CN107831650B - 用于工业上基于模型的过程控制器的闭环模型参数识别的方法和装置 - Google Patents

用于工业上基于模型的过程控制器的闭环模型参数识别的方法和装置 Download PDF

Info

Publication number
CN107831650B
CN107831650B CN201710831457.0A CN201710831457A CN107831650B CN 107831650 B CN107831650 B CN 107831650B CN 201710831457 A CN201710831457 A CN 201710831457A CN 107831650 B CN107831650 B CN 107831650B
Authority
CN
China
Prior art keywords
model
closed
controller
noise
industrial process
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710831457.0A
Other languages
English (en)
Other versions
CN107831650A (zh
Inventor
卢秋岗
L.D.里彭
R.B.戈帕卢尼
M.G.福布斯
P.D.洛温
J.U.巴克斯特伦
G.A.迪蒙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Honeywell Inc
Original Assignee
Honeywell Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Honeywell Inc filed Critical Honeywell Inc
Publication of CN107831650A publication Critical patent/CN107831650A/zh
Application granted granted Critical
Publication of CN107831650B publication Critical patent/CN107831650B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25298—System identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/39—Robotics, robotics to robotics hand
    • G05B2219/39159—Task modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

一种方法包括获得（402）与工业过程控制器（106,204）的操作相关联的闭环数据，其中所述工业过程控制器被配置成使用至少一个模型（144,230）来控制工业过程的至少一部分。该方法还包括使用所述闭环数据中的至少一些来生成（404）与所述工业过程控制器相关联的至少一个噪声模型。该方法进一步包括基于所述至少一个噪声模型来过滤（406）所述闭环数据。此外，该方法包括使用已过滤的闭环数据来生成（408）针对所述工业过程控制器的一个或多个模型参数。

Description

用于工业上基于模型的过程控制器的闭环模型参数识别的方 法和装置
相关申请的交叉引用以及优先权声明
本申请根据35 U.S.C.§119(e)要求于2016年9月16日提交的美国临时专利申请号62/395,904的优先权，藉此通过引用将其整体地并入。
技术领域
本公开一般涉及工业过程控制和自动化系统。更具体地，本公开涉及用于工业上基于模型的过程控制器的闭环模型参数识别技术。
背景技术
工业过程控制和自动化系统通常用于自动操作大且复杂的工业过程。这些类型的控制和自动化系统例行包括过程控制器和比如传感器和致动器之类的现场设备。过程控制器中的某些通常从传感器接收测量结果并生成用于致动器的控制信号。基于模型的工业过程控制器是例行用于控制工业过程的操作的过程控制器中的一种类型。 基于模型的过程控制器通常使用一个或多个模型来以数学方式表示工业过程内的一个或多个属性如何对向工业过程做出的改变进行响应。
