CN101266462B - 利用免疫学概念的过程控制和优化技术 - Google Patents

利用免疫学概念的过程控制和优化技术 Download PDF

Info

Publication number
CN101266462B
CN101266462B CN2007101380385A CN200710138038A CN101266462B CN 101266462 B CN101266462 B CN 101266462B CN 2007101380385 A CN2007101380385 A CN 2007101380385A CN 200710138038 A CN200710138038 A CN 200710138038A CN 101266462 B CN101266462 B CN 101266462B
Authority
CN
China
Prior art keywords
group
process control
control
input
state
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN2007101380385A
Other languages
English (en)
Other versions
CN101266462A (zh
Inventor
康拉德·斯维尔斯基
托马什·乔米亚克
康拉德·沃伊丹
杰弗里·J·格罗特
杰弗里·J·威廉姆斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Emerson Process Management Power and Water Solutions Inc
Original Assignee
Emerson Process Management Power and Water Solutions Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Emerson Process Management Power and Water Solutions Inc filed Critical Emerson Process Management Power and Water Solutions Inc
Publication of CN101266462A publication Critical patent/CN101266462A/zh
Application granted granted Critical
Publication of CN101266462B publication Critical patent/CN101266462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/024—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/021—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明主要涉及利用免疫学概念的过程控制和优化技术，具体涉及用于控制和优化诸如能源产生过程或发电过程等过程操作的优化技术的使用。本发明提供了一种用于控制过程的过程控制系统，包括：控制器，其适于使用一组目标控制信号值来产生一个或多个用于控制所述过程内一个或多个现场设备的过程控制信号；和优化器，其通信连接到所述控制器，并适于生成该组目标控制信号值。所述优化器包括：存储器、优化单元、变化检测单元和响应单元。本发明还提供了一种控制过程的方法以及一种优化过程操作的方法。本发明通过减少时间和减少高资格的工程人员的劳动力，降低了发电厂的运行成本，而且对新的操作条件的永远适应。

