具有可變動態特性的過程的自適應控制的一種系統和方法

2023-10-31 00:33:27

專利名稱：具有可變動態特性的過程的自適應控制的一種系統和方法
技術領域：
本發明大體上涉及高級的預測性建模和控制。本發明尤其涉及對於具有可變動態特性的過程的建模和控制尤其有用的自適應控制。
背景技術：
許多操作過程具有著名地難以建模和控制的可變動態特性。這些過程極其多樣，並且實質上在任何努力領域都可被找到。這樣的操作過程的一個例子是用於研究基本粒子的粒子加速器。對於基本粒子及其相互作用的研究試圖回答兩個問題(1)構造所有物質的基本構建塊(最小的)是什麼？以及(2)在這些粒子間決定粒子如何結合和衰變的相互作用是什麼？為了回答這些問題，物理學家用加速器來向亞原子粒子提供高能，然後這些亞原子粒子與目標碰撞。從這些相互作用中產生許多其他進入檢測器的亞原子粒子。
圖1A和1B描繪了此研究中使用的典型的碰撞或相互作用。根據檢測器中搜集到的信息，物理學家可確定粒子的屬性及其相互作用。
在這些實驗中，亞原子粒子碰撞。但是，為了實現期望的實驗，要求對於粒子軌道和實際發生碰撞的環境有很大程度的控制。過程和控制模型通常被用於在這些實驗的設置和執行中幫助物理學家。
用於預測、控制和優化的過程模型可被分成兩個一般範疇，穩態模型和動態模型。這些模型是描述過程特徵的數學概念，並且過程測量值常被利用來以一種使所述模型複製所述過程的行為的方式構建這些數學概念。然後這些模型可被用於過程的預測、優化和控制。
許多現代過程控制系統使用穩態或靜態模型。這些模型通常捕獲大量數據中包含的信息，其中所述數據通常包含在許多不同的操作條件下的穩態信息。一般來說，穩態模型是一個非線性模型，其中過程輸入變量由矢量U表示，矢量U經過模型被處理，以輸出因變量Y。非線性穩態模型是一個唯象的或經驗的模型，是用來自不同被測穩態的數據的幾個有序對(Ui，Yi)發展出來的。如果一個模型被表示為Y＝P(U，Y) (1)其中P是一個適當的靜態映射，則穩態建模程序可被表示為M(U,Y)P...(2)]]>其中U和Y是包含Ui，Yi有序對元素的矢量。給定模型P，則穩態過程增益可被計算為K=P(u,y)u...(3)]]>因此，穩態模型表示當過程處於一個「靜態」模式時獲得的過程測量值。這些測量值不能說明非穩態條件下的過程行為(例如當過程被擾動時，或者當過程從一個穩態條件過渡到另一個穩態條件時)。應該注意真實世界的過程(例如粒子加速器、化學工廠)在一個天生動態的環境內操作。因此光有穩態模型一般而言對於一個天生動態的過程的預測、優化和控制是不充分的。
一個動態模型通常是根據非穩態過程測量值獲得的一個模型。這些非穩態過程測量值常常是在過程從一個穩態條件過渡到另一個時獲得的。在此程序中，應用到一個過程的過程輸入(由矢量u(t)表示的被操縱的和/或擾動變量)影響被輸出和測量的過程輸出(由矢y(t)表示的受控變量)。再一次，測得的數據的有序對佃(u(ti)，y(ti))表示一個唯象的或經驗的模型，其中在此實例中數據來自非穩態操作。動態模型被表示為y(t)＝p(u(t)，u(t-1)，…，u(t-M)，y(t)，y(t-1)，...，y(t-N)) (4)其中p是一個適當的映射。M和N指定了構建動態模型所必需的輸入和輸出歷史。一個動態系統的狀態空間描述對於適當選擇的M和N值等價於方程(4)中的輸入/輸出描述，因此方程(4)中的描述也包含了動態系統/過程的狀態空間描述。
非線性動態系統一般而言難以構建。現有技術包括多種模型結構，其中一個非線性靜態模型和一個線性動態模型被結合起來以便表示一個非線性動態系統。例子包括Hammerstein模型(其中一個靜態非線性模型串聯連接在一個線性動態模型之前)和Wiener模型(其中一個線性動態模型串聯連接在一個靜態非線性模型之前)。專利#5,933,345構造了一個非線性動態模型，其中非線性模型涉及被一個神經網絡捕獲的非線性靜態映射。
此發明通過開發一個被訓練為產生能夠最佳逼近方程(4)中的動態映射的一個動態模型的參數中的變動的神經網絡，然後利用整體的輸入/輸出靜態映射(也用根據段落 中的描述訓練的神經網絡捕獲)來構造一個適於其建立的過程的預測、優化和控制的一個精簡非線性動態模型，擴展了現有技術水平。
在大多數真實世界的應用中，第一原理(FP)模型(FPM)描述了(完全或部分地)支配過程行為的規律。通常，模型中的特定參數主要地影響模型的行為方式。因此，一個成功的控制系統的設計嚴重依賴於標識的參數的精度。此發明開發了用於表示所述過程的非線性動態模型的一個參數結構(見方程(6))。為了實現在線建模系統目標，神經網絡(NN)模型(NNM)已被開發來在操作區域有相當大地變化時魯棒地標識此動態模型中的參數的變動(見圖7)。所開發出的訓練方法也可用於魯棒地訓練參數穩態模型。
存在眾多結合NNM和FPM的方式。NNM和FPM可被「並行」結合。這裡NNM FPM的誤差，然後把NNM和FPM的輸出加在一起。此發明使用了經驗模型和參數物理模型的一個結合，以便模擬具有可變動態特性的一個非線性過程。
NNM和FPM表示兩種不同的數學建模方法。NNM是用於做非線性(或線性)回歸(即將一個模型按擬合到數據)的經驗方法。FPM是基於已知的物理關係的物理模型。這兩種方法之間的界線並不是絕對的。例如，FPM實質上總是有必須被擬合到數據的「參數」。在許多FPM中，這些參數實際上並不是常數，而是在模型的可能操作範圍上變化的。如果操作的單個點被選中並且模型的參數在該點被擬合，則隨著模型在越來越遠離該點處被使用，模型的精度退化。有時多個FPM在多個不同的點被擬合，並且最接近當前操作點的模型被用作當前模型。
NNM和FPM各自具有其自身的長處和弱點集合。NNM通常在單個操作點附近更精確，而當在遠離模型參數擬合處的一個操作點被使用時，FPM提供更好的外推結果。這是因為NNM包含被模擬的過程的特質。這些長處和弱點集合是高度互補的-一種方法弱的地方另一種就強-因此，結合兩種方法可以產生比單獨的任一種方法在所有方面都更好的模型。這適用於過程的動態行為在過程的操作範圍上顯示顯著變動的過程的控制。
