DE102004058238B4

DE102004058238B4 - Adaptive, multivariable Prozesssteuerung, die Modellschaltung und Attribut-Interpolation nutzt

Info

Publication number: DE102004058238B4
Application number: DE102004058238.6A
Authority: DE
Inventors: Wilhelm K. Wojsznis; Terrence L. Blevins; Mark J. Nixon; Peter Wojsznis
Original assignee: Fisher Rosemount Systems Inc
Current assignee: Fisher Rosemount Systems Inc
Priority date: 2003-12-03
Filing date: 2004-12-02
Publication date: 2016-02-04
Anticipated expiration: 2024-12-03
Also published as: GB0426501D0; DE102004058238A1; GB2409293A; JP2005202934A; JP4722461B2; HK1075942A1; CN100492225C; US20050149209A1; CN1652051A; US7317953B2; GB2409293B

Abstract

Verfahren zum Anpassen eines multivariablen Prozessmodells (14a), bestehend aus zwei oder mehreren ein-eingängigen, ein-ausgängigen (SISO) Modellen, zur Verwendung in einer Prozesssteuerung (16), die das multivariable Prozessmodell verwendet, um Prozesssteuerung durchzuführen, wobei das Verfahren umfasst: Auswahl einer Untermenge von SISO-Modellen zur Anpassung; individuelles Anpassen (30) jedes der SISO-Modelle der ausgewählten Untermenge; und Bereitstellen der angepassten Untermenge der SISO-Modelle für die Prozesssteuerung zur Verwendung im multivariablen Prozessmodell.

Description

QUERVERWEIS AUF ZUGEHÖRIGE ANMELDUNGEN
Diese vorläufige Anmeldung steht im Zusammenhang mit der US-Patentanmeldung Nr. 10/419,582, erteilt als US Patent Nr. 7,113,834 B1 , die am 21. April 2003 eingereicht und ”Adaptive Feedback/Feedforward PID Controller” betitelt wurde, die in Teilen eine Fortsetzung der US-Patentanmeldung mit der Nr. 09/597,611 ist, die am 20. Juni 2000 eingereicht, „Adaptive Feedback/Feedforwad PID Controller” betitelt und am 10. Juni 2003 als US-Patent Nr. 6,577,908 B1 erteilt wurde, deren Ausführungen hiermit ausdrücklich durch Referenz einbezogen wird.
GEBIET DER ERFINDUNG
Das offenbarte Verfahren und die offenbarte Vorrichtung beziehen sich im Allgemeinen auf ein Verfahren zur Prozesssteuerung und genauer auf ein adaptives, multivariables Steuerungsverfahren, das während der Prozedur der Modellanpassung ein oder mehrere Modellschaltungen und Parameterinterpolationen durchführt.
ERFINDUNGSHINTERGRUND
Es ist im Fach bekannt, dass man logikbasierte Steuerungsschaltstrategien verwendet, um eine adaptive Prozesssteuerung in automatisierten Systemen, wie zum Beispiel große Produktionsanlagen, chemische Raffinerien etc., zu implementieren. Eine beispielhafte Diskussion über logikbasierte Schaltstrategien kann zum Beispiel in F. M. Pait Morses und S. R. Wellers „Logic-Based Switching Strategies for Self-Adjusting Control”, IEEE 33^rd Conference on Decision and Control (Dezember 1994) gefunden werden. Allgemein gesagt, können auf Logik basierende Steuerungsschaltstrategien einem von zwei Ansätzen zugeordnet werden, allgemein gekennzeichnet als eine vorvermittelter (prerouted) Steuerungsansatz und ein modellbasierter parametrisierter Steuerungsansatz.
Vorvermittelte Steuerungseinstellung bewertet im Prinzip mögliche Steuerungen innerhalb einer vordefinierten Menge von Steuerungen. Die Bewertung ist abgeschlossen, wenn eine Steuerung ermittelt ist, die zufriedenstellend arbeitet. Vorvermittelte Steuerungseinstellungssysteme lassen sich relativ einfach entwerfen und stellen geringe Anforderungen an die Steuerungsstruktur. Jedoch werden die Vorteile einer vorvermittelten Steuerungseinstellung von der ihr eigenen schlechten Leistung bezüglich Einstellungszeit überschattet, das heißt eine übermäßige Zeitdauer wird benötigt, um die optimale Steuerung aus der vordefinierten Menge auszuwählen.
Modellbasierte, parametrisierte Steuerungen bestehen generell aus zwei oder mehreren parameterabhängigen Untersystemen, einem Modell, das eine Ausgabe des Fehlers der Schätzung generiert, und einer inneren Steuerung. Während des Betriebs wird ein Steuersignal, basierend auf einer Schätzung einer passend definierten Menge von Modellen, an einen zu steuernden Prozess übermittelt. Modellbasierte, parametrisierte Steuerungen beinhalten eine Steuerungsschaltstrategie basierend auf dem Konzept des „zyklischen Schaltens”, das mit einer oder ohne eine Bereitstellung eines zusätzlichen Anregungssignals für den Prozess angewandt werden kann.
Eine lohnende Diskussion des Ansatzes des zyklischen Schaltens zum Anpassen von Prozessregelung kann in K. D. Narendras und J. Balakrishnans „Adaptive Control Using Multiple Models”, IEEE Transactions an Automatic Control, Vol. 42, Nr. 2, pp. 171–187 (Februar 1997) gefunden werden. Dieser Artikel beschreibt ein Prozessteuerungssystem mit einer Steuerung, die durch eine Vielzahl von Parametern und N Modellen gekennzeichnet ist, die parallel laufen und Modellparameter haben, die einer Vielzahl von Steuerungsparametern entsprechen. Zu jedem Zeitpunkt wird ein einzelnes Modell und eine entsprechende, parametrisierte Steuerung durch eine Schaltregel ausgewählt, und der entsprechende Steuerungseingang wird benutzt, um den Prozess zu steuern. Die Modelle können feste parametrisierte Modelle oder adaptive parametrisierte Modelle sein, abhängig von den Anforderungen des Prozesses, den Bedürfnissen des Bedieners und jeder anderen angemessenen Überlegung. Feste, parametrisierte Modellsteuerungssysteme bieten ein einfaches und effizientes Mittel, die Existenz mindestens eines durch Parameter charakterisierten Modells sicherzustellen, das jenem des unbekannten Prozesses ausreichend nahe kommt.
Auf zyklischem Schalten basierende Prozesssteuerungssysteme, die ein festes, parametrisiertes Modell aufweisen, stellen eine hohe Anpassungsgeschwindigkeit zur Verfügung, benötigen aber die Entwicklung und Speicherung einer signifikanten Anzahl von Modellen innerhalb der Prozesssteuerung. Es sollte angemerkt werden, dass feste Modelle nur fähig sind, eine endliche Anzahl von Prozessumgebungen und -bedingungen genau zu repräsentieren, und dass für eine asymptotische Verbesserung der Prozessgenauigkeit ein adaptives Modell angewandt werden muss.
In der Praxis werfen modellbasierte Steuerungsstrategien eine Anzahl von Problemen wegen der signifikanten Anzahl von Modellen auf, die für eine vernünftige Prozessannäherung nötig sind. Zum Beispiel kann von einem einfachen, ein-eingängigen, ein-ausgängigen (SISO) System, das einen festen, modellbasierten, selbstständigen Einsteller beinhaltet, zu recht erwartet werde, dass es Hunderte von festen Modellen beinhaltet, um eine zufriedenstellende Prozessleistung zu erreichen. Deshalb steigt, während die Systeme komplizierter werden, beispielsweise multivariable Systeme, die benötigte Anzahl von maßgefertigten, festen Modellen exponentiell, wobei sich die Einrichtungszeit und die Systemspeicheranforderungen erhöhen. Effizientere Lösungen erfordern die Betrachtung der speziellen Prozessmodellstrukturen und Steuerungsarten und legen den Ersatz von einfachen Schaltstrategien durch aufwendige Methoden nahe.
Ein modifizierter, modellbasierter Ansatz für eine Dahlin-Steuerung wurde von Gendron im Text „Improving the Robustness of Dead-Time Compensators for Plants with Unknown or Varying Delay”, Control System 90 Conference (Helsinki 1990) angeführt. Dieses Dokument eröffnet ein einfaches Erste-Ordnung-Plus-Totzeit-Prozessmodell, um eine Prozessanpassung basierend auf Änderungen der Totzeit bereitzustellen. Anstatt sich auf einfacher Modellschaltung zu stützen, nutzt die Steuerung ein Prozessmodell, das auf der gewichteten Summe einer Menge von Modellen basiert, die durch ungleiche Totzeiten charakterisiert werden. Jedes der Modelle in der Menge erzeugt eine Vorhersage des Prozessausgangs, und das entsprechende Gewicht wird automatisch als eine einfache Funktion des Vorhersagefehlers angepasst. Das grundlegende Konzept wurde so erweitert, dass Prozessgewinn und Änderungen der Totzeit innerhalb der Dahlin-Steuerung beinhaltet sind.
Generell sind geläufige Ansätze, um eine adaptive-PID-Adaptiv-Steuerung zu entwerfen, der direkte Ansatz und der indirekte oder modellbasierte Ansatz. Wie oben diskutiert wurde, ist der modellbasierte Ansatz effektiv für Steuerungssystem, die eine Schaltstrategie nutzen, und stellt einen geeigneten Ausgangspunkt bereit, von dem aus man eine adaptive Schalt-PID-Steuerung entwickeln kann. Es ist bekannt, eine modellidentifikations-basierende, adaptive PID-Steuerung gekoppelt mit einem rekursiven Kleinstequadrate (RLS: Recursive Least Squares)-Schätzer bereitzustellen, der die Änderung in den Modellparametern verfolgt. Typische Probleme in Verbindung mit rekursiven Modellidentifikatoren sind schwer wählbare Initialisierungsparameter, unzureichende Anregung, Filtern, Hängenbleiben an Parametern und träge Parameterverfolgungsgeschwindigkeit. Wegen der Komplexität der Variablen und der Schwierigkeiten, die in Zusammenhang stehen mit der Berechnung getreuer Schätzer, ist es aus dem Stand der Technik bekannt, dass die Leistung von bekannten, modellbasierten, adaptiven PID-Steuerungen durch Vereinfachung des Prozessmodells verbessert werden könnte.
