变量直到找到一个目标受控变量MVT解,其中满足了所有控制变量的设定点范围和剩余的、更高优先级辅助变量的极限。
接着,在块156,目标转换块55(图2)使用稳态阶跃响应增益矩阵来从受控变量MVT的目标值来确定控制和辅助变量CVT和AVT的目标值,并且向MPC控制器52提供这些值的所选择的N(其中N等于或小于M)子集来作为目标输入。在块158,MPC控制器52使用从中导出的控制矩阵或逻辑以作为如上所述的未约束MPC控制器进行操作,以确定这些目标值的未来CV和AV向量,并且执行与未来控制参数向量的向量相减以产生未来差错向量。MPC算法以公知的方式来根据从M×M阶跃响应得到的过程模型来确定稳态受控变量MVSS,并将这些MVSS值提供到输入处理/过滤块58(图2)。在块160,MPC算法也确定要输出到过程50的MV阶跃,并且以任何合适的方式将这些阶跃的第一个输出到过程50。
在操作期间,在例如接口13之一中运行的一个或多个监控应用可以从先进控制块或与其可通信地连接的其它功能块,直接或通过历史单元12申请信息,并且向用户或操作员提供一个或多个查看或诊断屏幕,用于查看先进控制块的操作状态。功能块技术的特征有在控制和输出功能块上的级联输入(CAS_IN)和远程级联输入(RCAS_IN)以及对应的反算输出(BKCAL_OUT和RCAS_OUT)。有可能利用这些连接器来将监管优化的MPC控制策略附加在现有的控制策略的顶部,并且可以利用一个或多个观察屏幕或显示来查看这个监管控制策略。同样,如果期望的话,也可以从一个策略来修改优化的MPC控制器的目标。
图15是一个示例屏幕显示,它可以通过一个或多个这样的查看应用来产生,它图解了优化器对话屏,这个对话屏向涉及先进控制块操作的操作员在其操作期间提供信息。特别是,过程的输入(受控变量MV)和输出(控制和辅助变量CV和AV)被分别图解。对于这些变量的每个,屏幕显示图解了变量的名称(描述符)、所测量的当前值、适用的设定点、由优化器计算的目标值、变量改变的单位和单位值、当前变量值的指示。对于输出变量,还指明这个变量是否是用于MPC控制器中的所选择变量之一、由MPC控制器确定的这个变量的预测值、这个变量的预先设置的优先级的指示。这个屏幕使得操作员能够查看先进控制块的当前操作状态以查看先进控制块执行控制的方式。而且,用户可以配置用于远程设定点能力的一些被控的参数,以便外部应用可以设置用于流量协调的操作目标。
图16是一个屏幕显示,它可以通过诊断应用来产生,它图解了一个诊断屏幕,这个诊断屏幕可以被提供给用户或操作员以执行对先进控制块的诊断。特别是,图16的诊断屏幕分别图解了控制和约束(辅助)变量、受控变量和干扰变量。对于每个,变量的名称或描述符与(在第一列中的)是否对这个变量存在差错或警告条件的指示一起被提供。可以利用例如绿色检查标记或红色“x”或任何其它所期望的方式来图形地图解这样的差错或警告。对这些变量的每个还指示一个值和状态。对于受控变量,图解了这些信号的Back_Cal(反算或反馈)变量的值或状态。可以明白,这个屏幕可以用于通过向操作员提供确定控制系统内问题所需要的信息来执行对先进控制块的诊断。当然,可以将其它类型的屏幕或信息提供给操作员,以使得操作员查看先进控制块的操作和执行对先进控制块以及实现其的模块的诊断。
虽然在此将先进控制块图解为具有定位于同一功能块内、并且因此在与MPC控制器相同的设备中被执行的优化器,但是还可能在独立的设备中实现优化器。特别是,优化器可以位于诸如用户工作站13之一的不同的设备中,并且在控制器的每个执行或扫描期间与结合图2所述的MPC控制器通信,以便计算和向MPC控制器提供目标受控变量(MVT)或由其确定的控制和辅助变量(CV和AV)的子集。当然,诸如公知的OPC接口的特殊接口可以被用于在控制器和其中具有MPC控制器的功能块和实现或执行优化器的工作站或其它计算机之间的通信接口。如参照图2所述的实施例中那样,优化器和MPC控制器必须在每次扫描周期内仍然彼此通信以执行集成的优化MPC控制。但是,在这种情况下,也可以使用其它所期望类型的优化器,诸如可能已经存在于过程控制环境中的、公知的或标准的实时优化器。如果优化问题是非线性的并且解要求非线性规划技术。则也可以有益地使用这个特征。
虽然在此说明的先进控制块和其它块或例程已经被描述为与Fieldbus和4-20ma标准设备相结合地被使用,当然也可以利用任何其它的过程控制通信协议或编程环境来实现它们,并且它们也可以用于任何其它类型的设备、功能块或控制器。虽然最好以软件实现在此说明的先进控制块和相关联的产生和测试例程,但是也可以以硬件、固件等来实现它们,并且可以用与过程控制系统相关联的任何其它处理器来执行它们。因此,如果期望的话,在此说明的例程40可以被实现在标准多用途CPU中或在诸如ASIC的特殊设计的硬件或固件上。当以软件实现时,所述软件可以被存储在任何计算机可读的存储器中,诸如磁盘、激光盘、光盘或其它存储介质中,在计算机或处理器的RAM或ROM中,等等。同样,这个软件可以经由任何已知的或所期望的提供方法被提供到用户或过程控制系统,所述提供方法包括例如在计算机可读盘或其它可传送的计算机存储机构上、或者通过诸如电话线、因特网等的通信信道调制(这被看作与经由可传送的存储介质提供软件相同或可交换)。
因此,虽然已经参照特定的示例说明了本发明,并且所述示例旨在仅仅说明性的而非对本发明的限定,但是对本领域的技术人员显然的是,在不脱离本发明的精神和范围的情况下,可以对所公开的实施例进行改变、增加或删除。

Claims (62)

