DE112010000813T5

DE112010000813T5 - Modellprädiktiver Regler mit abstimmbarer Integralkomponente zum Ausgleich von Modellfehlanpassung

Info

Publication number: DE112010000813T5
Application number: DE112010000813T
Authority: DE
Inventors: Dirk Thiele
Original assignee: Fisher Rosemount Systems Inc
Current assignee: Fisher Rosemount Systems Inc
Priority date: 2009-02-02
Filing date: 2010-02-02
Publication date: 2012-02-09
Also published as: CN105589448A; WO2010088693A1; US20100204808A1; GB201112848D0; JP2012517052A; JP5924940B2; US8200346B2; CN102301290A; GB2479315B; GB2479315A

Abstract

Kurzdarstellung: Ein MPC-Regelungsverfahren integriert Feedbacksteuerleistung besser als allgemein bei Reglern der MPC-Kategorie bisher benutzte Verfahren, was zu einem MPC-Regler führt, der beim Vorliegen von Modellfehlanpassung bessere Leistungen als herkömmliche MPC-Verfahren bietet. Insbesondere wird die MPC-Regelungsleistung verbessert, indem der MPC-Regler mit einem abstimmbareren Integrationsblock bestückt wird, der eine Integralkomponente entwickelt, die den Vorhersagefehler oder andere Regelungsfehler anzeigt und diese Komponente der Ausgabe eines MPC-Steueralgorithmus hinzufügt, um damit eine schnellere oder bessere Regelung beim Vorliegen von Modellfehlanpassung zu erhalten, was der letztendliche Grund für den Vorhersagefehler in erster Linie ist. Mit diesem Verfahren kann der MPC-Regler schneller reagieren und eine bessere Leistung in Hinblick auf Sollwerteränderung und Ladungsstörung beim Vorliegen von Modellfehlanpassung bieten, ohne dass dabei die Robustheit des MPC-Regler verringert wird

Description

VERWANDTE ANMELDUNGEN
Die vorliegende Anmeldung ist eine regulär eingereichte Anmeldung der am 2. Februar 2009 eingereichten vorläufigen US-Patentanmeldung Nr. 61/149,147 mit dem Titel „Model Predictive Controller with Turnable Integral Component to Compensate for Model Mismatch”, und beansprucht deren Priorität und deren Vorteil des Einreichungsdatums, wobei deren gesamte Offenbarung hiermit ausdrücklich in den vorliegenden Gegenstand mit einbezogen wird.
TECHNISCHES GEBIET
Diese Anmeldung bezieht sich auf eine Prozesssteuerung beispielsweise einer industriellen Prozessanlage und insbesondere auf einen verbesserten modellprädiktiven Regler, der eine abstimmbare Integrationskomponente verwendet, um Modellfehlanpassung auszugleichen, was dadurch zu einer besseren modellprädiktiven Regelung beim Vorliegen von Modellfehlanpassungen führt.
BESCHREIBUNG DES STANDES DER TECHNIK
Hardware und Software für Prozesssteuerung stellen eine wichtige Komponente bei fast allen Anlagen von chemischen, pharmazeutischen und Raffinierungsindustrien und ein Multimilliardengeschäft weltweit dar. Obwohl der Erhalt der bestmöglichen Steuerung zu jedem Zeitpunkt nicht immer das wichtigste Ziel in der Vergangenheit darstellte, werden in den letzen Jahren neue Anlagen, wie etwa industrielle Prozessanlagen zunehmend mit Fokus auf Steuerbarkeit und Optimierbarkeit entwickelt. Des Weiteren werden viele bestehende Anlagen hinsichtlich dieser Zielsetzung renoviert. Diese Renovierung beinhaltet nicht nur die Renovierung hinsichtlich der Geometrie der installierten Hardware, wie etwa der Standort von Reaktoren, Tanks, Rohre etc., sondern auch die Renovierung hinsichtlich der Standorte von und Arten der Steuerungs-, Überwachungs- und Messelemente, die in der Prozesssteuerung verwendet werden. Die zunehmenden Kosten für Rohstoffe und die effektiven Kosten, die mit Emissionen und Energieverbrauch verbunden sind, entwickelten sich ebenfalls zu einem wichtigen Faktor beim Entwurf von Anlagen.
Überwachung der Steuerungsleistung in Kombination mit erneutem Einstellen des Reglers oder Modellplanung kann die Effizienz von industriellen Prozessanlagen erheblich verbessern und jährlich Millionen einsparen. Ein weiteres Verfahren, das in den letzten Jahren zunehmend gefragt ist, ist die Überwachung von außergewöhnlichen Situationen und Prävention („abnormal situation monitoring and prevention (ASP)”). In manchen Fällen beinhaltet die Entwicklung von modernen Geräten und Steuerungssystemen neuartige Sensoren und eingebettete statistische Algorithmen, die in der Lage sind, potenzielle Störungen oder anstehende Wartungszyklen vorherzusagen. Diese prädikativen Wartungssysteme können die verfügbare Betriebszeit der industriellen Prozessanlage wesentlich erhöhen und kostenintensive und gefährliche Erscheinungsformen von unerwarteten Abschaltungen verhindern. Des Weiteren hat sich die Zuverlässigkeit dieser Verfahren im letzten Jahrzehnt wesentlich erhöht, was zur erhöhten Anlageneffizienz beigetragen hat.
Als Teil dieser Bemühungen erhielt eine Klasse von prädiktiven Regelungsverfahren, die allgemein als modellprädiktive Regelungsverfahren (MPC) bezeichnet werden, hohe Akzeptanz in der Branche, seit sie ungefähr vor 25 Jahren entwickelt und angewendet wurden. Allgemein gesprochen bezieht sich MPC auf eine Klasse von Steueralgorithmen, die ein manipuliertes Größenprofil unter Verwendung eines Prozessmodells (was typischerweise linearer Art ist) berechnen, um ein lineares oder quadratisches Open-Loop-Leistungsziel, was Begrenzungen unterliegt, über einen zukünftigen Zeithorizont zu optimieren. Die erste Bewegung dieses optimal manipulierten Größenprofils des Open-Loops wird dann innerhalb des Prozesses implementiert und diese Prozedur wird an jedem Steuerintervall oder Steuerzyklus für eine Prozesssteuerung wiederholt. Prozessmessungen werden dazu verwendet, um das Optimierungsproblem während der laufenden Steuerung zu aktualisieren. Diese Klasse von Steueralgorithmen wird auch als zurückgehende Horizontsteuerung oder sich bewegende Horizontsteuerung bezeichnet.
Aufgrund seiner Komplexität hat sich das MPC-Verfahren hauptsächlich im Bereich der fortgeschrittenen Steuerung etabliert, und daher werden MPC-Konfigurationen typischerweise von Steuerungsexperten entwickelt und in Betrieb genommen. Daher ist es gewöhnlich nur rentabel, MPC-Implementierungen in Prozessen anzuwenden, die einen starken Gewinnzuwachs als Gegenleistung für die hohen Implementierungskosten versprechen. Der Umfang an MPC-Anwendungen in Bezug auf die Anzahl von Eingaben und Ausgaben ist hier normalerweise groß gewesen, was einen Grund darstellt, warum MPC gewöhnlich nicht bei auf niedrigem Niveau befindlichen Regelsystemen wie etwa Eingrößen-Regelsystemen verwendet wurde.
Insbesondere sind die Kosten der Betriebnahme eines Steuerungssystems beträchtlich und es erscheint kaum praktikabel, der Konfiguration eines jeden Regelsystems in einer Prozessanlage besondere Aufmerksamkeit zu schenken. Daher werden ungefähr 90 Prozent aller Regelsysteme durch traditionelle Feedbacksteuerungen, wie etwa Proportional-Integral-Derivativ-Regler (PID) oder Proportional-Integral-Regler (PI) gesteuert. Des Weiteren sind, soweit MPC-Regler verwendet werden, diese Regler normalerweise linear. Obwohl hauptsächlich lineare Regler in der Prozesssteuerungsbranche verwendet werden, weist die Mehrheit der aktuellen Prozesse leider ein nicht-lineares Verhalten auf. Diese Diskrepanz hat zur Folge, dass Modellfehlanpassungen unvermeidlich sind. Nicht behobene Modellfehlanpassungen führen nicht nur zu nicht optimaler Steuerungsleistung, sondern machen auch viele Vorteile der Technologien zunichte, die zur Verbesserung der Steuerungsleistung und Laufzeit entwickelt wurden. Modellfehlanpassungen sind daher nicht nur in Bezug auf die Steuerhardware und -software aufwändig, sondern sie verringern auch die Kasteneinsparungen von anderen verwandten Anlagetechnologien.
Allgemein kann die Leistung von industriellen Reglern auf verschiedene Weise gemessen werden und unterschiedliche Prozesse können sehr unterschiedliche Anforderungen an Qualität und Sicherheit stellen. Anlageingenieure können auch ein Leistungskriterium oder viele unterschiedliche Leistungskriterien verwenden, wie etwa Überschreiten, Arretierungszeit (Integrationsprozesse), Oszillationseigenschaften, integrierte Fehler und integrierte absolute Fehler (IAE) zur Auswertung der Leistung eines bestimmten Regelsystems. Für PID-Regler ist die gemessene Steuerungsleistung für einen gegebenen Regler jedoch normalerweise das Ergebnis eines Kompromisses zwischen Sollwertverfolgung und Störungsabweisung, wobei eine bessere Leistung hinsichtlich der Sollwertverfolgung zu einer schlechteren Leistung der Störungsabweisung führt und umgekehrt. Beispielsweise sind langfristige Festwerte (d. h. solche, die in Prozessen mit dominierenden Verzögerungen vorliegen) dafür bekannt, dass sie zu schlechten Leistungen hinsichtlich der Störungsabweisung bei PID-Reglern führen, die auf Leistungen hinsichtlich der Sollwertverfolgung abgestimmt sind. Dieser Kompromiss, der der Entwicklung der PID-Regler inhärent ist, kann durch die Tatsache erklärt werden, dass ein PID-Regler, der für Ladungsstörungsabweisung bestens abgestimmt ist, ein relativ hohes integrales Verhalten (d. h. eine relativ geringe integrale Zeitkonstante) aufweisen muss und dass ein hohes integrales Verhalten sich nachteilig auf die Reglerleistung hinsichtlich der Sollwertänderung auswirkt. Insbesondere bleibt während einer Sollwertänderung der Prozessfehler (e) für eine Zeit lang groß, obwohl sogar die geregelte Größe (y) sich einem Sollwert (SP) annähert. Mit einer sehr großen Integralverstärkung staut sich der Integralausdruck schnell und mehr als notwendig auf, was zu einer Sollwertüberschreitung führt. Dementsprechend weist eine auf die Leistung hinsichtlich Sollwertänderung ausgerichtete PID-Abstimmung ein geringeres integrales Verhalten und eine schlechtere Leistung hinsichtlich der Ladungsänderung oder Störungsabweisung auf. Da der traditionelle PID-Regler, der wie oben angedeutet immer noch den populärste Regler in allen Brachen darstellt, dieses Problem hat, wurden viele Ansätze zur Reduzierung der Auswirkungen dieses Problems vorgeschlagen, einschließlich struktureller Modifizierungen des PID-Reglers und Sollwertfilterung.
Auch mit diesen Modifizierungen stellt die Abstimmung der PID-Regler jedoch immer noch eine Herausforderung hinsichtlich einer richtigen Bestimmung des Kompromisses zwischen den Leistungen der Sollwertverfolgung und Störungsabweisung dar. Verschiedene PID-Abstimmungsverfahren bevorzugen normalerweise eine Leistung der Sollwertverfolgung oder eine der Störungsabweisung gegenüber der anderen. Des Weiteren passen viele Abstimmungsverfahren, die auf einem Modell beruhen, die internen Parameter eines PID-Reglers den internen Parametern eines Modells des zu steuernden Prozesses an, wobei dieser gleiche Kompromiss entsteht. Beispielsweise passen PID-Abstimmungsverfahren, wie etwa Polunterdrückung und Lambda-Abstimmung die integrale Zeit des Reglers an die dominierende Zeitkonstante des Prozesses an. Hier wird die Reglerverstärkung derart abgestimmt, dass eine bestimmte geschlossene Regelsystemzeitkonstante und eine bestimmte Reaktion auf Sollwertänderung (z. B. kein Überschreiten) erreicht werden. Da das daraus resultierende integrale Verhalten von derartigen Reglern relativ klein ist, weist dieses Verfahren sehr gute Leistungen hinsichtlich der Sollwertänderung, jedoch auch eine schlechte Leistung hinsichtlich der Störungsabweisung auf. Auf der anderen Seite werden empirische PID-Abstimmungsverfahren, wie etwa das Ziegler-Nichols-Verfahren, spezifisch für die Leistung der Störungsabweisung entwickelt. Obwohl das integrale Verhalten solcher Regler stark genug ist, um die Prozessgröße sehr schnell auf den Sollwert zurückzubringen, führt es bei der Reaktion auf Sollwertänderungen zu unerwünschtem Überschreiten der Sollwerte.
Bei seltenen Fällen ist der Zweck eines Regelkreises nur Störungsabweisung (z. B. ein Puffertankpegel ohne Sollwertänderungen) oder nur Sollwertverfolgung (z. B. ein zweiter Regelkreis in einer Wasserfallstrategie ohne Störungen). Während es bei diesen Fällen leicht sein kann, eine Abstimmungskonfiguration auszuwählen, wird der oben genannte Kompromiss häufig völlig übersehen und stattdessen normalerweise ein Standardabstimmungsverfahren gewählt, wodurch die Abstimmung bei jeglicher speziellen Prozesssituation nicht sonderlich gut ausfällt. Wie bereits oben angemerkt, wurden zahlreiche Abstimmungsverfahren entwickelt, um diese Einschränkung der PID-Abstimmung zu überwinden, einschließlich Sollwertfilterung und Strukturen mit zwei Freiheitsgraden, jedoch bevorzugen diese Verfahren normalerweise eine Störungsabweisung und daher wird die Reglerreaktion auf Sollwertänderungen künstlich reduziert. Beispielsweise werden, wenn eine Sollwertfilterung gewählt wird, Sollwertänderungen vom Betreiber gefiltert, um ein Überschreiten zu verhindern, was zu einer langsameren Reaktion auf Sollwertänderungen führt.
Auf jeden Fall hat der oben besprochene Leistungskompromiss zum Ergebnis, dass unterschiedliche Abstimmungsverfahren für unterschiedliche Steuerziele gewählt werden müssen, was einen der Gründe darstellt, warum so viele Abstimmungsverfahren für PID-Abstimmung vorgeschlagen werden. Ein weiterer Grund für die Verfügbarkeit von so vielen PID-Abstimmungsverfahren liegt darin, dass unterschiedliche Abstimmungsregeln oder -verfahren unterschiedliche Eingangsgrößen verwenden, wobei nur einige davon in einem bestimmten Prozess zur Verfügung stehen könnten. Beispielsweise berechnen viele Abstimmungsverfahren die Abstimmung basierend auf einem Prozessmodell, und andere Abstimmungsverfahren berechnen die Abstimmung basierend auf anderen Prozesseigenschaften. Als ein Beispiel für das letztere Verfahren verwenden die Ziegler-Nichols-Abstimmungsregeln kritische Verstärkung und kritische Frequenz, was bei manchen mechanischen Prozessen einfach bestimmt werden kann, aber bei vielen chemischen Prozessen so gut wie gar nicht.
Auf der anderen Seite sollte ein prädiktiver Regler wie ein MPC-Regler in der Lage sein, auf ähnliche Weise bei Sollwertänderungen und Ladungsänderungen funktionieren, da der Integralteil eines MPC-Regler nicht unter dem gleichen Kompromiss leidet wie der PID-Regler. Insbesondere weisen MPC-Regler allgemein keinen Leistungskompromiss zwischen Sollwertverfolgung und Störungsabweisung auf, da die Bedingungen für Fehler- und Bewegungsnachteile inhärent getrennt bestehen, womit theoretisch MPC-Regler einen ersehnten Ersatz für PID-Regler bieten. Bei einem prädiktiven Regler erhöht sich auch nicht der Fehler (e), während die geregelte Größe oder Prozessausgabe (y) sich dem Sollwert annähert. Tatsächlich kann der Fehler theoretisch nach dem ersten Ausführungszyklus Null sein, wobei das Problem der integralen Verstärkung, das beim PID-Regler inhärent ist, verringert oder sogar eliminiert wird. Leider kann die Leistung eines MPC-Reglers sehr schnell abfallen, wenn eine Modellfehlanpassung besteht, d. h., wenn das vom MPC-Regler verwendete Prozessmodell nicht genau dem tatsächlichen Prozess entspricht.
