采用混合模型的动态控制器的利记博彩app

文档序号:6292336阅读:249来源:国知局
专利名称:采用混合模型的动态控制器的利记博彩app
技术领域
本发明总体上涉及建模技术,以及更特别地,涉及为了预测、控制和优化的目的而将稳态模型和动态模型进行的结合。
2.
背景技术
被用来用于预测、控制和优化的过程模型可以被分为两个总的类别,稳态模型和动态模型。在各情形中,模型是用于对过程进行表征的数学构件,以及,过程测量被用来对模型进行参数化或拟合以使得其对过程的行为进行再现。随后可以在用于预测的仿真器中来实施数学模型或者可以由用于控制或优化的优化算法来反演数学模型。
稳态模型或静态模型在通常存储大量数据的现代过程控制系统中被采用,这些数据一般包含许多不同的操作条件下的稳态信息。采用稳态信息来训练非线性模型,其中,过程输入变量由向量U来表示,通过模型对该向量进行处理以输出因变量Y。非线性模型是采用数个来自不同的被测量的稳态数据的序偶(Ui,Yi)所建立的稳态现象学模型或经验模型。如果模型被表示成 Y=P(U,Y)(1) 其中,P是一些参数化,则随后,稳态建模流程可以被表达成 其中,U和Y是包含Ui,Yi序偶成分的向量。给定模型P,随后,稳态过程增益可以被计算成 因此,稳态模型表示系统处于“静态”模式时所进行的过程测量。这些测量不考虑从一个稳态条件变化到另一个稳态条件时所存在的扰动。这被称作模型的动态部分。
动态模型一般是线性模型并且是从不是稳态测量的过程测量而被获得的;而是,这些过程测量是在过程从一个稳态条件移动到另一个稳态条件时所获得的数据。此流程中过程输入或操纵变量u(t)被输入给过程,而过程输出或控制变量y(t)被输出并被测量。此外,所测量的数据(u(I),y(I))的序偶可以被用来对现象学模型或经验模型进行参数化,此时数据来自非稳态操作。动态模型被表示成 y(t)=p(u(t),y(t))(4) 其中,p是一些参数化。随后,动态建模流程可以被表达成 其中,u和y是包含(u(I),y(I))序偶成分的向量。给定模型p,随后,动态模型的稳态增益可以被计算成 不幸的是,动态增益k几乎总是不等于稳态增益K,因为稳态增益是在一组多得多的数据上被建模的,而动态增益是围绕现有的一组操作条件被轻微地扰动的情况下的一组操作条件而被定义的。这导致动态数据组中缺乏足够的非线性信息,其中非线性信息被包含在静态模型内。因此,对于现有的一组稳态操作条件会无法对系统的增益进行充分的建模。所以,在考虑两个独立的模型时,用于稳态模型的一个以及用于动态模型的一个,两个模型的增益在被用于预测、控制和优化时它们之间存在不匹配。这一不匹配的原因在于,稳态模型是非线性的而动态模型是线性的,从而稳态模型的增益取决于过程操作点而进行变化,而线性模型的增益是固定的。此外,被用来对动态模型进行参数化的数据不代表过程的完整的操作范围,即,动态数据仅在有限的区域中是有效的。进一步地,动态模型代表过程的加速属性(如惯性),而稳态模型代表用于确定过程最终停留的值的折衷(tradeoff)(类似于用于确定自由落体中的终点速度的重力与阻力之间的折衷)。
一项用于把非线性的静态模型与线性的动态模型相结合的技术被称作Hammerstein模型。Hammerstein模型基本上是被分解成两个相联系的(coupled)部分的输入-输出表示。其采用了由静态模型确定的、随后被用来构建动态模型的一组中间变量。这两个模型不是独立的且其建立也相对复杂。


发明内容
本发明在此所公开以及要求的包括用于通过对到工厂的动态输入值的改变进行预测以在从第一时刻处的当前的输出值到第二时刻处的所期望的输出值的输出中引起变化,以便对工厂的操作进行控制的方法和装置。控制器包括用于接收当前的输入值和所期望的输出值、并对第一时刻与第二时刻之间不同的时间位置处的复数个输入值进行预测以在当前的输出值与第二时刻处的所期望的输出值之间来定义工厂的动态操作路径。随后,优化器按照预定的用于对动态控制器的目标进行优化的优化方法、在从第一时刻到第二时刻的不同的时间位置的每个时间位置处对动态控制器的操作进行优化以获取期望的路径。这允许动态预测模型的对象作为时间的函数来进行改变。
在本发明的另一方面中,动态模型包括用于在每个时间位置处来接收输入值并通过所存储的工厂的表示对所接收的输入值进行映射以提供所预测的动态输出值的动态正演模型。随后,误差生成器把所预测的动态输出值与所期望的输出值相比较,并针对每个时间位置以它们之间的差来生成主(primary)误差值。随后,误差最小化设备确定输入值的变化以把误差生成器所输出的主误差值最小化。求和设备针对每个时间位置把所确定的输入变化值与原始的输入值进行求和以提供未来的输入值,用控制器对优化器和误差最小化设备的操作进行控制。这按照预定的优化方法把主误差值最小化。
在本发明的又一方面中,控制器用于对求和设备进行控制,以通过把来自求和设备的所求和的输出值存储在通过误差最小化设备的第一路线中而以迭代的方式使主误差值最小化,并随后在之后的路线中以及针对复数个之后的路线把锁存器内容输入给动态正演模型。随后,把误差最小化设备的输出与锁存器先前的内容进行求和,该锁存器包含通过动态正演模型以及误差最小化设备的第一路线上的当前的输入的值。控制器确定主误差值符合按照预定的优化方法的目标之后把锁存器的内容作为到工厂的输入来进行输出。
在本发明的进一步的方面中,提供了增益调整设备用以针对基本上所有的时间位置来对线性模型的增益进行调整。此增益调整设备包括用于接收输入值、并通过所存储的工厂的表示对所接收的输入值进行映射以在其输出上提供所预测的输出值的非线性模型,该非线性模型具有与之相关联的非线性的增益。线性模型具有用于对其动态增益进行定义的与之相关联的参数,随后参数调整设备针对时间位置中的至少一个时间位置以非线性模型的增益的函数的形式对线性模型的参数进行调整。
在本发明的更进一步的方面中,增益调整设备进一步允许在第一时刻处的动态增益的值与所确定的在一个时间位置处的动态增益之间、针对复数个时间位置的动态增益进行近似,该一个时间位置的动态增益由参数调整设备来确定。这一个时间位置是在第二时刻处的时间位置的最大者。
在本发明的再一方面中,误差最小化设备包括用于对主误差进行修改以提供被修改的误差值的主误差修改设备。误差最小化设备对动态控制器的操作进行优化以按照预定的优化方法把被修改的误差值最小化。以从第一时刻到第二时刻的时间的函数的形式对主误差进行加权,加权函数以时间的函数的形式递减,使得主误差值在接近第一时刻时以相对高的值被削减并在接近第二时刻时以相对低的水平被削减。
在本发明的再进一步的方面中,提供了用于对工厂的操作进行预测的预测系统,该预测系统具有用于接收输入值的输入以及用于提供所预测的输出值的输出。系统包括非线性模型,该非线性模型具有输入,用于接收输入值并通过所存储的所学习的工厂表示对其进行映射以提供所预测的输出。非线性模型具有与之相关联的完善性(integrity),该完善性是跨越所映射的空间而改变的训练操作的函数。还提供了第一原理模型用于提供工厂的计算表示。再者,预测系统可以包括线性化的第一原理模型,该第一原理模型可以是上述第一原理模型的线性化。域分析器确定输入值何时落入所映射的与之相关联的完善性小于第一和/或第二完善性阈值的空间的区域之内。域切换设备是用于以与阈值相比较所确定的完善性水平的函数的形式在非线性模型、第一原理模型和/或线性化的第一原理模型之间对操作进行切换。如果它在完善性阈值以上,则采用非线性模型,以及,如果它在完善性阈值以下,则采用线性化的第一原理模型和/或第一原理模型。可替选地,在采用两个阈值的情况下,如果完善性在第一完善性阈值以上,则采用非线性模型,如果它在第一阈值以下且在第二阈值以上,则采用第一原理模型,以及,如果完善性在第二阈值以下,则采用线性化的第一原理模型。因此,域切换设备会确定应当在预测系统中采用哪个模型。



为了更完善地理解本发明及其益处,现在参考以下结合附图的描述,在附图中 图1示意了现有技术Hammerstein模型; 图2示意了本发明的建模技术的方框图; 图3a-3d示意了针对图2的系统的各种输出的时间图; 图4示意了采用辨识方法的动态模型的详细的方框图; 图5示意了图4的模型的操作的方框图; 图6示意了控制环境中所采用的本发明的建模技术的实例; 图7示意了两个稳态值之间的变化的图解视图; 图8示意了用于稳态值中的变化的近似算法的图解视图; 图9示意了动态模型的方框图; 图10示意了采用本发明的误差约束算法的控制网络的详图; 图11a和11b示意了优化过程中的输入和输出的图; 图12示意了绘出所期望的和所预测的行为的图; 图13示意了用于对系统进行控制以迫使所预测的行为成为所期望的行为的各种图; 图14示意了本发明的轨迹加权算法的图; 图15示意了针对约束算法的图; 图16示意了作为时间的函数的误差算法的图; 图17示意了绘出用于生成滤子(filter)并为图15的约束算法定义结束点的统计方法的流程图; 图18示意了优化过程的图解视图; 图18a示意了通过输入和输出空间对稳态值之间的路径进行映射的方式的图解表示; 图19示意了用于优化流程的流程图; 图20示意了输入空间以及与之相关联的误差的图解视图; 图21示意了输入空间中的置信度因子的图解视图; 图22示意了用于采用非线性系统与第一原理系统的结合的方法的方框图; 图23示意了图22的实施例的替选实施例; 图24A示意了根据一个实施例的输入空间中的示例性的域; 图24B示意了根据一个实施例的输入空间上的模型输出的示例性的图;以及 图25是对根据一个实施例的用于使用线性化的第一原理模型的方法进行示意的示例性的方框图。

