基于数据快采样的工业过程动态模型辨识装置的制造方法
【技术领域】
[0001] 本发明属于控制技术领域，涉及一种被控过程的系统辨识装置，用来辨识炼油、石 化、电力、化学、制药、冶金、食品和造纸等流程工业生产过程的动态数学模型，简称模型。该 装置能够处理具有多个控制变量和多个被控变量的大规模工业生产过程。本发明所获得的 模型可以在模型预测控制（MPC:ModelPredictiveControl)系统和其它先进控制（APC: AdvancedProcessControl)系统中使用，还可用于常规PID(比例-积分-微分）控制系 统的整定和监控。
【背景技术】
[0002] 系统辨识也叫过程辨识，是指使用测试得到的被控对象的输入输出数据，计算其 动态数学模型的技术和理论。模型预测控制（MPC:ModelPredictiveControl)已成为一 种标准的先进控制技术（APC)。线性MPC在炼油和石化工业中已经得到普及（见Qinand Badgwell, 2003:Asurveyofindustrialmodelpredictivecontroltechnology，工业 模型预测控制技术综述，期刊名ControlEngineeringPractice,卷数Vol. 11，733-764 页），并开始应用在其它的流程工业中。模型预测控制中，核心技术是过程（即被控生产装 置，也叫被控对象、生产过程）的动态数学模型的建立。数学模型通常由过程（系统）辨识 获得。过程（系统）辨识有两部分，一是辨识实验，即对被控对象施加测试信号（激励）并 记录其产生的响应；二是模型辨识，即用所测数据进行计算，建模。工程实践表明，辨识实验 和模型辨识是MPC工程项目中最难、最费时的工作。当前针对控制系统的辨识需求仍然是 互相联系的两方面：（1)进一步提高模型的精度，即在同样的测试条件下得到更精确的模 型；（2)降低系统辨识的成本，即在同样的模型精度下降低测试信号对系统的干扰，或缩短 测试时间。
【发明内容】
[0003] 本发明所要解决的技术问题是要提供一种过程动态模型辨识装置，所获得的动态 模型可用于模型预测控制（MPC)和其它先进过程控制（APC)，或常规PID(比例、积分和微 分）控制。本发明装置中的实验模块和辨识模块使用输出快采样手段和与其相关的辨识方 法，可大幅度降低模型误差（提高模型精度）或降低辨识实验的成本。
[0004] 在模型预测控制（MPC)和其它先进过程控制（APC)，或常规PID(比例、积分和微 分）控制中，控制器使用的采样时间一般远远大于DCS或PLC系统的采样时间。这是因为， 一方面，现代的DCS或PLC系统的发展符合摩尔定律，使用高采样频率的成本很低。另一方 面，工业生产过程的带宽，即响应速度，是有限的；所需的采样频率不是很高。举例来说，炼 油和石化工业的预测控制器的采样时间一般是60秒，但DCS系统的采样时间一般是1秒， 甚至更短。这就是说，如果需要，辨识数据的采样频率可以比控制器的采样频率高许多倍。 目前，辨识数据的采样频率等于控制器的采样频率，辨识数据的采样频率可以更高的空间 并没有被利用。
[0005] 具体地，本发明一种基于数据快采样的工业过程动态模型辨识装置，包括实验模 块和模型辨识模块（简称辨识模块），实验模块通过DCS(离散控制系统）或PLC(可编程 控制器）与工业过程相连；所述实验模块生成实验信号，以控制器的采样时间T执行自动 实验，采集数据时使用快采样手段，使用比控制器采样时间T短的采样时间△ =T/p，以提 高模型精度，这里Ρ是一个大于1的整数；所述辨识模块使用由实验模块导入的快速采样数 据，进行模型辨识，先得到工业过程的快采样时间模型；在模型辨识中充分考虑到数据的快 采样特性，以提高模型精度；然后将快采样时间模型转换成控制器采样Τ时间模型。
[0006] 进一步地，所述实验模块执行两个操作：辨识测试和输入输出数据快采样；实验 模块进行辨识测试操作时，实验模块使用实验信号对生产过程进行激励；辨识测试可以是 闭环的，即测试时有控制器在线运行；也可以是开环的，即测试时没有控制器运行；为闭环 时，实验模块将设计的实验信号以控制器采样时间Τ输出到生产过程输入端和某些处于闭 环控制下的被控变量（CV)的设定值上；在开环时，实验模块将设计的实验信号以控制器采 样时间Τ输出到生产过程输入端；实验模块进行输入输出数据采样操作时，使用比控制器 采样时间Τ短的采样时间Τ/ρ，其中ρ是一个大于1的整数。
