[发明专利]一种用于流程工业大规模过程控制的降维辨识方法

说明书

本发明提供一种用于流程工业大规模过程控制的降维辨识方法，其计算过程通无需人工参与，可以在确保计算精度的基础上，以很低的计算量实现高阶系统的参数辨识。本发明的技术方案中，进行系统参数辨识的过程中，将待辨识的2n维的参数利用Arnoldi方法构建Krylov子空间，实现了由2n维降低到k维，降低了系统的计算量；随后通过Givens变换方法求解参数寻优步长，确保了本发明的计算方法是收敛的；通过预先设置的阈值以及迭代的方法，提高系统参数的辨识精度。

技术领域

本发明涉及参数辨识技术领域，具体为一种用于流程工业大规模过程控制的降维辨识方法。

背景技术

随着物联网技术的高速发展，流程工业控制系统之间相互联系、相互通信，控制系统规模越来越大，需要用高阶的系统来描述其动态过程。现有技术中，使用传统的辨识算法如梯度迭代方法(Gradient Iterative,GI)和最小二乘方法(Least Squares,LS)针对大规模系统进行参数辨识。但是传统的辨识算法存在如下问题：

(1)梯度算法在计算每次步长时，需要计算高阶矩阵的特征值从而来确定步长的区间，而求解特征值时，高次方程求根属于数学难题，导致目前对步长的选择都是依赖于技术人员的经验，无法确保计算结果的准确性；

(2)最小二乘算法应用在大规模系统的在参数辨识时，需要计算高阶矩阵的逆，导致计算量很大，影响辨识效率。

发明内容

为了解决现有技术中使用传统辨识算法存在过大的计算量导致辨识失败或者辨识效率过低的问题，本发明提供一种用于流程工业大规模过程控制的降维辨识方法，其计算过程通无需人工参与，可以在确保计算精度的基础上，以很低的计算量实现高阶系统的参数辨识。

本发明的技术方案是这样的：一种用于流程工业大规模过程控制的降维辨识方法，其包括以下步骤：

S1：根据工业过程系统的输入输出关系，构建系统的时间序列模型：

A(z)y(t)＝B(z)u(t)+v(t)

其中：y(t)是系统的输出，u(t)是系统的输入，v(t)是系统的噪声，A(z)、B(z)分别是模型多项式，z是后移算子；

S2：根据系统模型做如下定义：

Y(L)＝[y(1),y(2),...,y(L)]^T∈R^L

Φ(L)＝[φ^T(1),φ^T(2),...,φ^T(L)]^T∈R^L×2n

V(L)＝[v(1),v(2),...,v(L)]^T∈R^L；

可得到系统的方程为：

Y(L)＝Φ(L)θ+V(L)；

其中，y(t)是系统的输出，Y(L)为输出向量矩阵，v(t)是系统的噪声，V(L)为噪声向量矩阵，为系统的信息向量，Φ(L)为信息向量矩阵，θ为系统参数向量，t为采样时刻；

其特征在于，其还包括以下步骤：

S3：初始化；

给系统变量赋初始值：

u(t)＝0，y(t)＝0，t≤0，

设置中间变量m，且赋初始值值m＝0，为系统参数的初始值赋值；

S4：通过现有的数据通信与采集技术获取系统控制参数，共获取L组

u(1)，…,u(L),y(1),…,y(L)；