Ferner ist auch bekannt, dass die Leistung von industriellen MPC-Reglern hinsichtlich Störungsabweisung der Leistung von PID-Reglern hinterher hinkt, wenn PID-Regler spezifisch auf Störungsabweisung abgestimmt werden. Jüngste Verbesserungen von MPC im Bereich der Zustandsaktualisierung haben diese Leistungsschwäche gewissermaßen eliminiert, wenn davon ausgegangen werden kann, dass ein beim MPC-Verfahren verwendetes Beobachtungsmodell genau bekannt ist. Jedoch ist bei Vorhandensein einer Modellfehlanpassung die Regelleistung eines PID-Reglers, die mit dem integrierten absoluten Fehler (IAE) gemessen wird, immer noch besser als die eines MPC-Reglers mit der bestmöglichen Abstimmung.
Nichtsdestoweniger wurde MPC als eines der besten Regelungsverfahren als Ersatz für PID-Regler erachtet, da man davon ausgeht, dass MPC-Regler die Vorteile von prädiktiven Regelungen und die Einfachheit von nur einigen mehr oder weniger intuitiven Abstimmungsparametern in kombinierter Form bieten. Gegenwärtig haben MPC-Regler jedoch allgemein nur in industriellen Umgebungen Erfolg gehabt, wo PID-Regler schlecht funktionieren oder es zu schwierig ist, diese zu implementieren oder zu warten, ungeachtet der Tatsache, dass die akademische Welt und Verkäufer von Regelsystemen in den letzten Jahren erhebliche Bemühungen aufgewendet haben, um den Anwendungsbereich von MPC-Anwendungen zu erweitern. Da PID-Regler grundsätzlich aber immer noch bei einer erheblichen Anzahl von Prozessen besser funktionieren als MPC und da PID-Regler kastengünstiger und schneller einsetzbar sind als MPC-Regler, haben MPC-Regler tatsächlich nur einen kleinen Bruchteil von PID-Reglern innerhalb bestehender Anlagenkonfigurationen ersetzt.
Einer der Hauptgründe warum MPC-Regler schlechter funktionieren als PID-Regler besteht darin, wie bereits oben angedeutet, dass MPC-Regler anfälliger für Leistungsabfall aufgrund von Prozessmodellfehlanpassung als PID-Regler (außer vielleicht bei Prozessen mit dominierenden Verzögerungen) sind. Obwohl es brauchbare Wege gibt, die Modellfehlanpassung zu beheben, die wegen Nichtlinearitäten (oder anderen Quellen) in Prozessen entsteht, wie etwa die Linearisierung der Steuerelemente und der Transmitter und die Verwendung von Reglerverstärkungszeitplanung, besteht das meist angewandte Verfahren, um gegen Modellfehlanpassung anzugehen, in der Implementierung von Reglerabstimmungen. Wegen der Schwierigkeiten beim Einstellen von Reglern stellen Prozessbetreiber oder Ingenieure häufig einen Regler für das Worst-Case-Szenario (z. B. die höchste Prozessverstärkung) ein und akzeptieren eine nicht optimale Abstimmung für andere Prozessbereiche. Die standardmäßigen Abstimmungsparameter von einem industriellen PID- oder MPC-Regler sind daher normalerweise konservativ, so dass diese Abstimmungsparameter anfänglich für eine Varietät von Prozessanwendungen funktionieren. Regler verbleiben jedoch normalerweise auf unbestimmte Zeit auf ihren Standardabstimmungen, was zu einer insgesamt schlechteren Leistung führt. Auch wenn das nicht der Fall wäre, ist die Modellfehlanpassung, die durch einen Identifikationsfehler oder Anlagenderivation entsteht, schwieriger mithilfe von Abstimmungen zu beheben. Tatsächlich ist es schwierig, diese Art von Modellfehlanpassung zu erkennen, da ein ausreichender Prozessstörfall notwendig ist, um eine Modellidentifikation zu implementieren, was normalerweise dem Ziel der Prozessteuerung (d. h. den Prozess in einem gleich bleibenden Zustand in Erwiderung auf Prozessstörungen zu halten) widerspricht. Des Weiteren kann nur schwer zwischen einem Prozessstörfall und ungemessenen Störungen unterschieden werden.
Ein Verfahren zur „Abstimmung” eines MPC-Reglers in Erwiderung auf Modellfehlanpassung besteht in der Erneuerung des Prozessmodells angesichts von Prozessänderungen und in der Verwendung des neuen Modells innerhalb des MPC-Reglers. Leider bestehen von vorne herein viele Hindernisse in der Praxis bei der Entwicklung eines genauen Prozessmodells zur Verwendung bei einem modellbasierten Regler. Beispielsweise verkörpert die Mehrheit der geschlossenen Regelsysteme nicht minimalphasige Systeme, obwohl viele Industrieprozesse minimalphasig sind. Zeitverzögerungen, die auch als Totzeit bekannt sind, oder übergeordnete Verzögerungen schaffen rechtsseitige Pole, die die Entwicklung eines genauen Prozessmodells erheblich erschweren. In den meisten Fällen wird eine Totzeit des geschlossenen Regelkreises durch eine Transportverzögerung des Materials in Rohren und durch getrennte Stichprobenmechanismen, die bei Computersteuerungssystemen unvermeidlich sind, geschaffen, während übergeordnete Verzögerungen normalerweise das Ergebnis von Filterzeitkonstanten in Messungs- und Steuerungssystemen sind. Zu den weiteren Herausforderungen, die oft beim Definieren von Prozessmodellen für industrielle Prozessanlagen gefunden werden, gehören Auflösung und Totzeitbereiche, die durch den mechanischen Verlauf von Ventilen und Verpackungen entstehen.
Diese und andere Faktoren stellen viele Herausforderungen für Steuerungsingenieure industrieller Prozessanlagen dar, wenn sie Prozessmodelle für Regler entwickeln. Selbst wenn beispielsweise von einem Prozess erwartet wird, dass er wie ein Filter erster Ordnung bei gewisser Verstärkungs- und Zeitkonstante, in Abhängigkeit der Gefäßgeometrie, funktionieren soll, muss der Steuerungsingenieur zusätzliche Zeitkonstanten von Transmittern, Computerstichproben von Steuerelementen und Jitter einberechnen. Insbesondere weist jedes digitale Steuerungssystem einen Zentralprozessor (CPU) und Beschränkungen der Kommunikation auf, was bedeutet, dass umfangreiches Stichprobenziehen nicht für alle Arten von Regelkreisen in einer Anlage geeignet ist. Obwohl beispielsweise eine Stichprobenrate des dreifachen der größten Zeitkonstante plus Totzeit oder des fünffachen der Totzeit, und der jeweils höhere Wert davon, oft als angemessen betrachtet wird, kann diese Stichprobenrate normalerweise bei vielen Regelsystemen in einer Anlage nicht erreicht werden (wie etwa beim Strömungsregelkreis oder beim Druckregelkreis). Daher kann sich der Fachmann gewöhnlich nicht nur auf Grundprinzipienmodelle verlassen, die für einige der Reaktionen zur Verfügung stehen könnten. Des Weiteren wird eine Prozessmodellidentifizierung idealerweise mithilfe von integrierten automatischen Werkzeugen durchgeführt. Die Grundprinzipienmodellierung und Drittanbieter-Lösungen, die normalerweise in einer Anlage zur Identifikation eines Prozessmodells verwendet werden, tun dies, indem sie direkt mit den Feldinstrumenten Verbindung aufnehmen. Diese Lösungen sind daher nicht integriert, da sie die Wirkung des Computersteuerungssystems selbst auf die Regelkreisleistung nicht mit einbeziehen (oder allenfalls nur schätzen). Alle Faktoren können eine erhebliche Fehlanpassung zwischen dem Prozess und dem Prozessmodell, was zur Steuerung des Prozesses entwickelt wurde, erzeugen, weshalb auf Modelle basierte Regelungs- und Abstimmungsverfahren in praktischen Fällen weniger erwünscht sind.
Ein sehr wichtiger und vielversprechender Typ von MPC-Reglern verwendet ein Zustandsaktualisierungsverfahren oder ein Beobachtungsmodell. Es existiert reichlich Literatur über bei MPC verwendete Zustandsaktualisierungsverfahren und viele Verfahren wurden entwickelt, die die Leistung der Zustandsaktualisierungskomponente eines modellprädiktiven Reglers verbessern, um einen sehr reaktionsstarken MPC-Regler zur Verfügung zu stellen. Da die modellbasierte Reglerleistung jedoch durch Modellfehlanpassung extrem degradiert werden kann, zielt die Mehrheit der Bemühungen zur Verbesserung der Reglerleistung von modellprädiktiven Reglern auf eine Verbesserung der Leistung und Genauigkeit des Zustandsaktualisierungsalgorithmus ab, der die Wirkungen von Modellfehlanpassung korrigiert. Ein großer Anteil der Literatur über Regler behandelt die Verbesserung der anfänglichen Modellqualität, das Angleichen von Prozessmodellen an Veränderungen der Prozessparameter, oder das Erkennen von Veränderungen der Prozessparameter, um den Benutzer darüber zu informieren und eine manuelle Neubewertung des Prozessmodells auszulösen. Leider sind diese Verfahren in vielen Fällen nicht praxisnah und nur wenige erwirken, dass der MPC-Regler bei einer Varietät von Fallen vergleichbar oder besser funktioniert als der PID-Regler.
ZUSAMMENFASSUNG DER OFFENBARUNG
Es wurde festgestellt, dass Mangel bei den Fähigkeiten der Feedbacksteuerung von MPC-Reglern einen Grund für die Leistungslücke zwischen PID- and MPC-Regler darstellen, insbesondere bei Vorhandensein einer Modellfehlanpassung. Um diesem Tatbestand Genüge zu leisten, integriert ein hier beschriebener MPC-Regler abstimmbare Feedbacksteuerungsleistung besser als die Verfahren, die allgemein heute bei MPC-Reglern angewendet werden, was zu einem abstimmbaren MPC-Regler führt, der bei Vorhandensein einer Modellfehlanpassung besser funktioniert als herkömmliche MPC-Verfahren.
Insbesondere wird die MPC-Reglerleistung dadurch verbessert, dass ein abstimmbarer Integrationsblock dem MPC-Regler hinzugefügt wird, der eine Integralkomponente entwickelt, die den Vorhersagefehler oder andere Reglerfehler anzeigt und dadurch wird diese Komponente der Ausgabe des MPC-Regleralgorithmus hinzugefügt, um damit eine bessere Regelung bei Vorhandensein einer Modellfehlanpassung herbeizuführen, was letztendlich den Grund für den Vorhersage- oder Reglerfehler überhaupt darstellt. Mit diesem Verfahren kann der MPC-Regler schneller reagieren und eine bessere Leistung hinsichtlich Sollwertänderung und Ladungsstörung bei Vorhandensein einer Modellfehlanpassung erzielen, ohne dass dadurch die Robustheit des MPC-Reglers wesentlich reduziert wird.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
1 ist ein Blockdiagramm eines Prozesssteuerungssystem einschließlich eines Regelungsmoduls, das einen weiterentwickelten Reglerfunktionsblock aufweist, der einen MPC-Regler implementiert;
2 ist ein Blockdiagramm eines typischen MPC-Reglers;
3 ist ein Blockdiagramm einer typischen MPC-Reglereinheit, die einen MPC-Regler und einen Zustandsbeobachter enthält, die zur Steuerung einer Prozessanlage angeschlossen sind;
4 ist ein Bildschirmabbild einer Bedienerschnittstelle von einer chemischen Anlage, die die Störungsabweisungsleistung von PID und MPC vergleicht;
5A und 5B stellen Vergleiche von drei unterschiedlichen MPC-Reglern für einen Prozess erster Ordnung plus Totzeit und einen PID-Regler in Erwiderung auf Ladungsstörung dar;
6A und 6B stellen Vergleiche von unterschiedlichen MPC-Reglern und einen PID-Regler dar, die Feedbacksteuerleistung in Abhängigkeit von Modellfehlanpassung und Nachteilabstimmungen darstellen;
7 stellt eine beispielhafte Schrittreaktion eines Destillierungsturms mit 20 Ablagen dar, die effektiv 20 unabhängige Verzögerungszeitkonstanten in Reihe erzeugt;
8A und 8B zeigen Feedbacksteuerleistung in Abhängigkeit von Modellfehlanpassung und Nachteilabstimmungen für Prozesse erster und zweiter Ordnung mit Totzeit dar.
9A und 9B zeigen Oszillierung aufgrund von Modellfehlanpassung bei Prozessen erster und zweiter Ordnung dar;
10 stellt Einheitssprungstörreaktionen von PI-Reglern mit unterschiedlichen Abstimmungen dar, um damit zu illustrieren, wie die proportionale und integrale Aktion eines PI-Reglers die Ladungsleistung des Reglers für unterschiedliche Prozesseigenschaften beeinflusst, wenn eine nicht gemessene Einheitsschrittstörung eingeleitet wird;
11 zeigt ein schematisches Diagramm eines modellprädiktiven Reglers dar, der derart konfiguriert ist, um eine abstimmbare integrale Aktion im Feedbackpfad aufzuweisen;
12A und 12B sind Schaubilder, die den Vergleich von Robustheit vor und nach dem Hinzufügen einer abstimmbaren integralen Aktion zum zukünftigen Fehlervektor in einem MPC-Regler darstellen;
13A und 13B sind Schaubilder, die einen Vergleich von Ladungsabweisungsleistung vor und nach dem Hinzufügen einer abstimmbaren Integral-Aktion zur zukünftigen Fehlervektorberechnung einer Reihe von unterschiedlichen MPC-Reglertypen darstellen;
14A und 14B sind Schaubilder, die einen Vergleich von Robustheit und Leistung bei manueller Abstimmung einer integralen Aktion beim zukünftigen Fehlervektor von MPC-Reglern in einem Prozess erster Ordnung darstellen, und
15A und 15B sind Schaubilder, die einen Vergleich von Robustheit und Leistung bei manueller Abstimmung einer Integral-Aktion beim zukünftigen Fehlervektor von MPC-Reglern in einem Prozess zweiter Ordnung bereitstellen.
AUSFÜHRLICHE BESCHREIBUNG
Allgemein wird hier eine neue abstimmbare MPC-Reglerentwicklung erörtert, die bei verschiedenen Arten von modellprädiktiver Regelung oder (MPC)-Reglern unter Anwendung jeglicher gewünschter oder ordnungsgemäßer Reglerabstimmung verwendet werden kann. Dieses neue MPC-Reglerverfahren ist besonders hilfreich bei Regelungssystemen, die in Prozessanlagen verwendet werden, wie etwa in industriellen Prozessanlagen zur Herstellung von Arznei- und chemischen Produkten, Raffinerien etc. Obwohl die neuartige MPC-Reglerentwicklung hier derart beschrieben wird, dass sie als Teil eines verteilten Prozesssteuerungsnetzwerks implementiert werden kann, könnte sie auch in anderen Arten von Steuerungsumgebungen implementiert werden, einschließlich beispielsweise als Teil eines zentralisierten Steuerungssystems oder als Teil eines programmierbaren Logiksteuerungssystems (PLC) oder als Teil eines selbständigen Steuerungssystems, etc.