本發明提供了一種創新的方法，來構建參數非線性模型，其是一個過程在其整個操作區域上的穩態和動態行為的計算高效的表示。例如，本發明提供了一種用於控制粒子加速器內的非線性控制問題的系統和方法。此方法涉及首先利用軟體工具來標識與要被控制的操作過程相關聯的輸入變量和受控變量，其中至少一個輸入變量是一個被操縱的變量。此軟體工具可被進一步操作以確定輸入變量和受控變量之間的關係。向軟體工具提供輸入並且作用於來自軟體工具的輸入的一個控制系統調整一個或多個模型參數，以確保一個或多個受控變量的一種期望的行為，這在粒子加速器的情況中可以被實現為一個更高效的碰撞。

發明內容
本發明可根據物理模型和經驗數據的一個結合確定輸入變量和受控變量之間的關係。本發明利用來自物理模型的信息以多種方式魯棒地構造圖7的參數變化模型，其中多種方式包括但不限於根據物理模型生成數據、將物理模型用作訓練神經網絡的約束、以及用方程(6)中描述的一個類型的模型解析地逼近物理模型。
可用一種建立串聯模型的殘留誤差的並行神經網絡來加強圖(7)的參數非線性模型。所述並行神經網絡可以用多種方式加以訓練，包括對串聯神經網絡的同步訓練，串聯神經網絡的獨立訓練，或迭代訓練過程。
這種情況下，所述神經網絡可以使用多種已知方式加以訓練。這些方法既包括基於梯度的方法，例如後向傳播和基於梯度的非線性編程(NLP)解算器(例如順序二次編程、廣義約化梯度方法)，又包括非梯度方法。基於梯度的方法通常要求通過數值微分或解析微分獲得的相對於一個權重和偏置的一個誤差的梯度。
在本發明對一個粒子加速器的應用中，通過調整校正器磁體和/或四極磁體以操作加速器內的粒子束位置來控制諸如但不限於變化的磁場強度、形狀、位置和/或方向的受控變量，以便實現粒子間的更高效的相互作用。
本發明的另一個實施例為一種控制粒子加速器內的非線性控制問題的系統。此系統包括一個用於操作粒子加速器的分布式控制系統。該分布式控制系統進一步包括一個(或多個)計算設備，其中所述計算設備能被操作以執行一個標識與粒子加速器中的給定的控制問題相關聯的輸入變量和受控變量的第一軟體工具，其中至少一個輸入變量是一個被操縱的變量。該軟體工具可被進一步操作以確定輸入變量和受控變量之間的關係。輸入/輸出控制器(IOC)操作以監視輸入變量並且調整先前標識的一個(或多個)控制變量以實現一個(或多個)受控變量中的期望的行為。
圖7中的物理模型被顯示為輸入變量的一個函數。暗示了如果動態模型中的一個參數的變動是所述過程的一個或多個輸入變量的函數，則所述的輸入變量被視為到神經網絡模型的輸入。輸入變量和參數模型中的參數之間的關係可通過使用經驗方法表示，例如但不限於神經網絡。
本發明的特定實施例可利用與校正器磁體和/或四極磁體相關聯的IOC來控制磁場強度、形狀、位置和/或方向，以便實現粒子加速器內的一個期望的粒子軌道或相互作用。
本發明的另一個實施例提供了一個動態控制器，用於通過預測動態輸入值中的一個變化以實現粒子加速器的輸出從一個第一時間處的一個當前輸出值到一個第二時間處的一個不同的期望的輸出值的變化來控制粒子加速器的操作，以便實現粒子間的更高效的碰撞。此動態控制器包括一個用於接收當前輸入值的動態預測模型，其中該動態預測模型依賴於輸入值和期望的輸出值變化。這允許了動態預測模型在第一時間和第二時間之間的不同時間位置產生期望的受控輸入值，以便定義粒子加速器在當前輸出值和在第二時間處的期望輸出值之間的一個動態操作路徑。一個優化器根據一個優化動態控制器的目標的預定優化方法，優化從第一時間到第二時間的不同的時間位置上動態控制器的操作以實現從第一時間到第二時間的一個期望的路徑，以便動態預測模型的目標從第一時間到第二時間作為一個時間函數而變化。
一個動態前向模型操作以接收不同時間位置處的輸入值，並且將輸入值映射到與接收到的輸入值相關聯的動態預測模型的分量，以便提供一個預測的動態輸出值。一個誤差生成器將預測到的動態輸出值與期望的輸出值相比較，並且生成一個初級誤差值，作為每個時間位置的差異。一個誤差最小化設備確定輸入值中的一個變化，以最小化由誤差生成器輸出的初級誤差值。用於對所述的確定的輸入變化值與一個原輸入值求和的一個求和設備，為每個時間位置提供一個未來的輸入值作為一個求和後的輸入值，其中原輸入值包含其中確定的變化之前的輸入值。一個控制器操作誤差最小化設備在優化器的控制下操作，以根據預定的優化方法最小化初級誤差值。


為了更完整地理解本發明及其優點，現在參考以下聯繫附圖的說明，附圖中相同的附圖標記表示相同的特徵，其中圖1A和1B圖解了用粒子加速器研究的典型碰撞或相互作用；圖2描繪了根據本發明的系統和方法被操作和控制的一個粒子加速器的元件；圖3圖解了與根據本發明的系統和方法被操作和控制的一個粒子加速器相關聯的一個極化電子槍；圖4描繪了與根據本發明的系統和方法被操作和控制的一個粒子加速器相關聯的一個多層檢測器；圖5描繪了與根據本發明的系統和方法被操作和控制的一個粒子加速器相關聯的三個物理層；圖6描繪了與根據本發明的系統和方法被操作和控制的一個粒子加速器相關聯的五個軟體層；圖7圖解了一個神經網絡模型和一個參數動態或靜態模型之間的相互作用；圖8提供了證明MV與BPM之間的明確的相關的一個屏幕鏡頭；圖9提供了變量中的變動的另一個屏幕鏡頭；以及圖10提供了顯示輸入/輸出數據的一次捕獲的另一個屏幕鏡頭。
圖11顯示了SLAC處的SPEAR設備的一個這樣的輸入/輸出關係。
圖12圖解了控制器中的不同模型與控制器和過程的關係。
具體實施例方式
本發明的首先實施例被圖解在附圖中，相同的標記被用於引用不同附圖中的相同並對應的部件。
本發明提供了用於具有可變動態特性的過程的計算高效的建模的方法。更具體地，本發明提供了一種方法，該方法通過用於預測和在線優化的過程模型的參數的透明調整，魯棒地實現帶可變動態特性的問題中的間接自適應控制技術。這樣的問題包括但不限於對於以下項目的控制粒子加速器內的粒子軌道、一個化學反應器中的溫度以及一個聚合體製造過程中的等級過渡。
此創新使得能夠改進現有的控制軟體，例如Pavilion Technology的Process Perfecter，以便在具有甚至嚴重變化的動態特性中的問題中施加有效的控制。這尤其適用於加速器內的粒子軌道的控制。
