資源描述：
《基于多模型方法的工業(yè)過程辨識研究》由會員上傳分享，免費在線閱讀，更多相關內容在工程資料-天天文庫。
1、基于多模型方法的工業(yè)過程辨識研究第一章緒論1.1問題提出與研究意義隨著生產過程的強化和生產規(guī)模的擴大，對于產品質量的要求也逐漸提高，因此人工操作已經不能滿足現代的生產要求，各種綜合的自動化技術成為了工業(yè)過程的必備元素。現代化工業(yè)過程需要的過程控制和過程優(yōu)化等大多是以模型為基礎，模型的精度越高、越能夠接近真實系統(tǒng)，則控制器的設計及優(yōu)化效果越好，因而針對工業(yè)過程的辨識研究有著重要的理論意義和實際價值，也受到了越來越多的關注[2–7]。由于資源短缺、環(huán)境污染以及世界范圍的激烈競爭，現有的工業(yè)過程
2、使得企業(yè)不得不在更加嚴格的規(guī)則下進行生產。為了提高生產的質量、安全性，同時響應國家的節(jié)能減排號召，計算機自動化系統(tǒng)在工業(yè)過程中占據越來越重要的位置?，F代自動化系統(tǒng)的層次結構至下向上依次為：儀表和常規(guī)控制、先進過程控制、診斷和監(jiān)控、實時優(yōu)化、計劃和調度等。各個層次互相補充、協同工作，使得企業(yè)能夠快速應對各種變化。過程辨識在現代過程自動化系統(tǒng)中起著重要的作用：在儀表和常規(guī)控制中，基于模型的PID調節(jié)可以提高控制調解的效率，改善常規(guī)控制的控制器性能；在先進過程控制中，基于模型的控制技術（如模型預測控制）的發(fā)
3、展使得模型起到了關鍵的作用；在診斷和監(jiān)控中，基于模型的診斷方法能夠減少冗余設備的費用，是當前研究的趨勢；在優(yōu)化中，辨識出的模型可以具有動態(tài)特性，更適合用于優(yōu)化問題[8]。早期的工業(yè)過程相對簡單，集成自動化程度不高，通過給定相應合理的假設，可以將整個過程簡化理解。根據已知的過程信息和基本原理知識，通過理論化的方法分析工業(yè)過程的動態(tài)特性而獲取的過程模型稱為機理模型[9,10]。機理模型是通過分析法或演繹法從理論上導出的系統(tǒng)數學模型。機理模型能夠最大程度的表達過程特性，但是其形式復雜，不能夠將其直接應用于實
4、際工業(yè)過程的控制和優(yōu)化等?，F今隨著工業(yè)過程的發(fā)展，獲取完整過程的動態(tài)特性還存在一定的困難，即使已有相關基本原理的先驗知識，也難以通過理論方法對復雜的實際工業(yè)過程分析獲取其模型。1.2多模型方法綜述1969年首次提出了多模型方法的思想，該方法將多個模型相加，使得獲取的全局模型的魯棒性和預測精度得到提高[24]，適用于處理變參數線性系統(tǒng)或非線性系統(tǒng)，已在參數估計、系統(tǒng)控制等領域獲得了廣泛的研究和應用[25,26]。多模型方法的基本思想是把一個非線性系統(tǒng)在不同工作點進行局部線性化，在每個工作點附近建立局部線
5、性模型；然后用不同的合成法則將所有的局部線性模型組合，進而逼近原非線性系統(tǒng)。目前多模型方法已在醫(yī)學、航空和過程控制等領域大量應用，并逐漸形成一系列的系統(tǒng)的理論體系[27,28]。多模型方法易于理解，并且簡單、有效，使得對該方法的研究引起了越來越多學者的關注。應用多模型方法解決復雜的系統(tǒng)辨識問題具有充足的合理性：首先對于整體系統(tǒng)來說，獲取局部特征的變化要比獲取全局特征的變化容易，辨識局部模型要易于直接辨識全局模型；其次局部模型較為容易理解，也易于描述，能夠將獲取的各種信息融入模型中；相比較于現有的非線性
6、系統(tǒng)辨識方法，多模型方法計算的復雜程度也大為下降?；诙嗄Ｐ头椒ǖ南到y(tǒng)辨識的核心問題主要為問題的分解和解的合成，具體可以概括如下：（1）選取分解準則：依據研究對象的特性，選擇適合的分解準則，如在系統(tǒng)中選擇能夠表達系統(tǒng)工況的工作點變量，根據工作點變量的變化將系統(tǒng)劃分為多個區(qū)間;（2）確定局部模型結構：由于工況區(qū)間的不同，在每個區(qū)間內的子系統(tǒng)具有各自的獨特性，根據每個工況區(qū)間的特性選擇適合的局部模型結構，如時間序列模型（自回歸模型、滑動平均模型、自回歸滑動平均模型等）、狀態(tài)空間模型等。第二章含有時間延遲的
7、線性系統(tǒng)辨識2.1引言傳統(tǒng)的線性系統(tǒng)通常在每個采樣點的輸入輸出數據都可以測量得到，這類系統(tǒng)的輸入與輸出有相同的采樣頻率。然而在實際工業(yè)過程中，由于硬件條件等的限制使得系統(tǒng)中的某些變量只有部分可測，因而導致數據遺失而出現不同的數據采樣頻率。輸入輸出數據采樣頻率不同的系統(tǒng)是一類特殊的線性系統(tǒng)，在工業(yè)過程較為常見，對于這類系統(tǒng)的辨識問題也是工業(yè)過程辨識的一個主要的分支。工業(yè)過程中常由于傳感器采樣值與實驗室分析值之間的速率差異而導致輸入輸出數據的缺失，并且常伴有時間延遲等問題[43,117]。本章針對含有時間
8、延遲且有不同數據采樣頻率的線性系統(tǒng)，討論了其參數估計問題。系統(tǒng)的慢速率模型通過離散化技術推導，系統(tǒng)的參數和狀態(tài)被同時估計。采用了基于比傳統(tǒng)方法計算負荷低的狀態(tài)增廣策略的卡爾曼濾波方法來估計有時間延遲系統(tǒng)的狀態(tài)，隨機梯度（StochasticGradient,SG）算法或者遞推最小二乘（RecursiveLeastSquare,RLS）算法用來估計參數。..2.2問題描述給定系統(tǒng)2.3.2的可觀規(guī)范型，等同于原始的含有最少參數的可控可觀系統(tǒng)。基于可測量的輸