Eine beispielhafte Erklärung einer vereinfachten, modellbasierten, adaptiven Steuerung wird von Astrom und Hagglung in „Industrial Adaptive Controllers Based an Frequency Response Techniques”, Automatica, Vol. 27, No. 4, pp. 599–609(1991) beschrieben. Generell offenbart dieser Artikel eine Steuerung, die entwickelt wurde, um eine Prozessmodellanpassung in der Frequenzdomäne und um Prozessmodelleinstellungen als Antwort auf Sollwertänderungen und natürliche Störungen durchzuführen. Genauer gesagt, eine Einstellungsfrequenz wird durch das Anwenden eines Bandpassflters auf den Prozesseingang und -ausgang ausgewählt, wobei die Bandpassfrequenz des Filters durch den Auto-Einsteller (On-Demand-Einsteller) festgelegt wird. Der Auto-Einsteller legt die Endperiode unter Verwendung eines Relais-Oszillations-Verfahrens vor der adaptiven Einstellertätigkeit fest und definiert den Prozessgewinn für die Einstellungsfrequenz unter Verwendung eines vereinfachten RLS-Schätzers. Der Auto-Einsteller hat die Fähigkeit, Änderungen in einem Prozessgewinn zu verfolgen. Dennoch weist, wenn eine Änderung in einer Totzeit oder in einer Zeitkonstante angetroffen wird, der verfolgte Wert keine π-Phase mehr auf, und die Steuerung wird ungenau.
Ferner ist es, bekannt die Einstellung zu verbessern, indem man mehrere Einstellungsfrequenzen und einen Interpolator verwendet, um eine Frequenz mit der Phase –π zu bestimmen. Alternativ kann es möglich sein, eine einzige Einstellungsfrequenz anzuwenden und nach jedem Einstellungszyklus die Frequenzen anzupassen, um die Phase –π zu verfolgen. Beide Einstellungsmodelle bergen nachträgliche Sollwertänderungen und natürliche Störungen und können externe Anregungen am Steuerungsausgang oder am Sollwerteeingang einbringen. Obwohl solche Auto-Einsteller nicht die Größe- und Einrichtungsbeschränkungen der vorhergehenden Technik aufweisen, sind sie wesentlich komplexer.
Ferner benutzen diese beiden Einstellermodelle primitive, adaptive Modelle, die nur zwei Parameter erkennen, nämlich Endgewinn und Endperiode. Einstellermodelle, die diese einfachen, zwei-parametrischen, adaptiven Modelle benutzen, sind für Ziegler-Nochols-Einsteller oder einige entsprechende Abwandlungen geeignet, aber sind ungeeignet für Anwendungen, bei denen innere Modellsteuerung (IMC: Internal Model Control) oder Lambda-Einsteller bevorzugt werden. Während ein einfacher RLS-Identifikator benutzt werden kann, um einen statischen Gewinn für die Optimalwertsteuerung festzustellen, stellt der RLS-Identifikator-Ansatz keine vorwertsgekoppelte Prozess-Dynamik bereit, die für eine geeignete Optimalwertsteuerung nötig ist. Zusätzlich leidet, weil vorwärtsgekoppelten Signale Laststörungen sind und Störsignale nicht in den Rückkopplungsweg eingekoppelt werden können, der Ansatz unter dem Problem der unzureichenden Anregung.
Eine alternative Lösung zur vorwärtsgekoppelten Anpassung wurde von Bristol und Hansen im US-Patent Nt. 5,043,863 mit dem Titel „Multivariable Adaptive Feedforward Controll” veröffentlicht. Dieses Patent offenbart ein auf einer Differentialgleichung basierendes Prozessmodell, das entwickelt wurde, um Laststörungen zu beinhalten. Das Prozessmodell wird periodisch basierend auf gemessenen Prozessdaten aktualisiert, wobei die Störungen durch die Moment-Beziehungen und Steuerbeziehungen charakterisiert sind, die durch Projektionsmethoden erzielt werden. Generell ist die abgeleitete Lösung sehr komplex und fordert eine signifikante Anregung, ziemlich ähnlich wie der oben beschriebene RLS-Identifikator-Ansatz. Außerdem ist die abgeleitete Lösung nur für eine vorwärtsgekoppelte Steuerung passend und ist unanwendbar für eine adaptive Steuerung mit Rückkoppelung.
U. S.-Patent Nr. 6,577,908 offenbart einen erheblich modifizierten und verbesserten, adaptiven Steuerungsprozess, der eine Parameterinterpolation und eine Modell-Rezentrierungs-Technik an Stelle von Modellinterpolation einführt, die es ermöglicht, die Anzahl der für die Anwendung verwendeten Modelle dramatisch zu reduzieren. Die Steuerung, die in diesem Patent veröffentlicht wird, weist eine kürzere Anpassungszeit, komplette Prozessmodellidentifikation und reduzierte Anforderungen an die Prozessanregung auf.
Während die Modell- und Parameteranpassung und die Schalttechnik, die oben diskutiert wurden, passend für einfache Prozessmodelle sind, waren sie bis jetzt in ihrer Nutzung auf die Anpassung ein-eingängiger, ein-ausgängiger (SISO) Steuerungssysteme beschränkt und wurden nicht auf multivariable Steuersituationen angewandt, beispielsweise die in denen eine Steuerung gleichzeitige Steuerung zweier oder mehrerer Variablen basierend auf einem oder mehreren Eingängen bereitstellt. Dennoch sind eine multivariable Steuerung und insbesondere Modellvorhersagesteuerung (MPC: model predictive control), die eine besondere Art von multivariabler Steuerung ist, schnell zu einer nützlichen Steuerstrategie für komplexe Steuersituationen geworden. Es ist deshalb erstrebenswert, dass eine Anpassungsstrategie bereitgestellt wird, die auf multivariable Steuerungen angewandt werden kann, um diese Steuerungen zu befähigen sich während der Laufzeit anzupassen, um dadurch besser auf Änderungen in einem Prozess, Sollwert etc. zu reagieren, damit so bessere Steuerung zur Verfügung gestellt wird.
Zum Hintergrund der Erfindung werden weiterhin die Druckschriften JP 000H06187004 A und DE 694 20 545 T2 genannt.
ZUSAMMENFASSUNG
Ein adaptives, multivariables Prozesssteuersystem, wie beispielsweise ein adaptives MPC-Prozesssteuersystem, beinhaltet eine multivariable Prozesssteuerung, die ein Prozessmodell hat, welches aus einer Menge von zwei oder mehreren SISO-Modellen und einem Anpassungssystem, das das mulivariable Prozessmodell anpasst, besteht oder diese charakterisiert. Allgemein gesagt, beinhaltet das Anpassungssystem eine Überwachung, der die Änderungen, die ausreichen, um einen Anpassungszyklus zu starten, an Prozesseingängen erkennt und die zur Durchführung der Anpassung gebrauchten Prozesseingang- und Prozessausgangdaten sammelt, wenn solche Änderungen erkannt werden. Als nächstes kann der Überwacher eine Teilmenge der SISO-Modelle innerhalb des multivariablen Prozessmodells ermitteln, das angepasst werden sollte, um somit das multivariable Prozessmodell anzupassen. So kann eine Auswahl von SISO-Modellen erstellt werden, indem festgestellt wird, welche Prozesseingänge am meisten mit dem Fehler zwischen dem aktuellen (gemessenen) Prozessausgang und dem Prozessausgang korrelieren, der vom multivariablen Prozessmodell für jeden Prozessausgang erstellt wurde, und indem die SISO-Modelle ausgewählt werden, die die stark korrelierenden Eingänge in Beziehung mit den Prozessausgängen stellen, die Modellierungsfehler erfahren. Falls erwünscht, können nur die SISO-Modelle für die Anpassung ausgewählt werden, die mit Ausgängen in Verbindung gebracht werden, die einen vorher festgelegten Betrag von Änderung erfahren.
Das Anpassungssystem führt dann Standard- oder bekannte Modellschalt- und Parameterinterpolations-Techniken durch, um jedes der ausgewählten SISO-Modelle anzupassen. Nach der Anpassung eines oder mehrerer der SISO-Modelle wird das sich ergebende, multivariable Prozessmodell geprüft, indem man feststellt, ob das angepasste, multivariable Prozessmodell (zum Beispiel das Prozessmodell, das sowohl die angepassten als auch die nicht angepassten SISO-Modelle beinhaltet) auf den selben Prozesseingangs- und Ausgangdaten so arbeitet, dass eine bessere Steuerung zur Verfügung gestellt wird als die des aktuellen oder nicht angepassten, multivariablen Prozessmodell und/oder dass der Modellierungsfehler um einen bestimmten Betrag reduziert wird. Wenn das angepasste, multivariable Prozessmodell eine bessere Leistung erbringt als das aktuelle, multivariable Prozessmodell, wird das angepasste, multivariable Prozessmodell (oder die damit in Verbindung stehenden, angepassten SISO-Modelle) in eine Form transformiert, die von der multivariablen Steuerung verwendet wird, und wird dann dem multivariablen Prozesssteuersystem zur Benutzung bereitgestellt, um den Prozess zu steuern.
Natürlich kann die Anpassungsprozedur je nach Erfordernis oder Bedarf wiederholt werde, wie beispielsweise nach jeder festgestellten Änderung in einem Prozesseingang oder -ausgang um eine hinreichenden Betrag, nach einer erzwungenen Änderung in einem Prozesseingang oder -ausgang etc.. Des weiteren kann jede verlangte Anzahl von SISO-Modellen während jeder besonderen Anpassungsprozedur angepasst werden, um dadurch fähig zu sein die Geschwindigkeit des Anpassungsprozesses entsprechend der Komplexität des Prozesses und der zu erfüllenden Rechenanforderungen anzupassen.
Die multivariable Anpassungsprozedur, die hier beschrieben wird, kann angewandt werden unter Verwendung entweder der parametrisierten SISO-Modelle, wie beispielsweise der Erste-Ordnung-Plus-Totzeit-Modelle, oder unter Verwendung parametrischer Typen von Modellen, wie beispielsweise der Sprungantwort- oder Impulsantwort-Modelle. Im letzteren Fall kann die Anpassungsprozedur eine Modellschaltung und Modelleigenschaft-Interpolation (von der Modellparameter-Interpolation eine Untermenge ist) benutzen, um jedes der ausgewählten Prozessmodelle zu entwickeln oder anzupassen. In diesem Fall kann an Stelle einer Abwandlung oder Variation einer oder mehrerer Parameter eines parameterbasierten Modells, wie beispielsweise des Gewinns, die Zeitkonstante oder der Totzeit eines Modells, eine Eigenschaft des nicht-parametrischen Modells, wie beispielsweise die Zeit, bis eine Antwort erstmalig festgestellt wird, oder die Skalierung oder eine Steigung etc. des nicht-parametrisierten Modells, verändert werden, oder die Interpolation kann basierend auf dieser Eingenschaftenabwandelung durchgeführt werden, um das neue oder angepasste nicht-parametrische Modell zu bestimmen.