1.一种过程控制系统,用于控制过程,包括:
多输入/多输出控制器,用于在过程控制系统的每个操作周期内产生多个控制输出,它们被配置用于在过程控制系统的每个操作周期内根据来自过程的多个测量的输入和根据一组提供给该多输入/多输出控制器的目标值来控制过程;
优化器,用于在过程控制系统的每个操作周期内产生由该多输入/多输出控制器使用的该组目标值。
2.按照权利要求1所述的过程控制系统,其中,所述优化器是二次规划优化器。
3.按照权利要求1所述的过程控制系统,其中,所述优化器是线性规划优化器。
4.按照权利要求3所述的过程控制系统,其中,所述多输入/多输出控制器是模型预测控制器。
5.按照权利要求1所述的过程控制系统,其中,所述多输入/多输出控制器是模型预测控制器。
6.按照权利要求1所述的过程控制系统,其中,所述多输入/多输出控制器是由具有相同输入输出数的控制方阵产生的。
7.按照权利要求1所述的过程控制系统,其中,所述优化器包括目标函数,它定义与过程的至少一个输入相关联的和与过程的至少一个输出相关联的成本或收益。
8.按照权利要求1所述的过程控制系统,其中,所述优化器根据过程的控制和辅助输出的预测稳态值来产生所述目标值组。
9.按照权利要求1所述的过程控制系统,其中,所述优化器是包括目标函数的线性或二次规划优化器,该优化器用于最小化或最大化目标函数,并且将一组控制变量保持在预定的设定点、将一组辅助变量保持在一组预定的辅助变量约束极限内、将一组受控变量保持在一组预定的受控变量约束极限内,如果没有解,则使至少一个控制变量保持在预定的设定点范围内。
10.按照权利要求1所述的过程控制系统,其中,所述优化器是包括目标函数的线性或二次规划优化器,该优化器用于最小化或最大化目标函数并且将一组控制变量保持在预定的设定点极限内、将一组辅助变量保持在一组预定的辅助变量极限内、将一组受控变量保持在一组预定的受控变量极限内,如果没有解,则使至少一个辅助变量的极限被损害。
11.按照权利要求10所述的过程控制系统,其中,所述优化器用于为一组辅助变量存储一组优先级编号,以及其中,该优化器使用所述优先级编号来确定要被损害的至少一个辅助变量极限。
12.一种过程控制系统,用于控制一个过程,包括:
优化器,用于根据过程控制变量和辅助变量预测值的第一数量和根据过程受控变量当前值的第二数量来确定过程的优化操作点;
多输入/多输出控制器,用于根据过程的控制变量和辅助变量预测值的第一数量的预定子集来产生受控控制信号的第二数量,以控制过程的受控变量,其中,该预定子集在数量上不同于过程控制变量和辅助变量的第一数量。
13.按照权利要求12所述的过程控制系统,其中,所述预定子集小于或等于受控变量的第二数量。
14.按照权利要求12所述的过程控制系统,其中,所述多输入/多输出控制器是包括控制方阵的模型预测控制器。
15.按照权利要求14所述的过程控制系统,其中,所述控制方阵包括作为输入的过程控制变量和辅助变量,和作为输出的过程受控变量,并且包括与受控变量数量相等的多个控制变量和辅助变量。
16.按照权利要求14所述的过程控制系统,其中,所述控制方阵包括作为输入的过程控制变量和辅助变量,和作为输出的过程受控变量,并且包括数量少于受控变量的多个控制变量和辅助变量,并具有至少一个作为受控变量输出和控制变量输入的受控变量。
17.按照权利要求16所述的过程控制系统,其中,被分配作为受控变量输出和控制变量输入的至少一个受控变量的数量等于受控变量总数和用作控制矩阵的控制变量输入的控制变量和辅助变量的数量之差。
18.按照权利要求16所述的过程控制系统,其中,所述至少一个用作受控变量输出和控制变量输入的受控变量包括具有统一增益的阶跃响应。
19.按照权利要求14所述的过程控制系统,其中,所述模型预测控制器被产生用来最小化在预测级上的均方控制误差和最小化在控制级上受控变量的变动。
20.按照权利要求19所述的过程控制系统,其中,所述模型预测控制器被产生用来获得与受控变量的最佳目标改变相等的在控制级上的受控变量变动的和。
21.按照权利要求19所述的过程控制系统,其中,可以任意调整最小化预测级均方误差和最小化受控变量变动的满意度。
22.按照权利要求19所述的过程控制系统,其中,可以任意调整获得受控变量的最佳目标改变的满意度。
23.按照权利要求12所述的过程控制系统,其中,所述优化器是线性或二次规划优化器。
24.按照权利要求23所述的过程控制系统,其中,所述优化器对于控制变量和辅助变量的第一数量的预定子集产生一组目标值,并且所述多输入/多输出控制器将该第一数量的控制变量和辅助变量的预定子集的目标值与第一数量的控制变量和辅助变量的预定子集的测量值相组合,以产生受控控制信号。
25.按照权利要求24所述的过程控制系统,其中,所述多输入/多输出控制器产生一组预测控制和辅助变量和一组预测受控变量,以及其中,所述优化器使用所述预测控制和辅助变量组和所述预测受控变量组来产生控制和辅助变量的第一数量的预定子集的目标值组。
26.按照权利要求25所述的过程控制系统,其中,还包括响应矩阵,它定义第一数量的控制和辅助变量的每个对第二数量的受控变量中的每个的反应,其中,所述优化器产生一组定义最佳操作点的目标受控变量值,并且所述优化器使用该响应矩阵来从所述目标受控变量值组确定第一数量的控制和辅助变量的预定子集的目标值。
27.按照权利要求26所述的过程控制系统,其中,所述优化器用于产生最大化或最小化目标函数的一组目标受控变量值,并且同时将每个控制变量保持在预定的设定点、将每个辅助变量和受控变量保持在预定的约束极限内。
28.按照权利要求27所述的过程控制系统,其中,所述优化器用于产生最大化或最小化目标函数的一组目标受控变量值,并且当不存在使每个控制变量保持在预定的设定点并且使每个辅助变量和受控变量保持在预定的约束极限内的解时,将每个控制变量保持在预定的设定点极限内、将每个辅助变量和受控变量保持在约束极限内。
29.按照权利要求28所述的过程控制系统,其中,所述优化器用于产生最大化或最小化目标函数的一组目标受控变量值,并且当不存在使每个控制变量保持在预定设定点极限内并且使每个辅助变量和受控变量保持在预定的约束极限内的解时,将每个控制变量保持在预定设定点极限内、将受控变量保持在预定约束极限内,同时允许一个或多个辅助变量根据与辅助变量相关联的优先级来损害预定的约束极限。
30.一种控制过程的方法,所述过程具有多个受控变量和多个能够被受控变量中的改变影响的控制变量和辅助变量,其中,所述多个受控变量在数量上不同于所述多个控制变量和辅助变量,所述方法包括:
选择多个控制和辅助变量的子集,用于执行过程控制;
利用所选择的多个控制变量和辅助变量和多个受控变量的子集来建立控制矩阵;
从该控制矩阵产生控制器,将所选择的多个控制变量和辅助变量的子集作为输入,将所述多个受控变量作为输出;
通过根据多个受控变量和多个控制变量和辅助变量选择过程操作点来最小化或最大化目标函数来执行过程优化,所述过程操作点由用于所选择的多个控制变量和辅助变量的子集的一组目标值定义;
利用从所述控制矩阵产生的控制器执行多输入/多输出控制技术,以从多个控制变量和辅助变量的所选择子集的目标值和多个控制变量和辅助变量的所选择子集的测量值产生一组受控变量值;
使用所产生的受控变量值组来控制过程。
31.按照权利要求30所述的方法,其中,所述执行过程优化和执行多输入/多输出控制技术的步骤在过程的连续扫描期间执行。
32.按照权利要求30所述的方法,其中,所述选择多个控制变量和辅助变量的子集和建立控制矩阵的步骤在过程在线操作之前执行。
33.按照权利要求30所述的方法,其中,所述选择多个控制变量和辅助变量子集的步骤包括根据控制矩阵的最小条件数量来选择在多个控制变量和辅助变量子集内的每个控制变量和辅助变量。
34.按照权利要求30所述的方法,其中,所述选择多个控制变量和辅助变量子集的步骤包括根据控制变量和辅助变量之一对受控变量之一的增益响应来选择对受控变量之一最响应的控制变量或辅助变量。
35.按照权利要求30所述的方法,其中,所述选择多个控制变量和辅助变量子集的步骤包括根据控制变量和辅助变量之一对受控变量之一的响应时间来选择对受控变量之一最响应的控制变量和辅助变量。
36.按照权利要求30所述的方法,其中,所述选择多个控制变量和辅助变量子集的步骤包括根据控制变量和辅助变量之一对受控变量之一的增益响应和响应时间的组合来选择对受控变量之一最响应的控制变量和辅助变量。
37.按照权利要求30所述的方法,其中,所述执行多输入/多输出过程控制技术的步骤包括执行模型预测控制技术的步骤。
38.按照权利要求37所述的方法,其中,所述执行过程优化的步骤包括执行线性或二次规划技术的步骤。
39.按照权利要求30所述的方法,其中,所述选择多个控制变量和辅助变量子集的步骤包括对多个受控变量的每个选择单独的和不同的一个控制变量和辅助变量的步骤。
40.一种过程控制元素,用作在处理器上实现的过程控制例程的一部分,以利用多个受控参数来控制过程的多个控制和辅助参数,所述过程控制元素包括:
计算机可读介质;
存储在该计算机可读介质上的功能块,用于在处理器上被执行,以在每个控制扫描周期内实现过程的多输入/多输出控制,所述功能块包括:
目标函数,根据多个控制和辅助参数来定义优化标准;
优化器例程,在每个控制扫描周期内,使用该目标函数来产生对控制和辅助参数的一组最佳目标值;
控制矩阵,它将多个控制和辅助参数的预定子集与多个受控参数相关联;
多输入/多输出控制例程,它利用用于多个控制和辅助变量子集的控制矩阵和目标值在每个控制扫描周期内产生用于多个受控参数的每个的控制信号,其中,所述控制信号被确定来将多个控制和辅助参数的子集驱动到控制和辅助参数子集的最佳目标值。
41.按照权利要求40所述的过程控制元素,其中,所述优化器例程包括线性或二次规划例程。
42.按照权利要求41所述的过程控制元素,其中,所述多输入/多输出控制例程包括模型预测控制例程。
43.按照权利要求42所述的过程控制元素,其中,所述控制矩阵是方阵,并且使用第一数量的控制和辅助参数和第一数量的受控参数,以及其中,所述目标函数根据第二数量的控制和辅助参数来定义优化标准,其中,该第二数量不同于所述第一数量。
44.按照权利要求40所述的过程控制元素,其中,所述目标函数是用户在过程操作期间可选择的。
45.按照权利要求40所述的过程控制元素,其中,还包括多个不同的可能目标函数,它们可以被选择作为由优化器例程使用的目标函数。
46.按照权利要求40所述的过程控制元素,其中,所述功能块包括一个存储器,用于存储一组控制参数设定点和一组辅助和受控参数极限,以及其中,所述优化器例程被配置来确定受控参数的最佳目标值组,它导致控制参数在控制参数设定点、控制和辅助参数在控制和辅助参数极限内、目标函数被最小化或最大化。
47.按照权利要求46所述的过程控制元素,其中,所述存储器还存储一组控制参数设定点极限,所述优化器例程用于产生受控参数的最佳目标值组,它们最大化或最小化目标函数,并且当不存在将控制参数保持在控制参数设定点、并且将辅助和受控参数保持在辅助和受控参数极限内的解时,使每个控制参数保持在控制参数设定点极限内、使每个辅助参数和受控参数保持在控制和辅助参数极限内。
48.按照权利要求40所述的过程控制元素,其中,所述存储器还存储一组辅助参数优先级指示,以及所述优化器例程用于产生一组目标受控参数,它们最大化或最小化目标函数,并且当不存在将每个控制参数保持在控制参数设定点极限内并且将每个辅助参数和受控参数保持在辅助和受控参数极限内的解时,将每个控制参数保持在控制参数设定点极限内,同时允许一个或多个辅助参数根据辅助参数的优先级指示来损害辅助参数极限。
49.按照权利要求40所述的过程控制元素,其中,所述控制例程用于产生对每个控制参数、辅助参数和受控参数的预测值,并且向优化器例程提供所述对每个控制参数、辅助参数和受控参数的预测值,以及其中,所述优化器例程用于使用对控制参数、辅助参数和受控参数的预测值来确定控制和辅助参数子集的目标值。
50.一种执行过程控制的方法,所述过程具有由第二数量的受控变量控制的第一数量的控制变量和辅助变量,所述方法包括:
确定一个阶跃响应矩阵,它定义每个控制和辅助变量对在每个受控变量中的改变的响应;
选择控制和辅助变量的子集,所述子集具有与受控变量相同数量或比其少的控制和辅助变量;
从控制变量和辅助变量和受控变量的所选择子集的响应矩阵中的响应建立控制方阵;
在每个过程扫描期间:
获得对控制和辅助变量的每个所选择子集的测量;
为控制和辅助变量的每个所选择子集计算最佳操作目标值;
利用控制和辅助变量的每个所选择子集的目标值、对控制和辅助变量的所选择子集的测量和控制矩阵来执行多输入/多输出控制例程,以产生一组受控参数信号;
使用受控参数信号来控制过程。
51.按照权利要求50所述的执行过程控制的方法,其中,所述选择子集和建立控制方阵的步骤在过程的在线操作之前执行。
52.按照权利要求50所述的执行过程控制的方法,其中,所述选择控制和辅助变量子集的步骤包括选择对受控变量之一最响应的控制变量或辅助变量。
53.按照权利要求50所述的执行过程控制的方法,其中,所述选择控制和辅助变量子集的步骤包括根据控制和辅助变量之一对受控变量之一的增益响应来选择对受控变量之一最响应的控制变量或辅助变量。
54.按照权利要求50所述的执行过程控制的方法,其中,所述选择控制和辅助变量子集的步骤包括根据控制和辅助变量之一对受控变量之一的响应时间来选择对受控变量之一最响应的控制变量或辅助变量。
55.按照权利要求50所述的执行过程控制的方法,其中,所述选择控制和辅助变量的子集步骤包括根据控制和辅助变量之一对受控变量之一的增益响应和响应时间的组合来选择对受控变量之一最响应的控制变量或辅助变量。
56.按照权利要求50所述的执行过程控制的方法,其中,所述选择控制和辅助变量子集的步骤包括根据响应矩阵自动选择控制和辅助变量的子集。
57.按照权利要求50所述的执行过程控制的方法,其中,所述选择控制和辅助变量子集的步骤包括确定包括控制和辅助变量所选择子集的矩阵的条件数量。
58.按照权利要求50所述的执行过程控制的方法,其中,所述建立控制方阵的步骤包括使用过程的控制和辅助变量作为输入,使用过程的受控变量作为输出,并且选择少于受控变量数量的控制和辅助变量,以及选择至少一个受控变量作为控制变量输入。
59.按照权利要求50所述的执行过程控制的方法,其中,所述执行多输入/多输出控制例程的步骤包括执行模型预测控制技术的步骤。
60.按照权利要求59所述的执行过程控制的方法,其中,所述计算最佳操作目标值的步骤包括执行线性或二次规划技术。
61.按照权利要60所述的执行过程控制的方法,其中,所述执行线性规划技术的步骤包括使用一个目标函数,它根据第一数量的控制和辅助变量和第二数量的受控变量来定义过程的最佳操作。
62.按照权利要求61所述的执行过程控制的方法,还包括:选择目标函数的预定组之一来作为在线性规划技术中使用的目标函数。
CNB031584985A 2002-09-11 2003-09-11 在过程控制系统中的集成模型预测控制和最佳化 Expired - Lifetime CN100381956C (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US10/241,350 US7376472B2 (en) 2002-09-11 2002-09-11 Integrated model predictive control and optimization within a process control system
US10/241,350 2002-09-11

