1、第第6章章 先进控制系统先进控制系统 l预测控制预测控制l推断控制推断控制l软测量技术软测量技术l纯滞后补偿控制纯滞后补偿控制l解耦控制解耦控制l自适应控制自适应控制l智能控制智能控制l工业生产过程监控工业生产过程监控l故障检测诊断与容错控制故障检测诊断与容错控制l工业生产过程操作优化工业生产过程操作优化6.1.基于模型的预测控制基于模型的预测控制 l预测控制的基本出发点与传统的PID控制不同。l通常的PID控制，是根据过程当前的和过去的输出测量值和设定值的偏差来确定当前的控制输入。l而预测控制不但利用当前的和过去的偏差值，而且还利用预测模型来预估过程未来的偏差值，以滚动优化确定当前的最优输入
2、策略。6.1.1.预测控制基本原理预测控制基本原理 l 基本原理l预测模型 l反馈校正 l滚动优化 l预测模型。l预测控制需要一个描述系统动态行为的模型称为预测模型。l预测模型能够根据系统的现时刻的控制输入以及过程的历史信息，预测过程输出的未来值。l在预测控制中各种不同算法，采用不同类型的预测模型，如最基本的模型算法控制（MAC），动态矩阵控制（DMC）等，通常采用在实际工业过程中较易获得的脉冲响应模型和阶跃响应模型等非参数模型或传递函数。l随着预测控制的发展，除了上述两种非参数模型外，目前经常采用易于在线辨识并能描述不稳定过程的CARMA受控自回归滑动平均模型(Controlled Auto
3、-Regressive Moving Average,简称CARMA)和CARIMA受控自回归积分滑动平均模型(Controlled Auto-Regressive Integrated Moving Average,简称CARIMA)以及能反映系统内在联系的状态空间模型。l反馈校正。l在预测控制中，采用预测模型进行过程输出值的预估只是一种理想的方式，对于实际过程，由于存在非线性、时变、模型失配和干扰等不确定因素，使基于模型的预测不可能准确地与实际相符。因此，在预测控制中，通过输出的测量值与模型的预估值进行比较，得出模型的预测误差，再利用模型预测误差来校正模型的预测值，从而得到更为准确的将来输
4、出的预测值。l正是这种由模型加反馈校正的过程，使预测控制具有很强的抗干扰和克服系统不确定的能力。l滚动优化。l预测控制是一种优化控制算法。它是通过某一性能指标的最优化来确定未来的控制作用。这一性能指标还涉及到过程未来的行为，它是根据预测模型由未来的控制策略决定的。l 参考轨线 l在预测控制中，考虑到过程的动态特性，为了使过程避免出现输入和输出的急剧变化，往往要求过程输出y(k+i)沿着一条所期望的、平缓的曲线达到设定值。这条曲线通常称为参考轨线。riirykyiky)1()()(l 在线滚动的实现方式 l在现时刻k只施加第一个控制作用u(k)，等到下一个采样时刻(k+1)，再根据采集到的过程输
5、出，重新进行优化计算，求出新一组最优控制作用，仍只施加第一个控制作用，如此类推，“滚动”式推进。l预测控制的一些优良性质l由于预测控制的一些基本特征使其产生许多优良性质：对数学模型要求不高；能直接处理具有纯滞后的过程；具有良好的跟踪性能和较强的抗干扰能力；对模型误差具有较强的鲁棒性。6.1.2 预测控制算法预测控制算法l（1）模型算法控制（MAC）l预测模型 l反馈校正 l设定值与参考轨迹 l最优控制作用 lMAC在实施中应注意的若干问题 l脉冲响应系数长度N的选择 l输出预估时域长度P的选择 l控制时域长度M的选择 l参考轨迹的收敛参数的选择 l误差权矩阵Q的选择 l控制权矩阵R的选择 l(