KURZBESCHREIBUNG DER ZEICHNUNGEN
1 ist ein Funktions-Blockdiagramm eines adaptiven, multivariablen Steuersystems, dessen auf einer Interpolation der Prozessmodell-Parameter oder Eigenschaften beruhenden Arbeitsweise;
2 ist eine konzeptionelle Darstellung einer mehr-eingängigen, mehr-ausgängigen Prozesssteuerung;
3 ist eine konzeptionelle Darstellung einer Art und Weise, wie eine Menge von ein-eingängigen, ein-ausgängigen Modellen benutzt werden kann, um Ausgänge eines mehr-eingängigen, mehr-ausgängigen Prozessmodells zu erzeugen; und
4 ist eine graphische Darstellung, die eine Art und Weise veranschaulicht, wie ein nicht-parametrisches Modell, wie beispielsweise ein Sprungantwort-Modell, unter der Benutzung einer Modelleigenschafteninterpolations-Technik angepasst werden kann.
DETAILLIERTE BESCHREIBUNG
1 veranschaulicht ein exemplarisches, adaptives, multivariables Prozesssteuersystem 8, das Modellvorhersagesteuerung (MPC: model predictive control) nutzt, um eine mulivariable Steuerung in einem Prozess 10 zur Verfügung zu stellen. Das Steuersystem 8 ist im Aufbau einigermaßen ähnlich zum rückwärtsgekoppelten/vorwärtsgekoppelten (FB/FC) PID-Steuersystem, das im Patent Nr. 6,577,908 offenbart wurde, dessen Offenbarung hier ausdrücklich per Referenz einbezogen wird. In der Tat kann das Steuersystem 8 Komponenten des PID-Steuersystems benutzen, das im US-Patent Nr. 6,577,908 offenbart wurde, wie hierin noch detaillierter diskutiert wird.
Wie in 1 gezeigt, beinhaltet das adaptive, multivariable Steuersystem 8 ein Standard- oder typisches MPC-System 12, das einen Prozessmodellblock 14 hat, der an eine MPC-Steuerung gekoppelt ist, die Stellgrößen-(MV: manipulated variables)Signale erzeugt, die benutzt werden, um den Prozess 10 zu steuern. Allgemein gesagt, beinhaltet der Prozessmodellblock 14 ein multivariables Prozessmodell 14a, das aus einer Menge von ein-eingängigen, ein-ausgängigen (SISO) Modellen bestehen kann, von denen jedes ein parametrisches Modell, wie beispielsweise ein Erste-Ordnung-Plus-Totzeit-Modell, oder ein nicht-parametrisches Modell, wie beispielsweise eine Sprungantwort-Kurve, sein kann. Jedes der SISO-Modelle definiert eine Beziehung zwischen Prozessausgängenoder eine Antwort eines der Prozessausgänge, die auch Regelgrößen (CVs: controlled variables) oder Hilfsgrößen (AVs: auxiliary variables) genannt werden, auf einen der Prozesseingänge, zum Beispiel die von der MPC-Steuerung 16 erzeugten CVs oder die gemessenen Störgrößen (DVs: disturbance variables). Während des Betriebs empfingt der Prozessmodellblock 14 die MVs und die gemessenen DVs und benutzt das enthaltene, multivariable Prozessmodell 14a, um ein vorhergesagtes oder zukünftiges Ausgang-Trajektorie-Signal zu erzeugen, das die vorhergesagte, zukünftige Antwort (zukünftigen CVs und AVs) eines Prozesses 10 festlegt. Dieses vorhergesagte Ausgang-Trajektorie-Signal wird einer Vektorsumme 18 zugestellt
Das MPC-Steuersystem 12 beinhaltet auch eine Sollwert-Vorhersageeinheit oder einen Sollwert-Vorhersageblock 20, der Prozesssollwert-Signale SP empfängt, die ein getrenntes Sollwert-Signal für den einen oder jeden der mehreren Prozessausgänge (CVs und AVs) beinhalten können, und der ein Sollwert-Trajektorie-Signal erzeugt, das zukünftige Sollwerte festlegt. Die SP-Vorhersageeinheit 20 kann zum Beispiel mit einem Optimierer (nicht gezeigt) verbunden werden, der Hinweise über zukünftige Sollwertänderungen zur Verfügung stellt. Das von der SP-Vorhersageeinheit 20 erstellte Sollwert-Trajektorie-Signal wird auch der Vektorsumme 18 zur Verfügung gestellt, die ein Fehler-Trajektorie-Signal berechnet, das den Unterschied zwischen dem vorhergesagten Prozessausgang-Trajektorie-Signal und dem vorhergesagten Sollwert-Trajektorie-Signal festlegt. Dieses Fehler-Trajektorie-Signal wird einem Eingang der MPC-Steuerung 16 zur Verfügung gestellt, die das Fehler-Trajektorie-Signal auf bekannte Weisen nutzt, um die Stellgrößen (MVs) zu erstellen, die ihrerseits den Eingängen des Prozesses 10 zur Verfügung gestellte werden, um dadurch den Prozess 10 zu steuern.
In üblicher Weise werden die Ausgänge des Prozesses 10 zusammen mit den Regelgrößen (CVs) und, wenn gewünscht, mit den Hilfsgrößen (AVs) einem Addierer 22 zur Verfügung gestellt, wo sie mit den für den gleichen Zeitpunkt (wie vom multivariablen Prozessmodell 14a erzeugt) vorhergesagten Modellausgängen kombiniert werden, um einen momentanen Modellausgang-Fehler zu erzeugen. Dieser Modellausgang-Fehler wird dann zurückgebracht zum Prozessmodellblock 14, wo er auf gängige Weise genutzt wird, um den vorhergesagten Ausgang des Prozessmodellblocks 14 zu korrigieren.
Verständlicherweise ist das MPC-Steuersystem 12 typisch und aus dem Stand der Technik bekannt. Als solches ist es dem Fachmann wohl bekannt, das MPC-Steuersystem 12 herzustellen oder in bekannter Weise zu verändern, um eine MPC oder eine andere multivariable Steuerung bereitzustellen. Obgleich die hier beschriebene Anpassungstechnik im Umfeld einer MPC-Steuerung verwendet wird, kann sie des Weiteren in anderen modellbasierten, multivariablen Prozesssteuersystemen benutzt werden.
Nochmals auf die 1 bezugnehmend, kann ein Modellanpassungsnetzwerk 30 genutzt werden, um das multivariable Prozessmodell 14a, das im MPC-Steuersystem genutzt wird, mittels Modellschalttechniken und/oder Parameter-(oder Modelleigenschaften-)Interpolationstechniken anzupassen, die bis jetzt auf die Nutzung in ein-eingängigen, ein-ausgängigen (SISO), modellbasierten Steuersystemen beschränkt waren.
Wie in 1 gezeigt, beinhaltet das Modellanpassungsnetzwerk 30 einen Überwacher 32, der den Anpassungsprozess allgemein steuert, einen Modellmengeblock 34, der eine Menge von unterschiedlichen, potentiellen Modellen allgemein abspeichert, die bezüglich des Nutzens im multivariablen Prozessmodell 14a ausgewertet werden kann, und einen Modellbewertungsblock 36, der die Modelle im Modellmengeblock 34 bewertet, um eine Modellparameter- oder Eigenschaften-Gewichtung festzustellen, die im Anpassungsprozess genutzt wird. Das Modellanpassungsnetzwerk 30 beinhaltet auch einen Parameter-/Eigenschafts-Interpolationsblock 38, der die Werte der Modellparameter oder Modelleigenschaften festlegt, die in den Komponenten des multivariablen Prozessmodells 14a benutzt werden sollen, einen Modellvalidierungsblock 40, der zur Validierung der Arbeitsweise eines neuen, multivariablen Prozessmodells benutzt werden kann, sobald dieses angepasst wird, jedoch bevor das neue Modell in den Prozessmodellblock 14 eingesetzt wird, und einen Modelltransformationsblock 42, der ein neues oder angepasstes Prozessmodell in die vom Prozessmodellblock 14 benutzte Form transformiert, um dieses im MPC-Steuersystem zu nutzen.
Die Arbeitsweise des Anpassungsnetzwerks 30 wird am besten verständlich, indem man als erstes die Art und Weise beschreibt, in der das multivariable Prozessmodell 14a innerhalb des Blocks 14 arbeitet, um den Prozess 10 in einer typischen MPC-Anwendung zu modellieren. Mit diesem Ziel zeigt 2 eine allgemeine Form des multivariablen Prozessmodells 14a, das mehrere Eingänge INi (mit i = 1 bis j) und mehrere Ausgänge OUTi (mit i = 1 bis n) hat. Die Eingänge INi können Stellgrößen (MV₁, MV₂ etc.) und gemessene Störgrößen (DV₁, DV₂ etc.) sein, während die Ausgänge OUTi vorhergesagte Werte der Regelgrößen (CV₁, CV₂ etc.) und der Hilfsgrößen (AV₁, AV₂ etc.) sein können.
Eine Technik, die Art und Weise zu modellieren, wie die unterschiedlichen Eingangssignale INi (mit i = 1 bis j) die vorhergesagten Ausgangsignale OUTi beeinflussen oder erzeugen, ist es zuerst ein unterschiedliches, ein-eingängiges, ein-ausgängiges (SISO) Modell für jedes Eingang-/Ausgang-Paar festzulegen, das die Antwort jedes Ausgangsignals OUTi mit jedem der Eingangssignale INi in Beziehung setzt. Daher werden im Prozessmodell der 2 j mal n SISO-Modelle sein, wobei jedes SISO-Modell die Antwort eines der Ausgänge OUTi auf eines und nur eines der Eingangssignale INi festlegt. Wie hierin verwendet, werden die SISO-Modelle als Model (In, Out) bezeichnet, wobei die Variable „In” von 1 bis j (der Gesamtzahl der Eingänge) reicht und wobei die Variable „Out” von 1 bis n (der Gesamtzahl der Ausgänge) reicht. Deshalb wird das SISO-Modell, das die Antwort bezüglich der Zeit des Ausgangsignals OUT2 auf das Eingangssignal IN3 festlegt, Model (3, 2) sein.
