一种炼油工业过程的部分解耦非最小化模型预测控制方法

摘要

本发明涉及一种炼油工业过程的部分解耦非最小化模型预测控制方法。传统的控制手段精度不高，导致后续生产控制参数不稳定、产品合格率和装置效率较低。本发明方法首先基于炼油工业过程模型建立部分解耦状态空间模型，挖掘出基本的过程特性；然后基于该部分解耦状态空间模型建立预测控制回路；最后通过计算预测控制器的参数，将过程对象整体实施预测控制。本发明方法弥补了传统控制的不足，方便了控制器的设计，保证控制性能的提升，同时满足给定的生产性能指标。本发明提出的控制技术可以有效减少工艺参数与实际工艺参数之间的误差，进一步弥补了传统控制器的不足，同时保证控制装置操作在最佳状态，使生产过程的工艺参数达到严格控制。

主权项

1.一种炼油工业过程的部分解耦非最小化模型预测控制方法，其特征在于该方法包括以下步骤：(1)利用炼油工业过程模型建立部分解耦状态空间模型，具体方法是：首先采集炼油工业过程的输入输出数据，利用该数据建立输入输出模型如下：$\bar{F}Y=\bar{H}$其中Y、为三个变量，分别是：$Y=\left[\begin{array}{c}{y}_1\left(k\right)\\ y_2\left(k\right)\\ .\\ .\\ .\\ y_N\left(k\right)\end{array}\right]$$\bar{H}={\left[\begin{array}{c}{\bar{H}}_{11}\left(z^{-1}\right)u_1\left(k\right)+{\bar{H}}_{12}\left(z^{-1}\right)u_2\left(k\right)+...+{\bar{H}}_{1N}\left(z^{-1}\right)u_N\left(k\right)\\ {\bar{H}}_{21}\left(z^{-1}\right)u_1\left(k\right)+{\bar{H}}_{22}\left(z^{-1}\right)u_2\left(k\right)+...+{\bar{H}}_{2N}\left(z^{-1}\right)u_N\left(k\right)\\ .\\ .\\ .\\ {\bar{H}}_{N1}\left(z^{-1}\right)u_1\left(k\right)+{\bar{H}}_{N2}\left(z^{-1}\right)u_2\left(k\right)+...+{\bar{H}}_{\mathrm{NN}}\left(z^{-1}\right)u_N\left(k\right)\end{array}\right]}^{,}$${\bar{F}}_{11}\left(z^{-1}\right),{\bar{F}}_{12}\left(z^{-1}\right),...,{\bar{F}}_{\mathrm{NN}}\left(z^{-1}\right),{\bar{H}}_{11}\left(z^{-1}\right),{\bar{H}}_{12}\left(z^{-1}\right),...,{\bar{H}}_{\mathrm{NN}}\left(z^{-1}\right)$表示过程的多项式方程，u_i(k)、y_i(k)，i=1,2,...,N，分别为输入、输出数据，所述的输入输出数据为数据采集器中存储的数据；进一步将上述方程通过克莱姆方程处理为$y_i\left(k\right)=\frac{D_i}{D}$其中，D是的行列式数值，D_i是将D的第i列替换成获得的行列式数值；将上述过程模型展开得到：F(z^-1)y(k)=H(z^-1)u(k)其中，n是得到的模型阶次，F_i(k)，i=1,2,...,n和I为对角矩阵，y(k)=[y₁(k),y₂(k),...,y_N(k)]^T,u(k)=[u₁(k),u₂(k),...,u_N(k)]^T，F(z^-1)=I+F₁z^-1+F₂z^-2+...+F_nz^-nH(z^-1)=H₁z^-1+H₂z^-2+...+H_nz^-n将过程模型通过后移算子Δ处理成过程的状态空间表示方式：Δx_m(k+1)=A_mΔx_m(k)+B_mΔu(k)Δy(k+1)=C_mΔx_m(k+1)其中，Δx_m(k+1)、Δy(k+1)分别是第k+1时刻的变量值，Δx_m(k)^T=[Δy(k)^TΔy(k-1)^T...Δy(k-n+1)^TΔu(k-1)^TΔu(k-2)^T...Δu(k-n+1)^T]，T为取转置符号；$A_m=\left[\begin{array}{ccccccccc}{-F}_1& {-F}_2& ...& {-F}_{n-1}& {-F}_n& H_2& ...& H_{n-1}& H_n\\ I_N& 0& ...& 0& 0& 0& ...& 0& 0\\ 0& I_N& ...& 0& 0& 0& ...& 0& 0\\ .& .& & .& .& .& & .& .\\ .& .& ...& .& .& .& ...& .& .\\ .& .& & .& .& .& & .& .\\ 0& 0& ...& I_N& 0& 0& ...& 0& 0\\ 0& 0& ...& 0& 0& 0& ...& 0& 0\\ 0& 0& ...& 0& 0& I_N& ...& 0& 0\\ .& .& & .& .& & .& .& .\\ .& .& ...& .& .& ...& .& .& .\\ .& .& & .& .& & .& .& .\\ 0& 0& ...& 0& 0& 0& ...& I_N& 0\end{array}\right]$$B_m={\left[\begin{array}{cccccccc}{H}_1^T& 0& 0& ...& 0& I_N& 0& 0\end{array}\right]}^T$$C_m=\left[\begin{array}{cccccccc}{I}_N& 0& 0& ...& 0& 0& 0& 0\end{array}\right]$I_N为一单位矩阵；定义一过程期望输出为r(k)，并且输出误差e(k)为：e(k)=y(k)-r(k)进一步得到第k+1时刻的输出误差e(k+1)为：e(k+1)=e(k)+C_mA_mΔx_m(k)+C_mB_mΔu(k)-Δr(k+1)其中，r(k+1)为第k+1时刻的过程期望输出；最后定义一个新的复合状态变量：$z\left(k\right)=\left[\begin{array}{c}\Delta x_m\left(k\right)\\ e\left(k\right)\end{array}\right]$将上述处理过程综合为一个部分解耦的过程模型：z(k+1)=Az(k)+BΔu(k)+CΔr(k+1)其中，z(k+1)为第k+1时刻的复合状态变量，并且$A=\left[\begin{array}{cc}{A}_m& 0\\ C_m{A}_m& I_N\end{array}\right];$$B=\left[\begin{array}{c}{B}_m\\ C_m{B}_m\end{array}\right];$$C=\left[\begin{array}{c}0\\ {-I}_N\end{array}\right]$(2)基于该部分解耦状态空间模型设计预测控制器，具体方法是：a.定义该预测函数控制器的目标函数为：$J=\underset{j=1}{\overset{P}{\Sigma }}{z}^T(k+j)Q_{j}z(k+j)+\underset{j=1}{\overset{M}{\Sigma }}{\mathrm{\Delta u}}^T(k+j)L_j\mathrm{\Delta u}(k+j)$其中，P是预测步长，M是预测步长，Q_j、L_j是加权矩阵，z(k+j)，u(k+j)分别为第k+j时刻的复合变量和输入变量；b.定义控制变量的作用范围为Δu(k+j)=0 j≥Mc.计算控制器的参数，具体是：首先定义然后依据下式计算控制向量ΔU：ΔU=-(Φ^TQΦ+L)^-1Φ^TQ(Fz(k)+SΔR)其中，Q，L是依据控制要求设定的两个矩阵，ΔR是依据过程期望输出设定的输出向量。