一種高效的工業過程動態優化系統及方法技術方案

一種高效的工業過程動態優化系統，包括與工業過程對象連接的現場智能儀表、ＤＣＳ系統和上位機，上位機包括：初始化模塊，用于初始參數的設置；變量配置模塊，用于對變量進行拉格朗日插值轉換，并將配置點取為勒讓德多項式的根；約束增強模塊，用于增強對控制向量ｕ（ｔ）和時間分段長度ｈｉ的約束；模型變換模塊，用于將動態優化模型離散化，并增加狀態向量連續性條件和約束增強模塊的約束條件，將無限維的動態優化問題轉化為有限維的非線性規劃問題；ＮＬＰ求解模塊，用于求解模型變換模塊得到的有限維的非線性規劃問題。以及提供一種高效的工業過程動態優化方法。本發明專利技術能夠準確找到復雜非線性動態優化問題的最優解且收斂速度很高、適用性廣。

【技術實現步驟摘要】

本專利技術涉及最優控制領域，尤其是。
技術介紹
近年來，隨著現代工業過程性能要求的不斷提高，以及Aspen和gPROMS等強大商業軟件的開發，過程工業的動態仿真和動態優化得到了越來越廣泛的發展和應用。動態優化研究已成為工業過程優化設計、操作和控制研究的一個重心和熱點。 工業過程動態系統的優化模型往往是包含一組復雜的大規模非線性微分方程，此外還包括非線性的等式或不等式路徑約束和點約束。因此，動態優化的難點就在于需要在動態模型的基礎上尋求目標泛函的最優值，其實質是求解一個無限維的優化問題。通常使用的迭代動態規劃法、遺傳算法、粒子群算法、隨機優化法、模擬退火法等，已經能夠找到工業過程動態優化問題的最優解，但是往往出現計算不準確或收斂緩慢的問題，很難既保證所得最優控制結果的較好的準確性，又滿足動態優化求解過程的快速性。
技術實現思路
為了克服已有的工業過程動態優化系統和方法很難既準確又快速地找到最優解、適用性差的不足，本專利技術提供了一種能夠準確找到復雜非線性動態優化問題的最優解且收斂速度很高、適用性廣的高效的工業過程動態優化系統及方法。 本專利技術解決其技術問題所采用的技術方案是 一種高效的工業過程動態優化系統，包括與工業過程對象連接的現場智能儀表、DCS系統和上位機，所述的DCS系統包括數據庫和操作站，所述現場智能儀表與DCS系統連接，所述DCS系統與上位機連接，所述的上位機包括 初始化模塊，用于初始參數的設置、狀態向量x(t)和控制向量u(t)的離散化與初始賦值，具體步驟如下 2.1)將時域t∈[t0，tf]分割成NE段[t0，t1]，[t1，t2]，...，[tNE-1，tNE]，其中tNE＝tf，設每個時間分段長度為hi，i＝1，2，...，NE，用h表示NE維時間分段向量，設其初始值為h0； 2.2)設時間分段t∈[ti，ti+1]上的配置點個數為K； 2.3)設n維狀態向量x(t)的配置系數為xij，m維控制向量u(t)的配置系數為uij，其中，i＝1，2，...，NE；j＝1，2，...，K，并設狀態向量系數的初始值為xij0，控制向量系數的初始值為uij0； 2.4)設動態優化的收斂精度為ζ，當優化目標值迭代誤差小于收斂精度時，停止迭代； 變量配置模塊，用于對狀態變量和控制變量進行拉格朗日插值轉換，并將配置點取為勒讓德多項式的根；即在時間分段t∈[ti-1，ti]內，其中，i＝1，2，...，NE，狀態向量和控制向量分別表達為多項式(1)(2) 其中t＝ti-1+hiτ，τ∈，λ(τ)是狀態向量的插值基函數，為K次多項式，參照式(3)；θ(τ)是控制向量的插值基函數，為K-1次多項式，參照式(4) 其中τ0＝0，τj為K階勒讓德多項式的根，其中，j＝1，2，...，K； 約束增強模塊，用于增強對控制向量u(t)和時間分段長度hi的約束，采取以下步驟來實現 4.1)在每個時間分段t∈[ti-1，ti]上，i＝1，2，...，NE，對控制向量配置系數的邊界值進行約束 ulb≤uij≤uub，i＝1，2，...