本發(fā)明屬于模型預(yù)測控制領(lǐng)域，更具體地，涉及一種基于模型預(yù)測控制器的建模質(zhì)量監(jiān)控方法和系統(tǒng)。

背景技術(shù)：

模型預(yù)測控制(modelpredictivecontrol，mpc)是一種廣泛應(yīng)用于工業(yè)過程控制領(lǐng)域的基于模型的先進(jìn)控制方法，具有控制效果好、魯棒性強(qiáng)、對模型精確性要求不高的優(yōu)點(diǎn)。

模型預(yù)測控制在工業(yè)過程上的實(shí)際應(yīng)用，稱之為模型預(yù)測控制器(modelpredictivecontroller，mpccontroller)。mpc控制器具有建模簡單、動態(tài)控制效果好、魯棒性強(qiáng)的特點(diǎn)，在投產(chǎn)初期具有良好的控制性能；然而，隨著時間的推移，mpc控制器性能會逐漸下降，最后甚至不得不切換到傳統(tǒng)pid控制。導(dǎo)致控制器性能下降的主要因素有噪聲干擾、模型失配、閥門粘滯、感知器偏差等。

近年來，基于數(shù)據(jù)驅(qū)動的方法被越來越多地應(yīng)用于控制系統(tǒng)性能評估問題。如mpc框架下的歷史性能指標(biāo)，能對mpc的性能做出有效的評價，但它需要獲取一段控制系統(tǒng)運(yùn)行良好的數(shù)據(jù)來計(jì)算評價基準(zhǔn)，而此良好運(yùn)行階段的選取沒有標(biāo)準(zhǔn)，從而給該方法的應(yīng)用帶來一定的局限性。在基于模型的控制技術(shù)中，模型的質(zhì)量對于控制器的設(shè)計(jì)和整定起到關(guān)鍵作用，控制系統(tǒng)的性能依賴于過程模型的精度，亦即受到模型失配程度的影響。

一方面，現(xiàn)階段關(guān)于建模質(zhì)量監(jiān)控的技術(shù)尚無法診斷導(dǎo)致控制器性能變差的惡化根源，無法診斷控制器性能變差的原因是在于模型存在失配，或者是噪聲干擾、閥門粘滯、感知器偏差等因素上。另一方面，現(xiàn)階段關(guān)于模型質(zhì)量預(yù)測的研究成果大多將模型失配作為影響模型質(zhì)量的一個整體因素，未將過程模型失配和干擾模型失配分離開來。

由此可見，現(xiàn)有技術(shù)存在無法診斷控制器性能變差的原因、未將過程模型失配和干擾模型失配分離開來、無法有效監(jiān)控模型質(zhì)量、監(jiān)控準(zhǔn)確度低的技術(shù)問題。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種基于模型預(yù)測控制器的建模質(zhì)量監(jiān)控方法和系統(tǒng)，由此解決現(xiàn)有技術(shù)存在無法診斷控制器性能變差的原因、未將過程模型失配和干擾模型失配分離開來、無法有效監(jiān)控模型質(zhì)量、監(jiān)控準(zhǔn)確度低的技術(shù)問題。

為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種基于模型預(yù)測控制器的建模質(zhì)量監(jiān)控方法，包括：

(1)利用模型預(yù)測控制器控制閉環(huán)控制系統(tǒng)運(yùn)行，采集閉環(huán)控制系統(tǒng)運(yùn)行過程的過程輸出、過程輸入和過程外部激勵；

(2)根據(jù)過程外部激勵和過程輸出，獲取閉環(huán)控制系統(tǒng)的跟蹤誤差；

(3)建立過程輸出的高階自回歸模型和過程外部激勵的高階自回歸模型，得到過程輸出和過程外部激勵的混合高階自回歸模型，基于混合高階自回歸模型進(jìn)行正交投影，得到過程估計(jì)干擾更新向量；

(4)建立過程外部激勵的矩陣模型，利用過程外部激勵的矩陣模型進(jìn)行正交投影，得到過程估計(jì)干擾更新擴(kuò)展向量；

(5)將過程估計(jì)干擾更新向量的二次型與跟蹤誤差的二次型的比值作為整體模型質(zhì)量指標(biāo)，將過程估計(jì)干擾更新擴(kuò)展向量的二次型與跟蹤誤差的二次型的比值作為過程模型質(zhì)量監(jiān)測指標(biāo)；

(6)利用過程模型質(zhì)量監(jiān)測指標(biāo)和整體模型質(zhì)量指標(biāo)，檢測閉環(huán)控制系統(tǒng)中過程模型失配和干擾模型失配，進(jìn)而監(jiān)控閉環(huán)控制系統(tǒng)的建模質(zhì)量。

進(jìn)一步的，建立過程輸出的高階自回歸模型的具體實(shí)現(xiàn)方式為：

yp(k)＝[y(k)y(k-1)…y(k-p)]

