專利名稱：基于新型廣義預測控制的在線關鍵參數(shù)測量方法
技術領域：
本發(fā)明涉及流程工業(yè)測控領域，是一種基于新型廣義預測控制的在線關鍵參數(shù)測量方法。
背景技術：
在流程工業(yè)領域，特別是在熱工行業(yè)中，存在大量的難以測量的關鍵參數(shù)，一般只能靠人工手段或者是人工經(jīng)驗判斷的情況，實現(xiàn)在線關鍵參數(shù)測量是必須的。故目前主要采用軟測量模型進行實時的測量，即通過測量易于檢測的輔助變量，基于估計模型來估算出難以甚至無法測量的變量。
目前熱工行業(yè)中測量設備精度不高，投資大，使用壽命短，而且測量滯后較大，很難實現(xiàn)燃燒過程的在線實時測控。近年來逐步采用了軟測量技術來解決此類問題。采用間接測量的思路，利用易于獲取的其它參數(shù)，通過計算來實現(xiàn)被檢測量的估計，是近來在過程控制和檢測領域涌現(xiàn)出的一種新技術—軟測量技術(Soft-Sensing Technique)。軟測量技術也稱為軟儀表技術，就是利用易測過程變量(如工業(yè)過程中容易獲取的壓力、溫度等過程參數(shù))，依據(jù)這些易測過程變量與難以直接測量的待測過程變量(如鍋爐燃燒過程中的煙氣含氧量等)之間的軟測量模型，通過各種計算和估計方法，從而實現(xiàn)對待測過程變量的測量。
關鍵參量是指那些在控制中必不可少的且用常規(guī)測量方法難以得到實時準確數(shù)據(jù)的參數(shù)，如爐膛溫度、煙氣含氧量(O2)、碳氧化合物含量(CO2、CO)、氮氧化合物含量(NOx)、水蒸氣含量(H2O)、粉塵濃度以及燃燒過程時滯常數(shù)(τ)等。其中，爐膛溫度是保證燃燒和鍋爐運行的關鍵參量；含氧量是關系到風煤配比、評價燃燒優(yōu)劣重要過程參數(shù)，也是重要的目標參數(shù)；而SO2、CO2、CO、H2O、NOx、粉塵濃度等則是熱損計算和評估鍋爐效率必不可少的參數(shù)。這些參數(shù)采用常規(guī)的檢測方法很難保證實時、準確的要求。而對于那些雖然是控制必需但可容易獲取的參數(shù)，如爐膛負壓、出水壓力、煙氣溫度等參數(shù)，則不列入關鍵參量中。
目前，工程上煙氣含氧量主要依賴氧化鋯傳感器實現(xiàn)測量。SO2、CO2等參數(shù)由安裝在煙囪上煙氣分析儀提供。由于反應過程的時滯、安裝位置限制、儀表自身特性等原因，使得這些參數(shù)不能滿足測量與控制時域適配的要求。目前，之所以一些高水平的理論研究不能應用到工程實際，其中一個重要的原因就是忽略了這一因素的影響。
氧化鋯測量煙氣含氧量的弊病主要有，一是中毒現(xiàn)象時有發(fā)生，造成測量失準；二是由于燃燒反應的過渡過程、煙氣流通的時延造成測量滯后；三是氧化鋯自身時滯性造成測量滯后。事實上，現(xiàn)在工程上的氧化鋯測量氧含量只有在穩(wěn)態(tài)情況下才可能反應工況的真正結(jié)果，類似的，SO2的測量也存在同樣問題。
關鍵參量的實時測量是鍋爐燃燒過程控制中至關重要的問題。對于解決那些具有大時滯特性信號，或不能用直接方法測量的關鍵參量，通常采用軟測量的方法。
廣義預測控制是具有預測模型、滾動優(yōu)化和反饋校正和自適應特點的一種先進算法，論文研究的新型算法更具有快速收斂性的特點，可以把廣義預測技術應用到煙氣含氧量測量之中，實現(xiàn)鍋爐燃燒過程關鍵參量的軟測量。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于新型廣義預測控制的在線關鍵參數(shù)測量方法，它利用廣義預測控制的優(yōu)勢，對軟測量關鍵參數(shù)模型進行滾動優(yōu)化和反饋校正，使得軟測量關鍵參數(shù)模型輸出具有良好的精度和趨勢。
本發(fā)明解決其技術問題所采用的技術方案是根據(jù)過程控制的時滯特性和關鍵參數(shù)的測量方法，利用新型廣義預測控制器，建立了基于廣義預測算法的軟測量預測模型，實現(xiàn)了過程控制關鍵參量的實時在線測量，具體包括測量模型建立、初始化、新型預測控制方法、反饋校正和基于新型廣義預測控制的在線關鍵參數(shù)測量方法四個步驟(1)建立測量模型根據(jù)廣義預測控制技術特征和過程控制時滯特性建立測量模型(2)初始化及求解最優(yōu)控制律根據(jù)測量模型設定控制參數(shù)，利用新型廣義預測控制方法求解最優(yōu)控制律；(3)模型反饋校正采用時變遺忘因子兩段參數(shù)估計方法進行模型反饋校正，優(yōu)化控制參數(shù)；(4)基于廣義預測控制在線關鍵參數(shù)測量方法根據(jù)新型廣義預測控制器計算、輸出關鍵參數(shù)測量值。
