DE112009000224T5

DE112009000224T5 - Robuster andaptiver modellprädiktiver Regler mit Abstimmung zum Ausgleich einer Modellfehlanpassung

Info

Publication number: DE112009000224T5
Application number: DE112009000224T
Authority: DE
Inventors: Dirk Austin Thiele
Original assignee: Fisher Rosemount Systems Inc
Current assignee: Fisher Rosemount Systems Inc
Priority date: 2008-01-31
Filing date: 2009-01-30
Publication date: 2011-01-05
Also published as: JP2015028804A; CN101925866B; WO2009099944A3; JP5965953B2; JP5504175B2; US20120221124A1; CN101925866A; GB2490267A; US9904257B2; GB2469239B; GB2469239A; US8185217B2; GB201211484D0; DE112009005510A5; CN103293953A; US20090198350A1; HK1145885A1; GB201012001D0; JP2013012249A; WO2009099944A2

Abstract

Verfahren zum Abstimmen eines modellprädiktiven Reglers zur Verwendung bei der Regelung eines Prozesses, umfassend folgende Schritte:
Erzielen eines Prozessmodells für den Prozess, wobei das Prozessmodell einen Wert für jeden Parameter eines Satzes von Prozessmodellparametern umfasst;
Erzielen einer Angabe einer Prozessmodellfehlanpassung, die eine Prozessmodellfehlanpassung für mindestens einen Parameter des Satzes von Prozessmodellparametern identifiziert; und
Ausführen einer Regleroptimierung basierend auf dem Prozessmodell und der Angabe der Prozessmodellfehlanpassung, umfassend das Bestimmen einer regelungsbasierten Leistungsmessung für den modellprädiktiven Regler, wenn er unter Verwendung jedes Satzes einer Mehrzahl von verschiedenen Sätzen von Entwurfs-/Abstimmungs-Parameterwerten des Reglers und des Prozessmodells in Gegenwart eines Ausmaßes an Prozessmodellfehlanpassung, das mit der Angabe der Prozessmodellfehlanpassung verknüpft ist, betrieben wird, und Bestimmen eines optimalen Wertes des Satzes von Entwurfs-/Abstimmungs-Parameterwerten des Reglers zur Verwendung in dem modellprädiktiven Regler basierend auf den regelungsbasierten Leistungsmessungen.

Description

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 DeltaV^TM-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 WirelessHART^TM, 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 (CV_T) und (AV_T), 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 (CV_SS) und Hilfsgrößen (AV_SS) eines vorhergesagten Beharrungszustands zusammen mit einem Satz von Stellgrößen (MV_SS) eines vorhergesagten Beharrungszustands, welche jeweils die vorhergesagten Werte der Regelgrößen (CV_S), Hilfsgrößen (AV_S) und Stellgrößen (MV_S) an einem Regelhorizont darstellen. Diese Größen können bei einer oder mehreren MPC-Optimierungsroutine(n) verwendet werden, um die Zielregel- und Zielhilfsgrößen CV_T und AV_T zu entwickeln, um den Prozess 50 in einen optimalen Betriebszustand anzuregeln.
Unabhängig davon, wie sie entwickelt werden, werden die Zielregel- und Zielhilfsgrößen CV_T und AV_T dem MPC-Regler 52 als Eingaben bereitgestellt, der, wie zuvor erwähnt, diese Zielwerte CV_T und AV_T verwendet, um einen neuen Satz von Beharrungszustand-Stellgrößen MV_SS (über den Regelhorizont) zu bestimmen, der die aktuellen Regel- und Stellgrößen CV und AV auf die Zielwerte CV_T und AV_T 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 MV_SS zu erreichen, was theoretisch dazu führt, dass der Prozess die Zielregel- und Zielhilfsgrößen CV_T und AV_T 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 CV_SS und AV_SS.
Ein Regelungszielblock 80 bestimmt einen Regelungszielvektor für jede der N Zielregel- und Zielhilfsgrößen CV_T und AV_T, 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 CV_T und AV_T, um einen dynamischen Regelungszielvektor für jede der Regel- und Hilfsgrößen zu erzeugen, der die Änderungen der Zielgrößen CV_T und AV_T 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 G_w) 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: x_k+1 = Ax_k + Bu_k + w_k (4) y_k = Cx_k + n_k (5) für ein Prozessrauschen w_k mit gaußscher Verteilung und einem Messrauschen n_k.
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(y_k – 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 (Q_KF) und eine Kovarianz des Messrauschens (R_KF) sein können, und im Falle eines vereinfachten Kalman-Filters, ein Vektor von Filterzeitkonstanten τ_i(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
• Q_KF (Kovarianz der Störungen bei w), Fließmatrix
• R_KF (Kovarianz des Messrauschens, z), Fließmatrix
– Vereinfacht
• T (Filterzeitkonstanten τ_i), 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 Q_KF und R_KF 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, τ₁, τ₂]^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 τ₁, τ₂ 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	Q_KF	R_KF	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 (τ₁) 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. τ₁< τ ~ ₁ wobei τ₁ 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. τ₁ > 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	Q_KF	R_KF	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 (τ₂) 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 (τ₁). 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	Q_KF	R_KF	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.