[0007] 进一步地，所述实验模块采用广义二进制噪声GBN信号与小幅值白噪声的叠加信 号作为实验信号。
[0008] 进一步地，所述辨识模块进行模型辨识时，先使用渐近性系统辨识方法（ASYM)辨 识出生产过程的快采样时间模型，再将快采样时间模型转换成控制器采样Τ时间模型；所 述渐近性系统辨识方法首先计算模型的参数，并选择模型的阶次，能够计算局部线性模型 的当前模型误差上界和未来模型误差上界，根据计算的局部线性模型的误差上界用于划分 丰吴型的品质等级，依据品质等级进彳it吴型检验，调整正在进彳丁的实验和决定实验的结束时 间。
[0009] 进一步地，所述渐近性系统辨识方法的参数估计具体为：使用△时间快采样数据 集估计高阶A时间ARX模型，然后进行模型降阶，即固定某个阶次并对损失函数进行最小 化计算，损失函数的积分区间为[-η/p，Ji/p]，而不是常规的[-η，η]。
[0010] 进一步地，所述阶次选择具体为：降阶模型的最佳阶次由频域渐进准则决定，使 对控制重要频域段上模型误差最小；准测函数的积分区间为[-Ji/p，Ji/p]，而不是常规的
[_ JT，JT ]。
[0011] 进一步地，所述计算误差上界矩阵具体为：根据系统辨识的渐近理论，导出模型的 频率响应的误差上界矩阵，模型的品质通过误差上界进行量化，根据误差上界和频率响应 在低、中频的相对值，按等级对模型分类：如果误差上界< 30%模型幅值，模型等级为A即 优；如果30%模型幅值〈误差上界<60%模型幅值，模型等级为B即良；如果60%模型幅 值〈误差上界<90%模型幅值，模型等级为C即中；如果误差上界>90%模型幅值，模型等 级为D即差；在计算模型误差上界和确定模型等级时，使用的频率范围是[0,π/ρ]，而不是 常规的[0,π]。
[0012] 为了提高模型精度和降低辨识测试的成本，本发明所采用的技术方案是，在对被 控过程采样时，使用高于控制器的采样频率，先辨识高频率的模型，在辨识计算中考虑原系 统的频率带宽；然后将高频率模型转换成控制器采样频率的模型。可以证明，这样得到的模 型，与常规的采样辨识方法得到的模型相比，精度可以大大提高。或者说，与常规的采样辨 识方法得到的模型相比，如果模型精度一样，用本发明的技术可以大大降低辨识测试信号 的幅度，即降低了测试信号对过程的干扰，也就是辨识测试的成本。
【附图说明】
[0013] 图1是本发明的总示意图，由实验模块和辨识模块组成。两个模块相互连接，实验 模块通过DCS和PLC与工业过程单元相连。
[0014] 图2是闭环测试的框图。图中"工业过程"是被控对象，可以是热电厂的锅炉，也可 以是炼油厂的分馏塔或反应器等，一般是多输入多数出系统。"控制器"是对工业过程进行 控制优化的装置，是由上位PC机的软件实现的。"采样器"是将连续时间信号按均匀采样时 间转换为离散时间信号的装置，是由上位PC机的软件实现的。"保持器"是将离散时间信号 按均匀采样时间转换为连续时间信号的装置，这里用的是零阶保持，即在采样区间内信号 值不变，是由上位PC机的软件实现的。信号向量u(t)是工业过程的输入信号，是连续时间 变量；信号向量y(t)是工业过程的输出信号，是连续时间变量；信号向量v(t)是工业过程 不可测干扰信号，是连续时间变量。图中T表示控制器的采样时间；T/p表示快采样的采样 时间，其中P是大于1的整数。信号向量r(m)是控制系统的设定值，是T时间采样的离散 时间变量；信号向量ik(m)是控制器的输出，是T时间采样的离散时间变量；信号向量％〇1〇 是测试信号，是T时间采样的离散时间变量。信号向量u(k)是工业过程的输入，是T/p时 间采样的离散时间变量；信号向量y(k)是工业过程的输出，是T/p时间采样的离散时间变 量。
[0015] 图3是开环测试的框图。此图中各种解释与图2中相同。
[0016] 图4是本发明模型辨识方法的流程图。
【具体实施方式】
[0017] 现代工业过程通常采用分散控制系统（DCS)来实现设备操作和回路控制。在 描述的框图中，我们因此假设给定的工业过程是基于DCS的。除了DCS，本发明也适用于 其它设备操作和回路控制系统，例如可编程逻辑控制系统（PLC)、监控和数据采集系统 (SCADA)。本发明也可以与工业过程直接连接。本发明通常适用于个人计算机（PC)的 MicrosoftWindows"?操作系统，也适用于其它计算机的Linux、UNIX等操作系统。当然， 如果需要，本发明也可直接在DCS和PLC系统中实现。图1是本发明的总示意图，本发明由 两部分组成：实验模块和辨识模块。