Malliprediktiivisen säätimen suorituskyvyn

Malliprediktiivisen säätimen suorituskyvyn mittaaminen teollisuudessa
Janne Oksanen, Veli Vanhamäki, Samuli Bergman,
Neste Jacobs Oy, PL 310, 06101 Porvoo
Puh. 010 458 1200, [email protected], http://www.nestejacobs.com/
AVAINSANAT malliprediktiivinen säätö, MPC, mallinnus, suorituskyky, rekursiivinen laskenta,
(laajennettu) Kalman-suodin, yhtäaikainen tila- ja parametriestimointi
SYMBOLILUETTELO
E(t)
I
H
Hhis
J(t)
M
N
Säätövirheen vektori ajan hetkellä t
Input vektori
Hintoja kuvaava vektori
Historiahorisontti
MPC- kustannusfunktio ajan hetkellä t
Säätöhorisontti
Ajan hetki N, jolloin ennusteen tulisi
seurata referenssitrajektoria
O
P
Phis
Q, R
W
Y
∆Ut
η
Output-vektori
Ennustehorisontti
Ennustehorisontti, historia-funktiossa
Painomatriiseja
Referenssitrajektorin vektori
Säätömuuttujien arvovektori
Ohjausmuuttujien muutosvektori
Suorituskykyindeksin arvo
TIIVISTELMÄ
Prosessimallit ovat tärkeässä osassa kehittyneiden säätösovellusten toimivuuden kannalta ja tyypillisesti mallit
ovat oikeimmillaan heti käyttöönoton jälkeen, jolloin myös säätimen suorituskyky on parhaimmillaan. Vaikka
täsmälleen "oikeaa" prosessimallia on käytännössä mahdoton tietää, on silti tarpeen saada ja käyttää säädintä
koskevaa tietoa. Esimerkiksi voidaan olettaa säätimen dynamiikka tunnetuksi olemassa olevien mallien
perusteella ja näin ollen saada tietoa, paljonko prosessivahvistukset muuttuvat laadunvaihtojen yhteydessä.
Raportoitua tietoa löytyy melko vähän rekursiivisen (on-line) laskennan käytöstä teollisuusympäristössä
(öljynjalostus ja petrokemian teollisuus), mikä on toisaalta ymmärrettävää toteutusympäristön laskennalle
asettamista haasteista johtuen. Mittaukset saattavat vikaantua monesta eri syystä ja varsinkin
analysaattorisignaalin luonne asettaa omat reunaehtonsa laskennalle (näyteväli saattaa olla jopa tunnin luokkaa
esim. 1min laskentaintervalliin verrattuna, mittaus saattaa juuttua mitta-alueen rajalle ja pysyä kuitenkin
kelvollisena). Tässä artikkelissa esitetään menetelmä, joka perustuu laajennettuun Kalman-suotimeen, jossa
rekursiivisesti pyritään ratkaisemaan yhtäaikainen tila- ja parametriestimointiongelma. Menetelmää voidaan
käyttää säädön suorituskyvyn arviointiin seuraamalla mallin muutosta. Sen lisäksi artikkelissa esitellään
petrokemian teollisuudessa testattua menetelmää malliprediktiivisen säädön ja prosessin kokonaissuorituskyvyn
laskemiseksi. Menetelmässä lasketaan sekä teknistä että taloudellista suorituskykyä rinnakkain, jolloin säätimen
vaikutusta prosessiin pystytään monitoroimaan reaaliaikaisesti. Suorituskykyindeksien laskennassa on käytetty
sekä historiaan että design-malliin perustuvia menetelmiä.
1
JOHDANTO
Malliprediktiivinen säätö (MPC) on laajalti käytössä öljynjalostuksen, petrokemian teollisuuden
ja
muoviteollisuuden kehittyneissä prosessisäädöissä (APC - Advanced Process Control). Erilaisilla MPCsovelluksilla, ja niihin kiinteästi liittyvillä jatkuvatoimisilla optimointisovelluksilla, on kiistatta saatu
menestyksellisesti parannettua prosessien tuottavuutta, turvallisuutta ja tuotelaatua /1-4/. Kuitenkin teollisuudessa
on viime aikoina esitetty huolestuneita äänenpainoja siitä, että MPC-sovellusten toimintakyky heikkenee ajan
kuluessa, jonka jälkeen niillä ei enää saavuteta asetettuja taloudellisia tavoitteita (ks. esim. /5/ ).
