水泥生產過程優化控制系統的實現方法

王靖

水泥生產過程優化控制系統的實現方法

王靖

研發先進控制軟件是當前水泥工業研發的重點課題之一。采用先進控制軟件，可以幫助水泥企業達到增產降耗、節能環保等效果。本文詳細介紹了采用預測控制策略的水泥廠先進控制軟件的開發過程，包括生產過程的數據采集、數據的處理與分析、控制系統模型的辨識、廣義預測控制算法的實現等環節。

先進控制軟件；廣義預測控制；系統辨識

1 引言

目前我國水泥工業自動控制系統中，已有先進的、投資巨大的DCS（集散控制系統）硬件系統，設備水平都已相當成熟。但注重系統硬件先進性而忽視軟件重要性的現象較為普遍，當前的突出問題是應用軟件及控制技術跟不上硬件系統的發展，DCS系統沒有發揮出其應有的潛能。在總體上，控制軟件仍停留在PID調節反饋控制水平，窯、磨等設備仍基本處于人工操作水平，遠沒有實現先進控制，距離實現水泥生產過程的優質、高產和低耗這一目標尚有很大差距。而《第二代新型干法水泥技術研發方案》中明確提出要實現水泥生產過程自動化，用信息技術改造提升傳統水泥產業。因此，對于水泥生產過程智能控制的研發就成為當前水泥工業研發的重點課題之一。

水泥生產過程極其復雜，具有高度非線性、多變量、強耦合、時變性等特點，采用傳統控制策略和控制方法難以獲得滿意的控制效果。如何在現有的控制系統基礎上進一步發展先進控制技術是中國水泥工業的新目標。目前最先進的水泥過程控制大多采用專家系統和先進控制系統。專家系統根據現場操作情況及其相應的解決方案來實施生產控制。然而，由于專家系統是根據特定操作情況作出反應來進行控制，其控制方式是不連續的。只要過程尚算平穩，即使不在最優化的情況下，它也不會作出任何控制調整。很明顯，專家系統的控制模式無法達到增產降耗的優化控制目的。而先進控制技術采用數學動態模型，對水泥生產采取多變量控制，能夠保證生產過程一直在最優化的條件下進行。因此，近幾年先進控制技術發展很快，大有取代專家系統之勢。而模型預測控制作為過程控制領域中使用最廣泛的一種先進控制策略，以其在煉油、化工、電力等工業中一系列成功的應用，吸引了越來越多過程控制領域專家學者的關注。

由于先進控制技術在水泥生產優化控制方面具有明顯的優勢，研發先進控制軟件是當前水泥工業研發領域的熱點問題。依靠水泥廠先進控制軟件能夠優化水泥生產過程控制，提高產量，降低能耗，保證產品質量，達到環保要求，穩定系統控制，最大程度地提高水泥生產企業的利潤，進而增強水泥生產企業的核心競爭力。

目前國內外已經發展了多家水泥先進控制系統的產品。在國外水泥生產商以及設備制造商中，如拉法基集團、FLS等都有自己的先進控制系統產品，而ABB、西門子、ROCKWELL等DCS控制系統供貨商也具有水泥先進控制系統或者通用先進控制系統。這些控制系統大多采用模糊邏輯或者專家控制，而美國ROCKWELL公司的Pavilion軟件采用的是預測控制，它是先進控制技術在生產優化控制應用方面的成功產品。

2 預測控制發展現狀

控制系統（圖1）由控制對象（或者被控過程）和控制器組成。在控制對象和控制器之間要有執行器來執行控制器的決策，同時要有傳感器為控制器提供控制對象的信息。控制器如果是人，這個控制系統就是手動控制；如果控制器是電子或者機械的自動裝置，就組成了自動控制系統。而大多數過程控制系統的設計過程都可以歸結為控制器的設計實現。過程控制中有兩種控制器的設計方法：一種是基于經驗的方法，設計者根據控制對象的動態特性和以往的經驗選擇控制器，通常是PID控制器，安裝好控制系統后再調整控制器的參數；另一種方法是基于模型的方法，根據控制對象的模型設計控制器，通過計算機仿真和現場調試確定控制器參數。幾乎所有的高級控制技術都是基于模型的，這種方法最大的優點在于它的嚴謹，因此，我們的問題才有可能更加明確,最后得到滿意的解決。

