[发明专利]自适应面向对象的优化软件系统

说明书

本发明一般涉及过程控制系统，特别是，本发明涉及利用自适应优化软件系统的优化过程控制系统。具体地说，本发明涉及一种包括以分级关系结构排列的智能软件对象(此后有时称之为“ISO”)的自适应优化软件系统，其中每个ISO的目标查找状态能够借助在所述ISO分级结构中的较高层ISO来修改。再具体地说，本发明涉及包括含专家系统对象、自适应模型对象、优化器对象、预测器对象、检测器对象、通信/翻译对象在内的内部软件对象的ISO。本发明再一个具体和最后的一点是涉及人和所述自适应优化软件系统的人机交互方法。

过程控制系统被用于各种装置以检测过程状态和调节过程操作参数，以便使用于给定集合目标的性能优化。当前很多传统的过程控制系统使用受控过程的静态表示，不能实时表示所使用的过程控制模型的变化。

在传统的自适应控制理论中，使用静态规则选择自适应控制器结构和调节所述控制器的参数，从而使所述过程的输出逐步跟随一个模型基准的输出。所述静态规则不允许过程控制系统自动和优化地适应过程状态的变化。

不管是否是自适应，现有技术过程控制系统的一个明显缺点是无论是在最初配置一个系统还是在与该系统实时交互时都缺少一个直观的用户接口。

现有技术过程控制系统的另一个明显缺点是，无论是否是自适应，所述过程控制系统都不能自动执行控制作用，从而不能提供一个与所述过程控制系统一起构成强大一元化系统以实现与管理目标和目的相适应的最优化的全程目标查找机构(global goal-seeking mechanism)。

另外，现有技术的很多过程控制系统仅提供有限层级的控制点、元件和/或系统模型建立或控制的分级结构。

因此，不管是否是自适应，很多现有技术的过程控制系统都不能够提供范围从特定、面向元件、窄聚束级到最宽全程级的并行多级优化。

传统的过程控制系统由独立工作和缺少低级优化的具体元件(即检测器、控制器)组成。某些系统在系统级进行了全程优化，但没有考虑在每个元件级的优化，而其它一些系统则仅在元件级进行了优化。当没有一个全程目标查找机构与所述部件一起构成一个强大的一元化系统以实现管理目标时，整个过程就不能够实现低级或元件级与全程或系统级优化的集成和最优化。

很多确实提供了某种程度的并行多级优化的系统依赖于仅一种或两种实现所希望并行多级优化的方法，而不是依赖于包括专家系统、能够使用一个或多个包括神经网络的模型建立方法的自适应模型和其它预测模型建立技术的方法上的多重性和多样性。

在有限的使用多种方法的系统中，没有一种过程控制系统使用交互作用的不同自适应方法去实时地动态改变它所选择的预测模型而不必停止正在被控制的过程或所述过程控制系统。

此外，很多当前惯用的过程控制系统依赖于人的操作来在整个过程控制系统域内实时地确定和实施优化设置点。这些过程控制系统需要人的干预才能使过程和系统优化，但是，由于人工操作者在他们的控制推理能力和经验方面有很大差异，所以这种个人为因素将导致在所述过程控制系统整体效能上的较大范围的变化。

专家系统已经对确实不能使用专家系统的传统过程控制系统提供了有效的改进。但是，很多当前技术的过程控制系统不能够使用专家系统来帮助过程控制算法操作、算法选择或算法参数估计进行自适应。

另外，一旦被安装，不使用专家系统的当前技术的过程控制系统没有自动化、系统化的手段来自适应地优化它的专家系统和所述专家系统的算法。

神经网络是一种用于保证所述过程模型能够在所有时间内精确预测被建立模型过程性能的强大的模型建立技术。但是，神经网络具有一个公知的“记忆”问题，并借此变成“静态”和不能发现变异的不同模型，从而不能在整个时间内更精确地预测过程性能。

另外，神经网络的定义取决于用户对功能完全正确地理解，当不能保证用户能够完全正确理解时，以系统为基础的神经网络受到对用户全知全解依赖的损害。

此外，某些神经网络需要从要采用的约束和解法所需任一数据函数推导的神经网络估计所采用的权值；作为所述网络的输入，这些权值都是得不到的，因此，由于不可能学到如何实时计算这些权值，所以，限制了神经网络对所述过程控制系统的适用性。

因此，本发明的一个目的是提供一种使用受控过程的动态表示从而实时提供正在被使用过程控制模型变化的优化过程控制系统。

本发明的另一个目的是提供一种能够自动和优化自适应变化过程条件的优化过程控制系统。

本发明的再一个目的是提供一种具有用于最初构成一个系统和实时与所述系统对话的直观用户接口的优化过程控制系统。