所述建立的測量模型，具體如下確定系統(tǒng)的過程控制的目標函數(shù)為J=E{(ψ-w)T(ψ-w)+λψTψ}]]>=E{(Gu→+f→+e→-w→)T(Gu→+f→+e→-w→)+λ(Pu→+δ→)T(Pu→+δ→)}]]>為了求得最優(yōu)控制律 由目標函數(shù)式可得(GTG+λPTP)u→=GT(w→-f→-e→)-λPTδ→]]>由數(shù)學分析可知由方程所求得的 即為使得目標函數(shù)式中的J取得最小值的最優(yōu)解。
所述初始化及求解最優(yōu)控制律，具體如下由于新型控制算法采用矩陣遞推迭代方法，避免了傳統(tǒng)方法求解最優(yōu)控制律中逆矩陣的計算，運算復雜度下降了M(矩陣階數(shù))的平方階次，節(jié)省的計算量和存儲量這樣就可以擴大預測時域和控制時域的選取范圍，增加測控系統(tǒng)的穩(wěn)定性，可以實現(xiàn)鍋爐關鍵參數(shù)實時在線軟測量；
遞推優(yōu)化算法如下記GTG+λPTP=a11a12···a1Ma21a22···a2M············aM1aM2···aMM=a→1ta→2t···a→Mt]]>GT(w→-f→)-λPTδ→=b→t=[b→1,···,b→M]]]>(1)讀入M，t，a→it=(ail,···,aiM),]]>i＝1，2，…，Me1＝(1，0，…，0)，…，ej＝(0，…，0，1，0，…，0)，…，eM＝(0，0，…，1)，b→t=[b→1,···,b→M],]]>u→T=(u1,···,uM),]]>ui＝Δuf(t+i-1)，i＝1，2，…，M(2)任取u→1∈EM,]]>這里不妨取u→1=(0,···,0)∈EM,]]>取H1∈EM×M為任意非奇異對稱陣，這里不妨取H1T=(e1,···,eM),]]>置i＝1，iflag＝0；(3)計算在 處殘差向量的第i個分量，τi=a→iTu→i-b→i,]]>計算搜索向量Si=Hia→i;]]>(4)若Si≠0→,]]>轉(zhuǎn)步(5)；若Si=0→,]]>同時τi=0→,]]>則置u→i+1=u→i,]]>Hi+1＝Hi，iflag＝iflag+1，若i＜M轉(zhuǎn)步(7)；否則停止計算；此時 為方程式的解。若Si=0→,]]>但τi≠0→,]]>則置iflag＝-i停止計算，此時方程組式不相容，也即目標函數(shù)式無最優(yōu)解；(5)修正解的近似值，u→i+1=u→i-λiSi,]]>其中步長λi=τi/a→iTSi,]]>若i＝M，停止計算， 為方程式的解；(6)修正矩陣Hi，Hi+1=Hi-Si(Si)T/a→iTSi;]]>(7)置i＝i+1，轉(zhuǎn)步(3)；u→=uM+1]]>停止，此時得到方程式的解，也即得到了使得目標函數(shù)式中J取得最小值的最優(yōu)解。從而Δuf(t)=[1,0,···,0]u→]]>則在t時刻的控制量為u(t)＝T(Z-1)[uf(t-1)+Δuf(t)]所述初始化及求解最優(yōu)控制律，模型的反饋校正，是利用此采樣時刻的廣義預測模型計算最優(yōu)值和給定值之間的偏差實時在線修正模型參數(shù)，這種基于廣義預測控制模型，根據(jù)系統(tǒng)的實際輸出不斷對預測控制輸出值進行滾動優(yōu)化修正，而且利用了反饋信息，構(gòu)成閉環(huán)優(yōu)化校正；反饋校正參數(shù)估計采用時變遺忘因子兩段參數(shù)估計性能指標加權(quán)的廣義預測自適應的優(yōu)化控制算法，具體如下預測模型采用A(z-1)Δyf(t)＝B(z-1)Δuf(t-1)+D(z-1)Δvf(t-1)+C(z-1)ξf(t)定理若A(z-1)和C(z-1)是穩(wěn)定的，則預測模型式可用如下高階CAR模型近似代替