其中，p表示過程估計(jì)干擾更新的數(shù)據(jù)窗口大小，m表示過程輸出的高階自回歸模型的階次，y(k)表示k時刻的過程輸出，y(k-1)表示(k-1)時刻的過程輸出，y(k-p)表示(k-p)時刻的過程輸出，yp(k)表示由y(k)，y(k-1)，...，y(k-p)所構(gòu)成的1×(p+1)維向量，yp(k-1)表示由y(k-1)，y(k-2)，...，y(k-p-1)所構(gòu)成的1×(p+1)維向量，yp(k-2)表示由y(k-2)，y(k-3)，...，y(k-p-2)所構(gòu)成的1×(p+1)維向量，yp(k-m)表示由y(k-m)，y(k-m-1)，...，y(k-p-m)所構(gòu)成的1×(p+1)維向量，ym(k-1)表示過程輸出的高階自回歸模型，為由yp(k-1)，yp(k-2)，...，yp(k-m)所構(gòu)成的m×(p+1)維矩陣。

進(jìn)一步的，建立過程外部激勵的高階自回歸模型的具體實(shí)現(xiàn)方式為：

rp(k)＝[r(k)r(k-1)…r(k-p)]

其中，p表示過程估計(jì)干擾更新的數(shù)據(jù)窗口大小，n表示過程外部激勵的高階自回歸模型的階次，r(k)表示k時刻的過程外部激勵，r(k-1)表示(k-1)時刻的過程外部激勵，r(k-p)表示(k-p)時刻的過程外部激勵，rp(k)表示由r(k)，r(k-1)，...，r(k-p)所構(gòu)成的1×(p+1)維向量，rp(k-1)表示由r(k-1)，r(k-2)，...，r(k-p-1)所構(gòu)成的1×(p+1)維向量，rp(k-2)表示由r(k-2)，r(k-3)，...，r(k-p-2)所構(gòu)成的1×(p+1)維向量，rp(k-n)表示由r(k-n)，r(k-n-1)，...，r(k-p-n)所構(gòu)成的1×(p+1)維向量，rn(k-1)表示過程外部激勵的高階自回歸模型為由rp(k-1)，rp(k-2)，...，rp(k-n)所構(gòu)成的n×(p+1)維矩陣。

進(jìn)一步的，建立混合高階自回歸模型的具體實(shí)現(xiàn)方式為：

進(jìn)一步的，過程估計(jì)干擾更新向量為：

對矩陣作qr分解，即獲取正交矩陣q1和q2，對角矩陣r11，對角矩陣r22和行向量r21；根據(jù)正交矩陣q1和q2，對角矩陣r11，對角矩陣r22和行向量r21之間的關(guān)系，獲得如下結(jié)果：

獲取過程估計(jì)干擾更新向量：

進(jìn)一步的，步驟(4)的具體實(shí)現(xiàn)方式為：

建立過程外部激勵的矩陣模型，利用過程外部激勵的矩陣模型進(jìn)行正交投影，得到過程估計(jì)干擾更新擴(kuò)展向量

其中，ep(k)＝[e(k)e(k-1)…e(k-p)]，表示1×(p+1)維的跟蹤誤差向量，e(k)表示k時刻的跟蹤誤差，e(k-1)表示(k-1)時刻的跟蹤誤差，e(k-p)表示(k-p)時刻的跟蹤誤差，i表示(p+1)×(p+1)維的單位矩陣，xp(k)表示過程外部激勵的矩陣模型，由rp(k)，rp(k-1)，...，rp(k-m)所構(gòu)成的m×(p+1)維矩陣，rp(k-m)表示由r(k-m)，r(k-m-1)，...，r(k-p-m)所構(gòu)成的1×(p+1)維向量。

進(jìn)一步的，步驟(6)的具體實(shí)現(xiàn)方式為：

根據(jù)過程模型質(zhì)量監(jiān)測指標(biāo)mdi和整體模型質(zhì)量指標(biāo)mqi相結(jié)合評價建模質(zhì)量；mqi的取值范圍為(0，1]，整體模型質(zhì)量指標(biāo)越接近于1，表明閉環(huán)控制系統(tǒng)的建模質(zhì)量越好，整體模型質(zhì)量指標(biāo)越接近于0，表明閉環(huán)控制系統(tǒng)的建模質(zhì)量越差，當(dāng)mdi值相對接近于1而mqi值相對接近于0，表明整體模型質(zhì)量較差而過程模型質(zhì)量較好，則可知干擾模型質(zhì)量較差，存在失配情況。

按照本發(fā)明的另一方面，提供了一種基于模型預(yù)測控制器的建模質(zhì)量監(jiān)控系統(tǒng)，包括：

采集數(shù)據(jù)模塊，用于利用模型預(yù)測控制器控制閉環(huán)控制系統(tǒng)運(yùn)行，采集閉環(huán)控制系統(tǒng)運(yùn)行過程的過程輸出、過程輸入和過程外部激勵；

獲取跟蹤誤差模塊，用于根據(jù)過程外部激勵和過程輸出，獲取閉環(huán)控制系統(tǒng)的跟蹤誤差；

獲取過程估計(jì)干擾更新向量模塊，用于建立過程輸出的高階自回歸模型和過程外部激勵的高階自回歸模型，得到過程輸出和過程外部激勵的混合高階自回歸模型，基于混合高階自回歸模型進(jìn)行正交投影，得到過程估計(jì)干擾更新向量；