Kirjoittajien kokemusten mukaan tähän ongelmaan vastataan seuraamalla säätimien suorituskykyä. Mittaamalla
jatkuvasti säätimen suorituskykyä voidaan varmistaa sen tehokas ja oikeanlainen toiminta. Kirjoittajien
kokemusten mukaan säätimen suorituskyky ei ole pelkästään säätötekninen kysymys, vaan se liittyy hyvin
vahvasti prosessitekniikkaan, talouteen ja automaatiota käyttäviin ihmisiin. Perinteiset säätöjen suorituskyvyn
mittarit, kuten minimivarianssi-indeksi tai säätövirheen integraali-indeksit (esim. IAE) eivät sellaisenaan sovellu
monimuuttujaiseen MPC-käyttöön. Näille on kehitetty sopivia laajennuksia /6/, mutta nekään eivät yksinään auta
ylläpitämään säätimen tuomaa taloudellista hyötyä. On tärkeää pitää mielessä, miksi säätö on suunniteltu. Säädön
suorituskyvyn mittareiden tulisi kuvata säädön toimintaa juuri suunniteltuun toimintaan ja hyötyyn verraten sekä
huomioiden prosessin tuottavuuden. Kaksi tällaista menetelmää kuvataan tämän artikkelin luvussa 2.
Toinen keskeinen asia MPC-säädön suorituskyvyn mittaamisessa on prosessin muuttuminen pitkän ajan kuluessa.
Koska MPC-säätö perustuu prosessimalleihin, on tärkeää arvioida mallien hyvyyttä säännöllisesti. Erityisesti
tämä korostuu prosessilaitoksissa, joiden seisokkiväli on pitkä. Esimerkiksi öljynjalostamon seisokkiväli voi olla
kuusi vuotta. Luvussa 3 esitellään mallien hyvyyden mittaamista laajennetun Kalman-suotimen avulla.
2
MALLIPREDIKTIIVISEN SÄÄTIMEN (MPC) SUORITUSKYVYN LASKENTA
Yleisesti MPC-säätimen suorituskykyä lasketaan ja monitoroidaan, jotta voidaan arvioida reaaliaikaisesti
säätimen toimintaa sekä toisaalta havaita prosessin kannalta epäsuotuisat tilanteet. Havaitsemalla kyseiset
ongelmakohdat, voidaan prosessin kannattavuutta, stabiilisuutta ja turvallisuutta parantaa huomattavasti.
Ihmisoperaattori on yleensä hyvä tekemään ratkaisuja niitä edellyttävissä tilanteissa, mutta huono huomaamaan
hitaasti tapahtuvia prosessimuutoksia, jotka vaikuttavat säätimen suorituskykyyn. Monimuuttujasäädöissä
muuttujien vuorovaikutussuhteet, muuttujia koskevat rajoitteet sekä muuttujien erilaiset "luonteet" vaikeuttavat
entisestään säätimen hyvyyden monitorointia. Edellä kuvaillut ominaisuudet johtavat vääjäämättä
lopputulokseen, jossa ihmisoperaattori ei huomaa ajoissa säätimen suorituskyvyn asteittaista heikkenemistä,
jonka seurauksena säätimen tehokkuus alenee oleellisesti ja koko prosessin tuotto laskee. Suorituskykylaskennan
perimmäinen tarkoitus on siis osoittaa säätimen oikeanlainen toiminta ja tunnistaa säätimen suorituskyvyn
heikkeneminen tarpeeksi ajoissa, jotta ennaltaehkäisevät toimet säädön suorituskyvyn parantamiseksi voidaan
tehdä. Jotta suorituskykylaskenta kuvaisi mahdollisimman kokonaisvaltaisesti sekä prosessin että säätimen tilaa,
laskennassa on huomioitava sekä tekninen että taloudellinen suorituskyky. Tekninen suorituskyky keskittyy
MPC-säätimeen ja siihen, kuinka hyvin säädin täyttää sille asetetut tavoitteet nykyhetkessä, menneisyydessä ja
tulevaisuudessa. Sen sijaan taloudellinen suorituskyky kuvaa puhtaasti prosessin taloudellista tuottoa raakaainehintojen ja tuotteen arvon mukaan. /7/
2.1
Tekninen suorituskyky
Teknisen suorituskyvyn laskenta perustuu kahteen eri laskentarutiiniin, design-malliin sekä säätimen historiaan
perustuvaan menetelmään, jotka molemmat pohjautuvat alla esiteltyyn MPC-säätimen kustannusfunktioon: /8/
P