此發明中介紹的參數非線性模型已經被發明者成功用於建模嚴重非線性的過程。一個特定的應用直接涉及Standford線性加速器中心(Standford Linear Accelerator Center，SLAC)處的線性加速器的控制。
本發明為諸如Stanford位置電子非對稱環(Standford PositionElectron Asymmetric Ring，SPEAR)處的那些被操縱的/擾動變量和受控變量之間的非線性關係的分析提供了一個強大的工具。控制變量的調整可從此分析受益。SLAC執行和支持高能物理、粒子天體物理和使用同步加速器輻射的學科中的世界級研究。本發明在加速器技術的進步以及對於操作過程-尤其是那些展示嚴重的隨時間變化的非線性行為的操作過程-的所有高級建模和控制特定或通用的加速器相關技術和設備中扮演了關鍵角色。
諸如SLAC處的那些加速器向亞原子粒子提供高能，然後這些亞原子粒子與目標碰撞。從這些相互作用中產生許多其他的進入檢測器的亞原子粒子。根據檢測器中搜集到的信息，物理學家確定粒子的屬性及其相互作用。
被加速的粒子的能量越高，物質的結構就可以被理解得越充分。由於該原因一個主要目標是提供越來越高的粒子能量。因此，要求改進後的控制系統來確保粒子像實驗中設計的那樣撞擊其目標。
粒子加速器有兩種設計，直線性和迴旋(同步加速器)。SLAC處的加速器是一個直線性加速器。一個直線性加速器越長，它可產生的粒子的能量越高。一個同步加速器通過在粒子撞擊其目標之前多次迴旋粒子來實現高能。
一個粒子加速器10的元件被圖解在圖2中。在圖2的最左端是電子槍12，它產生將被加速的電子14。被流經細絲的一個電流加熱的任何細絲釋放電子。然後電場16向著加速器18的開始處加速電子14。
作為替換可使用如圖3中所示的一個極化的電子槍20。這裡來自雷射源22的極化的雷射將電子24從半導體26的表面敲落。然後電場30向著加速器管32加速電子。極化的電子槍20必須保持極高度的真空，甚至高於加速器本身。這樣的一種真空可以在10-12Tor數量級。
返回圖2，在直線性加速器18的最初幾英尺之後，電子14以約10MeVG的能量成束地行進。這意味著電子槍已到達了光速的99.9％。這些電子14的射束具有在與其行進方向垂直的方向上發散的趨勢。
由於一個發散的射束給出的碰撞少於一個窄聚焦的射束，因此電子和正電子束被送進阻尼環33(電子向北，正電子向南)。這些環是位於主加速器的任一側的小的儲存環。當射束在阻尼環33中迴旋時，電子14通過同步加速器輻射失去能量，並且在它們每次經過一個饋有電場和磁場的空腔時被重新加速。同步加速器輻射減少任何方向上的運動，而空腔只重新加速期望的方向上的運動。從而，電子或正電子束變得在運動上更加平行，因為輻射「衰減」掉了不必要的方向上的運動。然後射束被返回到加速器18，以便在在其內行進時獲得更多能量。用射束線中的一個四極磁體或校正器磁體16實現進一步聚焦。這裡聚焦被實現在一個平面中，而散焦發生在另一個平面中。
電子14的射束在加速器18內被加速，其方式與衝浪運動員沿著波浪被推動的方式的很相同。加速器18中推動電子的電磁波是通過高能微波產生的。這些微波從速調管(未顯示)中發射出，並且經由波導饋送進粒子加速器結構，以產生一個電場和磁場模式。
在加速器18內，來自速調管的微波建立引起沿加速器18指向的振蕩電場以及在加速器管周圍的圓圈中的振蕩磁場的電流。在直線性加速器10末端的電子和正電子進入射束交換場地(Beam SwitchYard，BSY)34。這裡電子被強大的雙極磁體35或校正器磁體35在不同的方向中轉向，並且行進到儲存環36中，例如SPEAR中，或者到其他實驗設施或射束線38中。為了高效地操作加速器10，操作者持續監視它的所有方面。
高效操作加速器10的挑戰包括控制引起金屬加速器結構膨脹或收縮的溫度變化。此膨脹改變結構的微波共振頻率。因此，粒子加速器結構最好始終被保持在一個穩定的溫度。冷卻系統/過程應該被監視以確定所有部件都在工作。真空也應該在整個速調管波導中和加速結構中被保持。任何微小的真空漏洞都會干擾加速器功能。整個系統被抽空到大氣壓的1/100,000,000,000。此外，每個速調管的相位時序應該是正確的，以便被眾多速調管饋給的整個結構攜帶一個沒有相位失調的行波。操作者還在沿加速器的許多點處監視和聚集射束。他們使用多種設備來監視射束，例如條形射束位置監視器(BMP)和射束點顯示器。磁場通常被用於聚集射束。
在通過碰撞電子和正電子產生了亞原子粒子後，必須跟蹤和標識亞原子粒子。一個粒子在其電荷及其質量已知時可被完全標識。
原則上一個粒子的質量可根據其動量及其速度或其能量中的任一個計算出來。但是，對於一個接近光速移動的粒子，動量或能量中的任何小的不確定性都使得難以根據這兩者確定其質量，因此有必要也測量速度。
如圖4所示的一個多層檢測器被用於標識粒子。每個層給出關於碰撞或相互作用的不同信息。基於來自所有層的信息的計算機計算重建粒子軌跡的位置，並且標識儘可能多的事件中產生的粒子的動量、能量和速度。
圖4提供了顯示安裝在一個鋼質圓筒和管端蓋板內的所有檢測器50元件的一幅剖面圖。完整的檢測器可能重達4,000噸，立起來有六層樓那麼高。最內層52，頂點檢測器，提供關於碰撞後的軌跡的位置的最精確的信息。下一層，漂移腔54，檢測沿軌跡的七個點處的帶電粒子的位置。磁場中軌跡的曲率提示了粒子的動量。中間層，Cerenkov檢測器56，測量粒子速度。下一層，液態氬熱量計58，阻止大多數粒子並測量它們的能量。這是記錄中性粒子的第一層。
一個大的磁線圈60隔離熱量計和最外層62。最外層包括用於檢測μ介子的磁鐵和溫鐵熱量計。
SLAC內的被仔細控制的碰撞允許了物理學家確定構成所有物質的基本(最小)構建塊以及基本構建塊之間支配它們如何結合和衰減的相互作用。
SLAC處的控制方案的開發進一步要求設備驅動器的開發，以使帶有一種非線性模型預測控制技術的自適應控制策略可行以便與SLAC處的分布式控制系統(DCS)通信，以及SLAC處的帶一種非線性模型預測控制技術的自適應控制策略的安裝。SLAC處的分布式控制系統也被稱為EPICS(Experimental Physics Industrial ControlSystem，實驗物理工業控制系統)。
