|
文 献 综 述 一 前言 随着现代信息化技术和计算机技术的快速发展，使得传感器技术得到很大的进步，与之而来的效应——在现代工业生产过程中的各种设备模型的优化取决于测量得到数据的精确性。但是在信号的采集、传递和转换过程中必然会受到各种各样的滋扰，而使得测量值不精确。在换热器系统中同样存在测量值不精确的问题。这将使得其过程中的物理和化学原理无法符合实际情况。这种现象叫做数据测量的不平衡性。另外，因受到测量技术的测量设备的限制，使得收集到的数据不完整，叫做数据的不完整性。正是因为收集到的测量数据存在不完整性和不平衡性，而准确可靠的测量数据又是生产决策制定，过程控制和优化的基础，所以精确的过程数据对于过程系统的控制和优化就显得十分重要，因此需要数据协调技术。 数据协调（校正）技术是利用过程的物料平衡或能量平衡等关系，在原始测量数据的基础上，对原始测量数据进行协调，以便使协调后的数据更好地保持物料平衡或能量平衡等关系，协调后的数据能够更好的应用于过程控制，过程优化和过程性能评估等方面。数据校正包括三部分：数据协调、显著误差检测和测量网冗余性性分析。 近年以来，我国经济得到了飞跃式的发展，已经成为全球最大的经济体之一，但是我国经济增长的背后存在着巨大的能源消耗与浪费。能源问题如今已经成为中国经济发展和社会进程中的绊脚石，在这样的能源背景下节能降耗已被列入我国的基本国策。而换热器网络是一种工业生产中经常涉及到的设备网络,所以对其进行优化具有非常深刻的实际意义。在数据校正过程中，涉及到的物料约束模型为线性约束模型，而能量平衡模型是一种特殊的非线性约束模型，即双线性约束模型。而且由于实际换热器系统中数据是动态的，所以我重点关注动态数据协调方法。 二 课题背景 2.1 理论发展 Kuehn等人[1]在20世纪60年代提出了数据协调准则，内容为：在满足物料与能量平衡的条件下，要求校正值与其相应的测量值的偏差的平方和最小。自此以后，海内外越来越多的学者致力于数据校正技术的研究。 Knepper等人[2]将数据协调与参数估计融合在一起，来进行数据处理，且要求过程测量数据应满足一种约束关系。约束关系方程分为线性和非线性，还可含有待估算变量。自此，数据协调也根据线性和非线性划分为两个部分。 在线性系统数据校正方面，Crowe[3,4]在20世纪80年代提出了通过投影矩阵法解决含有未测变量的数据校正问题，通过在平衡方程两边同时乘以一个矩阵，使未测变量的系数为零,来消除未测变量。之后许多学者，也就怎么解决线性系统中含有未测变量的问题进行了研究，并提出了自己的解决方案。但是，随着工业技术的不断发展，工业设备的不断更新换代，实际工业生产中的过程对象也因此越来越繁琐，使数据校正问题的约束方程的形式越来越多，这一点体现在大量的非线性和含有微分方程约束的动态数据校正。因此考虑针对于非线性系统的数据协调是非常有必要的。 在校正非线性数据方面，在20世纪80年代,Crowe[4]找到了一种基于迭代线性化的方法来求解非线性数据校正问题，该方法可以对参数进行分类，适用于线性或可线性化的系统。基于对非线性动态数据协调方法的分析与研究，向峥嵘[5]给出一种非线性动态数据协调的改进方法。童力[6]研究了求解动态数据协调问题的积分法，此法对系统状态空间的模型没有要求，并可以充分利用整个时间轴上的冗余信息，但此法的协调精度受其区间长度的影响。童力[7]还研究了基于有限元正交配置法的非线性动态数据协调技术，该法可有效的运用于非线性动态数据协调中，可以处理一些含有代数约束不等式或变量简单上下限约束的问题。 另外，由于大规模的物流系统，需要对变量进行分类,变量的类型和流量结构有非常密切的关系。面向过程变量的分类法是多年来各位学者谈论的重点，就此而言，来自不同国家的学者持有两种不同思路的分类方法：一个基于过程的平衡方程为出发点，被称为面向方程法；另一种基于过程的网络图为基础上，使用的工具图论的分类，称为面向过程的方法。前者的理论阐述简单，但在具体应用过程当中，对于大型的系统需要使用大容量的计算机。后者思想是非常直观的，但这种方法的计算过程复杂。 2.2 动态数据协调 数据协调技术在稳态过程中得到了较为广泛的应用，然而，在实际情况中，过程数据往往处于实时更新中，没有真正意义上的稳态数据，动态系统模型才能真正的反应实际过程的运行特性，因此需要将过程的动态模型作为约束条件，利用此约束条件来进行数据协调，这就是动态数据协调问题。 