，NE，j＝1，2，...，K(5) 同時，通過外推控制多項式，即式(2)到時間分段t∈[ti-1，ti]兩端以增強控制向量邊界約束 其中上標ub、lb分別表示上下邊界，uub、ulb分別表示設定的控制向量上下邊界值； 4.2)設定每個時間分段長度的上下邊界值分別為hlb和hub(hlb、hub(0，tf])，對分段長度hi實行約束 hlb≤hi≤hub，i＝1，2，...，NE(8) 模型變換模塊，用于將動態優化模型離散化，并增加狀態向量連續性條件和約束增強模塊的約束條件，將無限維的動態優化問題轉化為有限維的非線性規劃(Nonlinear Programming，NLP)問題，按照以下步驟來實現 5.1)動態優化模型的優化目標轉化為式(10)，ψ表示在終點條件下目標函數的組成部分，xf表示終端時刻tf的狀態向量值 min J＝ψ(xf)，其中 5.2)動態優化模型的狀態方程轉化為殘差方程，即式(11)，F表示函數向量，δ表示時不變參數向量 且狀態向量滿足以下初始條件，x(t0)為給定的狀態向量初值 x1，0＝x(t0)(12) 5.3)將動態優化模型的狀態向量路徑約束離散化，G、H均是函數向量 5.4)增加狀態向量連續性條件 5.5)獲取約束增強模塊的約束條件(5)～(9)，并結合式(10)～(14)構成有限維的非線性規劃(NLP)問題； NLP求解模塊，用于求解模型變換模塊得到的有限維的非線性規劃(NLP)問題將狀態向量配置系數xij、控制向量配置系數uij和時間分段長度為h作為優化變量，并以xij0、uij0和h0為初始解，利用簡約空間序貫二次規劃法(Reduced-space Sequential QuadraticProgramming，RSQP)求解，得出最優的狀態向量配置系數xij*、控制向量配置系數uij*、最優時間分段h*，并由式(10)計算出最優目標值J*，然后將這些優化結果傳給結果輸出模塊。 作為優選的的一種方案，所述的上位機還包括信號采集模塊，用于設定采樣時間，采集現場智能儀表的信號。 進一步，所述的上位機還包括結果輸出模塊，用于將有限維的非線性規劃(NLP)求解模塊計算出的最優控制向量配置系數uij*通過式(2)(4)轉化為最優控制軌線u*(t)，然后將u*(t)和最優目標值J*傳輸給DCS系統，并在DCS系統中顯示所得到的優化結果信息。 一種用所述的高效的工業過程動態優化系統實現的動態優化方法，所述的動態優化方法包括以下步驟 1)在DCS系統中指定動態優化的狀態變量和控制變量，根據實際生產環境的條件和操作限制的條件設定控制向量的上下邊界uub、ulb和DCS的采樣周期，并將DCS數據庫中相應各變量的歷史數據，控制變量上下邊界值uub、ulb傳送給上位機； 2)對初始參數進行設置，并對DCS系統輸入的數據進行初始化處理，按照以下步驟完成 2.1)將時域t∈[t0，tf]分割成NE段[t0，t1]，[t1，t2]，...，[tNE-1，tNE]， 其中，tNE＝tf，設每個時間分段長度為hi，i＝1，2，...，NE，用h表示NE維時間分段向量，并設置其初始值h0，一般可取h0為tf/NE； 2.2)設時間分段t∈[ti，ti+1]上的配置點個數為K； 2.3)設n維狀態向量x(t)的配置系數為xij，m維控制向量u(t)的配置系數為uij，其中，i＝1，2，...，NE；j＝1，2，...，K，并設狀態向量系數的初始值為xij0，控制向量系數的初始值為uij0； 2.5)設動態優化的收斂精度為ζ(一般可取為10-6)，當優化目標值迭代誤差小于收斂精度時，停止迭代； 3)將時間分段t∈[ti-1，ti]，i＝1，2，...，NE上的狀態向量和控制向量分別轉換為 其中λ(τ)是狀態向量的插值基函數，即式(3)；θ(τ)是控制向量的插值基函數，即本文檔來自技高網...