EPICS包括一套軟體工具和應用程式，它們提供一個軟體基礎結構，用該軟體基礎結構操作粒子加速器內的設備，例如連接器或四極磁體，或者其他類似的用於影響粒子軌道的設備。在此實施例中EPICS表示一個由眾多計算機組成的分布式的控制系統，這些計算機被聯網在一起以允許它們之間的通信，並且提供從一個中央室地或在一個網絡(例如網際網路)上遠程地對設備的不同部件的控制和反饋。
客戶機/伺服器和發表/訂閱技術允許了不同計算機之間的通信。這些計算機(輸入/輸出控制器或IOC)執行真實世界的I/O以及本地控制任務，並且利用允許高帶寬、軟體實時網絡應用的網絡協議向客戶機發表信息。
這樣的一個分布式控制系統可在加速器本身之內以及被SLAC的許多實驗射束線廣泛使用。眾多IOC直接或間接地控制機器操作的幾乎每個方面，例如粒子軌道和環境，而控制室中的工作站或伺服器向系統/過程提供更高級別的控制和操作者接口，執行數據記錄、歸檔和分析。許多IOC可在出現誤差時引起加速器傾卸射束。在某些情況下，一個錯誤的輸出可損毀設備，耗費幾千美元以及數天甚至數周來修復。
從結構上來說，EPICS實現了分布式控制系統設計的「標準模型」。成為該EPICS的最基本特徵是完全分布式的。從而，EPICS不要求任何層處的中央設備或軟體實體。這實現了容易量測和魯棒性(無單點失敗)的目標。
EPICS包括三個物理層，如圖5所示，以及五個軟體層，如圖6所示。物理前端層如同「輸入/輸出控制器」(IOC)70。物理後端層72被實現在運行Unix的流行的工作站或運行Windows NT或Linux的PC硬體上。層70和72被網絡層74連接，其中網絡層74是支持TCP/IP網際網路協議和某種形式的廣播或多播的媒體(例如乙太網、FDDI、ATM)和轉發器以及橋接器的任何組合。
軟體層利用「客戶機-伺服器」樣式。客戶機層76通常在後端或工作站物理層72中運行，並且表示頂部軟體層。典型的一般客戶機是操作者控制屏幕、報警面板和數據歸檔/檢索工具。這些全都是用簡單文本文件或指向並點擊繪圖編輯器配置的。
將所有客戶機76與所有伺服器78連接起來的第二軟體層被稱為「信道接入」(CA)80。信道接入80形成EPICS的「中樞」，並且對客戶機76和伺服器78隱藏TCP/IP網絡的細節。CA 80還在所有客戶機和伺服器代碼之間產生一個非常堅固的獨立「防火牆」，以便它們在不同的處理器上運行。CA調解不同的數據表示。
第三軟體層是伺服器層78。基本伺服器是在嵌入在每個IOC中的目標CPU上運行的信道接入伺服器。它將所有客戶機與資料庫層82隔離開來。伺服器層78與所有信道接入客戶機76協作，以實現回叫和同步機制。注意雖然客戶機76通常是通過一個共享的庫調用信道接入80例程的獨立的主機程序，但是信道接入伺服器是網絡節點的一個唯一的分布式控制任務。
資料庫層82，位於分布式控制系統的心臟。使用一個主機工具，資料庫按照被稱為「記錄」的功能塊對象被描述。存在記錄類型用於執行諸如以下雜務模擬輸入和輸出；二進位輸入和輸出；構建柱狀圖；儲存波形；移動發動機；執行計算；實現PID環；仿真PAL，驅動時序硬體；以及其他任務。處理物理傳感器的記錄提供許多種縮放規則；允許平滑；提供仿真；並且接受獨立的磁滯參數，用於顯示、報警和歸檔需要。
記錄活動通過幾種方式被啟動從I/O硬體中斷；從被客戶機76例如序列器生成的軟體「事件」；當場從一個「放置」被改變時；或者利用多種周期性的掃描率。記錄支持許多種數據聯接和流控制，例如順序的、並行的和條件的。數據可從硬體層向上或從軟體層向下流動。記錄驗證從硬體和其他記錄通過的、以及內部標準上的數據，並且可對未初始化的、無效的或不可容忍的條件啟動報警。雖然所有記錄參數都是用一個工作站上的一個配置工具生成的，但是許多都可被信道接入客戶機動態更新，但具有完全的數據獨立性。軟體層的第五、最底層是用於個體設備的設備驅動器層84。
此分布式控制系統提供並實現「標準模型」樣式。此控制系統允許模塊性、可量測性、魯棒性，以及硬體和軟體中的高速度，然後仍在很大程度上保持售主和硬體獨立性。
本發明提供了一種控制粒子碰撞的系統和方法。為了實現這一點，開發了建模和控制與SLAC處的直線性加速器相關聯的眾多變量的特定算法。雖然這裡已經具體討論了磁場及其控制，但是應該注意這些算法可應用到與這些結構相關聯的任何變量。此外，應該注意此方法具有在粒子加速器控制之外的應用。
帶有可能可變參數的參數非線性模型的開發對於高度非線性的動態控制問題的成功控制策略的設計做出了貢獻。與本發明相關聯的活動被分成兩個範疇。第一範疇包括在開發使得能夠在一個實施例中實現為Process Perfecter的非線性模型預測控制技術內使用參數變化的非線性模型的算法中涉及的所有活動。第二範疇包括所述控制器的促進和開發中涉及的所有活動。
本發明將可變參數的當前值所依賴的所有變量視為到神經網絡模型的輸入。這一點被圖解在圖7中。一個單獨的NN將輸入變量93映射到可變參數95。在運行時，當前輸入變量的值饋入NN 91中，並且正確的當前可變參數值作為NN模型的輸出被產生。然後參數模型97中的參數被更新以呈現這些值。從而，NN和參數模型被串聯連接。然後不論系統/過程在其中操作的操作區域為何，結合後的模型都將具有正確的參數值。
NN(其權重和偏置)按如下方式被訓練。神經網絡在圖7的情境中被訓練。到結合後的模型的輸入是過程變量輸入93，結合後的模型的輸出是過程變量輸出99。本領域技術熟練者已知的用於訓練一個NN的任何方法可被用於在此結合後的結構中訓練NN。任何梯度方法(包括後向傳播或任何基於梯度的非線性編程(NLP)方法，例如一種順序二次編程(SQP)、一種廣義約化梯度(GRG)或本領域技術熟練者已知的其他類似的方法)都要求參數模型97可微分，而非梯度方法不施加此限制。
任何基於梯度的方法都要求相對於權重和偏置的誤差梯度。這些梯度可在數值或解析微分中容易地獲得(假定模型是可微分的)。對於微分的數值逼近是通過對一個權重/偏置做出小改變、觀察因而產生的過程變量輸出、然後對權重/偏置做出一個或多個附加的不同的小改變、並且再次觀察FP輸出來計算的。然後使用用於第一微分逼近的一個適當的公式。
關於任何NN權重和偏置的誤差梯度可經由微分的鏈鎖規則計算。因此，基於梯度的方法要求參數模型97可微分。