发明内容
本公开提供了用于工业上基于模型的过程控制器的闭环模型参数识别技术。
在第一实施例中，一种方法包括获得与工业过程控制器的操作相关联的闭环数据，其中所述工业过程控制器被配置成使用至少一个模型来控制工业过程的至少一部分。该方法还包括使用所述闭环数据中的至少一些来生成与所述工业过程控制器相关联的至少一个噪声模型。该方法进一步包括基于所述至少一个噪声模型来过滤所述闭环数据。此外，该方法包括使用已过滤的闭环数据来生成针对所述工业过程控制器的一个或多个模型参数。
在第二实施例中，一种装置包括至少一个存储器，其被配置成存储与被配置成使用至少一个模型来控制工业过程的至少一部分的工业过程控制器的操作相关联的闭环数据。该装置还包括至少一个处理设备，其被配置成使用所述闭环数据中的至少一些来生成与所述工业过程控制器相关联的至少一个噪声模型。所述至少一个处理设备还被配置成基于所述至少一个噪声模型来过滤所述闭环数据并使用已过滤的闭环数据来生成针对所述工业过程控制器的一个或多个模型参数。
在第三实施例中，一种非暂时性计算机可读介质包含指令，所述指令在被至少一个处理设备执行时促使所述至少一个处理设备获得与工业过程控制器的操作相关联的闭环数据，其中所述工业过程控制器被配置成使用至少一个模型来控制工业过程的至少一部分。该介质还包含指令，所述指令在被所述至少一个处理设备执行时，促使所述至少一个处理设备使用所述闭环数据中的至少一些来生成与所述工业过程控制器相关联的至少一个噪声模型。该介质进一步包含指令，所述指令在被所述至少一个处理设备执行时，促使所述至少一个处理设备基于所述至少一个噪声模型过滤所述闭环数据。此外，该介质包含指令，所述指令在被所述至少一个处理设备执行时，促使所述至少一个处理设备使用已过滤的闭环数据来生成针对所述工业过程控制器的一个或多个模型参数。
根据附图、描述和实施例，其他的技术特征对本领域技术人员来说可以是显而易见的。
附图说明
为了更加完整地理解本公开，现在对连同附图考虑的以下描述进行参考，在附图中：
图1图示出根据本公开的第一示例工业过程控制和自动化系统；
图2图示出根据本公开的第二示例工业过程控制和自动化系统；
图3图示出根据本公开的支持用于工业上基于模型的过程控制器的闭环模型参数识别的示例设备；以及
图4图示出根据本公开的用于工业上基于模型的过程控制器的闭环模型参数识别的示例方法。
具体实施方式
在本专利文献中，下文讨论的图1到图4以及用来描述本发明的原理的各种实施例是仅通过例证的方式，而不应以限制本发明的范围的任何方式来解释。本领域技术人员将理解的是，本发明的原理可以实现在任何类型的适当布置的设备或系统中。
如上面描述的，基于模型的工业过程控制器是例行用于控制工业过程的操作的过程控制器中的一种类型。 基于模型的过程控制器通常使用一个或多个模型来以数学方式表示工业过程内的一个或多个属性如何对向工业过程做出的改变进行响应。 基于模型的控制器通常要求过程行为的精确模型以便良好地执行。随着与工业过程有关的条件改变，针对该过程的模型通常需要被更新或更换以便维持对该过程的良好的控制质量。
闭环识别指的是这样一种技术：其中基于来自在闭环控制下操作的工业过程的数据来识别过程模型参数。通常期望能够基于闭环数据来更新或更换过程模型，因为这可以消除对关闭自动控制并干扰工业过程来生成开环数据的需要。然而，关于闭环识别的一个问题在于，使用标准的识别技术（诸如适用于分析开环数据的那些）可能导致有偏差的或不精确的模型参数估计，特别是当在不具有关于真实过程和噪声模型结构的任何知识的情况下使用直接识别方法时。
本公开提供了用于使用闭环过程数据来识别过程模型参数、同时降低或避免所识别的模型参数中的偏差的有用且通用的方法。这些技术使得能够将自动闭环过程模型更新用于基于模型的控制器，所述基于模型的控制器诸如在造纸机或其他系统的机器方向（MD）控制中使用的那些。这些类型的技术可以取决于实施方式而提供各种益处。例如，所提出的技术可以克服在执行闭环识别时产生偏差，从而导致生成更精确的过程模型。此外，在自动闭环过程模型更新的情况下，可以将基于模型的控制维持为以最高水平执行而无需使那些控制下线（offline）来进行工厂实验。另外，这些方法可以降低在更新过程模型中所需的时间和努力。此外，可以使总体控制保持总是以高水平来运转，从而降低了由于较差的质量生产而导致的损失。
