工业过程实时优化技术及应用

一 引言 一般来说，工业装置的操作目标可以归纳为3个方面，按其重要顺序，即安全、产品质量和生产效率。在实现了安全生产的前提下，许多企业管理者开始考虑如何将生产自动化与经营活动结合起来，通过某种解决方案将经营目标转化成生产操作中的操作目标，根据市场变化和设备状况自动地确定控制器最优设定点，并将生产数据加工为生产信息进行反馈，从而实现企业经营目标与生产操作有机关联。 实时优化在企业自动化系统结构中的位置如图1所示。在系统结构中，实时优化处于先进控制和基础层之上。其功能是综合考虑经济信息、装置物理约束和装置自由度的前提下，最优化经济效益。要达到这个目的，实时优化系统必须能够：、感知系统当前状态，求解最佳操作点，确定从当前操作点至最佳操作点的路径。 实时优化技术分为两类：一类是稳态优化，这是传统的实时优化，采用稳态机理模型，大多利用基于方程的求解技术；另一类是动态优化，这是实时优化的新发展，采用动态模型。无论稳态实时优化还是动态实时优化，我们都将对以下3个关注点进行分析： （1）状态估计（感知系统当前状态）：是指能够判断系统当前的状态。由于各种干扰的影响，工业生产装置总是处于动态变化中。对于干扰的动态响应也是有快有慢，甚至还有逆响应或者纯滞后。这意味着在某一时刻得到的“快照”数据并不能够完全反映装置全部情况，有时甚至可能会让人们得出错误的结论。完整地评估装置当前状态还需要历史数据。状态估计既能够判断装置眼下的状态，也能预估其未来状态。 （2）最优状态（确定最佳操作点）：是指求解最佳稳态操作点。用一组代数方程来描述实际装置，然后利用线性代数和最优理论求解最佳操作点。 （3）动态路径：是指从当前操作点移动至最佳操作点路径。通常存在许多路径，由于变量间的动态耦合，直线路径未必就是最佳路径，有时甚至是不可行路径。 图1 企业自动化系统结构 二 稳态实时优化 实时优化是根据所得到的各种信息，利用计算机自动地周期性地完成优化计算，并将最优参数值直接送到先进控制器作为设定。实时优化通常采用严格的非线性过程模型、工厂约束和当前的经济信息来在线最大化生产过程经济效益。目标函数往往对于经济指标直接相关，如产品的质量和数量的提高，原料和能量消耗的降低等。实时优化实际上是稳态仿真的扩展应用。模块4描述主要利用稳态物料平衡、热量平衡，有时也用动量平衡来描述，模型最初可能是为工艺设计而开发的，采用SQP方法求解。用传统的实时优化方法描述乙烯工厂通常需要几十万个变量，显然，求解这样大规模的优化问题需要较多的计算时间。典型的执行周期包括： （1）稳态侦破：保证装置处于合理的稳态，这样当前工艺数据可被用来建立工艺初始状态。 （2）数据校正与参数估计：目的是校正工艺数据和确定模型参数，以最好地拟合上一步中建立的工艺状态。对现场实测数据要首先侦破那些由于仪表的故障或系统泄漏引起的大误差，将其删除，然后用热量及质量平衡计算来校正随机误差。这样处理过的数据称为“精练数据”，方可作为模型的输入。 （3）对上两步建立的模型进行优化求解。 （4）一致性检查。将优化结果下传到先进控制前进行一致性检查，以确保完成优化计算后的工艺状态与第一步建立的初始状态没有大的出入。 图2为稳态实时优化软件内部各模块的执行顺序。基于稳态机理模型的实时优化软件的典型代表有Aspen Tech公司的RTO、Invensys公司的ROMEO和Honeywell公司的Profit Max。在新的发展方面，Aspen Tech RTO和InvensysROMEO均将序惯模块法和面向方程的求解方法进行了整合。 对应引言中提到的3个关注点，稳态实时优化的特性如下： （1）状态估计 传统的实时优化要求将稳态工艺模型严格地匹配到当前的装置状况，需要进行数据校正和参数估计。对于动态变化比较频繁的装置，实际中不太容易确定准确的当前状态。例如乙烯装置就很少处于稳态。实践中则成了一个参数调整的问题，有两种极端情况：（1）严格的稳态判断准则，意味着等待时间长。（2）松弛的稳态判断准则，可以减少等待时间。这两种方法都有问题，对于第一种方法，等待、意味着丢失了优化的机会，虽然当达到稳态实时优化结果的意义大；对于第二种方法，优化可以进行得更频繁，但数据校正和参数估计的完备性降低了。总之，整个优化是在某种程度上的折衷。 （2）最优状态 第一，优化器的执行周期与模型大小和计算机的计算能力相关。第二，优化器计算期间进行系统的干扰能够使本次优化结果无效。由于等待稳态、计算时间长、以及中间干扰等因素，传统的实时优化在乙烯装置上的运行频次非常低。 （3）动态路径 稳态优化无法给出动态路径。通常采用人工输入的步幅限制来约束向最佳操作点的移动。由于优化模型本质上是稳态的，所以通常输入的优化步幅都比较小，以避免CV值波动过大。 