Tabelle 4
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.
Tabelle 5
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 K_actual = 2 ± 0,5 und als tatsächliche Zeitkonstante erster Ordnung t_actual = 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 K_actual = 1,5 und t_actual = 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 (I_k) bezeichnet wird und als Abweichungs- oder Vorhersagefehler bekannt ist, wird folgendermaßen definiert: I_k = (y_k – y ^ _k) (12) wobei y_k 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. y₁, y₂, ... 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, σ² 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 DeltaV^TM-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: σ_Q=50 = 0,057, σ_Q=100 = 0,066, σ_Q=1000 = 0,052, σ_PI = 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 (σ_Q=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 IAE_Q=50 = 0,122, IAE_Q=100 = 0,468, IAE_Q=1000 = ∞ (in diesem Fall war die Regelung nicht zufriedenstellend und die Anlage musste durch einen manuellen Eingriff stabilisiert werden) und IAE_PI = 0,3. Während, wie in 19 abgebildet, die Regler MPC_Q=50 und MPC_Q=100 die ungemessene Störung recht gut unterdrückten (mit jeweils IAE_Q=50 = 0,122, IAE_Q=100 = 0,468), konnte der gleiche Versuch nicht mit MPC_Q=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 MPC_Q=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 σ_Q=50 = 0,053, σ_Q=100 = 0,028 gemessen wurde, der Regler mit Q = 1000 die Anlage nicht zufriedenstellend regelte und σ_PI = 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	MPC_Q=50	MPC_Q=100	MPC_Q=1000
σ_Dampf = 0,55 kg/min	0,036	0,057	0,066	0,052
σ_Dampf = 0,4 kg/min	0,032	0,053	0,028	nicht getestet
IAE_{Dampfänderung 0,55 → 0,4 kg/min}	0,302	0,122	0,468	∞
IAE_{Dampfänderung 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 MPC_Q=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	MPC_Q=50	MPC_Q=100	MPC_Q=1000
R_I(k)_{Dampf = 0,55 kg/min}	ohne Angabe	klein	klein	Klein
R_I(k)_{Dampf = 0,4 kg/min}	ohne Angabe	klein	klein	nicht getestet
R_I(k)_{Dampfänderung = 0,55 → 0,4 kg/min}	ohne Angabe	klein	mittel	Groß
R_y(k)_{Dampf = 0,55 kg/min}	klein	klein	mittel	Groß
R_y(k)_{Dampf = 0,4 kg/min}	klein	mittel	mittel	nicht getestet
R_y(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]

Claims

Verfahren zum Abstimmen eines modellprädiktiven Reglers zur Verwendung bei der Regelung eines Prozesses, umfassend folgende Schritte: Erzielen eines Prozessmodells für den Prozess, wobei das Prozessmodell einen Wert für jeden Parameter eines Satzes von Prozessmodellparametern umfasst; Erzielen einer Angabe einer Prozessmodellfehlanpassung, die eine Prozessmodellfehlanpassung für mindestens einen Parameter des Satzes von Prozessmodellparametern identifiziert; und Ausführen einer Regleroptimierung basierend auf dem Prozessmodell und der Angabe der Prozessmodellfehlanpassung, umfassend das Bestimmen einer regelungsbasierten Leistungsmessung für den modellprädiktiven Regler, wenn er unter Verwendung jedes Satzes einer Mehrzahl von verschiedenen Sätzen von Entwurfs-/Abstimmungs-Parameterwerten des Reglers und des Prozessmodells in Gegenwart eines Ausmaßes an Prozessmodellfehlanpassung, das mit der Angabe der Prozessmodellfehlanpassung verknüpft ist, betrieben wird, und Bestimmen eines optimalen Wertes des Satzes von Entwurfs-/Abstimmungs-Parameterwerten des Reglers zur Verwendung in dem modellprädiktiven Regler basierend auf den regelungsbasierten Leistungsmessungen.
Verfahren nach Anspruch 1, wobei die regelungsbasierte Leistungsmessung einen integrierten absoluten Fehler umfasst.
Verfahren nach Anspruch 1, wobei die Entwurfs-/Abstimmungs-Parameterwerte des Reglers einen Reglerformparameter umfassen, der eine Reglerform vorgibt.
Verfahren nach Anspruch 3, wobei der Reglerformparameter entweder eine beobachterbasierte modellprädiktive Reglerform oder ein nicht beobachterbasierte modellprädiktive Reglerform angibt.
Verfahren nach Anspruch 3, wobei der Reglerformparameter eine Angabe einer modellprädiktiven Reglerform, die auf einem Standard-Kalman-Filter-Beobachter basiert, oder einer modellprädiktiven Reglerform, die auf einem vereinfachten Kalman-Filter-Beobachter basiert, umfasst.
Verfahren nach Anspruch 1, wobei die Entwurfs-/Abstimmungsparameter des Reglers einen oder mehrere Abstimmungsparameter einer Beobachtereinheit umfassen.
Verfahren nach Anspruch 6, wobei der eine oder die mehreren Abstimmungsparameter der Beobachtereinheit ein oder mehrere Verlustgrößen umfasst bzw. umfassen.
