-
VERWANDTE ANMELDUNGEN
-
Die
vorliegende Anmeldung ist eine ordnungsgemäß eingereichte
Anmeldung und nimmt Priorität und Anmeldetag der vorläufigen
US-Patentanmeldung Nr. 61/025,190 unter dem Titel „Robust
Adaptive Model Predictive Controller with Automatic Correction for
Model Mismatch", die am 31. Januar 2008 eingereicht
wurde, in Anspruch, deren gesamte Offenbarung hiermit ausdrücklich
zur Bezugnahme übernommen wird.
-
TECHNISCHES GEBIET
-
Die
vorliegende Anmeldung betrifft eine Prozessregelung, die z. B. in
einer industriellen Prozessanlage ausgeführt wird, und
betrifft insbesondere ein verbessertes Verfahren zum Ausführen
der Regelung einer Prozessanlage unter Verwendung eines modellprädiktiven
Reglers in Gegenwart einer Modellfehlanpassung.
-
ALLGEMEINER STAND DER TECHNIK
-
Hardware
und Software für die Prozessregelung sind wesentliche Bestandteile
nahezu aller Einrichtungen in den chemischen, pharmazeutischen und
Raffinerie-Industriezweigen und sind weltweit ein milliardenschweres
Geschäft. Obwohl in der Vergangenheit der Schwerpunkt nicht
immer darauf gesetzt wurde, die bestmögliche Regelung in
jedem bestimmten Fall zu erzielen, werden neuerdings neue Anlagen,
wie etwa industrielle Prozessanlagen, immer mehr mit dem Ziel der
Regelbarkeit und Optimierbarkeit entworfen. Zudem werden zahlreiche
vorhandene Prozessanlagen mit diesem Ziel erneuert. Eine derartige
Erneuerung umfasst nicht nur die Erneuerung der Geometrie der installierten
Hardware, wie etwa die Standorte von Reaktoren, Reservoiren, Rohren,
usw., sondern auch die Erneuerung der Standorte und Arten der Regel-, Überwachungs- und
Messelemente, die verwendet werden, um die Prozessregelung auszuführen.
Mit den steigenden Kosten natürlicher Ressourcen und den
effektiven Kosten, die mit Emissionen verbunden sind, ist der Energieverbrauch
ebenfalls zu einem wesentlichen Faktor beim Anlagenentwurf geworden.
-
Die Überwachung
der Regelleistung zusammen mit einer Neuabstimmung der Regler oder
einer Modellplanung kann die Effizienz von industriellen Anlagen
dramatisch verbessern und dadurch jährlich Millionen Dollar
einsparen. Eine andere Technik, die sich in den letzten Jahren zunehmender
Beliebtheit erfreut hat, ist die Überwachung und Vermeidung
abnormer Situationen (ASP). In manchen Fällen umfassen
die Entwürfe moderner Vorrichtungen und Regelsysteme neuartige
Sensoren und integrierte statistische Algorithmen, die in der Lage
sind, eventuelle Ausfälle oder anstehende Wartungszyklen
vorherzusagen. Solche prädiktiven Wartungssysteme können
die Betriebszeit des Anlagenbetriebs dramatisch erhöhen
und kostspielige und gefährliche Anzeichen unerwarteter
Stilllegungen verhindern. Zudem hat sich die Zuverlässigkeit
dieser Techniken in den letzten zehn Jahren erheblich erhöht,
was zu Effizienzsteigerungen der Anlagen führte.
-
Im
Rahmen dieser Bemühungen hat eine Gruppe prädiktiver
Regelungstechniken, die im Allgemeinen als modellprädiktive
Regelungs-(MPC)Techniken bezeichnet werden, eine erhebliche Akzeptanz
in der Industrie erlangt, seit sie vor ungefähr 25 Jahren
zuerst entwickelt und angewendet wurde. Im Allgemeinen bezieht sich
die MPC auf eine Gruppe von Regelalgorithmen, die ein Stellgrößenprofil
unter Verwendung eines Prozessmodells (das typischerweise linear
ist) berechnen, um ein lineares oder quadratisches Leistungsziel
im offenen Kreis, das Randbedingungen unterliegt, für einen
Zeithorizont in der Zukunft zu optimieren. Die erste Maßnahme
dieses optimalen Stellgrößenprofils im offenen
Kreis wird dann innerhalb des Prozesses umgesetzt, und der Vorgang
wird in jedem Regelintervall oder Reglerzyklus wiederholt, um die
Prozessregelung auszuführen. Es werden Prozessmessungen
verwendet, um das Optimierungsproblem während der laufenden Regelung
zu aktualisieren. Diese Gruppe von Regelalgorithmen wird auch als
Regelung mit zurückweichendem Horizont oder Regelung mit
bewegtem Horizont bezeichnet.
-
Auf
Grund ihrer Komplexität hat die MPC sich jedoch hauptsächlich
im Bereich der erweiterten Regelung durchgesetzt, und somit werden
MPC-Konfigurationen typischerweise von Regelungsexperten entwickelt und
in Auftrag gegeben. Daher hat es sich üblicherweise nur
gelohnt, MPC-Implementierungen auf Prozesse anzuwenden, die im Gegenzug
für die hohen Implementierungskosten große Profitsteigerungen
verhießen. Dabei war die Größenordnung
von MPC-Anwendungen in Bezug auf die Anzahl der Ein- und Ausgänge üblicherweise
groß, was ein Grund dafür ist, warum die MPC typischerweise
bei einfachen Regelkreisen, wie etwa Regelkreisen mit einer Regelgröße
nicht verwendet wurde.
-
Insbesondere
sind die Inbetriebnahmekosten eines Regelsystems erheblich, und
es ist selten praktisch, in einer bestimmten Prozessanlage im Detail
die Konfiguration jedes Regelkreises zu berücksichtigen. Daher
werden ungefähr 90 Prozent aller Regelkreise von herkömmlichen
Reglern mit Linearrückführung, wie etwa proportionale,
integrale, differentiale (PID) Regler oder proportionale, integrale
(PI) Regler, geregelt. Soweit MPC-Regler verwendet werden, sind
diese Regler zudem ebenfalls typischerweise linearer Beschaffenheit.
Obwohl in der Prozessregelungsindustrie vorwiegend lineare Regler
verwendet werden, zeigen die meisten realen Prozesse leider ein
nicht lineares Verhalten. Die Folge dieser Unstimmigkeit ist, dass
eine Modellfehlanpassung unvermeidlich ist. Eine unbehandelte Modellfehlanpassung
führt nicht nur zu suboptimaler Regelleistung sondern macht
auch viele der Vorteile der Technologien, die entwickelt wurden,
um Regelleistung und Betriebszeit zu verbessern, zunichte. Eine
Modellfehlanpassung ist daher nicht nur mit Bezug auf die Regelungs-Hardware
und -Software kostspielig, sondern reduziert tatsächlich
die Einsparungen anderer verwandter Anlagentechnologien.
-
Im
Allgemeinen kann die Leistung von industriellen Reglern auf verschiedene
Arten gemessen werden, und verschiedene Prozesse können
sehr unterschiedliche Qualitäts- und Sicherheitsanforderungen
haben. Anlageningenieure können nämlich ein oder
viele verschiedene Leistungskriterien verwenden, wie etwa Überlauf,
Sperrzeit (Integrationsprozesse), Schwingungscharakteristiken, integrierter
Fehler und integrierter absoluter Fehler (IAE), um die Leistung
eines bestimmten Regelkreises zu bewerten. Bei PID-Reglern ergibt sich
die gemessene Regelleistung für einen gegebenen Regler
jedoch typischerweise aus einem Kompromiss zwischen Sollwertverfolgung
und Störungsunterdrückungsverhalten, wobei eine
bessere Leistung bei der Sollwertverfolgung zu einer schlechteren
Leistung bei der Störungsunterdrückung führt,
und umgekehrt. Z. B. ist bekannt, dass langfristige Konstanten (d.
h. etwa wie diejenigen, die bei Prozessen mit vorherrschender Verzögerung
vorliegen) zu einer schlechten Störungsunterdrückungsleistung
bei PID-Reglern führen, die auf Sollwertverfolgungsleistung
abgestimmt sind. Dieser Kompromiss, der bei der Entwicklung von
PID-Reglern inhärent ist, kann dadurch erklärt
werden, dass ein PID-Regler, der im Idealfall auf Laststörungsunterdrückung
abgestimmt ist, ein relativ starkes Integralverhalten aufweisen
muss (d. h. eine relativ geringe integrale Zeitkonstante), und dass
ein starkes Integralverhalten für die Sollwertänderungsleistung
des Reglers schädlich ist. Insbesondere während
einer Sollwertänderung bleibt der Prozessfehler (e) eine
Zeit lang groß, auch während sich die Regelgröße
(y) dem Sollwert (SP) nähert. Mit einer sehr großen
Integralverstärkung nimmt der Integralterm schnell zu,
und zwar mehr als nötig, wodurch ein Sollwertüberlauf
verursacht wird. Folglich hat eine PID-Abstimmung, die auf Sollwertänderungsleistung
abzielt, ein geringeres Integralverhalten und eine schlechtere Laständerungs-
oder Störungsunterdrückungsleistung. Da die herkömmliche
PID-Regelung, die wie oben erwähnt immer noch die beliebteste
Reglerwahl in allen Industriezweigen ist, unter diesem Problem zu
leiden hat, wurden zahlreiche Lösungsansätze vorgeschlagen,
in dem Versuch, die Auswirkungen dieses Problems zu reduzieren,
wozu auch strukturelle Änderungen an dem PID-Regler und
der Sollwertfilterung gehören.
-
Selbst
mit diesen Änderungen stellt die Abstimmung von PID-Reglern
immer noch eine Herausforderung dar, wenn es darum geht, den Kompromiss
zwischen Sollwertverfolgung und Störungsunterdrückungsleistung
vorzugeben. Verschiedene PID-Abstimmungsverfahren begünstigen
typischerweise entweder die Sollwertverfolgungsleistung oder die
Störungsunterdrückungsleistung. Zudem passen viele
modellbasierte Abstimmungstechniken die internen Parameter eines
PID-Reglers an die internen Parameter eines Modells für den
geregelten Prozess an, was zu eben diesem Kompromiss führt.
Zum Beispiel passen PID-Abstimmungsverfahren, wie etwa Polunterdrückung
und Lambda-Abstimmung, die Integralzeit des Reglers an die vorherrschende
Zeitkonstante des Prozesses an. Dabei wird die Verstärkung
des Reglers eingestellt, um eine bestimmte Zeitkonstante im geschlossenen
Kreis und eine bestimmte Sollwertänderungsreaktion (z.
B. keinen Überlauf) zu erreichen. Da das sich ergebende
Integralverhalten derartiger Regler relativ gering ist, zeigt diese Technik
eine sehr gute Sollwertänderungsleistung aber eine schlechte
Störungsunterdrückungsleistung. Andererseits sind
empirische PID-Abstimmungsverfahren, wie etwa Ziegler-Nichols-Verfahren,
speziell für die Störungsunterdrückungsleistung
ausgelegt. Da das Integralverhalten derartiger Regler jedoch stark
genug ist, um die Prozessgröße sehr schnell auf
den Sollwert zurückzubringen, führt es zu einem
unerwünschten Sollwertüberlauf als Reaktion auf
Sollwertänderungen.
-
In
wenigen Fällen ist der Zweck eines Regelkreises allein
die Störungsunterdrückung (z. B. ein Pufferreservoirspiegel
ohne Sollwertänderungen) oder allein die Sollwertverfolgung
(z. B. ein sekundärer Regelkreis in einer Kaskadenstrategie
ohne Störungen). Obwohl es in solchen Fällen leicht
sein kann, eine Abstimmungskonfiguration zu wählen, wird
der zuvor erwähnte Kompromiss oft völlig übersehen
und stattdessen wird typischerweise ein standardmäßiges
Abstimmungsverfahren gewählt, wodurch die Abstimmung in
einer bestimmten Prozesssituation nicht gerade optimal ist. Obwohl,
wie zuvor erwähnt, zahlreiche Abstimmungsverfahren entwickelt
wurden, um diese Einschränkung der PID-Abstimmung zu beheben,
wozu eine Sollwertfilterung und Strukturen mit zwei Freiheitsgraden
gehören, begünstigen diese Abstimmungsverfahren
typischerweise die Störungsunterdrückungsleistung,
und somit wird die Reglerreaktion auf Sollwertänderungen
künstlich reduziert. Wenn beispielsweise die Sollwertfilterung
gewählt wird, werden Sollwertänderungen durch
die Bedienperson gefiltert, um einen Überlauf zu verhindern,
was zu einer langsameren Reaktion auf Sollwertänderungen führt.
-
Auf
jeden Fall ist es ein direktes Ergebnis des oben besprochenen Leistungskompromisses,
dass verschiedene Abstimmungsverfahren für verschiedene
Regelungsziele gewählt werden müssen, was einer
der Gründe dafür ist, warum so viele Abstimmungsverfahren
für die PID-Abstimmung vorgeschlagen wurden. Ein weiterer
Grund für die Verfügbarkeit so vieler PID-Abstimmungstechniken
ist, dass verschiedene Abstimmungsregeln oder Verfahren verschiedene
Eingangsgrößen verwenden, von denen vielleicht
nur einige in einem beliebigen bestimmten Prozess verfügbar
sind. Obwohl beispielsweise viele Abstimmungsverfahren die Abstimmung
basierend auf einem Prozessmodell berechnen, berechnen andere Verfahren
die Abstimmung basierend auf anderen Prozesscharakteristiken. Als
Beispiel des letztgenannten Verfahrens verwenden Ziegler-Nichols-Abstimmungsregeln
eine kritische Verstärkung und eine kritische Frequenz,
die vielleicht für manche mechanische Prozesse leicht zu
bestimmen sind, jedoch bei vielen industriellen chemischen Prozessen nicht
auf praktische Art und Weise bestimmt werden können.
-
Andererseits
sollte ein prädiktiver Regler, wie etwa ein MPC-Regler,
in der Lage sein, bei Sollwertänderungen und Laständerungen ähnlich
zu arbeiten, weil der Integralteil eines MPC-Reglers nicht den gleichen Kompromiss
zulässt, wie er bei PID-Reglern zu sehen ist. Insbesondere
zeigen die MPC-Regler im Allgemeinen keinen Leistungskompromiss
zwischen Sollwertverfolgung und Störungsunterdrückung,
weil die Terme für die Fehler- und Maßnahmenverluste
inhärent getrennt sind, was theoretisch aus dem MPC-Regler
einen wünschenswerten Ersatz für die PID-Regler
macht. Ebenso erhöht sich bei einem prädiktiven
Regler der Fehler (e) nicht, während die Regelgröße
oder die Prozessausgabe (y) sich dem Sollwert nähert. In
der Tat kann der Fehler theoretisch nach dem ersten Ausführungszyklus
gleich Null sein, wodurch er die integralen Verstärkungsprobleme,
die der PID-Regelung inne sind, vermindert oder aufhebt. Leider
kann die Leistung eines MPC-Reglers schnell abfallen, wenn eine
Prozessmodellfehlanpassung vorliegt, d. h. wenn das Prozessmodell,
das von dem MPG-Regler verwendet wird, nicht genau den tatsächlichen
Prozesscharakteristiken entspricht.
-
Ferner
ist es bekannt, dass die Störungsunterdrückungsleistung
industrieller MPC-Regler hinter denen von PID-Reglern zurücksteht,
wenn die PID-Regler speziell auf Störungsunterdrückung
abgestimmt sind. Neuere MPC-Verbesserungen auf dem Gebiet der Zustandsaktualisierung
haben diese Leistungslücke einigermaßen geschlossen,
wenn man davon ausgeht, dass ein Beobachtermodell, das in der MPC-Technik
verwendet wird, perfekt bekannt ist. In Gegenwart einer Modellfehlanpassung
ist die Regelleistung eines PID-Reglers, wie sie durch den integrierten
absoluten Fehler (IAE) gemessen wird, jedoch immer noch besser als
die eines MPC-Reglers mit der bestmöglichen Abstimmung.
-
Dennoch
wurde die MPC als eine der vorrangigen Regelungstechnologien angesehen,
die zu verwenden sind, um PID-Regler zu ersetzen, da man der Meinung
ist, dass MPC-Regler in der Lage sind, die Vorteile der prädiktiven
Regelleistung und die Zweckmäßigkeit nur einiger
mehr oder weniger intuitiven Abstimmungsparameter zu kombinieren.
Bisher waren MPC-Regler im Allgemeinen nur in industriellen Umgebungen
erfolgreich, wo die PID-Regelung schlecht funktioniert oder zu schwierig
umzusetzen oder zu warten ist, trotz der Tatsache, dass Wissenschaft
und Regelsystemanbieter sich in letzter Zeit erheblich bemüht
haben, um den Bereich der MPC-Anwendungen zu erweitern. Grundsätzlich,
weil die PID-Regelung für eine erhebliche Anzahl von Prozessen
immer noch besser funktioniert als die MPC und weil PID-Regler im
Einsatz kostengünstiger und schneller sind als MPC-artige
Regler, haben MPC-Regler tatsächlich nur einen Bruchteil
der PID-Regler in wirklichen Prozessanlagekonfigurationen ersetzt.
-
Einer
der Hauptgründe, weshalb die MPC-Regler dazu neigen, schlechter
als PID-Regler zu funktionieren, ist dass MPC-Regler, wie oben angegeben,
für eine Leistungsverschlechterung auf Grund einer Prozessmodellfehlanpassung
anfälliger sind als PID-Regler (außer eventuell
bei Prozessen mit vorherrschender Verzögerung). Obwohl
es praktische Möglichkeiten gibt, die Modellfehlanpassung
zu behandeln, die sich aus Nicht-Linearitäten (oder anderen
Quellen) in Prozessen ergibt, wie etwa die Linearisierung der Regelelemente und
der Transmitter und die Verwendung einer Reglerverstärkungsplanung, besteht
die häufigste Technik, die Modellfehlanpassung zu behandeln,
darin, eine Reglerabstimmung durchzuführen. Auf Grund der
Schwierigkeiten bei der Abstimmung der Regler stimmen Prozessbedienpersonen
oder Ingenieure jedoch oft einen Regler für den schlechtesten
Fall ab (z. B. für die größte Prozessverstärkung)
und nehmen für andere Bereiche des Prozesses eine suboptimale
Abstimmung in Kauf. Die standardmäßigen Abstimmungsparameter
eines industriellen PID- oder MPC-Reglers sind somit typischerweise
konservativ, so dass diese Abstimmungsparameter anfänglich
für diverse Prozessanwendungen funktionieren können. Üblicherweise
werden die Regler jedoch auf unbestimmte Dauer mit ihren standardmäßigen
Einstellungen belassen, was zu einer insgesamt schlechteren Leistung
führt. Selbst wenn dies nicht der Fall wäre, ist
die Modellfehlanpassung, die sich aus einem Identifizierungsfehler
oder von einer Anlagenabweichung ergibt, mit einer Abstimmung schwieriger
zu behandeln. In der Tat ist eine derartige Modellfehlanpassung
schwierig zu erfassen, weil eine ausreichende Prozessstörung
erforderlich ist, um eine Modellidentifizierung umzusetzen, was
typischerweise dem Ziel der Prozessregelung widerspricht (d. h.
den Prozess als Antwort auf Prozessstörungen in einem Beharrungszustand
zu halten). Zudem ist es schwierig, eine Prozessstörung
von ungemessenen Störungen zu unterscheiden.
-
Ein
Verfahren zum „Abstimmen” eines MPC-Reglers als
Antwort auf eine Modellfehlanpassung besteht darin, das Prozessmodell
im Hinblick auf Prozessänderungen zu regenerieren und dann
dieses neue Modell in dem MPC-Regler zu verwenden. Leider gibt es
von vorne herein viele praktische Hindernisse bei der Entwicklung
eines genauen Prozessmodells zur Verwendung mit modellbasierten
Reglern. Obwohl z. B. viele industrielle Prozesse minimalphasig
sind, sind die meisten geschlossenen Kreise nicht minimalphasig.
Eine Zeitverzögerung, auch Totzeit genannt, und Verzögerungen
höherer Ordnung schaffen Rechtspole, welche die Entwicklung
eines genauen Prozessmodells sehr erschweren. In den meisten Fällen
wird die Totzeit eines geschlossenen Kreises durch eine Transportverzögerung
des Materials in Rohren und diskrete Abtastmechanismen geschaffen,
die bei Computer-Regelsystemen unvermeidbar sind, wohingegen sich
Verzögerungen höherer Ordnung gewöhnlich
aus Filterzeitkonstanten bei Mess- und Regelvorrichtungen ergeben.
Andere Herausforderungen, auf die man bei der Definition von Prozessmodellen
für Industrieanlagen häufig stößt,
umfassen Auflösung und Totband, die durch das mechanische
Verhalten von Ventilen und Dichtungen geschaffen werden.
-
Diese
und andere Faktoren sind zahlreiche Herausforderungen für
Regelingenieure von Industrieanlagen bei der Entwicklung von Prozessmodellen
für Regler. Z. B. selbst wenn man davon ausgeht, dass ein gewisser
Prozess sich wie ein Filter erster Ordnung verhält, mit
einer bestimmten Verstärkung und Zeitkonstante, je nach
Behältergeometrie, muss der Regelingenieur zusätzliche
Zeitkonstanten von Transmittern, Regelelementen, Computer-Abtastung
und Jitter berücksichtigen. Insbesondere weist jedes digitale
Regelsystem Randbedingungen für eine Zentraleinheit (CPU)
und die Kommunikation auf, was bedeutet, dass eine weitläufige Überabtastung
nicht für alle Arten von Regelkreisen in einer Anlage praktisch
ist. Während beispielsweise ein Abtastrate von dreimal
die größte Zeitkonstante plus Totzeit oder fünfmal
die Totzeit, je nachdem was größer ist, oft als
recht ausreichend angesehen wird, ist diese Abtastrate gewöhnlich
für viele Regelkreise in einer Anlage (wie etwa bei Strömungskreisen
oder Druckkreisen) nicht erreichbar. Daraus ergibt sich, dass sich
der Ingenieur gewöhnlich nicht allein auf die Erstprinzip-Modelle
verlassen kann, die für einige der Reaktionen verfügbar
sein mögen. Zudem wird die Prozessmodellidentifizierung
im Idealfall durch integrierte automatische Tools ausgeführt.
Die Erstprinzip-Modellierung und universelle Drittlösungen,
die typischerweise bei einer realen Anlage verwendet werden, um
ein Prozessmodell zu identifizieren, tun dies jedoch, indem sie
sich direkt an die Feldinstrumente anschließen. Diese Lösungen
sind daher nicht integriert, weil sie den Effekt des Computer-Regelsystems
selber auf die Regelkreisleistung nicht berücksichtigen
(oder bestenfalls nur approximieren). Alle diese Faktoren können
zu einer erheblichen Fehlanpassung zwischen dem Prozess und dem
Prozessmodell führen, das entwickelt wurde, um den Prozess
zu regeln, wodurch modellbasierte Regelung- und Abstimmungsverfahren
in praktischen Situationen weniger wünschenswert sind.
-
KURZDARSTELLUNG DER ERFINDUNG
-
Es
wurde bestimmt, dass Unzulänglichkeiten bei den Rückführungs-Regelfähigkeiten
von MPC-Reglern ein Grund für die Leistungslücke
zwischen PID- und MPC-Regler sind, insbesondere in Gegenwart einer Prozessmodellfehlanpassung.
Indem sie diese Tatsache anerkennt, integriert eine hier beschriebene
MPC-Anpassungs- und Abstimmungstechnik eine Rückführungs-Regelleistung,
die besser als die Verfahren ist, die heutzutage gewöhnlich
bei MPC-artigen Reglern verwendet werden, was zu einer MPC-Adaptations-/Abstimmungs-Technik
führt, die besser funktioniert als herkömmliche
MPC-Techniken in Gegenwart einer Prozessmodellfehlanpassung.
-
Insbesondere
wird die MPC-Reglerleistung dadurch verbessert, dass eine Adaptations-/Abstimmungs-Einheit
zu einem MPC-Regler hinzugefügt wird, wobei die Adaptations-/Abstimmungs-Einheit
die beste oder am weitesten optimierte Zusammenstellung von Prozessmodell
und MPC-Entwurfs- und/oder Abstimmungsparametern bestimmt, die während
der Online-Prozessregelung zu verwenden ist, um die Störungsunterdrückungsleistung
des MPC-Reglers in Gegenwart eines spezifischen Ausmaßes
an oder Bereichs von Modellfehlanpassung zu verbessern. Insbesondere
setzt die Adaptations-/Abstimmungs-Einheit eine Optimierungsroutine
um, die einen oder mehrere Abstimmungs- und Entwurfsparameter des
MPC-Reglers bestimmt, wozu z. B. eine MPC-Form, Verlustfaktoren
für einen MPC-Regler oder einen Beobachter, wie etwa ein
Kalman-Filter, oder beide, und ein Reglermodell zur Verwendung in
dem MPC-Regler, basierend auf einem zuvor bestimmten Prozessmodell
und entweder eine bekannte oder eine erwartete Prozessmodellfehlanpassung oder
ein bekannter oder erwarteter Prozessmodellfehlanpassungsbereich
gehören. Diese Adaptations-/Abstimmungs-Einheit kann verwendet
werden, um den MPC-Regler entweder periodisch oder kontinuierlich
anzupassen und/oder abzustimmen, um einen MPC-Regler mit der besten
Gesamtleistung in Gegenwart einer bekannten oder erwarteten Modellfehlanpassung
oder eines Modellfehlanpassungsbereichs zu entwickeln, und zwar
ohne die Notwendigkeit, das ursprüngliche Prozessmodell
zu regenerieren. Dieses Verfahren einer automatischen Anpassung/Abstimmung
eines MPC-Reglers bestimmt somit optimale Abstimmungsparameter,
die auf einer Modellfehlanpassung oder einem Modellfehlanpassungsbereich
basieren, um es dem MPC-Regler zu ermöglichen, in Gegenwart
einer Modellfehlanpassung optimal zu funktionieren, und kann vorteilhaft
verwendet werden, um eine adaptive Regelung im geschlossenen Kreis
auszuführen, was es in vielen Fällen zu einer
besseren Wahl als PID-Regelungstechniken macht.
