專利名稱：基于無激勵閉環(huán)辨識的控制性能測試方法
技術領域：
本發(fā)明涉及工業(yè)生產過程和設備所配備的控制系統(tǒng)的性能評價方法，目的在于為生產過程和設備的自動控制系統(tǒng)提供性能監(jiān)測，確保生產過程和設備的安全可靠運行。

背景技術：
在現代化工業(yè)生產中，生產過程與設備的自動化水平已日益提高，自動控制系統(tǒng)的應用日益普及，對保證生產裝置的安全平穩(wěn)有效運行，提高產品產質量起到了關鍵作用。這些控制器初期運行良好，但許多其他因素如設備老化及各種操作條件改變等會使其性能隨著時間的推移而衰減。不好的控制性能會導致產品質量和數量的下降，從而增加操作成本。只有那些得到良好設計、整定和維護的過程控制系統(tǒng)才能真正為生產過程帶來長期、穩(wěn)定和可靠的效益。
由于現代生產過程存在過程回路很多，僅僅依靠工程師的個人經驗對各個回路進行監(jiān)測既費時又費力。
控制性能評價技術的目的正是為了自動實現控制系統(tǒng)的性能監(jiān)控。目前常用的控制性能評估基準有基于最小方差控制、基于歷史性能指標、基于用戶指定指標、基于LQG以及基于限定結構等方法。其中一些方法(如基于最小方差控制、基于LQG以及基于限定結構的方法)需要過程和控制器的先驗知識，如對象模型，時滯參數，關聯矩陣。另一些方法(基于歷史性能指標、基于用戶指定指標)對性能基準的建立存在主觀性。


發(fā)明內容
為了克服已有控制性能評價方法的依賴過程知識、存在主觀影響的不足，本發(fā)明提供一種不依賴于過程知識、消除主觀影響、直接利用生產過程運行數據進行測試的基于無激勵閉環(huán)辨識的控制性能測試方法。
本發(fā)明解決其技術問題所采用的技術方案是 一種基于無激勵閉環(huán)辨識的控制性能測試方法，所述測試方法包括以下步驟 1)設快采樣系統(tǒng)模型用式(1)表示 yh(t)＝G0(q，θ)uh(t)+H0(q，θ)eh(t) (1) yh(t)的一步提前預報量表示為
預報誤差
預報誤差法采用如下的參數估計準則估計參數θ并計算輸出預報誤差 其中 2)在線計算模型預測輸出誤差，并運用主元分析和統(tǒng)計圖進行統(tǒng)計過程監(jiān)控；模型預測輸出誤差εh(t)反映了一段時間內實際過程與基于無激勵閉環(huán)辨識得到的過程模型的擬合情況，主元分析、Hotelling T2及SPE監(jiān)控的處理過程如下

令Xi＝εh(i)，則得到數據矩陣Xn×k，其中k是變量數，n是采樣次數；對此進行主元分解 X＝TPT+E (3) 其中E是誤差項，Tn×A是潛在變量得分矩陣，Pk×A是負荷矩陣。
對于Hotelling’s T2， 其中

是對應潛在變量ti.的估計方差，A≤k。
Hotelling’s T2的控制限由式(5)得到 其中Fα(A，n-A)是自由度為(A，n-A)的F分布的100α％上限閾值； 檢驗TA2與控制限的相互關系，若

則過程正常；否則控制性能異常； 而SPE指標反映采樣數據在余差空間的測度；
若

則過程正常； 其中



λj是余差特征值。
具體地，在線數據分析的步驟如下 a)根據歷史數據進行預處理計算均值

標準差std(Xi)，

(α＝1，L，A)，δα2，TA，UCL2，P； b)實時地計算得到模型輸出預測誤差(用Xi，new表示)，根據Hotelling T2及SPE的計算評估控制系統(tǒng)性能，并分析判斷可能存在的設備或過程故障 i＝1，L，k a＝1，L，A

