[发明专利]一种预测控制模型性能下降的深度诊断方法

说明书

技术领域

本发明属于工业预测控制系统性能监控领域，涉及基于模型性能指标及移除输入变量深度检验的预测模型监控技术。

背景技术

由于生产过程动态特性随时间发生变化，工业模型预测控制(MPC)系统通常在投运不到一年就需要进行维护，维护过程需要对象重新建模，周期长成本高，而且通常需要生产过程停车，造成很大经济损失。况且，在维护之前判断是否有必要对整个对象重新建模，或者重新建模是否确定会提高整个控制性能，目前缺乏有效的分析方法。为了避免重新建模和控制器维护的不必要投入，有必要研究一种方法来判断对象哪部分模型性能出现了下降，以及下降到了什么程度。

控制性能监控可以给企业工程师们对MPC是否需要维护给出建议。控制性能监控的一般方法是Harris提出的极小方差性能指标，把实际的输出方差和理论最小方差进行比较，从而判断出实际控制器性能。后续相继出现了多输入多输出系统，时变系统，有约束系统的极小方差性能评估指标。由于多输入多输出系统的极小方差评估技术需要计算关联矩阵，而关联矩阵的计算往往需要获取比较困难的时滞和脉冲响应系数。为避免关联矩阵计算，出现了一些更实用的评估指标，如线性二次型高斯基准，用户定义的基准，设计指标和实际指标的对比基准，历史最好性能基准，等等。

控制性能监控技术给出了评估整个控制系统性能的方法，但是，控制性能 下降可能由于控制器性能下降，预测模型不匹配，新的干扰出现以及执行器非线性等多种因素。近年来很多研究工作集中在对控制器性能下降的原因进行诊断。如文献Xuemin Tian,GongquanChen,Sheng Chen.A data-based approach for multivariate model predictive control performance monitoring.Neurocomputing 74(2011)588–597，提出采用数据驱动的分类方法对控制性能下降的种类进行甄别，文献Keck Voon Ling,Weng Khuen Ho,Yong Feng,and Bingfang Wu.Integral-Square-Error Performance of Multiplexed Model Predictive Control.IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS,2011,7(2):196-203，提出了判定控制器本身性能下降的ISE指标，从而识别出控制系统性能下降是否由控制器引起。针对预测模型性能下降的诊断也有一些研究工作，如通过设计的控制误差基准判断模型性能(如Abhijit S.Badwe,Rohit S.Patwardhan,Sirish L.Shah,Sachin C.Patwardhan,Ravindra D.Gudi.Quantifying the impact of model-plant mismatch on controller performance.Journal of Process Control 20(2010)408–425)，通过测试的过程频率响应基准判定模型性能(G.Ji,K.Zhang,Y.Zhu.A method of MPC model error detection.Journal of Process Control,22(2012)635–642)，或通过预测模型余量和实际干扰量的对比判定模型性能等方法(Zhijie Sun,S.Joe Qin,Ashish Singhal,Larry Megan.Performance monitoring of model-predictive controllers via model residual assessment.Journal of Process Control,23(2013)473-482)。

对于预测模型性能的评估，上述研究工作存在以下问题：(1)实际工业过程大都是多输入多输出(MIMO)的多变量系统，每个输出变量对应每个输入变量的模型都是一个单输入单输出(SISO)模型，目前的研究工作只给出了整个模型性能是否下降的评估结论，但工程师们更感兴趣的是具体哪个变量的哪个模型性能下降导致了控制性能下降，从而在控制系统维护时减少工作量，节省成本；(2)性能指标的定义往往需要难以获取的过程机理知识或要进行对象特性测试，难以向实际应用推广。因此，需要一种只利用生产过程信息而不影响生产过程，能 够在线分析出模型整体性能是否下降以及诊断具体哪个子模型性能下降的方法，在系统维护之前为工程师们给出维护建议，减少不必要的维护成本。

发明内容