6、2)动态矩阵控制（Dynamic Matrix Control，DMC）l预测函数控制(Predictive Function Control，PFC)l(4)广义预测控制（Generalized Predictive Control，GPC）l(5)预测控制与PID串级控制6.1.3.预测控制软件包的发展预测控制软件包的发展l目前，国外已经形成许多以预测控制为核心思想的先进控制商品化软件包，成功应用于石油化工中的催化裂化、常减压、连续重整、延迟焦化、加氢裂化等许多重要装置。l第一代模型预测控制技术 l以IDCOM和DMC为代表，主要处理无约束过程的预测控制。l第二代模型预测控制技术 lQDM
7、C算法，采用二次规划方法（QP）求解，可以系统地处理输入、输出约束问题。l第三代模型预测控制技术 lIDCOM-M，DMC，SMCA等控制软件包，处理约束的多变量、多目标、多控制模式和基于模型预测的最优控制器 l第四代模型预测控制技术 lDMC-pllus,RMPCT等。基于Windows的图形用户界面；采用多层优化，以实现不同等级目标控制；采用灵活的优化方法；直接考虑模型不确定性(鲁棒控制设计)；改进的辨识技术等。6.1.4.预测控制工业应用预测控制工业应用 l模型预测控制在空分装置上的应用 6.2.推断控制推断控制 l生产过程的被控变量(过程的输出)有时不能直接测得，因而就难于实现反馈控制
8、。如果扰动可测，则尚能采用前馈控制。假若扰动也不能直接测得，则可以采用推断控制。l推断控制是利用数学模型由可测信息将不可测的输出变量推算出来实现反馈控制，或将不可测扰动推算出来以实现前馈控制。l对于不可测扰动的推断控制是美国学者CBBrosilow等于1978年提出来的。它利用过程的辅助输出，如温度、压力、流量等测量信息，来推断不可直接测量的扰动对过程主要输出（如产品质量、成分等）的影响。然后基于这些推断估计量来确定控制输入，以消除不可直接测量的扰动对过程主要输出的影响，改善控制品质。l推断控制系统通常包括三个部分 l信号分离 l估计器E(s)l推断控制器GI(s)6.3 软测量技术软测量技术
9、l在线分析仪表（传感器）不仅价格昂贵，维护保养复杂，而且由于分析仪表滞后大，最终将导致控制质量的性能下降，难以满足生产要求。还有部分产品质量目前无法测量等。l近年来，为了解决这类变量的测量问题，各方面在深入研究，目前应用较广泛的是软测量方法。l软测量的基本思想是对于难于测量或暂时不能测量的重要变量（或称之为主导变量），选择另外一些容易测量的变量（或称之为辅助变量），通过构成某种数学关系来推断和估计，以软件来代替硬件（传感器）功能。l这类方法具有响应迅速，连续给出主导变量信息，且具有投资低，维护保养简单等优点。6.3.1.软测量技术软测量技术 l软测量技术主要由辅助变量的选择，数据采集和处理，软
10、测量模型建立及在线校正等部分。l机理分析与辅助变量的选择l首先明确软测量的任务，确定主导变量。在此基础上深入了解和熟悉软测量对象及有关装置的工艺流程，通过机理分析可以初步确定影响主导变量的相关变量辅助变量 辅助变量的选择包括变量类型、变量数目和检测点位置的选择。这三个方面是互相关联、互相影响，由过程特性所决定的。在实际应用中，还受经济条件、维护的难易程度等外部因素制约。l如果辅助变量个数太多，为了实时运行方便需要对系统进行降维，降低测量噪声的干扰和软测量模型的复杂性。降维的方法可以根据机理模型，用几个辅助变量计算得到不可测的辅助变量，如分压、内回流比等；亦可采用主元分析（PCA）、部分最小二乘