ξf(t)=Σj=0n0αjΔyf(t-j)-Σj=0n0βjΔuf(t-j)-Σj=0n0γjΔvf(t-j)]]>其中α0＝1，β0＝γ0＝0它有LS結(jié)構(gòu)Δyf(t)=Φ1T(t-1)θ1+ξf(t)]]>其中Φ1T(t-1)=[-Δyf(t-1),···,-Δyf(t-n0),Δuf(t-1),···,Δuf(t-n0)]]>Δvf(t-1),···,-Δvf(t-n0)]]]>θ1=[α1,···,αn0,β1,···,βn0,γ1,···,γn0]T]]>于是用下面改進的RLS算法可得θ1的LS估值 θ^1(t)=θ^1(t-1)+P(t-1)Φ1(t-1)[Δyf(t)-Φ1T(t-1)θ^1(t-1)]β(t)+Φ1T(t-1)P(t-1)Φ1(t-1)]]>β(t)=1-1N(t)]]>N(t)=1+1+Φ1(t-1)P(t-1)Φ1T(t-1)[Δyf(t)-Φ1T(t-1)θ^1(t-1)]2η(t)]]>記ψ(t)=P(t-1)-P(t-1)Φ1(t-1)Φ1T(t-1)PT(t-1)1+Φ1T(t-1)P(t-1)Φ1(t-1)]]>如果trace[ψ(t)]/β(t)≤ρ則 P(t)＝ψ(t)/β(t)否則P(t)＝ψ(t)參數(shù)η(t)與ρ的選擇如下η(t)＝mησ(t)ρ＞α2m是記憶長度，一般可取為1000及以上，ησ是η(t)的均方差，α2是初始協(xié)方差矩陣P(0)＝α2I中的取值(I為單位陣)，θ^(0)=ϵ]]>(α為盡可能大的數(shù)，一般可取100以上，ε為充分小的實向量)一般取θ^(0)=0→P(0)=α2I]]>trace［ψ(t)]是矩陣ψ(t)的跡。
從而可得ξf(j)的平滑估值。
ξ^f(j)=Δyf(j)-Φ1T(j)θ^1(t+1),j=t-1,···,t-n.]]>σ^ξf2(t)=σ^ξf2(t-1)+1t[ξ^f2(t)-σ^ξf2(t-1)]]]>將平滑估值ξ^f(t-1),···,ξ^f(t-nc)]]>代入ΦT(t-1)中，得到用時變遺忘因子兩段參數(shù)估計法給出的參數(shù)估值
時變遺忘因子兩段參數(shù)估計解決了控制參數(shù)與噪聲干擾緊耦合時參數(shù)估值變慢的問題，算法隨著系統(tǒng)動態(tài)特征的變化調(diào)整遺忘因子，增大或減小記憶長度，提高了系統(tǒng)的穩(wěn)定性。
所述基于廣義預測控制在線關鍵參數(shù)測量方法，就是利用帶濾波器的廣義預測控制自校正算法，計算、輸出關鍵參數(shù)測量值，具體如下(1)讀入?yún)?shù)N、M、λ、P(z-1)、Q(z-1)、T(z-1)及參數(shù)估計算法中初始值α、ησ(t)、m單位陣I。
(2)t＝0，P(t)＝α2I，θ^(t)=0;]]>(3)用公式θ^1(t)=θ^1(t-1)+P(t-1)Φ1TΦ(t-1)[Δyf(t)-Φ1T(t-1)θ^1(t-1)]β(t)+Φ1(t-1)P(t-1)Φ1T(t-1)]]>β(t)=1-1N(t)]]>N(t)=1+1+Φ1T(t-1)P(t-1)Φ1(t-1)[Δyf(t)-Φ1T(t-1)θ^1(t-1)]2η(t)]]>記ψ(t)=P(t-1)-P(t-1)Φ1(t-1)Φ1T(t-1)P(t-1)1+Φ1T(t-1)P(t-1)Φ1(t-1)]]>如果 trace[ψ(t)]/β(t)≤ρ則 P(t)＝ψ(t)/β(t)否則 P(t)＝ψ(t)參數(shù)η(t)與ρ的選擇同上，初值P(0)及 選法同上，從而可得ξf(j)的平滑估值。
ξ^f(j)=Δyf(j)-Φ1T(j)θ^1(t+1)]]>j＝t-1，…，t-nc給出 (4)將 代入公式ΦT(t-1)＝[-Δyf(t-1)，…，-Δyf(t-na)，Δuf(t-1)，Δuf(t-2)，…，Δuf(t-nb-1)，Δvf(t-1)，…，Δvf(t-nd-1)，ξ^f(t-1),···,ξ^f(t-nc)]]]>的ΦT(t-1)中。
利用公式N(t)=1+1+ΦT(t-1)p(t-1)Φ(t-1)[Δyf(t)-ΦT(t-1)θ^(t-1)]2η(t)]]>β(t)=1-1N(t)]]>
