книги / Типовые задачи оперативного управления непрерывным производством
..pdfТогда, если окажется, что аг>0, полученная зависи мость будет проходить через нуль. Сказать заранее, какие знаки будут иметь коэффициенты в (3-7), в об щем случае нельзя, поэтому построение (3-7) таким спо собом может оказаться неэффективным.
Для решения задачи при ограничениях на знаки коэффициентов или в общем случае при любых ограни чениях (неравенствах или равенствах), наложенных на коэффициенты, необходимо использовать аппарат мате матического программирования, что существенно услож няет процедуру поиска коэффициентов модели по срав нению с процедурой решения системы линейных урав нений.
Например, при построении статических моделей уста новок часто необходимо помимо других ограничений учитывать условия материального баланса или вводить ограничения па потери, например, в виде
где ai, «2 — возможный диапазон значений потерь. Таким способом получаем дополнительные ограниче
ния иа коэффициенты а* модели (3-4) или (3-1). В этом случае для построения моделей приходится применять методы математического программирования. Если уста новка имеет несколько выходов, то суммарные ограни чения на потери
(3-8)
где т — число выходов.
Критерий задачи с приведенным ограничением квад ратичный [см. (3-2)].
Прежде чем привлекать к решению задачи аппарат математического программирования, можно попытаться найти решение более простым способом. Когда ограни чения наложены только иа знаки коэффициентов моде ли, таким простым способом является регрессия по первой главной компоненте. Рассмотрим этот способ на примере модели (3-4), поскольку все сказанное легко переносится и на (3-1).
Коэффициенты йхУстоящие перед хи должны иметь определенные знаки, соответствующие физическому
смыслу задачи. Обычно требуется, чтобы эти знаки со впадали со знаками коэффициентов корреляции: у с х*. В крайне редком случае пассивного эксперимента, когда все Xi и Xjy j не коррелирован» или слабо коррелиро ван» между собой, коэффициенты а,-, действительно, бу дут иметь одинаковые знаки с коэффициентами корре ляции между у и Xi. В других случаях, наличие связи между аргументами приводит к непредсказуемым зара нее знакам коэффициентов а*.
От коррелированных хгможно путем ортогонально го преобразования перейти к новым некоррелированным переменным z\, гг, . . zv:
t=i
где Uij — нормированные коэффициенты матрицы преоб разования; xi, Oi — средние и средние квадратические отклонения от средних.
При этом Z\ имеет максимальную дисперсию, т. е. располагается вдоль главной оси эллипса рассеяния пе ременных Х{.
Из опыта построения зависимостей
y = y + cxzi |
(3-10) |
методом наименьших квадратов следует, что после под становки (3-9) в (3-10) полученная формула (3-4) имеет коэффициенты со знаками, очень часто совпадающими со знаками соответствующих коэффициентов корреля ции между у и Xi.
Строки матрицы преобразования Uj являются собст венными векторами корреляционной матрицы R аргу ментов Xi, упорядоченными в порядке убывания соответ ствующих собственных значений. Собственные значения %j корреляционной матрицы неотрицательны и в сумме равны V [76].
Регрессия по первой главной компоненте может строиться и при условии прохождения зависимости (3-4) через начало координат. Из (3-10) и (3-9)
а0 будет равняться нулю, если выбрать
(3-12)
Точность построения моделей определяется объемом выборки N, если объект в процессе накопления экспери ментальных данных не меняет своих свойств.
Если модель построена по начальному объему вы борки, а затем получено еще некоторое количество экспериментальных точек, то уточнение модели может быть осуществлено либо путем ее перестройки по объединенной выборке, либо путем рекуррентной кор рекции коэффициентов последовательно по каждой до полнительной точке [77, 78],
Если моделируемый объект нестационарен и измене ние параметров носит характер тренда, то модель долж на периодически перестраиваться по обновленной вы борке, полученной путем замены старых данных новыми, или периодически корректироваться по вновь поступаю щим точкам в незатухающем, в отличие от стационар ного случая, рекуррентном процессе построения модели.