具体实施例方式 现在参考图1,其中示意了现有技术的Hammerstein模型的图解视图。其包括非线性的静态算子模型10以及线性的动态模型12,二者以串联配置的形式被放置。在I & EC Fundamentals中出现的H.T.Su和T.J.McAvoy的“Integration of Multilayer Perceptron Networks and LinearDynamic ModelsA Hammerstein Modeling Approach”(1992年7月7日的论文)中对此模型的操作进行了描述,该参考经引用并入本文。通常,有时对非线性系统进行建模时采用Hammerstein模型。图1所示的Hammerstein模型的结构采用非线性的静态算子模型10来把输入U转换成中间变量H。非线性算子通常由有限的多项式的展开式来表示。然而,这会采用神经网络或任何类型的兼容的建模系统。线性的动态算子模型12可以采用用于表示中间变量H与输出Y之间的动态关系的离散的动态传递函数。对于复数个输入系统,非线性算子可以采用多层的神经网络,而线性算子可以采用两层的神经网络。用于静态算子的神经网络通常是公知的,并在1994年10月4日授权且被转让给本受让人的美国专利No.5,353,207中进行了描述,其经引用并入本文。这些类型的网络一般被称作多层前馈网络,该多层前馈网络采用反向传播形式的训练。一般在一大组训练数据上对此进行执行。一旦被训练,网络就具有与之相关联的权值,这些权值被存储在单独的数据库中。
一旦获得了稳态模型,随后就可以从神经网络的隐层来选择输出向量作为用于Hammerstein模型的中间变量。为了确定用于线性的动态算子的输入,u(t),需要从非线性的静态算子模型10对输出向量h(d)进行调节,用于把中间变量h(t)映射到动态模型的输出变量y(t),其由线性动态模型来确定。
在建立线性的动态模型以对线性的动态算子进行表示的过程中,在Hammerstein模型中,保持同样的稳态非线性度是重要的。为达到这一目的,必须基于约束来对动态模型进行训练,使得稳态模型所学习的非线性度在训练之后保持不变。这导致两个模型彼此的依赖。
现在参考图2,其中示意了被称作系统建模技术的本发明的建模方法的方框图。本发明的系统建模技术的通常概念来自于以下发现当过程增益(稳态行为)随U的和Y的而改变时,(即,增益是非线性的),过程动态似乎仅随时间而改变,(即,它们可以被建模成局部线性的,但是是随时间改变的)。通过对稳态行为采用非线性的模型并对动态行为采用线性的模型,得出了几个实践上的益处。它们如下 1.对于稳态部分可以采用完全严格的模型。这为优化的经济性提供了可靠的基础。
2.可以对用于动态部分的线性模型在线进行更新,即,可以慢慢地对已知是随时间改变的动态参数进行调适。
3.可以迫使动态模型的增益和稳态模型的增益是一致的。
进一步参考图2,其中提供了静态或稳态模型20以及动态模型22。如上所述,静态模型20是在一大组稳态数据上被训练的严格的模型。静态模型20将接收过程输入U并提供所预测的输出Y。实质上,这些是稳态值。在给定时刻处的稳态值被锁存在各种锁存器中,输入锁存器24以及输出锁存器26。锁存器24包含输入Uss的稳态值,锁存器26包含稳态输出值Yss。在进行从稳态值Yss到新的值Y的改变时采用动态模型22来对工厂的行为进行预测。动态模型22在输入上接收动态输入值u并输出所预测的动态值y。值u包括新的值U与锁存器24中的稳态值Uss之间的差。这来自于减法电路30,该减法电路30在其正的接收上接收锁存器24的输出并在其负的接收上接收新的值U。因此,这表示相对于稳态的增量(delta)变化。类似地,在输出上,所预测的全部的动态值将是动态模型的输出值(y)和锁存器26中所存储的稳态输出值(Yss)的和。用求和块34对这两个值进行求和来提供所预测的输出Y。求和节点34所输出的值与静态模型20所输出的所预测的值之间的差别在于求和节点20所输出的所预测的值在变化过程中考虑系统的动态操作。例如,由静态模型20(严格的模型)来对输入向量U中的输入值进行处理会耗费比运行相对简单的动态模型多得多的时间。本发明中所采用的方法是迫使动态模型22的增益kd等于静态模型20的增益Kss。
在静态模型20中,提供了包含与静态模型20相关联的静态系数以及相关联的增益值Kss的存储块36。类似地,动态模型22具有用于包含动态系数以及增益值kd的存储区38。本发明的一个重要方面是用于对存储区38中的系数进行修改以迫使kd的值等于Kss的值的联接块40。此外,存在用于允许在修改更新之间对动态增益kd进行近似的近似块41。
系统模型 线性动态模型22通常可以由如下公式来表示 其中 δy(t)=y(t)-Yss(8) δu(t)=u(t)-uss(9) 以及,t是时间,ai和bi是实数,d是时延,u(t)是输入以及y(t)是输出。
增益被表示成 其中,B是后向移位算子B(x(t))=x(t-1),t=时间,ai和bi是实数,I是过程的死区(dead-time)中的离散的时间间隔的数量,以及n是模型的阶数。这是线性动态模型的通常的表示,如George E.P.Box和G.M.Jenkins,“TIME SERIES ANALYSIS forecasting and control”,Holden-Day,SanFrancisco,1976,第10.2节,第345页中所包含的。此参考经引用并入本文。
可以通过把B的值设置成等于值“1”来对此模型的增益进行计算。随后,将由如下公式对增益进行定义 ai包含过程的动态特征,其非受迫的、自然的响应特性。它们独立于过程增益。bi包含过程的动态特征的一部分;然而,它们仅仅包含受迫响应的结果。bi确定动态模型的增益k。见J.L.Shearer、A.T.Murphy和H.H.Richardson,“Introduction to System Dynamics”,Addison-Wesley,Reading,Massachusetts,1967,第12章。此参考经引用并入本文。
由于稳态模型的增益Kss是已知的,可以通过调节bi参数来迫使动态模型的增益kd与稳态模型的增益相匹配。用由两个增益的比所调节的(scaled)bi的值来把静态和动态增益的值设置成相等 这使得动态模型与其稳态的对应物相一致。因此,每次稳态值变化时,这对应于稳态模型的增益Kss。随后,可以采用该值对动态模型的增益kd进行更新,以及因此,可以对与动态模型相关联的误差进行补偿,其中,kd的值基于在给定的一组操作条件下的工厂中的扰动来确定。由于没有对所有的操作条件进行建模,所以对增益进行改变的步骤将考虑稳态开始点的变化。
现在参考图3a-3d,其中示意了响应于阶跃函数进行操作的系统的图,其中,输入值U从值100变化到值110。在图3a中,值100被称作先前的稳态值Uss。在图3b中,u的值从值0改变到值10,这表示稳态值Uss到水平110(由图3a中的附图标记42来表示)之间的增量。因此,在图3b中,值u将从在水平44的0到在水平46的值10。在图3c中,输出Y被表示成具有在水平48的稳态值Yss4。当输入值U上升到具有值110的水平42时,输出值将上升。这是所预测的值。作为正确的输出值的所预测的值由水平50来表示,该水平50在值为5处。由于稳态值在值为4处,这意味着动态系统必须预测值为1的差。这由图3d来表示,其中,动态输出值y从具有值0的水平54改变到具有值1.0的水平56。然而,如果没有增益调节,例如,如果稳态值在动态模型被训练的范围之外,则动态模型会为y预测1.5的值,由虚线的水平58来表示。这将对应于图3c的图中的在水平60的值5.5。可以看出,动态模型仅对从开始点到停止点的工厂的行为进行预测,而不考虑稳态值。假定稳态值是它在其上进行训练的那些值。如果不对增益kd进行调节,则随后动态模型会假定在开始点处的稳态值与它在其上被训练的是同样的。然而,稳态模型与动态模型之间的增益调节联接允许对增益进行调节以及对参数bi进行调节,使得动态操作被调节并且做出考虑系统的动态属性的更精确的预测。
现在参考图4,其中示意了用于确定参数ai,bi的方法的方框图。这通常是通过使用传统的辨识算法来获取的。这采用(u(t),y(t))偶(pair)来获得ai和bi参数。在优选实施例中,采用递归辨识方法,其中用每个新的(ui(t),yi(t))偶来对ai和bi参数进行更新。见T.Eykhoff,“SystemIdentification”,John Wiley & Sons,New York,1974,38和39页,以及下列等等,以及,H.Kurz和W.Godecke,“Digital Parameter-AdaptiveControl Processes with Unknown Dead Time”,Automatica,Vol.17,No.1,1981,pp.245-252,这些参考经引用并入本文。
在图4的技术中,动态模型22把其输出输入给参数自适应控制算法块60,该参数自适应控制算法块60用于对还用于接收所调节的值k、bi的系数存储块38中的参数进行调整。这是在由定时块62所定义的周期性的基础上进行更新的系统。控制算法60采用输入u和输出y两者,用于对存储区38中的参数进行确定和更新。
