特别是在有 复杂过程动态的过程控制情况时更是这样。基本上，选择模型方程式的类别及阶次需要在 这方面相当专长，通常比一个普通工业用户还高许多的专长。虽然选择一个比要求高的模 型阶次可以提供一个有用模型，但是这会不必要地自动延长编程运行时间，而延长范围可 能以分钟或甚至是以小时计。另一方面，多级控制系统通常需要比典型用户可想象的方程 式阶次还高的方程式。然而，对于显著的非线性过程，选择较高模型阶次可能对过程识别造 成负面影响，这是由于不存在精确的、可用于非线性过程的线性模型。假设数据定义为窄置 信区间的一个较高阶次的模型完全不能致使生成任何模型，因为模型参数将不会收敛到窄 范围内。可以通过利用一个较低阶次、较宽置信区间的线性模型、更实际地为这种非线性过 程建模。这个选择完全依照常识工程逻辑，也就是：如果一个过程为非线性，最好假设过程 增益在一个较宽范围内变化，而不是增高动态阶次。结论是，就实际应用而言，特别是以非 线性过程而言，有合理的置信区间比有较高阶次的模型有利。在许多时候，这个情形自动地 被满足，这是因为数据噪声电平适当。然而，如上所述，为担保模型在许多或大多情况收敛， 可以在测试数据采集及预处理之后，也就是标准化及移位均值以加宽置信区间之后，将随 机噪声添加到过程输出数据。
[0103] 将随机噪声添加到过程数据的效果，在仿真测试中很清楚地被演示，在仿真测试 中，添加0. 25%振幅的噪声到数据使得可能开发一个优良模型，而以无噪声数据却不能开 发任何模型。例如，图8图示在连同95%置信区间214 -起添加零均值0. 25%最大振幅噪 声到过程数据后，FIR模型210与ARX模型212之间的一个近乎理想的匹配。图9图示通 过添加零均值、0. 25%最大振幅噪声到919个无噪声样本中的120个样本所获得的结果，结 果再次改善ARX模型212的收敛，虽然其与FIR模型210之间的匹配并不理想。通过添加 0. 1%最大振幅噪声到所有无噪声样本，可以获得类似的结果，这仍然改善了 ARX模型的收 敛。
[0104] 在此描述的鲁棒模型生成概念的验证中发现，对死区时间估计误差的敏感性，一 般随噪声振幅减少。添加噪声的效果的几个特定测试将在以下描述。明确地说，这些测试 使用被定义为二阶过程的一个单回路过程，其增益（Gain) = 1、DT = 2、T1= T2= 20 (其 中DT为死区时间，1\及T 2分别为参数模型的一阶及二阶时间常数）。在这些测试的模型识 别中，使用240的稳态时间。用于测试的数据显示于9:21 - 9:52之间的选择区域220,即 图10的31分钟的数据。在不添加噪声到数据的情况下，ARX模型识别程序不提供任何二 阶时间常数，并确定一个太小的增益及一个太大的死区时间。虽然FIR模型确定程序确定 了 FIR模型，但FIR模型的死区时间为零，这是不正确的。为了解决这些问题，现有技术曾 试图人工增加参数数量，添加更多过程数据，并增加过程干扰输入的步长，但在模型识别方 面一般没有获得有效改善。
[0105] 然而，在过程干扰测试后添加人工噪声到过程数据，使模型品质获得了有效改善。 其实，图11-图13显示，对FIR模型230及ARX模型232添加0.3%、0. 4%、0. 5% (最大振 幅）均匀分布、零均值随机噪声到其数据。如图所示，0.4%的最大噪声振幅在此显然是最 理想的，因为它提供FIR模型及ARX模型之间的最紧密匹配。
[0106] 此外，可以确定：噪声可以被添加到过程输入，而不是被添加到过程干扰测试采集 的数据。明确地说，当运行测试周期并添加噪声到执行过程测试中用于干扰过程信号发生 器的输出时，可以确定参数模型识别获得有效改善。图14图示被添加0. 4%最大振幅、均匀 分布、零均值随机噪声的过程干扰信号240,及由这个噪声测试信号产生的所采集的过程输 出数据242。图15图示以利用噪声过程干扰信号而采集的过程数据为基础的、结果FIR模 型性能244及ARX模型性能246。