3-2. Построение диапазонных моделей
Рассмотрим методику |
определения |
параметров мо |
дели вида |
|
|
У = ао + |
Ах + Gu; 1 |
(3-13) |
0 < u < c 0+ Cx, J
введенной в § 2-3.
Здесь ао, с0— векторы; A, G и С — матрицы коэффи циентов; у, х — векторы выходных и входных потоков объекта; и — вектор, обеспечивающий зависимость вы ходных параметров от входных в некотором диапазоне их значений.
Вектор и может иметь физический смысл, когда его компонентами являются технологические параметры, такие как температура, давление и т. п. Тогда, набрав достаточное количество экспериментальных точек, со держащих значения у, х, и вышеописанными способами можно найти коэффициенты а0>71, G (3-13). Но этот слу чай не отличается принципиально от известных случаев построения моделей вида (3-4) или (3-1). Принциииаль-
но новым является построение модели (3-13), где вектор и, служащий для связи выходов между собой, не явля ется в прямом смысле вектором управляющих воздей ствий и, естественно, отсутствует в выборке эксперимен тальных данных.
Модель (3-13) является частным случаем более общих нелинейных моделей ( 1-1 ), содержащих подоб ный вектор и в качестве аргумента, например:
y=f(x, и) |
(3-14) |
ИЛИ |
(3-15) |
у=ао(и)+А (и)х, |
|
последняя является моделью с переменными |
коэффи |
циентами (см. § 2-3).
Модель (3-13) как частный случай (3-15) должна называться моделью с переменными коэффициентами, но модель (3-14), более общую, чем (3-15), так назвать нельзя. Возникла необходимость в ином термине, под черкивающем отличие рассматриваемого класса моде лей от известных (строящихся по выборке эксперимен тальных данных), во-первых, неоднозначностью значе ний выходов при фиксированных входах, во-вторых, наличием при этом связей между выходами. И то и другое реализуется вовлечением в модель фиктивного векто ра и, принимающего произвольные значения из некото
рой области. |
Про |
Будем называть такие модели диапазонными. |
|
стейшим их классом является модель (3-13). |
|
Построение моделей (3-13) по выборке точек {у(Ч), |
х(л)} |
л = 1, N может (осуществляться путем решения |
задач |
квадратичного или линейного программирования в зави симости от того, минимизируется среднее квадратиче ское отклонение или максимальный модуль погрешности модели [42].
Минимум ищется не только по я0, А, с0 и С, но и по и при фиксированной матрице G. При этом оптимальное
значение вектора и ищется для каждой |
точки |
выбор |
ки что делает размерность задачи зависящей |
от объе |
|
ма выборки. |
|
|
1 Технологический режим работы агрегата, |
упрощенно учи |
тываемый вектором и, различен в . каждой экспериментальной точке. Следовательно, и должен находиться для каждой точки, при этом минимизируется значение критерия в каждой точке эксперимента.
Матрица G должна быть оценена заранее. Пусть G имеет d столбцов и т строк и ранг, равный d, и пусть линейно-независимые строки расположены в верхней ее части и образуют невырожденную подматрицу G*. Тогда G можно представить в виде блоков
G= |
G* |
(3-16) |
|
TG* |
|||
|
’ |
аиз компонентов у выделить компоненты у\и связанные
состальными уг и-х8линейно:
V d
Ук &ко ~I- 2 ^ks^s~\~ 2 '^%кгУг'>k = d —j 1, Ш. |
(3-17) |
|
s = l |
г—1 |
|
Матрица Т может быть оценена по выборке методом |
||
наименьших квадратов |
в процессе построения |
(3-17). |
Матрицей G* необходимо задаваться. В случае d= 1 G* вырождается в скаляр и может быть без потери общно сти принята равной единице. При d> 1 точность модели зависит от выбора G*. Как производить выбор G* в этом случае, неизвестно. Некоторые соображения на этот счет приведены в [42].