现在参考图5,其中示出了优选方法的方框图。程序在块68中开始,并随后来到函数块70以采用(u(I),y(I))偶来对参数ai、bi进行更新。一旦这些被更新,程序就前往函数块72,其中稳态增益因子K被接收,以及随后,前往函数块74以把动态增益设置到稳态增益,即,提供本文之前所描述的调节函数。这在更新之后被执行。此流程可以被用于在线辨识、非线性动态模型预测和自适应控制。
现在参考图6,其中示出了采用控制环境的本发明的一个应用的方框图。提供了用于接收输入值u(t)以及输出输出向量y(t)的工厂78。工厂78还具有可测量的状态变量s(t)。提供了用于接收输入值u(t)和状态变量s(t)以及输出值y(t)的预测模型80。稳态模型80用于输出所预测的y(t)以及未来的输入值u(t+1)这两者的值。这构建了系统的稳态部分。所预测的稳态输入值是Uss,所预测的稳态输出值为Yss。在传统的控制场景中,稳态模型80将以位于外部的输入的形式来接收所期望的输出yd(t)的值,该值是整个控制系统想要获取的所期望的值。这通过对分布式控制系统(DCS)86进行控制来产生到工厂的所期望的输入来实现。这被称作u(t+1),一个未来的值。不考虑动态响应,预测模型80(稳态模型)将提供稳态值。然而,当期望进行变化时,此变化在作用上将被看作“阶跃响应”。
为有利于动态控制方面,提供了用于接收输入u(t)、输出值y(t)以及稳态值Uss和Yss并生成输出u(t+1)的动态控制器82。动态控制器有效地在变化之间(即,在稳态值从初始的稳态值Ussi,Yssi变化到最终的稳态值Ufss,Yfss时)生成动态响应。
在系统的操作过程中,动态控制器82用于按照图2的实施例用增益联接块90对块88中的动态控制器82的动态参数进行更新,该增益联接块90采用来自稳态参数块的值Kss来对动态控制器82所采用的参数进行调节,也是按照上述方法。以此方式,可以实现控制功能。此外,动态控制器使得其操作被优化,从而通过使用优化器83并考虑到块85中的优化器约束来获取行进于初始的稳态值与最终的稳态值之间的路径。通常,所预测的模型(稳态模型)80提供用于对未来的输入值进行预测的控制网络函数。如果没有动态控制器82,则这是1994年10月4日授权的美国专利No.5,353,207中所概括描述的传统的控制网络,该专利经引用并入本文。
近似系统模型 对于至此所描述的建模技术,通过采用公式13来在每个时间阶跃对bi参数重新进行调节来保持稳态模型与动态模型之间的一致性。如果要在模型预测控制(MPC)算法中采用系统模型,则保持一致性在计算上会是昂贵的。C.E.Garcia、D.M.Prett和M.Morari.Model predictive controltheory and practice-a survey,Automatica,25335-348,1989;D.E.Seborg、T.F.Edgar和D.A.Mellichamp.Process Dynamics and Control.John Wiley and Sons,New York,NY,1989中对这些类型的算法进行了描述。这些参考经引用并入本文。例如,如果从神经网络稳态模型来计算动态增益kd,则每次在MPC算法中对模型进行迭代时都需要执行神经网络模型。由于对于某些MPC问题存在潜在的大量的模型迭代,所以保持一致的模型在计算上会是昂贵的。在此情形中,使用在模型的每次迭代时不依赖强制的一致性的近似模型会更好。
现在参考图7,其中示意了稳态值之间的变化的图。如所示出的,稳态模型会进行从线100处的稳态值到线102处的稳态值的变化。两个稳态值之间的转变会引起未知的设置。在两个稳态值(初始的稳态值Kssi和最终的稳态增益Kssf)之间保证对动态模型的设置的唯一的方式将是采用阶跃操作,其中,在变化过程中在复数个位置处对动态增益kd进行调整。然而,这在计算上会是昂贵的。如下文中所要描述的,采用近似算法以用于采用二次关系来对两个稳态值之间的动态行为进行近似。这被定义成被放置在包络106之间的行为线104,下文将对该行为线104进行描述。
现在参考图8,其中示意了正在经历如阶跃线108所表示的稳态值的大量变化的系统的图解视图。看出阶跃线108从在水平110的第一稳态值改变到在水平112的值并随后下降到在水平114的值、上升到在水平116的值并随后下降到在水平118的最终的值。这些转变中的每个转变都能够引起未知的状态。用下文中将会进行描述的近似算法,可以看出的是,当进行从水平110到水平112的转变时,提供了针对动态行为120的近似曲线。当进行从水平114到水平116的转变时,提供了近似增益曲线124来对两个水平114与116之间的稳态增益进行近似。为了进行从水平116到水平118的转变,提供了用于稳态增益的近似增益曲线126。因此可以看出的是,近似曲线120-126考虑了由网络所确定的稳态值之间的转变,注意到的是,这些是主要用于把稳态增益保持在一些类型的误差包络(图7中的包络106)内的近似值。
由图2中所标注的块41来提供近似并可以基于许多准则来设计该近似,取决于要用它来解决的问题。设计了优选实施例中的系统(其仅是一个实例)以满足以下准则 1.计算复杂性近似系统模型将被用于模型预测控制算法,因此,它需要具有低的计算复杂性。
2.局部化的精度稳态模型在局部化的区域中是精确的。这些区域表示过程的稳态操作域。稳态模型在这些局部化的区域之外是非常不精确的。
3.最终的稳态给定稳态设定点的变化,使用稳态模型的优化算法将被用来对获取该设定点所需要的稳态输入进行计算。由于第2项,假定与设定点的变化相关联的初始的和最终的稳态位于稳态模型所精确进行建模的区域中。
给出要注意的准则,通过在与设定点的变化相关联的初始的和最终的稳态处迫使稳态与动态模型具有一致性并在两个稳态之间的点处采用线性近似可以构建近似系统模型。此近似确保模型在稳态模型被公知的区域中是精确的并在稳态模型被已知是不太精确的区域中采用线性近似。此外,所产生的模型具有低的计算复杂性。为证明这一点,公式13被修改成如下 这一新的公式14采用Kss(u(t-d-1))而不是Kss(u(t))作为一致的增益,得出延迟不变的系统模型。
近似系统模型基于采用与设定点变化的初始的和最终的稳态值相关联的增益。初始的稳态增益被标注为Kiss而初始的稳态输入由Uiss给出。最终的稳态增益为Kfss以及最终的输入为Ufss。给出这些值,到增益的线性近似通过如下来给出 把此近似代入公式13并用δu(t-d-1)来替换u(t-d-1)则生成 为简化表示,定义变量bj为 以及gj为 公式16可以被写成 最后,把所调节的b代入回原始的差分公式7,获得用于近似系统模型的如下表示 增益的线性近似值产生用于输出的二次差分公式。给出公式20,近似系统模型被示出是低计算复杂性的。它可以被用于MPC算法中以在设定点的变化之后针对从一个稳态到另一稳态的转变有效地计算所需要的控制移动。注意,这应用于稳态转变之间的动态增益改变而不应用于实际的路径值。
控制系统误差约束 现在参考图9,其中示意了用于图6的动态控制器的预测工具的方框图。预测工具实质上用于把y(t)的值预测成所预测的未来的值y(t+1)。由于预测工具必须在两个稳态值之间的每个未来的值处对输出y(t)的值是什么进行确定,所以需要以“阶跃”的方式来执行这些。因此,从值为零到值为N将有k个阶跃,在k=N处的该值是在“水平线”处的值(所期望的值)。如下文将进行描述的,这是迭代过程,注意到的是,“(t+1)”这一术语是指递增阶跃,用于动态控制器的递增阶跃小于用于稳态模型的递增阶跃。对于稳态模型,用于动态模型的“y(t+N)”将是用于稳态的“y(t+1)”。值y(t+1)被定义如下 y(t+1)=a1y(t)+a2y(t-1)+b1u(t-d-1)+b2u(t-d-2)(21) 进一步参考图9,每个(u,y)偶的输入值u(t)被输入给延迟线140。延迟线140的输出提供由延迟值“d”进行延迟的输入值u(t)。仅提供用于与系数b1和b2相乘的两个操作,从而仅需要两个值u(t)和u(t-1)。这两者都被延迟并随后被乘以系数b1和b2并随后被输入给求和块141。类似地,输出值yp(t)被输入给延迟线142,其中具有与系数a1和a2相乘所需要的两个值。此乘法的输出随后被输入给求和块141。到延迟线142的输入是实际的输入值ya(t)或者求和块141的被迭代的输出值,其是动态控制器82所计算的先前的值。因此,求和块141将输出所预测的值y(t+1),该值随后将被输入给乘法器144。乘法器144用于在第一操作上选择实际的输出ya(t),以及此后,选择求和块141的输出。因此,对于阶跃值k=0,值ya(t)将被乘法器144选择并将被锁存在锁存器145中。锁存器145将在输出146上提供所预测的值yp(t+k)。这是针对给定的k的所预测的值y(t),该值被输入回延迟线142的输入以用于与系数a1和a2相乘。针对从k=0到k=N的每个k的值对此进行迭代。
如上所述,a1和a2的值是固定的,而对b1和b2的值进行调节。由系数修改块38来执行此调节操作。然而,这仅对开始的稳态值和最终的稳态值进行了定义,而本申请中所描述的优化例程和动态控制器对动态控制器如何在稳态值之间进行操作以及动态控制器的增益是什么进行定义。具体地,增益确定由系数修改块38所执行的修改操作。