獲取過程估計(jì)干擾更新擴(kuò)展向量模塊，用于建立過程外部激勵的矩陣模型，利用過程外部激勵的矩陣模型進(jìn)行正交投影，得到過程估計(jì)干擾更新擴(kuò)展向量；

獲取指標(biāo)模塊，用于將過程估計(jì)干擾更新向量的二次型與跟蹤誤差的二次型的比值作為整體模型質(zhì)量指標(biāo)，將過程估計(jì)干擾更新擴(kuò)展向量的二次型與跟蹤誤差的二次型的比值作為過程模型質(zhì)量監(jiān)測指標(biāo)；

監(jiān)控建模質(zhì)量模塊，用于利用過程模型質(zhì)量監(jiān)測指標(biāo)和整體模型質(zhì)量指標(biāo)，檢測閉環(huán)控制系統(tǒng)中過程模型失配和干擾模型失配，進(jìn)而監(jiān)控閉環(huán)控制系統(tǒng)的建模質(zhì)量。

進(jìn)一步的，監(jiān)控建模質(zhì)量模塊的具體實(shí)現(xiàn)方式為：

根據(jù)過程模型質(zhì)量監(jiān)測指標(biāo)mdi和整體模型質(zhì)量指標(biāo)mqi相結(jié)合評價建模質(zhì)量；mqi的取值范圍為(0，1]，整體模型質(zhì)量指標(biāo)越接近于1，表明閉環(huán)控制系統(tǒng)的建模質(zhì)量越好，整體模型質(zhì)量指標(biāo)越接近于0，表明閉環(huán)控制系統(tǒng)的建模質(zhì)量越差，當(dāng)mdi值相對接近于1而mqi值相對接近于0，表明整體模型質(zhì)量較差而過程模型質(zhì)量較好，則可知干擾模型質(zhì)量較差，存在失配情況。

總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，能夠取得下列有益效果：

(1)本發(fā)明提供的建模質(zhì)量監(jiān)控方法，采用當(dāng)前閉環(huán)控制系統(tǒng)的常規(guī)閉環(huán)回路數(shù)據(jù)對過程干擾更新進(jìn)行估計(jì)，不需要過程時滯或交互矩陣等很難獲取的開環(huán)過程的附加信息，使得該方法可行性高，處理所需消耗資源少，可以診斷控制器性能變差的原因，有效監(jiān)控模型質(zhì)量并且監(jiān)控準(zhǔn)確度高。

(2)本發(fā)明提供的建模質(zhì)量監(jiān)控方法，在處理過程中不需要對當(dāng)前閉環(huán)控制系統(tǒng)作任何調(diào)整，因而對工業(yè)生產(chǎn)過程影響極小，極大地降低了監(jiān)控成本，提高了工業(yè)過程的產(chǎn)品質(zhì)量和系統(tǒng)安全性，可維護(hù)性。

(3)本發(fā)明提供的建模質(zhì)量監(jiān)控方法，利用擾動序列的反饋不變性原理提出一種整體模型質(zhì)量指標(biāo)mqi，根據(jù)整體模型質(zhì)量指標(biāo)mqi可以及時發(fā)現(xiàn)控制系統(tǒng)中的模型是否發(fā)生失配，實(shí)現(xiàn)對控制系統(tǒng)性能的實(shí)時評價；并且由于過程估計(jì)干擾更新與過程跟蹤誤差之間的關(guān)系，整體模型質(zhì)量指標(biāo)mqi不受控制器調(diào)節(jié)參數(shù)改變以及閉環(huán)控制系統(tǒng)干擾模型變化的影響，相對于傳統(tǒng)的kpi指標(biāo)，mqi指標(biāo)可以更加準(zhǔn)確地將模型質(zhì)量之外的可影響控制器整體控制性能的因素區(qū)分開來，從而更加準(zhǔn)確有效地表征建模質(zhì)量。

(4)本發(fā)明提供的建模質(zhì)量監(jiān)控方法，利用擾動序列的反饋不變性原理提出一種過程模型質(zhì)量監(jiān)測指標(biāo)mdi，將該指標(biāo)和整體模型質(zhì)量指標(biāo)mqi相結(jié)合，可實(shí)現(xiàn)將過程模型失配和干擾模型失配檢測分離開來。

附圖說明

圖1是本發(fā)明實(shí)施例提供的一種基于模型預(yù)測控制器的建模質(zhì)量監(jiān)控方法的流程圖；

圖2是本發(fā)明實(shí)施例中閉環(huán)系統(tǒng)結(jié)構(gòu)原理示意圖；

圖3是本發(fā)明實(shí)施例1中wood-berry精餾塔原理示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實(shí)施方式中所涉及到的技術(shù)特征只要彼此之間未構(gòu)成沖突就可以相互組合。

如圖1所示，一種基于模型預(yù)測控制器的建模質(zhì)量監(jiān)控方法，包括：

(1)利用模型預(yù)測控制器控制閉環(huán)控制系統(tǒng)運(yùn)行，采集閉環(huán)控制系統(tǒng)運(yùn)行過程的過程輸出、過程輸入和過程外部激勵；