-
Zusätzlich
verwendet ein Verfahren, das z. B. in einer MPC-Reglereinheit verwendet
werden kann, eine Autokorrelationsfunktion eines Regelfehlers und/oder
eines Vorhersagefehlers, um eine geschätzte Größe
oder eine Änderung der Modellfehlanpassung zwischen dem
derzeit verwendeten Prozessmodell in dem MPC-Regler und dem eigentlichen
Prozess zu bestimmen. Diese Schätzung kann verwendet werden,
um einen neuen Adaptations-/Abstimmungs-Zyklus zu starten, um die
Entwurfs- und Abstimmungsparameter des MPC-Reglers zu aktualisieren,
um dadurch eine bessere Regelung in Gegenwart des neuen Ausmaßes
an Modellfehlanpassung auszuführen. Dieses Verfahren zum
Erfassen einer Modellfehlanpassung kann verwendet werden, um zu
bestimmen, wann ein Regler derart abgestimmt ist, dass er besser
auf Prozesszustandsänderungen anspricht, insbesondere wenn
derartige Zustandsänderungen mit einer Änderung
des Prozessmodells einhergehen, und kann daher verwendet werden,
um einen MPC-Regler zu ändern oder neu abzustimmen, bevor
eine Prozessänderung auftritt, die der derzeit abgestimmte
MPC-Regler vielleicht nicht oder nicht gut handhaben kann.
-
KURZE BESCHREIBUNG DER ZEICHNUNGEN
-
Es
zeigen:
-
1 ein
Funktionsschema eines Prozessregelsystems, das ein Regelmodul umfasst,
das einen erweiterten Reglerfunktionsblock umfasst, der einen MPC-Regler
umsetzt.
-
2 ein
Funktionsschema eines typischen MPC-Reglers.
-
3 ein
Funktionsschema einer typischen MPC-Reglereinheit, die einen MPC-Regler
und einen Zustandsbeobachter umfasst, die angeschlossen sind, um
eine Prozessanlage zu regeln.
-
4 ein
schematische Darstellung eines Adaptations-/Abstimmungs-Blocks,
der mit einer MPC-Reglereinheit gekoppelt ist, um MPC-Entwurfs-
und Abstimmungsparameter basierend auf einem Prozessmodell und einer
Modellfehlanpassung bei einem oder mehreren Prozessmodellparametern
zu bestimmen.
-
5 ein
beispielhaftes Diagramm des minimalen integrierten absoluten Fehlers,
der mit der Bestimmung einer optimalen Abstimmung in Gegenwart einer
Modellfehlanpassung bei einem Prozessverstärkungsparameter
eines Prozessmodells verknüpft ist.
-
6 ein
beispielhaftes Diagramm des minimalen erzielbaren integrierten absoluten
Fehlers, der mit der Bestimmung einer optimalen Abstimmung in Gegenwart
einer Modellfehlanpassung bei einer Zeitkonstante erster Ordnung
eines Prozessmodells verknüpft ist.
-
7 ein
beispielhaftes Diagramm des minimalen erzielbaren integrierten absoluten
Fehlers, der mit der Bestimmung einer optimalen Abstimmung in Gegenwart
einer Modellfehlanpassung bei einer Zeitkonstante zweiter Ordnung
eines Prozessmodells verknüpft ist.
-
8 eine
dreidimensionale Oberflächengrafik des bestmöglichen
integrierten absoluten Fehlers, wie er von dem Adaptations-/Abstimmungs-Block
aus 4 für eine Modellfehlanpassung bei zwei
Prozessmodellparametern eines MPC-Reglers mit einer Zustandsaktualisierung
des Standard-Kalman-Filters berechnet wird.
-
9 eine
dreidimensionale Oberflächengrafik des bestmöglichen
integrierten absoluten Fehlers, wie er von dem Adaptations-/Abstimmungs-Block
aus 4 für eine Modellfehlanpassung bei zwei
Prozessmodellparametern eines MPC-Reglers mit einer Zustandsaktualisierung
des vereinfachten Kalman-Filters berechnet wird.
-
10 eine
Veranschaulichung eines Bereichs einer Modellfehlanpassung in einem
zweidimensionalen Unterraum.
-
11 eine
Veranschaulichung des zweidimensionalen Unterraums der Modellfehlanpassung
aus 10, der in dem dreidimensionalen Diagramm aus 8 an
dem vorausgesetzten Prozessmodell-Mittelpunkt überlagert
ist, um einen zweidimensionalen Unterraum des Modellfehlanpassungsbereichs
zu definieren.
-
12 eine
Veranschaulichung, wie der zweidimensionale Unterraum des Modellfehlanpassungsbereichs
in 11 an einen anderen Ort in dem dreidimensionalen
Diagramm aus 11 bewegt wird, um einen neuen
Satz von Reglermodellparametern sowie einen neuen Satz von optimalen
MPC-Abstimmungs- und Entwurfsparametern zu bestimmen, die mit dem
Unterraum des Modellfehlanpassungsbereichs verknüpft sind.
-
13 ein
Funktionsschema eines Adaptations-/Abstimmungs-Blocks, der einen
MPC-Regler basierend auf einem Prozess- oder Anlagenmodell und einem
Modellfehlanpassungsbereich optimiert.
-
14 ein
Funktionsschema, das die Anwendung des Adaptations-/Abstimmungs-Blocks
aus 13 auf eine MPC-Regelung unter Verwendung einer
Abstimmung im offenen Kreis veranschaulicht.
-
15 ein
Funktionsschema, das die Anwendung des Adaptations-/Abstimmungs-Blocks
aus 13 auf eine MPC-Regelung in einer Abstimmungskonfiguration
im geschlossenen Kreis unter Verwendung eines Eigenschaftschätzfunktionsblocks,
der mit einem Prozess gekoppelt ist, veranschaulicht.
-
16 ein
Funktionsschema, das die Anwendung des Adaptations-/Abstimmungs-Blocks
aus 13 auf eine MPC-Regelung in einer Abstimmungskonfiguration
im geschlossenen Kreis unter Verwendung eines Neuerungsanalyseblocks,
der mit einem MPC-Regler gekoppelt ist, veranschaulicht.
-
17 ein
PID einer binären Destillationskolonne, die für
experimentelle Versuche eines hier beschriebenen Adaptations-/Abstimmungs-Verfahrens
eines MPC-Reglers verwendet wird.
-
18 ein
Diagramm der Leistung von drei unterschiedlich abgestimmten MPC-Reglern
und einem PID-Regler bei der Regelung eines Pegels innerhalb der
binären Destillationskolonne aus 17 bei
einem ersten Dampfdurchsatz.
-
19 ein
Diagramm der Leistung der drei unterschiedlich abgestimmten MPC-Regler
und des PID-Reglers, wenn ein Pegel innerhalb der binären
Destillationskolonne aus 17 nach
Einführung einer künstlichen ungemessenen Störung
in den Dampfdurchsatz von dem ersten Dampfdurchsatz auf einen zweiten
Dampfdurchsatz geregelt wird.
-
20 ein
Diagramm der Leistung der beiden unterschiedlich abgestimmten MPC-Regler
und eines PID-Reglers, wenn ein Pegel innerhalb der binären
Destillationskolonne aus 17 auf
dem zweiten Dampfdurchsatz geregelt wird.
-
21 ein
Diagramm einer Autokorrelation eines Vorhersagefehlers in dem MPC-Regler
bei den drei verschiedenen MPC-Abstimmungseinstellungen, wenn er
mit dem ersten Dampfdurchsatz betrieben wird, der mit dem Diagramm
aus 18 verknüpft ist.
-
22 ein
Diagramm einer Autokorrelation eines Vorhersagefehlers in dem MPC-Regler
für zwei der drei verschiedenen MPC-Abstimmungseinstellungen,
wenn er mit dem zweiten Dampfdurchsatz betrieben wird, der mit dem
Diagramm aus 20 verknüpft ist.
-
23 ein
Diagramm einer Autokorrelation eines Vorhersagefehlers in dem MPC-Regler
für die drei verschiedenen MPC-Abstimmungseinstellungen,
wenn er während der Unterdrückung der ungemessenen Störung
betrieben wird, die mit dem Diagramm aus 19 verknüpft
ist.
-
24 ein
Diagramm einer Autokorrelation eines Regelfehlers in dem MPC-Regler
bei den drei verschiedenen MPC-Abstimmungseinstellungen (und eines
PID-Reglers), wenn er bei dem ersten Dampfdurchsatz betrieben wird,
der mit dem Diagramm aus 18 verknüpft
ist.
-
25 ein
Diagramm einer Autokorrelation eines Regelfehlers in dem MPC-Regler
bei den drei verschiedenen MPC-Abstimmungseinstellungen (und eines
PID-Reglers), wenn er während der Unterdrückung einer
ungemessenen Störung betrieben wird, die mit der Änderung
des Dampfdurchsatz von dem ersten Dampfdurchsatz auf den zweiten
Dampfdurchsatz verknüpft ist.
-
26 ein Funktionsschema, das eine Anwendung des
Adaptations-/Abstimmungs-Blocks aus 13 auf
eine MPC-Regelung in einer Abstimmungskonfiguration im geschlossenen
Kreis veranschaulicht, die eine Schätzfunktion umfasst,
die entweder auf einer Prozessschätzung oder einer Schätzung
einer Neuerungsanalyse oder auf beiden beruht, um eine adaptive
Abstimmung eines MPC-Reglers zu starten.
-
AUSFÜHRLICHE BESCHREIBUNG
-
Im
Allgemeinen wird hier ein neues Verfahren für Adaptation,
Entwurf und Abstimmung eines Reglers besprochen, das auf diverse
verschiedene Arten von modellprädiktiven Regelungs-(MPC)Reglern
zur Verwendung in einer beliebigen gewünschten oder geeigneten
Reglereinstellung angewendet werden kann. Dieses neue Verfahren
für Adaptation, Entwurf und Abstimmung eines Reglers ist
jedoch besonders nützlich bei Regelsystemen, die in Prozessanlagen
verwendet werden, wie etwa in industriellen Prozessanlagen, wie
Anlagen zur Herstellung von Medikamenten und Chemikalien, Raffinerien,
usw. Obwohl die neue Technik für Adaptation, Entwurf und
Abstimmung eines MPC-Reglers hier jedoch beschrieben wird, wie sie
als Teil eines verteilten Prozessregelnetzwerks umgesetzt wird,
könnte sie auch in andersartigen Regelumgebungen umgesetzt
werden, z. B. auch als Teil eines zentralisierten Regelsystems,
als Teil eines speicherprogrammierbaren Regelungs-(SPS-)Systems,
als Teil eines unabhängigen Regelsystems, usw.
-
Mit
Bezug auf 1 umfasst nun ein Prozessregelsystem 10,
bei dem die hier beschriebene Technik für Adaptation, Entwurf
und Abstimmung eines MPC-Reglers umgesetzt werden kann, einen Prozessregler 11, der
kommunikationsmäßig an ein Datenarchiv 12 und
an eine oder mehrere Host-Arbeitsstationen oder Computer 13 (wobei
es sich um eine beliebige Art von PC, Arbeitsstation, usw. handeln
kann), die jeweils einen Anzeigebildschirm 14 aufweisen,
angeschlossen ist, umfassen. Der Regler 11 ist auch an
Feldgeräte 15 bis 22 über Ein-/Ausgabe-(E/A)Karten 26 und 28 angeschlossen.
Das Datenarchiv 12 kann eine beliebige gewünschte
Art von Datensammeleinheit sein, die eine beliebige gewünschte
Art von Speicher und eine beliebige gewünschte oder bekannte
Software, Hardware oder Firmware zum Speichern von Daten aufweist,
und kann von den Arbeitsstationen 13 getrennt sein (wie
in 1 abgebildet) oder ein Teil davon sein. Der Regler 11,
der rein beispielhaft der DeltaVTM-Regler
sein kann, der von Emerson Process Management vermarktet wird, ist
kommunikationsmäßig an die Host-Computer 13 und
das Datenarchiv 12 beispielsweise über einen Ethernet-Anschluss
oder ein anderes gewünschtes Kommunikationsnetzwerk 29 angeschlossen.
Das Kommunikationsnetzwerk 29 kann in Form eines lokalen
Netzwerks (LAN), eines Weitbereichsnetzwerks (WAN), eines Telekommunikationsnetzwerks,
usw. vorliegen und kann unter Verwendung einer verkabelten oder
kabellosen Technologie umgesetzt werden. Der Regler 11 ist
kommunikationsmäßig an die Feldgeräte 15 bis 22 unter
Verwendung beliebiger gewünschter Hardware und Software
angeschlossen, die z. B. mit standardmäßigen 4–20
mA-Geräten und/oder einem beliebigen intelligenten Kommunikationsprotokoll,
wie etwa dem Protokoll FOUNDATION® Fieldbus
(Feldbus), dem Protokoll HART®,
dem Protokoll WirelessHARTTM, usw., verknüpft
sind.
-
Die
Feldgeräte 15 bis 22 können
beliebige Vorrichtungen sein, wie etwa Sensoren, Ventile, Transmitter,
Positionierer, usw., während die E/A-Karten 26 und 28 beliebige
Arten von E/A-Vorrichtungen sein können, die einem beliebigen
gewünschten Kommunikations- oder Reglerprotokoll entsprechen.
Bei der in 1 abgebildeten Ausführungsform
sind die Feldgeräte 15 bis 18 standardmäßige
4–20 mA-Geräte oder HART®-Geräte,
die über Analogleitungen oder kombinierte Analog-/Digital-Leitungen
mit der E/A-Karte 26 kommunizieren, während die
Feldgeräte 19 bis 22 intelligente Vorrichtungen
sind, wie etwa Fieldbus-Feldgeräte, die über einen
Digitalbus mit der E/A-Karte 28 unter Verwendung von Kommunikationen
nach dem Fieldbus-Protokoll kommunizieren. Natürlich könnten
die Feldgeräte 15 bis 22 einer oder mehreren
beliebigen anderen gewünschten Normen oder Protokollen
entsprechen, wozu alle Normen oder Protokolle gehören,
die derzeit existieren oder zukünftig entwickelt werden.
Ebenso könnten die Kommunikationen zwischen den Feldgeräten 15 bis 22 je
nach Wunsch unter Verwendung einer verkabelten, einer kabellosen
Technologie oder einer Kombination aus verkabelter und kabelloser
Technologie umgesetzt werden.
-
Der
Regler 11, der einer von vielen verteilten Reglern innerhalb
der Anlage 10 sein kann, weist darin mindestens einen Prozessor
auf, der eine oder mehrere Prozessregelungsroutinen, die Regelkreise
umfassen können, die darin gespeichert oder anderweitig
damit verknüpft sind, umsetzt oder leitet. Der Regler 11 kommuniziert
auch mit den Geräten 15 bis 22, den Host-Computern 13 und
dem Datenarchiv 12, um einen Prozess auf gewünschte
Art und Weise zu regeln. Es ist zu beachten, dass bei allen hier
beschriebenen Regelungsroutinen oder -elementen je nach Wunsch Teile
derselben von verschiedenen Reglern oder anderen Vorrichtungen umgesetzt
oder ausgeführt werden können. Ebenso können
die Regelungsroutinen oder -elemente, die hier beschrieben werden,
um in dem Prozessregelsystem 10 umgesetzt zu werden, eine
beliebige Form annehmen, wozu Software, Firmware, Hardware, usw.
gehören. Zum Zweck der vorliegenden Diskussion kann ein
Prozessregelungselement ein beliebiger Teil oder Abschnitt eines
Prozessregelsystems sein, wozu z. B. eine Routine, ein Block oder
ein Modul gehört, die, der oder das auf einem beliebigen
computerlesbaren Datenträger gespeichert ist, um von einem
Prozessor, wie etwa einer Zentraleinheit einer Computervorrichtung, ausführbar
zu sein. Regelungsroutinen, die Module oder Teil eines Regelungsverfahrens,
wie etwa einer Subroutine, Teile einer Subroutine (wie etwa Codezeilen),
usw. sein können, können in einem beliebigen gewünschten
Softwareformat umgesetzt werden, wie etwa unter Verwendung von Strichleiterlogik,
sequentiellen Funktionsdiagrammen, Funktionsschemata, objektorientierter
Programmierung oder einer anderen Software-Programmiersprache oder
eines Entwurfsparadigmas. Ebenso können die Regelungsroutinen
z. B. in einem oder mehreren EPROM, EEPROM, anwendungsspezifischen
integrierten Schaltkreisen (ASIC) oder beliebigen anderen Hardware-
oder Firmware-Elementen fest eingebaut sein. Ferner können
die Regelungsroutinen unter Verwendung beliebiger Entwurfs-Tools
entworfen werden, wozu grafische Entwurfs-Tools oder beliebige andere
Arten von Software-, Hardware- oder Firmware-Programmier- oder Entwurfs-Tools
gehören. Somit kann der Regler 11 im Allgemeinen
konfiguriert werden, um eine Regelstrategie oder Regelungsroutine
auf beliebige gewünschte Art und Weise umzusetzen.
-
Bei
einer Ausführungsform setzt der Regler 11 eine
Regelstrategie unter Verwendung von so genannten Funktionsblöcken
um, wobei jeder Funktionsblock ein Teil oder Objekt einer Gesamtregelungsroutine
ist und zusammen mit anderen Funktionsblöcken (über
als Verknüpfungen bezeichnete Kommunikationen) arbeitet,
um Prozessregelkreise innerhalb des Prozessregelsystems 10 umzusetzen.
Funktionsblöcke führen typischerweise entweder
eine Eingabefunktion, wie etwa diejenige, die mit einem Transmitter,
einem Sensor oder einer anderen Prozessparameter-Messvorrichtung
verknüpft ist, eine Regelfunktion, wie etwa diejenige,
die mit einer Regelungsroutine verknüpft ist, die eine
PID-, MPC-, Fuzzylogic- usw. Regelung ausführt, oder eine Ausgabefunktion,
die den Betrieb einer Vorrichtung, wie etwa eines Ventils, regelt,
um eine physikalische Funktion innerhalb des Prozessregelsystems 10 auszuführen.
Natürlich gibt es hybride und andere Arten von Funktionsblöcken.
Funktionsblöcke können in dem Regler 11 gespeichert
sein und darin ausgeführt werden, was typischerweise der
Fall ist, wenn diese Funktionsblöcken für standardmäßige
4–20 mA-Vorrichtungen und einige Arten von intelligenten
Feldgeräten, wie etwa HART-Geräten, verwendet
werden oder damit verknüpft sind, oder können
in den Feldgeräten selber gespeichert und von diesen umgesetzt
werden, was der Fall bei FOUNDATION®-Fieldbus-Geräten
sein kann. Ferner können Funktionsblöcke, die
Reglerroutinen umsetzen, wie etwa die hier beschriebenen Routinen
oder Techniken zur Regleradaptations- und Abstimmung, vollständig
oder teilweise in den Host-Arbeitsstationen oder Computern 13 oder
in einer beliebigen anderen Computervorrichtung umgesetzt werden.
Obwohl die Beschreibung des Regelsystems hier unter Verwendung einer Funktionsblock-Regelstrategie
bereitgestellt wird, die ein objektorientiertes Programmierparadigma
verwendet, könnten die Regelstrategie oder die Regelkreise
oder Regelmodule auch unter Verwendung anderer Konventionen und
unter Verwendung einer beliebigen gewünschten Programmiersprache
oder eines beliebigen gewünschten Paradigmas umgesetzt
oder entworfen werden.
-
Wie
es der vergrößerte Block 30 aus 1 veranschaulicht,
kann der Regler 11 eine Reihe von Regelungsroutinen mit
einem einzigen Kreis, die als Routinen 32 und 34 abgebildet
sind, umfassen und kann einen oder mehrere erweiterte Regelkreise,
die als Regelkreis 36 abgebildet sind, umsetzen. Jeder
dieser Kreise wird typischerweise als Regelmodul bezeichnet. Die
Regelungsroutinen mit einem einzigen Kreis 32 und 34 werden
abgebildet, wie sie eine Regelung mit einem einzigen Kreis unter
Verwendung jeweils eines Fuzzylogic-Regelblocks mit Einfacheingang/Einfachausgang
und eines PID-Regelblocks mit Einfacheingang/Einfachausgang verwendet,
die an geeignete Funktionsblöcke mit Analogeingang (AI)
und Analogausgang (AO) angeschlossen sind, die mit Prozessregelungsvorrichtungen,
wie etwa Ventilen, mit Messvorrichtungen, wie etwa Temperatur- und
Druckgeber, oder mit einer beliebigen anderen Vorrichtung innerhalb
des Prozessregelsystems 10 verknüpft sein können.
Der erweiterte Regelkreis 36 wird abgebildet, wie er einen
erweiterten Regelblock 38 umfasst, der Eingänge,
die kommunikationsmäßig an zahlreiche AI-Funktionsblöcke
angeschlossen sind, und Ausgänge, die kommunikationsmäßig
an zahlreiche AO-Funktionsblöcke angeschlossen sind, aufweist,
obwohl die Eingänge und Ausgänge des erweiterten
Regelblocks 38 kommunikationsmäßig an
beliebige andere gewünschte Funktionsblöcke oder
Regelelemente angeschlossen werden können, um andere Arten von
Eingaben zu empfangen und andere Arten von Regelausgaben bereitzustellen.
Während der erweiterte Regelblock 38 abgebildet
wird, wie er eine Mehrgrößen-Regelung (z. B. Mehrfacheingang/Mehrfachausgang) umsetzt,
könnte er zudem auch verwendet werden, um eine Einzelgrößen-Regelung
(z. B. Einfacheingang/Einfachausgang) umzusetzen. Wie nachstehend
beschrieben wird, kann der erweiterte Regelblock 38 ein
Regelblock sein, der eine modellprädiktive Regelungs-(MPC)Routine
mit einem Regler-Adaptations-/Abstimmungsblock integriert, welcher
der MPC-Reglerroutine Entwurfs- und Abstimmungsparameter eines Reglers
bereitstellt, um die Regelung des Prozesses oder eines Teils des
Prozesses auszuführen. Obwohl der erweiterte Regelblock 38 hier
beschrieben wird, wie er im Allgemeinen einen modellprädiktiven
Regelungs-(MPC)Block umfasst, könnte der erweiterte Regelblock 38 eigentlich
eine beliebige Technik von vielen verschiedenen Arten von MPC-Techniken
umsetzen, und kann sogar in manchen Fällen zwischen diesen Techniken
umschalten, wie hier ausführlicher beschrieben wird. Es
versteht sich, dass die in 1 abgebildeten
Regelmodule oder Teilkomponenten dieser Module, einschließlich
des erweiterten Regelblocks 38 oder seiner Komponenten,
von dem Regler 11 ausgeführt werden können
oder sich alternativ in einer beliebigen anderen Verarbeitungsvorrichtung
befinden und davon ausgeführt werden können, wie
etwa eine der Arbeitsstationen 13 oder sogar eines der
Feldgeräte 19 bis 22. Bei einer Ausführungsform
kann z. B. ein Adaptations-/Abstimmungs-Block 42 eines
MPC-Reglers in dem Computer 13 gespeichert sein und darauf
ausgeführt werden, um einem MPC-Regler, der in dem erweiterten
Regelblock 38 gespeichert ist, der in dem Regler 11 ausgeführt
wird, Abstimmungsparameter, Entwurfsparameter und Prozessmodellparameter
eines MPC-Reglers bereitzustellen.
-
Wie
in 1 abgebildet, umfasst eine der Arbeitsstationen 13 eine
erweiterte Regelblock-Generierungsroutine 44, die verwendet
wird, um den erweiterten Regelblock 38 zu erstellen, herunterzuladen
und umzusetzen. Während die erweiterte Regelblock-Generierungsroutine 44 in
einem Speicher innerhalb der Arbeitsstation 13 gespeichert
werden kann und darin von einem Prozessor ausgeführt werden
kann, kann diese Routine (oder ein beliebiger Teil davon) zusätzlich
oder alternativ je nach Wunsch in einer beliebigen anderen Vorrichtung
innerhalb des Prozessregelsystems 10 gespeichert und davon
ausgeführt werden. Ferner kann es eine Benutzerschnittstellenroutine 46 einem
Benutzer, wie etwa einer Prozessbedienperson, einem Regelungsingenieur,
usw. ermöglichen, Abstimmungs-, Entwurfs- oder Regelungsparameter,
die mit dem erweiterten Regelblock 38 verknüpft
sind, vorzugeben oder zu ändern, Sollwerte zu ändern,
ein Adaptations-/Abstimmungs-Verfahren zu starten, das von dem Adaptations-/Abstimmungs-Block 42 ausgeführt
wird, um neue Modellparameter bereitzustellen, um Modellfehlanpassungswerte
oder Modellfehlanpassungsbereichswerte, usw. bereitzustellen.