Bezugnehmend auf 1 umfasst ein Prozesssteuerungssystem 10, bei welchem das neue hier beschriebene MPC-Reglerverfahren eingesetzt werden kann, einen Prozessregler 11, der kommunikationsmäßig mit einem Datenhistoriker 12 und einem oder mehreren Host-Workstations oder Computer 13 (welche jede Art von PC, Workstation, etc. sein kann) verbunden ist, die jeweils einen Anzeigebildschirm 14 aufweisen. Der Regler 11 ist auch mit den Feldgeräten 15–22 über Eingangs-/Ausgangs-(E/A)-Karten 26 und 28 verbunden. Der Datenhistoriker 12 kann jede gewünschte Art von Datensammlungseinheit mit jeglicher gewünschter Speicherart und jeglicher gewünschter oder bekannter Software, Hardware oder Firmware zur Datenspeicherung aufweisen und kann getrennt (wie in 1 dargestellt) oder als Teil einer Workstation 13 auftreten. Der Regler 11, welcher nur als Beispiel hier ein DeltaV^TM Regler sein kann, der von Emerson Process Management vertrieben wird, ist kommunikationsmäßig mit dem Hostcomputer 13 und dem Datenhistoriker 12 über beispielsweise eine Ethernetverbindung oder jegliches andere gewünschte Kommunikationsnetzwerk 29 verbunden. Das Kommunikationsnetzwerk 29 kann die Form eines lokalen Netzwerks (LAN), eines Weitbereichsnetzwerk (WAN), eines Telekommunikationsnetzwerks, etc. annehmen und kann mit festverdrahteter oder kabelloser Technologie implementiert werden. Der Regler 11 ist kommunikationsmäßig mit den Feldgeräten 15–22 unter Verwendung jeglicher gewünschter Hardware und Software, die beispielsweise mit Standard 4–20 mA-Geräten und/oder jeglichem intelligenten Kommunikationsprotokoll wie etwa das FOUNDATION^® Feldbus-Protokoll (Feldbus), das HART^®-Protokoll, das WirelessHART^TM-Protokoll, etc., verbunden.
Die Feldgeräte 15–22 können jeglicher Art sein, wie etwa Sensoren, Ventile, Transmitter, Positionierer, etc., wobei die E/A-Karten 26 und 28 jegliche Art von E/A-Geräten sein können, die jeglichem gewünschten Kommunikations- oder Reglerprotokoll entsprechen. Bei der in 1 gezeigten Ausführungsform stellen die Feldgeräte 15–18 standardmäßige 4–20 mA-Geräte oder HART^®-Geräte dar, die über analoge Leitungen oder kombinierte analoge/digitale Leitungen mit der E/A-Karte 26 kommunizieren, während die Feldgeräte 19–22 intelligente Gerate wie etwa Feldbus-Feldgeräte darstellen, die über einen digitalen Bus mit der E/A-Karte 28 mithilfe der Feldbus-Protokoll-Kommunikationen kommunizieren. Die Feldgeräte 15–22 entsprechen natürlich jeglichen anderen gewünschten Standardwerten oder Protokollen, einschließlich jeglicher Standardwerte oder Protokolle, die heute existieren oder in der Zukunft entwickelt werden. Dementsprechend können die Kommunikationen zwischen den Feldgeräten 15–22 mit verdrahteter oder drahtloser Technologie oder, falls erwünscht, mit einer Kombination von verdrahteter oder drahtloser Technologie implementiert sein.
Der Regler 11 kann einer der vielen verteilten Regler innerhalb der Anlage 10 sein und weist mindestens einen Prozessor 11A auf, der ein oder mehrere Prozesssteuerungsprogramme implementiert oder überwacht, welche Regelsysteme aufweisen können, die darin gespeichert oder anderweitig damit assoziiert sind. Der Regler 11 kommuniziert auch mit den Geräten 15–22, den Hostcomputern 13 und mit dem Datenhistoriker 12, um den Prozess in einer gewünschten Form zu steuern. Es sei hier angemerkt, dass jegliche Steuerungsprogramme oder hier beschriebene Elemente Teile aufweisen kennen, die von unterschiedlichen Reglern implementiert oder ausgeführt werden können, oder falls gewünscht, auch von anderen Geräten. Die Steuerprogramme oder Elemente, deren Implementierung in das Prozesssteuerungssystem 10 hier beschrieben wird, können ebenfalls jede Form annehmen, wie etwa Software, Firmware, Hardware, etc. Für diese Erörterung kann das Prozessteuerelement jeglichen Teil oder jegliche Portion eines Prozesssteuerungssystem darstellen, wie beispielsweise ein Programm, ein Block oder ein Modul, was auf jeglichem computerlesbaren Medium gespeichert ist, damit es durch einen Prozessor, wie etwa ein CPU eines Computers, ausgeführt werden kann. Steuerungsprogramme, welche Module sein können oder jeglicher Teil einer Steuerungsprozedur, wie etwa ein Unterprogramm, Teile eines Unterprogramms (wie etwa Codezeilen), etc. können in jeglichem gewünschten Softwareformat unter Verwendung von Ladder Logic, sequentiellen Funktionsdiagrammen, Funktionsblockdiagrammen, objektorientierten Programmieren oder jeglicher anderen Programmiersprache oder Entwicklungsparadigma implementiert werden. Ebenso können die Steuerungsprogramme in beispielsweise einem oder mehreren EPROMs, EEPROMs, anwendungsspezifischen integrierten Schaltkreisen (ASICs) oder in jeglichen anderen Hardware- oder Firmwareelementen fest eingebaut sein. Des Weiteren können die Steuerungsprogramme mithilfe jeglicher Erstellungshilfen entwickelt werden, einschließlich grafischer Erstellungshilfen oder jeglicher anderer Art von Software-, Hardware-, oder Firmwareprogrammierung oder Erstellungshilfen. Daher kann der Regler 11 allgemein derart konfiguriert werden, um eine Steuerungsstrategie oder ein Steuerungsprogramm in jeder gewünschten Form zu implementieren.
In einer Ausführungsform implementiert der Regler 11 eine Steuerungsstrategie unter Nutzung von, was allgemein als Funktionsblöcke bezeichnet wird, wobei jeder Funktionsblock ein Teil oder ein Objekt von einem allgemeinen Steuerungsprogramm darstellt und zusammen mit anderen Funktionsblöcken (über als Links bezeichnete Kommunikationen) operiert, um Prozessregelsysteme innerhalb des Prozesssteuerungssystems 10 zu implementieren. Funktionsblöcke führen normalerweise eine Eingabefunktion durch, wie etwa eine mit einem Transmitter, einem Sensor oder mit einem anderen Prozessparametermessgerät assoziierte Funktion und eine Steuerungsfunktion, wie etwa eine mit einem Steuerungsprogramm, das PID, MPC, Fuzzylogik, etc. durchführt, assoziierte Funktion oder eine Ausgabefunktion, die den Betrieb eines Geräts steuert, wie etwa ein Ventil, um irgendeine physikalische Funktion innerhalb des Prozesssteuerungssystems 10 durchzuführen. Natürlich gibt es hybride und andere Arten von Funktionsblöcken. Funktionsblöcke können in dem Regler 11 gespeichert sein und von diesem ausgeführt werden, was normalerweise der Fall ist, wenn diese Funktionsblöcke für standardmäßige 4–20 mA-Geräte und einige Arten von intelligenten Feldgeräten wie HART^®-Geräte verwendet werden oder damit assoziiert sind, oder sie können in den Feldgeräten selbst gespeichert sein und von diesen implementiert werden, was der Fall bei FOUNDATION^®-Feldbusgeräten sein kann. Weiterhin können Funktionsblöcke, die Reglerprogramme, wie etwa das hier beschriebene abstimmbare MPC-Reglerprogramm oder -verfahren implementieren, können selbst gänzlich oder teilweise in Host-Workstations oder in Computer 13 oder in jeglichem anderen Computer implementiert sein. Obwohl das Steuerungssystems hier unter Nutzung einer Funktionsblock-Steuerungsstrategie, die ein objektorientiertes Programmierungsparadigma verwendet, beschrieben wird, könnten die Steuerungsstrategie oder Regelsysteme oder -module auch unter Nutzung anderer Konventionen und jeglicher gewünschten Programmiersprache oder -paradigma implementiert oder konfiguriert sein.
Wie es durch den expandierten Block 30 in 1 dargestellt wird, kann der Regler 11 eine Anzahl von Single-Loop-Steuerungsprogramme, die als Programme 32 und 34 dargestellt sind, umfassen und einen oder mehrere weiterentwickelte Regelsysteme, dargestellt als ein Regelsystem 36, implementieren. Jeder dieser Regelsysteme wird normalerweise als Regelmodul bezeichnet. Die Single-Loop-Steuerungsprogramme 32 und 34 werden als ausführende Single-Loopsysteme dargestellt, die jeweils einen Regelungsblock für einzige Eingabe-/einzige Ausgabe-Fuzzylogik und einzige Eingabe-/einzige Ausgabe-PID verwenden und mit angemessenen analogen Eingabe-(AI) und analogen Ausgabe-Funktionsblöcken (AO) verbunden sind, die mit Prozesssteuerungsgeräten wie Ventilen, mit Messgeräten wie etwa Temperatur- und Drucktransmitter oder mit jeglichem anderen Geräten innerhalb des Prozesssteuerungssystems 10 assoziiert sein können. Das weiterentwickelte Regelsystem 36 wird als ein weiterentwickelter Regelungsblock 38 umfassend dargestellt, der Eingaben beinhaltet, die kommunikationsmäßig mit vielen AI-Funktionsblöcken verbunden sind und Ausgaben umfasst, die kommunikationsmäßig mit vielen AO-Funktionsblöcken verbunden sind, obwohl die Eingaben und Ausgaben des weiterentwickelten Regelungsblocks 38 kommunikationsmäßig mit allen anderen gewünschten Funktionsblöcken oder Regelungselementen verbunden sein können, um andere Arten von Eingaben zu empfangen und andere Arten von Regelungsausgaben zur Verfügung zu stellen. Obwohl der weiterentwickelte Regelungsblock 38 derart dargestellt ist, dass er eine Mehrgrößenregelung (z. B. mehrfache/Eingabe; mehrfache/Ausgabe) implementiert, könnte er auch für die Implementierung einer Eingrößenregelung (z. B. einzige/Eingabe; einzige/Ausgabe) verwendet werden. Wie hier weiter beschrieben wird, kann der weiterentwickelte Regelungsblock 38 einen Regelungsblock darstellen, der ein modellprädiktives Regelungsprogramm (MPC) integriert, das eine abstimmbare Integrationseinheit umfasst, um eine Modellfehlanpassung, wie hier beschrieben, auszugleichen, um damit eine bessere Steuerung des Prozesses oder eines Teils des Prozesses bei Vorhandensein von Modellfehlanpassung zu erhalten. Obwohl der hier beschriebene weiterentwickelte Regelungsblock 38 allgemein einen modellprädiktiven (MPC) Regelungsblock umfasst, könnte der weiterentwickelte Regelungsblock 38 tatsächlich jegliche andere Art von MPC-Verfahren implementieren und sogar zwischen diesen Verfahren in manchen Fällen hin- und zurückwechseln. Es versteht sich jedoch, dass die in 1 dargestellten Regelungsmodule oder Unterkomponenten dieser Module einschließlich des weiterentwickelten Regelungsblocks 38 oder dessen Komponenten vom Regler 11 ausgeführt werden können oder alternativ dazu, können sie sich in einem anderen Prozessor befinden und von diesem ausgeführt werden, wie etwa einer der Workstations 13 oder sogar eines der Feldgeräte 19–22. Beispielsweise kann bei einer Ausführungsform ein MPC-Reglerblock 42 in einem Computer 13 gespeichert sein und von diesem ausgelöst werden, um Ausgangs- oder Steuersignale für den weiterentwickelten Regelungsblock 38 zur Verfügung stellen, der vom Regler 11 ausgeführt wurde.
Wie in 1 gezeigt, umfasst einer der Workstations 13 ein weiterentwickeltes Regelungsblock-Generierungsprogramm 44, das zur Generierung, zum Download und zur Implementierung eines weiterentwickelten Regelungsblocks 38 benutzt wird. Das weiterentwickelte Regelungsblock-Generierungsprogramm 44 kann in einem Speicher innerhalb der Workstation 13 gespeichert und dort von einem Prozessor ausgeführt werden, dieses Programm (oder jegliche Teile davon) kann zusätzlich oder alternativ dazu in jeglichem anderen Gerät innerhalb des Prozesssteuerungssystems 10 gespeichert und ausgeführt werden, falls dies erwünscht ist. Des Weiteren kann ein Benutzerschnittstellenprogramm 46 einem Benutzer wie etwa einem Prozessbetreiber, einem Steuerungsingenieur, etc. erlauben, Abstimmungen, Entwicklungs- oder Steuerungsparameter, die mit dem weiterentwickelten Regelungsblock 38 assoziiert sind, zu spezifizieren oder zu ändern, sowie Sollwerte zu verändern, Abstimmungsprozeduren zu initiieren und neue Modellparameter bereitzustellen, etc.
Informationshalber sei gesagt, dass viele industrielle Implementierungen von MPC-Verfahren modellalgorithmische Steuerverfahren (MAC) und Verfahren der Dynamikmatrixsteuerung (DMC) umfassen. Eine DMC-Technologie verwendet lineare Schrittreaktion- oder Impulsreaktionsmodelle des Prozesses und in jedem Fall wird der optimale Steuerpfad vorab offline berechnet und in einer großen Matrix gespeichert. Diese Steuerungsmatrix wird dann zur Berechnung der Bewegungen online der manipulierten Größen durch Überlagerung verwendet. Entsprechend werden die Berechnungskosten im Vergleich zu den MPC-Verfahren, die die optimalen Gleichungen online lösen, erheblich gesenkt. Ein weiterer Vorteil der DMC-Technologie besteht darin, dass eine darin verwendete Zustandsgröße intuitiv vom Prozessmodell berechnet wird und diese dann die eindeutige zukünftige Ausgabevorhersage repräsentiert, was bedeutet, dass zukünftige Vorhersagen über Prozessausgaben, wie etwa mit Beschränkungen assoziierte Größen, jederzeit verfügbar sind und dem Benutzer angezeigt werden können.
Andere MPC-Implementierungen umfassen IDCOM und lineare Dynamikmatrixsteuerung (LDMC), welche eine lineare objektive Funktion benutzen und explizit Beschränkungen integrieren, quadratische Dynamikmatrixsteuerung (QDMC), welche eine Erweiterung von DMC ist und eine quadratische Leistungsfunktion integriert und die Integration von Beschränkungen explizit vornimmt, IDCOM-M, welche eine Erweiterung von IDCOM darstellt und einen quadratischen Programmierungsalgorithmus zum Ersatz der sich wiederholenden Lösungstechnik der ursprünglichen Implementierung benutzt und ein Shell-Mehrgrößen-Optimierungssteuerung (SMOC), was eine Zustand-Raum-Implementierung darstellt. Eine weitere Klasse der MPC-Verfahren benutzt einen Zustandsbeobachter, um eine bessere MPC-Leistung zur Verfügung zu stellen.
2 stellt ein detailliertes Blockdiagramm von einer Ausführungsform einer Mehrgrößen-MPC-Reglereinheit 52 (kommunikationsmäßig an den Prozess 50 angekoppelt) dar, der von dem weiterentwickelten Regelungsblock 38 von 1 implementiert werden kann, um eine Mehrgrößen-Prozesssteuerung durchzuführen. In diesem Fall kann die MPC-Reglereinheit 52 dafür benutzt werden, um ein DMC-Steuerverfahren zu implementieren. Diese Erörterung bildet eine gute Basis für ein allgemeines Verständnis der MPC-Regelung. Wie in 2 gezeigt, produziert der weiterentwickelte Regelungsblock 38 einen Satz von manipulierten Größen (MVs), der dann anderen Funktionsblöcken zur Verfügung gestellt wird, die wiederum mit Steuereingängen des Prozesses 50 verknüpft sind. Wie in 2 gezeigt, umfasst der weiterentwickelte Regelungsblock 38 einen MPC-Reglerblock 52, welcher jegliches standardmäßiges MPC-Programm oder MPC-Prozedur umfasst oder diese ausführen kann, wobei diese normalerweise die gleiche Anzahl an Eingaben und Ausgaben haben können, obwohl diese Bedingung nicht notwendig ist. Der MPC-Regler 52 empfängt als Eingaben einen Satz von N geregelten Größen (CVs) und Hilfsgrößen (AVs), welche normalerweise Vektoren von Werten darstellen, wie sie im Prozess 50 gemessen werden, einen Satz von Störgrößen (DVs), welche bekannte oder erwartete Veränderungen oder Störungen darstellen, die dem Prozess 50 zu einer Zeit in der Zukunft zur Verfügung gestellt werden und ein Satz von Zielsteuergrößen für einen gleich bleibenden Zustand und Zielhilfsgrößen (CV_T) und (AV_T), die beispielsweise von einem Optimierer (nicht gezeigt), einem Benutzer oder von einer anderen Quelle stammen. Der MPC-Regler 52 benutzt diese Eingaben, um einen Satz von M manipulierten Größensignalen (MV) in Form von Steuersignalen zu erzeugen und liefert die manipulierten Größensignale MV an die Steuereingänge des Prozesses 50, welche Eingänge sein können, die mit dem Betrieb von Ventilaktuatoren, Brennern, Pumpen, etc. zusammenhängen können.
