Многослойный подход к модельно-упреждающему управлению технологическим процессом

Лев Сергеевич Казаринов, Дмитрий Александрович Шнайдер, Татьяна Александровна Барбасова

Аннотация


Предложен метод повышения эффективности технологических процессов, основанный на многослойном подходе к решению задачи управления. В соответствии с предложенным подходом существующий технологический регламент ведения процесса оценивается с точки зрения реальной точности удержания режимных параметров и используется как нормативное ограничение, определяющее область их допустимых значений. В рамках указанной области реализуется процесс оптимизации значений управляемых режимных параметров по текущим данным эксплуатации. Процесс оптимизации основан на использовании многомерного симплекс-метода и ортогонального планирования поиска решения в сочетании с методом эллиптической аппроксимации эффективной области. Приводится пример использования предложенного подхода для задачи повышения эффективности доменного процесса.

Ключевые слова


доменный процесс; многослойный подход; метод эллиптической аппроксимации; модельно-упреждающее управление

Полный текст:

PDF

Литература


Kazarinov L.S., Barbasova T.A. Case Study of the Conservation Power Plant Concept to Energy Conservation in a Metallurgical Works. Procedia Engineering, 2015, vol. 129, pp. 578–586. DOI: 10.1016/j.proeng.2015.12.060

Kazarinov L.S., Barbasova Т.А., Kolesnikova О.V, Shnayder D.A. Complex Hydraulic Network Dispatching Control Based on Signal‐Oriented Macromodel. 1st Conference on Modelling, Identification and Control of Nonlinear Systems (MICNON-2015), Saint Petersburg, Russia, June, 24–26, 2015, vol. 48, iss. 11, pp. 92–96. DOI: 10.1016/j.ifacol.2015.09.165.

Kazarinov L.S., Barbasova T.A, Kolesnikova O.V., Zakharova A.A. Method of Multilevel Rationing and Optimal Forecasting of Volumes of Electric Energy Consumption by an Industrial Enterprise. Automatic Control and Computer Sciences, 2014, vol. 48, no. 6, pp. 324–333. DOI: 10.3103/S0146411614060054.

Lee E.B., Markus. L. Foundations of Оptimal Control Theory. New York: Wiley, 1967. 576 p.

Tsypkin Ya.Z. Adaptatsiaya i obuchenie v avtomaticheskikh sistemakh (Adaptation and Training in Automatic Systems). Moscow, Science Publ., 1968. 400 p. [Цыпкин Я.З. Адаптация и обучение в автоматических системах. М.: Наука, 1968. 400 с.]

Richalet J.B., Rault A., Testud J.L., Papon J. Model Predictive Heuristic Control: Applications to Industrial Processes. Automatica, 1978, 14, pp. 413–428.

Clarke D.W. et al. Generalized Predictive Control. Part I & II. Automatica, 1987, vol. 23, no. 2, pp. 137–160.

Clarke D.W. et al. Properties of Generalized Predictive Control. Automatica, 1989, vol. 25, no. 6, pp. 859–875.

De Keyser R.M.C., Van de Velde Ph.G.A., Dumortier F.A.G. A Comparative Study of Selfadaptive Long-range Predictive Control Methods. Automatica, 1988, vol. 24, no. 2, pp. 149–163.

Garcia C.E., Prett D.M., Morari M. Model Predictive Control: Theory and Practice - a Survey. Automatica, 1989, 25(3), pp. 335–348.

Ricker N.L. Model Predictive Control: State of the Art. In Y. Arkun, W.H. Ray (Eds.), Chemical Process Control - CPC IV, Fourth International Conference on Chemical Process Control. Amsterdam: Elsevier, 1991, pp. 271–296.

Morari M., Lee J.H. Model Predictive Control: The Good, the Bad, theUgly. Chemical Process Control - CPC IV, Fourth International Conference on Chemical Process Control. Amsterdam, Elsevier, 1991, pp. 419–444.

Muske K. R., Rawlings J.B. Model Predictive Control with Linear Models. A.I.CH.E. Journal, 1993, 39(2), pp. 262–287.

Mayn D.Q. Nonlinear Model Predictive Control: An Assessment. Fifth International Conference on Chemical Process Control AICHE and CACHE, 1997, pp. 217–231.

Lee, J. H., & Cooley, B. Recent Advances in Model Predictive Control and Other Related Areas. Fifth International Conference on Chemical Process Control AICHE and CACHE, 1997, pp. 201–216.

José Manuel Mesa Fernández, Valeriano Álvarez Cabal, Vicente Rodríguez Montequin, Joaquín Villanueva Balsera. Online Estimation of Electric Arc Furnace Tap Temperature by Using Fuzzy Neural Networks. Engineering Applications of Artificial Intelligence, 2008, 21, pp. 1001–1012.




DOI: http://dx.doi.org/10.14529/ctcr160112

Ссылки

  • На текущий момент ссылки отсутствуют.