-
Rein
informationshalber umfassen viele industrielle Umsetzungen von MPC-Techniken
modellalgorithmische Regelungs-(MAC)Techniken und dynamische Matrixregelungs-(DMC)Techniken.
Die DMC-Technologie verwendet lineare Sprungantwort- oder Impulsantwortmodelle
des Prozesses und in diesem Fall wird der optimale Regelungsweg
offline vorberechnet und in einer großen Matrix gespeichert.
Diese Reglermatrix wird dann verwendet, um die Online-Maßnahmen
der Stellgrößen durch Überlagerung zu
berechnen. Dadurch werden die Berechnungskosten im Vergleich zu
MPC-Verfahren, die optimale Gleichungen online lösen, drastisch reduziert.
Ein weiterer Vorteil der DMC-Technologie ist es, dass eine darin
verwendete Zustandsgröße intuitiv von dem Prozessmodell
berechnet wird und die explizite zukünftige Ausgabevorhersage
darstellt, was bedeutet, dass zukünftige Vorhersagen von
Prozessausgaben, wie etwa Größen, die mit Randbedingungen
verknüpft sind, leicht verfügbar sind und dem
Benutzer angezeigt werden können.
-
Andere
MPC-Umsetzungen umfassen IDCOM und lineare dynamische Matrixregelung
(LDMC), die eine lineare objektive Funktion verwendet und Randbedingungen
explizit eingliedert, quadratische dynamische Matrixregelung (QDMC),
die eine Erweiterung von DMC ist und eine quadratische Leistungsfunktion
eingliedert und bei der Eingliederung von Randbedingungen explizit
vorgeht, IDCOM-M, das eine Erweiterung von IDCOM ist, die einen
quadratischen Programmieralgorithmus verwendet, um die iterative
Lösungstechnik der ursprünglichen Umsetzung zu
ersetzen, und Mehrfachgrößen-Optimierungsregelung
von Shell (SMOC), die eine Zustand-Raum-Umsetzung ist. Eine weitere
Gruppe von MPC-Techniken verwendet einen Zustandsbeobachter, um
eine bessere MPC-Leistung bereitzustellen.
-
2 bildet
ein ausführliches Funktionsschema einer Ausführungsform
einer Mehrgrößen-MPC-Reglereinheit 52 ab
(kommunikationsmäßig mit dem Prozess 50 gekoppelt),
die von dem erweiterten Regelblock 38 aus 1 umgesetzt
werden kann, um eine Mehrfachgrößen-Prozessregelung
auszuführen. In diesem Fall kann die MPC-Reglereinheit 52 verwendet
werden, um eine DMC-Regelungstechnik umzusetzen. Diese Diskussion
bietet jedoch eine gute Grundlage für ein verallgemeinertes
Verständnis der MPC-Regelung. Wie in 2 gezeigt,
erzeugt der erweiterte Regelblock 38 einen Satz von Stellgrößen
(MV), die anderen Funktionsblöcken bereitgestellt werden,
die ihrerseits an Regelungseingänge des Prozesses 50 angeschlossen
sind. Wie in 2 abgebildet, umfasst der erweiterte
Regelblock 38 den MPC-Reglerblock 52, der eine
beliebige standardmäßige MPC-Routine oder ein
MPC-Verfahren umfassen oder umsetzen kann, die bzw. das typischerweise
eben so viele Eingänge wie Ausgänge aufweist,
obwohl diese Anforderung nicht zwingend ist. Der MPC-Regler 52 empfängt
als Eingaben einen Satz von N Regelgrößen (CV)
und Hilfsgrößen (AV), die typischerweise Vektoren
von Werten bilden, wie sie innerhalb des Prozesses 50 gemessen
werden, einen Satz von Störgrößen (DV),
die bekannte oder erwartete Änderungen oder Störungen
sind, die dem Prozess 50 zu einem gewissen Zeitpunkt in
der Zukunft bereitgestellt werden, und einen Satz von Regel- und
Hilfsgrößen eines Zielbeharrungszustands (CVT) und (AVT), die
z. B. von einem (nicht gezeigten) Optimierer, einem Benutzer oder
einer anderen Quelle bereitgestellt werden. Der MPC-Regler 52 verwendet
diese Eingaben, um den Satz von M Stellgrößen-(MV)Signalen
in Form von Regelsignalen zu erstellen, und liefert die Stellgrößensignale
MV an die Regeleingänge des Prozesses 50, welche
Ventilaktuatoren, Brenner, Pumpen, usw. sein können.
-
Ferner
berechnet und erzeugt der MPC-Regler 52 einen Satz von
Regelgrößen (CVSS) und
Hilfsgrößen (AVSS) eines
vorhergesagten Beharrungszustands zusammen mit einem Satz von Stellgrößen
(MVSS) eines vorhergesagten Beharrungszustands,
welche jeweils die vorhergesagten Werte der Regelgrößen
(CVS), Hilfsgrößen (AVS) und Stellgrößen (MVS) an einem Regelhorizont darstellen. Diese
Größen können bei einer oder mehreren
MPC-Optimierungsroutine(n) verwendet werden, um die Zielregel- und
Zielhilfsgrößen CVT und AVT zu entwickeln, um den Prozess 50 in
einen optimalen Betriebszustand anzuregeln.
-
Unabhängig
davon, wie sie entwickelt werden, werden die Zielregel- und Zielhilfsgrößen
CVT und AVT dem
MPC-Regler 52 als Eingaben bereitgestellt, der, wie zuvor
erwähnt, diese Zielwerte CVT und
AVT verwendet, um einen neuen Satz von Beharrungszustand-Stellgrößen
MVSS (über den Regelhorizont) zu
bestimmen, der die aktuellen Regel- und Stellgrößen
CV und AV auf die Zielwerte CVT und AVT am Ende des Regelhorizonts anregelt. Es
ist natürlich bekannt, dass der MPC-Regler 52 die
Stellgrößen sprunghaft ändert, in einem Versuch,
die Beharrungswerte für die Beharrungszustands-Stellgrößen
MVSS zu erreichen, was theoretisch dazu
führt, dass der Prozess die Zielregel- und Zielhilfsgrößen
CVT und AVT erzielt.
Da der MPC-Regler 52 wie oben beschrieben während
jeder Prozessabtastung funktioniert, können die Zielwerte
der Stellgrößen sich von einer Abtastung zu anderen ändern,
und daher erreicht der MPC-Regler 52 vielleicht niemals
einen bestimmten dieser Sätze von Zielstellgrößen
MV, insbesondere in Gegenwart von Rauschen, unerwarteten Störungen, Änderungen
des Prozesses 50, usw.
-
Auf
bekannte Art und Weise umfasst der MPC-Regler 52 ein Prozessmodell 70 zur
Regelungsvorhersage (auch „Reglermodell” genannt),
das eine beliebige Art von Modell sein kann, das bei einer der diversen verschiedenen
MPC-Regelungstechniken verwendet wird. Z. B. kann das Modell 70 eine
N mal M + D Sprungantwortmatrix sein (wobei N ist die Anzahl der
Regelgrößen CV plus der Anzahl der Hilfsgrößen
AV, M die Anzahl der Stellgrößen MV und D die
Anzahl der Störgrößen DV ist). Das Modell 70 kann
jedoch ein prädiktives oder Erstprinzip-Modell erster Ordnung,
zweiter Ordnung, dritter Ordnung, usw., ein Zustand-Raum-Modell,
ein Faltungs-Prozessmodell oder eine beliebige andere Art von Prozessmodell
sein. Das Reglermodell 70 kann aus Prozessausfalltests
unter Verwendung von Zeitreihenanalyse-Techniken bestimmt werden,
die keinen wesentlichen grundlegenden Modellierungsaufwand benötigen,
oder kann unter Verwendung beliebiger anderer bekannter Prozessmodellierungstechniken
bestimmt werden, einschließlich solcher, die einen oder
mehrere Sätze von linearen Modellen oder nicht linearen
Modellen überlagern. Auf jeden Fall erzeugt das Regelungsvorhersage-Prozellmodell 70 eine
Ausgabe 72, die eine zuvor berechnete Vorhersage für
jede der Regel- und Hilfsgrößen CV und AV definiert,
und ein Vektorsummierer 74 subtrahiert diese vorhergesagten
Werte für den aktuellen Zeitpunkt von den tatsächlich
gemessenen Werten der Regel- und Hilfsgrößen CV
und AV, um einen Fehler- oder Korrekturvektor für die Eingabe 76 zu
erzeugen. Dieser Fehler wird typischerweise als Vorhersagefehler
bezeichnet.
-
Das
Regelungsvorhersage-Prozessmodell 70 sagt dann einen zukünftigen
Regelparameter für jede der Regelgrößen
und Hilfsgrößen CV und AV über den Regelhorizont
basierend auf den Störgrößen und Stehgrößen,
die anderen Eingängen des Regelungsvorhersage-Prozessmodells 70 bereitgestellt
werden, voraus. Das Regelungsvorhersage-Prozessmodell 70 erzeugt
auch die vorhergesagten Beharrungswerte der oben besprochenen Regelgrößen
und Hilfsgrößen CVSS und
AVSS.
-
Ein
Regelungszielblock 80 bestimmt einen Regelungszielvektor
für jede der N Zielregel- und Zielhilfsgrößen
CVT und AVT, die
diesem von dem Zielkonvertierungsblock 55 unter Verwendung
eines Trajektorienfilters 82, der zuvor für den
Block 38 erstellt wurde, bereitgestellt werden. Insbesondere
stellt der Trajektorienfilter einen Einheitsvektor bereit, der definiert,
wie die Regel- und Hilfsgrößen mit der Zeit auf
ihre Zielwerte anzuregeln sind. Der Regelungszielblock 80 verwendet
diesen Einheitsvektor und die Zielgrößen CVT und AVT, um einen
dynamischen Regelungszielvektor für jede der Regel- und
Hilfsgrößen zu erzeugen, der die Änderungen
der Zielgrößen CVT und
AVT über den von der Regelhorizontzeit
definierten Zeitraum definieren. Ein Vektorsummierer 84 subtrahiert
dann den zukünftigen Regelparametervektor für
jede der Regel- und Hilfsgrößen CV und AV von
den dynamischen Regelungsvektoren, um einen zukünftigen
Fehlervektor für jede der Regel- und Hilfsgrößen
CV und AV zu definieren. Der zukünftige Fehlervektor für
jede der Regel- und Hilfsgrößen CV und AV wird
dann dem MPC-Algorithmus 86 bereitgestellt, der funktioniert,
um die Sprünge der Stehgrößen MV zu wählen,
die beispielsweise den Kleinstquadratfehler oder den integrierten
absoluten Fehler (IAE) über den Regelhorizont minimieren.
Bei einigen Ausführungsformen kann der MPC-Algorithmus 86 eine
MxM-Regelmatrix verwenden, die je nach Wunsch aus Verhältnissen
zwischen den N Regel- und Hilfsgrößen, die in den
MPC-Regler 52 eingegeben werden, und den M Stehgrößen,
die von dem MPC-Regler 52 ausgegeben werden, entwickelt
wird. Insbesondere hat der MPC-Algorithmus 86 zwei Hauptziele.
Erstens versucht der MPC-Algorithmus 86, den CV-Regelfehler
mit minimalen MV-Maßnahmen innerhalb der Betriebsrandbedingungen zu
minimieren, und versucht zweitens, optimale Beharrungs-MV-Werte
und die Ziel-CV-Werte, die direkt aus den optimalen Beharrungs-MV-Werten
berechnet werden, zu erreichen.
-
Die
Zustandsgleichungen für einen typischen modellprädiktiven
Regler können folgendermaßen formuliert werden:
wobei
Q, R, S die Verlustgewichtungen jeweils für Fehler, Reglermaßnahme
und Inkrementalmaßnahme sind, x
k die
Modellzustandsmatrix ist, y
k die Prozessausgabe
und u
k die Reglerausgabe ist. Da die Q,
R und S Verlustvektoren inhärent getrennt sind, haben MPC-Regler
im Allgemeinen keinen Leistungskompromiss zwischen Sollwertverfolgung
und Störungsunterdrückung. MPC-Regler müssen
jedoch weiterhin auf ein spezifisches Mehrfachgrößen-Prozessregelungsziel
abgestimmt werden. Während das Prozessmodell immer der
internen Struktur eines MPC-Reglers angepasst wird (z. B. der Prozesszustandsraum
der Zustand-Raum-MPC-Formulierung), bestimmen zusätzliche
Abstimmungsparameter das Verhalten bezüglich Sollwertänderung
und Störungsunterdrückung.
-
Insbesondere
können die Verlustvektoren verwendet werden, um eine Größe
gegenüber anderen je nach dem Regelungsziel für
den spezifischen Prozess hervorzuheben, wie es durch den Endbenutzer
definiert wird. Wenn eine Modellfehlanpassung vermutet wird, können
die Verlustvektoren Q und R auch verwendet werden, um die Regler
robuster zu machen (d. h. den Regler verstimmen). Verfahren wie
etwa eine Trichterregelung oder eine Referenztrajektorie haben eine
offensichtlichere Auswirkung auf die Robustheit, da sie den Fehlervektor
effektiv filtern, weshalb diese Verfahren das bevorzugte Mittel
für Ingenieure und Bedienpersonen sind, um modellprädiktive
Regler in industriellen Prozessanwendungen abzustimmen. Da ein modellprädiktiver Regler
sich inhärent dem Prozess „anpasst”,
sind die Regelungsmaßnahmen immer optimal für
das spezifische Prozessmodell. Diese Tatsache bedeutet, dass der
Regler nur verstimmt werden kann (gemäß den physikalischen
Einschränkungen für die endgültigen Regelelemente)
und nie sehr aggressiv abgestimmt werden kann. Z. B. kann eine Ventilöffnungsgeschwindigkeit
nie unendlich sein, und daher kann der Wert von R nie realistisch
gleich Null sein. Es ist bekannt, dass die Störungsunterdrückung
von industriellen MPC-Reglern nicht an die der PID-Regler herankommt,
wenn PID-Regler spezifisch auf Störungsunterdrückung
abgestimmt sind. Neuere MPC-Verbesserungen im Bereich der Zustandsaktualisierung
haben diese Leistungslücke geschlossen, wenn ein Beobachtermodell,
das in der MPC-Routine verwendet wird, als vollkommen bekannt vorausgesetzt
wird. In Gegenwart einer Modellfehlanpassung ist die Regelleistung
(z. B. in IAE gemessen) eines PID-Reglers immer noch besser als
die eines MPC-Reglers mit der bestmöglichen Abstimmung.
Dennoch können MPC-Techniken mit einem Beobachter verwendet
werden, um die Rückführungs-Regelleistung zu verbessern
und arbeiten in dieser Hinsicht typischerweise besser als DMC-Techniken.
-
Ein
Beispiel eines beobachterbasierten MPC-Reglersystems 88 ist
in 3 abgebildet. Hier umfasst das MPC-Reglersystem 88 einen
MPC-Regler 90 und einen Beobachter 92, der in
diesem Fall als Kalman-Filter vorausgesetzt wird. Der MPC-Regler 90 stellt
Regelsignale u für eine Prozessanlage 94 und das
Kalman-Filter 92 bereit. Zudem empfangen der MPC-Regler
und das Kalman-Filter 92 Störeingaben d, die ebenfalls
der Prozessanlage 94 bereitgestellt werden oder darin vorliegen,
und empfangen eine Rückführung von der Anlage 94 in
Form von gemessenen Regelgrößen y. Die Prozessanlage 94 ist
in 3 modelliert abgebildet, wobei die Anlage 94 eine
Anlagenübertragungsfunktion 96, welche die Regelsignale
u und die Störsignale d empfängt, und diverse
Quellen unerwarteter Fehler oder Störungen umfasst. Insbesondere
empfängt ein Störungs- und Rauschmodell 98 (Übertragungsfunktion
Gw) das Rauschen w (das beispielsweise ein
Weißrauschen sein kann), und die Ausgabe des Rauschmodells 98 wird
(in einem rein theoretischen Summierer 100) zu der Ausgabe
der Anlagenübertragungsfunktion 96 hinzugefügt.
Die Ausgabe des Summierers 100 wird zu Messfehlern oder
Messrauschen z in einem anderen theoretischen Summierer 102 hinzugefügt,
um die gemessenen Prozessausgaben y zu erzeugen.
-
Bei
diesem Modell kann die Aktualisierung der Zustandsgröße
x eines Prozesses, der durch ein stochastisches Zustand-Raum-Modell
charakterisiert wird, folgendermaßen ausgedrückt
werden: xk+1 =
Axk + Buk + wk
(4)
yk = Cxk +
nk
(5) für
ein Prozessrauschen wk mit gaußscher
Verteilung und einem Messrauschen nk.
-
Das
allgemeine Ziel der Zustandsbeobachter, wie etwa des Beobachters
92 aus
3,
ist es, eine Schätzung der internen Zustände eines
Systems basierend auf allen messbaren Systemeingaben und -ausgaben
bereitzustellen. Insbesondere wenn eine der Voraussetzungen der
Gleichungen (4) und (5) besagt, dass die Vektoren A, B und C (die
den Prozess modellieren) genau bekannt sind, dann können
die Beobachterverstärkungen berechnet werden. Die in den
1960er Jahren entwickelte Filterformulierung, die als Kalman-Filter
bezeichnet wird, war das beliebteste Verfahren bei der Prozessregelung
zum Schätzen interner Prozesszustände basierend
auf verrauschten oder unvollständigen Messungen. Für
ein diskretes Abtastungssystem, das die MPC-Formulierung verwendet,
die in den Gleichungen (1) bis (3) angegeben wird, ist die Kalman-Filter-Gleichung
zum Schätzen des nächsten Zustands x
k+1 folgende:
x ^
k+1 = Ax ^
k +
Bu ^
k + J(yk – y ^
k) (6)
y ^
k = Cx ^
k
(7) wobei J die
Kalman-Filter-Verstärkung, x ^
k der
Zustandsvektor mit k Zustandsgrößen, y
k die vorhergesagte Prozessausgabe und y ^
k der tatsächliche Wert der Prozessausgabe
ist. Wenn Kovarianzen für ungemessene Störungen
und Messrauschen bekannt sind, kann die standardmäßige
Kalman-Filterstruktur durch Hinzufügen von G
w (Störungs-
und Rauschmodell) zum Anlagenmodell und dann durch Neuberechnen
der MPC-Regler-Verstärkung für das erweiterte
Modell erstellt werden (in
3 gezeigt).
Die Filterverstärkung J kann bestimmt werden, indem die
Riccati-Gleichung numerisch gelöst wird, wobei Q
KF die positive semidefinite Matrix ist,
welche die Kovarianzen der Störungen bei w darstellt, und
R
KF die positive definite Matrix ist, welche
die Kovarianzen des Messrauschens z darstellt. Wenn die Kovarianzen
nicht bekannt sind, kann eine vereinfachte Version des Kalman-Filters
verwendet werden. Diese Formulierung setzt voraus, dass die Störungen
w unabhängig sind und somit jedes Element der Störungen
w ein (und nur ein) Element der Prozessausgaben y beeinflusst. Aus
dieser Voraussetzung ergibt sich, dass Q
KF und
R
KF, die Kovarianzen der Eingabe und des
Messrauschens, nicht notwendig sind. Stattdessen verwendet diese
Vereinfachung eine Filterzeitkonstante τ
i und eine
Schätzung des Signal/Rausch-Verhältnisses SNR
i pro Störung, um das Störungsmodell
wie folgt zu erstellen:
wobei
a
i = e
–T/ti,
0 ≤ τ
i ≤ ∞ und
T die Abtastungsperiode ist. Wenn τ
i → 0,
nähert sich Gw
i(q) einer Einheitsverstärkung,
wohingegen wenn τ
i → ∞,
Gw
i ein Integrator wird. Das Element i von Δw
ist ein stationäres Weißrauschsignal mit einem
Mittelwert von Null und einer Standardabweichung σ
wi (wobei w
i(k) =
w
i(k) – w
i(k – 1)) ist.
Das Element i von z ist ein stationäres Weißrauschsignal
mit einem Mittelwert von Null und einer Standardabweichung σ
zi.
-
Das
Ziel der Zustandsaktualisierung ist es, die bestmögliche
Schätzung der derzeitigen Zustandsgröße
zu jedem Zeitpunkt zu finden (d. h. zu jeder Abtastperiode eines
diskreten Reglers). Die Verwendung der bestmöglichen Zustandsschätzung
in einem gut abgestimmten MPC-Regler bedeutet jedoch nicht unbedingt, dass
dies zur bestmöglichen Regelleistung führt. Insbesondere
ist das dynamische Verhalten des Rückführungswegs
im geschlossenen Kreis des Zustandsaktualisierungsmodells von der
Beobachterverstärkung J abhängig. Da jedoch die
Beobachterverstärkung J von der Rauschkovarianz (oder dem
Signal/Rausch-Verhältnis bei einer vereinfachten Kalman-Filter-Formulierung)
abhängig ist, gib es keinen Abstimmungsparameter oder keine
gattungsmäßige Größe, der oder
die die Beobachterübertragungsfunktion berücksichtigt.
Daher kann die Regelleistung im geschlossenen Kreis auf unerwünschte
(suboptimale) Art und Weise beeinflusst werden. Es wurde jedoch
bestimmt, dass die Antworten im geschlossenen Kreis für
einen großen Bereich von J für eine bestimmte
Reglersituation sehr ähnlich sind. Somit erscheint es,
dass der Wert von J nur eine sehr kleine Auswirkung auf die Regelleistung
hat. Überraschenderweise gilt diese Beobachtung sowohl
für ein perfektes Modell als auch im Falle einer Modellfehlanpassung.
Es wurde nämlich bestimmt, dass die Abstimmung von Maßnahmenverlusten
und der Fehlerverluste innerhalb des Beobachters eine viel größere
Auswirkung auf die Regelleistung sowohl mit als auch ohne Modellfehlanpassung
hat, und somit werden diese Abstimmungsparameter bei den nachstehend
bereitgestellten Abstimmungsdiskussionen verwendet.
-
Obwohl
Beobachter die MPC-Rückführungsleistung verbessern,
verfügen sie weiterhin über Voraussetzungen, die
empirisch abgestimmte Regler, wie etwa PID-Regler, nicht haben.
Ferner setzt ein beliebiger modellbasierter prädiktiver
Regler mit oder ohne modellbasierten Beobachter voraus, dass das
Modell perfekt bekannt ist, was bei tatsächlichen Prozessanlagen
fast nie der Fall ist. Leider können schon kleine Modellfehler große
Vorhersage- und Zustandsaktualisierungsfehler verursachen, die zu
einer schlechteren Reglerleistung führen.
-
Wie
oben besprochen, werden die Abstimmungsparameter für modellprädiktive
Regler gewöhnlich verwendet, um das Reglerverhalten auf
eine Art und Weise anzupassen, die für eine bestimmte Anlagenanwendung
wünschenswert ist. Beispielsweise kann eine bestimmte gewünschte
Antwortgeschwindigkeit eingestellt werden, indem die Maßnahmenverluste
R auf einen bestimmten Wert eingestellt werden. Das erwartete Verhalten,
das von dem Inbetriebnehmer entworfen wird, trifft jedoch nur ein,
wenn die Modellfehlanpassung unerheblich ist, was bei Industrieanlagen
selten der Fall ist. Um die offensichtliche Modellfehlanpassung
zu berücksichtigen, greifen die Fachleute oft auf eine
iterative Abstimmung zurück, bis das gewünschte
Verhalten zu beobachten ist. Dieser Prozess ist kostspielig, weil
er sehr langwierig ist, und ist eventuell nicht optimal, weil es
schwierig ist, alle möglichen Regelungs- und Randbedingungsszenarien
an einer laufenden Anlage abzudecken. Selbst wenn dieses Verfahren
zu dem gewünschten Anlagenverhalten für die gegebene
Modellfehlanpassung führt, kann man davon ausgehen, dass
sich das Verhalten ändert, wenn sich die Größe
der Modellfehlanpassung ändert. Selbst wenn das Ausmaß an
Modellfehlanpassung und seine Variation bekannt sind, gibt es ferner
kein Verfahren, um von diesen Informationen Abstimmungsinformationen
abzuleiten.