Verfahren nach Anspruch 6, wobei der eine oder die mehreren Abstimmungsparameter der Beobachtereinheit eine Kalman-Filter-Verlustgröße, die eine Zeitkonstante oder ein Signal/Rausch-Verhältnis oder eine Kovarianz in einer Störfunktion oder eine Kovarianz in eine Rauschfunktion umfasst, umfasst bzw. umfassen.
Verfahren nach Anspruch 1, wobei die Entwurfs-/Abstimmungsparameter des Reglers einen oder mehrere Abstimmungsparameter eines modellprädiktiven Regelalgorithmus umfassen.
Verfahren nach Anspruch 9, wobei der eine oder die mehreren Abstimmungsparameter eines modellprädiktiven Regelalgorithmus eine Verlustgröße oder einen Regelhorizont oder einen Vorhersagehorizont umfasst bzw. umfassen.
Verfahren nach Anspruch 1, wobei das Erzielen der Angabe der Prozessmodellfehlanpassung das Erzielen eines spezifischen Wertes einer Prozessmodellfehlanpassung in einem der Prozessmodellparameter umfasst.
Verfahren nach Anspruch 1, wobei das Erzielen der Angabe der Prozessmodellfehlanpassung das Erzielen spezifischer Werte der Prozessmodellfehlanpassung in zwei oder mehreren der Prozessmodellparameter umfasst.
Verfahren nach Anspruch 12, wobei der Satz von Prozessmodellparametern eine Prozessverstärkung oder eine Prozesszeitkonstante umfasst.
Verfahren nach Anspruch 1, wobei das Erzielen der Angabe der Prozessmodellfehlanpassung das Erzielen eines Bereichs einer Prozessmodellfehlanpassung in einem oder mehreren der Prozessmodellparameter umfasst.
Verfahren nach Anspruch 1, wobei das Ausführen der Regleroptimierung das Bestimmen einer regelungsbasierten Leistungsmessung für den modellprädiktiven Regler umfasst, wenn er unter Verwendung jedes Parameters einer Mehrzahl von verschiedenen Sätzen von Entwurfs-/Abstimmungs-Parameterwerten des Reglers und des Prozessmodells bei jedem einer Vielzahl von verschiedenen Sätzen von Prozessmodellfehlanpassungswerten betrieben wird, um eine Abstimmungsabbildung als Punktsatz zu erbringen, wobei jeder Punkt in der Abstimmungsabbildung mit einer bestimmten optimalen regelungsbasierten Leistungsmessung verknüpft ist, die bei einem bestimmten Satz von Prozessmodellfehlanpassungswerten unter Verwendung des Satzes von Entwurfs-/Abstimmungs-Parameterwerten des Reglers, die mit der bestimmten optimalen regelungsbasierten Leistungsmessung verknüpft sind, erzielbar ist.
Verfahren nach Anspruch 15, umfassend das Anzeigen der Abstimmungsabbildung auf einer Anzeigevorrichtung, damit sie für einen Benutzer sichtbar ist.
Verfahren nach Anspruch 16, umfassend das einem Benutzer Erlauben, einen bestimmten Satz von Entwurfs-/Abstimmungs-Parameterwerten des Reglers zu wählen, der bei der Abstimmung des modellprädiktiven Reglers zu verwenden ist, indem ein bestimmter Punkt in die Abstimmungsabbildung ausgewählt wird.
Verfahren nach Anspruch 16, wobei das Erzielen der Angabe der Prozessmodellfehlanpassung das Erzielen eines Modellfehlanpassungsbereichs für einen oder mehrere Parameter des Satzes von Prozessmodellparametern umfasst, wobei der Modellfehlanpassungsbereich einen Unterraum in der Abstimmungsabbildung definiert, und wobei das Anzeigen der Abstimmungsabbildung das Anzeigen des Unterraums des Modellfehlanpassungsbereichs in der Abstimmungsabbildung umfasst.
Verfahren nach Anspruch 18, ferner umfassend das einem Benutzer Erlauben, den Unterraum des Modellfehlanpassungsbereichs innerhalb der Abstimmungsabbildung zu bewegen, um einen optimalen Adaptations-/Abstimmungspunkt angesichts des Unterraums des Modellfehlanpassungsbereichs zu bestimmen.
Verfahren nach Anspruch 15, wobei das Erzielen der Angabe der Prozessmodellfehlanpassung das Erzielen eines Modellfehlanpassungsbereichs umfasst, wobei der Modellfehlanpassungsbereich eine Unterraumgröße in der Abstimmungsabbildung definiert, und das Ausführen einer zweiten Optimierung umfasst, um einen bestimmten Unterraum innerhalb der Abstimmungsabbildung der Unterraumgröße zu finden, der einen optimalen Wert für ein zweite Leistungsmessung ergibt.
Verfahren nach Anspruch 20, wobei die zweite Leistungsmessung den schlechtesten Wert der regelungsbasierten Leistungsmessung der Punkte in der Abstimmungsabbildung innerhalb des bestimmten Unterraums bestimmt.
