【技术实现步骤摘要】
本专利技术涉及最优控制领域，尤其是一种约束优先的工业过程动态优化系统。
技术介绍
随着现代工业生产过程要求的不断提高，非线性、不确定、高维等动态特性问题日益成为企业提高产量、降低能耗的瓶颈。采用动态优化方法来解决工业过程优化控制中的瓶颈问题和挖潜增效，已经越来越受到国内外学术界和工业界的重视。 工业过程动态优化问题往往具有状态变量边值固定约束，如阀门、反应器容量、压力、摩尔分率等的限制。因此，边值固定问题是工业过程动态优化的关键和热点。 罚函数法是处理边值固定问题的常用策略，它在原目标函数的基础上增加罚函数项构成新的目标函数，从而消除了动态模型中的边值固定约束，但是罚函数法的有效性与惩罚因子的取值密切相关，选值不当将导致病态，严重影响计算效果，而如何选取合适的惩罚因子并无成规可循，往往需要逐步试算，效率较低。
技术实现思路
为了克服传统的罚函数法在处理边值固定动态优化问题时会出现病态现象、以及计算不准确、求解效率低的不足，本专利技术提供了一种能够准确、快速地找到边值固定问题的最优解，而且稳定性高、适用性广的约束优先的工业过程动态优化系统及方法。 本专利技术解决其技术问题所采用的技术方案是 一种约束优先的工业过程动态优化系统，包括与工业过程对象连接的现场智能仪表、DCS系统和上位机，所述的DCS系统包括数据库和控制站，所述现场智能仪表与所述DCS系统连接，所述DCS系统与上位机连接，所述的上位机包括 约束转化模块，用于转化边值固定动态优化问题中的控制变量边界约束和状态变量终值约束(边值固定约束)，从而有利于优化问题的求解，采取以下步骤...
【技术保护点】
一种约束优先的工业过程动态优化系统，包括与工业过程对象连接的现场智能仪表、ＤＣＳ系统和上位机，所述的ＤＣＳ系统包括数据库和控制站，所述现场智能仪表与所述ＤＣＳ系统连接，所述ＤＣＳ系统与上位机连接，其特征在于：所述的上位机包括：约束转化模块，用于转化边值固定动态优化问题中的控制变量边界约束和状态变量终值约束，采取以下步骤来完成：（２．１）通过中间变量处理控制变量边界约束，即对于具有式（１）所示边界约束：μ↓［ｍｉｎ］≤ｕ（ｔ）≤ｕ↓［ｍａｘ］（１）ｍ维控制变量ｕ（ｔ），下标ｍｉ４．１）内层优化，即寻找使目标函数Ｊ１最优的决策向量ｚ１（ｔ），且ｚ１（ｔ）须满足状态方程，即式（６）和内层优化的协态方程，即式（７）：ｄλ（ｔ）／ｄｔ＝－λ（ｔ）Ｔ.＊ｆ［ｘ（ｔ），ｚ（ｔ），ｔ］／＊ｘ，λ（ｔｆ）＝＊Ｊ↓［１］／＊ｘ（ｔｆ）（７）其中，λ（ｔ）表示ｍ维协态向量，上标Ｔ表示向量转置，式（６）与式（７）构成内层常微分方程系统；内层优化所得的最优决策变量ｚ１（ｔ）传给外层作为外层优化的初始解；（４．２）外层优化，目的是在内层优化基础上搜寻使目标函数Ｊ↓［２］最优的决策向量ｚ２（ｔ），且ｚ２（ｔ）须满足...
【技术特征摘要】
1.一种约束优先的工业过程动态优化系统，包括与工业过程对象连接的现场智能仪表、DCS系统和上位机，所述的DCS系统包括数据库和控制站，所述现场智能仪表与所述DCS系统连接，所述DCS系统与上位机连接，其特征在于所述的上位机包括约束转化模块，用于转化边值固定动态优化问题中的控制变量边界约束和状态变量终值约束，采取以下步骤来完成(2.1)通过中间变量处理控制变量边界约束，即对于具有式(1)所示边界约束μmin≤u(t)≤umax(1)m维控制变量u(t)，下标min、max分别表示最小值和最大值，umin、umax均为常量，分别对应控制变量的下界和上界，采取以下变换u(t)＝0.5(umax-umin)×{sin[z(t)]+1}+umin(2)将u(t)转化为不受边界约束的中间变量z(t)的三角函数表达式，并把z(t)作为动态优化问题的决策变量进行求解；(2.2)将状态变量终值约束转化为新的目标函数，即对于具有终值约束的状态变量xj(t)，其中，c表示受终值约束的状态变量个数，xjf为给定的常量，xj(tf)表示状态变量xj(t)在终端时刻tf的取值，所述终值约束为xj(tf)＝xjf(j＝1，2，...