本發(fā)明涉及工業(yè)自動化技術(shù)領(lǐng)域，特別是涉及一種催化裂化過程中原油預(yù)熱溫度控制方法。

背景技術(shù)：

催化裂化過程是石油煉制的關(guān)鍵環(huán)節(jié)，而在催化裂化過程中，原油的預(yù)熱溫度是一個非常重要的變量，直接影響反應(yīng)過程的熱平衡和反應(yīng)深度。因此實(shí)現(xiàn)良好的預(yù)熱溫度控制可以直接提高原油的生產(chǎn)效益。傳統(tǒng)的PID只適用于小時滯或無時滯的控制系統(tǒng)，而原油預(yù)熱的動態(tài)過程是一個大時滯的過程，當(dāng)輸入階躍信號時，常會產(chǎn)生較大的超調(diào)和震蕩，影響對原油的預(yù)熱溫度控制。因此提出新的控制方法提高原油預(yù)熱系統(tǒng)的控制性能是迫切需要的。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是提供一種催化裂化過程中原油預(yù)熱溫度控制方法，能夠抑制預(yù)熱過程出現(xiàn)的超調(diào)和震蕩，提高控制性能。

本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：提供一種催化裂化過程中原油預(yù)熱溫度控制方法，包括以下步驟：

(1)通過結(jié)合狀態(tài)變量、輸出跟蹤誤差和設(shè)定值變量，建立催化裂化過程中原油預(yù)熱的擴(kuò)展?fàn)顟B(tài)空間模型；

(2)引入佳點(diǎn)集理論作為利用改進(jìn)的MOEA/D-DE算法確定目標(biāo)函數(shù)中的加權(quán)矩陣；

(3)設(shè)計(jì)帶有預(yù)測函數(shù)控制性能的PI-PD控制器對原油預(yù)熱溫度進(jìn)行控制。

所述步驟(1)包括以下子步驟：

(11)利用實(shí)時數(shù)據(jù)驅(qū)動的方法建立局部預(yù)測模型；

(12)根據(jù)局部預(yù)測模型建立催化裂化中原油預(yù)熱溫度過程的差分方程模型；

(13)根據(jù)差分方程模型建立催化裂化中原油預(yù)熱溫度過程的狀態(tài)空間模型。

所述步驟(13)后還包括將得到的狀態(tài)空間模型轉(zhuǎn)換為包含狀態(tài)變量、輸出跟蹤誤差和設(shè)定值變量的擴(kuò)展?fàn)顟B(tài)空間模型的步驟。

所述步驟(2)具體包括以下子步驟：

(21)選取催化裂化原油預(yù)熱溫度過程的目標(biāo)函數(shù)；

(22)對佳點(diǎn)集理論在n維空間中取佳點(diǎn)集的方法做簡要說明；

(23)引入佳點(diǎn)集理論初始化大小為N的初始種群，并初始化用于存儲Pareto非支配解的外部種群為空集；

(24)分別根據(jù)調(diào)節(jié)時間和超調(diào)量計(jì)算初始種群中每個個體的目標(biāo)函數(shù)值，其中，根據(jù)調(diào)節(jié)時間計(jì)算出的目標(biāo)函數(shù)值作為第一目標(biāo)值，根據(jù)超調(diào)量計(jì)算出的目標(biāo)函數(shù)值作為第二目標(biāo)值；

(25)初始化理想點(diǎn)，所述理想點(diǎn)為種群中每個個體所對應(yīng)的第一目標(biāo)值中的最小值和第二目標(biāo)值中的最小值；

(26)將多目標(biāo)問題用切比雪夫分解方法中均勻分布的N個權(quán)向量分解成N個子問題，并確定每一個子問題的目標(biāo)函數(shù)；

(27)對于每一個確定的子問題的權(quán)向量，計(jì)算其他權(quán)向量與確定子問題的歐幾里得距離得出每一個子問題的T個鄰居子問題；

(28)對每一個子問題的目標(biāo)函數(shù)對應(yīng)的個體進(jìn)行差分進(jìn)化操作得到臨時個體，并對臨時個體進(jìn)行多項(xiàng)式變異操作，得到變異臨時個體；

