专利名称：一种高效的工业过程动态优化系统及方法
技术领域：
本发明涉及最优控制领域，尤其是一种高效的工业过程动态优化系统及方法。
背景技术：
近年来，随着现代工业过程性能要求的不断提高，以及Aspen和gPROMS等强大商业软件的开发，过程工业的动态仿真和动态优化得到了越来越广泛的发展和应用。动态优化研究已成为工业过程优化设计、操作和控制研究的一个重心和热点。
工业过程动态系统的优化模型往往是包含一组复杂的大规模非线性微分方程，此外还包括非线性的等式或不等式路径约束和点约束。因此，动态优化的难点就在于需要在动态模型的基础上寻求目标泛函的最优值，其实质是求解一个无限维的优化问题。通常使用的迭代动态规划法、遗传算法、粒子群算法、随机优化法、模拟退火法等，已经能够找到工业过程动态优化问题的最优解，但是往往出现计算不准确或收敛缓慢的问题，很难既保证所得最优控制结果的较好的准确性，又满足动态优化求解过程的快速性。
发明内容
为了克服已有的工业过程动态优化系统和方法很难既准确又快速地找到最优解、适用性差的不足，本发明提供了一种能够准确找到复杂非线性动态优化问题的最优解且收敛速度很高、适用性广的高效的工业过程动态优化系统及方法。
本发明解决其技术问题所采用的技术方案是 一种高效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系统包括数据库和操作站，所述现场智能仪表与DCS系统连接，所述DCS系统与上位机连接，所述的上位机包括 初始化模块，用于初始参数的设置、状态向量x(t)和控制向量u(t)的离散化与初始赋值，具体步骤如下 2.1)将时域t∈[t0，tf]分割成NE段[t0，t1]，[t1，t2]，...，[tNE-1，tNE]，其中tNE＝tf，设每个时间分段长度为hi，i＝1，2，...，NE，用h表示NE维时间分段向量，设其初始值为h0； 2.2)设时间分段t∈[ti，ti+1]上的配置点个数为K； 2.3)设n维状态向量x(t)的配置系数为xij，m维控制向量u(t)的配置系数为uij，其中，i＝1，2，...，NE；j＝1，2，...，K，并设状态向量系数的初始值为xij0，控制向量系数的初始值为uij0； 2.4)设动态优化的收敛精度为ζ，当优化目标值迭代误差小于收敛精度时，停止迭代； 变量配置模块，用于对状态变量和控制变量进行拉格朗日插值转换，并将配置点取为勒让德多项式的根；即在时间分段t∈[ti-1，ti]内，其中，i＝1，2，...，NE，状态向量和控制向量分别表达为多项式(1)(2) 其中t＝ti-1+hiτ，τ∈
，λ(τ)是状态向量的插值基函数，为K次多项式，参照式(3)；θ(τ)是控制向量的插值基函数，为K-1次多项式，参照式(4) 其中τ0＝0，τj为K阶勒让德多项式的根，其中，j＝1，2，...，K； 约束增强模块，用于增强对控制向量u(t)和时间分段长度hi的约束，采取以下步骤来实现 4.1)在每个时间分段t∈[ti-1，ti]上，i＝1，2，...，NE，对控制向量配置系数的边界值进行约束 ulb≤uij≤uub，i＝1，2，...，NE，j＝1，2，...，K(5) 同时，通过外推控制多项式，即式(2)到时间分段t∈[ti-1，ti]两端以增强控制向量边界约束 其中上标ub、lb分别表示上下边界，uub、ulb分别表示设定的控制向量上下边界值； 4.2)设定每个时间分段长度的上下边界值分别为hlb和hub(hlb、hub(0，tf])，对分段长度hi实行约束 hlb≤hi≤hub，i＝1，2，...