(2)根據(jù)過程外部激勵和過程輸出，獲取閉環(huán)控制系統(tǒng)的跟蹤誤差；

(3)建立過程輸出的高階自回歸模型和過程外部激勵的高階自回歸模型，得到過程輸出和過程外部激勵的混合高階自回歸模型，基于混合高階自回歸模型進(jìn)行正交投影，得到過程估計(jì)干擾更新向量；

(4)建立過程外部激勵的矩陣模型，利用過程外部激勵的矩陣模型進(jìn)行正交投影，得到過程估計(jì)干擾更新擴(kuò)展向量；

(5)將過程估計(jì)干擾更新向量的二次型與跟蹤誤差的二次型的比值作為整體模型質(zhì)量指標(biāo)，將過程估計(jì)干擾更新擴(kuò)展向量的二次型與跟蹤誤差的二次型的比值作為過程模型質(zhì)量監(jiān)測指標(biāo)；

(6)利用過程模型質(zhì)量監(jiān)測指標(biāo)和整體模型質(zhì)量指標(biāo)，檢測閉環(huán)控制系統(tǒng)中過程模型失配和干擾模型失配，進(jìn)而監(jiān)控閉環(huán)控制系統(tǒng)的建模質(zhì)量。

進(jìn)一步的，步驟(1)還包括：

(1-1)根據(jù)給定的控制目標(biāo)，定義相關(guān)的被控變量cv、操縱變量mv、擾動變量dv；其中，dv是指對cv有影響的可測擾動，但是不可操縱；

(1-2)通過對所述操縱變量mv和擾動變量dv做階躍變化，獲得各個被控變量cv的動態(tài)變化數(shù)據(jù)，利用辨識算法獲取過程的動態(tài)模型預(yù)測控制器；并利用參數(shù)選擇規(guī)則配置模型預(yù)測控制器；

(1-3)利用模型預(yù)測控制器控制閉環(huán)控制系統(tǒng)運(yùn)行，采集閉環(huán)控制系統(tǒng)運(yùn)行過程的過程輸出、過程輸入和過程外部激勵。

進(jìn)一步的，步驟(2)的具體實(shí)現(xiàn)方式為：

根據(jù)過程外部激勵和過程輸出，獲取閉環(huán)控制系統(tǒng)的跟蹤誤差：

e(k)＝y(tǒng)(k)-r(k)；

其中，e(k)表示k時刻閉環(huán)控制系統(tǒng)的跟蹤誤差，r(k)表示k時刻的過程外部激勵，y(k)表示k時刻的過程輸出。

進(jìn)一步的，步驟(3)包括：

(3-1)根據(jù)閉環(huán)控制系統(tǒng)結(jié)構(gòu)，建立過程輸出的高階自回歸模型：

yp(k)＝[y(k)y(k-1)…y(k-p)]

其中，p表示過程估計(jì)干擾更新的數(shù)據(jù)窗口大小，m表示過程輸出的高階自回歸模型的階次，y(k)表示k時刻的過程輸出，y(k-1)表示(k-1)時刻的過程輸出，y(k-p)表示(k-p)時刻的過程輸出，yp(k)表示由y(k)，y(k-1)，...，y(k-p)所構(gòu)成的1×(p+1)維向量，yp(k-1)表示由y(k-1)，y(k-2)，...，y(k-p-1)所構(gòu)成的1×(p+1)維向量，yp(k-2)表示由y(k-2)，y(k-3)，...，y(k-p-2)所構(gòu)成的1×(p+1)維向量，yp(k-m)表示由y(k-m)，y(k-m-1)，...，y(k-p-m)所構(gòu)成的1×(p+1)維向量，ym(k-1)表示過程輸出的高階自回歸模型為由yp(k-1)，yp(k-2)，...，yp(k-m)所構(gòu)成的m×(p+1)維矩陣；

(3-2)根據(jù)閉環(huán)控制系統(tǒng)結(jié)構(gòu)，建立過程外部激勵的高階自回歸模型如下：

rp(k)＝[r(k)r(k-1)…r(k-p)]

其中，p表示過程估計(jì)干擾更新的數(shù)據(jù)窗口大小，n表示過程外部激勵的高階自回歸模型的階次，r(k)表示k時刻的過程外部激勵，r(k-1)表示(k-1)時刻的過程外部激勵，r(k-p)表示(k-p)時刻的過程外部激勵，rp(k)表示由r(k)，r(k-1)，...，r(k-p)所構(gòu)成的1×(p+1)維向量，rp(k-1)表示由r(k-1)，r(k-2)，...，r(k-p-1)所構(gòu)成的1×(p+1)維向量，rp(k-2)表示由r(k-2)，r(k-3)，...，r(k-p-2)所構(gòu)成的1×(p+1)維向量，rp(k-n)表示由r(k-n)，r(k-n-1)，...，r(k-p-n)所構(gòu)成的1×(p+1)維向量，rn(k-1)表示過程外部激勵的高階自回歸模型，為由rp(k-1)，rp(k-2)，...，rp(k-n)所構(gòu)成的n×(p+1)維矩陣；