，c)(3)构造如下目标函数J1是双层优化模块求解的内层目标函数；初始化模块，用于初始参数的设置，决策向量z(t)的离散化和初始赋值，具体步骤如下(3.1)将时间域平均分成N小段，[t1，t2]，…，[tN-1，tN]，其中tN＝tf；每个时间段的长度为tf/N；(3.2)对n维决策向量z(t)在步骤(3.1)所述时间分段上进行离散化，即每个决策变量用N个分段常值表示，并取初始决策向量z0为任意常数向量；(3.3)设内外层优化的收敛精度分别为ζ1、ζ2，当优化目标值迭代误差小于收敛精度时，停止迭代，迭代次数分别为k、l，k、l的初值均取为0；设内层优化的初始搜索步长为α0，迭代搜索的初始决策向量为z10；双层优化模块，用于寻找不仅能使动态优化问题的目标函数最优，参照式(5)而且能够满足边值固定约束，即式(3)和状态方程，即式(6)的最优决策向量z＊(t)，式(5)(6)中ψ分别表示在终点条件下和在一段时间内目标函数的组成部分，x表示给定的n维状态向量，x0表示初始时刻，即t＝0的状态向量值，f表示函数向量，采取内外两层优化的结构进行求解(4.1)内层优化，即寻找使目标函数J1最优的决策向量z1(t)，且z1(t)须满足状态方程，即式(6)和内层优化的协态方程，即式(7)其中，λ(t)表示m维协态向量，上标T表示向量转置，式(6)与式(7)构成内层常微分方程系统；内层优化所得的最优决策变量z1(t)传给外层作为外层优化的初始解；(4.2)外层优化，目的是在内层优化基础上搜寻使目标函数J2最优的决策向量z2(t)，且z2(t)须满足状态方程，即式(6)和外层优化的协态方程，即式(8)其中，θ(t)表示m维协态向量，ψ分别表示在终点条件下和在一段时间内目标函数J2的组成部分，式(6)与式(8)构成外层常微分方程系统；外层优化所得的最优决策向量z2(t)就是双层优化的最优解z*(t)，相应的J2值就是双层优化的最优目标值J*；然后，保存双层优化得到的最优结果z*(t)和J*，并将其传给输出显示模块。2.根据权利要求1所述的一种约束优先的工业过程动态优化系统，其特征在于所述步骤(4.1)中，内层优化按照以下步骤来实现(4.1.1)选取迭代初始点z10，若k＝l＝0，则z10＝z0，否则z10取值为外层输入的z2l；(4.1.2)将第k次的迭代点z1k代入内层ODE系统，k＝0时，z1k＝z10，采用龙格库塔法对式(6)和(7)分别进行前向积分和后向积分，求解出状态向量x和协态向量λ，并由式(4)计算出第k次迭代的目标值J1k；(4.1.3)判断收敛条件，即式(9)是否成立，若成立，则内层的最优解z1*＝z1k，将z1*传给外层，作为外层迭代的初始解；否则转步骤(4)；|J1k-J1k+1|≤ζ1(4.1.4)将状态向量x和迭代点z1k代入式(10)计算梯度gk，并保存z1k和gk；(4.1.5)确定最佳搜索步长αk若k＝0时，取αk＝α0，转步骤(4.1.6)；否则，依据式(11)～(13)求取步长因子αksk-1＝z1k-z1k-1，yk-1＝gk-gk-1(13)其中，sk-1表示当前迭代点与前一迭代点的误差，yk-1表示当前迭代点与前一迭代点的梯度误差，D取区间[5，8]内的整数值；(4.1.6)计算下一个迭代点z1k+1＝z1k-αk·gk(14)(4.1.7)将迭代次数加1，即k＝k+1，将步骤(4.1.6)中的z1k+1保存为当前点z1k继续迭代，转步骤(4.1.2)；所述步骤(4.2)中，外层优化依照以下算法步骤来实现(4.2.1)取当前迭代点为z2l＝z1*，l为当前迭代次数，将其代入外层ODE系统，采用龙格库塔法对式(6)和(8)分别进行前向积分和后向积分，求解出状态向量x和协态向量θ，并由式(4)计算出第l次迭代的目标值J2l；(4.2.2)判断收敛条件，即式(15)是否成立，若成立，则双层优化的最优解z*＝z2l，最优目标函数值J*＝J2l，保存并传递z*和J*到输出显示模块；否则转下一步；|J2k-J2k+1|≤ζ2(15)(4.2.3)将状态向量x和迭代点z1l代入式(16)计算梯度hl，并保存z2l和hl；(4.2.4)依据式(17)～(19)计算搜索方向向量dl，其中P表示变换矩阵，上标l表示迭代次数，上标T表示向量转置，I表示单位矩阵，wl-1表示当前迭代点与前一迭代点的误差，vl-1表示当前迭代点与前一迭代点的梯度误差；dl＝-Pl·hl (17)wl-1＝z2l-z2l-1，vl-1＝hl-hl-1(19)(4.2.5)依据牛顿法进行精确搜索，求出使J2(z2l+γdl)最小的步长γ＝γl；(4.2.6)计算下一个迭代点z2l+1＝z2l+γl·dl(20)(4.2.7)将迭代次数加1，即l＝l+1，将步骤(4.2.6)中的z2l+1保存为当前点z2l传给内层继续优化。3.如权利要求1或2所述的一种约束优先的工业过程动态优化系统，其特征在于所述上位机还包括信息采集模块，用于设定采样时间，采集由现场智能仪表上传的工业过程对象的动态信息。4.如权利要求2所述的一种约束优先的工业过程动态优化系统，其特征在于所述上位机还包括输出显示模块，用于将双层优化模块计算出的最优决策结果z*(t)通过式(2)转化为最优控制轨线u*(t)，然后将u*(t)和最优目标值J*传输给DCS系统，并在DCS系统中显示所得到...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。