Als nächstes kann, wie in 3 gezeigt, ein besonderes Ausgangsignal OUTi als die Summe der Ausgänge jedes der SISO-Modelle Model(In, i) mit In = 1 bis j bestimmt werden. Anders gesagt, nimmt ein Ansatz bei der Modellierung multivariabler, linearer Prozesse an, dass ein Prozessausgang die Superposition (Summierung) der SISO-Modellausgänge ist, die die Beziehung zwischen jedem der Prozesseingänge und diesem Prozessausgang festlegen. Verständlicher Weise können alle Prozessausgänge OUTi (mit i = 1 bis n) auf diese Art und Weise modelliert werden, wenn verstanden wurde, dass jedes der OUTi-Signale und jedes der INi-Signale zeitabhängige Signale sein können, die die Beziehung über eine bestimmte Zeitspanne festlegen, wie beispielsweise die Einschwingzeit. Als Ergebnis legt der Ausgang des multivariablen Prozessmodellblocks 14 der 1 ein Trajektorie-Signal oder einen Vektor fest, das bzw. der den Wert jedes der OUT-Signale über einen Zeitraum festlegt.
Allgemein gesagt, können die in 3 dargestellten SISO-Modelle Model (In, Out) parameterbasierte oder parametrische Modelle sein, wie beispielsweise ein Erste-Ordnung-Plus-Totzeit-Modell (oder jedes andere parametrische Modell), oder sie können nicht-parametrische Modelle sein, wie beispielsweise Sprungantwort-Modelle, die den Wert eines Ausgangsignals über die Zeit als die Antwort auf eine Änderung im zugehörigen Eingangssignal festlegen. Natürlich können andere Arten von parametrischen und nicht-parametrischen Modellen (zum Beispiel Impulsmodelle, Rampenmodelle etc.) genauso gut oder an Stelle der hier diskutierten Modelle verwendet werden.
Nochmals auf die 1 bezugnehmend, bewirkt das Anpassungssystem 30, dass eines oder mehrere der SISO-Modelle angepasst werden, die im multivariablen Prozessmodell 14a benutzt werden, um ein neues, multivariables Prozessmodell zu erzeugen, das im MPC-Steuersystem 12 benutzt wird. Allgemein gesagt, stellt während jedes Anpassungszyklusses oder jeder Abfrage das Anpassungssystem 30 als erstes fest, welche der SISO-Modelle angepasst werden sollen, basierend auf dem Beitrag, den jedes der SISO-Modelle zum Fehler zwischen dem vorhergesagten Prozessausgang (wie er vom multivariablen Prozessmodell 14a erstellt wurde) und dem wirklichen (gemessenen) Ausgang des Prozesses 10 leistet. Das Anpassungssystem 30, das den Modellmengeblock 34, den Modellebewertungsblock und den Parameter-/Eigenschafts-Interpolationsblock 38 nutzt, führt dann Prozessmodellierung durch, indem jedes SISO-Modell zentriert wird, das für die Anpassung erkannt wurde. Dieses Modell-Zentrieren kann durch eine Modellparameter- oder Modelleigenschaften-Interpolationstechnik erreicht werden, die festlegt auf welche Art und Weise jedes der erkannten SISO-Modelle angepasst oder verändert werden soll. Das Anpassungssystem 30 kann, während oder am Ende dieser Prozedur, die neu angepassten SISO-Modelle unter Verwendung des Modellvalidierungsblocks 40 validieren, um sicherzustellen, dass die angepassten SISO-Modelle (und somit das angepasste, multivariable Prozessmodell, das aus der Kombination des angepassten SISO-Modells resultiert) besser arbeitet als das multivariable Prozessmodell 13a, das momentan vom MPC-Steuersystem genutzt wird.
Sobald das neue oder angepasste multivariable Prozessmodell oder eines oder mehrere der SISO-Modelle, die das multivariable Prozessmodell bilden, so bewertet wurde/wurden, dass sie einen kleineren Modellierungsfehler als das momentane, multivariable Prozessmodell 14a, das innerhalb des Prozessmodellblocks 14 benutzt wird, erzeugen, transformiert der Modelltransformationsblock 42 das angepasste, multivariable Prozessmodell oder das angepasste SISO-Modell, das das angepasste, multivariable Prozessmodell bildet, in eine Form, die vom Prozessmodellblock 14 benutzt werden kann. Deshalb kann beispielsweise der Modelltransformationsblock 42 eine prametrische Ausführung eines SISO-Modells in ein Sprungantwortmodell transformieren und das Sprungantwortmodell dem Prozessmodellblock 14 zur Verwendung im MPC-Steuersystem 12 bereit stellen.
Während des Betriebs des Prozesses 10 empfängt der Überwacher 32 der 1 Anzeige von jedem der CV-, AV-, DV- und MV-Signale und bewirkt, dass Änderungen an den Prozessausgängen (CVs und AVs), an den Prozesseingängen (MVs) und an Störeingängen (DVs) erkannt werden. Wenn eine Änderung an irgendwelchen Prozesseingängen (wie den MVs oder den DVs) einen minimalen Pegel überschreitet, beginnt der Überwacher 32 eine Modellbewertungsprozedur, um festzustellen, ob irgendeines der SISO-Modelle, die mit dem multivariablen Prozessmodell 13a in Beziehung stehen, angepasst werden muss. Erkannte Änderungen können unmittelbar zum Beispiel über die Dauer einer Abfrage oder allmählich und über einen bestimmten Zeitraum (oder Anzahl von Steuerabfragen) festgestellt werden. In der Tat passieren in multivariablen Prozessen Änderungen normalerweise an mehreren Eingängen und Ausgängen gleichzeitig, was ideal für die Arbeit der hierin beschriebenen Anpassungsprozedur ist.
Nachdem eine oder mehrere Änderungen um einen bestimmten Betrag an den Prozesseingängen (welcher Betrag kann, wenn gewollt, entsprechend dem zu überwachenden Signal variieren) festgestellt werden, sammelt und speichert der Überwacher 32 Eingangs- und Ausgangsdaten für eine bestimmte Zeitdauer, wie zum Beispiel die Einschwingzeit. Wenn die festgestellten Änderungen, die zu der Initialisierung der Anpassungsprozedur führen, allmählicher Natur sind, das heißt, über mehrere Abfragen hinweg stattfinden, muss der Überwacher 32 die Eingangs- und Ausgangsdaten sammeln, die mit dem Anfang der Änderung in Beziehung stehen, sogar wenn die Änderungen noch nicht den bestimmten Betrag erreicht haben, der für das Starten des Anpassungsprozesses nötig ist, um die Daten zu haben, die zur Analyse des Betriebs des angepassten, multivariablen Prozessmodells während der Anpassungsprozedur benötigt werden.
Auf jeden Fall kann, nachdem die Prozesseingangs- und Prozessausgangsdaten gesammelt und in einem Speicher (nicht ausdrücklich in 1 gezeigt) gespeichert wurden, der Überwacher 32 als nächstes den Fehler zwischen dem momentanen Prozessmodell 14a, wie es im Prozessmodellblock 14 benutzt wird, und dem wirklich gemessenen Ausgängen des Prozesses 10, die auf den gemessenen und gesammelten Eingängen in den Prozess 10 basieren, feststellen, um festzustellen, welche, wenn überhaupt, der SISO-Modelle innerhalb des multivariablen Prozessmodells 14a angepasst werden müssen. So kann, während jedes SISO-Modell während eines bestimmten Anpassungsprozess angepasst werden kann, dies nicht notwendig sein und in der Tat zu einem langen Anpassungszyklus führen. Stattdessen kann der Überwacher 32 zuerst eine Untermenge von SISO-Modellen bestimmen, auf die der weiter unten diskutierte Anpassungsprozess angewandt werden kann, wobei die Untermenge kleiner als alle SISO-Modelle innerhalb des Prozessmodells 14a ist. So kann das multivariable Prozessmodell (welches eine Kombination aller der im Prozessmodellblock 14 genutzten SISO-Modelle ist) ganz oder nur teilweise angepasst werden. Eine teilweise Anpassung ist vorteilhaft, wenn der Modellierungsfehler an bestimmten Ausgängen unwesentlich ist, wenn es keine Beziehung zwischen dem Modellierungsfehler an einem bestimmten Ausgang und einem oder mehreren der Prozesseingänge gibt oder wenn die Änderungen an einigen Prozesseingängen unwesentlich sind. Diese Bedingungen sind in MPC-gesteuerten Prozessen üblich und deshalb kann teilweise Anpassung, zum Beispiel eine Anpassung nicht aller SISO-Modelle während eines bestimmten Anpassungszyklus oder einer bestimmten Anpassungsprozedur, üblich sein.
Um die SISO-Modellauswahl durchzuführen, kann die multivariable Anpassungsprozedur eine Modellauswahlprozedur implementieren, die als erstes die adaptive Modellkonfiguration bestimmt, zum Beispiel die Teile des multivariablen Modells (beispielsweise die jeweiligen SISO-Modelle), die angepasst werden sollen. Diese Modellauswahlprozedur kann die Berechnung des Modellausgang-Fehlers für jeden Ausgang OUTi zu jeder Abfrage während des Zeitraums beinhalten, in dem die Eingangs- und Ausgangsdaten gesammelt wurden. In der Tat wird dieser Fehler üblicherweise in einer normalen MPC-Steuerung genauso wie der Modellausgang-„Verschub” berechnet und für die Anpassung des Modellausgangs abhängig von den Prozessmessungen verwendet. Auf jeden Fall wird dieser Fehler als: ε' (t) = yⁱ(t) – y ^¹(t). berechnet, wobei:

ε'(t): der Modellausgang-Fehler zum Zeitpunkt t;
y¹(t): der gemessene Ausgang des Prozesses zum Zeitpunkt t; und
y ^ⁱ(t): der vom multivariablen Prozessmodell vorhergesagte Prozessausgang zum Zeitpunkt t ist.