11、法（PLS）等统计方法进行数据相关分析，剔除冗余的变量，降低系统的维数。l数据采集和处理 l从理论上讲，过程数据包含了工业对象的大量相关信息。因此数据采集量多多益善，不仅可以用来建模，还可以检验模型。实际需要采集的数据是与软测量主导变量对应时间的辅助变量的过程数据。其次，数据覆盖面在可能条件下应宽一些，以便软测量具有较宽的适用范围。l 为了保证软测量精度，数据正确性和可靠性十分重要。采集数据必须进行处理。l数据处理包含两个方面，即换算（Scaling）和数据误差处理。l软测量模型的建立 l机理建模 l从机理出发，也就是从过程内在的物理和化学规律出发，通过物料平衡与能量平衡和动量平衡建立数学模型
12、。为了获得软测量模型，只要把主导变量和辅助变量作相应调整就可以了。对于简单过程可以采用解析法，而对于一复杂过程，特别是需要考虑输入变量大范围变化的场合，采用仿真方法。典型化工过程的仿真程序已编制成各种现成软件包。l机理模型优点是可以充分利用已知的过程知识，从事物的本质上认识外部特征；有较大的适用范围，操作条件变化可以类推。但亦有弱点，对于某些复杂的过程难于建模。必须通过输入输出数据验证。l经验建模l通过实测或依据积累操作数据，用数学回归方法、神经网络方法等得到经验模型。l进行测试，理论上有很多实验设计方法，如常用的正交设计等，在工程实施上可能会遇到困难。因为工艺上可能不允许操作条件作大幅度变化
13、。如果选择变化区域过窄，不仅所得模型的适用范围不宽，而且测量误差亦相对上升。模型精度成问题。有一种办法是吸取调优操作经验，即逐步向更好的操作点移动，这样可能一举两得，既扩大了测试范围，又改进了工艺操作。测试中另一个问题是稳态是否真正建立。否则会带来较大误差。还有数据采样与产品质量分析必须同步进行。l最后是模型检验，检验分自身检验与交叉检验。我们建议和提倡交叉检验。l经验建模的优点与弱点与机理建模正好相反，特别是现场测试，实施中有一定难处。l机理建模与经验相结合l把机理建模与经验建模结合起来，可兼容两者之长，补各自之短。结合方法有：主体上按照机理建模，但其中部分参数通过实测得到；通过机理分析，把
14、变量适当结合，得出数学模型函数形式，这样使模型结构有了着落，估计参数就比较容易，其次可使自变量数目减少；由机理出发，通过计算或仿真，得到大量输入数据，再用回归方法或神经网络方法得到模型。l机理与经验相结合建模是一个较实用的方法，目前被广泛采用。l软测量模型的在线校正l由于软测量对象的时变性、非线性以及模型的不完整性等因素，必须考虑模型的在线校正，才能适应新工况。软测量模型的在线校正可表示为模型结构和模型参数的优化过程，具体方法有自适应法、增量法和多时标法。对模型结构的修正往往需要大量的样本数据和较长的计算时间，难以在线进行。为解决模型结构修正耗时长和在线校正的矛盾，提出了短期学习和长期学习的校
15、正方法。短期学习由于算法简单、学习速度快便于实时应用。长期学习是当软测量仪表在线运行一段时间积累了足够的新样本模式后，重新建立软测量模型。6.3.2.工业应用实例工业应用实例l国外有Inferential Control 公司、Setpoint公司、DMC公司、Profimatics公司、Simcon公司、Applied Automation公司等以商品化软件形式推出各自的软测量仪表，例如：测量10%、50%、90%和最终的ASTM沸点、闪点、倾点、粘点和雷得蒸汽压等，这些已广泛应用于常减压塔、FCCU主分馏塔、焦化主分馏塔、加氢裂化分馏塔、汽油稳定塔、脱乙烷塔等先进控制和优化控制。它增加了轻
16、质油收率，降低了能耗并减少了原油切换时间，取得了明显经济效益。丙烯腈收率软测量丙烯腈收率软测量 l某化工事业部的年产5万吨丙烯腈装置，采用美国标准石油公司Sohio的生产工艺，以C-41作催化剂，用丙烯、氨、空气为原料，在、反应器中一次直接氧化制取丙烯腈（即丙烯氨氧化法）。工艺条件由车间根据计划科下达的当月生产任务和生产装置运行的实际情况确定，如图6-5所示：6.4.纯滞后补偿控制系统纯滞后补偿控制系统 l从广义角度来说，所有的工业过程控制对象都是具有纯滞后(时滞)的对象。l衡量过程具有纯滞后的大小通常采用过程纯滞后和过程惯性时间常数之比 。l 时，称生产过程是具有一般纯滞后的过程。l当 时，
