利用免疫学概念的过程控制和优化技术

具体实施方式

现在参见图1，过程控制系统10包括通信连接到数据历史记录器12以及一个或多个均具有显示屏14的主机工作站或计算机13(其可以是任何类型的个人计算机、工作站等)的过程控制器11。控制器11也经由输入/输出(I/O)卡或设备26和28连接到现场设备15-22。数据历史记录器12可以是具有任何所需类型的存储器和任何所需或公知的用于存储数据的软件、硬件或固件的任何所需类型的数据采集单元，并且可以与工作站13之一分开(如图1所示)或作为工作站13之一的一部分。控制器11可以是例如由艾默生过程管理电力和水力解决方案有限公司销售的控制器，它经由例如以太网连接或任何其它期望的通信网络29，通信连接到主机计算机13以及数据历史记录器12。通信网络29可以采用局域网(LAN)、广域网(WAN)、电信网等形式，并可以利用硬连线或无线技术来实现。控制器11利用任何与例如标准4-20毫安设备和/或任何智能通信协议相关的期望的硬件和软件通信连接到现场设备15-22，所述智能通信协议例如是现场总线协议(现场总线)、HART协议等。

现场设备15-22可以是任何类型的设备，例如传感器、阀门、变送器、定位器、开关等，而I/O卡26和28可以是符合任何期望的通信或控制器协议的任何类型的I/O设备。在图1所示的实施例中，现场设备15-18是经由模拟线路与I/O卡26通信的标准4-20毫安设备，而现场设备19-22是例如现场总线现场设备的智能设备，经由数字总线利用现场总线协议通信与I/O卡28通信。当然，现场设备15-22可以符合任何其它期望的标准或协议，包括将来生成出来的任何标准或协议。

控制器11可以是其中具有至少一个处理器的工厂10内的许多分布式控制器中的一个，执行或监督所存储的或与之相关的一个或多个过程控制例程，这些过程控制例程可以包括控制回路。控制器11还与设备15-22、主机计算机13和数据历史记录器12通信，以便以任何期望的方式控制过程。应该注意的是，如果需要，这里所述的任何控制例程或组件都可以具有由不同控制器或其它设备实现或执行的部分。同样地，这里所述的在过程控制系统10内执行的控制和优化例程或组件，可以采用包括软件、固件、硬件等任何形式。为了讨论的目的，过程控制组件可以是过程控制系统的任何部分或部件，该系统例如包括存储在任何计算机可读介质上的例程、块或模块。控制和优化例程可以是模块或者控制或优化步骤的任何部分，例如子例程、子例程的部分(例如数行代码)等，它们可以按照任何期望的软件格式实现，例如使用梯形逻辑、顺序功能图、功能块图、面向对象的编程语言或者任何其它软件编程语言或设计范例。同样地，这里所描述的控制和优化例程可以被硬编码到例如一个或多个EPROM、EEPROM、专用集成电路(ASIC)、可编程逻辑控制器(PLC)或任何其它硬件或固件组件。更进一步地，控制和优化例程可以使用任何设计工具进行设计，包括图形设计工具或任何其它类型的软件/硬件/固件编程或设计工具。因此，控制器11可以被配置成以任何期望的方式实现控制策略或控制和/或优化例程。

在一个实施例中，控制器11利用通常所谓的功能块实现控制策略，其中每个功能块都是整个控制例程的一部分或对象，并与其它功能块协同操作(经由称为链路的通信路径)，以实现过程控制系统10中的过程控制回路。功能块通常执行输入功能、控制功能或输出功能中的一个，其中，输入功能例如与变送器、传感器或其它过程参数测量设备相关，控制功能例如与执行PID、模糊逻辑等控制的控制例程相关，输出功能控制诸如阀门之类的某个设备的操作以执行过程控制系统10内的某种物理功能。当然，也存在混合和其它类型的功能块。在功能块用于、或与标准4-20毫安设备和诸如HART设备的某些类型智能现场设备相关的情况下，这些功能块可以存储在控制器11中，并由控制器11执行；或者在现场设备为现场总线设备的情况下，功能块可以存储在现场设备中，并由现场设备本身执行。虽然此处利用使用面向对象编程范例的功能块来描述控制系统，但是控制策略或者控制回路或模块也可以利用其它规范来执行或设计，例如梯形逻辑、顺序功能图等，或利用任何其它期望的编程语言或范例来执行或设计。

如图1的放大框30所示，控制器11可以包括或实现图示为例程32和34的多个单回路控制例程，并可以实现图示为控制回路36的一个或多个先进控制回路。每个这样的回路通常都称为控制模块。单回路控制例程32和34被图示为利用分别连接到适当的模拟输入(AI)和模拟输出(AO)功能块的单输入/单输出模糊逻辑控制块和单输入/单输出PID控制块来执行单回路控制，其中AI和AO功能块与诸如阀门之类的过程控制设备相关、与诸如温度和压力变送器之类的测量设备相关、或者与过程控制系统10内的任何其它设备相关。先进控制回路36被图示为包括具有通信连接到多个AI功能块的输入端和通信连接到多个AO功能块的输出端的多变量控制块38，尽管多变量控制块38的输入端和输出端可以通信连接到任何其它期望的功能块或控制组件，以接收其它类型的输入并提供其它类型的控制输出。如同将进一步描述的那样，多变量控制块38可以是集成的控制和优化块，其集成了免疫学响应，以执行过程或其一部分的优化控制，在这种情况下，该过程可以是能源生产单位，例如燃煤发电厂。应该理解的是，图1所示的包括先进控制块38的功能块，可以由控制器11执行，或者可以位于任何其它处理设备中并由其执行，例如工作站13之一，甚或是现场设备19-22之一。