i＝1，L，k
若

且

則過程正常；否則過程異常，控制性能下降。
結合對過程輸出和預報輸出誤差趨勢曲線的分析，進一步判斷可能存在的設備或過程故障。
本發(fā)明的技術構思為傳統(tǒng)的閉環(huán)辨識技術為實現可辨識性，需要滿足如下條件之一 1)設定值和控制量疊加有持續(xù)激勵信號，2)控制器結構復雜，階次高于過程模型階次；3)控制器在多個控制律間切換；4)反饋通道存在純時延。
上述條件作為建模所需的特定的測試要求將不可避免地對控制系統(tǒng)造成干擾和沖擊，影響系統(tǒng)操作的平穩(wěn)性。而設備的日常運行數據是不滿足上述條件的。
這里我們引入基于過程輸出快采樣的系統(tǒng)辨識技術。圖1中，Gc和Nc連續(xù)的過程和噪聲系統(tǒng)，yc，uc，和ec是相應的連續(xù)過程輸出、控制量和噪聲輸入信號。yT和uT以頻率T采樣得到的過程輸出和控制輸出離散信號。uh，yh和eh是快采樣信號(快采樣頻率h＝T/p，其中p是整數)。定義HT、Hp和ST、Sp分別為相應頻率的零階保持和采樣器，則 ST＝SpSh，HT＝HhHp. 已有證明，在合適的快采樣頻率下，運用預報誤差辨識方法，即使控制系統(tǒng)無外界激勵信號，系統(tǒng)也是閉環(huán)直接可辨識的。
本發(fā)明的有益效果主要表現在不依賴于過程知識、消除主觀影響、直接利用生產過程運行數據進行測試。



圖1是帶有變量快采樣的閉環(huán)控制系統(tǒng)的示意圖。
圖2是實際過程與估計模型Bode圖的比較示意圖，(Bode plots of actualprocess G0 and the estimated model Gθ)。圖中橫坐標代表頻率(frequency)，縱坐標是幅值(magnitude)，各線型分別代表真實過程(the true process)、傳統(tǒng)采樣(traditional sampling)和不同快采樣率(fast sampling rate)的情形。
圖3是無激勵快采樣辨識后過程參數發(fā)生變化情形下的實際過程輸出(the trueoutput)和預測輸出(the prediction output)的示意圖。圖中，橫坐標時間單位為分鐘(time/minutes)?？v坐標分別為輸出(output)y1和y2。
圖4是無激勵快采樣辨識后過程參數發(fā)生變化情形下的預測誤差的控制圖。圖中，橫坐標時間單位為分鐘(time/minutes)。縱坐標為Hotelling’s T2量(T-square)。紅色虛線為90％極限(90％limit)。
圖5是辨識中和辨識后過程參數均存在不確定變化情形下的實際輸出(the trueoutput)和預測輸出(the prediction output)的示意圖。圖中，橫坐標時間單位為分鐘(time/minutes)?？v坐標分別為輸出(output)y1、y2和y3。
圖6是辨識中和辨識后過程參數均存在不確定變化情形下的預測誤差的T2控制圖。圖中，橫坐標時間單位為分鐘(time/minutes)?？v坐標為Hotelling’s T2量(T-square)。紅色虛線為90％極限(90％limit)。
圖7是存在執(zhí)行器故障情形下的實際過程輸出(the true output)和預測輸出(theprediction output)的示意圖。圖中，橫坐標時間單位為分鐘(time/minutes)?？v坐標分別為輸出(output)y1、y2和y3。
圖8是存在執(zhí)行器故障情形下的預測誤差的控制圖。圖中，橫坐標時間單位為分鐘(time/minutes)?？v坐標為Hotelling’s T2量(T-square)。紅色虛線為90％極限(90％limit)。
圖9是存在傳感器故障情形下的預測誤差的總體控制圖。橫坐標時間單位為分鐘(time/minutes)?？v坐標為Hotelling’s T2量(T-square)。紅色虛線為90％極限(90％limit)。
圖10是存在傳感器故障情形下的控制分量的T2控制圖。橫坐標時間單位為分鐘(time/minutes)?？v坐標分別為各輸出分量y1，y2和y3的Hotelling’s T2量(T-square)。紅色虛線為90％極限(90％limit)。