 
T

M

 
T
J (t )   Yˆt  j  Wt  j Q Yˆt  j  Wt  j   U t  j 1 R U t  j 1
jN

(1)
j 1
Molemmissa menetelmissä tarkastellaan säädettyjen muuttujien (CV) säätövirhettä ja ohjausmuuttujien (MV)
liikettä. Historiaan perustuva menetelmä kuvaa säätimen nykytilaa ja lähimenneisyyttä, design-mallin peilatessa
säätimen tulevaisuuden suorituskykyä. Historiaan perustuvan menetelmän kustannusfunktio on muotoa /9/:
J his 

1  Phis
T
T
 ( E (t  j  Phis ) QE(t  j  Phis ))  U (t  j  Phis ) RU (t  j  Phis )
Phis  j 1

(2)
Uuden datan arvoa historia-indeksin kustannusfunktiossa (2) voidaan tarvittaessa painottaa, mikäli
suorituskykylaskennan halutaan korostavan nykyhetkeä. Historiaan perustuvassa menetelmässä lasketaan
vertailuluku, johon verrataan kunkin säätökierroksen laskentatulosta. Käyttäjä määrittelee vertailuluvun
valitsemalla aikavälin, jolloin sovellus laskee parhaan mahdollisen vertailuluvun kyseiseltä ajan jaksolta. Toisin
sanoen: mikäli vertailuluvun haku on jatkuvasti päällä, käytetään parasta mahdollista vertailulukua historiallisen
suorituskyvyn laskentaan. Vertailuluku lasketaan kaavan (2) tavoin muuttamalla kuitenkin ennustehorisontti, Phis
historiahorisontiksi, Hhis.
J his,vl

1  H his
T
T

 ( E (t  j  H his ) QE(t  j  H his ))  U (t  j  H his ) RU (t  j  H his )
H his  j 1

(3)
Jotta lyhyen aikavälin prosessimuutokset, kohina tai asetusarvomuutokset eivät korruptoi vertailulukua, tulee
historiahorisontti määrittää tarpeeksi pitkäksi. Peukalosääntönä voidaan pitää, että historiahorisontti on vähintään
kaksi kertaa ennustehorisontin mittainen. Suorituskyky lasketaan jakamalla vertailuluku sen hetkisellä
laskentatuloksella:
J his,vl
 his 
(4)
J his
Myös säätimen tulevaa suorituskykyä kuvaavan design-mallin laskenta perustuu vertailuluvun ja
säätökierroskohtaisen arvon laskentaan. Arvo lasketaan kaavan (1) mukaan, kuitenkin niin että CV:iden
säätövirhe lasketaan referenssitrajektorin ja CV-arvojen ennusteen erotuksena. Vertailuluku lasketaan seuraavan
kaavan mukaan:
P
M

J des   Eˆ T (t  j )QEˆ (t  j )   U T (t  j ) RUˆ (t  j )
j 1
(5)
j 1
Eˆ kuvaa kunkin CV:n ennustevirhettä tulevaisuudessa eli sen avulla voidaan määritellä kuinka paljon kukin
muuttuja saa poiketa asetusarvostaan. Virhemarginaalin määrittelyn avulla voidaan muun muassa eriyttää