-
Die
nachstehend beschriebene MPC-Adaptations- und Abstimmungs-Technik
verwendet die Kenntnis der Prozessmodellfehlanpassung, um die Abstimmung
für eine optimale Regelleistung in Gegenwart einer konstanten
oder veränderlichen Modellfehlanpassung einzustellen. Im
Allgemeinen setzt diese MPC-Adaptations- und Abstimmungs-Technik
ein Optimierungskriterium um, das auf einem bestimmten Prozessmodell
(z. B. das Prozess- oder Anlagenmodell, das bei der Inbetriebnahme
der Anlage bestimmt wird) und einer Angabe einer Prozessmodellfehlanpassung
basiert, um einen optimalen Satz von Entwurfs- und Abstimmungsparametern
des MPC-Reglers zu entwickeln, der, wenn er in dem MPC-Regler mit
dem ursprünglichen Prozessmodell verwendet wird, eine bessere
oder weiter optimierte Regelung bereitstellt. Diese Adaptations-
und Abstimmungs-Technik des MPC-Reglers kann mit vielen verschiedenen
Arten von MPC-Reglern verwendet werden, wozu z. B. MPC-Regler mit
Beobachtern (wie etwa Kalman-Filter), DMC-Regler oder eine der anderen
oben erwähnten MPC-Reglerarten gehören. Zum Zwecke
der Erläuterung wird die Adaptations- und Abstimmungs-Technik
des MPC-Reglers jedoch beschrieben, wie sie angewendet wird, um
diverse Entwurfs- und Abstimmungskriterien für einen MPC-Regler
mit einem Beobachter in Form eines Kalman-Filters zu bestimmen. Wie
nachstehend ersichtlich wird, ist die Adaptations- und Abstimmungstechnik
in diesem Fall in der Lage, die Art des zu verwendenden Kalman-Filters,
die Abstimmungsparameter, die für diese Art von Kalman-Filter
zu verwenden sind, sowie die Abstimmungsparameter, die in dem MPC-Regler
selber zu verwenden sind, auszuwählen. Zudem wird bei manchen
Ausführungsformen die Adaptations- und Abstimmungstechnik
des MPC-Reglers ein neues Reglermodell entwickeln, das als Vorhersagemodell
in dem MPC-Regler anstelle des ursprünglich entwickelten
Anlagenmodells zu verwenden ist, ohne die Notwendigkeit, das Prozessmodell
umzuformen oder umzubestimmen.
-
Obwohl
zwei Arten von Kalman-Filter-Techniken (wozu ein Standard-Kalman-Filter
und ein vereinfachter Kalman-Filter gehören) als alternative
Reglerformen in der hier beschriebenen offenbarten Adaptations-/Abstimmungs-Technik
besprochen werden, könnten natürlich andere Arten
von MPC-Reglerformen bei dieser Technik zusätzlich oder
anstelle der nachstehend insbesondere beschriebenen Techniken in
Betracht gezogen werden. Während ferner spezifische Entwurfs-
und Abstimmungsparameter des Reglers beschrieben werden, wie sie
zur Verfügung stehen, um für die Kalman-Filter
und die MPC-Regler verwendet zu werden, können andere Entwurfs-
und Abstimmungsparameter bei anderen Ausführungsformen
verwendet werden, wobei diese Entwurfs- und Abstimmungsparameter
auf den bestimmten MPC-Reglerformen basieren, die von der Abstimmungstechnik
in Betracht gezogen werden.
-
Das
erste Hauptprinzip, auf dem die neue Adaptations- und Abstimmungs-Technik
des MPC-Reglers beruht, ist dass die Art und Weise, in der die Abstimmungsparameter
das Verhalten des MPC-Reglers, und somit die Regelleistung im geschlossenen
Kreis, beeinflussen, von dem zu einem beliebigen gegebenen Zeitpunkt
vorliegenden Ausmaß an Modellfehlanpassung abhängt.
In manchen Fällen können diese Beziehungen sehr
maßgeblich sein und/oder können sogar nichtlinear
sein. Das hier beschriebene neue Adaptations- und Abstimmungs-System
des MPC-Reglers, das in Gegenwart einer Modellfehlanpassung gut
funktioniert, umfasst die eventuelle Auswahl diverser verschiedener
möglicher MPC-Entwurfs- und Abstimmungsparameter, um die
Form und/oder die Entwurfs- und Abstimmungseinstellungen des MPC-Reglers
zu bestimmen, die das am weitesten optimierte Regelverfahren in
Gegenwart der Modellfehlanpassung bereitstellen. Bei einer Ausführungsform
kann die folgende Adaptations- und Abstimmungstechnik des MPC-Reglers
aus verschiedenen Formen eines auf einem Beobachter basierenden
MPC-Reglers, der hier in Form eines MPC-Reglers mit Kalman-Filterung
besprochen wird, wählen. Die Auswahl aus anderen MPC-Reglerformen
könnte jedoch zusätzlich oder anstelle davon verwendet
werden. Bei der nachstehend beschriebenen bestimmten Ausführungsform kann
die Kalman-Filterart (TKF) standardmäßig (d. h.
das Standard-Kalman-Filter) oder vereinfacht (das vereinfachte Kalman-Filter)
sein. In diesem Fall können Entwurfs- und Abstimmungsparameter
sowohl für den MPC-Regler in Form einer Auswahl eines Vorhersagehorizonts
(P), eines Regelhorizonts (M), eines Maßnahmenverlustes
(Q) und eines Fehlerverlustes (R) bestimmt werden. Ebenso können
Abstimmungsparameter für das Kalman-Filter bestimmt werden,
die für ein Standard-Kalman-Filter, eine Kovarianz der
Störungen bei w (QKF) und eine
Kovarianz des Messrauschens (RKF) sein können,
und im Falle eines vereinfachten Kalman-Filters, ein Vektor von
Filterzeitkonstanten τi(T) und
ein Signal/Rausch-Verhältnis (SNR) für jede Störung
sein können. Die Entwurfs- und Abstimmungsparameter werden
nachstehend zusammengefasst, mit einer Angabe der Art der Daten,
die bei einer Computerumsetzung verwendet werden können,
um diese Parameter vorzugeben.
- • Abstimmung
des MPC-Reglers:
- – P (Vorhersagehorizont), Ganzzahl
- – M (Regelhorizont), Ganzzahl
- – Q (Maßnahmenverlust), Fließvektor
- – R (Fehlerverlust), Fließvektor
- • Art des Kalman-Filters (TKF): standardmäßig
oder vereinfacht, Boolesch
- • Abstimmung des Kalman-Filters
- – Standardmäßig
- • QKF (Kovarianz der Störungen
bei w), Fließmatrix
- • RKF (Kovarianz des Messrauschens,
z), Fließmatrix
- – Vereinfacht
- • T (Filterzeitkonstanten τi),
Fließvektor
- • SNR (Signal/Rausch-Verhältnis für
jede Störung), Fließvektor
-
Verschiedene
MPC-Umsetzungen können zusätzliche oder andere
Abstimmungsparameter verwenden, wie etwa eine maximale Maßnahmenrate
oder eine Referenztrajektorie. Solche Parameter sind jedoch üblicherweise
für spezifische Bedürfnisse der Bedienpersonen
gedacht und die sich ergebenden Auswirkungen können sich
mit den oben identifizierten Parameter überschneiden. Obwohl
es somit andere Mittel zum Beeinflussen des dynamischen Verhaltens
eines MPC-Reglers gibt, können viele der gewünschten
Prozessverhaltensarten mit den oben beschriebenen Parameter behandelt
werden. Ferner umfassen die hier beschriebenen Entwurfs-/Abstimmungsparameter
einen Reglerformparameter (d. h. TFK), der in diesem Fall insbesondere
eine Form des MPC-Reglers als eine von zwei verschiedenen Arten
von MPC-Reglern auf Beobachterbasis ist (d. h. entweder als Standard-Kalman-Filter
oder als vereinfachte Kalman-Filterform). Der Reglerformparameter
könnte jedoch Regler in verschiedenen Formen vorgeben,
wie etwa entweder eine Reglerform auf Beobachterbasis oder eine
Reglerform nicht auf Beobachterbasis, entweder ein DMC-Regler oder
ein MAC-Regler, usw.
-
Da
die Modellfehlanpassung und die Abstimmungsparameter mit Bezug auf
die Regelleistung im geschlossenen Kreis hochkorreliert sind, kann
die Adaptations- und Abstimmungs-Technik des MPC-Reglers als ein
Optimierungsproblem mit Randbedingungen charakterisiert werden,
das gelöst werden kann, um einen optimalen Satz von Entwurfs-
und Abstimmungsparametern des MPC-Reglers in Gegenwart einer Modellfehlanpassung
zu bestimmen. 4 bildet eine Konfiguration
ab, die dieses Optimierungsproblem umsetzt und löst, um
entweder Entwurfs- oder Abstimmungsparameter, oder beide, für
einen MPC-Regler zu entwickeln und bereitzustellen. Insbesondere
bestimmt ein Optimierungsblock 110 aus 4 ideale
oder optimale Entwurfs- und Abstimmungsparameter zur Verwendung
in einer MPC-Reglereinheit 112, die einen MPC-Regler 114 aufweist, der
mit einem Beobachter in Form eines Kalman-Filters 106 gekoppelt
ist, basierend auf der Kenntnis des Prozessmodells, das in dem MPC-Regler 114 verwendet
wird, und des Ausmaßes der Modellfehlanpassung. Dabei können
der MPC-Regler 114 und das Kalman-Filter 116 jeweils
der Regler 90 und der Beobachter 92 sein, die
oben mit Bezug auf 3 besprochen wurden.
-
Der
Optimierungsblock 110 aus 4 nimmt
als Eingaben das Prozessmodell, das ursprünglich für die
Anlage entwickelt wurde und das wahrscheinlich von dem MPC-Regler
verwendet wird (als „Anlagenmodell” angegeben),
und eine Angabe der vorliegenden Modellfehlanpassung an. Das Ausmaß der
vorliegenden Modellfehlanpassung kann von einem Benutzer, z. B. über
die Benutzereingaberoutine 46 aus 1, eingegeben
werden oder kann anderweitig bestimmt werden, etwa wie nachstehend
beschrieben wird. Auf diesen Eingaben basierend bestimmt der Optimierungsblock 110 die
ideale oder am besten geeignete zu verwendende Art oder Form des
MPC-Reglers (aus den verfügbaren Arten, die in Betracht
gezogen werden) sowie die spezifischen Entwurfsparameter und Regler-
und Filterabstimmungsparameter, die für die bestimmte MPC-Reglerart
angesichts des bestimmten Prozessmodells und der vorliegenden Modellfehlanpassung
zu verwenden sind. Wie es die obere Linie veranschaulicht, die den
Optimierungsblock 110 aus 4 verlässt, bestimmt
der Optimierungsblock 110 die Art der Kalman-Filtertechnik,
die in der MPC-Reglereinheit 112 (als TKF identifiziert)
zu verwenden ist, und die Abstimmungsparameter, die für
diese Art MPC-Regler zu verwenden sind (als QKF und
RKF identifiziert, wenn TKF ein Standard-Kalman-Filter
ist, oder T und SNR, wenn TKF ein vereinfachtes Kalman-Filter ist).
Der Block 110 stellt diese Entwurfs- und Abstimmungsparameter
dem Kalman-Filter 116. bereit. Zudem bestimmt der Optimierungsblock 110,
als Teil der Optimierung, einen Satz von Entwurfs- und Abstimmungsparametern,
die von dem MPC-Regler 114 zu verwenden sind, wobei diese
Parameter in 4 als M und P (Entwurfsparameter)
und Q und R (Abstimmungsparameter) identifiziert sind. Diese Parameter
werden gezeigt, wie sie von dem Optimierungsblock 110 auf
den unteren beiden Linien, die den Block 110 verlassen,
ausgegeben werden. Allgemein gesagt sind die Entwurfs- und Abstimmungsparameter, die
von dem Optimierungsblock 110 bestimmt werden, solche,
die eine objektive Funktion minimieren, die in dem Optimierungsblock 110 gespeichert
und davon ausgeführt wird (innerhalb von Randbedingungen,
die der objektiven Funktion bereitgestellt werden), der die beste
Reglerleistung angesichts des Prozess- oder Anlagenmodells und der
vorliegenden Modellfehlanpassung identifiziert. Wichtig ist, dass
der Optimierungsblock 110 aus 4 basierend
auf seiner objektiven Funktion Werte eines Satzes von MPC-Entwurfs-
und Abstimmungsparametern zur Verwendung in der MPC-Reglereinheit 112 entwickelt,
wobei diese Entwurfs- und Abstimmungsparameter zu der bestmöglichen
oder idealen Regelung führen, in Anbetracht des aktuellen
Prozess- oder Anlagenmodells und der Modellfehlanpassung, ohne eine Änderung
oder Regenerierung des Anlagenmodells selber zu benötigen.
-
Bei
einer Ausführungsform verwendet der Optimierungsblock 110 eine
objektive Funktion, die versucht, den integrierten absoluten Fehler
(IAE) einer Funktion f(x) (der objektiven Funktion) über
die Stabilisierungszeit zu minimieren. Diese Optimierung könnte
je nach Wunsch über einen bewegten Horizont, wie etwa den
Regelhorizont oder den Vorhersagehorizont des MPC-Reglers, oder
andere Zeiträume hinweg bestimmt werden. Natürlich
könnte eine beliebige Anzahl verschiedener objektiver Funktionen
verwendet werden, und diese objektiven Funktionen könnten
umgesetzt werden, um den minimalen IAE oder eine andere Messung, wie
etwa einen Mindestquadratfehler, einen integrierten Fehler, die
Variabilität, die Standardabweichung, usw. zu bestimmen,
um eine optimale Regelleistung zu bewerten. Ferner können
Randbedingungen zu dem Optimierungsalgorithmus hinzugefügt
werden, um physikalische und logische Grenzen auf willkürliche
Art und Weise zu behandeln, um zu verhindern, dass der Optimierungsblock 110 einen
Entwurfsparameter oder einen Satz von Abstimmungsparametern des
Reglers vorgibt, der einen Verstoß gegen eine gewisse Prozess-
oder Regelungsrandbedingung hervorruft. Typischerweise beeinflusst
der genaue Wert der Randbedingungen jedoch nur den Bereich der Berechnungen
und nicht das Gesamtergebnis.
-
Bei
einer bestimmten Ausführungsform kann die Optimierungsberechnung,
die von dem Optimierungsblock
110 aus
4 ausgeführt
wird, die folgende objektive Funktion umsetzen:
wobei
T der Satz von Entwurfs- und Abstimmungsparametern ist (der bei
diesem Beispiel [P, M, Q, R, TKF, Q
KF, R
KF, T, SNR]
T sein
kann),
das
Prozess- oder Anlagenmodell ist (das bei diesem Beispiel = [G, τ
1, τ
2]
T sein kann),
die
Prozellmodellfehlanpassung bei einem oder mehreren Prozessmodellparametern
ist, und g(Γ) die rechnerischen Randbedingungen definiert,
die z. B. rechnerische Grenzen des Regelalgorithmus, Prozessgrenzen,
usw. beschreiben. Dabei ist G der Verstärkungsparameter
des Prozessmodells und τ
1, τ
2 sind die Zeitkonstantenparameter erster
und zweiter Ordnung des Prozessmodells. IAE ist natürlich
der integrierte absolute Fehler, der als Maß der Regelleistung
verwendet wird und folgendermaßen berechnet werden kann:
wobei
y(t) die Prozessausgangsregelgröße ist und SP(t)
der Sollwert der Bedienperson für diese Ausgangsregelgröße
ist.
-
Grundsätzlich
simuliert der Optimierungsblock 110 aus 4 den
Betrieb des MPC-Reglers, wenn der Regler unter Verwendung des ursprünglichen
Prozessmodells entworfen wird, jedoch in Gegenwart der Prozessmodellfehlanpassung
betrieben wird, und führt diese Simulation für
jeden einer Vielzahl von verschiedenen Sätzen von Entwurfs-/Abstimmungsparametern
des Reglers (für eine bestimmte Modellfehlanpassung) aus,
um ein Maß der Reglerleistung (z. B. IAE) für
jeden der Vielzahl von verschiedenen Sätzen von Entwurfs-/Abstimmungsparametern
des Reglers bei der bestimmten Modellfehlanpassung zu bestimmen.
Bei einem Beispiel berechnet der Optimierungsblock 110 den
erwarteten Prozessfehler (als IAE), der sich aus der Verwendung
jeder Kombination aus einem Satz von diversen möglichen
Kombinationen verschiedener Werte der Abstimmungsparameter (sowohl
für den MPC-Regler als auch für das Kalman-Filter)
für die verschiedenen möglichen MPC-Reglerformen
(z. B. die möglichen Kalman-Filterarten), die auf dem Prozessmodell
und der erwarteten oder beobachteten Modellfehlanpassung basieren,
ergibt. Der Optimierungsblock 110 bestimmt dann den bestimmten
Satz der Entwurfs- und/oder Abstimmungsparameter, der zu dem niedrigsten
IAE führt (d. h. der besten Leistung) angesichts der Prozessmodellfehlanpassung,
und bestimmt dadurch einen optimalen Satz aus den Sätzen
von Entwurfs-/Abstimmungsparametern des Reglers zur Verwendung bei
dem modellprädiktiven Regler, basierend auf den Messungen
der Reglerleistung. Diese Entwurfs- und Abstimmungsparameter können
dann in der MPC-Reglereinheit 112 aus 4 verwendet
werden, um eine bessere oder weiter optimierte Regelung in Gegenwart
dieses Ausmaßes an Modellfehlanpassung auszuführen,
ohne das Reglermodell zu ändern, das von dem MPC-Regler 114 verwendet
wird, und mit Sicherheit ohne das Anlagenmodell selber umformen
oder regenerieren zu müssen.
-
Um
die Funktionsweise des Optimierungsblocks
110 ausführlicher
abzubilden, stellt
5 ein Diagramm bereit, das den
bestmöglichen IAE (d. h. den minimalen IAE) für
ein gegebenes Ausmaß an Modellfehlanpassung bei der Prozessmodell-Verstärkung
bereitstellt, wobei dieses Diagramm erzielt wurde, indem die Optimierung
der Gleichung (9) für verschiedene Werte der Modellfehlanpassung
sowohl für einen MPC-Regler mit einem Standard-Kalman-Filter
als auch einem mit einem vereinfachten Kalman-Filter gelöst wurde.
Die ausführlichen Optimierungsergebnisse werden in der
nachstehenden Tabelle 1 gezeigt, in der IAE-Werte, die mit aktiven
Randbedingungen verknüpft sind, d. h. in der ein Abstimmungsparameter
unter einer Randbedingung eingehalten wurde, werden mit einem vorstehenden
Stern gezeigt. Zudem wird die Modellfehlanpassung als ein Verhältnis
zwischen der tatsächlichen Prozessverstärkung
K zu der modellierten oder erwarteten Prozessverstärkung K ~
(d.
h. K/K ~
) ausgedrückt. Da diese Umsetzung derart ist, dass
die MPC-Reglereinheit
112, die verwendet wird, ein Einfacheingang/Einfachausgang-Regler
anstelle eines Mehrgrößen-Reglers ist, wurde der
Abstimmungsparameter Q des MPC-Reglers auf 1 gesetzt, und nur der
Abstimmungsparameter R des MPC-Reglers durfte sich ändern.
Diese mathematische Operation kann ausgeführt werden, weil
bei einer MPC-Umsetzung mit einem einzigen Kreis nur das Verhältnis
von Q zu R für die Abstimmung maßgeblich ist.
| Standard-Kalman-Filter | Vereinfachtes
Kalman-Filter |
Modellfehlanpassung | IAE | R | P | M | QKF
| RKF
| IAE | R | P | M | T | SNR |
0,25 | 1,729 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,478 | *0,0001 | *3 | *1 | 73,5067 | 30,0714 |
0,5 | 0,574 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,215 | *0,0001 | *3 | *1 | *100 | 30,0916 |
0,75 | 0,236 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,285 | *0,0001 | *3 | *1 | 20,3385 | 30,0104 |
1 | 0,123 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,162 | *0,0001 | *4 | *1 | *100 | 30,0824 |
1,25 | 0,087 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,085 | *0,0001 | *3 | *1 | *100 | 30,0788 |
1,5 | 0,081 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,229 | *0,0001 | *3 | *1 | 12,6669 | 30,0055 |
1,75 | 0,107 | *0,0001 | *3 | *1 | 0,9946 | 0,0033 | 0,166 | 0,0095 | 15 | 6 | *100 | 30,0943 |
2 | 0,062 | *0,0001 | 12 | 6 | *1 | 0,0023 | 0,217 | 0,024 | 50 | 10 | 76,3204 | 30,1224 |
2,25 | 0,241 | *0,0001 | 3 | *1 | *1 | 0,0898 | 0,267 | 0,0424 | 23 | 19 | *100 | 30,048 |
2,5 | 0,087 | *0,0001 | 26 | 6 | 0,9974 | 0,0099 | 0,32 | 0,0769 | 15 | 16 | *100 | 30,2111 |
2,75 | 0,099 | *0,0001 | 27 | 6 | 0,9501 | 0,0182 | 18,182 | *0,01 | 27 | 11 | 10 | 30 |
3 | 0,111 | *0,0001 | 27 | 6 | 0,966 | 0,0312 | 16,667 | *0,01 | 27 | 11 | 10 | 30 |
3,25 | 0,123 | *0,0001 | 28 | 0 | 0,9355 | 0,047 | 15,385 | *0,01 | 27 | 11 | 10 | 30 |
3,5 | 0,135 | *0,0001 | 27 | 6 | 0,9981 | 0,0728 | 14,286 | *0,01 | 27 | 11 | 10 | 30 |
Tabelle 1
-
Aus
der Tabelle 1 ist ersichtlich, dass der Optimierungsblock 110 von
allen möglichen Abstimmungsparametern Gebrauch macht, um
die optimale Regelleistung zu erreichen, wie sie durch den minimalen
IAE definiert wird, der für eine beliebige bestimmte Modellfehlanpassung
gefunden wird. Interessanterweise bestimmt der Optimierer 110 verschiedene
Abstimmungsparameter für verschiedene Werte der Modellfehlanpassung,
die zu einer recht ähnlichen Regelleistung führen,
solange keine Randbedingung erreicht ist. Wenn eine Randbedingung
erreicht ist, wird die Regelleistung typischerweise in Mitleidenschaft
gezogen, weil der Optimiererblock 110 nicht mehr über
genügend Freiheitsgrade (d. h. Abstimmungsparameter) verfügt,
um die Modellfehlanpassung auszugleichen. Wie aus Tabelle 1 ersichtlich, übertrifft
die MPC mit Standard-Kalman-Filterung auch die MPC mit vereinfachter
Kalman-Filterung, wenn die Fehlanpassung der Prozessverstärkung
K derart ist, dass K > K ~
,
wobei K die tatsächliche Prozessverstärkung und K ~
die
modellierte oder erwartete Prozessverstärkung ist. Die
MPC mit vereinfachter Kalman-Filterung übertrifft die MPC
mit Standard-Kalman-Filterung jedoch, wenn die Fehlanpassung der
Prozessverstärkung derart ist, dass K < K ~
. Natürlich ist die Standard-Kalman-Filterungsformulierung
strikter als die vereinfachte Kalman-Filterungstechnik, die eine
Filterung mit exponentiell gewichtetem gleitendem Mittelwert (EWMA)
verwendet, um die Zustandsgröße zu aktualisieren.
Somit kann die vereinfachte Kalman-Filterungstechnik nicht abgestimmt
werden, um sehr gut mit einer Verstärkung umzugehen, die
größer als erwartet ist, kommt aber ausgezeichnet
mit einer Verstärkung zurecht, die kleiner als erwartet
ist. Mit anderen Worten, da die MPC mit vereinfachter Kalman-Filterung
auf einer Filterung basiert, ist sie robuster als die MPC mit einer
Standard-Kalman-Filterung, wenn die Prozessantwort kleiner als eine
erwartete Größe ist (d. h. wenn K < K ~
). Bei K > K ~
ergibt die MPC mit
vereinfachter Kalman-Filterung jedoch einen geringfügig
größeren integrierten absoluten Fehler als die
MPC mit Standard-Kalman-Filterung.
-
Falls
die Modellfehlanpassung der Zeitkonstante erster Ordnung (τ
1) zugewiesen wird oder darin vorliegt, wird
der Unterschied des integrierten absoluten Fehlers zwischen den
beiden Kalman-Filterungsverfahren deutlicher. Wie in
6 und
der nachstehenden Tabelle 2 abgebildet, steigt der IAE, wenn der
Prozess stärker als erwartet reagiert (d. h. τ
1 < τ ~
1 wobei τ
1 die
tatsächliche Zeitkonstante erster Ordnung ist und τ ~
1 die Zeitkonstante erster Ordnung ist, die
mit dem Prozessmodell verknüpft ist), mit einer sehr starken
Neigung an, weil eine Schwingung auftritt. Die beiden Verfahren
der Kalman-Filterung werden durch die Schwingung ähnlich
beeinflusst, und ein automatisches Verfahren für eine optimale
Regelung in Gegenwart einer Konstante oder einer variierenden Modellfehlanpassung
sollte versuchen, eine Schwingung möglichst zu vermeiden. Wenn
der Prozess jedoch langsamer als erwartet reagiert (d. h. τ
1 > τ ~
1), arbeitet die MPC mit vereinfachter Kalman-Filterung
erheblich besser, was bedeutet, dass die Standard-Kalman-Filterung,
selbst wenn sie stabil ist, bei diesem Szenario nicht verwendet
werden sollte. Da die vereinfachte Kalman-Filterformulierung eine
Filterzeitkonstante als einen der Abstimmungsparameter verwendet,
kann ein Optimierungsverfahren diesen Abstimmungsparameter mühelos
verwenden, um die Zeitkonstanten-Fehlanpassung zwischen dem Anlagenmodell
und den tatsächlichen Anlagencharakteristiken auszugleichen.