Publications (2)

Publication Number Publication Date
CN1490690A true CN1490690A (zh) 2004-04-21
CN100381956C CN100381956C (zh) 2008-04-16

Family

ID=29250253

Family Applications (3)

Application Number Title Priority Date Filing Date
CN2011104459997A Pending CN102566415A (zh) 2002-09-11 2003-09-11 集成模型预测控制和优化器功能块的配置和观察显示器
CN2006101686199A Expired - Lifetime CN1975611B (zh) 2002-09-11 2003-09-11 过程控制系统优化程序中的约束和限制可行性处理
CNB031584985A Expired - Lifetime CN100381956C (zh) 2002-09-11 2003-09-11 在过程控制系统中的集成模型预测控制和最佳化

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN2011104459997A Pending CN102566415A (zh) 2002-09-11 2003-09-11 集成模型预测控制和优化器功能块的配置和观察显示器
CN2006101686199A Expired - Lifetime CN1975611B (zh) 2002-09-11 2003-09-11 过程控制系统优化程序中的约束和限制可行性处理

Country Status (6)

Country Link
US (3) US7376472B2 (zh)
JP (2) JP4413563B2 (zh)
CN (3) CN102566415A (zh)
DE (2) DE10362408B3 (zh)
GB (1) GB2394313B (zh)
HK (1) HK1063224A1 (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101713988A (zh) * 2008-10-07 2010-05-26 艾默生过程管理电力和水力解决方案有限公司 两阶段模型预测控制技术
CN101446804B (zh) * 2007-11-26 2010-11-24 北京北方微电子基地设备工艺研究中心有限责任公司 一种工艺控制方法和装置
CN103257572A (zh) * 2012-11-29 2013-08-21 浙江大学 分馏系统中稳态优化的软约束控制方法
CN103365207A (zh) * 2012-03-28 2013-10-23 新奥科技发展有限公司 一种工业过程的控制方法和设备
CN103365206A (zh) * 2012-03-28 2013-10-23 新奥科技发展有限公司 一种工业过程的控制方法和设备
CN101055468B (zh) * 2006-04-13 2015-12-16 费舍-柔斯芒特系统股份有限公司 生成过程模型的方法
CN105229541A (zh) * 2013-05-28 2016-01-06 核心股份有限公司 过程控制方法
CN105388859A (zh) * 2014-08-29 2016-03-09 通用电气公司 用于多输入多输出设备的基于自适应模型的控制的方法和系统
CN105988402A (zh) * 2015-03-23 2016-10-05 费希尔控制产品国际有限公司 具有回路和阀控制能力的集成过程控制器
CN106094527A (zh) * 2010-03-02 2016-11-09 费希尔-罗斯蒙特系统公司 快速过程模型识别和生成
CN106325066A (zh) * 2015-06-30 2017-01-11 三菱日立电力系统株式会社 控制参数最佳化系统及具备该系统的运行控制最佳化装置
CN106647250A (zh) * 2015-10-30 2017-05-10 中国科学院沈阳自动化研究所 基于离线优化/在线查表方式的双层结构预测控制方法
CN108549228A (zh) * 2018-04-18 2018-09-18 南京工业大学 一种基于交叉评估的多变量dmc系统模型失配通道定位方法
WO2019041145A1 (zh) * 2017-08-29 2019-03-07 西门子公司 一种数据读取周期的确定方法和装置
CN110462531A (zh) * 2017-03-24 2019-11-15 三菱电机株式会社 用于控制机器操作的模型预测控制系统和方法
CN112534363A (zh) * 2019-02-25 2021-03-19 欧姆龙株式会社 预测控制开发装置、预测控制开发方法及预测控制开发程序
US20210216050A1 (en) * 2018-02-05 2021-07-15 Honeywell International Inc. Method and system to provide cost of lost opportunity to operators in real time using advance process control
CN113485109A (zh) * 2021-07-12 2021-10-08 山东大学 一种基于可变优先级的变流器动态级联控制方法及系统
CN113574475A (zh) * 2019-03-15 2021-10-29 3M创新有限公司 确定用于控制环境的因果模型
CN115963795A (zh) * 2023-01-04 2023-04-14 浙江中智达科技有限公司 一种流程工业控制方法、装置、设备及存储介质