θ^(t)=θ^(t-1)+p(t-1)Φ(t-1)[Δyf(t)-ΦT(t-1)θ^(t-1)]β(t)+ΦT(t-1)p(t-1)Φ(t-1)]]>引進ψ(t)=p(t-1)-p(t-1)Φ(t-1)ΦT(t-1)p(t-1)1+ΦT(t-1)p(t-1)Φ(t-1)]]>如果 trace[ψ(t)]/β(t)≤ρ則 p(t)＝ψ(t)/β(t)估計參數(shù)A^(z-1),B^(z-1),C^(z-1),D^(z-1);]]>(5)利用遞推優(yōu)化算法得到最優(yōu)值 (6)利用公式Δuf(t)=[1,0,...,0]u→]]>則在t時刻的控制量為u(t)＝T(Z-1)[uf(t-1)+Δuf(t)]計算t時刻的控制量(鼓風量)u(t)，把u(t)作為歷史數(shù)據(jù)存儲；利用t時刻u(t)值計算被測量(煙氣含氧量)y(t)的值；輸出煙氣含氧量軟測量值；(7)置t＝t+1，返回步(2)。
本發(fā)明的有益效果是本發(fā)明根據(jù)廣義預測控制和軟測量技術的各自優(yōu)點進行有機結(jié)合，以充分發(fā)揮各自的優(yōu)點；提出的實時在線測量模型很好的利用了廣義預測控制中的思想，實現(xiàn)一些時延長或難以用普通傳感器測量的關鍵參量的實時測量，為在線關鍵參數(shù)測量方法提供理論基礎，也進一步保證了在線參數(shù)測量技術能在實際過程中得到成功應用；本發(fā)明提出的基于廣義預測的含氧量軟測量技術為鍋爐燃燒過程中其它關鍵參量如煙氣溫度的準確、實時、在線軟測量開辟了新的途徑，對實現(xiàn)燃燒系統(tǒng)的閉環(huán)控制和優(yōu)化運行具有重要的意義；實現(xiàn)了工業(yè)過程關鍵參量實時在線測量，解決了鍋爐控制中測量與控制的時域適配問題。


下面結(jié)合附圖和實施例對本發(fā)明進一步說明；圖1為煙氣含氧量測控圖；圖2為模型校正參數(shù)估計法框圖；圖3為廣義預測自校正測量程序流程圖；圖4為新型算法含氧量測試仿真圖；圖5為傳統(tǒng)算法含氧量測試仿真圖。
具體實施方案實施例基于新型廣義預測控制的鍋爐燃燒過程中關鍵參數(shù)的在線測量方法。
1、煙氣含氧量測控模型的建立保持鍋爐燃燒過程的最佳狀態(tài)和經(jīng)濟性是鍋爐燃燒過程自動控制的重要任務。在鍋爐運行中，必須控制好進入鍋爐的空氣量與燃料量兩者的比例。若空氣量與燃料量之比相對較小，則化學未完全燃燒損失大，反之，則排煙熱損失增大。為了使鍋爐保持最佳燃燒工況，必須使空氣量與燃燒量的比例合適，這個比例稱為過?？諝庀禂?shù)，數(shù)值應在1.20～1.30之間。煙氣中含氧量與過?？諝庀禂?shù)有確定(單值)的函數(shù)關系α=β0β0-β]]>式中β0＝20.9％，為標準空氣中氧的體積分數(shù)。
煙氣的氧含量是鍋爐控制的關鍵參量，它表征燃燒工況優(yōu)劣，也是控制進入爐膛的空氣量、維持最佳風煤比、達到優(yōu)化燃燒的根本依據(jù)。
在計算機優(yōu)化各種鍋爐燃燒過程中，通常根據(jù)煙氣含氧量來控制調(diào)節(jié)風量，同時參考調(diào)節(jié)燃料量m，噪聲干擾信號，用以控制空氣過剩系數(shù)α或最佳氧含量β，煙氣含氧量測控如圖1所示。
下面給出基于廣義預測CARIMA預測模型構(gòu)建的煙氣含氧量測控模型A(z-1)y(t)＝B(z-1)Δu(t-1)+D(z-1)Δv(t-1)+C(z-1)ξ(t)式中y、u、v、ξ分別表示輸出量(被測量-煙氣含氧量)、輸入量(控制量-鼓風量)、前饋(可測擾動-進煤量)和正態(tài)白噪聲干擾。
引入輔助輸出(t)＝P(z-1)y(t)考慮Diophantine(丟番圖方程)給出目標函數(shù)如下J=E{(ψ-w)T(ψ-w)+λψTψ}]]>=E{(Gu→+f→+e→-w→)T(Gu→+f→+e→-w→)]]>+λ(Pu→+δ→)T(Pu→+δ→)}]]>2、廣義預測軟儀表的設計廣義預測軟儀表設計如下，參數(shù)辨識設計及軟儀表測量如圖2、3所示。
(1)讀入?yún)?shù)N＝20、M＝20、λ＝12、P(z-1)、Q(z-1)、T(z-1)及參數(shù)估計算法中初始值α＝100、m＝100單位陣I、ησ(t)。
(2)t＝0，P(t)＝α2I，θ^(t)=0;]]>(3)用公式