17、称为具有大纯滞后的过程。l一般纯滞后过程可通过常规控制系统得到较好的控制效果。l而当纯滞后较大时，则用常规控制系统常常较难奏效。l目前克服大纯滞后的方法主要有史密斯预估补偿控制，自适应史密斯预估补偿控制，观测补偿器控制，采样控制，内部模型控制(IMC)，达林算法等。T/3.0/T3.0/T史密斯预估补偿控制史密斯预估补偿控制 6.5.解耦控制系统解耦控制系统l6.5.1.系统的关联分析l在一个生产装置中，往往需要设置若干个控制回路，来稳定各个被控变量。在这种情况下，几个回路之间，就可能相互关联，相互耦合，相互影响，构成多输入-多输出的相关（耦合）控制系统。l6.5.2.相对增益l令某一通道在其
18、它系统均为开环时的放大系数与该一通道在其它系统均为闭环时的放大系数之比为ij，称为相对增益，则l上式中分子项外的下标u表示除了uj以外，其它都保持不变，即都为开环；分母项外的下标y表示除了yi以外，其它y都保持不变，即其它系统都为闭环系统。yuyuuyijjijil双输入双输出系统 yuyuuyjiji11kkkkkk211222112211kkkkkk2112221122111122kkkkkk2112221121122112布里斯托尔阵列(Briistol阵列)，或相对增益阵列 22211211uuy2y121l6.5.3.动态相对增益l6.5.4.减少与解除耦合途径l.被控变量与操纵变量
19、间正确匹配l.控制器的参数整定l.减少控制回路l.串接解耦控制6.5.4.串接解耦控制串接解耦控制l串接解耦装置D(s)的作用是使G(s)D(s)的积成为对角阵，这样关联就消除了。要求G(s)D(s)之积为对角阵，对其非零元素又有三类方法。l对角线矩阵法 l单位矩阵法 l前馈补偿法 6.5.5.工业应用实例工业应用实例l某乙烯装置裂解炉的解耦控制。它具有四组并联的裂解炉管，每组炉管对应于8个烧嘴。每组有燃料油的控制阀。原料油（煤油、柴油等）经预热至590 0C后进入裂解炉管进行裂解，生成乙烯、丙烯，丁烯、甲烷、乙烷、丙烷等。为了减少炉管结焦和提高乙烯等产品收率，需要降低裂解炉管内的油气分压，因
20、此须按一定的比率加入稀释蒸汽。原料油和稀释蒸汽的比率应该控制好。6.6.自适应控制自适应控制l自适应控制是建立在系统数学模型参数未知的基础上，而且随着系统行为的变化，自适应控制也会相应地改变控制器的参数，以适应其特性的变化，保证整个系统的性能指标达到令人满意的结果。l自适应控制系统是一个具有适应能力的系统，它必须能够辩识过程参数与环境条件变化，在此基础上自动地校正控制规律。一个自适应控制系统至少应有下述三个部分：l具有一个测量或估计环节，能对过程和环境进行监视，并有对测量数据进行分类以及消除数据中噪音的能力。这通常体现为：对过程的输入输出进行测量，基此进行某些参数的实时估计；l具有衡量系统的控
21、制效果好坏的性能指标，并且能够测量或计算性能指标，判断系统是否偏离最优状态；l具有自动调整控制规律或控制器参数的能力。6.6.1.简单自适应控制系统简单自适应控制系统l这类系统对环境条件或过程参数的变化用一些简单的方法辩识出来，控制算法亦很简单。在不少情况下，实际上是一种非线性控制系统或采用自整定调节器的控制系统。l继电型自整定 l继电型自整定的基本思想是，在控制系统中设置两种模式：测试模式和控制模式。在测试模式下，用一个滞环宽度为，幅值为的继电器代替控制器（如图6-14所示），利用其非线性，使系统处于等幅振荡（极限环）。测取系统的振荡周期和振幅，以便能利用临界比例度法的经验公式；在控制模式下
