中文題目：基于自適應APC技術的控制回路SP動態優化

論文題目：Dynamic optimization for SP of control loops using adaptive APC techniques

錄用期刊/會議：Journal of the Taiwan Institute of Chemical Engineers (中科院大類三區)

原文DOI：10.1016/j.jtice.2024.105858

原文鏈接：https://doi.org/10.1016/j.jtice.2024.105858

錄用/見刊時間： 2024.11.29

作者列表：

1）王珠 中國石油大學（北京）人工智能學院 自動化系教師

2）張合輝 中國石油大學（北京）人工智能學院 控制科學與工程專業 碩22級

3）劉東輝 中海油能源發展股份有限公司采油服務分公司

3）摘要:

為了實現對工況的自適應，本文提出了一種基于自適應APC技術的控制回路設定值動態優化方法。首先，采用帶有Nussbaum增益的識別算法實時更新系統模型；其次，在工況變化后，通過數字化測試自適應更新預測模型。隨后，自適應調整性能指標的權重系數和約束條件。最后，本文采用Memory-GA-PSO算法求解具有不同約束和維度的性能指標，從而高效優化SP軌跡。實驗結果驗證了識別算法的準確性和自適應APC技術的有效性。本文提出的自適應APC技術實現了對工況的自適應，保證了先進控制方案的長期有效性，有效避免了模型失配。

背景與動機:

在工業過程的長期運行中，諸如操作條件的變化和外部環境的變化等因素可能導致先進控制中預測模型與實際系統之間存在差異。當實際系統發生變化而模型沒有及時更新時，模型失配就會經常發生。對于依靠模型的控制方法，及時更新模型是非常重要的。針對這個問題，本文提出了一種基于自適應APC技術的控制回路設定值動態優化方法。

設計與實現:

自適應APC技術包括預測模型的自適應和性能指標權重系數的自適應。通過辨識可以獲得不同工況的系統模型。對模型進行數字測試可以實現預測模型對工況的自適應。性能指標的權重系數根據預測模型自適應調整可以實現對工況的自適應。

圖1 控制回路中SP優化的整體控制結構

主要內容:

1.預測模型的自適應

為了描述變化的被控過程，模型需要包含足夠的動態。模型的參數需要時變以適應過程的變化。因此，采用高階線性動態辨識模型是合適的。系統模型由可靠辨識得到的被控對象模型與PID控制器組成。階躍響應序列通過對系統模型進行數字測試得到。為了確保適當的識別數據和階次，在長周期歷史數據中找到OP的階躍數據，通過PV的響應時間確定采樣間隔。選取階躍響應序列的時間間隔應根據不同回路的閉環階躍響應時間確定。預測模型可以定期更新來自適應工況的變化。為了更加及時的適應工況變化，本文設置了一個動態優化啟動條件。當系統的期望值與系統實際輸出滿足啟動條件時，自適應APC技術可以及時更新預測模型。

2.性能指標加權系數的自適應

在弱持久激勵條件下，辨識系統模型時可能會有模型降階和小慣性環節合并的情況。此時辨識得到的模型時間常數較大，那么自適應更新后的預測模型時間常數也會較大。這種情況會使預測輸出變化緩慢。而為了使系統輸出更快的跟隨期望值，求解性能指標得到的SP增量會變大。為了不同工況下都能求得柔和的SP軌跡，本文設計了性能指標加權系數的自適應調節來適應工況的變化。

 

權重系數可以在預測模型發生變化時根據上式自適應調整。這種方式實現了性能指標的權重系數對不同工況的自適應。

3.性能指標的高效求解

本文在求解性能指標時將其轉化為一個變約束、變維度的二次規劃問題。啟發式算法通過群體搜索避免了矩陣求逆和復雜方程的求解，從而大大減少代數復雜性并提升計算速度。因此開發有效的啟發式方法在更少的迭代中解決QP問題是很重要的。啟發式算法只需要在求解時初始化不同維度的粒子和不同的約束限就可以解決變約束、變維度的二次規劃問題。本文在算法中引入“精英粒子”來記憶最優解并用來在下一時刻初始化粒子。這種方法類似于有限集法的熱啟動。

實驗結果及分析:

本文在中國石油大學煉油與自動化模擬實習基地進行的工業實驗。本文利用UniSim仿真系統對500萬噸常壓和真空蒸餾裝置進行了模擬。因為UniSim仿真平臺上無法模擬原油屬性的變化，所以本文用耦合回路的干擾來改變工況。如圖2所示，在工況發生變化后分別用固定的預測模型和自適應預測模型對回路進行SP優化，最終得到系統實際輸出與預測輸出曲線。

 

(a)Comparison of predictive errors for FIC1013

 

(b) Comparison of predictive errors for TIC2202

圖2 控制回路固定預測模型與自適應預測模型的預測誤差比較

從圖中可以看出，固定預測模型在系統工況發生變化時，由于缺乏靈活的自適應能力，導致系統實際輸出與預測輸出之間的誤差逐漸增大。這種誤差積累不僅降低了系統的控制精度，還可能在某些情況下導致系統的不穩定。而相比之下，自適應預測模型能夠根據工況的變化對模型參數進行實時調整，使系統的實際輸出與預測輸出之間的誤差始終保持較小，從而確保了控制的高精度和系統的穩定性。

為了驗證自適應APC技術求解變約束預測控制問題的效果，本文將四條控制回路的期望值經過低負荷到高負荷的大范圍改變。本文根據控制回路輸出值設置了不同的約束條件。實際的約束條件應由實際化工裝置原理和專家操作建議綜合設定。

 

圖3 控制回路的SP軌跡和輸出曲線

從圖中可以看出，本文提出的算法在控制回路中實現了大負荷變化過程的平穩過渡且未出現超調現象，體現了其卓越的控制性能。最后系統輸出不滿足公式動態啟動條件后SP軌跡優化結束并階躍到期望值。這可以實現某些應用中需要的小超調。

結論:

工業過程控制中工況改變會導致MPM，使以模型為基礎的控制方法的控制效果變差。本文設計了自適應APC技術來實現在變工況下先進控制方案的長期有效。使用可靠的遞推辨識實時跟隨系統的變化。然后定期通過數字測試自適應更新預測模型。性能指標的權重系數跟隨預測模型自適應調節。實時辨識和自適應APC技術確保了先進控制對不同工況的自適應。由于預測時域、控制時域以及約束條件的變化，性能指標是變約束、變維度的。本文采用MGAPSO算法高效求解性能指標，實現了SP高效動態優化。最后實驗結果證明了辨識算法的準確性和自適應APC技術的有效性。

作者簡介:

王珠，男，博士，中共黨員，現任中國石油大學（北京）副教授、碩士生導師。2016年至今在中國石油大學（北京）自動化系工作，現任北京人工智能學會理事、中國化工學會信息技術應用專業委員會青年委員。長期從事系統辨識與智能控制；煉化過程異常診斷與故障預警；大數據工藝優化與質量預測；基于深度學習的時間序列預測等方面研究工作，以第一作者或通訊作者身份發表高水平學術期刊論文30余篇。主持國家自然科學基金項目及多個重點流程工業企業的橫向項目。