Verfahren nach Anspruch 20, umfassend das Bestimmen eines neuen Satzes von Prozessmodellparameterwerten zur Verwendung bei der Erstellung eines neuen Reglermodells für den modellprädiktiven Regler und das Bestimmen eines Satzes von Entwurfs-/Abstimmungs-Parameterwerten des Reglers, die in dem modellprädiktiven Regler basierend auf der zweiten Optimierung zu verwenden sind.
Verfahren nach Anspruch 15, umfassend das Bestimmen eines neuen Satzes von Entwurfs-/Abstimmungs-Parameterwerten des Reglers als Entwurfs-/Abstimmungs-Parameterwerte des Reglers, die mit einem der Punkte in der Abstimmungsabbildung verknüpft sind.
Verfahren nach Anspruch 15, umfassend das Auswählen eines neuen Reglerbetriebspunktes als einen der Punkte innerhalb der Abstimmungsabbildung und das Bereitstellen der Entwurfs-/Abstimmungs-Parameterwerte des Reglers, die mit dem ausgewählten Reglerbetriebspunkt verknüpft sind, für den modellprädiktiven Regler zur Verwendung bei der Regelung des Prozesses und das Bereitstellen eines neuen Reglermodells für den modellprädiktiven Regler basierend auf den Werten der Prozessmodellfehlanpassung, die mit dem ausgewählten Reglerbetriebspunkt verknüpft sind.
Verfahren nach Anspruch 1, wobei das Erzielen einer Angabe der Prozessmodellfehlanpassung das Ausführen eines Autokorrelationsverfahrens an einem Fehlersignal umfasst.
Verfahren nach Anspruch 25, wobei das Fehlersignal ein Regelfehler ist, der in dem modellprädiktiven Regler bestimmt wird.
Verfahren nach Anspruch 26, wobei das Ausführen des Autokorrelationsverfahrens das Ausführen des Autokorrelationsverfahrens an Daten umfasst, die während eines Zeitraums gesammelt wurden, während dessen der Prozess sich in einem Beharrungszustand befindet.
Verfahren nach Anspruch 25, wobei das Fehlersignal ein Vorhersagefehler ist, der in dem modellprädiktiven Regler bestimmt wird.
Verfahren nach Anspruch 28, wobei das Ausführen des Autokorrelationsverfahrens das Ausführen des Autokorrelationsverfahrens an Daten umfasst, die während eines Zeitraums gesammelt werden, während dessen der Prozess als Antwort auf eine erhebliche Störung oder einen erheblichen Ausfall geregelt wird.
Adaptiver modellprädiktiver Regler zur Verwendung bei der Regelung einer Prozessanlage, umfassend: eine modellprädiktive Reglereinheit, die ein Reglermodell und ein oder mehrere veränderbare Entwurfs-/Abstimmungsparameter aufweist; und eine Abstimmungseinheit, umfassend: einen Modellspeicher, der ein Prozessmodell für die Prozessanlage speichert, wobei das Prozessmodell einen Wert für jeden Parameter eines Satzes von Prozessmodellparametern vorgibt; und eine Optimierungseinheit, die kommunikationsmäßig mit dem modellprädiktiven Regler gekoppelt ist, wobei die Optimierungseinheit den Betrieb des modellprädiktiven Reglers in Gegenwart einer Prozessmodellfehlanpassung ungleich Null, wenn das Reglermodell auf dem Prozessmodell basiert, für jeden einer Vielzahl von Simulationsfällen simuliert, wobei während jedes Simulationsfalls der modellprädiktive Regler mit einem anderen Satz von Entwurfs-/Abstimmungs-Parameterwerten des Reglers konfiguriert ist, wobei die Optimierungseinheit eine Reglerleistungsmessung für jeden der Simulationsfälle bestimmt, wobei die Optimierungseinheit ferner einen optimalen Wert der Sätze von Entwurfs-/Abstimmungs-Parameterwerten des Reglers zur Verwendung in dem modellprädiktiven Regler basierend auf den Reglerleistungsmessungen bestimmt.
Adaptiver modellprädiktiver Regler nach Anspruch 30, wobei die Entwurfs-/Abstimmungsparameter des Reglers einen oder mehrere von einem Reglerformparameter, der eine Reglerform vorgibt, oder einem oder mehreren Abstimmungsparametern einer Beobachtereinheit oder einer oder mehreren Verlustgrößen eines prädiktiven Regleralgorithmus umfassen.
Adaptiver modellprädiktiver Regler nach Anspruch 30, wobei die Entwurfs-/Abstimmungsparameter des Reglers einen Reglerformparameter umfassen, der entweder (1) eine von einer beobachterbasierten modellprädiktiven Reglerform oder einer nicht-beobachterbasierten modellprädiktiven Reglerform oder (2) eine von einer ersten oder einer zweiten Art von beobachterbasierten modellprädiktiven Reglerform vorgibt.
Adaptiver modellprädiktiver Regler nach Anspruch 30, wobei die Optimierungseinheit den Betrieb des modellprädiktiven Reglers in Gegenwart einer Vielzahl von verschiedenen Prozellmodellfehlanpassungen ungleich Null simuliert, um eine Abstimmungsabbildung zu entwickeln, wobei die Abstimmungsabbildung einen Punktesatz umfasst, wobei jeder Punkt mit (1) einer bestimmten optimalen Reglerleistungsmessung verknüpft ist, die bei einer bestimmten Fehlanpassung der Vielzahl von Prozessmodellfehlanpassungen möglich ist, und (2) dem spezifischen Satz von Entwurfs-/Abstimmungs-Parameterwerten des Reglers, die sich aus der optimalen Reglerleistungsmessung bei der bestimmten der Vielzahl von Prozessmodellfehlanpassungen ergeben haben, verknüpft ist.