图1图示出根据本公开的示例工业过程控制和自动化系统100。如图1中所示，系统100包括促进至少一种产品或其他材料的生产或处理的各种组件。例如，系统100在此处用于促进对在一个或多个工厂101a-101n中的组件的控制。每个工厂101a-101n表示一个或多个处理设施（或其一个或多个部分），诸如用于生产至少一种产品或其他材料的一个或多个制造设施。一般来说，每个工厂101a-101n可以实现一个或多个过程并且可以单独地或共同地被称为过程系统。过程系统一般表示被配置成以某种方式处理一个或多个产品或其他材料的任何系统或其部分。
在图1中，使用过程控制的普度模型来实现系统100。在普度模型中，“0级”可以包括一个或多个传感器102a和一个或多个致动器102b。传感器102a和致动器102b表示过程系统中可以执行各种各样的功能中的任何功能的组件。例如，传感器102a可以测量过程系统中的各种各样的特性，诸如温度、压力或流率。同样，致动器102b可以更改该过程系统中的各种各样的特性。传感器102a和致动器102b可以表示任何适当的过程系统中的任何其他或附加的组件。传感器102a中的每一个包括用于测量过程系统中的一个或多个特性的任何适当的结构。致动器102b中的每一个包括用于对过程系统中的一个或多个条件进行操作或影响所述一个或多个条件的任何适当的结构。
一个或多个网络104被耦合到传感器102a和致动器102b。网络104促进与传感器102a和致动器102b的交互。例如，网络104可以从传感器102a传输测量结果数据并将控制信号提供给给致动器102b。网络104可以表示任何适当的网络或网络组合。作为特定示例，网络104可以表示以太网网络、电气信号网络（诸如HART或基金会现场总线网络）、气动控制信号网络或任何其他或附加的（一个或多个）类型的（一个或多个）网络。
在普度模型中，“1级”包括一个或多个控制器106，其被耦合到网络104。除其他之外，每个控制器106可以使用来自一个或多个传感器102a的测量结果来控制一个或多个致动器102b的操作。每个控制器106包括用于控制过程系统的一个或多个方面的任何适当的结构。作为特定示例，每个控制器106可以表示运行实时操作系统的计算设备。
冗余网络108被耦合到控制器106。 网络108诸如通过从和向控制器106传输数据来促进与控制器106的交互。 网络108可以表示任何适当的冗余网络。作为特定示例，网络108可以表示一对以太网网络或冗余的一对以太网网络，诸如来自霍尼韦尔国际有限公司的容错以太网（FTE）网络。
至少一个开关/防火墙110将网络108耦合到两个网络112。开关/防火墙110可以从一个网络向另一网络传输通信量。开关/防火墙110还可以阻止一个网络上的通信量到达另一网络。开关/防火墙110包括用于提供网络之间的通信的任何适当的结构，诸如霍尼韦尔控制防火墙（CF9）设备。网络112可以表示任何适当的网络，诸如一对以太网网络或者FTE网络。
在普度模型中，“2级”可以包括被耦合到网络112的一个或多个机器级控制器114。该机器级控制器114执行各种功能以支持控制器106、传感器102a和致动器102b的操作和控制，其可以与特定的一件工业装备（诸如锅炉或其他机器）相关联。例如，机器级控制器114可以记录由控制器106收集或生成的信息，诸如来自传感器102a的测量结果数据或用于致动器102b的控制信号。机器级控制器114还可以执行控制控制器106的操作的应用，从而控制致动器102b的操作。此外，机器级控制器114可以提供对控制器106的安全访问。机器级控制器114中的每一个包括用于提供对机器或其他单独的一件装备的访问、对其的控制或与其相关的操作的任何适当的结构。机器级控制器114中的每一个可以例如表示运行微软WINDOWS操作系统的服务器计算设备。虽然没有示出，但是可以使用不同的机器级控制器114来控制过程系统中的不同的各件装备（其中每件装备与一个或多个控制器106、传感器102a和致动器102b相关联）。