Description

利用免疫学概念的过程控制和优化技术
技术领域
本发明主要涉及过程控制系统，具体涉及用于控制和优化诸如能源产生过程或发电过程等过程操作的优化技术的使用。
背景技术
像那些用在发电过程、化学制造过程、石油加工过程或其它过程中的诸如分布式或可升级过程控制系统等的控制过程系统，通常包括一个或多个过程控制器，这些过程控制器通过模拟、数字或模拟/数字混合总线彼此通信连接、通信连接到至少一个主机或操作员工作站以及一个或更多现场设备。现场设备可以是例如阀门、阀门定位器、开关和变送器(例如，温度、压力和流速传感器)，它们在过程内执行比如开或关阀门以及测量过程参数等功能。过程控制器接收表示由现场设备所测得的过程测量结果和/或关于现场设备其它信息的信号，利用该信息执行控制例程，然后生成通过总线发送至现场设备的控制信号，以控制工厂的操作。来自现场设备和控制器的信息通常由操作员工作站执行的一个或更多应用程序获得，从而使操作员对过程执行任何所需的功能，例如查看过程的当前状态、修改过程的操作等。
过程控制器通常被编程为，针对为过程定义的或包含在过程中的多个不同回路中的每个回路执行不同的算法、子例程或控制回路(所有这些都是控制例程)，例如流量控制回路、温度控制回路、压力控制回路等。一般而言，每个这种控制回路都包括诸如模拟输入(AI)功能块的一个或多个输入块、诸如比例积分微分(PID)或模糊逻辑控制功能块的单输出控制块、以及诸如模拟输出(AO)功能块的单输出块。因为控制块创建用于控制单过程输入的单控制输出，例如阀门位置等，所以这些控制回路通常执行单输入/单输出的控制。然而，在某些情况下，例如在像燃煤发电厂那样的复杂能源生产厂中，因为受控的过程变量不只受到一个过程输入的影响，所以使用多个独立操作的单输入/单输出控制回路并不十分有效，事实上，每个过程输入都可能影响许多过程输出的状态。在这种情况下，使用多个单输入/单输出控制回路可能导致非最优的控制，造成浪费多余的原料、低质量的产品、多余的排放、更低的效率等。
为了克服单回路控制的缺陷，已经开发出多种类型的多变量或多输入/多输出控制，它们能操作以从一组过程变量和设定点同时产生一组控制信号。在大多数情况下，这些控制步骤依赖于某种过程模型，以便将过程反应建模为给定的一组输入。一种简单的多变量控制方法使用针对过程的数学模型，例如过程模型的一阶数学模型。然而，已经发现，由于这些理论模型没有对许多影响过程的变量进行说明，也没有解释工厂设备的老化等等，所以这些理论模型过于简单，而没有足够详细地进行精确或最优的控制。于是，严格应用理论模型(即，不使用历史过程数据)的基于模型的控制解决方案不能获得精确的或最优的控制结果。
其它的多变量控制方法使用根据采集自工厂本身的历史数据所开发的工厂模型，像实际配置工厂一样更好地对工厂建模。这些基于工厂的模型控制技术的例子包括模型预测控制(MPC)和神经网络控制。过去，MPC和其它类型的先进控制已经用于在对特定被控过程变量的改变影响不止一个过程变量或输出的情况下执行控制。从二十世纪七十年代末开始，已经报道了许多模型预测控制的成功实施，而且在加工工业，MPC已经成为先进的多变量控制的主要形式。更进一步地，MPC已经作为分布式控制系统分层软件在分布式控制系统中实施。
一般而言，MPC是多输入/多输出控制策略，其中测量改变每个过程输入对每个过程输出的影响，然后所测量的响应被用于创建控制矩阵或过程模型。过程模型或控制矩阵(通常定义了过程的稳态操作)被数学求逆，并用在多输入/多输出控制器中，以基于对过程输入所做的变化来控制过程输出。在一些情况下，过程模型被表示为针对每个过程输入的过程输出响应曲线(通常是阶跃响应曲线)，并且这些曲线可以基于例如一系列传送给每个过程输入的伪随机阶跃变化来创建。这些响应曲线可以用于以公知的方式对过程建模。模型预测控制在本领域是公知的，因此，这里不再描述其细节。例如，美国专利4,616,308和4,349,869总体地描述了可用在过程控制系统中的MPC控制器。
还发现了MPC与过程优化结合使用时是有效且有用的控制技术。在这种情况下，优化功能可以计算与每个约束变量或辅助(也称为扰动)变量相关的成本和/或收益，以在收益最大化、成本最小化等的水平下操作。然后，这些辅助变量的测量结果可以作为输入提供给MPC例程，并被MPC例程处理为控制变量，该控制变量具有与针对优化例程所定义的辅助变量的操作点相等的设定点。具体地说，为了优化使用MPC的过程，优化器可以最小化或最大化由MPC例程确定的一个或多个过程输入变量，以使过程在最优点运行。虽然该技术在计算上是可能的，但是有必要选择例如对提高过程的经济操作(例如，过程产量或质量)有显著影响的过程变量，以从经济角度优化过程。从财务或经济角度看，在最优点操作过程通常需要控制彼此关联的许多过程变量，而不仅仅是单个过程变量。已经提出借助于二次规划技术或诸如内点法等更多当前技术进行的优化，作为提供具有MPC的动态最优化的方案。利用这些方法，确定最优化解决方案，并且优化器给控制器提供控制器输出中的移动(即，过程的操纵变量)，并考虑了过程动态特性、当前约束和最优化目标。然而，这种方法给控制器带来了巨大的计算负担，并且在当前的技术水平下通常不够灵活。
不幸的是，使用根据历史数据生成的过程模型的每个控制解决方案，都需要在过程的在线操作(即，利用依赖过程模型的控制技术)之前就在加工厂自身上运行的一组参数测试，以首先生成过程模型。此外，每次改变过程，这些参数测试必须被重新运行，以更新过程模型。发电厂或能源生产厂中的这种测试可以采用例如锅炉操作的测试形式，以与空气和燃料的精确混合相关的控制变量的可变组合进行该锅炉操作，例如操作燃料传送和磨煤机系统、二次空气和OFA(燃尽风，其是用于减少燃煤锅炉、燃气锅炉和燃油锅炉的排放的额外空气源)的开放、燃烧器倾斜角等的组合。于是，为了获得有用的模型，必须运行各种测试，以便以大量各种可能的过程参数的组合来获得过程响应数据。此外，所需测试的数量随着工厂变量数的增加而增加。而且，过程模型的有用性受到产生过程模型时所执行测试的数量和类型的约束，因为过程模型在用测试仿真的过程操作条件之外不准确。在任何情况下，根据锅炉类型和所使用的控制变量的数量和类型，用于生成合适过程模型的测试可能需要几天来使用大量工程测量结果并限制工厂的生产能力。此外，虽然用于获得和存储过程模型数据的计算设备的成本微不足道，但是与让高资格的工程团队执行和分析测试相关的时间成本在发电厂的预算中是显著的。
更进一步地，在过程映射过程中，难以获得鲁棒的过程模型，因为为了鲁棒，过程模型必须覆盖如下过程条件的范围，这些过程条件在工厂中发生未控变化或不可解释的变化时可能发生。例如，在基于燃烧的能源厂中，由于锅炉中操作参数随着时间的变化以及由于工厂设备的老化，燃烧过程通常随着增加的或延长的锅炉操作而变化。当然，如果不是不可能，在创建过程模型时对这些变化(在它们发生之前)进行建模或仿真也是困难的。更进一步地，基于历史的过程模型生成方法不能充分地考虑或解释未测量的过程值的变化、或者很难测量(由于测量技术的现状)但仍然影响过程操作的过程参数中的变化。燃烧厂中这种过程变量的示例包括在测试过程中使用的煤的质量参数，这些参数通常只能在实验室里一天一次地确定，并且在定义质量指标(用在优化任务的目标函数中)时不予考虑，而且在对出现在由于燃烧过程所产生的炉渣和煤灰(排放物)中的燃烧成份的内容进行建模时也不予考虑。
可以相信的是，利用当前在公知的过程控制技术中可获得的基于理论或历史的过程模型，实际上不可能消除上述缺点。因此，需要不同的过程建模和控制技术，其中，过程控制器能响应于对加工厂条件的改变并响应于不可测的变量来有效地操作，但是该技术不需要大量的训练和建模费用来创建。
发明内容
集成的优化和控制技术以相似于生物免疫学系统工作的方式利用随机优化执行过程控制和优化，并且不使用必须在将控制和优化例程放置在工厂中的操作之前就创建的历史过程模型。特别是，集成的优化和控制技术在过程的在线操作期间，采集各种过程控制状态的指示，并将这些过程控制状态指示存储在存储器中。每个过程控制状态可以包括例如一组过程输入值和一组过程输出值。过程输入值可以包括过程控制输入以及已测量的和未测量的扰动输入，而过程输出值可以包括过程变量值，例如由将过程输入应用到过程所产生的稳态过程变量值。
在过程的稳态操作期间，集成的优化和控制技术试图通过生成一系列提供给过程的过程控制输入组来优化过程操作(即，使过程移向更优化的状态或条件)。一般而言，集成的优化和控制技术利用所存储的过程控制状态来生成一系列过程控制输入组，并且该系列过程控制输入组通常由试图最小化(或最大化)目标函数来选择或确定，其中，目标函数定义了用来优化过程操作的特定优化标准。为了完成该功能，当前过程控制状态(即，过程的当前操作条件)的输入(例如扰动输入)可以用于选择一个或多个所存储的过程控制状态，并且将被传送给过程的该一系列过程控制输入组可以被确定为所选过程控制状态的过程控制输入的函数。在一个实施例中，所存储的具有与当前过程控制状态相关的扰动输入最接近或最相似的扰动输入组的过程控制状态，可以被选为用于确定所述一系列过程控制输入组的合适的过程控制状态组。在另一实施例中，一个或多个所存储的过程控制状态可以用于生成过程的一个或多个数学模型，并且可以利用这些过程模型来确定所述一系列的过程控制输入组。
此外，集成的优化和控制技术可以通过基于一个或多个所存储的过程控制状态确定将要提供给过程的一组新的过程控制输入，来对当前过程操作条件中的显著变化进行响应。特别是，优化和控制技术可以在这些扰动输入中的一个或多个经历显著变化后，将当前过程控制操作条件的扰动输入与所存储的过程控制状态中至少一些的扰动输入进行比较，以确定最接近新过程操作条件的所存储的过程控制状态中的一个或多个。然后，集成的优化和控制技术可以基于与被确定为最接近新过程操作条件的一个或多个所存储的过程控制状态相关的控制输入，生成将被传送给过程的新的控制输入组。
因此，在一个实施例中，用于控制过程的过程控制系统包括：控制器，适于使用一组目标控制信号值来产生用于控制过程中一个或多个现场设备的一个或多个过程控制信号；优化器，通信连接到该控制器，并适于生成该组目标控制信号值。该优化器可以包括用于存储多个过程控制状态的存储器和通信连接到该存储器的优化单元，该优化单元适于使用所存储的多个过程控制状态来生成在过程的稳态操作期间由控制器使用的一系列目标控制信号值，以将过程移向优化的过程操作条件。此外，优化器可以包括变化检测单元，其响应于诸如与过程相关的扰动输入之类的一个或多个过程输入来检测当前过程状态条件中的变化。优化器还可以包括响应单元，其通过选择所存储的多个过程控制状态中的一个或多个，并使用所选择的一个或多个所存储的多个过程控制状态产生在响应当前过程状态条件中的变化时由控制器使用的一组新的目标控制信号值，来对所检测到的当前过程状态条件中的变化进行响应。