θ^1(t)=θ^1(t-1)+P(t-1)Φ1T(t-1)[Δyf(t)-Φ1T(t-1)θ^1(t-1)]β(t)+Φ1(t-1)P(t-1)Φ1TΦ(t-1)]]>β(t)=1-1N(t)]]>N(t)=1+1+Φ1T(t-1)P(t-1)Φ1(t-1)[Δyf(t)-Φ1T(t-1)θ^1(t-1)]2η(t)]]>記ψ(t)=P(t-1)-P(t-1)Φ1(t-1)Φ1T(t-1)P(t-1)1+Φ1T(t-1)P(t-1)Φ1(t-1)]]>如果 trace[ψ(t)]/β(t)≤ρ則 P(t)＝ψ(t)/β(t)否則 P(t)＝ψ(t)參數(shù)η(t)與ρ的選擇同上，初值P(0)及 選法同上，從而可得ξf(j)的平滑估值。
ξ^f(j)=Δyf(j)-Φ1T(j)θ^1(t+1),j=t-1,···,t-nc]]>給出 (4)將 代入公式ΦT(t-1)＝[-Δyf(t-1)，…，-Δyf(t-na)，Δuf(t-1)，Δuf(t-2)，…，Δuf(t-nb-1)，Δvf(t-1)，…，Δvf(t-nd-1)，ξ^f(t-1),···,ξ^f(t-nc)]]]>的ΦT(t-1)中，利用公式N(t)=1+1+ΦT(t-1)p(t-1)Φ(t-1)[Δyf(t)-ΦT(t-1)θ^(t-1)]2η(t)]]>β(t)=1-1N(t)]]>θ^(t)=θ^(t-1)+p(t-1)Φ(t-1)[Δyf(t)-ΦT(t-1)θ^(t-1)]β(t)+ΦT(t-1)p(t-1)Φ(t-1)]]>引進ψ(t)=p(t-1)-p(t-1)Φ(t-1)ΦT(t-1)p(t-1)1+ΦT(t-1)p(t-1)Φ(t-1)]]>如果 trace[ψ(t)]/β(t)≤ρ則 p(t)＝ψ(t)/β(t)估計參數(shù)A^(z-1),B^(z-1),C^(z-1),D^(z-1);]]>(5)利用遞推優(yōu)化算法得到最優(yōu)值
記GTG+λPTP=a11a12···a1Ma21a22···a2M············aM1aM2···aMM=a→1ta→2t···a→Mt]]>GT(w→-f→)-λPTδ→=b→t=[b→1,···,b→M]]]>①讀入M＝20，t＝1，a→it=(ai1,···,aiM),]]>i＝1，2，…，Me1＝(1，0，…，0)，…，ej＝(0，…，0，1，0，…，0)，…，eM＝(0，0，…，1)，b→t=[b→1,···,b→M],]]>u→T=(u1,···,uM),]]>ui＝Δuf(t+i-1)，i＝1，2，…，M②任取u→1∈EM,]]>這里不妨取u→1=(0,···,0)∈EM,]]>取H1∈EM×M為任意非奇異對稱陣，這里不妨取H1T=(e1,···,eM),]]>置i＝1，iflag＝0；③計算在 處殘差向量的第i個分量，τi=a→iTu→i-b→i,]]>計算搜索向量Si=Hia→i;]]>④若Si≠0→,]]>轉(zhuǎn)步⑤；若Si=0→,]]>同時τi=0→,]]>則置u→i+1=u→i,]]>Hi+1＝Hi，iflag＝iflag+1，若i＜M，轉(zhuǎn)步⑦；否則停止計算；此時 為方程式的解。若Si=0→,]]>但τi≠0→,]]>則置iflag＝-i停止計算，此時方程組式不相容，也即目標函數(shù)式無最優(yōu)解；⑤修正解的近似值，u→i+1=u→i-λiSi,]]>其中步長λi=τi/a→iTSi,]]>若i＝M，停止計算， 為方程式的解；⑥修正矩陣Hi，Hi+1=Hi-Si(Si)T/a→iTSi;]]>⑦置i＝i+1，轉(zhuǎn)步③；u→=uM+1]]>停止，此時得到方程式的解，也即得到了使得目標函數(shù)式中J取得最小值的最優(yōu)解。
(6)利用公式Δuf(t)=[1,0,···,0]u→]]>則在t時刻的控制量為u(t)＝T(Z-1)[uf(t-1)+Δuf(t)]計算t時刻的控制量(鼓風量)u(t)，把u(t)作為歷史數(shù)據(jù)存儲；利用t時刻u(t)值計算被測量(煙氣含氧量)y(t)的值；輸出煙氣含氧量軟測量值；煙氣含氧量控制區(qū)間為3.5％～4.0％。
(7)置t＝t+1，返回步(2)。
3、仿真結(jié)果應用基于新型廣義預測算法和傳統(tǒng)廣義預測算法的軟儀表對煙氣含氧量進行測量，情況如圖4、圖5所示。在同樣的計算機環(huán)境下進行研究的結(jié)果如下M取20時，新舊算法的計算時間分別0.02s和0.209s。顯然，系統(tǒng)的維數(shù)越大，即預測時域和控制時域加大，新算法節(jié)省的時間越多，穩(wěn)定性更好。圍繞給定值，圖5所示傳統(tǒng)算法測量煙氣含氧量明顯有滯后，滯后約100步左右，且波動范圍較大，仿真結(jié)果表明利用新型廣義預測算法構(gòu)建的軟儀表具有快速跟蹤和輸出穩(wěn)定的優(yōu)點。
