模型预测控制技术在水泥制造中的应用

俞利涛 ，魏 灿，朱永治，臧建波

模型预测控制是1970年左右提出的新型控制理论，经过四十余年的发展，对应的理论和应用软件已经比较成熟，在工程实践领域也有着非常广泛的应用。

模型预测控制是一种基于预测模型的闭环优化控制策略。模型预测控制的基本出发点与传统控制（如PID控制）不同。传统控制是根据过程当前和过去的输出测量值与设定值的偏差来确定当前的控制输入。而预测控制不但利用当前和过去的偏差值，还利用预测模型来预估过程未来的偏差值，以滚动优化确定当前的最优输入策略。因此，从基本思想看，预测控制优于传统控制。

水泥窑系统和磨系统均存在多变量、多约束、强耦合的复杂过程的控制问题。由于常规PID控制仅从被控对象的单输入单输出关系实现闭环控制，不能协调水泥窑系统中分解炉温度、二次风温、窑电流、NOx气体浓度等，采用模型预测控制技术，可以有效地解耦和抗干扰，使操作趋于平稳，更为准确地控制关键过程变量，使之操作在或接近于它们的约束，进一步提高装置的自动化水平，实现优化运行，降低能耗。

中材邦业ICE智能优化控制平台是由中材邦业（杭州）智能技术有限公司、天津水泥工业设计研究院有限公司联合开发，针对窑系统、分解炉、篦冷机、生料稳料控制、生料磨控制、煤磨控制、水泥粉磨等生产环节，通过采集DCS系统的实时生产数据和化验室的质量数据，并结合生产的工艺特点和实际运行中面临的过程控制问题，采用模型预测控制策略，利用多变量预测控制、模糊控制、鲁棒控制、最优控制和自适应控制等多种先进过程控制技术以及神经网络的过程建模技术、非线性模型预测控制技术等核心技术，建立了水泥窑系统先进控制系统和水泥磨系统先进控制系统。水泥窑系统投产运行后达到了稳定分解炉温度、稳定二次风温的效果，提高了窑系统的稳定性，降低了煤耗。水泥磨系统先进控制系统结合在线粒度仪，稳定提高了水泥产品合格率，降低了吨水泥电耗，通过经济性能优化，取得了显著的经济效益。

1 模型预测控制技术[1]

模型预测控制一般有三个基本特征，即预测控制、反馈校正和滚动优化。图1是模型预测控制的简明结构图。

（1）预测控制

预测控制需要一个描述系统动态行为的模型（称为预测模型），它应具有预测功能，即能够根据系统当前时刻的控制输入以及过程的历史信息，预测过程未来的输出值。预测模型通常采用在实际工业过程中较易获得的脉冲响应模型或阶跃响应模型。

（2）反馈校正

由于实际过程存在各种各样的不确定因素，采用预测模型预估的过程输出值不可能完全与实际相符。因此，在预测控制中，通过比较输出的测量值与模型的预估值，得出模型的预测误差，再利用模型预测误差来修正模型预测控制器的输出结果。这种模型加反馈校正的方式，使预测控制具有很强的抗干扰和克服系统不确定性的能力。

（3）滚动优化

图1 模型预测控制简明结构图

预测控制是一种优化控制算法。但是，优化过程不是一次离线完成的，而是反复在线进行的。即在每一采样时刻，优化性能指标只涉及从该时刻到未来的有限时间内，而到下一个采样时刻，这一优化时段会同时向前推进，这就是滚动优化的概念。这种在线反复进行的优化算法，能有效克服和校正过程中的各种不确定性，保持最优控制。

实际的工业过程是灰色的，过程的一部分是确定的，可以用模型关系来描述，另一部分是不确定的。在确定的部分，预测控制保证了控制器有良好的控制效果；在不确定的部分，反馈校正和滚动优化保证了控制器有良好的适应性。因此，预测控制、反馈校正和滚动优化这三个特征是不可或缺的整体。

如上所述，根据模型预测控制的算法，变量之间必须定义预测模型。预测模型通常采用实际工业过程中较易获得的脉冲响应模型或阶跃响应模型，一般通过阶跃测试和模型辨识的方法获得。

图2是一个简单的阶跃响应模型示意图。输入变量在某时刻产生一个从0到1的阶跃，输出变量会在输入变量的阶跃变化后的一段时间域内产生响应，称为阶跃响应模型。阶跃响应模型可以是参数化的（即用参数进行拟合），也可以是非参数化的（即不用参数进行拟合）。参数化的模型包括零阶模型、一阶模型、二阶模型等。对于大部分过程，都可以用一阶模型拟合，图2所示的模型即为一阶模型。

一阶模型包含三个模型参数：增益（Gain）、死时间（Td）、时间常数（τ）。增益为CV变化率和MV或DV变化率的比值；死时间为MV或DV变化后观察到CV变化的时间；时间常数为CV到达稳态值的63%的时间。其中，CV为被控变量，MV为操作变量，DV为干扰变量。

图2 一阶阶跃响应模型图

2 模型预测的核心算法简介[2-3]