，NE(8) 模型变换模块，用于将动态优化模型离散化，并增加状态向量连续性条件和约束增强模块的约束条件，将无限维的动态优化问题转化为有限维的非线性规划(Nonlinear Programming，NLP)问题，按照以下步骤来实现 5.1)动态优化模型的优化目标转化为式(10)，ψ表示在终点条件下目标函数的组成部分，xf表示终端时刻tf的状态向量值 min J＝ψ(xf)，其中 5.2)动态优化模型的状态方程转化为残差方程，即式(11)，F表示函数向量，δ表示时不变参数向量 且状态向量满足以下初始条件，x(t0)为给定的状态向量初值 x1，0＝x(t0)(12) 5.3)将动态优化模型的状态向量路径约束离散化，G、H均是函数向量 5.4)增加状态向量连续性条件 5.5)获取约束增强模块的约束条件(5)～(9)，并结合式(10)～(14)构成有限维的非线性规划(NLP)问题； NLP求解模块，用于求解模型变换模块得到的有限维的非线性规划(NLP)问题将状态向量配置系数xij、控制向量配置系数uij和时间分段长度为h作为优化变量，并以xij0、uij0和h0为初始解，利用简约空间序贯二次规划法(Reduced-space Sequential QuadraticProgramming，RSQP)求解，得出最优的状态向量配置系数xij*、控制向量配置系数uij*、最优时间分段h*，并由式(10)计算出最优目标值J*，然后将这些优化结果传给结果输出模块。
作为优选的的一种方案，所述的上位机还包括信号采集模块，用于设定采样时间，采集现场智能仪表的信号。
进一步，所述的上位机还包括结果输出模块，用于将有限维的非线性规划(NLP)求解模块计算出的最优控制向量配置系数uij*通过式(2)(4)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系统中显示所得到的优化结果信息。
一种用所述的高效的工业过程动态优化系统实现的动态优化方法，所述的动态优化方法包括以下步骤 1)在DCS系统中指定动态优化的状态变量和控制变量，根据实际生产环境的条件和操作限制的条件设定控制向量的上下边界uub、ulb和DCS的采样周期，并将DCS数据库中相应各变量的历史数据，控制变量上下边界值uub、ulb传送给上位机； 2)对初始参数进行设置，并对DCS系统输入的数据进行初始化处理，按照以下步骤完成 2.1)将时域t∈[t0，tf]分割成NE段[t0，t1]，[t1，t2]，...，[tNE-1，tNE]， 其中，tNE＝tf，设每个时间分段长度为hi，i＝1，2，...，NE，用h表示NE维时间分段向量，并设置其初始值h0，一般可取h0为tf/NE； 2.2)设时间分段t∈[ti，ti+1]上的配置点个数为K； 2.3)设n维状态向量x(t)的配置系数为xij，m维控制向量u(t)的配置系数为uij，其中，i＝1，2，...，NE；j＝1，2，...，K，并设状态向量系数的初始值为xij0，控制向量系数的初始值为uij0； 2.5)设动态优化的收敛精度为ζ(一般可取为10-6)，当优化目标值迭代误差小于收敛精度时，停止迭代； 3)将时间分段t∈[ti-1，ti]，i＝1，2，...，NE上的状态向量和控制向量分别转换为 其中λ(τ)是状态向量的插值基函数，即式(3)；θ(τ)是控制向量的插值基函数，即式(4)，t经由中间变量τ(∈
)转换为t＝ti-1+hiτ 式(3)(4)中τ0＝0，τj为K阶勒让德多项式的根，j＝1，2，...，K； 4)增强对控制向量u(t)和时间分段长度hi的约束，采取以下步骤来实现 4.1)在每个时间分段t∈[ti-1，ti](i＝1，2，...，NE)上，对控制向量配置系数的边界值实行约束 ulb≤uij≤uub，i＝1，2，...，NE，j＝1，2，...，K(5) 同时，通过外推控制多项式，即式(2)到时间分段t∈[ti-1，ti]两端来约束控制向量 其中上标ub、lb分别表示上下边界，uub、ulb分别表示设定的控制向量上下边界值； 4.2)设定每个时间分段长度的上下边界值分别为hlb和hub(hlb、hub∈(0，tf])，对分段长度hi实行约束 hlb≤hi≤hub，i＝1，2，...