Des Weiteren berechnet und produziert der MPC-Regler 52 eine Satz von vorhergesagten Steuergrößen für den gleich bleibenden Zustand (CV_SS) und Hilfsgrößen (AV_SS) zusammen mit einem Satz von vorhergesagten manipulierten Größen für den gleich bleibenden Zustand (MV_SS), die die vorhergesagten Werte jeweils der Steuergrößen (CVs), der Hilfsgrößen (AVs) und der manipulierten Größen (MVs) an einem Steuerhorizont repräsentieren. Diese Größen können in einem oder mehreren MPC-Optimierungsprogrammen benutzt werden, um die Zielsteuergrößen und Zielhilfsgrößen CV_T und AV_T zu entwickeln, um den Prozess 50 mit optimalem Betriebszustand zu fahren.
Ungeachtet ihrer Entwicklung werden die Zielsteuergrößen und Zielhilfsgrößen CV_T und AV_T als Eingaben für den MPC-Regler 52 bereitgestellt, welcher, wie bereits erörtert, diese Zielwerte CV_T und AV_T dazu benutzt, um einen neuen Satz von manipulierten Größen für den gleich bleibenden Zustand MV_SS (über den Steuerhorizont hinweg) zu bestimmen, welche die aktuellen Steuer- und manipulierten Größen CV und AV zu den Zielwerten CV_T und AV_T am Ende des Steuerhorizontes hintreiben. Natürlich ist bekannt, dass der MPC-Regler 52 die manipulierten Größen schrittweise verändert für den Versuch, die Werte für den gleich bleibenden Zustand der manipulierten Größen MV_SS für den gleich bleibenden Zustand zu erhalten, welche theoretisch dazu führen, dass im Prozess die Zielsteuergrößen und Zielhilfsgrößen CV_T und AV_T erreicht werden. Da der MPC-Regler 52 wie oben beschrieben während jedes Prozessabtastens operiert, können die Zielwerte der manipulierten Größen sich zwischen den Abtastungen verändern und als Ergebnis davon könnte der MPC-Regler 52 niemals einen bestimmten der Sätze von Zielgrößen MV erreichen, insbesondere bei Vorhandensein von Störgeräusch, unerwarteten Störungen im Prozess 50, etc..
Der MPC-Regler 52 umfasst bekanntlich ein Steuervorhersageprozessmodell 70, (was auch als „Reglermodell” bezeichnet wird), was jegliche Art von Modell sein kann, das bei einem der unterschiedlichen MPC-Regelungsverfahren verwendet wird. Beispielsweise kann das Modell 70 eine N×M + D Schrittreaktionsmatrix sein (wobei N die Anzahl der Regelgrößen CV zuzüglich der Anzahl von Hilfsgrößen AV, M die Anzahl der manipulierten Größen MV und D die Anzahl der Störgrößen DV ist). Das Modell 70 kann jedoch ein Vorhersagemodell oder Grundprinzipienmodell erster Ordnung, zweiter Ordnung oder dritter Ordnung, usw., ein Zustandsraummodell, ein Windungsprozessmodell oder jegliche andere Art von Prozessmodell darstellen. Das Reglermodell 70 kann von Prozessstörtests unter Nutzung von Zeitreihenanalyseverfahren bestimmt werden, die keinen wesentlichen grundsätzlichen Modellierungsaufwand erfordern, oder kann unter Nutzung jeglicher anderer Prozessmodellverfahren, einschließlich solcher, die eine oder mehrere Sätze von linearen oder nicht-linearen Modellen überlagern, bestimmt werden. Jedenfalls produziert das Steuervorhersageprozessmodell 70 eine Ausgabe 72, die eine vorab berechnete Vorhersage für jede der Steuer- und Hilfsgrößen CV und AV definiert, und ein Vektoraddierer 74 zieht diese vorhergesagten Werte für die aktuelle Zeit von den tatsächlich gemessenen Werten für die Steuer- und Hilfsgrößen CV und AV ab, um damit einen Fehler- oder Korrekturvektor (auch als Rückstände bekannt) auf der Eingabe 76 zu erstellen. Dieser Fehler wird allgemein als Vorhersagefehler bezeichnet.
Das Steuervorhersageprozessmodell 70 sagt dann einen zukünftigen Steuerparameter für die Steuer- und Hilfsgrößen CV und AV über den Steuerhorizontzeit hinaus basierend auf den Stör- und manipulierten Größen, die zu anderen Eingängen des Steuervorhersageprozessmodells 70 geliefert wurden, vorher. Das Steuervorhersageprozessmodell 70 produziert auch die vorhergesagten Werte für den gleich bleibenden Zustand der oben erörterten Steuer- und Hilfsgrößen CV_SS und AV_SS.
Ein Regelungszielblock 80 bestimmt einen Steuerzielvektor für jede der N Zielsteuer- und Hilfsgrößen CV_T und AV_T, die hier vom Zielkonvertierungsblock 55 unter Nutzung eines Wegfilters 82, der vorab für den Block 38 etabliert wurde, bereitgestellt wird. Insbesondere liefert der Wegfilter 82 einen Einheitsvektor, der die Art und Weise definiert, in der die Steuer- und Hilfsgrößen im Zeitablauf zu ihren Zielwerten hingetrieben werden können. Der Regelungszielblock 80 benutzt diesen Einheitsvektor und die Zielgrößen CV_T und AV_T _, um damit einen dynamischen Steuerzielvektor für jede Steuer- und Hilfsgröße bereitzustellen, der die Veränderungen der Zielgrößen CV_T und AV_T im Zeitablauf, der durch die Steuerhorizontzeit definiert wird, definiert. Ein Vektoraddierer 84 zieht dann den zukünftigen Steuerparametervektor für jede Steuer- und Hilfsgröße CV und AV von den dynamischen Steuervektoren ab, um damit einen zukünftigen Fehlervektor für jede Steuer- und Hilfsgröße CV und AV bereitzustellen. Der zukünftige Fehlervektor für jede Steuer- und Hilfsgröße CV und AV wird dann einem MPC-Algorithmus 86 geliefert, welcher die MV-Schritte der manipulierten Größe, die zum Beispiel die kleinsten Fehlerquadrate oder den integrierten absoluten Fehler (IAE) über den Zeithorizont hinweg minimieren, auswählt. Bei manchen Ausführungsformen kann der MPC-Steueralgorithmus 86 eine M mal M-Steuermatrix benutzen, die aus dem Verhältnis zwischen N Steuer- und Hilfsgrößeneingaben an den MPC-Regler 52 und den M manipulierten Größenausgaben vom MPC-Regler 52 entwickelt wurde, falls das erwünscht wird. Insbesondere hat der MPC-Steueralgorithmus 86 zwei Hauptziele. Erstens versucht der MPC-Steueralgorithmus 86 CV-Steuerfehler mit minimalen MV-Bewegungen innerhalb Betriebsbeschränkungen zu minimieren und zweitens versucht er, optimale MV-Werte für den gleich bleibenden Zustand und die Zielwerte CV, die direkt aus den optimalen MV-Werten für den gleich bleibenden Zustand abgeleitet werden, zu erreichen.
Die Zustandgleichung für einen typischen modellprädiktiven Regler kann wie folgt ausgedrückt werden als:
wobei Q, R, S die Strafgewichtungen jeweils für Fehler, Reglerbewegung und inkrementelle Bewegung sind, x_k die Modellzustandsmatrix, y_k die Prozessausgabe und u_k die Reglerausgabe ist. Da die Strafvektoren Q, R und S inhärent getrennt sind, weist der MPC-Regler allgemein keinen Leistungskompromiss zwischen der Sollwertverfolgung und der Störabweisung auf. Der MPC-Regler muss dennoch auf spezifische Mehrgrößen-Prozesssteuerungsziele abgestimmt werden. Während das Prozessmodell immer der internen Struktur eines MPC-Reglers (z. B. Prozesszustandsraum mit dem Zustandsraum der MPC-Formulierung) angepasst ist, bestimmen zusätzliche Parameter das Verhalten hinsichtlich Sollwertänderung und Störabweisung.
Insbesondere können die Strafvektoren dazu benutzt werden, um eine Größe gegenüber anderen in Einklang mit dem Steuerungsziel für einen bestimmten Prozess, das vom Endnutzer definiert wird, hervorzuheben. Bei Verdacht auf eine Modellfehlanpassung können die Strafvektoren Q und R auch dazu benutzt werden, um den Regler robuster zu machen (d. h., den Regler zu verstimmen). Verfahren, wie Trichtersteuerung oder Bezugspunkt-Trajektorie haben jedoch einen offensichtlicheren Einfluss auf die Robustheit, da sie effektiv den Fehlervektor filtern, und darum werden diese Verfahren von Ingenieuren und Betreibern für die Abstimmung von modellprädiktiven Reglern bei industriellen Prozessanwendungen bevorzugt. Da ein modellprädiktiver Regler sich grundsätzlich dem Prozess „anpasst”, sind die Steuerbewegungen für das spezifische Prozessmodell immer optimal. Diese Tatsache führt dazu, dass der Regler nur verstimmt (gemäß der physikalischen Einschränkungen der endgültigen Steuerungselemente) und niemals sehr aggressiv abgestimmt werden kann. Beispielsweise kann eine Ventilöffnungsgeschwindigkeit niemals unendlich sein, und daher kann der Wert von R niemals realistisch Null sein. Es ist bekannt, dass die Störabweisung von industriellen MPC-Reglern hinter der von PID-Reglern zurückbleibt, wenn PID-Regler speziell auf Störabweisung abgestimmt sind. Jüngste MPC-Verbesserungen im Bereich der Zustandsaktualisierung haben diese Lücke geschlossen, wenn von einem Beobachtungsmodell, was in dem MPC-Programm verwendet wird, angenommen werden kann, dass es gänzlich bekannt ist. Bei Vorhandensein einer Modellfehlanpassung ist die Steuerleistung (z. B. gemessen mit IAE) von einem PID-Regler jedoch immer noch besser als die von einem MPC-Regler mit der bestmöglichen Abstimmung. Nichtsdestotrotz können MPC-Verfahren mit einem Beobachter zur Verbesserung der Feedbacksteuerleistung verwendet werden, und diese funktionieren in dieser Hinsicht normalerweise besser als DMC-Verfahren.
Ein Beispiel eines auf einen Beobachter basierten MPC-Reglersystems 88 wird in 3. gezeigt. Das MPC-Reglersystem 88 hier umfasst einen MPC-Regler 90 und einen Beobachter 92, wobei in diesem Fall angenommen wird, dass es sich um einen Kalman-Filter handelt. Der MPC-Regler 90 liefert Steuersignale an eine Prozessanlage 94 und an den Kalman-Filter 92. Des Weiteren erhalten der MPC-Regler und der Kalman-Filter 92 Störeingaben d, welche auch an die Prozessanlage 94 geliefert werden oder dort vorhanden sind und erhalten Feedback von der Prozessanlage 94 in Form von gemessenen geregelten Größen y. Die Prozessanlage 94 wird in 3 in modellierter Form gezeigt, wobei die Prozessanlage 94 eine Anlagenübertragungsfunktion 96 umfasst, welche die Steuersignale u und die Störsignale d und verschiedene Eingaben von erwarteten Fehlern und Störungen empfängt. Insbesondere empfängt ein Störungs- und Rauschmodell 98 (mit einer Übertragungsfunktion G_w) Rauschen w (was beispielsweise weißes Rauschen sein kann) und die Ausgabe des Rauschmodells 98 wird (in einem rein theoretischen Addierer 100) der Ausgabe der Anlagenübertragungsfunktion 96 hinzugefügt. Die Ausgabe des Addierers 100 wird zu Messfehlern oder Messrauschen z in einem anderen theoretischen Addierer 102 hinzugefügt, um die gemessenen Ausgaben y zu erstellen.
Bei dieser Konfiguration kann die Aktualisierung der Zustandsgröße x eines Prozesses, was durch ein stochastisches Zustandsraummodell gekennzeichnet ist, wie folgt ausgedrückt werden: x_k+1 = Ax_k + Bu_k + w_k (4) y_k = Cx_k + n_k (5) für die Gaußsche Verteilung des Prozessrauschens w_k und Messungsrauschen n_k.
Das allgemeine Ziel des Zustandsbeobachters, wie der Beobachter 92 von 3, ist die Bereitstellung von Schätzungen des internen Zustands eines Systems, was auf allen messbaren Systemeingaben und -ausgaben beruht. Insbesondere, wenn eine der Annahmen von Gleichungen (4) und (5) ist, dass die Vektoren A, B und C (welche den Prozess abbilden) genau bekannt sind, dann kann die Beobachterverstärkung berechnet werden. Die in den 1960-ern entwickelte Filterformulierung, hier als Kalman-Filter bezeichnet, war das populärste Verfahren bei der Prozessteuerung für die Schätzung interner Prozesszustände basierend auf rauschende oder unvollständige Messungen. Für ein diskretes Stichprobensystem unter Nutzung der MPC-Formulierung, die in den Gleichungen (1) bis (3) wiedergegeben ist, lautet die Gleichung für Kalman-Filter zur Schätzung des nächsten Zustandes x_k+1: x ^_k+1 = Ax ^_k + Bû_k + J(y_k – ŷ_k) (6) ŷ_k = Cx ^_k (7) wobei J die Kalman-Filterverstärkung, x ^_k der Zustandsvektor mit k Zustandsgrößen, y_k die vorhergesagte Prozessausgabe und ŷ_k der tatsächliche Wert der Prozessausgabe ist. Falls Kovarianzen für ungemessene Störungen und Messungsrauschen bekannt sind, kann die allgemeine Kalman-Filterstruktur kreiert werden, indem das Anlagenmodel mit G_w (Störungs- und Rauschmodell) erweitert wird und dann die MPC-Reglerverstärkung des erweiterten Modells (in 3 gezeigt) erneut berechnet wird. Die Filterverstärkung J kann durch das numerische Lösen der Riccati-Gleichung bestimmt werden, worin Q_KF die positive halb-definitive Matrix darstellt, die die Kovarianzen der Störungen in w repräsentiert und R_KF ist die positive definitive Matrix, die die Kovarianzen des Messungsrauschen z repräsentiert. Falls die Kovarianzen nicht bekannt sind, kann eine vereinfachte Version des Kalman-Filters verwendet werden. Diese Formulierung nimmt an, dass die Störungen w unabhängig sind und dadurch jedes Element der Störungen w ein (und nur ein) Element der Prozessausgaben y betrifft. Diese Annahme hat zur Folge, dass Q_KF und R_KF, die Kovarianzen für Eingabe und Messungsrauschen nicht erforderlich sind. Stattdessen verwendet diese Vereinfachung eine Filterzeitkonstante τ_i und eine Schätzung des Signal-Rausch-Verhältnisses SNR_i pro Störung, um eine Störungsmodell wie folgt zu schaffen:
wobei a_i = e^–T/ti, 0 ≤ τ_i ≤ ∞ und T die Stichprobendauer ist. Wenn τ_i → 0, nähert sich Gw_i(q) einer Einheitsverstärkung an, während wenn τ_i → ∞, G_wi ein Integrator wird. Element i von Δw ist ein stationäres weißes Rauschsignal mit Mittelwert Null und Standardabweichung (wobei w_i(k) = w_i(k) – w_i(k – 1)). Element i von z ist ein stationäres weißes Rauschsignal mit Null Haupt- und Standardabweichung σZ_i.