动态数据协调技术是面向动态过程的，其过程表现在变量的测量值与时间相关联。动态数据协调基于离散数据，对每一时刻所采集的数据进行协调，主要特征是运用时间的冗余特性。动态数据协调模型由Stanly等人[8]在1977年首先提出，通过利用时间与空间冗余信息的Kalman滤波方法对处于准稳态情况下的数学模型进行数据协调。Singhal等人[9]提出扩展Kalman滤波结合最大期望算法的方法，在扩展Kalman滤波的前提条件下，运用最大似然估计来实现动态数据协调，可应用于不同的动态模型。Tao Chen等人[10]在2008年，就扩展卡尔曼滤波器（EKF）不太适用于高度非线性行为和状态非高斯分布系统的情况，提出了一种将基于序贯蒙特卡罗方法的粒子滤波用于动态数据校正的方法，目的在于希望同时处理三项任务：准确的状态估计、异常点的检测或处理以及测量噪声的去除。Diego等人[11]基于工业聚丙烯反应器系统，于2009年提出了一种适用于解决非线性动态数据协调问题的方法，该方法的主要思想是基于粒子群优化（particle swarm optimization PSO）的同时参数估计。之后的2012年里，Ruben等人[12]针对数据协调在油砂工艺上的应用，提出了一种被称为动态贝叶斯粗差检测（DBGED）的在线算法，主要用于从测量数据中检测和估计质量和能量平衡中的系统误差（粗差）。 2.3 与本课题深度相关的协调技术 周凌柯等人[13]]基于换热器装置特点, 实现了物料约束模型和能量约束模型的自动建立。基于双线性正交分解法进行了数据分类，并对换热器温度和流量变量进行数据协调，得到了已测冗余变量的数据协调值，以及可估计未测变量的估计值。除此之外，是否能够将近些年的控制理论的发展应用于数据协调中呢？在这一点上，值得本人参照的是——周卫庆等人[14]等人提出一种基于冗余解约束遗传算法的同步数据协调与显著误差检测方法。并在热工过程中得到了验证。黄赢[15]针对蒸汽管网系统，根据统计过程控制的基本原理，运用单变量统计过程的方法对蒸汽管网运行数据进行监控，编制了蒸汽管网数据协调算法，与本文的研究方向相似。针对本次课题可能涉及到的数据分类，在这一方面，C.L. Mitsas[16]提出的零空间方法十分值得学习借鉴，该方法在不失一般性的前提下，假定施加的约束仅与质量平衡有关，并且系统仅由测量变量组成，有效地降低了计算难度。 2.3 数据协调的应用情况 数据协调在实际生产中主要应用于以下等方面： 装置中仪表的配置：数据校正技术在设计方面具有广泛的应用，使得仪表师傅能做出最可靠、经济、有效和安全的控制仪表系统,因为数据校正技术中冗余的分析可以得到最佳的测量点位置； 仪表管理：通过使用数据校正程序可以使操作的人监视仪表运行的状况，从中可以确定修理的准确时间； 设备性能分析：数据校正可以全程追踪核心装置和设备的运行情况； 过程模拟：数据校正程序可以为流程仿真程序提供准确的过程数据； 过程优化与控制：将先进的优化算法、数据校正技术和流程模拟软件同时使用，可以得到值得信赖的过程优化方案。在过程控制应用中,数据校正程序可以无需人为干预地按时地存入和取出过程数据,而且可以进行数据校正计算和时间均值计算，得到相符合的过程数据。还可以将校正后的数据输入严苛的过程模拟软件，综合最近的经济数值进行计算,优化和仿真的运行参数获得最佳的经济结果。 过程监控：在生产设备中,运用数据校正技术在线分析过程数据，达到追踪设备的运行情况、滋扰和趋势，发现装置的误差和损坏状况的目的。 三 总结与展望 自从数据协调概念提出之后,针对稳态条件下的数据协调，已经有了不少的研究成果和理论方法。然而，实际上大多数工业过程都表现为“准稳态”，甚至处于不断变化中，因此，动态系统还是不能真正的反应实际过程的运行规律。 基于以上文献的学习，我已经了解了数据协调的基本原理，预计在后续的工作中可能会涉及双线性约束、最小二乘法以及投影矩阵等知识体系。之后我会运用所学知识建立满足换热器系统特点的动态数据模型和对应的数据协调算法，最终编写MATLAB的程序进行实现和仿真。 |
|
|