，NE(8) 5)将动态优化模型离散化后增加状态向量连续性条件，并结合约束增强模块的约束条件，将无限维的动态优化问题转化为有限维的非线性规划(NLP)问题，按照以下步骤来实现 5.1)动态优化问题的优化目标转化为式(10)，ψ表示在终点条件下目标函数的组成部分，xf表示终端时刻tf的状态向量值 min J＝ψ(xf)，其中 5.2)动态优化模型的状态方程转化为残差方程，即式(11)，F表示函数向量，δ表示时不变参数向量 且状态向量满足以下初始条件，x(t0)为给定的状态向量初值 x1，0＝x(t0)(12) 5.3)将动态优化模型的状态向量路径约束离散化，G、H均是函数向量 5.4)增加状态向量连续性条件 5.5)获取约束增强模块的约束条件(5)～(9)，并结合式(10)～(14)构成有限维的非线性规划(NLP)问题； 6)求解模型变换模块得到的有限维的非线性规划(NLP)问题将状态向量配置系数xij、控制向量配置系数uij和时间分段长度为h作为优化变量，并以xij0、uij0和h0为初始解，利用简约空间序贯二次规划法(Reduced-space Sequential Quadratic Programming，RSQP)求解，得出最优的状态向量配置系数xij*、控制向量配置系数uij*、最优时间分段h*，并由式(10)计算出最优目标值J*，然后将这些优化结果传给结果输出模块。
作为优选的一种方案，所述的动态优化方法还包括将现场智能仪表所采集的工业过程对象的数据传送到DCS系统的实时数据库中，在每个采样周期从DCS系统的数据库得到的最新数据输出到上位机，并在上位机的初始化模块进行初始化处理。
进一步，所述的动态优化方法还包括在所述有限维的非线性规划(NLP)求解模块中得到的最优控制向量配置系数uij*，将通过结果输出模块转换为最优控制曲线u*(t)，并在上位机的人机界面上显示u*(t)和最优目标值J*；同时，最优控制曲线u*(t)将通过数据接口传给DCS系统，并在DCS系统中显示所得到的优化结果信息。
本发明的技术构思为工业过程动态优化，往往需要在求解大规模复杂非线性微分方程系统的基础上寻求目标泛函的最优值。通常使用的迭代动态规划法、遗传算法、粒子群算法、随机优化法、模拟退火法等，已经能够找到工业过程动态优化问题的最优解，但是往往出现计算不准确或收敛缓慢的问题。本发明的动态优化方法，对动态优化问题中的状态变量和控制变量同时进行离散配置，将无限维的问题转化为有限维的非线性规划问题，简化了路径约束和点约束的处理，而且通过增强对控制变量和优化时域分段的约束，提高了算法收敛的稳定性，同时也使动态优化问题的求解准确性和计算效率大大改善。
本发明的有益效果主要表现在1、能够准确、稳定地寻找到工业过程非线性系统动态优化的最优解；2、具有很高的求解效率，适用性好。因此，在工业过程动态优化的各个领域都具有广泛的应用前景。
图1是本发明所提供的工业过程动态优化系统的硬件结构图； 图2是本发明上位机实现动态优化方法的功能结构图。
具体实施例方式 下面根据附图具体说明本发明。
实施例1 参照图1、图2，一种高效的工业过程动态优化系统，包括与工业过程对象1连接的现场智能仪表2、DCS系统以及上位机6，所述的DCS系统由数据接口3、操作站4、数据库5构成；现场智能仪表2与数据通讯网络连接，所述数据通讯网络与数据接口3连接，所述数据接口3与现场总线连接，所述现场总线与操作站4、数据库5和上位机6连接，所述的上位机6包括 初始化模块8，用于初始参数的设置、状态向量x(t)和控制向量u(t)的离散化与初始赋值，具体步骤如下 2.1)将时域t∈[t0，tf]分割成NE段[t0，t1]，[t1，t2]，...，[tNE-1，tNE]，其中tNE＝tf，设每个时间分段长度为hi，i＝1，2，...，NE，用h表示NE维时间分段向量，设其初始值为h0； 2.2)设时间分段t∈[ti，ti+1]上的配置点个数为K； 2.3)设n维状态向量x(t)的配置系数为xij，m维控制向量u(t)的配置系数为uij，其中，i＝1，2，...，NE；j＝1，2，...，K，并设状态向量系数的初始值为xij0，控制向量系数的初始值为uij0； 2.4)设动态优化的收敛精度为ζ，当优化目标值迭代误差小于收敛精度时，停止迭代； 变量配置模块9，用于对状态变量和控制变量进行拉格朗日插值转换，并将配置点取为勒让德多项式的根；即在时间分段t∈[ti-1，ti]内，其中，i＝1，2，...，NE，状态向量和控制向量分别表达为多项式(1)(2) 其中t＝ti-1+hiτ，τ∈