(29)計(jì)算變異臨時個體的第一目標(biāo)值和第二目標(biāo)值，如果每一個目標(biāo)的最優(yōu)值都小于每個子問題的個體對應(yīng)的目標(biāo)函數(shù)的值則更新理想點(diǎn)；

(210)通過變異臨時個體和其目標(biāo)值來更新第j個子問題的所有T個鄰居子問題分別對應(yīng)的個體以及每個個體對應(yīng)的目標(biāo)函數(shù)值，并更新外部種群中所存儲的非支配解；

(211)達(dá)到最大迭代次數(shù)則結(jié)束，給出加權(quán)矩陣的一組Pareto最優(yōu)解。

所述步驟(3)具體為：選取控制時域，將得到的加權(quán)矩陣運(yùn)用到催化裂化原油預(yù)熱溫度過程的目標(biāo)函數(shù)中，并對所述目標(biāo)函數(shù)求導(dǎo)并使其為0，得到最優(yōu)控制律，定義一個最大允許誤差，當(dāng)系統(tǒng)的誤差小于或等于最大允許誤差時，就認(rèn)為系統(tǒng)已達(dá)到穩(wěn)定，得到PI-PD控制器的參數(shù)，將參數(shù)代入PI-PD控制器對原油預(yù)熱溫度進(jìn)行控制。

有益效果

由于采用了上述的技術(shù)方案，本發(fā)明與現(xiàn)有技術(shù)相比，具有以下的優(yōu)點(diǎn)和積極效果：本發(fā)明通過建立實(shí)時數(shù)據(jù)庫、模型建立、預(yù)測控制、算法優(yōu)化等步驟，進(jìn)而確立了一種改進(jìn)的MOEA/D-DE算法優(yōu)化催化裂化過程中的原油預(yù)熱溫度控制方法，利用該方法可有效提高系統(tǒng)的控制精度和穩(wěn)定性。

附圖說明

圖1是改進(jìn)的MOEA/D-DE算法優(yōu)化的RFC-PIPD的原油預(yù)熱溫度控制系統(tǒng)結(jié)構(gòu)圖；

圖2是利用改進(jìn)的MOEA/D-DE算法確定目標(biāo)函數(shù)中的加權(quán)矩陣Q流程圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例，進(jìn)一步闡述本發(fā)明。應(yīng)理解，這些實(shí)施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。此外應(yīng)理解，在閱讀了本發(fā)明講授的內(nèi)容之后，本領(lǐng)域技術(shù)人員可以對本發(fā)明作各種改動或修改，這些等價(jià)形式同樣落于本申請所附權(quán)利要求書所限定的范圍。

本發(fā)明的實(shí)施方式涉及一種催化裂化過程中原油預(yù)熱溫度控制方法，用來抑制預(yù)熱過程出現(xiàn)的超調(diào)和震蕩，提高控制性能。本發(fā)明首先通過結(jié)合狀態(tài)變量、輸出跟蹤誤差和設(shè)定值變量，建立催化裂化過程中原油預(yù)熱的擴(kuò)展?fàn)顟B(tài)空間模型，來更好地處理原油預(yù)熱過程中可能出現(xiàn)的未知擾動而導(dǎo)致的超調(diào)和震蕩，接著利用改進(jìn)的MOEA/D-DE算法來優(yōu)化目標(biāo)函數(shù)中的加權(quán)矩陣，最后設(shè)計(jì)一種帶有預(yù)測函數(shù)控制性能的PI-PD(PFC-PIPD)控制器。該方法提高了溫度追蹤的精度和速度，具備良好的控制性能。根據(jù)本發(fā)明建立的控制系統(tǒng)如圖1所示。