[0107] 同样地，可以确定：添加0.4%最大振幅、均匀分布、零均值随机噪声到已经包含 〇. 4%实际噪声的过程数据，会产生几乎同样的、与模型识别相关的结果。此外，一般可以确 定：创建模型时可以排除相当数量的过程数据，噪声被添加到其余数据，而且还可产生适当 模型。明确地说，不论缺失数据的位置在哪里，ARX模型生成例程的表现都如预期一样；而 且，虽然FIR模型生成例程先停顿，但ARX模型生成例程还是能够在存在一些缺失数据的 情况下生成模型。图16左边的曲线图图示一个用于测试的完整测试数据集合250,而图16 右边的曲线图图示FIR模型252及ARX模型254的结果模型性能。FIR模型252只是计算 到大约60个扫描，以缩小这个模型生成需要的计算过程。图17-图20图示排除（如这些 图的左边曲线图的排除区域260所示）测试数据时，对FIR及ARX模型性能（分别为252 及254)的影响。在这些情况的每一情况下，0. 4%最大振幅、均匀分布、零均值随机噪声被 添加到这些图中左边的曲线图所示的过程输出测试数据。如图所示，FIR模型252先停顿， 特别是从数据集合的多非相邻区域排除数据时，但在从测试中排除相当数量的数据的情况 下，还是可以开发过程模型。
[0108] 类似的测试针对多变量过程被执行，并科获得相同的一般结论，也就是：通过添加 零均值随机噪声到过程测试数据而获得较好的模型识别性能；对死区时间估计误差的敏感 性随噪声振幅减少；过程增益估计一般较好（FIR模型生成过程一般比ARX模型生成过程产 生较好的增益估计）；以及在从测试中排除相当数量的过程数据（包括数据集合中部的数 据）的情况下，还可产生过程模型（ARX模型生成过程比FIR模型生成过程更能容许缺失数 据）。此外，虽然添加噪声到测试数据的技术并未有效改善开发FIR模型，而且视添加的噪 声数量而定，这种技术可能使这些模型稍差，但是这种技术没有显著降低FIR模型的准确 性，除非是用于创建模型的数据严重受限。然而，可以发现：添加随机噪声到测试数据有效 地增强ARX模型确定例程的收敛能力，以确定一个完整的模型参数集合，因而使这个过程 模型创建例程更鲁棒。
[0109] 因此，如上所述，置信区间与噪声紧密相关。因此，可以通过在测试数据上叠加一 个小电平的随机噪声来加宽置信区间。这个观察导致产生一种通过加宽置信区间来改善模 型参数收敛的技术，并导致产生一种能够从以前不曾提供模型参数收敛的数据获得模型， 以及用加宽置信区间获得模型的技术。因此，过程模型开发的鲁棒性已经获得有效提高。 [0110] 应该理解，在此描述的MPC或高级控制逻辑生成例程及方法使用户能在没有大量 与"怎样创建高级控制块，如MPC块、神经网络建模或控制块、等等，及这些控制块怎样使操 作员能在不需要执行很多过程重新编程来实施高级控制、及一般不需要变换过程测试设置 来确定适当过程模型的情况下创建及使用这些控制块"有关的专家知识的条件下，创建高 级控制块，如MPC块、神经网络建模或控制块、等等。
[0111] 虽然在此描述高级控制块、过程仿真块及相关的生成及测试例程与Fieldbus及 标准4-20mA设备同时使用，它们当然也可以通过应用任何其它过程控制通信协议或编程 环境来实施，而且可以与任何其它类别的设备、功能块或控制器同时使用。此外，应该注意， 在此使用的措辞"功能块"并不限于Fieldbus协议或DeltaV控制器协议所识别的功能块， 而包括与可用于实施某种过程控制功能的、任何类别的控制系统及/或通信协议相关的任 何其它类别的块、编程、硬件、固件、等等。此外，虽然功能块的典型形式是面向对象编程环 境内的对象，但并非都是这样。
[0112] 虽然在此描述的高级控制块、过程控制创建例程、过程仿真块及相关的生成及测 试例程优选以软件实施，但它们也可以以硬件、固件、等等实施，而且可以由任何其它与过 程控制系统相关的处理器执行。因此，在此描述的例程40可以在标准的多目的中央处理器 (CPU)实施或在特别设计的硬件或固件中实施，如ASIC，如果需要。在以软件实施时，该软 件可以存储于任何计算机可读内存，如存储在磁盘、激光盘、光盘、或其它存储介质上，或存 储在计算机或处理器的RAM或ROM等内。同样地，软件可以通过任何已知或期望的传送方 法，包括计算机可读盘或其它便携式计算机存储装置、或通过通信频道如电话线、互联网等 调制（被视为与通过可移动存储装置提供这种软件一样或可与其互换），传送到用户或过 程控制系统。
[0113] 因此，虽然本发明已经参考特定例子进行了描述，但这些例子只是在于阐明而不 是限制本发明包括的范围。本领域的普通技术的人员将很清楚，已揭示的实例可以在不脱 离本发明的精神及范围的条件下被修改、增加或删除。