NN是在沒有用於其自身輸出的顯式目標的情況被訓練的。組合模型中的NN輸出的位置與一個NN中的隱藏單元相同-NN輸出的誤差源自過程變量輸出99級別處的目標。
任何非梯度方法通常要求過程輸出99作為第一步驟被計算，並且被選中的方法自身對於結合後的模型的當前狀態的優度的評估可根據結合後的模型內的需要的值容易地確定。通常，非梯度方法用誤差作為優度的量度。
本發明可將任何一種(不管什麼樣的)參數模型結構用於FP模型塊97穩態模型，包括由開放和由閉合方程表示的模型，並且包括FP輸出是否都可被分離到方程的左手側，以及是否所有的FP輸出都被測量，以及動態模型，包括IIR、FIR、差分方程和微分方程模型。
不同操作體制上的過程動態中的變動被合併到非線性模型預測控制方案中的方法在下文中被描述。此發明對於帶有可變動態特性的系統的處理為工業中的魯棒的自適應控制策略的長期需求提供了一種商業上可行的方案。
存在重用應用，其中過程處的動態行為在預期的操作區域上相當大地變化。例子包括殘留時間顯著變化的聚苯乙烯過程和反應堆，帶有依賴溫度的聲學屬性的聲學系統/過程，以及在寬範圍的馬赫數上操作的超音速飛機。正如先前所描述的，本發明的一個實施例集中在對一個直線性加速器的控制的應用上。但是，本發明勿需如此受限。
在這些環境下的關於系統/過程動態特性的精確描述的相關信息可從多種資源中找到。它們包括捕獲動態參數對輸入/輸出變量的函數相關性的第一原理方程、操作者知識以及豐富到足夠充分表示系統/過程動態特性中的變化的經驗數據。
缺乏一種系統的處理變化的過程動態特性的方法迫使應用工程師奉獻大量精力和時間，以便過程動態特性中的變動不會導致控制器性能的嚴重退化。本發明擴展了現有的公式，以便過程動態特性中的變動能被正確考慮。這可能導致改進的輸入/輸出控制器(IOC)性能以及擴展的操作條件。提議的算法的來歷是基於以下的將過程的動態特性作為一個非線性、可能時變的差分方程的一般表示YK＝F(uk，uk-1，…，uk-M，yk-1，...Yk-N) (7)其中uk是影響過程的輸入變量矢量(即操作和幹擾變量輸入)，yk是被測的輸出矢量，F是一個可能時變的非線性矢量函數。
在一個實施例中，本發明提議了以下擾動模型來本地逼近方程(5)yk=i=1N(uk,uk-1,...,uk-M,yk-1,...,yk-N)yk-1+i=1M(uk,uk-1,...,uk-N,yk-1,...,yk-N)yk-1...(6)]]>其中係數α(.)和β(.)可被定義為(uk,uk-1,...,uk-M,yk-1,...,yk-N)=Fyk-1...(7)]]>和(uk,uk-1,...,uk-M,yk-1,...,yk-N)=Fuk-1...(8)]]>是系統的當前和過去的輸入/輸出的函數。此發明中介紹的方法可應用於非線性函數F的更高階的本地逼近。此外，正如早前提到的那樣，對於一個非線性參數可變系統的一個給定的狀態空間表示，帶有方程(5)的表示的一個等價的輸入/輸出模型可以按本領域專家已知的多種方式被構造。因此，這裡介紹的方法也包含狀態空間中描述的系統。圖7所記錄的逼近策略可直接應用於從一個輸入空間到輸出空間的任何功能映射，因此此發明中的方法可直接應用於帶可變動態特性的線性過程的狀態空間描述。
此算法包含動態模型中的參數的非線性度(除增益外)被顯式表示的情況。
不論關於可變參數的信息源為何，關於所述過程的動態參數中的變動的信息都可被直接合併到控制器設計中。
本發明在動態參數的完全或部分知識可用的情況下都可應用。當關於過程動態參數的完整信息可用時，方程(6-8)中的(uk,uk-1,...,uk-M,yk-1,...,yk-N)=Fyk-1]]>和(uk,uk-1,...,uk-M,yk-1,...,yk-N)=Fuk-1]]>被用戶顯式定義。但是，在部分信息的情況下，只有某些參數被顯式定義，其餘的是經由一個根據經驗數據的標識算法找到的。
在二階模型被用於描述過程的情況下，用戶最常提供增益、時間常數、阻尼因數、自然頻率和連續時間域中的延遲方面的信息。這些變量到方程(6)中所示的一個差分方程中的係數的轉化是直接了當的，並且為了清楚在這裡被給出對於一個被描述為 的系統/過程，基於ZOH離散化的差分方程為yk=(e-T)yk-1+k(l-e-T)uk-1...(9)]]>對於一個被描述為 的過阻尼系統/過程，差分方程為
yk=(e-T1+e-T2)yk-1-(e-(T1+T2))yk-2]]>+(A(1-e-T1)+B(1-e-T2))uk-1]]>-(Ae-T2(1-e-T1)+Be-T1(1-e-T2))uk-2...(10)]]>其中A=k1-31-2]]>並且B=k3-21-2.]]>對於一個被描述為 的系統/過程，差分方程為=(2e-T)yk-1-(e-2T)yk-2]]>+(k-ke-T(1+T-leadT2))uk-1]]>+(ke-2T-ke-T(1-T-leadT2))uk-2...(11)]]>對於一個被描述為 的欠阻尼系統/過程，差分方程為
yk=(2e-Tcos(1-2T))yk-1-(e-2T)yk-2]]>+(GBe-Tsin(1-2T)+kA1)uk-1]]>+(-GBe-Tsin(1-2T)+kA2)uk-2...(12)]]>其中G=klead2]]>B=1-2]]>A1=1-e-Tcos(1-2T)-1-2e-Tsin(1-2T),]]>並且A2=e-2T-e-Tcos(1-2T)+1-2e-Tsin(1-2T).]]>不論存在用於動態模型的參數的一個顯式函數描述，或者構建了一個經驗模型來描述變動，或者只是參數變動相對輸入/輸出值的表格式描述，本發明都容納用戶信息。
在優化期間，解算器可訪問每個參數的變動的可用描述，以便在給定一個(或多個)輸入/輸出的當前和過去值的情況下生成參數的相關值。計算的數值效率可要求逼近被表達的參數的函數變動。
本發明保持了穩態神經網絡模型和帶有可變動態參數的動態模型的一致性。
使用對完全動態模型的近似可簡化實施方式，並且加速控制器的執行頻率。以下詳述這樣一個逼近策略。但是不論採用的逼近策略為何此發明都適用。因此本領域技術熟練者已知的任何逼近策略通過引用被結合在此公布中。