Als nächstes kann die Kreuzkorrelation r^N(τ) zwischen dem Fehler ε'(t) und jedem Prozesseingang u'(t) berechnet werden, zum Beispiel unter Verwendung der Gleichung:
wobei:

N: angenähert die Anzahl der Proben ist, die im durch die Einschwingzeit festgelegten Zeitraum gesammelt wurden; und
τ ≈ θ + .5τ_c: ist, was ungefähr die Modell-Totzeit plus die halbe Modellzeitkonstante ist. Dieser Wert ist im Grunde der Zeitversatz zwischen einem Eingang und einem Ausgang, zu welchem der Ausgang am empfindlichsten gegenüber einer Änderung des Eingangs ist und zu welchem deshalb die Korrelationsfunktion ein Maximum hat.

Nun können für die zu jedem Ausgang OUTi gehörenden j SISO-Modelle das Modell oder die Modelle, die zu den Eingängen gehören, die die höchste Kreuzkorrelation bezüglich des Ausgangs haben, als Kandidat für die Anpassung ausgewählt werden. Wenn gewünscht, kann das SISO-Modell, das zum Eingang mit der höchsten und größten Kreuzkorrelation gehört, als Kandidat für die Anpassung ausgewählt werden, jedes SISO-Modell, das einen Kreuzkorrelationswert über einen vorbestimmten Wert hat, kann als Kandidat ausgewählt werden, oder SISO-Modelle können basierend auf anderen Kreuzkorrelationskriterien als Kandidat für die Anpassung ausgewählt werden.
Obgleich jedes einzelne SISO-Modell als Kandidat für eine Anpassung ausgewählt werden kann, können nicht alle der ausgewählten SISO-Modelle wirklich am besten für eine Anpassung geeignet sein. Besonders, wenn der einem besonderen SISO-Modell zugehörige Eingang sich nicht um einen wesentlichen oder zumindest einen minimalen Betrag während der Anpassungsdauer geändert hat, könnte es sein, dass dieses Modell kein guter Kandidat für die Anpassung ist, sogar wenn der Kreuzkorrelationswert hoch ist, da im Grunde die Änderung am Eingang nicht wesentlich genug ist, um sich auf eine Kreuzkorrelationsberechnung als Indikator dafür zu stützen, dass das SISO-Modell eine größere Rolle im Ausgang-Fehler spielt als andere SISO-Modelle, die mit Eingängen in Bezug stehen, die sich um einen wesentlichen Betrag verändert haben, die aber einen niedrigeren Kreuzkorrelationswert haben. So sollte die Eingangsänderung für das ausgewählte Modell die Bedingung erfüllen: max / 1(Input(i)) – min / i(Input(i)) ≥ Δ
Wenn Änderungen in den normalen, betrieblichen Daten gering sind, kann die MPC-Steuerung einen Sprungimpuls an einen ausgewählten Eingang ankoppeln, oder eine Sollwertänderung kann bei einem ausgewählten Prozess durchgeführt werden, um Änderungen an den Eingängen über den vorherbestimmten Betrag zu erzwingen, um dadurch eine Bedingung zu erzeugen, in welcher eine Anpassung stattfinden kann. Wenn ein Optimierer aktiv ist, sollte der Optimierer, nachdem ein solcher Sprungimpuls an einem Eingang bereitgestellt wurde, automatisch den Prozessausgang auf den ursprünglichen (optimalen) Wert zurückbringen. Umgekehrt kann, wenn die MPC-Steuerung keinen Optimierer hat, die MPC-Steuerung das Eingangssignal automatisch nach einiger Zeit (Impulsdauer) auf die ursprüngliche Position zurückstellen. Die optimale Pulsdauer für die Eingänge und Ausgänge wurde heuristisch so bestimmt, dass sie ungefähr gleich der herrschenden Verzögerung für den betrachteten Ausgang ist.
Auf jeden Fall kann der Überwacher 32 feststellen, ob der jedem erkannten SISO-Modell zugeordnete Eingang sich um einen vorher festgelegten oder minimalen Betrag über die Anpassungsdauer (die Daten-Sammel-Dauer) verändert hat. Wenn sich der Eingang nicht um den bestimmten Betrag verändert hat, wird das SISO-Modell nicht als das wirklich anzupassende Modell ausgewählt. In diesem Fall kann, wenn gewünscht, das SISO-Modell, das dem Eingang zugehört, der die nächst höchste Kreuzkorrelation am Ausgang hat, ausgewählt werden, und der Eingang dieses Modells kann überprüft werden, um festzustellen, ob ein Eingang sich um einen bestimmten oder minimalen Betrag verändert hat. Dieser Prozess kann für jeden Eingang zu einem bestimmten Ausgang fortgesetzt werden, um zumindest ein SISO-Modell zu bestimmen, das für diesen Ausgang angepasst wird. Dennoch kann in einigen Fällen letztendlich keine SISO-Modelle für einen bestimmten Ausgang als das Modell bestimmt werden, das angepasst werden sollte, weil jeder der Eingänge eine niedrige Kreuzkorrelation am Ausgang-Fehler für diesen Ausgang hat, weil jedes SISO-Modell einem Eingang zugehört, der sich über die Anpassungsdauer (zum Beispiel die Datensammeldauer) nicht genug verändert hat, oder wegen einer von vornherein niedrigen Ausgang-Fehlerberechnung.
Wenn zumindest ein SISO-Modell für einen bestimmten Ausgang OUTi bestimmt wurde, das angepasst werden muss, dann werden die anderen SISO-Modelle, die nicht zur Anpassung für den Ausgang OUTi ausgewählt wurden, analysiert, um den Beitrag dieser nicht ausgewählten Modelle zum Modellprozessausgang zu berechnen. Dieser Beitrag wird dann von den Prozessausgang-Messdaten abgezogen, um den Bestandteil der Ausgang-Messdaten zu erhalten, die wirklich zum SISO-Modell oder zu den SISO-Modellen, die angepasst werden, gehören (oder von diesen resultieren). Diese Prozedur ermöglicht es dem Anpassungssystem 30, den erwarteten Beitrag eines bestimmten SISO-Modells zum aktuellen Prozessausgang zu isolieren, so dass der Fehler zwischen dem erwarteten Beitrag und dem wirklichen Beitrag (Ausgang), der vom anzupassenden Modell erzeugt wird, identifiziert werden kann.
Es ist verständlich, dass der SISO-Modellanpassungs-Auswahlprozess für jeden Prozessausgang getrennt wiederholt oder durchgeführt wird, damit im Allgemeinen (obwohl nicht notwendigerweise immer) zumindest ein SISO-Modell zur Anpassung für jeden einzelnen Ausgang OUTi des Prozesses 10 ausgewählt wird.
Nachdem ein oder mehrere SISO-Modelle als die Modelle bestimmt wurden, die angepasst werden sollen, kann das Anpassungssystem jede bekannte oder gewünschte Anpassungsprozedur auf diese SISO-Modelle entweder nacheinander oder parallel anwenden. In einem Ausführungsbeispiel kann die in U.S. Patent Nr. 6,577,908 beschriebene Modellanpassungsprozedur auf jedes zur Anpassung ausgewählte SISO-Modell angewandt werden. Alternativ kann der Modellanpassungsprozess zur Durchführung von SISO-Modellanpassung benutzt werden, der in der U. S. Patentanmeldung Seriennummer 10/419,582 beschriebene wird, dessen Offenbarung hiermit ausdrücklich per Referenz einbezogen wird.
Obwohl diese Prozeduren hier nicht wiederholt werden, legen im Allgemeinen diese Anpassungsprozeduren eine Modellmenge für das anzupassende Modell fest, wobei diese Modellmenge im Modellmengeblock 34 der 1 gespeichert wird. Wenn das Modell ein parametrisches Modell ist, kann die Modellmenge 34 getrennte Untermodelle beinhalten, wobei jedes Untermodell unterschiedliche Werte der dem Modell zugehörigen Parameter hat. Deshalb beinhaltet, wenn ein Modell drei Parameter hat und jeder Parameter drei mögliche Werte annehmen kann, die Modellmenge im wesentlichen 27 unterschiedliche Untermodelle. Diese Untermodelle können alle analysiert werden, indem die gesammelten Daten genutzt werden, um festzustellen, welchen Parameterwerten für jeden der Parameter der niedrigste Fehler im Vergleich zum wirklichen Ausgang des Prozesses 10 zugehört. Dieser Fehlerfestlegungsprozess wird in 1 veranschaulicht, wobei er von einem Addierer 48 durchgeführt wird, der den Unterschied zwischen dem Ausgang eines bestimmten Modells innerhalb der Modellmenge 34 und dem wirklichen Ausgang des Prozesses 10 feststellt. Während die Verbindungen zum in 1 gezeigten Addierer 48 veranschaulichen, dass der Vergleich zwischen dem Ausgang der Modellmenge 34 und dem Prozess 10 in Echtzeit durchgeführt wird, können diese Vergleiche tatsächlich basierend auf den Prozesseingangs- und Prozessausgangsdaten durchgeführt werden (und werden dies typischerweise), die vorher von dem Überwacher 32 am Anfang der Anpassungsprozedur gesammelt und gespeichert wurden.
Wie außerdem U. S. Patent Nr. 6,577,908 bekannt sein wird, wird eine Menge von Modellen für die anzupassenden SISO-Modelle zusammen mit einer Vielzahl von Modell-Untermengen, die automatisch ausgewählt werden können, von jeder gewünschten, vordefinierten Steuerungsregel ermittelt. Jedes der einzelnen Modelle kann eine Vielzahl von Parametern beinhalten, wobei jeder Parameter einen entsprechenden Wert hat, der aus einer Menge von vorherbestimmten Initialisierungswerten entsprechend des Parameters ausgewählt wird. Die Bewertung eines einzelnen Modells in der Modellmenge 34 umfasst die Berechnung eines Modell-Quadratfehlers oder einer Norm. Die Norm wird jedem Parameter zugeteilt, der im Modell, das bewertet wird, vorkommt. Durch das wiederholte Durchführen von Bewertungen der Modelle wird eine gesammelte Norm, die die Summe aller Normen ist, die den Parametern im Verlauf der Modellbewertung zugeteilt wurden, für jeden Parameter berechnet. Nachfolgend kann ein adaptiver Parameterwert, der ein gewichteter Durchschnitt der Initialisierungswerte ist, die den entsprechenden Parametern zugeteilt wurden, für jeden Parameter berechnet werden.
