先進控制模型在線自適應辨識系統的建設與應用

劉 巍

(中國石化上海石油化工股份有限公司，上海200540)

近20年來，先進控制軟件及其實施技術快速成熟，在煉油、石化等領域大規模推廣應用，取得了良好的應用效果。先進控制系統成規模的投用為企業帶來可觀效益的同時，也伴隨著應用風險。隨著先進控制系統運行時間的延長，裝置技術、工藝條件、經濟性能指標也在逐漸改變，導致先進控制模型與實際工況的匹配度逐漸下降、控制性能降低，最終導致先進控制系統失效。這時需要及時調整先進控制模型以適應新的工況，保持控制效果。

維護先進控制模型的傳統方法是通過人工現場收集數據、辨識和修改模型等，實施難度大且易影響裝置穩定運行，控制模型精確修改困難,易使控制器不穩定、性能衰減，出現投用率降低、維護費用遞增等問題。基于Aspen ONE組件開發的在線自適應辨識系統，將控制模型維護從傳統方法轉變為自動連續的工作流程，即自動裝置測試，自動評估與診斷控制器性能，自動進行模型辨識、校正與新模型更新，能夠發現隨工藝工況變化的控制模型偏差并自動校準，維持控制器峰值性能并運行于代表實際工藝工況的最優狀態，有效規避先進控制系統維護和應用風險，保持其持續的高投用率和經濟效益。

1 自適應辨識系統分析

先進控制系統利用模型預測功能，采用多變量控制手段實現工藝控制目標，提高裝置操作平穩性；利用線性規劃功能，將操作點推向最優點，在滿足所有質量和安全約束條件的前提下實現卡邊操作，達到提高產能、產品收率和降低能耗等目的。當生產工藝、催化劑、經濟性能指標等工況發生變化時，先進控制模型需要及時調整與更新。在線自適應辨識系統在確保Aspen DMCplus多變量控制器工藝過程穩定的前提下，通過操縱變量MV小幅度階梯狀變化來實現裝置自動階躍測試，進而實現先進控制模型自動校正以匹配新工況，保持先進控制系統持續的平穩性和高投用率。

1.1 自適應辨識基本算法

在線自適應辨識系統基本算法示意如圖1所示，在線自適應辨識系統按照自定義的校準比例因子(CR)，對應于相應的最優穩態目標函數松弛“等高線或等高剖面”區域，亦即操縱變量在“校準模式”下的小幅度階梯狀變化的“測試”區域(圖1灰色三角形區域)，其特色在于具備先進控制引擎，同時計算傳統意義下DMCplus穩態線性規劃優化目標函數以及操縱變量穩態目標最小變化模式下(只考慮工藝約束控制，不考慮經濟性指標)的目標函數；通過比較兩個目標函數，實現新穎的切換控制算法。在每一個先進控制運行周期，DMCplus校準模式切換控制算法可歸納為：

(1)若ΔJ=Jo-Jc>ΔJt，Jo為目標函數最優值，Jc為目標函數當前值，ΔJt=CR×Jo(CR取值0～1，下同)，即當前值在灰色三角形區域外(如圖1)，則執行DMCplus常規控制模式，跟蹤CV穩態優化目標值，通過DMCplus動態控制，向新的最優穩態優化目標值逼近；

(2)若ΔJ=Jo-Jc≤ΔJt，即當前值在灰色三角形區域內，則執行在線自適應辨識模式，產生在滿足相應工藝及目標函數約束條件下的自動測試信號，即多重操縱變量MV在自適應辨識模式下小幅階躍測試。

如圖1所示，CV1和CV2為兩個工藝約束變量，MV1和MV2為兩個操縱變量，設定校準比例因子CR為0.1，對應于CR為0.1的額外經濟性指標目標函數約束條件為0.9×Jo(等高線)，校準模式技術能確保把工藝推至灰色三角形區域內，即ΔJ小于10%Jo。

