一种带漂移干扰的模型预测控制器的建模质量监控方法
【技术领域】
[0001 ]本发明属于模型预测控制领域，更具体地，涉及一种带漂移干扰的模型预测控制 器的建模质量监控方法。
【背景技术】
[0002] 模型预测控制(Model Predictive Control，MPC)是一种广泛应用于工业过程控 制领域的基于模型的先进控制方法，具有控制效果好、鲁棒性强、对模型精确性要求不高的 优点。
[0003] 模型预测控制在工业过程上的实际应用，称之为模型预测控制器（Model Predictive Controller，MPC Controller) JPC控制器具有建模简单、动态控制效果好、鲁 棒性强的特点，在投产初期具有良好的控制性能;然而，随着时间的推移，MPC控制器性能会 逐渐下降，最后甚至不得不切换到传统PID控制。导致控制器性能下降的主要因素有噪声干 扰、模型失配、阀门粘滞、感知器偏差等。因此，对MPC控制器的性能进行实时评估和监控，及 时发现其性能下降并进行报警，进而诊断性能恶化根源，对保证生产过程的安全、高效、优 质、低耗运行具有重要的实际意义。
[0004] 近年来，基于数据驱动的方法被越来越多地应用于控制系统性能评估问题。如MPC 框架下的历史性能指标，能对MPC的性能做出有效的评价，但它需要获取一段控制系统运行 良好的数据来计算评价基准，而此良好运行阶段的选取没有标准，从而给该方法的应用带 来一定的局限性。在基于模型的控制技术中，模型的质量对于控制器的设计和整定起到关 键作用，控制系统的性能依赖于过程模型的精度，亦即受到模型失配程度的影响。
[0005] -方面，现阶段关于建模质量监控的技术多采用白噪声作为系统干扰噪声源，但 在实际工业过程中，干扰往往随时间缓慢递增，呈现出非高斯的特点；另一方面，现阶段关 于建模质量监控的技术尚无法诊断导致控制器性能变差的恶化根源，无法诊断控制器性能 变差的原因是在于模型存在失配，或者是噪声干扰、阀门粘滞、感知器偏差等因素上。
【发明内容】
[0006] 针对现有技术的以上缺陷或改进需求，本发明提供了一种带漂移干扰的模型预测 控制器的建模质量监控方法，其目的在于仅需利用闭环控制系统的常规输入输出数据即可 有效监控模型质量，由此提高建模质量监控准确度。
[0007] 为实现上述目的，按照本发明的一个方面，提供了一种带漂移干扰的模型预测控 制器的建模质量监控方法，包括如下步骤：
[0008] (1)建立闭环控制系统的干扰模型；
[0009] (2)根据闭环控制系统的实际情况以及给定的控制目标，获取过程的MPC控制器； [0010] (3)当闭环控制系统在所述干扰模型及MPC控制器的控制下运行时，采集闭环控制 系统运行所得的过程数据;所述过程数据包括闭环控制系统的过程输出和过程输入；
[0011] (4)根据闭环控制系统结构，对所述过程输出及过程输入数据进行正交投影，获得 过程估计干扰更新；
[0012] (5)根据闭环控制系统既定参考信号和过程实际输出，获取闭环控制系统的实际 跟踪误差；
[0013] (6)根据所述过程估计干扰更新与所述实际跟踪误差，获得闭环控制系统的模型 质量指标；
[0014] (7)根据闭环控制系统结构，利用所述模型质量指标对建模质量进行监控。
[0015] 优选地，上述步骤(1)包括如下子步骤：
[0016] (1.1)根据闭环控制系统结构，建立工业过程的一阶移动平均模型，具体如下：
[0017] dk = dk-i+￡k-0ek-i
[0018] 其中，Θ为白噪声平均系数，-1<0<1;4~~(〇，~2)表示白噪声；〇 ￡2表示白噪声方 差;dk表示过程随机干扰噪声；