(3-3)根據(jù)閉環(huán)控制系統(tǒng)結(jié)構(gòu)，建立過程輸出和過程外部激勵的混合高階自回歸模型：

其中，表示混合高階自回歸模型為(m+n)×(p+1)維矩陣；

(3-4)基于混合高階自回歸模型進(jìn)行正交投影，得到過程估計(jì)干擾更新向量：

其中，表示1×(p+1)維的過程估計(jì)干擾更新向量，e°(k)表示k時刻的過程估計(jì)干擾更新，e°(k-1)表示(k-1)時刻的過程估計(jì)干擾更新，e°(k-p)表示(k-p)時刻的過程估計(jì)干擾更新，i表示(p+1)×(p+1)維的單位矩陣。

由于閉環(huán)數(shù)據(jù)具有高度相關(guān)性，因此是病態(tài)的，導(dǎo)致所得過程估計(jì)干擾更新不可靠。

優(yōu)選地，步驟(3-4)解決這一問題的方法進(jìn)一步包括如下子步驟：

(3-4-1)對矩陣作qr分解，即獲取正交矩陣q1和q2，對角矩陣r11，對角矩陣r22和行向量r21；

(3-4-2)根據(jù)正交矩陣q1和q2，對角矩陣r11，對角矩陣r22和行向量r21之間的關(guān)系，獲得如下結(jié)果：

(3-4-3)獲取可靠的過程估計(jì)干擾更新向量：

進(jìn)一步的，步驟(4)的具體實(shí)現(xiàn)方式為：

建立過程外部激勵的矩陣模型，利用過程外部激勵的矩陣模型進(jìn)行正交投影，得到過程估計(jì)干擾更新擴(kuò)展向量

其中，ep(k)＝[e(k)e(k-1)…e(k-p)]，表示1×(p+1)維的跟蹤誤差向量，e(k)表示k時刻的跟蹤誤差，e(k-1)表示(k-1)時刻的跟蹤誤差，e(k-p)表示(k-p)時刻的跟蹤誤差，i表示(p+1)×(p+1)維的單位矩陣，xp(k)表示過程外部激勵的矩陣模型，由rp(k)，rp(k-1)，...，rp(k-m)所構(gòu)成的m×(p+1)維矩陣，rp(k-m)表示為由r(k-m)，r(k-m-1)，...，r(k-p-m)所構(gòu)成的1×(p+1)維向量。

進(jìn)一步的，步驟(5)還包括：

(5-1)根據(jù)輸出權(quán)重矩陣q和輸入權(quán)重矩陣s定義關(guān)鍵性能指標(biāo)kpi：

其中，jn表示關(guān)鍵性能指標(biāo)kpi，n表示求取指標(biāo)所需采樣數(shù)據(jù)長度，y(k)表示k時刻過程輸出，r(k)表示k時刻的過程外部激勵，δu^*(k)＝u(k)-u(k-1)表示k時刻過程輸入u(k)與(k-1)時刻過程輸入u(k-1)之差；

(5-2)將過程估計(jì)干擾更新向量的二次型與跟蹤誤差的二次型的比值作為整體模型質(zhì)量指標(biāo)mqi：

(5-3)將過程估計(jì)干擾更新擴(kuò)展向量的二次型與跟蹤誤差的二次型的比值作為過程模型質(zhì)量監(jiān)測指標(biāo)mdi：

進(jìn)一步的，步驟(6)的具體實(shí)現(xiàn)方式為：

根據(jù)所述閉環(huán)控制系統(tǒng)的關(guān)鍵性能指標(biāo)kpi評價模型預(yù)測控制器性能：kpi值越小，表示模型預(yù)測控制器性能越好；

根據(jù)所述閉環(huán)控制系統(tǒng)的過程模型質(zhì)量監(jiān)測指標(biāo)mdi和整體模型質(zhì)量指標(biāo)mqi相結(jié)合評價建模質(zhì)量；mqi的取值范圍為(0，1]，整體模型質(zhì)量指標(biāo)越接近于1，表明閉環(huán)控制系統(tǒng)的建模質(zhì)量越好，整體模型質(zhì)量指標(biāo)越接近于0，表明閉環(huán)控制系統(tǒng)的建模質(zhì)量越差，當(dāng)mdi值相對接近于1而mqi值相對接近于0，表明整體模型質(zhì)量較差而過程模型質(zhì)量較好，則可知干擾模型質(zhì)量較差，存在失配情況，因此將過程模型質(zhì)量指標(biāo)mdi和整體模型質(zhì)量指標(biāo)mqi相結(jié)合可將過程模型失配和干擾模型失配檢測分離開來。

如圖2所示，是本發(fā)明實(shí)施例里所采用的閉環(huán)控制系統(tǒng)結(jié)構(gòu)圖，u(k)、y(k)分別表示閉環(huán)控制系統(tǒng)k時刻的過程輸入和過程輸出，r(k)表示閉環(huán)控制系統(tǒng)k時刻的過程外部激勵，gc為線性時不變控制器的傳遞函數(shù)，實(shí)施例中即為mpc控制器，g°為過程傳遞函數(shù)，h°為擾動傳遞函數(shù)，e°(k)為表示k時刻的過程估計(jì)干擾更新。