如果需要，存储在存储器中的每个过程控制状态都可以由一组过程输入(其可以是控制输入以及已测量的和未测量的扰动输入)以及一组由该组过程输入的使用所产生的过程输出来定义。因此，每个过程控制状态都响应于一组给定的过程输入来定义过程的状态，优选是过程的稳态操作状态。结果，每个过程控制状态表示或固有地包括过程操作期间特定时刻的过程模型。如果需要，优化器可以包括模型创建单元，其根据一个或多个所存储的过程控制状态创建一个或多个过程模型，例如数学过程模型。在这种情况下，优化器可以使用所确定的数学过程模型，基于所提出的那组过程控制输入产生过程输出的估计，或者给定当前过程扰动输入组的情况下，可以使用该数学过程模型确定一组提出的应该用于产生预期或期望的一组过程输出的过程控制输入。同样地，如果需要，优化单元可以包括目标函数，并可以使用该目标函数来确定两个或更多过程控制状态的相对最优性，以生成预计将过程驱向最优过程操作条件的目标控制信号。如果需要，该目标函数可以是用户可定义的，以使最优性标准能够改变。
更进一步，优化器可以包括过程控制状态管理器，其运行来控制或限制存储在存储器中的过程控制状态的数量，从而在过程已经运行很长一段时间时提高优化器的效率或有效性。特别是，过程控制状态管理器可以被编程为或适于基于这些过程控制状态已经在存储器中存储的时间长度来去除所存储的过程控制状态中的一个或多个，因为老的过程控制状态由于过程参数的变化、工厂设备的老化等不能精确地反映过程的当前操作。同样地，如果需要，过程控制状态管理器可以适于基于由优化单元和/或响应单元对一个或多个过程控制状态的使用量的指示或测量结果，或者基于与过程控制状态相关的最优性或质量指标，来去除一个或多个所存储的过程控制状态。
根据另一实施例，控制过程的方法包括：在过程正在进行操作时，在多个时间点确定针对一组过程输入和输出变量的值，以确定多个过程控制状态；存储每个过程控制状态的指示；并在过程没有经历一个或多个过程扰动的显著变化时，通过周期性地向过程提供新的控制输入来优化过程的操作。在这种情况下，新的控制输入可以被配置成或可以被确定为将过程移向由目标函数所测得的更优化的过程控制状态，其中目标函数考虑或权衡了过程控制输入和过程控制输出。不过，在过程经历一个或多个过程扰动的显著变化时，该方法响应于一个或多个过程扰动的显著变化，基于一个或多个所存储的过程控制状态确定将提供给过程的一组控制输入，并利用该组控制输入控制过程，以将过程移向更优化的过程控制状态。
根据该方法，基于所存储的过程控制状态确定将被提供给过程的该组过程控制输入，可以通过以下过程执行：将过程经历过程扰动中显著变化之后的过程的过程控制状态与所存储的过程控制状态进行比较，并基于所述比较结果选择一个或多个所存储的过程控制状态。
根据又一实施例，优化过程操作的方法包括：通过确定一组过程输入和一组过程输出中每个的值来确定过程正在进行操作时的多个过程控制状态，从而定义特定的过程控制状态，其中那组过程输出由施加给过程的那组过程输入产生。该方法在存储器中存储多个过程控制状态中每个的指示，并通过基于所存储的过程控制状态预测过程对所提出的那组过程控制状态的响应，来周期性地确定用于控制过程的一组新的过程控制输入。该方法进一步利用最优性标准分析所提出的那组过程控制输入的最优性，其中最优性标准使用所提出的那组过程控制输入和通过将所提出的那组过程控制输入应用到过程所产生的一组预测过程控制输出。
根据另一优选实施例，控制过程的方法包括：通过确定一组过程输入和一组过程输出中每个的值来确定过程正在进行操作时的多个过程控制状态，从而定义特定的过程控制状态，其中那组过程输出由施加给过程的那组过程输入产生。该方法在存储器中存储多个过程控制状态中每个的指示，并监测过程的当前状态，以确定过程何时经历显著的变化。当过程经历显著变化时，该方法响应于该显著变化，基于一个或多个所存储的过程控制状态确定将被提供给过程的一组控制输入，并利用所确定的那组控制输入控制过程，以将过程移向更优化的过程控制状态。
附图说明
图1是包括具有先进控制器功能块的控制模块的过程控制系统的框图，其中先进控制器功能块利用这里所描述的人造免疫学系统概念执行集成的优化和控制；
图2是图1中的先进控制器功能块的框图，其具有集成的优化器和控制器；和
图3是基于人造免疫学系统的控制器和优化器的框图，图示了一种实现图2中集成的优化器和控制器的方式。
具体实施方式
现在参见图1，过程控制系统10包括通信连接到数据历史记录器12以及一个或多个均具有显示屏14的主机工作站或计算机13(其可以是任何类型的个人计算机、工作站等)的过程控制器11。控制器11也经由输入/输出(I/O)卡或设备26和28连接到现场设备15-22。数据历史记录器12可以是具有任何所需类型的存储器和任何所需或公知的用于存储数据的软件、硬件或固件的任何所需类型的数据采集单元，并且可以与工作站13之一分开(如图1所示)或作为工作站13之一的一部分。控制器11可以是例如由艾默生过程管理电力和水力解决方案有限公司销售的Ovation控制器，它经由例如以太网连接或任何其它期望的通信网络29，通信连接到主机计算机13以及数据历史记录器12。通信网络29可以采用局域网(LAN)、广域网(WAN)、电信网等形式，并可以利用硬连线或无线技术来实现。控制器11利用任何与例如标准4-20毫安设备和/或任何智能通信协议相关的期望的硬件和软件通信连接到现场设备15-22，所述智能通信协议例如是FOUNDATION
Figure G071D8038520070810D000092
现场总线协议(现场总线)、HART协议等。
现场设备15-22可以是任何类型的设备，例如传感器、阀门、变送器、定位器、开关等，而I/O卡26和28可以是符合任何期望的通信或控制器协议的任何类型的I/O设备。在图1所示的实施例中，现场设备15-18是经由模拟线路与I/O卡26通信的标准4-20毫安设备，而现场设备19-22是例如现场总线现场设备的智能设备，经由数字总线利用现场总线协议通信与I/O卡28通信。当然，现场设备15-22可以符合任何其它期望的标准或协议，包括将来生成出来的任何标准或协议。
控制器11可以是其中具有至少一个处理器的工厂10内的许多分布式控制器中的一个，执行或监督所存储的或与之相关的一个或多个过程控制例程，这些过程控制例程可以包括控制回路。控制器11还与设备15-22、主机计算机13和数据历史记录器12通信，以便以任何期望的方式控制过程。应该注意的是，如果需要，这里所述的任何控制例程或组件都可以具有由不同控制器或其它设备实现或执行的部分。同样地，这里所述的在过程控制系统10内执行的控制和优化例程或组件，可以采用包括软件、固件、硬件等任何形式。为了讨论的目的，过程控制组件可以是过程控制系统的任何部分或部件，该系统例如包括存储在任何计算机可读介质上的例程、块或模块。控制和优化例程可以是模块或者控制或优化步骤的任何部分，例如子例程、子例程的部分(例如数行代码)等，它们可以按照任何期望的软件格式实现，例如使用梯形逻辑、顺序功能图、功能块图、面向对象的编程语言或者任何其它软件编程语言或设计范例。同样地，这里所描述的控制和优化例程可以被硬编码到例如一个或多个EPROM、EEPROM、专用集成电路(ASIC)、可编程逻辑控制器(PLC)或任何其它硬件或固件组件。更进一步地，控制和优化例程可以使用任何设计工具进行设计，包括图形设计工具或任何其它类型的软件/硬件/固件编程或设计工具。因此，控制器11可以被配置成以任何期望的方式实现控制策略或控制和/或优化例程。
在一个实施例中，控制器11利用通常所谓的功能块实现控制策略，其中每个功能块都是整个控制例程的一部分或对象，并与其它功能块协同操作(经由称为链路的通信路径)，以实现过程控制系统10中的过程控制回路。功能块通常执行输入功能、控制功能或输出功能中的一个，其中，输入功能例如与变送器、传感器或其它过程参数测量设备相关，控制功能例如与执行PID、模糊逻辑等控制的控制例程相关，输出功能控制诸如阀门之类的某个设备的操作以执行过程控制系统10内的某种物理功能。当然，也存在混合和其它类型的功能块。在功能块用于、或与标准4-20毫安设备和诸如HART设备的某些类型智能现场设备相关的情况下，这些功能块可以存储在控制器11中，并由控制器11执行；或者在现场设备为现场总线设备的情况下，功能块可以存储在现场设备中，并由现场设备本身执行。虽然此处利用使用面向对象编程范例的功能块来描述控制系统，但是控制策略或者控制回路或模块也可以利用其它规范来执行或设计，例如梯形逻辑、顺序功能图等，或利用任何其它期望的编程语言或范例来执行或设计。
如图1的放大框30所示，控制器11可以包括或实现图示为例程32和34的多个单回路控制例程，并可以实现图示为控制回路36的一个或多个先进控制回路。每个这样的回路通常都称为控制模块。单回路控制例程32和34被图示为利用分别连接到适当的模拟输入(AI)和模拟输出(AO)功能块的单输入/单输出模糊逻辑控制块和单输入/单输出PID控制块来执行单回路控制，其中AI和AO功能块与诸如阀门之类的过程控制设备相关、与诸如温度和压力变送器之类的测量设备相关、或者与过程控制系统10内的任何其它设备相关。先进控制回路36被图示为包括具有通信连接到多个AI功能块的输入端和通信连接到多个AO功能块的输出端的多变量控制块38，尽管多变量控制块38的输入端和输出端可以通信连接到任何其它期望的功能块或控制组件，以接收其它类型的输入并提供其它类型的控制输出。如同将进一步描述的那样，多变量控制块38可以是集成的控制和优化块，其集成了免疫学响应，以执行过程或其一部分的优化控制，在这种情况下，该过程可以是能源生产单位，例如燃煤发电厂。应该理解的是，图1所示的包括先进控制块38的功能块，可以由控制器11执行，或者可以位于任何其它处理设备中并由其执行，例如工作站13之一，甚或是现场设备19-22之一。
图2示出连接到过程52的控制器50的简化框图，其中控制器50被配置成利用此处描述的免疫学技术对优化器54生成的目标控制信号进行响应，以对过程52执行优化的控制。特别是，在该实例中被描述为发电过程(具体是燃煤发电厂)但是也可以是任何其它过程的过程52，接收多个输入，包括操纵变量(MV)输入(在这里也称为控制输入)、已测量的扰动变量(DV)输入以及未测量的扰动变量(XV)输入。通常，过程52基于提供给它的MV、DV和XV输入来操作，以产生过程输出信号或被控变量(CV)信号。实际的CV信号可以在过程52内由例如传感器测量，传感器例如是位于过程或工厂52中适当位置的流量传感器、压力传感器、温度传感器、氧气传感器、混浊度传感器等。如图2所示，控制器50接收被控变量CV信号和已测量的扰动变量DV输入的指示、以及由优化器54提供的一组目标操纵变量信号，并使用这些信号产生操纵变量(MV)信号，其是控制过程52的控制信号。一般而言，MV信号由控制器50产生，以驱动过程52至由提供给优化器54的预定优化标准所确定的最优稳态操作。