图2示出连接到过程52的控制器50的简化框图，其中控制器50被配置成利用此处描述的免疫学技术对优化器54生成的目标控制信号进行响应，以对过程52执行优化的控制。特别是，在该实例中被描述为发电过程(具体是燃煤发电厂)但是也可以是任何其它过程的过程52，接收多个输入，包括操纵变量(MV)输入(在这里也称为控制输入)、已测量的扰动变量(DV)输入以及未测量的扰动变量(XV)输入。通常，过程52基于提供给它的MV、DV和XV输入来操作，以产生过程输出信号或被控变量(CV)信号。实际的CV信号可以在过程52内由例如传感器测量，传感器例如是位于过程或工厂52中适当位置的流量传感器、压力传感器、温度传感器、氧气传感器、混浊度传感器等。如图2所示，控制器50接收被控变量CV信号和已测量的扰动变量DV输入的指示、以及由优化器54提供的一组目标操纵变量信号，并使用这些信号产生操纵变量(MV)信号，其是控制过程52的控制信号。一般而言，MV信号由控制器50产生，以驱动过程52至由提供给优化器54的预定优化标准所确定的最优稳态操作。

应该理解的是，在多变量控制情况下，操纵变量信号MV、扰动变量信号DV、XV和被控变量信号CV中的每个都可以被建模为信号矢量，其中：

MV＝可控目标输入的矢量，其中MV＝{mv1，mv2，...，mvn}；

DV＝已测量的扰动的矢量，其中DV＝{dv1，dv2，...，dvn}；

XV＝未测量的或明显不考虑的扰动的矢量，其中，XV＝{xv1，xv2，...，xvn}；和

CV＝过程变量输出的矢量，其中CV＝{cv1，cv2，...，cvm}。

在一个实例中，例如在对动力锅炉的废气排放进行优化的情况下，MV矢量可以包括表示锅炉中节气闸打开程度和废气中氧气含量的信号；DV矢量可以包括表示锅炉负载和煤供应器速度的信号；XV矢量可以包括代表或表示煤的发热量、湿度、碾磨性等的信号；而CV矢量可以包括表示废气中一氧化碳(CO)含量、废气中氧气含量、蒸汽温度等的信号。当然，当用在动力锅炉中以及用在其它类型的过程中时，这些矢量中的每个都可以包括其它信号和/或参数，同时过程的细节以及所需控制的类型和性质将影响用在每个矢量中的确切信号或参数的确定。

在更详细地描述图2的控制器50和优化器54的操作之前，总地描述一下身体的免疫学响应是有帮助的，因为控制器50和优化器54的操作将依此类推。神经系统的目的是保护有机体免受病菌的侵袭，病菌可以是病毒、细菌、寄生虫和其它对活性有机体造成威胁的微生物。事实上，免疫系统的基本功能是正确地检测和有效地消除病菌，其中病菌由称为淋巴细胞的检测器识别出来。对于其它病菌的引入来说，淋巴细胞的结构表示免疫系统的先前活动的某一直接认知。当从其有助于解决技术问题的角度来观察免疫系统的结构时，非常有趣的是可以看到B-淋巴细胞，其利用由淋巴细胞自身产生的抗体来参与消灭病菌。作为包括给定种类淋巴细胞的基因重组的结果，新的、更有效的淋巴细胞产生，并因此产生抗体。因此，响应于特殊病菌的引入，免疫系统随着时间流逝演变出新的淋巴细胞，然后以某种方式记录这些新的淋巴细胞，以便在将来用于响应相同或相似病菌的引入。由于此特征，B-淋巴细胞不仅消除病菌，而且还参与创建免疫记忆过程，因为每个所创建和存储在身体中的淋巴细胞都提供不同的“工具组”来消灭病菌。当然，在与特定类型的病菌作斗争时，一些淋巴细胞较之其它而言可能更有效。

此外，在有机体中，还存在功能T-淋巴细胞，它形成第一道防线，并且作用是检测病菌并激励适当的B-淋巴细胞的创建。然后，基于对特定病菌最有效的B-淋巴细胞的选择和复制来创建免疫学记忆的过程。事实上，免疫学记忆的独特特征之一是存在相似属性的细胞群。换言之，具有相似工具组的淋巴细胞位置上彼此靠近。因为淋巴细胞的定位，当有机体受到病菌感染时，防御行为就可以使大群相似的淋巴细胞参与进来，用于或组合起来产生对消灭病菌非常有效的新的淋巴细胞。

于是，如上所述，免疫学系统具有通过学习和训练获得并提高其资格的能力，事实上，也能生成新的能力或丧失先前获得的能力。这些学习和记录特征通常很适合解决在电力工程以及过程控制工业的其它分支中遇到的各种技术问题。无论如何，从以上描述可以看出，生物免疫系统的独特特征是其响应于病菌的引入而不断学习或适应的能力。该过程与所谓的“基本免疫反应”相联系，其中基本免疫反应与有机体对新的未知病菌的响应相关。一般而言，基本免疫反应相当于用最好的工具组，即去除威胁最好的那些工具，来搜索淋巴细胞。有机体的基本反应通常很慢，因为有机体需要时间来适应或寻找以及产生消除未知病菌最好的淋巴细胞。不过，在成功的防御操作之后，对病菌的记忆不会消失，因为保留了所发展的淋巴细胞。由于这种“记忆”，对相同病菌后续攻击的反应将快得多也更有效。这种反应就是所谓的“二次免疫反应”，其表明免疫系统具备适应系统的特征。