實(shí)施例1

wood-berry精餾塔是一個典型的具有較大純滯后的多入多出系統(tǒng)；過程如圖3所示，輸出為塔頂餾出物濃度xd(s)和塔底液相濃度xb(s)，由塔頂回流量r(s)和塔底再沸器蒸汽量s(s)控制；過程模型為：

其中，s表示拉普拉斯算子。

wood-berry精餾塔的過程傳遞函數(shù)矩陣為：

其中，s表示拉普拉斯算子。

過程采樣時間為1min/次，經(jīng)離散化后的過程傳遞函數(shù)矩陣為：

其中，q是一個數(shù)學(xué)算子代表著離散化。

干擾模型取如下對角陣：

利用本發(fā)明提供的改進(jìn)的基于模型預(yù)測控制器的建模質(zhì)量監(jiān)控方法對wood-berry精餾塔過程進(jìn)行建模質(zhì)量監(jiān)控過程，具體如下：

(1)根據(jù)工業(yè)過程實(shí)際干擾情況，建立閉環(huán)控制系統(tǒng)的干擾模型，

wood-berry精餾塔過程的干擾模型如下：

將其表述為以下通用形式：

令優(yōu)選的，σ1²＝7.6²，σ2²＝0.14²。

為更好地表示過程模型失配和干擾模型失配情況，令代表過程模型，代表干擾模型

其中，δkp表示過程模型增益增量，δdp表示過程模型時延增量，δtp表示過程模型時間常數(shù)增量，δk1表示干擾模型增益增量。

(2)根據(jù)閉環(huán)控制系統(tǒng)的實(shí)際情況，設(shè)計(jì)模型預(yù)測控制器mpc，利用matlab工具箱中已有的mpctoolbox設(shè)計(jì)mpc控制器；mpc控制器參數(shù)取預(yù)測時域p＝100，控制時域m＝10，指標(biāo)所需采樣數(shù)據(jù)長度取n＝500。為實(shí)現(xiàn)最小方差準(zhǔn)則，權(quán)重矩陣分別設(shè)為q＝diag{1，100}，s＝0；過程外部激勵為：r(k)＝[0.9*sin(k)0.05*sin(k)]。

(3)根據(jù)上述mpc控制器來控制閉環(huán)控制系統(tǒng)，并采集閉環(huán)控制系統(tǒng)運(yùn)行所得過程輸出和過程輸入數(shù)據(jù)；

在閉環(huán)控制系統(tǒng)正常運(yùn)行時，采樣時間設(shè)定為1min/次，采集閉環(huán)控制系統(tǒng)wood-berry精餾塔運(yùn)行所得過程輸出數(shù)據(jù)，包括塔頂餾出物濃度xd和塔底液相濃度xb，分別記為y1和y2；過程輸入數(shù)據(jù)，包括頂回流量r和塔底再沸器蒸汽量s，分別記為u1和u2；采集的樣本數(shù)n設(shè)為500。

(4)根據(jù)閉環(huán)控制系統(tǒng)過程外部激勵和過程輸出，獲取閉環(huán)控制系統(tǒng)的跟蹤誤差：

根據(jù)閉環(huán)系統(tǒng)的結(jié)構(gòu)，獲取系統(tǒng)的跟蹤誤差：

e(k)＝y(tǒng)(k)-r(k)

其中，e(k)表示k時刻閉環(huán)控制系統(tǒng)的實(shí)際跟蹤誤差，r(k)表示k時刻過程外部激勵，y(k)表示k時刻過程輸出，k＝1，2，……，500。

(5)根據(jù)閉環(huán)控制系統(tǒng)結(jié)構(gòu)，對所得過程輸出及過程輸入數(shù)據(jù)進(jìn)行正交投影，獲得過程估計(jì)干擾更新：

根據(jù)閉環(huán)控制系統(tǒng)運(yùn)行所得過程輸出和過程輸入數(shù)據(jù)，建立過程輸出的高階自回歸模型如下：

yp(k)＝[y(k)y(k-1)…y(k-p)]

建立過程外部激勵的高階自回歸模型如下：

rp(k)＝[r(k)r(k-1)…r(k-p)]

其中，過程外部激勵為r(k)，實(shí)施例中設(shè)定為：r(k)＝[0.9*sin(k)0.05*sin(k)]；p表示過程估計(jì)干擾更新的數(shù)據(jù)窗口大小，m表示過程輸出高階自回歸模型的階次，n表示過程外部激勵高階自回歸模型的階次；

建立過程輸出以及過程外部激勵的混合高階自回歸模型，具體如下：

對矩陣作qr分解，即獲取正交矩陣q1和q2，對角矩陣r11，對角矩陣r22和行向量r21；

通過正交投影算法，獲取過程估計(jì)干擾更新向量：

其中，表示1×(p+1)維的過程估計(jì)干擾更新向量，e°(k)表示k時刻所得過程估計(jì)干擾更新，i表示(p+1)×(p+1)維的單位矩陣。

根據(jù)正交矩陣q1和q2，對角矩陣r11，對角矩陣r22和行向量r21之間的關(guān)系，獲得如下結(jié)果：

獲取最終可靠的過程估計(jì)干擾更新：

實(shí)施例中，k＝1，2，……，500，采集的樣本數(shù)n設(shè)為500，預(yù)測時域p＝100，控制時域m＝10。

建立過程外部激勵信號的高階自回歸模型如下：

rp(k)＝[r(k)r(k-1)…r(k-p)]