Families Citing this family (220)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7050863B2 (en) * 2002-09-11 2006-05-23 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
DE10341762B4 (de) * 2002-09-11 2014-05-15 Fisher-Rosemount Systems, Inc. Handhabung der Realisierbarkeit von Beschränkungen und Grenzen in einem Optimierer für Prozesssteuerungssysteme
US7376472B2 (en) 2002-09-11 2008-05-20 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
DE10242919A1 (de) * 2002-09-16 2004-03-25 Siemens Ag System zur virtuellen Prozessanbindung über Remote Desktop Protocol (RDP)
US7493309B2 (en) * 2003-01-16 2009-02-17 International Business Machines Corporation Framework for dynamic analysis of varying structured data using multiple analysis techniques
JP3963174B2 (ja) * 2003-03-14 2007-08-22 オムロン株式会社 表示・編集装置及び表示方法並びにプログラム
US7272454B2 (en) * 2003-06-05 2007-09-18 Fisher-Rosemount Systems, Inc. Multiple-input/multiple-output control blocks with non-linear predictive capabilities
GB0320670D0 (en) * 2003-09-04 2003-10-01 Curvaceous Software Ltd Multi-variable operations
US10086511B2 (en) 2003-11-10 2018-10-02 Brooks Automation, Inc. Semiconductor manufacturing systems
US8639365B2 (en) * 2003-11-10 2014-01-28 Brooks Automation, Inc. Methods and systems for controlling a semiconductor fabrication process
US8639489B2 (en) * 2003-11-10 2014-01-28 Brooks Automation, Inc. Methods and systems for controlling a semiconductor fabrication process
US20070282480A1 (en) * 2003-11-10 2007-12-06 Pannese Patrick D Methods and systems for controlling a semiconductor fabrication process
US7400933B2 (en) * 2004-02-06 2008-07-15 Wisconsin Alumni Research Foundation SISO model predictive controller
US7502715B1 (en) * 2004-09-21 2009-03-10 Asml Netherlands B.V Observability in metrology measurements
US7554970B2 (en) * 2004-10-13 2009-06-30 Alcatel Lucent Simulated annealing for traffic matrix estimation
US8645513B2 (en) * 2004-12-14 2014-02-04 International Business Machines Corporation Automation of information technology system development
US11477093B2 (en) * 2004-12-14 2022-10-18 Kyndryl, Inc. Coupling of a business component model to an information technology model
US7568022B2 (en) * 2004-12-14 2009-07-28 International Business Machines Corporation Automated display of an information technology system configuration
US7523092B2 (en) * 2004-12-14 2009-04-21 International Business Machines Corporation Optimization of aspects of information technology structures
US8028334B2 (en) * 2004-12-14 2011-09-27 International Business Machines Corporation Automated generation of configuration elements of an information technology system
US7937462B2 (en) * 2004-12-14 2011-05-03 International Business Machines Corporation Verification of correctness of networking aspects of an information technology system
US7467614B2 (en) 2004-12-29 2008-12-23 Honeywell International Inc. Pedal position and/or pedal change rate for use in control of an engine
US20060200552A1 (en) * 2005-03-07 2006-09-07 Beigi Mandis S Method and apparatus for domain-independent system parameter configuration
ES2259931B1 (es) * 2005-04-12 2007-10-16 Model Predictive Control, S.L. Procedimiento para obtener un sistema de contr0l digital predictivo cuasi-optimo con requisitos computacionales reducidos.
US20060265098A1 (en) * 2005-05-18 2006-11-23 Infineon Technologies Richmond, Lp System and method for real time prediction and/or inheritance of process controller settings in a semiconductor manufacturing facility
US7127304B1 (en) * 2005-05-18 2006-10-24 Infineon Technologies Richmond, Lp System and method to predict the state of a process controller in a semiconductor manufacturing facility
GB0515726D0 (en) * 2005-07-30 2005-09-07 Curvaceous Software Ltd Multi-variable operations
US7389773B2 (en) 2005-08-18 2008-06-24 Honeywell International Inc. Emissions sensors for fuel control in engines
US7877154B2 (en) * 2005-09-30 2011-01-25 Fisher-Rosemount Systems, Inc. Method and system for controlling a batch process
US7451004B2 (en) * 2005-09-30 2008-11-11 Fisher-Rosemount Systems, Inc. On-line adaptive model predictive control 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
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
US7738975B2 (en) * 2005-10-04 2010-06-15 Fisher-Rosemount Systems, Inc. Analytical server integrated in a process control network
WO2007067645A2 (en) 2005-12-05 2007-06-14 Fisher-Rosemount Systems, Inc. Multi-objective predictive process optimization with concurrent process simulation
US7525929B2 (en) * 2005-12-19 2009-04-28 Alcatel Lucent Fast simulated annealing for traffic matrix estimation
US7376471B2 (en) * 2006-02-21 2008-05-20 United Technologies Corporation System and method for exploiting a good starting guess for binding constraints in quadratic programming with an infeasible and inconsistent starting guess for the solution
US20070234014A1 (en) * 2006-03-28 2007-10-04 Ryotaro Kobayashi Processor apparatus for executing instructions with local slack prediction of instructions and processing method therefor
US7768973B2 (en) * 2006-04-21 2010-08-03 Fujitsu Limited Proportional fair scheduler for OFDMA wireless systems with QOS constraints
US7756591B2 (en) * 2006-04-25 2010-07-13 Pegasus Technologies, Inc. System for optimizing oxygen in a boiler
US7496413B2 (en) * 2006-05-03 2009-02-24 Honeywell Asca Inc. Apparatus and method for coordinating controllers to control a paper machine or other machine
US8005575B2 (en) 2006-06-01 2011-08-23 General Electric Company Methods and apparatus for model predictive control in a real time controller
US20080071395A1 (en) * 2006-08-18 2008-03-20 Honeywell International Inc. Model predictive control with stochastic output limit handling
US7930044B2 (en) * 2006-09-07 2011-04-19 Fakhruddin T Attarwala Use of dynamic variance correction in optimization
EA200970281A1 (ru) * 2006-09-15 2009-08-28 Абб Ас Способ оптимизации добычи, используемый в системе добычи нефти и/или газа
US7949417B2 (en) * 2006-09-22 2011-05-24 Exxonmobil Research And Engineering Company Model predictive controller solution analysis process
US7599751B2 (en) * 2006-10-13 2009-10-06 Cutler Technology Corporation Adaptive multivariable MPC controller with LP constraints
US8634940B2 (en) * 2006-10-31 2014-01-21 Rockwell Automation Technologies, Inc. Model predictive control of a fermentation feed in biofuel production
US7987005B2 (en) * 2006-12-19 2011-07-26 Chevron U.S.A. Inc. System, method and program for dynamic control and optimization of a process having manipulated and controlled variables
US8140609B2 (en) * 2007-01-25 2012-03-20 International Business Machines Corporation Congruency and similarity of information technology (IT) structures and associated applications
US20080236771A1 (en) * 2007-03-26 2008-10-02 Metso Automation Usa Inc. System and method for controlling a processor including a digester utilizing time-based assessments
CA2614669C (en) * 2007-05-03 2008-12-30 Imperial Oil Resources Limited An improved process for recovering solvent from asphaltene containing tailings resulting from a separation process
US8072204B1 (en) 2007-05-09 2011-12-06 Zilker Labs, Inc. Control system optimization via digital diode emulation
CA2592725C (en) * 2007-06-26 2009-04-14 Imperial Oil Resources Limited A method for cleaning fouled vessels in the paraffinic froth treatment process
US20090103488A1 (en) * 2007-06-28 2009-04-23 University Of Maryland Practical method for resource allocation for qos in ofdma-based wireless systems
CA2594205C (en) * 2007-07-20 2009-11-24 Imperial Oil Resources Limited Use of a fluorocarbon polymer as a surface of a vessel or conduit used in a paraffinic froth treatment process for reducing fouling
CA2595336C (en) * 2007-07-31 2009-09-15 Imperial Oil Resources Limited Reducing foulant carry-over or build-up in a paraffinic froth treatment process
WO2009021954A1 (de) * 2007-08-14 2009-02-19 Siemens Aktiengesellschaft Verfahren zur steuerung für ein prozessleitsystem und leitsystem zur steuerung eines industrieprozesses
US20090054998A1 (en) * 2007-08-23 2009-02-26 Chevron U.S.A. Inc. System and process for optimizing process control
KR101385747B1 (ko) * 2007-09-21 2014-04-21 삼성전자주식회사 전자 종이 표시 유니트 및 이를 갖는 이동 통신 단말기
US7801710B2 (en) * 2007-09-28 2010-09-21 Rockwell Automation Technologies, Inc. Simulation controls for model variability and randomness
US20090089029A1 (en) * 2007-09-28 2009-04-02 Rockwell Automation Technologies, Inc. Enhanced execution speed to improve simulation performance
US8069021B2 (en) * 2007-09-28 2011-11-29 Rockwell Automation Technologies, Inc. Distributed simulation and synchronization
US20090089031A1 (en) * 2007-09-28 2009-04-02 Rockwell Automation Technologies, Inc. Integrated simulation of controllers and devices
US20090089234A1 (en) * 2007-09-28 2009-04-02 Rockwell Automation Technologies, Inc. Automated code generation for simulators
US8548777B2 (en) * 2007-09-28 2013-10-01 Rockwell Automation Technologies, Inc. Automated recommendations from simulation
US7668707B2 (en) * 2007-11-28 2010-02-23 Landmark Graphics Corporation Systems and methods for the determination of active constraints in a network using slack variables and plurality of slack variable multipliers
US8634325B2 (en) * 2007-12-31 2014-01-21 Schneide Electric USA, Inc. Tuning of industrial automation system performance based on device operating characteristics
US20090200210A1 (en) * 2008-02-11 2009-08-13 Hommema Scott E Method Of Removing Solids From Bitumen Froth
WO2009117192A1 (en) * 2008-03-20 2009-09-24 Exxonmobil Upstream Research Company Enhancing emulsion stability
US8078291B2 (en) * 2008-04-04 2011-12-13 Honeywell International Inc. Methods and systems for the design and implementation of optimal multivariable model predictive controllers for fast-sampling constrained dynamic systems
US20090287320A1 (en) * 2008-05-13 2009-11-19 Macgregor John System and Method for the Model Predictive Control of Batch Processes using Latent Variable Dynamic Models
US8352148B2 (en) * 2008-05-21 2013-01-08 General Electric Company System for controlling input profiles of combined cycle power generation system