具體實施例方式 下面結合附圖對本發(fā)明作進一步描述。
參照圖1，一種基于無激勵閉環(huán)辨識的控制性能測試方法，所述測試方法包括以下步驟 1)設快采樣系統(tǒng)模型用式(1)表示 yh(t)＝G0(q，θ)uh(t)+H0(q，θ)eh(t) (1) yh(t)的一步提前預報量表示為
預報誤差
預報誤差法采用如下的參數估計準則估計參數θ并計算輸出預報誤差 其中 2)在線計算模型預測輸出誤差，并運用主元分析和統(tǒng)計圖進行統(tǒng)計過程監(jiān)控；模型預測輸出誤差εh(t)反映了一段時間內實際過程與基于無激勵閉環(huán)辨識得到的過程模型的擬合情況，主元分析、Hotelling T2及SPE監(jiān)控的處理過程如下

令Xi＝εh(i)，則得到數據矩陣Xn×k，其中k是變量數，n是采樣次數；對此進行主元分解 X＝TPT+E(3) 其中E是誤差項，Tn×A是潛在變量得分矩陣，Pk×A是負荷矩陣。
對于Hotelling’s T2， 其中

是對應潛在變量ti.的估計方差，A≤k。
Hotelling’s T2的控制限由式(5)得到 其中Fα(A，n-A)是自由度為(A，n-A)的F分布的100α％上限閾值； 檢驗TA2與控制限的相互關系，若

則過程正常；否則控制性能異常； 而SPE指標反映采樣數據在余差空間的測度；
若

則過程正常； 其中



λj是余差特征值。
具體地，在線數據分析的步驟如下 a)根據歷史數據進行預處理計算均值

標準差std(Xi)，

(α＝1，L，A)，δα2，TA，UCT2，P； b)實時地計算得到模型輸出預測誤差(用Xi，new表示)，根據Hotelling T2及SPE的計算評估控制系統(tǒng)性能，并分析判斷可能存在的設備或過程故障 i＝1，L，k a＝1，L，A

i＝1，L，k
若

且

則過程正常；否則過程異常，控制性能下降。
結合對過程輸出和預報輸出誤差趨勢曲線的分析，進一步判斷可能存在的設備或過程故障。
本實施例中，基于無激勵閉環(huán)辨識的控制性能測試方法的具體實施步驟為 1)基于快采樣的控制系統(tǒng)數據進行閉環(huán)辨識，得到過程模型參數； 2)根據歷史采樣數據計算模型預測誤差(用Xi表示)，并計算均值

標準差std(Xi)，

(α＝1，L，A)，δα2，TA，UCT2，P； 3)實時地計算得到模型輸出預測誤差(用Xi，new表示)，根據Hotelling T2及SPE的計算評估控制系統(tǒng)性能，并分析判斷可能存在的設備或過程故障 i＝1，L，k a＝1，L，A

i＝1，L，k
若

且

則過程正常；否則過程異常，控制性能下降。
結合對過程輸出和預報輸出誤差趨勢曲線的分析，進一步判斷可能存在的設備或過程故障。
考慮一個無外部激勵的Shell重油分離過程模型(見參考文獻[3])，其被控對象是一個3*3的系統(tǒng)，被控變量包括塔頂產品干點，側線產品干點和底部回流溫度，而塔頂流率、側線流率和塔底回流負荷則作為操作變量。仿真模型為 其中-1≤εi≤1，i＝1，2，3要求操作變量約束在0.5至-0.5之間，而被控變量目標為0.0±0.005。
仿真中設計了約束MPC控制器，采樣周期取T＝4分鐘，快采樣率p＝4。
圖2為在系統(tǒng)中添加方差