[0019] (1.2)向上述一阶移动平均模型中加入漂移，得到带漂移干扰的一阶移动平均模 型，具体如下：
[0020] dk = dk-i+￡k-θε^-ι+δ
[0021] 其中，δ为漂移，dk表示过程随机干扰噪声。
[0022] 优选地，上述步骤(2)包括如下子步骤：
[0023] (2.1)根据给定的控制目标，定义相关的被控变量CV、操纵变量MV、扰动变量DV;其 中，DV是指对CV有影响的可测扰动，但是不可操纵；
[0024] (2.2) (2.2)通过对所述操纵变量MV和扰动变量DV做阶跃变化，获得各个被控变量 CV的动态变化数据，利用辨识算法获取过程的动态模型预测控制器;并利用参数选择规则 配置控制器。
[0025] 优选地，上述步骤(3)包括如下子步骤：
[0026] (3.1)根据控制系统的要求，生成闭环控制系统的过程设定值，该设定值为常数， 记为r(k)，其中k表示第k个采样时刻；
[0027] (3.2)运行闭环控制系统，获取闭环控制系统的过程输入u(k)和过程输出y(k)。
[0028] 优选地，上述步骤(4)包括如下子步骤：
[0029] (4.1)根据闭环控制系统结构，建立过程输出的高阶自回归模型如下：
[0030] yP(k) = [y(k) y(k-l) ··· y(k-p)]
[0032] 其中，p表示过程估计干扰更新的数据窗口大小，Μ表示过程输出高阶自回归模型 的阶次;y(k)表示k时刻采集所得过程输出，y(k-l)表示(k-Ι)时刻采集所得过程输出，…，y (k-p)表示(k-p)时刻采集所得过程输出，y P(k)表示由y(k)，y(k-l)，···，y(k-p)所构成的1 X(P+1)维矩阵;YM(k-l)表示由 yP(k-l)，yP(k-2)，…，yP(k-M)所构成的 MX(P+1)维矩阵；
[0033] (4.2)根据闭环控制系统结构，建立过程设定值的高阶自回归模型如下：
[0034] rP(k) = [r(k) r(k~l) ··· r(k-p)]
[0036] 其中，p表示过程估计干扰更新的数据窗口大小，N表示过程设定值高阶自回归模 型的阶次；
[0037] r(k)表示k时刻采集所得过程设定值，r(k-l)表示(k-Ι)时刻采集所得过程设定 值，…，r(k-p)表示(k-p)时刻采集所得过程设定值，r P(k)表示由r(k)，r(k-l)，…，r(k-p) 所构成的1\(?+1)维矩阵咖仏-1)表示由以1^-1)，以卜2)，"_，以1^)所构成的"（？+1) 维矩阵；
[0038] (4.3)根据闭环控制系统结构，建立过程输出以及过程设定值的混合高阶自回归 模型如下：
[0040] 其中，为(M+N) X (P+1)维矩阵，前Μ行由过程输出的高阶自回归模型YM(k-1)组成，后N行由过程设定值的高阶自回归模型RN(k-l)组成；
[0041] (4.4)根据上述高阶自回归模型，通过正交投影算法，获取过程估计干扰更新向 量：
[0042] β,Χ^γ,Χ^Ι-^
[0043] 其中，eP(k) = [e(k) e(k-l)…e(k-p)]，表示1Χ(Ρ+1)维的过程估计干扰更新 向量，e(k)表示k时刻所得过程估计干扰更新，I表示(Ρ+1)Χ(Ρ+1)维的单位矩阵；
[0044] 由于闭环数据具有高度相关性，因此是病态的，导致所得过程估计 干扰更新不可靠。
[0045] 优选地，步骤(4.4)解决这一问题的方法进一步包括如下子步骤：
[0046]
,获取正交矩阵 Qi和Q2，对角矩阵Rii，对角矩阵R22和行向量R21;
[0047] (4.4.2)根据正交矩阵&和出，对角矩阵1?11，对角