其中，p表示過程估計(jì)干擾更新的數(shù)據(jù)窗口大小，n表示過程外部激勵的高階自回歸模型的階次，r(k)表示k時刻的過程外部激勵，r(k-1)表示(k-1)時刻的過程外部激勵，r(k-p)表示(k-p)時刻的過程外部激勵，rp(k)表示由r(k)，r(k-1)，...，r(k-p)所構(gòu)成的1×(p+1)維向量，rp(k-1)表示由r(k-1)，r(k-2)，...，r(k-p-1)所構(gòu)成的1×(p+1)維向量，rp(k-2)表示由r(k-2)，r(k-3)，...，r(k-p-2)所構(gòu)成的1×(p+1)維向量，rp(k-n)表示由r(k-n)，r(k-n-1)，...，r(k-p-n)所構(gòu)成的1×(p+1)維向量，xp(k)表示由rp(k-1)，rp(k-2)，...，rp(k-m)所構(gòu)成的m×(p+1)維矩陣；

根據(jù)上述高階自回歸模型，通過正交投影算法，獲取過程估計(jì)干擾更新擴(kuò)展式向量：

其中，ep(k)＝[e(k)e(k-1)…e(k-p)]，表示1×(p+1)維的模型殘差向量，e(k)表示k時刻所得模型殘差，i表示(p+1)×(p+1)維的單位矩陣，xp(k)表示由rp(k)，rp(k-1)，...，rp(k-m)所構(gòu)成的m×(p+1)維矩陣。

(6)根據(jù)上述閉環(huán)控制系統(tǒng)的過程估計(jì)干擾更新與上述實(shí)際跟蹤誤差，獲得閉環(huán)控制系統(tǒng)的整體模型質(zhì)量指標(biāo)；

根據(jù)輸出權(quán)重矩陣q和輸入權(quán)重矩陣s定義關(guān)鍵性能指標(biāo)kpi：

其中，jn表示關(guān)鍵性能指標(biāo)kpi，n表示求取指標(biāo)所需采樣數(shù)據(jù)長度，設(shè)為500；y(k)表示k時刻過程實(shí)際輸出：塔頂餾出物濃度xd和塔底液相濃度xb，分別記為y1和y2；過程外部激勵r(k)設(shè)為：

r(k)＝[0.9*sin(k)0.05*sin(k)]；δu^*(k)＝u(k)-u(k-1)表示k時刻過程控制輸入與(k-1)時刻過程控制輸入之差，輸出權(quán)重矩陣q＝diag{1，100}，輸入權(quán)重矩陣s＝0。

根據(jù)過程估計(jì)干擾更新e°(k)與實(shí)際跟蹤誤差e(k)，獲得閉環(huán)控制系統(tǒng)的模型質(zhì)量指標(biāo)mqi：

其中，n是指求取指標(biāo)所需采樣數(shù)據(jù)長度，實(shí)施例中為500；e(k)表示k時刻閉環(huán)控制系統(tǒng)的實(shí)際跟蹤誤差，e°(k)表示k時刻閉環(huán)控制系統(tǒng)的過程估計(jì)干擾更新，q表示輸出權(quán)重矩陣，實(shí)施例中，q＝diag{1，100}。

根據(jù)過程估計(jì)干擾更新擴(kuò)展式與實(shí)際跟蹤誤差e(k)，獲得閉環(huán)控制系統(tǒng)的過程模型質(zhì)量監(jiān)測指標(biāo)mdi：

其中，n表示求取指標(biāo)所需采樣數(shù)據(jù)長度，表示k時刻閉環(huán)控制系統(tǒng)的過程估計(jì)干擾更新擴(kuò)展式，e(k)表示k時刻閉環(huán)控制系統(tǒng)的實(shí)際跟蹤誤差，q表示輸出權(quán)重矩陣。

(7)根據(jù)閉環(huán)控制系統(tǒng)結(jié)構(gòu)，利用整體模型質(zhì)量指標(biāo)和過程模型質(zhì)量監(jiān)測指標(biāo)對建模質(zhì)量進(jìn)行監(jiān)控；實(shí)施例1中，通過以下六種不同情形來驗(yàn)證模型質(zhì)量指標(biāo)mdi和mqi的有效性。

情形一：首先令過程模型和干擾模型都匹配，gp(s)＝g(s)，hp(q)＝h(q)。此時，ηmdi和ηmqi值分別為0.96和0.96，都接近于1，表明過程-干擾組合模型不存在失配。

情形二：僅過程模型存在失配，且為增益不匹配。

首先在過程模型增益失配(δkp＞0或δkp＜0)而其它參數(shù)匹配，即δtp＝0，δdp＝0時，得到ηmdi，ηmqi和kpi的值。通過設(shè)定不同的過程模型增益即δkp的值，得到在過程模型存在不同程度增益失配情況下的kpi，mqi和mdi指標(biāo)，如表1所示。

