具有用來補償模型失配的調(diào)節(jié)的魯棒的自適應(yīng)模型預(yù)測控制器本申請是由費希爾-羅斯蒙特系統(tǒng)公司申請的、發(fā)明名稱為“具有用來補償模型失配的調(diào)節(jié)的魯棒的自適應(yīng)模型預(yù)測控制器”、申請?zhí)枮?00980103330.0一案的分案申請。相關(guān)申請本申請是于2008年1月31提交的、名稱為“RobustAdaptiveModelPredictiveControllerwithAutomaticCorrectionforModelMismatch”的第61/025,190號美國臨時專利申請的正式提交的申請，并要求該臨時申請的優(yōu)先權(quán)和申請日的權(quán)益，所以此處通過引用特別并入該臨時申請的全部公開內(nèi)容。技術(shù)領(lǐng)域本申請涉及在例如工業(yè)加工廠中執(zhí)行的過程控制，并且更具體地說，涉及在有模型失配的情況下，使用模型預(yù)測控制器來執(zhí)行加工廠的控制的改進的方法。

背景技術(shù)：
過程控制硬件和軟件在幾乎所有的化學、制藥和精煉工業(yè)設(shè)施中都是很重要組件，并且在世界范圍內(nèi)有著數(shù)十億美元的業(yè)務(wù)。盡管過去在任何特定實例中獲得盡可能最好的控制并不總是主要焦點，然而近年來，新的工廠諸如工業(yè)加工廠的設(shè)計越來越多地考慮可控性和可優(yōu)化性。另外，許多現(xiàn)有的加工廠以此為目標進行了改造。這種改造不僅包括對安裝的硬件的幾何結(jié)構(gòu)諸如反應(yīng)器、罐、管等的位置的改造，而且還包括對用于執(zhí)行過程控制的控制、監(jiān)控和測量單元的位置與類型的改造。隨著自然資源成本以及與排放有關(guān)的實際成本的增加，能源的消耗也變成了設(shè)計工廠時要考慮的重要因素?？刂菩阅鼙O(jiān)控與控制器重調(diào)或模型調(diào)度協(xié)同工作，能夠顯著地改進工業(yè)工廠的效率，并由此每年節(jié)約數(shù)百萬美元。另一種在近些年變得越來越流行的技術(shù)是異常情況監(jiān)控和預(yù)防(ASP)。在一些情況下，現(xiàn)代設(shè)備和控制系統(tǒng)設(shè)計包括新穎的傳感器和嵌入式統(tǒng)計算法，這能夠預(yù)測可能的失敗或者即將到來的維護周期。這些預(yù)測維護系統(tǒng)能夠顯著地增加工廠操作的正常運行時間，并且預(yù)防代價高昂且危險的意外停機現(xiàn)象。另外，在過去十年間這些技術(shù)的可靠性已有了顯著的增加，從而導致工廠效率的增加。作為這些成果的一部分，一類預(yù)測控制技術(shù)，一般稱為模型預(yù)測控制(MPC)技術(shù)，自從大約25年前被開發(fā)并應(yīng)用以來，在工業(yè)領(lǐng)域得到了重要的承認。一般來說，MPC指的是一類控制算法，該算法通過利用過程模型(典型地在本質(zhì)上為線性的)計算受控變量曲線以在未來的時間范圍內(nèi)受約束地優(yōu)化線性或二次的開環(huán)性能指標。這種開環(huán)的第一個作用是，在過程中實現(xiàn)最佳受控變量曲線，并且在每個控制間隔或控制器周期上重復(fù)該程序以執(zhí)行過程控制。在正在進行的控制期間，過程測量被用來更新優(yōu)化問題。這類控制算法也被稱為滾動域控制(recedinghorizoncontrol)或移動域控制(movinghorizoncontrol)。然而，由于其復(fù)雜性，MPC主要是在高級控制界中確立了它的位置，并因此MPC的配置典型地是由控制專家開發(fā)并委托他們管理的。因此，MPC的實現(xiàn)通常僅值得應(yīng)用在那些有希望大幅增加利潤以回報實現(xiàn)的高成本的過程中。這里，就輸入和輸出的數(shù)量而言，MPC應(yīng)用的規(guī)模通常很大，這也是為什么MPC典型地不被用在低端回路控制諸如單變量回路控制中的一個原因。更具體地，控制系統(tǒng)的委托成本是相當大的，并且實際上很少仔細注意在特定的加工廠中每條控制回路的配置。因此，所有控制回路中大約有百分之90受傳統(tǒng)線性反饋控制器控制，諸如比例-積分-微分(PID)控制器或者比例-積分(PI)控制器。另外，對于MPC控制器被使用的程度，這些控制器在本質(zhì)上也典型地為線性。遺憾的是，雖然過程控制工業(yè)中使用線性控制器是主流，但是大多數(shù)真實過程卻顯示出非線性的工作狀況。這種矛盾的后果是模型失配不可避免。未解決的模型失配不僅導致未達最佳標準的控制性能，而且還無效化了很多被開發(fā)用于改進控制性能和正常運行時間的技術(shù)的優(yōu)勢。因此，模型失配不僅就控制硬件和軟件而言是代價高昂的，而且實際上還減小了其他相關(guān)工廠技術(shù)所帶來的成本節(jié)約。一般來說，工業(yè)控制器的性能能夠以各種方法測量，而且不同過程可擁有極為不同的質(zhì)量和安全要求。實際上，工廠工程師可以使用一個或多個不同的性能標準，諸如超調(diào)、停止時間(arresttime)(積分過程)、振蕩特性、誤差積分以及絕對誤差積分(IAE)，以評估特定控制回路的性能。然而，對于PID控制器，關(guān)于給定控制器的被測量控制性能典型地為設(shè)定點跟蹤與抗干擾行為之間的折衷結(jié)果，即設(shè)定點跟蹤性能較好則導致抗干擾性能較差，反之亦然。例如，已知長的時間常數(shù)(即，諸如存在于滯后主導的過程中的時間常數(shù))會在PID控制器中導致差的抗干擾性能，所述PID控制器關(guān)于設(shè)定點跟蹤性能被調(diào)節(jié)。這種在PID控制器發(fā)展中的固有折衷，能夠通過下列事實來解釋，即為了抗負載干擾被理想調(diào)節(jié)的PID控制器必須有相對高的積分作用(即，相對小的積分時間常數(shù))，而該高積分作用不利于控制器的設(shè)定點改變性能。更具體地說，在設(shè)定點改變期間，甚至當受控制的變量(y)接近設(shè)定點(SP)時，過程誤差(e)在一段時間按內(nèi)保持為大。由于非常大的積分增益，積分項快速且超乎所需地增長，從而引起設(shè)定點超調(diào)。因此，目標為設(shè)定點改變性能的PID調(diào)節(jié)具有較小的積分作用和較差的抗負載改變或干擾性能。因為如以上注意到的，在所有工業(yè)領(lǐng)域中傳統(tǒng)PID控制仍是最流行的控制器選擇，受這一問題所困擾，已提出了許多途徑來試圖減小該問題的影響，其中包括對PID控制器結(jié)構(gòu)上的修正和設(shè)定點過濾。然而，即便使用了這些修正，在正確指定設(shè)定點跟蹤與抗干擾性能之間的折衷方面，PID控制器的調(diào)節(jié)仍然存在困難。典型地，不同的PID調(diào)節(jié)方法偏愛設(shè)定點跟蹤性能或抗干擾性能中的一個勝過另一個。另外為了受控制的過程，許多基于模型的調(diào)節(jié)技術(shù)將PID控制器的內(nèi)部參數(shù)匹配模型的內(nèi)部參數(shù)，其結(jié)果是產(chǎn)生這種相同的折衷。例如，PID調(diào)節(jié)方法諸如極點消除和lambda調(diào)節(jié)會將控制器的積分時間匹配過程的主導時間常數(shù)。這里，設(shè)定控制器增益以實現(xiàn)某種閉環(huán)時間常數(shù)和某種設(shè)定點改變響應(yīng)(例如，沒有超調(diào))。因為這種控制器的所得積分作用相對較小，所以這種技術(shù)顯示出非常好的設(shè)定點改變性能，但很差的抗干擾性能。另一方面，以經(jīng)驗為依據(jù)的PID調(diào)節(jié)方法諸如Ziegler-Nichols方法被特別設(shè)計用于抗干擾性能。然而，因為這種控制器的積分作用足夠強以致能非常迅速地將過程變量返回設(shè)定點，這會引起響應(yīng)于設(shè)定點改變的非期望的設(shè)定點超調(diào)。在極少數(shù)情況下，回路的用途僅為抗干擾(例如，沒有設(shè)定點改變的緩沖罐水平(buffertanklevel))或者僅為設(shè)定點跟蹤(例如，在不帶干擾的級聯(lián)策略中的次級回路)。雖然在這些情況下，可容易地選擇調(diào)節(jié)配置，但上述折衷常常被完全忽視，并典型地選擇默認的調(diào)節(jié)方法作為代替，這使所述調(diào)節(jié)在任何特定過程狀況中均低于最佳標準。如以上所注意到的，雖然已經(jīng)開發(fā)出為數(shù)眾多的調(diào)節(jié)方法以克服PID調(diào)節(jié)的這一限制，包括了設(shè)定點過濾和雙自由度結(jié)構(gòu)，這些調(diào)節(jié)方法典型地偏愛抗干擾性能，并因此對于設(shè)定點改變的控制器反應(yīng)被人為地減小了。例如，如果選擇了設(shè)定點過濾，則通過操作員進行的設(shè)定點改變被過濾以預(yù)防超調(diào)，其結(jié)果是產(chǎn)生對于設(shè)定點改變較慢的反應(yīng)。在任何情況下，以上所討論性能折衷的直接結(jié)果是需要為不同的控制目標選擇不同的調(diào)節(jié)方法，這就是為什么會對PID調(diào)節(jié)提出這么多調(diào)節(jié)方法的原因之一。對于有這么多PID調(diào)節(jié)技術(shù)可用的另一個原因是不同的調(diào)節(jié)規(guī)則或方法會使用不同的輸入變量，則其中僅有一些能夠簡單地用在任何特定過程中。例如，雖然許多調(diào)節(jié)方法基于過程模型計算調(diào)節(jié)，但是其他方法可基于其他過程特性計算調(diào)節(jié)。作為后面這種方法的例子，Ziegler-Nichols調(diào)節(jié)規(guī)則使用臨界增益和臨界頻率，雖然對一些機械過程而言該臨界增益和臨界頻率可易于確定，但在許多工業(yè)化學過程中實際上卻不能確定。另一方面，預(yù)測控制器諸如MPC控制器應(yīng)當能夠相類似地執(zhí)行用于設(shè)定點改變和負載改變，這是因為MPC控制器的積分部分不會受如關(guān)于PID控制器所觀察到的一樣的折衷困擾。更具體地說，MPC控制器一般不會顯示出設(shè)定點跟蹤與抗干擾之間的性能折衷，這是因為關(guān)于誤差懲罰和移動懲罰的項是固有地分離的，理論上這就使MPC控制器成為了PID控制器所期望的替代者。而且，在預(yù)測控制器中，當受控制的變量或過程輸出(y)接近設(shè)定點時，誤差(e)也不會增加。實際上，在第一執(zhí)行周期之后所述誤差理論上能夠為零，由此降低或消除了PID控制中固有的積分增益問題。遺憾的是，當存在過程模型失配時，即當由MPC控制器使用的過程模型不完美匹配實際過程特性時，MPC控制器的性能會迅速衰退。更進一步已知的是，當PID控制器為抗干擾而被特殊調(diào)節(jié)時，工業(yè)MPC控制器的抗干擾性能落后于PID控制器的抗干擾性能。若假設(shè)MPC技術(shù)中所使用的觀察器模型被認為是完美的，則近來MPC在狀態(tài)更新方面的改進已多少拉近了這種性能差距。然而，面對模型失配問題時，PID控制器的控制性能，如通過積分絕對誤差(IAE)測量到的，仍然優(yōu)于帶有盡可能最好的調(diào)節(jié)的MPC控制器的控制性能。即便如此，MPC仍被視為用來取代PID控制器的首要控制技術(shù)之一，因為MPC控制器被認為是能夠結(jié)合預(yù)測控制性能的好處以及僅使用或多或少的幾個直觀調(diào)節(jié)參數(shù)的這種便利性。然而目前，MPC控制器一般僅在PID控制執(zhí)行得很差或者過于困難以至于無法實現(xiàn)或維護的工業(yè)環(huán)境中取得了成功，盡管有學術(shù)界和控制系統(tǒng)廠商在近些年付出了巨大的努力以推廣MPC的應(yīng)用范圍的事實。從根本上說，因為對于大量過程而言，執(zhí)行PID控制仍優(yōu)于MPC，并且因為較之MPC類型控制器，部署PID控制器更廉價和更快捷，所以MPC控制器實際上僅取代了實際加工廠配置中的一小部分PID控制器。如上面所指明的，為什么MPC控制器的執(zhí)行往往差于PID控制器的主要原因之一是，由于其過程模型失配多于PID控制器(除可能的滯后主導過程之外)，所以MPC控制器更易受性能降低的影響。雖然有解決由過程中的非線性(或其他來源)所引起的模型失配的實際方法，諸如控制單元與傳送器的線性化以及使用控制器增益調(diào)度，但解決模型失配最普通的技術(shù)是實現(xiàn)控制器調(diào)節(jié)。然而，因為調(diào)節(jié)控制器很困難，過程操作員或工程師經(jīng)常關(guān)于最差的情況場景(例如最高的過程增益)調(diào)節(jié)控制器，并且對于過程的其他部分接受未達最佳標準的調(diào)節(jié)。因此，工業(yè)PID或MPC控制器的默認調(diào)節(jié)參數(shù)典型地是保守的，以便這些調(diào)節(jié)參數(shù)最初能夠工作于各種不同的過程應(yīng)用。然而，控制器通常無限期地留在它們的默認設(shè)定上，其結(jié)果則是總體較差的性能。即便不是這種情況，由識別誤差或由工廠偏差所引起的模型失配更難以用調(diào)節(jié)來解決。實際上，很難發(fā)現(xiàn)這類型的模型失配，這是因為需要足夠的過程擾動來實現(xiàn)模型識別，其典型地與過程控制的目標(即，響應(yīng)過程干擾將過程保持在穩(wěn)態(tài))相矛盾。另外，很難區(qū)別過程擾動和未被測量的干擾。一種響應(yīng)模型失配“調(diào)節(jié)”MPC控制器的方法，其根據(jù)過程改變重新生成過程模型，并隨后在MPC控制器內(nèi)使用這種新模型。遺憾的是，首先對開發(fā)基于模型的控制器所使用的精確過程模型有許多實際阻礙。例如，即使許多工業(yè)過程是最小相移的，但大多數(shù)閉環(huán)卻不是最小相移的。時延，也稱為死區(qū)時間，和更高階滯后產(chǎn)生右手極點(righthandpole)，其使得精確過程模型的開發(fā)變得非常復(fù)雜。在大多數(shù)情況下，閉環(huán)死區(qū)時間由管道中材料的輸送延遲，以及計算機控制系統(tǒng)中不可避免的離散采樣機制所產(chǎn)生，同時較高階的滯后通常是測量與控制設(shè)備中濾波器的時間常數(shù)的結(jié)果。在定義關(guān)于工業(yè)工廠的過程模型時常常能發(fā)現(xiàn)的其他困難包括由閥的機械特性與封裝所產(chǎn)生的分辨率和死區(qū)。為控制器開發(fā)過程模型時，這些和其他因素給工業(yè)工廠領(lǐng)域中的控制工程師提出了許多困難。例如，即使期望某一過程表現(xiàn)得像帶有確定增益和時間常數(shù)的一階濾波器，依賴于容器的幾何結(jié)構(gòu)，控制工程師要考慮來自傳送器的額外時間常數(shù)、控制單元計算機采樣以及抖動。尤其是，任何數(shù)字控制系統(tǒng)具有中央處理單元(CPU)和通信約束，這意味著為工廠中所有類型的回路提供充足的過采樣是不實際的。例如，雖然三倍最大時間常數(shù)加上死區(qū)時間的采樣率或五倍死區(qū)時間的采樣率，無論哪一個較大，通常都有理由認為是足夠的，但這一采樣率對于工廠中的許多控制回路(諸如流量回路和壓力回路)卻通常是不可能實現(xiàn)的。因此，工程師通常不能夠單依靠可用于反應(yīng)中一部分的第一原理模型。另外，過程模型識別由集成的自動工具理想地執(zhí)行。然而，典型地在實際工廠中使用以識別過程模型的第一原理建模和通用第三方解決方案，通過直接連接到現(xiàn)場儀表這么做。所以，這些解決方案不是綜合的，因為它們不考慮(或者充其量僅近似)計算機控制系統(tǒng)本身在回路性能上的影響。所有這些因素能夠引起所述過程與被開發(fā)以控制該過程的過程模型之間相當大的失配，使基于模型的控制和調(diào)節(jié)方法在實際狀況中是不值得期望的。

技術(shù)實現(xiàn)要素：