应该理解的是，在多变量控制情况下，操纵变量信号MV、扰动变量信号DV、XV和被控变量信号CV中的每个都可以被建模为信号矢量，其中：
MV＝可控目标输入的矢量，其中MV＝{mv1，mv2，...，mvn}；
DV＝已测量的扰动的矢量，其中DV＝{dv1，dv2，...，dvn}；
XV＝未测量的或明显不考虑的扰动的矢量，其中，XV＝{xv1，xv2，...，xvn}；和
CV＝过程变量输出的矢量，其中CV＝{cv1，cv2，...，cvm}。
在一个实例中，例如在对动力锅炉的废气排放进行优化的情况下，MV矢量可以包括表示锅炉中节气闸打开程度和废气中氧气含量的信号；DV矢量可以包括表示锅炉负载和煤供应器速度的信号；XV矢量可以包括代表或表示煤的发热量、湿度、碾磨性等的信号；而CV矢量可以包括表示废气中一氧化碳(CO)含量、废气中氧气含量、蒸汽温度等的信号。当然，当用在动力锅炉中以及用在其它类型的过程中时，这些矢量中的每个都可以包括其它信号和/或参数，同时过程的细节以及所需控制的类型和性质将影响用在每个矢量中的确切信号或参数的确定。
在更详细地描述图2的控制器50和优化器54的操作之前，总地描述一下身体的免疫学响应是有帮助的，因为控制器50和优化器54的操作将依此类推。神经系统的目的是保护有机体免受病菌的侵袭，病菌可以是病毒、细菌、寄生虫和其它对活性有机体造成威胁的微生物。事实上，免疫系统的基本功能是正确地检测和有效地消除病菌，其中病菌由称为淋巴细胞的检测器识别出来。对于其它病菌的引入来说，淋巴细胞的结构表示免疫系统的先前活动的某一直接认知。当从其有助于解决技术问题的角度来观察免疫系统的结构时，非常有趣的是可以看到B-淋巴细胞，其利用由淋巴细胞自身产生的抗体来参与消灭病菌。作为包括给定种类淋巴细胞的基因重组的结果，新的、更有效的淋巴细胞产生，并因此产生抗体。因此，响应于特殊病菌的引入，免疫系统随着时间流逝演变出新的淋巴细胞，然后以某种方式记录这些新的淋巴细胞，以便在将来用于响应相同或相似病菌的引入。由于此特征，B-淋巴细胞不仅消除病菌，而且还参与创建免疫记忆过程，因为每个所创建和存储在身体中的淋巴细胞都提供不同的“工具组”来消灭病菌。当然，在与特定类型的病菌作斗争时，一些淋巴细胞较之其它而言可能更有效。
此外，在有机体中，还存在功能T-淋巴细胞，它形成第一道防线，并且作用是检测病菌并激励适当的B-淋巴细胞的创建。然后，基于对特定病菌最有效的B-淋巴细胞的选择和复制来创建免疫学记忆的过程。事实上，免疫学记忆的独特特征之一是存在相似属性的细胞群。换言之，具有相似工具组的淋巴细胞位置上彼此靠近。因为淋巴细胞的定位，当有机体受到病菌感染时，防御行为就可以使大群相似的淋巴细胞参与进来，用于或组合起来产生对消灭病菌非常有效的新的淋巴细胞。
于是，如上所述，免疫学系统具有通过学习和训练获得并提高其资格的能力，事实上，也能生成新的能力或丧失先前获得的能力。这些学习和记录特征通常很适合解决在电力工程以及过程控制工业的其它分支中遇到的各种技术问题。无论如何，从以上描述可以看出，生物免疫系统的独特特征是其响应于病菌的引入而不断学习或适应的能力。该过程与所谓的“基本免疫反应”相联系，其中基本免疫反应与有机体对新的未知病菌的响应相关。一般而言，基本免疫反应相当于用最好的工具组，即去除威胁最好的那些工具，来搜索淋巴细胞。有机体的基本反应通常很慢，因为有机体需要时间来适应或寻找以及产生消除未知病菌最好的淋巴细胞。不过，在成功的防御操作之后，对病菌的记忆不会消失，因为保留了所发展的淋巴细胞。由于这种“记忆”，对相同病菌后续攻击的反应将快得多也更有效。这种反应就是所谓的“二次免疫反应”，其表明免疫系统具备适应系统的特征。
于是，从以上对免疫系统特征的描述以及对其功能的描述可以理解，有机体的防御反应以基于从所存储或所记录的适当淋巴细胞群产生淋巴细胞。不过，为了成功地管理淋巴细胞，它们的数量不能无限增加。由于竞争机制，免疫记忆是自我调整的，其中去除无效的淋巴细胞，并创建新的淋巴细胞代替它们。管理淋巴细胞数量的简化机制用公式(1)表示：
DDC＝INC-DIC+RSC                             (1)
其中：
DDC——细胞的多样化程度；
INC——新细胞的流入；
DIC——无效细胞的死亡；和
RSV——受激细胞的复制。
在记住此背景的情况下，这里所述的免疫学控制技术的基本原理通常可以被类推至生物有机体的免疫响应。不过，有必要首先实现由一组特定的矢量MV、DV、XV、CV唯一识别或建模图2中过程52的每个稳态操作点或操作状态，这些操作状态在这里被称为过程控制状态。具体而言，基于过程52及其中设备的当前状况，一组特定的稳态MV、DV和XV输入(它们是对过程52的控制和扰动输入)将导致过程52产生一组特定的CV信号，作为过程输出。当然，由于一组特定的MV、DV和XV输入所产生CV信号可以随着过程52内过程设备的变化(例如，老化、经历燃烧副产品的累积等)而随时间变化。不过，在过程52经历该稳态信号和参数值的特定组合时，每个实际获得的MV、DV、XV和CV信号组都唯一地存储、代表或指示过程52的模型。因此，在类推生物演化关系时，每个特定的MV、DV、XV、CV矢量或信号组(即，每个过程控制状态)在这里都被称为淋巴细胞，其可以被理解成特定的和先前经历的过程稳态操作条件。
还应该理解的是，基于被用来从坏的过程结果或操作状况判断出好的过程结果或操作状况的标准，可以将某些淋巴细胞或稳态过程控制状态描绘为优于其它。例如，特定的过程控制状态或淋巴细胞MV1、DV1、XV1、CV1可能导致大量废气排放(例如由混浊度传感器测量的)，并且也可能导致低的燃烧效率。另一方面，另一过程控制状态或淋巴细胞MV2、DV2、XV2、CV2可能导致低的混浊度，但是仅是平均效率，而又一过程控制状态或淋巴细胞MV3、DV3、XV3、CV3可能导致低的混浊度和高的效率，在所有其它内容相同的情况下，这是最期望的条件。因此，在可能的情况下，当过程52处于由前两个淋巴细胞或过程控制状态之一所代表的稳态状况时，期望将过程52移至由淋巴细胞MV3、DV3、XV3、CV3所代表的第三稳态操作条件(过程控制状态)。当然，该示例本质上是简单化的，应该理解，确定“好”和“坏”淋巴细胞的技术可以用更严格的数学方式来执行，例如使用一个或多个数学定义的优化标准，诸如那些由LP优化技术中的目标函数所定义的标准。特别是，利用定义矢量MV和CV相对于彼此以及相对于期望操作点或设定点的优选状态的优化标准，使得每个淋巴细胞或过程控制状态都能被分配以质量因子。
在记住此背景的情况下，基于免疫学的控制和优化技术可以总体上被描述为，在正常操作过程中运行过程52，并在过程52的操作期间存储实际检测到的各种不同的淋巴细胞(MC、DV、XV、CV矢量)。在这一点上或在此过程中，可以使用例如单回路比例积分微分(PID)控制、多变量控制等以任何所需方式控制过程。然而，在已经检测到一定数量的淋巴细胞并将其存储到存储器中之后，优化器54然后可以有效地优化稳态过程操作条件，并可以利用所存储的淋巴细胞额外地快速响应于过程输入中的显著变化(例如，过程扰动输入DV和XV的显著变化)。特别是，当过程52以稳态条件操作时(即，DV和XV矢量中没有显著变化)，控制技术执行随机优化，以确定过程52“更好的”淋巴细胞或操作条件，并由此执行优化控制。基本上，在该随机优化技术中，优化器54生成新的目标控制信号(目标MV信号)组，优化器54将其提供给控制器50。控制器50利用每个所提供的目标MV信号组进行操作，以便按照使控制器50产生目标MV信号作为提供给过程52的实际MV信号的方式控制过程52。在一个实例中，控制器50可以简单地立即使用目标MV信号作为提供给过程52的实际MV信号。然而在许多情况下，控制器50可能需要随时间移动实际MV信号来匹配目标MV信号，以免不适当地干扰过程52并避免一个或多个过程输出或CV信号超过由于MV信号转换造成的限制。无论如何，控制器50都随时间产生不同的控制(MV)信号来达到目标MV信号，并从而将过程52移向新的稳态条件。
优化器54可以利用目标函数56来分析或确定该新的过程稳态条件的相对好坏，其中目标函数56可以是由用户选择的多个目标函数中的一个(如图2中所示的不同目标函数56A，56B，...，56N)。照此方式，用户可以指定评估每个过程控制状态或淋巴细胞的优化条件或标准。基于该最优化分析，优化器54可以基于所选择的目标函数周期性地确定一组新的目标MV信号组，用于实现被预计为比当前状态更优化的过程控制状态。这里，每个过程控制状态都类似于生物演化关系中所描述的B-淋巴细胞。当然，在该随机优化过程中所确定的每个新的过程控制状态或淋巴细胞都可以存储作为由控制和优化系统随后使用的新的淋巴细胞。
此外，当过程52经历显著变化时，如由一个或多个扰动矢量DV和/或XV的变化所确定的那样，优化器54开始确定新的最优淋巴细胞或过程控制状态的处理，在该状态下基于新的过程输入条件组运行过程52。这种变化类似于病菌被引入生物系统的生物演化关系中的状况。特别是当检测到扰动变量中的这种变化时，优化器54首先确定或试图预测所存储的淋巴细胞组中最好的一个以用作过程变化的结果，例如新的扰动变量(DV)组。该特征类似于生物演化关系中的T-淋巴细胞的操作，因为该响应代表了试图确定哪个公知或先前经历的加工厂状况(淋巴细胞)是最好的估计起始点，从该起始点对新的过程状态进行响应，即，哪个淋巴细胞被估计为最接近过程52还不确定的最优操作点，并因此被用作对新的或变化的过程输入条件的最初响应。
然而，需要注意的是，如果变化的过程输入条件包括明显不同于过程52先前经历的任何一组输入(或病菌)的一组输入DV和XV(病菌)，那么响应于这样一组新的输入DV、XV而确定的对过程的最好反应和控制的所存储淋巴细胞可能不是最优的，这可能导致优化器54和控制器50花费更长的时间按照将过程52返回稳态状况并从此返回至最优过程操作条件来响应新的过程输入组的方式，对过程输入变化(病菌)作出反应。因为优化器54和控制器50利用存储在存储器中的淋巴细胞对新的过程输入条件作出反应，所以存储在存储器中的淋巴细胞的数量越大，优化器54和控制器50越能更好地以使过程52更快地返回最优稳态操作条件的方式对过程输入变化(即，新病菌的引入)进行响应，因为优化器54更有可能找到接近针对新的过程输入条件的最优淋巴细胞的起始淋巴细胞。
图3示出使用上述讨论的一般原理来在诸如发电厂之类的加工厂中执行优化控制的优化系统70。特别是，图3的系统可以被实现作为图2的优化器54或者作为图2的控制器50和优化器54的组合，并且在任一情况下可以被实现作为图1的先进控制块38。一般而言，系统70响应于加工厂52中变化的条件，即响应于已测量的扰动变量(DV)和未测量的扰动变量(XV)的变化，以最优的方式使用免疫学概念来控制过程52。