圖1 控制系統

先進控制實質就是設計一種基于模型的控制器。在先進控制領域，預測控制是應用最成功、最廣泛的策略之一。預測控制是根據對象的歷史信息和未來輸入預測系統的未來輸出，并根據被控變量與設定值之間的誤差確定當前時刻的控制作用，這比僅由當前誤差確定控制作用的常規控制具有更好的控制效果。預測控制的主要算法包括模型算法控制（MAC）、動態矩陣控制（DMC）、廣義預測控制（GPC）、滾動時域控制（RHC）[13]、二次動態矩陣控制（QDMC）以及預測函數控制（PFC）等。

預測控制具有預測模型、滾動優化和反饋校正三個基本特征（見圖2）。預測模型是根據被控對象的歷史信息和未來輸入預測系統的未來輸出。預測模型形式可以是參數模型、非參數模型（例如脈沖響應和階躍響應等）、智能模型（例如神經元網絡模型、模糊邏輯模型和小波網絡模型等）。滾動優化是指優化過程隨時間推移在線優化、反復進行。在每一采樣時刻，優化性能指標只涉及從當前時刻到未來有限的時間，而到下一采樣時刻，優化區間隨之向前推移。因此，滾動優化雖然在控制的每一步實現的都是靜態參數優化，但是實際上在控制的全過程則表現為動態優化。反饋校正是指在每一采樣時刻，都要用實際的輸出對模型的預測輸出進行校正，這樣就能有效地克服模型的不精確性和系統中存在的不確定性造成的不利影響。

圖2 模型預測控制

廣義預測控制是工業中廣泛使用的一種預測控制算法。該算法采用受控自回歸積分滑動平均模型（CARIMA）來描述受到隨機干擾的被控對象，可以描述各種各樣的工業過程（例如穩定過程、積分過程和不穩定過程），還考慮了擾動和噪聲的影響，同時優化了反饋校正，因而GPC算法在許多工業應用中取得了成功。CARIMA模型表述如下：

式中，y（k）為對象輸出，u（k）為控制輸入，ξ（k）是互不相關的零均值噪聲序列，考慮白噪聲的情況，C（z-1）= 1，z-1為后移算子，△=1-z-1為差分算子，

采用如下的目標函數

其中w()

k+j是輸出跟蹤序列，由下式產生

上面yr（k）是輸出設定值，a∈[0,1]是柔化因子，N為預測時域，M為控制時域，qj為誤差加權序列，rj是控制加權序列。

根據已知的輸入輸出信息及未來的輸入值，就可以預測對象未來的輸出如下：

把式（4）代入式（3）中可得最優控制律為

其中

具體地

矩陣G中的元素分別表示系統的階躍響應系數。

3 廣義預測控制算法的實現

先進控制系統包含數據采集處理、數學模型建立和先進控制策略這三個主要部分。廣義預測控制（Gener?al Predictive Control，簡寫為GPC）算法的實現步驟如下（見圖3）：從DCS系統讀取需要的變量數據；對采集到的數據進行處理和分析；分析變量數據得到控制系統的模型（傳遞函數、狀態空間等）；把輸入輸出數據代入到GPC算法中，由GPC算法得到可以使控制變量達到預定值的控制律；傳遞GPC算法得到的控制律到DCS系統中，進而控制執行器的運動。

3.1 編寫接口代碼從DCS系統讀取需要的變量數據

OPC（OLE for Process Control）是目前流行的工業控制方面數據通訊標準，它是自動控制業界與微軟公司緊密合作而制定的。OPC標準基于微軟的OLE/COM/ DCOM技術，采用客戶/服務器模式，為工業自動化軟件面向對象的開發提供了統一的標準。OPC服務器完成的工作就是收集現場設備的數據信息，通過標準的OPC接口傳送給OPC客戶端。OPC客戶端通過標準的OPC接口接收數據信息。先進控制軟件被設計成控制系統框架中的一個OPC客戶端，它的數據來源是OPC服務器。現場設備或DCS、PLC控制系統通過特定的設備驅動程序將數據傳遞給OPC數據服務器。OPC服務器以服務器應用程序的形式分布在用以太網連接的各個計算機中，而先進控制軟件等OPC客戶端也同樣分布在以太網連接的各個計算機內。通過微軟開發的COM/ DCOM技術可以實現OPC服務器和客戶端之間的無縫連接。因此，OPC服務器和客戶端不僅可以在同一臺計算機上運行，還能夠通過以太網在不同的計算機上運行，這就實現了先進控制軟件的遠程訪問要求。