sellaiset muuttujat, jotka on suunniteltu antamaan periksi tarpeen tullen. U :n avulla määritellään
ohjausmuuttujien sallittu liikkuminen tulevaisuudessa. Design-mallin suorituskyky lasketaan kaavan (4) tavoin.
Design-mallin ja historia-indeksin lisäksi tekniseen kokonaissuorituskykyyn vaikuttaa sakkomuuttuja, jonka
tarkoitus on heikentää suorituskykymittarin arvoa, mikäli ohjausmuuttujien rajoitteet ovat aktiivisena. Kuten
kaavasta (4) voi päätellä; jos indeksi on lähellä tai yli 1, on sen hetkinen suorituskyky erittäin hyvällä tasolla.
Indeksin ollessa alle 0,5 säädön voidaan tulkita olevan huonoa eikä ennaltaehkäiseviä toimenpiteitä ole aloitettu
tarpeeksi ajoissa. Laskenta päivittää molemmat indeksit jokaisen säätösyklin jälkeen ja laskee teknisen
kokonaissuorituskyvyn kertomalla indeksien keskiarvon ja sakkomuuttujan keskenään. Säädettävästä prosessista
riippuen indeksejä voidaan painottaa. Tekninen suorituskyky lasketaan siis seuraavalla kaavalla:
 tec 
2.2
 his   des
2
 penalty
(6)
Taloudellinen suorituskyky
Taloudellisen suorituskyvyn laskenta on huomattavasti suoraviivaisempaa kuin teknisen suorituskyvyn laskenta.
Historiaan perustuvaa laskentamenetelmää sovellettiin myös taloudellisen suorituskyvyn laskentaan siten, että
CV:iden säätövirhe ja MV:iden liikkeiden laskenta korvataan prosessispesifioidulla input-output-laskennalla.
Kaavassa tulisi huomioida kaikki muuttujat, jotka vaikuttavat prosessin taloudelliseen tuottoon, kuten energia- ja
raaka-ainekustannukset, tuotteiden arvot jne. Esimerkiksi tislausprosessille voidaan esittää seuraavanlainen kaava
taloudellisen suorituskyvyn laskentaan:
J eco 