如图3所示，优化系统70包括随机优化块72、DV变化检测模块74、模型获取模块76、控制模块78和包括过程控制状态管理器81的存储模块80。一般而言，系统70以两种不同的模式之一来操作，包括随机优化模式和调整模式。当过程52已经处于稳态状况时，例如当DV和XV输入保持恒定或接近恒定时，并且给定的MV控制信号组产生给定的过程变量CV输出组时，优化系统70通常以随机优化模式操作。
如图3中的开关84的位置所示，在该操作模式下，DV变化检测模块74激励或使随机优化块72操作，以生成目标MV信号(即目标控制信号)。优化块72通过使用例如任何期望的随机优化技术来轻微改变目标MV矢量，并确定由于控制输入中的该变化所造成的CV矢量中的变化，来执行随机优化。然后优化块72基于预设或预定的优化标准，例如由LP目标函数(可以是图2中的目标函数56)所定义的标准，分析是否由新的目标MV信号组获得更好或更优的控制。在随机优化模式中，随机优化块72通常通过改变MV信号、MV信号对过程改变CV信号的应用来在特定的操作点或淋巴细胞附近进行迭代，试图确定针对过程52的局部最优操作点，在过程52中DV和XV输入通常固定或恒定。不过，随着时间的流逝，随机优化块72可能再次利用任何所需的随机迭代技术移向更优的非局部操作点。在迭代过程中，每个稳态操作点或过程控制状态(由MV、DV、XV和CV矢量组定义)都存储在存储器80中作为将来可能使用的淋巴细胞。
这里应该注意的是，虽然在存储特定的淋巴细胞时CV、DV和MV矢量通常已测量或已知，但是特定淋巴细胞的XV矢量值可能从不知道，和/或在稍后时间进行测量或确定，并在该稍后时间存储到存储器80中。例如，表示用在发电厂中煤的煤湿度或其它煤质量参数(其中质量参数通常由实验室分析确定)的XV矢量变量，可以在煤燃烧完或在工厂中使用之后确定。因此，在这些XV变量被确定或已知之前，基于煤的使用(和其它过程条件)所获得的淋巴细胞，被实际确定并存储在存储器80中。在这些情况下，稍后知道或确定的XV矢量值可以稍后存储在存储器80中的适当淋巴细胞中，并且最初可被存储作为待使用的具体测量结果的指示符，例如煤的批号、煤的使用时间等。在一些情况下，XV矢量变量不能被精确确定，但是用于该XV矢量变量的通用指示符或占位符仍然可以简单地被存储，用于与其它淋巴细胞进行比较(即，在输入中的唯一差异可能是XV变量之一的情况下，将淋巴细胞彼此区分开)。此外，一个或多个XV变量矢量可以用在一些情况下，以确定特定的淋巴细胞是否在某种方式下为最优，例如与存储器80中存储的其它淋巴细胞相比的方式下。
无论如何，当过程输入条件显著变化时，例如由DV和/或XV变量中的显著变化所显示的那样，DV变化检测模块74识别这种变化，并通过经由开关84向淋巴细胞获取模块76提供控制，来使优化系统70进入调整模式。一般而言，DV变化检测模块74观察已测量的扰动变量DV，并基于这些扰动变量中一个或多个的显著变化，确定过程52何时正在经历或已经经历显著变化。然而，如果需要，检测模块74可以观察指示变化的过程条件的其它变量，例如控制过程中使用的一个或多个设定点的变化、用于评估过程优化的目标函数的变化等。为了实现该通用过程，DV变化检测模块74监测DV矢量中的变化，以监测过程52中的变化，这些变化表示变化的过程条件显著得足以在两个操作模式之间切换控制系统，即从随机优化模式(DV矢量通常处于稳态)到调整模式(正在发生或近来已经发生DV变化)。一般而言，DV变化检测模块74充当生物演化关系中T-型淋巴细胞的功能，因为检测模块74检测系统(病菌)中的变化并启动“免疫反应”。
在调整模式下，优化系统70操作以对DV和/或XV中的变化作出反应，以尽可能快的找到针对过程52的新的稳态操作点，该操作点用于从此开始再次执行随机优化。换言之，在调整模式下，优化系统70对变化的过程条件即新的DV和XV矢量进行响应，以确定从该点开始执行过程优化的新的操作点。为了提供更快的响应，淋巴细胞获取模块76一旦启动，就确定和选择存储在存储器80中的最能匹配最新检测到的过程条件的淋巴细胞，然后将该淋巴细胞细胞提供给控制模块78。特别是，每个存储在存储器80中的淋巴细胞都表示在过程操作中所实际测量或观察的过程52的先前条件。于是，为了响应于新的输入组(即DV和XV输入)来驱动过程52，淋巴细胞获取模块76在存储器80中搜索一个或多个先前存储的淋巴细胞，这些淋巴细胞就DV和XV矢量而言“接近”于新的过程条件。当然，这种接近可以按照任何所需的方式来确定、测量或判断，例如使用最小二乘拟合法、回归分析等。无论如何，淋巴细胞获取模块76可以将新的或变化的过程控制状态中新的DV和XV矢量(某种程度上，XV矢量已知)与存储在存储器80中的至少一些淋巴细胞的DV和可能的XV矢量进行比较，以确定存储在存储器80中的代表先前经历的过程控制状态的一个或多个淋巴细胞，其最接近或至少接近新的过程控制状态(就扰动输入而言)并就最优性而言可能是可接受的过程状态条件。然后，淋巴细胞获取模块76将这些一个或多个淋巴细胞提供给控制模块78，控制模块78使用这些淋巴细胞来确定提供给过程控制器的一组新的目标操纵变量(目标MV信号)。控制模块78可以简单的使用一个所获取的淋巴细胞的实际MV信号，或者可以对多个淋巴细胞的MV信号执行插值或某种其它数学平均函数，并且也可以基于所获取淋巴细胞的扰动输入条件与新的或变化的过程控制状态的扰动输入条件之间的差异，插值或改变所获取的一个或多个淋巴细胞的MV信号，从而生成新的目标MV信号组。
于是，淋巴细胞获取模块76的任务是基于当前或新检测到的DV、CV和间接获得的XV矢量，来搜索知识库找到最优或最好的MV矢量，以用于控制过程52。在一个实施例中，为了实现该任务，获取模块76响应于新的DV和可能XV矢量在存储器80中搜索最适合将过程52驱向最优稳态条件的淋巴细胞。一旦淋巴细胞获取模块76基于先前检测到的存储在存储器80中的淋巴细胞确定所使用的最优淋巴细胞，模块76就将该淋巴细胞提供给控制单元78。然后，控制模块78基于当前的CV、MV、DV和XV矢量组进行操作，以产生可用于图2的控制器50中以将过程52移向新的和更优的过程条件的目标MV。当然，淋巴细胞获取模块76确定使过程52移向新的最优条件(即，就新的扰动矢量DV和XV而言的最优条件)的能力，直接受到实际存储在存储器80中的淋巴细胞的数量和种类的影响。即，一般而言，存储在存储器80中的淋巴细胞越多，找到接近新的且还未确定的最优操作条件的淋巴细胞的机会就越大。同样，存储在存储器80中的各种淋巴细胞中的各种矢量值的范围越宽，优化系统70就越能找到所存储的如下淋巴细胞，其是具有变化的DV和XV扰动变量的过程52的接近新的且还未确定的最优操作点。利用接近新的过程条件的淋巴细胞，在使过程52返回最优操作条件(例如由目标函数所定义的)时，通常会导致优化系统70更快的操作。
当然，控制模块78从由单元76获取的淋巴细胞确定新的目标MV矢量，并且如果需要，该MV矢量可以是所获取的淋巴细胞的MV矢量。不过，实际上该目标MV矢量不可能由控制器获得，因为过程操作中的DV和XV矢量可能不同于由模块76获取的淋巴细胞的DV和XV矢量。于是，控制模块78通常可以基于当前或新变化的过程控制状态的DV和XV矢量与所获取的淋巴细胞的DV和XV矢量之间的差异，执行多变量插值或执行其它数学操作，以从所获取的淋巴细胞的MV矢量生成新的MV矢量。此外，控制模块78可以响应于过程条件或过程测量结果随时间改变目标MV矢量78。
当控制模块78基于由控制模块78所产生的目标MV矢量进行操作将过程52移回到稳态操作条件时，DV变化检测模块74可以将优化系统70的操作切回到随机优化模式，以使优化器块72确定更优或更好的操作点。于是，淋巴细胞获取模块76和控制模块78的目的在于尽可能快的响应于过程扰动或变化，使过程52返回或驱向接近最优或至少可接受的操作状态。因此，随机优化块72可以更慢地操作，以利用随机优化技术来找到更好或更优的操作点。
此外，应该注意的是，诸如图2中控制器50之类的控制器接收目标MV信号组并使用这些目标信号来控制过程52，它们可以是任何所需类型的控制器，例如PID控制器、模糊逻辑控制器、神经网络控制器、MPC控制器等。事实上，控制器50可以实现多个单回路控制例程，在这种情况下，目标控制信号矢量(目标MV矢量)可以包括针对每个单回路控制例程的目标控制信号值。另一方面，控制器50可以实现多输入/多输出控制例程，在这种情况下，目标控制信号矢量(目标MV矢量)可以包括针对多输入/多输出控制例程的每个输入或输出的目标控制信号值。更进一步地，如上所述，图2中的控制器50可以立即输出目标MV信号作为过程控制输入(在这种情况下，控制模块78可以用作控制器50)，或者可以确定从提供给过程52的当前控制信号(MV信号)移到目标控制信号组的适当方式，以免不适当地扰动过程52或使一个或多个过程输出超过预设界限。
应该注意的是，在操作期间，随机优化块72可以使用存储在存储器80中的淋巴细胞以及存储在存储器86中的一个或多个数学模型来执行随机优化。特别是，数学模型86可以预先存储在存储器80中，以代表过程52的一般操作。例如，在这种情况下，数学模型86可以是一阶或一阶加导数模型，并且可以用于响应于新的MV信号来预测过程52的操作。不过，如果需要，数学模型86可以在过程52的操作过程中，从存储于存储器80的实际淋巴细胞来生成。在这种情况下，例如，可以根据被设置为从统计学角度看彼此接近的单个淋巴细胞群生成不同的数据模型，或者以该单个淋巴细胞群为基础创建不同的数学模型。在任一情况下，数学模型可以用于辅助随机优化块72生成新的目标MV信号，以找到新的或更优的过程操作点，应该理解，数学模型86可以用于仿真过程操作。
从该论述可以理解，每个淋巴细胞实际上以某种方式代表过程模型的过程操作条件或瞬态。不过，特定淋巴细胞的效用可能随着时间退化，因为过程中会发生不能由任何扰动变量DV或XV或者过程变量CV代表的物理变化。这种变化可能包括设备的老化、燃烧副产品的累积等。结果，存储器80包括过程控制状态管理器81，其在存储器80中存储有过多淋巴细胞或其识别出一些淋巴细胞不是当前过程条件非常好的指示符或代表时，控制或从存储器80中去除淋巴细胞。一般而言，可以基于时间因子(即，在存储器中存储淋巴细胞的时刻可以用于确定该淋巴细胞是否应该从将来的使用中去除的指示)，或基于使用(即，淋巴细胞获取模块76或随机优化块72使用淋巴细胞的次数)，或基于这两者(即，获取模块76或随机优化块72使用淋巴细胞的时间长度)来管理存储器或淋巴细胞库。当然，其它标准可以替代或附加来确定何时从存储器80中去除特定的淋巴细胞。
更进一步，下面以公式(2)的形式提供了优化算法的示例，其可以用于最小化针对MV和CV变量定义的目标函数，并可以由图2中的优化器54使用，其中公式(2)为：