如果采用氧化鋯傳感器測量，那么系統(tǒng)滯后一般接近60s以上。0～60s內(nèi)測量時，由于控制量(風量)的改變和給煤的擾動，以及爐內(nèi)燃燒過程的時滯特點，使得氧化鋯測量值不能真實反映爐內(nèi)燃燒情況，依據(jù)氧化鋯實測值來實施控制，對于階躍擾動，超調(diào)量高達50％～300％，時滯時間長達60s以上；而采用廣義預測軟測量方法測得數(shù)據(jù)超調(diào)量很小，能夠反映出含氧量變化的實際情況。60s～120s內(nèi)測量時，由于爐內(nèi)燃燒已經(jīng)達到穩(wěn)定狀態(tài)，軟硬儀表的實測值是相近的，其誤差是可以忽略不計的。
因此，運用新型廣義預測控制算法構(gòu)建的軟儀表能夠客觀反映鍋爐燃燒過程中任何時段的真實情況，提高了煙氣含氧量的測量精度和實時性，優(yōu)化了鍋爐燃燒控制系統(tǒng)的性能。隨著廣義預測控制理論的發(fā)展和預測算法的改進，測量精度還可進一步提高，基于廣義預測的含氧量軟測量技術為工業(yè)鍋爐的氧量測量提供了新的手段，也為鍋爐燃燒過程中其它關鍵參量如煙氣溫度的準確、實時、在線軟測量開辟了新的途徑，對實現(xiàn)燃燒系統(tǒng)的閉環(huán)控制和優(yōu)化運行具有重要意義。
本發(fā)明同樣適用于毛坯加熱爐、煤氣生產(chǎn)爐等生產(chǎn)過程中煙氣含氧量、CO煙氣含量的測量。
權(quán)利要求
1.一種基于新型廣義預測控制的在線關鍵參數(shù)測量方法，其特征是根據(jù)過程控制的時滯特性和關鍵參數(shù)的測量方法，利用新型廣義預測控制器，建立了基于廣義預測算法的軟測量預測模型，實現(xiàn)了過程控制關鍵參量的實時在線測量，具體包括測量模型建立、初始化、新型預測控制方法、反饋校正和基于新型廣義預測控制的在線關鍵參數(shù)測量方法四個步驟(1)建立測量模型根據(jù)廣義預測控制技術特征和過程控制時滯特性建立測量模型；(2)初始化及求解最優(yōu)控制律根據(jù)測量模型設定控制參數(shù)，利用新型廣義預測控制方法求解最優(yōu)控制律；(3)模型反饋校正采用時變遺忘因子兩段參數(shù)估計方法進行模型反饋校正，優(yōu)化控制參數(shù)；(4)基于廣義預測控制在線關鍵參數(shù)測量方法根據(jù)新型廣義預測控制器計算、輸出關鍵參數(shù)測量值。
2.根據(jù)權(quán)利要求1所述的基于新型廣義預測控制的在線關鍵參數(shù)測量方法，其特征是所述建立的測量模型，具體如下確定系統(tǒng)的過程控制的目標函數(shù)為J=E{(ψ-w)T(ψ-w)+λψTψ}=E{(Gu→+f→+e→-w→)T(Gu→+f→+e→-w→)+λ(Pu→+δ→)T(Pu→+δ→)}]]>為了求得最優(yōu)控制律 由目標函數(shù)式可得(GTG+λPTP)u→=GT(w→-f→-e→)-λPTδ→]]>由數(shù)學分析可知由方程所求得的 即為使得目標函數(shù)式中的J取得最小值的最優(yōu)解。
3.根據(jù)權(quán)利要求1所述的基于新型廣義預測控制的在線關鍵參數(shù)測量方法，其特征是初始化及求解最優(yōu)控制律，具體如下由于新型控制算法采用矩陣遞推迭代方法，避免了傳統(tǒng)方法求解最優(yōu)控制律中逆矩陣的計算，運算復雜度下降了M(矩陣階數(shù))的平方階次，節(jié)省的計算量和存儲量這樣就可以擴大預測時域和控制時域的選取范圍，增加測控系統(tǒng)的穩(wěn)定性，可以實現(xiàn)鍋爐關鍵參數(shù)實時在線軟測量；遞推優(yōu)化算法如下記GTG+λPTP=a11a12···a1Ma21a22···a2M············aM1aM2···aMM=a→1ta→2t···a→Mt]]>GT(w→-f→)-λPTδ→=b→t=[b→1,···,b→M]]]>(1)讀入M,t,a→it=(ai1,···,aiM),i=1,2,···,M]]>e1＝(1，0，...，0)，...，ej＝(0，...，0，1，0，...，0)，...，eM＝(0，0，...