1  Peco
 Ot  j Peco  H outputs  I t  j Peco  H inputs
Peco  j 1

(7)
Historiaan perustuvan menetelmän tavoin, taloudelliselle suorituskyvylle lasketaan vertailuluku, johon verrataan
säätökierrosta kohden laskettua arvoa. Vertailulukua päivitetään on-line-tyyppisesti, jolloin laskennassa käytetään
parasta mahdollista vertailulukua koko ajan. Taloudellinen suorituskyky lasketaan kaavan (4) tavoin.
Taloudellisuus-indeksin lisäksi prosessille lasketaan hetkellistä taloudellista suorituskykyä kuvaamaan
taloudellisen suorituskyvyn kehityssuuntaa. Käytännössä hetkellissuorituskyky lasketaan muuntamalla kaavaan
(7) Peco =1, jolloin saatu tulos kuvaa vain viimeisen säätökierroksen suorituskykyä. Indeksi voi heilahdella melko
rajusti, mutta sen tarkoitus on vain kertoa käyttäjälleen, mihin suuntaan prosessin tuotto on kehittymässä.
Taloudellisen suorituskyvyn vertailuluku jaetaan lasketulla hetkellisarvoa, jolloin tulokseksi saadaan hetkellinen
suorituskyvyn arvo.
2.3
Indeksien käyttö
Suorituskykylaskennan indeksit mahdollistavat säätimen kriittisemmän tarkastelun prosessin suhteen esimerkiksi
tilanteessa, jossa tekninen suorituskyky on korkea mutta taloudellinen suorituskyky matala. Tällöin säädin näyttää
toimivan hyvin, mutta todellisuudessa prosessista saatava tuotto voisi olla korkeampi. Heikko taloudellinen
suorituskyky saattaa johtua esimerkiksi säätimen tavoitemuuttujien huonoista asetusarvoista tai väärästä
säätöstrategiasta. Indeksien avulla voidaan havaita myös prosessiin vaikuttavat tuntemattomat, ei-mitatut häiriöt,
ja tekemään havaintojen perusteella säätimeen tarvittavat muutokset. Tällaisten häiriöiden tunnistaminen ja
vaikutusten eliminoiminen säädössä nostaa huomattavasti säätimen tehokkuutta ja vähentää laatuvaihteluita.
Indeksejä voidaan painottaa tarpeen mukaan, ja koko APC:lle voidaan määrittää kokonaissuorituskyky
laskemalla teknisen ja taloudellisen suorituskyvyn keskiarvo. Teknisen ja taloudellisen suorituskyvyn indeksejä
on kuitenkin hyödyllisempää käyttää erikseen, jotta prosessin ja säätimen tilaa voidaan monitoroida tarkemmin.
Jokaiselle yksittäiselle CV:lle ja MV:lle pystytään myös määrittämään vaikutuskerroin teknisen suorituskyvyn
laskennassa, jonka avulla pystytään osoittamaan suorituskykyä alentava muuttuja (mitä suurempi kerroin, sitä
suurempi vaikutus indeksiin). Muutenkin suorituskykylaskentaan tulisi integroida vikadiagnostiikka, jonka
tehtävä olisi tunnistaa suorituskykyä heikentävä syy mahdollisimman nopeasti ja informoida siitä käyttäjälleen.
Suorituskykylaskentaa voidaan myös hyödyntää silloin, kun säädintä halutaan virittää. Käytännössä tämä toimii
siten, että käyttäjä jäädyttää sovelluksen sen hetkiset vertailuluvut, jolloin säätimen kyseinen konfiguraatio toimii
vertailukohtana uudelle viritykselle ja vertailuluvut pysyvät muuttumattomina. Kun säätöä aletaan ajaa uusin
parametrein, voidaan suorituskykyindekseistä päätellä, onko tehty viritys kannattava. Jos käyttäjä päätyy
valitsemaan uudet viritysparametrit, sovellus "vapauttaa" vertailuluvut ja laskee ne päivitetylle konfiguraatiolle.
3
PROSESSIMALLIEN KÄYTTÄMINEN SUORITUSKYVYN MITTAAMISESSA
Tyypillisesti malliparametreja etsitään off-line-työkaluja hyväksikäyttäen: suoritetaan prosessikokeita, kerätään
aineistoa/dataa ja suoritetaan mallinnus jotakin mallinnustyökalua käyttäen. Suuri etu off-line parametrihaussa on
siinä, että käyttäjällä on täydellinen kontrolli havaintojen suhteen, jolloin mm. mallinnuksen kannalta irrelevantit
osat voidaan poistaa (kuten viallinen pätkä mittauksissa). Rekursiivisesti laskettaessa tämä on vaikeampaa, mutta
toisaalta tulokset ovat välittömästi nähtävissä ja käytettävissä esim. prosessikokeiden osana tai säätökäytössä
olevan mallin hyvyyden arviointiin.
Tässä artikkelissa esitetty Kalman-suotimen muoto on esitelty viitteessä /10/ (Kalman-suotimen käyttö oletetaan
tässä tunnetuksi). Kuollut aika ei sellaisenaan suoraan istu Kalman-suotimen yhtälöihin - algoritmi olettaa, että
mittaukset ovat synkroniset ja saatavilla joka suorituskierroksella. Tässä sovelluksessa mittaukset synkronoidaan
yksinkertaisesti viivästämällä ohjauksia kuolleen ajan verran (kuolleet ajat annetaan käsin). Tyypillisesti, kun
esim. analysaattorin näyteväli on pitkä, asetetaan kuollut aika analysaattorin näytevälin suuruiseksi.
3.1
Tila- ja parametriestimointi Kalman-suotimella
Tarkastellaan tilayhtälömallia (tässä havainnollisuuden takia 1x1 (SISO) 1. kertaluvun tapaus ilman kuollutta
aikaa):
 x(k  1)  Ax(k )  Bu (k )  ax(k )  bu (k )

y (k )  x(k )

