主题：【原创】化工过程控制的实践 -- 润树

才看出些味道来！

expotr model，应该是export model。看来是朱博士自己写的。这个公司好像也不大。

不过我很看好他走的这条路，就是将MPC简单化，规范化，程序化。另外自适应也是很好的方向。

自适应就是把辨识、控制器设计和实施自动化，想法是好的，但在实际上问题太多。想想吧，不要说自动测试，就是手工测试，我们要做多少事先工作？测试的时候要用多少力量来监测？事后要花多少时间分析数据？这些都自动化了，只能说明一件事：这些步骤已经高度程式化了，已经成为简单的重复劳动了，但这不是事实。对于简单的过程，这是事实，但这不是自适应系统的用武之地，也不是人们的期望。

人们对自适应的期望应用是：

1、显著非线性

2、显著时变

3、过程特性“无规则”变化（实际上是人们不知道变化到底是怎么来的）

人们的期望其实是不现实的：人工做不到的地方，期望自适应能创造奇迹，这好比人脑子想不明白的事，期望人工智能能想明白一样，是本末倒置了。

对于简单过程，trial-and-error并不是像想象中的那么落后，只要亲手做过几个回路，参数整定没有什么可怕的。一定要辨识、控制器设计这一套，就比较教条了。这和打仗一样，要是战场范围一目了然，敌情清楚，凭经验呼叫炮兵或者摆兵布阵就可以，不是一定要派侦察分队仔细标明敌情、沙盘演算才可以制定作战计划的。

就像你说的，对某些简单而又相对规范化的过程（比如发电厂），也许可以做出模式化，程式化的MPC。但简单的不见得就没有时变和非线性的问题。如果时变和非线性是比较快的反复变化，那自适应不太好用；如果是缓慢渐变的过程，像化学反应器由于催化剂的活性变化，裂解炉管道里的结焦等，那么由系统来进行一些模型自动辨识的工作，还是有可能成功的。对这些问题，工程人员事先当然应该都了解，暂时还不存在让人工智能来做人脑想不明白的事情；以后会怎么发展，现在也还不能断言。而且也可以考虑用别的方法去解决，自适应可以是其中的一种方法。总之是不期望它解决一切的此类问题，能解决一点，就算一点，然后再慢慢进步嘛。

我对由自动测试来获得的模型的有效性和其精度，其实没有很大的信心，甚至对手动开环测试而一次做出来的多变量模型，也要一个个想过计算过才放心一点，而且还要依赖在线闭环控制时的调试。这反过来说明，在线自动测试和模型识别值得尝试。在做一个MPC的项目时，毕竟会受到时间以及工厂生产状况变化的影响。而一但MPC投运后，有充裕的时间和在线数据来对模型进行反复辨识，以期找到更接近实际过程的模型。只是这个过程，依我看来，也还是需要有经验的工程人员的参与。

在我看来啥理论都没有必要，做个逻辑让控制设备像运转员（operator）一样， 开开阀门， 看看参数和目标差距， 再决定是继续开门，还是关门---太误事报

我还真就这样设计过控制逻辑， 而且在某电厂用着还不错，还拿了一个电力部的科学进步三等奖

要是逻辑能够解决所有问题，我们这些搞控制的不就没饭碗了嘛？

要是光用逻辑就能控制的，一般说来控制水平不是太高的。逻辑的dead band不可能太小，要不然忙不过来了，所以控制精度不可能很高。

那是国产的阀门， 给小电流让它开它不开那种。

厂方没钱用于买进口的阀门，实在是自动化的脑袋+木头四肢，啥控制都做不来，只好模仿operator操作了

不过在国内的时候只纸上谈兵，还真是到了加拿大以后才练真把式。阀门不好真是头疼，但有时候工艺条件混蛋更头疼。我们有一个阀门，通过流量在300-400吨/小时，阀门压差在4-6MPa，通常开度在70-80%，但要求阀门的动作精度在0.1%以下，真是强求猪八戒绣花，头疼死了。这只是这个回路一半的头疼，在反应器开车的时候，流量可以在几分钟内改变50%，黏度从清水一样变到超过奶油浓汤，要是控制不好，反应当场就死了，然后背后站一排人，大眼瞪小眼地看着你，上头也是电话一个个打过来，头不大都不行。

就是规模再小一点，但是流速的变化和对控制精度的要求，我们也很过分。

还好没有这么快的改变流速。

这个不仅要求对工艺流程极其熟悉，也要求相当大的计算工作，很多时候由于多变量的互相影响，事实和表面的逻辑完全相反-_-

能不能给我昨天的帖子http://www.talkcc.net/thread/1299517发表宝贵的意见啊？

谢谢啦！

在MPC一章里，出现了动态和静态优化的概念，也就是根据MPC的线性模型来计算过程最佳静态操作点和到达此点的动态途径。但是由于其模型没有全面地（MPC的变量只是过程所有变量的一部分）和准确地（忽略了过程的非线性）反映过程的特性，只能说它是一个片面/局部和近似的优化。