在图9中,如上文所述,用从稳态模型得出的信息对系数修改块38中的系数进行修改。稳态模型在控制应用中进行操作,并被包括在用于接收稳态输入值Uss(t)并预测稳态输出值Yss(t)的正演稳态模型141的一部分中。在逆稳态模型143中采用该所预测的值,用以除了提供稳态增益Kss之外,还用以接收所期望的值yd(t)以及稳态模型141的所预测的输出并对未来的稳态输入值或操纵值Uss(t+N)以及未来的稳态输入值Yss(t+N)进行预测。如上文所述,这些被用来生成被调节的b值。这些b值被用来对动态模型的增益kd进行定义。因此,可以看出的是,这实质上是采取了具有固定增益的线性的动态模型并允许它在操作点移动通过输出空间时由非线性模型对其增益进行修改。
现在参考图10,其中示意了动态控制器和优化器的方框图。动态控制器包括基本上把所预测的值yp(k)定义成输入y(t)、s(t)和u(t)的函数的动态模型149。这实质上与上文参考图9所描述的模型是同样的模型。模型149对两个稳态值之间的输出值yp(k)进行预测,如下文将进行描述的。模型149被预先定义并采用辨识算法在训练过程中来辨识a1、a2、b1和b2系数。一旦这些在训练和辨识流程中被辨识,这些就是“固定的”。然而,如上文所述,通过对系数b1和b2进行调节来对动态模型的增益进行修改。对于图10的优化操作没有对此增益调节进行描述,虽然是可以将其结合在优化操作中的。
模型149的输出被输入给求和块150的负的输入。求和块150把所预测的输出值yp(t)与所期望的输出yd(t)进行求和。事实上,所期望的yd(t)的值实际上是所期望的稳态值Yfss,虽然它可以是任何的所期望的值。求和块150的输出包括误差(E)值,该误差值实质上是所期望的值yd(t)与所预测的值yp(k)之间的差。如下文将进行描述的,由误差修改块151按照块152中的误差修改参数对误差值进行修改。被修改的误差值随后被输入给逆模型153,该逆模型153基本上执行优化例程来对输入值u(t)中的变化进行预测。事实上,所采用的优化器153与模型149相结合,用以把求和块150所产生的误差输出最小化。可以采用任何的优化函数,如蒙特卡罗(Monte Carlo)流程。然而,在本发明中,采用了梯度计算。在梯度方法中,对梯度

进行计算且随后梯度解法被执行如下 逆模型153按照块154中的优化约束来执行优化函数。用迭代块155来执行迭代流程,该迭代块155用于与逆模型153和预测模型149相结合来执行迭代并在输出线156上对未来的值u(t+k+1)进行输出。对于k=0,这将是初始的稳态值,以及对于k=N,这将是在水平线处或在下一个稳态值处的值。在迭代流程中,先前的值u(t+k)上被增加了变化值Δu。对于k的该值采用这一值,直到误差在适当的水平之内。一旦它处于适当的水平,下一个u(t+k)就被输入给模型149并用迭代块155对其值进行优化。一旦完成了迭代流程,就将它锁存。如下文将进行描述的,这是结合了对误差进行的修改,从而优化器153不采用块150所产生的实际的误差输出,而是采用被修改的误差。可替选地,可以采用由块154生成的不同的优化约束,这些在下文中进行描述。
现在参考图11a和图11b,其中针对从初始的稳态值到在k=N处的水平线的稳态值的每个k示意了输出y(t+k)和输入uk(t+k+1)的图。具体参考图11a,可以看出的是,采用复数个路线来执行优化流程。在第一路线中,针对每个k的实际的值ua(t+k)被采用,用以针对每个u,y偶来确定y(t+k)的值。随后对此进行累计并通过逆模型153和迭代块155对这些值进行处理以把误差(E)最小化。这生成图11b中所示的新的一组输入uk(t+k+1)。因此,路线1之后的优化针对第二路线生成值u(t+k+1)。在第二路线中,按照各种约束再次对值进行优化以再次针对u(t+k+1)生成另一组值。将此继续,直到得到整个目标函数。此目标函数是作为误差的函数的操作与作为约束的函数的操作的结合,其中,优化约束可以对逆模型153的整个操作进行控制或者块152中的误差修改参数可以对整个操作进行控制。在下文将对优化约束中的每个优化约束进行更详细的描述。
现在参考图12,其中示意了yd(t)和yp(t)的图。所预测的值由波形170来表示以及所期望的输出由波形172来表示,二者都绘制在初始的稳态值Yiss与最终的稳态值Yfss之间的水平线之上。可以看出的是,在k=0之前的所期望的波形基本上等于所预测的输出。在k=0处,所期望的输出波形172升高其水平,从而产生误差。可以看出的是,在k=0处,误差大且系统随后必须对操纵变量进行调整以把误差最小化并迫使所预测的值到所期望的值。用于误差计算的目标函数的形式是 其中Duil是在时间间隔l的输入变量(IV)中的变化 Aj是针对控制变量(CV)j的权值因子 yp(t)是在时间间隔k所预测的CV j的值 yd(t)是所期望的CV j的值。
轨迹加权 本系统采用被称作“轨迹加权”的方法,“轨迹加权”涵盖了以下概念不对未来的各个时间设置处(即,在低的k值处)的与所期望的行为相匹配的所预测的未来的过程行为来施加恒定程度的重要性。一种途径可以是,在近的项(低的k值)中对误差的容许比未来的更远的(高的k值)更强。此逻辑的基础在于,最终所期望的行为比所采取的到达所期望的行为的路径更重要,否则所穿过的路径会是阶跃函数。这在图13中进行了示意,其中示意了三个可能的所预测的行为,一个由曲线174来表示,其是可接受的,一个由不同的曲线176来表示,其也是可接受的,以及一个由曲线178来表示,其是不可接受的,因为它超出了曲线172上的所期望的水平。曲线174-178在针对k=1至N的水平线之上定义了所期望的行为。
在公式23中,将通过迫使权值因子Aj为随时间改变的来获取所预测的曲线174-178。这在图14中进行了示意。在图14中,示出了作为时间的函数的权值因子A具有随时间和k的值的增加而增加的值。这致使在水平线的开始(低的k值)处的误差比在水平线的末尾(高的k值)处的误差以小得多的程度被加权。该结果比仅把权值重新分配出去到在k=N处的控制水平线的末尾更关键。此方法还增加了鲁棒性,或者用以对过程与预测模型之间的不匹配进行处理的能力。由于最大的误差通常发生在水平线的开始处,所以自变量的最大的变化也将在此点处出现。如果在过程与预测之间存在不匹配(模型误差),则这些初始的移动将是大的并有些不正确,这会引起不良的性能以及最终不稳定。通过采用轨迹加权方法,在水平线的开始处的误差以更小的程度被加权,致使自变量的变化更小,并因此获得更多的鲁棒性。
误差约束 现在参考图15,其中示意了可以被置于误差之上的约束。其中示出了所预测的曲线180和所期望的曲线182,所期望的曲线182实质上是平的线。期望把曲线180与182之间的误差最小化。无论何时在t=0处出现瞬变,都将需要一些种类的变化。可以看出的是,在t=0之前,曲线180和182基本上是一样的,二者之间的误差非常小。然而,在一些类型的转变之后,误差会增加。如果采用严格的方案,则系统将立刻响应于这一大的误差并试图以尽可能短的时间把它减小。然而,提供了约束截头体边界(constraint frustum boundary)184,该边界允许在t=0处的大的误差并在点186处把它减小到最小的水平。在点186处,这是最小的误差,其可以被设置到零或者非零的值,对应于所要控制的输出变量的噪声水平。因此,这涵盖了与轨迹加权方法同样的概念,因为最终的未来行为被认为是比近的项的行为更重要。在约束截头体方法中,不断收缩的最小边界和/或最大边界从在t=0处的松散位置会聚到在点186处的实际最终的所期望的行为。
约束截头体与轨迹加权之间的区别在于,约束截头体是绝对的限制(硬约束),其中任何满足该限制的行为如任何其它也满足该限制的行为一样也是可接受的。轨迹加权是其中不同的行为及时确保了重要性的方法。可以看出的是,图15的技术所提供的约束需要防止值yp(t)超出约束值。因此,如果yd(t)与yp(t)之间的差大于约束边界所定义的差,则优化例程将迫使输入值到将使得误差小于约束值的值。事实上,这是对yp(t)与yd(t)之间的差进行的“箝位(clamp)”。在轨迹加权方法中,对其之间的差不存在“箝位”;而是,仅在输入给优化网络之前存在被施加于误差上的削减因子。
可以把轨迹加权与其它的方法相比较,本文中将对两种方法进行描述,动态矩阵控制(DMC)算法以及辨识与命令(IdCom)算法。DMC算法采用优化以通过把目标函数最小化来解决控制问题 其中Bi是针对输入变量I的移动抑制因子。这在Culter,C.R.和B.L.Ramaker,Dynamic Matrix Control-A Computer Control Algorithm,AIChE National Meeting,Houston,TX(1979年4月)中进行了描述,其经引用并入本文。
注意到的是,权值Aj和所期望的值yd(t)对于控制变量中的每个变量是恒定的。如从公式24可以看出的,优化是在把控制变量与它们的所期望的值之间的误差最小化与把自变量中的变化最小化之间的折衷。没有移动抑制项,设定点的变化所引起的自变量的变化会由于所预测的与所期望的值之间突然的和即刻的误差而相当大。移动抑制对自变量的变化进行限制,但是是针对所有的情况,而不是仅初始的误差。