参考文献 [1] Kuehn D R, Davidson H. Computer control. II. Mathematics of control[J]. Chemical Engineering Progress, 1961, 57(6):44–47. [2] Knepper J C，Gorman J W．Statistical analysis of constrained data sets[J]．AIChE Journal. 1980，26(2)：260-264． [3] Crowe C M, Campos Y A, Hrymak A, Reconciliation of process flow rates by matrix projection. Part I: linear case[J]. AIChE Journal, 1986, 29(6):881-888. [4] Crowe C M. Reconciliation of process flow rates by matrix projection. Part II：The nonlinear case[J]. AIChE Journal, 1986, 32(4):616-623. [5] 向峥嵘，魏仕桂．一种改进的非线性动态数据协调方法[J]．化工自动化及仪表， 2008，35(3): 6-9． [6] 童力，金思毅，贾淑香．积分法动态数据校正技术的研究[J]．计算机与应用化学， 2006, 23(5): 448-452． [7] 童力. 非线性动态数据校正方法的研究[J]. 计算机与应用化学，2009，25(4)： 483-485． [8] Mall R S, Stanley G M, Downing D M．Reconciliation and Rectification of Process Flow and Inventory Data[J]. Industrialamp;Engineering Chemistry Process Design and Development, 1976, 15(1): 175-183． [9] Singhal A，Seborg D E．Dynamic data rectification using the expectation maximization algorithm[J]. AIChE Journal，2000, 46(8): 1556-1565． [10] T. Chen, J. Morris, and E. Martin, Dynamic data rectification using particle filters [J], Computers and Chemical Engineering, 2008, 32 (3), 451-462 [11] R. Gonzalez, and B. Huang, Dynamic Bayesian approach to gross error detection and compensation with application toward an oil sands process [J], Chemical Engineering Science, 2012, 67(1), 44-56, [12] D. M. Prata, M. Schwaab, and E. L. Lima, Nonlinear dynamic data reconciliation and parameter estimation through particle swarm optimization: Application for an industrial polypropylene reactor [J], Chemical Engineering Science, 2009, 64(12), 3953-3967 [13]周凌柯, 傅永峰. 基于双线性正交分解法的换热器系统数据协调[J]. 南京理工大学学报(自然科学版), 2017, 41(2):2 12-216. [14] 周卫庆, 乔宗良, 周建新, 司风琪，徐治皋，一种热工过程数据协调与显著误差检测同步处理方法[J], 中国电机工程学报，2012, 32(35), 115-121. [15] 黄赢，蒸汽管网数据监控协调及软件平台开发[D], 东华理工大学，2017. [16] C.L. Mitsas, Data reconciliation and variable classification by null space methods [J], Measurement, 2010, 43(7), 702-707 |