已確定的是，MPC控制器反饋控制能力中的不足是關(guān)于PID與MPC控制器之間性能差距的一個原因，尤其是存在過程模型失配時。認識到這一事實，此處所描述的MPC自適應(yīng)和調(diào)節(jié)技術(shù)集成反饋控制性能，這要勝過現(xiàn)在MPC類型控制器中常用的方法，其結(jié)果是產(chǎn)生了一種在存在過程模型失配時執(zhí)行優(yōu)于傳統(tǒng)MPC技術(shù)的MPC自適應(yīng)/調(diào)節(jié)技術(shù)。尤其是，MPC控制器的性能可通過為MPC控制器添加自適應(yīng)/調(diào)節(jié)單元來增強，其中自適應(yīng)/調(diào)節(jié)單元確定在線過程控制期間MPC控制器內(nèi)要使用的最好或最佳的一組過程模型、MPC設(shè)計和/或調(diào)節(jié)參數(shù)，以改進在存在特定數(shù)量或一系列模型失配時MPC控制器的抗干擾性能。更具體地，所述自適應(yīng)/調(diào)節(jié)單元實現(xiàn)確定了一個或多個MPC控制器調(diào)節(jié)和設(shè)計參數(shù)的優(yōu)化例程，所述調(diào)節(jié)和設(shè)計參數(shù)包括例如MPC形式、用于MPC控制器和觀察器諸如卡爾曼濾波器中的任一個或兩個的懲罰因子、和用于MPC控制器內(nèi)的控制器模型，這基于事先確定的過程模型以及不是已知或預(yù)期的過程模型失配就是已知或預(yù)期的過程模型失配范圍。這種自適應(yīng)/調(diào)節(jié)單元可以用來周期性地或連續(xù)地自適應(yīng)和/或調(diào)節(jié)MPC控制器，以開發(fā)在存在已知或預(yù)期的模型失配或模型失配范圍時有最好總體性能的MPC控制器，而完全不需要重新生成原始過程模型。因此，這種自動自適應(yīng)/調(diào)節(jié)MPC控制器的方法基于模型失配或模型失配范圍來確定最佳調(diào)節(jié)參數(shù)，使得存在模型失配時MPC控制器能夠被最佳地操作，并且能夠被有利地使用以執(zhí)行閉環(huán)自適應(yīng)控制，使其在許多實例中成為優(yōu)于PID控制技術(shù)的選擇。此外，可在例如MPC控制器單元中使用的方法使用了控制誤差和/或預(yù)測誤差的自相關(guān)函數(shù)以確定模型失配的估計大小或改變，所述模型失配是當前MPC控制器中所使用的過程模型與實際過程之間的失配。這種估計可用來開始新的自適應(yīng)/調(diào)節(jié)周期以更新MPC控制器設(shè)計和調(diào)節(jié)參數(shù)，由此在存在新的數(shù)量的模型失配時執(zhí)行更好的控制。這種發(fā)現(xiàn)模型失配的方法可以用來確定，什么時候以使其更易受過程狀態(tài)的改變影響的方式來調(diào)節(jié)控制器，尤其是當這種狀態(tài)改變會伴隨著過程模型中的改變，并因此能用來先于過程改變的發(fā)生修正或重調(diào)MPC控制器，而所述過程改變對于當前被調(diào)節(jié)的MPC控制器而言或許還不能夠被很好地處理。附圖說明圖1是過程控制系統(tǒng)的框圖，所述過程控制系統(tǒng)包括的控制模塊具有實現(xiàn)了MPC控制器的高級控制器功能塊；圖2是典型的MPC控制器的框圖；圖3是典型的MPC控制器單元的框圖，所述MPC控制器單元具有被連接以控制加工廠的MPC控制器和狀態(tài)觀察器；圖4是自適應(yīng)/調(diào)節(jié)塊的原理圖，所述自適應(yīng)/調(diào)節(jié)塊耦合到MPC控制器單元以基于過程模型和一個或多個過程模型參數(shù)中的模型失配來確定MPC設(shè)計和調(diào)節(jié)參數(shù)；圖5是最小積分絕對誤差的示例曲線圖，所述最小積分絕對誤差與在存在過程模型的過程增益參數(shù)中的模型失配時確定最佳調(diào)節(jié)有關(guān)；圖6是最小可獲得的積分絕對誤差示例曲線圖，所述最小可獲得的積分絕對誤差與在存在過程模型的一階時間常數(shù)中的模型失配時確定最佳調(diào)節(jié)有關(guān)；圖7是最小可獲得的積分絕對誤差示例曲線圖，所述最小可獲得的積分絕對誤差與在存在過程模型的二階時間常數(shù)中的模型失配時確定最佳調(diào)節(jié)有關(guān)；圖8描繪了盡可能最好的積分絕對誤差的三維表面圖，所述盡可能最好的積分絕對誤差如通過圖4的自適應(yīng)/調(diào)節(jié)塊計算的一樣，用于帶有一般卡爾曼濾波器狀態(tài)更新的MPC控制器中的兩個過程模型參數(shù)的模型失配；圖9描繪了盡可能最好的積分絕對誤差的三維表面圖，所述盡可能最好的積分絕對誤差如通過圖4的自適應(yīng)/調(diào)節(jié)塊計算的一樣，用于帶有簡化的卡爾曼濾波器狀態(tài)更新的MPC控制器中的兩個過程模型參數(shù)的模型失配；圖10是二維子空間中模型失配范圍的示圖；圖11是圖10的二維模型失配子空間的示圖，其在假設(shè)的過程模型中心點上疊加于圖8的三維曲線圖以規(guī)定二維模型失配范圍子空間；圖12是一種方式的示圖，所述方式是將圖11的二維模型失配范圍子空間移動到圖11的三維曲線圖上的不同位置處，以確定新的一組控制器模型參數(shù)以及新的一組最佳MPC調(diào)節(jié)和設(shè)計參數(shù)，它們與模型失配范圍子空間有關(guān)；圖13是自適應(yīng)/調(diào)節(jié)塊的框圖，所述自適應(yīng)/調(diào)節(jié)塊基于過程或工廠模型以及模型失配范圍優(yōu)化MPC控制器；圖14是示出將圖13中自適應(yīng)/調(diào)節(jié)塊的應(yīng)用到使用了開環(huán)調(diào)節(jié)的MPC控制的框圖；圖15是示出將圖13中自適應(yīng)/調(diào)節(jié)塊的應(yīng)用到使用了耦合到過程的特性估計器塊的閉環(huán)調(diào)節(jié)配置中的MPC控制的框圖；圖16是示出將圖13中自適應(yīng)/調(diào)節(jié)塊的應(yīng)用到使用了耦合到MPC控制器的新息分析塊的閉環(huán)調(diào)節(jié)配置中的MPC控制的框圖；圖17示出二元精餾塔的P&ID，其被用于此處所描述的MPC控制器自適應(yīng)/調(diào)節(jié)方法的實驗性測試；圖18示出了當以第一汽耗率控制圖17二元精餾塔內(nèi)的水平時，三個被不同地調(diào)節(jié)的MPC控制器和一個PID控制器的性能曲線圖；圖19示出了當在從第一汽耗率到第二汽耗率的蒸汽流量率中引入人為的未測量干擾之后，控制圖17二元精餾塔內(nèi)的水平時，三個被不同地調(diào)節(jié)的MPC控制器和一個PID控制器的性能曲線圖；圖20示出了當以第二汽耗率控制圖17二元精餾塔內(nèi)的水平時，兩個被不同地調(diào)節(jié)的MPC控制器和一個PID控制器的性能曲線圖；圖21示出了當以與圖18曲線圖有關(guān)的第一汽耗率操作時，以三個不同MPC調(diào)節(jié)設(shè)定的MPC控制器中預(yù)測誤差的自相關(guān)的曲線圖；圖22示出了當以與圖20曲線圖有關(guān)的第二汽耗率操作時，關(guān)于三個不同MPC調(diào)節(jié)設(shè)定中的兩個的MPC控制器中的預(yù)測誤差的自相關(guān)的曲線圖；圖23示出了當在抑制與圖19曲線圖有關(guān)的未測量的干擾期間操作時，關(guān)于三個不同MPC調(diào)節(jié)設(shè)定的MPC控制器中的預(yù)測誤差的自相關(guān)的曲線圖；圖24示出了當在以與圖18曲線圖有關(guān)的第一汽耗率期間操作時，以三個不同MPC調(diào)節(jié)設(shè)定的MPC控制器(以及PID控制器)中的控制誤差的自相關(guān)的曲線圖；圖25示出了在與將蒸汽流量率從第一汽耗率改變到第二汽耗率相關(guān)聯(lián)的未測量的干擾的抑制期間進行操作時，以三個不同MPC調(diào)節(jié)設(shè)定的MPC控制器(以及PID控制器)中的控制誤差的自相關(guān)的曲線圖；以及圖26是示出了將圖13的自適應(yīng)/調(diào)節(jié)塊應(yīng)用到閉環(huán)調(diào)節(jié)配置中的MPC控制的框圖，該閉環(huán)調(diào)節(jié)配置包括的估計器依賴于過程估計和新息分析估計中的一個或兩個以發(fā)起MPC控制器的自適應(yīng)調(diào)節(jié)。具體實施方式一般來說，此處討論的新控制器自適應(yīng)、設(shè)計和調(diào)節(jié)方法可以應(yīng)用到各種不同類型的模型預(yù)測控制(MPC)控制器，供任何期望的或適當?shù)目刂破髟O(shè)置使用。然而，這種新的控制器自適應(yīng)、設(shè)計和調(diào)節(jié)方法對于加工廠中，諸如像藥品和化學制造工廠、精煉廠，等等的工業(yè)加工廠中所使用的控制系統(tǒng)是尤其有用的。另外，雖然新MPC控制器自適應(yīng)、設(shè)計和調(diào)節(jié)技術(shù)在此處被描述成作為分布式過程控制網(wǎng)絡(luò)中的一部分被實現(xiàn)，但其還能夠被實現(xiàn)在其他類型的控制環(huán)境中，例如包括作為集中控制系統(tǒng)的部分、作為可編程邏輯控制(PLC)系統(tǒng)的部分、作為獨立控制系統(tǒng)的部分，等等?，F(xiàn)在參考圖1，在其中此處所描述的MPC控制器自適應(yīng)、設(shè)計和調(diào)節(jié)技術(shù)可以被實現(xiàn)的過程控制系統(tǒng)10包括過程控制器11，其通信地連接到數(shù)據(jù)歷史數(shù)據(jù)庫12和每個都具有顯示屏幕14的一個或多個主工作站或主機13(其可以是任何類型的個人計算機、工作站，等等)?？刂破?1也經(jīng)由輸入/輸出(I/O)卡26和28連接到現(xiàn)場設(shè)備15-22。數(shù)據(jù)歷史數(shù)據(jù)庫12可以是任何期望類型的數(shù)據(jù)收集單元，其具有用于存儲數(shù)據(jù)的任何期望類型的存儲器和任何期望或已知的軟件、硬件或者固件，并且數(shù)據(jù)歷史數(shù)據(jù)庫12可以從工作站13之一分離出來(如圖1中示出的)或者可以是工作站13之一的一部分。僅通過舉例的方式，控制器11可以是由EmersonProcessManagement出售的DeltaVTM控制器，該控制器11經(jīng)由例如以太網(wǎng)連接或任何其他期望的通信網(wǎng)絡(luò)29通信地連接到主機13和數(shù)據(jù)歷史數(shù)據(jù)庫12。所述通信網(wǎng)絡(luò)29可以用局域網(wǎng)(LAN)、廣域網(wǎng)(WAN)、電信網(wǎng)絡(luò)等等的形式，并且可使用硬連線或無線技術(shù)來實現(xiàn)?？刂破?1使用與例如，標準4-20ma設(shè)備和/或任何智能通信協(xié)議諸如現(xiàn)場總線協(xié)議(現(xiàn)場總線)、協(xié)議、無線HARTTM協(xié)議等等相關(guān)的任何期望硬件和軟件，通信地連接到的現(xiàn)場設(shè)備15-22?，F(xiàn)場設(shè)備15-22可以是任何類型的設(shè)備，諸如傳感器、閥、傳送器、定位器等等，而I/O卡26和28可以是符合任何期望通信或控制器協(xié)議的任何類型的I/O設(shè)備。在圖1示出的實施方式中，現(xiàn)場設(shè)備15-18是標準4-20ma設(shè)備或設(shè)備，其通過模擬線路或者組合的模擬/數(shù)字線路與I/O卡26通信，同時現(xiàn)場設(shè)備19-22是智能設(shè)備，諸如Fieldbus現(xiàn)場設(shè)備，其使用Fieldbus協(xié)議通信通過數(shù)字總線與I/O卡28通信。當然，現(xiàn)場設(shè)備15-22能夠遵從任何其他期望的標準或協(xié)議，其中包括現(xiàn)在已有的或者未來被形成的任何標準或協(xié)議。同樣地，現(xiàn)場設(shè)備15-22之間的通信能夠使用有線技術(shù)、無線技術(shù)或者如果需要的話使用有線與無線技術(shù)的組合來實現(xiàn)?？梢允枪S10內(nèi)許多分布式控制器之一的控制器11具有至少一個處理器，其中該控制器實現(xiàn)或監(jiān)視存儲在其中或者以其他方式與之相關(guān)的一個或多個過程控制例程，該過程控制例程可包括控制回路。控制器11還與設(shè)備15-22、主機13以及數(shù)據(jù)歷史數(shù)據(jù)庫12通信來以任何期望的方式來控制過程。應(yīng)當注意的是，此處所描述的任何控制例程或單元，其可具有的部分由不同控制器或者如果需要的話由其他設(shè)備實現(xiàn)或執(zhí)行。同樣地，此處所描述要實現(xiàn)在過程控制系統(tǒng)10內(nèi)的控制例程或單元可以采用任何形式，其中包括軟件、固件、硬件等等。出于討論的目的，過程控制單元可以是過程控制系統(tǒng)的任何部件或部分，所述過程控制系統(tǒng)包括例如存儲在任何計算機可讀介質(zhì)上的例程、塊或者模塊，以便能夠由處理器諸如計算機設(shè)備的CPU來執(zhí)行。控制例程，其可以是模塊或者控制程序的任何部分，諸如子例程、子例程的部分(諸如幾行代碼)等等，可以用任何期望的軟件格式實現(xiàn)，所述軟件格式諸如使用了梯形邏輯、順序功能圖、功能框圖、面向?qū)ο缶幊痰恼Z言或任何其他的軟件編程語言或者設(shè)計范例。同樣地，控制例程可以被硬編碼到例如，一個或多個EPROM、EEPROM、專用集成電路(ASIC)、或者任何其他的硬件或固件單元。更近一步，控制例程可以使用任何設(shè)計工具來設(shè)計，其中包括圖形設(shè)計工具或任何其他類型的軟件、硬件、或固件編程或設(shè)計工具。因此，控制器11一般可以被配置成以任何期望方式來實現(xiàn)控制策略或控制例程。在一個實施方式中，控制器11實現(xiàn)了控制策略，其使用通常所稱的功能塊，其中每個功能塊是整個控制例程的部分或?qū)ο蟛⑶疫B同其他功能塊(經(jīng)由稱為鏈接的通信)一起操作，以實現(xiàn)過程控制系統(tǒng)10內(nèi)的過程控制回路。典型地，功能塊執(zhí)行諸如與傳送器、傳感器或其他過程參數(shù)測量設(shè)備有關(guān)的輸入功能、諸如與執(zhí)行PID、MPC、模糊邏輯等控制的控制例程有關(guān)的控制功能、或控制一些設(shè)備諸如閥的操作以執(zhí)行過程控制系統(tǒng)10內(nèi)的一些物理功能的輸出功能中之一。當然存在著混合類型或其他類型的功能塊。功能塊可以存儲在控制器11中并由其執(zhí)行，這典型地是當所述功能塊被用于、或者相關(guān)于標準4-20ma設(shè)備和一些類型的智能現(xiàn)場設(shè)備諸如設(shè)備時的情況，或者功能塊可以被存儲在現(xiàn)場設(shè)備中并由現(xiàn)場設(shè)備本身實現(xiàn)，這可以是使用Fieldbus設(shè)備的情況。更進一步，執(zhí)行控制例程的功能塊，可以被全部地或部分地實現(xiàn)在主工作站或主機13或者任何其他的計算機設(shè)備中，控制例程諸如這里描述的控制器自適應(yīng)和調(diào)節(jié)例程或技術(shù)。雖然此處所提供的對控制系統(tǒng)的描述使用采用了面向?qū)ο蟮木幊谭独墓δ軌K控制策略，但是控制策略或控制回路或模塊也能夠使用其它慣例并且使用任何期望的編程語言或范例來被實現(xiàn)或設(shè)計。如通過圖1的擴展塊30所示出的，控制器11可如例程32和34所示出的包括許多單回路控制例程，并且可如控制回路36所示出的實現(xiàn)一個或多個高級控制回路。每條這種回路被典型地稱為控制模塊。