圖1 在線自適應辨識系統基本算法示意

1.2 自適應辨識過程設計

基于上述基本算法，自適應辨識系統模型辨識過程如下：

(1)非干擾性后臺自動裝置測試，生成優質過程數據，提高模型精度，系統自動進行操作變量的小幅階躍變化，以獲取優質的測試過程數據，用于模型辨識與修正；

(2)自動識別壞數據并剔除，系統在后臺進行自動裝置測試時，可智能識別采集到的過程數據，并自動剔除壞數據；

(3)自動化改進控制模型，運用系統內置的先進控制模型性能KPI指標，持續跟蹤監控先進控制器所有模型的性能，檢測與診斷其性能變化；

(4)控制模型評估，運用系統所具有的診斷規則，對控制器進行在線檢測，并根據診斷結果，分析出先進控制性能下降的原因，評估控制器的性能表現與存在的問題；

(5)自動產生新的候選模型，依據自動裝置測試采集到的優質過程數據，自動辨識模型并產生候選模型供評選；

(6)建立模型評估規則，數據清理自動化以減少手動，評估并改進模型，自動生成新模型。

2 自適應辨識系統設計

自適應辨識系統基于Aspen Watch、DMCplus、SmartStep這3個組件開發。

Aspen Watch是先進控制器性能監測軟件，可從先進控制器中有效提取需用信息，通過性能監測、診斷和維護建議等來保持先進控制系統與實際工況的匹配。

Aspen DMCplus是先進控制軟件，它將整個生產裝置或者某幾個工藝單元作為一個整體研究對象，通過量化描述各變量之間的相互關系，建立過程多變量控制器模型。利用該模型提高裝置運行的平穩性和增加目的產品產率、降低消耗等。

Aspen Smartstep是Aspen DMCplus中的一個測試程序。為了在短時間內獲得更多的模型數據，程序可以同時對多個操作變量進行階躍測試。此外，測試信號由多個主階躍和一系列低中高頻階躍信號疊加而成，可以提供足夠多的低中高頻率階躍數據。相比于手動測試，它能更快地生成更好的控制模型。

2.1 系統架構

自適應辨識系統由5個部分共同組成：即先進控制器、先進控制器性能監控、自動階躍測試、閉環模型辨識和模型質量分析。先進控制系統通過分布式控制系統(DCS)與現場裝置進行數據交互，通過性能監控找到控制器性能下降的主要原因并快速評估問題，然后使用自動階躍測試快速生成優質的測試數據，進行閉環模型辨識及模型分析以改進模型和提高模型精度，最后自動生成新模型以更新原先進控制模型。系統基本架構如圖2所示。

圖2 自適應辨識系統基本構架

2.2 系統功能

傳統維護控制器的方法是通過人工現場收集數據、進行模型辨識、修改模型參數，會產生很大的人工成本和時間成本。自適應辨識系統在確保DMCplus多變量控制器經濟效益的前提下，通過操縱變量MV小幅度變化，完成用于“校準模式”下的裝置自動階躍測試；進而實現模型自動校正。主要功能如下：

通過自動階躍測試及模型辨識，降低潛在的人工成本和時間成本；

與傳統階躍測試相比，自適應辨識非干擾性操作即可收集新的階躍數據，并能識別出模型中較差的部分；

與傳統模型辨識相比，自適應辨識可以自動識別壞數據并剔除；

自動生成系列候選模型，技術人員可以根據裝置的實際情況選擇優質模型；

更新控制模型時不需要關閉控制器，并確保更新期間控制器的魯棒運行；

使先進控制器維護成為生產運行固有和持續的一部分，而不必等待裝置大修時維護；

經濟效益的松弛機制，通過工藝約束條件換取自動階躍測試數據更新控制器模型。

3 系統實現過程

在線自適應辨識系統基本實施流程如下：

(1)預測試

建立自適應辨識系統平臺。主要包括在線自適應辨識系統組件的安裝調試、系統組態與配置、網絡通訊的布置與測試。主要控制器變量的比例、積分、微分(PID)回路調節。對先進控制系統各主要控制器變量的PID回路進行必要的檢測與調節，以保證在線自適應辨識系統的正常有效運行和已有非線性轉換的評價和修改，對非線性轉換過程進行必要的評價與修改。

(2)自適應控制配置

自適應參數在先進控制器文件(CCF)中的配置與加載。應用在線自適應辨識系統，對CCF文件進行自適應辨識實施參數的配置、組態與加載。開啟校準模式，初步自適應過程結果評估。在線自適應辨識系統開啟自適應校準模式，并開始后臺自動裝置測試并初步評估控制器性能。

(3)自適應控制結果評估

依據Aspen Watch的KPI參數評估控制器模型質量。應用Aspen Watch組件內的KPI參數指標全面評估控制器各模型質量，評估及修改穩態優化LP策略和控制器仿真。應用在線自適應辨識系統評估與改進先進控制器各穩態優化策略。在線自適應辨識系統連續投用，持續監控先進控制器性能、自動后臺裝置測試、自動辨識與校正控制器模型等。

4 應用情況

在線自適應辨識系統建成后，在中國石化上海石油化工股份有限公司(以下簡稱上海石化)3#柴油加氫和2#乙二醇兩套生產裝置先進控制系統上進行了應用。在此以3#柴油加氫裝置先進控制系統為例，闡述運用在線自適應辨識系統自動校正控制模型的過程和效果。

4.1 自適應辨識應用前的模型

3#柴油加氫裝置技術改造時新增了一臺反應器，并更換了催化劑。由于工藝過程發生變化，導致模型出現偏差，多個控制模型增益變得不夠準確。因此在此裝置中部署在線自適應辨識系統，對先進控制系統中各控制模型(控制器)進行辨識和校正。

以3#柴油加氫裝置分餾塔與脫硫控制器C3模型為例，利用模型質量分析模塊，通過可視化界面展示模型的質量(見表1，其中橫向欄目為控制器的被控變量CV，豎向欄目為操作變量MV和前饋變量FF)。CV與MV、FF之間的變量關系用“+”、“-”表示，“+”表示兩者關系為正作用，“-”為負作用，空白表示變量之間無關系；符號“●”、“▲”、“×”代表模型質量的好壞程度，“●”表示好，“▲”表示較好，“×”表示壞，只要帶有“×”的模型質量都是比較差的。

由表1可以看出，圖中“×”有5個之多，已經嚴重影響到控制器性能穩定，需要校正。

表1 自適應辨識前的分餾塔與脫硫控制器C3模型

續表1

4.2 模型自適應辨識實現過程

4.2.1 自動階躍測試

自動階躍測試在不影響控制器性能及控制效益的情況下獲取測試數據，并在線校準模型，從而在保持先進控制器的高性能的同時降低先進控制系統維護成本。基本步驟如下。

(1)加載3#柴油加氫裝置分餾塔與脫硫控制器C3模型，并完成自適應建模初步配置。

(2)在C3控制模型主界面中，將DMCplus更改為“校正模式”，并將校準比例因子CR設置為0.1，此設定值含義如下：

① 如果DMCplus穩態線性規劃目標函數與操作變量最小變化模式目標函數的差值小于CR設定值0.1所對應的允許差值，則自動實施操作變量MV小幅度階梯狀變化即開環裝置階躍測試，以在保持先進控制效益的前提下獲取無成本的測試數據，用于校正模型；

② 如果DMCplus穩態線性規劃目標函數與操作變量最小變化模式目標函數的差值大于CR設定值0.1所對應的允許差值，將按照傳統模式下DMCplus穩態線性規劃計算MV及CV穩態優化目標值，進而計算出操作變量動態控制變化值，進行DMCplus多變量模型預測控制。

(3)打開C3控制模型中需要進行自適應建模的MV變量的測試開關。

(4)開啟自動去除壞數據(Auto Slice)及自動辨識模型(Auto ID)功能，并設置Auto ID每1小時運行一次。

4.2.2 閉環模型辨識

自動階躍測試采集到足夠多的變量數據(一般需要一個月以上數據)后，即可通過模型辨識功能新建并運行模型辨識任務，得到新模型辨識數據。

限于篇幅，現選取TI2203PV(FF)與TI2204PV(CV)作為“模型校正”范例(見圖3)。

由圖3可以看到:原模型增益明顯小于模型辨識結果，以此原模型作為TI2204PV前饋則會造成TI2204PV預測值過低，模型產生偏差，遂將此模型進行升級，即用新模型替代。

圖3 兩種模型溫度增益對比

4.2.3 模型質量分析

閉環模型辨識完成后，在線自適應辨識系統模型評估功能有頻率分析和MV相關性分析兩種方式，對更新的控制模型進行質量分析。

頻率分析分A、B、C、D等4個標準，A代表模型質量最高，依次遞減，D代表質量最差。自適應辨識范例TI2203PVvs.TI2204PV應用頻率分析方式分析模型質量改善情況，結果顯示模型質量由C變為A，模型質量改變明顯。

MV相關性分析以正態分布形式顯現，共有“<50%(好，集中于峰值)”、“>50%(一般)”和“>80%(差，扁平分散)”三種類型，正態分布越集中于峰值，MV相關性越好，反之越差。自適應辨識范例TI2203PVvs.TI2204PV應用MV相關性分析，結果顯示新模型正態分布(<50%)與原模型(>80%)相比明顯集中于峰值，模型質量得到明顯改善。

4.3 自適應辨識應用后模型

表2是應用自適應辨識系統得到的分餾塔與脫硫控制器C3新模型，可以看到其中“●”增多，“▲”減少，“×”消除，模型質量整體上得到明顯提高。

表2 自適應辨識后的分餾塔與脫硫控制器C3模型

5 應用成效

5.1 經濟效益

上海石化3#柴油加氫裝置新增一臺精制反應器和2#乙二醇裝置更換高活性催化劑為高選擇性催化劑后，由于工藝過程發生變化，導致該兩套裝置的先進控制模型出現偏差，多個控制模型增益變得不夠準確。應用在線自適應辨識系統對其20個模型進行了修正更新，自動調整模型增益、滯后時間等參數，得到了高品質的模型。模型更新后被控變量的標準差平均降幅15%以上，模型的精確性和控制器的效果都明顯增強，系統綜合投用率持續保持99.90%以上的高水平。該兩套先進控制系統的年總效益是910萬元，如果工藝工況變更導致先進控制失效，上述效益將不能保持。

5.2 提高管理水平

在線自適應辨識系統改變了先進控制系統維護工作的方法，將控制器性能降低后需進行裝置再測試、模型重新辨識與校正的人工維護過程，轉變為連續無間斷、無需人工干預的自動過程，維護和改進先進控制模型所需要的工作量降低30%以上，解決了工藝工況、原輔料變化等變動給模型維護工作帶來的挑戰，使控制器一直運行于代表實際工藝工況的最優狀態，創建了先進控制系統運維最佳實踐。

6 結語

在線自適應辨識系統的應用實現了先進控制模型自動校正從理論到實際應用的突破。文章介紹了自適應控制的機理和實現過程，總結了系統的操作方法，通過對先進控制器進行自整定，快速獲得可靠、有效的模型，實現先進控制系統的高效運行。

為提升并保持在線自適應辨識系統帶來的經濟效益，需要有經驗的技術人員根據控制器具體情況去制定相應策略和參數設置。控制器的長周期穩定、高效運行除了系統維護技術人員的監控、控制模型與策略的及時調整外，更加需要工藝和操作人員密切關注、及時調整控制器的操作范圍。