當(a)發生控制問題設置中的變化(例如發生設定點變化)時，或者(b)用戶明確請示一個模型更新時，或者(c)當由用戶定義的一個特定數目的控制步驟被執行時，或者(d)一個事件觸發所述模型更新時，模型可被更新。
假定(uinit，yinit)是系統/過程的當前操作點，並且yfinal是在控制範圍末端處的輸出的期望值，本發明利用了穩態優化器來獲得對應於控制範圍末端處的期望輸出的ufinal。
通過在分別給定初始和最終操作點(uinit，yinit)和(ufinal，yfinal)的情況下構造動態模型的參數，動態差分方程被形成在初始和最終點處。注意動態模型的參數對輸入/輸出值的函數相關性是良好定義的(例如，用戶定義的、表格式的、或一個經驗模型例如一個NN)。
為了在過程從初始操作點過渡到其最終操作點的過程中逼近差分方程，一個可能性是在它們的兩個終端值之間仿射地的改變參數。此選擇是為了計算方便，也可採用對於本領域技術熟練者已知的對於其間的參數值的任何其他逼近的應用(包括但不限於更高階多項式、S形函數和正切雙曲線函數)。為了強調本發明中的方法的一般性，這裡描述了本發明可導用對輸入/輸出值的參數的函數相關性的仿射逼近。假定p是系統/過程的一個動態參數，例如時間常數、增益、阻尼等。參數p是圖7中的FPM參數95的一個分量。還假定p＝f(uk，uk-1，…，uk-M，yk-1，...，yk-N)，其中f是一個適當的映射。注意有了對過渡的兩端處的穩態行為的假定，uk＝uk-1＝...＝uk-M並且yk-1＝yk-2＝...＝yk-N。此參數的一個仿射逼近可被定義如下p(uk,uk-1,yk-1,yk-2)=p(uinit,yinit)+pu(pu)init(uk-uinit)+py(pu)init(yk-yinit)...(13)]]>其中為了簡單假定M＝N＝2。
當過程的狀態空間描述可用時，p也可是狀態的一個函數。不論p的函數相關性為何，該方法都適用。
注意係數pu和py是逼近因子並且必須被定義為使得p(ufinal，yfinal)＝f(ufinal，yfinal)，其中為了簡短進行了以下代入uk＝uk-l＝…＝uk-M＝ufinal以及yk-1＝…＝yk-N＝yfinal。最終增益上的約束不足以唯一定義pu和py二者。本發明覆蓋了pu和py的所有可能的選擇。具有適當的縮放和比例考慮的一個可能的選項如下pu=(pfinal-pinitufinal-uinit)1pu+py...(14)]]>py=(pfinal-pinityfinal-yinit)pu+py...(15)]]>其中0≤ε≤1是由用戶提供來確定來自uk和yk的變動的貢獻應該如何被加權的一個參數。ε預設為1。
和 量可由用戶以解析形式提供。在缺乏這些量的解析表達的情況下，它們可以被逼近。一個可能的逼近分別是 和 為了保持用戶提供的關於過程動態行為的信息與由一個基於經驗數據的穩態神經網絡捕獲的信息相一致，此發明中考慮了一個附加的增益調度安排級別。描述此增益調度的方法被詳細描述。
保持靜態非線性增益信息與動態模型的一致的一種可能的方法被描述如下。然而此發明勿需限於這裡描述的方法。
1.由方程(6)所描述的類型的差分方程被構造。例如，關於初始和最終點處的τ、ζ、超前時間等的變量動態信息將通過用方程(9)-(12)被翻譯成方程(6)中的差分模型。
2.初始和最終點處的整體增益被設計為匹配穩態神經網絡或外部提供的變量動態增益信息的增益。
(a)從靜態神經網絡中，每個操作點處的增益，即(giss=dydu)(uinit,yinit)]]>和(gfss=dydu)(ufinal,yfinal)]]>被提取。用戶也可以定義增益為一個可變參數。
(b)為了介紹簡便，這裡考慮一個二階差分方程
δyk＝-a1(.)δyk-1-a2(.)δyk-2+v1δuk-1-Δ+v2δuk-2-Δ+ω1(uk-1-uinit)δuk-1-Δ+ω2(uk-2-uinit)δuk-2-Δ(12)其中a1(.)和a2(.)可被構造如下a1(.)=(a1i+(a1f-a1i)uk-1-uinitufinal-uinit)]]>a2(.)=(a2i+(a2f-a2i)uk-2-uinitufinal-uinit)]]>其中a1i，a1f，a2i，a2f，b1i，b1f，b2i，b2f是用方程(9)-(12)確定的。
和 可被(但勿需限於)定義如下uk=ui+12(uf-ui)(1+euk-umur-e-uk-umureuk-umur+e-uk-umur)]]>其中um=uf+ui2,ur=||uf-ui||,]]>且κ是控制從ui到uf的過渡如何發生的一個參數。如果不存在可變參數，則這些參數的初始和最終值將是相同的。
(c)然後參數v1，v2，ω1，ω2必須被定義為使得動態系統的穩態增益在過渡區域的兩側匹配從神經網絡提取出的增益(或匹配作為可變動態特性描述一部分的外部提取的增益信息)。參數的一個可能的選擇(但勿需限於)如下v1=b1i(1+a1i+a2ib1i+b2i)gssi]]>v2=b2i(1+a1i+a2ib1i+b2i)gssi]]>(d)ω1和ω2參數的一個可能的選擇(但勿需限於)如下1=(b1fb1f+b2f)(1+a1f+a2fufinal-uinit)gssf-v1ufinal-uinit]]>2=(b2fb1f+b2f)(1+a1f+a2fufinal-uinit)gssf-v2ufinal-uinit]]>本發明在一個實施例中可應用於SLAC處的直線性加速器的建模和控制。本發明進一步包括使得能夠在本發明的數據接口(DI)和與SLAC處的低層分布式控制系統對話的SLAC的EPICS之間進行通信的開發設備驅動器。
硬體和一個諸如SLAC那樣的控制系統之間的任何通信都是經過SLAC的EPICS系統完成的，因此，本發明包括了硬體和控制系統之間的一個可靠的接口。
在SPEAR II上收集的數據上的建模努力的結果被總結在圖8、9和10中。迅速瀏覽一下在一個實驗過程中捕捉的相關數據，其中三個操作變量在實驗過程中被有意移動兩個校正器磁體和一個四極磁體。射束位置監視器的讀數被記錄為此實驗的受控變量或輸出。