22、，控制器使用整定后的参数，对系统的动态性能进行控制。如果对象特性发生变化，可重新进入测试模式，再进行测试，以求得新的整定参数。lYEWSERIES-80自整定PID控制器 6.6.2.模型参考型自适应控制系统模型参考型自适应控制系统l这类系统主要用于随动控制，一开始用于飞机自动驾驶方面。人们期望随动控制的过渡过程符合一种理想模式。典型的模型参考型自适应控制系统是参考模型和被控系统并联运行，参考模型表示了控制系统的性能要求。6.6.3.自校正控制系统自校正控制系统l自校正控制器也有两个回路组成。内回路包括过程和普通线性反馈控制器。外回路用来调整控制器参数，它由递推参数估计器和控制器参数调整机构组
23、成。l递推估计器可以采用递推最小二乘法、广义最小二乘法、辅助变量法等实时在线参数估计方法。最优控制器可以采用最小方差控制、线性二次型最优控制、极点配置和广义最小方差控制等。6.7.智能控制系统智能控制系统 l智能控制（Intelligent Control,IC）l当前最主要的是三种形式：l（1）专家系统；l（2）模糊控制；l（3）人工神经网络控制。l它们可以单独应用，也可以与其他形式结合起来；可以用于基层控制，也可用于过程建模、操作优化、故障检测、计划调度和经营决策等不同层次。6.7.1.专家系统专家系统 l专家系统主要指的是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经
24、验，能够利用人类专家的知识和解决问题的经验方法来处理该领域的高水平难题。l也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家才能处理好的复杂问题。l简而言之，专家系统是一个模拟人类专家解决领域问题的计算机程序系统。l专家系统的基本功能取决于它所含有的知识，因此，有时也把专家系统称为基于知识的系统（Knowledge-Based System）。.专家系统结构专家系统结构 l一般由六个部分组成 l人机接口 l知识库 l知识获取 l数据库 l解释机构
25、l推理机 乙烯塔优化专家控制系统乙烯塔优化专家控制系统 6.7.2.模糊控制模糊控制 l模糊控制（Fuzzy Control）是以模糊集合论、模糊语言变量和模糊逻辑推理为基础的一类计算机控制策略，模糊控制是一种非线性控制。l模糊控制不是采用纯数学建模的方法，而是结合专家的知识和思维，进行学习与推理、联想和决策的过程，由计算机来辨识和建模，并进行控制。模糊控制系统的基本结构模糊控制系统的基本结构l图6-22给出了一个模糊控制系统的基本结构，由图可知模糊控制器由模糊化、知识库、模糊推理和清晰化（或称去模糊化）四个功能模块组成 l模糊化l 模糊化模块的功能是将输入的精确量按某些算法转换为模糊量。该模
26、块的输入量包括了系统的参考输入、系统输出或状态等。模糊化过程一般如下：l1)首先对输入量进行处理，变换成模糊控制器要求的输入量。例如，当系统控制是按偏差控制时，计算偏差。l2)将上述已经处理过的输入量进行尺度变换，使其变换到各自的论域。l3)将变换到论域范围的输入量进行模糊化处理，把原有的精确量变换成模糊量，并用相应的模糊集合语言值来表示，例如“正大”，“正中”，“正小”，“零”，“负小”，“负中”，“负大”。l知识库l知识库包含应用领域的知识和控制目标，通常由数据库和模糊控制规则库两部分组成。数据库主要包括了各语言变量的隶属函数、尺度变换因子，以及模糊空间的划分数等。模糊控制规则库包括了用模