【技術保護點】
一種高效的工業過程動態優化系統，包括與工業過程對象連接的現場智能儀表、ＤＣＳ系統和上位機，所述的ＤＣＳ系統包括數據庫和操作站，所述現場智能儀表與ＤＣＳ系統連接，所述ＤＣＳ系統與上位機連接，其特征在于：所述的上位機包括：初始化模塊，用于初始參數的設置、狀態向量ｘ（ｔ）和控制向量ｕ（ｔ）的離散化與初始賦值，具體步驟如下：２．１）將時域ｔ∈［ｔ↓［０］，ｔｆ］分割成ＮＥ段：［ｔ↓［０］，ｔ↓［１］］，［ｔ↓［１］，ｔ↓［２］］，．．．，［ｔ↓［ＮＥ－１］，ｔ↓［ＮＥ］］，其中ｔ↓［示設定的控制向量上下邊界值；４．２）設定每個時間分段長度的上下邊界值分別為ｈ↑［ｌｂ］和ｈ↑［ｕｂ］（ｈ↑［ｌｂ］、ｈ↑［ｕｂ］（０，ｔｆ］），對分段長度ｈ↓［ｉ］實行約束：ｈ↑［ｌｂ］≤ｈ↓［ｉ］≤ｈ↑［ｕｂ］，ｉ＝１，２，．．．，ＮＥ（８）＊ｈ↓［ｉ］＝ｔｆ（９）模型變換模塊，用于將動態優化模型離散化，并增加狀態向量連續性條件和約束增強模塊的約束條件，將無限維的動態優化問題轉化為有限維的非線性規劃問題，按照以下步驟來實現：５．１）動態優化模型的優化目標轉化為式（１０），ψ表示在終點條件下目標函數的組成部分，ｘ↓［ｆ］表示終端時刻ｔｆ的狀態向量值：ｍｉｎＪ＝ψ（ｘ↓［ｆ］），其中ｘ↓［ｆ］＝＊λ↓［ｊ］（１）ｘ↓［ＮＥ，ｊ］（１０）５．２）動態優化模型的狀態方程轉化為殘差方程，即式（１１），Ｆ表示函數向量，δ表示時不變參數向量：＊＊↓［ｋ］（τ↓［ｊ］）ｘ↓［ｉｋ］－ｈ↓［ｉ］.Ｆ（ｘ↓［ｉｊ］，ｕ↓［ｉｊ］，δ）＝０，１，２，．．．，ＮＥ，ｊ＝１，２，．．．，Ｋ（１１）且狀態向量滿足以下初始條件，ｘ（ｔ↓［０］）為給定的狀態向量初值：ｘ↓［１，０］＝ｘ（ｔ↓［０］）（１２）５．３）將動態優化模型的狀態向量路徑約束離散化，Ｇ、Ｈ均是函數向量：＊＊＊ｉ＝１，２，．．．，ＮＥ，ｊ＝１，２，．．．，Ｋ（１３）５．４）增加狀態向量連續性條件：ｘ↓［ｉ＋１，０］＝＊λ↓［ｊ］（１）.ｘ↓［ｉ，ｊ］ｉ＝１，２，．．．，ＮＥ－１（１４）５．５）獲取約束增強模塊的約束條件（５）～（９），并結合式（１０）～（１４）構成有限維的非線性規劃問題；ＮＬＰ求解模塊，用于求解模型變換模塊得到的有限維的非線性規劃問題：將狀態向量配置系數ｘ↓［ｉｊ］、控制向量配置系數ｕ↓［ｉｊ］和時間分段長度為ｈ作為優化變量，并以ｘ↓［ｉｊ］↑［０］、ｕ↓［ｉｊ］↑［０］和ｈ↑［０］為初...