本發(fā)明方法的步驟包括：

步驟一.建立被控對象的擴(kuò)展?fàn)顟B(tài)空間模型，具體是：

1.1利用實(shí)時數(shù)據(jù)驅(qū)動的方法建立局部預(yù)測模型：建立原油預(yù)熱過程的實(shí)時運(yùn)行數(shù)據(jù)庫，通過數(shù)據(jù)采集裝置采集實(shí)時過程運(yùn)行數(shù)據(jù)，將采集的實(shí)時過程運(yùn)行數(shù)據(jù)作為數(shù)據(jù)驅(qū)動的樣本集合其中，表示第i組工藝參數(shù)的輸入值，y(i)表示第i組工藝參數(shù)的輸出值，N表示采樣總數(shù)；以該對象的實(shí)時過程運(yùn)行數(shù)據(jù)集合為基礎(chǔ)建立基于最小二乘算法的離散差分方程形式的局部受控自回歸滑動平均模型：

其中，y_L(k)表示k時刻局部預(yù)測模型的工藝參數(shù)的輸出值，表示通過辨識得到的模型參數(shù)的集合，F(xiàn)和H為通過辯識得到的參數(shù)，表示局部預(yù)測模型的工藝參數(shù)的過去時刻的輸入和輸出數(shù)據(jù)的集合，u(k-d-1)表示k-d-1時刻工藝參數(shù)對應(yīng)的控制變量，d+1為實(shí)際過程的時滯，Τ為矩陣的轉(zhuǎn)置符號；

采用的辨識手段為：

其中，和P為參數(shù)辨識中的兩個矩陣，γ∈(0,1)表示遺忘因子，I表示單位矩陣；

1.2利用步驟1.1中得到的系數(shù)，建立催化裂化中原油預(yù)熱溫度過程的差分方程模型，其形式為：

Δy(k)+HΔy(k-1)＝FΔu(k-d-1)

其中,Δ是差分算子，F(xiàn),H為1.1步驟中通過辯識得到的參數(shù)，d為時滯項(xiàng)；Δy(k)表示k時刻的輸出增量，Δu(k-d-1)表示k-d-1時刻的控制輸入增量；

1.3根據(jù)步驟1.2中的差分方程，建立催化裂化中原油預(yù)熱溫度過程的狀態(tài)空間模型，形式如下：

其中，

C_m＝(100…0)

其中，Δx(k)表示k時刻的狀態(tài)變量，A_m為(d+1)×(d+1)階矩陣,B_m為(d+1)×1階矩陣，C_m為1×(d+1)階矩陣；

1.4將步驟1.3中得到的狀態(tài)空間模型轉(zhuǎn)換為包含狀態(tài)變量、輸出跟蹤誤差和設(shè)定值變量的擴(kuò)展?fàn)顟B(tài)空間模型，形式如下：

z(k+1)＝Az(k)+BΔu(k)+CΔr(k+1)

在設(shè)定值設(shè)為1不變時，Δr(k+1)＝0，擴(kuò)展?fàn)顟B(tài)空間模型簡化為：

z(k+1)＝Az(k)+BΔu(k)

式中，

e(k)＝r(k)-y(k)

其中，z(k)表示k時刻的狀態(tài)量，r(k)為k時刻的理想輸出值，e(k)為k時刻理想輸出值與實(shí)際輸出值之間的差值。

步驟二.利用改進(jìn)的MOEA/D-DE算法確定目標(biāo)函數(shù)中的加權(quán)矩陣Q，如圖2所示，具體是：

2.1選取催化裂化原油預(yù)熱溫度過程的目標(biāo)函數(shù)J，形式如下：

Q＝Q_f＝diag{q_jy1,q_jy2,…,q_jyn,q_ju1,…,q_jum-1,q_je}，Q>0,R>0,Q_f>0分別表示狀態(tài)過程的加權(quán)矩陣、輸入加權(quán)矩陣和終端加權(quán)矩陣，[k₀,k_f]為優(yōu)化時域，q_j1,q_j2,…q_jum-1表示過程狀態(tài)的權(quán)重系數(shù)，q_je為輸出跟蹤誤差的權(quán)重系數(shù)，本實(shí)施方式中取q_je＝1；