Dieser Ausgleich ist bei den Werten der Tabelle 2 mühelos
zu beobachten (wo wiederum Werte, die mit aktiven Randbedingungen
verknüpft sind, mit einem vorstehenden Stern gezeigt werden).
Während die Abstimmungsparameter des Standard-Kalman-Filters bei
den Randbedingungen festgelegt sind und sich nur noch die Abstimmungsparameter
des MPC-Reglers ändern dürfen, bewegt sich der
T-Parameter des vereinfachten Kalman-Filters über einen
breiten Bereich und gleicht die Modellfehlanpassung aus, wodurch
der IAE auf einem sehr niedrigen Niveau gehalten wird. Natürlich
wird die Art des Kalman-Filters, wie oben angegeben, spezifisch
als eine Boolesche Ausgabe des in
4 beschriebenen
Optimierungsverfahrens bereitgestellt, und diese Ausgabe veranlasst
das Kalman-Filter
116 aus
4 dazu,
zwischen der Verwendung der vereinfachten Kalman-Filterung und der
Standard-Kalman-Filterung umzuschalten.
| Standard-Kalman-Filter | Vereinfachtes
Kalman-Filter |
Modellfehlanpassung | IAE | R | P | M | QKF
| RKF
| IAE | R | P | M | T | SNR |
0,2 | 2 | 0,01 | 27 | 11 | *1 | 0,2 | 2 | 0,01 | 27 | 11 | 10 | 30 |
0,3 | 0,385 | *0,0001 | 29 | 6 | 0,8569 | 0,0382 | 2 | 0,01 | 27 | 11 | 10 | 30 |
0,33 | 0,115 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,162 | *0,0001 | 4 | *1 | *100 | 27,7497 |
0,4 | 0,204 | *0,0001 | 26 | 6 | 0,9962 | 0,0087 | 0,616 | 0,0466 | 13 | 12 | *100 | 30,0587 |
0,5 | 0,119 | *0,0001 | 12 | 6 | 0,9998 | 0,0021 | 0,379 | 0,021 | *50 | 8 | 71,2241 | 30,3909 |
0,67 | 0,184 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,107 | *0,0001 | *3 | *1 | *100 | 30,0912 |
1 | 0,353 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,107 | *0,001 | *3 | *1 | *100 | 30,0908 |
1,33 | 0,525 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,11 | *0,0001 | *3 | *1 | 96,8561 | 30,0866 |
1,67 | 0,604 | *0,0001 | *3 | *1 | 0,995 | *0,001 | 0,074 | *0,0002 | *3 | 6 | 72,0456 | 30,0819 |
2 | 0,649 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,087 | *0,0001 | 25 | 6 | 63,5498 | 30,0362 |
2,33 | 0,732 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,216 | 0,0001 | *3 | *1 | 20,2442 | 30,0104 |
2,67 | 0,775 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,177 | 0,0001 | *3 | *1 | 50,0787 | 30,0427 |
3 | 0,746 | *0,0001 | *3 | *1 | *1 | 0,0026 | 0,267 | 0,0001 | *3 | *1 | 15,5521 | 30,0056 |
3,33 | 0,72 | *0,0001 | *3 | *1 | 0,9959 | 0,0018 | 0,205 | 0,0001 | *3 | *1 | 32,8161 | 30,0227 |
3,67 | 0,695 | *0,0001 | *3 | *1 | *1 | 0,0016 | 0,215 | *0,0001 | *3 | *1 | 27,6865 | 30,0514 |
4 | 0,672 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,264 | *0,0001 | *3 | *1 | 15,3896 | 30,0051 |
4,33 | 0,648 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,226 | *0,0001 | *3 | *1 | 24,2112 | 30,0134 |
4,67 | 0,636 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,365 | *0,0001 | *3 | *1 | 10,0974 | 30,0001 |
5 | 0,632 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,231 | *0,0001 | *3 | *1 | 22,9775 | 30,0294 |
5,33 | 0,639 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,234 | *0,0001 | *3 | *1 | 22,5373 | 30,0165 |
5,67 | 0,652 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,238 | *0,0001 | *3 | *1 | 24,6466 | 30,0142 |
6 | 0,663 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,243 | 0,0001 | *3 | *1 | 22,5032 | 30,0125 |
6,33 | 0,667 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,248 | 0,0001 | *3 | *1 | 21,2021 | 30,0126 |
6,67 | 0,665 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,168 | 0,0001 | 12 | 20 | 26,4552 | 30,4974 |
Tabelle 2
-
Wie
ebenfalls aus Tabelle 2 und 6 hervorgeht,
liegt der minimale mögliche IAE für das Standard-Kalman-Filter
links (im Diagramm aus 6) von τ1 = τ ~
1 (d. h. dort, wo das Modellfehlanpassungsverhältnis
= 1 ist). Wenn die Zeitkonstante erster Ordnung des tatsächlichen
Prozesses sich auf ungefähr die Hälfte des Wertes ändert,
für den der MPC-Regler und das Standard-Kalman-Filter für
(τ1 ~ 0,5 τ ~
1)
ausgelegt wurden, nimmt der IAE ab, was bedeutet, dass die empfohlene
Abstimmung für die Kalman-Filterverstärkung J
nicht die bestmögliche Regelleistung erbringt. Diese Situation
tritt auf, weil das Regleroptimierungsproblem, das innerhalb des
MPC-Reglers ausgeführt wird, ausgelegt ist, um einen statischen
Fehler zu minimieren und dabei Maßnahmen zu minimieren,
während das Problem der Adaptations-/Abstimmungs-Optimierung
ausgelegt ist, um den IAE des Regelgrößenfehlers
zu minimieren, wodurch die Regelleistung direkt maximiert wird.
-
Die
Auswirkung der Modellfehlanpassung in der Zeitkonstante zweiter
Ordnung (τ
2) ist in
7 abgebildet
und wird in der nachstehenden Tabelle 3 bereitgestellt, und ist
sehr ähnlich wie diejenige der Modellfehlanpassung in der
oben abgebildeten Zeitkonstante erster Ordnung (τ
1). Obwohl die Größe der
Unterschiede zwischen standardmäßigen und vereinfachten
Kalman-Filtern kleiner ist, ist die Tendenz grundsätzlich
die gleiche.
| Standard-Kalman-Filter | Vereinfachtes
Kalman-Filter |
Modellfehlanpassung | IAE | R | P | M | QKF
| RKF
| IAE | R | P | M | T | SN |
0,25 | 2 | 1,5182 | 44 | 6 | *1 | *0,001 | 3 | 0,01 | 27 | 11 | 10 | 30 |
0,3 | 0,37 | *0,0001 | 28 | 6 | 0,9454 | 0,0382 | 3 | 0,01 | 27 | 11 | 10 | 30 |
0,4 | 0,199 | *0,0001 | 30 | 6 | 0,996 | 0,0082 | 0,567 | 0,0404 | 12 | 12 | 85,7026 | 30,1881 |
0,5 | 0,116 | *0,0001 | 13 | 6 | 0,9971 | 0,0018 | 0,367 | 0,0176 | 29 | 8 | *100 | 30,434 |
0,6 | 0,151 | *0,0001 | *3 | *1 | 0,9918 | 0,0018 | 0,234 | 0,007 | 32 | 6 | 89,8552 | 30,1182 |
0,7 | 0,112 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,161 | *0,0001 | 4 | 1 | *100 | 30,0948 |
0,75 | 0,11 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,107 | *0,001 | *3 | *1 | *100 | 30,0913 |
0,8 | 0,11 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,215 | *0,0001 | *3 | *1 | 20,2633 | 30,0103 |
0,9 | 0,112 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,215 | *0,0001 | *3 | *1 | 20,2576 | 30,0103 |
1 | 0,123 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,162 | *0,0001 | 4 | *1 | *100 | 30,0824 |
1,25 | 0,169 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,215 | *0,0001 | *3 | *1 | 20,2556 | 30,0103 |
1,5 | 0,229 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,107 | *0,0001 | *3 | *1 | *100 | 30,0911 |
1,75 | 0,294 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,107 | *0,0001 | *3 | *1 | *100 | 30,0912 |
2 | 0,353 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,107 | *0,0001 | *3 | *1 | *100 | 30,0908 |
2,25 | 0,412 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,108 | *0,0001 | *3 | *1 | *100 | 30,0908 |
2,5 | 0,478 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,109 | *0,0001 | *3 | *1 | *100 | 30,0908 |
2,75 | 0,527 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,111 | *0,0001 | *3 | *1 | 81,9354 | 30,0729 |
3 | 0,559 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,116 | *0,0001 | *3 | *1 | 71,5816 | 30,0626 |
3,25 | 0,577 | *0,0001 | *3 | *1 | *1 | *0,011 | 0,122 | *0,0001 | *3 | *1 | 74,8502 | 30,0667 |
3,5 | 0,591 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,128 | *0,0001 | *3 | *1 | 62,3478 | 30,0663 |
3,75 | 0,605 | *0,0001 | *3 | *1 | *1 | *0,001 | 0,134 | *0,0001 | *3 | *1 | 58,3664 | 30,0445 |
Tabelle 3
-
Obwohl
die optimalen Abstimmungsparameter für die MPC-Regelung
und Zustandsaktualisierung oben aus der Kenntnis des Anlagenmodells
und der Modellfehlanpassung unter Verwendung der Optimierung bestimmt
werden, wurden die Auswirkung der Modellfehlanpassung und der optimale
Reglerentwurf und die optimale Reglerabstimmung, die verwendet werden,
um diese Fehlanpassung auszugleichen, bei den obigen Beispielen
für jeden Modellparameter getrennt analysiert. Bei einem
realen Anlagenszenario können und werden sich wahrscheinlich
alle Prozessmodellparameter, die einem vorgeschriebenen Modell entsprechen
(und andere, die aus verschiedenen Gründen nicht modelliert
sind) gleichzeitig ändern. Welcher Modellparameter am meisten
betroffen ist, hängt hauptsächlich von der Prozessart
und dem Grund der Modellfehlanpassung ab (z. B. Rohrverschmutzung,
veränderlicher Wärmekoeffizient des Brennstoffs,
usw.). Ferner kann je nach dem verwendeten Modellidentifizierungsverfahren
eine Modellfehlanpassung bei der Vorlaufzeitkonstante z. B. als Modellfehlanpassung
bei der Modelltotzeit oder Zeitkonstante interpretiert werden. Somit
tragen ein oder zwei Modellparameter oft gleichzeitig erheblich
zur Modellfehlanpassung bei. Daraufhin ist es vorteilhaft, die Modellfehlanpassung
in einem multidimensionalen Raum zu analysieren, um den besten Satz
von Modellparametern zu bestimmen, der in einem beliebigen bestimmten
Fall zu verwenden ist, anstelle eines eindimensionalen Raumes, wie
es bei den obigen Beispielen ausgeführt wird. D. h. dass
es vorteilhaft ist, statt einen optimalen Satz von Entwurfs- und
Abstimmungsparametern für eine Fehlanpassung bei einem
Prozessmodellparameter zu bestimmen, einen optimalen Satz von Entwurfs-
und Abstimmungsparametern für die Situation zu bestimmen,
in der es gleichzeitige Fehlanpassungen bei mehreren Prozessmodellparametern
gibt (z. B. bei zwei oder mehrere Elementen von Prozessverstärkung,
Zeitkonstante erster Ordnung und Zeitkonstante zweiter Ordnung).
-
8 bildet
eine Oberflächengrafik des bestmöglichen IAE bei
einem simulierten MPC-Regler unter Verwendung einer Zustandsaktualisierungstechnik
eines Standard-Kalman-Filters ab, wie sie von dem Optimierungsverfahren
aus 4 berechnet wird, wenn eine Prozessmodellfehlanpassung
in zwei Dimensionen erlaubt ist, d. h. wobei sowohl die Prozessverstärkung
K als auch die Zeitkonstante erster Ordnung τ1 gleichzeitig
eine Modellfehlanpassung haben durften. In diesem Fall sind die
optimalen Abstimmungen für die Modellfehlanpassung der
Zeitkonstante erster Ordnung und der Zeitkonstante zweiter Ordnung
sehr ähnlich, wobei der Zeitkonstante erster Ordnung eine
größere Bedeutung zukommt. Da eine dreidimensionale
Visualisierung gegenüber einer vierdimensionalen Visualisierung
bevorzugt wird, wurden die Auswirkungen der Modellfehlanpassung
bei der Zeitkonstante zweiter Ordnung τ2 in
dem Diagramm aus 8 vernachlässigt, und
die Zeitkonstante zweiter Ordnung τ2 durfte
sich in der Tat gar nicht ändern, sondern es wurde vorausgesetzt,
dass darin keine Fehlanpassung auftritt. Die nachstehende Tabelle
4 stellt die Werte des minimalen IAE bei jeder Kombination eines
Satzes diverser Kombinationen von Fehlanpassungswerten für
die Prozessverstärkung K und die Zeitkonstante erster Ordnung τ1 bereit, die in dem Diagramm aus 8 gezeigt
wird. Die Werte der optimalen Abstimmungsparameter für
den MPC-Regler und das Standard-Kalman-Filter, die mit dem MPC-Regler
verwendet werden, der mit jedem Kästchen in Tabelle 4 verknüpft
ist, werden nicht gezeigt, wurden jedoch unter Verwendung der oben
beschriebenen Optimierungstechnik berechnet. Auch hier wird die
Modellfehlanpassung als Verhältnis des tatsächlichen
Prozessparameterwertes zum modellierten Prozessparameterwert (d.
h. K/K ~
und τ1/τ ~
1)
ausgedrückt.
-
-
Der Übersichtlichkeit
halber sind die Werte von K/K ~
= 1 und τ1/τ ~
1 = 1 (d. h. bei denen keine Modellfehlanpassung
auftritt) in 8 gestrichelt angegeben. Die
Stelle, an der sich diese Linien schneiden, stellt die Regelleistung
mit einem perfekt passenden Prozessmodell dar. Der Querschnitt an
jeder dieser Linien entlang stellt genau die Diagramme in 5 und 6 dar.
Wie zuvor besprochen, führt eine Modellfehlanpassung bei
der Zeitkonstante erster Ordnung in Richtung von τ1 < τ ~
1 zu einem Schwingungsverhalten. Es ist jedoch ersichtlich,
dass diese Schwingung nicht auftritt, wenn auch eine Modellfehlanpassung
bei der Prozessverstärkung auftritt, so dass gleichzeitig
K < K ~
. Bei einer
Modellfehlanpassung, so dass K > K ~
,
verschlimmert sich das Problem, wie erwartet. Die Tatsache, dass
die Modellfehlanpassung bei inhärent unterschiedlichen
Modellparametern die Gesamtauswirkungen auf die Regelleistung unterdrücken
oder verstärken kann, zeigt, dass es vorteilhaft ist, alle
Dimensionen der Modellfehlanpassung während der Berechnung
der optimalen Entwurfs- und Abstimmungsparameter des Reglers auszuwerten.
Aus 8 geht auch hervor, dass die bestmögliche Regelleistung
nicht unbedingt mit einem perfekten Modell erreicht wird. Z. B.
in dem Diagramm aus 8, wenn K/K ~
= 2 und τ1/τ ~
1 = 1,5, weist
die Regelleistung einen IAE von 0,0545 statt eines IAE von 0,1226
bei K/K ~
= 1 und τ1/τ ~
1 =
1 auf. Dieser Unterschied entspricht einer 56prozentigen Verbesserung,
wenn man voraussetzt, dass die Abstimmungsparameter durch die beschriebene
Optimierungsformulierung optimal berechnet werden.
-
Wenn
das vorausgesetzte Prozessmodell und die genaue Modellfehlanpassung
natürlich bekannt wären, könnte das Prozessmodell,
das von dem MPC-Regler und dem Beobachter (dem Kalman-Filter) verwendet
wird, durch ein perfektes Modell ersetzt werden, um eine noch bessere
Leistung zu erzielen. Bei den tatsächlichen Regelsituationen
ist es jedoch schwierig, eine Modellfehlanpassung zu messen, und
daraufhin richtet sich die MPC-Entwurfs- und Abstimmungstechnik
hier auf einen besseren oder optimalen MPC-Reglerbetrieb, ohne ein
genaues oder perfektes Prozessmodell zu kennen. In der Tat passt
das hier beschriebene Entwurfs- und Abstimmungsverfahren die Abstimmungsparameter
der MPC-Reglereinheit an (z. B. wie in 4 definiert)
und lässt das vorausgesetzte Anlagenmodell unverändert
(da dies die Einschätzung eines Ingenieurs in der Anlage
wäre).
-
9 stellt
eine äquivalente dreidimensionale optimale Abstimmungsabbildung
für eine MPC mit vereinfachter Kalman-Filterung, d. h.
eine Abstimmungsabbildung, die formuliert ist wie die aus 8 für
den MPC-Regler mit Standard-Kalman-Filterung, dar. Auch hier durfte
die Modellfehlanpassung sowohl bei dem Modellparameter der Prozessverstärkung
K als auch bei dem Modellparameter τ1 der
Prozesszeitkonstante erster Ordnung auftreten, jedoch nicht bei
dem Modellparameter der Zeitkonstante zweiter Ordnung τ2. Die nachstehende Tabelle 5 stellt die
Punkte für die Abbildung von 9 bereit.
-
-
Die
obere linke Ecke der beiden optimalen Abstimmungsabbildungen (aus 8 und 9)
gibt ein Instabilitätsgebiet an. Zudem sind die beiden
Diagramme bei IAE = 2 abgeschnitten. In beiden Fällen ist
ersichtlich, dass dieses Gebiet mit einer sehr starken Neigung genähert
ist. Das Berechnen und Zeichnen von dreidimensionalen Abstimmungsabbildungen
ermöglicht es, Größe, Position und Steilheit
derartiger instabiler Gebiete mühelose zu bewerten. Da
derartige Gebiete möglichst zu vermeiden sind, können
Randbedingungen für stark pönalisierte Puffergrößen
zu der Optimierungsgleichung, die in Block 110 aus 4 verwendet
wird, hinzugefügt werden, um dieses Gebiet zu vermeiden.
Wenn man die optimalen Abstimmungsabbildungen der MPC mit den verschiedenen
Kalman-Filter-Verfahren vergleicht, ist es auf jeden Fall ersichtlich,
dass die beiden Regler in dem Gebiet τ1 > τ ~
1 K < K ~
instabil werden.
Jedoch wird nur die MPC mit einem Standard-Kalman-Filter im Gebiet τ1
< τ ~
1 K > K ~
instabil. Wie zuvor
vorgeschlagen, dient die inhärente Filterung, die nur bei dem
vereinfachten Kalman-Filter zu finden ist, als Stabilisierungsmechanismus.
-
Auf
jeden Fall ermöglicht das optimierungsbasierte Abstimmungsverfahren,
das mit Bezug auf 4 beschrieben wird, die Bestimmung
der besten MPC-Reglerform und Entwurfs- und Abstimmungsparameter angesichts
der Prozessmodellfehlanpassung für einen bestimmten Prozess.
Daraufhin bestimmt der Optimierungsblock 110 aus 4 die
optimale Abstimmung für einen bestimmten Wert der Modellfehlanpassung,
und diese optimale Abstimmung kann als Abstimmungsabbildung ausgedrückt
werden, die nützlich ist, um den spezifischen Entwurf und
die spezifische Abstimmung der MPC und des Beobachters zu bestimmen,
die eine optimale Regelleistung in Gegenwart dieser Modellfehlanpassung
sicherstellen. Die mit 4 verknüpfte Technik
kann vorteilhaft verwendet werden, weil industrielle Benutzer von
MPC-Reglern normalerweise manuell Abstimmungs-„Knöpfe” einstellen
müssen, bis es so aussieht, als ob ein gewünschtes
Verhalten erreicht ist. In diesem Fall kann sich der Benutzer Abstimmungsvisualisierungsabbildungen,
Diagramme und Daten ansehen, wie sie in 5 bis 9 und
in den Tabellen 1 bis 5 gezeigt werden, um die beste Reglerform
und die besten Abstimmungsparameter zu bestimmen, in Anbetracht
eines vorherbestimmten oder erwarteten Wertes der Prozessmodellfehlanpassung
bei einem oder mehreren Prozessmodellparametern.
-
Falls
gewünscht, kann somit der Optimierungsblock 110 aus 4 die
besten Entwurfs- und/oder Abstimmungsparameter für ein
bestimmtes Ausmaß an Modellfehlanpassung (bei einem oder
mehreren Prozessmodellparametern) als Eingabe in den Block 110,
z. B. durch einen Benutzer oder durch ein anderes halbautomatisches
oder automatisches Verfahren, berechnen. Nachdem der Block 110 den
besten Satz von Entwurfs- und Abstimmungsparametern bestimmt hat,
der in der MPC-Reglereinheit 112 angesichts dieser bestimmten
Ausmaße an Prozessmodellfehlanpassung (bei einem oder mehreren
Prozessmodellparametern) zu verwenden ist, können diese
Entwurfs- und Abstimmungsparameter an die MPC-Reglereinheit 112 abgegeben werden
und während einer Online-Regelung verwendet werden, um
eine bessere Regelung auszuführen. Alternativ oder zusätzlich
kann der Block 110 optimale IAE-Abbildungen bestimmen,
wie etwa die aus 8 und 9, welche
den minimalen möglichen IAE bei jeder Modellfehlanpassung
einer gewissen Anzahl von Kombinationen von Prozessmodellparameter-Fehlanpassungen
erläutern, und diese Abbildungen für einen Benutzer
bereitstellen oder anzeigen, um es dem Benutzer zu ermöglichen,
den gewünschten oder geeigneten Abstimmungspunkt angesichts
der Abbildung selber auszuwählen. Der Block 110 kann
dann die Werte der Entwurfs- und Abstimmungsparameter, die während
einer auf dem ausgewählten Punkt basierten Online-Regelung
zu verwenden sind, dem Regler 112 bereitstellen. Da der
Block 110 unabhängig von der Reglereinheit 112 arbeiten
kann, kann der Block 110 in der gleichen wie oder einer anderen
Vorrichtung als die Reglereinheit 112 gespeichert und ausgeführt
werden. Somit kann der Block 110 beispielsweise auf einem
der Computer 13 aus 1 gespeichert
und ausgeführt werden und über das Kommunikationsnetzwerk 29 mit
der Reglereinheit 112 kommunizieren, die sich in dem Regler 11 aus 1,
in einem oder mehreren der Feldgeräte 15 bis 22 aus 1 oder
in einer oder mehreren anderen gewünschten Vorrichtungen
befinden kann.
-
Natürlich
ist zu erwarten, dass der optimale Satz von Entwurfs- und Abstimmungsparametern
für eine gegebene Modellfehlanpassung und ein gegebenes
Prozessmodell suboptimal sein wird, wenn keine Modellfehlanpassung
vorliegt oder wenn ein anderes Ausmaß an Modellfehlanpassung
vorliegt. Während es leichter sein kann, das Vorliegen
einer Modellfehlanpassung zu bestimmen als das richtige Modell,
kann es zudem immer noch schwierig sein, das spezifische Ausmaß an
Modellfehlanpassung für beliebige bestimmte Modellparameter
in einer beliebigen bestimmten Situation zu bestimmen. Obwohl das
Bestimmen des Ausmaßes an Modellfehlanpassung einfacher
sein kann als das Bestimmen des präzisen Prozessmodells,
da die Bestimmung eines Ausmaßes an Modellfehlanpassung
eine geringere Prozessstörung erfordert, kann sich das
Ausmaß an Modellfehlanpassung immer noch mit der Zeit ändern,
was die Entwicklung neuer Entwurfs- und Abstimmungsparameter erfordert,
um diese sich ändernde Modellfehlanpassung zu berücksichtigen.
Aus diesen Gründen kann es in manchen Fällen wünschenswert
sein, einen Modellfehlanpassungsbereich bei jedem der diversen Prozessmodellparameter
in dem Optimierungsblock 110 aus 4 vorzugeben
und zu verwenden, um den geeigneten Satz von Entwurfs- und Abstimmungsparameterwerten
zu entwickeln, statt einen spezifischen Modellfehlanpassungswert
für jeden Prozessmodellparameter zu verwenden.
-
Ein
Beispiel eines Modellfehlanpassungsbereichs in einem zweidimensionalen
Unterraum (der in diesem Fall die Zeitkonstante zweiter Ordnung
ignoriert) kann als tatsächliche Prozessverstärkung
Kactual = 2 ± 0,5 und als tatsächliche
Zeitkonstante erster Ordnung tactual = 20
s ± 5 s geschrieben werden. Diese Bereiche werden in einem
zweidimensionalen Unterraum in 10 veranschaulicht,
wobei der Verstärkungsbereich gleich 1 (d. h. ΔK
= 1) und der Bereich der Zeitkonstante erster Ordnung gleich 10
Sekunden ist (d. h. Δt = 10 s). Wenn die Modellfehlanpassung
als möglicher Bereich definiert ist, kann der Modellfehlanpassungsbereich
mit einer optimalen Abstimmungsabbildung berechnet werden, wie oben
mit Bezug auf 8 und 9 beschrieben wird,
um zusätzliche Vorteile bei der Adaptation und Abstimmung
des MPC-Reglers bereitzustellen. Eine beispielhafte Ansicht einer
derartigen Überlagerung wird in 11 veranschaulicht.