Das Ziel einer Zustandsaktualisierung ist, die bestmögliche Schätzung der aktuellen Zustandsgröße zu jedem Zeitpunkt zu finden (d. h. zu jeder Abtastzeit eines einzelnen Reglers). Die Nutzung der bestmöglichen Zustandsschätzung in einem gut abgestimmten MPC-Regler bedeutet nicht notwendigerweise, dass dies zur bestmöglichen Steuerungsleistung führt. Insbesondere hängt das dynamische Verhalten des geschlossenen Regelsystem-Feedbackpfades des Zustandsaktualisierungmodells von der Beobachterverstärkung J ab. Da die Beobachterverstärkung J von der Rauschkovarianz (oder vom Signal-Rausch-Verhältnis im Fall einer vereinfachten Kalman-Filter-Formulierung) abgeleitet wird, gibt es keinen Abstimmungsparameter oder generische Größe, die die Beobachterübertragungsfunktion berücksichtigt. Daher kann eine geschlossene Regelsystem-Steuerleistung auf eine ungewünschte (suboptimale) Art beeinträchtigt werden. Es wurde jedoch festgestellt, dass die geschlossenen Regelsystem-Reaktionen für einen weiten Bereich für J sehr ähnlich sind bei einer bestimmten Reglersituation. Es scheint daher, dass der Wert von J nur einen sehr kleinen Einfluss auf die Steuerleistung hat. Diese Beobachtung hat sich überraschenderweise für sowohl das perfekte Modell als auch bei Modellfehlanpassung bewährt. Es wurde auch festgestellt, dass das Einstellen von Bewegungsnachteilen und die Fehlernachteile innerhalb des Beobachters einen weit größeren Einfluss auf Steuerleistung sowohl mit Modellfehlanpassung als auch ohne Modellfehlanpassung haben, und diese Abstimmungsparameter werden daher normalerweise bei der Abstimmung eines MPC-Reglers verwendet.
Obwohl Beobachter die MPC-Feedbackleistung verbessern, haben sie dennoch Annahmen, die empirisch abgestimmte Regler, wie etwa PID-Regler, nicht haben. Weiter wird jeder modellprädiktiver Regler mit oder ohne modellbasierten Beobachter annehmen, dass das Modell gänzlich bekannt ist, was fast nie der Fall ist bei existierenden Prozessanlagen. Leider können sogar kleine Modellabweichungen große Vorhersage- und Zustandsaktualisierungsfehler verursachen, die zu einer schlechteren Reglerleistung führen.
Wie bereits oben erörtert wurde, werden die Abstimmungsparameter von modellprädiktiven Reglern allgemein zur Anpassung von Reglerverhalten in einer Art, die besonders wünschenswert bei einer spezifischen Anlageanwendung ist, verwendet. Beispielsweise kann eine bestimmte gewünschte Reaktionsgeschwindigkeit abgestimmt werden, indem Bewegungsnachteile R auf einen bestimmten Wert abgestimmt werden. Der erwartete Verlauf, der vom Ingenieur jedoch entwickelt wird, wird nur dann eintreten, wenn die Modellfehlanpassung nicht wesentlich ist, was bei industriellen Prozessanlagen selten der Fall ist. Um die offensichtliche Modellfehlanpassung zu berücksichtigen, greifen Anwender meist auf iterative Abstimmungen zurück, bis der gewünschte Verlauf erkannt werden kann. Dieser Prozess ist kostenintensiv, da er sehr viel Zeit in Anspruch nimmt und muss auch nicht optimal sein, da es schwierig ist, alle möglichen Steuerungs- und Beschränkungsszenarien einer laufenden Anlage zu behandeln. Auch wenn dieses Verfahren zum erwünschten Anlageverlauf für die gegebene Modellfehlanpassung führt, kann erwartet werden, dass das Verfahren sich ändert, wenn sich die Größenordnung der Modellfehlanpassung verändert. Des Weiteren gibt es kein Verfahren, Abstimmungsinformationen von dieser Information abzuleiten, auch wenn die Menge und die Variationen der Modellfehlanpassungen bekannt sind.
Verbesserung der MPC-Reglerleistung bei Vorhandensein von Modellfehlanpassung
Bekanntlicherweise kann die Fähigkeit Ladungsveränderungen, wie etwa nicht gemessene Störungen, innerhalb eines MPC-Reglers abzuweisen, mit empirischen Abstimmungen verbessert werden. Natürlich kann die Feedbackleistung eines modellbasierten Reglers so abgestimmt werden, dass sie ideal ist und so gut wie die Sollwertänderungsleistung, wenn das Prozess- oder Anlagemodell gänzlich bekannt ist. Wenn aber eine Modellfehlanpassung existiert, werden die Abstimmungen vom Ingenieur normalerweise etwas konservativer angesetzt. Ein hier beschriebenes MPC-Reglerverfahren bietet eine Alternative zum Verstimmen des Reglers. Insbesondere dann, wenn der Regler auf eine erhöhte Akkumulation von Vorhersagefehlern d. h. ein Gefälle reagiert, kann der Regler nicht gemessene Störungen schneller ausmachen als ein standardmäßiger MPC-Regler. Wie die MPC-Regelgleichungen (1) bis (3) aufzeigen, sind Reglerausgaben nur Von vorherigen Eingaben, Ausgaben und Sollwerten, nicht jedoch von vorherigen Steuerungsfehlern abhängig. Tatsächlich sollten vorherige Steuerungsfehler proportional verwandt mit vorherigen Sollwerten sein. Dieses proportionale Verhältnis gilt nur dann, wenn es keine nicht gemessenen Störungen gibt. Wenn nicht gemessene Störungen in der Vergangenheit anfielen, ist es wichtig, diese in der Steuergleichung zu berücksichtigen. Das hier vorgestellte MPC-Reglerverfahren geht dieses Problem an und verwendet Fehlerinformationen, um die Reglerausgabe direkt anzutreiben, wodurch die Feedbacksteuerleistung verbessert wird. Diese Verfahren zur Verbesserung der Feedbacksteuerung eines MPC-Reglers können derart implementiert sein, dass negative Wirkungen auf Sollwertänderungsleistung und allgemeine Leistung bei Fehlen einer Modellfehlanpassung vermieden werden.
Die Praxiserfahrung des Erfinders mit einer großen Chemieanlage Solutia (ehemals Monsanto) in Alabama im Jahr 2000 lieferte eine spezielle Motivation für die hier diskutierten Ergebnisse. Allgemein bestehen viele Vorteile (und Herausforderungen) bei der Nutzung von eingebettetem MPC, was modellprädiktive Regelung in einer eingebetteten Reglerhardwareeinheit in der Praxis möglich macht. Eingebettetes MPC hat viele Vorteile gegenüber Drittlösungen, wie etwa Redundanz, schnelle Stichprobezeiten, einfache und nahtlose Konfiguration und Inbetriebnahme ohne Unterbrechung des laufenden Prozesses. Zwei sehr herausfordernde Prozesse wurden als Kandidaten für die Konversion von PID- zu MPC-Strategien ausgewählt. Einer der herausfordernden Prozesse war eine Abkoppelungsanwendung, die erfolgreich von den Anlageingenieuren implementiert wurde und außerordentliche Leistungsverbesserungen brachte. Der andere herausfordernde Prozess war ein einzelner Eingabeprozess, der stark von Feedbacksteuerung abhing, da die Prozessparameter aufgrund von vielen nicht messbaren Störungen (von sowohl vor- als auch nachgelagerten Einheiten) maßgeblich abwichen, was die Feedbacksteuerung beeinflusste. Während einer Reihe von Experimenten versuchten fünf Steuerexperten zuerst eine Verbesserung der ursprünglichen PID-Feedbacksteuerungsleistung unter Nutzung von MPC und später mindestens eine Anpassung von MPC an das, was vorab von PID über fünf Tage hinweg beobachtet wurde, zu erreichen, jedoch ohne Erfolg. 4 ist eine grafische Darstellung der besten MPC-Störungsabweisungsleistung, die erzielt wurde, im Vergleich zu der Störungsabweisung vom PID-Regler, der zur Steuerung dieses besonderen Prozesses seit mehr als 50 Jahren verwendet wurde.
In 4 wird ersichtlich, dass der MPC-Regler, wenn er einer ungefähr gleichen nicht gemessenen Störung ausgesetzt wird, einen größeren Steuerfehler anzeigt, aber die geregelte Größe allgemein etwas früher in Abhängigkeit der spezifischen Produktionskriterien auf den Sollwert zurückbringt. Diese Leistung kann als kleine Verbesserung angesehen werden oder auch nicht. Es verbleibt jedoch die Frage, warum moderne Steueralgorithmen wie etwa MPC bei praktischen Anlagenanwendungen nicht so gut funktionieren wie PID, eine Technologie, die vor mehr als 100 Jahren entwickelt wurde? Eine der gängigsten und erfolgreichsten Anwendungen von moderner modellprädiktiver Regelung ist natürlich die Mehrgrößenregelung von Destillationskolonnen, was, wie viele Mehrgrößenanwendungen, einen Prozess darstellt, der sehr schwierig mittels PID-Regler gesteuert werden kann. Jedoch wird MPC oft für Einzelregelkreisanwendungen mit dominierenden Verzögerungen empfohlen und angewendet, bei welchen es oft schlechter funktioniert als PID. Jedenfalls umfasst der hier beschriebene MPC-Regler eine Modifikation des MPC-Steueralgorithmus, der zur Schließung der Leistungslücke zwischen MPC und PID verwendet werden kann.
Nachteile von modellbasierter Regelung
Für Sollwertverfolgungsanwendungen stellt die Fähigkeit des modellprädiktiven Reglers eine Annäherung des Prozesszustandes zu speichern und zu aktualisieren, den Steuerleistungsvorteil von modellbasierten Reglern gegenüber modellfreien Reglern dar. Jedoch verschlechtert dieser gleiche Mechanismus die Fähigkeit des prädiktiven Reglers, die Reglerausgaben schnell genug zu bewegen, um auf ein nicht gemessenes Störszenario zu reagieren, da der angenäherte Zustand korrigiert werden muss, bevor der tatsächliche Steuerfehler berechnet wird und damit bevor jegliche korrigierende Steueraktion ausgeführt werden kann. Mit anderen Worten muss eine nicht erwartete Ausgabeänderung eine Vorhersageaktualisierung auslösen, bevor eine Steuerbewegung hervorgerufen wird. Wenn angenommen werden könnte, dass das Modell perfekt ist, ist die Zustandsaktualisierungsprozedur unkompliziert, da die ganze Fehlerbestimmung sofort den nicht gemessenen Störungen zugeschrieben werden kann, d. h., es kann zu einer völligen Zustandsaktualisierung zu jeder Stichprobezeit kommen. Moderne im Handel erhältliche MPC-Regler weisen Filterfaktoren auf, die derartige Veränderungen über mehrere Stichprobezeiten ausgleichen, um ein Ungleichgewicht zu verhindern, da weder perfekte noch nicht-lineare Modelle bei Industrieanwendungen erwartet werden. Obwohl Forscher Verfahren vorgeschlagen haben, die zwischen nicht gemessenen Störungen und Modellabweichung unterscheiden, sind derartige Verfahren sehr schwierig und ihre Ausführung während der Lebensdauer eines Reglers teuer. Des Weiteren wäre, auch wenn es genau bekannt sein könnte, welcher Bruchteil eines Vorhersagefehlers von einer nicht gemessenen Störung oder einem Modellabweichung herrührt, die Korrekturaktion des Reglers nicht optimal schnell genug, bis das Prozessmodell erneut identifiziert wird.
Die Inbetriebnahme eines modellbasierten Reglers von sich aus umfasst die Anpassung der Modellparameter des Reglers an die Modellparameter des Prozesses. Modellbasierte Abstimmungsverfahren für PID-Regler beabsichtigen die Vereinfachung von PID-Abstimmung durch Nachahmung von modellbasiertem Reglerverhalten. Da die PID-Reglergleichung keine Totzeit ausmachen kann, kann mit einer Smith-Vorhersageabstimmung die Prozess-Totzeit an die Totzeit der Smith-Vorhersageabstimmung angepasst werden. Verfahren wie Polunterdrückung und Lambda-Abstimmung passen die Integralzeit des Reglers an die dominierende Zeitkonstante im Prozess an. Lambda-Abstimmung fügt einen zusätzlichen Anstimmungsparameter (λ) hinzu, mit dem der Ingenieur eine gewünschte Zeit für die geschlossene Regelkreiserledigung auswählen kann.
Wie bereit vorher erörtert wurde, zeichnen sich modellbasierte Regler bei Einzelregelkreisanwendungen mit dominierenden Totzeiten aus, da die Totzeit-Modellparameter den entsprechenden Totzeit-Reglerparametern angepasst werden können. Beispiele für derartige Prozesse sind Flusskreisläufe, statische Rührgeräte und Papiermaschinen, wobei die geläufigsten Beispiele für Prozesse mit dominierenden Verzögerungen Temperatur- und Druckkreisläufe sind sowie der chemische Prozess bei der oben erörterten Solutia-Anlage. Auf der anderen Seite werden Prozesse mit dominierenden Verzögerungen durch einen abgestimmten Regler besser gesteuert als mit einem angepassten modellbasierten Regler oder einem PID-Regler mit modellbasierter Abstimmung. Es wurde vorgeschlagen, dass der Hauptgrund für dieses Verhalten mit der Integral-Aktion eines PID-Reglers zu tun hat.
Ein modellbasierter Regler verfügt jedoch nicht über irgendwelche Komponenten, die eine direkte Abstimmung der Integral-Aktion ermöglichen, die in die Feedbackberechnung einkalkuliert werden kann. Während bei einem linearen quadratischen Regler (LQR) gezeigt werden kann, dass er eine Integral-Aktion hat, wenn er mit einem Kalman-Filter für Zustandsaktualisierung ausgerüstet wird, ist die Integral-Aktion nicht unabhängig abstimmbar. Ziel ist daher, die objektive Funktion (J) zu minimieren, was wie folgt ausgedrückt wird:
Diese Kombination ist auch als linearer quadratischer Gaußscher-Regler (LQG) bekannt, eine grundsätzliche Form von linearer modellbasierter Steuerung. Wie beim PID-Regler ist eine Integral-Aktion im modellprädiktiven Regler notwendig, um zum Sollwert zu steuern ohne dabei eine Regelabweichung zurückzulassen.
Aus der obigen Abstimmungsdiskussion wird ersichtlich, dass Prozesse mit dominierender Totzeit einen unterschiedlichen Satz von Reglerfunktionen erfordern wie Prozesse mit dominierenden Verzögerungen. Wenn die Verzögerung zu groß ist, dann ist die bestmögliche Leistung
und ein modellbasierter Regler mit angepasster Abstimmung wird erforderlich. Wenn die Zeitdifferenz zu groß ist, kann die Leistung besser sein als
, soweit der Prozess nicht durch einen modellbasierten Regler, sondern durch einen PID mit entsprechender nicht angepasster integraler Abstimmung geregelt wird. Der Erfinder hat eine MPC-Reglerform entwickelt, die die Vorteile beider Szenarien kombiniert und damit eine bessere MPC-Steuerung bietet.
Abstimmung modellbasierter Steuerung
Die vorherige Erörterung erwähnte die Vorteile und idealen Betriebsbereiche von modellbasierten und PID-Reglern hinsichtlich anteiliger Totzeit, wobei die folgende Erörterung die Robustheit der zwei Reglerarten vergleicht. Wie bereits angedeutet, weisen modellbasierte Regler, wie etwa MPC-Regler, eine bessere Feedbackleistung bei Bereichen mit dominierender Totzeit auf. Bei Bereichen mit dominierenden Verzögerungen, welche mindestens ebenso üblich wie Bereiche mit dominierender Totzeit sind, bieten die PID-Regler allgemein bessere Feedbacksteuerungsleistung. Diese Feststellung löste viele Verbesserungen des ursprünglichen MPC-Algorithmus aus, wie etwa das Hinzufügen einer Kalman-Filterung, welche weitgehend akzeptiert und in industriellen MPC-Produkten eingebaut wurden. Im Handel erhältliche prädiktive Regler sind heute zu besserer Leistung als die interne Modellsteuerung (IMC) fähig. Die Leistungs- und Abstimmungsunterschiede zwischen modellbasierten und PID-Reglern in Hinblick auf anteilige Totzeit werden weiter unten erörtert.