，λ(τ)是状态向量的插值基函数，为K次多项式，参照式(3)；θ(τ)是控制向量的插值基函数，为K-1次多项式，参照式(4) 其中τ0＝0，τj为K阶勒让德多项式的根，其中，j＝1，2，...，K； 约束增强模块10，用于增强对控制向量u(t)和时间分段长度hi的约束，采取以下步骤来实现 4.1)在每个时间分段t∈[ti-1，ti]上，i＝1，2，...，NE，对控制向量配置系数的边界值进行约束 ulb≤uij≤uub，i＝1，2，...，NE，j＝1，2，...，K(5) 同时，通过外推控制多项式，即式(2)到时间分段t∈[ti-1，ti]两端以增强控制向量边界约束 其中上标ub、lb分别表示上下边界，uub、ulb分别表示设定的控制向量上下边界值； 4.2)设定每个时间分段长度的上下边界值分别为hlb和hub(hlb、hub∈(0，tf])，对分段长度hi实行约束 hlb≤hi≤hub，i＝1，2，，...，NE(8) 模型变换模块11，用于将动态优化模型离散化，并增加状态向量连续性条件和约束增强模块的约束条件，将无限维的动态优化问题转化为有限维的非线性规划(Nonlinear Programming，NLP)问题，按照以下步骤来实现 5.1)动态优化模型的优化目标转化为式(10)，ψ表示在终点条件下目标函数的组成部分，xf表示终端时刻tf的状态向量值 min J＝ψ(xf)，其中 5.2)动态优化模型的状态方程转化为残差方程，即式(11)，F表示函数向量，δ表示时不变参数向量 且状态向量满足以下初始条件，x(t0)为给定的状态向量初值 x1，0＝x(t0)(12) 5.3)将动态优化模型的状态向量路径约束离散化，G、H均是函数向量 5.4)增加状态向量连续性条件 5.5)获取约束增强模块的约束条件(5)～(9)，并结合式(10)～(14)构成有限维的非线性规划(NLP)问题； NLP求解模块12，用于求解模型变换模块得到的有限维的非线性规划(NLP)问题将状态向量配置系数xij、控制向量配置系数uij和时间分段长度为h作为优化变量，并以xij0、uij0和h0为初始解，利用简约空间序贯二次规划法(Reduced-space Sequential QuadraticProgramming，RSQP)求解，得出最优的状态向量配置系数xij*、控制向量配置系数uij*、最优时间分段h*，并由式(10)计算出最优目标值J*，然后将这些优化结果传给结果输出模块13。
所述的上位机6还包括信号采集模块7，用于设定采样时间，采集现场智能仪表2的信号。
所述的上位机6还包括结果输出模块13，用于将有限维的非线性规划(NLP)求解模块计算出的最优控制向量配置系数uij*通过式(2)(4)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系统中显示所得到的优化结果信息。
实施例2 参照图1和图2，一种高效的工业过程动态优化方法，所述的动态优化方法按照以下步骤实施 1)在DCS系统中指定动态优化的状态变量和控制变量，根据实际生产环境的条件和操作限制的条件设定控制向量的上下边界uub、ulb和DCS的采样周期，并将DCS数据库5中相应各变量的历史数据，控制变量上下边界值uub、ulb传送给上位机； 2)在初始化模块8中，对初始参数进行设置，并对DCS系统输入的数据进行初始化处理，按照以下步骤完成 2.1)将时域t∈[t0，tf]分割成NE段[t0，t1]，[t1，t2]，...，[tNE-1，tNE]，其中，tNE＝tf，设每个时间分段长度为hi，i＝1，2，...，NE，用h表示NE维时间分段向量，并设置其初始值h0，一般可取h0为tf/NE； 2.2)设时间分段t∈[ti，ti+1]上的配置点个数为K； 2.3)设n维状态向量x(t)的配置系数为xij，m维控制向量u(t)的配置系数为uij，其中，i＝1，2，...，NE；j＝1，2，...，K，并设状态向量系数的初始值为xij0，控制向量系数的初始值为uij0； 2.4)设动态优化的收敛精度为ζ(一般可取为10-6)，当优化目标值迭代误差小于收敛精度时，停止迭代； 3)在变量配置模块9中，将时间分段t∈[ti-1，ti]，i＝1，2，...，NE上的状态向量和控制向量分别转换为 其中λ(τ)是状态向量的插值基函数，即式(3)；θ(τ)是控制向量的插值基函数，即式(4)，t经由中间变量τ(∈