單回路控制例程32和34被示出為執(zhí)行單個回路控制，其各自使用單輸入/單輸出模糊邏輯控制塊和單輸入/單輸出PID控制塊，所述回路控制連接到適當?shù)哪M輸入(AI)和模擬輸出(AO)功能塊，其可以與過程控制設(shè)備諸如閥，與測量設(shè)備諸如溫度和壓力傳送器，或者與過程控制系統(tǒng)10內(nèi)的任何其他設(shè)備有關(guān)。高級控制回路36被示出為包括高級控制塊38，該高級控制塊38具有通信地連接到為數(shù)眾多的AI功能塊的輸入以及通信地連接到為數(shù)眾多的AO功能塊的輸出，雖然高級控制塊38的輸入和輸出可以被通信地連接到任何其他期望的功能塊或控制單元，以接收其它類型的輸入并提供其它類型的輸出。另外，雖然高級控制塊38被示出為實現(xiàn)多變量(例如，多/輸入、多/輸出)控制，其也可以被用來實現(xiàn)單變量(例如，單/輸入、單/輸出)控制。如將要被進一步描述的，高級控制塊38可以是將模型預(yù)測控制(MPC)例程與控制器自適應(yīng)/調(diào)節(jié)塊集成在一起的控制塊，該控制器自適應(yīng)/調(diào)節(jié)塊將控制器的設(shè)計和調(diào)節(jié)參數(shù)提供到MPC控制器例程以執(zhí)行過程或過程中一部分的控制。雖然，此處高級控制塊38將被描述為一般包括模型預(yù)測控制(MPC)塊，但是高級控制塊38實際上能夠?qū)崿F(xiàn)許多不同類型的MPC技術(shù)中的任何，并且如此處將要以更多細節(jié)描述的，在一些情況下甚至能夠在這些技術(shù)之間進行切換。要理解的是，圖1中所示出的控制模塊或者這些模塊的子組件，包括了高級控制塊38或其組件，能夠由控制器11執(zhí)行，或者可供選擇地能夠位于任何其他的處理設(shè)備，諸如工作站13之一或者甚至現(xiàn)場設(shè)備19-22之一中，并且由該任何其他的處理設(shè)備執(zhí)行。例如，在一個實施方式中，MPC控制器自適應(yīng)/調(diào)節(jié)塊42可以被存儲在計算機13中，并且可以在計算機13上被執(zhí)行以向MPC控制器提供MPC控制器調(diào)節(jié)參數(shù)、設(shè)計參數(shù)和過程模型參數(shù)，所述MPC控制器存儲在高級控制塊38內(nèi)，該高級控制塊38則在控制器11中執(zhí)行。如圖1中示出的，工作站13之一包括高級控制塊生成例程44，其用來產(chǎn)生、下載并且實現(xiàn)高級控制塊38。雖然高級控制塊生成例程44可以被存儲在工作站13內(nèi)的存儲器中，并且由其中的處理器執(zhí)行，但是如果需要的話，這種例程(或其任何部分)能夠額外地或可供選擇地存儲在過程控制系統(tǒng)10內(nèi)的任何其他設(shè)備中，并且該其他設(shè)備執(zhí)行。更進一步地，用戶界面例程46可以允許用戶諸如過程操作員、控制工程師等等指定或改變與高級控制塊38有關(guān)的調(diào)節(jié)、設(shè)計或控制參數(shù)，以改變設(shè)定點，發(fā)起由自適應(yīng)/調(diào)節(jié)塊42所執(zhí)行的自適應(yīng)/調(diào)節(jié)程序，提供新的模型參數(shù)，提供模型失配值或模型失配范圍值，等等。如背景中的方法，MPC技術(shù)的許多工業(yè)實現(xiàn)包括模型算法控制(MAC)技術(shù)和動態(tài)矩陣控制(DMC)技術(shù)。DMC技術(shù)使用所述過程的線性階躍響應(yīng)或脈沖響應(yīng)模型，并且在這種情況下，最佳控制途徑是離線預(yù)計算并存儲在大型矩陣中。這種控制器矩陣則用來通過疊加計算受控變量的在線移動。因此，與在線求解最佳方程的MPC方法相比，計算的成本被大幅減小。DMC技術(shù)的另一個優(yōu)勢是，其中所使用的狀態(tài)變量從過程模型中被直觀地算出，并代表了明確的未來輸出預(yù)測，這就意味著過程輸出的未來預(yù)測，諸如與限制有關(guān)的變量能夠容易地得到并能夠顯示給用戶。其他的MPC實現(xiàn)包括：IDCOM和線性動態(tài)矩陣控制(LDMC)，其使用線性目標函數(shù)且明確地并入限制；二次動態(tài)矩陣控制(QDMC)，其為并入了二次性能函數(shù)的DMC的擴展且在限制的并入中是明確的；IDCOM-M，其為IDCOM的擴展，使用了二次編程算法以取代最初實現(xiàn)中的迭代求解技術(shù)；以及Shell多變量優(yōu)化控制(SMOC)，其為狀態(tài)空間實現(xiàn)。另一類MPC技術(shù)使用狀態(tài)觀察器以提供更好的MPC性能。圖2示出多變量MPC控制器單元52一個實施方式的詳細框圖，所述多變量MPC控制器單元52(通信地耦合到過程50)可通過圖1中的高級控制塊38實現(xiàn)，以執(zhí)行多變量過程控制。在這種情況下，MPC控制器單元52可以用來實現(xiàn)DMC控制技術(shù)。然而，這種討論為MPC控制廣義的理解提供了良好的基礎(chǔ)。如圖2中所示，高級控制塊38產(chǎn)生一組被提供給其他功能塊的受控變量(MVS)，所述功能塊轉(zhuǎn)而連接到過程50的控制輸入。如圖2中示出的，高級控制塊38包括MPC控制器塊52，其可以包括或?qū)崿F(xiàn)任何標準的MPC例程或程序，典型地具有與輸出相同數(shù)量的輸入，盡管這個要求并不是必須的。作為輸入，MPC控制器52接收一組N個受控制的變量(CVS)和輔助變量(AVS)，它們典型地構(gòu)成數(shù)值的向量，正如在過程50內(nèi)所測量到的一樣；一組干擾變量(DVS)，其為在未來某個時刻被提供到過程50的已知或期望的改變或干擾；以及一組穩(wěn)態(tài)目標控制(CVT)和輔助變量(AVT)，其從例如優(yōu)化器(未顯示)、用戶或任何其他的來源被提供。MPC控制器52使用這些輸入來以控制信號的形式產(chǎn)生一組M個受控變量(MV)信號，并且將所述受控變量信號MV送達至過程50的控制輸入，所述控制輸入可以是閥的致動器、燃燒器、泵等等。更進一步，MPC控制器52在控制范圍上計算并生成一組預(yù)測的穩(wěn)態(tài)控制變量(CVSS)和輔助變量(AVSS)連同一組各自代表了控制變量(CVS)、輔助變量(AVS)以及受控變量(MVS)的預(yù)測的穩(wěn)態(tài)受控變量(MVSS)。這些變量可以用于一個或多個MPC優(yōu)化例程以形成目標控制和輔助變量CVT和AVT，以便將過程50驅(qū)動至最佳的操作狀態(tài)。無論如何形成，目標控制變量CVT和輔助變量AVT都會被提供作為到達MPC控制器52的輸入，如之前注意到的，所述MPC控制器52使用這些目標值CVT和AVT以確定新的一組穩(wěn)態(tài)受控變量MVSS(在控制范圍上)，其在控制范圍的末端將當前控制和受控變量CV和AV驅(qū)動至目標值CVT和AVT。當然，正如已知的，MPC控制器52逐步地改變受控變量，以試圖達到穩(wěn)態(tài)受控變量MVSS的穩(wěn)態(tài)值，理論上所述穩(wěn)態(tài)值將導致過程獲得目標控制變量CVT和輔助變量AVT。因為MPC控制器52如上所述在每個過程掃描期間進行操作，所以受控變量的目標值可以逐掃描地改變，并因此MPC控制器52可能永遠無法實際達到目標受控變量MV的這些組的中任何特定的一個，尤其是在過程50中存在噪聲、意外干擾、變化時。如已知的，MPC控制器52包括控制預(yù)測過程模型70(也稱為“控制器模型”)，其可以是各種不同MPC控制技術(shù)中的任何一個中所使用的任何類型的模型。例如，模型70可以是N乘M+D階的響應(yīng)矩陣(這里N是控制變量CV的數(shù)量加上輔助變量AV的數(shù)量，M是受控變量MV的數(shù)量并且D是干擾變量DV的數(shù)量)。然而，模型70可以是一階、二階、三階等等的預(yù)測或第一原理模型(firstprinciplesmodel)、狀態(tài)空間模型、卷積過程模型、或者任何其他類型的過程模型。控制器模型70可以從過程擾動測試中確定，所述過程擾動測試使用了不需要很大的基礎(chǔ)建模努力的時序分析技術(shù)，或者控制器模型70可以使用任何其他的已知過程建模技術(shù)來確定，所述已知過程建模技術(shù)包括那些疊加了一組或多組線性模型或非線性模型的建模技術(shù)。在任何情況下，控制預(yù)測過程模型70產(chǎn)生輸出72，其為控制變量CV和輔助變量AV中的每一個確定事先計算的預(yù)測，并且向量加法器74從控制變量CV和輔助變量AV的實際測量值減去當前時間的這些預(yù)測值，以在輸入76上生成誤差向量或校正向量。這種誤差被典型地稱為預(yù)測誤差。隨后，控制預(yù)測過程模型70在控制范圍上為控制變量CV和輔助變量AV中的每一個預(yù)測未來控制參數(shù)，這是基于被提供給控制預(yù)測過程模型70中其他輸入的干擾變量和受控變量。控制預(yù)測過程模型70還產(chǎn)生上面所討論的控制變量CVSS和輔助變量AVSS的預(yù)測穩(wěn)態(tài)值?？刂颇繕藟K80為N個目標控制變量CVT和輔助變量AVT中的每一個確定控制目標向量，所述目標控制變量CVT和輔助變量AVT通過目標轉(zhuǎn)換塊55被提供到控制目標塊80，其使用的軌跡濾波器82是事先為塊38所建立的。尤其是，軌跡濾波器提供的單位向量規(guī)定了隨著時間推移將控制變量和輔助變量驅(qū)動至它們的目標值的方式。控制目標塊80使用這種單位向量CVT和目標變量AVT以為控制變量和輔助變量中每一個產(chǎn)生動態(tài)控制目標向量，其在由控制范圍時間所規(guī)定的時間段內(nèi)，規(guī)定了在目標變量CVT和AVT中的改變。隨后，向量加法器84從動態(tài)控制向量減去關(guān)于控制變量CV和輔助變量AV中每一個的未來控制參數(shù)向量，以為控制變量CV和輔助變量AV中每一個規(guī)定未來誤差向量。隨后，關(guān)于控制變量CV和輔助變量AV中每一個的未來誤差向量被提供到MPC算法86，該MPC算法86在控制范圍上操作以選擇最小化了例如最小平方誤差或積分絕對誤差(IAE)的受控變量MV步驟。在一些實施方式中，MPC算法86可以使用M乘M的控制矩陣，如果需要的話，所述控制矩陣從輸入到MPC控制器52的N個控制和輔助變量與從MPC控制器52輸出的M個受控變量之間的關(guān)系來形成。更具體地說，MPC算法86具有兩個主要目標。首先，MPC算法86嘗試在操作限制內(nèi)以最小的MV移動最小化CV控制誤差；以及其次，MPC算法86嘗試達到最佳穩(wěn)態(tài)MV值和目標CV值，其直接從最佳穩(wěn)態(tài)MV值中計算得來。關(guān)于典型模型預(yù)測控制器的狀態(tài)方程可以被表達為：這里Q、R、S分別為關(guān)于誤差、控制器移動和增量移動的懲罰權(quán)重，xk是模型狀態(tài)矩陣，yk是過程輸出以及uk是控制器輸出。因為Q、R和S懲罰向量固有地分離，則MPC控制器一般不具有設(shè)定點跟蹤與抗干擾之間的性能折衷。然而，MPC控制器仍需要被調(diào)節(jié)用于特定多變量過程控制目標。雖然所述過程模型總是與MPC控制器的內(nèi)部結(jié)構(gòu)相匹配(例如，過程狀態(tài)空間與狀態(tài)空間MPC表達式)，但還要有額外的調(diào)節(jié)參數(shù)來確定關(guān)于設(shè)定點改變和抗干擾的工作狀況。尤其是，根據(jù)與最終用戶所規(guī)定的特定過程的控制目標，懲罰向量能夠用來強調(diào)一個變量勝過其他變量。如果懷疑有模型失配，則懲罰向量Q和R還能夠用來使控制器更具魯棒性(即，失調(diào)(detune)控制器)。然而，因為一些方法諸如漏斗控制(funnelcontrol)或者參考軌跡有效地過濾誤差向量，則它們在魯棒性上具有更明顯的影響，這也就是為什么這些方法對于工程師和操作員在工業(yè)過程應(yīng)用中調(diào)節(jié)模型預(yù)測控制器而言是優(yōu)選的方法。因為模型預(yù)測控制器固有地“匹配”所述過程，則對于特定的過程模型控制移動總是最佳的。這一事實意味著控制器僅能夠被失調(diào)(根據(jù)最終控制單元上的物理限制)并且永遠不能夠被非常積極地調(diào)節(jié)。例如，閥打開速度永遠不能無限大，并因此，R的值實際上永遠不能為零。已知的是，當PID控制器關(guān)于抗干擾被具體調(diào)節(jié)時，工業(yè)MPC控制器的抗干擾落后于PID控制器。如果假設(shè)MPC例程中使用的觀察器模型被認為是完美的，近來MPC在狀態(tài)更新領(lǐng)域上的發(fā)展已經(jīng)拉近了這種性能差距。然而，存在模型失配時，PID控制器的控制性能(例如，IAE中測量的)仍然優(yōu)于帶有盡可能好的調(diào)節(jié)的MPC控制器的控制性能。即便如此，使用觀察器的MPC技術(shù)能夠用來改進反饋控制性能，并且在這一點上執(zhí)行MPC技術(shù)典型地優(yōu)于DMC技術(shù)。圖3中示出了一個基于觀察器的MPC控制器系統(tǒng)88的例子。這里，MPC控制器系統(tǒng)88包括MPC控制器90和觀察器92，在這種情況下，所述觀察器92被假設(shè)為卡爾曼濾波器。MPC控制器90將控制信號u提供給加工廠94和卡爾曼濾波器92。另外，MPC控制器和卡爾曼濾波器92接收干擾輸入d并且從工廠94接收反饋，所述干擾輸入也被提供給加工廠94或者存在于其中，所述反饋則是以被測量的受控制變量y的形式。在圖3中以建模的形式示出了加工廠94，其中工廠94包括接收了控制信號u和干擾信號d以及各種意外的誤差源或干擾源的工廠傳遞函數(shù)96。尤其是，干擾和噪聲模型98(傳遞函數(shù)GW)接收噪聲w(其可例如為白噪聲)，并且噪聲模型98的輸出被添加(純理論性的加法器100)到工廠傳遞函數(shù)96的輸出。加法器100的輸出則在另一個理論性的加法器102中被添加到測量誤差或測量噪聲z，以產(chǎn)生被測量的過程輸出y。在這一模型中，特征為隨機狀態(tài)空間模型的過程的狀態(tài)變量x的更新可以被表達為：yk＝Cxk+nk(5)關(guān)于高斯分布過程噪聲wk和測量噪聲nk。狀態(tài)觀察器，諸如圖3中的觀察器92的一般目標是基于所有可測量的系統(tǒng)輸入和輸出來提供對系統(tǒng)內(nèi)部狀態(tài)的估計。尤其是，如果方程(4)和(5)假設(shè)前提之一是向量A、B和C(其建模了所述過程)是完全已知的，則觀察器增益能夠被計算。于1960形成出的、被稱為卡爾曼濾波器的濾波器表達式已經(jīng)成為過程控制中最流行的方法，其用來基于有噪聲的或未完成的測量來估計內(nèi)部過程狀態(tài)。關(guān)于使用在方程(1)到(3)中被給出的MPC表達式的離散采樣系統(tǒng)，則用于估計下一狀態(tài)xk+1的卡爾曼濾波器方程為：這里J為卡爾曼濾波器增益，為帶有狀態(tài)變量k的狀態(tài)向量，yk是預(yù)測的過程輸出并且是過程輸出的實際值。如果關(guān)于未測量干擾和測量噪聲的協(xié)方差已知，則一般的卡爾曼濾波器結(jié)構(gòu)能夠通過擴大到達工廠模型的GW(干擾和噪聲模型)來產(chǎn)生，并且隨后重新計算關(guān)于被擴大模型(圖3中所示)的MPC控制器增益。濾波器增益J能夠通過以數(shù)值方法求解里卡蒂(Riccati)方程來確定，這里QKF是代表了w中干擾的協(xié)方差的正半定矩陣，并且RKF為代表了測量噪聲z的協(xié)方差的正定矩陣。如果協(xié)方差未知，則能夠使用卡爾曼濾波器的簡化版本。這一表達式假設(shè)干擾w獨立，并由此干擾w中的每個元素會影響過程輸出y的一個(且僅有一個)元素。作為這種假設(shè)前提的結(jié)果，不需要有QKF和RKF，即輸入和測量噪聲協(xié)方差。作為替代，這種簡化使用了濾波器時間常數(shù)τi以及對每次干擾的信噪比SNRi的估計，以產(chǎn)生如下的干擾模型：這里ai＝e-T/τi，0≤τi≤∞，并且T為采樣周期。當τi→0時，Gwi(q)接近單位增益，同時當τi→∞時，Gwi變?yōu)榉e分器。