Adaptiver modellprädiktiver Regler nach Anspruch 33, ferner umfassend eine Anzeigeeinheit, die kommunikationsmäßig mit der Optimierungseinheit gekoppelt ist, um die Abstimmungsabbildung für einen Benutzer anzuzeigen.
Adaptiver modellprädiktiver Regler nach Anspruch 34, wobei die Anzeigeeinheit es einem Benutzer ermöglicht, einen bestimmten Punkt in der Abstimmungsabbildung auszuwählen, und wobei die Optimierungseinheit die Entwurfs-/Abstimmungs-Parameterwerte, die mit dem ausgewählten Punkt verknüpft sind, dem modellprädiktiven Regler bereitstellt.
Adaptiver modellprädiktiver Regler nach Anspruch 34, wobei die Optimierungseinheit einen Modellfehlanpassungsbereich für ein oder mehrere der Prozessmodellparameter speichert, wobei der Modellfehlanpassungsbereich einen Unterraum des Modellfehlanpassungsbereichs in der Abstimmungsabbildung definiert, und wobei die Anzeigeeinheit den Unterraum des Modellfehlanpassungsbereichs in der Abstimmungsabbildung anzeigt.
Adaptiver modellprädiktiver Regler nach Anspruch 36, wobei die Anzeigeeinheit den Unterraum des Modellfehlanpassungsbereichs in der Abstimmungsabbildung an einem Punkt zentriert anzeigt, der mit keiner Modellfehlanpassung verknüpft ist.
Adaptiver modellprädiktiver Regler nach Anspruch 37, wobei die Anzeigeeinheit es einem Benutzer ermöglicht, den Unterraum des Modellfehlanpassungsbereichs innerhalb der Abstimmungsabbildung zu bewegen, um einen optimalen Adaptations-/Abstimmungspunkt in der Abstimmungsabbildung angesichts des Unterraums des Modellfehlanpassungsbereichs zu bestimmen.
Adaptiver modellprädiktiver Regler nach Anspruch 33, wobei die Optimierungseinheit einen Modellfehlanpassungsbereich speichert, wobei der Modellfehlanpassungsbereich eine Unterraumgröße in der Abstimmungsabbildung definiert, und wobei die Optimierungseinheit eine zweite Optimierung ausführt, um einen bestimmten Unterraum innerhalb der Abstimmungsabbildung der Unterraumgröße zu bestimmen, der einen optimalen Wert für eine zweite Leistungsmessung erzeugt.
Adaptiver modellprädiktiver Regler nach Anspruch 39, wobei die Optimierungseinheit einen neuen Satz von Prozessmodellparameterwerten zur Verwendung bei der Definition eines neuen Reglermodells für den modellprädiktiven Regler bestimmt und einen Satz von Entwurfs-/Abstimmungs-Parameterwerten des Reglers zur Verwendung in dem modellprädiktiven Regler basierend auf der zweiten Optimierung bestimmt.
Adaptiver modellprädiktiver Regler nach Anspruch 33, wobei die Optimierungseinheit einen neuen Satz von Entwurfs-/Abstimmungs-Parameterwerten des Reglers als Entwurfs-/Abstimmungs-Parameterwerte des Reglers bestimmt, die mit einem der Punkte in der Abstimmungsabbildung verknüpft sind.
Adaptiver modellprädiktiver Regler nach Anspruch 33, ferner umfassend eine Schätzfunktionseinheit, die ein Autokorrelationsverfahren an einer Fehlerfunktion ausführt, um einen Abstimmungszyklus für die Optimierungseinheit umzusetzen.
Adaptiver modellprädiktiver Regler nach Anspruch 42, wobei die Schätzfunktionseinheit ein Autokorrelationsverfahren an der Fehlerfunktion ausführt, um ein Ausmaß an Prozessmodellfehlanpassung bei einem der Prozessmodellparameter zu schätzen.
Adaptiver modellprädiktiver Regler nach Anspruch 42, wobei die Schätzfunktionseinheit ein Autokorrelationsverfahren an einem Regelfehler ausfährt, der in dem modellprädiktiven Regler bestimmt wird.
Adaptiver modellprädiktiver Regler nach Anspruch 42, wobei die Schätzfunktionseinheit ein Autokorrelationsverfahren an einem Regelfehler ausführt, der in dem modellprädiktiven Regler während eines Beharrungsbetriebs des Prozesses bestimmt wird.