，1)，b→t=[b→1,···,b→M],]]>u→T=(u1,···,uM),]]>ui＝Δuf(t+i-1)，i＝1，2，...，M(2)任取u→1∈EM,]]>這里不妨取u→1=(0,···,0)∈EM,]]>取H1∈EM×M為任意非奇異對稱陣，這里不妨取H1T=(e1,···,eM),]]>置i＝1，iflag＝0；(3)計算在 處殘差向量的第i個分量，τi=a→iTu→i-b→i,]]>計算搜索向量Si=Hia→i;]]>(4)若Si≠0→,]]>轉(zhuǎn)步(5)；若Si=0→,]]>同時τi=0→,]]>則置u→i+1=u→i,]]>Hi+1＝Hi，iflag＝iflag+1，若i＜M，轉(zhuǎn)步(7)；否則停止計算；此時 為方程式的解。若Si=0→,]]>但τi≠0→,]]>則置iflag＝-i停止計算，此時方程組式不相容，也即目標函數(shù)式無最優(yōu)解；(5)修正解的近似值，u→i+1=u→i-λiSi,]]>其中步長λi=τi/a→iTSi,]]>若i＝M，停止計算， 為方程式的解；(6)修正矩陣Hi，Hi+1=Hi-Si(Si)T/a→iTSi;]]>(7)置i＝i+1，轉(zhuǎn)步(3)；u→=uM+1]]>停止，此時得到方程式的解，也即得到了使得目標函數(shù)式中J取得最小值的最優(yōu)解。從而Δuf(t)=[1,0,···,0]u→]]>則在t時刻的控制量為u(t)＝T(Z-1)[uf(t-1)+Δuf(t)]
4.根據(jù)權(quán)利要求1所述的基于廣義預測控制的在線關鍵參數(shù)測量方法，其特征是初始化及求解最優(yōu)控制律，模型的反饋校正，是利用此采樣時刻的廣義預測模型計算最優(yōu)值和給定值之間的偏差實時在線修正模型參數(shù)，這種基于廣義預測控制模型，根據(jù)系統(tǒng)的實際輸出不斷對預測控制輸出值進行滾動優(yōu)化修正，而且利用了反饋信息，構(gòu)成閉環(huán)優(yōu)化校正；反饋校正參數(shù)估計采用時變遺忘因子兩段參數(shù)估計性能指標加權(quán)的廣義預測自適應的優(yōu)化控制算法，具體如下預測模型采用A(z-1)Δyf(t)＝B(z-1)Δuf(t-1)+D(z-1)Δvf(t-1)+C(z-1)ξf(t)定理若A(z-1)和C(z-1)是穩(wěn)定的，則預測模型式可用如下高階CAR模型近似代替ξf(t)=Σj=0n0αjΔyf(t-j)-Σj=0n0βjΔuf(t-j)-Σj=0n0γjΔvf(t-j)]]>其中α0＝1，β0＝γ0＝0它有LS結(jié)構(gòu)Δyf(t)=Φ1T(t-1)θ1+ξf(t)]]>其中Φ1T(t-1)=[-Δyf(t-1),···,-Δyf(t-n0),]]>Δuf(t-1)，...，Δuf(t-n0)Δvf(t-1)，...，-Δvf(t-n0)]θ1=[α1,···,αn0,β1,···,βn0,γ1,···,γn0]T]]>于是用下面改進的RLS算法可得θ1的LS估值 θ^1(t)=θ^1(t-1)+P(t-1)Φ1(t-1)[Δyf(t)-Φ1T(t-1)θ^1(t-1)]β(t)+Φ1T(t-1)P(t-1)Φ1(t-1)]]>β(t)=1-1N(t)]]>N(t)=1+1+Φ1(t-1)P(t-1)Φ1T(t-1)[Δyf(t)-Φ1T(t-1)θ^1(t-1)]2η(t)]]>記ψ(t)=P(t-1)-P(t-1)Φ1(t-1)Φ1T(t-1)PT(t-1)1+Φ1T(t-1)P(t-1)Φ1(t-1)]]>如果trace[ψ(t)]/β(t)≤ρ則 P(t)＝ψ(t)/β(t)否則P(t)＝ψ(t)參數(shù)η(t)與ρ的選擇如下η(t)＝mησ(t)ρ＞α2m是記憶長度，一般可取為1000及以上，ησ是η(t)的均方差，α2是初始協(xié)方差矩陣p(0)＝α2I中的取值(I為單位陣)，θ^(0)=ϵ]]>(α為盡可能大的數(shù)，一般可取100以上，ε為充分小的實向量)一般取θ^(0)=0→p(0)=α2I]]>trace[ψ(t)]是矩陣ψ(t)的跡。從而可得ξf(j)的平滑估值。ξ^f(j)=Δyf(j)-Φ1T(j)θ^1(t+1),j=t-1,···,t-nc]]>σ^ξf2(t)=σ^ξf2(t-1)+1t[ξ^f2(t)-σ^ξf2(t-1)]]]>將平滑估值 代入ΦT(t-1)中，得到用時變遺忘因子兩段參數(shù)估計法給出的參數(shù)估值 時變遺忘因子兩段參數(shù)估計解決了控制參數(shù)與噪聲干擾緊耦合時參數(shù)估值變慢的問題，算法隨著系統(tǒng)動態(tài)特征的變化調(diào)整遺忘因子，增大或減小記憶長度，提高了系統(tǒng)的穩(wěn)定性。