Если известна матрица G, оценку коэффициентов модели (3-13) можно получить, решая задачу квадра тичного или линейного программирования. Задача квад ратичного программирования может быть сформулиро вана в виде
N |
Ï |
2 {(У(и) — а<>— Ах(,1) — Gu<rt))T (у("> — а0— Ах |
— |
/ 1=1
— Gut">) + s (с0+ Сх<">)т(с0+ Сх(»>)} — min;
0 < u ^ < c 0-j-Cx(fI), н — 1, N.
(3-18)
Задача линейного программирования
т |
N d / |
V |
\ |
|
2 hk h + B2 2 |
сго+2 c rsxln) ) |
|
||
k=\ |
/1 = 1 / = 1 \ |
5 = 1 |
J |
(3-19) |
|
у(,г) — |
yW — y(n)*^t; |
||
|
yW=s ae+ A xt")+G utn); |
|
||
|
0< u i“)< c , + CxW, n = |
l N , |
|
где t — вектор вспомогательных переменных — макси мальных по модулю погрешностей по отдельным выхо дам модели; в — коэффициент, выбираемый произвольно для получения однозначного результата по Со и С; h — вектор весовых коэффициентов, выбираемых произволь
но; у(”>, х<п) — векторы выходных и входных параметров
в эксперименте п\ N — общее |
количество |
эксперимен |
тов; т — размерность вектора |
выходных; |
v — размер |
ность вектора входных параметров.
Минимизация осуществляется по t, Со, С, ао, A, u(n>,
п= 1 N.
Размерности задач и количество ограничений в них приведены в табл. 3-1.
|
|
|
|
|
Таблица 3-1 |
Программирование |
Размерность задачи |
Количество огра |
|||
ничений |
|||||
Квадратичное |
|
№/+(v+l) (ю-М) |
2Nd |
||
Линейное |
|
Nil + (v - f 1) {in + |
d) |
N (d + 2m) |
|
Из таблицы видно, что уже при малых выборках, на |
|||||
пример N= 10, |
размеры |
решаемых |
задач |
получаются |
|
большими. Так, |
при |
т = 2, v=4, d = 1 |
задача линейного |
||
программирования |
будет |
содержать 27 |
переменных, |
а при замене неравенств равенствами их число увели чится до 77.
Становится очевидным, что описанным способом нельзя строить хорошие модели, не привлекая дополни тельной информации. Эта информация может иметь вид дополнительных ограничений, например уравнений ма териального баланса, ограничений на коэффициенты мо дели и т. п. Обычно эти ограничения налагаются в гра ничных точках области допустимых значений входов или в граничных точках области более простого вида, вклю чающей область допустимых значений входов. Наиболее простой областью является многогранник (симплекс), образованный v-{-l точкой. Если в каждой точке долж но выполняться Н дополнительных ограничений, то общее их количество составит tf ( v + 1).
Зависимость размеров решаемых задач от объема выборки является существенным недостатком вышеопи санных методов. С целью упрощения процедуры пост-
pôeiiim имеет смысл расчленить задачу йа две—задачу
построения верхних и нижних границ выходов |
yrt r = l , d |
и задачу оценки коэффициентов зависимостей |
yh от х и |
уг (3-17). Этот случай соответствует диагональному виду матрицы G*. Оценку границ уг можно произвести приближенным методом, исключающим зависимость сложности решаемой задачи от объема выборки [42, 153]. В методе используется последовательное построе ние границ путем отбрасывания точек выборки, лежа щих ниже (выше) предыдущей границы, находимой ме тодом наименьших квадратов.
Построение диапазонных моделей является пока до вольно сложным и трудоемким делом. Тем не менее мо дели участков производства, подобные вышеописанным, на наш взгляд, являются весьма перспективными, веду щими к упрощению общих моделей объектов управле ния. Для иллюстрации изложенных методов рассмотрим практические примеры построения диапазонных моделей по данным реальных экспериментов.
