| 单词 | 大规模工业过程的稳态递阶控制 |
| 释义 | 【大规模工业过程的稳态递阶控制】 化工、石油、轻工业、制药等由多个子过程组成的连续生产过程或完全重复的加工过程，都处于长期稳态运行之中。但是环境变化、触媒老化以及原材料成份变动等常常形成慢扰动。递阶优化控制的目的在于利用分解——协调方法找到工况的最优解，它表征为一组决定过程况条件(如温度、压力、液位等)的控制器的设定值，以达到增加产量、减少原材料消耗、节约能耗和提高产品质量的目的。 因为是大规模工业过程，最优控制有必要按它的车间、装置、功能或地量位置分解成一些互相关联的子过程来进行。它的递阶控制，具有直接控制层和优化控制层的多层结构，并在结成递价的小型或微型计算机组(形成分布式计算机控制系统)上在线进行。工业过程的计算机在线优化始于1960年，其后10年仅在炼油、石油化工厂得到了初步应用，同时分解——协调算法起源于20世纪60年代的丹切什(Dantzig)和沃尔夫(Wolfe)对于线性规划的分解算法。这两者的结合发展成为大工业过程的稳态递阶控制。早期的理论研究称为静态多级系统(Static Multilevel System)理论，总结在1970年初米萨罗维奇(M．Mesarovic)等的著名著作《递阶多级系统理论》中。1978年辛(M．Singh)和蒂特利(A．Titli)的著作《大系统分解、优化和控制》一书中的第4章“非线性规划”中的分解一协调方法是迄70年代为止的一个较全面的介绍。以芬德森(W．Findeisen)为首的波兰学派，将这方面的理论研究与大工业过程的计算机在线控制紧密结合起来，提出了稳态递阶控制(Steadystate Hiwrarchical Control)。为了克服模型和实际过程的差异，他们引用了全局和局部反馈，即所谓迭代协调，并得出一个次优解。英国罗伯茨(P．Roberts)等研究提出了系统优化与参数估计综合(Inte-grated System Optimization and Parameter Estimation，简称ISOPE)的修正两步法，可以在模型与实际过程存在差异的情况下，求得生产过程的最优设定点。1981年以来，中国万百五等在线性目标函数的凸化处理、双迭代结构、近仿模型法、随机噪声下递阶控制、算法鲁棒性和智能控制等方面作了一系列研究。静态多级优化是将一个静态大系统分解成许多子系统，并用新的方法处理它们之间的关联，从而使之达到协调。为此各子系统要有决策单元(微型计算机)来计算子过程优化，并有一级或多级协调器(微型计算机)来实行协调以达到全过程的优化。所采用的基本协调方法有两种：模型协调法和目标协调法。大系统的静态递阶优化，按其数学本质来说，是对一个大型数学规划问题的分解协调求解。而采用搜索法求解各个子系统优化问题，对于等式或不等式约束，分别要用拉格兰奇(Lagrange)乘子和库恩－特克(Kuhn-Tucker)乘子计入在拉格兰奇函数中。协调算法的收敛性研究，是基于李雅布诺夫(Lyapunov)直接法。该静态多级优化法已经应用于化工厂和复杂工厂的递阶优化，如法国一个生产硫磺的联合企业即是一例。由于较精确的工业过程数学模型不易求得，而且模型一般随控制器设定点的变动而变化，因此，波兰学派提出，优化算法中采用模型求得的解是开环优化解。这个解未必能使真实过程处于最优工况，相反还会违反约束。他们提出应该从实际过程提取关联输出变量的稳态信息并反馈至上一层的协调器(全局反馈)或局部决策单元(局部反馈)，用来改善基于模型得出的最优解。这称之为“闭环控制”。波兰学者对于两种基本协调方法和混合协调方法以及引用各种反馈进行了严密的研究，特别对于解的存在性、迭代的收敛性和适用性条件等作了严格的数学论证，包括使用泛函分析等数学工具。全局反馈被认为可以用来修正总目标函数中由于模型与实际过程差异所造成的控制失误；而局部反馈则被认为可用来修正局部决策单元由于差异所造成的控制失误。研究表明，同时引用两种反馈于3种协调方法中，能使总目标函数非常接近实际最优值，但是否已经是真正的最优值尚待理论证明。但是所有这些反馈方法都需要多次从实际过程测量稳态关联输出并修正设定点。这必然造成对实际工业过程干扰过多。因此优化过程中设定点的变动次数已经成为衡量一个算法有效性的重要指标之一。双迭代结构的思想适应了这种需要，引起国内外重视，它尽可能地将关联平衡的迭代从在线运算变为离线运算，即以增加离线迭代次数为代价，来减少算法的在线迭代次数。在实际工业过程的优化控制中很少如理论研究所要求那样采用严格凸的目标函数，恰相反，利润最大、产量最高、能耗最小等非凸的技术经济目标常被普遍引用。