模型预测的核心算法为DMC算法，是应用最为广泛的一种模型预测控制算法，主要包括内部预测模型、反馈校正和滚动优化三个部分。具体描述如下：

假设对象动态模型为：

d（k）——系统可测扰动

ulow≤u≤uhigh，ylow≤y≤yhigh

这样，DMC控制的目标函数就可描述如下：

式中：

minJ——目标函数

S.t——约束条件

P、M——预测时域和控制时域长度

k——第k个时刻

j——在上下限范围内的稳态时刻

i——在上下限范围外的稳态时刻

δhigh、δlow——预测输出超出区域上下限的软约束调整

Qhigh、Qlow和R——超出上下限部分偏差和输出增量的惩罚（增大调节力度）

2.1 无扰动工况时的优化

当被控对象不存在扰动，同时存在多余自由度时，系统首先需要实现被控变量的控制要求，其次是满足被控对象经济性能方面的优化要求，即让生产过程可以有最大的收益或者最小的能量损耗。

对于有多余自由度的生产过程，我们构建二层优化控制策略来实现控制和优化。这时，上层优化指标可以选择为经济指标：

其中，m＜n，Si和tj一般为对应项的价格系数，J是生产过程的经济性能或者收益指标，当生产过程产生正收益时J为正，当生产过程产生负收益时J为负。

根据系统无干扰模型建立优化层和控制层，其中优化层加入经济性能指标对系统进行稳态优化。稳态优化的目的是，根据系统当前状态，按照多目标分层优化要求，计算出系统的最佳稳态值。控制层主要根据优化层得到的最佳稳态值进行跟踪控制。则无扰动时的优化控制策略可以表示为：

式中：

P、M——预测时域和控制时域长度

W——优化层计算出的最优被控变量

q、r——被控变量和操作变量的正定误差权矩阵，利用模型辨识软件包得到被控变量和操作变量控制过程的模型矩阵

k——第k个时刻

2.2 有扰动工况时的优化

实际生产过程大多是一个多种干扰共同作用的系统，这些干扰将影响生产过程的控制要求和优化要求。当无扰动的生产过程已经满足了控制要求和优化要求，达到稳定以后，若生产过程出现可测扰动，同样可以构建优化控制策略，实现扰动加入后的控制和优化。操作变量权重越小，控制器越多使用该操作变量；操作变量权重越大，控制器越少使用该操作变量。因此，根据无扰动系统优化层的优化函数来确定操作变量的权重系数，操作变量的价格系数对应的即是其权重系数。

此时，上层优化指标可以选择为，被控过程从无扰动稳定状态到有扰动稳定状态时的操作目标函数：

式中：

uprev——被控过程在无干扰时达到稳定状态时的操作变量

u——加入扰动后被控过程的操作变量

Wu——操作变量的权重系数

则加入干扰后的优化控制策略可以表示为：

式中：

P、M——预测时域和控制时域长度

W——无干扰时优化层计算出的最优被控变量

q、r——被控变量和操作变量的误差权矩阵，利用模型辨识软件包得到被控变量和操作变量控制过程的模型矩阵

k——第k个时刻

这样，多层预测控制策略的实现过程可以用图3来表示。

3 中材邦业ICE智能优化控制平台软件

中材邦业ICE智能优化控制平台软件由中材邦业（杭州）智能技术有限公司与天津水泥工业设计研究有限公司联合开发，该软件已获得软件著作权登记证书（见图4）。

ICE智能优化控制平台软件包括MPC算法、专家控制脚本、软测量技术等。

图3 预测控制策略的实现流程图

图4 ICE软件著作权登记证书

3.1 在线运行软件ICE-RT

ICE智能优化控制平台中在线运行软件ICERT是整个智能控制系统的核心部分，包括应用管理、用户界面、数据管理、用户管理四个模块。

应用管理：是所运行的应用程序的管理平台，包括应用程序的导入、导出、启动、停止、调试等功能，以及操作日志和运行日志的查看等。

用户界面：是所运行的应用程序的用户交互平台，包括趋势图和效能分析图的展示、控制参数或模型参数的调整等。

数据管理：是应用程序与过程控制系统进行数据交互的平台，包括通信接口的定义与连接、输入/输出位号的查看、位号的测试等。

用户管理：是应用程序权限管理的平台，包括用户名、级别、操作权限的定义等。

3.2 专家控制脚本Script

ICE智能优化控制平台支持专家程序功能，以应对工业生产中各类不同需求。

专家控制脚本Script基于功能强大、计算速度快的即时编译语言LUA构建而成，用户可以使用LUA语言编写脚本来自定义计算或者自定义逻辑，以实现一些特定的功能。该应用程序是模型预测控制器的一个良好的补充。

专家控制脚本包含了输入变量组（Inputs）、输出变量组（Outputs）和缓存数组（Buffers）三个变量组。输入变量和输出变量分别是脚本的输入和输出，而缓存数组则可以存储一些脚本计算的内部数据，这些数据在每周期开始时被调用，在每周期结束时存入新的结果，如图5所示。