采用OPC技術對數據進行存取需要實現OPCServ?er、OPCGroup、OPCItem等接口，通過這些接口的實現可以完成OPC服務器與OPC客戶程序的交互。在實現過程中，必須首先創建OPCServer對象，OPCServer對象為控制應用程序提供了唯一的入口和實例化點。其次用OPCServer類的ADDGroup創建OPCGroup類對象。整個過程不必理解OPC服務器的內部設計，只需按照服務器要求的格式調用屬性、方法和事件即可。

圖3 先進控制軟件實現步驟

3.2 對采集到的數據進行預處理

由于從工廠里采集到的數據大多包含有噪聲（隨機誤差）和失效數據（顯著誤差），因此需要對采集到的數據進行格式的調整、顯著誤差的檢測與識別以及有效性的檢驗等工作。首先需要把數據調整為統一格式，防止出現誤讀，例如時間都調整成“月/日/年/時/分/秒”格式。然后通過設置上下限的方式剔除掉失效的數據。接下來為了消除隨機誤差和顯著誤差，需要對數據進行校正。對于隨機噪聲，常用數字濾波的方法，例如高通濾波、低通濾波和數據平滑等方法；而對于顯著誤差，目前常用的是統計假設檢驗法，例如殘差分析法、校正量分析法、廣義似然比法、貝葉斯法、增量法和主元分析法等方法。此外，由于實際過程測量數據可能有著不同的工程單位，各變量在數值上可能相差幾個數量級，直接使用原始數據進行計算可能丟失信息或者引起數值計算的不穩定，因此還需要對數據進行標度變換。

在實際中，由于有些重要變量（主導變量）難于測量或者暫時不能測量，所以還需要采用軟測量技術，即通過借助另外一些容易測量的變量（輔助變量）構成某種數學關系來推斷和估計出不可測量的變量。建立軟測量模型主要有三種方法：機理建模、經驗建模和混合建模。機理建模就是通過機理分析建立起主導變量與可測的輔助變量之間的數學模型，根據該模型和測量到的輔助變量即可實現對主導變量的軟測量；而經驗建模是根據測量對象的外部特征來描述其動態行為的模型。機理建模適用于工藝機理清晰的工業過程，如果過程復雜，而且工藝機理也不完全清楚，這時要建立軟測量模型還要依賴經驗建模方法。經驗建模的方法主要分為三大類：基于自適應模型方法，基于回歸分析方法，基于人工智能方法。其中后兩種方法在工業實例中應用較多。經典的回歸分析方法包括最小二乘法、主元回歸法和部分最小二乘法，經典的人工智能方法包括人工神經網絡和模糊技術等。

3.3 分析變量數據以得到控制系統模型

為了設計控制系統，還需要定量地知道對象輸入如何影響對象輸出，即建立描述控制對象動態特性的數學模型。基于過程的實際輸入輸出信息辨識出目標系統的模型對于工業過程理解、控制、優化和診斷等都非常重要。對于非參數模型，常用的系統辨識方法有階躍響應法、頻率法、相關分析法和譜分析法等；而對參數模型，辨識方法必須先假定一種模型結構，通過極小化模型與過程之間的誤差準則函數來確定模型的參數，常用的方法有最小二乘法、梯度法、高斯牛頓法和單純形法等。在水泥廠控制中，根據操作經驗和長期觀察，能夠得到系統變量之間的相互作用關系，以此來建立相應控制系統模型的形式，未知的只是系統的參數。這些參數可以通過系統辨識方法來得到。定義操縱變量（MV）為可以由控制器進行獨立設定的過程輸入，被控變量（CV）為需要被控制到某設定值或區間內的過程輸出。例如調整喂煤量的大小可以改變窯尾氣體溫度的高低，因此，我們可以建立以喂煤量為MV、窯尾氣體溫度為CV的控制系統模型。

3.4 廣義預測控制算法流程

（1）根據輸入輸出數據，采用漸消記憶遞推最小二乘算法估計模型參數A（z-1）和B（z-1）。整理式（1）可得

其中

將公式（10）展開寫成如下最小二乘格式

其中

參數L為樣本長度。先將觀測至第L次的輸入輸出數據用一次最小二乘算法進行辨識，得到如下參數形式

根據最新的輸入輸出數據，得到如下參數

其中0＜μ≤1為遺忘因子，通常選0.95＜μ≤1。 P（0）=α2I，α是足夠大的正數。由

（2）根據式（7）和（8），按如下遞推公式計算出E（z-1）和F（z-1）。

初始值當j=1時，E1(z-1)=1，e0=1，

（3）根據前面求出的B（z-1）、E（z-1）和F（z-1），根據式（9）計算G（z-1）的元素gi。

（4）根據式（6），計算出H（z-1）。

（5）把前面計算得到的F（z-1）、H（z-1）和G全部代入式（5）得到系統的控制向量△U（k），取其第一行△u（k）并計算控制律u（k），通過OPC服務器傳輸到DCS系統中，將其作用于控制對象。