这就给使用目标协调法带来困难。凸化目标函数的途径是：(1)采用输出预测和关联平衡协调法(OPBM)；(2)采用梯度偏移和部分对偶的3级协调法；(3)采用二次等价性原理及点凸化技术(PCT)。中国成功地采用了稳态递阶优化技术，并利用部分关联输出变量的全局反馈来改善优化结果，获得了很大的经济效益。ISOPE方法的基本思想在于，通过引入修正乘子的方法将模型优化与参数估计分离开来，并相互迭代而达到最优。为了计算修正乘子，要用摄动法求取实际过程的导数。双迭代思想的引入减少了控制器设定点的变动次数，使ISOPE方法向实用迈进了一步。ISOPE的双模型法则在双迭代的内迭代环内采用了一个自适应模型代替原有的固定模型。这样，克服了模型与实际间差异较大会影响在线迭代效率的缺点。在ISOPE方法中目标函数凸化问题也得到了研究和解决。迄1991年为止，ISOPE方法的应用研究还仅限于在实验装置上进行算法验证。利用测得的实际过程导数，可以直接构成一个近似模型。用此来解决工业过程的优化甚至大工业过程的优化控制算法都已在仿真中取得成功。迭代收敛性和最优性也都得到了证明。实际上，大工业过程常常伴有噪声，随机稳态优化控制问题开创性地于1989年由J．Lin等提了出来。认为在稳态时工业过程中的随机过程是平稳的，因此可以对之以及对目标函数取数学期望，这样，将上述问题用一个确定性问题来代替，再用一个类似修正两步法的有效算法来求解。此外，还提出一种两阶段辩识技术，在利用动态信息基础上计算工业过程输出对控制器设定点导数的均值。1990年，将上述结果推广到需要分解－协调的大规模工业过程，并采用系统辩识的方法来建立数学模型用以代替原来选定的模型。人工智能的崛起为大工业过程的优化控制提供了新的途径。利用BP－神经元网络对稳态工业过程进行辩识，即用神经元网络模型来代替过程数学模型已经取得成功。对智能优化、智能协调、智能反馈等的研究和引用，会使大工业过程智能控制成为一个重要研究方向。这将突破过去完全由严格的数学解析方法研究的一统天下的局面，促进理论研究的工程化和实用化。其他如模糊控制、预测控制等的应用也都是大工业过程优化控制的研究方向。递阶优化控制各种算法的优劣，取决于以下指标：(1)最优性；(2)收敛性；(3)适用条件；(4)设定点变动次数(包括摄动时的变动次数)；(5)鲁棒性。鲁棒性表示算法对于噪声、模型参数变化、测量误差等的抗干扰能力，因此算法的鲁棒性研究也是重要的方向。大规模工业过程由于功能的综合性常常具有多目标，因此多目标递阶优化也是重要的研究方向。【参考文献】：1 Singh M，Titli A．Systems：Decomposition，Optimization and Control Pergamon Press，Oxford，19782 Findeisen W，Bailey F，Brdys M，et al．Control and Coordination in Hierarchical Systems，John Wiley and Sons，London，19803 万百五，大系统理论研究中的波兰Findeisen学派，1984，22∶173～1814 万百五，大规模工业过程的稳态递阶控制综述，1990，2∶186～1925 Roberts P D．Combined system optimization and parameter estimation，in Systems，Control Encyclopedia(Editor-inChhief M．Singh)，1989，635～638，Pergamon Press6 Lin J，Han C，Roberts P，Wan B．New approach to stochastic optimisation control of steady-state systems using dynamic information，Int，J．Control，1989，6∶2205～22357 Lin J，Wang M，Roberts P，Wan B．Hierarchical integrated identification and optimisation approach for on-line stochastic optimizing control of large-scale steady-state industrial processes，1990，1∶1～44(西安交通大学万百五撰) |
| 随便看 |
科学参考收录了7804条科技类词条，基本涵盖了常见科技类参考文献及英语词汇的翻译，是科学学习和研究的有利工具。