)转换为t＝ti-1+hiτ 式(3)(4)中τ0＝0，τj为K阶勒让德多项式的根，j＝1，2，...，K； 4)在约束增强模块10中，增强对控制向量u(t)和时间分段长度hi的约束，采取以下步骤来实现 4.1)在每个时间分段t∈[ti-1，ti](i＝1，2，...，NE)上，对控制向量配置系数的边界值实行约束 ulb≤uij≤uub，i＝1，2，...，NE，j＝1，2，...，K(5) 同时，通过外推控制多项式，即式(2)到时间分段t∈[ti-1，ti]两端来约束控制向量 其中上标ub、lb分别表示上下边界，uub、ulb分别表示设定的控制向量上下边界值； 4.2)设定每个时间分段长度的上下边界值分别为hlb和hub(hlb、hub∈(0，tf])，对分段长度hi实行约束 hlb≤hi≤hub，i＝1，2，...，NE(8) 5)在模型变化模块11，中将动态优化模型离散化后增加状态向量连续性条件，并结合约束增强模块的约束条件，将无限维的动态优化问题转化为有限维的非线性规划(NLP)问题，按照以下步骤来实现 5.1)动态优化问题的优化目标转化为式(10)，ψ表示在终点条件 下目标函数的组成部分，xf表示终端时刻tf的状态向量值 min J＝ψ(xf)，其中 5.2)动态优化模型的状态方程转化为残差方程，即式(11)，F表示函数向量，δ表示时不变参数向量 且状态向量满足以下初始条件，x(t0)为给定的状态向量初值 x1，0＝x(t0)(12) 5.3)将动态优化模型的状态向量路径约束离散化，G、H均是函数向量 5.4)增加状态向量连续性条件 5.5)获取约束增强模块的约束条件(5)～(9)，并结合式(10)～(14)构成有限维的非线性规划(NLP)问题； 6)在NPL求解模块12中，求解模型变换模块得到的有限维的非线性规划(NLP)问题将状态向量配置系数xij、控制向量配置系数uij和时间分段长度为h作为优化变量，并以xij0、uij0和h0为初始解，利用简约空间序贯二次规划法(Reduced-space Sequential QuadraticProgramming，RSQP)求解，得出最优的状态向量配置系数xij*、控制向量配置系数uij*、最优时间分段h*，并由式(10)计算出最优目标值J*，然后将这些优化结果传给结果输出模块13。
所述的动态优化方法还包括在信号采集模块7中，将现场智能仪表所采集的工业过程对象的数据传送到DCS系统的实时数据库中，在每个采样周期从DCS系统的数据库得到的最新数据输出到上位机，并在上位机的初始化模块进行初始化处理。
所述的动态优化方法还包括在所述有限维的非线性规划(NLP)求解模块中得到的最优控制向量配置系数uij*，将通过结果输出模块转换为最优控制曲线u*(t)，并在上位机的人机界面上显示u*(t)和最优目标值J*；同时，最优控制曲线u*(t)将通过数据接口传给DCS系统，并在DCS系统中显示所得到的优化结果信息。
上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
权利要求
1.一种高效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系统包括数据库和操作站，所述现场智能仪表与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
初始化模块，用于初始参数的设置、状态向量x(t)和控制向量u(t)的离散化与初始赋值，具体步骤如下
2.1)将时域t∈[t0，tf]分割成NE段[t0，t1]，[t1，t2]，...，[tNE-1，tNE]，其中tNE＝tf设每个时间分段长度为hi，i＝1，2，...，NE，用h表示NE维时间分段向量，设其初始值为h0；
2.2)设时间分段t∈[ti，ti+1]上的配置点个数为K；
2.3)设n维状态向量x(t)的配置系数为xij，m维控制向量u(t)的配置系数为uij，其中，i＝1，2，...，NE；j＝1，2，...，K，并设状态向量系数的初始值为xij0，控制向量系数的初始值为uij0
