[发明专利]一种预测控制模型性能下降的深度诊断方法

摘要

本发明公开了一种预测控制模型性能下降的深度诊断方法，利用生产运行数据计算过程扰动信号，然后利用生产数据和预测控制器设计阶段的阶跃响应系数计算模型预测误差，通过二者构造的模型性能指标判断模型整体性能优劣。对于性能恶化的模型，进一步用逐一去除输入变量的方法计算新的模型性能指标，通过性能指标的变化情况判断去除的输入对应的子模型性能，从而实现对每一个子模型性能进行监控。本发明仅利用生产过程数据和设计数据，不仅能够对多变量预测控制模型整体性能给出评估，更能对所有输入对应的子模型性能进行评估，为工程师进行控制系统维护给出建议，能够大幅降低预测控制器维护成本。

主权项

一种预测控制模型性能下降的深度诊断方法，其特征在于，包括以下步骤：步骤1：对于某多输入多输出过程，k时刻某输出变量y(k)对应于Nu个输入变量uj(k)(j＝1,2，…，Nu)，eo(k)为过程扰动信号，p为时间窗长度，m为输出变量阶次，n为输入变量阶次，定义时间窗p内输出向量yp(k)，输入向量ujp(k)(j＝1,2，…，Nu)，过程扰动信号向量以及由过去时刻输入输出变量构造的联合向量步骤2：由输出向量yp(k)和输入输出联合向量计算过程扰动信号向量序列epo(k)=eo(k)eo(k-1)...eo(k-p);]]>步骤3：利用输入变量uj(k)、输出变量y(k)的常规运行数据和预测模型系数aij,分别计算k至k‑p时刻的模型预测误差，得到模型预测误差序列ep(k)＝[e(k) e(k‑1) ... e(k‑p)]；步骤4：由步骤2得到过程扰动信号序列[eo(k) eo(k‑1) ... eo(k‑p)]和步骤3得到的模型预测误差序列[e(k) e(k‑1) ... e(k‑p)]，计算模型性能指标ηR；步骤5：比较模型性能指标ηR与预先确定的模型性能指标门槛值ηR0，如果模型性能指标ηR高于该门槛值，则认为该输出变量的模型性能良好，否则令l＝1，转到步骤6；步骤6：移除第l个输入变量ul，计算相应的第二过程扰动信号eplo(k)=elo(k)elo(k-1)...elo(k-p);]]>步骤7：移除第l个输入变量ul，分别计算k至k‑p时刻的第二模型预测误差，得到第二模型预测误差序列epl＝[el(k) el(k‑1) ... el(k‑p)]；步骤8：由步骤6得到的第二过程扰动信号eplo(k)=elo(k)elo(k-1)...elo(k-p)]]>和步骤7得到的第二模型预测误差序列[el(k) el(k‑1) ... el(k‑p)]，计算第二模型性能指标ηRl以及性能指标比κl；步骤9：根据性能指标比κl判断输入变量ul(k)对应的子模型性能，如果κl>1，表示输入变量ul(k)对应的子模型性能恶化，需要维护，反之如果κl<1，表示相应的子模型性能良好；步骤10：令l＝l+1，返回步骤6，直至l＝Nu，所有的输入处理完毕；步骤11：返回步骤1处理下一个输出变量y(k)，直至所有的输出变量评估完毕。