US8046089B2 (en) * 2008-06-20 2011-10-25 Honeywell International Inc. Apparatus and method for model predictive control (MPC) of a nonlinear process
US8252170B2 (en) 2008-06-27 2012-08-28 Exxonmobil Upstream Research Company Optimizing feed mixer performance in a paraffinic froth treatment process
US20100011067A1 (en) * 2008-07-10 2010-01-14 Allstrom Peter E Transmitter Instant Messaging Interface in a Distributed Control System
US8060290B2 (en) 2008-07-17 2011-11-15 Honeywell International Inc. Configurable automotive controller
US8914303B2 (en) * 2008-08-13 2014-12-16 International Business Machines Corporation System and method for direct manipulation of a triangular distribution of information using a graphical user interface
US8638076B2 (en) * 2008-10-23 2014-01-28 Intersil Americas Inc. Transient processing mechanism for power converters
US8504505B2 (en) * 2008-10-31 2013-08-06 Caterpillar Inc. System and method for controlling an autonomous worksite
JP2010128583A (ja) * 2008-11-25 2010-06-10 Toshiba Corp テスト容易化設計装置ならびにその方法およびプログラム
US20100134911A1 (en) * 2008-12-02 2010-06-03 Jin Zhen Multi-parameter optimization of write head performance using adaptive response surface
US8271104B2 (en) * 2009-04-22 2012-09-18 Terndrup Consult & Associates Bv Method and system for dynamic optimisation of industrial processes
US8145329B2 (en) * 2009-06-02 2012-03-27 Honeywell International Inc. Method and system for combining feedback and feedforward in model predictive control
CA2672004C (en) * 2009-07-14 2012-03-27 Imperial Oil Resources Limited Feed delivery system for a solid-liquid separation vessel
US8806510B2 (en) * 2009-09-10 2014-08-12 International Business Machines Corporation Determining operator partitioning constraint feasibility
US8620461B2 (en) 2009-09-24 2013-12-31 Honeywell International, Inc. Method and system for updating tuning parameters of a controller
US9141098B2 (en) * 2009-10-30 2015-09-22 Rockwell Automation Technologies, Inc. Integrated optimization and control for production plants
EP2507671B1 (en) * 2009-12-02 2020-12-23 Shell Oil Company Economics-based coordination of advanced process control and real-time optimization
WO2011071651A1 (en) 2009-12-07 2011-06-16 Exxonmobil Upstream Research Company Solvent surveillance in solvent-based heavy oil recovery processes
DE102009054905A1 (de) * 2009-12-17 2011-06-22 Robert Bosch GmbH, 70469 Verfahren zum Ermitteln von Funktionsparametern für ein Steuergerät
WO2011080547A1 (en) 2009-12-31 2011-07-07 Abb Research Ltd Process optimization method and system for a power plant
WO2011131806A1 (es) * 2010-04-19 2011-10-27 Universidad Nacional De Educación A Distancia (Uned) Método de control avanzado para optimizar los costes de operación en estaciones depuradoras de aguas residuales con eliminación de nitrógeno
US8712738B2 (en) * 2010-04-30 2014-04-29 International Business Machines Corporation Determining ill conditioning in square linear system of equations
US8504175B2 (en) * 2010-06-02 2013-08-06 Honeywell International Inc. Using model predictive control to optimize variable trajectories and system control
US9335748B2 (en) 2010-07-09 2016-05-10 Emerson Process Management Power & Water Solutions, Inc. Energy management system
US8880202B2 (en) * 2010-07-09 2014-11-04 Emerson Process Management Power & Water Solutions, Inc. Optimization system using an iteratively coupled expert engine
US9447963B2 (en) 2010-08-16 2016-09-20 Emerson Process Management Power & Water Solutions, Inc. Dynamic tuning of dynamic matrix control of steam temperature
US9217565B2 (en) 2010-08-16 2015-12-22 Emerson Process Management Power & Water Solutions, Inc. Dynamic matrix control of steam temperature with prevention of saturated steam entry into superheater
US9335042B2 (en) 2010-08-16 2016-05-10 Emerson Process Management Power & Water Solutions, Inc. Steam temperature control using dynamic matrix control
CA2798527C (en) * 2010-08-18 2014-02-25 Manufacturing Technology Network Inc. Computer apparatus and method for real-time multi-unit optimization
US8620705B2 (en) * 2010-09-21 2013-12-31 Exxonmobil Research And Engineering Company Method of connecting different layers of optimization
CA2714842C (en) 2010-09-22 2012-05-29 Imperial Oil Resources Limited Controlling bitumen quality in solvent-assisted bitumen extraction
US20120078730A1 (en) * 2010-09-29 2012-03-29 Viswanathan Ramaiyer Automatic Internet Search Advertising Campaign Variable Optimization for Aiding Advertising Agency Efficiencies
US8670945B2 (en) 2010-09-30 2014-03-11 Honeywell International Inc. Apparatus and method for product movement planning to support safety monitoring in inventory management systems
US8855804B2 (en) * 2010-11-16 2014-10-07 Mks Instruments, Inc. Controlling a discrete-type manufacturing process with a multivariate model
US8554343B2 (en) * 2010-12-08 2013-10-08 Mitsubishi Electric Research Laboratories, Inc. Method for solving control problems
US8897900B2 (en) * 2011-03-18 2014-11-25 Rockwell Automation Technologies, Inc. Graphical language for optimization and use
US8417361B2 (en) * 2011-03-22 2013-04-09 General Electric Company Model predictive control system and method for integrated gasification combined cycle power generation
CA2734811C (en) 2011-03-29 2012-11-20 Imperial Oil Resources Limited Feedwell system for a separation vessel
CN102221828B (zh) * 2011-05-04 2013-02-13 沈阳机床(集团)设计研究院有限公司 数控机床控制程序模块化系统
US8515715B2 (en) 2011-06-17 2013-08-20 International Business Machines Corporation Method, system and program storage device for simulating electronic device performance as a function of process variations
EP2560062A1 (en) * 2011-08-16 2013-02-20 ABB Research Ltd. Methods and control systems for controlling an industrial system
US9677493B2 (en) 2011-09-19 2017-06-13 Honeywell Spol, S.R.O. Coordinated engine and emissions control system
US9163828B2 (en) 2011-10-31 2015-10-20 Emerson Process Management Power & Water Solutions, Inc. Model-based load demand control
US9650934B2 (en) 2011-11-04 2017-05-16 Honeywell spol.s.r.o. Engine and aftertreatment optimization system
US20130111905A1 (en) 2011-11-04 2013-05-09 Honeywell Spol. S.R.O. Integrated optimization and control of an engine and aftertreatment system
EP2607975A1 (de) 2011-12-21 2013-06-26 Siemens Aktiengesellschaft Modellbasierter Prädiktivregler und Verfahren zur Regelung eines technischen Prozesses
JP6095128B2 (ja) * 2012-03-29 2017-03-15 日本電気株式会社 状態制御装置、制御方法及びプログラム
DE112012006178B4 (de) * 2012-04-02 2019-04-25 Mitsubishi Electric Corporation Parametereinstellvorrichtung
US9429939B2 (en) 2012-04-06 2016-08-30 Mks Instruments, Inc. Multivariate monitoring of a batch manufacturing process
US9541471B2 (en) 2012-04-06 2017-01-10 Mks Instruments, Inc. Multivariate prediction of a batch manufacturing process
US9244452B2 (en) * 2012-11-02 2016-01-26 Rockwell Automation Technologies, Inc. Configuration and monitoring via design diagram representation
US9436179B1 (en) 2013-03-13 2016-09-06 Johnson Controls Technology Company Systems and methods for energy cost optimization in a building system
US9235657B1 (en) 2013-03-13 2016-01-12 Johnson Controls Technology Company System identification and model development
US9852481B1 (en) 2013-03-13 2017-12-26 Johnson Controls Technology Company Systems and methods for cascaded model predictive control
US10418833B2 (en) 2015-10-08 2019-09-17 Con Edison Battery Storage, Llc Electrical energy storage system with cascaded frequency response optimization
US9448546B2 (en) 2013-03-15 2016-09-20 Rockwell Automation Technologies, Inc. Deterministic optimization based control system and method for linear and non-linear systems
US9400491B2 (en) 2013-03-15 2016-07-26 Rockwell Automation Technologies, Inc. Stabilized deteministic optimization based control system and method
US10317857B2 (en) 2013-03-15 2019-06-11 Rockwell Automation Technologies, Inc. Sequential deterministic optimization based control system and method
WO2014143187A1 (en) 2013-03-15 2014-09-18 Michael Armstrong Lifing and performance optimization limit management for turbine engine
DE102013108478A1 (de) * 2013-08-06 2015-02-12 Endress+Hauser Process Solutions Ag Verfahren zur Erweiterung einer eingebetteten Softwarekomponente eines Feldgerätes
US9593566B2 (en) * 2013-10-23 2017-03-14 Baker Hughes Incorporated Semi-autonomous drilling control
US11199821B2 (en) 2013-11-11 2021-12-14 Rockwell Automation Technologies, Inc. Configuring and operating control systems using a database
US9804580B2 (en) 2013-11-22 2017-10-31 Mitsubishi Electric Research Laboratories, Inc. Feasible tracking control of machine
US10307863B2 (en) * 2013-12-06 2019-06-04 Mitsubishi Electric Research Laboratories, Inc. Control of redundant laser processing machines
IN2014CH00257A (zh) * 2014-01-21 2015-07-31 Yokogawa Electric Corp
WO2015116326A1 (en) * 2014-01-30 2015-08-06 Exxonmobil Research And Engineering Company Real time optimization of batch processes
DE112015001348T5 (de) * 2014-03-20 2017-01-19 Fisher-Rosemount Systems, Inc. Reduzierung von Controller-Aktualisierungen in einem Regelkreis
US10338543B2 (en) * 2014-04-04 2019-07-02 Schneider Electric Software, Llc Integrated model predictive control and advanced process control
US10386820B2 (en) 2014-05-01 2019-08-20 Johnson Controls Technology Company Incorporating a demand charge in central plant optimization
US9733629B2 (en) * 2014-07-21 2017-08-15 Honeywell International Inc. Cascaded model predictive control (MPC) approach for plantwide control and optimization
US9747543B1 (en) * 2014-09-30 2017-08-29 Hrl Laboratories, Llc System and method for controller adaptation
US10281507B2 (en) 2014-11-21 2019-05-07 Kohler Co. Generator sizing
US9665089B2 (en) * 2015-01-21 2017-05-30 Honeywell International Inc. Method and apparatus for advanced control using function blocks in industrial process control and automation systems
EP3051367B1 (en) 2015-01-28 2020-11-25 Honeywell spol s.r.o. An approach and system for handling constraints for measured disturbances with uncertain preview
EP3056706A1 (en) 2015-02-16 2016-08-17 Honeywell International Inc. An approach for aftertreatment system modeling and model identification