所谓过程静态优化（PSSO，process steady state optimization）则是一个远在MPC之前很久就出现了的古老命题：

给定过程的目标函数 J = f（x1, x2, x3, ……, xn），在x的约束条件下，找到优化变量x1, x2, ……, xn的值，使J最大化或最小化。

传统上，有两种方法来实现PSSO，一是通过过程的数学模型来计算（模型法），二是在线搜索（搜索法）。模型法中用到的模型，既可以是基于第一原理的机理模型，也可以是经验模型，或两者的结合，在MPC之前，大多是离线实现。也就是说，通过人工或计算机的计算，找到最佳静态操作变量的设定值，然后手动改变这些变量来实现优化。有了MPC后，PSSO所计算出的最佳变量设定值通过这两个系统间的接口传递到MPC自动实现。因此，PSSO可看着是位于MPC之上的一级控制系统。而在线搜索法则是直接改变优化变量的设定值，然后观察目标函数的变化方向，一步一步地去逼近最大/最小值。

最优化，从本质上说是一个数学问题，我们在高等数学中都学习过了。对于线性和低阶的目标函数和约束条件，可以用求导数和代数的方法来求解，而对于高阶和非线性的目标函数或约束条件，则需要用到更复杂的数学方法，像单纯型法，非线性最小二乘法（NLLS）non-linear least squre），分步二次规划（SQP，sequential quadratic programming），总体降梯度法（GRG，generalized reduced gradients）等等。MATLAB之Optimization Tool Box是用来求解此类问题的好工具。但这里我们不对这些数学方法作进一步的讨论，而将焦点放在过程优化的含义及其具体的工程实现。

我们先来看一个精馏塔。如图4.0.1所示，这个塔的操作目的是将进料中的二元主分Ca和Cb分离成塔顶的轻主分和塔低的重主分产品。一般地，这个分离过程是非理想的，即塔顶会有重主分杂质Xb，而塔底也有轻主分杂质Xa。现在的问题是，怎样的分离才算经济上最优。

图4.0.1 二元精馏塔的分离示意图

我们可以定义这个过程的优化目标函数如下：

J = 产品所得 – 原料成本 – 能源成本

= Fa*$a + Fb*$b - Ff*$f - Qc*$c - Qr*$r （1）

式中，

Fa和$a – 塔顶产品流量和价格

Fb和$b - 塔底产品流量和价格

Ff和$f – 进料流量和价格

Qc和$c – 冷凝量和价格

Qr和$r – 再沸器热量和价格

约束条件是:

塔顶和塔底的杂质主分小于产品指标值 Xa <= Xa_spec, Xb<=Xb_spec （2）

冷凝器和再沸器能量受限于最大设计值 Qc <= Qc_max, Qr <= Qr_max （3）

由该塔的物料平衡，我们可以得到:

塔顶产品 Fa = Ff (Ca-Xa) / (1-Xa-Xb) （4）

塔底产品 Fb = Ff (Cb-Xb) / (1-Xa-Xb) （5）

对该塔的能源消耗，我们有经验公式：

冷凝量 Qc = Ff (c1 + c2*Xb + c3*Xb*Xb) （6）

再沸热量 Qb = Ff (d1 + d2*Xb + d3*Xb*Xb) （7）

将（4）-（7）代入（1），可得

J = f(Ff, Ca, Cb, Xb, Xa, $a, $b, $c, $r) （8）

在给定Ff, Ca, Cb, $a, $b, $c, $r的情况下，（8）式中只有Xa和Xb是优化变量，而如果塔底产品价格高于塔顶产品价格，即 $b > $a，那末Xa应控制在其上限（低价值组分作高价值产品），就是所谓的卡边操作。这样就只剩下唯一的优化变量Xb，可以很容易的算出它的优化值是15%，其对应的最大值J是$1006/小时。既然b主分价值高于a主分，为什么不尽量将这个数值控制在最小值呢？这是因为，要获得那样的结果，就需要加大回流量，导致冷凝量和再沸热量的消耗都上升，而抵消或超过由更多的塔底产品所带来的经济利益。图4.0.2是用MS Excell计算的图像显示。顺便说一下，MS Excell里的Add-Ins Solver也可以方便地用来求解复杂的优化目标函数。

图4.0.2 优化分离的图像显示

这个例子很间单，旨在用来说明化工过程中优化概念。实际的情形要复杂得多，我们将在下一节用Aspen Plus 的Real Time Modeling and Optimization来详细考察。

这里提出一个数学上臭名昭著的Banana函数优化问题，有兴趣者不妨用MS Excell里的Solver去求解一下。当然用其它方法也可以。

J = 100*(X2 – X1^2)^2 + (1-X1)^2

求解J的最小值，无约束条件。^2是平方算子。

在这里用不上了