Wie in der U. S. Patentanmeldung mit der Seriennr. 10/419,582 beschrieben, kann die Modellmengen-Komponente auch eine Zustandsvariable umfassen, die eine Vielzahl von Prozessregionen und eine Vielzahl von Prozessmodellen festlegt, die in eine Vielzahl von Prozessregionen aufgeteilt sind. In diesem Fall kann jedes der Prozessmodelle auch eine Vielzahl von Parametern umfassen, wobei jeder einen Wert hat, der aus einer Menge von vordefinierten Initialisierungswerten ausgewählt wird, die dem entsprechenden Parameter zugeordnet sind. Jede der Regionen kann eine (unterschiedliche) Menge von Standardparameterwerten umfassen, die für diese Region festgelegt sind. In diesem Fall untersucht der Modellbewertungsblock 36 das Modellfehlersignal, das den Unterschied zwischen dem Ausgang des Prozessmodells innerhalb der Modellmenge 34 und dem Ausgang des Prozesses 10 darstellt und kann einen Modell-Quadratfehler berechnen, der mit dem Prozessmodell korrespondiert, um den Modell-Quadratfehler Parameterwerten zuzuordnen, die im Modell dargestellt werden. Der Parameter-/Eigenschafts-Interpolationsblock 38 ist kommunikativ mit dem Modellbewertungsblock 36 verbunden und berechnet einen adaptiven Prozessparameterwert (oder eine Modelleigenschaft) für Parameter (oder Eigenschaften), die im Prozessmodell dargestellt werden.
In jedem Fall legt, wie leicht zu verstehen ist, der Modellbewertungsblock 36 Gewichte für jeden der Parameter (oder andere Eigenschaften) innerhalb des Modells der Modellmenge fest, die im niedrigsten Fehler resultieren. Wie allgemein im U. S. Patent Nr. 6,577,908 beschrieben, können diese Gewichte basierend auf den Beiträgen zum Fehler, die von jedem der unterschiedlichen möglichen Parameterwerte erzeugt werden, berechnet werden. Zusätzlich können, wie im U. S. Patent Nr. 6,577,908 beschrieben, die berechneten Parameter eine neue Modellmenge mit einem Zentrum-Parameterwert pk(a) (mit k = 1, ... m) und der Spannweite der Parameteränderung, wie bei der Entwicklung angenommen, festlegen. Die Spannweite der Änderungen kann zweckmäßig als negatives und positives Δ% festgelegt werden. Innerhalb dieser Spannweite sollten mindestens zwei Parameter festgelegt sein. Praktischerweise können zwei zusätzliche Parameter pk(a) + Δ% pk(a)/100 und pk(a) – Δ% pk(a)/100 um den Parameter pk(a) festgelegt werden. Jeder Parameter hat festgelegte obere und untere Grenzen für die Anpassung und wird, wenn ein Parameter pk(a) eine Grenze übersteigt, an der Grenze gehalten. Natürlich wird jedes Modell bevorzugt von einer minimalen Anzahl von Parametern dargestellt. Es wurde festgestellt, dass Erste-Ordnung-Plus-Totzeit-Prozessmodelle unter Verwendung dieser Technik geeignet sind, um viele Prozesse zu modellieren.
Nachdem die Gewichte für die Parameter durch den Modellbewertungsblock 36 festgelegt sind, arbeitet der Parameter-/Eigenschafts-Interpolationsblock 38, um ein neues oder angepasstes Prozessmodell festzulegen, das Parameterwerte hat, die unter Verwendung der Parametergewichte entwickelt werden, die vom Modellbewertungsblock 36 festgelegt wurden.
Nach der Anpassung aller ausgewählter SISO-Modelle für einen bestimmten Prozessausgang, wird der nächste Prozessausgang ausgewählt, und die Prozedur wird wiederholt, bis die Parameterinterpolation für jedes SISO-Modell, das zur Anpassung ausgewählt wurde, durchgeführt ist. Danach kann das aus angepassten und nicht angepassten SISO-Modellen bestehende, multivariable Modell für jeden Ausgang getrennt validiert werden. Der Modellvalidierungsblock 40 führt die Validierungsprozedur durch und nimmt die Anpassungsergebnisse entweder an oder lehnt sie ab. Wenn gewünscht, kann ein zweistufiges Kriterium angelegt werden, um festzustellen, ob das angepasste, multivariable Prozessmodell angenommen werden soll. In diesem Fall sollte der Ausgang-Fehler im angepassten Modell kleiner als ein vorher festgelegter Wert und kleiner als der Ausgang-Fehler im momentanen Modell sein. Verständlicherweise, sollte die gleiche Datenmenge bei der Analyse des momentanen Modells und der des angepassten verwendet werden.
Nachdem ein multivariables Modell validiert und angenommen wurde, kann der Modelltranformationsblock 42, wenn nötig, das angepasste Modell in eine Form transformieren, die wirklich von der MPC-Steuerung genutzt wird. So sollte ein parametrisches Modell in ein Sprungantwortmodell transformiert werden, wenn die MPC-Steurung ein Sprungantwortmodell nutzt (wie es üblicherweise bei MPC-Steuerungen der Fall ist). Andererseits können Sprungantwortmodelle in parametrische Modelle transformiert werden, wenn die MPC-Steuerung ein parametrisches Modell benutzt. Natürlich wird dann das transformierte Modell benutzt, um das momentane multivariable Prozessmodell 14a, das im Prozessmodellblock 14 benutzt wird, zu ersetzen. In diesem Fall kann das gesamte multivariable Prozessmodell 14a ersetzt werden, oder es kann nur das SISO-Modell im Prozessmodellblock, das unmittelbar während des Anpassungsprozesses angepasst wurde, ersetzt werden.
Während der multivariable Prozessmodell-Anpassungsprozess oben beschrieben wurde, und der SISO-Model-Anpassungsprozess, der darin benutzt und im U. S. Patent Nr. 6,577,908 beschrieben wird, als ein Prozess beschrieben wurde, der parametrische Modelle benutzt, in denen parametrische Interpolation durchgeführt wird, ist es auch möglich, SISO-Modelle in der Form von nicht-parametrischen Modellen, beispielsweise Sprungantwortmodellen, unter Verwendung der hier beschrienen Technik zu nutzen und anzupassen. 4 veranschaulicht ein nicht-parametrisches Sprungantwortmodell 50, das als ein Beispiel der Art und Weise dient, auf die eine SISO-Modellanpassung an nicht-parametrischen Modellen durchgeführt werden könnte. Im besonderen können, statt einer Analyse des parametrischen Modells durch die Änderung der Werte eines oder mehrerer Modellparameter um einen vorher festgelegten Wert, die einem nicht-parametrischen Modell zugehörigen Modelleigenschaften auf vorher festgestellte Arten verändert werden, um unterschiedliche, nicht-parametrische Modelle zur Berücksichtigung im Anpassungsprozess festzulegen.
Es können also unter Berücksichtigung des Sprungantwortmodell 50 der 4 unterschiedliche Modelle, die in der Modellmenge 34 (1) berücksichtigt werden, durch das Abändern gewisser Aspekte oder Eigenschaften der Sprungantwortkurve aus 4 über Teile der Kurve oder über die ganze Kurve festgelegt werden. In einem Beispiel können zwei zusätzliche Sprungantworten festgelegt werden, indem die Sprungkoeffizienten um einen gleichen Bruchteil für jeden Sprungantwortkoeffizienten erhöht oder erniedrigt werden, wie durch die Linie 52 der 4 verdeutlicht wird. Diese Änderung, die eine Änderung der Skalierung der Sprungantwortkurve ist, entspricht einer Änderung der Verstärkung des parametrischen Erste-Ordnung-Plus-Totzeit-Modells. Entsprechend kann die Zeit, zu der eine Antwort am Ausgang das erste Mal innerhalb der Sprungantwort von 4 erkannt wird, in der Zeit nach links oder recht bewegt werden, wie von der Line 54 der 4 angezeigt. Diese Modelleigenschaftsveränderungen ist analog zur Änderung (Erhöhen oder Erniedrigen) der Totzeit eines parametrischen Erste-Ordnung-Plus-Totzeit-Modells. Zusätzlich kann die deutliche Sprung-Verzögerung durch das Verschieben des Sprungantwortwerts auf die linke oder rechte Seite der Werte verändert werde, wie durch die Linie definiert, die sich um den Punkt bewegt, an dem die Sprungantwort auftritt. Das bedeutet, die Steigung der Antwortkurve kann (durch die Erhöhung oder Erniedrigung der Steigung) verändert werden, um eine Sprungantwort mit variierenden Verzögerungs- oder Antwortzeiten festzulegen, wie durch die Linie 56 der 4 verdeutlicht wird. Diese Abwandlung ist analog zum Erhöhen oder Erniedrigen der Zeitkonstante des parametrischen Erste-Ordnung-Plus-Totzeit-Modells.
Der Vorteil dieses Ansatzes ist, dass er die Abwandlung und Anpassung komplizierter SISO-Modelle ermöglicht, die parametrisch nicht ausgedrückt werden können, wodurch die Anpassung eines multivariablen Prozessmodells ermöglicht wird, das nicht-parametrische Modelle oder andere komplizierte Prozessmodelle verwendet. Natürlich können, während drei spezielle Änderungen an Eigenschaften einer Sprungantwort-Kurve hier verdeutlicht wurden, andere Änderungen an anderen Eigenschaften einer Sprungantwort-Kurve und die gleichen oder andere Änderungen an Eigenschaften anderer nicht-parametrischer Modelle genauso gut angewandt werden, um dadurch andere Modelle zur Berücksichtigung im hierin beschriebenen Anpassungsprozess aufzunehmen. Außerdem ist es verständlich, dass, wenn eine nicht-parametrische SISO-Modell-Anpassung unter der Verwendung von Eigenschaftsabwandlung, wie hierin diskutiert, durchgeführt wird, das Anpassungssystem 30 der 1 zwischen Eigenschafteneinstellungen an Stelle von Parametereinstellungen interpoliert, um die Modellanpassung durchzuführen. Als ein Ergebnis kann die Modellmenge 34 zwei oder mehrere unterschiedliche Eigenschaftswerte speichern oder zwischen zwei oder mehreren unterschiedlichen Eigenschaftwerten schalten, wenn eine Anpassung eines nicht-parametrischen Modells in der selben Art und Weise durchgeführt wird, wie die Modellmenge 34 voreingestellte Parameterwerte für parametrische SISO-Modelle speichert oder zwischen voreingestellten Parameterwerten schaltet.
