多变量连续过程模型的机理建模与实验建模融合辨识方法
【专利摘要】本发明涉及一种多变量连续过程模型的机理建模与实验建模融合辨识方法，包括以下步骤：1)在合理的假设条件设定下，利用机理分析建模方法确定被辨识多变量过程的模型结构和参数；2)采集若干组被辨识多变量过程的辨识数据；3)进行机理建模与实验建模融合辨识。与现有技术相比，本发明具有更加准确可靠等优点。
【专利说明】
多变量连续过程模型的机理建模与实验建模融合辨识方法
技术领域
[0001] 本发明设及控制科学与工程学科中的建模仿真领域的多变量连续过程辨识技术， 尤其是设及一种多变量连续过程模型的机理建模与实验建模融合辨识方法。
【背景技术】
[0002] 随着社会经济的发展，现代工业设备日趋大型化、复杂化，整个生产过程由众多环 节组成，并且运些环节之间普遍存在禪合和关联，运种禪合作用表现为系统的某一个输入 变量同时影响多个输出变量，或者是某一个输出变量受到多个输入变量的影响，运样的系 统称为多变量系统。在各行业对于多变量系统的运用越发广泛，为保证系统安全与稳定、提 高产品品质、降低能耗等需要有一个较为精准的系统模型来进行控制系统的设计。因此，多 变量系统的建模问题一直是控制理论和工业应用领域研究的热点。系统数学模型的建模成 败始终影响着控制系统的设计、整定和性能评价。
[0003] 长期W来，基于机理分析的方式进行系统的建模，W需建模系统的原理确定相应 一组(偏)微分方程及若干约束关系组成的连续时间系统，具有物理意义明确和可靠性高的 优点但存在运算复杂W及非线性模型难解等问题。所W，机理分析建模一直被认为是工程 应用领域中不可用的建模方法，特别是针对多变量复杂系统。应用实验建模的方法进行多 变量复杂系统的建模时，具有通用性强和贴近工程实际的特点也存在难W克服的模型结构 不确定和辨识模型不可靠的问题。然而，在合理的假设条件设定下，可W有效地简化所建立 的机理分析模型，并且有可能得到有定性分析意义上的可计算模型。运种模型的结构和特 性参数取值恰恰可W为多变量复杂系统实验建模的模型结构不确定和辨识模型不可靠难 题提供解决方案。
【发明内容】
[0004] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种更加准确可靠 的多变量连续过程模型的机理建模与实验建模融合辨识方法。
[0005] 本发明的目的可W通过W下技术方案来实现：
[0006] -种多变量连续过程模型的机理建模与实验建模融合辨识方法，包括W下步骤：
[0007] 1)在合理的假设条件设定下，利用机理分析建模方法确定被辨识多变量过程的模 型结构和参数；
[000引2)采集若干组被辨识多变量过程的辨识数据；
[0009] 3)进行机理建模与实验建模融合辨识。
[0010] 所述的步骤1)具体为：
[0011] 设所得到的机理分析模型可用传递函数形式的表示为
[0012]
(1)
[001引式中，φ (S)是被辨识多变量过程的传递函数模型矩阵;Gij(s)为第j输入第i输出 的分支传递函数模型；
[0014] 假设过程的第i输出Yi(s)表示为
[0015]
(2^
[0016] 式中，h(s)是被辨识多变量过程的第j输入;Yu(s)是Yi(s)对于第j输入h(s)的响 应分量；
[0017] 假设Gu( S)用一种通用模型表达为
[001 引
0)
[0019] 式中，Kij是Gij(s)的增益；Tij是Gij(s)的迟延;qij是Gij(s)的分子多项式的阶数;Pij 是61如）的分母多项式的阶数；化化，4=1，2，。'地^是61如）的分子多项式的系数；{〇1化，4 =1，2,…，口1^是61如）的分母多项式的系数。
[0020] 所述的步骤2)具体为：
[0021] 假设辨识数据长度选为N，所采集到被辨识多变量过程的输入数据表示为lu^k), k=l，2,…，Ν? = 1，2，···η}，所采集到被辨识多变量过程的输出数据表示为{yi化），k=l， 2, ··· ,Ν； i = l ,2, ???m} 〇