传统的实时优化需要维护两套模型，一套是模型预测控制器使用的线性动态模型，另一套是实时优化使用的非线性稳态工艺模型。两套模型都描述同一个装置，却基本完全不同，无法相互利用。这意味着模型的开发和维护都需要重复投资。 总之，传统的实时优化基于稳态模型，实时优化的很多时间用于等待装置处于稳态，并且下传稳态优化结果的前提是优化计算期间没有中间干扰进入系统。对于动态响应比较快或者干扰少的装置，实时优化仅用于适应企业外部的市场需求变化，传统的优化说够了。对于动态变化比较频繁的装置，传统实时优化可能给装置带来最大效益。为此，众多的学者和公司在研究如何引入动态模型，对大工业过程进行实时动态优化。 三 动态实时优化——实时优化的新发展 从实用的观点看，分层优化方法可以为用户提供最好的投资回报。近些年，实时优化与先进控制的主要供应商都推出了这样的解决方案，如AspenTech 公司的DMCPlus、CLP、RTO 和Honeywell公司的Profit Controller、Profit Optimizer、Profit Max。以Honeywell公司为例，其中分层优化框架包括三层： （1）通过Profit Controller实施的局部优化； （2）通过Profit Optimizer实施的全局实时优化； （3）通过Profit Max利用严格的机理模型对高度非线性过程实施优化。 这一分层优化的方法将Profit Optimizer作为实施基于严格机理模型的实时优化的基础，充分利用已经安装的多变量控制器，从而降低实施实时优化的成本和风险。 Profit Optimizer采用了其特有的基于分布式二次规划（DQP）的协调控制与优化算法。该算法利用动态关联模型对各Profit Controller所对应的单元间的相互干扰进行描述，同时，将动态控制层的约束条件和其他的全局优化变量及中间变量的动态约束条件结合起来。Profit Optimizer不仅能给出最佳操作点，而且能计算出达到最佳操作点的最优路径。Profit Optimizer将传统的稳态优化问题化为整个控制框架下的动态问题，通过及时的现场反馈处理和实时求解动态优化问题，逐步逼近稳态最优解。 这一突破性的技术将传统的基于机理的模型的优化问题转化为控制/协调问题。Profit Optimizer能非常有效地处理实时优化中的动态问题，并将优化结果输出给其下一层的Profit Controller，后者通过跟踪Profit Optimizer给出的优化指标，将装置推动到它的最优操作点。它比较少适合于解决中大规模的实时控制与优化问题。Profit Optimizer易于实施，并且比传统的实时优化方法有更强的鲁棒性，其良好的准确度通过直接的、频繁的过程反馈来保持。由于Profit Optimizer每1~2min运行一次，它可很快地检测到干扰并及时作出响应。因此，它能使装置的运行更接近装置约束，更接近优化目标。 Profit Optimizer的基础模型来自Profit Controller，都是线性动态模型，对于高度非线性的过程，增益更新技术是提高多变压量预测控制适应范围的一个很有效的方法，通常，增益更新是采用对非线性模型进行数值蠕动的方法。由于只需要工艺变量间的商，因此不要求在每个执行周期都进行严格地参数拟合。执行周期短和连续增益更新使得Profit Optimizer求解大规模非线性优化问题的宏观表现类似于SQP法求解非线性问题。 对应引言中提到的3个关注点，Profit Optimizer的特性如下： （1）状态估计 由于已经包含了装置的动态模型，Profit Optimizer在进行优化计算时不要求装置处于稳态。Profit Optimizer的执行周期通常为1min，这样可以频繁得到现场反馈数据，以补偿模型失配。Profit Optimizer的模型准确地知道每一个过程变量的当前值和未来值。 （2）最优状态 在Profit Optimizer中，优化问题是半整定QP问题，一定有解，且求解速度过快。通常Profit Optimizer与Profit Controller的执行周期相同。 （3）动态路径 Profit Optimizer将按照最小能量路径将生产推向最佳操作点。最小能量路径即是最小MV调节量。 以Profit Optimizer为代表的动态优化是实时优化技术的进步。采用动态模型代替稳态优化模型，优化计算不要求装置处于稳态。以QP描述优化，求解方便。严格稳态模型与动态系统相集成的方案实现在线更新先进控制器和优化器模型增益，以处理非线性。Profit Optimizer适合于解决现实中的动态优化问题。 图3为Profit Optimizer的应用结构。作为