2.4)设动态优化的收敛精度为ζ，当优化目标值迭代误差小于收敛精度时，停止迭代；
变量配置模块，用于对状态变量和控制变量进行拉格朗日插值转换，并将配置点取为勒让德多项式的根；即在时间分段t∈[ti-1，ti]内，其中，i＝1，2，...，NE，状态向量和控制向量分别表达为多项式(1)(2)
其中t＝ti-1+hiτ，τ∈
，λ(τ)是状态向量的插值基函数，为K次多项式，参照式(3)；θ(τ)是控制向量的插值基函数，为K-1次多项式，参照式(4)
其中τ0＝0，τi为K阶勒让德多项式的根，其中，j＝1，2，...，K；
约束增强模块，用于增强对控制向量u(t)和时间分段长度hi的约束，采取以下步骤来实现
4.1)在每个时间分段t∈[ti-1，ti]上，i＝1，2，...，NE，对控制向量配置系数的边界值进行约束
ulb≤uij≤uub，i＝1，2，...，NE，j＝1，2，...，K(5)
同时，通过外推控制多项式，即式(2)到时间分段t∈[ti-1，ti]两端以增强控制向量边界约束
其中上标ub、lb分别表示上下边界，uub、ulb分别表示设定的控制向量上下边界值；
4.2)设定每个时间分段长度的上下边界值分别为hlb和hub(hlb、hub(0，tf])，对分段长度hi实行约束
hlb≤hi≤hub，i＝1，2，...，NE(8)
模型变换模块，用于将动态优化模型离散化，并增加状态向量连续性条件和约束增强模块的约束条件，将无限维的动态优化问题转化为有限维的非线性规划问题，按照以下步骤来实现
5.1)动态优化模型的优化目标转化为式(10)，ψ表示在终点条件下
目标函数的组成部分，xf表示终端时刻tf的状态向量值
其中
5.2)动态优化模型的状态方程转化为残差方程，即式(11)，F表示函数向量，δ表示时不变参数向量
且状态向量满足以下初始条件，x(t0)为给定的状态向量初值
x1，0＝x(t0)(12)
5.3)将动态优化模型的状态向量路径约束离散化，G、H均是函数向量
5.4)增加状态向量连续性条件
5.5)获取约束增强模块的约束条件(5)～(9)，并结合式(10)～(14)构成有限维的非线性规划问题；
NLP求解模块，用于求解模型变换模块得到的有限维的非线性规划问题将状态向量配置系数xij、控制向量配置系数uij和时间分段长度为h作为优化变量，并以xij0、uij0和h0为初始解，利用简约空间序贯二次规划法求解，得出最优的状态向量配置系数xij*、控制向量配置系数uij*、最优时间分段h*，并由式(10)计算出最优目标值J*，然后将这些优化结果传给结果输出模块。
2.如权利要求1所述的一种高效的工业过程动态优化系统，其特征在于所述的上位机还包括信号采集模块，用于设定采样时间，采集现场智能仪表的信号。
3.如权利要求1或2所述的一种高效的工业过程动态优化系统，其特征在于所述的上位机还包括结果输出模块，用于将有限维的非线性规划求解模块计算出的最优控制向量配置系数uij*通过式(2)(4)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系统中显示所得到的优化结果信息。
4.一种用如权利要求1所述的高效的工业过程动态优化系统实现的动态优化方法，其特征在于所述的动态优化方法包括以下步骤
1)在DCS系统中指定动态优化的状态变量和控制变量，根据实际生产环境的条件和操作限制的条件设定控制向量的上下边界uub、ulb和DCS的采样周期，并将DCS数据库中相应各变量的历史数据，控制变量上下边界值uub、ulb传送给上位机；
2)对初始参数进行设置，并对DCS系统输入的数据进行初始化处理，按照以下步骤完成
2.1)将时域t∈[t0，tf]分割成NE段[t0，t1]，[t1，t2]，...，[tNE-1，tNE]，其中，tNE＝tf，设每个时间分段长度为hi，i＝1，2，...，NE，用h表示NE维时间分段向量，并设置其初始值h0，一般可取h0为tf/NE；
2.2)设时间分段t∈[ti，ti+1]上的配置点个数为K；
2.3)设n维状态向量x(t)的配置系数为xij，m维控制向量u(t)的配置系数为uij，其中，i＝1，2 ，...，NE；i＝1，2，...，K，并设状态向量系数的初始值为xij0，控制向量系数的初始值为uij0；
