Controlul proceselor în industriile chimice 115

CONTROL PREDICTIV MODEL

O Introducere
1. Introducere
Controlerul predictiv pe bază de model (MPC) îș i are originile în anii 1970. A început să apară
industrial în anii 1980 ca IDCOM (Richalet et al.) ș i DMC (Cutler ș i Ramaker).
Algoritmii ini ț iali IDCOM ș i MPC au reprezentat prima genera ț ie de MPC.
tehnologie. În general, MPC este o familie de controlere în care există o utilizare directă a
un model identificabil explicit. De asemenea, este descris ca o clasă de control al computerului
scheme care utilizează un model de proces pentru două sarcini centrale:

• Predicț ia explicită a comportamentului viitor al plantelor

• Calculul acț iunii corective adecvate necesare pentru a conduce la
ieș irea prezisă cât mai aproape de valoarea ț intă dorită.

Metodele de proiectare a controlului bazate pe conceptul MPC au găsit o acceptare largă în

aplica ț ii industriale ș i au fost studiate de mediul academic. Este în prezent cel mai
cel mai utilizat dintre toate metodologiile avansate de control în aplica ț iile industriale.
motivul pentru o astfel de popularitate este capacitatea designului MPC de a oferi performan ț e ridicate
sisteme de control capabile să funcț ioneze fără intervenț ia unui expert pentru perioade lungi de timp
time.

2. Motivaț ie

Obiectivele tipice ale controlului proceselor sunt:

• Rejecț ia deranjamentelor pentru a reduce variabilitatea în variabila cheie

• Îmbunătăț eș te operaț iunea unui proces, productivitatea plantaț iei, calitatea
al produsului.
• Funcț ionare stabilă ș i sigură.

În timp ce se realizează sarcinile de mai sus, ar trebui să se acorde în mod continuu atenț ie
următoarele probleme:

• condiț ii de piaț ă dinamice ș i imprevizibile: Este în general acceptat

că cea mai eficientă modalitate de a genera cel mai mare profit din plantă în timp ce
răspunsul la varia ț ia pie ț ei cu un capital minim investit este
furnizate de integrarea tuturor aspectelor automatizării.
• reglementările de siguran ț ă ș i mediu: Unele variabile ale procesului nu trebuie să
încalcă limitele specificate din motive de siguran ț ă a personalului sau a echipamentului sau
din cauza reglementărilor de mediu. Măsuri de siguran ț ă ș i mediu
regulamentele se schimbă continuu.

Pentru a dezvolta un control al proceselor mai bun, rapid, precis ș i robust, bazat pe modele moderne
sunt necesare algoritmi de control ș i tehnici adaptive ș i de învăț are eficiente.

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 116

Cerinț a de a atinge constant o calitate superioară a produsului, mai eficient

folosirea energiei ș i o conș tientizare tot mai mare a responsabilităț ilor faț ă de mediu au toate
combinat să impună cerin ț e mult mai restrictive asupra sistemelor de control decât pot fi îndeplinite de
tehnici tradi ț ionale singure. Răspunsul industrial la aceste provocări a dus la
dezvoltarea algoritmului MPC de succes. A avut un impact enorm asupra industriei
controlul procesului ș i a servit pentru a defini paradigma industrială MPC.

3. Beneficiile MPC

• Cel mai utilizat algoritm de control în procesarea materialelor ș i chimică

industrie.
• Cre ș terea consisten ț ei calită ț ii de livrare. Reducerea produselor neconforme.
în timpul schimbării de clasă. Cre ș terea capacită ț ii. Minimizarea operării
cost în timp ce se respectă constrângerile (optimizare, economic).
• Superior pentru procese cu un număr mare de manipulări ș i controlate
variabile (Multivariable, cuplaj puternic)
• Permite impunerea de constrângeri atât pe MV, cât ș i pe CV. Capacitatea de a opera
mai aproape de constrângeri. (constrângeri)
• Permite întârzieri de timp, răspuns invers, nonlinaritati inerente (dificil
dinamice), schimbarea obiectivelor de control ș i defectarea senzorului. (predictiv)

4. Implementare industrială

Au fost raportate mai mult de 2000 de implementări industriale de succes.

Conform raportelor recente, numărul de aplica ț ii este de a ș teptat să continue să
creș te rapid. Cele mai multe dintre aceste aplicaț ii (67%) sunt în rafinării unde MPC a fost
initial născut. Cu toate acestea, un număr semnificativ de aplicaț ii se pot găsi ș i în alte
zone. Următorul este un exemplu de zone în care MPC a fost activ.

• Super încălzitor, generator de aburi, cazan utilitar,

• FCCU (Unitate de Cracking Catalitic Fluid)
• reactor în lot
• Industria de pulpe ș i hârtie.
• reactoare de hidrocracare
• Coloane de distilare
• Extruder de polimeri
• Fabrici de olefine

5. Software comercial MPC

Există mai multe versiuni (generatii) ale MPC, în funcț ie de furnizor sau
grup de dezvoltare. Aceste versiuni diferite sunt foarte asemănătoare în principii. Ele pot diferi
în procedura de implementare, tipul de model, formularea funcț iei obiectiv sau metoda de
solu ț ie. Cu toate acestea, nu toate aceste metodologii de control au ajuns la nivelul de

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 117

IDCOM (Identificare ș i Comandă), 1987

• Commercializat de Set point, Inc, SUA
• Metodologie: Control algoritmic al modelului
• Tip de model: Răspuns la impuls
• Optimizarea este rezolvată prin abordarea QP
• Parametru de reglare singur "timp de referinț ă"
• Disponibil pentru implementare directă a hardware-ului în sistemele DCS Honeywell
printr-un interface Phoenix scris de Set point Inc.