一个或多个操作者站116被耦合到网络112。操作者站116表示提供对机器级控制器114的用户访问的计算或通信设备，其可以然后提供对控制器106的用户访问（并且很可能提供对传感器102a和致动器102b的用户访问）。作为特定示例，操作者站116可以允许用户使用由控制器106和/或机器级控制器114收集的信息来回顾传感器102a和致动器102b的操作历史。操作者站116还可以允许用户调节传感器102a、致动器102b、控制器106或机器级控制器114的操作。此外，操作者站116可以接收并显示警告、警报或其他消息、或者由控制器106或机器级控制器114生成的显示。操作者站116中的每一个包括用于支持对系统100中的一个或多个组件的用户访问和控制的任何适当的结构。操作者站116中的每一个可以例如表示运行微软WINDOWS操作系统的计算设备。
至少一个路由器/防火墙118将网络112耦合到两个网络120。路由器/防火墙118包括用于提供网络之间的通信的任何适当的结构，诸安全路由器或组合式路由器/防火墙。网络120可以表示任何适当的网络，诸如一对以太网网络或者FTE网络。
在普度模型中，“3级”可以包括被耦合到网络120的一个或多个单元级控制器122。每个单元级控制器122通常与过程系统中的单元相关联，所述单元表示一起操作以实现过程的至少一部分的不同机器的集合。单元级控制器122执行各种功能以支持较低级别中的组件的操作和控制。例如，单元级控制器122可以记录由较低级别中的组件收集或生成的信息，执行控制较低级别中的组件的应用，以及提供对较低级别中的组件的安全访问。单元级控制器122中的每一个包括用于提供对一个或多个机器或过程单元中的其他件的装备的访问、对其的控制或与其相关的操作的任何适当的结构。单元级控制器122中的每一个可以例如表示运行微软WINDOWS操作系统的服务器计算设备。虽然没有示出，但是可以使用不同的单元级控制器122来控制过程系统中的不同的单元（其中每个单元与一个或多个机器级控制器114、控制器106、传感器102a和致动器102b相关联）。
可以通过一个或多个操作者站124来提供对单元级控制器122的访问。操作者站124中的每一个包括用于支持对系统100中的一个或多个组件的用户访问和控制的任何适当的结构。操作者站124中的每一个可以例如表示运行微软WINDOWS操作系统的计算设备。
至少一个路由器/防火墙126将网络120耦合到两个网络128。路由器/防火墙126包括用于提供网络之间的通信的任何适当的结构，诸安全路由器或组合式路由器/防火墙。网络128可以表示任何适当的网络，诸如一对以太网网络或者FTE网络。
在普度模型中，“4级”可以包括被耦合到网络128的一个或多个工厂级控制器130。每个工厂级控制器130通常与工厂101a-101n中的一个相关联，其可以包括实现相同、类似或不同过程的一个或多个过程单元。工厂级控制器130执行各种功能以支持较低级别中的组件的操作和控制。作为特定示例，工厂级控制器130可以执行一个或多个制造执行系统（MES）应用、调度应用或者其他或附加的工厂或过程控制应用。工厂级控制器130中的每一个包括用于提供对过程工厂中的一个或多个过程单元的访问、对其的控制或与其相关的操作的任何适当的结构。工厂级控制器130中的每一个可以例如表示运行微软WINDOWS操作系统的服务器计算设备。
可以通过一个或多个操作者站132来提供对工厂级控制器130的访问。操作者站132中的每一个包括用于支持对系统100中的一个或多个组件的用户访问和控制的任何适当的结构。操作者站132中的每一个可以例如表示运行微软WINDOWS操作系统的计算设备。
至少一个路由器/防火墙134将网络128耦合到一个或多个网络136。路由器/防火墙134包括用于提供网络之间的通信的任何适当的结构，诸安全路由器或组合式路由器/防火墙。网络136可以表示任何适当的网络，诸如企业范围以太网或其他网络或者较大的网络（诸如互联网）的所有或一部分。