2.5)设动态优化的收敛精度为ζ，当优化目标值迭代误差小于收敛精度时，停止迭代；
3)将时间分段t∈[ti-1，ti]，i＝1，2，...，NE上的状态向量和控制向量分别转换为
其中λ(τ)是状态向量的插值基函数，即式(3)；θ(τ)是控制向量的插值基函数，即式(4)，t经由中间变量τ∈
)转换为t＝ti-1+hiτ
式(3)(4)中τ0＝0，τi为K阶勒让德多项式的根，j＝1，2，...，K；
4)增强对控制向量u(t)和时间分段长度hi的约束，采取以下步骤来实现
4.1)在每个时间分段t∈[ti-1，ti](i＝1，2，...，NE)上，对控制向量配置系数的边界值实行约束
ulb≤uij≤uub，i＝1，2，...，NE，j＝1，2，...，K(5)
同时，通过外推控制多项式，即式(2)到时间分段t∈[ti-1，ti]两端来约束控制向量
其中上标ub、lb分别表示上下边界，uub、ulb分别表示设定的控制向量上下边界值；
4.2)设定每个时间分段长度的上下边界值分别为hlb和hub(hlb、hub(0，tf])，对分段长度hi实行约束
hlb≤hi≤hub，i＝1， 2，...，NE(8)
5)将动态优化模型离散化后增加状态向量连续性条件，并结合约束增强模块的约束条件，将无限维的动态优化问题转化为有限维的非线性规划问题，按照以下步骤来实现
5.1)动态优化问题的优化目标转化为式(10)，ψ表示在终点条件下目标函数的组成部分，xf表示终端时刻tf的状态向量值
其中
5.2)动态优化模型的状态方程转化为残差方程，即式(11)，F表示函数向量，δ表示时不变参数向量
且状态向量满足以下初始条件，x(t0)为给定的状态向量初值
x1，0＝x(t0)(12)
5.3)将动态优化模型的状态向量路径约束离散化，G、H均是函数向量
5.4)增加状态向量连续性条件
5.5)获取约束增强模块的约束条件(5)～(9)，并结合式(10)～(14)构成有限维的非线性规划问题；
6)求解模型变换模块得到的有限维的非线性规划问题将状态向量配置系数xij、控制向量配置系数uij和时间分段长度为h作为优化变量，并以xij0、uij0、和h0为初始解，利用简约空间序贯二次规划法求解，得出最优的状态向量配置系数xij*、控制向量配置系数uij*、最优时间分段h*，并由式(10)计算出最优目标值J*，然后将这些优化结果传给结果输出模块。
5.如权利要求4所述的动态优化方法，其特征在于所述的动态优化方法还包括将现场智能仪表所采集的工业过程对象的数据传送到DCS系统的实时数据库中，在每个采样周期从DCS系统的数据库得到的最新数据输出到上位机，并在上位机的初始化模块进行初始化处理。
6.如权利要求4所述的动态优化方法，其特征在于所述的动态优化方法还包括在所述有限维的非线性规划求解模块中得到的最优控制向量配置系数uij*，将通过结果输出模块转换为最优控制曲线u*(t)，并在上位机的人机界面上显示u*(t)和最优目标值J*；同时，最优控制曲线u*(t)将通过数据接口传给DCS系统，并在DCS系统中显示所得到的优化结果信息。
全文摘要
一种高效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，上位机包括初始化模块，用于初始参数的设置；变量配置模块，用于对变量进行拉格朗日插值转换，并将配置点取为勒让德多项式的根；约束增强模块，用于增强对控制向量u(t)和时间分段长度hi的约束；模型变换模块，用于将动态优化模型离散化，并增加状态向量连续性条件和约束增强模块的约束条件，将无限维的动态优化问题转化为有限维的非线性规划问题；NLP求解模块，用于求解模型变换模块得到的有限维的非线性规划问题。以及提供一种高效的工业过程动态优化方法。本发明能够准确找到复杂非线性动态优化问题的最优解且收敛速度很高、适用性广。
文档编号G05B19/418GK101763086SQ20091015569
公开日2010年6月30日 申请日期2009年12月29日 优先权日2009年12月29日
发明者刘兴高, 陈珑 申请人:浙江大学