-
Falls
erwünscht, kann eine derartige Überlagerung in
einem Software-Paket umgesetzt werden, das diese Überlagerung
für einen Prozessingenieur, z. B. auf einer optimalen Abstimmungsabbildung
wie eine von denen aus 8 und 9, anzeigt.
Diese Visualisierung kann es dem Ingenieur ermöglichen,
die Wahrscheinlichkeit zu sehen und festzustellen, dass sich der
Regler in einen unerwünschten Betriebsbereich basierend
auf einer möglichen Modellfehlanpassung innerhalb des vorgegebenen
Bereichs bewegt. Ein derartiger Bereich kann zusätzlich
oder alternativ für eine weitere Entwurfs- und Abstimmungsoptimierung
des MPC-Reglers verwendet werden. Insbesondere kann eine derartige
Anzeige für einen Ingenieur sehr nützlich sein,
wenn er den MPC-Regler in Betrieb nimmt, weil der Ingenieur die
schlechteste und die bestmögliche Regelleistung als Funktion
des erwarteten Modellfehlanpassungsbereichs für eine bestimmte
Abstimmung mühelos visuell. bewerten kann und wie gewünscht
manuelle Korrekturen vornehmen kann. Diese Anzeige-Software zum
Anzeigen der Optimierungsabbildungen, wie etwa die aus 8, 9 und 11 (mit
oder ohne Bereichsüberlagerung), kann von dem Block 110 erzeugt
werden oder kann als Teil der Benutzeranzeige-Software 46 aus 1 erzeugt
werden. In diesem Fall kann die Benutzeranzeige-Software 46 mit
dem Block 110 kommunizieren oder kann diesen Block enthalten,
um diese Abbildungen zu erzeugen.
-
Auf
jeden Fall erfolgt bei dem Beispiel aus 11 die
schlechteste Regelleistung innerhalb des Modellfehlanpassungsbereichs
(zentriert um den Punkt ohne Fehlanpassung entweder der Verstärkung
oder der Zeitkonstante), wenn Kactual =
1,5 und tactual = 25 s. Der IAE an diesem
Punkt beträgt jedoch 0,7, was der Ingenieur dennoch als
annehmbar ansehen könnte, insbesondere angesichts der Tatsache,
dass die Wahrscheinlichkeit, sich in diesem Bereich zu befinden,
relativ gering ist, weil nur ein kleiner Abschnitt der Fläche
des Modellfehlanpassungsbereichs sich mit den IAE-Werten über
0,5 überlagert. Wenn man mehr über die Modellfehlanpassung
wüsste (z. B., physikalische Prozessgrenzen), dann könnte
der zweidimensionale Unterraum der Modellfehlanpassung, wie in 10 dargestellt,
geändert werden, um die Wahrscheinlichkeit eines Auftretens
zu berücksichtigen. Somit könnte z. B. der Unterraum
der Modellfehlanpassung aus 10 andere
Formen als das dargestellte Rechteck, wozu z. B. ein Oval, ein Kreis
oder eine beliebige andere gewünschte Form gehört,
basierend auf der Kenntnis der Wahrscheinlichkeit der Modellfehlanpassung
annehmen.
-
Als
weitere Verfeinerung des Abstimmungsverfahrens aus 4 kann
es vorteilhaft sein, den idealen Abstimmungspunkt für ein
gegebenes Anlagenmodell als Funktion des Ausmaßes eines
möglichen oder erwarteten Modellfehlanpassungsbereichs
bei den Werten eines oder mehrerer der Prozessmodellparameter zu bestimmen.
Insbesondere ist beim Betrachten von 11 ersichtlich,
dass die berechneten Abstimmungsparameter nicht unbedingt den niedrigsten
möglichen IAE in der Abbildung aus 11 an
einem der Punkte in dem Unterraum des Modellfehlanpassungsbereichs
bereitstellen, weil der Mittelpunkt des Unterraums des Modellfehlanpassungsbereichs
bei dem vorausgesetzten „perfekten” Modell festgelegt
ist. Wenn dieser Unterraum, der bei diesem zweidimensionalen Beispiel
als Fläche dargestellt wird, sich bewegen dürfte,
könnte eine geänderte Optimierungstechnik gegenüber
der in 4 gezeigten in der Lage sein, einen niedrigeren
Wert für den schlechtesten (größten)
IAE innerhalb der Fläche des Modellfehlanpassungsbereichs
zu finden, wodurch die Gesamtleistung des Reglers erhöht
wird. Mit anderen Worten kann es bei einem vorgegebenen, potenziellen,
erwarteten oder möglichen Modellfehlanpassungsbereich (in
jeder der diversen Dimensionen, die von den Prozessmodellparametern
definiert werden), wünschenswert sein, einen Satz optimaler
Abstimmungsparameter zu verwenden, die unter Verwendung der oben
beschriebenen Technik berechnet werden, die im Allgemeinen den Betrieb
des MPC-Reglers innerhalb eines Unterraums optimiert, der von diesen
Bereichen definiert wird, auch wenn der beste Reglerbetrieb sich
nicht an dem Mittelpunkt des Unterraums oder überhaupt innerhalb
des Unterraums befindet, und auch wenn der Mittelpunkt des Unterraums
des Modellfehlanpassungsbereichs nicht dem Prozessmodell entspricht,
das tatsächlich für die Anlage entwickelt wird.
-
Während
die hier beschriebene Entwurfs- und Abstimmungstechnik des MPC-Reglers
das vorausgesetzte Prozessmodell (das als Eingabe dem Block 110 von 4 bereitgestellt
wird) mit der Kenntnis der Prozessfehlanpassung (weil das Ergebnis
so unsicher sein kann wie das vorausgesetzte Modell von vorneherein) weder
aktualisiert noch ändert, passt sich diese Technik in diesem
Fall an und stimmt den MPC-Regler angesichts des bekannten oder
vermuteten Prozessmodellfehlanpassungsbereichs ab, um angesichts
dieses Modellfehlanpassungsbereichs eine bessere Gesamtregelung
auszuführen. Insbesondere, wie in 12 abgebildet,
kann der Mittelpunkt des Unterraums des Modellfehlanpassungsbereichs
innerhalb des modellierten Abstimmungsgebiets umgelagert oder verschoben
werden, um das beste gesamte Teilgebiet des Abstimmungsraums zu
finden, in dem angesichts der erwarteten Prozessmodellfehlanpassung
der Betrieb erfolgen soll. Um in diesem Teilgebiet zu arbeiten,
kann das Reglermodell (das in dem MPC-Regler verwendet wird, um die
MPC-Regelungsmaßnahmen zu berechnen) derart angepasst werden,
dass es um einen neuen Mittelpunkt in der Abstimmungsabbildung zentriert
ist, wobei dieser Mittelpunkt und dieser Unterraum der Modellfehlanpassung
zum besten Teilbetriebsgebiet innerhalb der gesamten Abstimmungsabbildung
führen. Bei einem Fall kann das beste Gesamtteilgebiet
innerhalb der Abstimmungsabbildung durch Berechnen des möglichen
Mindestwertes des schlechtesten (größten) IAE
bestimmt werden, der innerhalb eines bestimmten Teilgebiets vorliegt,
wenn der Unterraum der Modellfehlanpassung über die gesamte
Abstimmungsabbildung bewegt wird. Natürlich könnten
auch andere Messungen, einschließlich statistisch basierter
Messungen, zum Bestimmen des besten Betriebsteilgebiets verwendet
werden, wie etwa der geringste durchschnittliche IAE über den
gesamten Unterraum des Fehlanpassungsbereichs, der geringste gewichtete
Durchschnitt über den gesamten Unterraum des Fehlanpassungsbereichs,
usw.
-
Falls
gewünscht, kann ein bestimmtes bestes Fehlanpassungsteilgebiet
gefunden werden, indem ein zweites Optimierungsproblem gelöst
wird, das wie folgt definiert ist:
wobei
Y die Abstimmungsabbildung ist, die durch Iteration der Gleichung
(9) über beliebige Kombinationen von Modellfehlanpassungen
ist, g
Ψ(Γ) die Ungleichheitsrandbedingungen
definiert, welche die Dimensionen der Abstimmungsabbildung Ψ beschreiben,
und i
Ψ die Dimensionen der Abstimmungsabbildung Ψ definiert.
Die bestimmten Optimierungen der Gleichung (11) bestimmen den Unterraum
des Modellfehlanpassungsbereichs, der den geringsten Wert des IAE
in der Abstimmungsabbildung umfasst. Es ist zu beachten, dass für
diesen Vorgang keine zusätzliche Kenntnis des Prozessmodells
notwendig ist, weil die Abstimmungsabbildung weiterhin basierend
auf dem Prozessmodell entwickelt wird, das ursprünglich
von dem Ingenieur bereitgestellt wurde (dem vorausgesetzten Prozessmodell).
Das Ergebnis der Optimierung der Gleichung (11) ist ein geändertes
Reglermodell und ein geänderter Satz von Reglerabstimmungsparametern,
die anschließend verwendet werden, um den MPC-Regler zu
entwickeln, um eine bessere Leistung in Anbetracht der erwarteten
Modellfehlanpassungsbereiche zu erzielen. Die Abstimmungsabbildung
beispielsweise aus
11 oder
12 wird
basierend auf dem neuen Prozessmodell nicht neu berechnet, weil
der einzige Zweck der Bestimmung des neuen Reglermodells darin besteht,
den IAE innerhalb der derzeitigen Abstimmungsabbildung zu minimieren.
-
Durch
das Hinzufügen dieses Vorgangs zum Optimierungsblock 110 aus 4 werden
die Entwurfs- und Abstimmungsparameter des MPC-Reglers auf die neu
bestimmten Idealwerte (des neuen Mittelpunktes) geändert,
um die Regelleistung noch weiter zu maximieren als es mit der Abstimmung
der MPC und des Beobachters am ursprünglichen Mittelpunkt
möglich ist. In gewisser Hinsicht sind die Prozessmodellparameter
in diesem Fall nun auch zu Entwurfs-/Abstimmungsparametern des Reglers
geworden, weil sie verwendet werden, um ein neues Reglermodell zu
bestimmen, das innerhalb des MPC-Reglers verwendet wird. Es stimmt jedoch,
dass man, wenn es keine Modellfehlanpassung gäbe, erwarten
würde, dass die Regelleistung eines Reglers mit einem geänderten
Modell schlechter ist als die eines Reglers mit dem ursprünglichen
Modell. Wie jedoch oben besprochen, ist die Aussicht, dass keine
Modellfehlanpassung vorliegt, sehr gering. In einem realen Anlagenszenario
kann die Leistung des ursprünglichen Reglers schlechter
sein als die des geänderten Reglers für die meisten
Modellfehlanpassungsszenarien, weil dies genau die objektive Funktion
der Optimierungsberechnungen der Gleichung (11) ist. Zudem ist der
Unterschied am schlechtesten IAE-Punkt. zwischen dem vorausgesetzten
und dem geänderten Modell gewöhnlich erheblich,
weil Neigungen, die auf einer Seite zu Instabilität und
auf der anderen Seite zu geringer Leistung führen, typischerweise
sehr steil sind. 13 veranschaulicht, wie der
Optimierungsblock 110 aus 4 geändert
werden kann, um einen Modellfehlanpassungsbereich zu verwenden,
um ein geändertes Reglermodell und einen Satz von Entwurfs-
und Abstimmungsparametern des Reglers zur Verwendung in dem MPC-Regler
zu bestimmen.
-
Wie
in 13 abgebildet, umfasst ein Optimierungsblock 110A zwei
Optimierungen, oder führt diese aus, wie sie durch Gleichung
(11) angegeben werden, wozu die Optimierung von Gleichung (9) gehört,
und die Eingabe in den Block 110A wird von der Vorgabe
einer bestimmten Modellfehlanpassung auf einen Modellfehlanpassungsbereich
(für einen oder mehrere Modellparameter) geändert.
Hier entwickelt der Optimierungsblock 110A auch einen neuen
Satz von Werten für die Modellparameter, die verwendet
werden, um ein neues Reglermodell zu entwickeln (d. h. das geänderte
Reglermodell, das an einem der Ausgänge des Blocks 110A in 13 gezeigt
wird). Im Wesentlichen weist der neue Mittelpunkt des Unterraums
der Modellfehlanpassung, der von dem Optimierungsblock 110A bestimmt
wird, einen bestimmten Satz von Werten für die Prozessmodellparameter
auf, die damit verknüpft sind, und diese Modellparameterwerte
sind anders als die Modellparameterwerte, die mit dem ursprünglichen
Mittelpunkt verknüpft sind (d. h. sie sind anders als die
Modellparameterwerte, die mit dem ursprünglichen Anlagenmodell
verknüpft sind). Diese neuen Prozessmodellparameterwerte
werden dann verwendet, um ein neues Reglermodell zu verwenden (ohne
tatsächlich die Anlagenmodelleingabe in den Block 110A zu ändern),
und dieses Reglermodell wird als Reglerentwurfsparameter dem MPC-Regler
bereitgestellt, zusammen mit den anderen Entwurfs- und Abstimmungsparametern
(z. B. Q, R, M, P), die mit dem neuen Mittelpunkt verknüpft
sind.
-
Eine
Erweiterung des Verfahrens für eine optimale Abstimmung
von einer spezifischen Modellfehlanpassung auf einen Modellfehlanpassungsbereich
steigert. seine Nützlichkeit außerordentlich.
Diese neue bereichsbasierte Fehlanpassungstechnik ist auf viele
industrielle Prozesse anwendbar, die inhärente Prozessparametervariationen
aufweisen, die bekannt jedoch schwer genau zu messen sind. Wie nachstehend
beschrieben wird, kann das Adaptations-/Abstimmungsverfahren zudem
eine Modellfehlanpassungs-Rückführung verwenden,
um das vorgestellte doppelte Optimierungsverfahren aus 13 an
eine veränderliche Modellfehlanpassung anzupassen, um dadurch
eine automatische oder Online-Bestimmung der optimalen Entwurfs-
und Abstimmungsparameter des Reglers bereitzustellen, die zu einem
beliebigen bestimmten Zeitpunkt während der Online-Regelung
zu verwenden sind.
-
Insbesondere
ist es möglich, das oben beschriebene Adaptations- und
Abstimmungs-Verfahren des MPC-Reglers zu verwenden, um eine Regelung
im geschlossenen Kreis mit adaptiver Abstimmung (d. h. adaptiver
Regelung) auszuführen. Die meisten Verfahren für
eine adaptive Regelung funktionieren im Allgemeinen, indem sie ein
Prozessmodell entweder kontinuierlich (z. B. periodisch) oder spontan
verfeinern oder neu erstellen, wenn sie durch ein erfassbares Ereignis
ausgelöst werden, wie etwa eine Änderung eines
Prozesswertes, eine Änderung eines Sollwertes der Bedienperson,
usw. Nachdem das neue Modell bestimmt wurde, werden dann Reglermaßnahmen
oder Abstimmungsparameter aus dem Modell berechnet. Diese Modelle
beruhen jedoch im Allgemeinen auf einer Prozessänderung,
die durch Störungen oder Sollwertänderungen eingeführt
werden kann, und somit nehmen Effizienz, Präzision und
Stabilität dieser Verfahren proportional zum Ausmaß an
Prozessvariation zu.
-
Es
ist jedoch im Allgemeinen einfacher, das statistische Ausmaß oder
die Variation der Modellfehlanpassung zu bestimmen, als ein präzises
Prozessmodell zu bestimmen oder zu erstellen. Obwohl viele Verfahren,
wie etwa eine Autokorrelation, vorgeschlagen wurden, um das Ausmaß an
Modellfehlanpassung während Anlagenvorgängen im
geschlossenen Kreis zu bestimmen, ist es extrem schwierig, ein gutes
Prozessmodell während eines Anlagenvorgangs im geschlossenen
Kreis zu bestimmen, weil das Ziel des Reglers (die Variation einer
Prozessausgabe zu minimieren) der Anforderung einer Modellidentifizierung
(Betreiben des Prozesses durch einen Prozessausfall, um die Variation
einer Prozessausgabe zu maximieren) widerspricht.
-
Ein
nachstehend beschriebenes Verfahren zum automatischen Ausführen
einer Adaptation und Abstimmung eines Reglers verwendet das Ausmaß an
Modellfehlanpassung, um zu bestimmen, warm die Entwurfs- und Abstimmungsparameter
der MPC-Reglereinheit anzupassen sind, d. h. warm die Optimierungseinheit 110 oder 110A der 4 und 13 einzusetzen
sind. Obwohl dieses adaptive Abstimmungsverfahren von einem gewissen
Ausmaß an Prozessvariation abhängig ist, muss
dieses adaptive Abstimmungsverfahren die Prozessvariation nicht
maximieren, um die Abstimmungsparameter abzuleiten, welche die Regelleistung maximieren.
-
Ein
Konzept, das in der Technik als Neuerung (Ik)
bezeichnet wird und als Abweichungs- oder Vorhersagefehler bekannt
ist, wird folgendermaßen definiert: Ik = (yk – y ^
k) (12) wobei
yk die vorhergesagte Prozessausgabe und y ^
k der tatsächliche Wert der Prozessausgabe
ist. Dieser Term wird in der Kalman-Filter-Gleichung (6)
verwendet, um die aktualisierte Zustandsgröße
zu berechnen. Während Forscher viele Verfahren vorgeschlagen
haben, welche die Neuerung analysieren, erfolgt die Anwendung derartiger
Verfahren typischerweise während der Inbetriebnahmephase
oder der Wartungsphase eines prädiktiven Regelsystems oder
eines virtuellen Sensorprojekts (z. B. ein neuronales Netzwerk).
Die Autokorrelation ist z. B. ein Verfahren, das Forscher/Ingenieure
oft verwenden, um die Neuerung zu analysieren, weil die Autokorrelation
zwischen Modellfehler und ungemessenen Störungen bei der
Inbetriebnahmephase einer Anlage unterscheiden kann. Da ungemessene
Störungen sich jedoch ebenso zeigen wie sich der Modellfehler
für die Bedienperson zeigt, d. h. als Unterschied zwischen
dem vorhergesagten Prozesswert und dem tatsächlichen oder
gemessenen Prozesswert, ist es schwierig, zwischen Modellfehler
und ungemessenen Störungen während des Online-Regelbetriebs
zu unterscheiden, und somit kann der Fehler, der auftritt, nur unter
Verwendung von Rückführungs-Regelungstechniken
korrigiert werden.
-
Allgemein
gesagt stellt die Autokorrelation der Neuerung (I
k)
eine Angabe darüber bereit, welcher Anteil eines Fehlersignals
auf nicht zufällige Beiträge zurückzuführen
ist. Je höher der Wert der Autokorrelation der Neuerung,
desto höher das Ausmaß an vorliegender Prozessmodellfehlanpassung.
Für eine diskrete Zeitreihe der Länge n {z. B.
y
1, y
2, ... y
n} mit bekanntem Mittelwert und bekannter
Varianz kann eine Schätzung der Autokorrelation folgendermaßen
erzielt werden:
wobei
R(k) die Autokorrelation ist, die in dem Bereich [–1, 1]
liegt, σ
2 die Varianz ist,
y der Mittelwert und k die Zeitliche
Nacheilung ist. Da ein optimal abgestimmter Regler nur korrelierte
Signale entfernen kann und keine Störungen entfernen kann,
die rein zufällig sind (z. B. Weißrauschen), ist
das Verhältnis von Weißrauschen zu dem korrelierten
Signal eine gute Angabe der Optimalität der Reglerabstimmung.
Wenn somit z. B. die Prozessausgabe eines Regelsystems mit geschlossenem
Kreis eine hohe Autokorrelation aufweist, dann ist die Abstimmung
des bestimmten Reglers, der darin verwendet wird, nicht optimal.
-
Analyseverfahren,
die auf Autokorrelation basieren, werden oft im Verlauf der manuellen
Abstimmung und Neuabstimmung von Regelkreisen verwendet. Wenn die
Autokorrelationsanalyse ein hohes Ausmaß an Modellfehlanpassung
wiedergibt, weiß der Ingenieur gewöhnlich, dass
die Reglerkonfiguration nicht vollständig ist und dass
er das Prozessmodell vor der Inbetriebnahme des Reglers verfeinern
oder neu identifizieren muss. Die Anlageningenieure verwenden oft
ein zweites Kriterium, um Leistungsverbesserungen der Abstimmung
zu überprüfen. Insbesondere können Anlageningenieure
das Amplitudenspektrum in Betracht ziehen, um sicherzustellen, dass
das Amplitudenverhältnis auf den wahrscheinlichsten Betriebsfrequenzen
annehmbar ist. Obwohl man aus diesem manuellen Reglerentwurfsverfahren
unter Verwendung einer Neuerungsanalyse ein automatisches Verfahren
machen kann, kann es z. B. nicht kontinuierlich während
des Online-Reglerbetriebs angewendet werden. Zudem verwendet dieses
Verfahren das Ausmaß an Modellfehlanpassung nur, um einen
Prozessmodell-Verbesserungszyklus in Form einer Entwicklung oder
Erzeugung eines neuen Prozessmodells, das die Modellfehlanpassung
reduziert, auszulösen.
-
Das
nachstehend beschriebene automatische adaptive Abstimmungserfahren
unter Verwendung einer Neuerungs- oder anderen Fehleranalyse kann
dagegen kontinuierlich oder ansonsten während des Online-Reglerbetriebs
ausgeführt werden und verwendet das Ausmaß an
Modellfehlanpassung, nicht um einen Prozessmodell-Regenerierungszyklus
auszulösen, sondern um einen adaptiven Abstimmungszyklus
für den Regler auszulösen (um den Regler neu abzustimmen,
damit er das neue Ausmaß an Modellfehlanpassung optimal
berücksichtigt), ohne ein neues Anlagenmodell zu regenerieren.
Somit benötigt dieses Verfahren keinen neuen Satz von Prozessmessungen,
Prozessausfall, um einen neuen Satz von Prozessmodellparametern, usw.
zu bestimmen. Insbesondere für modellprädiktive
Regler wird die Reglerausgabeberechnung direkt von dem Prozessmodell
abgeleitet, und daher kann der Modellfehlanpassung eine Autokorrelation
zugewiesen werden.
-
Derzeitige
Praktiken, die bei der industriellen Prozessregelung verwendet werden,
behandeln die Kombination von Modellfehlanpassung und ungemessener
Störung bei der Neuerung auf sehr elementare Art und Weise.
DMC-Regler setzen beispielsweise voraus, dass ein gewisser Bruchteil
der Neuerung von ungemessenen Störungen beigetragen wird.
Obwohl es versucht wurde, die Kalman-Filter-Verstärkung
auf einer Autokorrelation der Neuerung basierend abzustimmen, ist
das vorliegende Verfahren bemüht, die Fehlerkovarianz zu
minimieren, die von dem Kalman-Filter gesehen wird, indem die entworfenen
und tatsächlichen Signal/Rausch-Verhältnisse angepasst
werden. Diese Technik maximiert im Wesentlichen die Filterleistung,
maximiert jedoch nicht unnötig die Leistung im geschlossenen
Kreis. Zudem berechnet dieses adaptive Verfahren nur die Fehlerkovarianzen
und kann nur verwendet werden, wenn das perfekte Modell bereits
bekannt ist.
-
14 veranschaulicht,
wie der auf einem Optimierer basierende Abstimmungsblock 110A aus 13 mit
einem bestehenden MPC-Regler und Beobachter kombiniert werden kann
(angegeben als Kalman-Filter „KF”), um einen MPC-Regler
mit Verstärkungsverwaltung zu schaffen. Bekannterweise
sind die Verstärkungsverwaltungsverfahren bei Industrieanlagen
für Prozesse mit sich ändernden Prozessparameterwerten
sehr beliebt. Derartige Verfahren können die Reglerabstimmung
verwalten oder können die Aktualisierung des Prozessmodells
und der Abstimmungsparameter verwalten. Solange die Prozessparameter
sich deterministisch ändern, können mit derartigen
Verfahren zufriedenstellende Ergebnisse erreicht werden. In der
Tat ändern sich bei Industrieanlagen viele Eigenschaften
von Einsatzmaterial und Geräten andauernd. Beispiele umfassen Änderungen
des Brennkoeffizienten des Brennstoffs und Änderungen der
Konzentration eines Reagens. Wenn sie messbar sind, werden diese
Eigenschaftsänderungen oft von einer Vorwärts-Regelstrategie verwendet,
um eine Variation direkt zu reduzieren, oder von einer Verstärkungsverwaltungsstrategie,
um dem Modellierungsfehler entgegenzuwirken und die Auswirkung indirekt
zu unterdrücken.