27、糊语言变量表示的一系列控制规则，反映了控制专家的经验和知识。l模糊推理l模糊推理是模糊控制器的核心，该推理过程是基于模糊逻辑中的蕴含关系及推理规则来进行的。l清晰化（去模糊化）l由于实际的控制量，也就是被控对象的输入应当是精确量，清晰化的功能就是将模糊推理得到的模糊控制量变换为实际的控制量。它是把模糊量经清晰化运算后变换成论域范围的清晰量，再经尺度变换转换成实际的控制量。.模糊模糊PID控制器控制器)(tr y 被控对象 u e e 误差处理单元 模 糊 控制器 e 位置式模糊PID控制器 )(tr y 被控对象 u e e 误差处理单元 模 糊 控制器 e2 u 增量式模糊PID控制器 )(
28、tr y 被控对象 u e e 误差处理单元 模糊 PD PDu 模糊P Iu 模糊PID控制器的变形结构 )(tr y 被控对象 u e e 误差处理单元 模 糊 控制器 fu I 控制器 i混合型模糊PID控制 )(tr y 连续对象 u eK cK dtd K e e 模糊化 iK 模 糊 控制表 解模 糊化 Ts/1误差e模糊积分的PID模糊控制器 6.7.3.神经网络控制神经网络控制l神经网络由于它很强的非线性函数逼近能力并具有并行处理工作方式等特点，已在很多应用领域受到了关注，在自动化中的应用主要有下列诸方面：l(1)过程建模及软测量 l(2)故障监测和诊断 l(3)用于控制 神经
29、网络监督控制神经网络监督控制神经网络直接逆控制神经网络直接逆控制神经网络模型参考自适应控制神经网络模型参考自适应控制神经网络预测控制神经网络预测控制6.8.工业生产过程监控技术工业生产过程监控技术l 过程监控:l从广义上讲，是指对过程变量巡回检测，对被控变量进行控制，并对各关键变量的实时值进行监测，将数据记录(或贮存)并报告给操作人员，并配有一定的报警功能；l从狭义上讲，是指依据所能获得的各项测量情况，分析和判断生产工况是否正常，如出现不正常工况或其预兆，则找出原因，提出对策。l本章所讨论的过程监测，是指狭义概念上的过程监控。本章所讨论的过程监测，是指狭义概念上的过程监控。6.8.1.过程监控
30、的意义过程监控的意义l 及时发现过程异常变化或系统故障l设备运行过程的状态检测l计算机集成制造系统维护l生产流水线质量监测l核电站安全保障l测控系统管理l航天器轨道与姿态监视l导航系统监视l地震等灾变事件预警l控制系统故障检测与诊断l图像边界确定l语音信号分段l气候与环境监测。6.8.2.过程监控的一般步骤过程监控的一般步骤6.9 故障检测诊断与容错控制技术故障检测诊断与容错控制技术l故障检测与诊断（Fault Detection and Diagnosis，FDD）技术是发展于20世纪中叶的一门科学技术，是指对系统的异常状态的检测、异常状态原因的识别以及包括异常状态预测在内的各种技术的总称。
31、l故障包含双层含义：l系统参数偏离可允许的操作范围，使整个系统的性能指标明显低于正常范围，而难于完成预期的系统功能；l系统功能偏离正常运行范围的程度加剧，造成系统或设备本身的功能失效，从而使系统的功能不能得以保证。6.9.1工业生产过程的故障检测与工业生产过程的故障检测与诊断的一些概念诊断的一些概念l故障的类型一般分为三类：l被控过程（对象）的故障：被控过程（对象）的故障：对象的某部分器件失效，如容器或管道的破裂、阀门的泄露、催化剂的失效、反应器结焦等现象；l仪表器件的故障：仪表器件的故障：包括检测元件、变送器、执行器、联接管线、控制装置和计算机接口的故障，如传感器发生卡死、损坏、掉电和完全失
