论文部分内容阅读
新型工业过程(New Industrial Process,NIP)包括石油化工、食品制药、冶金建筑等关系民生发展的众多方面。随着社会科学的发展,NIP呈现出了综合性强、分工复杂等特点,工业方面的产能需求和经济效益,促使着NIP不断向分布式控制管理方面发展。分布式控制是节能、降耗、减排的有效途径。传统的控制策略无法应对新型工业过程NIP高维度和多变量耦合的过程,所以对NIP实现全流程优化的关键问题在于如何有效降维、解耦、以及应对复杂工业生产环境中各种扰动。集中式模型预测控制(Centralized Model Predictive Control,CMPC)对日渐复杂的NIP控制效果不理想。而分布式模型预测控制(Distributed Model Predictive Control,DMPC)则可以更好的应对NIP这种高维度和多变量耦合的过程。DMPC就是将一个复杂的集中优化问题合理转变为多个子系统分别解决的优化问题。数量众多的子系统给如何选择合适的采样策略带来的新的问题。传统的控制器设计每个子系统控制器的采样间隔是相同的,但是在复杂工业生产制造过程中每个子系统都是多输入多输出的。每个子系统的生产工艺不同,对应的操作不一样,其动态行为必然不一样,想要在系统各处都采用相同的采样间隔是根本不现实的。复杂工业生产制造的各个子系统由于扰动产生的动态行为的变化,势必会使得该子系统的最优采样间隔发生变化。因此本课题提出根据各个子系统在不同时刻的动态行为来调整采样间隔,来更好的捕获子系统动态行为,从而使得控制系统的控制性能达到更高的水平,这就是自适应采样(Adaptive Sampling,AS)的思想。本课题将以化工过程的典型过程—反应器-存储罐-分离器(Reactor-Storage tank-Separator,RSS)为被控系统,主要研究内容如下:1)对控制对象RSS的数值建模。在了解化工过程的控制对象RSS动态过程的基础上,根据其动态机理建立相应的动态过程模型。分析控制对象RSS的操作变量和工作条件,进行仿真实现,研究自适应采样CMPC策略下的差异。2)RSS过程DMPC策略的研究。通过理论、实验和仿真分析等方法研究控制对象RSS的分布式预测控制性能。在此基础上,设计分布式预测控制装置,掌握影响系统协调性和稳定性的主要因素,深入理解子系统的动态行为对选择最优采样间隔的影响。3)RSS过程自适应采样方法下的DMPC策略研究。自适应采样预测控制结构中,合理的选择系统的采样时间,能够提高系统工作效率。在RSS系统中,依据各子系统的输出动态行为数据,计算各自的最优采样间隔,使得系统动态行为被更精准的采集。仿真结果验证了该策略的正确性,基于自适应采样机制的DMPC控制策略下,RSS系统的抗干扰能力和动态调节能力更好,系统的整体性能有所提升。4)基于自适应采样机制下的分布式经济模型预测控制。由于企业的现实需求,使得NIP的经济效益成为被关注的重点。根据影响经济效益的主要因素对被控系统建立成本函数代替原先的目标函数。对RSS的自适应采样分布式经济模型预测控制(Adaptive Sampling Economic Model Predictive Control,AS-EMPC)进行分析,将自适应采样机制应用于根据子系统模型设计的子系统经济模型预测控制器中,会大大降低外界扰动对系统正常工况的干扰。在AS-EMPC下,RSS系统的经济效益得到了稳步提升,同时稳定性、安全性也得到了保障。