(8)
Varsinaisesti halutaan siis tietää tuntemattomat parametrit a ja b (sekä "sivutuotteena" arvio tilasta). Kun tila (→
x1(k))- ja parametriestimointiongelma (→ x2(k), x3(k)) yhdistetään, joudutaan helposti tilanteeseen, jossa
lineaarisenkin mallin tapauksessa estimointiongelmasta tulee epälineaarinen:
  x1 (k  1) 
 x2 (k ) x1 (k )  x3 (k )u (k ) 




x2 (k )
  x2 (k  1)   f ( x, u )  





x
(
k

1)
x
(
k
)
3
3






y (k )  h( x)  x1 (k )

(9)
3.2
Laajennettu Kalman-suodin
Edellä mainittu estimointiongelma voidaan ratkaista perinteisellä Kalman-suotimella suorittamalla linearisointi
(derivoidaan f ja h x1:n, x2:n ja x3:n suhteen → EKF, Extended Kalman Filter). Tässä artikkelissa kuvatussa
sovelluksessa on tila- ja parametriestimointiongelmat käsitelty yksinkertaisesti saman systeemin osina, jolloin
Kalman-suotimelle syötettäväksi (augmentoiduksi) tilayhtälöksi tulee:
  x1 (k  1) 
 x2 (k ) 0 0   x1 ( k )   x3 ( k ) 0 0  u ( k ) 



1 0   x2 ( k )    0
0 0   0 
  x2 (k  1)   AX (k )  BU (k )   0
 x3 (k  1) 
 0
0 1   x3 (k )   0
0 0   0 

 x1 (k ) 

1
0
0


 x (k ) 

y (k )  CX (k )  

 2 

0 x1 (k  1) u (k  1)   x (k ) 