來自測試數據的輸入/輸出變量的屏幕捕捉100在圖8中提供。注意BPM之一的x和y讀數被選擇為如先前提及的MV，其標記名稱在屏幕捕捉中被清楚示出。圖8證明了MV與BPM之間的明確的相關。另一個屏幕分析在圖9中提供，它給出了變量中的變動的一個更佳的屏幕鏡頭。
圖10提供了另一個屏幕鏡頭120，其中點122是實際數據點。非線性輸入/輸出關係的一個模型通過使用Pavilion的Perfecter被構造。由於被操縱的變量中的同時變動，標識相當困難。數據被操縱(通過截取數據的特定區域)以確保捕捉輸入/輸出行為的標識中的最大精度。
圖10顯示了SLAC處的SPEAR設備的這樣一種輸入/輸出關係。此圖清楚顯示了上述模型中的非線性輸入/輸出關係。
本發明在設計新的自適應控制算法、標識帶有可變動態特性方面的能力被清楚論證。進一步的開發努力將把開發出的算法改進到一個商業質量的代碼基礎。
總而言之，本發明提供了一種控制諸如粒子加速器這樣的操作過程中的非線性控制問題的方法。本發明利用建模工具來標識與過程相關聯的變量輸入和受控變量，其中至少一個變量輸入是一個被操縱的變量輸入。該建模工具進一步可被操作以確定變量輸入和受控變量之間的關係。提供輸入給該建模工具並且作用於來自該建模工具的輸入的一個控制系統調整一個或多個被操縱的變量以實現一個期望的受控變量，這在粒子加速器的情況中可被實現為一個更高效的碰撞。
圖12提供了對於過程200和控制器202的關係、以及更重要地控制器202中的模型204、206和208對過程200的控制的關係的另一個圖解。一個典型過程具有多種變量輸入u(t)，這些變量中的某些可以是被操縱的變量輸入210，某些可以是被測擾動變量212，而某些可以是未被測的擾動變量214。一個過程200通常還具有多個變量輸出。某些是可測的，某些不是。某些可能實時可測220，而某些不能222。通常，一個控制系統的目標是控制這些變量輸入之一。此變量可被稱為控制變量或受控變量。此外，對於控制器，變量輸出可被視為到控制器的變量輸入或控制器變量輸入223之一。通常但不必然地，一個控制系統使用一個分布式控制系統(DCS)230來管理控制器202和過程200之間的相互作用-如圖12的實施例中所示。在所示的實施例中控制器包括一個穩態模型204，該模型可以是過程的一個參數化的物理模型。此模型可接收由期望的受控變量值組成的外部輸入205。這可能是或不是來自過程/控制系統202的操作者或用戶(未顯示)。此外，該實施例描繪了一個穩態參數模型206，該模型將變量輸入u映射為穩態模型中的一個(或多個)變量輸出y。此外，該實施例描繪了一個可變動態模型，該模型將變量輸入u映射為過程的參數化的物理模型(穩態模型)的參數p。在本發明的一個實施例中，經驗建模工具(在此例中為NN)，被用於穩態參數模型和可變動態參數模型。根據從過程接收的輸入，這些模型提供信息給動態控制器232，其中動態控制器232可被優化器234優化。優化器能夠接收優化器約束236，其中該優化器約束236可能接收來自一個外部源238的部分或全部修改，其中外部源238可能是或不是過程200或控制系統202的操作者或用戶(未顯示)。輸入205和208可能來自除控制系統202的操作者或用戶外的其他源。動態控制器232提供信息給DCS 230，其中DCS 230發送和提供作為控制器240的輸出的被操縱變量輸入240的設定點。
雖然粒子加速器的例子被詳細描述，但是這裡描述的發明性的建模和控制系統可同樣應用到其他具有相當行為特性操作過程。例如，一個諸如聚合體製造工廠這樣的製造工廠中的溫度控制，或者一個電子網中的負載頻率控制，全都會從當前的發明性的控制系統中受益。
雖然本發明被詳細描述，但是應該理解可以在不背離附錄的權利要求書所描述的本發明的精神和範圍的情況下對其做出各種改變、替換和變更。
權利要求
1.一種過程控制器包括由被控過程的過程變量輸入的測量值組成的控制器變量輸入；所述的被控過程的一個動態預測模型，帶有動態預測模型參數，用於接收當前變量輸入值，其中所述的動態預測模型參數根據由所述控制器接收的所述變量輸入值而變化；以及所述的動態模型的輸出，用於生成控制器輸出以實現所述的被控過程的變化。
2.權利要求1所述的控制器，其中所述的動態預測模型進一步包括具有物理模型參數的一個物理模型；以及根據所述的控制器變量輸入而調整所述的物理模型參數的一個經驗模型。
3.權利要求2所述的控制器，其中所述根據所述的控制器變量輸入對所述的物理模型參數的經驗模型調整進一步基於歷史控制器輸入。
4.權利要求2所述的控制器，其中所述的物理模型是所述的被控過程的一個第一原理模型。
5.權利要求2所述的控制器，其中所述的經驗模型是非線性模型。
6.權利要求2所述的控制器，其中所述的非線性模型是一個神經網絡。
7.權利要求2所述的控制器，其中所述的物理模型是所述的被控過程的一個第一原理模型，並且所述的經驗模型是一個非線性神經網絡，其根據所述的控制器變量輸入而調整所述的第一原理模型的參數。
8.權利要求7所述的控制器，其中所述的物理模型是所述的被控過程的一個第一原理模型，並且所述的經驗模型是一個非線性神經網絡，其根據當前控制器變量輸入而調整所述的第一原理模型的參數。
9.權利要求7所述的控制器，其中所述的物理模型是所述的被控制的過程的一個第一原理模型，並且所述的經驗模型是一個非線性神經網絡，其根據當前和歷史控制器變量輸入而調整所述的第一原理模型的參數。
10.一個過程控制系統包括一個分布式控制系統，所述分布式控制系統進一步包括一個計算設備，所述計算設備可被操作以執行一個第一軟體工具，其標識包括與所述過程相關聯的至少一個被操縱的變量輸入和受控變量的變量輸入，其中所述的第一軟體工具進一步可被操作以確定所述的變量輸入和所述的受控變量之間的關係；以及至少一個控制器，其可被操作以監視所述的變量輸入參數並調整所述的被操縱的變量。
11.權利要求10所述的過程控制系統，其中所述的變量輸入和所述的受控變量之間的所述關係包括一個帶模型參數的第一原理模型，其中所述的第一原理模型參數值依賴於所述的變量輸入。
12.權利要求10所述的過程控制系統，進一步包括用於標識所述的模型參數的神經網絡。
13.權利要求10所述的過程控制系統，其中所述的確定所述的變量輸入和所述的受控變量之間的關係的步驟利用一個神經網絡。