US9946241B2 (en) 2015-02-23 2018-04-17 Mitsubishi Electric Research Laboratories, Inc. Model predictive control with uncertainties
US10082773B2 (en) * 2015-04-30 2018-09-25 Aspen Technology, Inc. Formulating steady-state targets using prioritized objective functions
EP3091212A1 (en) 2015-05-06 2016-11-09 Honeywell International Inc. An identification approach for internal combustion engine mean value models
US11086310B2 (en) * 2015-05-27 2021-08-10 Honeywell International Inc. Method and apparatus for real time model predictive control operator support in industrial process control and automation systems
US10281897B2 (en) * 2015-06-02 2019-05-07 Mitsubishi Electric Research Laboratories, Inc. Model predictive control with uncertainties
WO2016196752A1 (en) 2015-06-05 2016-12-08 Shell Oil Company System and method for superior performance with respect to best performance values in model predictive control applications
US10429800B2 (en) * 2015-06-26 2019-10-01 Honeywell Limited Layered approach to economic optimization and model-based control of paper machines and other systems
EP3734375B1 (en) 2015-07-31 2023-04-05 Garrett Transportation I Inc. Quadratic program solver for mpc using variable ordering
US10272779B2 (en) 2015-08-05 2019-04-30 Garrett Transportation I Inc. System and approach for dynamic vehicle speed optimization
US10190789B2 (en) 2015-09-30 2019-01-29 Johnson Controls Technology Company Central plant with coordinated HVAC equipment staging across multiple subplants
US10389136B2 (en) 2015-10-08 2019-08-20 Con Edison Battery Storage, Llc Photovoltaic energy system with value function optimization
US10197632B2 (en) 2015-10-08 2019-02-05 Taurus Des, Llc Electrical energy storage system with battery power setpoint optimization using predicted values of a frequency regulation signal
US10222083B2 (en) 2015-10-08 2019-03-05 Johnson Controls Technology Company Building control systems with optimization of equipment life cycle economic value while participating in IBDR and PBDR programs
US10742055B2 (en) 2015-10-08 2020-08-11 Con Edison Battery Storage, Llc Renewable energy system with simultaneous ramp rate control and frequency regulation
US11210617B2 (en) 2015-10-08 2021-12-28 Johnson Controls Technology Company Building management system with electrical energy storage optimization based on benefits and costs of participating in PDBR and IBDR programs
US10418832B2 (en) 2015-10-08 2019-09-17 Con Edison Battery Storage, Llc Electrical energy storage system with constant state-of charge frequency response optimization
US10700541B2 (en) 2015-10-08 2020-06-30 Con Edison Battery Storage, Llc Power control system with battery power setpoint optimization using one-step-ahead prediction
US10554170B2 (en) 2015-10-08 2020-02-04 Con Edison Battery Storage, Llc Photovoltaic energy system with solar intensity prediction
US10250039B2 (en) 2015-10-08 2019-04-02 Con Edison Battery Storage, Llc Energy storage controller with battery life model
US10222427B2 (en) 2015-10-08 2019-03-05 Con Edison Battery Storage, Llc Electrical energy storage system with battery power setpoint optimization based on battery degradation costs and expected frequency response revenue
US10564610B2 (en) 2015-10-08 2020-02-18 Con Edison Battery Storage, Llc Photovoltaic energy system with preemptive ramp rate control
US10190793B2 (en) 2015-10-08 2019-01-29 Johnson Controls Technology Company Building management system with electrical energy storage optimization based on statistical estimates of IBDR event probabilities
US10283968B2 (en) 2015-10-08 2019-05-07 Con Edison Battery Storage, Llc Power control system with power setpoint adjustment based on POI power limits
CN108139724B (zh) * 2015-10-09 2021-07-27 费希尔-罗斯蒙特系统公司 用于从因果矩阵创建监控块和结果块集合的系统和方法
USD811423S1 (en) 2015-11-16 2018-02-27 Kohler, Co. Display screen with graphical user interface
USD810104S1 (en) 2015-11-16 2018-02-13 Kohler, Co. Display screen with graphical user interface
GB2545899B (en) * 2015-12-21 2018-07-25 Imperial Innovations Ltd Management of liquid conduit systems
US10415492B2 (en) 2016-01-29 2019-09-17 Garrett Transportation I Inc. Engine system with inferential sensor
US10124750B2 (en) 2016-04-26 2018-11-13 Honeywell International Inc. Vehicle security module system
US10036338B2 (en) 2016-04-26 2018-07-31 Honeywell International Inc. Condition-based powertrain control system
DE102016108053A1 (de) * 2016-04-29 2017-11-02 Khs Gmbh Verfahren zum Optimieren des Abfüllens eines Behälters
US10643167B2 (en) * 2016-07-28 2020-05-05 Honeywell International Inc. MPC with unconstrained dependent variables for KPI performance analysis
US10778012B2 (en) 2016-07-29 2020-09-15 Con Edison Battery Storage, Llc Battery optimization control system with data fusion systems and methods
US10594153B2 (en) 2016-07-29 2020-03-17 Con Edison Battery Storage, Llc Frequency response optimization control system
CN107844093B (zh) * 2016-09-18 2020-02-07 南京南瑞继保电气有限公司 一种基于元件模型的自定义功能块及组态封装方法
EP3548729B1 (en) 2016-11-29 2023-02-22 Garrett Transportation I Inc. An inferential flow sensor
US11847617B2 (en) 2017-02-07 2023-12-19 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with financial analysis functionality
US11900287B2 (en) * 2017-05-25 2024-02-13 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with budgetary constraints
US10168705B2 (en) * 2017-04-06 2019-01-01 Uber Technologies, Inc. Automatic tuning of autonomous vehicle cost functions based on human driving data
US11636429B2 (en) 2017-05-25 2023-04-25 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance systems and methods with automatic parts resupply
US11409274B2 (en) 2017-05-25 2022-08-09 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system for performing maintenance as soon as economically viable
US11416955B2 (en) 2017-05-25 2022-08-16 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with integrated measurement and verification functionality
US10466684B2 (en) 2017-05-25 2019-11-05 Honeywell International Inc. Apparatus and method for adjustable identification of controller feasibility regions to support cascaded model predictive control (MPC)
US11120411B2 (en) 2017-05-25 2021-09-14 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with incentive incorporation
US11747800B2 (en) 2017-05-25 2023-09-05 Johnson Controls Tyco IP Holdings LLP Model predictive maintenance system with automatic service work order generation
JP7184797B2 (ja) 2017-05-25 2022-12-06 ジョンソン コントロールズ テクノロジー カンパニー ビルディング機器用のモデル予測的メンテナンスシステム
US10761496B2 (en) 2017-06-12 2020-09-01 Honeywell International Inc. Apparatus and method for identifying impacts and causes of variability or control giveaway on model-based controller performance
JP6939162B2 (ja) * 2017-07-13 2021-09-22 横河電機株式会社 プラント制御支援装置、プラント制御支援方法、プラント制御支援プログラム及び記録媒体
US10969749B2 (en) * 2017-08-22 2021-04-06 Honeywell Limited Application of model predictive control (MPC)-based forced ramping of process input variables and process output reference trajectory design over a prediction horizon for MPC-based paper machine grade change control
JP2019057010A (ja) * 2017-09-20 2019-04-11 アズビル株式会社 調節計
US11057213B2 (en) 2017-10-13 2021-07-06 Garrett Transportation I, Inc. Authentication system for electronic control unit on a bus
US11073804B2 (en) * 2017-11-07 2021-07-27 Exxonmobil Research & Engineering Company Interface between processing environment optimization layers
US10838440B2 (en) 2017-11-28 2020-11-17 Johnson Controls Technology Company Multistage HVAC system with discrete device selection prioritization
US10838441B2 (en) 2017-11-28 2020-11-17 Johnson Controls Technology Company Multistage HVAC system with modulating device demand control
CN108596415B (zh) 2017-12-15 2023-11-24 创新先进技术有限公司 一种模型整合方法及装置
US10741429B2 (en) * 2018-06-21 2020-08-11 Lam Research Corporation Model-based control of substrate processing systems
US10795330B2 (en) * 2018-07-30 2020-10-06 Mitsubishi Electric Research Laboratories, Inc. Symmetry alternating direction method of multipliers
US11163271B2 (en) 2018-08-28 2021-11-02 Johnson Controls Technology Company Cloud based building energy optimization system with a dynamically trained load prediction model
US11159022B2 (en) 2018-08-28 2021-10-26 Johnson Controls Tyco IP Holdings LLP Building energy optimization system with a dynamically trained load prediction model
US10783304B1 (en) * 2018-09-28 2020-09-22 Cadence Design Systems, Inc. System, method, and computer program product for displaying debugging during a formal verification
US20200133210A1 (en) * 2018-10-30 2020-04-30 Aspen Technology, Inc. Apparatus and Methods for Non-Invasive Closed Loop Step Testing with Controllable Optimization Relaxation
EP3667439A1 (en) * 2018-12-13 2020-06-17 ABB Schweiz AG Predictions for a process in an industrial plant
US20200327476A1 (en) * 2019-04-10 2020-10-15 Exxonmobil Research And Engineering Company Dynamic quality control in petrochemical, chemical, and pharmaceutical manufacturing processes
WO2020246973A1 (en) * 2019-06-05 2020-12-10 Google Llc Network optimization systems
US11782401B2 (en) 2019-08-02 2023-10-10 Aspentech Corporation Apparatus and methods to build deep learning controller using non-invasive closed loop exploration
US11480360B2 (en) 2019-08-06 2022-10-25 Johnson Controls Tyco IP Holdings LLP Building HVAC system with modular cascaded model
DE102019214034A1 (de) * 2019-09-13 2021-03-18 Putzmeister Engineering Gmbh Verfahren zum Betreiben einer Arbeitsmaschine und Arbeitsmaschine
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
JP7392566B2 (ja) * 2020-04-28 2023-12-06 横河電機株式会社 制御支援装置、制御支援方法、制御支援プログラム、および制御システム
CN112327666B (zh) * 2020-10-22 2023-02-07 智慧航海(青岛)科技有限公司 动力巡航系统控制模型的目标函数权重矩阵确定方法
US20220155117A1 (en) * 2020-11-16 2022-05-19 Sensia Llc System and method for quantitative verification of flow measurements
CN113031451B (zh) * 2021-05-31 2021-08-03 浙江中控技术股份有限公司 一种适用于流程工业预测控制的稳态优化方法
US11868098B2 (en) * 2021-11-12 2024-01-09 Phaidra, Inc. Chiller and pump control using customizable artificial intelligence system
CN115455341B (zh) * 2022-10-31 2023-02-07 湖南大学 一种原材料下料排样的求解方法