2.2采取實(shí)數(shù)編碼方式在n維空間H中取佳點(diǎn)集的方法如下：①設(shè)初始種群規(guī)模為N，染色體②在n維空間中作含N個點(diǎn)的佳點(diǎn)集，

P_n(i)＝{{r₁×i},{r₂×i},…,{r_n×i},i＝1,2,…,n},其中取p是滿足(p-n)/2≥n的最小素?cái)?shù)；③當(dāng)為實(shí)數(shù)編碼時，設(shè)的取值范圍為取

即可；

2.3引入佳點(diǎn)集理論初始化大小為N的初始種群X＝{x₁,x₂,…,x_N}，每個x_n都代表一個由Q中所有元素{q_jy1,q_jy2,…,q_jyn,q_ju1,…,q_jum-1,q_je}組成的種群個體；初始化外部種群EP為空集，在搜索最優(yōu)解過程中將其用于存儲Pareto非支配解。

2.4分別根據(jù)調(diào)節(jié)時間t_s和超調(diào)量σ計(jì)算每個個體的目標(biāo)函數(shù)值F_n(x),把根據(jù)指標(biāo)t_s得出的f_ts(x)作為目標(biāo)函數(shù)值F_n的第一個目標(biāo)值，把根據(jù)指標(biāo)σ得出的f_os(x)作為目標(biāo)函數(shù)值F_n的第二個目標(biāo)值：

F_n(x)＝[f_ts(x)，f_os(x)]

2.5初始化理想點(diǎn)Z^*；其中是第一個目標(biāo)函數(shù)f_ts(x)到目前為止找到的最小值，是第二個目標(biāo)函數(shù)f_os(x)到目前為止找到的最小值；

2.6將多目標(biāo)問題F(x)＝min(f_ts(x)，f_os(x))用切比雪夫分解方法分解成N個子問題，具體的每一個子問題的目標(biāo)函數(shù)如下：

上式中，是當(dāng)前參考點(diǎn)，即每一個目標(biāo)當(dāng)前的最優(yōu)值組成的向量，本實(shí)施方式中m的值是2；g^te(x|λ^j,z^*)表示第j個子問題的目標(biāo)函數(shù)；是第j個子問題的權(quán)值，x表示一個種群個體，f_i(x)表示第j個子問題的個體對應(yīng)的第i個目標(biāo)函數(shù)的值；

2.7根據(jù)每一個子問題g^te(x|λ^j,z^*)的權(quán)值λ^j，計(jì)算每一個子問題的T個鄰居子問題B(j)＝(B_j1,B_j2,…,B_jT)，用B_ji表示第j個子問題的第i個鄰居子問題，本實(shí)施方式中取T＝20，i＝1,2,…,T；

2.8對每一個子問題g^te(x|λ^j,z^*)對應(yīng)的個體進(jìn)行差分進(jìn)化(DE)操作得到臨時個體y；

2.9對臨時個體y進(jìn)行多項(xiàng)式變異(PLM)操作，得到個體y＇；

2.10計(jì)算新的臨時個體y＇的兩個目標(biāo)函數(shù)值F_j＇，若對于每個j＝1,2,…,m都有則更新理想點(diǎn)z^*；

2.11通過新的臨時個體P_j(t+1)和其目標(biāo)值F_j＇來更新第j個子問題的所有T個鄰居子問題B(j)分別對應(yīng)的個體以及每個個體對應(yīng)的目標(biāo)函數(shù)值，并更新外部種群EP中所存儲的非支配解；

2.12達(dá)到最大迭代次數(shù)G則算法結(jié)束，給出加權(quán)矩陣Q的一組Pareto最優(yōu)解{X_p,1≤p≤N}，在此實(shí)施方式中給定G＝200；

2.13根據(jù)生產(chǎn)現(xiàn)場的實(shí)際需要，選取步驟2.11得到的一個Pareto最優(yōu)解作為最優(yōu)滿意解，即可得到最優(yōu)的加權(quán)矩陣Q；