Abstimmungseinheit eines adaptiven modellprädiktiven Reglers zur Umsetzung auf einem Computerprozessor, um einen modellprädiktiven Regler abzustimmen, der funktioniert, um eine Prozessanlage unter Verwendung eines Reglermodells zu regeln, umfassend: einen computerlesbaren Datenträger; eine Speicherroutine, die auf dem computerlesbaren Datenträger gespeichert ist, zur Ausführung auf einem Prozessor, um ein Prozessmodell für die Prozessanlage zu speichern, wobei das Prozessmodell einen Wert für jeden Parameter eines Satzes von Prozessmodellparametern vorgibt; und eine Optimierungsroutine, die auf dem computerlesbaren Datenträger gespeichert ist, zur Ausführung auf einem Prozessor, um den Betrieb des modellprädiktiven Reglers in Gegenwart einer Prozessmodellfehlanpassung zu simulieren, wenn das Reglermodell des modellprädiktiven Reglers auf dem Prozessmodell basiert, wobei die Optimierungsroutine den modellprädiktiven Regler simuliert, wenn der modellprädiktiven Regler mit jedem Wert einer Vielzahl von verschiedenen Sätzen von Entwurfs-/Abstimmungs-Parameterwerten des Reglers konfiguriert ist, wobei die Optimierungsroutine eine Reglerleistungsmessung für jeden Wert der Vielzahl von verschiedenen Sätzen von Entwurfs-/Abstimmungs-Parameterwerten des Reglers in Gegenwart der Prozessmodellfehlanpassung bestimmt, und wobei die Optimierungsroutine ferner einen optimalen Wert einen der verschiedenen Sätze von Entwurfs-/Abstimmungs-Parameterwerten des Reglers zur Verwendung in dem modellprädiktiven Regler basierend auf den Reglerleistungsmessungen bestimmt.
Abstimmungseinheit eines adaptiven modellprädiktiven Reglers nach Anspruch 46, wobei die Entwurfs-/Abstimmungsparameter des Reglers einen Reglerformparameter, der eine Reglerform vorgibt, oder einen oder mehrere Abstimmungsparameter einer Beobachtereinheit eines modellprädiktiven Reglers oder eine oder mehrere Verlustgrößen eines modellprädiktiven Regleralgorithmus umfassen.
Abstimmungseinheit eines adaptiven modellprädiktiven Reglers nach Anspruch 46, wobei die Optimierungsroutine ausgeführt wird, um den Betrieb des modellprädiktiven Reglers in Gegenwart einer Vielzahl von verschiedenen Prozessmodellfehlanpassungen zu simulieren, um eine Abstimmungsabbildung zu entwickeln, wobei die Abstimmungsabbildung einen Punktesatz umfasst, wobei jeder Punkt mit (1) einer bestimmten optimalen Reglerleistungsmessung, die bei einer bestimmten Fehlanpassung der Vielzahl von Prozessmodellfehlanpassungen möglich ist, und (2) den spezifischen Satz von Entwurfs-/Abstimmungs-Parameterwerten des Reglers, die zu der optimalen Reglerleistungsmessung bei der bestimmen Fehlanpassung der Vielzahl von Prozessmodellfehlanpassungen führten, verknüpft ist.
Abstimmungseinheit eines adaptiven modellprädiktiven Reglers nach Anspruch 48, ferner umfassend eine Anzeigeroutine, die kommunikationsmäßig mit der Optimierungsroutine gekoppelt ist, um die Abstimmungsabbildung für einen Benutzer anzuzeigen, und wobei die Anzeigeroutine es einem Benutzer ermöglicht, einen bestimmten Punkt in der Abstimmungsabbildung auszuwählen, um die Entwurfs-/Abstimmungs-Parameterwerte, die mit dem ausgewählten Punkt verknüpft sind, dem modellprädiktiven Regler für die Abstimmung des modellprädiktiven Reglers bereitzustellen.
Abstimmungseinheit eines adaptiven modellprädiktiven Reglers nach Anspruch 49, wobei die Optimierungsroutine einen Modellfehlanpassungsbereich für einen oder mehrere der Prozessmodellparameter umfasst, wobei der Modellfehlanpassungsbereich einen Unterraum in der Abstimmungsabbildung definiert, und wobei die Anzeigeeinheit den Unterraum des Modellfehlanpassungsbereichs in der Abstimmungsabbildung anzeigt.
Abstimmungseinheit eines adaptiven modellprädiktiven Reglers nach Anspruch 48, wobei die Optimierungsroutine ausgeführt wird, um eine zweite Optimierung auszuführen, um einen bestimmten Unterraum der Modellfehlanpassung innerhalb der Abstimmungsabbildung zu bestimmen, der einen optimalen Wert für eine zweite Leistungsmessung ergibt, wobei der Unterraum der Modellfehlanpassung einen Modellfehlanpassungsbereich in einem oder mehreren der Prozessmodellparameter definiert.
Abstimmungseinheit eines adaptiven modellprädiktiven Reglers nach Anspruch 51, wobei die Optimierungsroutine ausgeführt wird, um einen neuen Satz von Prozessmodellparameterwerten zur Verwendung bei der Definition eines neuen Reglermodells für den modellprädiktiven Regler zu bestimmen, und einen Satz von Entwurfs-/Abstimmungs-Parameterwerten des Reglers zur Verwendung in dem modellprädiktiven Regler basierend auf der zweiten Optimierung bestimmt.