5A und 5B zeigen einen Vergleich von drei verschiedenen MPC-Reglern für einen Prozess erster Ordnung plus Totzeit (FOPDT) mit der folgenden Übertragungsfunktion: G(s) = 1 / 50s+1e^–s . Hier sind die Parameter verbunden mit der Störungsabweisung für die verschiedenen Regler so abgestimmt: Prozessverstärkung (K) = 1, Zeitkonstante erster Ordnung (T₁) = 50, Zeitkonstante zweiter Ordnung (T₂) = 0 und Totzeit (T_D) = 1. Für einen PID-Regler wurde eine Skogestad-Abstimmung mit der Reglervstärkung (Kc) = 25, integralen Zeitkonstante (Ti) = 8 und abgeleiteten Zeitkonstante (Td) = 0 verwendet. Für die MPC-Reglerabstimmung gilt: der Vorhersagehorizont (P) = 10, der Steuerhorizont (M) = 3 und die Nachteilgröße (Q) = 1. Für 5A beträgt jedoch die Nachteilgröße (R) = 0,1 und für 5B, R = 0,01. Der PID-Regler mit Skogestad-Abstimmung wird zum Vergleich mit eingeschlossen. Wie in 5A gezeigt, kommt die dynamische Matrixsteuerung (DMC), welche ursprünglich eine Vorhersage beeinflussende Berechnung verwendete, um Vorhersagefehler nachzuweisen, auf einen integrierten absoluten Fehler von 3,17, was für eine nicht gemessene Störung von Δq = 1 und die obige Übertragungsfunktionen
ausmacht. Diese Art von Regler zeigt die schlechteste Feedbacksteuerungsleistung aller Regler im Vergleich auf. Wenn unterschiedliche Implementierungen der Kalman-Filterung verwendet werden, wird der normalisierte Integral-Fehler
jeweils 0,68 und 0,35, was eine signifikante Verbesserung gegenüber IMC mit
darstellt. Bei diesem Szenario bleibt MPC etwas hinter PID zurück, welcher
erreicht. Derartige gute Leistungsziffern werden nur deshalb erreicht, da der Ausgleich zwischen der Fehler- und Bewegungsbestimmung von Gleichung (3) in Richtung zu schnelleren Bewegungen zusätzlich zu der Anwendung der Kalman-Filterung gezwungen wird. Anders ausgedrückt wird die Nachteilabstimmung der Reglergeschwindigkeit effektiv, wenn der Feedbackpfad einen Kalman-Filter anwendet. Obwohl Nachteilabstimmung eine Wirkung auf den DMC-Regler hat, kann es den integralen Fehler nicht unterhalb von 1 bringen. Wenn der bestimmte Nachteilabstimmungsausgleich von Q = 1 und R = 0,1 von 5A weiter für eine Leistung auf Q = 1, R = 0,01 angepasst wird (5B), dann wird der normalisierte Integral-Fehler jeweils 0,21 und 0,14 und damit wesentlich verbessert.
Der Vergleich von 5A und 5B zeigt, dass moderne prädiktive Regler so abgestimmt werden können, dass sie besser funktionieren als klassische interne Modellregler, die auf PID-Steuerung basieren d. h. besser als
solange eine Kalman-Filterung verwendet wird. Der ursprüngliche Zweck des Hinzufügens von Abstimmungsparametern zu MPC war, die Robustheit im Fall einer Modellfehlanpassung zu erhöhen, indem der Regler langsamer gemacht wurde. Die Verwendung der gleichen Abstimmung zur Erhöhung der Leistung stellt hier klar einen negativen Ansatz der ursprünglichen Idee dar und führt letztendlich zu einer Verringerung der Robustheit, wie es in den 6A und 6B erkennbar wird, welche eine Feedbacksteuerungsleistung in Abhängigkeit von Modellfehlanpassung und Nachteilabstimmung zeigen. Bei den 6A und 6B wurde das Prozessmodell so abgestimmt, dass K = 1, T₁ = 50, T₂ = 0 T_D = 1, der PID-Regler wird mit Skogestad-Abstimmung unter Verwendung von Kc = 25, Ti = 8, Td = 0 abgestimmt und die MPC-Regler werden so abgestimmt, dass P = 10, M = 3, Q = 1 und wobei R = 0,1 bei 6A und R = 0,01 bei 6B ist. Bei diesem Beispiel ist die Modellfehlanpassung in der Zeitkonstante erster Ordnung nur 2(τ/τ ~ = 2) und die modellpädiktive Steuerung wird periodisch. Die 6A und 6B zeigen einen Abstimmungskompromiss zwischen Leistung und Robustheit bei der modellpädiktiven Steuerung mit Kalman-Filter. Bei einer vereinfachten Kalman-Filterimplementierung, wie oben beschrieben, ist der integrierte absolute Fehlerablauf mit den mehr ausgeglichenen Fehler- und Bewegungsbedingungen von Q/R = 10 (6A) erkennbar flacher als das mit der höheren Leistungsabstimmung mit Q/R = 100 (6B). Diese Leistung zeigt wesentlich mehr Robustheit bei Modellfehlanpassung bei einer Zeitkonstante erster Ordnung an. Die 6B zeigt eine wesentlich bessere Steuerleistung um etwa τ/τ ~ = 1, d. h., wenn das Modell gänzlich bekannt ist. Was bei allgemeiner Kalman-Filter-MPC mit der gleichen Abstimmung beobachtet werden kann, wenn τ > τ ~ ist, ist der nicht eingängige Gegensatz der Schlussfolgerung für die vereinfachte Kalman-Filter-MPC. Wenn die Bewegungsnachteile reduziert werden, wird die Leistung besser und die Kurve flacher. Dis gilt jedoch nicht bei τ < τ ~.
Wenn man dies beachtet, scheint es, dass eine MPC-Nachteilabstimmung solange beliebig ist, bis die Wirkung einer Modellfehlanpassung in Betracht gezogen wird. Da die Sollwertveränderungsleistung sich nicht verschlechtert, wenn die Störabweisungsleistung verbessert wird, könnten die Bedingungen immer weiter in Richtung der besten Leistung verstimmt werden.
Einstellen auf industrielle Prozesseigenschaften
Prozesse erster Ordnung plus Totzeit sind nicht sehr repräsentativ für Prozesse, die von industriellen Steuerungssystemen geregelt werden. Allgemeine Prozesse in industriellen Prozessanlagen umfassen multiple physikalische, chemische oder biologische Eigenschaften, die sich serienmäßig verändern, bevor die Wirkung auf eine geregelte Größe von einem Sensor gemessen wird. Industrielle Prozesse entsprechen oft einer Reihe von dynamischen Übertragungsfunktionen. Ein allgemeines Regelsystem umfasst neben dem Prozess, eine Anzahl von Ventilen, Ventilpositionierern und Hardwaresensoren, die viele zusätzliche Übertragungsfunktionen dem Regelsystem hinzufügen können, wobei potenziell die Prozessmodellordnung wesentlich erweitert wird. Hersteller von Steuergeräten und Transmittern versuchen die Auswirkung, die einige Zeitkonstanten ihrer Produkte auf die Regelkreisleistung haben, mittels schneller mechanischer Verknüpfungen und Sensormaterialien zu verringern. Trotz allem stehen diese Verfahren mit ihrem Bedarf an zu viel Geschwindigkeit und an zu vielen Stichprobenraten der Rauschreduzierung und den Alias-Effekt-Zielen entgegen und können auch sehr kosten- und/oder energieintensiv sein. Obwohl Industrieprozesse oft viel mehr Zeitkonstanten aufweisen, kann die daraus resultierende allgemeine Kurvenform mit einem Prozessmodell zweiter Ordnung mit wenig Modellierungsabweichungen approximiert werden, da die Verzögerungen normalerweise miteinander interagieren.
7 stellt eine Schrittreaktion eines Destillierungsturms mit 20 Ablagen dar, die effektiv 20 unabhängige Verzögerungszeitkonstanten in Reihe erzeugt. Die allgemeine Kurvenform ähnelt sehr stark einer Kurve zweiter Ordnung und die daraus resultierende Zeitkonstante kann wie folgt berechnet werden:
Bei Industrieanwendungen sind Approximierungen erster und zweiter Ordnung eines gegebenen gesteuerten Prozesses am üblichsten. Mit Rücksicht auf eine bestimmte Menge an Modellfehlanpassungen, die niemals eliminiert werden kann, sind Prozessmodelle zweiter und dritter Ordnung in Hinblick auf Modellabweichung sehr vergleichbar. Daher bilden industrielle Anwender meist nicht mehr als zwei Zeitkonstanten plus Totzeit ab. Die Erörterung unten zeigt an, welche der vorab erörterten dynamischen Verhaltensweisen unterschiedlich sind, wenn ein Prozess zweiter Ordnung plus Totzeit (SOPDT) gesteuert wird. Es gab keine wesentlichen Unterschiede, wenn Prozesse zweiter und dritter Ordnung plus Totzeit verglichen wurden. Die 8A und 8B zeigen eine Feedbacksteuerungsleistung in Abhängigkeit von Modellfehlanpassung und Nachteilabstimmung, um aufzuzeigen, wie die oben erörterte Abstimmung sowohl bei einem FOPDT- und einem SOPDT-Prozess funktioniert. Das Prozessmodell in den 8A und 8B wurde so abgestimmt, dass K = 1, T₁ = 50, T₂ = 0, T_D = 1 ist. Der PID-Regler wurde mit Skogestad-Abstimmung mit Kc = 25, Ti = 8, Td = 0 abgestimmt und der MPC-Regler wurde so abgestimmt, dass P = 10, M = 3, Q = 1 und R = 0,1 in 8A und R = 0,01 in 8B ist.
Ähnlich wie beim FOPDT-Prozess erreicht der SOPDT-Prozess auch die bestmögliche Steuerleistung bei τ = τ ~ (ohne Modellfehlanpassung). Die IAE-Werte sind jedoch unterschiedlich, da die verschiedenen Regler zwei unterschiedliche Prozesse steuern: G_FOPDT(s) = 1 / 50s+1e^–s und G_SOPDT(s) = 1 / (30s+1)(20s+1)e^–s
Die optimalen Vorhersage- und Steuerhorizonte sind bei den zwei Reglern auch verschieden. Während P = 10 und M = 3 ideal für den FOPDT-Prozess sind, wird der SOPDT-Prozess am besten gesteuert mit P = 30 und M = 9. Dieses Ergebnis überrascht nicht, da die zusätzliche Anordnung eine weitere Veränderung hinsichtlich der Neigung hinzufügt, obwohl die gesamte Erledigungszeit von FOPDT mit τ = 50 sehr ähnlich einer von SOPDT mit τ₁, = 30 und τ₂ = 20 ist. Die zwei Kalman-Filterformulierungen verhalten sich sehr unterschiedlich, wenn sie mit einem Prozess erster oder zweiter Ordnung verbunden sind. Während MPC sich mit einem vereinfachten Kalman-Filter drastisch über die gesamte Bandbreite hinweg verbessert und die Neigung signifikant flacher wird, bringt MPC mit einem allgemeinen Kalman-Filter eine erheblich schlechtere Leistung bei einem Prozess zweiter Ordnung. Jedoch scheint die Steuerleistung von MPC mit einem allgemeinen Kalman-Filter weit weniger empfindlich auf eine Modellabweichung zu sein. Eine klassische DMC wird von der Einführung einer Konstante zweiter Ordnung negativ beeinflusst, da ihr Vorhersagefehler-Korrekturalgorithmus, dessen Funktion die Beeinflussung des Vorhersagevektors ist, eine Modellfehlanpassung nicht sehr gut verarbeiten kann. Das Vorhandensein einer Filterzeitkonstante zweiter Ordnung reicht zum Vorteil eines modellprädiktiven Reglers mit vereinfachter Kalman-Filterung. Die 9A und 9B zeigen eine Oszillation aufgrund von Modellfehlanpassung (τ/τ ~ = 2) bei Prozessen erster Ordnung (9A) und Prozessen zweiter Ordnung (9B) mit den oben angegebenen Prozessmodellen und mit einer PID-Skogestad-Abstimmung mit Kc = 25, Ti = 8, Td = 0 und mit einer MPC-Abstimmung mit Q = 1 und R = 0,01 und in dem FOPDT-Prozess (9A) P = 10 und M = 3 und in dem SOPDT-Prozess (9B) P = 30 und M = 9. Die Oszillationen, welche bei schneller Abstimmung bei Vorhandensein von Modellfehlanpassung auftreten (9A), werden völlig gedämpft (wie in 9B gezeigt), was die gleiche Nachteilabstimmung und Modellfehlanpassung für die MPC-Steuerung des Prozesses zweiter Ordnung anzeigt.
Natürlich ist die vereinfachte Kalman-Filterung ein Zustandsaktualisierungsverfahren, das die Abstimmung mithilfe einer abstimmbaren Filterzeitkonstante im Feedbackpfad vereinfacht. Diese Zeitkonstante wird basierend auf Kenntnis über das oben erörterte Signal-Rausch-Verhältnis abgestimmt. Die PID-Steuerung ist auch weit weniger empfindlich auf Modellfehlanpassung bei einem Prozessszenario zweiter Ordnung als bei einem Prozessszenario erster Ordnung. Diese Beobachtung ist einigermaßen logisch, da eine PID zwei Bestimmungen hat, die zum Ausgleich für zwei Prozesszeitkonstanten verwendet werden können. Ein PI-Regler eignet sich mehr zur Steuerung eines Prozesses erster Ordnung als eine MPC mit vereinfachtem Kalman-Filter. Aus der obigen Information wird ersichtlich, dass MPC mit vereinfachtem Kalman-Filter mehr Ähnlichkeiten mit PID als mit MPC mit einem allgemeinen Kalman-Filter hinsichtlich der Abstimmung mittels Filterzeitkonstanten aufweist. Diese Art von empirischer Abstimmung hat einen positiven Einfluss auf die Leistung, wenn es eine Modellfehlanpassung gibt.
Die wesentliche Schlussfolgerung, die aus den 8A und 8B geschlossen werden kann ist, dass bei alle Arten der bedachten Prozesse einschließlich übergeordneten Prozesse, der PID-Regler von einem der MPC-Regler, egal ob allgemein oder vereinfacht, wobei τ ungefähr gleich ist mit τ ~, d. h., wo es sehr wenig oder keine Modellfehlanpassung gibt, übertroffen wird. Aufgrund der Abstimmung, die bei einem modellprädiktiven Reglers erforderlich ist, um eine derartige Steuerleistung zu erhalten, ist die PID wesentlich stabiler bei Anwesenheit von Modellfehlanpassung. Als Ergebnis übertrifft eine PID-Regelung eine MPC-Regelung in Prozessszenarien, die viel eher in der Praxis auftreten können. Mit der einfachen Formulierung eines PID-Reglers kann die integrale Aktion die Ausgaben direkt beeinflussen, wenn ein Fehler für eine Zeit anwesend ist. Wie bereits erörtert, ist dies zwar vorteilhaft bei Prozessen mit vorherrschender Zuführung, jedoch nachteilig bei Prozessen mit vorherrschender Totzeit. Um dieses Problem zu lösen oder auszugleichen, hat der Erfinder einen modellbasierten Regler mit abstimmbarer Integral-Aktion, wie es bei PID gefunden werden kann, entwickelt, um diesen Vorteil von PID-Reglern in einem MPC-Regler bereitzustellen.
Vergrößern des abstimmbaren Feedbacks zu MPC
Wie bereits oben erörtert, spielt eine fraktioneller Totzeit eine große Rolle bei der Bestimmung, ob eine PID-ähnliche integrale Aktion bei MPC angemessen ist oder nicht und in welcher Größenordnung sie abgestimmt werden sollte. Die optimale Abstimmung der integralen Aktion muss daher von fraktioneller Totzeit direkt abhängen. Insbesondere, obwohl eine starke integrale Aktion die Feedbacksteuerungsleistung bei einem Prozess mit vorherrschenden Verzögerungen wesentlich verbessert, muss sie bei einem Prozess mit vorherrschender Totzeit stark reduziert oder ganz ausgestellt werden. Auf diese Weise kann eine Abstimmung von integraler Aktion derart durchgeführt werden, dass der MPC-Regler den spezifischen Eigenschaften einer fraktionellen Totzeit eines Prozesses angepasst wird. Die integrale Abstimmung kann auch online automatisch angepasst werden, wenn der Prozess auf unterschiedliche Bereiche von fraktioneller Totzeit überwechselt. Ein derartiger Übergang ist praktisch, da die Abstimmung nur leicht von Modellfehlanpassung abhängt. Die Abstimmung zeigt eine weit größere Abhängigkeit von fraktioneller Totzeit, die viel leichter zu messen ist, als Modellfehlanpassung.