的白噪聲后，閉環(huán)辨識得到的模型與實際系統(tǒng)Bode圖。
1)過程參數變化的影響。
設 選仿真得到的前2/7數據用于模型辨識，其余用于控制性能監(jiān)控，這意味著，模型參數在辨識以后發(fā)生了變化. 從圖4可以看出由于過程與模型的不匹配導致預測誤差的T2值急劇增大，而圖3也顯示t≥8000分鐘以后過程預測輸出變化范圍增大了。此時，控制器需要周期性的維護。
作為比較，令εi是一個從仿真一開始就在-1和1之間變化的隨機數。這樣參數不確定性能在辨識時就體現。這時從圖5和圖6可以看到，過程預測誤差令人滿意，控制系統(tǒng)工作正常。
2)執(zhí)行器和傳感器故障檢測。
為了模擬調節(jié)閥卡住的故障，我們令控制量u1(t)＝0，t≥6000分鐘 從表面上看，圖7的過程輸出在t≥6000分鐘以后更逼近控制目標，輸出偏差減小。但圖8的控制圖清楚顯示了系統(tǒng)存在的異常。
下面令y1(t)＝0，t≥6000分鐘，以模仿傳感器故障。此時預測誤差的總體T2圖和各分量的貢獻圖分別如圖9與圖10所示。從這兩幅圖中我們可以清楚地看出系統(tǒng)狀態(tài)與其故障根源。
通過實例仿真可以得出結論，基于無激勵閉環(huán)辨識的控制性能評價技術無需專門的辨識試驗，建模精度達到要求。結合統(tǒng)計分析技術，可監(jiān)視多變量控制系統(tǒng)的性能并有望發(fā)現故障根源。
權利要求
1.一種基于無激勵閉環(huán)辨識的控制性能測試方法，其特征在于所述測試方法包括以下步驟
1)設快采樣系統(tǒng)模型用式(1)表示
yh(t)＝G0(q，θ)uh(t)+H0(q，θ)eh(t) (1)
yh(t)的一步提前預報量表示為
預報誤差
預報誤差法采用如下的參數估計準則估計參數θ并計算輸出預報誤差
其中
2)在線計算模型預測輸出誤差，并運用主元分析和統(tǒng)計圖進行統(tǒng)計過程監(jiān)控，模型預測輸出誤差εh(t)反映了一段時間內實際過程與基于無激勵閉環(huán)辨識得到的過程模型的擬合情況，主元分析、Hotelling T2及SPE監(jiān)控的處理過程如下
令Xi＝εh(i)，則得到數據矩陣Xn×k，其中k是變量數，n是采樣次數；對此進行主元分解
X＝TPT+E (3)
其中E是誤差項，Tn×A是潛在變量得分矩陣，Pk×A是負荷矩陣；
對于Hotelling’s T2，
其中
是對應潛在變量ti.的估計方差，A≤k；
Hotelling’s T2的控制限由式(5)得到
其中Fα(A，n-A)是自由度為(A，n-A)的F分布的100α％上限閾值；
檢驗TA2與控制限的相互關系，若
則過程正常；否則控制性能異常；
而SPE指標反映采樣數據在余差空間的測度
若則過程正常；否則控制性能異常；
其中λj是余差特征值；
具體地，在線數據分析的步驟如下
a)根據歷史數據進行預處理計算模型預測輸出誤差的均值
標準差std(Xi)，
δα2，TA，UCL2，P；
b)實時地計算得到模型輸出預測誤差，預測誤差用Xi，new表示，根據Hotelling T2及SPE的計算評估控制系統(tǒng)性能，并分析判斷可能存在的設備或過程故障
若
且
則過程正常；否則過程異常，控制性能下降。
全文摘要
一種基于無激勵閉環(huán)辨識的控制性能測試方法，所述測試方法包括以下步驟1)基于快采樣系統(tǒng)模型，采用預報誤差法估計參數θ并計算輸出預報誤差；2)基于模型預測輸出誤差的歷史數據進行標度變換預處理和統(tǒng)計圖閾值的計算；3)在線計算模型預測輸出誤差，運用主元分析，根據Hotelling T2及SPE的計算評估控制系統(tǒng)性能，并分析判斷可能存在的設備或過程故障。本發(fā)明提供一種不依賴于過程知識、消除主觀影響、直接利用生產過程運行數據進行測試的基于無激勵閉環(huán)辨識的控制性能測試方法。
文檔編號G05B23/02GK101833330SQ20101016461
公開日2010年9月15日 申請日期2010年5月7日 優(yōu)先權日2010年5月7日
發(fā)明者楊馬英 申請人:浙江工業(yè)大學