Family Cites Families (96)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3828171A (en) * 1972-08-14 1974-08-06 Phillips Petroleum Co Process apparatus control system for optimizing objective variable quality
US4054408A (en) 1976-08-30 1977-10-18 Shell Oil Company Method for optimizing the position of a furnace damper without flue gas analyzers
US4349869A (en) 1979-10-01 1982-09-14 Shell Oil Company Dynamic matrix control method
JPS6069702A (ja) 1983-09-26 1985-04-20 Toshiba Corp サンプル値プロセス制御装置
US4616308A (en) * 1983-11-15 1986-10-07 Shell Oil Company Dynamic process control
US4912624A (en) * 1988-03-30 1990-03-27 Syracuse University Multi-parameter optimization circuit
JP2553675B2 (ja) 1988-11-18 1996-11-13 日本電気硝子株式会社 プロセスの制御方法
US5018215A (en) 1990-03-23 1991-05-21 Honeywell Inc. Knowledge and model based adaptive signal processor
EP0462815B1 (en) * 1990-06-21 1996-09-25 Honeywell Inc. Receding horizon based adaptive control having means for minimizing operating costs
US5159562A (en) * 1990-07-31 1992-10-27 Westinghouse Electric Corp. Optimization of a plurality of multiple-fuel fired boilers using iterated linear programming
US5180896A (en) 1990-10-11 1993-01-19 University Of Florida System and method for in-line heating of medical fluid
US5159547A (en) 1990-10-16 1992-10-27 Rockwell International Corporation Self-monitoring tuner for feedback controller
US5216593A (en) * 1991-01-24 1993-06-01 International Business Machines Corporation Method and apparatus for discrete activity resourse allocation through cardinality constraint generation
US5347446A (en) * 1991-02-08 1994-09-13 Kabushiki Kaisha Toshiba Model predictive control apparatus
JPH04271669A (ja) * 1991-02-27 1992-09-28 Matsushita Electric Ind Co Ltd 階調補正装置
US5215100A (en) 1991-04-29 1993-06-01 Occupational Preventive Diagnostic, Inc. Nerve condition monitoring system and electrode supporting structure
US5335164A (en) 1991-07-31 1994-08-02 Universal Dynamics Limited Method and apparatus for adaptive control
WO1993012476A1 (en) 1991-12-18 1993-06-24 Honeywell Inc. A closed loop neural network automatic tuner
SE501000C2 (sv) * 1992-02-03 1994-10-17 Jana System Ab Utportioneringsanordning för flytande substanser
US5329443A (en) * 1992-06-16 1994-07-12 Praxair Technology, Inc. Two-phase method for real time process control
US5384698A (en) * 1992-08-31 1995-01-24 Honeywell Inc. Structured multiple-input multiple-output rate-optimal controller
US5477444A (en) 1992-09-14 1995-12-19 Bhat; Naveen V. Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process
US5351184A (en) 1993-01-26 1994-09-27 Honeywell Inc. Method of multivariable predictive control utilizing range control
CA2118885C (en) * 1993-04-29 2005-05-24 Conrad K. Teran Process control system
US5453925A (en) 1993-05-28 1995-09-26 Fisher Controls International, Inc. System and method for automatically tuning a process controller
US5424942A (en) * 1993-08-10 1995-06-13 Orbital Research Inc. Extended horizon adaptive block predictive controller with an efficient prediction system
US6041320A (en) 1993-08-23 2000-03-21 Fisher Controls International, Inc. Multi-region fuzzy logic control system with auxiliary variables
US5461559A (en) 1993-10-04 1995-10-24 The United States Of America As Represented By The Secretary Of The Air Force Hierarchical control system for molecular beam epitaxy
JP2001273278A (ja) 1993-12-14 2001-10-05 Masaharu Ishii 適性化装置および適性化方法
US5457625A (en) 1994-04-13 1995-10-10 The M. W. Kellogg Company Maximizing process production rates using permanent constraints
US5587899A (en) 1994-06-10 1996-12-24 Fisher-Rosemount Systems, Inc. Method and apparatus for determining the ultimate gain and ultimate period of a controlled process
WO1996010219A1 (fr) * 1994-09-26 1996-04-04 Kabushiki Kaisha Toshiba Methode et systeme d'optimisation du service d'une installation
US5696696A (en) * 1994-10-11 1997-12-09 Betzdearborn, Inc. Apparatus and method for automatically achieving and maintaining congruent control in an industrial boiler
US5519605A (en) * 1994-10-24 1996-05-21 Olin Corporation Model predictive control apparatus and method
US5568378A (en) 1994-10-24 1996-10-22 Fisher-Rosemount Systems, Inc. Variable horizon predictor for controlling dead time dominant processes, multivariable interactive processes, and processes with time variant dynamics
US5550732A (en) * 1994-12-19 1996-08-27 Motorola, Inc. Controller for nonlinear systems
US5659667A (en) * 1995-01-17 1997-08-19 The Regents Of The University Of California Office Of Technology Transfer Adaptive model predictive process control using neural networks
US5748467A (en) 1995-02-21 1998-05-05 Fisher-Rosemont Systems, Inc. Method of adapting and applying control parameters in non-linear process controllers
US5574638A (en) * 1995-04-03 1996-11-12 Lu; Zhuxin J. Method of optimal scaling of variables in a multivariable predictive controller utilizing range control
US5572420A (en) * 1995-04-03 1996-11-05 Honeywell Inc. Method of optimal controller design for multivariable predictive control utilizing range control
US5682309A (en) * 1995-04-28 1997-10-28 Exxon Chemical Patents Inc. Feedback method for controlling non-linear processes
US5758047A (en) * 1995-06-14 1998-05-26 Lu; Zhuxin Joseph Method of process controller optimization in a multivariable predictive controller
US5561599A (en) 1995-06-14 1996-10-01 Honeywell Inc. Method of incorporating independent feedforward control in a multivariable predictive controller
WO1997012300A1 (en) 1995-09-26 1997-04-03 Boiquaye William J N O Adaptive control process and system
JPH09179603A (ja) * 1995-12-21 1997-07-11 Kawasaki Steel Corp 空気分離装置の製品ガス発生スケジュール決定方法
JP3412384B2 (ja) 1996-03-13 2003-06-03 株式会社日立製作所 制御モデル構築支援装置
US5933345A (en) 1996-05-06 1999-08-03 Pavilion Technologies, Inc. Method and apparatus for dynamic and steady state modeling over a desired path between two end points
US7058617B1 (en) * 1996-05-06 2006-06-06 Pavilion Technologies, Inc. Method and apparatus for training a system model with gain constraints
US6438430B1 (en) * 1996-05-06 2002-08-20 Pavilion Technologies, Inc. Kiln thermal and combustion control
US6278899B1 (en) * 1996-05-06 2001-08-21 Pavilion Technologies, Inc. Method for on-line optimization of a plant
US6047221A (en) * 1997-10-03 2000-04-04 Pavilion Technologies, Inc. Method for steady-state identification based upon identified dynamics
US6381504B1 (en) * 1996-05-06 2002-04-30 Pavilion Technologies, Inc. Method for optimizing a plant with multiple inputs
US5735134A (en) * 1996-05-30 1998-04-07 Massachusetts Institute Of Technology Set point optimization in vapor compression cycles
US5754446A (en) * 1996-08-19 1998-05-19 Voith Hydro, Inc. Method and apparatus for optimizing performance of a kaplan turbine
US5930762A (en) * 1996-09-24 1999-07-27 Rco Software Limited Computer aided risk management in multiple-parameter physical systems
WO1998034188A1 (en) * 1997-02-04 1998-08-06 British Telecommunications Public Limited Company Processor
US6055483A (en) * 1997-05-05 2000-04-25 Honeywell, Inc. Systems and methods using bridge models to globally optimize a process facility
US6122555A (en) * 1997-05-05 2000-09-19 Honeywell International Inc. System and methods for globally optimizing a process facility
US5920478A (en) * 1997-06-27 1999-07-06 Oakleaf Engineering, Inc. Multi-input multi-output generic non-interacting controller
US6055524A (en) * 1997-10-06 2000-04-25 General Cybernation Group, Inc. Model-free adaptive process control
DE19806267A1 (de) * 1997-11-10 1999-05-20 Siemens Ag Verfahren und Einrichtung zur Steuerung einer hüttentechnischen Anlage
FI974327A (fi) * 1997-11-25 1999-05-26 Valmet Automation Inc Menetelmä ja laitteisto paperin ominaisuuksien säätämiseksi
FI974328A (fi) * 1997-11-25 1999-05-26 Valmet Automation Inc Menetelmä ja laitteisto paperin ominaisuuksien säätämiseksi
JPH11259450A (ja) 1998-03-09 1999-09-24 Hitachi Ltd 最適な出力決定方法および装置
US6681155B1 (en) * 1998-08-31 2004-01-20 Mitsubishi Chemical Corporation Optimizing control method and optimizing control system for power plant
US6381505B1 (en) * 1998-09-28 2002-04-30 Aspen Technology, Inc. Robust steady-state target calculation for model predictive control
US6714899B2 (en) * 1998-09-28 2004-03-30 Aspen Technology, Inc. Robust steady-state target calculation for model predictive control
WO2000033209A2 (de) 1998-12-03 2000-06-08 Siemens Aktiengesellschaft Verfahren und anordnung zum entwurf eines technischen systems
US6542782B1 (en) * 1998-12-31 2003-04-01 Z. Joseph Lu Systems for generating and using a lookup table with process facility control systems and models of the same, and methods of operating such systems
US6298454B1 (en) * 1999-02-22 2001-10-02 Fisher-Rosemount Systems, Inc. Diagnostics in a process control system
DE19910910A1 (de) * 1999-03-11 2000-09-28 Voith Sulzer Papiertech Patent Verfahren zur Durchführung eines optimierten Faser- oder Papierherstellungsprozesses
CN1099060C (zh) 1999-04-14 2003-01-15 袁璞 通用多变量模型预估协调控制方法
US6330483B1 (en) * 1999-05-07 2001-12-11 The Boeing Company Optimal control system
US6377908B1 (en) * 1999-05-14 2002-04-23 General Electric Company Method for optimizing transfer function outputs
US6445963B1 (en) 1999-10-04 2002-09-03 Fisher Rosemount Systems, Inc. Integrated advanced control blocks in process control systems
US6654649B2 (en) * 1999-12-22 2003-11-25 Aspen Technology, Inc. Computer method and apparatus for optimized controller in a non-linear process
US6587738B1 (en) * 1999-12-30 2003-07-01 Ge-Harris Railway Electronics, L.L.C. Optimal locomotive assignment for a railroad network
US6684122B1 (en) * 2000-01-03 2004-01-27 Advanced Micro Devices, Inc. Control mechanism for matching process parameters in a multi-chamber process tool
GB0005866D0 (en) * 2000-03-10 2000-05-03 Borealis Polymers Oy Process control system
JP2001255903A (ja) * 2000-03-14 2001-09-21 Toshiba Corp プロセス制御システム
US6721609B1 (en) * 2000-06-14 2004-04-13 Fisher-Rosemount Systems, Inc. Integrated optimal model predictive control in a process control system
KR20030014285A (ko) * 2000-06-30 2003-02-15 더 다우 케미칼 캄파니 다변수 행렬 프로세스 제어방법 및 그 장치
US6701223B1 (en) * 2000-09-11 2004-03-02 Advantica, Inc. Method and apparatus for determining optimal control settings of a pipeline
CN1186700C (zh) * 2000-09-15 2005-01-26 先进微装置公司 半导体制造中用来改进控制的自调适取样方法
US6772019B2 (en) * 2000-11-16 2004-08-03 Lockheed Martin Corporation Method and system for multi-parameter choice optimization
US6954713B2 (en) * 2001-03-01 2005-10-11 Fisher-Rosemount Systems, Inc. Cavitation detection in a process plant
US6701123B2 (en) * 2001-08-03 2004-03-02 Konica Corporation Cleaning device with improved damping member and image forming apparatus using the same
US20030125818A1 (en) * 2001-12-28 2003-07-03 Honeywell Inc. Global equation solver and optimizer
US6980938B2 (en) * 2002-01-10 2005-12-27 Cutler Technology Corporation Method for removal of PID dynamics from MPC models
US6678668B2 (en) * 2002-03-07 2004-01-13 Insyst Ltd. System and method for complex process optimization and control
US6678868B2 (en) * 2002-04-17 2004-01-13 Sun Microsystems, Inc. Using Boolean expressions to represent shapes within a layout of an integrated circuit
DE10341764B4 (de) 2002-09-11 2019-01-10 Fisher-Rosemount Systems, Inc. Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems
US7376472B2 (en) 2002-09-11 2008-05-20 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
US7050863B2 (en) * 2002-09-11 2006-05-23 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
DE10341762B4 (de) * 2002-09-11 2014-05-15 Fisher-Rosemount Systems, Inc. Handhabung der Realisierbarkeit von Beschränkungen und Grenzen in einem Optimierer für Prozesssteuerungssysteme
US6993396B1 (en) * 2003-03-20 2006-01-31 John Peter Gerry System for determining the health of process control feedback loops according to performance assessment criteria