2. DMC (Control Matricial Dinamic), 1985

• Dezvoltat de Shell Co. ș i comercializat de DMC corporation.
• Metodologie: Controlul matricei dinamice
• Model: Răspuns în trepte
• Problema de optimizare este rezolvată prin abordarea LP.
• Patru parametri de reglare cu un major.
• Disponibil pentru comunicare directă cu sistemele DCS Honeywell prin
interfaț ă de comunicare.

[Link] (Control Predictiv Optim), 1987

• Pus în vânzare de Treiber Controls, Inc.
• Foloseș te răspunsul în paș i, dar cu o metodă de identificare diferită.
• Foloseste un algoritm similar cu cel al DMC ș i rezolvă problema LP.
• Poate fi implementat pe controllerul lui Bailey fără comunicare
interfaț ă.
• Construirea modelelor, proiectarea controlerelor ș i sarcinile de simulare sunt efectuate pe
Calculatoare personale.

4. PCT (Tehnologia de Control Predictiv), 1984

• Pus pe piaț ă de Profimatics, Inc.
• Combină aspectele IDCOM ș i DMC
• Problema de optimizare este rezolvată pentru o singură miș care de control.
• Platforma de implementare este similară cu IDCOM ș i DMC.

5. HMPC (Control Predicitv Multivarian ț i Horizon), RMPCT (Control Robust)

Tehnologia Controlului Predictiv al Modelului), 1991
• Dezvoltat ș i comercializat de Honeywell.
• Fundamental diferit de cel al altor scheme MPC.
• Din motive de proprietate, există multe aspecte ale algoritmului care sunt
între timp indisponibil.

Lista de mai sus include unele dintre tehnologiile software cunoscute.

Cu toate acestea, datorită succesului MPC, numărul acestor tehnologii de control este
cre ș tere pe măsură ce fiecare furnizor de sistem DSC a început să dezvolte propriul său scheme MPC.

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 118

În general, schema DMC este cea mai utilizată în industrie. Se raportează că DMC a
peste 600 de aplicaț ii industriale.

6. Teorie ș i Fundamente

6.1 Concept general

Diagrama bloc pentru implementarea MPC este prezentată în Figura 1. Aș a cum este arătat în
figura, un model de proces este folosit în paralel cu planta. MPC foloseș te un model dinamic de
procesul pentru a prezice variabila controlată. Variabila controlată prezisă
este returnat către controler unde este utilizat într-o procedură de optimizare online, care
minimalizează o func ț ie de cost adecvată pentru a determina variabila manipulator.
ieș irea controlerului este implementată în timp real, iar apoi procedura este repetată la fiecare
timp de probă cu datele actuale ale procesului. Diferenț a dintre măsurarea din fabrică,
ypș i ieș irea modeluluimde asemenea, este trimis către controler pentru a elimina offsetul în stare staț ionară.
De obicei, funcț ia de cost depinde de eroarea cuadratică între referinț a viitoare
variabila ș i variabila controlată în viitor, în cadrul unui orizont de timp limitat.

r+ e u yp
MPC Plantă
_

+
-
Model
ym
x

Figura 1: Diagrama bloc pentru implementarea MPC

6.2 Conceptul orizontului în retragere

MPC este un controler digital, adică o tehnică de timp discret. Calculul de control este
calculat printr-un calculator digital, iar rezultatul este implementat online la fiecare eș antionare
timp. Aș a cum s-a menț ionat mai devreme, această procedură este repetată într-un mod de orizont mobil.
Conceptul orizontului mobil poate fi înț eles din Figura 2. Să presupunem că ne aflăm la
un anumit timp de eș antionare k. Trecerea trecută pentru output (y) până la k ș i input (u) până la k-1
sunt cunoscute. Obiectivul este apoi de a găsi tendinț a viitoare pentru input (acț iuni de control)
care mută tendinț a viitoare a ieș irii spre traiectoria de referinț ă dorită
r(k+1). Acț iunile de control sunt determinate prin iteraț ie. De fapt, o problemă de optimizare
este rezolvat pentru a calcula online ș i în timp real secvenț a de buclă deschisă a prezentului ș i
miș cările de control viitoare [u(k/k), u(k+1/k) …u(k+M-1/k)], astfel încât ieș irile prevăzute
[y(k+1/k)y(k+2/k) …y(k+P/k)] urmează traiectoria predeterminată. Optimizarea este
rezolvat având în vedere constrângerile asupra ieș irilor ș i intrărilor. Primul control
actionu(k/k) este apoi ales ș i implementat pe planta reală pe intervalul [k,k+1].
În metodă, Mis este cunoscut ca orizontul de control ș i Pas orizontul de predicț ie.

La următoarea perioadă de prelevare k+1, orizontul de predicț ie ș i control este mutat înainte.
printr-o etapă ș i o nouă problemă de optimizare este rezolvată folosind măsurători actualizate

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Process Control in the Chemical Industries 119

din proces. Astfel, prin rezolvarea repetată a unei probleme de optimizare în buclă deschisă cu
fiecare condiț ie iniț ială actualizată la fiecare pas de timp, strategia de control predictiv al modelului
rezultate într-o tehnică de control optimizat cu constrângeri în buclă închisă.

Trecut Viitor
Referinț ă, r(k+1)

Ieşire prezisă, y(k+1/k)

Acț iune de control, u(k/k)

k k+1 k+M-1 k+P

Orizont de control

Orizont de predicț ie

Figura 2: Schema de control cu orizont în retragere

6.3 Formularea matematică

Tehnicile de control de mai sus pot fi, de asemenea, formulate matematic. MPC
conceptul este o tehnică de control al computerului. În acest caz, legea de control este exprimată
matematic printr-o problemă de optimizare. Problema de optimizare este codificată într-o
computator digital ș i rezolvat numeric online în timp real. Problema de optimizare
este reprezentată de următoarea funcț ie obiectiv:

T T (1)
min[Y (k+ 1/ k ) − R(k+ 1/ k )] Γ[Y (k+ 1/ k) − R(k+ 1/ k )] + [ΔU (k/ k) ΛΔU (k/ k )]
ΔU ( k / k )

subiect la:

Ul≤ U ( k ) ≤ Uu (2)
ΔUl≤ ΔU ( k ) ≤ ΔUu
(3)

Reț ineț i că ultimele două ecuaț ii reprezintă constrângerile fizice asupra intrării ș i
miș cările lor. Ele pot fi combinate ș i formulate ca restricț ii asupra miș cării de intrare
ș i apoi a fost adăugat la problema de optimizare. Acest tratament este mai potrivit deoarece
funcț ia obiectiv conț ine doar miș cările de intrare. Intrările nu sunt optimizate deoarece ele
creaț i un offset în stare stabilă.

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 120

În problema de optimizare de mai sus,Γ ș iΛ sunt matrice de greutate diagonale. Rolul lor
va fi explicat în secț iunea de Ajustare. R(k+1/k) = [r(k+1/k)r(k+2/k) …r(k+P/k)] este un
vector de dimensiune n× Pcare conț ine punctul de setare pentru toate ieș irile peste
orizont de predic ț ie PÎ n acest caz,r(k+1) este un vector al tuturor ny rezultatelor la momentulk +1
În mod similar,ΔU(k/k) este un vector de dimensiune nu× M, care conț ine miș carea de intrare pentru
tutte intrările asupra orizontului de control Mand este definită după cum urmează:

ΔU(k/k) = [Δu(k/k)Δu(k+1/k) …Δu(k+M-1/k)] (3)

În acest caz,Δu(k/k) este un vector al tuturor intrărilor la timpul k. De fapt,ΔU(k/k) este

acț iuni de control necunoscute care trebuie găsite prin rezolvarea optimizării de mai sus
problem.Y(k+1/k) este un vector de dimensiune ny × P, care conț ine toate ieș irile peste
orizontul de predicț ie Pand este definit după cum urmează:

Y(k+1/k) = [y(k+1/k)y(k+2/k) …y(k+P/k)]

Prin urmare, y(k+1/k) este un vector al tuturor ieș irilor ny la timpul k+1. În general, ieș irea
predictionsYis obtained from the recursive state equations:

Y ( k + 1/k)= Mp Y ( k / k ) + S mp ΔU ( k / k ) (4)

Mpeste o matrice constantă de dimensiune ny⋅ P× ny⋅ nandSpestem cunoscut ca fiind dinamic
matrice. Conceptul de matrice dinamică ș i numărul de trunchiere, n, sunt discutate în
următoarea secț iune.

Reț ineț i că al doilea indice (k) în toate ecuaț iile ș i definiț iile de mai sus denotă că
aceste valori sunt calculate în timp real. acest indice se schimbă odată cu orizontul în miș care.
Conform definiț iei rezultatului prezis din ecuaț ia 4, optimizarea
problema (Ech. 1-3) poate fi scrisă în termeni de variabila necunoscutăΔU(k). Prin urmare, dacă
dacă constrângerile (Ec. 2-3) sunt excluse, problema de optimizare poate fi rezolvată
o soluț ie analitică ș i în formă închisă poate fi scrisă astfel:

ΔU ( k ) = K mpc[M p Y ( k ) − R(k+ 1)] (5)

Aici,Kmpceste cunoscut sub numele de matricea de câș tig a controlerului MPC, care este o combinaț ie
al matricei dinamice ș i al matricelor de greutateΓ ș iΛÎn acest caz, soluț ia online a
problema de optimizare nu este necesară. În schimb, câș tigul controlerului poate fi calculat
offline ș i apoi ecuaț ia (5) este executată online pentru a determina noile valori pentru
ac ț iunea de control. Cu toate acestea, în cele mai multe cazuri, constrângerile de intrare sunt incluse în
optimizare. Prin urmare, soluț ia analitică nu poate fi găsită. În schimb, optimizarea
problema poate fi formulată ca Programare Quadratică (QP) sau programare liniară (LP) ș i
apoi rezolvat de software-ul de optimizare disponibil. Trebuie men ț ionat că nu există ie ș ire
constrângerile sunt impuse în problema de optimizare. Deș i formularea MPC
permite utilizarea constrângerilor de ie ș ire, de obicei este exclusă deoarece cre ș te
efortul ș i timpul de calcul. În plus, includerea constrângerilor de ieș ire poate cauza
problema de optimizare care să conducă la o soluț ie invazibilă.

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 121

Output feedback:
În tratamentul matematic de mai sus, conceptul de feedback nu a fost
evidentiat explicit. Dacă predicț ia de ieș ire obț inută din ecuaț ia 4 este alimentată direct
la ecuaț ia 1, atunci acț iunea de control MPC depinde doar de ieș irile modelului ș i nu
pe măsurarea plantei. În timp, cu excepț ia cazului în care modelul este extrem de perfect,
performanț a controlului va fi slabă ș i chiar instabilă. Cu toate acestea, MPC standard
conceptul permite corectarea feedback-ului. Aceasta înseamnă că predic ț ia de ie ș ire din
ecuaț ia 4 este corectată pentru nepotrivirea model-plantă înainte de a fi implementată. De fapt,
stările modelului sunt actualizate prima dată prin ultima acț iune de control după cum urmează:

Y ( k / k − 1)= Mn Y ( k − 1/k− 1)+ SΔu(k− 1/k− 1) (6)

Stările calculate sunt apoi corectate de măsurarea curentă a instalaț iei după cum urmează:

Y ( k / k ) = Y ( k / k −1)+ E u ny p(k)− NY(k/k−1)] (7)

Ieș irea corectată, Y(k/k), este apoi introdusă în ecuaț ia 4. Această procedură este
repetat la fiecare interval de mostre pentru a ț ine cont de noile informa ț ii despre plante. În cele de mai sus
equations,Mneste o matrice constantă de dimensiune ny⋅ n × ny⋅ n, S este răspunsul în treaptă
matricea coeficientului, aș a cum va fi explicat în secț iunea următoare, Ineste matricea identitate constantă
este folosit pentru a proiecta termenul de feedback de ieș ire întonuri, N este o altă matrice constantă care
extrage primele elemente din vectorul Y(k/k-1), ș i y peste măsurarea plantei.
Reț ineț i că, deoarece nu sunt disponibile informaț ii viitoare despre măsurarea plantei,
feedback-ul actual de ie ș ire, adică.[y p(k) − NY(k/k− 1)], este folosit pentru a corecta viitorul
predicț ii. Acest tratament este un concept comun pentru toate tehnologiile MPC.

Reț ineț i că acest mecanism de feedback este o caracteristică încorporată a tuturor formulărilor MPC.
Includerea mecanismului de feedback de ieș ire este principalul motiv pentru repetarea generală
Calculul controlului MPC are loc la fiecare timp de e ș antionare. Este, de asemenea, caracteristica principală care
diferentiază MPC-ul de teoria clasică a controlului optim.

În unele cazuri, când procesul este foarte neliniar sau instabil în buclă deschisă,
corectarea predicț iilor printr-un feedback constant de ieș ire poate duce la o performanț ă slabă.
Prin urmare, cercetătorii au dezvoltat diferite scheme pentru a îmbunătăț i robustetea
al MPC. De exemplu, estimări de tip rampă ale feedback-ului de ieș ire, filtrarea Kalman,
estimarea stării ș i observatorul de stare pot fi utilizate.

7. Dezvoltarea de modele pentru MPC (identificare)

7.1 Formele modelului MPC

După cum s-a arătat anterior, controlul predictiv al modelului se bazează pe un model de proces. Modelul
tipul modelului de proces utilizat variază în funcț ie de tipul ș i formularea tehnologiei MPC.
Conceptul de MPC nu se limitează la nici o formă particulară de model, ci forma modelului
aleasă, afectează puternic cerinț ele de implementare ș i calcul. Pasul de
alegerea ș i proiectarea unui model de proces adecvat este esenț a designului MPC. În
De fapt, efortul de modelare poate ocupa până la 90% din cost ș i timp. Răspuns la impuls finit
modele FIR, modele de răspuns la pas finit FSR, modele de spaț iu de stări nonliniare ș i reț ele neuronale

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 122

modelele de reț ea pot fi utilizate. Majoritatea software-ului comercial MPC foloseș te convoluț ia
modele precum modelele FIR sau FSR. Modelele FIR ș i FSR sunt mai uș or de dezvoltat decât alte tipuri
de modele. În plus, aceste modele convoluț ionale au următoarele avantaje:

• Coeficientii modelului pot fi obț inuț i cu uș urinț ă din testul experimental de pas.
• Nu trebuie să presupunem nicio structură sau ordine a modelului.
• Dinamicile neobiș nuite pot fi modelate.
• Oferi ț i o modalitate convenabilă de a proiecta un controler bazat pe utilizare de
optimizare.
• Modelul este liniar, ceea ce simplifică soluț ia problemei de optimizare.
• Ele pot fi deduse din alte forme de modele parametrice.

În ciuda avantajelor modelelor de convoluț ie, există unele probleme fundamentale legate de
există modele de convoluț ie:

• Proiectarea semnalului de test care va fi utilizat pentru a înainta procesul.

• Folosim prea mul ț i parametri (supraîncercare) care devin chiar
mai pronunț at în cazul multivariat.
• Procesele integratoare ș i instabile pot fi modelate.

Ar trebui subliniat că modelele de convoluț ie sunt liniare, ceea ce permite

simplificarea problemei de optimizare în LP sau QP. Aceasta din urmă poate fi rezolvată uș or sau
moderat online. Cu toate acestea, atunci când formele de model mai complicate sau nonliniare sunt
folosit în proiectarea MPC, funcț ia obiectiv (Eq. 1) devine neliniară. Ca rezultat
programarea nonlineară este necesară pentru a rezolva problema de optimizare.

7.2 Proiectarea modelului FIR ș i FSR

Aceste modele pot fi obț inute prin una dintre cele două teste experimentale comune.
schemes:

• Testarea pas cu pas

• PRBS (secvenț ă binară pseudo-aleatorie)

Identificarea modelului prin testare etapizată:

Modelarea procesului prin testarea pe paș i este prezentată în figura 3. Pur ș i simplu, specific...
unitatea de proces dinamic suferă o serie de schimbări de pas unitate câte una la un moment dat. Pentru
de exemplu, prima intrare a procesului (MV) poate fi ajustată cu o valoare unitară în timp ce restul
intrările menț inute constante la valorile lor nominale. Fără control automat sau operator manual
intervenț ia este permisă în timpul testului. Răspunsurile procesului (CV) sunt înregistrate
cu timpul până ajung la un statut stabil. Coeficientii răspunsului în paș i pot fi deduș i
direct din graficul răspunsului la pas, aș a cum este prezentat în Figura 3. Vectorul răspuns la pas
pentru prima intrare poate fi dezvoltată astfel:

[
S1= s 0,1 s 0,2L s 0,nyL s11 s1,2L s1,nyL s n,1 s n,2L s n,ny ]
T

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 123

unde este0,isuntvalorile de răspuns iniț ial ale paș ilor ș i ele sunt egale cu zero din cauza devierii
variabilele sunt folosite în modele liniare. Termenul, este cunoscut sub numele de punct de truncare ș i el
este determinat astfel încât răspunsul complet în buclă deschisă a atins starea de echilibru. Este de asemenea
definit ca timpul de stabilizare în buclă deschisă. Testul de pas de mai sus este repetat pentru fiecare
input individual ș i, în final, matricea coeficientului de răspuns complet poate fi dezvoltată ca
urmează:

S= [S 1 S 2L S nu]

Răspunsul la Pas Unit

Schimbare Pas Cu Unitate

sn,1
Intrare 1 Ieşire 1 s3,1
s2,1 h3,1
s1,1 h2,1

Constant h1,1

Intrare 2 Dinamic
Proces
h1,ny
Constant
Rezultate s1,ny h2,ny
Inputnu s2,ny
h3,ny
s3,ny
sn,ny

Figura 3: Procedura de testare a paș ilor

Această matrice are o dimensiune de ny⋅ n × nuand este utilizat în ecua ț ia 6. Dinamica
matrix,Smp, are o dimensiune de⋅ P × nu⋅ Mand este un aranjament special al
matrixS. Matricea dinamică conț ine primii ny⋅ Prow-uri ale Matricei. Originalul
nucolumns se repetă de M ori, de fiecare dată coeficientul de răspuns în treaptă este
întârziat cu o unitate ș i aș a mai departe.

O persoană poate dezvolta modelul FIR direct din modelul FSR observând următoarele
relation:

heu 1= s eu ,1− seu −1,1

Sau, altfel, ele pot fi deduse direct din graficul răspunsului la pas unitar prezentat în
Figura 3. O procedură similară cu cea utilizată pentru dezvoltarea FSR poate fi folosită pentru a dezvolta
matrice dinamică generală.

Probleme legate de testarea paș ilor:

• Calitatea produsului poate fi afectată prin accesarea MVs.
• Timpul de testare este foarte lung, ceea ce ocupă multă for ț ă de muncă ș i face
planificarea producț iei este dificilă.

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 124

• Testele sunt efectuate manual, ceea ce implică angajamente extrem de ridicate.

al inginerilor ș i operatorilor.
• Modelul multivariat global este generat prin combinarea individuală
Identificarea SISO.

Identificarea SISO implică faptul că canalele de intrare sunt perturbate unul câte unul.
acurateț ea modelului SISO individual poate să nu genereze un model multivariable necesar
precizie.

Identificare prin testarea PBRS:

Se pare că semnalele PBRS sunt semnalele principale de test utilizate pentru identificare.
pachete. De obicei, se generează o secvenț ă aleatoare pseudo-binară de semnale în formă de paș i
pentru fiecare canal de intrare deodată (SISO) sau pentru toate canalele de intrare simultan (MIMO).
Aceste semnale sunt aplicate la plantă ș i răspunsul de ieș ire este înregistrat aș a cum este prezentat în
Figura 4. Răspunsul de ieș ire rezultat poate fi apoi ajustat la un model parametric din
ce modele FIR sau FSR pot fi deduse. Caracteristica principală a metodei PBRS este
identificarea MIMO în care se potriveș te un singur model pentru toate ieș irile simultan
care explică orice corelaț ie existentă. Alte avantaje ale PBRS sunt reducerea de
perturbarea calităț ii produsului ș i eliminarea aș teptării pentru atingerea stării de steady. Cu toate acestea,
se necesită unele cunoș tinț e despre analiza seriilor temporale ș i teoria identificării.

Răspuns la Pas Unitar

PBRS

Intrare 1 Ieşire 1

PBRS

Input 2 Dinamic
Proces

PBRS
Ieşire
nu

Figura 4: Procedura de testare PBRS

Fără a- ș i face griji cu privire la ce metodă de identificare să fie utilizată, toate

pachetele comerciale MPC sunt echipate cu propriul lor software de identificare.
software-ul poate fi folosit de ingineri cu ajutorul specialistului în software. De obicei, planta
testul este desfăș urat 24 de ore pe zi cu un inginer care monitorizează fabrica. Fiecare MV este împărț it în 8 la
15 ori cu raportul semnal la zgomot (CV) de cel puț in ș ase. Testul întregii plante poate
va dura între 10 ș i 15 zile, în funcț ie de timpul până la un stadiu stabil ș i numărul de variabile
unitate.

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 125

[Link]

Practic, MPC are patru parametri principali de ajustare, ș i anume; orizontul de control M,
orizontul de predicț ie P, matricea de greutate a ieș iriiΓ ș i matricea de greutate a intrăriiΛ.
ultimele două matrice sunt diagonale. Timpul de eș antionare are un impact puternic asupra
performanț a controlului, totuș i nu este utilizată ca un parametru de ajustare deoarece este adesea fixă
bazat pe echipamentul de instalare. Prin urmare, numărul total de parametri de reglare
este 2+nu+ny. Aceste parametrii au un efect profund ș i oarecum suprapus asupra
performan ț a în buclă închisă. Defini ț ia ș i func ț ia fiecărui parametru sunt prezentate
următorul

• Horizonul de control, M, este numărul de miș cări MV pe care MPC le calculează la

fiecare moment de eș antionare pentru a elimina eroarea de predicț ie actuală. Un M mare are
avantajul pe care îl oferă este că permite detectarea încălcărilor constrângerilor înainte de a fi
ajuns, mediează obiectivul de control în timp ș i gestionează necunoscutul
delay-uri de timp variabile.

• Orizontul de predicț ie, P, reprezintă numărul de mostre în viitor.

peste care MPC calculează profilul variabilei de proces prezisă ș i
minimizează eroarea de predicț ie. De obicei, P> M este selectat pentru a evita banda moartă
efect. Creș terea P, rezultă într-un răspuns non-monotonic semnificativ care variază
de la amortizat la sub-amortizat la amortizat.

• Factorul de suprasolicitare al mutării (greutatea pe mutarea MV,Λ). Ele indică

compromisul dintre cantitatea de mi ș care permisă în obiectul manipulat
variabilele ș i rata la care deviaț ia output-ului de la punctul de setare este redusă
peste orizontul predic ț iei. Ele servesc un dual scop de a suprima
ac ț iune de control agresivă ș i condi ț ionarea matricei sistemului înainte
inversare.

• Matricea de ponderareΓ, este folosit în principal pentru scalare în variabile multiple

caz; permite alocarea unor greutăț i mai mari sau mai mici pentru obiectivul de
reducerea erorii prezise pentru variabilele de ie ș ire individuale. Când un
singurγ este crescut, răspunsul la urmărirea punctului de setare pentru corespunzător
variabila de proces are un timp de creș tere mai rapid.

Conform înț elegerii funcț iei parametrilor MPC, general

directivele sunt disponibile (Moreshdi ș i Garcia, 1986; Garcia ș i Morari, 1982; Ohno et.
al. 1988; Meadows ș i Rawlings, 1997). Cu toate acestea, din cauza nonlinarită ț ii ridicate a
procesul ș i/sau prezenț a erorilor de modelare, MPC sunt în mod obiș nuit ajustate prin încercare ș i...
procedură de eroare.

În general, pe baza raț ionamentului general, se poate simplifica problema de reglare la o

parametrul principal de ajustare unic, care esteΛ. Reț ineț i că P nu poate fi făcut independent
timpul de eș antionare. În plus, din motive de stabilitate, P trebuie să fie selectat astfel încât să
include efectul stabil al tuturor miș cărilor MV anterioare, adică ar trebui să fie egal cu deschiderea
timpul de stabilizare (n) al procesului în mostre. Observaț i de asemenea că valoarea relativă a M faț ă de P este
mai important, prin urmare, M poate fi fixat la un număr mic pentru a reduce calculul

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 126

efort. Pe de altă parte,Γ nu afectează inversibilitatea matricei globale a sistemului.

Astfel, acestea pot fi specificate de utilizator pe baza priorităț ilor obiectivelor de control sau
salvat pentru ajustări ulterioare.

Mai multă muncă la reglarea MPC:

Recent, Shridhar ș i Cooper (1997, 1998) au dezvoltat un tunning MPC uș or de utilizat.
formula. Cu toate acestea, abordarea lor este limitată la MPC neconstrâns. Ali ș i Zafiriou
(1993) a prezentat o procedură de ajustare bazată pe optimizare off-line a algoritmilor MPC
care utilizează modele de proces non-liniare. Această procedură necesită resurse computaț ionale mari.
Al-Ghazzawi ș i colab. (2000) au propus o strategie adaptivă on-line pentru MPC constrâns.
Algoritmul utilizează gradientele răspunsului în buclă închisă în raport cu
parametrii pentru a determina automat online noile valori ale parametrilor care
conduceț i rezultatul prevăzut în limitele de timp predefinite. Această metodă este
modificat în continuare prin utilizarea teoriei logicii fuzzy (Ali ș i AlGhazzawi, 2001).

9. Structura de implementare în timp real

Toate tehnologiile MPC pot fi implementate cu u ș urinț ă pe un DCS complet instalat

(Sisteme de control distribuit) sisteme. MPC poate fi aplicat în modul de supraveghere ca
aratat în Figura 5. În acest caz, MPC este încorporat într-o ierarhie de funcț ii de control
peste un set de bucle PID tradi ț ionale. Acest lucru este cunoscut ș i sub numele de control în cascadă
configurare. Fiecare buclă de sclav foloseș te PID, care acț ionează direct asupra unui control final specific
elemente, adică vane, actuatoare. Bucla principală foloseș te MPC, care fixează punctul de setare
pentru variabila controlată a tuturor buclelor slave.

Punct de setare din

computer

PID local
FC controler

Figura 5: Exemplu de schemă de control supravegheat

Această structură de implementare este foarte comună pentru controlul industrial avansat
aplicaț ii. Permite integrarea completă a tuturor componentelor de control ale instalaț iei. Aceasta
permite incorporarea mai multor algoritmi avansa ț i de control ș i alternativ
între ele. Oricine poate recupera configuraț ia de control tradiț ional originală în orice moment
prin simpla dezactivare a sistemului de control supraveghere.

10. Exemplu de simulare

Un evaporator cu circulaț ie forț ată este prezentat în figura 6. Procesul este iniț ial
propus de Newell ș i Lee [vezi Ali & Ghazzawi, 2001] ș i este modelat după cum urmează:

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 127

dC2
Mv = F1C1− F2 C 2
dt
dP
W 2 = F4− F5
dt

undeC1andC2sunt compoziț iile de intrare ș i produs, respectiv ș iP2este

presiunea de operare (kPa).F1ș iF2sunt ratele de alimentare ș i de flux de produse (kg/min),
respectiv.4ș iF5sunt ratele de flux de vapori ș i condens, respectiv (kg/min).
Mveste retenț ia de lichid în evaporator (20 kg) ș i W este o constantă (4 kg/kPa).
nivelul de lichid în separator este considerat bine controlat prin manipularea produsului
rata de flux. Prin urmare, ratele de flux sunt date astfel:

F2= F−1 F4
F4= [0.16(F+1 F3)(−0.3126C2− 0.5616P+ 0.1538P+
2
41.57)−
100

F1C p(0.3126C2+ 0.5616P+2 48.43− T)]/λ

1 s1

2UA(0.507P+
2
55− T200)CpF200
F5=
λ s 2(UA+ 2CpF200)

unde P100este presiunea aburului (kPa). F200(kg/min) ș i T200(oC) are fluxul ș i

temperatura apei de răcire, respectiv. UA este produsul transferului de căldură
coeficientul ș i zona de transfer (6.84 kW/K) ș i Cpeste capacitatea calorică a răcirii
apă (0,07 kW/kg min).F3este debitul de reciclare (20 kg/min).λs1este latentul de
vapor la condiț ii de saturaț ie (36,6 kW/Kg min) ș iλs2este căldura latentă a evaporării
de apă (38,5 kW/kg min).F1este fixat la 10 kg/min ș i temperatura sa T1este fixat la 40
o o
C. Apa de răcire intră în răcitor la 25 C. Valoarea iniț ială în regim staț ionar pentru
rezultatele suntC2= 0.1474 ș i P2= 32.109 kPa, care corespunde cu C1= 0.05,P100= 200
kPa ș i F200= 200 kg/min. Scopul controlului este de a menț ine ieș irile în limitele
valori dorite folosind P100ș iF200 ca variabile manipulate. Această problemă de control este
selectat pentru că are o interacț iune puternică între bucle. În plus, deoarece fracț ia de masă
este folosit pentru C1ș iC2, procesul este prost condus. Ambele variabile manipulate sunt
constrâns între 0 ș i 400.

Un model de răspuns în trepte este generat din modelul de proces nonlinar folosind
Software-ul MATLB cu numărul de truncare, n= 30 ș i timpul de eș antionare T s= 0.5 min. The
modelul de răspuns la pas este folosit în algoritmul controller-ului MPC. modelul nonlinear complet
va fi folosit pentru a simula planta din care va fi obț inută măsurarea de ieș ire.
Această formulare generează nepotriviri între model ș i plantă, ceea ce complică problema de control.
mai provocator.

Simulările în buclă închisă sunt realizate în scopuri de demonstrare. Figura 7

arată răspunsul pentru schimbarea punctului de setare pentru concentraț ia produsului de la început
stare stabilă la o valoare mai mare de 0,18. Al doilea circuit este lăsat deschis. Apa de răcire
fluxul este utilizat ca variabilă manipulat. Este evident că produsul ridicat
concentrarea nu este realizabilă folosind o singură intrare. După cum arată figura, apa de răcire
fluxul se saturează la valoarea sa maximă pentru a creș te condensarea. Această situaț ie a dus la o
scăderea presiunii în evaporator. Deoarece presiunea vaporilor nu este manipulată, coloana

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul Proceselor în Industrie Chimică 128

presiunea nu poate să îș i recupereze condiț ia originală. Figura 8 demonstrează cum închis-

performan ț a buclei este îmbunătă ț ită atunci când se folose ș te schema MIMO. Punctul de setare pentru
presiunea coloanei este incrementată cu 1 kPa. Scopul acestei simulări este de a evidenț ia
capacitatea MPC de a gestiona buclele de control interactive multivariable. MPC
valorile parametrilor sunt M= 1, P= 2,Γ = [1,1] ș i Λ = [0,0]. Figura 9 ilustrează acelaș i set
schimbare de puncte, dar pentru două valori diferite pentru orizontul de predicț ie, în timp ce restul de
Parametrii MPC rămân la fel ca înainte. Se poate observa că creș terea P creează
răspuns mai lent. În general, dimensiunea mai mare duce la un comportament mai robust ș i mai stabil.
efectul P poate fi considerat marginal, având în vedere că orizontul de predicț ie s-a extins
prin 25 de ori. Figura 10 ilustrează efectul schimbării altor valori ale parametrilor MPC.
De exemplu, linia întreruptă arată că performanț a devine amortizată ș i lentă pentru
mică creș tere a suprimării miș cării. Linia punctată ș i întreruptă, pe de altă parte, arată
că cre ș terea greută ț ii pe primul rezultat, adicăγ1, performan ț a originală este
recuperat. Această schimbare în performan ț a de control indică în mod clar suprapunerea
efectul parametrilor MPC.

F4 Răcire
apă
F200
T200
Vapor L2
F5
P100 Separator
F100 P2
T100

F3

F1
C1 Pompa-1
F2
T1
Hrănire Produs C2
T2
Figura 6: Schema procesului de evaporare

Departamentul de Inginerie Chimică

King Saud University, 2002
Controlul proceselor în industriile chimice 129

0.19 33

0.18 32

31
0.17
30
0.16
29
0.15 28
0.14 27

500 400

450
300
400

350
200
300

250 100
0 35 70 0 35 70
Time (min) Time(min)
Figura 7: Răspuns la schimbarea punctului de setare pentru loop-ul de control SISO

0,20 33.6

33.2
0.18

32.8
0.16
32.4

0.14 32

500 400

400
300

300

200
200

100 100
0 35 70 0 35 70
Time (min) Time(min)
Figura 8: Răspunsul la schimbarea punctului de setare pentru cazul MIMO

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 130

0.20

0.18

punct de setare
0.16 P=2
P = 50

0.14

33.6

33.2

32,8

32,4

32
0 35 70
Time (min)
Figura 9: Răspuns la schimbarea punctului de setare pentru două valori diferite de P.

0.20

0.18

0.16

0.14

33.6

33.2

32.8 punct de setare

P = 2, G = 1/1, L = 0/0
32.4 P = 2, G = 1/1, L = 0.001/0.001
P = 2, G = 10/1, L = 0.001/0.001
32.0
0 35 70
Time (min)
Figura 10: Răspunsul la schimbarea punctului de setare pentru diferite valori ale parametrilor de ajustare

Departamentul de Inginerie Chimică

Universitatea King Saud, 2002
Controlul proceselor în industriile chimice 131

Referinț e
Ali, E., ș i Zafiriou, E., "Ajustarea bazată pe optimizare a modelului predictiv non-liniar
Control cu Estimarea Stării”, J. de Control al Proceselor, 3, 97-107, 1993.

Ali. E. ș i Ashraf Al-Ghazzawi, "Ajustarea Online a Controlerelor Predictive Model"

Folosind Logica Fuzzy

Al-Ghazzawi, A., Ali, E., Nouh, A., ș i Zafiriou, E., "Strategie de ajustare online pentru
Controlere Predicative pe Model”, Jurnal Control Proces, 11(3), 265-284, 2001.

Cutler, C.R. ș i Ramaker, D. L., "Control Matricial Dinamic - Un Control pe Computer"

Algorithm", Proceeding of JACC, San Francisco, CA , 1980.

Garcia, C., ș i Morari, M., “Controlul Modelului Intern 1: O Revizuire Unificatoare ș i Unele
Rezultate noi”, Ind. Eng. Chem. Proc. Des. Dev., 21, 309-323, 1982.

Meadows, E. S., ș i Rawlings, J. B., „Control predictiv al modelelor”, În: Henson, M. A.,
ș i Seborg, D. E., (Eds), Controlul Proceselor Nonliniare. Prentice-Hall, Englewood Cliff,
NJ, 1997.

Morshedi, A., ș i Garcia, C., „Soluț ia de Programare Quadratică a Matricei Dinamice

Control (QDMC)”, Chem. Eng. Comm., 46, 73-87, 1986.

Ohno, H., Ohshima, M., ș i Hashimoto, I., „O Studiu asupra Stabilităț ii Robuste a Modelului
Control Predictiv”, IFAC Controlul Proceselor Bazat pe Model, GA, SUA, 1988.

Richalet, J., Rault, A., Testud, J. ș i Papon, J., "Control Predictiv/heuristic:

Aplicaț ii în Procesele Industriale", Automatizarea, 14, 413-428, 1978.

Shridhar, R., ș i Cooper, D. J., „O strategie de ajustare pentru modelul SISO fără constrângeri
Control Predictiv”, Ind. & Eng. Chem. Res.,36, 729-746, 1997.

Shridhar, R., ș i Cooper, D. J., „O strategie de ajustare pentru variabile multiple neconstrânse
Control Predictiv al Modelului”, Ind. & Eng. Chem. Res., 37, 4003-4016, 1998.

Qin, S. J. ș i T. A. Badgwell, "O prezentare generală a controlului predictiv industrial"

Tehnologie", Controlul Proceselor Chimice, Ian, 1-31, 1996.

Camacho, E.F. ș i Bordons, C., Control Predictiv de Model, Springer-Verlag, 1999.

Morari, M. ș i J. Lee, „Control Predictiv al Modelului: Trecut, Prezent ș i Viitor”, Comp.

Ing. Chim.21, 667-682, 1999.

Departamentul de Inginerie Chimică

Universitatea Regele Saud, 2002