 3 
(10)
Suodinta voidaan käyttää prosessivahvistuksien on-line seurannassa. Kun aikavakio (Lag) tunnetaan, voidaan x2
asettaa vakioksi, kun muistetaan että a:n (x2:n) ja aikavakion välillä vallitsee riippuvuus:
a  e( T / Lag )
3.3
(11)
Suotimen käyttö
Suodinta testattaessa havaittiin, että pelkkä Kalman-suotimen perusmuoto laajennettunakaan ei teollisuusdatalla
riitä. Varsinkin suotimen käynnistyksen alkuvaiheessa saattoi ratkaisu hajota melko helposti. Ratkaisuna
suotimeen lisättiin rajoitekäsittely, jolla pystyttiin estämään ratkaisun päätyminen epästabiilille alueelle. Lisäksi
on epärealistista olettaa, että mittaukset pystyisivät aina kiinnittämään systeemin tilan yksikäsitteisesti. Tätä
silmällä pitäen on suotimelle tehty vielä lisälaajennus, joka aktiivisesti estimoi mallivirheen vaikutusta
lopputulokseen.
Esimerkkinä kuvassa 1 esitetään erään tislauskolonnin lämpötilavasteen mallinhaku.
koe
ylöspäin
koe
alaspäin
Kuva 1. Esimerkkimallinhaku eräälle tislauskolonnin lämpötilalle, Kp ~ 1.7, Aikavakio ~ 12 min ( DT = 1 min
(käsin))
Kyseisessä esimerkissä tehtiin askelkoe pohjankiehutuksella ja koedatan alkupäähän vaikuttaa (ei-mitattu) häiriö
sivukolonnista aiheuttaen trendin/rampin vasteeseen, joka on eräs kolonnin lämpötila. Kannattaa huomata, että
prosessimallista on jo varsin hyvä kuva ennen kokeen alkua, jonka suodin on pystynyt päättelemään on-line
mittausten perusteella. "Portaat" aikavakiossa johtuvat rajoitekäsittelyn vaikutuksesta (ratkaisua ei päästetä läpi,
ennen kuin se on muuttunut riittävän paljon). Mallin oikeellisuutta on vielä arvioitu off-line sovituksena (ysim
kuvassa).
4
YHTEENVETO
Säädön suorituskyvyn mittaaminen esimerkiksi edellisissä kappaleissa esitetyillä menetelmillä ei vielä takaa sitä,
että suorituskyky pysyisi korkeana. Keskeistä on kehittää toimintamalli, jolla suorituskykyä seurataan
säännöllisesti ja systemaattisesti sekä tarvittaessa tehdään korjaavia toimenpiteitä. Joskus ratkaisu on
prosessitekninen ja säädön toiminta tuo esille tarpeen esimerkiksi muuttaa prosessiolosuhteita. Toisinaan
ratkaisuna on säätimen virittäminen tai jopa säätimen rakenteen muuttaminen. Välillä ratkaisu ei ole lainkaan
tekninen, vaan päädytään esimerkiksi kehittämään operaattorikoulutusta.
Käytännössä suorituskyvyn korjaamista on vaikea automatisoida yleispätevästi. Kirjoittajien kokemusten mukaan
toimivaksi on osoittautunut toimintamalli, jossa tehtaan käyttöinsinöörit, automaatioinsinööri sekä prosessin
tuntevan MPC-toimittajan edustaja käyvät säännöllisesti läpi säätöjen suorituskykyraportit. Edellä kuvattujen
suorituskykymittareiden lisäksi käytetään yksinkertaisempia mittareita: eri muuttujien päälläoloasteita ja tietoa
siitä, paljonko eri rajoitteet ovat olleet aktiivisina. Läpikäynnin tavoitteena on kääntää mittareista saatava tieto
prosessitekniikan kielelle. Automaation ammattilaisen on helppo tehdä indeksien korjaamiseksi toimenpiteitä esimerkiksi muuttaa mallia tai säätimen viritystä - mutta perimmäinen syy on usein prosessilähtöinen. Esimerkiksi
muuttuneen mallin syynä saattaa olla kaupallinen tilanne, joka edellyttää aivan uudenlaista ajotapaa. Kun
muuttuneen prosessin ymmärtämiseen yhdistetään estimoinnin tuottama tieto mallimuutoksesta sekä tekninen ja
taloudellinen säädön suorituskyvyn mittari, niin saadaan aikaan säädin, joka toimii muuttuneissakin olosuhteissa
mahdollisimman hyvin. Kokemusten perusteella, voidaan siis todeta, että säädön suorituskykyä tulisi tarkastella
mahdollisimman monipuolisesti eri näkökulmista.
5
LÄHTEET
1. Vettenranta J., Smeds S., Yli-Opas K., Sourander M., Vanhamäki V., Aaljoki K., Bergman S., Ojala M.:
Dynamic real-time optimization increases ethylene plant profits. Hydrocarbon Processing, 85(2006)10, 59-66.
2. Bergman S., Smeds S., Yli-Opas K., Sourander M., Liikala T., Ojala M., Pelkola A.: Butadieeniyksikön
monimuuttujasäädöt DRTO-teknologialla Automaatio Seminaaripäivät, Helsinki, 27-28.3.2007, Suomen
Automaatioseura.
3. Aho M., Bergman S., Hammarström L., Yli-Opas K., Pelkola A., Sourander M.: Closed Loop Dynamic
Optimization of a Petroleum Refinery Process, IFAC Workshop on Control Applications of Optimization,
Jyväskylä, 6-8.5.2009, International Federation of Automatic Control.
4. Rönkä M., Palosaari M., Vettenranta J., Bergman S., Frejborg A., Karlsson S., Yli-Opas K.: Dynamic Realtime Optimization of Phenol and Aromatics Plant Increases Production by Five Percent, Automaatio
Seminaaripäivät, Helsinki, 15.-16.3.2011, Suomen Automaatioseura.
5. Friedman Y.: APC application ownership, Hydrocarbon Processing, 89 (2010) 9, 13.
6. Nevalainen S.: Säädön hyvyysindeksit petrokemian teollisuudessa, Teknillinen korkeakoulu, Otaniemi, 2001.
7. Oksanen J.: Performance assessment of the multivariable MPC controller, Aalto University, Otaniemi, 2012.
8. Huang B., Kadali R.: Dynamic Modeling, Predictive Control and Performance Monitoring; A Data-driven
Subspace Approach, Springer-Verlag, Lontoo, 2008, 242 s.
9. Schäfer J., Cinar A.: Multivariable MPC system performance assessment, monitoring, and diagnosis. Journal
of Process Control 14(2004), 113-129.
10. Welch G., Bishop G.: An Introduction to the Kalman Filter, SIGGRAPH 2001 Course.