[发明专利]模型预测控制器性能监控方法

说明书

本发明涉及一种模型预测控制器性能监控方法，其具体步骤为：离线建模阶段，收集模型预测控制器历史数据，选择运行工况正常的被控变量数据Y_o、控制变量数据U_o以及模型预测误差数据E_o作为基准性能数据集，并对基准性能数据集进行预处理，然后进行慢特征分析，根据全变量信息表达权重矩阵选取主导慢特征空间W_d和残差慢特征空间W_e，构建稳态性能监控指标和动态性能监控指标ψ，计算指标的控制限和指标ψ的控制限CL_ψ；在线监控阶段，对在线测试数据进行预处理，计算对应的稳态性能监控指标和动态性能监控指标ψ_t，依据和ψ_t是否超出控制限给出性能监控结果。本发明充分提取全部过程变量的稳态性能信息和动态性能信息，能够提高性能恶化检测率。

技术领域

本发明属于工业过程控制器性能监控技术领域，涉及模型预测控制器性能监控技术，具体地说，涉及了一种基于全变量慢特征分析的模型预测控制器性能监控方法。

背景技术

现代工业系统日益趋于高集成化、大规模化，其运行效率和稳定性更加依赖于过程自动控制技术，尤其是以模型预测控制(简称：MPC)为代表的先进控制(简称：APC)技术。然而，实际工业应用中MPC的性能往往会随着时间的推移而恶化，导致产品质量下降，企业利润降低。如果能够对MPC的性能进行实时监控，并根据性能恶化程度及时进行针对性维护，将有助于工业系统的效益提升。工业过程运行过程中采集和存储了海量的运行数据，为研究人员开展数据驱动的MPC控制器性能监控方法研究提供了宝贵契机。由于过程内部状态的时序相关性、过程时滞和反馈控制作用等因素，实际过程数据中必然具有时序动态特性。因此，针对过程数据的时序动态特性，如何从测量数据中提取有用的动态特性信息以监控MPC控制器性能状态是一种具有挑战性的研究课题。

为了挖掘工业过程数据中的时序动态特性，慢特征分析(简称：SFA)作为一种有效的控制器性能监控方法，引起了国内外研究人员的广泛关注。该方法通过在快速变化的过程数据中提取变化缓慢的隐含成分作为数据中的动态特征信息。传统慢特征分析方法在控制器性能监控领域取得一定的应用成果，但其有两个方面缺点：其一，仅使用系统的闭环输出数据构建SFA模型，未全面考虑控制变量和模型预测误差这些因素，难以充分描述控制系统状态变化；其二，SFA模型对主导慢特征的选取未充分考虑慢特征对全部过程变量信息的反映程度，容易导致所选取的主导慢特征对某些过程变量信息表达不充分或缺失。这些缺点会导致传统慢特征分析方法难以有效监控MPC控制器性能的变化，降低性能恶化的检测率。

发明内容

本发明针对传统的慢特征分析方法在MPC控制器性能监控过程中存在的上述问题，提供一种基于全变量慢特征分析(简称：FVSFA)的模型预测控制器性能监控方法，能够提供更加丰富和差异化的性能检测结果，提高性能恶化检测率。

为了达到上述目的，本发明提供了一种模型预测控制器性能监控方法，其具体步骤为：

收集模型预测控制器历史数据，选择运行工况正常的被控变量数据Y_o、控制变量数据U_o以及模型预测误差数据E_o作为基准性能数据集X_o＝[Y_o U_o E_o]∈R^N×m，其中，N表示数据集X_o中样本的个数，m表示数据集X_o中变量的个数，并对基准性能数据集X_o进行预处理，得到预处理后的数据集X；

针对预处理后数据集X进行慢特征分析，获得慢特征投影方向矩阵W；

建立全变量信息表达权重矩阵通过分析中的信息描述关系确定主导慢特征空间W_d和残差慢特征空间W_e；