图5 专家控制脚本控制器数据结构图

该算法特点如下：

（1）利用LUA脚本来实现输入变量、输出变量的运算逻辑的自定义，在脚本中支持多种数学函数的应用；

（2）提供了语法检查和脚本测试，初步测试运算逻辑结果；

（3）通过缓存数组，实现了不同运算周期内的脚本内部计算数据的共享；

（4）定义了IsWrite属性，可以控制输出变量是否输出，从而减少一些不必要的输出。

3.3 软测量技术

软仪表用于导入线性模型文件，配置相应的模型参数后实现模型的在线运行。线性模型支持时间常数以及时间滞后的配置，在配置好这两个参数以后，软仪表在运行的过程中将对模型的输入变量进行相应的惯性以及滞后处理。

该算法特点如下：

（1）提供了What-If模块来进行软仪表结果的初步测试；

（2）提供了软仪表输出的上下限约束配置，也提供了模型稳态输出的配置，更加方便了软仪表的使用。

由于未知扰动的存在，软仪表在线运行不可避免地会产生偏差，为了解决这个问题，较为通用的做法是输入化验值来校正软仪表，以消除未知扰动带来的偏差。

化验值有对应的采样时间，通过对比化验值与采样时间处的软仪表预测值来计算相应的校正系数，使用校正系数对软仪表的预测值进行校正，从而使其更加接近真实情况。

大部分情况下，我们只需对软仪表预测值（Pred）进行校正即可，在需要进行质量控制、范围控制以及观察预测值与输入之间关系的情况下，图6中的三种值也可能被用于确定校正系数。

图6 软测量结构图

图7 ICE数据通讯架构图

图8 ICE软件运行界面

3.4 工业数据通讯

数据通信软件ICE-COM的主要功能是作为通信接口，实现ICE主程序（或数据采集软件ICEDA）和工业现场（包括过程控制系统如DCS/PLC系统、仪器仪表、设备）之间的双向数据通信。ICECOM支持工业现场常见的技术协议，包括OPC协议、Modbus协议、串口协议等（当前版本仅开发了OPC协议）。

ICE-COM的系统架构如图9所示。ICE-COM作为OPC Client，与OPC Server（包括DCS/PLC系统或支持OPC协议的智能仪表、设备等）进行数据通信；同时，ICE-COM作为TCP Server，与TCP Client（包括ICE-RT、ICE-DA等）进行数据通信。

4 ICE智能优化控制平台在水泥生产中的应用

ICE智能优化控制平台目前应用于水泥窑系统、分解炉、篦冷机、生料稳料控制、生料磨控制、煤磨控制、水泥粉磨等生产环节。

4.1 窑系统模型预测控制系统模块

分解炉控制器的主要目的是保持分解炉出口温度和五级旋风筒出料温度的稳定。分解炉控制器主要功能如下：

（1）保持五级旋风筒出料温度或者分解炉出口温度在设定点或范围内。

（2）五级旋风筒出料温度与分解炉出口温度为二选一控制，一旦选择一个温度为设定点控制（CV），另一个自动为范围控制（CCV）。

（3）参考喂煤罗茨鼓风机压力和CO含量，防止不完全燃烧等现象发生。

4.2 篦冷机模型预测控制模块

篦冷机控制模块的主要目的是利用空气对高温熟料进行急冷并回收热量。篦冷机在对熟料骤冷的同时，高温熟料与强冷空气热交换产生大量的热空气，形成可以再利用的高温二次风和三次风。篦冷机通过二次风管和三次风管将这些热风分别送入回转窑和分解炉内助燃，达到热量回收、节约能源的目的。

图9 ICE软件工业应用图

4.3 水泥磨系统模型预测控制模块

水泥磨自动控制系统主要目的是：提升辊压机稳流仓的稳定性，使辊压机运行在最佳运行区间，最大化磨机产量，提升水泥成品细度的稳定性，节能降耗。

（1）智能优化系统基于神经网络为内核的多变量模型预测控制技术，实现粉磨系统智能控制。

（2）辊压机稳流仓仓重控制：通过控制喂料量，综合考虑循环斗式提升机电流、动辊侧斜插板开度、定辊侧斜插板开度、循环风机转速等参数，稳定控制稳流仓的仓重。

（3）水泥球磨机的稳定控制：通过监控磨机电流、循环斗式提升机电流、磨头负压以及水泥产量部分参数来确保水泥磨的稳定运行；通过磨尾风机控制磨头负压。

（4）水泥细度控制：根据在线粒度仪的实时数据，调整循环风机转速，保证水泥成品细度和比表面积的最优化。

根据水泥成品粒度，自动调整选粉机转速。将粒度值控制在设定点附近，控制3～32μm粒度成品在67%左右，提高水泥产品质量的合格率。

5 结语

中材邦业的ICE智能优化控制平台经过多个水泥生产现场的运行调试、考核显示，该系统抗干扰能力强，提高了水泥生产的平稳性，减轻了操作人员的工作负荷，降低了生产能耗，增加了企业效益。