IdCom算法采用不同的途径。并非恒定的所期望的值,针对控制变量定义了从当前的值到所期望的值所采取的路径。这在图16中进行了示意。此路径是从一个操作点到下一个操作点的更平缓的转变。然而,它仍然是必须要符合的严格地被定义的路径。针对此算法的目标函数采取如下形式 在Richalet、J.,A.Rault、J.L.Testud和J.Papon,Model PredictiveHeuristic ControlApplications to Industrial Processes,Automatica,14,413-428(1978)中对此技术进行了描述,其经引用并入本文。应当注意的是,公式25在每个时间间隔的需求有时是困难的。实际上,对于行为相类似的控制变量,由于控制算法试图无休止地精确地符合所期望的路径,这会引起相当古怪的自变量的变化。
诸如DMC算法的在控制计算中采用矩阵反演的形式的控制算法不能直接对控制变量的硬约束进行处理。它们必须分别对其进行处置,通常是以稳态线性程序的形式。因为这如稳态问题一样被完成,所以约束通过定义是时不变的。此外,由于约束不是控制计算的一部分,所以对于在瞬变中违反硬约束的控制器没有保护,而在稳态是满足它们的。
进一步参考图15,可以如下文所述对在包络的末尾处的边界进行定义。现有技术中所描述的一个技术,W.Edwards Deming,“Out of theCrisis,”Massachusetts Institute of Technology,Center for AdvancedEngineering Study,Cambridge Mass.,Fifth Printing,1988年9月,327-329页,对提出以下前提的各种Monte Carlo实验进行了描述,该前提是,任何所采取的用以对通用的过程变化进行校正的控制动作实际上会有负面的影响,该动作会增加可变性而不是所期望的对所控制的过程的变化进行减小的作用。假定任何过程都具有固有的精度,则基于位于被用来对它进行控制的系统的精度限制之内的差来进行变化应当是没有基础的。目前,商业控制器没有认识到改变是所不期望的事实,并继续对过程进行调整,对所有从目标的偏差进行处置,无论多小,都作为值得进行控制动作的具体的原因,即,它们对甚至最小的变化都进行响应。因此,操纵变量的过度调整将引起、以及增加所不期望的过程改变。通过用本文中所描述的目前的过滤算法在误差上施加限制,仅被征明是必需的控制器动作是被允许的,以及因此,过程会得以进入减少的改变中而摆脱不当的控制器扰动。以下讨论将针对一种用于进行这一点的技术,这是基于统计参数的。
可以产生滤子以用于防止基于模型的控制器在所控制的变量测量与所期望的目标值之间的差不显著的情形中采取任何的动作。显著水平由控制器在统计上所基于的模型的精度来进行定义。此精度被确定为误差的标准偏差和预定的置信水平的函数。置信水平是基于训练的精度的。由于大多数用于基于神经网络的模型的训练集合会在其中有“中断(holes)”,这会在所映射的空间内引起不精确。由于神经网络是经验模型,它仅如训练数据集合一样精确。即使没有在给定的一组输入上对模型进行了训练,它仍将对输出进行外推并对被给定一组输入的值进行预测,即使这些输入是跨越有问题的空间被映射的。在这些范围中,所预测的输出的置信水平是相对低的。这在1993年3月2日提交的美国专利申请序号08/025,184中进行了详细的描述,其经引用并入本文。
现在参考图17,其中示意了描绘用于生成滤子并用于对图15中的末尾点186进行定义的统计方法的流程图。流程图起始自开始块200并随后前往函数块202,在其中对控制值u(t+1)进行计算。然而,在获取这些控制值之前,必须对过滤操作进行处理。程序将去往函数块204以确定控制器的精度。这是通过对与实际的值相比较的模型所预测的值进行分析、并对在目标不被扰动的范围中的误差的标准偏差进行计算而离线完成的。模型精度em(t)被定义如下 em(t)=a(t)-p(t)(26) 其中em=模型误差, a=实际的值 p=模型所预测的值 模型精度由如下公式进行定义 Acc=H*σm(27) 其中Acc=以最小的监测器误差来表示的精度 H=显著水平=1 67%置信度=2 95%置信度=3 99.5%置信度 σm=em(t)的标准偏差。
程序随后去往函数块206以把控制器误差ec(t)与模型精度相比较。通过取得所预测的值(所测量的值)与所期望的值之间的差来完成这一点。这是如下的控制器误差计算 ec(t)=d(t)-m(t)(28) 其中ec=控制器误差 d=所期望的值 m=所测量的值 程序将随后去往判定块208以确定误差是否在精度限制之内。采用Shewhart限制来完成误差是否在精度限制之内的确定。用此类型的限制以及此类型的滤子,对控制器误差ec(t)是否符合以下条件进行确定ec(t)≥-1*Acc且ec(t)≤+1*Acc,随后控制动作被抑制或者不被抑制。如果它在精度限制之内,则随后控制动作被抑制且程序沿着“是”路径前进。如果不在,则程序将沿着“否”路径前进到函数块210以接受u(t+1)的值。如果误差位于控制器精度之内,则随后程序沿着“是”路径从判决块208去往函数块212以对误差的流动(running)累计进行计算。这是采用CUSUM途径来形成的。控制器CUSUM计算被完成如下 Slow=min(0,Slow(t-1)+d(t)-m(t))-∑(m)+k)(29) Shi=max(0,Shi(t-1)+[d(t)-m(t))-∑(m)]-k)(30) 其中Shi=流动的正的Qsum Slow=流动的负的Qsum k=调节因子-最小的可检测的变化阈值 用以下所定义的 Hq=显著水平。可以找到(j,k)的值,从而CUSUM控制图将具有与Shewhart控制图相当的显著水平。
程序随后将去往判决块214以确定CUSUM限制是否合格,即,将确定Qsum值是否在这些限制之内。如果Qsum(累计的和误差)在所确立的限制之内,则程序随后将沿着“是”路径进行。以及,如果它不在限制之内,则它将沿着“否”路径进行以接受控制器的值u(t+1)。如果值Shi≥+1*Hq且Slow≤-1*Hq则限制被确定。这些动作二者都将使得程序沿着“是”路径进行。如果它沿着“否”路径进行,则和被设置到零且随后程序去往函数块210。如果Qsum值在限制之内,则它沿着“是”路径去往函数块218,其中对用户是否想要对过程进行扰动进行确定。如果是,则程序将沿着“是”路径去往函数块210来接受控制器的值u(t+1)。如果否,则程序将沿着“否”路径从判决块218去往函数块222以对控制器的值u(t+1)进行抑制。当它沿着“是”路径进行时,判决块218是允许用户对模型重新进行辨识以进行在线适应,即,对模型重新进行训练。这是为了数据收集的目的,且一旦数据被收集,则系统随后被重新激活。
现在参考图18,其中示意了整个优化流程的方框图。在流程的第一步中,初始的稳态值{Yssi,Ussi}以及最终的稳态值{Yssf,Ussf}被确定,如块226和228中所分别定义的。在一些计算中,需要初始的以及最终的稳态值这两者。初始的稳态值被用来对块228中的系数ai、bi进行定义。如上所述,这采用b系数的系数调节。类似地,块228中的稳态值被用来对系数af、bf进行定义,注意到的是,在块229中仅对b系数也进行了定义。一旦开始和结束点被定义,随后就需要定义它们之间的路径。这通过用于路径优化的块230来提供。存在两种用于确定动态控制器如何穿越此路径的方法。第一个,如上所述,是在从初始的增益到最终的增益的路径上来定义近似的动态增益。如以上所注意到的,这会导致一些不稳定性。第二种方法是在从初始的值到最终的值的水平线上来定义输入值从而获取所期望的值Yssf。之后,可以通过对b系数进行调节来为动态模型设置增益。如以上所注意到的,此第二种方法不需要迫使所预测的输出yp(t)的值沿着所定义的路径;而是,它在从初始的值到最终的或所期望的值的水平线的范围内把模型的特性定义为所预测的与实际的值之间的误差的函数。这有效地为轨迹上的每个点定义了输入值,或者可替选地,沿该轨迹的动态增益。
现在参考图18a,其中示意了路径通过输入和输出空间被映射的方式的图解表示。稳态模型用于对在k=0的值处的输出稳态值Yssi(初始的稳态值)以及在k=N、时间t+N处的输出稳态值Yssi(最终的稳态值)进行预测。在初始的稳态值处,定义了区域227,该区域227包括初始的稳态值附近的输出空间中的表面,该初始的稳态值也位于该输出空间中。这对动态控制器能够进行操作的范围以及它在其上是有效的范围进行了定义。在最终的稳态值处,如果增益不变化,则动态模型不会是有效的。然而,通过采用稳态模型来计算在最终的稳态值处的稳态增益并随后迫使动态模型的增益等于稳态模型的增益,动态模型随后在区域229上(与最终的稳态值相接近)变得有效。这是在k=N的值处。产生的问题是如何定义初始的与最终的稳态值之间的路径。如上文所提及的,一个可能是采用稳态模型沿着初始的稳态值与最终的稳态值之间的路径、在复数个点处对稳态增益进行计算并随后对在那些点处的动态增益进行定义。这可以在会需要大量计算的优化例程中被采用。如果计算能力允许,这将采用稳态增益沿着初始的稳态值与最终的稳态值之间所穿越的路径针对动态增益提供连续的计算。然而,稳态模型可能在初始的与最终的稳态值之间的区域中是无效的,即,由于那些区域中的训练不足以对其中的模型进行定义的事实的存在而使得置信水平低。因此,在这些区域中对动态增益进行近似,主要的目的是在优化流程期间沿着初始的与最终的稳态值之间的路径对动态模型进行一些调整。这允许对模型的动态操作进行定义。由幻象(phantom)中所示的许多表面225来对此进行表示。