于是，从以上对免疫系统特征的描述以及对其功能的描述可以理解，有机体的防御反应以基于从所存储或所记录的适当淋巴细胞群产生淋巴细胞。不过，为了成功地管理淋巴细胞，它们的数量不能无限增加。由于竞争机制，免疫记忆是自我调整的，其中去除无效的淋巴细胞，并创建新的淋巴细胞代替它们。管理淋巴细胞数量的简化机制用公式(1)表示：

DDC＝INC-DIC+RSC    (1)

其中：

DDC——细胞的多样化程度；

INC——新细胞的流入；

DIC——无效细胞的死亡；和

RSV——受激细胞的复制。

在记住此背景的情况下，这里所述的免疫学控制技术的基本原理通常可以被类推至生物有机体的免疫响应。不过，有必要首先实现由一组特定的矢量MV、DV、XV、CV唯一识别或建模图2中过程52的每个稳态操作点或操作状态，这些操作状态在这里被称为过程控制状态。具体而言，基于过程52及其中设备的当前状况，一组特定的稳态MV、DV和XV输入(它们是对过程52的控制和扰动输入)将导致过程52产生一组特定的CV信号，作为过程输出。当然，由于一组特定的MV、DV和XV输入所产生CV信号可以随着过程52内过程设备的变化(例如，老化、经历燃烧副产品的累积等)而随时间变化。不过，在过程52经历该稳态信号和参数值的特定组合时，每个实际获得的MV、DV、XV和CV信号组都唯一地存储、代表或指示过程52的模型。因此，在类推生物演化关系时，每个特定的MV、DV、XV、CV矢量或信号组(即，每个过程控制状态)在这里都被称为淋巴细胞，其可以被理解成特定的和先前经历的过程稳态操作条件。

还应该理解的是，基于被用来从坏的过程结果或操作状况判断出好的过程结果或操作状况的标准，可以将某些淋巴细胞或稳态过程控制状态描绘为优于其它。例如，特定的过程控制状态或淋巴细胞MV1、DV1、XV1、CV1可能导致大量废气排放(例如由混浊度传感器测量的)，并且也可能导致低的燃烧效率。另一方面，另一过程控制状态或淋巴细胞MV2、DV2、XV2、CV2可能导致低的混浊度，但是仅是平均效率，而又一过程控制状态或淋巴细胞MV3、DV3、XV3、CV3可能导致低的混浊度和高的效率，在所有其它内容相同的情况下，这是最期望的条件。因此，在可能的情况下，当过程52处于由前两个淋巴细胞或过程控制状态之一所代表的稳态状况时，期望将过程52移至由淋巴细胞MV3、DV3、XV3、CV3所代表的第三稳态操作条件(过程控制状态)。当然，该示例本质上是简单化的，应该理解，确定“好”和“坏”淋巴细胞的技术可以用更严格的数学方式来执行，例如使用一个或多个数学定义的优化标准，诸如那些由LP优化技术中的目标函数所定义的标准。特别是，利用定义矢量MV和CV相对于彼此以及相对于期望操作点或设定点的优选状态的优化标准，使得每个淋巴细胞或过程控制状态都能被分配以质量因子。

在记住此背景的情况下，基于免疫学的控制和优化技术可以总体上被描述为，在正常操作过程中运行过程52，并在过程52的操作期间存储实际检测到的各种不同的淋巴细胞(MC、DV、XV、CV矢量)。在这一点上或在此过程中，可以使用例如单回路比例积分微分(PID)控制、多变量控制等以任何所需方式控制过程。然而，在已经检测到一定数量的淋巴细胞并将其存储到存储器中之后，优化器54然后可以有效地优化稳态过程操作条件，并可以利用所存储的淋巴细胞额外地快速响应于过程输入中的显著变化(例如，过程扰动输入DV和XV的显著变化)。特别是，当过程52以稳态条件操作时(即，DV和XV矢量中没有显著变化)，控制技术执行随机优化，以确定过程52“更好的”淋巴细胞或操作条件，并由此执行优化控制。基本上，在该随机优化技术中，优化器54生成新的目标控制信号(目标MV信号)组，优化器54将其提供给控制器50。控制器50利用每个所提供的目标MV信号组进行操作，以便按照使控制器50产生目标MV信号作为提供给过程52的实际MV信号的方式控制过程52。在一个实例中，控制器50可以简单地立即使用目标MV信号作为提供给过程52的实际MV信号。然而在许多情况下，控制器50可能需要随时间移动实际MV信号来匹配目标MV信号，以免不适当地干扰过程52并避免一个或多个过程输出或CV信号超过由于MV信号转换造成的限制。无论如何，控制器50都随时间产生不同的控制(MV)信号来达到目标MV信号，并从而将过程52移向新的稳态条件。