Da PI-Regelung und PID-Regelung immer noch die populärsten Feedback-Regler in der Prozessteuerungsindustrie darstellen, ist die Funktionalität und Abstimmung der I-Bestimmung bei einem PID-Regler gut bekannt. Bei einigen Fällen werden Zurückstellungs- und andere Abstimmungsparameter basierend auf bekannten Abstimmungsregeln berechnet. Wie bereits erörtert, erfordern einige Abstimmungsregeln ein Prozessmodell, während andere Eigenschaften des geschlossenen Regelsystems verwenden, wie etwa kritische Verstärkung oder kritischer Zeitraum. Auch wenn solche Parameter unbekannt sind, wissen Anlagebetreiber und Ingenieure oft intuitiv, wie ein Regler von den aktuellen Einstellungen basierend auf ihre Erfahrung schrittweise abweichend abgestimmt werden muss. 10 zeigt, wie eine proportionale und integrale Aktion eines PI-Regler die Ladungsleistung des Reglers für unterschiedliche Prozesseigenschaften beeinflusst, wenn eine nicht gemessene Einheitsschrittstörung eingeführt wird. Diagramme, wie die in 10, erleichtern die Feststellung, ob die ideale Abstimmung für einen Abstimmungsparameter über- oder unterhalb eines aktuellen Wertes liegt. Mithilfe der in den Diagrammen dargestellten Kenntnisse ist es möglich, die ideale Abstimmung durch Ausprobieren zu erhalten, ohne dass ein Prozessmodell identifiziert werden muss.
Wie aus den Diagrammen in 10 deutlich wird, beschleunigt das Hinzufügen einer integralen Aktion (Verringerung von t_i) die Ladungsstörabweisung, wirkt aber auch gewöhnlich negativ auf das Verhalten bei Sollwertveränderungen, wie bereits erörtert wurde. Reglerformulierungen mit zwei Freiheitsgraden wiegen dieses Problem auf, was auf die PID- aber nicht auf die modellbasierte Regelung zutrifft, da tatsächlich derartige Abstimmungsverfahren und Steuergleichungsmodifikationen deutlich nicht modellbasiert, sondern empirisch sind. Wenn Forscher oder Betreiber Abstimmungsparameter zu den drei ursprünglichen (Verstärkung, Zurückstellen, Grad) hinzufügen, geschieht dies üblicherweise mit der Absicht, den PID-Algorithmus an ein bestimmtes Anwendungsszenarium oder Gruppen von Anwendungen anzupassen. Derartige Parameter vereinfachen die Abstimmung für eine spezifische Anwendung, machen es aber oft schwieriger, basierend auf Modellkenntnisse abzustimmen. Manchmal erlauben sie das Ersetzen der Modellkenntnisse mit Kenntnissen über tatsächliche Steuerleistung verglichen mit gewünschter Steuerleistung.
Wie bereit oben erwähnt, muss ein modellbasierter Regler keine Komponenten aufweisen, mit denen die integrale Aktion direkt abgestimmt werden kann, die auf die Feedbackberechnung angewendet wird. Die Tatsache, dass modellbasierte Regler nicht gemessene Störungen ohne jeglichen Ausgleich ausmachen können, bedeutet, dass diese eine der integralen ähnlichen Aktion ausweisen, aber diese integrale Aktion ist nicht abstimmbar. 11 zeigt jedoch einige Verfahren, mit welchen eine abstimmbare integrale Aktion im Feedbackpfad eines modellprädiktiven Reglers verstärkt werden kann, um eine abstimmbare integrale Komponente einem MPC-Regler bereitzustellen, womit die Leistung des MPC-Reglers bei Anwesenheit von Modellfehlanpassung gesteigert wird. Insbesondere ist der MPC-Regler von 11 ähnlich dem in 2 mit ähnlichen Elementen, die die gleichen Bezugsnummern haben. Eine abstimmbare Integrationskomponente 100A oder 100E wird jedoch zur Verfügung gestellt, um ein Fehlersignal innerhalb des MPC-Reglers 52 zu integrieren und um diese Integrationskomponente den vom MPC-Steueralgorithmus 86 produzierten Steuersignalausgaben hinzuzufügen.
Insbesondere kann der verstärkte Integrator oder Integrationsblock 100A zur Integration des zukünftigen Fehlervektors (durchgezogene Linie-Implementierung vom Block 100A) oder der Rückstände (punktierte Linie-Implementierung vorn Block 100B) verwendet werden. Der Erstere (Block 100A) erzielt die besten Ergebnisse, da die Rückstände nur einen der zum Fehlervektor beitragenden Faktoren darstellen und daher weniger Einfluss auf die Steueraktion haben, die vom Steueralgorithmus 86 berechnet wird. Zu den Faktoren, die den Einfluss auf eine direkte integrale Aktion reduzieren können und welche den Rückständen zugefügt werden, gehören Filterverfahren für Rückstände und für den Sollwert. Bei beiden Szenarien wird das für PID charakteristische integrale Verhalten durch das direkte Hinzufügen zu der Reglerausgabe erzielt, wie es bei einem PID-Regler gemacht wird. Mit diesem Verfahren kann der Regler 52 schneller auf eine nicht gemessene Störung und innerhalb der Stichprobezeit reagieren, die gleich ist mit der Zeit, in welcher die Störung auftrat, was auch einen riesigen Vorteil eines modellprädiktiven Reglers (welcher in der Lage ist, mehrfache zukünftige Bewegungen basierend auf dem Prozessmodell und auf der zukünftigen Vorhersage von Prozessausgaben vorab zu berechnen) darstellt.
Und zur weiteren Erklärung erhält man, wenn eine MPC, wie sie in der Gleichung (3) definiert ist, in ein zeitdiskretes Stichprobensteuerungssystem implementiert wird, daraus einen rekursiven Algorithmus, der Filterzeitkonstanten verwendet, um nicht gemessene Störungen und Modellfehlanpassung zu korrigieren. Hier werden die vorhergesagten Ausgaben eines zukünftigen Prozesses und die Zielsollwert-Trajektorie zur Kalkulation der zukünftigen Steuerungsbewegungen verwendet und die vorhergesagten zukünftigen Bewegungen werden wiederum dazu verwendet, die Zustandsgrößen zu aktualisieren, d. h., die Vorhersage der zukünftigen Ausgabe. Eine standardmäßige MPC, wie in Gleichung (3) beschrieben, mit Standardabstimmung wird eine nicht gemessene Störung so schnell als möglich optimal korrigieren. Wenn es jedoch Modellfehlanpassung gibt, wird die rekursive Berechnung für eine längere Zeit unausgeglichen als ohne Modellfehlanpassung sein, was der integralen Bestimmung eines PID-Reglers entspricht, nämlich dieses aufzuspüren und dahingehend zu agieren. Daher ist es möglich zu unterscheiden, welcher Teil des zukünftigen Fehlervektors, welcher in 11 gezeigt wird, das Resultat einer Sollwertänderung gegenüber einer nicht gemessenen Störung ist. In Abhängigkeit der Abstimmung der integralen Aktion, wird die tatsächliche Wirkung der integralen Abstimmung erst dann bemerkbar, wenn es eine Modellfehlanpassung gibt. Wenn es keine Modellfehlanpassung gibt, kann weniger Integral-Aktion für die beste Steuerleistung erforderlich sein.
Die 12A und 12B zeigen einen Reglerbetrieb in Erwiderung auf Ladungsstörungen ohne die abstimmbare, oben beschriebene, Integral-Aktion (12A) und mit abstimmbarer integraler Abstimmung (12B) bei verschiedenen MPC-Reglern. Wie aus den 12A und 12B deutlich wird, erzeugt die integrale Aktion wenige Vorteile für den MPC-Regler mit allgemeinem Kalman-Filter. Bei τ/τ ~ = 1 wird jedoch die leistungssteigernde Wirkung der integralen Aktion, wenn die Modellfehlanpassung zunimmt, mehr und mehr erkennbar. Die daraus resultierende im Laufe der Zeit abgebildete Steuerleistung wird in den 13A und 13B dargestellt, wobei 13A keine abstimmbare integrale Aktion und 13B eine abstimmbare integrale Aktion für die drei Typen von modellprädiktiven Reglern umfasst.
In den 13A und 13B ist die PID-Reaktion als Bezugnahme dargestellt und wie erkennbar wird, weisen alle drei MPC-Regler eine wesentliche Leistungssteigerung auf. Die größte absolute Verbesserung findet man beim DMC-Regler. Tatsächlich wird der IAE-Wert beim DMC-Regler um 1,49 reduziert, was eine 47-prozentige Verbesserung der standardmäßigen DMC-Formulierung darstellt. MPC-Regler mit allgemeinen oder vereinfachten Kalman-Filter verbessern sich jeweils um 29,1% und 46,6%. Das außergewöhnlichste Ergebnis ist jedoch, dass, wenn die Leistung besser wird, die Robustheit gar nicht darunter leidet. Die 12A und 12B spiegeln einen Vergleich der Leistung im Verhältnis zu Modellfehlanpassung wieder. Die MPC-Kurven von 12B sind nicht nur gefallen im Vergleich zu denen in 12A, sondern sie verlaufen auch flacher oder so flach wie die mit erweiterter integraler Aktion. Hier ergab die mithilfe von Skogestad-Regeln berechnete Abstimmung der integralen Aktion und die gleiche Art, wie man einen PID-Regler abstimmen würde, eine integrale Zeitkonstante von T_i = 8 s. Die Ergebnisse dieser Abstimmung in Reaktion auf Modellfehlanpassung werden in 14A gezeigt. Die manuelle Abstimmung des erweiterten Integrators kann die Feedbacksteuerleistung weiter erhöhen. Eine empirische Abstimmung ergab eine stärkere integrale Aktion mit T_i = 4 s und diese Ergebnisse werden in 14B gezeigt. Die integrale Aktion kann tatsächlich noch weiter erhöht werden, bis der Kurvenverlauf bei Ti = 2 wieder steiler wird, was einen Abfall der Robustheit ohne erkennbare Verstärkung der Leistung anzeigt.
Die gleiche Art von Abstimmungsanalyse wurde beim vorab erörterten Prozess zweiter Ordnung mit modellprädiktiver Reglerabstimmung implementiert und die Leistungsergebnisse des Reglers für dieses Szenarium werden in den 15A und 15B für verschiedene Modellfehlanpassungen gezeigt. Die Kurven von 15A zeigen Reglerleistung ohne abstimmbare Integral-Aktion, während die Kurven von 15B Reglerleistung mit abstimmbarer Integral-Aktion zeigen. Wie in den 15A und 15B ersichtlich wird, ist das Ergebnis überraschenderweise abweichend. Während die Ergänzung des FOPDT-Regelkreises mit einem Integrator für alle modellprädiktiven Regler vorteilhaft war, hat die Ergänzung des SOPDT-Regelkreises mit dem gleichen Integrator nur die Leistung von MPC mit vereinfachtem Kalman-Filter verbessert. Wie bereits oben angedeutet, ist diese Art von MPC relativ unempfindlich auf Modellfehlanpassung, wenn diese bei einem Prozess zweiter Ordnung eingeleitet wird. Daher resultiert die Verringerung der fast flachen Leistungskurve von MPC mit vereinfachtem Kalman-Filter um einen derartig signifikanten Betrag in der Überlappung mit der Kurve von MPC mit allgemeinem Kalman-Filter bei etwa τ/τ ~ = 2.
Obwohl die Verwendung von allgemeiner Kalman-Filterung bei einem Prozess zweiter Ordnung hilfreich ist, wenn keine oder nur sehr wenig Modellfehlanpassung erwartet wird, sollte besser zu einer vereinfachten Kalman-Filterung übergewechselt werden, wenn eine Modellfehlanpassung außerhalb von 0,75 < τ/τ ~ < 2 erwartet wird. Wenn Sollwertänderungen bei einem modellprädiktiven Regler mit erweiterter integraler Aktion eingeleitet werden, erhält man die gleiche negative Wirkung auf die Sollwertänderungsleistung wie beim PID-Regler. Ähnlich wie beim PID-Regler kann man eine Formulierung mit zwei Freiheitsgraden verwenden, um diese Wirkung zu reduzieren oder gänzlich zu eliminieren.
Die obige Erörterung zeigt, dass die Steuerleistung von PID weniger von Modellfehlanpassung als modellbasierte Regler, wie etwa MPC, betroffen wird. Des Weiteren ist die Feedbacksteuerleistung d. h. die Abweisung nicht gemessener Störungen von PID-Reglern von Anfang an besser als die von MPC-Reglern, soweit der Prozess vorherrschende Verzögerungen aufweist. Wenn die fraktionelle Totzeit auf vorherrschende Totzeit überwechselt, dann ist MPC besser für die Regelung des Prozesses, da es ein internes Modell zu Berechnung der Totzeit verwendet. Hier wird ein Verfahren beschrieben, das die Funktionen von MPC und PID kombiniert, wobei die Feedbacksteuerleistung positiv beeinflusst wird. Dieses Verfahren profitiert von modellbasierter Regelung und integraler Abstimmung im angemessenen Bereich der fraktionellen Totzeit. Während MPC eine inhärente integrale Aktion aufweist, die eine ausgleichfreie Steuerung möglich macht, ist die Abstimmung der Integral-Aktion für Feedbacksteuerleistung sehr wichtig. Übliche PID-Abstimmungsregeln, die Feedbacksteuerleistung oder adaptives Abstimmen bevorzugen, können zur Berechnung von vernünftiger Abstimmung verwendet werden. Da die Integral-Aktion nur auf die zukünftige Fehlervektorberechnung angewendet wird, wird es automatisch bedeutender, wenn der Fehler von Modellfehlanpassung (im Gegensatz zu Störung oder Sollwertänderung) verursacht wird. In anderen Worten, während die Integral-Aktion einen Beitrag leistet, wenn sie gebraucht wird, verringert sie jedoch nicht die Leistung, wenn sie nicht gebraucht wird. Das führt dazu, dass die erweiterte Integral-Aktion die Steuerleistung ohne Verringerung der Robustheit verbessert.
Ein weiterer interessanter Punkt ist, dass der Einfluss der Integral-Aktion sich drastisch unterscheidet, wenn ein Prozess erster oder zweiter Ordnung geregelt wird. Wenn ein Algorithmus verwendet wird, um automatisch alle Abstimmungsparameter durch Optimierung zu bestimmen, dann stellt die Modellreihenfolge eine wichtige Größe bei der Zielfunktion dar. Signifikante Unterschiede werden jedoch nur zwischen Prozessen erster und zweiter Ordnung beobachtet. Der Unterschied zwischen Prozessen zweiter Ordnung und Prozessen höherer Ordnung ist unerheblich.
Die neu entwickelte hier beschriebene Technologie demonstriert Verbesserungen der Feedbacksteuerleistung, und man geht davon aus, dass dieses Verfahren einen stark positiven Einfluss auf einen herausfordernden Prozess haben könnte, wie etwa der oben beschriebene Prozess bei Solutia. Tatsächlich wäre es möglich, dass die MPC-Steuerleistung ebenso gut oder besser als die PID-Leistung sein könnte. Obwohl andere Verfahren verwendet werden können, um bekannte und unbekannte Modellfehlanpassung auf optimale Weise auszugleichen, besteht der einzigartige Beitrag der hier beschriebenen Technologie darin, dass die Feedbacksteuerleistung eines modellprädiktiven Reglers durch das einfache Hinzufügen einer abstimmbaren integralen Aktion verbessert werden kann. Die Abstimmung einer derartigen integralen Aktion kann einfach unter Nutzung gut bekannter und weitgehend getesteter Regeln, die normalerweise für PI- und PID-Abstimmung verwendet werden, durchgeführt werden. Ein großer Vorteil von PID ist, dass es ohne Kenntnis vom Prozessmodell abgestimmt werden kann. PID-Abstimmungsverfahren wurden entwickelt, die einfache Faktoren zur Konfiguration von Verstärkungs- und Phasenmargen verwenden, um einen benutzerspezifischen Kompromiss zwischen Leistung und Robustheit einzubeziehen. Mit vielen dieser Abstimmungsverfahren kann der Prozess mit sehr wenig Störung getestet werden. Gleichzeitig kann das Übermaß an Abstimmungsregeln einen Nachteil darstellen. Das hier beschriebene MPC-Verfahren verbessert modellprädiktive Steuerleistung durch Erweiterung des MPC-Reglers mit einer abstimmbaren integralen Aktion und dadurch wird ein Verfahren bereitgestellt, das einzigartig Kenntnis vom dynamischen Verhalten von Störungen dazu benutzt, eine korrigierende Aktion zu berechnen, die direkt der manipulierten Größe eines modellprädiktiven Reglers hinzugefügt werden kann. Diese Aktion ist ähnlich der Art, wie ein PID-Algorithmus vergangene Fehlereigenschaften der Berechnung einer korrigierenden Aktion hinzufügt und die Feedbacksteuerleistung für Steuerszenarien mit Modellfehlanpassung und/oder Veränderungsdynamiken dramatisch erhöht.