Δw的元素i是有零平均值和標準偏差σwi(這里wi(k)＝wi(k)-wi(k-1))的穩(wěn)態(tài)白噪聲信號。z的元素i是有零平均值和標準偏差σZi的穩(wěn)態(tài)白噪聲信號。狀態(tài)更新的目標是找出在時間的每個實例上(即，在離散控制器的每個掃描周期上)對當前狀態(tài)變量盡可能好的估計。然而，在調(diào)節(jié)好的MPC控制器中利用盡可能好的狀態(tài)估計并不一定意味著將會導致盡可能好的控制性能。尤其是，狀態(tài)更新模型的閉環(huán)反饋路徑的動態(tài)工作狀況依賴于觀察器增益J。然而，因為觀察器增益J來源于噪聲協(xié)方差(或者在簡化卡爾曼濾波器表達式的情況下為信噪比)，所以不存在考慮到觀察器傳遞函數(shù)的調(diào)節(jié)參數(shù)或通用變量。因此，閉環(huán)控制性能可能以非期望的方式(未達最佳標準)被影響。然而，已確定的是，用于大范圍J的閉環(huán)響應(yīng)對于特定控制器狀況而言是非常類似的。因此，看起來J的值對控制性能僅具有很小的影響。出人意外地，這種觀察對于完美模型和有模型失配的情況這兩者都適用。實際上已確定的是，對與有和沒有模型失配這兩種情況，在觀察器內(nèi)對移動懲罰和誤差懲罰的調(diào)節(jié)對控制性能有大得多的影響，并因此這些調(diào)節(jié)參數(shù)將被用在以下所提供的對調(diào)討節(jié)的論中。雖然觀察器改進了MPC反饋性能，它們?nèi)杂幸恍┘僭O(shè)前提，即不具有以經(jīng)驗為依據(jù)調(diào)節(jié)的控制器，諸如PID控制器。更近一步，帶有或不帶有基于模型的觀察器的任何基于模型的預(yù)測控制器將假設(shè)所述模型被認為是完美的，這對與于實際加工廠的情況幾乎是永遠不可能出現(xiàn)的。遺憾的是，甚至小的模型誤差都能夠?qū)е聲疠^差控制器性能的大預(yù)測和狀態(tài)更新誤差。如以上所討論的，用于模型預(yù)測控制器的調(diào)節(jié)參數(shù)通常被用來調(diào)整控制器工作狀況，這是以期望用于特定工廠應(yīng)用的方式。例如，某種期望的速度響應(yīng)可以通過將移動懲罰R調(diào)節(jié)成某數(shù)值來設(shè)定。然而，由調(diào)試工程師所設(shè)計的預(yù)期工作狀況僅在模型失配無關(guān)緊要時會出現(xiàn)，而這對于工業(yè)工廠的情況是極少見的。為解釋明顯的模型失配，專業(yè)人員通常借助于迭代調(diào)節(jié)直到期望的工作狀況能夠被觀察為止。因為其非常耗時所以這一過程是代價高昂的，并且因為很難覆蓋所有可能的控制和運行中工廠的限制情況，所以該過程可能不是最佳的。即使這一方法導致了關(guān)于給定模型失配的期望的工廠工作狀況時，如果模型失配的大小改變的話，則能夠預(yù)期所述工作狀況發(fā)生改變。此外，即使模型失配量及其變化已知的話，沒有方法能從這一信息取得調(diào)節(jié)信息。以下所描述的MPC自適應(yīng)和調(diào)節(jié)技術(shù)使用了過程模型失配的知識，以確定在存在恒定或改變的模型失配時關(guān)于最佳控制性能的調(diào)節(jié)。一般來說，這種MPC自適應(yīng)和調(diào)節(jié)技術(shù)基于特定過程模型(例如，工廠試運轉(zhuǎn)時所確定的過程或工廠模型)實現(xiàn)優(yōu)化標準，以及過程模型失配的指示，以形成最佳的一組MPC控制器設(shè)計和調(diào)節(jié)參數(shù)，當它們使用在帶有最初過程模型的MPC控制器中時可提供更好或更佳的控制。這種MPC控制器自適應(yīng)和調(diào)節(jié)技術(shù)能夠與許多不同類型的MPC控制器一起使用，所述MPC控制器包括例如帶有觀察器(諸如卡爾曼濾波器)的MPC控制器、DMC控制器、或者任何其他上述的MPC控制器類型。然而，為說明起見，將所述MPC控制器自適應(yīng)和調(diào)節(jié)技術(shù)描述為被應(yīng)用以為帶有以卡爾曼濾波器形式的觀察器的MPC控制器確定各種設(shè)計和調(diào)節(jié)標準。在這種情況下，正如以下將要看到的，自適應(yīng)和調(diào)節(jié)技術(shù)能夠選擇要使用的卡爾曼濾波器類型，所述調(diào)節(jié)參數(shù)不但被用于該類型的卡爾曼濾波器，而且該調(diào)節(jié)參數(shù)也被用于MPC控制器本身。另外，在一些實施方式中，MPC控制器自適應(yīng)和調(diào)節(jié)技術(shù)將開發(fā)一新控制器模型而不需重新形成或重新確定過程模型，所述新控制模型被用作在MPC控制器中而不是最初開發(fā)的工廠模型中的預(yù)測模型。當然，雖然討論了兩個類型的卡爾曼過濾技術(shù)(包括一般的卡爾曼濾波器和簡化的卡爾曼濾波器)，作為在此處所描述的被公開自適應(yīng)/調(diào)節(jié)技術(shù)中可供選擇的控制器形式，其他類型的MPC控制器形式能夠被認為同樣是以這種技術(shù)，或者代替了以下特別描述的技術(shù)。此外，雖然特定的控制器設(shè)計和調(diào)節(jié)參數(shù)被描述為能夠用于卡爾曼濾波器和MPC控制器，但是在其他的實施方式中可使用其他的設(shè)計和調(diào)節(jié)參數(shù)，這些設(shè)計和調(diào)節(jié)參數(shù)基于由所述調(diào)節(jié)技術(shù)所考慮的特定MPC控制器形式。新MPC控制器自適應(yīng)和調(diào)節(jié)技術(shù)所依賴的第一普遍原理是，使調(diào)節(jié)參數(shù)影響MPC控制器的工作狀況并因此影響閉環(huán)控制性能的方式，其依賴于在任何給定時間上出現(xiàn)的模型失配量。在一些情況下，這些關(guān)系可能是非常重要的和/或甚至可能是非線性的。此處所描述的新MPC控制器自適應(yīng)和調(diào)節(jié)系統(tǒng)，其在存在模型失配時很好地工作，所述新MPC控制器自適應(yīng)和調(diào)節(jié)系統(tǒng)包括各種不同的可能MPC設(shè)計和調(diào)節(jié)參數(shù)的可能選擇，以確定MPC控制器形式和/或設(shè)計和調(diào)節(jié)設(shè)定，其在存在模型失配時提供了最佳的控制工作狀況。在一個實施方式中，以下MPC控制器自適應(yīng)和調(diào)節(jié)技術(shù)可以在基于觀察器的MPC控制器的不同形式之間進行選擇，這里所討論的是以使用了卡爾曼過濾的MPC控制器的形式。然而，其他MPC控制器形式之間的選擇可以被同樣使用或者替代使用。在以下所描述的特定實施方式中，卡爾曼濾波器類型(TKF)可以是普遍的(即，一般卡爾曼濾波器)或簡化的(簡化的卡爾曼濾波器)。在這種情況下，可以用選擇預(yù)測范圍(P)、控制范圍(M)、移動懲罰(Q)和誤差懲罰(R)的形式為兩種MPC控制器確定設(shè)計和調(diào)節(jié)參數(shù)。同樣地，調(diào)節(jié)參數(shù)可以被確定用于卡爾曼濾波器，對于一般卡爾曼濾波器該調(diào)節(jié)參數(shù)可以是w(QKF)中干擾的協(xié)方差以及測量噪聲(RKF)的協(xié)方差，并且對于簡化的卡爾曼濾波器的情況該調(diào)節(jié)參數(shù)可以是濾波器時間常數(shù)τi(T)的向量和關(guān)于每個干擾的信噪比(SNR)。以下對這些設(shè)計和調(diào)節(jié)參數(shù)進行概括，以可使用在計算機實現(xiàn)中的數(shù)據(jù)類型的指示來具體指定這些參數(shù)?！PC控制器調(diào)節(jié)：οP(預(yù)測范圍)，整數(shù)οM(控制范圍)，整數(shù)οQ(移動懲罰)，浮點型向量οR(誤差懲罰)，浮點型向量·卡爾曼濾波器(TKF)類型：一般的或簡化的，布爾·卡爾曼濾波器調(diào)節(jié)ο一般的■QKF(w中干擾的協(xié)方差)，浮點型矩陣■RKF(測量噪聲的協(xié)方差，z)，浮點型矩陣ο簡化的■T(濾波器時間常數(shù)τi)，浮點型向量■SNR(關(guān)于每個干擾的信噪比)，浮點型向量MPC的不同實現(xiàn)可以使用額外的或不同的調(diào)節(jié)參數(shù)，諸如最大移動速率或參考軌跡。然而，這些參數(shù)通常旨在操作員特定需要，并且最終影響能夠與以上被識別的參數(shù)疊加。因此，即使有其他影響了MPC控制器的動態(tài)工作狀況的手段存在，許多期望的過程工作狀況能夠用以上所描述的參數(shù)來解決。更近一步，此處所描述的設(shè)計/調(diào)節(jié)參數(shù)包括控制器形式的參數(shù)(即，TFK)，其在這種情況下特別指定一種形式的MPC控制器作為兩種不同類型的基于觀察器的MPC控制器之一(即，作為一般的卡爾曼濾波器或簡化的卡爾曼濾波器形式之一)。然而，控制器形式參數(shù)能夠指定不同形式的控制器，諸如在基于觀察器的控制器形式與非基于觀察器的控制器形式之間，在DMC控制器與MAC控制器之間，等等。因為模型失配和調(diào)節(jié)參數(shù)高度地相關(guān)于閉環(huán)控制性能，則MPC控制器自適應(yīng)和調(diào)節(jié)技術(shù)能夠被表征為具有限制的優(yōu)化問題，其能夠被解決以確定存在模型失配時最佳的一組MPC控制器設(shè)計和調(diào)節(jié)參數(shù)。圖4示出的配置實現(xiàn)并解決了這一優(yōu)化問題，以形成并提供設(shè)計參數(shù)和調(diào)節(jié)參數(shù)這二者之一或這二者給MPC控制器。尤其是，圖4的優(yōu)化塊110確定理想的或最佳的設(shè)計和調(diào)節(jié)參數(shù)，用于MPC控制器單元112，其具有的MPC控制器114耦合到以卡爾曼濾波器106形式的觀察器，這是基于MPC控制器114中所使用的過程模型的知識和模型失配量。這里，MPC控制器114和卡爾曼濾波器116各自可以是以上關(guān)于圖3所討論的控制器90和觀察器92。圖4的優(yōu)化塊110接收，作為輸入，最初被開發(fā)用于工廠的過程模型，其很可能由MPC控制器使用(表示為“工廠模型”)，以及出現(xiàn)模型失配的指示。出現(xiàn)的模型失配量可以由用戶經(jīng)由例如圖1的輸入例程46來輸入，或者可以用諸如以下所描述的其他方式來確定?；谶@些輸入，優(yōu)化塊110確定理想的或最合適的MPC控制器類型或形式(根據(jù)被考慮的可用類型)以用于，以及特定設(shè)計參數(shù)和控制器與濾波器調(diào)節(jié)參數(shù)以用于考慮到存在特定過程模型和模型失配的確定的MPC控制器類型。因此，如通過離開圖4優(yōu)化塊110的頂部線所示出的，優(yōu)化塊110確定使用在MPC控制器單元112中的卡爾曼過濾技術(shù)類型(被識別為TKF)，以及用于這一MPC控制器類型的調(diào)節(jié)參數(shù)(如果TKF為一般卡爾曼濾波器的話識別為QKF和RKF，或者如果TKF為簡化的卡爾曼濾波器的話則識別為T和SNR)。塊110將這些設(shè)計和調(diào)節(jié)參數(shù)提供給卡爾曼濾波器116。另外作為優(yōu)化的一部分，優(yōu)化塊110確定一組由MPC控制器114使用的設(shè)計和調(diào)節(jié)參數(shù)，圖4中將這些參數(shù)識別為M和P(設(shè)計參數(shù))以及Q和R(調(diào)節(jié)參數(shù))。這些參數(shù)被顯示為由優(yōu)化塊110在離開塊110的較低的兩條線上進行輸出。一般來說，由優(yōu)化塊110確定的設(shè)計和調(diào)節(jié)參數(shù)是那些最小化了目標函數(shù)的參數(shù)，所述目標函數(shù)存儲在優(yōu)化塊110中并由其執(zhí)行(在被提供到目標函數(shù)的限制內(nèi))，所述優(yōu)化塊110則識別考慮到過程或工廠模型以及存在模型失配的最好控制器性能。很重要的是，圖4的優(yōu)化塊110基于其目標函數(shù)形成一組MPC設(shè)計和調(diào)節(jié)參數(shù)的值用于MPC控制器單元112，這些設(shè)計和調(diào)節(jié)參數(shù)導致給定當前過程或工廠模型和模型失配的盡可能好的或最理想的控制，而不需要變化或重新生成工廠模型本身。在一個實施方式中，優(yōu)化塊110使用目標函數(shù)，其試圖在穩(wěn)定時間(settlingtime)內(nèi)最小化函數(shù)f(x)(目標函數(shù))的積分絕對誤差(IAE)。然而，這種優(yōu)化能夠在移動范圍諸如MPC控制器的控制范圍或預(yù)測范圍上，或者如果需要的話在其他的時間段上被確定。當然，為了評估最佳控制性能，能夠使用任何數(shù)量的不同目標函數(shù)，并且這些目標函數(shù)能夠被實現(xiàn)以確定最小的IAE或者一些其他的測量，諸如最小均方誤差、積分誤差、可變性、標準偏差，等等。更近一步，可以為優(yōu)化算法添加限制以任意方式解決物理的和邏輯邊界，以便防止優(yōu)化塊110指定導致了一些過程或控制限制的控制器設(shè)計或一組調(diào)節(jié)參數(shù)。然而典型地，限制的準確值僅影響計算的范圍而非總體結(jié)果。在一個特定的實施方式中，通過圖4的優(yōu)化塊110執(zhí)行的優(yōu)化計算可以實現(xiàn)以下目標函數(shù)：服從條件:g(Γ)≥0這里Γ是一組設(shè)計和調(diào)節(jié)參數(shù)(在這個例子中其可以為[P,M,Q,R,TKF,QKF,RKF,T,SNR]T)，Ξ是過程或工廠模型(在這個例子中其可以＝[G,τ1,τ2]T)，是一個或多個過程模型參數(shù)中的過程模型失配，并且g(Γ)規(guī)定的計算限制描述了例如控制算法的計算限制、過程限制，等等。這里，G為過程模型增益參數(shù)，并且τ1，τ2為過程模型的第一和第二階時間常數(shù)參數(shù)。當然，IAE是被用作控制性能測量的積分絕對誤差，并且可以被計算為：這里y(t)是受控制過程的輸出變量，并且SP(t)為關(guān)于該受控制的輸出變量的操作設(shè)定點?；旧希斂刂破魇褂米畛踹^程模型被設(shè)計但在存在過程模型失配時操作，圖4的優(yōu)化塊110模擬MPC控制器的操作，并且優(yōu)化塊110為數(shù)個不同組的控制器設(shè)計/調(diào)節(jié)參數(shù)中的每一個(為特定模型失配)執(zhí)行這種模擬，以確定在特定模型失配上數(shù)個不同組的控制器設(shè)計/調(diào)節(jié)參數(shù)中的每一個的控制器性能測量(例如，IAE)。在一個例子中，優(yōu)化塊110基于過程模型和預(yù)期的或觀察到的模型失配計算預(yù)期的過程誤差(以IAE的形式)，其從調(diào)節(jié)參數(shù)不同值的一組各種有可能的組合(對于MPC控制器和卡爾曼濾波器這二者)中每一個的使用中得來，所述組合關(guān)于不同有可能的MPC控制器形式(例如，可能的卡爾曼濾波器類型)。然后，優(yōu)化塊110考慮到過程模型失配確定導致了最低IAE(即，最好的性能)的特定的一組設(shè)計和/或調(diào)節(jié)參數(shù)，并由此基于控制器性能測量來確定用于模型預(yù)測控制器的控制器設(shè)計/調(diào)節(jié)參數(shù)的組中最佳的一組。然后，這些設(shè)計和調(diào)節(jié)參數(shù)可以用在圖4的MPC控制器單元112中，以執(zhí)行存在模型失配量時更好或更佳的控制，而不改變由MPC控制器114使用的控制器模型，而且無疑的是不需要重新形成或重新生成所述工廠模型本身。為了以更多細節(jié)示出優(yōu)化塊110的操作，圖5提供的曲線圖描繪了關(guān)于過程模型增益中給定模型失配量的盡可能好的IAE(即，最小IAE)，該曲線圖通過關(guān)于帶有一般卡爾曼濾波器的MPC控制器和帶有簡化卡爾曼濾波器的MPC控制器的不同模型失配值，來求解方程(9)的優(yōu)化獲得。