优化器54可以利用目标函数56来分析或确定该新的过程稳态条件的相对好坏，其中目标函数56可以是由用户选择的多个目标函数中的一个(如图2中所示的不同目标函数56A，56B，...，56N)。照此方式，用户可以指定评估每个过程控制状态或淋巴细胞的优化条件或标准。基于该最优化分析，优化器54可以基于所选择的目标函数周期性地确定一组新的目标MV信号组，用于实现被预计为比当前状态更优化的过程控制状态。这里，每个过程控制状态都类似于生物演化关系中所描述的B-淋巴细胞。当然，在该随机优化过程中所确定的每个新的过程控制状态或淋巴细胞都可以存储作为由控制和优化系统随后使用的新的淋巴细胞。

此外，当过程52经历显著变化时，如由一个或多个扰动矢量DV和/或XV的变化所确定的那样，优化器54开始确定新的最优淋巴细胞或过程控制状态的处理，在该状态下基于新的过程输入条件组运行过程52。这种变化类似于病菌被引入生物系统的生物演化关系中的状况。特别是当检测到扰动变量中的这种变化时，优化器54首先确定或试图预测所存储的淋巴细胞组中最好的一个以用作过程变化的结果，例如新的扰动变量(DV)组。该特征类似于生物演化关系中的T-淋巴细胞的操作，因为该响应代表了试图确定哪个公知或先前经历的加工厂状况(淋巴细胞)是最好的估计起始点，从该起始点对新的过程状态进行响应，即，哪个淋巴细胞被估计为最接近过程52还不确定的最优操作点，并因此被用作对新的或变化的过程输入条件的最初响应。

然而，需要注意的是，如果变化的过程输入条件包括明显不同于过程52先前经历的任何一组输入(或病菌)的一组输入DV和XV(病菌)，那么响应于这样一组新的输入DV、XV而确定的对过程的最好反应和控制的所存储淋巴细胞可能不是最优的，这可能导致优化器54和控制器50花费更长的时间按照将过程52返回稳态状况并从此返回至最优过程操作条件来响应新的过程输入组的方式，对过程输入变化(病菌)作出反应。因为优化器54和控制器50利用存储在存储器中的淋巴细胞对新的过程输入条件作出反应，所以存储在存储器中的淋巴细胞的数量越大，优化器54和控制器50越能更好地以使过程52更快地返回最优稳态操作条件的方式对过程输入变化(即，新病菌的引入)进行响应，因为优化器54更有可能找到接近针对新的过程输入条件的最优淋巴细胞的起始淋巴细胞。

图3示出使用上述讨论的一般原理来在诸如发电厂之类的加工厂中执行优化控制的优化系统70。特别是，图3的系统可以被实现作为图2的优化器54或者作为图2的控制器50和优化器54的组合，并且在任一情况下可以被实现作为图1的先进控制块38。一般而言，系统70响应于加工厂52中变化的条件，即响应于已测量的扰动变量(DV)和未测量的扰动变量(XV)的变化，以最优的方式使用免疫学概念来控制过程52。

如图3所示，优化系统70包括随机优化块72、DV变化检测模块74、模型获取模块76、控制模块78和包括过程控制状态管理器81的存储模块80。一般而言，系统70以两种不同的模式之一来操作，包括随机优化模式和调整模式。当过程52已经处于稳态状况时，例如当DV和XV输入保持恒定或接近恒定时，并且给定的MV控制信号组产生给定的过程变量CV输出组时，优化系统70通常以随机优化模式操作。

如图3中的开关84的位置所示，在该操作模式下，DV变化检测模块74激励或使随机优化块72操作，以生成目标MV信号(即目标控制信号)。优化块72通过使用例如任何期望的随机优化技术来轻微改变目标MV矢量，并确定由于控制输入中的该变化所造成的CV矢量中的变化，来执行随机优化。然后优化块72基于预设或预定的优化标准，例如由LP目标函数(可以是图2中的目标函数56)所定义的标准，分析是否由新的目标MV信号组获得更好或更优的控制。在随机优化模式中，随机优化块72通常通过改变MV信号、MV信号对过程改变CV信号的应用来在特定的操作点或淋巴细胞附近进行迭代，试图确定针对过程52的局部最优操作点，在过程52中DV和XV输入通常固定或恒定。不过，随着时间的流逝，随机优化块72可能再次利用任何所需的随机迭代技术移向更优的非局部操作点。在迭代过程中，每个稳态操作点或过程控制状态(由MV、DV、XV和CV矢量组定义)都存储在存储器80中作为将来可能使用的淋巴细胞。

这里应该注意的是，虽然在存储特定的淋巴细胞时CV、DV和MV矢量通常已测量或已知，但是特定淋巴细胞的XV矢量值可能从不知道，和/或在稍后时间进行测量或确定，并在该稍后时间存储到存储器80中。例如，表示用在发电厂中煤的煤湿度或其它煤质量参数(其中质量参数通常由实验室分析确定)的XV矢量变量，可以在煤燃烧完或在工厂中使用之后确定。因此，在这些XV变量被确定或已知之前，基于煤的使用(和其它过程条件)所获得的淋巴细胞，被实际确定并存储在存储器80中。在这些情况下，稍后知道或确定的XV矢量值可以稍后存储在存储器80中的适当淋巴细胞中，并且最初可被存储作为待使用的具体测量结果的指示符，例如煤的批号、煤的使用时间等。在一些情况下，XV矢量变量不能被精确确定，但是用于该XV矢量变量的通用指示符或占位符仍然可以简单地被存储，用于与其它淋巴细胞进行比较(即，在输入中的唯一差异可能是XV变量之一的情况下，将淋巴细胞彼此区分开)。此外，一个或多个XV变量矢量可以用在一些情况下，以确定特定的淋巴细胞是否在某种方式下为最优，例如与存储器80中存储的其它淋巴细胞相比的方式下。