【主权项】
1. 一种在包括一个或更多处理器及计算机可读存储器的过程环境条件中根据过程生 成过程模型的模型生成系统，该模型生成系统包括： 第一装置，用于从过程采集指示过程的至少一个部分的过程操作的过程数据； 第二装置，用于将噪声添加到所述过程数据，从而生成条件过程数据；以及 模型生成装置，用于根据所述条件过程数据确定过程模型。2. 如权利要求1所述的模型生成系统，其中所述模型生成装置为参数模型生成装置， 该参数模型生成装置根据条件过程数据确定一个或更多参数模型参数，以生成参数模型。3. 如权利要求2所述的模型生成系统，其中所述模型生成装置为带外部输入的自回归 过程模型生成装置。4. 如权利要求2所述的模型生成系统，其中所述模型生成装置包括：估计过程的死区 时间的过程参数装置，以及根据所述条件过程数据及过程死区时间的估计值确定所述一个 或更多参数模型参数的模型参数估计装置。5. 如权利要求4所述的模型生成系统，其中所述过程参数装置生成过程的非参数模 型，并根据该非参数模型确定过程死区时间。6. 如权利要求5所述的模型生成系统，其中所述过程参数装置生成有限冲激响应模 型，作为所述非参数模型。7. 如权利要求1所述的模型生成系统，其进一步包括：第三装置，用于利用所述过程模 型生成过程控制器。8. 如权利要求7所述的模型生成系统，其中所述过程控制器为基于模型预测控制的控 制器。9. 如权利要求1所述的模型生成系统，其中所述第一装置包括：生成已知过程干扰信 号以干扰过程的信号发生器和采集指示对过程干扰信号的过程响应的过程数据的采集装 置。10. 如权利要求9所述的模型生成系统，其中所述第二装置适合通过将噪声添加到过 程干扰信号来将噪声添加到所述过程数据，以使指示过程响应的所采集的过程数据是条件 过程数据。11. 如权利要求10所述的模型生成系统，其中所述第二装置适合将零均值随机噪声添 加到过程干扰信号。12. 如权利要求11所述的模型生成系统，其中所述第二装置适合使用户能选择与将被 添加到过程干扰信号的零均值随机噪声有关的幅度。13. 如权利要求1所述的模型生成系统，其中所述第二装置适合将零均值随机噪声添 加到所述过程数据。14. 如权利要求13所述的模型生成系统，其中所述第二装置适合使用户能选择与将被 添加到过程数据的零均值随机噪声有关的幅度。15. 如权利要求13所述的模型生成系统，其中所述第二装置适合添加最大振幅介于过 程数据范围的0. 2%至0. 5%之间的均匀分布的随机噪声。16. 如权利要求13所述的模型生成系统，其中所述第二装置适合添加最大振幅大约为 过程数据范围的0. 4%的均匀分布的随机噪声。17. 如权利要求1所述的模型生成系统，其中所述第二装置确定被添加到过程数据的 噪声的振幅为过程数据的函数。18. 如权利要求17所述的模型生成系统，其中所述第二装置确定噪声的振幅为过程数 据的范围或均值或标准差的函数。19. 如权利要求1所述的模型生成系统，其中所述第二装置确定被添加到过程数据的 噪声的振幅为用于生成过程数据的过程输入信号的函数。
【专利摘要】一种在包括一个或更多处理器及计算机可读存储器的过程环境条件中根据过程生成过程模型的模型生成系统：第一装置，用于从过程采集指示过程的至少一个部分的过程操作的过程数据；第二装置，用于将噪声添加到所述过程数据，从而生成条件过程数据；以及模型生成装置，用于根据所述条件过程数据确定过程模型。与现有消除噪声技术集中在生成过程模型之前清理非随机噪声不同，在许多时候，添加随机零均值噪声到过程数据使得能够在不能以其他方法获得过程模型参数收敛的情况下生成可接受的参数过程模型。此外，采用本技术创建的过程模型的置信区间一般较宽，因此在不需要人工或图形地改变模型的条件下，提供能在许多过程情况适当工作的模型。
【IPC分类】G05B13/04
【公开号】CN105259763
【申请号】CN201510815836
【发明人】威廉·K·沃伊斯尼斯, 阿希什·梅赫塔, 迪尔克·蒂勒
【申请人】费舍-柔斯芒特系统股份有限公司
【公开日】2016年1月20日
【申请日】2007年4月13日
【公告号】CN101055468A, CN101055468B, DE102007017039A1, US7840287, US20070244575