步驟三.設(shè)計(jì)作用于被控對象的改進(jìn)的MOEA/D-DE算法優(yōu)化原油預(yù)熱過程的PFC-PIPD控制器，具體方法是：

3.1取控制時域M＝1，在當(dāng)前k時刻P步后的狀態(tài)變量z(k+P)可表示為

z(k+P)＝A^Pz(k)+αΔu(k)+θΔR

其中

P是預(yù)測時域，M<P，A表示(d+1)×(d+1)階狀態(tài)矩陣，B表示(d+1)×1階輸入矩陣，C表示1×(d+1)階輸出矩陣，α表示由A^P-1和B相乘所構(gòu)成的矩陣，A^P-1表示P-1個矩陣A相乘，θ表示狀態(tài)矩陣A和輸出矩陣C相乘所構(gòu)成的矩陣關(guān)系式，ΔR表示由Δr(k+j)(j＝1,…,P)所構(gòu)成的矩陣，r(k+j)表示被控對象的設(shè)定值，β是參考軌跡的柔化系數(shù)，c(k)是根據(jù)被控對象實(shí)際操作需要設(shè)定的設(shè)定值，Δr(k+j)表示k+j時刻的設(shè)定值改變量，在此實(shí)施方式中，令c(k)＝1；

3.2選取催化裂化原油預(yù)熱溫度過程的目標(biāo)函數(shù)J，形式如下：

Q＝Q_f＝diag{q_jy1,q_jy2,…,q_jyn,q_ju1,…,q_jum-1,q_je}，Q為改進(jìn)的MOEA/D-DE算法優(yōu)化得到的加權(quán)矩陣；

在該方法中的PI-PD控制器可以表示為一個增量形式：

u(k)＝u(k-1)+K_p(k)(e_s(k)-e_s(k-1))+K_i(k)e_s(k)

-K_f(k)(y(k)-y(k-1))-K_d(y(k)-2y(k-1)+y(k-2))

＝u(k-1)+K_p(k)(e_s(k)-e_s(k-1))+K_i(k)e_s(k)-K_f(k)(y(k)-y(k-1))

-K_d(y(k)-y(k-1))+K_d(y(k-1)-y(k-2))

e_s(k)＝c(k)-y(k)

c(k)為被控對象的設(shè)定值，y(k)為實(shí)際輸出值，e_s(k)表示k時刻設(shè)定值與實(shí)際輸出值之間的差值，K_p(k),K_i(k),K_f(k),K_d(k)分別表示k時刻PI-PD控制器的前向通道的比例系數(shù)、前向通道的積分系數(shù)、反饋環(huán)的比例系數(shù)、反饋環(huán)的微分系數(shù)；

將u(k)表示為矩陣形式化簡可得：u(k)＝u(k-1)+w^T(k)E(k)

上式中

對目標(biāo)函數(shù)J求導(dǎo)并使其為0，由可得最優(yōu)控制律。

定義一個最大允許誤差δ，當(dāng)e_s(k)小于或等于最大允許誤差δ時，就認(rèn)為系統(tǒng)已達(dá)到穩(wěn)定且K_p(k),K_i(k),K_f(k),K_d(k)不再改變，具體解釋如下：

當(dāng)|e_s(k)|≤δ時

當(dāng)|e_s(k)|>δ時

在得到PI-PD控制器的參數(shù)K_p(k),K_i(k),K_f(k),K_d(k)后，便可通過步驟3.2計(jì)算得到的控制量u(k)作用于被控對象從而對原油預(yù)熱溫度進(jìn)行控制，并依此循環(huán)。

不難發(fā)現(xiàn)，本發(fā)明通過建立實(shí)時數(shù)據(jù)庫、模型建立、預(yù)測控制、算法優(yōu)化等步驟，進(jìn)而確立了一種改進(jìn)的MOEA/D-DE算法優(yōu)化催化裂化過程中的原油預(yù)熱溫度控制方法，利用該方法可有效提高系統(tǒng)的控制精度和穩(wěn)定性。