无论如何，当过程输入条件显著变化时，例如由DV和/或XV变量中的显著变化所显示的那样，DV变化检测模块74识别这种变化，并通过经由开关84向淋巴细胞获取模块76提供控制，来使优化系统70进入调整模式。一般而言，DV变化检测模块74观察已测量的扰动变量DV，并基于这些扰动变量中一个或多个的显著变化，确定过程52何时正在经历或已经经历显著变化。然而，如果需要，检测模块74可以观察指示变化的过程条件的其它变量，例如控制过程中使用的一个或多个设定点的变化、用于评估过程优化的目标函数的变化等。为了实现该通用过程，DV变化检测模块74监测DV矢量中的变化，以监测过程52中的变化，这些变化表示变化的过程条件显著得足以在两个操作模式之间切换控制系统，即从随机优化模式(DV矢量通常处于稳态)到调整模式(正在发生或近来已经发生DV变化)。一般而言，DV变化检测模块74充当生物演化关系中T-型淋巴细胞的功能，因为检测模块74检测系统(病菌)中的变化并启动“免疫反应”。

在调整模式下，优化系统70操作以对DV和/或XV中的变化作出反应，以尽可能快的找到针对过程52的新的稳态操作点，该操作点用于从此开始再次执行随机优化。换言之，在调整模式下，优化系统70对变化的过程条件即新的DV和XV矢量进行响应，以确定从该点开始执行过程优化的新的操作点。为了提供更快的响应，淋巴细胞获取模块76一旦启动，就确定和选择存储在存储器80中的最能匹配最新检测到的过程条件的淋巴细胞，然后将该淋巴细胞细胞提供给控制模块78。特别是，每个存储在存储器80中的淋巴细胞都表示在过程操作中所实际测量或观察的过程52的先前条件。于是，为了响应于新的输入组(即DV和XV输入)来驱动过程52，淋巴细胞获取模块76在存储器80中搜索一个或多个先前存储的淋巴细胞，这些淋巴细胞就DV和XV矢量而言“接近”于新的过程条件。当然，这种接近可以按照任何所需的方式来确定、测量或判断，例如使用最小二乘拟合法、回归分析等。无论如何，淋巴细胞获取模块76可以将新的或变化的过程控制状态中新的DV和XV矢量(某种程度上，XV矢量已知)与存储在存储器80中的至少一些淋巴细胞的DV和可能的XV矢量进行比较，以确定存储在存储器80中的代表先前经历的过程控制状态的一个或多个淋巴细胞，其最接近或至少接近新的过程控制状态(就扰动输入而言)并就最优性而言可能是可接受的过程状态条件。然后，淋巴细胞获取模块76将这些一个或多个淋巴细胞提供给控制模块78，控制模块78使用这些淋巴细胞来确定提供给过程控制器的一组新的目标操纵变量(目标MV信号)。控制模块78可以简单的使用一个所获取的淋巴细胞的实际MV信号，或者可以对多个淋巴细胞的MV信号执行插值或某种其它数学平均函数，并且也可以基于所获取淋巴细胞的扰动输入条件与新的或变化的过程控制状态的扰动输入条件之间的差异，插值或改变所获取的一个或多个淋巴细胞的MV信号，从而生成新的目标MV信号组。

于是，淋巴细胞获取模块76的任务是基于当前或新检测到的DV、CV和间接获得的XV矢量，来搜索知识库找到最优或最好的MV矢量，以用于控制过程52。在一个实施例中，为了实现该任务，获取模块76响应于新的DV和可能XV矢量在存储器80中搜索最适合将过程52驱向最优稳态条件的淋巴细胞。一旦淋巴细胞获取模块76基于先前检测到的存储在存储器80中的淋巴细胞确定所使用的最优淋巴细胞，模块76就将该淋巴细胞提供给控制单元78。然后，控制模块78基于当前的CV、MV、DV和XV矢量组进行操作，以产生可用于图2的控制器50中以将过程52移向新的和更优的过程条件的目标MV。当然，淋巴细胞获取模块76确定使过程52移向新的最优条件(即，就新的扰动矢量DV和XV而言的最优条件)的能力，直接受到实际存储在存储器80中的淋巴细胞的数量和种类的影响。即，一般而言，存储在存储器80中的淋巴细胞越多，找到接近新的且还未确定的最优操作条件的淋巴细胞的机会就越大。同样，存储在存储器80中的各种淋巴细胞中的各种矢量值的范围越宽，优化系统70就越能找到所存储的如下淋巴细胞，其是具有变化的DV和XV扰动变量的过程52的接近新的且还未确定的最优操作点。利用接近新的过程条件的淋巴细胞，在使过程52返回最优操作条件(例如由目标函数所定义的)时，通常会导致优化系统70更快的操作。

当然，控制模块78从由单元76获取的淋巴细胞确定新的目标MV矢量，并且如果需要，该MV矢量可以是所获取的淋巴细胞的MV矢量。不过，实际上该目标MV矢量不可能由控制器获得，因为过程操作中的DV和XV矢量可能不同于由模块76获取的淋巴细胞的DV和XV矢量。于是，控制模块78通常可以基于当前或新变化的过程控制状态的DV和XV矢量与所获取的淋巴细胞的DV和XV矢量之间的差异，执行多变量插值或执行其它数学操作，以从所获取的淋巴细胞的MV矢量生成新的MV矢量。此外，控制模块78可以响应于过程条件或过程测量结果随时间改变目标MV矢量78。