14.權利要求10所述的過程控制系統，其中所述的確定所述的變量輸入和所述的受控變量之間的關係的步驟利用物理模型和經驗方法的一個組合。
15.權利要求13所述的過程控制系統，其中所述的物理模型和經驗方法被並行和/或串行組合。
16.權利要求13所述的過程控制系統，其中所述的物理模型參數在一個操作範圍上變化。
17.權利要求14所述的過程控制系統，其中所述的物理模型是所述的變量輸入的一個函數。
18.權利要求16所述的過程控制系統，其中所述的物理模型包括隨所述的變量輸入變化的第一原理參數，其中經驗方法包括一個神經網絡用於標識與所述的變量輸入相關聯的第一原理參數值，並且其中所述的神經網絡用與所述的變量輸入相關聯的值更新所述的第一原理參數。
19.權利要求18所述的過程控制系統，其中所述的神經網絡被訓練。
20.權利要求18所述的過程控制系統，其中所述的神經網絡被根據從包含以下各項的群組中選出的至少一種方法訓練梯度方法、背向傳播、基於梯度的非線性編程方法、順序二次編程、廣義約化梯度方法和非梯度方法。
21.權利要求20所述的過程控制系統，其中梯度方法要求由數值微分獲得的相對於一個權重和偏置的一個誤差的梯度。
22.權利要求20所述的過程控制系統，其中梯度方法要求由解析微分獲得的相對於一個權重和偏置的一個誤差的梯度。
23.權利要求10所述的過程控制系統，其中所述的控制變量包括一個磁場強度、形狀、位置和/或方向，並且所述的受控變量包括一個粒子加速器內的粒子位置。
24.權利要求23所述的過程控制系統，其中一個調整所述的控制變量的步驟包括調整一個連接器磁體和/或四極磁體。
25.一種動態過程控制器，其預測所述過程的動態變量輸入值中的一個變化以實現所述的過程受控變量輸出從一個第一時間的一個當前受控變量輸出值到一個第二時間的一個不同的和期望的受控變量輸出值的變化，包括一個動態預測模型，用於接收所述的當前變量輸入值，其中所述的動態預測模型根據所述的變量輸入值和所述的期望的受控變量輸出值而變化，並且其中所述的動態預測模型在所述的第一時間和所述的第二時間之間的不同時間位置產生多個期望的受控變量輸入值，以定義所述過程在所述的當前受控變量輸出值和所述的第二時間處的期望的受控變量輸出值之間的一個動態操作路徑；以及一個優化器，用於根據一個預定的優化方法在多個不同的時間位置上優化所述的動態控制器的操作，其中所述的預定的優化方法優化所述的動態控制器的目標以實現一個期望的路徑，以便所述的動態預測模型的目標作為一個時間函數變化。
26.權利要求25所述的動態過程控制器，其中所述的動態預測模型包括一個動態前向模型，所述的動態前向模型可被操作以接收每個所述時間位置處的變量輸入值，並且將所述的變量輸入值映射到與所述的接收到的變量輸入值相關聯的所述動態預測模型的成分，以便提供一個預測的動態受控變量輸出值；一個誤差生成器，用於將所述的預測的動態受控變量輸出值與所述期望的受控變量輸出值相比較，並生成一個初級誤差值作為所述每個時間位置處的差異；一個誤差最小化設備，用於確定所述的變量輸入值中的一個變化，以最小化被所述誤差生成器輸出的所述的初級誤差值；一個求和設備，用於對所述確定的變量輸入變化值與一個原始變量輸入值求和，其中原始變量輸入值包括多個時間位置的、在其中確定變化之前的變量輸入值，以提供一個未來的變量輸入值作為一個求和後的輸入值；以及一個控制器，用於控制所述的誤差最小化設備的操作以便在所述的優化器的控制下操作，以根據所述的優化方法最小化所述的初級誤差值。
27.一種用於控制操作過程的方法，包括以下步驟標識與所述過程相關聯的變量輸入和受控變量，其中至少一個變量輸入是一個被操縱的變量；確定所述的變量輸入與所述的受控變量之間的關係，其中所述的關係包括模型，並且其中所述模型中的參數依賴於所述的變量輸入；以及調整所述的被操縱的變量以實現一個期望的受控變量值。
28.權利要求27所述的方法，進一步包括確定所述的變量輸入與所述的模型參數之間的關係的步驟，其中所述的關係包括一個模型。
29.權利要求27所述的方法，其中標識所述變量輸入和控制變量之間的關係的步驟利用神經網絡。
30.權利要求28所述的方法，其中所述的標識所述的變量輸入和動態模型參數之間的關係的步驟利用神經網絡。
31.權利要求27所述的方法，其中確定所述的變量輸入和所述的受控變量之間的關係的步驟利用物理模型和經驗方法的一個組合。
32.權利要求31所述的方法，其中所述物理模型和經驗方法被串行組合。
33.權利要求31所述的方法，其中所述物理模型和經驗方法被並行組合。
34.權利要求31所述的方法，其中所述物理模型在一個操作範圍上變化。
35.權利要求34所述的方法，其中所述物理模型是所述的輸入參數的一個函數。
36.權利要求35所述的方法，其中所述物理模型包括隨所述變量輸入變化的第一原理參數，其中經驗方法包括用於標識與所述的變量輸入相關聯的第一原理參數值一個神經網絡，並且其中所述的神經網絡用與所述的變量輸入相關聯的值更新所述的第一原理參數。
37.權利要求36所述的方法，其中所述的神經網絡被訓練。
38.權利要求37所述的方法，其中所述的神經網絡被根據從包含以下各項的群組中選出的至少一種方法訓練梯度方法、背向傳播、基於梯度的非線性編程(NLP)方法、順序二次編程、廣義約化梯度方法和非梯度方法。
39.權利要求38所述的方法，其中梯度方法要求由數值微分或解析微分中任一種，獲得的相對於一個權重和偏置的一個誤差的梯度。
全文摘要
本發明提供了一種控制非線性過程控制問題的方法。此方法涉及首先利用建模工具來標識與過程相關聯的變量輸入和受控變量，其中至少一個變量輸入是一個被操縱的變量。該建模工具可進一步被操作以確定變量輸入和受控變量之間的關係。一個向該建模工具提供輸入並且作用與來自該建模工具的輸入的控制系統調整一個或多個被操縱的變量輸入以一個期望的結果，例如更高的效率、更高的質量或更大的一致性。
文檔編號G05B13/04GK1742241SQ200380109246
公開日2006年3月1日 申請日期2003年12月9日 優先權日2002年12月9日
發明者比加恩·薩亞羅德薩裡, 埃裡克·哈特曼, 塞爾索·阿克塞爾魯德, 基迪爾·裡亞諾 申請人:搭篷技術公司