下面的表1中所示為詳細的優(yōu)化結(jié)果，其中與有效約束相關(guān)聯(lián)的IAE值，即調(diào)節(jié)參數(shù)具有約束的IAE值，被表示為前面有星號。另外，模型失配被表達為實際過程增益K與建模的或預(yù)期的過程增益的比率(即，)。因為這一實現(xiàn)是一種其中使用了MPC控制器單元112的單輸入/單輸出控制器，而不是多變量控制器，則將MPC控制器調(diào)節(jié)參數(shù)Q設(shè)定為1，并僅允許改變MPC控制器調(diào)節(jié)參數(shù)R。這種數(shù)學操作之所以能夠?qū)崿F(xiàn)是因為在單回路的MPC實現(xiàn)中僅有Q與R的比率對調(diào)節(jié)是決定性的。表1從表1中能夠看到的是，優(yōu)化塊110使用所有可能的調(diào)節(jié)參數(shù)以完成如通過為任何特定的模型失配所找到的最小IAE規(guī)定的最佳控制性能。有趣的是，只要未達到限制時，優(yōu)化器110確定關(guān)于不同模型失配值的不同調(diào)節(jié)參數(shù)，這會導致極相似的控制性能。而當達到限制時，因為優(yōu)化塊110用完補償模型失配的自由度(即，調(diào)節(jié)參數(shù))，所以控制性能典型地受到影響。而且，正如能夠從表1中所看到的，如果過程增益K中的失配使得則帶有一般卡爾曼過濾的MPC勝過帶有簡化卡爾曼過濾的MPC，這里K是實際過程增益，并且是建模的或預(yù)期的過程增益。然而，如果過程增益中的失配使得則帶有簡化卡爾曼過濾的MPC勝過帶有一般卡爾曼過濾的MPC。當然，一般卡爾曼過濾的表達式比簡化卡爾曼過濾技術(shù)的表達式更加嚴格，所述簡化卡爾曼過濾技術(shù)使用了指數(shù)加權(quán)移動平均(EWMA)過濾以更新狀態(tài)變量。因此，簡化卡爾曼過濾技術(shù)不能被很好地調(diào)節(jié)以處理大于預(yù)期的增益，但擅長處理小于預(yù)期的增益。換句話說，因為帶有簡化卡爾曼過濾的MPC是基于過濾的，所以如果過程響應(yīng)具有小于預(yù)期的大小(即，如果的話)，則帶有簡化卡爾曼過濾的MPC比帶有一般卡爾曼過濾的MPC更具魯棒性。然而，對于帶有簡化卡爾曼過濾的MPC產(chǎn)生比帶有一般卡爾曼過濾的MPC略高的積分絕對誤差。如果模型失配歸咎于或者存在于一階時間常數(shù)(τ1)中，則兩種卡爾曼過濾方法之間的積分絕對誤差的差會變得更加明顯。如圖6和以下表2中示出的，如果過程比預(yù)期的更加敏感(即這里τ1是實際的一階時間常數(shù)，并且是與過程模型有關(guān)的一階時間常數(shù))，由于振蕩的發(fā)生所以IAE以非常陡的坡度上升?？柭^濾的兩種方法相類似地被振蕩影響，并且用于存在恒定的或變化的模型失配時進行最佳控制的自動方法應(yīng)當嘗試盡一切辦法來避免振蕩。然而，如果過程反應(yīng)慢于預(yù)期(即，)，則帶有簡化卡爾曼過濾的MPC明顯執(zhí)行得更好，這意味著一般卡爾曼過濾盡管穩(wěn)定但不應(yīng)當使用在這種情況中。因為簡化卡爾曼濾波器表達式使用濾波器時間常數(shù)作為調(diào)節(jié)參數(shù)之一，則一種優(yōu)化方法能夠容易地使用這種調(diào)節(jié)參數(shù)以補償工廠模型與實際的工廠特性之間時間常數(shù)的失配。這種補償能夠容易地從表2中的數(shù)值觀察出來(再次說明，表2中與有效約束有關(guān)的值前面有星號)。雖然一般卡爾曼濾波器調(diào)節(jié)參數(shù)在限制上是固定的，并且仍然僅允許移動MPC控制器調(diào)節(jié)參數(shù)，則簡化的卡爾曼濾波器的T參數(shù)在大范圍上移動并補償模型失配，由此將IAE保持在很低的水平上。當然，如上面所指明的，卡爾曼濾波器類型被特別提供作為圖4中所描述優(yōu)化方法的布爾輸出，并且這一輸出導致圖4的卡爾曼濾波器116在使用簡化卡爾曼過濾與使用一般卡爾曼過濾之間進行切換。表2如能夠從表2和圖6中看到的，關(guān)于一般卡爾曼濾波器，最小的可能IAE位于(即，這里模型失配比率＝1)的左側(cè)(圖6的曲線圖中)。如果實際過程的一階時間常數(shù)改變?yōu)镸PC控制器和一般卡爾曼濾波器為()所設(shè)計的值的一半時IAE會降低，這意味著關(guān)于卡爾曼濾波器增益J的推薦調(diào)節(jié)不會產(chǎn)生出盡可能好的控制性能。這種狀況之所以出現(xiàn)是因為，在MPC控制器內(nèi)執(zhí)行的控制器優(yōu)化問題被設(shè)計在最小化移動的同時最小化靜態(tài)誤差，而自適應(yīng)/調(diào)節(jié)優(yōu)化問題被設(shè)計以最小化受控制的變量誤差的IAE，由此直接最大化控制性能。二階時間常數(shù)(τ2)中模型失配的影響在圖7中被示出，并且在以下的表3中被提供，并且其非常類似于上面所描繪的一階時間常數(shù)(τ1)中的模型失配。雖然一般的與簡化的卡爾曼濾波器之間差的大小會比較小，但其趨勢基本上是相同的。表格3雖然關(guān)于MPC控制和狀態(tài)更新的最佳調(diào)節(jié)參數(shù)在上面是根據(jù)關(guān)于使用了優(yōu)化的工廠模型和模型失配的知識被確定的，但是模型失配的影響和用于補償這種失配的最佳控制器的設(shè)計和調(diào)節(jié)關(guān)于以上例子中每個模型參數(shù)被分離地分析。在真實的工廠情況中，相應(yīng)于規(guī)定模型的所有過程模型參數(shù)(以及出于各種原因未被建模的其他參數(shù))可以并且很可能會同時變化。這些受最大影響的模型參數(shù)主要依賴于過程類型和模型失配的原因(例如管道結(jié)垢、燃料的變化的熱系數(shù)，等等)。更近一步，依賴于所使用的模型識別方法，前置(lead)時間常數(shù)中的模型失配，例如可以被解釋為模型死區(qū)時間或時間常數(shù)中的模型失配。因此，一個或兩個模型參數(shù)常常明顯有助于同時發(fā)生的模型失配。因此很有利的是，在多維空間中分析模型失配以確定最好的一組模型參數(shù)，其用在任何具體情況中，以代替如執(zhí)行上面例子的一維空間。就是說，代替確定關(guān)于一個過程模型參數(shù)中失配的最佳的一組設(shè)計和調(diào)節(jié)參數(shù)，很有利的是確定最佳的一組設(shè)計和調(diào)節(jié)參數(shù)，其用于多個過程模型參數(shù)(例如，在兩個或多個過程增益、一階時間常數(shù)和二階時間常數(shù))中同時有失配的狀況。圖8描繪在使用了一般卡爾曼濾波器狀態(tài)更新技術(shù)的模擬MPC控制器中盡可能好的IAE的表面圖，正如當允許過程模型二維失配，即允許過程增益K和一階時間常數(shù)τ1這兩者同時具有模型失配時，通過圖4中的優(yōu)化方法計算出的。在這種情況下，關(guān)于一階時間常數(shù)和二階時間常數(shù)的模型失配的最佳調(diào)節(jié)是非常類似的，而對一階時間常數(shù)則更加明顯。因為三維可視化優(yōu)于四維可視化，則二階時間常數(shù)τ2中模型失配的影響可在圖8的曲線圖中忽略，并且實際上，二階時間常數(shù)τ2完全不允許變化，但假設(shè)其中沒有失配。下面的表4提供了一組失配值的各種組合中每一個的最小IAE的值，其關(guān)于在圖8的曲線圖中所示的過程增益K和一階時間常數(shù)τ1。關(guān)于MPC控制器和與MPC控制器一起使用的一般卡爾曼濾波器的最佳調(diào)節(jié)參數(shù)值未在表4中顯示，但使用以上所描述的優(yōu)化技術(shù)來計算，所述MPC控制器與在表格4中的每個單元格有關(guān)。再者，這里模型失配被表示為實際過程參數(shù)值與建模的過程參數(shù)值的比率(即，和)。表4為了更簡單的可視性，和(即，其中未出現(xiàn)模型失配)的數(shù)值被指明為圖8中的虛線。這些線的交叉點代表了帶有完美匹配的過程模型的控制性能。沿著這些線中每一條的橫截面準確地代表了圖5和6中的曲線。如之前所討論的，在方向上的一階時間常數(shù)中的模型失配引起振動的工作狀況。然而能夠看到的是，如果還有在過程增益中的模型失配使得在相同時間上的話，則這種震蕩不會出現(xiàn)。正如預(yù)期的一樣，使用增益中的模型失配使得則該問題變差。在固有不同的模型參數(shù)中的模型失配能夠抵消或放大在控制性能上的總體影響，這一事實示出在計算最佳控制器設(shè)計和調(diào)節(jié)參數(shù)期間對所有維度的模型失配進行評估是有利的。從圖8可知，還很明顯的是，盡可能好的控制性能不必使用完美模型來完成。例如，在圖8的曲線圖中，如果和則代替和時的0.1226的IAE，控制性能具有0.0545的IAE。假設(shè)所述調(diào)節(jié)參數(shù)通過所描述的優(yōu)化表達式被最佳地計算，則這一差異等于56％的改進。當然，如果假設(shè)的過程模型和準確的過程模型失配已知的話，則由MPC控制器和觀察器(卡爾曼濾波器)所使用的過程模型能夠使用完美模型代替以完成甚至更好的性能。然而，在實際的控制狀況中，很難測量模型失配并由此，此處所描述的MPC設(shè)計和調(diào)節(jié)技術(shù)的目標是朝著更好或最佳的MPC控制器操作，而不必知道準確的或完美的過程模型。實際上，此處所描述的設(shè)計和調(diào)節(jié)方法調(diào)整MPC控制器單元調(diào)節(jié)參數(shù)(例如，如圖4所規(guī)定的)并且留下假設(shè)工廠模型不改變(因為這將是在工廠中工程師最好的猜想)。圖9描繪了關(guān)于帶有簡化卡爾曼過濾的MPC的等價三維最佳調(diào)節(jié)圖，即以如圖8中關(guān)于帶有一般卡爾曼過濾的MPC控制器所使用的相同方式來表達調(diào)節(jié)圖。再者，這里允許在過程增益模型參數(shù)K和在一階過程時間常數(shù)模型參數(shù)τ1這兩者中出現(xiàn)模型失配，但不能出現(xiàn)在二階時間常數(shù)模型參數(shù)τ2中。以下表5提供了關(guān)于圖9中圖的點。表5兩個最佳調(diào)節(jié)圖(圖8和9的)左上角都指明了一個不穩(wěn)定的區(qū)域。另外，兩條曲線在IAE＝2處截止。在這兩種情況的任何一個中，很明顯的是這個區(qū)域以非常陡的坡度被接近。計算并繪制三維調(diào)節(jié)圖允許容易地估計這種非穩(wěn)定區(qū)域的大小、位置和陡度。因為這種區(qū)域應(yīng)當盡一切辦法來避免，則關(guān)于被高度懲罰的松弛變量的限制能夠被添加入由圖4中的塊110所使用的優(yōu)化方程以避免這種區(qū)域。在任何情況下，當比較使用了不同卡爾曼濾波器方法的MPC的最佳調(diào)節(jié)圖時，變得很明顯的是兩個控制器在的區(qū)域中會變得不穩(wěn)定。然而，只有帶有一般卡爾曼濾波器的MPC會在的區(qū)域中變得不穩(wěn)定。如之前所建議的，僅在簡化的卡爾曼濾波器中找到的固有過濾充當了穩(wěn)定機制。在任何情況下，關(guān)于圖4所描述的、基于優(yōu)化的調(diào)節(jié)方法使得能夠確定最好的MPC控制器形式以及設(shè)計和調(diào)節(jié)參數(shù)，該MPC控制器形式以及設(shè)計和調(diào)節(jié)參數(shù)考慮到了關(guān)于特定過程的過程模型失配。因此，圖4的優(yōu)化塊110確定關(guān)于模型失配的特殊值的最佳調(diào)節(jié)，并且這種最佳調(diào)節(jié)能夠被表達為調(diào)節(jié)圖，其對于確定特定MPC與觀察器的設(shè)計和調(diào)節(jié)來說是有用的，這將確保存在模型失配時的最佳控制性能。與圖4有關(guān)的技術(shù)能夠被有利地使用，這是因為MPC控制器的工業(yè)用戶通常不得不手動調(diào)整調(diào)節(jié)“旋鈕”直到看來好像已經(jīng)達到了期望的工作狀況為止。在這種情況下，用戶可以查看調(diào)節(jié)可視化圖、曲線以及數(shù)據(jù)諸如在圖5-9和表1-5中所示的，以給定一個或多個過程模型參數(shù)中過程模型失配的預(yù)定或預(yù)期數(shù)值，來確定最好的控制器形式和調(diào)節(jié)參數(shù)。因此，如果期望的話，當例如由用戶或由一些其他的半自動或自動方法輸入到塊110時，圖4的優(yōu)化塊110可以計算關(guān)于特定的模型失配量(在一個或多個過程模型參數(shù)中)的最好的設(shè)計和/或調(diào)節(jié)參數(shù)。當塊110在考慮到這些特定的過程模型失配量的情況下(在一個或多個過程模型參數(shù)中)確定了要在MPC控制器單元112中使用的最好的一組設(shè)計和調(diào)節(jié)參數(shù)之后，這些設(shè)計和調(diào)節(jié)參數(shù)可以送達MPC控制器單元112并且在在線控制期間內(nèi)使用以執(zhí)行更好的控制?？晒┻x擇地或者附加地，塊110可以確定最佳IAE圖，諸如圖8和9的圖，其示出過程模型參數(shù)失配的許多組合中的每一組上的盡可能小的IAE，并且向用戶提供或顯示這些圖以允許用戶考慮到圖本身來選擇期望的或適當?shù)恼{(diào)節(jié)點。然后，基于被選擇的點，塊110可將設(shè)計和調(diào)節(jié)參數(shù)值提供給要在在線控制期間內(nèi)使用的控制器112。因為塊110可以獨立地操作控制器單元112，所以塊110可以存儲并執(zhí)行在與控制器單元112相同或者不同的設(shè)備中。因此，例如塊110可以存儲并執(zhí)行在圖1的計算機13之一中，并且經(jīng)由通信網(wǎng)絡(luò)29與控制器單元112通信，該控制單元112可以在圖1的控制器11中、在圖1的一個或多個現(xiàn)場設(shè)備15-22中、或者在任何其他期望的設(shè)備中。當然要預(yù)期的是，當不存在模型失配或者當存在不同模型失配量的時候，關(guān)于給定模型失配和過程模型的最佳的一組設(shè)計和調(diào)節(jié)參數(shù)將會是未達最佳標準的。而且，盡管其可以比正確的模型更容易確定模型失配的存在，但是其在任何特定情況下仍可能很難確定關(guān)于任何特定模型參數(shù)的特殊模型失配量。同樣地，雖然因為確定模型失配量要求較少的過程擾動，確定模型失配量可比確定精確過程模型更容易，但是模型失配量可能仍會隨著時間的推移而改變，因此需要形成新的設(shè)計和調(diào)節(jié)參數(shù)以最佳地解釋這種改變的模型失配。出于這些原因，在一些實例中可能期望指定和使用圖4優(yōu)化塊110的各種過程模型參數(shù)中每一個的模型失配范圍，而不是使用關(guān)于每個過程模型參數(shù)的模型失配的特殊值以形成一組適當?shù)脑O(shè)計和調(diào)節(jié)參數(shù)值。在二維子空間中模型失配范圍的例子(在這種情況下其忽略二階時間常數(shù))可以被寫為實際過程增益Kactual＝2±0.5和實際一階時間常數(shù)tactual＝20s±5s。這些范圍在圖10的二維子空間中被示出，這里增益范圍等于1(即，ΔK＝1)并且一階時間常數(shù)范圍等于10秒(即，Δt＝10s)。當模型失配被定義為有可能的范圍，則模型失配范圍能夠與如上面所描述關(guān)于圖8和9計算的最佳調(diào)節(jié)圖相疊加，以提供額外的MPC控制器自適應(yīng)和調(diào)節(jié)優(yōu)勢。在圖11中示出了這種疊加的示例性示圖。如果期望的話，這種疊加能夠在軟件包中實現(xiàn)，所述軟件包向過程工程師顯示這一疊加，例如，這是在最佳調(diào)節(jié)圖諸如圖8和9的圖之一上完成的。這種可視化可以使得工程師能夠基于被指定范圍內(nèi)可能的模型失配來查看并確定控制器移動進入不期望的操作區(qū)域中的可能性。這種范圍也能夠或可供選擇地能夠被用于進一步的MPC控制器設(shè)計和調(diào)節(jié)優(yōu)化。