当控制模块78基于由控制模块78所产生的目标MV矢量进行操作将过程52移回到稳态操作条件时，DV变化检测模块74可以将优化系统70的操作切回到随机优化模式，以使优化器块72确定更优或更好的操作点。于是，淋巴细胞获取模块76和控制模块78的目的在于尽可能快的响应于过程扰动或变化，使过程52返回或驱向接近最优或至少可接受的操作状态。因此，随机优化块72可以更慢地操作，以利用随机优化技术来找到更好或更优的操作点。

此外，应该注意的是，诸如图2中控制器50之类的控制器接收目标MV信号组并使用这些目标信号来控制过程52，它们可以是任何所需类型的控制器，例如PID控制器、模糊逻辑控制器、神经网络控制器、MPC控制器等。事实上，控制器50可以实现多个单回路控制例程，在这种情况下，目标控制信号矢量(目标MV矢量)可以包括针对每个单回路控制例程的目标控制信号值。另一方面，控制器50可以实现多输入/多输出控制例程，在这种情况下，目标控制信号矢量(目标MV矢量)可以包括针对多输入/多输出控制例程的每个输入或输出的目标控制信号值。更进一步地，如上所述，图2中的控制器50可以立即输出目标MV信号作为过程控制输入(在这种情况下，控制模块78可以用作控制器50)，或者可以确定从提供给过程52的当前控制信号(MV信号)移到目标控制信号组的适当方式，以免不适当地扰动过程52或使一个或多个过程输出超过预设界限。

应该注意的是，在操作期间，随机优化块72可以使用存储在存储器80中的淋巴细胞以及存储在存储器86中的一个或多个数学模型来执行随机优化。特别是，数学模型86可以预先存储在存储器80中，以代表过程52的一般操作。例如，在这种情况下，数学模型86可以是一阶或一阶加导数模型，并且可以用于响应于新的MV信号来预测过程52的操作。不过，如果需要，数学模型86可以在过程52的操作过程中，从存储于存储器80的实际淋巴细胞来生成。在这种情况下，例如，可以根据被设置为从统计学角度看彼此接近的单个淋巴细胞群生成不同的数据模型，或者以该单个淋巴细胞群为基础创建不同的数学模型。在任一情况下，数学模型可以用于辅助随机优化块72生成新的目标MV信号，以找到新的或更优的过程操作点，应该理解，数学模型86可以用于仿真过程操作。

从该论述可以理解，每个淋巴细胞实际上以某种方式代表过程模型的过程操作条件或瞬态。不过，特定淋巴细胞的效用可能随着时间退化，因为过程中会发生不能由任何扰动变量DV或XV或者过程变量CV代表的物理变化。这种变化可能包括设备的老化、燃烧副产品的累积等。结果，存储器80包括过程控制状态管理器81，其在存储器80中存储有过多淋巴细胞或其识别出一些淋巴细胞不是当前过程条件非常好的指示符或代表时，控制或从存储器80中去除淋巴细胞。一般而言，可以基于时间因子(即，在存储器中存储淋巴细胞的时刻可以用于确定该淋巴细胞是否应该从将来的使用中去除的指示)，或基于使用(即，淋巴细胞获取模块76或随机优化块72使用淋巴细胞的次数)，或基于这两者(即，获取模块76或随机优化块72使用淋巴细胞的时间长度)来管理存储器或淋巴细胞库。当然，其它标准可以替代或附加来确定何时从存储器80中去除特定的淋巴细胞。

更进一步，下面以公式(2)的形式提供了优化算法的示例，其可以用于最小化针对MV和CV变量定义的目标函数，并可以由图2中的优化器54使用，其中公式(2)为：

$J=\underset{k=1}{\overset{N_m}{\Sigma }}[a_k·|{\mathrm{mv}}_k-{\mathrm{mvsp}}_k|+b_k·{({\mathrm{mv}}_k-{\mathrm{mvsp}}_k)}^2]---\left(2\right)$

$+\underset{k=1}{\overset{N_c}{\Sigma }}[c_k·|{\mathrm{cv}}_k-{\mathrm{cvsp}}_k|+d_k·{({\mathrm{cv}}_k-{\mathrm{cvsp}}_k)}^2]$

其中：

mv_k——MV矢量中的第k个元素的值；

cv_k——CV矢量中的第k个元素的值；

N_m——MV矢量中的元素数量；

N_c——CV矢量中的元素数量；

mvsp_k——MV矢量中第k个元素的设定点值；

cvsp_k——CV矢量中第k个元素的设定点值；

a_k、b_k、c_k、d_k——目标函数中所选元素的权重。

当然，公式(2)仅代表可以在优化模块72或控制模块78中实现的优化例程或标准的一个示例，应该理解，可以使用其它优化标准替代，包括线性规划(LP)优化算法，以及其它非LP型的优化算法。

再一次对免疫系统进行类推，应该理解，与任何特定淋巴细胞(即，稳态过程操作条件)相关的目标函数的值，与有机体的健康状况成反比。因此，通过最小化目标函数，有机体的“好”条件被最大化。在以上优化算法中，假定每个淋巴细胞都由组{MV，DV，CV}定义，其中CV是所测量的过程对MV、DV、XV仿真的反应。此外，每个病菌是一组{DV，XV}。不过，必须牢记的是，XV矢量包括未测量的或明显不考虑的变量，因此基于检测DV矢量的变化来检测新病菌的存在与否。于是，通过应用对免疫系统的类推，检测DV变化的DV变化检测模块74能履行生物学系统中T-淋巴细胞的功能。