5.根據(jù)權(quán)利要求1所述的基于廣義預測控制的在線關鍵參數(shù)測量方法，其特征是基于廣義預測控制在線關鍵參數(shù)測量方法，就是利用帶濾波器的廣義預測控制自校正算法，計算、輸出關鍵參數(shù)測量值，具體如下(1)讀入?yún)?shù)N、M、λ、P(z-1)、Q(z-1)、T(z-1)及參數(shù)估計算法中初始值α、ησ(t)、m單位陣I。(2)t＝0，P(t)＝α2I，θ^(t)=0;]]>(3)用公式θ^1(t)=θ^1(t-1)+P(t-1)Φ1T(t-1)[Δyf(t)-Φ1T(t-1)θ^1(t-1)]β(t)+Φ1(t-1)P(t-1)Φ1T(t-1)]]>β(t)=1-1N(t)]]>N(t)=1+1+Φ1T(t-1)P(t-1)Φ1(t-1)[Δyf(t)-Φ1T(t-1)θ^1(t-1)]2η(t)]]>記ψ(t)=P(t-1)-P(t-1)Φ1(t-1)Φ1T(t-1)P(t-1)1+Φ1T(t-1)P(t-1)Φ1(t-1)]]>如果 trace[ψ(t)]/β(t)≤ρ則P(t)＝ψ(t)/β(t)否則 P(t)＝ψ(t)參數(shù)η(t)與ρ的選擇同上，初值P(0)及 選法同上，從而可得ξf(j)的平滑估值。ξ^f(j)=Δyf(j)-Φ1T(j)θ^1(t+1)]]>j＝t-1，…，t-nc給出 (4)將 代入公式ΦT(t-1)＝[-Δyf(t-1)，...，-Δyf(t-na)，Δuf(t-1)，Δuf(t-2)，...，Δuf(t-nb-1),Δvf(t-1),···,Δvf(t-nd-1),ξ^f(t-1),···,ξ^f(t-nc)]]]>的ΦT(t-1)中。利用公式N(t)=1+1+ΦT(t-1)p(t-1)Φ(t-1)[Δyf(t)-ΦT(t-1)θ^(t-1)]2η(t)]]>β(t)=1-1N(t)]]>θ^(t)=θ^(t-1)+p(t-1)Φ(t-1)[Δyf(t)-ΦT(t-1)θ^(t-1)]β(t)+ΦT(t-1)p(t-1)Φ(t-1)]]>引進ψ(t)=p(t-1)-p(t-1)Φ(t-1)ΦT(t-1)p(t-1)1+ΦT(t-1)p(t-1)Φ(t-1)]]>如果 trace[ψ(t)]/β(t)≤ρ則p(t)＝ψ(t)/β(t)估計參數(shù)(5)利用遞推優(yōu)化算法得到最優(yōu)值 (6)利用公式Δuf(t)=[1,0,···,0]u→]]>則在t時刻的控制量為u(t)＝T(Z-1)[uf(t-1)+Δuf(t)]計算t時刻的控制量(鼓風量)u(t)，把u(t)作為歷史數(shù)據(jù)存儲；利用t時刻u(t)值計算被測量(煙氣含氧量)y(t)的值；輸出煙氣含氧量軟測量值；(7)置t＝t+1，返回步(2)。
全文摘要
本發(fā)明公開了一種基于廣義預測控制的在線關鍵參數(shù)測量方法。關鍵參量的實時測量是過程控制中至關重要的問題，使用廣義預測控制能夠使得關鍵參數(shù)測量具有良好的精度和趨勢。本發(fā)明提出的實時在線測量模型很好地利用了廣義預測控制中的思想，實現(xiàn)一些時延長或難以用普通傳感器測量的關鍵參量的實時測量，為在線關鍵參數(shù)測量方法提供理論基礎。實現(xiàn)了工業(yè)過程關鍵參量實時在線測量，解決了鍋爐控制中測量與控制的時域適配問題，提出的基于廣義預測的含氧量軟測量技術也為鍋爐燃燒過程中其它關鍵參量如煙氣溫度的準確、實時、在線軟測量開辟了新的途徑，對實現(xiàn)燃燒系統(tǒng)的閉環(huán)控制和優(yōu)化運行具有重要的意義。本發(fā)明同樣適用于毛坯加熱爐、煤氣生產(chǎn)爐等生產(chǎn)過程中煙氣含氧量、CO煙氣含量的測量。
文檔編號G01D21/02GK1758026SQ20051011579
公開日2006年4月12日 申請日期2005年11月11日 優(yōu)先權(quán)日2005年11月11日
發(fā)明者鄭德忠, 何群 申請人:燕山大學