Obwohl die Erfindung mit Verweisen auf bestimmte beispielhafte Ausführungsformen mit der Absicht anzuleiten und die Erfindung zu verdeutlichen beschrieben wurde, beschränkt sich die beschriebene adaptive, multivariable Steuerung nicht auf diese Ausführungsformen. Verschiedene Abwandlungen, Verbesserungen und Ergänzungen können vom Fachmann implementiert werden, und diese Abwandlungen, Verbesserung und Ergänzungen werden nicht von der Reichweite der Erfindung abweichen.
Zum Beispiel wird, wie oben beschrieben, die Steuerungsanpassung auf statistischer Interpolation der Parameter und Eigenschaften begründet, um ein mathematisches Modell des zu steuernden Prozesses zu konstruieren. Obwohl der Prozess durch drei Parameter oder Attribute charakterisiert wird, und jedem dieser Parameter drei Werte zugeordnet werden können, lässt sich die beschriebene, adaptive Steuerung offensichtlich auf andere Parameter (oder Eigenschaften) und/oder eine unterschiedliche Anzahl von Parameter (oder Eigenschaften) erweitern, wobei jeder möglicherweise eine unterschiedliche Anzahl von zugehörigen Werten umfasst. Ferner kann, wenn gewünscht, der Parameter-/Eigenschafts-Interpolationsblock 38 zwischen einer Untermenge von Parametern (oder Eigenschaften), wie zum Beispiel zwischen den zweien der Parameter mit dem kleinsten zugehörigen Fehler, interpoliert werden, statt zwischen allen der Parameter und Eigenschaften basierend auf den Parameter- oder Eigenschaftsgewichten zu interpolieren, die vom Modellbewertungsblock 36 festgelegt wurden. Dies kann die Interpolationszeit und die Anzahl der Berechnungen, die jeder SISO-Modelanpassung zugehören, verringern.
Ähnlich kann das Anpassungssystem 30 arbeiten, um basierend auf allen oder nur einigen der Parameter des parametrischen Modells oder basierend auf allen oder nur einigen der Eigenschaften des nicht-parametrischen Modells anzupassen. Im Besonderen kann sich das Anpassungssystem 30 auf einen oder mehrere ”wichtige” Parameter oder Eigenschaften, die in jedem besonderen Modell (innerhalb der Modellmenge 34) vorhanden sind, konzentrieren, ohne einen oder mehrere der anderen Parameter oder Eigenschaften während der Anpassungsprozedur anzupassen oder zu ändern. Diese Parameter- oder Eigenschaften-Auswahltechnik kann die Zeit signifikant reduzieren, die das Anpassungssystem 30 benötigt, um ein besonderes SISO-Modell anzupassen, was in den multivariablen Prozessen wichtig sein kann, die eine signifikante Anzahl von SISO-Modellen haben, die angepasst werden müssen.
Zusätzlich wurden die Modellbewertung und die Parameterinterpolation als eigenständige Komponenten veranschaulicht, die als die Modellmenge 24, der Modellbewertungsblock 36, der Überwacher 32, der Parameter-/Eigenschafts-Interpolator 38, der Modellvalidierungsblock 40 und der Modelltranformationsblock 42 festgelegt sind. Der Fachmann wird verstehen, dass die Aufteilung der einzelnen Komponenten im Ermessen derer steht, die für die Steuerungsimplementierung und -durchführung verantwortlich sind, und dass alle diese Funktionen auf jede benötigte Art und Weise implementiert werden können. Ferner kann, während das hierin beschriebene, adaptive, multivariable Prozesssteuersystem bevorzugt in Software implementiert wird, es oder jeder Teil davon in Hardware, Firmware etc. implementiert werden und kann von jedem anderen Prozessor, der einem Prozesssteuersystem zugehört, implementiert werden. Deshalb können die hierin beschriebenen Elemente in einer Standard-Vielzweck-CPU oder auf einer speziell entwickelten Hardware oder Firmware, wie zum Beispiel einem anwendungsspezifischen integrierten Schaltkreis (ASIC: application-specific integrated circuit) oder anderen fest verdrahteten Vorrichtungen, wie gewünscht, implementiert werden. Wenn in Software implementiert, dann können die Softwareroutinen auf jedem computer-lesbaren Speicher wie zum Beispiel einer magnetischen Disk, einer Laserdisk (wie beispielsweise einer CD, einer DVD etc.) oder einem anderen Speichermedium, auf einem RAM oder ROM eines Computers oder eines Prozessors, in irgendeiner Datenbank etc., gespeichert werden. Ebenso kann diese Software einer Person oder eine verfahrenstechnischen Anlage über jedes bekannte oder gewünschte Zustellungsverfahren zugestellt werden, dies beinhaltet zum Beispiel auf einer computerlesbaren Disk, Smartcard-Speichern oder anderen „transportablen” Computerspeicherungs-Mechanismen oder über einen Kommunikationskanal, wie beispielsweise eine Telefonleitung, das Internet etc. (was als gleich dem oder austauschbar mit dem Zurverfügungstellen solcher Software über ein transportables Speichermedium angesehen wird).

Claims

Verfahren zum Anpassen eines multivariablen Prozessmodells (14a), bestehend aus zwei oder mehreren ein-eingängigen, ein-ausgängigen (SISO) Modellen, zur Verwendung in einer Prozesssteuerung (16), die das multivariable Prozessmodell verwendet, um Prozesssteuerung durchzuführen, wobei das Verfahren umfasst: Auswahl einer Untermenge von SISO-Modellen zur Anpassung; individuelles Anpassen (30) jedes der SISO-Modelle der ausgewählten Untermenge; und Bereitstellen der angepassten Untermenge der SISO-Modelle für die Prozesssteuerung zur Verwendung im multivariablen Prozessmodell.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 1, das des weiteren ein Bestimmen beinhaltet, wann eine Modellanpassung (30), basierend auf einer Änderung eines Prozesseingangs (INi) oder eines Prozessausgangs (OUTi), durchgeführt werden muss.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 2, wobei ein Bestimmen, wann eine Modellanpassung (30) durchgeführt werden muss, ein Sammeln und Speichern von für den Prozesseingang (INi) und den Prozessausgang (OUTi) indikativen Daten und ein Analysieren der gesammelten Daten umfasst, um eine Änderung, größer als ein vorher festgelegter Betrag, am Prozesseingang oder am Prozessausgang festzustellen.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 1, wobei die Auswahl einer Untermenge von SISO-Modellen ein Analysieren (36) eines oder mehrerer einem Ausgang (OUTi) des Prozesses zugehöriger SISO-Modelle beinhaltet, um ein Korrelationsmaß zwischen jedem des einen oder der mehreren SISO-Modelle und dem Ausgang des Prozesses zu bestimmen, und ein Auswählen eines SISO-Modells zum auf dem Korrelationsmaß basierenden Anpassen umfasst.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 1, wobei die Auswahl einer Untermenge von SISO-Modellen ein Bestimmen für jeden Prozesseingang (INi) einer Anzahl von Prozesseingängen einer Korrelationsmessung zwischen dem Prozesseingang und einer Fehlermessung zwischen einem gemessenen Prozessausgang (OUTi) und einem vom multivariablen Prozessmodell entwickelten Prozessausgang, ein Verwenden der Korrelationsmessung, um einen der Prozesseingänge auszuwählen, und ein Auswählen eines der SISO-Modell, das den ausgewählten der Prozesseingänge mit dem gemessenen Prozessausgang als eines der SISO-Modellen der Untermenge in Bezug setzt, umfasst.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 5, wobei ein Verwenden der Korrelationsmessungen, um einen der Prozessausgänge (OUTi) auszuwählen, ein Bestimmen, ob einem ersten der Prozessausgänge ein vorher festgelegten Betrag von Änderung widerfahren ist, und nur dann ein Auswählen des ersten der Prozesseingänge (INi) als den ausgewählten der Prozesseingänge beinhaltet, wenn dem ersten der Prozessausgänge ein vorher festgelegter Betrag von Änderung widerfahren ist.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 1, wobei ein Auswählen einer Untermenge der SISO-Modelle ein Bestimmen, welche Prozesseingänge (INi) am meisten mit einem Fehler zwischen einem gemessenen Prozessausgang und einem modellierten Prozessausgang (OUTi), der vom multivariablen Prozessmodell erzeugt wurde, korrelieren, und ein Auswählen eines oder mehrerer SISO-Modelle, basierend auf der Bestimmung der Korrelation, beinhaltet
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 1, wobei ein getrenntes Anpassen (30) jedes der SISO-Modelle der ausgewählten Untermenge ein Durchführen einer Anpassungsprozedur, die eine Modellschalttechnik benutzt, an mindestens einem der SISO-Modelle der ausgewählten Untermenge beinhaltet.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 1, wobei ein getrenntes Anpassen (30) jedes der SISO-Modelle der ausgewählten Untermenge ein Durchführen einer Anpassungsprozedur, die eine Modelleigenschaft-Interpolation benutzt, an mindestens einem der SISO-Modelle der ausgewählten Untermenge umfasst.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 1, das des weiteren ein Validieren (40) des multivariablen Prozessmodells mit der angepassten Untermenge der SISO-Modelle umfasst, bevor die angepasste Untermenge der SISO-Modelle der Prozesssteuerung zur Verwendung im multivariablen Prozessmodell bereitgestellt wird.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 10, wobei das Validieren (40) des multivariablen Prozessmodells mit der angepassten Untermenge der SISO-Modelle ein Bestimmen umfasst, ob das multivariable Prozessmodell mit der angepassten Untermenge der SISO-Modelle einen niedrigeren Modellierungsfehler als das multivariable Prozessmodell ohne die angepasste Untermenge der SISO-Modelle hat.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 10, wobei ein Validieren (40) des multivariablen Prozessmodells mit der angepassten Untermenge der SISO-Modelle ein Bestimmen umfasst, ob das multivariable Prozessmodell mit der angepassten Untermenge der SISO-Modelle auf den selben Prozessausgangs- und Prozesseingangsdaten arbeitet, um eine bessere Steuerung als das multivariable Prozessmodell ohne die angepasste Untermenge der SISO-Modelle bereitzustellen.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 1, das des weiteren ein Transformieren (42) mindestens eines der SISO-Modelle der angepassten Untermenge in eine von der Prozesssteuerung benutzten Form umfasst, bevor die angepasste Untermenge der SISO-Modelle für die Prozesssteuerung bereitgestellt wird, um im multivariablen Prozessmodell benutzt zu werden.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 1, wobei ein individuelles Anpassen (30) jedes der SISO-Modelle der ausgewählten Untermenge ein Anpassen eines parameterbasierten SISO-Modell beinhaltet.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 14, wobei das parameterbasierte SISO-Modell ein Erste-Ordnung-Plus-Totzeit-Modell ist.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 1, wobei ein individuelles Anpassen (30) jedes der SISO-Modelle der ausgewählten Untermenge ein Anpassen eines nicht-parameterbasierten SISO-Modells umfasst.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 16, wobei das nicht-parameterbasierte SISO-Modell eines von Sprungantwort-Modell und Impulsantwort-Modell ist.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 16, wobei ein individuelles Anpassen (30) jedes der SISO-Modelle der ausgewählten Untermenge ein Einstellen einer Eigenschaft eines nicht-parameterbasierten SISO-Modells umfasst.