J = Σ K = 1 N m [ a k · | mv k - mvsp k | + b k · ( mv k - mvsp k ) 2 ] - - - ( 2 )
+ Σ k = 1 N c [ c k · | cv k - cvsp k | + d k · ( cv k - cvsp k ) 2 ]
其中：
mvk——MV矢量中的第k个元素的值；
cvk——CV矢量中的第k个元素的值；
Nm——MV矢量中的元素数量；
Nc——CV矢量中的元素数量；
mvspk——MV矢量中第k个元素的设定点值；
cvspk——CV矢量中第k个元素的设定点值；
ak、bk、ck、dk——目标函数中所选元素的权重。
当然，公式(2)仅代表可以在优化模块72或控制模块78中实现的优化例程或标准的一个示例，应该理解，可以使用其它优化标准替代，包括线性规划(LP)优化算法，以及其它非LP型的优化算法。
再一次对免疫系统进行类推，应该理解，与任何特定淋巴细胞(即，稳态过程操作条件)相关的目标函数的值，与有机体的健康状况成反比。因此，通过最小化目标函数，有机体的“好”条件被最大化。在以上优化算法中，假定每个淋巴细胞都由组{MV，DV，CV}定义，其中CV是所测量的过程对MV、DV、XV仿真的反应。此外，每个病菌是一组{DV，XV}。不过，必须牢记的是，XV矢量包括未测量的或明显不考虑的变量，因此基于检测DV矢量的变化来检测新病菌的存在与否。于是，通过应用对免疫系统的类推，检测DV变化的DV变化检测模块74能履行生物学系统中T-淋巴细胞的功能。
利用对淋巴细胞和病菌结构的类推，可以论述优化系统70对未知病菌(一组新的DV和XV变量)的反应方式，其代表人造免疫系统对过程变化的“基本反应”。如同在生物免疫系统中一样，该基本反应代表优化器70响应于新的病菌而针对操作初期的操作，并且对应于优化器70学习适当响应的学习阶段。于是，当DV矢量发生变化并且在适合或“记忆”如何对新的病菌进行响应(即，新的DV条件)的存储器80中没有发现淋巴细胞时，因为具有与病菌的DV矢量相关的相似DV矢量的存储器80中没有淋巴细胞，优化系统70利用随机优化方法开始搜索最优解决方案。在此情况下，最优解决方案是与DV和XV矢量组合在一起的MV矢量，产生在使用MV、CV、DV和XV矢量组时最小化目标函数的CV矢量。不过，在获得最优解决方案之前，优化系统70将执行大量测试，使解决方案更接近最终的目标函数的最小值。每个这种类型的测试产生可以存储在存储器80中的新的淋巴细胞，因此，对新病菌的基本反应的结果导致基于存储的淋巴细胞库增加。一般而言，在由MV、DV、XV和CV所限定的矢量空间中，最多的淋巴细胞将在最优的淋巴细胞附近创建，因此，在该空间中，具有相似特征的淋巴细胞将集中靠近彼此。这一特征使得免疫学存储器的结构类似于自身专有的结构。无论如何，人造免疫系统的且由优化器系统70使用的这种自学习特征，将降低或去除对执行过程专家测试的合格工程人员的需要，这将降低安装劳动力的成本。
此外，这种类型的淋巴细胞的每个集合可由自更新局域数学模型单元84使用，以至少在矢量空间的该区域中产生代表过程操作的局域数学模型。然后，这些模型可以用在随机优化模式中，用于仿真/预测目的，并用于定义病菌和淋巴细胞之间的距离，即分配应该用于去除或对病菌进行反应的淋巴细胞群。在一种情况下，随机优化块72可以选择所选的MV矢量，并使用数学模型预测最终的CV矢量(假定DV和XV矢量当前与过程相关)，然后利用目标函数分析该预测解决方案的最优性。另一方面，如果需要，随机优化块72可以选择所建议或所期望的CV变量组，并使用模型确定预测的MV变量组，当输入到过程中时其将产生该MV变量组。然后，模块72可以利用目标函数分析该预测过程控制状态的最优性。当随机优化模块72确定了预测为更优的解决方案时，将新的MV变量作为目标控制信号提供给控制器，以将过程移向该预测最优点。当然，最终的实际过程控制状态(可以作为新的淋巴细胞存储在存储器80中)可能不同于预测状态，因此，模块72可能重复操作，以确定更优的新的预测操作点。
如上所述，病菌是矢量组{DV，XV}。如果病菌的结构不需要矢量XV，那么应基于对哪些所存储的淋巴细胞具有与病菌相关的相似DV矢量的定义，来选择应该响应新的病菌而被仿真的淋巴细胞群。附加的矢量XV使这项任务复杂化，因为优化系统70实际上可能不识别XV矢量元素的值。不过，XV矢量中的信息隐含在由类似淋巴细胞群所构建的数学模型中，因为该模型基于该矢量对过程的反应。作为示例，假定已经有病菌攻击，那么DV矢量变化，可能矢量XV也变化(尽管这种变化可能不可知或未测量)。在响应时，优化器70选择淋巴细胞群，对于该淋巴细胞群来说，当前MV矢量对仿真的线性模型反应最接近当前CV矢量。于是，这里所述的基于免疫学的优化器的最重要优点是，在优化过程期间隐含使用关于隐含扰动XV的信息，例如在发电厂的燃烧操作中使用煤的燃烧值和湿度、研磨质量等。
逐渐地，随着时间流逝，优化系统70将“学习”对大多数可能的矢量DV和XV组合作出反应。此时，在对新的病菌进行响应时，二次免疫反应将占主导地位，其中在生物免疫反应情况下二次响应比基本响应快得多，也有效得多。例如，如果系统受到病菌攻击，该病菌类似于已经由于基本响应而被防御过一次的病菌，那么系统将记住哪种淋巴细胞用于消灭该病菌。换言之，系统知道哪个矢量MV能针对给定的DV、XV组给出最好的结果。有机体的二次防御反应提供具有MV变量组的目标，从所记忆的淋巴细胞可知，该MV矢量应该接近最优解决方案。因此，它是随机优化算法的起始点。找到新的最优矢量MV需要进行比在基本响应情况下要少得多的测试。不过，所进行的测试仍然会增加系统的免疫存储，以便系统更进一步学习如何有效防御病菌。这种学习表示在基本反应过程中所需的基本知识的改进，并响应于系统中诸如过程设备老化之类的未检测到的变化来更新系统。
因此，应该理解，上述随机优化基于在正在进行或在线操作的过程中进行测试。因为每个测试都是对作为MV矢量变化结果的CV矢量输出的进行观察，所以这些变化不纯粹是随机的。此外，在搜索最小目标函数的过程中，采用以具有相似特征的淋巴细胞群创建的数学模型是有帮助的。应该记住的是，为了快速且有效地消灭病菌，如果它们类似于曾经攻击过系统的那些病菌，那么这足够了。因此，作为从一群淋巴细胞开始的优化步骤，可以创建新的淋巴细胞群。可见，如果系统正确地对不必与它所记住的那些相同的病菌进行反应，那么使用在优化过程中来自模型的信息应该仅起辅助作用。因此，随机优化以确定MV矢量的偏差为基础，相应地具有以数学模型为基础创建的可能方案。此外，随着新的和更近的淋巴细胞而被添加到存储器80或知识库中，数学模型可以随时间演化。特别是，后代模型可以继承母模型的特征，并由于突变过程(改变优化方向的可能性)，可能创建新的淋巴细胞群，即创建相似的但不同于母模型的后代模型。同时，在优化算法的整个操作过程中，可以进行去除无效淋巴细胞并用新产生的来代替它们的过程，这与先前提及的免疫系统的能力相适应，从而进行自我管理(例如，使数量不会无限增长)。于是，无效或很少使用的淋巴细胞可以周期性地从存储器80中去除。不过，一般而言，作为基本反应(其中，在学习过程中，通常产生大量新的淋巴细胞)和二次反应(其中，作为重新组合仿真的淋巴细胞群的结果，产生新的淋巴细胞)的结果，淋巴细胞的数量将增加。
于是，人造免疫系统理论在工厂优化和控制中的应用产生了自我调整系统，当用在基于燃烧的发电厂中时，该自我调整系统提供以下主要优点：(1)通过对燃烧过程的优化，降低了工厂运行成本，同时隐含使用与未测量的或很少测量的扰动有关的信息(例如，燃料参数、碳燃料研磨的操作质量等)；(2)通过减少时间和减少高资格的工程人员的劳动力，降低了发电厂的运行成本；以及(3)对新的操作条件的永远适应。
这里所述的系统的操作能力通过构建动力锅炉仿真器来验证。在该仿真系统中，使用下列参数：
MV群包括：
用于控制流向锅炉的气流的节气闸的打开程度(根据锅炉中节气闸的定位，使用6种类型的节气闸：A，B，C，D，E，F)，以及
废气中的氧气含量。
DV群包括：
锅炉负载，和
向4个研磨机中的每个进给煤的速度。
XV群包括：
煤燃烧值，和
4个研磨机中每个的研磨质量。
CV群包括：
锅炉左侧的蒸汽温度，
锅炉右侧的蒸汽温度，
锅炉左侧废气的CO含量，
锅炉右侧废气的CO含量，
锅炉左侧废气的NOX含量，
锅炉右侧废气的NOX含量，和
锅炉左侧和右侧之间氧气含量之差。
系统的目标是：
将蒸汽温度维持在540摄氏度，(华氏1004度)，
将锅炉左侧和右侧之间氧气含量之差保持为0，
最小化CO排放，
以不超过500ppm的水平保持NOX排放，和
最小化烟灰和炉渣中可燃部分的含量。
该仿真所获得的实际结果将使大能量设备的NOX排放降低10-25％，并将燃烧过程的效率提高0.1-1.0％，这会导致显著的经济节约。
虽然先进控制和优化系统已经被图示为具有位于同一模块或功能块中并因此在与控制器相同的装置中执行的优化器，但是仍然有可能在单独的装置中实现优化器70。特别是，优化器70可以位于例如用户工作站13之一的不同装置中，并在控制器的每次执行或扫描过程中，与结合图2所述的控制器通信，以计算和提供目标操纵变量给控制器。当然，任何所需的接口，包括公知的OPC接口，可以用于在控制器与位于工作站或用于实现或执行优化器的其它计算机内的优化器之间提供通信接口。如在参考图2所述的实施例中所示，优化器54和控制器50可以但不必要在控制器50的每次扫描周期中彼此通信以执行集成的优化控制。在任何情况下，任何所需类型的控制器都可以用来响应于目标MV信号而执行控制。
虽然这里所述的先进控制块和其它块和例程，已经被描述为与现场总线和标准4-20毫安设备结合使用，但是它们当然能利用任何其它过程控制通信协议或编程环境来实现，并可以与任何其它类型的设备、功能块或控制器一起使用。尽管这里所述的先进控制块和相关的产生和测试例程优选以软件形式实现，但是它们也可以用硬件、固件等实现，并可以由与过程控制系统相关的任何其它处理器来执行。于是，这里所述的优化器和控制器例程可以用标准的多用途CPU来实现，或在特别设计的硬件或固件上实现，例如，如果需要可以在ASIC上实现。当用软件实现时，该软件可以存储在任何计算机可读存储器中，例如磁盘、激光盘、光盘或其它存储介质，也可以存储在计算机或处理器的RAM或ROM中，等等。同样地，该软件可以经由任何公知或所需的传送方法传送给用户或过程控制系统，传送方法例如包括在计算机可读盘上或其它可移动的计算机存储机制，或通过诸如电话线、因特网之类的通信信道被调制(这可以被视为与经由可移动存储介质提供这类软件相同或可互换)。
因此，虽然已经参考具体例子描述了本发明，其中这些例子仅是示例性的，并不限制本发明，但是对于本领域的普通技术人员而言，明显可以在不偏离本发明的精神和范围的情况下对所公开的实施例进行改变、添加或删除。