Verfahren zum Abstimmen eines abstimmbaren modellbasierten Prozessreglers, der verwendet wird, um eine Prozessanlage zu regeln, umfassend folgende Schritte: Erzielen eines Fehlersignals, das mit dem Betrieb des Prozessreglers verknüpft ist; Ausführen einer Autokorrelationsanalyse an dem Fehlersignal, um eine Angabe einer Gegenwart einer Modellfehlanpassung zwischen dem Prozessregler, wie er derzeit abgestimmt ist, und der Prozessanlage zu bestimmen; und Umsetzen eines Abstimmungszyklus, um den Prozessregler basierend auf den Ergebnissen der Autokorrelationsanalyse neu abzustimmen.
Verfahren nach Anspruch 53, wobei das Erzielen des Fehlersignals, das mit dem Betrieb des Prozessreglers verknüpft ist, das Bestimmen eines Regelfehlersignals umfasst, das mit dem Prozessregler als Unterschied zwischen einem gemessenen Wert einer Prozessgröße und einem Sollwert für die Prozessgröße verknüpft ist.
Verfahren nach Anspruch 54, wobei das Ausführen der Autokorrelationsanalyse das Ausführen der Autokorrelationsanalyse an einem Regelfehlersignal umfasst, das mit einem Zeitraum verknüpft ist, während dessen die Prozessgröße sich in einem Beharrungszustand befindet.
Verfahren nach Anspruch 53, wobei das Erzielen des Fehlersignals, das mit dem Betrieb des Prozessreglers verknüpft ist, das Bestimmen eines Vorhersagefehlersignals umfasst, das mit dem Prozessregler als Unterschied zwischen einem gemessenen Wert einer Prozessgröße und einem vorhergesagten Wert für die Prozessgröße, die von dem Prozessregler erzeugt wird, verknüpft ist.
Verfahren nach Anspruch 56, wobei das Vorhersagefehlersignal einen Vorhersagefehler angibt, der mit dem Betrieb eines modellprädiktiven Reglers verknüpft ist.
Verfahren nach Anspruch 56, wobei das Ausführen der Autokorrelationsanalyse das Ausführen der Autokorrelationsanalyse an einem Vorhersagefehlersignal umfasst, das mit einem Zeitraum, während dessen die Prozessgröße als Antwort auf eine Störung oder einen Lastausfall geregelt wird, verknüpft ist.
Verfahren nach Anspruch 53, wobei das Erzielen des Fehlersignals, das mit dem Betrieb des Prozessreglers verknüpft ist, das Erzielen eines Fehlersignals für einen ersten Zeitraum und das Erzielen eines Fehlersignals für einen zweiten Zeitraum, der später als der erste Zeitraum ist, umfasst, und wobei das Ausführen der Autokorrelationsanalyse an dem Fehlersignal zum Bestimmen einer Angabe einer Gegenwart einer Modellfehlanpassung das Ausführen einer Autokorrelationsanalyse an dem Fehlersignal für den ersten Zeitraum, das Ausführen einer Autokorrelationsanalyse an dem Fehlersignal für den zweiten Zeitraum und das Vergleichen der Ergebnisse der Autokorrelationsanalysen für die ersten und zweiten Zeiträume zum Bestimmen einer Änderung der Modellfehlanpassung zwischen den ersten und zweiten Zeiträumen umfasst.
Adaptiver Regler zur Verwendung bei der Regelung einer Prozessanlage, wobei der adaptive Regler Folgendes umfasst: eine Reglereinheit, die Regelsignale erzeugt, um die Prozessanlage zu regeln, wobei die Reglereinheit einen oder mehrere veränderbare Abstimmungsparameter umfasst; eine Abstimmungseinheit, die einen oder mehrere Abstimmungsparameterwerte zur Verwendung in der Reglereinheit bestimmt; eine Schätzfunktion, die zwischen der Reglereinheit und der Abstimmungseinheit gekoppelt ist, wobei die Schätzfunktion eine Autokorrelationsanalyse an einem Fehlersignal ausführt, das mit der Reglereinheit verknüpft ist, um eine Angabe einer Modellfehlanpassung zwischen der Reglereinheit, wie sie derzeit abgestimmt ist, und der Prozessanlage zu bestimmen, wobei die Schätzfunktionseinheit die Abstimmungseinheit auslöst, um einen Abstimmungszyklus basierend auf der Angabe der Modellfehlanpassung auszuführen.
Adaptiver Regler nach Anspruch 60, wobei die Schätzfunktion die Autokorrelationsanalyse an einem Regelfehlersignal ausführt, das mit der Reglereinheit verknüpft ist, wobei das Regelfehlersignal einen Unterschied zwischen einem gemessenen Wert einer Prozessgröße und einem Sollwert für die Prozessgröße angibt.
Adaptiver Regler nach Anspruch 61, wobei die Schätzfunktion die Autokorrelationsanalyse an dem Regelfehlersignal ausführt, das mit der Reglereinheit basierend auf Regelfehlerdaten verknüpft ist, die während eines Zeitraums gesammelt werden, während dessen die Prozessgröße sich in einem Beharrungszustand befindet.
Adaptiver Regler nach Anspruch 60, wobei die Schätzfunktion die Autokorrelationsanalyse an einem Vorhersagefehlersignal ausführt, das mit der Reglereinheit verknüpft ist, wobei das Vorhersagefehlersignal einen Unterschied zwischen einem gemessenen Wert einer Prozessgröße und einem vorhergesagten Wert für die Prozessgröße angibt.