尤其是，當MPC控制器試運轉(zhuǎn)時，這種顯示對工程師而言可能是非常有用的，因為工程師能夠容易地以視覺評估盡可能差和盡可能好的控制性能，并且能夠如期望地進行手動校正，所述控制性能隨關(guān)于特定調(diào)節(jié)的預(yù)期模型失配范圍而變化。這種用于顯示優(yōu)化圖諸如圖8、9和11的圖(帶有或不帶有疊加范圍)的顯示軟件，可以由塊110生成或者可以被生成為圖1的用戶顯示軟件46的一部分。在這種情況下，所述用戶顯示軟件46可以與塊110通信，或者可以包括該塊110以生成這些圖。任何情況下，在圖11的例子中，如果Kactual＝1.5且tactual＝25s的話，則模型失配范圍內(nèi)(大約以增益或時間常數(shù)任一中的無失配點為中心)的最差控制出現(xiàn)。然而，在該點上的IAE為0.7，無論如何該IAE可以被工程師認為是能夠接受的，尤其在是考慮到因為模型失配范圍的表面積僅有一小部分會與值在0.5以上的IAE疊加，所以最差控制出現(xiàn)在該區(qū)域內(nèi)的可能性相對較小這一事實之后更是如此。如果可得到關(guān)于模型失配的更多了解(例如，物理過程限制)的話，則如圖10中所描繪的二維模型失配子空間能夠被修正以解釋其發(fā)生的可能性。因此，例如基于模型失配可能性的了解，圖10的模型失配子空間能夠采用除了所描繪矩形之外的其他形狀，其包括例如橢圓、圓形或者任何其他期望的形狀。如對圖4中調(diào)節(jié)方法的進一步改良，可能有利的是確定關(guān)于給定的工廠模型的最理想調(diào)節(jié)點，其隨一個或多個過程模型參數(shù)的值中有可能的或預(yù)期的模型失配范圍的量而變化。尤其是在看圖11時，能夠看出被計算的調(diào)節(jié)參數(shù)不需要在模型失配范圍子空間中的任何點上提供圖11的圖中盡可能最低的IAE，這是因為在假設(shè)的“完美”模型中模型失配范圍子空間的中心點是固定的。如果在這個二維例子中以表面代表的子空間被允許移動的話，則圖4中所示被修正的優(yōu)化技術(shù)或許能夠找到關(guān)于模型失配范圍表面內(nèi)最差(最大)IAE的較低數(shù)值，由此增加控制器的總體性能。換句話說，給出一個指定可能的、預(yù)期的或者有可能的模型失配范圍(在由過程模型參數(shù)所規(guī)定的各種維度的每一個中)，其可以期望使用用上面所描述的技術(shù)來計算的一組最佳調(diào)節(jié)參數(shù)，其一般最大化由這些范圍所規(guī)定的子空間內(nèi)的MPC控制器操作，即使在所述子空間的中心點上甚至在該子空間內(nèi)都未找到最好的控制器操作時，以及即使模型失配范圍子空間的中心點不相應(yīng)于為工廠實際開發(fā)的過程模型時也是如此。在這種情況下，雖然此處所描述的MPC控制器設(shè)計和調(diào)節(jié)技術(shù)不使用關(guān)于模型失配的了解來更新或改變假設(shè)的過程模型(作為輸入被提供到圖4中的塊110)(因為其結(jié)果可能和第一假設(shè)模型一樣不確定)，這種技術(shù)考慮到已知或者懷疑的過程模型失配范圍自適應(yīng)和調(diào)節(jié)MPC控制器，以執(zhí)行考慮到模型失配范圍的更好的總體控制。尤其是，如圖12中示出的，模型失配范圍子空間的中心點可以大約在建模的調(diào)節(jié)區(qū)域內(nèi)被重新定位或者移動，以定位調(diào)節(jié)空間最好的總體子區(qū)域，其中考慮到預(yù)期的過程模型失配進行操作。為了在這個子區(qū)域中操作，控制器模型(在用于計算MPC控制移動的MPC控制器中使用)可以被自適應(yīng)以便將調(diào)節(jié)圖上的新中心點作為中心，該中心點和模型失配子空間導致總體調(diào)節(jié)圖內(nèi)操作的最好子區(qū)域。在一個情況下，調(diào)節(jié)圖中的總體最好子區(qū)域可以被確定，這是通過當模型失配子空間貫穿整個調(diào)節(jié)圖被移動時，計算特定子區(qū)域內(nèi)存在的最差(最大)IAE的盡可能小的值。當然，同樣可以使用用于確定最好的操作子區(qū)間的其他測量，其包括基于統(tǒng)計的測量，所述其他測量諸如在整個失配區(qū)域子空間上的最低平均IAE，在整個失配區(qū)域子空間上的最低權(quán)重平均值，等等。如果期望的話，特定的最好失配子區(qū)域能夠通過表達并解決第二優(yōu)化問題來找到，所述第二優(yōu)化問題被定義為：條件是：gψ(Γ)≥0這里ψ為關(guān)于模型失配的任意組合通過迭代方程(9)計算的調(diào)節(jié)圖，gψ(Γ)規(guī)定描述了調(diào)節(jié)圖ψ的維度的不等性約束，并且iψ規(guī)定了調(diào)節(jié)圖ψ的維度。方程(11)的特定優(yōu)化確定了模型失配范圍子空間，其包括調(diào)節(jié)圖中IAE的最低值。應(yīng)當注意的是，對于這種操作不要求額外的過程模型知識，這是因為所述調(diào)節(jié)圖還基于由工程師最初提供的過程模型(假設(shè)的過程模型)來形成。方程(11)的優(yōu)化結(jié)果是被修正的控制器模型和一組控制器調(diào)節(jié)參數(shù)，其實質(zhì)上被用來開發(fā)MPC控制器，以便根據(jù)預(yù)期模型失配范圍獲得較好的性能。然而，例如圖11或圖12的調(diào)節(jié)圖不會基于新過程模型被重新計算，這是因為確定新控制器模型的唯一目的是最小化當前調(diào)節(jié)圖內(nèi)的IAE。通過為圖4的優(yōu)化塊110添加這種操作，MPC控制器的設(shè)計和調(diào)節(jié)參數(shù)被改變?yōu)橹匦麓_定的(新中心點的)理想值以最大化控制性能，這甚至會超過在最初中心點上使用MPC和觀察器調(diào)節(jié)的有可能的控制性能。從某種意義上說，在這種情況下過程模型參數(shù)現(xiàn)在還變成了控制器設(shè)計/調(diào)節(jié)參數(shù)，這是因為它們被用來確定MPC控制器內(nèi)使用的新控制器模型。雖然這是事實，但如果沒有模型失配的話，可以期望帶有修正模型的控制器的控制性能會差于帶有最初模型的控制器的控制性能。然而，如以上所討論的，沒有模型失配的可能性非常小。在真實工廠的情況下，最初控制器的性能可能差于大多數(shù)模型失配情況所使用的修正控制器的性能，這是因為所述修正控制器的性能恰好是方程(11)的優(yōu)化計算的目標函數(shù)。另外，在假設(shè)的與修正的模型之間最差I(lǐng)AE點中的差通常很明顯，這是因為一方面會引起不穩(wěn)定而另一方面會降低性能的坡度典型地是非常陡的。圖13示出了圖4的優(yōu)化塊110能夠被如何修正來使用模型失配范圍以確定MPC控制器中使用的被修正控制器模型以及一組控制器設(shè)計和調(diào)節(jié)參數(shù)。如圖13中示出的，包括或執(zhí)行了兩種優(yōu)化的優(yōu)化塊110A通過包括了方程(9)的優(yōu)化的方程(11)來指明，并且到達塊110A的輸入從指定特定模型失配改變成模型失配范圍(關(guān)于一個或多個模型參數(shù))。這里，優(yōu)化塊110A還形成了新的一組數(shù)值，其關(guān)于要用來形成新控制模型的模型參數(shù)(即，在圖13的塊110A的輸出之一上所示的被修正控制器模型)。實質(zhì)上，通過優(yōu)化塊110A確定的模型失配子空間的新中心點具有特定的一組值，用于與其相關(guān)的過程模型參數(shù)，并且這些模型參數(shù)值不同于與最初中心點有關(guān)的模型參數(shù)值(即，不同于與最初工廠模型有關(guān)的模型參數(shù)值)。然后，這些新過程模型參數(shù)值被用來形成新控制器模型(不用實際上改變到塊110A的工廠模型輸入)，并且將這種控制器模型作為控制器設(shè)計參數(shù)，連同與新中心點有關(guān)的其他設(shè)計和調(diào)節(jié)參數(shù)(例如，Q、R、M、P)一起提供給MPC控制器。將用于最佳調(diào)節(jié)的方法從具體的模型失配擴展到模型失配的范圍，這顯著地增加它的有用性。這種新的基于范圍的失配技術(shù)能夠被應(yīng)用到許多工業(yè)過程，其具有已知的固有過程參數(shù)變化，但很難準確測量。另外如下面所描述的，為改變模型失配，所述自適應(yīng)/調(diào)節(jié)方法可以使用模型失配反饋以自適應(yīng)圖13中提出的雙優(yōu)化方法，由此提供最佳控制器設(shè)計和調(diào)節(jié)參數(shù)的自動或在線確定，以在線控制期間內(nèi)的任何特定時刻上使用。更具體地說，有可能使用上面所描述的MPC控制器自適應(yīng)和調(diào)節(jié)方法以執(zhí)行帶有自適應(yīng)調(diào)節(jié)(即，自適應(yīng)控制)的閉環(huán)控制。當通過可被檢測的事件諸如過程值的改變、操作設(shè)定點的改變等等所觸發(fā)時，用于自適應(yīng)控制的大多數(shù)方法一般地或者連續(xù)地(例如，周期性地)或者自發(fā)地通過改良或重新生成過程模型來操作。在新模型被確定后，則可由該模型計算控制器移動或調(diào)節(jié)參數(shù)。然而，這些方法一般依靠的過程變化可以通過干擾或設(shè)定點改變而被引入，并因此這些方法的效率、精度和穩(wěn)定性會隨著過程變化量成比例地增加。然而，一般來說，確定模型失配的統(tǒng)計量或變化比確定或產(chǎn)生精確過程模型要容易。雖然已經(jīng)提出了許多方法諸如自相關(guān)來確定閉環(huán)工廠操作期間的模型失配量，但是在閉環(huán)工廠操作期間確定好的過程模型卻極其困難，這是因為控制器目標(為了最小化過程輸出的變化)與模型識別的要求(操作所述過程通過過程干擾以最大化過程輸出的變化)相矛盾。一種自動執(zhí)行下面所描述的控制器自適應(yīng)和調(diào)節(jié)的方法，其使用模型失配量來確定何時調(diào)整MPC控制器單元的設(shè)計和調(diào)節(jié)參數(shù)，即何時實現(xiàn)圖4和13的優(yōu)化單元110或110A。雖然這種自適應(yīng)調(diào)節(jié)方法依賴并且事實上要求一些過程變化量，但是這種自適應(yīng)調(diào)節(jié)方法不需要最大化過程變量以取得最大化了控制性能的調(diào)節(jié)參數(shù)。一種在領(lǐng)域中被稱為新息(innovation)(Ik)，并且還被稱為剩余誤差或預(yù)測誤差的概念，其被定義為：這里yk是預(yù)測的過程輸出并且是過程輸出的實際值。這個項被用在卡爾曼濾波器方程(6)中以計算更新的狀態(tài)變量。雖然研究人員已經(jīng)提出了許多分析新息的方法，但是這種方法的應(yīng)用典型地出現(xiàn)在預(yù)測控制系統(tǒng)或者軟測量項目(例如，神經(jīng)網(wǎng)絡(luò))的試運轉(zhuǎn)階段或維護階段。例如，自相關(guān)是一種研究人員/工程師經(jīng)常用來分析新息的方法，這是因為自相關(guān)能夠在工廠的試運轉(zhuǎn)階段中在模型誤差與未測量干擾之間做出區(qū)別。然而，因為未測量干擾以與模型誤差向操作員顯示自身的方式相同的方式來顯示自己，也就是說，與預(yù)測的過程值與實際的或測量的過程值之間的差一樣，所以在在線控制操作期間很難在模型誤差與未測量干擾之間進行區(qū)別，并因此出現(xiàn)的誤差僅能夠使用反饋控制技術(shù)來校正。一般來說，新息(Ik)的自相關(guān)提供了有多少誤差信號是由于非隨機貢獻的指示。新息的自相關(guān)值越高，則出現(xiàn)的過程模型失配的量就越高。對于帶有已知均值和方差的長度為n的離散時間序列{例如，y1、y2…yn}，對其自相關(guān)的估計能夠被得到，如：這里R(k)是位于范圍[-1,1]之間的自相關(guān)，σ2是方差，是均值以及k是延時。因為被最佳調(diào)節(jié)的控制器僅能夠除去相關(guān)信號，并且不能除去完全隨機的干擾(例如，白噪聲)，則白噪聲與相關(guān)信號的比例是控制器調(diào)節(jié)最佳性的很好的指示。因此，例如如果閉環(huán)控制系統(tǒng)的過程輸出具有大的自相關(guān)，則其中所使用的特定控制器的調(diào)節(jié)不是最佳的。基于自相關(guān)的分析方法經(jīng)常被使用在手動地調(diào)節(jié)和重調(diào)回路的過程中。如果自相關(guān)分析返回高的模型失配量，則工程師通常知道控制器配置不完善，并且在控制器的試運轉(zhuǎn)之前工程師必須改良或重新確定過程模型。工廠工程師通常使用第二種標準以驗證調(diào)節(jié)的性能改進。尤其是，工廠工程師可以考慮幅度譜以確保在最有可能的操作頻率上幅度比是可接受的。雖然這種手動控制器設(shè)計方法可以使用新息分析變得自動，但是在在線控制器操作期間其仍不能夠被例如連續(xù)地應(yīng)用。另外，該方法僅僅使用模型失配量以形成或生成減小模型失配的新過程模型的方式來觸發(fā)過程模型改進周期。另一方面，使用了新息或者下面所描述的其他誤差分析的自動自適應(yīng)調(diào)節(jié)方法可以在在線控制器的操作期間被連續(xù)地或以其他方式執(zhí)行，并且使用模型失配的量，不觸發(fā)過程模型重新生成周期，而是觸發(fā)用于控制器的自適應(yīng)調(diào)節(jié)周期(以返回控制器以最佳地解釋新的模型失配量)，而不重新生成新的工廠模型。因此，這種方法不需要新的一組過程測量、過程干擾以確定新的一組過程模型參數(shù)，等等。尤其是，對于模型預(yù)測控制器，控制器輸出計算直接來源于過程模型，并因此能夠?qū)⒆韵嚓P(guān)歸咎于模型失配。在工業(yè)過程控制中使用的現(xiàn)有做法是以非?；镜姆绞絹硖幚硇孪⒅械哪Ｐ褪浜臀礈y量干擾的組合。例如，DMC控制器假設(shè)新息的某一部分是由未測量干擾所貢獻的。雖然已經(jīng)嘗試了基于新息的自相關(guān)來調(diào)節(jié)卡爾曼濾波器增益，但是這種方法試圖通過自適應(yīng)所設(shè)計的和實際的信噪比來最小化誤差協(xié)方差，其由卡爾曼濾波器所觀察。這種技術(shù)在本質(zhì)上最大化了濾波器性能，但不必要地最大化閉環(huán)性能。另外，這種自適應(yīng)方法僅計算誤差的協(xié)方差，并且僅能夠在如果完美模型已知的情況下被使用。圖14示出了一種方式，以這種方式圖13的基于優(yōu)化器的調(diào)節(jié)塊110A能夠與現(xiàn)有的MPC控制器和觀察器(表示為卡爾曼濾波器“KF”)組合以產(chǎn)生增益調(diào)度MPC控制器。如已知的，增益調(diào)度方法在工業(yè)工廠中非常流行，其用于具有改變的過程參數(shù)值的過程。這種方法可以調(diào)度控制器調(diào)節(jié)，或者可以調(diào)度過程模型和調(diào)節(jié)參數(shù)的更新。只要過程參數(shù)發(fā)生決定性的改變，能夠使用這種方法能夠?qū)崿F(xiàn)令人滿意的結(jié)果。實際上在工業(yè)工廠中，許多原料和設(shè)備性能經(jīng)常改變。例子包括燃料的燃燒系數(shù)的改變以及反應(yīng)物濃度的改變。如果能夠測量的話，這些性能改變經(jīng)常被前饋控制策略用于直接地減小變化，或者被增益調(diào)度策略用于抵消建模誤差并間接地消除影響。圖13的調(diào)節(jié)塊110A能用來執(zhí)行增益調(diào)度，并且更具體地說，如果過程模型的一個或多個參數(shù)已經(jīng)改變且已知，則過程模型參數(shù)能夠在最佳MPC自適應(yīng)/調(diào)節(jié)塊110A(經(jīng)由工廠模型輸入)中被更新，這導致了自適應(yīng)/調(diào)節(jié)塊110A生成新的一組設(shè)計和調(diào)節(jié)參數(shù)(考慮到新的過程模型和當前模型失配范圍)，用于MPC控制器和卡爾曼濾波器。