表1：過程模型增益失配時的ηmdi，ηmqi，kpi

由表1所得結(jié)果可知，無論δkp＞0或δkp＜0，δkp距離0越大，ηmdi和ηmqi值越小。例如，當(dāng)δkp＝-0.5時，ηmdi＝0.44，ηmqi＝0.42；當(dāng)δkp＝-0.2時，ηmdi＝0.84，ηmqi＝0.83，相較δkp＝-0.5時更接近于1。因此，該方法可以檢測包含模型增益不匹配時的過程模型失配情況。

情形三：僅過程模型存在失配，且為時間常數(shù)不匹配。首先在過程模型時間常數(shù)失配(δtp＞0或δtp＜0)而其它參數(shù)匹配，即δkp＝0，δdp＝0時，得到ηmdi，ηmqi和kpi的值。通過設(shè)定不同的過程模型時間常數(shù)即δtp的值，得到在過程模型存在不同程度時間常數(shù)失配情況下的mdi，mqi和kpi指標(biāo)，如表2所示。

表2：過程模型時間常數(shù)失配時的ηmdi，ηmqi，kpi

由表2所得結(jié)果可知，無論δtp＞0或δtp＜0，δtp距離0越大，ηmdi和ηmqi值越小。例如，當(dāng)δtp＝-0.4時，ηmdi＝0.47，ηmqi＝0.46；當(dāng)δtp＝-0.2時，ηmdi＝0.83，ηmqi＝0.82，相較δtp＝-0.4時更接近于1。因此，該方法可以檢測包含模型時間常數(shù)不匹配時的過程模型失配情況。

情形四：過程模型增益和時間常數(shù)都存在失配情況。

首先在過程模型增益失配和時間常數(shù)失配(δkp＞0或δkp＜0，δtp＞0或δtp＜0)而其它參數(shù)匹配，即δdp＝0時，得到ηmdi，ηmqi和kpi的值。通過設(shè)定不同的過程模型增益δkp和時間常數(shù)δtp的值，得到在過程模型存在不同程度增益和時間常數(shù)失配情況下的mdi，mqi和kpi指標(biāo)，如表3所示。

表3：過程模型增益，時間常數(shù)失配時的ηmdi，ηmqi，kpi

由表3所得結(jié)果可知，當(dāng)δkp＝0.5，δtp＝-0.5時，ηmdi＝0.51，ηmqi＝0.49。當(dāng)δtp＝-0.5保持不變，δkp從0.5變?yōu)?.9時，ηmdi＝0.41，ηmqi＝0.36。當(dāng)δkp＝0.5保持不變，δtp從-0.5變?yōu)?.5時，ηmdi＝0.65，ηmqi＝0.62。|δkp|或者|δtp|越大，δηmdi也就越大，因此，該方法可以檢測包含模型增益和時間常數(shù)都不匹配時的過程模型失配情況。

情形五：過程模型增益失配，干擾模型匹配，控制器參數(shù)不同。

首先在過程模型增益失配(δkp＝0.5)和干擾模型匹配的情況下，得到在不同控制器參數(shù)時ηmdi，ηmqi和kpi的值。mpc1為過程模型增益失配(δkp＝0.5)和干擾模型匹配的情況下，輸出權(quán)重矩陣和輸入權(quán)重矩陣分別為q＝diag{1，100}和s＝0。相應(yīng)地，mpc2的輸出權(quán)重矩陣和輸入權(quán)重矩陣分別為q＝diag{0.5，100}和s＝0。mpc3的輸出權(quán)重矩陣和輸入權(quán)重矩陣分別為q＝diag{2，100}和s＝diag{0.5，0}。

表4：過程模型增益失配，不同控制器參數(shù)時的ηmdi，ηmqi，kpi

由表4所得結(jié)果可知，在輸出權(quán)重矩陣q和輸入權(quán)重矩陣s發(fā)生改變的情況下，ηmdi和ηmqi都保持不變，分別為0.75和0.72，而kpi的值從88.37增大為153.89。這一結(jié)果表明，控制器調(diào)整參數(shù)對控制性能有著顯著的影響，而本文所提出的模型質(zhì)量檢測指標(biāo)ηmdi的值不受控制器調(diào)整參數(shù)的影響。

情形六：過程模型增益和時間常數(shù)失配，干擾模型存在不同程度匹配。

首先在過程模型增益和時間常數(shù)失配(δkp＝-0.5，δtp＝0.5)而其它參數(shù)匹配，即δdp＝0，干擾模型存在不同程度失配情況時，ηmdi，ηmqi和kpi的值。通過設(shè)定不同的干擾模型增益ak1的值，得到在過程模型增益和時間常數(shù)失配，干擾模型存在不同程度失配情況下的mdi，mqi和kpi指標(biāo)，如表5所示。

表5：過程模型匹配，干擾模型失配時的ηmdi，ηmqi，kpi

本領(lǐng)域的技術(shù)人員容易理解，以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。