利用对淋巴细胞和病菌结构的类推，可以论述优化系统70对未知病菌(一组新的DV和XV变量)的反应方式，其代表人造免疫系统对过程变化的“基本反应”。如同在生物免疫系统中一样，该基本反应代表优化器70响应于新的病菌而针对操作初期的操作，并且对应于优化器70学习适当响应的学习阶段。于是，当DV矢量发生变化并且在适合或“记忆”如何对新的病菌进行响应(即，新的DV条件)的存储器80中没有发现淋巴细胞时，因为具有与病菌的DV矢量相关的相似DV矢量的存储器80中没有淋巴细胞，优化系统70利用随机优化方法开始搜索最优解决方案。在此情况下，最优解决方案是与DV和XV矢量组合在一起的MV矢量，产生在使用MV、CV、DV和XV矢量组时最小化目标函数的CV矢量。不过，在获得最优解决方案之前，优化系统70将执行大量测试，使解决方案更接近最终的目标函数的最小值。每个这种类型的测试产生可以存储在存储器80中的新的淋巴细胞，因此，对新病菌的基本反应的结果导致基于存储的淋巴细胞库增加。一般而言，在由MV、DV、XV和CV所限定的矢量空间中，最多的淋巴细胞将在最优的淋巴细胞附近创建，因此，在该空间中，具有相似特征的淋巴细胞将集中靠近彼此。这一特征使得免疫学存储器的结构类似于自身专有的结构。无论如何，人造免疫系统的且由优化器系统70使用的这种自学习特征，将降低或去除对执行过程专家测试的合格工程人员的需要，这将降低安装劳动力的成本。

此外，这种类型的淋巴细胞的每个集合可由自更新局域数学模型单元84使用，以至少在矢量空间的该区域中产生代表过程操作的局域数学模型。然后，这些模型可以用在随机优化模式中，用于仿真/预测目的，并用于定义病菌和淋巴细胞之间的距离，即分配应该用于去除或对病菌进行反应的淋巴细胞群。在一种情况下，随机优化块72可以选择所选的MV矢量，并使用数学模型预测最终的CV矢量(假定DV和XV矢量当前与过程相关)，然后利用目标函数分析该预测解决方案的最优性。另一方面，如果需要，随机优化块72可以选择所建议或所期望的CV变量组，并使用模型确定预测的MV变量组，当输入到过程中时其将产生该MV变量组。然后，模块72可以利用目标函数分析该预测过程控制状态的最优性。当随机优化模块72确定了预测为更优的解决方案时，将新的MV变量作为目标控制信号提供给控制器，以将过程移向该预测最优点。当然，最终的实际过程控制状态(可以作为新的淋巴细胞存储在存储器80中)可能不同于预测状态，因此，模块72可能重复操作，以确定更优的新的预测操作点。

如上所述，病菌是矢量组{DV，XV}。如果病菌的结构不需要矢量XV，那么应基于对哪些所存储的淋巴细胞具有与病菌相关的相似DV矢量的定义，来选择应该响应新的病菌而被仿真的淋巴细胞群。附加的矢量XV使这项任务复杂化，因为优化系统70实际上可能不识别XV矢量元素的值。不过，XV矢量中的信息隐含在由类似淋巴细胞群所构建的数学模型中，因为该模型基于该矢量对过程的反应。作为示例，假定已经有病菌攻击，那么DV矢量变化，可能矢量XV也变化(尽管这种变化可能不可知或未测量)。在响应时，优化器70选择淋巴细胞群，对于该淋巴细胞群来说，当前MV矢量对仿真的线性模型反应最接近当前CV矢量。于是，这里所述的基于免疫学的优化器的最重要优点是，在优化过程期间隐含使用关于隐含扰动XV的信息，例如在发电厂的燃烧操作中使用煤的燃烧值和湿度、研磨质量等。

逐渐地，随着时间流逝，优化系统70将“学习”对大多数可能的矢量DV和XV组合作出反应。此时，在对新的病菌进行响应时，二次免疫反应将占主导地位，其中在生物免疫反应情况下二次响应比基本响应快得多，也有效得多。例如，如果系统受到病菌攻击，该病菌类似于已经由于基本响应而被防御过一次的病菌，那么系统将记住哪种淋巴细胞用于消灭该病菌。换言之，系统知道哪个矢量MV能针对给定的DV、XV组给出最好的结果。有机体的二次防御反应提供具有MV变量组的目标，从所记忆的淋巴细胞可知，该MV矢量应该接近最优解决方案。因此，它是随机优化算法的起始点。找到新的最优矢量MV需要进行比在基本响应情况下要少得多的测试。不过，所进行的测试仍然会增加系统的免疫存储，以便系统更进一步学习如何有效防御病菌。这种学习表示在基本反应过程中所需的基本知识的改进，并响应于系统中诸如过程设备老化之类的未检测到的变化来更新系统。

