过程设定控制系统及其控制方法.pdf

本发明提供一种过程设定控制系统及控制方法，该系统主要包括：预测模型，其基于起始测量结果和实际操作数据，实时估算当前控制变量条件下被控变量的数值大小；预设定模型，其根据控制过程的起始条件和控制目标确定过程控制变量的大小；校正模型，其根据预测模型的被控变量的数值大小与目标值之间的差距，进一步调整控制变量的大小；决策系统，其依据该预测结果并对照生产目标，推理判定相关变量是否进入目标区域，并适时发送相应操作指令。本发明有助于保证生产过程的平稳性、安全性，另外对提高产品终点命中率起着显著作用。

权利要求书
1、  一种过程设定控制系统，其特征在于，包括：
预测模型，其基于起始测量结果和实际操作数据，实时估算当前控制变量条件下被控变量的数值大小；
预设定模型，其根据控制过程的起始条件和控制目标确定过程控制变量的大小；
校正模型，其根据预测模型的被控变量的数值大小与目标值之间的差距，进一步调整控制变量的大小；
决策模型，其依据该预测结果并对照生产目标，推理判定相关变量是否进入目标区域，并适时发送相应操作指令。

2、  根据权利要求1所述的过程设定控制系统，其特征在于，所述的预测模型采用神经网络结构进行建模。

3、  根据权利要求1所述的过程设定控制系统，其特征在于，所述的预定模型采用机理模型。

4、  根据权利要求1所述的过程设定控制系统，其特征在于，所述的校正模型采用模糊推理模型。

5、  根据权利要求1所述的过程设定控制系统，其特征在于，所述的决策模型采用专家推理模型。

6、  一种过程式设定控制方法，其特征在于，包括如下步骤：在获得某一生产周期的生产目标值以及生产过程初始测定结果之后，由预设定模型实时确定本过程的控制变量的大小，并进行设定值粗调；预测模型估算当前控制变量条件下被控变量的数值大小，并由校正模型，通过判断预测模型的软测量结果与生产目标之间的差距，来精调各控制变量的大小，同时决策模型依据该预测结果并对照生产目标，推理判定相关变量是否进入目标区域，并在自动控制模式下发送停止生产指令，不断重复处理上述步骤，直至预测模型的输出命中生产目标。

