复杂大化工过程的分布式广义预测控制研究

Predictive control strategy is a key technology to stabilize processes and increase economic benefit in chemical enterprises. But now it is inefficient for the computational difficulty with the chemical processes becoming large scale and complicated. The research of distributed model predictive control(MPC), aimed at large scale chemical processes, is of great value in application. The fashionable distributed MPC theory is based on known state space models, and the predictive controllers are incapable of regulating with the object fluctuation, and moreover, the optimal solution sometimes deviates from Pareto optimal solution for nowadays cooperative strategy. Hence，the research of distributed generalized predictive control (GPC) algorithm for large scale chemical processes is proposed in the project. Firstly, the decomposition method of large scale chemical processes is explored. Then the CARIMA model formulation and online identification algorithm are studied based on relativity analysis, discrete PSO algorithm and two step identification method. And then the proposed competitive cooperative strategy by weighted local objectives is researched, and optimization question is formulated including master operative variables and these from neighbor sub-systems. Then，corresponding unconstrained and constrained optimization question are solved by optimality condition and fast barrier interior-point method, respectively. The analysis of algorithm convergence and control system stability is followed and experimental verification are implemented finally. And so, the primal distributed GPC theory for large scale chemical processes is constructed preliminarily, and practicability of distributed MPC is enhanced.

预测控制是化工企业稳定生产、提高效益的关键技术，但化工过程的大型化、复杂化使传统的集中式预测控制遇到了计算上的困难，针对复杂大化工过程的分布式预测控制(MPC)研究具有非常重要的应用价值。鉴于目前的分布式MPC理论假定状态空间模型已知，预测控制器不能及时根据对象特性变化作调整，且协调策略会导致优化解偏离Pareto最优解的问题，本课题提出研究大化工过程的分布式广义预测控制(GPC)算法。首先从大化工过程的子系统分解方法入手，基于相关性分析、离散PSO算法和两步辨识法研究分布式CARIMA模型表达形式及在线辨识算法；提出研究具有竞争机制的局部目标加权协调策略，构建包含主控制变量及邻域子系统控制变量的优化问题，采用最优性条件和快速障碍内点优化算法分别求解相应的无约束和有约束优化问题；分析控制系统收敛性和稳定性条件并进行实验验证，初步构建大化工过程分布式GPC基本理论，提高分布式MPC的实用性。

分布式模型预测控制算法是针对复杂大规模化工过程的先进控制问题提出的。目前分布式MPC尚未能应用于实际化工过程，主要原因在于：（1）大化工过程的内部关联非常复杂，且大多数存在时变性，系统分解方法和分布式建模理论尚不完善；（2）子控制器的协调策略不恰当，优化过程未考虑对其它子系统控制量的需求，导致系统控制精度不高；（3）子控制器不能随对象特性变化自适应调整，导致控制性算法鲁棒性差。本项目针对上述问题展开研究工作，主要在大化工过程系统分解、过程建模、预测控制策略等方面进行了研究，具体工作包括：.（1）针对目前分布式预测控制理论假定子系统模型已知，无法直接用于实际化工过程的现状，提出了数据驱动的基于CCA的大化工过程分解算法，利用数据分析判断过程变量之间的相关性，从而实现对大化工过程的分解，同时研究了子系统PLS建模以及增强模型鲁棒性的块式递推PLS算法。所研究算法在TE化工过程的系统分解及分布式建模问题上做了测试，取得了良好的效果。.（2）针对复杂化工过程多工况、非线性的特征，研究了基于AP-SVM的多模型建模算法，选择性滑动时间窗PLS建模算法，基于模型性能评估的RPLS建模算法，基于谱聚类的多模型建模算法，在跳汰机松散度软测量模型、ARA发酵过程建模、丙烯精馏塔建模、芳烃临氢异构化过程建模等大量案例中进行了仿真验证，表明了所研究算法的有效性。此外，通过ASPEN PLUS流程模拟软件建立了SHELL煤气化过程的模型，并通过数据验证了其可靠性，为后续分布式MPC工业应用建立了模拟基础。.（3）在多种预测模型形式下研究了相应的预测控制策略，包括基于AP-LSSVM的预测控制算法，基于在线局部模型的预测控制算法，基于分布式模型的关联子系统协调预测控制算法，基于分布式模型的MPC快速优化策略，在芳烃异构化过程、TE过程、苯乙烯聚合反应过程的仿真验证了所研究算法的良好性能。.（4）针对工业MPC维护的盲目性问题，研究了基于数据的MPC模型性能评估方法，给出了深入到各子模型的评价指标。通过wood-berry精馏过程的仿真应用说明了该方法的有效性，为工业MPC的维护给出了方向性引导，为以后开展分布式MPC模型性能评估奠定了基础。.项目研究成果丰富和充实了复杂大化工过程的分布式预测控制理论，解决了分布式MPC向工业应用推进的若干实际问题，一定程度上推动了其在工业上的应用。