這種更新能夠由工廠工程師或操作員手動執(zhí)行，或者能夠基于過程狀態(tài)變化被自動執(zhí)行。后者可比得上PID控制器的基于模型的增益調(diào)度。在圖14中，調(diào)節(jié)塊110A與控制器單元112之間的交互作用可以通過虛線來指明，并且示出從塊110A到控制器單元112的信息流動是嚴格單向的。假設(shè)的模型失配范圍可以由設(shè)計工程師輸入MPC自適應(yīng)/調(diào)節(jié)塊110A，或者保留在默認設(shè)定。和使用任何增益調(diào)度控制器一樣，如果可用的話，狀態(tài)變量能夠被硬布線到特定的過程測量，或者狀態(tài)變量能夠由分離的性能估計器進行估計。過程工業(yè)中，當過程性能能夠從過程測量中推斷出時，神經(jīng)網(wǎng)絡(luò)經(jīng)常被使用作為性能估計器。還能使用與神經(jīng)網(wǎng)絡(luò)一樣的外部性能估計器，或者動態(tài)線性估計器以直接估計關(guān)鍵的模型參數(shù)。一種自適應(yīng)/調(diào)節(jié)塊110A的實施方式被配置成增益調(diào)度器，其使用圖15中示出的性能估計器。這里，如將要注意到的，性能估計器120可以被耦合以從過程94接收一個或多個輸入和/或輸出(例如，被測量的)變量或信號，并且使用這些變量以估計一個或多個過程模型性能或參數(shù)(例如，A、B、C、D)的值。當然，在這個例子中可以使用任何期望的適當?shù)男阅芄烙嬈饕源_定新的過程模型參數(shù)值。這種技術(shù)閉合關(guān)于模型參數(shù)的回路，并由此能夠被認為是自適應(yīng)的。然而，為了適當?shù)夭僮?，識別過程模型參數(shù)的大多數(shù)方法需要相當數(shù)量的設(shè)定點改變或過程擾動。但遺憾的是，這種過程擾動在在線控制中是不可取的，并且不維持上面所描述的自適應(yīng)/調(diào)節(jié)方法的主要假設(shè)，即工廠模型不能夠精確已知，并且這種工廠模型應(yīng)當不需要在自適應(yīng)/調(diào)節(jié)周期期間內(nèi)被重新形成。估計器可以連接到許多變量，包括那些不通過控制回路測量或操縱的變量。實際上，估計器可以單獨地依賴于卡爾曼濾波器116的輸入。圖16示出了自適應(yīng)調(diào)節(jié)系統(tǒng)125，其使用自適應(yīng)/調(diào)節(jié)塊110A作為增益調(diào)度控制器系統(tǒng)的一部分以執(zhí)行自適應(yīng)控制。如圖16中示出的，估計器126(其可以實現(xiàn)新息分析或其他誤差分析)耦合到觀察器即卡爾曼濾波器116，并分析與卡爾曼濾波器有關(guān)的新息項以確定關(guān)于一個或多個過程模型參數(shù)的模型失配的量(例如，范圍)的估計。也可以或者代替地耦合到控制器114的估計器126執(zhí)行新息分析，以確定過程模型失配或失配范圍，并且向自適應(yīng)/調(diào)節(jié)塊110A提供被確定的過程模型失配或失配范圍，以激勵用于控制器單元112的新的自適應(yīng)/調(diào)節(jié)周期。尤其是，由估計器126所使用的新息分析可以被使用來自動地更新圖16系統(tǒng)中的模型失配范圍。如果期望的話，所有的或僅一部分的模型失配范圍能夠以這種方式在任何特定時刻被更新。相類似地，對于其考慮失配范圍的所有的或部分的模型參數(shù)可以被修正，這依賴于新息方法關(guān)于模型參數(shù)的數(shù)量的廣泛程度。換句話說，有時候新息分析可僅允許關(guān)于實際過程模型中模型參數(shù)的一個子集做出結(jié)論。如果是這種情況的話，關(guān)于未知參數(shù)的范圍可以被保守地設(shè)定以包括所有的或者大多數(shù)預(yù)期或可能的模型失配情況。最佳MPC自適應(yīng)/調(diào)節(jié)塊110A的輸出使用與上面所描述的按需更新應(yīng)用相同的方式來起作用，但是當檢測到相當數(shù)量的模型失配，例如用于一個或多個模型參數(shù)的失配超出預(yù)定或者預(yù)設(shè)的閾值(諸如用戶提供的閾值，之前在調(diào)節(jié)塊110A中使用的失配范圍等等)時，會通過執(zhí)行控制器自適應(yīng)和調(diào)節(jié)來閉合自適應(yīng)回路。自適應(yīng)方法的唯一性是指，最初假設(shè)的過程模型絕不會通過自適應(yīng)/調(diào)節(jié)機制、預(yù)防失控過程識別、增加魯棒性以及簡化增益調(diào)度來修正。如果期望的話，假設(shè)的過程模型能夠在任何時刻被手動更新，而不必停止或重置自適應(yīng)，這又是超過當前最新水平模型更新方法的另一個優(yōu)勢。如下面將要以更多細節(jié)描述的，用于實現(xiàn)手動或自動自適應(yīng)/調(diào)節(jié)周期的觸發(fā)能容易地從新息的值得到，或者從確定的模型失配范圍得到(即要么來自由估計器126所執(zhí)行的新息分析的輸入要么來自所述新息分析的輸出)。當然，這種觸發(fā)能夠依靠對新息分析或其輸出與預(yù)定閾值的比較，以辨別何時應(yīng)當通過塊110A來執(zhí)行新的自適應(yīng)/調(diào)節(jié)周期。在任何情況下，已經(jīng)發(fā)現(xiàn)的是，使用上面所描述的新息計算的自相關(guān)可將無模型的和較少擾動的備選方案提供給其他事先已知的、實現(xiàn)控制器自適應(yīng)的方法。尤其是，自相關(guān)分析能夠被用來確定回路的控制性能是否能夠改進，而不需要識別或重新識別過程模型。更具體地說，已經(jīng)發(fā)現(xiàn)的是，控制誤差(被測量的過程輸出變量與該變量的設(shè)定點之間的差)的自相關(guān)在穩(wěn)態(tài)操作期間是有用的，以確定是否存在重大的模型失配，同時預(yù)測誤差的自相關(guān)(被測量的過程輸出變量與該變量的事先預(yù)測值之間的差)在過程干擾狀況期間可能是有用的，以確定是否存在重大的過程模型失配，或者確定模型失配的量或范圍。如此處所使用的，新息分析能夠包括MPC控制器單元112內(nèi)控制誤差，預(yù)測誤差，或者其他誤差的自相關(guān)。當例如自相關(guān)分析確定了相當數(shù)量的模型失配量時，則這些自相關(guān)可以被用作觸發(fā)以實現(xiàn)新的自適應(yīng)/調(diào)節(jié)周期。更近一步，對于在不同時刻相同過程變量的控制誤差或預(yù)測誤差的自相關(guān)的比較能夠被用來檢測模型失配的改變，其也能用作觸發(fā)以實現(xiàn)新的自適應(yīng)/調(diào)節(jié)周期。為了驗證上面所提出的概念，上面描述的自適應(yīng)/調(diào)節(jié)方法中的某些方法被應(yīng)用到試驗性的二元精餾塔。下面提供了來自二元精餾塔的試驗性測試運行的結(jié)果，所述二元精餾塔使用實現(xiàn)了關(guān)于圖16所描述的最佳調(diào)節(jié)方法的模型預(yù)測控制器(使用了實際近似以估計來自卡爾曼濾波器中新息的自相關(guān)的模型失配)。在這些試驗中所使用的特定精餾塔是小于平均規(guī)模的試驗工廠，其被典型地用來分離水和乙醇。圖17中所示為關(guān)于試驗性工廠的過程和儀器圖(P&ID)200。因為對本領(lǐng)域中的技術(shù)人員而言該P&ID是容易地易讀的，所以除了對于討論所需的細節(jié)之外，此處將不會以大量細節(jié)描述所述P&ID。因為從貯料塔(accumulator)202出來的流量能夠被測量，則選擇允許分離快速流量和慢速流量的集成水平動態(tài)(integratingleveldynamics)的級聯(lián)控制策略。這種在水平控制器204(LIC-091)與流量控制器206(FIC-100)之間的分離一般會增加魯棒性。然而，為了實現(xiàn)這種效果，控制器204和206這兩者必須被調(diào)整得相當好。因為當塔(column)的能量輸入變化時過程參數(shù)會改變，所以在工廠中這種要求是一個具有挑戰(zhàn)性的任務(wù)。因為蒸汽流量被用來控制底部溫度以便控制純度，所以貯料塔202中的過程水平參數(shù)和流量控制回路能夠在正常操作期間明顯地改變。執(zhí)行手動步驟測試來確定以0.55千克/分鐘的蒸汽流量的過程模型。步驟測試產(chǎn)生以下初始過程模型，其被用作假設(shè)的模型，用于基于模型的MPC控制器的模型，并且用來以0.55千克/分鐘汽耗率為PID控制器提供初始的調(diào)節(jié)：以下確定了以0.4千克/分鐘汽耗率的工廠模型：對于該試驗，通常為PID控制器的(LIC-091)水平控制器204用MPC控制器取代，所述MPC控制器以著名的模擬程序執(zhí)行。這種控制器的實現(xiàn)是通過將PID控制器留在手動模式，并且將OPC記錄從運行了模擬的便攜計算機上的OPC客戶端發(fā)送到DeltaVTM控制器系統(tǒng)中PID控制器的輸出，所述DeltaVTM控制器系統(tǒng)在工廠200內(nèi)實現(xiàn)。因為LIC-091控制器204的輸出連接到第二FIC-100流量控制器206的級聯(lián)輸入，到LIC-091控制器204的寫入間接地操縱FIC-100流量控制器206的流量設(shè)定點和實現(xiàn)級聯(lián)控制工作狀況，這相當于最初工廠配置。三個不同的移動懲罰調(diào)節(jié)在MPC控制器204中使用(尤其是，Q＝50、Q＝100和Q＝1000)，并且在兩個不同工作點上分析控制性能(尤其是，以0.4千克/分鐘的蒸汽流量率和0.55千克/分鐘的蒸汽流量率)。圖18示出使用三個不同的調(diào)節(jié)設(shè)定的、以0.5千克/分鐘汽耗率的MPC控制器204的三個不同的運行。這些數(shù)據(jù)被順序記錄并隨后被疊加用于比較。第四個試驗使用了最初PID控制器設(shè)定進行運行以執(zhí)行PI控制，該試驗被執(zhí)行以允許在MPC與PID控制之間進行比較。PI調(diào)節(jié)參數(shù)(增益＝l.54并且重置＝141.68s)使用被修正的Ziegler-Nichols調(diào)節(jié)，被根據(jù)過程的最終增益、最終時間段(period)和死區(qū)時間計算。在這種穩(wěn)態(tài)狀態(tài)下，關(guān)于四個不同控制器的標準偏差被確定為σQ＝50＝0.057、σQ＝100＝0.066、σQ＝1000＝0.052、σPI＝0.036。如圖18中示出的，Q＝1000的水平控制的時域曲線圖看起來最穩(wěn)定。Q＝1000的MPC也完成最低的標準偏差(σQ＝1000＝0.052)。然而在真實的工廠設(shè)定中，當前控制變量的曲線圖常常是查看數(shù)據(jù)的數(shù)據(jù)的主要方式，僅從實時趨勢中得出的結(jié)論可能會產(chǎn)生誤導。圖19示出了其中控制器會對未測量干擾做出反應(yīng)的方式，所述未測量干擾被選擇為蒸汽流量率中的改變，因為這種類型的干擾會對控制器造成多于一個的困難。首先，這種類型的干擾改變了到達貯料塔202的冷凝物的量，其要求控制器204改變貯料塔的輸出流量。其次，這種類型的干擾改變了回流時間常數(shù)，由此改變了模型失配的量。蒸汽流量率中的改變也是真實的輸入干擾，并且實際上其在工業(yè)工廠中是常見的。更進一步，蒸汽流量率的改變也是最常見的未測量量。來自不同過程工業(yè)的例子具有與人為蒸汽流量率的改變(其使用在這個試驗中)相類似的影響，其中包括(1)在燃料的BTU額定值中的改變(其影響溫度回路的溫度和增益)；(2)原料濃度和/或成分的改變(其影響塔的裝載量、質(zhì)量平衡以及能量供應(yīng)到產(chǎn)品純度之間的增益)；(3)鍋爐中管道的結(jié)垢(其改變熱傳遞系數(shù)和關(guān)于相同熱傳遞所需要的流量這兩者，前者轉(zhuǎn)而改變了過程增益，后者則因此改變了死區(qū)時間)；以及(4)露天溫度的改變和/或暴風雨的發(fā)生(其改變溫度并且也改變到大氣的熱傳遞系數(shù)，這由此改變了增益)。在任何情況下，在這個模擬的“未測量的”過程干擾(如圖19中示出的)期間，其中蒸汽流量率設(shè)定點從0.55千克/分鐘改變成0.4千克/分鐘，控制器的性能使得IAEQ＝50＝0.122、IAEQ＝100＝0.468、IAEQ＝1000＝∞(在這種情況下，控制不令人滿意并且工廠不得不使用人為干預(yù)來穩(wěn)定)，以及IAEPI＝0.3。如圖19中示出的，雖然MPCQ＝50和MPCQ＝100控制器相當好地抑制未測量干擾(各自使用IAEQ＝50＝0.122，IAEQ＝100＝0.468)，但是相同的試驗卻不能夠使用MPCQ＝1000來執(zhí)行，這是因為大的移動懲罰防止了該控制器對水平下降進行及時反應(yīng)，這就切斷了塔泵的聯(lián)鎖。在泵跳脫以后，對于控制器204而言，貯料塔202被過快地填充以至于來不及反應(yīng)，其導致不可接受的控制性能。這個例子示出的是控制器的過于謹慎地失調(diào)(即，Q＝1000)，其可能有潛在的破壞性和危險。這里操作員若不進行人為干預(yù)的話，將會發(fā)生溢出(塔溢流)。在譜線的另一端，MPCQ＝50性能的曲線圖被確定接近于穩(wěn)定性的邊緣，這在進一步試驗中被確定為是真實的，因為當應(yīng)用較快的調(diào)節(jié)(Q<50)或者工廠在工作區(qū)域內(nèi)以較高汽耗率運行時，這些控制器會變得不穩(wěn)定(未描繪)。當工廠以0.4千克/分鐘的蒸汽操作時，圖20示出曲線圖，其中控制器性能在σQ＝50＝0.053、σQ＝100＝0.028處被測量，而Q＝1000的控制器不能令人滿意地控制工廠，并且σPI＝0.032也是如此，因此，具有和用于55千克/分鐘的蒸汽(圖18)的調(diào)節(jié)相同的調(diào)節(jié)的MPC控制器顯示較低的標準偏差。Q＝1000的MPC未在圖19中顯示出來，這是因為如上所述，其沒有令人滿意地控制工廠并重復(fù)地切斷塔泵的聯(lián)鎖。概括地說，圖17精餾塔的試驗性運行示出了Q值為50和100的MPC調(diào)節(jié)參數(shù)適用于模型失配，其橫跨期望的工作區(qū)域(這里蒸汽是從0.4千克/分鐘到0.55千克/分鐘)。而在50以下和200以上的調(diào)節(jié)(被測試但未描繪)則是不適合的。如上面關(guān)于最佳調(diào)節(jié)所建議的，能發(fā)現(xiàn)具體的一組調(diào)節(jié)參數(shù)，其導致關(guān)于模型失配變化量的理想反饋控制性能。這在實驗上是有可能，甚至不需要關(guān)于工廠模型的新的知識。沒有模型的重新識別或模型的更新被執(zhí)行。實際上，試驗自始至終都使用假設(shè)的工廠模型，即使已知其中有重大的錯誤也是如此，這里不僅模型參數(shù)的值很可能是不正確的，而且模型形式也不會匹配整合過程(即，水平控制回路)的基本過程特性。有意地選擇不正確的模型表達式(一階加上死區(qū)時間)以確保在試驗期間存在模型失配，這是因為其不可能確定在試驗期間存在的準確模型失配量。對圖17過程的四個不同過程狀況中四個不同控制器的試驗性能的概括被提供在在下面的表6中，其中所有MPC控制器基于相同的模型假設(shè)來調(diào)節(jié)。這里，所述控制器為PI控制器，以及Q值為50、100、1000的MPC控制器。如能夠從表6中看到的，響應(yīng)蒸汽的改變，Q值為50的MPC使用甚至低于PI控制器的IAE進行操作，而響應(yīng)蒸汽的改變狀況，Q設(shè)定到100的MPC更差，并且Q值為1000的MPC操作也得非常差(或者未測試)，但是在0.55千克/分鐘的工作點上的控制卻執(zhí)行得最好。表6然而，重要的是，在工廠的實際控制中要能夠知道，當在一個工作點上運行工廠的同時，如何改變到另一個工作點將影響關(guān)于某種調(diào)節(jié)的性能。