因此，应该理解，上述随机优化基于在正在进行或在线操作的过程中进行测试。因为每个测试都是对作为MV矢量变化结果的CV矢量输出的进行观察，所以这些变化不纯粹是随机的。此外，在搜索最小目标函数的过程中，采用以具有相似特征的淋巴细胞群创建的数学模型是有帮助的。应该记住的是，为了快速且有效地消灭病菌，如果它们类似于曾经攻击过系统的那些病菌，那么这足够了。因此，作为从一群淋巴细胞开始的优化步骤，可以创建新的淋巴细胞群。可见，如果系统正确地对不必与它所记住的那些相同的病菌进行反应，那么使用在优化过程中来自模型的信息应该仅起辅助作用。因此，随机优化以确定MV矢量的偏差为基础，相应地具有以数学模型为基础创建的可能方案。此外，随着新的和更近的淋巴细胞而被添加到存储器80或知识库中，数学模型可以随时间演化。特别是，后代模型可以继承母模型的特征，并由于突变过程(改变优化方向的可能性)，可能创建新的淋巴细胞群，即创建相似的但不同于母模型的后代模型。同时，在优化算法的整个操作过程中，可以进行去除无效淋巴细胞并用新产生的来代替它们的过程，这与先前提及的免疫系统的能力相适应，从而进行自我管理(例如，使数量不会无限增长)。于是，无效或很少使用的淋巴细胞可以周期性地从存储器80中去除。不过，一般而言，作为基本反应(其中，在学习过程中，通常产生大量新的淋巴细胞)和二次反应(其中，作为重新组合仿真的淋巴细胞群的结果，产生新的淋巴细胞)的结果，淋巴细胞的数量将增加。

于是，人造免疫系统理论在工厂优化和控制中的应用产生了自我调整系统，当用在基于燃烧的发电厂中时，该自我调整系统提供以下主要优点：(1)通过对燃烧过程的优化，降低了工厂运行成本，同时隐含使用与未测量的或很少测量的扰动有关的信息(例如，燃料参数、碳燃料研磨的操作质量等)；(2)通过减少时间和减少高资格的工程人员的劳动力，降低了发电厂的运行成本；以及(3)对新的操作条件的永远适应。

这里所述的系统的操作能力通过构建动力锅炉仿真器来验证。在该仿真系统中，使用下列参数：

MV群包括：

用于控制流向锅炉的气流的节气闸的打开程度(根据锅炉中节气闸的定位，使用6种类型的节气闸：A，B，C，D，E，F)，以及

废气中的氧气含量。

DV群包括：

锅炉负载，和

向4个研磨机中的每个进给煤的速度。

XV群包括：

煤燃烧值，和

4个研磨机中每个的研磨质量。

CV群包括：

锅炉左侧的蒸汽温度，

锅炉右侧的蒸汽温度，

锅炉左侧废气的CO含量，

锅炉右侧废气的CO含量，

锅炉左侧废气的NO_X含量，

锅炉右侧废气的NO_X含量，和

锅炉左侧和右侧之间氧气含量之差。

系统的目标是：

将蒸汽温度维持在540摄氏度，(华氏1004度)，

将锅炉左侧和右侧之间氧气含量之差保持为0，

最小化CO排放，

以不超过500ppm的水平保持NO_X排放，和

最小化烟灰和炉渣中可燃部分的含量。

该仿真所获得的实际结果将使大能量设备的NO_X排放降低10-25％，并将燃烧过程的效率提高0.1-1.0％，这会导致显著的经济节约。

虽然先进控制和优化系统已经被图示为具有位于同一模块或功能块中并因此在与控制器相同的装置中执行的优化器，但是仍然有可能在单独的装置中实现优化器70。特别是，优化器70可以位于例如用户工作站13之一的不同装置中，并在控制器的每次执行或扫描过程中，与结合图2所述的控制器通信，以计算和提供目标操纵变量给控制器。当然，任何所需的接口，包括公知的OPC接口，可以用于在控制器与位于工作站或用于实现或执行优化器的其它计算机内的优化器之间提供通信接口。如在参考图2所述的实施例中所示，优化器54和控制器50可以但不必要在控制器50的每次扫描周期中彼此通信以执行集成的优化控制。在任何情况下，任何所需类型的控制器都可以用来响应于目标MV信号而执行控制。

虽然这里所述的先进控制块和其它块和例程，已经被描述为与现场总线和标准4-20毫安设备结合使用，但是它们当然能利用任何其它过程控制通信协议或编程环境来实现，并可以与任何其它类型的设备、功能块或控制器一起使用。尽管这里所述的先进控制块和相关的产生和测试例程优选以软件形式实现，但是它们也可以用硬件、固件等实现，并可以由与过程控制系统相关的任何其它处理器来执行。于是，这里所述的优化器和控制器例程可以用标准的多用途CPU来实现，或在特别设计的硬件或固件上实现，例如，如果需要可以在ASIC上实现。当用软件实现时，该软件可以存储在任何计算机可读存储器中，例如磁盘、激光盘、光盘或其它存储介质，也可以存储在计算机或处理器的RAM或ROM中，等等。同样地，该软件可以经由任何公知或所需的传送方法传送给用户或过程控制系统，传送方法例如包括在计算机可读盘上或其它可移动的计算机存储机制，或通过诸如电话线、因特网之类的通信信道被调制(这可以被视为与经由可移动存储介质提供这类软件相同或可互换)。

因此，虽然已经参考具体例子描述了本发明，其中这些例子仅是示例性的，并不限制本发明，但是对于本领域的普通技术人员而言，明显可以在不偏离本发明的精神和范围的情况下对所公开的实施例进行改变、添加或删除。