32、效的硬故障，执行机构卡死、恒增益或恒偏差造成不能正确执行控制命令等的变化，以及执行机构非线性特性恶化、粘滞效应等；l软件故障：软件故障：指计算机诊断程序和控制程序的故障，也包括染入计算机病毒的故障。故障诊断内容故障诊断内容l故障预报（故障预报（Fault prediction）：）：研究系统的故障征兆，预测故障l故障检测（故障检测（Fault detection）：）：对导致动态系统操作异常的各个功能单元故障离线或在线检测，判断系统故障、报警。l故障分离（故障分离（Fault isolation）：）：对检测出的系统故障确定其种类和发生的部位，区别出故障原因是执行器、传感器和被控对象等或者是特
33、大扰动。l故障重构（故障重构（Fault reconstruction）：）：对检测的故障直接获取相关信息，在线或离线重构故障。l故障分析或辨识（故障分析或辨识（Fault analysis or identification）：）：在分离出故障后确定故障的大小和产生的原因。l故障诊断（故障诊断（Fault diagnosis）：）：从广义概念来讲其为故障检测、分离和辨识的统称；从狭义上特指故障分离、故障重构和故障辨识。l故障评价、决策（故障评价、决策（Fault Evaluation）：）：判断故障的严重程度，以及故障对系统的影响和发展趋势，根据故障的类别、严重程度，确定是否采取措施，以防故
34、障的传播，预防灾难性的事故发生。6.9.2.故障检测与诊断的主要方法故障检测与诊断的主要方法l基于解析模型的方法l基于知识的方法l基于信号分析的方法l基于数据驱动的方法l混合故障诊断方法6.9.3.工业生产过程容错控制技术工业生产过程容错控制技术l容错控制系统是在元部件（或分系统）出现故障时仍具有完成基本功能能力的系统，要尽量保证动态系统在发生故障时仍然可以稳定运行，并具有可以接受的性能指标。l容错控制器的设计方法l硬件冗余方法l解析冗余方法6.10.工业生产过程操作优化技术工业生产过程操作优化技术l工业系统的最优化命题具有以下特点：l核心是使一个目标函数(J)成为最大值或最小值，如收益最大，
35、成本最低等等。l求解目标函数的最优值可以是最大值，也可以是最小值，视目标函数和优化要求而定。l目标函数的值取决于一些可以调整的自变量()，同时也受一些环境条件变量()影响，但这些环境条件变量是不能自由调整的。l在最优化命题中，往往有约束条件存在，例如某个自变量的值必须低于某一限值等。l常见的优化问题分类：l设计中的优化设计中的优化l此时工艺流程、设备类型和尺寸，生产中的操作条件都可以调整，但在一经确定之后，不需随时修改；l运行中的优化运行中的优化l此时工艺流程、设备类型和尺寸都已固定，只有操作条件可以变动，它们也就是生产优化命题中的运行变量。l运行中的优化分为三个方面：l控制优化（或称最优控制
36、）控制优化（或称最优控制），其目标函数是被控过程的某项动态品质指标l操作优化操作优化，其目标函数是体现经济效益的某项指标l生产计划与调度的优化生产计划与调度的优化，这是生产管理层次的优化l运行优化的推行，必须谨慎选择，原因如下：l并非所有的过程和设备都须优化并非所有的过程和设备都须优化，有些过程或设备的运行，只要工况平稳，能确保物料和能量的平衡，就达到了目的；l各个子系统都实现最优化，整体系统不一定是最优各个子系统都实现最优化，整体系统不一定是最优的，相反，为了整体效益的提高，有时需要牺牲局的，相反，为了整体效益的提高，有时需要牺牲局部的利益部的利益；l如果环境条件变动不多，或者虽有变动但对目标函数影响不大，这时可以一次性地求出最优的运行变量值，不必更改，没有必要用计算机进行在线的持续优化。优化的点求精而不求多优化的点求精而不求多。优化目标函数和运行变量的选择优化目标函数和运行变量的选择l工业过程的优化问题可表示为：l约束条件：l无约束条件l等式约束条件l不等式约束条件0),(0),(.),(minfxhfxgtsfxJx常用的最优化方法常用的最优化方法l经典方法l智能优化算法