【技術特征摘要】
1.一種高效的工業過程動態優化系統，包括與工業過程對象連接的現場智能儀表、DCS系統和上位機，所述的DCS系統包括數據庫和操作站，所述現場智能儀表與DCS系統連接，所述DCS系統與上位機連接，其特征在于所述的上位機包括初始化模塊，用于初始參數的設置、狀態向量x(t)和控制向量u(t)的離散化與初始賦值，具體步驟如下2.1)將時域t∈[t0，tf]分割成NE段[t0，t1]，[t1，t2]，...，[tNE-1，tNE]，其中tNE＝tf設每個時間分段長度為hi，i＝1，2，...，NE，用h表示NE維時間分段向量，設其初始值為h0；2.2)設時間分段t∈[ti，ti+1]上的配置點個數為K；2.3)設n維狀態向量x(t)的配置系數為xij，m維控制向量u(t)的配置系數為uij，其中，i＝1，2，...，NE；j＝1，2，...，K，并設狀態向量系數的初始值為xij0，控制向量系數的初始值為uij02.4)設動態優化的收斂精度為ζ，當優化目標值迭代誤差小于收斂精度時，停止迭代；變量配置模塊，用于對狀態變量和控制變量進行拉格朗日插值轉換，并將配置點取為勒讓德多項式的根；即在時間分段t∈[ti-1，ti]內，其中，i＝1，2，...，NE，狀態向量和控制向量分別表達為多項式(1)(2)其中t＝ti-1+hiτ，τ∈，λ(τ)是狀態向量的插值基函數，為K次多項式，參照式(3)；θ(τ)是控制向量的插值基函數，為K-1次多項式，參照式(4)其中τ0＝0，τi為K階勒讓德多項式的根，其中，j＝1，2，...，K；約束增強模塊，用于增強對控制向量u(t)和時間分段長度hi的約束，采取以下步驟來實現4.1)在每個時間分段t∈[ti-1，ti]上，i＝1，2，...，NE，對控制向量配置系數的邊界值進行約束ulb≤uij≤uub，i＝1，2，...，NE，j＝1，2，...，K(5)同時，通過外推控制多項式，即式(2)到時間分段t∈[ti-1，ti]兩端以增強控制向量邊界約束其中上標ub、lb分別表示上下邊界，uub、ulb分別表示設定的控制向量上下邊界值；4.2)設定每個時間分段長度的上下邊界值分別為hlb和hub(hlb、hub(0，tf])，對分段長度hi實行約束hlb≤hi≤hub，i＝1，2，...，NE(8)模型變換模塊，用于將動態優化模型離散化，并增加狀態向量連續性條件和約束增強模塊的約束條件，將無限維的動態優化問題轉化為有限維的非線性規劃問題，按照以下步驟來實現5.1)動態優化模型的優化目標轉化為式(10)，ψ表示在終點條件下目標函數的組成部分，xf表示終端時刻tf的狀態向量值其中5.2)動態優化模型的狀態方程轉化為殘差方程，即式(11)，F表示函數向量，δ表示時不變參數向量且狀態向量滿足以下初始條件，x(t0)為給定的狀態向量初值x1，0＝x(t0)(12)5.3)將動態優化模型的狀態向量路徑約束離散化，G、H均是函數向量5.4)增加狀態向量連續性條件5.5)獲取約束增強模塊的約束條件(5)～(9)，并結合式(10)～(14)構成有限維的非線性規劃問題；NLP求解模塊，用于求解模型變換模塊得到的有限維的非線性規劃問題將狀態向量配置系數xij、控制向量配置系數uij和時間分段長度為h作為優化變量，并以xij0、uij0和h0為初始解，利用簡約空間序貫二次規劃法求解，得出最優的狀態向量配置系數xij*、控制向量配置系數uij*、最優時間分段h*，并由式(10)計算出最優目標值J*，然后將這些優化結果傳給結果輸出模塊。2.如權利要求1所述的一種高效的工業過程動態優化系統，其特征在于所述的上位機還包括信號采集模塊，用于設定采樣時間，采集現場智能儀表的信號。3.如權利要求1或2所述的一種高效的工業過程動態優化系統，其特征在于所述的上位機還包括結果輸出模塊，用于將有限維的非線性規劃求解模塊計算出的最優控制向量配置系數uij*通過式(2)(4)轉化為最優控制軌線u*(t)，然后將u*(t)和最優目標值J*傳輸給DCS系統，并在DCS系統中顯示所得到的優化結果信息。4.一種用如權利要求1所述的高效的工業過程動態優化系統實現...

【專利技術屬性】
技術研發人員：劉興高，陳瓏，
申請(專利權)人：浙江大學，
類型：發明
國別省市：86[中國|杭州]