Verfahren zum Anpassen eines multivariablen Prozessmodells (14a) nach Anspruch 18, wobei das Anpassen (30) der Eigenschaft des nicht-parameterbasierten SISO-Modell ein Anpassen der Eigenschaft Zeit, bis eine erste Antwort beobachtet wird oder Skalierung oder Steigung des nicht-parameterbasierten SISO-Modells beinhaltet.
Prozesssteuersystem (8) zur Verwendung beim Steuern eines Prozesses, umfassend: eine Prozesssteuerung (12), die ein multivariables Prozessmodell (14a) beinhaltet, bestehend aus zwei oder mehreren ein-eingängigen, ein-ausgängigen (SISO) Modellen zur Verwendung beim Steuern eines Prozess; und eine kommunikativ mit der Prozesssteuerung verbunden Modellanpassungs-Einheit (30), die beinhaltet; eine erste Einheit, die angepasst ist, um eine Untermenge der SISO-Modelle zur Anpassung auszuwählen; eine zweite Einheit, die angepasst ist, um jedes der SISO-Modelle aus der ausgewählten Untermenge zu verändern; eine dritte Einheit, die angepasst ist, um die veränderte Untermenge der SISO-Modelle für die Prozessteuerung zur Verwendung im multivariablen Prozess-Modell bereitzustellen.
Prozesssteuersystem (8) nach Anspruch 20, wobei die Modellanpassungs-Einheit (30) des weiteren eine Überwacher-Einheit (32) beinhaltet, die dazu angepasst ist, Änderungen in einem oder mehreren Prozesseingängen oder Prozessausgängen zu erkennen, um zu bestimmen, wann ein Anpassungszyklus gestartet werden muss.
Prozesssteuersystem (8) nach Anspruch 21, wobei die Überwacher-Einheit eine Datensammel-Einheit umfasst und dazu angepasst ist für einen oder mehrere Prozesseingänge oder Prozessausgänge indikative Daten zu sammeln und in der Datensammel-Einheit zu speichern und die gesammelten Daten zu analysieren, um eine Änderung, größer als ein vorher festgelegter Betrag, an dem einen oder einem der mehreren Prozesseingänge oder Prozessausgänge zu erkennen.
Prozesssteuersystem (8) nach Anspruch 21, wobei die erste Einheit dazu angepasst ist eine Untermenge von SISO-Modellen durch das Analysieren eines oder mehrerer der SISO-Modelle, die einem Ausgang des Prozesses zugehören, auszuwählen, um eine Korrelationsmaß zwischen einem Eingang von einem oder von jedem der mehreren SISO-Modelle, die dem Ausgang des Prozesses zugehören, und dem Ausgang des Prozesses zu bestimmen, und ein SISO-Modell zur Anpassung basierend auf den Korrelationsmaßen auszuwählen.
Prozesssteuersystem (8) nach Anspruch 20, wobei die erste Einheit angepasst ist, um für jeden einer Anzahl von Prozesseingängen eine Korrelationsmessung zwischen dem Prozesseingang und einer Fehlermessung zwischen einem gemessenen Prozessausgang und einem vom multivariablen Prozessmodell erzeugten Prozessausgang, um die Korrelationsmessungen zu nutzen, um einen der Prozesseingänge auszuwählen und um eines der SISO-Modelle als das eine der SISO-Modelle der Untermenge auszuwählen, das den ausgewählten der Prozesseingänge mit dem gemessenen Prozessausgang in Bezug setzt.
Prozesssteuersystem (8) nach Anspruch 20, wobei die zweite Einheit eine Anpassungsprozedur, die eine Modellschalttechnik benutzt, an mindestens einem der SISO-Modelle der ausgewählten Untermenge durchführt.
Prozesssteuersystem (8) nach Anspruch 20, wobei die zweite Einheit eine Anpassungsprozedur, die eine Modelleigenschaft-Interpolation benutzt, an mindestens einem der SISO-Modelle der ausgewählten Untermenge durchführt.
Prozesssteuersystem (8) nach Anspruch 20, wobei die Modellanpassungs-Einheit (30) des weiteren eine Validierungs-Einheit (40) umfasst, die dazu angepasst ist, das multivariable Prozessmodell unter Verwendung der veränderten Untermenge der SISO-Modelle zu testen, bevor die dritte Einheit die veränderte Untermenge der SISO-Modelle der Prozesssteuerung zur Verwendung im multivariablen Prozessmodell bereitstellt.
Prozesssteuersystem (8) nach Anspruch 27, wobei die Modellanpassungs-Einheit (30) des weiteren eine Transformations-Einheit (42) beinhaltet, die dazu angepasst ist, mindestens eines der SISO-Modelle der veränderten Untermenge in eine vom multivariablen Prozessmodell innerhalb der Prozesssteuerung verwendete Form zu transformieren, bevor die veränderte Untermenge der SISO-Modelle der Prozesssteuerung zur Verwendung im multivariablen Prozessmodell bereitgestellt wird.
Prozesssteuersystem (8) nach Anspruch 20, wobei mindestens eines der SISO-Modelle der ausgewählten Untermenge ein parameterbasiertes SISO-Modell ist.
Prozesssteuersystem (8) nach Anspruch 29, wobei das parameterbasierte SISO-Modell ein Erste-Ordnung-Plus-Totzeit-Modell ist.
Prozesssteuersystem (8) nach Anspruch 20, wobei mindestens eines der SISO-Modelle der ausgewählten Untermenge ein nicht-parameterbasiertes SISO-Modell ist.
Prozesssteuersystem (8) nach Anspruch 31, wobei das parameterbasierte SISO-Modell eines von Sprungantwort-Modell und Impulsantwort-Modell ist.
Prozesssteuersystem (8) nach Anspruch 31, wobei die zweite Einheit dazu angepasst ist, die Eigenschaft des nicht-parameterbasierten SISO-Modell anzupassen, indem eine der Eigenschaften Zeit, bis eine erste Antwort beobachtet wird, oder Skalierung oder Steigung des nicht-parameterbasierten SISO-Modellls angepasst wird.
Prozesssteuersystem (8) nach Anspruch 20, wobei die Prozesssteuerung vom Typ Modellvorhersagesteuerung ist.
Modellanpassungs-Einheit (30) zur Verwendung in einem Prozesssteuersystem, umfassend ein multivariables aus zwei oder mehreren ein-eingängigen, ein- ausgängigen (SISO) Modellen bestehendes Prozessmodell (14a), wobei die Modellanpassungs-Einheit umfasst: ein computerlesbares Medium; ein Programm, das auf dem computerlesbaren Medium gespeichert und dazu angepasst ist, auf einem Prozessor implementiert zu werden, wobei das Programm beinhaltet: eine erste Routine, dazu konfiguriert, eine Untermenge von SISO-Modellen zur Anpassung auszuwählen; eine zweite Routine, dazu konfiguriert, jedes der SISO-Modelle der ausgewählten Untermenge anzupassen; und eine dritte Routine, dazu konfiguriert, die angepasste Untermenge der SISO-Modelle dem multivariablen Prozessmodell bereitzustellen.
Modellanpassungs-Einheit (30) nach Anspruch 35, wobei das Programm des weiteren eine Überwachungsroutine (32) umfasst, die dazu konfiguriert ist, eine Änderung in einem Prozesseingang oder Prozessausgang zu erkennen, um zu bestimmen, wann ein Anpassungszyklus gestartet werden soll.
Modellanpassungs-Einheit (30) nach Anspruch 35, wobei die erstes Routine für jeden einer Anzahl von Prozesseingängen eine Korrelationsmessung zwischen dem Prozesseingang und einer Fehlermessung zwischen einem gemessenen Prozessausgang und einem vom multivariablen Prozessmodell erzeugten Prozessausgang bestimmt, die Korrelationsmessungen nutzt, um einen der Prozesseingänge auszuwählen, und eines der SISO-Modelle als das der SISO-Modelle der Untermenge auswählt, das den ausgewählten der Prozesseingänge mit dem gemessenen Prozessausgang in Bezug setzt.
Modellanpassungs-Einheit (30) nach Anspruch 35, wobei die zweite Einheit eine Anpassungsprozedur, die eine Modellschalttechnik benutzt, an mindestens einem der SISO-Modelle der ausgewählten Untermenge durchführt.
Modellanpassungs-Einheit (30) nach Anspruch 35, wobei die zweite Einheit eine Anpassungsprozedur, die eine Modelleigenschaft-Interpolation benutzt, an mindestens einem der SISO-Modelle der ausgewählten Untermenge durchführt.
Modellanpassungs-Einheit (30) nach Anspruch 35, wobei das Programm des weiteren eine Validierungsroutine einschließt, die das multivariable Prozessmodell unter Verwendung der veränderten Untermenge der SISO-Modelle testet, bevor die dritte Routine die veränderte Untermenge der SISO-Modelle der Prozesssteuerung bereitstellt.
Modellanpassungs-Einheit (30) nach Anspruch 40, wobei das Programm des weiteren eine Transformations-Einheit beinhaltet, um mindestens eines der SISO-Modelle der veränderten Untermenge in eine vom multivariablen Prozessmodell verwendete Form zu transformieren, bevor sie die veränderte Untermenge der SISO-Modelle der Prozesssteuerung bereitstellt.
Modellanpassungs-Einheit (30) nach Anspruch 35, wobei mindestens eines der SISO-Modelle der Untermenge ein nicht-parameterbasiertes SISO-Modell ist und wobei die zweite Einheit eine Eigenschaft des nicht-parameterbasierten SISO-Modells durch das Anpassen einer der Eigenschaften Zeit, bis eine erste Antwort beobachtet wird, oder Skalierung oder Steigung des nicht-parameterbasierten SISO-Modells anpasst.