（6）令k=k+1，返回到步驟1，計算下一個時刻系統的控制律u（k+1）。

4 結語

水泥廠的生產系統一般都存在大時滯、多變量耦合、被控變量和控制變量具有各種約束等特征，傳統的PID控制對處理這些問題往往效果不佳，需要借助先進控制技術來進行水泥廠的優化控制。通過實施先進控制軟件，能夠達到增強裝置運行穩定性和安全性、提高產品質量、增加裝置處理量、降低運行成本等效果，可以給水泥廠帶來顯著的經濟效益。由于先進控制軟件能夠創造巨大的經濟效益，因此這方面的軟件也身價倍增。國際上已經有幾十家公司推出了上百種先進控制優化軟件產品，在世界范圍內形成了一個強大的流程工業應用軟件產業。因此開發我國具有自主知識產權的先進控制優化軟件，打破國外產品的壟斷，具有十分重要的意義。

[1]丁蘇博，黃賢林，郭碧君.基于水泥回轉窯運行狀況分析的專家系統設計與實現[C].第二屆中國水泥企業總工程師論壇暨水泥總工程師聯合會年會論文集.南京，2009：209-212.

[2]李沛然.水泥粉磨過程優化控制系統的研究[D].濟南：濟南大學，2009.

[3]秦旭日.球磨機的預測控制策略及應用研究[D].浙江：浙江大學，2008.

[4]趙炎炎.水泥純低溫余熱發電優化控制軟件的研發[D].濟南：濟南大學，2011.

[5]王艷秋.先進控制技術的集成及應用研究[D].沈陽：東北大學，2006 .

[6]馮立.基于模型預測控制的反應再生工藝控制實現[J].上海化工，2012，37（2）：20-23.

[7]高東杰，譚杰，林紅權.應用先進控制技術[M].北京：國防工業出版社，2003.

[8]RICHALET J.Model predictive heuristic control:Application to indus?trial processes[J].Automatica,1978,14(4):413-428.

[9]MEHRA R K,ROUHANI R.Model algorithmic control:theoretical results on robustness[J].Proc.JACC,1979:387-392.

[10]CUTLER C R,RAMAKER B L.Dynamic matrix control-a comput?er control algorithm[C]//Proc.JACC.San Francisco,WP5-B,1980.

[11]CLARKE D W.Generalized predictive control-part 1.basic algo?rithm[J].Automatica,1987,23(2):137-148.

[12]CLARKE D W.Generalized predictive control-part 2.extensions and interpretations[J].Automatica,1987,23(2):149-160.

[13]KWON W H,PEARSON A E.On feedback stabilization of time vary?ing discrete time systems[J].IEEE Trans.Automat.Contr.,1978,23: 479-481.

[14]GARCIA C E.Quadratic programming solution of dynamic matrix control[J].Chem.Eng.Commun.,1986,46:73-87.

[15]KUNTZE H B.On the predictive functional control of an elastic in?dustrial robot[C]//Proc.25th CDC.Athens,Greece,1986:1877-1881.

[16]RICHALET J.Predictive functional control-application to fast and accurate robots[C]//IFAC 10th World Congress.Munich,FRG,1987: 251-258.

[17]SHIMANUKI Y.OLE for process control(OPC)for new industrial au?tomationsystems[C]//IEEESMC'99ConferenceProceedings.Tokyo, 1999:1048-1050.

[18]史成全.先進控制軟件集成平臺中OPC技術的應用研究[D].大連：大連理工大學，2005.■

Implementation of optimized control system in Cement production process

WANG Jing
(Tianjin Cement Industry D&R Institute Co.,Ltd Tianjin 300400)

Development of advanced control software is one of the important tasks in cement industry. Production consumption,energy saving and environmental protection can be increased by using advanced control software in cement company.This article describes the development process of advanced control software which uses the predictive control strategy.The process includes the data acquisition,data processing and analysis,control system model identification,achievement of generalized predictive control algorithm,and so on.

advanced control software;generalized predictive control;system identification

TQ172.8

A

1001-6171（2014）05-0033-05

天津水泥工業設計研究院有限公司，天津300400；

2014-01-27；編輯：趙蓮