Claims (40)

1.一种用于控制过程的过程控制系统，包括：
控制器，其适于使用一组目标控制信号值来产生一个或多个用于控制所述过程内一个或多个现场设备的过程控制信号；和
优化器，其通信连接到所述控制器以在所述过程的在线操作期间生成该组目标控制信号值，所述过程的所述在线操作包括调整操作模式和对应于所述过程的稳态操作的随机优化操作模式，并且所述目标控制信号值包括一组操纵控制变量(MV)的目标值，所述优化器包括：
存储器，其用于存储多个过程控制状态，所述多个过程控制状态中的每个过程控制状态包括与先前在所述过程的所述在线操作期间控制所述过程中经历的实际操作条件相关联的一组过程输入变量的值和一组过程输出变量的值，该组过程输入变量至少包括该组操纵控制变量(MV)和一组扰动变量(DV)，
优化单元，其通信连接到所述存储器以使用所存储的多个过程控制状态来生成一系列所述目标控制信号值，供所述控制器在所述过程的所述随机优化操作模式期间使用，以迭代地将所述过程驱向与所述过程稳态操作相关联的最优过程操作条件，其中所述过程稳态操作对应于该组扰动变量中的至少一个扰动变量的扰动变量(DV)稳态条件，
响应单元，其通信连接到所述存储器并且操作所述过程的所述调整操作模式，以通过选择所存储的多个过程控制状态中的一个或多个过程控制状态的子组并使用从所存储的多个过程控制状态中选择的一个或多个过程控制状态的子组产生由控制器使用的一组新的目标控制信号值，来对该组扰动变量中的至少一个扰动变量从所述扰动变量(DV)稳态条件的变化进行响应并且比所述随机优化操作模式所能够对该变化进行的响应更快，以将所述过程驱向与新的过程稳态操作相关联的新的最优过程操作条件，从所存储的多个过程控制状态中选择的所述一个或多个过程控制状态的子组所具有的一个或多个值与所存储的多个过程控制状态中的所述一个或多个 过程控制状态的另一子组的一个或多个值相比，更接近于对应于所述变化的过程控制状态的相应的一个或多个值，以及
变化检测单元，其响应于一个或多个过程输入，以：
检测所述变化，并且基于所检测到的变化，使所述过程退出所述随机优化操作模式并进入所述调整操作模式，并且
在所述过程已经被驱向所述新的最优过程操作条件之后，使所述过程退出所述调整操作模式并且返回所述随机优化操作模式。
2.如权利要求1所述的过程控制系统，其中，针对特定过程控制状态的那组过程输出变量的值包括：由所述特定过程控制状态的那组过程输入变量值应用于所述过程产生的已测量过程输出变量值的指示。
3.如权利要求2所述的过程控制系统，其中，针对所述特定过程控制状态的已测量过程输出变量值的每个指示是由所述特定过程控制状态的那组过程输入变量值应用于所述过程产生的稳态过程变量的指示。
4.如权利要求1所述的过程控制系统，其中，所述那组扰动变量包括测量的、或者根据所述过程的操作离线确定的扰动输入。
5.如权利要求1所述的过程控制系统，其中，所述优化器包括模型创建单元，其根据一个或多个所存储的过程控制状态创建一个或多个所述过程的模型。
6.如权利要求1所述的过程控制系统，其中，所述优化单元包括目标函数，并使用该目标函数来确定两个或更多过程控制状态的相对最优性，以生成那组目标控制信号。
7.如权利要求6所述的过程控制系统，其中，所述目标函数是用户可定义的。
8.如权利要求1所述的过程控制系统，进一步包括过程控制状态管理器，其操作以控制存储在所述存储器中的过程控制状态的数量。
9.如权利要求8所述的过程控制系统，其中，所述过程控制状态管理器根据一个或多个过程控制状态已经在所述存储器中存储的时间长度来去除所述一个或多个所存储的过程控制状态。 
10.如权利要求8所述的过程控制系统，其中，所述过程控制状态管理器根据由所述优化单元或响应单元对一个或多个过程控制状态的使用率的指示来去除所述一个或多个所存储的过程控制状态。
11.如权利要求1所述的过程控制系统，其中，所述那组目标控制信号值包括表示由所述控制器在将来某时刻输出的一个或多个过程控制信号的信号。
12.如权利要求1所述的过程控制系统，其中，所述控制器是比例积分微分控制器。
13.如权利要求1所述的过程控制系统，其中，所述控制器执行多个单回路控制例程，并且所述那组目标控制信号值包括针对每个所述单回路控制例程的目标控制信号值。
14.如权利要求1所述的过程控制系统，其中，所述控制器执行多输入/多输出控制例程，并且所述那组目标控制信号值包括针对所述多输入/多输出控制例程的每个输入或输出的目标控制信号值。
15.根据权利要求1所述的过程控制系统，其中从所存储的多个过程控制状态中选择的一个或多个过程控制状态的子组的一个或多个值与对应于所述变化的所述过程控制状态的一个或多个值之间的接近程度基于至少下列方法之一来确定：最小二乘拟合法或回归分析。
16.根据权利要求1所述的过程控制系统，其中该组扰动变量中的每个组成部分是已测量扰动变量或未测量扰动变量之一。
17.一种控制过程的方法，包括，在所述过程的在线操作期间：
在所述过程的在线操作期间的多个时间确定一组过程输入变量的值和一组过程输出变量的值，以确定多个过程控制状态，所述多个过程控制状态中的每个过程控制状态包括与先前在控制所述过程中经历的实际操作条件相关联的该组过程输入变量的值和该组过程输出变量的值，该组过程输入变量包括一组操纵控制变量(MV)和一组扰动变量(DV)；
存储所述多个过程控制状态中各个过程控制状态的指示；并且
利用所述在线操作的随机操作模式在过程稳态条件下操作所述过程，包括： 通过周期性地向所述过程提供新的控制输入来优化所述过程的操作，所述新的控制输入被配置成在所述过程稳态条件下将所述过程移向更优化的过程控制状态，并且所述过程稳态条件对应于该组扰动变量的至少一个扰动变量的扰动变量(DV)稳态；
检测一个或多个过程扰动中的变化，该变化使该组扰动变量的至少一个扰动变量退出所述扰动变量(DV)稳态，使得所述过程不再操作在所述过程稳态条件下；
基于所检测到的变化，停止在所述随机操作模式下操作所述过程并且改为在所述在线操作的调整操作模式下操作所述过程，以通过下列步骤比所述随机操作模式更快地响应所检测到的变化：
基于所存储的多个过程控制状态的指示中的一个或多个指示的子组确定将被提供给所述过程的一组控制输入，以使所述过程操作在新的过程稳态条件下，所存储的多个过程控制状态的指示中的所述一个或多个指示的子组与所存储的多个过程控制状态的指示中的所述一个或多个指示的另一子组相比，更接近于对应于所检测到的变化的过程控制状态，并且
在所述新的过程稳态条件下，利用该组控制输入控制所述过程，以将所述过程移向更优化的过程控制状态；并且
在所述新的过程稳态条件下，在所述过程已经移向所述更优化的过程控制状态后，停止在所述调整操作模式下操作所述过程并且将所述过程返回到操作在所述随机操作模式下。
18.如权利要求17所述的方法，其中，所述多个过程控制状态中每个过程控制状态的每个指示包括由该组过程输入变量值应用于所述过程产生的该组过程输出变量的值。
19.如权利要求18所述的方法，其中，所述那组过程输出变量值包括：由那组过程输入变量值的应用产生的已测量稳态过程变量的指示。
20.如权利要求18所述的方法，其中，优化所述过程的操作的步骤包括：使用所存储的过程控制状态的指示来预测新的过程控制状态，并基于预设的优 化标准分析所述新的过程控制状态的最优性。
21.如权利要求20所述的方法，其中，基于预设的优化标准分析所述新的过程控制状态的最优性的步骤包括：利用包括与一个或多个过程输出变量相关的、以及与一个或多个过程输入变量相关的因子的目标函数，来定义所述优化标准。
22.如权利要求20所述的方法，其中，优化所述过程的操作的步骤包括：根据所存储的过程控制状态的指示生成过程模型，并利用所生成的过程模型预测所述新的过程控制状态。
23.如权利要求18所述的方法，进一步包括：通过从存储器中去除一个或多个过程控制状态的指示，限制存储在所述存储器中的过程控制状态的指示的数量。
24.如权利要求23所述的方法，其中，从所述存储器中去除一个或多个过程控制状态的指示的步骤包括：根据一个或多个过程控制状态的指示已经在所述存储器中存储的时间长度、或根据响应于一个或多个过程扰动中的变化对所述一个或多个过程控制状态的使用量的指示，去除所述一个或多个过程控制状态的指示。
25.如权利要求17所述的方法，其中，所述多个过程控制状态中每个过程控制状态的每个指示包括由该组过程控制输入变量值应用于所述过程产生的一组过程输出变量的值，并且基于所存储的多个过程控制状态的指示中的一个或多个指示的子组确定将被提供给所述过程的一组控制输入的步骤包括：基于所存储的多个过程控制状态的指示中一个或多个指示的子组的一组过程输入变量的值中的至少一些值，确定那组控制输入。
26.根据权利要求17所述的方法，进一步包括：基于最小二乘拟合法或回归分析中的至少一种方法来确定所存储的过程控制状态的指示中的一个或多个指示的子组与对应于所检测到的变化的所述过程控制状态的接近程度。
27.根据权利要求17所述的方法，其中该组扰动变量包括下列至少一项：已测量扰动变量或未测量扰动变量。 
28.一种优化过程操作的方法，包括，在所述过程的在线操作期间：
通过确定一组过程输入每个过程输入的值和一组过程输出中每个过程输出的值，来确定过程的在线操作期间的多个过程控制状态，该组过程输出由该组过程输入应用于所述过程从而定义特定的过程控制状态而产生，该组过程输入包括一组操纵变量(MV)和一组扰动变量(DV)；
在存储器中存储所述多个过程控制状态；
检测使所述过程从操作在过程稳态条件下退出的该组扰动变量的至少一个扰动变量的变化，所述过程稳态条件对应于该组扰动变量的至少一个扰动变量的扰动变量(DV)稳态并且所述变化使该组扰动变量(DV)的至少一个扰动变量(DV)退出所述扰动变量(DV)稳态；
基于所检测到的该组扰动变量的至少一个扰动变量的变化，在所述过程的在线操作的调整操作模式下操作所述过程，包括：
从所存储的多个过程控制状态中选择一个或多个过程控制状态的子组，从所存储的多个过程控制状态中选择的一个或多个过程控制状态的子组所具有的一个或多个值与所存储的多个过程控制状态的所述一个或多个过程控制状态的另一子组的一个或多个值相比，更接近于对应于所检测到的变化的过程控制状态的相应的一个或多个值，并且
利用从所存储的多个过程控制状态中选择的一个或多个过程控制状态的子组生成一组过程控制输入以使所述过程操作在与该组扰动变量的至少一个扰动变量的新的扰动变量(DV)稳态相对应的新的过程稳态条件下；并且
在所述过程工作在所述新的过程稳态条件下时，在所述过程的在线操作的随机操作模式下操作所述过程，包括：通过基于至少一个所选择的过程控制状态预测所述过程对所提出的一组过程控制输入的响应，并利用最优性标准分析所提出的那组过程控制输入的最优性，周期性地确定将被用于控制所述过程的一组新的过程控制输入，其中所述最优性标准使用所提出的那组过程控制输入以及由所提出的那组过程控制输入产生的一组预测的过程控制输出。 
29.如权利要求28所述的方法，其中，周期性地确定所述那组新的过程控制输入的步骤包括：根据一个或多个所存储的过程控制状态生成过程模型，并使用所生成的过程模型来根据所提出的那组过程控制输入生成预测的过程控制输出。
30.如权利要求28所述的方法，其中，周期性地确定所述那组新的过程控制输入的步骤包括：根据一个或多个所存储的过程控制状态生成过程模型，选择所期望的一组过程控制输出作为那组预测的过程控制输出，并使用所生成的过程模型和选择的所期望的那组过程控制输出来确定所提出的那组过程控制输入。
31.如权利要求28所述的方法，其中，确定过程在线操作期间的多个过程控制状态的步骤包括：确定一组过程控制输入中每个过程控制输入的值以及一组过程扰动输入中每个过程扰动输入的值。
32.如权利要求31所述的方法，其中，周期性地确定将被用于控制所述过程的一组新的过程控制输入的步骤包括：通过分析当前过程控制状态的扰动输入的值和存储在所述存储器中的过程控制状态的扰动输入的值之间的相对差异，确定至少一个所存储的过程控制状态。
33.根据权利要求28所述的方法，进一步包括：基于最小二乘拟合法或回归分析中的至少一种方法确定从所存储的所述多个过程控制状态中选择的一个或多个过程控制状态的子组的一个或多个值与对应于所检测到的变化的所述过程控制状态的相应的一个或多个值之间的接近程度。
34.根据权利要求28所述的方法，检测该组扰动变量的至少一个扰动变量中的变化包括：检测一组扰动变量中的至少一个扰动变量的变化，其中该组扰动变量中的所述至少一个扰动变量包括已测量扰动变量或未测量扰动变量中的至少一个。
35.一种控制过程的方法，包括：
在所述过程的在线操作期间，在随机操作模式下或者在调整操作模式下操作所述过程，包括： 
当所述过程操作在与对应于所述过程的扰动变量的稳态相对应的过程稳态条件下时，在所述随机操作模式下操作所述过程，包括：
确定多个过程控制状态，所述过程控制状态中的每一个过程控制状态包括一组过程输入中的每个过程输入的值和一组过程输出中的每个过程输出的值，该组过程输出由该组过程输入应用于所述过程而产生；
在存储器中存储所述多个过程控制状态中每个过程控制状态的指示；并且
通过周期性地改变该组过程输入中的一个或多个过程输入的值，来迭代地将所述过程移向所述过程稳态条件的一个或多个更优化的过程操作条件；
监测所述过程的当前状态，以确定与所述过程对应的扰动变量何时经历造成所述扰动变量退出所述扰动变量稳态的变化从而使得所述过程退出所述过程稳态条件；并且
当所述过程退出所述过程稳态条件时，在所述调整操作模式下操作所述过程，包括：
基于所存储的多个过程控制状态的指示中的一个或多个指示的子组确定将被提供给所述过程的一组控制输入，以使所述过程操作在与所述扰动变量的新的稳态对应的新的过程稳态条件下，所存储的所述多个过程控制状态中的每个过程控制状态的指示的所述一个或多个指示的子组所具有的一个或多个值与所存储的所述多个过程控制状态中的每个过程控制状态的指示的所述一个或多个指示的另一个子组的一个或多个值相比，更接近于对应于所述变化对应的过程控制状态的一个或多个值，并且
利用所确定的那组控制输入控制所述过程，以在新的过程稳态条件下将所述过程移向更优化的过程控制状态并且与所述随机操作模式相比能够更快地在新的过程稳态条件下将所述过程移向所述更优化的 过程控制状态；并且
在已经由所述调整操作模式在新的过程稳态条件下将所述过程移向更优化的过程控制状态之后，在所述新的过程稳态条件下在随机操作模式下操作所述过程。
36.如权利要求35所述的控制过程的方法，其中，监测所述过程的当前状态的步骤包括：监测被提供给所述过程的那组过程输入，以确定被提供给所述过程的那组过程输入中一个或多个过程输入中的变化。
37.如权利要求35所述的控制过程的方法，其中，所述那组过程输入中的每个过程输入包括一个或多个扰动输入，所述一个或多个扰动输入包括所述扰动变量，并且监测所述过程的当前状态的步骤包括：监测施加给所述过程的扰动输入，以确定施加给所述过程的一个或多个扰动输入中的变化。
38.如权利要求35所述的控制过程的方法，其中，基于所存储的多个过程控制状态的指示中的一个或多个指示的子组确定将被提供给所述过程的一组控制输入的步骤包括：将与所检测到的变化的对应的所述过程控制状态的相应的一个或多个值与所存储的多个过程控制状态中的指示中的一个或多个指示的一个或多个值进行比较，并基于所述比较结果确定所存储的多个过程控制状态的指示中的一个或多个指示的子组以供使用。
39.如权利要求38所述的控制过程的方法，其中，将与所检测到的变化对应的所述过程控制状态的一个或多个值与所存储的多个过程控制状态的指示的一个或多个值进行比较的步骤包括：将对应于所检测到的变化的所述过程控制状态的过程输入与所存储的多个过程控制状态中至少一些过程控制状态的指示的过程输入进行比较。
40.如权利要求38所述的控制过程的方法，其中，针对每个过程控制状态的那组过程输入中的每个过程输入包括一个或多个过程扰动输入，并且将与所检测到的变化对应的所述过程控制状态的相应的一个或多个值与所存储的多个过程控制状态的指示一个或多个值进行比较的步骤包括：将与所检测到的变化对应的所述过程控制状态的所述一个或多个过程扰动输入与所存储的多个过程 控制状态中至少一些过程控制状态的指示的所述一个或多个扰动输入进行比较。 
CN2007101380385A 2006-08-02 2007-08-02 利用免疫学概念的过程控制和优化技术 Active CN101266462B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US11/497,839 2006-08-02
US11/497,839 US7856280B2 (en) 2006-08-02 2006-08-02 Process control and optimization technique using immunological concepts