说明书过程设定控制系统及其控制方法
技术领域
本发明涉及一种用于生产过程中的控制系统及其方法，其可广泛应用于冶金工业的冶炼过程(转炉炼钢、电炉炼钢、炉外精炼等)和众多化工生产过程。
背景技术
在日常工业生产中，许多生产过程因具体原因不能进行信号在线实时检测而不能采用常规闭环控制方法。目前常用的过程设定控制计算机应用软件大部分都是按照具体的生产过程和控制对象进行定制，其控制系统主要是依据过程机理模型和实际生产经验而制作，因些通用性差，对生产工艺和生产设备的依赖性大，一旦生产设备或者生产工艺发生变化后，相应的控制软件都要做相应的改动，程序的复用性不强，存在严重的局限性。
发明内容
本发明所要解决的技术问题是提供一种过程设定控制系统及其方法，其主要依据被控过程的起始信息和控制目标对整个生产过程进行控制，从而能够通过参数配置的方法适用于不同工业生产过程控制。
为了解决上述技术问题，本发明采用了下述技术方案：
本发明提供一种过程设定控制系统，其主要包括：
预测模型，其基于起始测量结果和实际操作数据，实时估算当前控制变量条件下被控变量的数值大小；
预设定模型，其根据控制过程的起始条件和控制目标确定过程控制变量的大小；
校正模型，其根据预测模型的被控变量的数值大小与目标值之间的差距，进一步调整控制变量的大小；
决策系统，其依据该预测结果并对照生产目标，推理判定相关变量是否进入目标区域，并适时发送相应操作指令。另外该系统可通过相应接口实现与领域模型数据对接的功能。
同时，本发明还提供一种过程式设定控制方法，包括如下步骤：在获得某一生产周期的生产目标值以及生产过程初始测定结果之后，由预设定模型实时确定本过程的控制变量的大小，并进行设定值粗调；预测模型估算当前控制变量条件下被控变量的数值大小，并由校正模型，通过判断预测模型的软测量结果与生产目标之间的差距，来精调各控制变量地大小，同时决策系统依据该预测结果并对照生产目标，推理判定相关变量是否进入目标区域，并在自动控制模式下发送停止生产指令。上述过程不断重复处理，直至预测模型的输出命中生产目标。
本发明有助于保证生产过程的平稳性、安全性，另外对提高产品终点命中率起着显著作用。本发明的优点和技术上的进步如下：
(1)基于多项人工智能技术，可综合应用于多种控制领域。
(2)实现统一的工业过程设定控制功能，即可不按照具体生产过程实现，对于不同的生产过程控制软件可通过配置参数或在线学习而实现，另外系统对外提供专业模型数据接口。
附图说明
图1是本发明的过程设定控制系统的结构示意图。
图2是本发明的预测模型的结构示意图。
具体实施方式
如图1所示：本发明的过程设定控制系统，主要包括：预设定模型1、校正模型2、预测模型3和决策系统4以及各自相应的辅助部分所组成。该系统可确定被控制过程的控制变量的大小，并将该控制量设定到相应的PLC控制器以参与相应的过程控制。
在此以一个两输入(u1(t)，u2(t))两输出(y1(t)，y2(t))的被控过程为例，简要讲述该软件控制系统的主要内容：
预设定模型1的主要作用是：根据控制过程的起始条件y1(t0)、y2(t0)和控制目标y1AIM、y2AIM，初步确定控制过程所需的控制量大小u1(0)、u2(0)。
校正模型2，通过对照预测模型的软测量结果(y1′(k)，y2′(k))与目标值y1AIM、y2AIM之间的差距(Δy1′(k)，Δy2′(k))，进一步调整控制变量的大小。
决策系统4，根据预测模型的软测量结果(y1′(k)，y2′(k))，并对照控制目标的设定值(y1AIM，，y2AIM)，采用专家推理技术推理判定被控量是否命中目标区域，从而实现控制决策功能。
为了提高控制系统的适应能力和对实际过程的跟踪能力，在系统的预设定模型和预测模型中，应分别采用自适应技术实现各模型的自学习功能。
(1)预测模型3
预测模型基于起始测量结果(y1(t0)，y2(t0))和实际操作数据(u1(k)，u2(k))，实时预测推定当前时刻的被控量y1′(k)和y2′(k)的大小，从而实现对被控过程的在线软测量过程。
预测模型在整个控制系统中起着关键作用，是整个控制结构的基础，也是提高该控制系统控制精度的关键，其建模效果的好坏直接影响了系统最终所确定的控制量(u1(k)，u2(k))的准确性以及整个控制过程的命中率精度。因为人工神经网络(ANN)具有建模简单，对先验性知识的依赖度低，并且具有任意逼近能力和在线学习功能，本发明采用神经网络作为一种默认对象建模手段，同时仍提供其它对象模型的数据接口手段，如图2所示。
在神经网络处理过程中，不同的网络隐层响应函数会侧重反映数据样本不同的数据特性，如Gaussian函数着重反映数据域的中间段特性，而Gaussian函数的余值主要反映了数据域上限、下限附近区域的特性，因而将多个不同的数据特性加以有机组合并反映到神经网络的输出层，将有利于提高网络的预测效果，而已本系统默认采用了三层Back Propagation网络进行预测模型的建模，并采用如下结构的神经网络，其中隐含层被划分为3个层块，并分别采用Gaussian函数、Gaussian函数的余和Tanh函数作为隐含层响应函数。实践证明该网络结构选择获得良好的效果。
(2)预设定模型1
预设定模型的计算，是在明确了冶炼目标y1AIM、y2AIM并获得起始条件数据y1(t0)、y2(t0)之后，由预设定模型计算确定过程控制变量的初始值u1(0)、u2(0)。
预设定模型以：Y(t)＝[y1AIM，y2AIM]r为输入变量，U(t)＝[u1(0)，u2(0)]r为输出变量。由于预设定模型仅提供控制量的初值，因而系统对其精度要求不太高，该模型可以采用相对简单的机理模型。
在连续生产中，由于生产条件和操作条件变化频繁，模型参数不断变化，为了提高预设定模型的计算精度，预设定模型系数可以具有自适应、自学习功能。在生产处理结束并满足一定具体条件之后，由自适应、自学习模块根据预设定模型计算误差反馈学习模型系数，以提高控制系统的自适应能力。
(3)校正模型2
校正模型，通过对照预测模型的软测量结果(y1′(k)，y2′(k))与生产目标y1AIM、y2AIM之间的差距(Δy1′(k)，Δy2′(k))，进一步调整生产过程的控制变量的大小，以保证预测模型的输出命中生产目标。
校正模型根据具体的控制量的类型和数目，分别建立。如果有关变量间存在耦合作用，则校正模型需要进行适当的简化处理。一般而已，校正模型可以采用模糊逻辑建模而确立。为便于控制量的修改，模糊调整规则采用T-S规则：
if e is Ai then u is ui                                (1)
其中：Ai(i∈I＝[-m，…，-2，-1，0，1，2，…，m])为偏差e的模糊语言值；ui∈U(i∈I[-m，…，-2，-1，0，1，2，…，m])为确定的函数或确定的值而非模糊集；U为控制量u的论域。
校正模型的输入变量Δy1′(k)和Δy2′(k)均分成模糊集{NB，NM，NS，ZE，PS，PM，PB}，并采用三角形隶属函数。
设Δy1′(k)和Δy2′(k)的隶属函数分别为μ1和μ2，采用乘积求和推理方法，并采用重心法解模糊，即可获得各控制变量的自校正模型的输出分别为
Δu 1 = Σ μ 1 ( i ) · δ 1 ( i ) Σ μ 1 ( i ) ]]>
Δu 2 = Σ μ 2 ( i ) · δ 2 ( i ) Σ μ 2 ( i ) ]]>
(2)
(4)决策系统4
决策系统的主要任务为：判定被控对象的相关变量是否进入生产目标范围内，并在选择计算机方式控制时发送相关指令。
知识库表示采用产生式表示法，系统主要包括：知识库和推理机两个主要部分组成，其中知识库由规则库和数据库组成。规则库式产生式规则的集合，是整个决策系统的核心，数据库式事实的集合。推理机控制协调规则库与数据库的运行，包含了推理过程的推理方式和控制策略。本系统推理机采用正向推理的数据驱动方法(从已知事实出发，通过规则库求得结论)。
推理系统依据冶炼初始条件、目标要求、以及其它条件数据，形成推理过程的上下文数据库，并依据知识库由推理机推理判断停止生产标识符的输出值，从而确定相关操作。
由于上述的神经网络模型、机理模型、模糊推理模型、专家推理模型均为现有技术，因此本专利不再赘述。