-
Der
Abstimmungsblock 110A aus 13 kann
verwendet werden, um eine Verstärkungsverwaltung auszuführen
und insbesondere, wenn sich ein oder mehrere Parameter des Prozessmodells
geändert haben und bekannt sind, können die Prozessmodellparameter
in dem optimalen MPC-Adaptations-/Abstimmungsblock 110A (über
die Anlagenmodelleingabe) aktualisiert werden, was den Adaptations-/Abstimmungsblock 110A dazu
veranlasst, einen neuen Satz von Entwurfs- und Abstimmungsparametern
(angesichts des neuen Prozessmodells und der derzeitigen Modellfehlanpassungsbereiche)
für den MPC-Regler und das Kalman-Filter zu erzeugen. Diese
Aktualisierung kann von einem Anlageningenieur oder einer Bedienperson
manuell ausgeführt werden oder kann auf einer Prozesszustandsänderung
basierend automatisch ausgeführt werden. Letzteres ist
mit der modellbasierten Verstärkungsverwaltung eines PID-Reglers
vergleichbar. In 14 werden die Wechselwirkungen
zwischen dem Abstimmungsblock 110A und der Reglereinheit 112 gestrichelt
angegeben und veranschaulichen, dass der Informationsfluss zur Reglereinheit 112 vom
Block 110A aus genau in eine Richtung geht. Der vorausgesetzte
Modellfehlanpassungsbereich kann in dem MPC-Adaptations-/Abstimmungsblock 110A von
dem entwerfenden Ingenieur eingegeben werden oder kann auf einer
Standardeinstellung belassen bleiben. Wie bei jedem Regler mit Verstärkungsverwaltung
kann die Zustandsgröße fest in eine spezifische
Prozessmessung eingebaut sein, soweit vorhanden, oder kann durch
eine separate Eigenschaftsschätzfunktion geschätzt
werden. Oft werden neuronale Netzwerke als Eigenschaftsschätzfunktionen in
der Prozessindustrie verwendet, wenn die Prozesseigenschaften aus
Prozessmessungen hergeleitet werden können. Externe Eigenschaftsschätzfunktionen
wie neuronale Netzwerke oder dynamische lineare Schätzfunktionen
können ebenfalls verwendet werden, um Hauptmodellparameter
direkt zu schätzen.
-
Eine
Ausführungsform des Adaptations-/Abstimmungs-Blocks 110A,
der als Verstärkungsverwalter unter Verwendung einer Eigenschaftsschätzfunktion
konfiguriert ist, ist in 15 abgebildet.
Wie hier zu bemerken ist eine Eigenschaftsschätzfunktion 120 gekoppelt,
um eine oder mehrere Eingangs- und/oder Ausgangs-(z. B. gemessene)Größen
oder Signale von dem Prozess 94 zu empfangen, und verwendet
diese Größen, um die Werte von einer oder mehreren
Eigenschaften oder Parameter des Prozessmodells (z. B. A, B, C, D)
zu schätzen. Natürlich kann bei diesem Beispiel
eine beliebige gewünschte oder geeignete Eigenschaftsschätzfunktion
verwendet werden, um neue Prozessmodellparameterwerte zu bestimmen.
Diese Technik schließt den Kreis der Modellparameter und
kann daher als adaptiv angesehen werden. Um jedoch entsprechend
zu funktionieren, benötigen die meisten Verfahren, die
Prozessmodellparameter identifizieren, erhebliche Sollwertänderungen
oder eine Prozessstörung. Leider ist eine derartige Prozessstörung
bei der Online-Regelung nicht wünschenswert und hält
nicht die Hauptvoraussetzungen des oben beschriebenen Adaptations-/Abstimmungsverfahrens
ein, d. h. dass das Anlagenmodell nicht genau bekannt sein kann
und dass es nicht nötig sein sollte, dieses Anlagenmodell
während eines Adaptations-/Abstimmungs-Zyklus neu zu bilden.
-
Schätzfunktionen
können mit vielen Größen verbunden werden,
wozu auch diejenigen gehören, die von dem Regelkreis nicht
gemessen oder manipuliert werden. In der Tat kann eine Schätzfunktion
nur an die Eingaben des Kalman-Filters 116 gebunden sein. 16 veranschaulicht
ein adaptives Abstimmungssystem 125, das den Adaptations-/Abstimmungs-Block 110A als
Teil eines Reglersystems mit Verstärkungsverwaltung verwendet,
um eine adaptive Regelung auszuführen. Wie es 16 veranschaulicht,
ist eine Schätzfunktion 126 (die eine Neuerungsanalyse
oder eine andere Fehleranalyse umsetzen kann) mit dem Beobachter,
d. h. dem Kalman-Filter 116, gekoppelt und analysiert den
Neuerungsterm, der mit dem Kalman-Filter verknüpft ist, um
eine Schätzung des Ausmaßes (z. B. des Bereichs)
an Modellfehlanpassung für einen oder mehrere Prozessmodellparameter
zu bestimmen. Die Schätzfunktion 126, die zusätzlich
oder stattdessen mit dem Regler 114 gekoppelt sein kann,
setzt eine Neuerungsanalyse um, um die Prozessmodellfehlanpassung
bzw. den Fehlanpassungsbereich zu bestimmen, und stellt die bestimmte(n)
Prozessmodellfehlanpassung(en) bzw. den oder die bestimmten Fehlanpassungsbereich(e)
für den Adaptations-/Abstimmungs-Block 110A bereit,
um einen neuen Adaptations-/Abstimmungs-Zyklus für die
Reglereinheit 112 einzuleiten. Insbesondere kann die Neuerungsanalyse
verwendet werden, die von der Schätzfunktion 126 ausgeführt
wird, um den oder die Modellfehlanpassungsbereich(e) in dem System
aus 16 automatisch zu aktualisieren. Falls gewünscht,
kann oder können der oder die Modellfehlanpassungsbereich(e)
vollständig oder nur teilweise auf diese Art und Weise
zu einer beliebigen bestimmten Zeit aktualisiert werden. Ähnlich
kann oder können der oder die Modellparameter, für
den oder die der oder die Fehlanpassungsbereich(e) in Betracht gezogen
wird bzw. werden, vollständig oder teilweise geändert
werden, je nachdem wie umfassend das Neuerungsverfahren mit Bezug
auf die Anzahl der Modellparameter ist. Mit anderen Worten kann
die Neuerungsanalyse manchmal nur erlauben, Schlussfolgerungen über
eine Teilmenge der Modellparameter in dem tatsächlichen
Prozessmodell zu ziehen. Sollte dies der Fall sein, so kann der
Bereich für die unbekannten Parameter konservativ eingestellt
werden, um alle oder die meisten erwarteten oder möglichen
Modellfehlanpassungsszenarien zu umfassen.
-
Die
Ausgabe des optimalen MPC-Adaptations-/Abstimmungs-Blocks 110A funktioniert
wie die oben beschriebenen Aktualisierungsanwendungen auf Anfrage,
schließt den Adaptationskreis jedoch, indem sie eine Adaptation
und Abstimmung des Reglers ausführt, wenn ein wesentliches
Ausmaß an Modellfehlanpassung erfasst wird, z. B. wenn
die Fehlanpassung für ein oder mehrere Modellparameter
einen vorherbestimmten oder voreingestellten Schwellenwert, wie
etwa einen vom Benutzer gelieferten Schwellenwert, einen Fehlanpassungsbereich,
der zuvor im Abstimmungsblock 110A verwendet wurde, usw., überschreitet.
Die Einzigartigkeit dieses adaptiven Lösungsansatzes besteht
darin, dass das ursprünglich vorausgesetzte Prozessmodell
nie von dem Adaptations-/Abstimmungsmechanismus geändert
wird, wodurch eine unkontrollierbare Prozessidentifizierung verhindert,
die Robustheit erhöht und die Verstärkungsverwaltung
vereinfacht wird. Falls gewünscht, kann das vorausgesetzte
Prozessmodell jederzeit manuell aktualisiert werden, ohne die Adaptation
anhalten oder zurücksetzen zu müssen, was noch
ein weiterer Vorteil gegenüber dem derzeitigen Stand der
Technik der Modellaktualisierungsverfahren ist.
-
Wie
nachstehend ausführlicher beschrieben wird, kann ein Auslöser
für die Umsetzung eines manuellen oder automatischen Adaptations-/Abstimmungszyklus
mühelos aus dem Wert der Neuerung oder aus einem bestimmten
Modellfehlanpassungsbereich abzuleiten (d. h. entweder von der Eingabe
oder von der Ausgabe der Neuerungsanalyse, die von der Schätzfunktion 126 ausgeführt
wird). Natürlich könnte ein derartiger Auslöser
auf Vergleichen der Neuerungsanalyse oder deren Ausgaben mit vorherbestimmten
Schwellenwerten beruhen, um zu erkennen, wann ein neuer Adaptations-/Abstimmungs-Zyklus
von Block 110A auszuführen ist. Auf jeden Fall
wurde festgestellt, dass die Verwendung der Autokorrelation der
oben beschriebenen Neuerungsberechnung eine modelllose und störungsfreie
Alternative zu anderen zuvor bekannten Verfahren zum Umsetzen einer
Regleradaptation bereitstellt. Insbesondere kann die Autokorrelationsanalyse
verwendet werden, um zu bestimmen, ob die Regelleistung eines Kreises
verbessert werden kann oder nicht, ohne die Notwendigkeit, ein Prozessmodell
zu identifizieren oder neu zu identifizieren. Insbesondere hat sich
herausgestellt, dass die Autokorrelation des Regelfehlers (der Unterschied
zwischen der gemessenen Prozessausgangsgröße und
dem Sollwert für diese Größe) während
des Beharrungsbetriebs nützlich ist, um zu bestimmen, ob
eine erhebliche Modellfehlanpassung vorliegt, während die
Autokorrelation eines Vorhersagefehlers (der Unterschied zwischen
der gemessenen Prozessausgangsgröße und einem
zuvor vorhergesagten Wert für diese Größe)
während Prozessausfallzuständen nützlich
sein kann, um zu bestimmen, ob eine erhebliche Prozessmodellfehlanpassung
vorliegt, oder um ein Ausmaß oder einen Bereich der Modellfehlanpassung
zu bestimmen. So wie sie hier verwendet wird, könnte die
Neuerungsanalyse die Autokorrelation eines Regelfehlers, eines Vorhersagefehlers
oder von anderen Fehlern innerhalb der MPC-Reglereinheit 112 umfassen.
Diese Autokorrelationen können als Auslöser verwendet
werden, um einen neuen Adaptations-/Abstimmungs-Zyklus umzusetzen,
wenn z. B. die Autokorrelationsanalyse ein erhebliches Ausmaß an
Modellfehlanpassung bestimmt. Ferner können Vergleiche
der Autokorrelationen des Regelfehlers oder des Vorhersagefehlers
für die gleiche Prozessgröße zu verschiedenen
Zeitpunkten verwendet werden, um eine Änderung der Modellfehlanpassung
zu erfassen, die auch als Auslöser verwendet werden kann,
um einen neuen Adaptations-/Abstimmungszyklus umzusetzen.
-
Um
die oben vorgestellten Konzepte zu überprüfen,
wurden einige der oben beschriebenen Adaptations-/Abstimmungsverfahren
auf eine experimentelle binäre Destillationskolonne angewendet.
Die Ergebnisse der Probeläufe der binären Destillationskolonne
unter Verwendung eines modellprädiktiven Reglers, der das optimale
Abstimmungsverfahren umsetzt, das mit Bezug auf 16 beschrieben
wird (unter Verwendung einer praktischen Näherung zum Schätzen
der Modellfehlanpassung aus der Autokorrelation der Neuerung im Kalman-Filter),
werden nachstehend bereitgestellt. Die betreffende Destillationskolonne,
die bei diesen Versuchen verwendet wurde, war eine Pilotanlage die
kleiner als durchschnittlich groß war, die typischerweise
zum Trennen von Wasser und Ethanol verwendet wird. Das Prozess-
und Instrumentendiagramm (PID) 200 für die Versuchsanlage
wird in 17 gezeigt. Da dieses PID für
den Fachmann leicht verständlich ist, wird es hier nicht
weiter als für die Diskussion notwendig beschrieben.
-
Da
die Strömung aus einem Druckspeicher 202 gemessen
werden kann, wurde eine Kaskaden-Regelstrategie gewählt,
die es ermöglicht, die schnelle Strömung von der
langsam integrierenden Dynamik zu trennen. Diese Trennung zwischen
einem Pegelregler 204 (LIC-091) und einem Durchsatzregler 206 (FIC-100) steigert
im Allgemeinen die Robustheit. Die beiden Regler 204 und 206 müssen
jedoch recht gut abgestimmt sein, um diesen Effekt zu erzielen.
Diese Anforderung ist eine schwierige Herausforderung in dieser
Anlage, weil sich die Prozessparameter ändern, wenn die
Energieeingabe der Kolonne variiert. Da der Dampfdurchsatz verwendet
wird, um die Temperatur des Bodens zu regeln, um die Reinheit zu
regeln, können sich die Prozessparameter der Pegel- und
Durchsatz-Regelkreise im Druckspeicher 202 während
des normalen Betriebs erheblich ändern. Ein manueller Stufenversuch
wurde ausgeführt, um das Prozessmodell bei einem Dampfdurchsatz
von 0,55 kg/min zu bestimmen. Der Stufenversuch ergab das folgende
anfängliche Prozessmodell, das als das vorausgesetzte Modell
für die modellbasierten MPC-Regler verwendet wurde und
verwendet wurde, um eine anfängliche Abstimmung für
die PID-Regler bei einem Dampfdurchsatz von 0,55 kg/min bereitzustellen: G(S)FIC-100 = 0,61 / 3s+1
e–0,6s;
G(S)LIC-091 = –0,9 / 218s+1
e–17,5s.
-
Bei
einem Dampfdurchsatz von 0,4 kg/min wurde das folgende Anlagenmodell
bestimmt: G(S)LIC-091 = –0,9 / 160s+1
e–14,5s.
-
Für
den Versuch wurde der Pegelregler (LIC-091) 204, der normalerweise
ein PID-Regler ist, durch einen MPC-Regler ersetzt, der in dem bekannten
Simulationsprogramm MATLAB® ausgeführt
wurde. Dieser Regler wurde umgesetzt, indem der PID-Regler im manuellen
Modus gelassen wurde und OPC-Schreibbefehle von einem OPC-Client
auf einem Laptop-Computer, der die MATLAB®-Simulation
ausführte, an die Ausgänge des PID-Reglers in
einem DeltaVTM-Reglersystem, das innerhalb
der Anlage 200 eingesetzt wurde, gesendet wurden. Da der
Ausgang des LIC-091-Reglers 204 an einen Kaskadeneingang
des sekundären FIC-100-Durchsatzreglers 206 angeschlossen
war, manipulierte das Schreiben an den LIC-091-Regler 204 indirekt
den Durchsatzsollwert des FIC-100-Durchsatzreglers 206 und
setzte ein Kaskaden-Regelungsverhalten um, das der ursprünglichen
Anlagenkonfiguration entsprach.
-
Es
wurden drei verschiedene Abstimmungen von Maßnahmenverlusten
in dem MPC-Regler 204 verwendet (spezifisch Q = 50, Q =
100 und Q = 1000) und die Regelleistung an zwei verschiedenen Betriebspunkten
wurde analysiert (insbesondere bei einem Dampfdurchsatz von 0,4
kg/min und bei einem Dampfdurchsatz von 0,55 kg/min). 18 veranschaulicht
drei verschiedene Durchgänge des MPC-Reglers 204 mit
den drei verschiedenen Abstimmungseinstellungen bei einem Dampfdurchsatz
von 0,5 kg/min. Diese Daten wurden sequentiell aufgezeichnet und
dann zum Vergleich überlagert. Ein vierter Versuch, der
unter Verwendung des ursprünglichen PID-Reglers ausgeführt
wurde, der eingestellt war, um eine PI-Regelung vorzunehmen, wurde ausgeführt,
um Vergleiche zwischen MPC und PID-Regelung zu ermöglichen.
Die PI-Abstimmungsparameter (Verstärkung = 1,54 und Rücksetzung
= 141,68 s) wurden aus der letztendlichen Verstärkung,
dem letztendlichen Zeitraum und der Totzeit des Prozesses mit geänderter
Ziegler-Nichols-Abstimmung berechnet. Unter dieser Beharrungsbedingung
wurden die Standardabweichungen für die vier verschiedenen
Regler wie folgt bestimmt: σQ=50 =
0,057, σQ=100 = 0,066, σQ=1000 = 0,052, σPI =
0,036.
-
Wie
in 18 abgebildet, erscheint das Zeitdomänendiagramm
der Pegelregelung mit Q = 1000 das stabilste zu sein. Die MPC mit
Q = 1000 erreicht ebenfalls die niedrigste Standardabweichung (σQ=1000 = 0,052). Während bei einer
realen Anlagenumgebung ein Diagramm derzeitiger Regelgrößen
oft die Hauptart ist, die Daten zu betrachten, können Schlussfolgerungen,
die nur aus einer realen Zeittendenz gezogen werden, irreführend
sein. 19 veranschaulicht, wie die
Regler auf eine ungemessene Störung reagierten, die gewählt wurde,
um eine Änderung des Dampfdurchsatzes zu sein, da eine
derartige Störung den Reglern größere Schwierigkeiten
bereitet. Erstens ändert eine derartige Störung
die Menge des Kondensats, das den Druckspeicher 202 erreicht,
was erfordert, dass der Regler 204 den Ausgangsfluss des
Druckspeichers ändert. Zweitens ändert eine derartige
Störung die Rückfluss-Zeitkonstanten, wodurch
das Ausmaß an Modellfehlanpassung geändert wird.
Die Änderung des Dampfdurchsatzes ist auch eine richtige
Eingangsstörung und ist in der Tat bei Industrieanlagen
geläufig. Ferner ist eine Änderung des Dampfdurchsatzes
auch fast immer ungemessen. Zu Beispielen von verschiedenen Prozessindustriezweigen,
die eine ähnliche Auswirkung aufweisen wie die künstliche Änderung
des Dampfdurchsatzes (die bei dem vorliegenden Versuch verwendet
wurde) gehören (1) die Änderung der BTU-Leistung
von Brennstoff (die sich auf Temperatur und Verstärkung
eines Temperaturkreises auswirkt), (2) die Änderung der
Konzentration und/oder Zusammensetzung des Einsatzmaterials (die
sich auf Kolonnenladung, Massengleichgewicht und Verstärkung
zwischen Energiezufuhr und Produktreinheit auswirkt), (3) die Verschmutzung
von Rohren in einem Dampfkessel (die sowohl den Wärmeübertragungskoeffizienten ändert,
der wiederum die Prozessverstärkung ändert, als
auch den benötigten Durchsatz für die gleiche
Wärmeübertragung beeinflusst, was daher die Totzeit ändert
Zeit), und (4) die Änderung der Außentemperatur
und/oder das Auftreten eines Gewitters (das die Temperatur ändert
und auch den Wärmeübertragungskoeffizienten zur
Atmosphäre ändert, was daher die Verstärkung ändert).
-
Auf
jeden Fall war die Leistung der Regler während dieser simulierten „ungemessenen” Prozessstörung
(wie in 19 abgebildet), in welcher der
Sollwert des Dampfdurchsatzes von 0,55 kg/min auf 0,4 kg/min geändert
wurde, derart, dass IAEQ=50 = 0,122, IAEQ=100 = 0,468, IAEQ=1000 = ∞ (in
diesem Fall war die Regelung nicht zufriedenstellend und die Anlage
musste durch einen manuellen Eingriff stabilisiert werden) und IAEPI = 0,3. Während, wie in 19 abgebildet,
die Regler MPCQ=50 und MPCQ=100 die
ungemessene Störung recht gut unterdrückten (mit
jeweils IAEQ=50 = 0,122, IAEQ=100 =
0,468), konnte der gleiche Versuch nicht mit MPCQ=1000 ausgeführt
werden, weil der große Maßnahmenverlust diesen
Regler daran hinderte, auf den Pegelabfall rechtzeitig zu reagieren,
was die Sperre der Druckspeicherpumpe auslöste. Nach der
Pumpenauslösung füllte sich der Druckspeicher 202 zu
schnell als dass der Regler 204 hätte reagieren
können, was zu einer unannehmbaren Regelleistung führte.
-
Dieses
Beispiel veranschaulicht, dass eine zu vorsichtige Verstimmung eines
Reglers (d. h. Q = 1000) gegebenenfalls störend und gefährlich
sein kann. Hier wäre es ohne manuellen Eingriff einer Bedienperson
zu einer Überströmung (Druckspeicherüberlauf)
gekommen. Am anderen Ende des Spektrums wurde bestimmt, dass das
Diagramm der Leistung von MPCQ=50 nahe am
Stabilitätsrand lag, was sich bei weiteren Versuchen als
richtig erwies, weil wenn eine schnellere Abstimmung angewendet
wurde (Q < 50)
oder die Anlage in einem Betriebsbereich mit einem höheren
Dampfdurchsatz gefahren wurde, diese Regler instabil wurden (nicht
dargestellt).
-
Ein
Diagramm für den Fall, bei dem die Anlage bei 0,4 kg/min
Dampf funktionierte, ist in 20 abgebildet,
wobei die Reglerleistung als σQ=50 =
0,053, σQ=100 = 0,028 gemessen
wurde, der Regler mit Q = 1000 die Anlage nicht zufriedenstellend
regelte und σPI = 0,032. Somit
zeigte der MPC-Regler mit der gleichen Abstimmung wie diejenige,
die für 55 kg/min Dampf (18) verwendet
wurde, eine geringere Standardabweichung. Die MPC mit Q = 1000 wird
in 19 nicht gezeigt, weil sie die Anlage nicht zufriedenstellend
regelte und wiederholt die Druckspeicherpumpensperre auslöste,
wie oben erwähnt.
-
Zusammenfassend
veranschaulichten die Versuchsläufe der Destillationskolonne
aus 17, dass die Werte 50 und 100 des
MPC-Abstimmungsparameter Q für eine Modellfehlanpassung
geeignet waren, die sich über die gewünschten
Betriebsgebiete erstreckt (hier von 0,4 kg/min bis 0,55 kg/min Dampf).
Eine Abstimmung unter 50 und über 200 (getestet aber nicht
dargestellt) war nicht geeignet. Wie oben mit Bezug auf die optimale
Abstimmung vorgeschlagen, könnte man einen spezifischen Satz
von Abstimmungsparametern finden, der zu einer idealen Rückführungs-Regelleistung
für das veränderliche Ausmaß an Modellfehlanpassung führt.
Dies war experimentell möglich, auch ohne neue Kenntnis
bezüglich des Anlagenmodells. Es wurde keine neue Modellidentifizierung
oder Modellaktualisierung vorgenommen. In der Tat wurde das vorausgesetzte Anlagenmodell
während des gesamten Versuchs verwendet, auch wenn es bekannt
war, dass es dadurch ziemlich falsch war, dass nicht nur die Werte
der Modellparameter höchstwahrscheinlich falsch waren,
sondern die Modellform auch nicht zu den zugrundeliegenden Prozesscharakteristiken
eines Integrationsprozesses passten (d. h. ein Pegelregelkreis).
Eine inkorrekte Modellformulierung (erste Ordnung plus Totzeit)
wurde absichtlich ausgewählt, um sicherzustellen, dass
eine Modellfehlanpassung während des Versuchs vorläge,
da es nicht möglich was, das genaue Ausmaß an
Modellfehlanpassung zu bestimmen, das während des Versuchs
vorlag.
-
Eine
Zusammenfassung der experimentellen Leistung der vier verschiedenen
Regler unter vier verschiedenen Prozessbedingungen für
den Prozess aus
-
17 wird
in der nachstehenden Tabelle 6 bereitgestellt, wobei alle MPC-Regler
basierend auf den gleichen Modellvoraussetzungen abgestimmt wurden.
Hier waren die Regler ein PI-Regler sowie MPC-Regler mit Q-Werten
von 50, 100 und 1000. Wie aus der Tabelle 6 ersichtlich ist, funktionierte
die MPC mit einem Q-Wert von 50 mit einem noch niedrigeren IAE als
der PI-Regler als Antwort auf Dampfänderungen, während die
MPC mit dem auf 100 eingestellten Q schlechter war und die MPC mit
dem Q-Wert von 1000 als Antwort auf Dampfänderungsbedingungen
sehr schlecht funktionierte (oder nicht getestet wurde), jedoch
bei einer Regelung bei dem Betriebspunkt von 0,55 kg/min am besten
funktionierte.
| PI | MPCQ=50
| MPCQ=100
| MPCQ=1000
|
σDampf = 0,55 kg/min | 0,036 | 0,057 | 0,066 | 0,052 |
σDampf = 0,4 kg/min | 0,032 | 0,053 | 0,028 | nicht
getestet |
IAEDampfänderung 0,55 → 0,4 kg/min
| 0,302 | 0,122 | 0,468 | ∞ |
IAEDampfänderung 0,4 → 0,55 kg/min
| 0,281 | 0,136 | 0,424 | nicht
getestet |
Tabelle
6
-
Bei
der tatsächlichen Regelung einer Anlage ist es jedoch wichtig,
während die Anlage an einem Betriebspunkt gefahren wird,
wissen zu können, wie eine Änderung auf einen
anderen Betriebspunkt die Leistung für eine bestimmte Abstimmung
beeinflusst. Somit ist es für das obige Beispiel wichtig,
dass die Bedienperson wissen kann, bevor sich der Dampfdurchsatz
von 0,55 kg/min auf 0,4 kg/min ändert, dass, obwohl die
Verlustabstimmung von Q = 1000 die beste Regelung bei 0,55 kg/min
zeigt, diese Abstimmung für größere Störungen
nicht ausreicht und eventuell eine Stilllegung der Anlage verursacht.