在普度模型中，“5级”可以包括被耦合到网络136的一个或多个企业级控制器138。每个企业级控制器138通常能够执行针对多个工厂101a-101n的规划操作并能够控制工厂101a-101n的各方面。企业级控制器138还可以执行各种功能以支持工厂101a-101n中的组件的操作和控制。作为特定示例，企业级控制器138可以执行一个或多个顺序处理应用、企业资源规划（ERP）应用、高级规划和调度（APS）应用或者任何其他或附加的企业控制应用。企业级控制器138中的每一个包括用于提供对一个或多个工厂的控制的访问、对其的控制或与其相关的操作的任何适当的结构。企业级控制器138中的每一个可以例如表示运行微软WINDOWS操作系统的服务器计算设备。在本文献中，术语“企业”指的是具有一个或多个工厂或其他处理设施要管理的组织。要指出的是，如果要管理单个工厂101a，则企业级控制器138的功能可以被并入到工厂级控制器130中。
可以通过一个或多个操作者站140来提供对企业级控制器138的访问。操作者站140中的每一个包括用于支持对系统100中的一个或多个组件的用户访问和控制的任何适当的结构。操作者站140中的每一个可以例如表示运行微软WINDOWS操作系统的计算设备。
在本示例中，历史库142也被耦合到网络136。历史库142可以表示存储关于系统100的各种信息的组件。历史库142可以例如存储在生产调度和优化期间使用的信息。历史库142表示用于存储和促进信息检索的任何适当的结构。虽然被示出为被耦合到网络136的单个集中化组件，但是历史库142可以位于系统100中的任何位置处，或者多个历史库可以分布在系统100中的不同位置中。
图1中所示的控制器中的至少一个可以指示使用一个或多个过程模型144进行操作的基于模型的控制器。例如，控制器106中的每一个可以使用一个或多个过程模型144进行操作以基于来自一个或多个传感器102a的测量结果来确定如何调节一个或多个致动器102b。在一些实施例中，每个模型144将一个或多个操纵或干扰变量与一个或多个控制变量相关联。控制变量（CV）一般表示可被测量或推算出并且被理想地控制成在期望的设置点处或其附近或在期望的值范围内的变量。操纵变量（MV）一般表示可以被调节以便更改一个或多个控制变量的变量。干扰变量（DV）一般指示其值可以被考虑但是不能被控制的变量。作为一简单示例，材料通过管道的流率可以指示控制变量，用于控制材料的流率的阀门的阀门开口可以指示操纵变量，并且管道或阀门周围的环境温度可以指示干扰变量。
如上文指出的，过程模型144对于基于模型的控制器有效地操作来说需要是合理地精确的，并且过程模型144通常需要随着与工业过程相关的条件改变而被更新或更换。然而，当执行标准的识别技术时通常难以使用例行操作数据来识别过程模型参数，因为模型参数估计可能产生偏差或不精确。
根据本公开，系统100的至少一个组件包括工具146，其分析针对至少一个基于模型的控制器的例行操作数据以便执行闭环识别。下面描述示例闭环识别过程。可以以任何适当的方式并使用任何适当的设备来实现工具146。例如，工具146可以驻留在图1中所示的控制器或操作者站中的任何上。工具146也可以驻留在图1中的任何其他（一个或多个）适当设备上，诸如在专用计算设备上。可以使用任何适当的硬件或硬件和软件/固件指令的任何适当的组合来实现工具146。在特定实施例中，使用由计算设备的至少一个处理器执行的软件/固件指令来实现工具146。
虽然图1图示出工业过程控制和自动化系统100的一个示例，但是可以对图1做出各种改变。例如，控制和自动化系统可以包括任何数量的传感器、致动器、控制器、服务器、操作者站、网络、模型、工具和其他组件。此外，图1中的系统100的构成和布置仅用于例证。可以根据特定需要添加、省略、组合、进一步细分、或以任何其他适当的配置来放置组件。另外，特定功能已被描述为被系统100的特定组件执行。这仅是用于例证。一般来说，过程控制和自动化系统是高度可配置的，并且可以根据特定需要以任何适当的方式来配置。此外，虽然图1图示出其中可以使用针对模型参数的闭环识别的一种示例环境，但是可以在任何其他适当的设备或系统中使用该功能。