Obwohl die Erfindung mit Bezugnahme auf spezifische beispielhafte Ausführungsformen beschrieben wurde, mit der Absicht, eine Einleitung und Veranschaulichung der Erfindung zu bieten, ist das hier offenbarte MPC-Verfahren nicht auf diese Ausführungsformen beschränkt. Verschiedene Modifizierungen, Verbesserungen und Zusätze können durch Fachleute hinzugefügt werden und derartige Modifizierungen, Verbesserungen und Zusätze weichen nicht vom Geltungsbereich der Erfindung ab.
Beispielsweise können, obwohl das obige MPC-Verfahren in Verbindung mit der Benutzung von Prozessmodellen in Form von Modellen erster Ordnung plus Totzeit beschrieben wurde, diese Verfahren auch bei anderen Arten von Prozessmodellen wie beispielsweise bei Zustand-Raum-Prozessmodellen, regressiven Modellen, ARX-Modellen, begrenzten Impulsreaktionsmodellen (FIR), Schrittreaktionsmodellen, etc. verwendet werden. Außerdem ist dieses Verfahren, obwohl die hier bereitgestellte Beschreibung des MPC-Reglers mit abstimmbarer Integral-Aktion im Zusammenhang mit einem einfachen Regelkreis-MPC-Regler erörtert wurde, auch auf Mehrgrößen-MPC-Reglerkonfigurationen anwendbar und kann dahingehend erweitert werden.
Die Fachwelt wird außerdem erkennen, dass die Unterteilung von individuellen Komponenten der MPC-Reglerblöcke und -Reglereinheiten, die hier beschrieben wird, je nach Ermessen der Verantwortlichen für Reglerimplementierung und -betrieb geschieht. Es versteht sich jedoch, dass alle dieser Funktionen in jeglicher gewünschter Art und Weise auf jegliche Art von Geräten implementiert werden können. Obwohl das hier beschriebene MPC-Reglerverfahren vorzugsweise in Software implementiert wird, kann es oder Teile davon auch in Hardware, Firmware, etc. durch jeglichen anderen Prozessor, der mit dem Prozessteuersystem assoziiert ist, implementiert werden. Daher können die hier beschriebenen Elemente auch in einer standardmäßigen Mehrzweck-CPU oder auf speziell entwickelter Hardware oder Firmware wie etwa auf eine anwendungsspezifische integrierte Schaltung (ASIC) oder auf andere festverdrahtete Geräte wahlweise implementiert werden. Bei Implementierung in Software kann das Softwareprogramm auf jedem computerlesbaren Speicher wie Magnetplatte, Laserplatte (wie etwa eine CD, eine DVD, etc.), auf einem Flash-Speicher oder anderem Speichermedium, in einem RAM oder ROM eines Computers oder Prozessors und in jeglicher Datenbank, etc. gespeichert werden. Diese Software kann außerdem an einen Benutzer oder eine Prozessanlage mittels bekannter oder gewünschter Verfahren geliefert werden, wie beispielsweise mittels einer computerlesbaren Diskette, eines Speicherkartenspeichers, eines Flash-Speichers oder eines anderen transportablen Computerspeichermediums oder mittels Kommunikationskanälen wie einer Telefonleitung, des Internets, etc. (was als das Gleiche oder als Ersatz der Lieferung der Software mittels transportablen Speichermediums angesehen wird).
Des Weiteren sind die hier offenbarten Ansprüche ordnungsgemäß ausgelegt, um alle Modifizierungen, Variationen und Verbesserungen, die innerhalb des Sims und des Geltungsbereichs der Erfindung fallen, sowie wesentliche Entsprechungen davon zu umfassen. Dementsprechend werden andere Ausführungsformen, obwohl sie hier im Detail nicht erörtert wurden, als zum Geltungsbereich der Erfindung zugehörig verstanden.

Claims

Modellbasierter Prozessregler zur Verwendung bei der Steuerung eines Prozesses, umfassend: einen Reglereingang zum Empfang einer oder mehrerer Prozessmessungen, die eine geregelte Größe innerhalb des Prozesses anzeigen; einen Reglerausgang zur Bereitstellung eines oder mehrerer Regelsignale für die Regelung einer manipulierten Prozessgröße des Prozesses; eine Prozessmodelleinheit einschließlich eines Prozessmodells, das den Betrieb eines Prozesses abbildet, wobei die Prozessmodelleinheit einen vorhergesagten Prozessgrößenwert basierend auf dem Prozessmodell erstellt; eine Reglereinheit, die den vorhergesagten Prozessgrößenwert und einen Sollwert der Prozessgröße verwendet, um ein vorläufiges Steuersignal zu generieren; eine Fehlereinheit, die den vorhergesagten Prozessgrößenwert verwendet, um damit ein Fehlersignal abzugeben; einen Integrator, der das Fehlersignal integriert, um eine intrigiertes Fehlersignal abzugeben und eine an den Integrator und an die Reglereinheit angeschlossene Verbindungseinheit, um das integrierte Fehlersignal mit dem vorläufigen Reglersignal zu kombinieren, um ein endgültiges Steuersignal zur Verwendung bei der Regelung der manipulierten Prozessgröße des Prozesses zu erzeugen.
Modellbasierter Prozessregler nach Anspruch 1, wobei die Fehlereinheit einen Fehler zwischen dem vorhergesagten Prozessgrößenwert und einem Sollwert für die geregelte Größe bestimmt und wobei die Reglereinheit den Fehler dazu benutzt, um ein vorläufiges Steuersignal zu erzeugen.
Modellbasierter Prozessregler nach Anspruch 1, wobei die Fehlereinheit einen Fehler zwischen dem vorhergesagten Prozessgrößenwert und einem gemessenen Wert der geregelten Größe bestimmt, um ein Fehlersignal zu bestimmen.
Modellbasierter Prozessregler nach Anspruch 1, wobei das Prozessmodell ein oder mehrere lineare Schrittreaktionsmodelle oder ein oder mehrere Impulsreaktionsmodelle umfasst und wobei die Reglereinheit einen dynamischen Matrixsteueralgorithmus implementiert, um das vorläufige Steuersignal zu generieren.
Modellbasierter Prozessregler nach Anspruch 1, wobei das Prozessmodell ein Grundprinzipienmodell darstellt.
Modellbasierter Prozessregler nach Anspruch 1, wobei das Prozessmodell ein Prozessmodell erster Ordnung plus Totzeit darstellt.
Modellbasierter Prozessregler nach Anspruch 1, wobei das Prozessmodell ein Prozessmodell zweiter Ordnung darstellt.
Modellbasierter Prozessregler nach Anspruch 7, wobei das Prozessmodell ein Prozessmodell zweiter Ordnung plus Totzeit darstellt.
Modellbasierter Prozessregler nach Anspruch 1, wobei die Reglereinheit einen modellprädiktiven Steueralgorithmus implementiert.
Modellbasierter Prozessregler nach Anspruch 1, wobei die Reglereinheit einen modellprädiktiven Steueralgorithmus einschließlich eines Kalman-Filters implementiert.
Modellbasierter Prozessregler nach Anspruch 10, wobei der Kalman-Filter ein allgemeiner Kalman-Filter ist.
Modellbasierter Prozessregler nach Anspruch 10, wobei der Kalman-Filter ein vereinfachter Kalman-Filter ist.
Modellbasierter Prozessregler nach Anspruch 1, wobei der Integrator abstimmbar ist.
Modellbasierter Prozessregler nach Anspruch 13, wobei der Integrator basierend auf der fraktionellen Totzeit des Prozesses abstimmbar ist.
Modellbasierter Prozessregler nach Anspruch 1, wobei die Verbindungseinheit einen Addierer umfasst.
Modellbasierter Prozessregler nach Anspruch 1, wobei die Prozessmodelleinheit einen oder mehrere endgültige Steuersignalwerte als Eingangsgrößen für das Prozessmodell verwendet, um den vorhergesagten Prozessgrößenwert zu generieren.
Modellbasierter Prozessregler nach Anspruch 16, wobei die Prozessmodelleinheit zusätzlich einen oder mehrere gemessene Störwerte innerhalb des Prozesses als Eingangsgrößen für das Prozessmodell verwendet, um den vorhergesagten Prozessgrößenwert zu generieren.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen zur Verwendung bei einer Prozesssteuerung, umfassend: Generieren eines Satzes von vorhergesagten Prozessgrößen von einem Prozessmodell, das den Betrieb des Prozesses abbildet, und eines Satzes von Reglerausgangswerten, die als Eingangsgrößen für das Prozessmodell verwendet werden; Verwenden des Satzes von vorhergesagten Prozessgrößenwerten zur Generierung eines Satzes von vorläufigen Steuersignalen; Entwickeln eines Fehlersignals vom Satz von vorhergesagten Prozessgrößenwerten und von einem weiteren Satz von Prozessgrößenwerten; Integrieren des Fehlersignals zur Abgabe eines integrierten Fehlersignals und Kombinieren des integrierten Fehlersignals mit dem Satz von vorläufigen Steuersignalen zur Abgabe des Satzes von Prozesssteuerungssignalen.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 18, einschließlich der Verwendung des Satzes von Prozesssteuerungssignalen zur Steuerung des Prozessbetriebes.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 18, wobei die Generierung des Satzes von vorhergesagten Prozessgrößenwerten die Verwendung eines früheren Satzes von Prozesssteuerungssignalen als den Satz von Reglerausgangswerten einschließt.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 18, weiter umfassend die Verwendung von einer oder mehreren Prozessmessungen, die eine geregelte Größe innerhalb des Prozesses anzeigen, zusammen mit dem Prozessmodell und dem Satz von Reglerausgangswerten zur Generierung des Satzes von vorhergesagten Prozessgrößenwerten.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 18, weiter umfassend die Verwendung von einer oder mehreren Prozessmessungen, die gemessene Störungen innerhalb des Prozesses anzeigen, zusammen mit dem Prozessmodell und dem Satz von Reglerausgangswerten zur Generierung des Satzes von vorhergesagten Prozessgrößenwerten.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 18, wobei die Entwicklung eines Fehlersignals von dem Satz von vorhergesagten Prozessgrößenwerten und von einem weiteren Satz von Prozessgrößenwerten die Bestimmung eines Fehlers zwischen dem Satz von vorhergesagten Prozessgrößenwerten und einem Satz von Sollwerten für einen Satz von geregelten Größen umfasst.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 18, wobei die Entwicklung eines Fehlersignals von dem Satz von vorhergesagten Prozessgrößenwerten und von einem weiteren Satz von Prozessgrößenwerten die Bestimmung eines Fehlers zwischen dem Satz von vorhergesagten Prozessgrößenwerten und einem Satz von gemessenen Werten einer geregelten Größe umfasst.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 18, wobei das Prozessmodell ein oder mehrere lineare Schrittreaktionsmodelle oder ein oder mehrere Impulsreaktionsmodelle umfasst und wobei eine Verwendung des Satzes von vorhergesagter Prozessgrößenwerten zur Generierung eines Satzes von vorläufigen Steuersignalen eine Verwendung eines dynamischen Matrixsteueralgorithmus umfasst, um den Satz von vorläufigen Steuersignalen zu generieren.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 18, wobei die Verwendung des Satzes von vorhergesagten Prozessgrößenwerten zur Generierung eines Satzes von vorläufigen Steuersignalen die Verwendung eines modellprädiktiven Steueralgorithmus umfasst, um den Satz von vorläufigen Steuersignalen zu generieren.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 26, das weiter die Implementierung eines Zustandsbeobachters in Verbindung mit dem modellprädiktiven Steueralgorithmus umfasst.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 27, wobei der Zustandbeobachter jeweils ein allgemeiner Kalman-Filter oder ein vereinfachter Kalman-Filter ist.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 18, weiter umfassend ein Ermöglichen, dass der Integrator abgestimmt werden kann.
Verfahren zur Entwicklung eines Satzes von Prozesssteuerungssignalen nach Anspruch 18, weiter umfassend ein Ermöglichen, dass der Integrator basierend auf der fraktionellen Totzeit des Prozesses abgestimmt werden kann.
Prozessregler zur Verwendung bei einer Steuerung eines Prozesses, umfassend: einen Prozessor; einen computerlesbaren Speicher; ein Prozessmodell, das auf einem computerlesbaren Speicher gespeichert ist, das den Betrieb des Prozesses abbildet; ein Vorhersageprogramm, das auf dem computerlesbaren Speicher gespeichert ist, das bei Ausführung auf dem Prozessor ein Prozesssteuerungsausgangssignal und das Prozessmodell verwendet, um einen vorhergesagten Prozessgrößenwert zu produzieren; ein Steuerprogramm, das auf dem computerlesbaren Speicher gespeichert ist, das bei Ausführung auf dem Prozessor den vorhergesagten Prozessgrößenwert und einen Prozessgrößensollwert verwendet, um ein vorläufiges Steuersignal zu generieren; ein Fehlerentdeckungsprogramm, das auf dem computerlesbaren Speicher gespeichert ist, das bei Ausführung auf dem Prozessor ein Fehlersignal entdeckt, das einen Unterschied zwischen dem vorhergesagten Prozessgrößenwert und einem weiteren Prozessgrößenwert anzeigt. ein abstimmbares Integrierprogramm, das auf dem computerlesbaren Speicher gespeichert ist, das bei Ausführung auf dem Prozessor das Fehlersignal integriert, um ein integriertes Fehlersignal abzugeben, und ein Kombinationsprogramm, das auf dem computerlesbaren Speicher gespeichert ist, das bei Ausführung auf dem Prozessor das integrierte Fehlersignal mit dem vorläufigen Steuersignal kombiniert, um das endgültige Steuersignal zur Verwendung bei der Steuerung der manipulierten Prozessgröße des Prozesses abzugeben.
Prozessregler nach Anspruch 31, wobei das Vorhersageprogramm eine oder mehrere Prozessmessungen, die eine geregelte Größe innerhalb des Prozesses anzeigen, zusammen mit dem Prozessmodell und dem Prozesssteuerungsausgangssignal verwendet, um die vorhergesagten Prozessgrößenwerte zu generieren.
Prozessregler nach Anspruch 31, wobei das Vorhersageprogramm ein vorab berechnetes endgültiges Steuersignal als das Prozesssteuerungsausgangssignal verwendet.
Prozessregler nach Anspruch 33, wobei der weitere Prozessgrößenwert ein Sollwert für eine geregelte Größe ist und wobei das Fehlerentdeckungsprogramm das Fehlersignal als einen Unterscheid zwischen dem vorhergesagten Prozessgrößenwert und dem Sollwert für eine geregelte Größe entwickelt.
Prozessregler nach Anspruch 33, wobei der weitere Prozessgrößenwert ein gemessener Prozessgrößenwert für eine geregelte Größe ist und wobei das Fehlerentdeckungsprogramm das Fehlersignal als einen Unterscheid zwischen einem zuvor vorhergesagten Prozessgrößenwert und dem gemessenen Prozessgrößenwert für eine geregelte Größe entwickelt.
Prozessregler nach Anspruch 33, wobei das Steuerprogramm einen dynamischen Matrixsteueralgorithmus implementiert, um das vorläufige Steuersignal abzugeben.
Prozessregler nach Anspruch 33, wobei das Steuerprogramm einen modellprädiktiven Steueralgorithmus implementiert, um das vorläufige Steuersignal zu erzeugen.
Prozessregler nach Anspruch 33, wobei das Steuerprogramm einen modellprädiktiven Steueralgorithmus und einen Zustandsbeobachtungsalgorithmus implementiert, um das vorläufige Steuersignal zu erzeugen.
Prozessregler nach Anspruch 38, wobei der Zustandsbeobachtungsalgorithmus entweder einen allgemeinen Kalman-Filter oder einen vereinfachten Kalman-Filter umfasst.
Prozessregler nach Anspruch 31, wobei der abstimmbare Integrator für unterschiedliche Integrationsabstimmungen basierend auf einer fraktionellen Totzeit des Prozesses abgestimmt werden kann.