[0022] 所述的步骤3)具体为：
[0023] 实验建模模型的增益和阶数直接取用机理建模参数，实验建模模型的时间类参数 用辨识优化计算获得，即：
[0024] 度"二（4)
[0025] q, =q,. (5)
[0026] p：： = ρ,ι (6)
[0027] {^巧-，4 = 1，2，一，％}和柄-女=1，2，一，的：[均由依据辨识数据的辨识优化计算得到。
[0028] 所述的步骤3)具体为：
[0029] 实验建模的模型阶数直接取用机理建模模型参数，实验建模模型的增益和时间类 参数用辨识优化计算获得，即：
[0030] 齡二斬 （7)
[0031] 尚二巧 （8)
[0032]
均由依据辨识数据的辨识优化计算得 到。
[0033] 所述的步骤3)具体为：
[0034] 实验建模的参数优化计算范围根据机理建模参数确定，即：
[0035] 如，知、换，* = 1，2,…，和私= 均由依据辨识数据的辨识 优化计算得到。
[0036] 不过，各参数的辨识优化值域均可W机理建模模型参数为中屯、，左右10%至50% 为边界。而对于阶数类参数如％或為，则可取與=雨±1或烏=i% ±1。
[0037] 多变量连续过程的建模问题一直是先进控制理论和技术推广应用的瓶颈问题，用 机理分析建模方法建立多变量连续过程模型具有物理意义明确和可靠性高的优点，但存在 着参数难确定和方程复杂难解的问题。用实验建模的方法建立多变量连续过程模型具有通 用性强和贴近工程实际的特点，但也存在模型结构不确定和模型特性不可靠的问题。然而， 将两种方法融合在一起建立多变量连续过程模型，则可W取长补短，建立更准确和更可靠 的模型。与现有技术相比，本发明针对一种通用传递函数形式的数学模型建立提出Ξ种机 理建模与实验建模融合辨识方法，运种融合辨识方法的本质是利用机理分析建模方法得到 被辨识多变量过程的模型结构和参数初值，再利用实验建模方法求取被辨识多变量过程的 具体模型参数。
【具体实施方式】
[0038] 下面将结合本发明实施例对技术方案进行清楚、完整地描述，显然，所描述的实施 例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术 人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范 围。
[0039] 针对某已知二输入一输出的被辨识过程，假设其实际模型为：
[0042] 假设机理建模所得的模型很准确，与实际模型完全一样。
[0043] 通过辨识试验，获得了800点过程输出响应{yi化），k=l，2,…，800}、输入数据{ui (k)，k=l，2,-.,800}和输入数据{U2(k)，k=l，2,-.,800}。
[0044] 按照第二种机理建模与实验建模融合辨识方法，即实验建模的模型阶数直接取用 机理建模参数，再利用粒子群(PS0)辨识程序可得到的辨识模型为：
[0047]按照第一种机理建模与实验建模融合辨识方法，即实验建模的增益和阶数直接取 用机理建模参数，再利用粒子群(PS0)辨识程序可得到的辨识模型为：
[0050] 对比上两种机理建模与实验建模融合辨识得到的模型参数可知，机理建模与实验 建模融合辨识方法是十分有效的，特别是用第一种机理建模与实验建模融合辨识方法。从 W上的案例可W看出，用第一种机理建模与实验建模融合辨识方法得到的时间类参数的辨 识精度很高，而用第二种机理建模与实验建模融合辨识方法得到的时间类参数存在明显的 辨识误差。
[0051] W上所述，仅为本发明的【具体实施方式】，但本发明的保护范围并不局限于此，任何 熟悉本技术领域的技术人员在本发明掲露的技术范围内，可轻易想到各种等效的修改或替 换，运些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应W权利 要求的保护范围为准。