因此，對于上面的例子很重要的一點是，操作員能夠知道在汽耗率從0.55千克/分鐘改變到0.4千克/分鐘之前，雖然Q＝1000的懲罰調(diào)節(jié)顯示出以0.55千克/分鐘的最好控制，但這種調(diào)節(jié)將不足以用于較大的干擾，這有可能會導致工廠停機。手動穿過通過所有可能的過程區(qū)域，并且確定將在所有這些區(qū)域中工作的調(diào)節(jié)是可實行的，并且不需要模型識別。然而，這種操作產(chǎn)生了一定量的浪費或者低質(zhì)量的產(chǎn)品，如果工廠模型改變的話可能不得不重做，而且僅當影響了模型失配的參數(shù)已知并且能夠被控制(如這個例子中的蒸汽)時，這種操作才是可能的。然而已經(jīng)被確定的是，以上關(guān)于圖16所討論的自相關(guān)分析的使用能夠被用作觸發(fā)，以確定考慮到操作參數(shù)中可能的改變(以及考慮到工廠模型中的改變)的適當調(diào)節(jié)設(shè)定，并且考慮到這些改變選擇一組適當?shù)幕蜃罴训恼{(diào)節(jié)參數(shù)。尤其是，預(yù)測誤差或控制誤差的誤差分析可以被用來確定MPC控制器與工廠匹配得有多好，以及存在什么程度和類型的模型失配。提供圖21-25以示出這一點。圖21提供了以0.55千克/分鐘的蒸汽穩(wěn)態(tài)操作、在上面所討論的示例性工廠的三種不同調(diào)節(jié)設(shè)定處的MPC控制器中預(yù)測誤差的自相關(guān)比較。根據(jù)這個曲線圖，看來不能做出關(guān)于哪個MPC控制器表現(xiàn)出更好或更差質(zhì)量的決定性說明。但就滯后軸而言這些幅度不同，沒有關(guān)于下述的指示：對于給定滯后時間來說這些曲線中的任何一個明顯更加自相關(guān)，即使三個控制器調(diào)節(jié)設(shè)定表現(xiàn)出在IAE方面明顯不同的反饋性能，如圖19中所示。關(guān)于以0.4千克/分鐘穩(wěn)態(tài)操作的預(yù)測誤差的自相關(guān)曲線，被提供在圖22中，并示出了相同的難題。這一事實支持找到最好狀態(tài)更新(最低預(yù)測誤差)，其不必導致最好的反饋控制性能。這里Q＝50的MPC顯示了最低的預(yù)測誤差但最差的積分絕對誤差，并且Q＝1000的MPC顯示了帶有最差預(yù)測誤差的最好IAE。然而，當確定了在大的未測量干擾改變期間的預(yù)測誤差的自相關(guān)時，則能夠觀察到三個控制器設(shè)定之間的差異，如圖23中示出的，其描繪了MPC控制器中預(yù)測誤差的自相關(guān)，其在抑制未測量干擾期間以汽耗率從0.55千克/分鐘改變到0.4千克/分鐘的形式以三種不同的調(diào)節(jié)設(shè)定。這里，控制誤差中大的改變顯示出自相關(guān)曲線之間明顯的差異，否則其會被噪聲除去。很遺憾地在這一點上，太晚而不能認識到控制器已經(jīng)被不好地調(diào)節(jié)，這是因為在大的干擾出現(xiàn)需要信息以重新調(diào)節(jié)控制器。在任何情況下，這條曲線示出為什么使用自相關(guān)分析作為用于確定模型失配的標準的現(xiàn)有技術(shù)的程序會使用過程激勵以獲得自相關(guān)的決定性比較。即使一些方法可以被認為“非侵入的”，因為它們等待未測量的干擾改變而不是注入擾亂過程的脈沖，但是它們在穩(wěn)態(tài)控制，就像在這個試驗中以0.55千克/分鐘的蒸汽的穩(wěn)態(tài)操作期間將不能很好地起作用。因此，雖然在干擾抑制的時間段內(nèi)使用預(yù)測誤差的自相關(guān)以執(zhí)行控制性能估計可有助于確定過程模型的失配，但在穩(wěn)態(tài)操作時間段內(nèi)使用預(yù)測誤差的自相關(guān)以執(zhí)行控制性能估計結(jié)果卻完全不是非常有用的。另外，雖然在幾次過程干擾(例如，未測量干擾或設(shè)定點改變)期間使用預(yù)測誤差的自相關(guān)有助于觸發(fā)控制器自適應(yīng)/調(diào)節(jié)周期，這種技術(shù)還需要一定程度的過程改變或干擾，其一般是不太期望的。然而，已經(jīng)發(fā)現(xiàn)了在穩(wěn)態(tài)操作期間查看控制誤差的自相關(guān)可以很好地作為過程模型失配的測量起作用，并且這種類型的誤差分析可以用作MPC控制器自適應(yīng)/重調(diào)的觸發(fā)器。例如，圖24示出受控制變量的自相關(guān)，其相當于關(guān)于純反饋控制，即使用恒定設(shè)定點的控制誤差的自相關(guān)。圖24中所描繪的是使用了三個相同的調(diào)節(jié)設(shè)定的MPC控制器的操作，該操作以0.55千克/分鐘的汽耗率，并且連同最初的PI控制器性能一起使用這種汽耗率，所述PI控制器性能被添加用于參考比較。從圖24很清楚地看出MPCQ＝1000明顯地突出，并且容易地確定為具有固有的調(diào)節(jié)問題(例如，高度的過程模型失配)。尤其是，Q＝1000的MPC的受控制變量的自相關(guān)與所有其他的控制器調(diào)節(jié)設(shè)定有很大的不同。以穩(wěn)態(tài)操作，并且沒有任何明顯未測量的干擾，這種調(diào)節(jié)能夠被容易地被識別為不好的，這是因為這種調(diào)節(jié)顯示明顯高于滯后時間的所有數(shù)值的自相關(guān)。對這種曲線的最明顯的區(qū)別標準是，曲線僅停留在橫坐標的一側(cè)并且永遠不會穿過零值。圖25描繪了在為貯料塔水平人為地引入干擾期間相同的誤差分析計算，所述貯料塔水平與從0.55千克/分鐘改變到0.4千克/分鐘的汽耗率有關(guān)。雖然自相關(guān)中的差能夠被指出，但其遠不如像沒有未測量干擾(其在圖24中示出)時所執(zhí)行的自相關(guān)一樣明顯。然而，這一事實不提出重大的問題，這是因為自適應(yīng)/調(diào)節(jié)邏輯能夠自動地檢測干擾，并且能夠在這兩個不同的情況下從分析控制誤差的自相關(guān)切換到分析預(yù)測誤差的自相關(guān)，以提供更好的自適應(yīng)/調(diào)節(jié)發(fā)起。例如，當控制誤差到某一閾值以上時，在兩種不同類型計算之間的切換能夠被執(zhí)行，其典型地響應(yīng)未測量干擾發(fā)生，或者直接在設(shè)定點的改變之后發(fā)生。以上所討論的自相關(guān)分析簡化的定性概括被提供在下面的表7中。這里，關(guān)于四種不同控制器的試驗性數(shù)據(jù)被顯示為自相關(guān)分析大小的結(jié)果的總量指示(即，小、中和大)。能夠用來區(qū)分或識別模型失配的自相關(guān)分析可在中間兩行中找到，這是因為關(guān)于這些分析的不同控制器的自相關(guān)分析的大小有差異。尤其是，表7提供關(guān)于三個不同的MPC控制器的不同自相關(guān)的試驗性數(shù)據(jù)的定性估計的概括，其中所有的控制器是基于相同的模型估計來調(diào)節(jié)的。在這個表中，R1(k)是預(yù)測誤差的自相關(guān)，并且Ry(k)是控制誤差的自相關(guān)。添加PI控制器操作用于進行比較。PIMPCQ＝50MPCQ＝100MPCQ＝1000R1(k)蒸汽＝0.55千克/分鐘不適用小小小R1(k)蒸汽＝0.4千克/分鐘不適用小小未測試R1(k)蒸汽變化0.55→0.4千克/分鐘不適用小中大Ry(k)蒸汽＝0.55千克/分鐘小小中大Ry(k)蒸汽＝0.4千克/分鐘小中中未測試Ry(k)蒸汽變化0.55→0.4千克/分鐘大大大大表7一般來說，較大的自相關(guān)值被認為是指示了較大的過程模型失配量。概括的說，MPC設(shè)計和調(diào)節(jié)參數(shù)的閉環(huán)自適應(yīng)控制能夠使用分析MPC控制器信息，諸如受控制變量的控制誤差或者受控制變量的預(yù)測誤差的自相關(guān)的方法來激勵。然而如以上所討論的，自相關(guān)是從預(yù)測誤差還是從控制誤差中計算出來，都會產(chǎn)生很大的差異。例如，預(yù)測誤差的自相關(guān)可能僅在設(shè)定點改變或者未測量干擾的抑制期間是決定性的，而控制誤差的自相關(guān)可能在穩(wěn)態(tài)操作期間是最有用的。最有用(但也最有挑戰(zhàn)性)的是，在為測量干擾發(fā)生之前而不是在干擾發(fā)生期間或之后，將調(diào)節(jié)調(diào)整到過程特征，正如大多數(shù)當前技術(shù)水平的自適應(yīng)調(diào)節(jié)方法所需要的一樣。嘗試重新識別過程模型的方法通常依靠過程改變，并且不能在穩(wěn)態(tài)操作期間檢測模型改變。這種改變可由干擾或設(shè)定點改變導致，并且必須足夠大以便能夠從噪聲帶中區(qū)分出來。因此，基于以上的討論，圖16的自動自適應(yīng)/調(diào)節(jié)方法應(yīng)該優(yōu)選地包括：以上面所描述方式的預(yù)測誤差的分析和控制誤差的分析。這種分析的結(jié)果是當前調(diào)節(jié)能夠多好地適用于當前過程。任何變差的自相關(guān)函數(shù)(當和關(guān)于相同的一組設(shè)計/調(diào)節(jié)參數(shù)所計算出的預(yù)期或先前的自相關(guān)的函數(shù)進行比較時)必須是增加的模型失配的結(jié)果，并且能夠通過新的自適應(yīng)/調(diào)節(jié)進行解釋或補償。使用自相關(guān)作為開發(fā)關(guān)于模型失配的有用反饋信息的技術(shù)，將其用在關(guān)于圖13所描述的自適應(yīng)/調(diào)節(jié)技術(shù)中，這對各種各樣的過程和模型類型都是有用的。雖然這些結(jié)果可依賴遇到的特定類型的模型失配而變化，但是一般來說，最佳設(shè)計/調(diào)節(jié)方法關(guān)于較寬范圍的模型失配計算出的設(shè)計和調(diào)節(jié)參數(shù)值將比從較窄失配范圍所得的設(shè)計/調(diào)節(jié)參數(shù)值更加保守。換句話說，以上提出的自動自適應(yīng)/調(diào)節(jié)方法使MPC控制器失調(diào)，以防止當檢測到大的過程模型失配(或者過程模型失配中的增加)時的振蕩和不穩(wěn)定，其表現(xiàn)得像每逢需要時都會產(chǎn)生作用的自動安全網(wǎng)。另一方面，如果自相關(guān)分析指示過程模型失配降低，可以實現(xiàn)新的自適應(yīng)/調(diào)節(jié)周期來加強控制器形式和調(diào)節(jié)參數(shù)以提供更好的總體控制。這種自動方法顯然比主動地使控制器失調(diào)為安全的(工業(yè)中的慣例)更可取，這是因為當模型失配較小時該自動方法應(yīng)用較快調(diào)節(jié)，并且當模型失配較大時該自動方法應(yīng)用較慢或松弛的調(diào)節(jié)。重要的是，此處所描述的自動自適應(yīng)/調(diào)節(jié)方法基于控制器模型的失配來自適應(yīng)由基于模型的控制器所使用的形式、控制器模型、以及設(shè)計和調(diào)節(jié)參數(shù)，而不執(zhí)行新的工廠模型識別。因此，這種方法非常有用，這是因為工廠模型識別，尤其是閉環(huán)工廠模型識別已經(jīng)被證明在工業(yè)過程應(yīng)用中或者受到較大干擾或者不可靠。圖26示出了閉環(huán)自適應(yīng)調(diào)節(jié)系統(tǒng)的另外一個實施方式，其類似于圖16中調(diào)節(jié)系統(tǒng)的實施方式，但是該實施方式包括估計器130，其可使用上面所討論的誤差分析中的一種或兩種以及過程估計，以確定在調(diào)節(jié)塊110A中使用的一個或多個模型失配或失配范圍。塊130可以由此使用控制器的誤差(例如，新息)分析和加工廠分析的一種或兩種，以確定或檢測對控制器模型與工廠之間的模型失配的值或范圍的估計，并且可以使用這種估計以開始用于MPC控制器112的調(diào)節(jié)周期。因此，正如將要理解的，此處所描述的自適應(yīng)調(diào)節(jié)技術(shù)可用來自適應(yīng)在以下情況或者其各種組合中的控制器調(diào)節(jié)，其中包括：(1)基于新的過程模型的手動輸入；(2)基于從加工廠的輸入和輸出形成的自動性能估計或模型識別；(3)基于一個或多個新的模型失配或模型失配范圍的手動輸入；或者(4)基于從狀態(tài)估計的誤差分析形成的對模型失配(量或范圍)的自動估計。雖然本發(fā)明是關(guān)于旨在介紹和示出本發(fā)明的特定示例性實施方式進行討論的，但是這些被公開的自適應(yīng)/調(diào)節(jié)設(shè)備和方法卻不限于這些實施方式。各種修正、改進和增補能夠由本領(lǐng)域中的技術(shù)人員實現(xiàn)，并且這些修正、改進和增補將不會偏離本發(fā)明的范圍。例如，雖然上面所描述的自適應(yīng)/調(diào)節(jié)設(shè)備和方法是連同以一階加死區(qū)時間的模型形式的過程模型的使用一起描述的，但是這些技術(shù)能夠用于其他類型的過程模型，所述其他類型的過程模型包括例如：狀態(tài)空間過程模型、回歸模型諸如ARX模型、有限脈沖響應(yīng)模型(FIR)、階躍響應(yīng)模型，等等。同樣地，此處所描述的自適應(yīng)/調(diào)節(jié)設(shè)備和方法可以進行操作，以自適應(yīng)使用了所有或僅一部分可用的MPC模型、設(shè)計和調(diào)節(jié)參數(shù)的MPC控制器，MPC模型、設(shè)計和調(diào)節(jié)參數(shù)基于任何具體情況中的模型失配或模型失配范圍。尤其是在自適應(yīng)/調(diào)節(jié)過程期間，所述自適應(yīng)/調(diào)節(jié)設(shè)備或方法可以集中于在任何特定情況或環(huán)境中存在的一個或多個“重要”的模型、設(shè)計和/或調(diào)節(jié)參數(shù)，而不用自適應(yīng)或改變一個或多個其他的參數(shù)。另外，此處所提供自適應(yīng)調(diào)節(jié)技術(shù)的描述已經(jīng)在單回路MPC控制器的背景中被提供，但這些技術(shù)也能夠應(yīng)用和被擴展到多變量MPC控制器配置，或者由多變量MPC控制器配置所取代。另外，本領(lǐng)域中的技術(shù)人員將會理解的是，此處所描述自適應(yīng)/調(diào)節(jié)塊和控制器單元中個別組件的劃分對于負責控制器的實現(xiàn)和操作來說是隨意的。要理解的是，所有這些函數(shù)能夠以任何期望的方式實現(xiàn)在任何期望的設(shè)備上。另外，雖然此處所描述的自適應(yīng)/調(diào)節(jié)技術(shù)是優(yōu)選地以軟件實現(xiàn)的，但其或其任何部分卻可以用硬件、固件等等來實現(xiàn)，并且可以通過與過程控制系統(tǒng)有關(guān)的任何其他處理器來實現(xiàn)。因此，此處所描述的單元可以根據(jù)需要被實現(xiàn)在標準的多用途CPU中或者在被特殊設(shè)計的硬件或固件中，諸如專用集成電路(ASIC)或者其他硬布線的設(shè)備。當以軟件實現(xiàn)時，所述軟件例程可以存儲在任何計算機可讀的存儲器諸如磁盤、光盤(諸如CD、DVD，等等)、閃存或者其他儲存介質(zhì)中，在計算機或處理器的RAM或ROM中，在任何數(shù)據(jù)庫中，等等。同樣地，這種軟件可以經(jīng)由任何已知的或期望的送達方法包括例如在計算機可讀碟片、智能卡存儲器、閃存、或其他可移動的計算機儲存機制，或者通過通信信道諸如電話線、互聯(lián)網(wǎng)，等等(這被視為與經(jīng)由可移動介質(zhì)提供這種軟件是相同或可互換的)被送達到用戶或加工廠。還要認識到的是，此處所描述的具體方法代表但實質(zhì)性上偏離以上所描述發(fā)明的實施方式。因此，此處所提供的權(quán)利要求被適當?shù)亟忉尀榘新溆诒景l(fā)明真實的精神和范圍內(nèi)更改、變化和改進，以及其實質(zhì)等同形式。因此，雖然此處沒有特殊描述，但是本發(fā)明的其他實施方式是包含在本發(fā)明的范圍內(nèi)的。