Пример 3-1 [42]. Построим по экспериментальным данным, приведенным н табл. 3-2 методом линейного программирования диапазонную модель ректификационной колонны, разделяющей изо- пентан-изоамиленовую смесь в производстве изопрена из изопен тана. Обозначения в таблице (в тоннах в час) : ij\ — выход изо пентана в рецикловом потоке, у 2 — выход нзоамилена в целевом потоке, Хи хг — входы изопентана и нзоамилена.
|
|
Таблица 3-2 |
|
|
Таблица 3-3 |
|||
У х |
У * |
X i |
|
х2 |
У х |
У 2 |
X i |
х2 |
21,5 |
10,3 |
21,2 |
10,8 |
30,4 |
16,3 |
46,5 |
0,37 |
|
21,2 |
9,8 |
20,9 |
10,1 |
25,8 |
17.1 |
46,2 |
1,06 |
|
24,1 |
9,9 |
24,0 |
10,0 |
25,6 |
13,9 |
41,3 |
0,89 |
|
19,8 |
8 ,2 |
19 |
8 |
8,2 |
23,6 |
10,6 |
35,7 |
0,76 |
23,0 |
10,0 |
22,7 |
10,3 |
24,5 |
14,0 |
40,8 |
0,96 |
|
19,4 |
8,6 |
18,7 |
9,1 |
23,6 |
10,7 |
36,5 |
0,44 |
|
22,9 |
10,1 |
22,7 |
10,3 |
30,0 |
13,6 |
44,6 |
1,01 |
|
24,3 |
8 ,7 |
24,1 |
8 ,9 |
29,5 |
14,4 |
46,5 |
0,74 |
|
24,0 |
9,0 |
23,0 |
9 ,4 |
26,9 |
11,9 |
39,3 |
1,10 |
|
21,2 |
9,8 |
21,1 |
9 ,9 |
21,1 |
13,2 |
35,8 |
1,20 |
Экспериментальных данных мало, всего десять точек, поэтому при построении модели потребуем выполнения очевидных ограниче ний, таких как неотрицательность выходов и потерь с целевым н рецикловым потоками. Эти потери находятся из условий материаль ных балансов изопентановой и изоамиленовой фракций. Предполо-
ЖиМ, что эти дополнительные ограничений должны выполняться в области допустимых значений входов, задаваемых граничными точками (л'н, x2i) с координатами (26,8; 11,9), (0; 11,9), (26,8; 0). В этих же точках потребуем выполнения ограничения на неотри цательность функции со+Сх (3-13). Всего дополнительных огра ничений-неравенств будет 15 (по пять ограничений в трех точках симплекса). Принимая G = l, определяя методом наименьших квад ратов G2= —0,423 [задаваясь е=0,001, Л=1, h2= 1/0,423 и миними зируя критерий задачи линейного программирования (3-19)], полу чаем модель
tji= 1,6-j-0,94xi—0,14хг-}- Щ
у 2= —0,33-}-0,01 2XI-|-X2—0,423н; 0 и — 1,6—j-0,06xi -J-0,135x2*
Задача содержит 76 переменных и 65 ограничений в форме равенств.
Пример 3-2 [153]. Построим по данным табл. 3-3 диапазонную модель установки дегидрирования изоамиленов в производстве изо
прена из изопентана. Обозначения |
в таблице (в тоннах |
в час): |
|
у\ — выход изоамиленов (проскок), |
у2 — выход |
изопрена |
(целевой |
продукт); Xi, Х2 — входы изоамиленов и изопрена. |
|
|
|
Модель будем строить в два этапа: вначале |
построим |
верхние |
и нижние границы обоих выходов, чтобы конечный результат не
зависел от разбивки у на |
компоненты |
у т и ун, |
затем произведем |
|
коррекцию их |
по основным |
(3-13) и дополнительным ограничениям, |
||
аналогичным |
предыдущему |
примеру, в |
точках |
симплекса (53,97; |
1,62), (0; 1,62), (53,97; 0). |
Коэффициенты вектора G, G i= l; G2= |
|||
——0,545. В результате получена модель |
|
|
i/i=l,687-}-0,94xi— 1,04х2-}-«;
1/2=1,767—0,0044xi—0,496x2—0,545к;
0 < u ^ 0 ,l 142—0,0021 х !-}-0 ,822x2.