【主权项】
1. 一种多变量连续过程模型的机理建模与实验建模融合辨识方法，其特征在于，包括 以下步骤： 1) 在合理的假设条件设定下，利用机理分析建模方法确定被辨识多变量过程的模型结 构和参数； 2) 采集若干组被辨识多变量过程的辨识数据； 3) 进行机理建模与实验建模融合辨识。2. 根据权利要求1所述的一种多变量连续过程模型的机理建模与实验建模融合辨识方 法，其特征在于，所述的步骤1)具体为： 设所得到的机理分析模型可用传递函数形式的表示为 σ,,(.ν) g]；(.s) ··· φ(〇= Α⑷ a) Gml(S) Gm2(s) - Gmn(s)_ 式中，〇(s)是被辨识多变量过程的传递函数模型矩阵;Gu(s)为第j输入第i输出的分 支传递函数模型； 假设过程的第i输出Yds)表示为 ^(^)=Σ^(·ν)=Σ^ω^；(.ν) / = 1.2,···,/? ο.) i=l 卢1 式中，Uj (S)是被辨识多变量过程的第j输入;Yij (S)是Yi (S)对于第j输入Uj (S)的响应分 量； 假设(s)用一种通用模型表达为(3) 式中，Ki j是Gi j (s)的增益；Ti j是Gi j (s)的迟延;qi j是Gi j (s)的分子多项式的阶数;pi j是Gi j (s)的分母多项式的阶数；{Pijk，k=l，2，···，qij}是Gij(s)的分子多项式的系数；{aijk，k=l， 2,…，Pu}是Gjs)的分母多项式的系数。3. 根据权利要求2所述的一种多变量连续过程模型的机理建模与实验建模融合辨识方 法，其特征在于，所述的步骤2)具体为： 假设辨识数据长度选为N，所采集到被辨识多变量过程的输入数据表示为{Uj(k)，k=l， 2，…，N; j = 1，2，···]!}，所米集到被辨识多变量过程的输出数据表不为{yi(k)，k = 1，2，…， N; i = l，2,…!!!} 〇4. 根据权利要求3所述的一种多变量连续过程模型的机理建模与实验建模融合辨识方 法，其特征在于，所述的步骤3)具体为： 实验建模模型的增益和阶数直接取用机理建模参数，实验建模模型的时间类参数用辨 识优化计算获得，BP: 矣(4) % = %] (5) Pi) = ? (6) A = 1,2,必=1,2，···，均由依据辨识数据的辨识优化计算得到。5. 根据权利要求3所述的一种多变量连续过程模型的机理建模与实验建模融合辨识方 法，其特征在于，所述的步骤3)具体为： 实验建模的模型阶数直接取用机理建模模型参数，实验建模模型的增益和时间类参数 用辨识优化计算获得，BP: % = ? ⑴ Pn = Pij (8) 彳,;、々=I,2.，…,?}和1^## .= l·2:,…,J%}均由依据辨识数据的辨识优化计算得到。6. 根据权利要求3所述的一种多变量连续过程模型的机理建模与实验建模融合辨识方 法，其特征在于，所述的步骤3)具体为： 实验建模的参数优化计算范围根据机理建模参数确定，即： 、/)、弋、丨/1,々=1,2,...,<7;/丨和丨<,,.々二12.~. /，,,丨均由依据辨识数据的辨识优化计 算得到。
【文档编号】G05B17/02GK106066608SQ201610369508
【公开日】2016年11月2日
【申请日】2016年5月30日 公开号201610369508.8, CN 106066608 A, CN 106066608A, CN 201610369508, CN-A-106066608, CN106066608 A, CN106066608A, CN201610369508, CN201610369508.8
【发明人】杨平, 沈丛奇, 袁晗, 归一数, 康英伟, 陈欢乐, 余洁, 王念龙, 李芹, 程际云, 徐春梅, 王松, 于会群
【申请人】上海电力学院, 上海明华电力技术工程有限公司