[发明专利]一种多变量系统两阶段在线辨识方法及系统

说明书

一种多变量系统两阶段在线辨识方法及系统，方法包括：获取多变量系统中各控制量和各被控量的连续历史数据；采用CARMA模型构建数据样本；获取多变量系统中各控制量到各被控量的最佳纯滞后时间并建立最佳纯滞后CARMA模型；基于最佳纯滞后CARMA模型获得当各控制量分别做阶跃变化时各被控量的阶跃响应曲线；获取阶跃响应曲线的连续变化数据作为辨识样本，基于二阶纯滞后CARMA模型获取单变量系统中各控制量到任一被控量的最佳纯滞后时间并建立二阶最佳纯滞后CARMA模型；将二阶最佳纯滞后CARMA模型进行矩阵组合得到多变量系统辨识模型。本发明在确保模型精度的同时，对多变量模型进行解耦和简化，有助预测控制的实现。

技术领域

本发明属于先进过程控制技术领域，更具体地，涉及一种多变量系统两阶段在线辨识方法及系统。

背景技术

在先进过程控制领域，系统辨识是发展很活跃很迅速的课题之一，系统辨识与最优控制、自适应控制一样，是现代控制理论的主要支柱之一。系统辨识的目的是为了充分掌握研究对象的运动规律，用数学的语言描述事物运动的因果关系。系统辨识是建模，即根据实际系统的输入-输出数据来建立一个系统的最佳模型，该模型可用于自适应控制、模型预测控制等，是控制仿真的依据和基础。

现有技术中，最小二乘类算法是系统辨识的重要方法之一，其原理简单，编程实现容易，具有广泛的应用。其中递推最小二乘算法可实现对于时变系统参数追踪，该递推算法也称作在线辨识法，其具有不含任何矩阵求逆，可以快速计算的特点，实现系统的递推辨识。

然而，现有的实际控制系统中，被控对象通常为具有耦合特性的多变量系统，在进行模型辨识时为了提高辨识精度则需要提高阶次，但是当模型阶次提高后容易导致过拟合的情况，并且阶次越高则函数的根越多，表现在曲线上时就是随着时域变化高阶模型容易波动，在离散化时表现为曲线不连续不平滑，影响控制精度。此外，高阶模型增加了运算量，对于预测控制而言，模型阶次增加会大幅增加运算工作量，影响控制速度。所以，在实时控制系统中需要对模型在不影响精度的情况下进行简化，从而实现高速、准确的控制。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种多变量系统两阶段在线辨识方法及系统，第一阶段先用高阶模型精确获取各控制回路的特性曲线，第二阶段再用简化模型实现辨识并最终获得低阶模型，在确保模型精度的同时，对多变量模型进行解耦和简化，有助于预测控制的实现。

本发明采用如下的技术方案。

本发明一方面提出了一种多变量系统两阶段在线辨识方法，包括：

步骤1，获取多变量系统中各控制量和各被控量的连续历史数据；采用受控自回归滑动平均模型CARMA(Controlled Auto Regression and Moving Average)构建用于在线辨识的数据样本；其中，CARMA模型的阶次与控制量的数量成正比；

步骤2，按照预设的时间步长采用穷举法以CARMA模型仿真曲线与CARMA模型实测曲线间方差最小为目标，获取多变量系统中各控制量到各被控量的最佳纯滞后时间；利用各被控量所对应的CARMA模型的参数向量和多变量系统的最佳纯滞后时间建立最佳纯滞后CARMA模型；

步骤3，基于最佳纯滞后CARMA模型，获得当各控制量分别做阶跃变化时各被控量的阶跃响应曲线；

步骤4，获取阶跃响应曲线的连续变化数据作为辨识样本，基于二阶纯滞后CARMA模型重复步骤2，即按照预设的时间步长采用穷举法以二阶纯滞后CARMA模型仿真曲线与二阶纯滞后CARMA模型实测曲线间方差最小为目标，获取单变量系统中各控制量到任一被控量的最佳纯滞后时间；利用任一被控量所对应的二阶纯滞后CARMA模型的参数向量和单变量系统的最佳纯滞后时间建立二阶最佳纯滞后CARMA模型；

步骤5，将二阶最佳纯滞后CARMA模型进行矩阵组合，得到多变量系统辨识模型，使用多变量系统辨识模型进行多变量系统两阶段在线辨识。