Publications (2)

Publication Number Publication Date
CN101266462A CN101266462A (zh) 2008-09-17
CN101266462B true CN101266462B (zh) 2011-12-14

Family

ID=38988186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2007101380385A Active CN101266462B (zh) 2006-08-02 2007-08-02 利用免疫学概念的过程控制和优化技术

Country Status (7)

Country Link
US (2) US7856280B2 (zh)
CN (1) CN101266462B (zh)
CA (1) CA2594323C (zh)
DE (2) DE102007063915B4 (zh)
GB (2) GB2479839B (zh)
HK (2) HK1115205A1 (zh)
PH (1) PH12013000064A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7856280B2 (en) * 2006-08-02 2010-12-21 Emerson Process Management Power & Water Solutions, Inc. Process control and optimization technique using immunological concepts
US9122260B2 (en) 2008-03-03 2015-09-01 Alstom Technology Ltd Integrated controls design optimization
US8209045B2 (en) * 2008-04-07 2012-06-26 Honeywell International Inc. System and method for discrete supply chain control and optimization using model predictive control
US8755940B2 (en) * 2008-08-22 2014-06-17 Alstom Technology Ltd Modeling and control optimization system for integrated fluidized bed combustion process and air pollution control system
EP2369433A1 (en) * 2010-03-24 2011-09-28 ABB Research Ltd. Computer-based method and device for automatically providing control parameters for a plurality of coal mills supplying coal powder to a plant
CN102063060B (zh) * 2010-04-27 2012-12-05 武汉大学 基于fpga平台的模糊逻辑控制器在线演化优化系统
US9217565B2 (en) * 2010-08-16 2015-12-22 Emerson Process Management Power & Water Solutions, Inc. Dynamic matrix control of steam temperature with prevention of saturated steam entry into superheater
US9335042B2 (en) 2010-08-16 2016-05-10 Emerson Process Management Power & Water Solutions, Inc. Steam temperature control using dynamic matrix control
US9447963B2 (en) 2010-08-16 2016-09-20 Emerson Process Management Power & Water Solutions, Inc. Dynamic tuning of dynamic matrix control of steam temperature
CZ303731B6 (cs) * 2011-03-03 2013-04-10 Slechta@Petr Zpusob optimalizace spotreby elektrické energie a zarízení k provádení tohoto zpusobu
CN102141778B (zh) * 2011-04-19 2013-09-11 浙江大学 一种受核糖体rna启发的高阶控制器参数优化方法
US9163828B2 (en) 2011-10-31 2015-10-20 Emerson Process Management Power & Water Solutions, Inc. Model-based load demand control
US9740214B2 (en) 2012-07-23 2017-08-22 General Electric Technology Gmbh Nonlinear model predictive control for chemical looping process
US9696699B2 (en) * 2012-11-15 2017-07-04 Cybomedical, Inc. Self-organizing sensing and actuation for automatic control
US10606251B2 (en) 2015-01-24 2020-03-31 Abb Schweiz Ag Method for controlling a process plant using transition data
DE102017200103A1 (de) * 2017-01-05 2018-07-05 Siemens Aktiengesellschaft Gerät und Verfahren zur Optimierung des Verhaltens von mindestens einer Komponente einer technischen Anlage
EP3585741B1 (en) * 2017-03-24 2024-02-28 Corning Incorporated Systems and methods for measuring the temperature of glass during tube conversion
EP3474090A1 (de) * 2017-10-20 2019-04-24 aixprocess GmbH Verfahren zur regelung eines prozesses innerhalb eines systems, insbesondere eines verbrennungsprozesses in einem kessel oder ofen
US11048842B2 (en) * 2018-09-19 2021-06-29 Basf Se Simulation of unit operations of a chemical plant for acid gas removal
US10566078B1 (en) 2018-09-19 2020-02-18 Basf Se Method of Determination of Operating and/or Dimensioning Parameters of A Gas Treatment Plant

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1552753A (zh) * 2003-05-30 2004-12-08 华东理工大学 一种聚酯产品质量指标的软测量和工艺操作优化的方法
US6833054B2 (en) * 2001-10-16 2004-12-21 Metso Automation Oy Method and apparatus for adjusting chemical dosage of pulp processing stage
CN1569395A (zh) * 2003-07-14 2005-01-26 王泽民 珩磨工艺设计优化与智能诊控专家系统

Family Cites Families (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4044357A (en) * 1975-12-04 1977-08-23 Westinghouse Electric Corporation FM/CW radar including a novel receiver protector of general utility
US4349869A (en) 1979-10-01 1982-09-14 Shell Oil Company Dynamic matrix control method
US4616308A (en) 1983-11-15 1986-10-07 Shell Oil Company Dynamic process control
US5477444A (en) 1992-09-14 1995-12-19 Bhat; Naveen V. Control system using an adaptive neural network for target and path optimization for a multivariable, nonlinear process
US5453925A (en) * 1993-05-28 1995-09-26 Fisher Controls International, Inc. System and method for automatically tuning a process controller
US5568378A (en) 1994-10-24 1996-10-22 Fisher-Rosemount Systems, Inc. Variable horizon predictor for controlling dead time dominant processes, multivariable interactive processes, and processes with time variant dynamics
US5566065A (en) * 1994-11-01 1996-10-15 The Foxboro Company Method and apparatus for controlling multivariable nonlinear processes
US5704011A (en) * 1994-11-01 1997-12-30 The Foxboro Company Method and apparatus for providing multivariable nonlinear control
GB9608953D0 (en) * 1996-04-29 1996-07-03 Pulp Paper Res Inst Automatic control loop monitoring and diagnostics
US5877954A (en) 1996-05-03 1999-03-02 Aspen Technology, Inc. Hybrid linear-neural network process control
US6381504B1 (en) * 1996-05-06 2002-04-30 Pavilion Technologies, Inc. Method for optimizing a plant with multiple inputs
US6278899B1 (en) * 1996-05-06 2001-08-21 Pavilion Technologies, Inc. Method for on-line optimization of a plant
US6055483A (en) * 1997-05-05 2000-04-25 Honeywell, Inc. Systems and methods using bridge models to globally optimize a process facility
US6122555A (en) * 1997-05-05 2000-09-19 Honeywell International Inc. System and methods for globally optimizing a process facility
BR9906022A (pt) * 1999-12-30 2001-09-25 Opp Petroquimica S A Processo para a produção controlada de polietileno e seus copolìmeros
US7113834B2 (en) 2000-06-20 2006-09-26 Fisher-Rosemount Systems, Inc. State based adaptive feedback feedforward PID controller
US6577908B1 (en) 2000-06-20 2003-06-10 Fisher Rosemount Systems, Inc Adaptive feedback/feedforward PID controller
BR0112379A (pt) * 2000-06-30 2003-04-29 Dow Chemical Co Controle de processo de matriz multivariável
DE60206884T2 (de) 2001-03-01 2006-07-27 Fisher-Rosemount Systems, Inc., Austin Gemeinsame Benutzung von Daten iner Prozessanlage
US6970750B2 (en) 2001-07-13 2005-11-29 Fisher-Rosemount Systems, Inc. Model-free adaptation of a process controller
US7050863B2 (en) 2002-09-11 2006-05-23 Fisher-Rosemount Systems, Inc. Integrated model predictive control and optimization within a process control system
US7272454B2 (en) 2003-06-05 2007-09-18 Fisher-Rosemount Systems, Inc. Multiple-input/multiple-output control blocks with non-linear predictive capabilities
US7054595B2 (en) * 2003-09-08 2006-05-30 Single Chip Systems Corporation Systems and methods for amplifying a transmit signal in a RFID interrogator
US7317953B2 (en) 2003-12-03 2008-01-08 Fisher-Rosemount Systems, Inc. Adaptive multivariable process controller using model switching and attribute interpolation
US7394381B2 (en) * 2004-05-06 2008-07-01 Ut-Battelle, Llc Marine asset security and tracking (MAST) system
US7089099B2 (en) * 2004-07-30 2006-08-08 Automotive Technologies International, Inc. Sensor assemblies
US9771834B2 (en) 2004-10-20 2017-09-26 Emerson Process Management Power & Water Solutions, Inc. Method and apparatus for providing load dispatch and pollution control optimization
CN101322083A (zh) 2005-12-05 2008-12-10 费舍-柔斯芒特系统股份有限公司 利用并行过程仿真的多目标预测过程优化
US7599750B2 (en) * 2005-12-21 2009-10-06 Pegasus Technologies, Inc. Model based sequential optimization of a single or multiple power generating units
US7856280B2 (en) 2006-08-02 2010-12-21 Emerson Process Management Power & Water Solutions, Inc. Process control and optimization technique using immunological concepts

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6833054B2 (en) * 2001-10-16 2004-12-21 Metso Automation Oy Method and apparatus for adjusting chemical dosage of pulp processing stage
CN1552753A (zh) * 2003-05-30 2004-12-08 华东理工大学 一种聚酯产品质量指标的软测量和工艺操作优化的方法
CN1569395A (zh) * 2003-07-14 2005-01-26 王泽民 珩磨工艺设计优化与智能诊控专家系统

Also Published As

Publication number Publication date
DE102007063915B4 (de) 2023-11-02
US7856280B2 (en) 2010-12-21
HK1161372A1 (en) 2012-08-24
GB2440674A (en) 2008-02-06
DE102007036247B4 (de) 2017-02-16
PH12013000064B1 (en) 2014-09-29
CN101266462A (zh) 2008-09-17
DE102007036247A1 (de) 2008-03-27
PH12013000064A1 (en) 2014-09-29
US8509924B2 (en) 2013-08-13
US20110144772A1 (en) 2011-06-16
GB0715010D0 (en) 2007-09-12
CA2594323A1 (en) 2008-02-02
GB201110877D0 (en) 2011-08-10
GB2479839A (en) 2011-10-26
GB2479839B (en) 2011-12-07
CA2594323C (en) 2015-11-24
US20080125881A1 (en) 2008-05-29
HK1115205A1 (en) 2008-11-21
GB2440674B (en) 2011-08-31

Similar Documents

Publication Publication Date Title
CN101266462B (zh) 利用免疫学概念的过程控制和优化技术
US11392096B2 (en) Heuristic method of automated and learning control, and building automation systems thereof
Abonyi et al. Fuzzy modeling with multivariate membership functions: Gray-box identification and control design
Fischer et al. Predictive control based on local linear fuzzy models
Hussain et al. Implementation of an inverse-model-based control strategy using neural networks on a partially simulated exothermic reactor
CN109886471A (zh) 基于神经网络与智能优化算法的火电机组负荷分配方法
CN108664009A (zh) 基于相关分析的阶段划分和故障检测方法
Naysmith et al. Review of real time optimization in the chemical process industries
Pistikopoulos et al. Towards the integration of process design, control and scheduling: Are we getting closer?
Abu‐el‐Zeet et al. Enhancing model predictive control using dynamic data reconciliation
Tóthová et al. Using computational intelligence in biomass combustion control in medium-scale boilers
Lee et al. Intelligent distributed simulation and control of power plants
Juuso Intelligent dynamic simulation of a solar collector field
Oswald et al. Advanced control with economic-ecological optimization for biomass-fired boilers
Warsokusumo et al. Real-time online monitoring for maintaining energy efficiency performance of power generation system
Mohindru et al. Design and Development of Neural‐Fuzzy Control Model for Computer‐Based Control Systems in a Multivariable Chemical Process
Wei et al. Multisegment pulverised coal mill model and online implementation for condition monitoring
Reichstaller et al. Applying deep learning for imitating adaptive agent behavior in statistical software testing
Bangert et al. Increase of Overall Combined-Heat-and-Power (CHP) Efficiency via Mathematical Modeling
Khairunizam et al. Energy Consumption and Energy Efficiency Prediction using Artificial Neural Network
Fadnes et al. Using Artificial Neural Networks to Gather Intelligence on a Fully Operational Heat Pump System in an Existing Building Cluster. Energies 2023, 16, 3875
Juuso Modelling and simulation in advanced control
Tuttle Development and Application of Intelligent Combustion Control for Emission Reduction and Efficiency Improvements due to New Operating Practices of Coal-Fired Power Plants
Lin et al. Research on Axial Thermal Error Modeling Method of CNC Machine Tool Spindle Based on GA-ARMA
Giantomassi et al. On-line identification of a municipal solid waste incinerator by fully tuned RBF neural networks

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant