Концептуальный обзор промышленных реактивных и прогнозирующих контроллеров

Вступление

За последние несколько десятилетий «цифровая революция» позволила производителям и коммунальным предприятиям оборудовать свои предприятия распределенными системами и системами диспетчерского управления. Будь то промышленные мембраны или биологические реакторы, эти системы управления лежат в основе автоматизации тяжелой промышленности и позволяют компаниям считывать, интерпретировать и использовать свои собственные машинно-сгенерированные данные для достижения целей производства и соблюдения нормативных требований. Тем не менее, несмотря на свою универсальность, эти системы управления только недавно начали привлекать внимание как потенциальные кандидаты на нарушение работы искусственного интеллекта (ИИ).

Сегодня ожидается, что операторы в диспетчерских на крупных предприятиях будут во многом полагаться на свои собственные суждения и опыт. Ожидается, что одновременно контролируя десятки сигналов процесса, они будут настраивать параметры системы управления, устранять аварийные сигналы, выполнять тесты качества, тем самым ограничивая пределы своих человеческих возможностей. Хорошая новость заключается в том, что эти заводы непрерывно собирают и хранят огромные объемы данных, которые могут быть легко использованы системой искусственного интеллекта. Использование ИИ для управления процессами может значительно упростить обработку данных и предоставить операторам расширенную поддержку принятия решений.

В этой серии статей мы подробно рассмотрим (1) то, как эти системы управления производственными процессами выглядят сегодня, (2) как ИИ может их дополнить, используя существующие данные завода, и (3) что производители и коммунальные предприятия могут сделать сегодня, чтобы разблокировать Значительная экономия средств и возможности соблюдения требований технологического процесса.

Классификация систем управления

Начнем с простой номенклатуры. Процессы (то есть реакторы, фильтры) управляются контроллерами, которые принимают измерения от датчиков (то есть расходомеров, анализаторов), которые отслеживают критические состояния процесса (то есть скорость потока, температуру, давление) в режиме реального времени, как показано на рисунке 1.

Эти контроллеры используют эти измерения для выполнения управляющих действий (например, открытие / закрытие клапанов, включение / выключение насосов) в реальном времени. Контроллер можно разделить на реактивный или прогнозирующий в зависимости от того, как он использует данные измерений датчиков и генерирует управляющие действия. Управляющие действия в реактивной системе управления основаны только на текущих или прошлых состояниях, то есть текущих или недавних измерениях процесса датчиком. И наоборот, прогнозирующие контроллеры используют прогнозы будущего состояния процесса для создания управляющих воздействий, часто используя ту или иную форму математической оптимизации и имитационной модели системы.

Некоторые примеры реактивных регуляторов включают варианты пропорциональных регуляторов, такие как пропорционально-интегральная (ПИ) и пропорциональная интегральная производная (ПИД); тогда как Model Predictive Control (MPC) является примером стратегии прогнозирующего управления.

Отличительная черта реактивного управления: пропорционально-интегрально-производное (ПИД) регулирование.

Наиболее распространенной стратегией реактивного управления (также известной как управление с обратной связью), применяемой в промышленных и коммунальных процессах, является ПИД-регулятор. В ПИД-регуляторе управляющее действие является функцией отклонения измеренного состояния, обычно называемого «ошибкой», от желаемой уставки (т. Е. Цели), как показано на рисунке 2. Эта целевая уставка обычно указывается человеком-оператором для достижения некоторой производственной цели или соответствия нормативным требованиям.

Типичным примером ПИД-регулятора является простая автомобильная система круиз-контроля, как показано на рисунке 3. Здесь водитель (оператор) указывает желаемую скорость (заданное значение), а контроллер вычисляет соответствующее необходимое ускорение на основе разницы между текущей скоростью. (как показано на спидометре) и желаемую скорость.

Каждая буква в аббревиатуре PID обозначает «корректирующий режим», используемый контроллером для вычисления того, как управляющее действие будет реагировать на отклонение текущего состояния от его целевого значения, как показано на рисунке 4. «Пропорциональная» коррекция подразумевает, что управляющее действие вычисляется как немедленная или линейная реакция на ошибку, тогда как «интегральная» поправка подразумевает, что управляющее воздействие вычисляется как функция совокупной ошибки состояния за период времени. Это называется «интегральным» управлением, потому что кумулятивная ошибка во времени вычисляется с помощью интегрирования. И, наконец, «Производная» поправка использует скорость изменения ошибки состояний, измеряемую ее производной. Таким образом, любой реактивный контроллер может быть любой комбинацией этих вычислений (PI, PID или P).

Как показано на рисунке 4, каждый корректирующий ответ масштабируется с помощью таких констант, как KP и KI, известных как коэффициенты усиления. Это параметры, которые обычно настраиваются инженерами по автоматизации или управлению. Коэффициент усиления контроллера можно регулировать, чтобы изменения выхода контроллера были настолько чувствительны, насколько это необходимо, к отклонениям между заданным значением и переменной состояния; и знак коэффициентов может быть выбран так, чтобы выходной сигнал контроллера увеличивался или уменьшался по мере увеличения сигнала ошибки.

Включение производного и интегративного корректирующих режимов как части контроллера зависит от типа контролируемого процесса. Интегративная коррекция гарантирует, что не произойдет длительных устойчивых отклонений или дрейфов ошибок, в то время как производная коррекция гарантирует, что контроллер быстро реагирует на изменения ошибок, гарантируя, что контроллер не перескочит (перекомпенсирует) в своей реакции.

Хотя стратегии реактивного контроля очень просто сформулировать и применить, его исцеление ахиллова сухожилия, возможно, уже стало очевидным.

Управляющий ответ реактивных контроллеров постоянно реагирует на текущее состояние системы и не предвидит ее будущую динамику. Это означает, что контроллер уязвим для постоянно меняющегося поведения системы или аномалий.

Для промышленных предприятий, которые находятся в высококонкурентной производственной среде, или коммунальных систем, подверженных стрессу из-за изменения климата, постоянно меняющаяся динамика может быть повседневной реальностью. Например, если большая загрузка питательных веществ попадает в биореактор, система будет расходовать значительную энергию, чтобы довести растворенный кислород до желаемого рабочего диапазона. В качестве альтернативы, насос может многократно переключать свое состояние между оперативным и автономным в пределах заданного горизонта управления, чтобы гарантировать, что нижний по потоку резервуар находится в пределах своего рабочего диапазона, что приводит к потенциальным сбоям из-за нежелательных переходных процессов давления.

Прогнозирующий контроль модели

Перечисленные выше недостатки являются причиной существования Model Predictive Control (MPC). MPC - это метод, разработанный для упреждающего управления сложными нелинейными процессами. В то время как стратегии управления на основе реакции, такие как ПИД-регулирование, основывают свои управляющие действия на исторических и текущих состояниях системы, регистрируемых датчиками, MPC использует прогнозы будущих состояний. Таким образом, контроллеру MPC требуется точная имитационная модель процесса для создания надежных прогнозов.

Как показано на рисунке 5, есть несколько дополнительных компонентов, составляющих MPC, которых не было в обычном реактивном контроллере. Это включает:

1. имитационная модель: математическое представление динамики процесса, то есть она может предсказать, какое будущее состояние процесса будет основано на различных последовательностях управляющих воздействий.

2. оптимизатор: математический решатель, который может итеративно определять «оптимальное» управляющее действие на основе выходных данных имитационной модели.

3. ограничения: указывает границу допустимых будущих состояний, которые оптимизатор не может превышать, т.е. предел соответствия концентрации аммиака в сбросах

4. цели: цель оптимизации, которую стремится достичь оператор, т. Е. снижение затрат на электроэнергию

Прогнозирующее управление работает, выполняя динамическую оптимизацию в реальном времени для создания управляющих действий, которые адаптируются к возмущениям и соответствуют ограничениям, заданным пользователем. MPC позволяет операторам выполнять свои процессы более эффективно, работая намного ближе к ограничениям, чем это было бы возможно с обычными реактивными контроллерами.

Блок-схема на рисунке 5 дает концептуальный обзор структуры MPC. Хотя структура MPC более сложна, чем у обычного реактивного контроллера, она предлагает несколько важных преимуществ:

1. управляющие воздействия оптимизированы для достижения желаемого результата, такого как снижение затрат на энергию или повышение эффективности реагирования.

2. Контроллер менее чувствителен к сбоям из-за сбоев, поскольку может их предвидеть и быстрее реагировать

3. Ограничения на состояния и средства управления могут быть наложены на контроллер, чтобы гарантировать создание соответствующих управляющих действий.

4. точные прогнозы модели могут обеспечить раннее предупреждение о потенциальных проблемах.

5. модель процесса фиксирует динамическое взаимодействие между переменными управления, состояния и возмущения.

Следующий?

До сих пор мы рассмотрели основы управления процессами. Во второй части этой серии статей мы рассмотрим, как работают контроллеры MPC, более подробно и предоставим несколько наглядных примеров того, как они превосходят обычные контроллеры PID.