现在参考图19,其中示意了对优化算法进行描绘的流程图。程序起始于开始块232并随后前往函数块234以对在水平线的开始处的实际的输入值ua(t)进行定义,这一般是稳态值Uss。程序随后去往函数块235以针对固定的输入值为所有的k在水平线上生成所预测的值yp(k)。程序随后去往函数块236以针对先前所生成的yp(k)为所有的k在水平线上生成误差E(k)。随后对这些误差和所预测的值进行累计,如函数块238所标注的。程序随后去往函数块240以针对一个实施例中的k的每个值对u(t)的值进行优化。这将产生针对u(t)的k值。当然,足以采用比在水平线上的全部的k的计算更少的计算来提供更有效率的算法。此优化的结果将针对函数块242中k的每个值提供所预测的变化Δu(t+k)。程序随后去往函数块243,其中每个u的u(t+k)的值将被递增值Δu(t+k)。程序随后将去往判决块244以确定以上所标注的目标函数是否小于或等于所期望的值。如果否,则程序将沿着“否”路径返回函数块235的输入以再次做出另一路线。以上针对图11a和11b对此操作进行了描述。当目标函数在可接受的水平中时,程序将从判决块244沿着“是”路径去往函数块245来为所有的u设置u(t+k)的值。这定义了路径。程序随后去往结束块246。
稳态增益确定 现在参考图20,其中示意了输入空间及与之相关联的误差的图。输入空间包括两个变量x1和x2。y轴表示函数f(x1,x2)。在x1和x2的平面中,其中示意了表示训练数据集合的区域250。区域250之外的范围构建了没有数据的区域,即,低置信水平的区域。函数Y将具有与之相关联的误差。这由平面252来表示。然而,平面250中的误差仅在区域254中有效,其对应于区域250。平面252上的区域254之外的范围具有与之相关联的未知的误差。作为结果,网络无论何时在具有误差区域254的区域250之外进行操作时,网络中的置信水平都是低的。当然,置信水平也不会在一处于已知的数据区域之外就突然地变化,而是,随着到训练集合中的已知数据的距离的增加而减小。这在图21中进行了表示,其中置信度被定义成α(x)。从图21可以看出,在区域250之上的区域中置信水平α(x)是高的。
一旦系统在训练数据区域之外进行操作,即,在低置信度区域中,神经网的精度相对低。按照优选实施例的一个方面,采用第一原理模型g(x)对稳态操作进行管理。在神经网络模型f(x)与第一原理模型g(x)之间的切换不是突然的切换,而是,它是二者的混合。
稳态增益关系在公式7中进行了定义并以如下更简单的方式被提出 定义新的输出函数Y(u)以考虑置信度因子α(u)如下 其中α(u)=模型f(u)中的置信度 α(u)在0→1的范围中 α(u)∈{0,1} 这将给出关系 在采用输出关系Y(u)、按照此公式来对稳态增益进行的计算中,将得出如下 现在参考图22,其中示意了用于实现神经网络模型与第一原理模型之间的切换的实施例的方框图。为函数f(u)提供了神经网络块300,为函数g(u)提供了第一原理块302并为函数α(u)提供了置信水平块304。输入u(t)被输入给块300-304中的每个块。通过减法块306对块304的输出进行处理以生成函数1-α(u),该函数被输入给乘法块308以用于与第一原理块302的输出相乘。这提供了函数(1-α(u))*g(u)。此外,置信度块304的输出被输入给乘法块310以用于与神经网络块300的输出相乘。这提供了函数f(u)*α(u)。块308的输出以及块310的输出被输入给求和块312以提供输出Y(u)。
现在参考图23,其中示意了采用离散的切换的替选实施例。第一原理块302以及神经元网络块300的输出被提供并被用于对输入x(t)进行接收。网络块300和第一原理块302的输出被输入给开关320,开关320用于选择第一原理块302的输出或者神经网络块300的输出。开关320的输出提供输出Y(u)。
由域分析器322对开关320进行控制。域分析器322用于接收输入x(t)并对域是否是一个在网络300的有效区域之内的域进行确定。如果否,则对开关320进行控制以采用第一原理块302中的第一原理操作。域分析器322采用训练数据库326来确定其中对于网络300训练数据是有效的区域。可替选地,域分析器320可以采用置信度因子α(u)并将此与阈值相比较,低于该阈值将采用第一原理模型302。
虽然已经对优选实施例进行了详细的描述,应当理解的是,可以进行不脱离所附权利要求所限定的本发明的精神和范围的各种变化、替换和替选。
进一步的实施例 对于非线性系统,过程增益可以是系统的确定性的特性,且会在它们各自的操作区域上显著地进行改变。然而,在过程增益具有小的改变的系统中,系统可以由过程模型的线性化来进行表示。在各种实施例中,线性化可以是局部的和/或全局的。例如,过程增益在整体的操作范围上没有显著改变的系统中会期望全局线性化。可替选地,对于过程增益在整体的操作范围上显著地非线性的系统,会对于具体的操作点(例如,在第一时刻,如当前的操作点或一些其它的所期望的操作点)使用局部线性化。注意,线性化的精度会有赖于系统的非线性度,且会基于操作条件区别于模型中(即,线性化中)所表示的那些操作条件的程度来进行定义。由于线性近似确实包含一些误差,期望从过程控制的立场来选择好理解的线性化。例如,在一种情形中,会更期望在当前的操作点处(在第一时刻处)的误差小,以在未来的操作点处的误差大为代价。在另一种情形中,会期望在最终的操作点处(例如,在第二时刻处)的误差小,以在当前的操作点处的误差大为代价。可替选地,会期望对误差进行分配,以使得其在跨越整体的操作区域上或多或少是相等的。通常,线性化可以是在当前的点、所期望的最终的点、以及中间的操作点处的增益的任何函数。
例如,在一个实施例中,线性化可以基于在两个或更多个操作点处的增益之间(例如,在当前的点与最终的点处的增益之间)的简单平均值或加权平均值。在一些实施例中,可以由第一增益(例如,在当前的操作点处)与之后的增益(例如,在最终的目的点处)之间的线性插值对增益进行近似。注意,在一些实施例中,在操作区域中,线性化可以基于单个的操作点,或者可替选地,基于复数个操作点。
在一些实施例中,会期望基于模型的过程控制器采用在量值上大于实际的过程增益(即,实际的工厂或过程的)的过程增益。更具体地,因为控制移动的大小(例如,响应于所确定的从目标操作值的偏移的移动)可以基于过程增益的倒数与误差的乘积,所以可以实施更大的过程增益值以限制控制移动的大小。所以,更大的过程增益将引起更小的控制移动,继而,这使得对工厂或过程的操作的调整和扰动更小。因此,在一些实施例中,增益可以基于在一个或更多个操作点处的增益(如操作的变化中的第一个和最后的增益)的最大绝对值。
注意,上述针对过程增益的近似方法不限于简单的线性近似,而是实际上,也可以通过非线性方法来进行近似,例如,操作区域中的两个增益(例如,在当前的操作点和所期望的最终的操作点处的增益)之间的非线性插值。
因此,可以使用各种近似方法对系统进行建模,例如,以在两个操作点处的增益为基础、基于动态增益的全局的和/或局部的线性近似。
在一些实施例中,在当前的点与所期望的最终的操作点处(例如,分别在第一和第二时刻处)的增益的比值可以被用来对系统的非线性度进行测量。因为越是非线性的系统通常将出现越多的建模误差,会期望基于非线性度的程度对过程控制系统的其它参数进行配置或控制。在一些实施例中,如以上所表明的,误差可以在当前的操作点与所期望的最终的操作点之间、作为时间和/或与之相关联的增益值的函数而被削减。可替选地,或额外地,可以根据系统的非线性度对削减的量进行修改,例如,在模型越是非线性并相应地越是倾向于产生建模误差时可以使用高的削减。在一些实施例中,更高的削减还可以引起小的控制移动,由于控制误差的重要性会被减少。相反地,在模型越是线性且因此越不倾向于产生建模误差时可以使用低的削减。在各种实施例中,可以根据各种方法对削减进行修改或调整。例如,与以上类似,削减可以基于在第一操作点处(例如,在第一时刻处)以及之后的操作点处(例如,在第二时刻处)的增益的值。与以上针对模型近似的描述相类似,削减可以基于在当前的操作点与所期望的最终的操作点之间包括端点的值的简单平均值或加权平均值、最大绝对值、之间的线性或非线性插值、和/或只是操作点的值、一个或更多个属性,例如,这些值的增益,等等。
因此,可以根据各种方法对误差进行削减以利于工厂或过程的操作点之间更平滑的转变。
在一些实施例中,系统可以具有固有的精度,例如,实际的系统(工厂或过程)的行为与该系统的模型之间的差,这可以通过把模型的值与实际的过程的值相比较来确定。如果系统正以非线性的方式显著地进行变化,且相应的模型也以非线性的方式变化,则通常可以预期该精度将低于系统和模型进行线性的变化的情况。
相应地,在一些实施例中,系统可以包括误差容许水平。例如,如果系统在从工厂或过程进行测量和/或在对模型进行预测时的所期望的操作点的规定的容许水平之内,则不实施进一步的控制调整,例如,通过上述的误差最小化设备中的滤子,因为模型不足以精确到对系统中的小的差进行分辨。对于高度非线性的系统,此容许水平根据非线性度的程度会改变。例如,随着非线性度的增加,模型的精度会下降,且更大的容许度会被证实。因此,从增益值所确定的模型的精度可以确定是否使用或采用误差最小化设备,例如,可以作为针对误差最小化设备的操作的滤子。