图2图示出根据本公开的第二示例工业过程控制和自动化系统200。具体来说，图2的系统200指示示例卷筒纸（web）制造或处理系统。如图2中所示，系统200包括造纸机202、控制器204和网络206。造纸机202包括用于生产纸质产品的各种组件，所述纸质产品即在卷筒210处收集的纸卷208。控制器204监视并控制造纸机202的操作，这可以有助于维持或提高由造纸机202生产的纸卷208的质量。卷筒纸208的机器方向（MD）指示沿着卷筒纸208的（较长的）长度的方向，而卷筒纸208的横向（CD）指示沿着卷筒纸208的（较短的）宽度的方向。
在该示例中，造纸机202包括至少一个压头箱212，其跨机器将浆料悬浮液均匀地分发到连续的移动的金属丝网筛或网格213上。进入压头箱212的浆料悬浮液可以包含例如0.2–3%的木质纤维、填料和/或其他材料，悬浮液的其余内容是水。诸如真空箱之类的排水元件的阵列214尽可能多地去除水以发起卷筒纸208的成形。蒸汽致动器的阵列216生产热蒸汽，其穿透纸卷208并将蒸汽的潜热释放到纸卷208中。再湿润淋浴致动器的阵列218将小水滴（其可以是空气雾化的）添加到纸卷208的表面上。然后通常使纸卷208通过具有几段（nip）逆向旋转的卷轴的压延机。感应加热致动器的阵列220对这些卷轴中的各个卷轴的壳表面加热。
在图2中示出了两个附加的致动器222-224。厚浆流致动器222控制在压头箱212处接收到的进入的浆的稠度。蒸汽流致动器224控制从干燥筒传递到纸卷208的热量的量。致动器222-224可以例如分别表示控制浆和蒸汽的流量的阀门。这些致动器可以用于控制纸卷208的干重和湿度。可以使用附加的流量致动器来控制不同类型的纸浆和填料材料在厚浆中的比例并控制被混合到浆中的各种添加物（诸如助留剂或染料）的量。
这表示了可以用于产生纸质产品的一种类型的造纸机202的简要描述。关于此类造纸机202的附加细节在本领域中是公知的，并且对于理解本公开来说不是所需的。此外，虽然被描述为被用于制造纸卷，但是可以使用用于制造或处理任何适当织物的其他类型的机器。
为了控制造纸过程，可以持续地或重复地测量纸卷208的一个或多个属性。可以在制造过程中的一个或各个阶段处测量卷筒纸属性。然后可以使用该信息来调节造纸机202，诸如通过调节造纸机202内的各致动器。这可以有助于补偿卷筒纸属性从期望目标的任何变化，这可以有助于确保卷筒纸208的质量。如图2中所示，造纸机202包括一个或多个扫描器226-228，其中的每一个都可以包括一个或多个传感器。每个扫描器226-228都能够测量纸卷208的一个或多个特性。例如，每个扫描器226-228都可以包括用于测量张力、卡尺厚度、湿度、各向异性、基重、颜色、光彩、光泽、雾度、表面特征（诸如表面特征的粗糙度、形貌或取向分布）或纸卷208的任何其他或附加的特性。
每个扫描器226-228都包括用于测量或检测纸卷208的一个或多个特性的任何适当的一个或多个结构，诸如一组或多组传感器。扫描器的使用表示用于测量卷筒纸属性的一个特定实施例。可以使用其他实施例，诸如包括传感器的一个或多个静止的组或阵列、被部署在一个或跨卷筒纸的几个位置中或者被部署在跨卷筒纸的整个宽度的多个位置中以使得测量基本上整个卷筒纸宽度的实施例。
控制器204从扫描器226-228接收测量结果数据并使用该数据来控制造纸机202。例如，控制器204可以使用测量结果数据来调节致动器中的任何或者造纸机202的其他组件。控制器204包括用于控制造纸机202的至少一部分的操作的任何适当的结构，诸如计算设备。要指出的是，虽然在此处示出了单个控制器204，但是可以使用多个控制器204，诸如控制卷筒纸的不同变量的不同控制器。
网络206被耦合到控制器204和造纸机202的各种组件（诸如致动器和扫描器）。网络206促进系统200的组件之间的通信。网络206表示促进系统200中的组件之间的通信的任何适当的网络或网络组合。网络206可以例如表示有线或无线以太网网络、电气信号网络（诸如HART或基金会现场总线网络）、气动控制信号网络或任何其他或附加的（一个或多个）网络。
（一个或多个）控制器204可以进行操作以使用一个或多个模型230来控制造纸机202的一个或多个方面。例如，每个模型230可以将一个或多个操纵或干扰变量与一个或多个控制变量相关联。控制变量通常包括卷筒纸208的一个或多个属性。操纵变量通常包括由系统200中的各种致动器使用的设置点、设置或其他值。