Г л а в а ч е т в е р т а я |
|
|
|
ПРОСТЕЙШИЕ СХЕМЫ СОЕДИНЕНИЯ |
|
||
ТИПОВЫХ ТЕХНОЛОГИЧЕСКИХ ОПЕРАЦИЙ |
|
||
4-1. Простые операции |
|
|
|
Будем рассматривать следующую |
.модель |
простой |
|
операции: |
|
|
(4-1) |
|
|
|
|
где индекс k |
соответствует номеру |
простой |
операции |
в комплексе |
типовых операций; х&\ у№— количествен |
ные характеристики входного и выходного потоков опе раций; 0W — параметр управления, связанный с измене ниями режимов проведения операции.
На величину 0<Л) наложены ограничения
0(Ь )^ е (^ 0(/1),
где 0W, 0(Л) — заданные числа.
Кроме (4-1) будет рассматриваться более сложная
модель |
(4-2) |
xW=fh(№))yM, |
где fii — заданная функция от 0W.
Рассмотрим ряд задач оперативного управления для структур комплексов, состоящих из простых типовых операций (4-1) и (4-2).
а) Последовательное соединение простых операций
Рассмотрим цепочку из п последовательно соединен ных простых операций (рис. 4-1).
Рис. 4-1. Последовательное соединение простых операций.
Условия последовательного |
соединения |
операций |
можно записать следующим образом: |
|
|
0(ft)=>+i), k=U ..., п—1. |
(4-3) |
|
На входной поток каждой операции наложены огра |
||
ничения |
|
|
k= \, |
..., /г, |
(4-4) |
где х№ — заданные числа.
Задача максимизации производительности. Требуется
выбрать такие значения переменных х(Л>и 0(Ч |
при кото |
|
рых удовлетворяются |
все приведенные выше |
ограниче |
ния и выходной поток |
достигает максимума |
|
//('O-MTiax.
На основании (4-1), (4-3) можно записать:
При этом сформулированная задача запишется в виде
ут Д |
k = \ ........ л; |
|
S — k |
(4-6) |
|
0(*> ^ |
||
0(*) < 0<Л); |
yin)—,-m ax.
Ввиду наличия в (4-5) произведения переменных за дача (4-6) относится к классу задач нелинейного про граммирования. Однако, несмотря на кажущуюся слож ность, задача (4-6) допускает простую процедуру ре шения. Легко показать,*что оптимальное значение потока
на выходе комплекса |
находится |
по формуле |
//1л) = т т ( |
х(к) П |
} |
(к) |
|
|
*
Если значение yW достигается при k=l, то l-я про стая операция таким образом лимитирует прохождение потока по всей последовательной цепочке операций. Указанная операция носит название «узкое место». На личие узкого места является характерной особенностью комплексов с последовательно соединенными операция ми. Узкое место определяет конечную производитель ность всего комплекса, в данном случае — оптимальное значение функционала Согласно (4-5) для опера ций, начиная с номера I, будем иметь:
0(s>=0(*), |
s=l, ..., п. |
Для операций, начиная с первой по l-ю, параметры 0Л, г—1, ..., /—1 могут иметь множество возможных значений, определяемых системой неравенств:
J] |
< * < '-’), r = 1........ / — 1; |
|
5 = |
1 |
|
|
0(*)<0<*)<0<*). |
|
Поток x(,i>находится по формуле (4-5). |
может быть све |
|
Исходная |
нелинейная задача (4-5) |
|
дена к линейной. Воспользовавшись |
формулами (4-1) |
|
и (4-3), получим: |
|
0 (ft) x ( k ) __
~ i/ l{) *(*+») *