在一个实施例中,非线性度和/或容许度的程度可以基于在第一和第二时刻处的动态增益,例如,作为在各自这些时刻处的增益的函数。在一些实施例中,非线性度和/或容许度的程度在系统从一个操作点移动到另一个操作点时可以基于动态增益k的函数,例如,在第一和第二时刻的增益的比值、和/或增益的量值,等等。注意,上述各种近似和误差削减方法还可以被应用于对非线性度和/或容许度的程度的确定,例如,通过在第一和第二操作点的值(包括端点值)处的增益的或它们之间的简单平均值和加权平均值、最大绝对值、线性和/或非线性插值、一个或更多个操作点的值,等等。
进一步注意,这些方法中的每个方法还可以被应用在为模型确定误差约束(例如,误差截头体)中,例如,如本文中已经进行了描述的那些。更具体地,误差约束可以被用于把约束施加于目标函数之上,例如,硬约束和/或软约束。所以,当误差大于误差约束时,该约束在目标函数中会被“激活”,即,标量因子作为针对误差最小化的权值而会被应用于该约束。与以上类似,误差约束可以基于在时间的各个点(例如,上述的第一和第二时刻)处的操作点的值,或者其属性。所以,与以上类似,误差约束可以基于在第一和第二时刻处的增益,例如,通过例如第一和第二各自的增益的简单平均值和加权平均值、比值、增益的最大绝对值、线性和/或非线性插值、一个或更多个具体的增益值、一个或更多个量值,等等。
因此,通过各种约束、滤子和/或其它的方法可以把模型的误差最小化。
第一原理模型的线性化 如上所述,可以采用第一原理模型来提供上述工厂或过程的计算(即,解析)表示。更具体地,在输入值落入具有小于规定的阈值的完善性(例如,精度)的空间的区域之内时,可以使用第一原理模型来对工厂或过程进行建模。例如,在输入值位于训练域(以下进行更详细的描述)之外时可以使用第一原理模型。如本文中所使用的,“完善性”一词意在包括在当前的局部输入空间处的模型的精度。换言之,完善性可以表明在当前的输入值处与模型相关联的置信度的水平。
通常,第一原理模型可以是对正在被建模的工厂和/或过程的物理性质/化学性质进行描述的一组数学公式。当这些公式试图涵盖或实施自然法则时,在一些情形中,会存在一些相关联的不精确性。这些不精确性可以来自第一原理模型的几个方面——最显著的是被施加在模型中的简化。例如,在炼油厂中,原油实际上是许多碳氢化合物的混合,而不是均质的液体。完整的第一原理模型会包含用于对它们各自的热和材料平衡进行定义的针对这些化合物中的每个化合物的公式。作为近似,原油会被定义成少得多的数量的虚拟成分,其中每个虚拟成分表示一组真实的化合物。相应地,虚拟成分的属性可以表示真实化合物的总的属性。这一近似会大大减少第一原理模型中的公式的数量,使得它从实践上来说更加可用,因为它可以在更短的时间段上被执行。然而,如以上所表明的,这一近似会把一些不精确性引入到第一原理模型中。
第一原理模型中所实施的简化的另一个实例涉及模型的公式。例如,第一原理模型不会反映系统真实的行为。作为工厂中的具体实例,在其它的行为之中,模型的公式不会明确地解决从管道和容器的热损失,或者它们不会考虑化合物不理想的混合。因为这些简化,应当表示诸如热容量或反应速率常数的概念的公式中的物理参数常常与它们的理论值不相匹配。而是,第一原理模型会具有被“拟合”了的物理参数用以与实际的操作性能相匹配。由于被拟合的参数对应于特定的时刻和操作,所以它们可以或者无法对在工厂或过程其它的时刻和操作处的行为进行精确的建模。
由于第一原理模型会包含一些近似和不精确性,有时会采用更简单的线性化的表示而不会大幅度降低模型的精度。在各种实施例中,可以根据大量合适的线性化方法对第一原理模型进行线性化。例如,在一个实施例中,可以对第一原理模型进行局部线性化,例如,针对当前的输入值。换言之,当使用线性化的第一原理模型时,可以根据当前正在被建模的输入的局部输入空间对它进行线性化。如本文中所使用的,“局部输入空间”意在包括与变量或输入相接近的输入空间。例如,输入值的局部输入空间可以包括涵盖输入值以及邻近的值的区域。额外地,或可替选地,可以对第一原理模型进行全局线性化,例如,跨越已过去的输入值的范围。在一些实施例中,可以跨越各种其它的范围对第一原理模型进行线性化,例如,中间范围(例如,包括或接近当前的局部输入空间)、动态生成的范围、用户定义的范围、和/或其它的范围。所以,根据各种实施例,可以使用各种方法对第一原理模型进行线性化,如那些以上所描述的等等。
在一些实施例中,在一些输入数据的范围中,线性化的第一原理模型会具有比第一原理模型更好的属性,例如,为了过程控制的目的,因为它可以按更可理解/可预测的方式来进行工作。第一原理模型的线性化版本从而可以在非线性模型不足以表示感兴趣的操作区域时提供必要的替代模型来进行使用。针对由数据进行了良好的表示的操作空间的部分的非线性的模型(即,数据所派生的模型)与针对操作空间的其余部分的线性化的第一原理模型的组合可以提供优秀的组合模型以在基于模型的动态控制应用中使用。
特别地,在一些实施例中,可以根据上述的与阈值相关的实施例来使用线性化的第一原理模型。例如,可以以与上述针对图23的实施例类似的方式来使用线性化的第一原理模型,例如,通过用上述的线性化的第一原理模型来替换图中的第一原理模型。然而,应当注意的是,与阈值相关的实施例不限于这些描述且可以设计其它的方法和使用。以下章节提供了可以采用线性化的第一原理模型的示例性的实施例。
图24A和24B——输入空间中的示例性的区域 图24A是示例性的区域2402、2404和2406的图,在变量x1和x2的输入空间中。注意,变量x1和x2是示例性的,且仅作为示意性的实例来提供;实际上,可以设计其它的尺度、变量和空间。在一个实施例中,区域2402可以表示对诸如非线性(即,经验)模型的模型进行了训练的局部输入空间。此外,区域2404可以表示没有对非线性模型进行训练的局部输入空间,但是仍可以保持一些精度;最后,区域2406可以表示所训练的模型不再具有足够的完善性/精度的局部输入空间。相应地,在一些实施例中,可以把不同的模型(例如,第一原理模型或线性化的第一原理模型)用于区域2404和2406中的一个或两者中。
在一些实施例中,域分析器可以用于确定与输入值的空间相关联的模型的完善性(例如,精度)是否在一定的阈值以下(例如,如果空间在区域2402和/或2404之外)。相应地,域切换设备(例如控制器)可以用于在非线性模型与线性化的第一原理模型之间进行选择。更具体地,在一个实施例中,域切换设备可以在完善性在阈值以上时使用非线性模型并在完善性在阈值的值以下时使用线性化的第一原理模型。
接着以上的描述,在一个实施例中,域分析器可以用于确定局部输入空间是否在区域2402之内(该区域可以对应于上述的完善性)。在这种情况下,域切换设备可以使用非线性模型;然而,对于当前的输入的局部输入空间在区域2402之外的地方,即,对于模型的完善性或精度不够的地方,域切换设备可以使用线性化的第一原理模型。所以,根据一个实施例,对于局部输入空间在区域2402之内的地方可以使用非线性模型,以及,对于局部输入空间在区域2402之外的地方可以使用线性化的第一原理模型。
可替选地,域切换设备可以针对区域2402和2404的内部的局部输入空间选择非线性模型并在局部输入空间在区域2402和2404之外(即,在2406区域中)时选择线性化的第一原理模型。所以,在一些实施例中,域切换设备可以基于阈值和/或局部输入空间域来确定其中是使用非线性模型还是线性化的第一原理模型。
在一些实施例中,域切换设备可以使用复数个阈值的值。例如,域切换设备可以使用第一阈值的值来确定是使用非线性模型还是第一原理模型,以及第二阈值的值来确定何时使用第一原理模型或线性化的第一原理模型。所述的另一种方式,域切换设备确定在完善性高于第一阈值的值时应当使用非线性模型,在完善性大于第二阈值的值时应当使用第一原理模型,以及,在完善性小于第二阈值的值时应当使用线性化的第一原理模型。换言之,在一个实施例中,可以在训练域中(例如,模型具有高置信度的地方)使用非线性模型,在具有中等置信度的训练区域之外使用第一原理模型,以及,在具有低置信度/精度的域中使用线性化的第一原理模型。
接着以上针对图24的描述,域分析器可以确定局部输入空间是否落入区域2402、区域2404或区域2406之内。相应地,域切换设备(例如,控制器)针对域2402可以使用非线性模型,针对区域2404可以使用第一原理模型,针对区域2406可以使用线性化的第一原理模型。从而,与输入值的空间或域相关联的完善性可以被用来确定要使用哪个模型,例如,根据与输入值的空间相关联的模型的完善性。
图24B是对应于上述示例性的区域2402、2404和2406的另一个图。在此图中,x轴表示针对变量x1的输入空间,以及,y轴表示预测系统的(即,模型的)输出。如所示出的,并接着以上的描述,在图的第一部分中,变量x1的值保持在区域2402中,从而可以使用非线性模型。在此部分中,模型的输出可以具有更小的阶跃大小并可以针对x1更迅速地进行变化。换言之,由于在此部分数据上对非线性模型进行了训练,预测系统会能够更精确地对值进行预测并可以相应地随着时间更快速地进行变化,例如,根据模型之前的训练。在第二部分中,变量x1的值是在第一原理模型会被使用的区域2404中。如在此部分中所示出的,预测系统的输出由于更低的模型精度会随着时间变化得更少。在第三部分中,在区域2406中,线性化的第一原理模型会被使用。如所示出的,预测系统在此部分中的输出会是简单的线,例如,因为非线性模型和第一原理模型在此区域中的低的完善性。在第四部分中,局部输入空间会在区域2404之内且第一原理模型会被使用,以及,在第五部分中,x1会进入区域2402且非线性模型会被使用。注意,以上的描述还可以应用于仅使用两个区域(例如,一个阈值)的系统。在这些系统中,区域2402/2404可以在图/预测系统中被合并。