Cited By (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101055468B (zh) * 2006-04-13 2015-12-16 费舍-柔斯芒特系统股份有限公司 生成过程模型的方法
CN101446804B (zh) * 2007-11-26 2010-11-24 北京北方微电子基地设备工艺研究中心有限责任公司 一种工艺控制方法和装置
CN101713988A (zh) * 2008-10-07 2010-05-26 艾默生过程管理电力和水力解决方案有限公司 两阶段模型预测控制技术
CN101713988B (zh) * 2008-10-07 2014-04-09 艾默生过程管理电力和水力解决方案有限公司 在过程中控制一集合过程变量的控制器、控制系统及方法
CN106094527A (zh) * 2010-03-02 2016-11-09 费希尔-罗斯蒙特系统公司 快速过程模型识别和生成
CN106094527B (zh) * 2010-03-02 2019-11-05 费希尔-罗斯蒙特系统公司 快速过程模型识别和生成
CN103365207A (zh) * 2012-03-28 2013-10-23 新奥科技发展有限公司 一种工业过程的控制方法和设备
CN103365206B (zh) * 2012-03-28 2016-03-23 新奥科技发展有限公司 一种工业过程的控制方法和设备
CN103365207B (zh) * 2012-03-28 2016-05-11 新奥科技发展有限公司 一种工业过程的控制方法和设备
CN103365206A (zh) * 2012-03-28 2013-10-23 新奥科技发展有限公司 一种工业过程的控制方法和设备
CN103257572B (zh) * 2012-11-29 2016-05-18 浙江大学 分馏系统中稳态优化的软约束控制方法
CN103257572A (zh) * 2012-11-29 2013-08-21 浙江大学 分馏系统中稳态优化的软约束控制方法
CN105229541A (zh) * 2013-05-28 2016-01-06 核心股份有限公司 过程控制方法
CN105229541B (zh) * 2013-05-28 2019-11-22 核心股份有限公司 过程控制方法
CN105388859B (zh) * 2014-08-29 2018-01-26 通用电气公司 用于多输入多输出设备的基于自适应模型的控制的方法和系统
US10025301B2 (en) 2014-08-29 2018-07-17 General Electric Company Method and system of adaptive model-based control for multiple-input multiple-output plants
CN105388859A (zh) * 2014-08-29 2016-03-09 通用电气公司 用于多输入多输出设备的基于自适应模型的控制的方法和系统
CN105988402A (zh) * 2015-03-23 2016-10-05 费希尔控制产品国际有限公司 具有回路和阀控制能力的集成过程控制器
US10845781B2 (en) 2015-03-23 2020-11-24 Fisher Controls International Llc Integrated process controller with loop and valve control capability
CN106325066A (zh) * 2015-06-30 2017-01-11 三菱日立电力系统株式会社 控制参数最佳化系统及具备该系统的运行控制最佳化装置
CN106325066B (zh) * 2015-06-30 2020-02-14 三菱日立电力系统株式会社 控制参数最佳化系统及具备该系统的运行控制最佳化装置
CN106647250B (zh) * 2015-10-30 2019-07-16 中国科学院沈阳自动化研究所 基于离线优化/在线查表方式的双层结构预测控制方法
CN106647250A (zh) * 2015-10-30 2017-05-10 中国科学院沈阳自动化研究所 基于离线优化/在线查表方式的双层结构预测控制方法
CN110462531A (zh) * 2017-03-24 2019-11-15 三菱电机株式会社 用于控制机器操作的模型预测控制系统和方法
US10996642B2 (en) 2017-08-29 2021-05-04 Siemens Aktiengesellschaft Method and apparatus for determining data reading cycle
WO2019041145A1 (zh) * 2017-08-29 2019-03-07 西门子公司 一种数据读取周期的确定方法和装置
US11740596B2 (en) * 2018-02-05 2023-08-29 Honeywell International Inc. Method and system to provide cost of lost opportunity to operators in real time using advance process control
US20210216050A1 (en) * 2018-02-05 2021-07-15 Honeywell International Inc. Method and system to provide cost of lost opportunity to operators in real time using advance process control
CN108549228A (zh) * 2018-04-18 2018-09-18 南京工业大学 一种基于交叉评估的多变量dmc系统模型失配通道定位方法
CN108549228B (zh) * 2018-04-18 2021-02-02 南京工业大学 一种基于交叉评估的多变量dmc系统模型失配通道定位方法
CN112534363A (zh) * 2019-02-25 2021-03-19 欧姆龙株式会社 预测控制开发装置、预测控制开发方法及预测控制开发程序
CN112534363B (zh) * 2019-02-25 2022-04-12 欧姆龙株式会社 预测控制开发装置、开发方法及计算机可读取的存储介质
CN113574475A (zh) * 2019-03-15 2021-10-29 3M创新有限公司 确定用于控制环境的因果模型
CN113485109A (zh) * 2021-07-12 2021-10-08 山东大学 一种基于可变优先级的变流器动态级联控制方法及系统
CN115963795A (zh) * 2023-01-04 2023-04-14 浙江中智达科技有限公司 一种流程工业控制方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN1975611A (zh) 2007-06-06
JP5016002B2 (ja) 2012-09-05
DE10341573A1 (de) 2004-07-08
CN100381956C (zh) 2008-04-16
HK1063224A1 (en) 2004-12-17
US7337022B2 (en) 2008-02-26
US20040049295A1 (en) 2004-03-11
JP2009277239A (ja) 2009-11-26
US20040049299A1 (en) 2004-03-11
GB2394313B (en) 2006-07-19
DE10341573B4 (de) 2016-09-01
CN1975611B (zh) 2012-01-04
CN102566415A (zh) 2012-07-11
JP4413563B2 (ja) 2010-02-10
US7330767B2 (en) 2008-02-12
JP2004152265A (ja) 2004-05-27
GB0321278D0 (en) 2003-10-08
DE10362408B3 (de) 2017-06-01
US20040049300A1 (en) 2004-03-11
US7376472B2 (en) 2008-05-20
GB2394313A (en) 2004-04-21

Similar Documents

Publication Publication Date Title
CN1490690A (zh) 在过程控制系统中的集成模型预测控制和最佳化
CN1490691A (zh) 集成模型预测控制和优化器功能块的配置和观察显示器
CN1514318A (zh) 过程控制系统中的集成模型预测控制与优化
CN1940780A (zh) 过程控制系统中的在线自适应模型预测控制
CN1940781B (zh) 用于控制分批过程的方法和系统
JP4786072B2 (ja) 多入力/多出力論理装置及び該多入力/多出力論理装置を使用してプロセスを制御する方法
JP5096359B2 (ja) 同時プロセスシミュレーションを伴う多目的予測プロセス最適化
CN1300651C (zh) 过程控制系统优化程序中的约束和限制可行性处理
CN1438554A (zh) 响应可变过程延迟的高级过程控制块的改进
JP2007188473A5 (zh)
CN101713988A (zh) 两阶段模型预测控制技术
JP2003531440A (ja) アドバンスト・レシピ−生産プロセスのための知識ベース情報システム
Bus et al. Important Issues in Batch Process Automation: Automation in Recipe Improvement

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CX01 Expiry of patent term

Granted publication date: 20080416

CX01 Expiry of patent term