Adaptiver Regler nach Anspruch 63, wobei die Schätzfunktion die Autokorrelationsanalyse an dem Vorhersagefehlersignal ausführt, das mit der Reglereinheit basierend auf Vorhersagefehlerdaten verknüpft ist, die während eines Zeitraums gesammelt werden, während dessen die Prozessgröße eine Störung oder einen Ausfall erfährt.
Adaptiver Regler nach Anspruch 60, wobei die Schätzfunktion das Fehlersignal für einen ersten Zeitraum erzielt und das Fehlersignal für einen zweiten Zeitraum erzielt, der später als der erste Zeitraum ist, und wobei die Schätzfunktion eine Autokorrelationsanalyse an dem Fehlersignal für den ersten Zeitraum ausführt, eine Autokorrelationsanalyse an dem Fehlersignal für den zweiten Zeitraum ausführt und die Ergebnisse der Autokorrelationsanalysen für die ersten und zweiten Zeiträume vergleicht, um eine Änderung der Modellfehlanpassung zwischen den ersten und zweiten Zeiträumen zu bestimmen.
Adaptiver Regler nach Anspruch 60, wobei die Reglereinheit ein modellprädiktiver Regler ist.
Adaptiver Regler nach Anspruch 60, wobei die Reglereinheit ein modellprädiktiver Regler mit einem Kalman-Filter ist.
Verfahren zum Erfassen einer Prozessmodellfehlanpassung zwischen einem Reglermodell, das von einem prädiktiven Prozessregler und einer Prozessanlage verwendet wird, wobei das Verfahren folgende Schritte umfasst: Bestimmen eines Fehlersignals, das mit der Regelung der Prozessanlage verknüpft ist; Ausführen einer Autokorrelationsanalyse an dem Fehlersignal; und Analysieren der Autokorrelationsanalyse, um eine Prozessmodellfehlanpassung zwischen dem Reglermodell und der Prozessanlage zu erfassen.
Verfahren nach Anspruch 68, wobei das Bestimmen des Fehlersignals, das mit der Regelung der Prozessanlage verknüpft ist, das Bestimmen eines Regelfehlersignals umfasst, das mit dem prädiktiven Prozessregler als Unterschied zwischen einem gemessenen Wert einer Prozessgröße und einem Sollwert für die Prozessgröße verknüpft ist.
Verfahren nach Anspruch 69, wobei das Ausführen der Autokorrelationsanalyse an dem Fehlersignal das Ausführen der Autokorrelationsanalyse an Regelfehlerdaten umfasst, die während eines Zeitraums gesammelt werden, während dessen die Prozessgröße sich in einem Beharrungszustand befindet.
Verfahren nach Anspruch 68, wobei das Bestimmen des Fehlersignals, das mit der Regelung der Prozessanlage verknüpft ist, das Bestimmen eines Vorhersagefehlersignals umfasst, das mit dem prädiktiven Prozessregler als Unterschied zwischen einem vorhergesagten Wert einer Prozessgröße und einem gemessenen Wert der Prozessgröße verknüpft ist.
Verfahren nach Anspruch 71, wobei das Ausführen der Autokorrelationsanalyse an dem Fehlersignal das Ausführen der Autokorrelationsanalyse an Vorhersagefehlerdaten, die während eines Zeitraums gesammelt werden, während dessen die Prozessgröße als Antwort auf eine Störung oder einen Ausfall geregelt wird, umfasst.
Verfahren nach Anspruch 72, wobei das Bestimmen des Fehlersignals, das mit der Regelung der Prozessanlage verknüpft ist, das Erzielen eines ersten Regelfehlersignals für einen ersten Zeitraum als Unterschied zwischen einem gemessenen Wert einer Prozessgröße und einem Sollwert für die Prozessgröße während des ersten Zeitraums und das Erzielen eines zweiten Regelfehlersignals für einen zweiten Zeitraum, der später als der erste Zeitraum ist, als Unterschied zwischen einem gemessenen Wert der Prozessgröße und einem Sollwert für die Prozessgröße während des zweiten Zeitraums umfasst, und wobei das Ausführen einer Autokorrelationsanalyse an dem Fehlersignal das Ausführen einer Autokorrelationsanalyse an dem ersten Regelfehlersignal und das Ausführen einer Autokorrelationsanalyse an dem zweiten Regelfehlersignal umfasst, und wobei das Analysieren der Autokorrelationsanalyse zum Erfassen einer Prozessmodellfehlanpassung das Vergleichen der Ergebnisse der Autokorrelationsanalysen an den ersten und zweiten Regelfehlersignalen umfasst, um eine Änderung der Prozessmodellfehlanpassung zwischen den ersten und zweiten Zeiträumen zu bestimmen.
Verfahren nach Anspruch 73, wobei das Erzielen des ersten Regelfehlersignals und das Erzielen des zweiten Regelfehlersignals das Erzielen der ersten und zweiten Regelfehlersignale während erster und zweiter Zeiträume, bei denen sich die Prozessgröße in einem Beharrungszustand befindet, umfassen.