因此,根据各种实施例,非线性模型、第一原理模型和/或线性化的第一原理模型会被使用,例如,根据模型的精度或完善性。
图25——用于使用线性化的第一原理模型的方法 图25是示意了用于使用线性化的第一原理模型的示例性方法的方框图。图25中所示的方法可以与其它的设备中的以上的图中所示的计算机系统或设备相结合来使用。在各种实施例中,所示出的方法组成部分中的一些可以同时被执行、按照与所示出的不同的顺序被执行、或者可以被省略。根据期望也可以执行额外的方法组成部分。如所示出的,方法可以操作如下。
在2502中,可以从工厂或过程接收输入值。输入值可以是特定的容量、温度、流动率和/或其它与工厂或过程相关联的特性或值的值。例如,输入值可以是进入工厂的反应容器的化学制品的初始温度。注意,上述输入仅是示例性的且可以设计其它的输入/值(例如,以上所描述的那些,等等)。
在2504中,该方法可以对应于输入值的局部输入空间或域来确定非线性模型的完善性。在一些实施例中,非线性模型的完善性可以基于非线性模型在输入值的局部输入空间或域中(即,输入值在其中被找到的区域中)的精度。可替选地,或额外地,非线性模型的完善性可以基于输入值的局部输入空间。例如,如上所述,非线性模型在输入值位于非线性模型被训练的空间之内的地方(例如,区域2402)会具有高的完善性。在被训练的空间之外的范围,非线性模型会具有的完善性较低。在一些实施例中,可以存在非线性模型会保留一些精度/完善性的刚好在训练数据之外的局部输入空间(例如,区域2404),以及完善性会低得多的外部范围(例如,区域2406)。
在2506中,如果完善性在第一阈值以上(如由2505所确定的),则可以使用非线性模型来提供第一输出值。在一些实施例中,非线性模型可以采用工厂或过程的经验表示(例如,神经网络或支持向量机)来提供第一输出值。换言之,如上所述,非线性模型可以是被训练的模型,例如,被训练的稳态模型。如以上所表明的,阈值会有赖于模型的精度和/或输入值的局部输入空间(等等)。例如,接着以上的描述,如所期望的,如果局部输入空间在区域2402和/或区域2404的内部则可以使用非线性模型。
在2508中,如果完善性在第一阈值以下,则可以使用线性化的第一原理模型来提供第二输出值。在一些实施例中,线性化的第一原理模型可以采用工厂或过程的解析表示来提供第二输出值。此外,在一个实施例中,工厂或过程的解析表示可以是独立于工厂或过程的经验表示的。在所述的另一种方式中,线性化的第一原理模型会基于第一原理模型的线性化而不是非线性模型所使用的训练数据。
接着以上的描述,当输入变量的局部输入空间在区域2402和/或区域2404之外时,可以使用线性化的第一原理模型。更具体地,对于该方法使用一个阈值的情况,在区域2402的内部可以使用非线性模型且在区域2402之外可以使用线性化的第一原理模型。可替选地,在区域2404的内部可以使用非线性的模型且在该区域之外可以使用线性化的第一原理模型。换言之,在一些实施例中,第一阈值可以是区域2402和/或区域2404的边界。在使用复数个阈值(例如,两个阈值)的实施例中,可以在第一阈值以上时(例如,在区域2402中)使用非线性模型,可以在第二阈值以上但在第一阈值以下时(例如,在区域2404中)使用第一原理模型,以及,可以在第二阈值以下时(例如,在区域2406中)使用线性化的第一原理模型。
从而,根据各种实施例,线性化的第一原理模型可以被用来对工厂或过程的行为进行建模。
权利要求
1.一种用于对工厂或过程的操作进行预测的预测系统,包括
处理器;以及
存储器介质,其被耦合到处理器,其中,所述存储器介质对可由所述处理器执行的程序指令进行存储以实施
非线性模型,包括
工厂或过程的经验表示;
用于接收输入值的第一输入;以及
用于提供第一输出值的第一输出;
其中,非线性模型用于接收输入值以及使用工厂或过程的经验表示来生成第一输出值;
线性化的第一原理模型,包括
工厂或过程的解析表示,其中,所述工厂或过程的解析表示独立于经验表示;
用于接收输入值的第二输入;以及
用于提供第二输出值的第二输出;
其中,线性化的第一原理模型用于接收输入值以及使用工厂或过程的解析表示来生成第二输出值;
域分析器,用于确定输入值是否落入非线性模型具有小于第一阈值的完善性的空间的区域之内;以及
控制器,用于
在完善性在第一阈值以上时使用非线性模型;以及
在完善性在第一阈值以下时使用线性化的第一原理模型;
其中,第一输出值和/或第二输出值可用于对工厂或过程进行管理。
2.如权利要求1所述的系统,其中,线性化的第一原理模型包括第一原理模型的线性化。
3.如权利要求1所述的系统,其中,线性化的第一原理模型包括第一原理模型针对输入值的局部的局部线性化。
4.如权利要求1所述的系统,其中,线性化的第一原理模型包括第一原理模型的全局线性化。
5.如权利要求4所述的系统,其中,全局线性化基于先前的输入值的范围。
6.如权利要求1所述的系统,其中,域分析器进一步用于确定输入值是否落入其中非线性模型具有小于第二阈值的完善性的局部输入空间的区域之内,以及其中,所述第二阈值低于第一阈值,
其中,控制器用于
在完善性在第一阈值以上时使用非线性模型;
在完善性在第二阈值以上且在第一阈值以下时使用第一原理模型;以及
在完善性在第二阈值以下时使用线性化的第一原理模型。
7.如权利要求1所述的系统,其中,非线性模型包括稳态模型。
8.如权利要求1所述的系统,其中,非线性模型包括
神经网络;或者
支持向量机。
9.如权利要求1所述的系统,其中,存储器介质对可由处理器执行的程序指令进行存储以实施控制器。
10.一种用于对工厂或过程的操作进行预测的方法,包括
从工厂或过程接收输入值;
对应于输入值的局部输入空间来确定非线性模型的完善性,其中,所述非线性模型包括工厂或过程的经验表示;
如果完善性在第一阈值以上,则使用非线性模型来提供第一输出值;以及
如果完善性在第一阈值以下,则使用线性化的第一原理模型来提供第二输出值,其中,所述线性化的第一原理模型包括工厂或过程的解析表示,以及其中,所述工厂或过程的解析表示独立于工厂或过程的经验表示;
其中,第一输出值和/或第二输出值可用于对工厂或过程进行管理。
11.如权利要求10所述的方法,其中,线性化的第一原理模型包括第一原理模型的线性化。
12.如权利要求10所述的方法,其中,线性化的第一原理模型包括第一原理模型针对输入值的局部的局部线性化。
13.如权利要求10所述的方法,其中,线性化的第一原理模型包括第一原理模型的全局线性化。
14.如权利要求13所述的方法,其中,全局线性化基于先前的输入值的范围。
15.如权利要求10所述的方法,其中,所述方法进一步包括
在完善性在第一阈值以及第二阈值以上时使用非线性模型,其中,所述第二阈值低于第一阈值;
在完善性在第二阈值以上时使用第一原理模型;以及
在完善性在第二阈值以下时使用线性化的第一原理模型。
16.如权利要求10所述的方法,其中,非线性模型包括稳态模型。
17.一种存储器介质,包括用于对工厂或过程的操作进行预测的程序指令,其中,所述程序指令可由处理器来执行以
从工厂或过程接收输入值;
对应于输入值的局部输入空间来确定非线性模型的完善性,其中,所述非线性模型包括工厂或过程的经验表示;
如果完善性在第一阈值以上,则使用非线性模型来提供第一输出值;以及
如果完善性在第一阈值以下,则使用线性化的第一原理模型来提供第二输出值,其中,所述线性化的第一原理模型包括工厂或过程的解析表示,以及其中,所述工厂或过程的解析表示独立于工厂或过程的经验表示;
其中,第一输出值和/或第二输出值可用于对工厂或过程进行管理。
18.如权利要求17所述的存储器介质,其中,线性化的第一原理模型包括第一原理模型的线性化。
19.如权利要求17所述的存储器介质,其中,线性化的第一原理模型包括第一原理模型针对输入值的局部的局部线性化。
20.如权利要求17所述的存储器介质,其中,线性化的第一原理模型包括第一原理模型的全局线性化。
21.如权利要求17所述的存储器介质,其中,计算机程序指令可进一步被执行以
在完善性在第一阈值以及第二阈值以上时使用非线性模型,其中,所述第二阈值低于第一阈值;
在完善性在第二阈值以上时使用第一原理模型;以及
在完善性在第二阈值以下时使用线性化的第一原理模型。
全文摘要
一种用于对工厂或过程的操作进行预测的系统和方法,从工厂或过程接收输入值。可以对应于输入值的局部输入空间来确定非线性模型的完善性。非线性模型可以包括工厂或过程的经验表示。如果完善性在第一阈值以上,则可以使用非线性模型来提供第一输出值。然而,如果完善性在第一阈值以下,则可以使用线性化的第一原理模型来提供第二输出值。线性化的第一原理模型可以包括工厂或过程的解析表示。此外,工厂或过程的解析表示可以独立于工厂或过程的经验表示。第一输出值和/或第二输出值可用于工厂或过程的管理。
文档编号G05B13/04GK101563660SQ200780042155
公开日2009年10月21日 申请日期2007年9月13日 优先权日2006年9月13日
发明者尤金·博埃, 格雷戈里·D·马丁, 史蒂芬·W·皮什 申请人:搭篷技术公司
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1