Das manuelle Durchgehen aller möglichen Prozessgebiete
und das Bestimmen der Abstimmung, die in allen diesen Gebieten funktioniert,
sind machbar und erfordern keine Modellidentifizierung. Dieser Vorgang
schafft jedoch eine gewisse Menge von Ausschussware oder schlechter
Ware, muss eventuell wiederholt werden, wenn sich das Anlagenmodell ändert,
und ist nur möglich, wenn der oder die Parameter, der bzw.
die die Modellfehlanpassung beeinflussen, bekannt und manipulierbar
ist bzw. sind (wie der Dampf bei diesem Beispiel).
-
Es
wurde jedoch bestimmt, dass die Verwendung einer oben mit Bezug
auf 16 besprochenen Autokorrelationsanalyse als Auslöser
verwendet werden kann, um geeignete Abstimmungseinstellungen angesichts
möglicher Änderungen der Betriebsparameter auszulösen
(und angesichts von Änderungen des Anlagenmodells) und
um einen Satz von Abstimmungsparametern auszuwählen, der
angesichts dieser Änderungen angemessen oder optimal ist.
Insbesondere kann eine Fehleranalyse des Vorhersagefehlers oder
des Regelfehlers verwendet werden, um zu bestimmen, wie gut ein
MPC-Regler an eine Anlage angepasst ist, und welches Ausmaß und
welche Art der Modellfehlanpassung vorliegen. 21 bis 25 werden
bereitgestellt, um diesen Punkt zu erläutern. 21 stellt
einen Vergleich der Autokorrelation des Vorhersagefehlers in dem MPC-Regler
bei den drei verschiedenen Abstimmungseinstellungen der oben besprochenen
beispielhaften Anlage bei einem Beharrungsbetrieb von 0,55 kg/min
Dampf bereit. Aus diesem Diagramm ist ersichtlich, dass keine endgültige
Aussage darüber gemacht werden kann, welcher MPC-Regler
besser oder schlechter ist. Die Amplituden sind unterschiedlich,
wenn man jedoch die Achse der zeitlichen Nacheilung in Betracht
zieht, deutet nichts darauf hin, dass eines der Diagramme für
eine gegebene zeitliche Nacheilung erheblich besser autokorreliert
ist, auch wenn die Abstimmungseinstellung der drei Regler eine deutlich
verschiedene Rückführungsleistung bezüglich
des IAE aufweist, wie es 19 zeigt.
Die Autokorrelations-Diagramme des Vorhersagefehlers für
den Beharrungsbetrieb bei 0,4 kg/min werden in 22 bereitgestellt
und veranschaulichen das gleiche Dilemma. Diese Tatsache unterstützt
die Erkenntnis, dass die beste Zustandsaktualisierung (der geringste
Vorhersagefehler) nicht unbedingt zur besten Rückführungs-Regelleistung
führt. Hier zeigt die MPC mit Q = 50 den geringsten Vorhersagefehler
aber den schlechtesten integrierten absoluten Fehler, und die MPC
mit Q = 1000 zeigt den besten IAE mit dem schlechtesten Vorhersagefehler.
Die Unterschiede zwischen den drei Reglereinstellungen kann man
jedoch beobachten, wenn die Autokorrelation des Vorhersagefehlers während
einer großen Änderung einer ungemessenen Störung
bestimmt wird, wie in 23 abgebildet, welche die Autokorrelation
des Vorhersagefehlers in den MPC-Reglern bei den drei verschiedenen
Abstimmungseinstellungen während der Unterdrückung
einer ungemessenen Störung in Form einer Dampfdurchsatzänderung
von 0,55 kg/min auf 0,4 kg/min darstellt.
-
Hier
bringt die große Änderung des Regelfehlers einen
merkbaren Unterschied zwischen den Autokorrelationsdiagrammen zum
Vorschein, der ansonsten durch Rauschen verschleiert wird. Zu diesem
Punkt ist es leider zu spät, um festzustellen, dass der
Regler falsch abgestimmt wurde, weil diese Information benötigt
wurde, um den Regler neu abzustimmen, bevor eine große
Störung auftritt. Auf jeden Fall verdeutlicht dieses Diagramm,
warum die Verfahren nach dem Stand der Technik, die eine Autokorrelationsanalyse
als Kriterium zum Bestimmen einer Modellfehlanpassung verwenden,
Prozessanregungen verwenden, um aufschlussreiche Vergleiche von
Autokorrelationen zu erzielen. Obwohl man einige Verfahren als „nicht
intrusiv” ansehen kann, weil sie Störungsänderungen
abwarten, statt Impulse einzukoppeln, die den Prozess stören,
funktionieren sie nicht gut während einer Beharrungsregelung,
wie bei dem Beharrungsbetrieb bei 0,55 kg/min Dampf in diesem Versuch.
-
Obwohl
die Verwendung der Autokorrelation des Vorhersagefehlers zur Ausführung
der Bewertung der Regelleistung während Zeiträumen
der Störungsunterdrückung hilfreich sein kann,
um eine Prozessmodellfehlanpassung zu bestimmen, erweist sich die
Verwendung der Autokorrelation des Vorhersagefehlers zur Ausführung
der Bewertung der Regelleistung während Zeiträumen
des Beharrungsbetriebs als nicht sehr nützlich. Während
die Verwendung der Autokorrelation des Vorhersagefehlers zu Zeiten
eines Prozessausfalls (z. B. ungemessener Störungen oder
Sollwertänderungen) zum Auslösen eines Adaptations-/Abstimmungszyklus des
Reglers nützlich sein kann, benötigt diese Technik
zudem immer noch ein gewisses Ausmaß an Prozessänderung
oder -ausfall, was im Allgemeinen weniger wünschenswert
ist.
-
Es
hat sich jedoch herausgestellt, dass die Betrachtung der Autokorrelation
des Regelfehlers während des Beharrungsbetriebs gut als
Maß einer Prozessmodellfehlanpassung funktioniert, und
dass diese Art der Fehleranalyse als Auslöser für
eine Adaptation/Neuabstimmung eines MPC-Reglers verwendbar ist. 24 bildet
z. B. die Autokorrelation der geregelten Größe
ab, was der Autokorrelation des Regelfehlers für eine reine
Rückführungsregelung entspricht, d. h. mit einem
konstanten Sollwert. Der Betrieb der MPC-Regler mit den gleichen
drei Abstimmungseinstellungen ist in 24 bei
einem konstanten Dampfdurchsatz von 0,55 kg/min zusammen mit dem
Betrieb der ursprünglichen PI-Reglerleistung bei diesem
Durchsatz, der als Bezugsvergleich hinzugefügt wird, dargestellt.
-
Aus 24 wird
deutlich, dass sich die MPCQ=1000 erheblich
hervorhebt und mühelos als inhärente Abstimmungsprobleme
aufweisend zu bestimmen ist (z. B. ein hohes Ausmaß an
Prozessmodellfehlanpassung). Insbesondere ist die Autokorrelation
der Regelgröße der MPC mit Q = 1000 ganz anders
als alle anderen Reglerabstimmungseinstellungen. Im Beharrungsbetrieb
und ohne erhebliche ungemessene Störung ist diese Abstimmung
mühelos als schlecht zu identifizieren, weil diese Abstimmung
eine erheblich höhere Autokorrelation für alle
Werte der zeitlichen Nacheilung zeigt. Das offensichtlichste Unterscheidungskriterium
dieser Kurve ist, dass sie nur auf einer Seite der Abszisse bleibt
und nie durch Null geht.
-
25 stellt
die gleichen Fehleranalyseberechnungen während einer künstlich
eingeführten Störung des Druckspeicherpegels dar,
die mit der Änderung des Dampfdurchsatzes von 0,55 kg/min
auf 0,4 kg/min verknüpft ist. Obwohl man einen Unterschied
der Autokorrelation als Argument vorbringen könnte, ist
er auf keinen Fall so deutlich wie die Autokorrelation, die ohne
die angemessene Störung ausgeführt wird (die in 24 veranschaulicht
wird). Diese Tatsache weist jedoch kein erhebliches Problem auf,
weil die Adaptations-/Abstimmungslogik eine Störung automatisch
erfassen kann und von der Analyse der Autokorrelation eines Regelfehlers
auf die Analyse der Autokorrelation eines Vorhersagefehlers in diesen
beiden verschiedenen Szenarien umschalten kann, um eine bessere
Adaptations-/Abstimmungseinleitung bereitstellen zu können.
Z. B. kann das Umschalten zwischen den beiden verschiedenen Berechnungsarten
ausgeführt werden, wenn der Regelfehler über einen
gewissen Schwellenwert hinausgeht, was typischerweise als Reaktion
auf eine ungemessene Störung oder sofort nach einer Änderung
eines Sollwerts vorkommt.
-
Eine
vereinfachte qualitative Zusammenfassung der oben besprochenen Autokorrelationsanalyse wird
in der nachstehenden Tabelle 7 bereitgestellt. Hier werden die Versuchsdaten
für die vier verschiedenen Regler als Gesamtangabe der
Ergebnisse der Größe (d. h. klein, mittel und
groß) der Autokorrelationsanalyse angezeigt. Die Autokorrelationsanalysen,
die verwendet werden können, um eine Modellfehlanpassung
zu unterscheiden oder zu identifizieren, sind auf Grund des Unterschieds
der Größen der Autokorrelationsanalysen der verschiedenen
Regler für diese Analysen auf den mittleren beiden Reihen
zu finden. Insbesondere stellt die Tabelle 7 eine Zusammenfassung
qualitativer Schätzungen verschiedener Autokorrelationsversuchsdaten für
die drei verschiedenen MPC-Regler bereit, wobei alle Regler auf
den gleichen Modellvoraussetzungen basierend abgestimmt werden.
In dieser Tabelle ist R
I(k) die Autokorrelation
des Vorhersagefehlers und R
y(k) die Autokorrelation
des Regelfehlers. Der PI-Reglerbetrieb wird zum Vergleich hinzugefügt.
| PI | MPCQ=50
| MPCQ=100
| MPCQ=1000
|
RI(k)Dampf = 0,55 kg/min
| ohne
Angabe | klein | klein | Klein |
RI(k)Dampf = 0,4 kg/min
| ohne
Angabe | klein | klein | nicht
getestet |
RI(k)Dampfänderung
= 0,55 → 0,4 kg/min
| ohne
Angabe | klein | mittel | Groß |
Ry(k)Dampf = 0,55 kg/min
| klein | klein | mittel | Groß |
Ry(k)Dampf = 0,4 kg/min
| klein | mittel | mittel | nicht
getestet |
Ry(k)Dampfänderung
= 0,55 → 0,4 kg/min
| groß | groß | groß | Groß |
Tabelle
7
-
Im
Allgemeinen geht man davon aus, dass größere Autokorrelationswerte
größere Prozessmodellfehlanpassungen angeben.
Zusammenfassend kann eine adaptive Regelung im geschlossenen Kreis
von MPC-Entwurfs- und Abstimmungsparametern unter Verwendung eines
Verfahrens eingeleitet werden, das die Autokorrelation von MPC-Reglerinformationen
analysiert, wie etwa den Regelfehler der Regelgröße(n)
oder den Vorhersagefehler der Regelgröße(n). Wie
oben besprochen, kann es jedoch einen großen Unterschied ausmachen,
ob die Autokorrelation aus dem Vorhersagefehler oder dem Regelfehler
berechnet wird. Die Autokorrelation eines Vorhersagefehlers kann beispielsweise
nur während einer Sollwertänderung oder einer
Unterdrückung einer ungemessenen Störung aussagekräftig
sein, während die Autokorrelation eines Regelfehlers während
des Beharrungsbetriebs am nützlichsten sein kann. Am nützlichsten
(jedoch auch am schwierigsten) ist es, die Abstimmung an die Prozesscharakteristiken
anzupassen, bevor eine ungemessene Störung auftritt, und
nicht während oder nachdem die Störung auftritt,
wie es die meisten derzeitigen adaptiven Abstimmungsverfahren nach
dem Stand der Technik erfordern. Verfahren, die versuchen, das Prozessmodell
neu zu identifizieren, beruhen gewöhnlich auf Prozessänderungen
und können keine Modelländerungen während
des Beharrungsbetriebs erfassen. Derartige Änderungen können
durch eine Störung oder Sollwertänderungen verursacht
werden und müssen groß genug sein, um sich vom
Rauschband abzuheben. Somit sollte basierend auf der obigen Diskussion
das automatische Adaptations-/Abstimmungs-Verfahren aus 16 bevorzugt
eine Analyse des Vorhersagefehlers und eine Analyse eines Regelfehlers
auf die oben beschriebene Art und Weise umfassen. Das Ergebnis dieser
Analyse ist, wie gut die derzeitige Abstimmung sich für
den derzeitigen Prozess eignet. Jede verschlechterte Autokorrelationsfunktion
(im Vergleich zu erwarteten oder vorhergehenden Autokorrelationsfunktionen,
die für den gleichen Satz von Entwurfs-/Abstimmungsparametern
berechnet wurden) muss das Ergebnis einer erhöhten Modellfehlanpassung
sein und kann durch eine neue Adaptation/Abstimmung berücksichtigt
oder ausgeglichen werden.
-
Die
Verwendung der Autokorrelation als Technik zur Entwicklung nützlicher
Rückführungsinformationen über eine Modellfehlanpassung
zur Verwendung bei der mit Bezug auf 13 beschriebenen
Adaptations-/Abstimmungs-Technik ist bei vielen verschiedenen Prozess-
und Modellarten nützlich. Während die Ergebnisse
je nach der bestimmten Art der Modellfehlanpassung, die angetroffen
wird, unterschiedlich sein können, werden im Allgemeinen
die Entwurfs- und Abstimmungsparameterwerte, die das optimale Entwurfs-/Abstimmungsverfahren
für einen breiteren Modellfehlanpassungsbereich berechnet,
konservativer sein als die Entwurfs-/Abstimmungsparameterwerte,
die sich aus einem engeren Fehlanpassungsbereich ergeben. Mit anderen
Worten verstimmt das oben vorgestellte automatische Adaptations-/Abstimmungsverfahren
den MPC-Regler, um Schwingungen und Instabilität zu verhindern,
wenn eine große Prozessmodellfehlanpassung (oder eine Erhöhung
der Prozessmodellfehlanpassung) erfasst wird, was wie ein automatisches
Sicherheitsnetz wirkt, das gegebenenfalls einspringt. Wenn andererseits
die Autokorrelationsanalyse eine Minderung der Prozessmodellfehlanpassung
angibt, kann ein neuer Adaptations-/Abstimmungszyklus umgesetzt
werden, um die Parameter der Reglerform und -abstimmung zu verschärfen,
um eine bessere Gesamtregelung bereitzustellen. Dieser automatische
Lösungsansatz ist offensichtlich wünschenswerter
als eine proaktive Verstimmung des Reglers, um sicher zu sein, wie
es in der Industrie üblich ist, weil dieser automatische
Lösungsansatz eine schnellere Abstimmung anwendet, wenn
die Modellfehlanpassung kleiner ist, und eine langsamere oder aufgelockerte
Abstimmung anwendet, wenn die Modellfehlanpassung größer
ist.
-
Wichtig
ist, dass das hier beschriebene automatische Adaptations-/Abstimmungs-Verfahren
die Form, das Reglermodell und die Entwurfs- und Abstimmungsparameter,
die von einem modellbasierten Regler verwendet werden, basierend
auf einer Reglermodellfehlanpassung anpasst, ohne eine neue Identifizierung
des Anlagenmodells vorzunehmen. Dieses Verfahren ist somit sehr
nützlich, weil die Identifizierung des Anlagenmodells,
insbesondere eine Identifizierung des Anlagenmodells im geschlossen
Kreis, sich bei industriellen Prozessanwendungen als erheblich intrusiver
oder unzuverlässiger erwiesen hat.
-
26 veranschaulicht eine weitere Ausführungsform
eines adaptiven Abstimmungssystems im geschlossenen Kreis, das ähnlich
wie das aus 16 ist, das jedoch eine Schätzfunktion 130 umfasst,
die eine oder beide der oben besprochenen Fehleranalysen und eine
Prozessschätzung verwendet, um ein oder mehrere Modellfehlanpassungen
oder Fehlanpassungsbereiche zur Verwendung in dem Abstimmungsblock 110A zu
bestimmen. Der Block 130 kann dadurch entweder eine Fehleranalyse
(z. B. der Neuerung) des Reglers oder eine Prozessanlagenanalyse,
oder beide, verwenden, um eine Schätzung eines Wertes oder
eines Modellfehlanpassungsbereichs zwischen dem Reglermodell und
der Anlage zu bestimmen oder zu erfassen, und kann diese Schätzung
verwenden, um einen Abstimmungszyklus für den MPC-Regler 112 einzuleiten.
-
Es
versteht sich somit, dass die hier beschriebene adaptive Abstimmungstechnik
verwendet werden kann, um die Reglerabstimmung bei den folgenden
Szenarien und diversen Kombinationen derselben anzupassen: (1) basierend
auf einer manuellen Eingabe eines neuen Prozessmodells, (2) basierend
auf einer automatischen Eigenschaftsschätzung oder Modellidentifizierung,
die aus Ein- und Ausgaben der Prozessanlage entwickelt wird, (3)
basierend auf einer manuellen Eingabe einer oder mehrerer neuer
Modellfehlanpassungen oder Modellfehlanpassungsbereichen oder (4)
basierend auf einer automatischen Schätzung einer Modellfehlanpassung
(Ausmaß oder Bereich), die aus einer Fehleranalyse einer
Zustandsschätzung entwickelt wird.
-
Obwohl
die Erfindung mit Bezug auf die spezifischen Ausführungsbeispiele
beschrieben wurde, die dazu gedacht sind, die Erfindung zu lehren
und zu veranschaulichen, ist die offenbarte Adaptations-/Abstimmungs-Vorrichtung
und das offenbarte Verfahren nicht auf diese Ausführungsformen
beschränkt. Diverse Änderungen, Verbesserungen
und Zusätze können vom Fachmann eingesetzt werden,
und derartige Änderungen, Verbesserungen und Zusätze
verlassen den Umfang der Erfindung nicht.
-
Obwohl
beispielsweise die oben beschriebenen Adaptations-/Abstimmungs-Vorrichtungen
und Verfahren zusammen mit der Verwendung von Prozessmodellen in
der Form von Modellen erster Ordnung plus Totzeit beschrieben wurden,
können diese Techniken andere Arten von Prozessmodellen
umfassen, z. B. Zustand-Raum-Prozessmodelle, regressive Modelle,
wie etwa ARX-Modelle, Modelle mit endlicher Impulsantwort (FIR),
Stufenantwortmodelle, usw. Ebenso können die hier beschriebenen
Adaptations-/Abstimmungs-Vorrichtungen und Verfahren funktionieren,
um einen MPC-Regler unter Verwendung aller oder nur einiger der
verfügbaren MPC-Modell-, Entwurfs- und Abstimmungsparameter
basierend auf einer Modellfehlanpassung oder einem Modellfehlanpassungsbereich
in einem beliebigen spezifischen Fall anzupassen. Insbesondere können
die Adaptations-/Abstimmungs-Vorrichtungen oder Verfahren sich auf
ein oder mehrere „wichtige” Modell-, Entwurfs-
und/oder Abstimmungsparameter konzentrieren, die in einem beliebigen
bestimmten Fall oder Szenario vorliegen, ohne einen oder mehrere
der anderen Parameter während eines Adaptations-/Abstimmungs-Verfahrens
anzupassen oder zu ändern. Obwohl zudem die Beschreibung
der hier bereitgestellten adaptiven Abstimmungstechniken im Zusammenhang
mit einem MPC-Regler mit einem einzigen Kreis bereitgestellt wurde,
sind diese Techniken auch oder stattdessen auf Konfigurationen von
Mehrfachgrößen-MPC-Reglern anwendbar oder erweiterbar.
-
Zudem
wird der Fachmann verstehen, dass die Aufteilung der einzelnen Bestandteile
der Adaptations-/Abstimmungs-Blöcke und Reglereinheiten,
wie sie hier beschrieben wird, den Verantwortlichen für
Umsetzung und Betrieb des Reglers vorbehalten ist. Es versteht sich,
dass alle diese Funktionen auf beliebige gewünschte Art
und Weise in einer oder mehreren gewünschten Vorrichtungen
umgesetzt werden können. Obwohl zudem die hier beschriebene
Adaptations-/Abstimmungs-Technik bevorzugt als Software umgesetzt
wird, kann sie oder beliebige Teile derselben als Hardware, Firmware,
usw., umgesetzt werden und kann von einem beliebigen anderen mit
einem Prozessregelsystem verknüpften Prozessor umgesetzt
werden. Somit können die hier beschriebenen Elemente in
einer standardmäßigen universellen CPU oder einer
spezifisch entworfenen Hardware oder Firmware, wie etwa einer anwendungsspezifischen
integrierten Schaltung (ASIC) oder einer anderen fest verdrahteten
Vorrichtung wie gewünscht umgesetzt werden. Wenn sie als
Software umgesetzt wird, kann die Software-Routine auf einem beliebigen
computerlesbaren Speicher, wie etwa auf einer Magnetplatte, einer
Laserplatte (wie etwa einer CD, einer DVD, usw.), einem Flash-Laufwerk
oder einem anderen Speichermedium, in einem RAM oder ROM eines Computers
oder Prozessors, in einer beliebigen Datenbank, usw. gespeichert
sein. Ebenso kann diese Software einem Benutzer oder einer Prozessanlage über
ein beliebiges bekanntes oder gewünschtes Lieferverfahren,
wozu z. B. eine computerlesbare Platte, SmartCard-Speicher, Flash-Laufwerke
oder andere transportierbare Computerspeichermechanismen gehören,
oder über einen Kommunikationskanal, wie etwa eine Telefonleitung,
das Internet, usw. (was als gleichwertig oder austauschbar mit der
Bereitstellung einer derartigen Software über ein transportierbares
Speichermedium angesehen wird), geliefert werden.
-
Es
wird ebenfalls anerkannt, dass die hier beschriebenen spezifischen
Lösungsansätze nur unwesentliche Abweichungen
von den oben beschriebenen Ausführungsformen der Erfindung
darstellen. Demnach sind die hier bereitgestellten Ansprüche
richtig auszulegen, um alle Änderungen, Variationen und
Verbesserungen mit einzubeziehen, die zum wahren Geist und Umfang
der Erfindung gehören, sowie wesentliche Äquivalente derselben.
Entsprechend sind andere Ausführungsformen der Erfindung,
obwohl sie hier nicht insbesondere beschrieben werden, dennoch im
Umfang der Erfindung inbegriffen.
-
ZUSAMMENFASSUNG
-
ROBUSTER ADAPTIVER MODELLPRÄDIKTIVER
REGLER MIT ABSTIMMUNG ZUM AUSGLEICH EINER MODELLFEHLANPASSUNG
-
Eine
MPC-Adaptations- und Abstimmungstechnik integriert eine Rückführungs-Regelleistung
besser als Verfahren, die heutzutage gewöhnlich bei MPC-artigen
Reglern verwendet werden, was zu einer MPC-Adaptations-/Abstimmungstechnik
führt, die in Gegenwart einer Prozessmodellfehlanpassung
mehr leistet als herkömmliche MPC-Techniken. Die MPC-Reglerleistung
wird dadurch verbessert, dass eine Regler-Adaptations-/Abstimmungseinheit
zu einem MPC-Regler hinzugefügt wird, wobei diese Adaptations-/Abstimmungseinheit
eine Optimierungsroutine umsetzt, um den besten oder optimalen Satz
von Entwurfs- und/oder Abstimmungsparametern des Reglers zu bestimmen,
der innerhalb des MPC-Reglers während der Online-Prozessregelung
in Gegenwart eines spezifischen Ausmaßes an Modellfehlanpassung
oder eines Modellfehlanpassungsbereichs zu verwenden ist. Die Adaptations-/Abstimmungseinheit
bestimmt einen oder mehrere Abstimmungs- und Entwurfsparameter des
MPC-Reglers, wozu beispielsweise eine MPC-Form, Verlustfaktoren
für entweder einen MPC-Regler oder einen Beobachter, oder
beide, und ein Reglermodell zur Verwendung in dem MPC-Regler gehören,
basierend auf einem zuvor bestimmten Prozessmodell, und entweder
eine bekannte oder eine erwartete Prozessmodellfehlanpassung oder
einen Prozessmodell-Fehlanpassungsbereich. Ein Adaptationszyklus
im geschlossenen Kreis kann umgesetzt werden, indem eine Autokorrelationsanalyse
an dem Prädiktionsfehler oder dem Regelfehler ausgeführt
wird, um zu bestimmen, wann eine erhebliche Prozessmodellfehlanpassung
vorliegt, oder um eine Zunahme oder eine Abnahme der Prozessmodellfehlanpassung
mit der Zeit zu bestimmen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste
der vom Anmelder aufgeführten Dokumente wurde automatisiert
erzeugt und ist ausschließlich zur besseren Information
des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen
Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt
keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Nicht-Patentliteratur
-
- - „Robust
Adaptive Model Predictive Controller with Automatic Correction for
Model Mismatch”, die am 31. Januar 2008 [0001]