根据本公开，系统200的至少一个组件包括工具232，其分析针对闭环模型参数识别的例行操作数据。下面描述示例闭环识别过程。 可以以任何适当的方式并使用任何适当的设备来实现工具232，诸如当工具232驻留在控制器204或专用计算设备上时。可以使用任何适当的硬件或硬件和软件/固件指令的任何适当的组合来实现工具232，诸如当使用由计算设备的至少一个处理器执行的软件/固件指令来实现工具232时。
虽然图2图示出工业过程控制和自动化系统200的另一示例，但是可以对图2做出各种改变。例如，可以使用其他系统来生产其他纸质或非纸质产品。此外，虽然被示出为包括具有各种组件的单个造纸机202和单个控制器204，但是系统200可以包括任何数量的造纸机或具有任何适当的结构的其他机械，并且系统200可以包括任何数量的控制器。此外，虽然图2图示出其中可以使用针对模型参数的闭环识别的另一示例环境，但是可以在任何其他适当的设备或系统中使用该功能。
图3图示出根据本公开的支持用于工业上基于模型的过程控制器的闭环模型参数识别的示例设备300。设备300可以例如表示图1和图2中的可以执行工具146、232的设备中的任何。然而，设备300可以用在任何其他适当的系统中，并且工具146、232可以使用任何其他适当的设备来实现。
如图3中所示，设备300包括至少一个处理设备302、至少一个存储设备304、至少一个通信单元306以及至少一个输入/输出（I/O）单元308。 处理设备302执行可以被加载到存储器设备310中的指令。处理设备302可以包括在任何适当的布置中的任何适当数量以及（一个或多个）类型的处理器或其他设备。处理设备302的示例类型包括微处理器、微控制器、数字信号处理器、现场可编程门阵列、专用集成电路以及分立逻辑器件。
存储器设备310和持久性存储312是存储设备304的示例，其表示能够存储信息（诸如数据、程序代码和/或基于暂时性或持久性的其他适当信息）并促进信息的检索的（一个或多个）任意结构。存储器设备310可以表示随机存取存储器或任何其他适当的（一个或多个）易失性或非易失性存储设备。持久性存储312可以包含支持数据的长期存储的一个或多个组件或设备，诸如只读存储器、硬驱、闪速存储器或光盘。
通信单元306支持与其他系统或设备的通信。例如，通信单元306可以包括促进通过有线或无线网络的通信的网络接口卡或无线收发器。通信单元306可以支持通过任何（一个或多个）适当的物理或无线通信链路的通信。
I/O单元308允许数据的输入和输出。例如，I/O单元308可以通过键盘、鼠标、键区、触摸屏或其他适当的输入设备来为用户输入提供连接。I/O单元308还可以向显示器、打印机或其他适当的输出设备发送输出。
虽然图3图示出支持用于工业上基于模型的过程控制器的闭环模型参数识别的设备300的一个示例，但是可以对图3做出各种改变。 例如，可以对图3中的各种组件进行组合、进一步细分、重新排布或省略，并且可以根据特定需要来添加附加组件。此外，计算设备可以以各种各样的配置出现，并且图3不将本公开限于计算设备的任何特定配置。
图4图示出根据本公开的用于工业上基于模型的过程控制器的闭环模型参数识别的示例方法400。为了易于解释，下文中将方法400描述为使用图1和图2的系统100、200中的图3的设备300来实现。然而，方法400可以使用任何适当的设备并在任何适当的系统中执行。
如图4中所示，在步骤402处获得与基于模型的工业过程控制器相关联的闭环数据。这可以包括例如，执行工具146、232的处理设备302从基于模型的控制器（诸如控制器106或204）或从另一设备获得与该控制器的操作相关联的数据。如果工具146、232是在控制器106或204内执行的，则这可以包括处理设备302收集在过程控制器执行控制逻辑期间的数据。所收集的数据可以包括随着过程控制器执行其控制逻辑并尝试控制至少一个工业过程（或其部分）而生成的例行操作数据，诸如控制变量测量结果和操纵变量调节结果。
在步骤404处分析闭环数据来识别至少一个干扰模型。这可以包括例如，执行工具146、232的处理设备302使用所述数据执行模型识别算法。在特定实施例中，工具146、232实现具有外源项的高阶自回归（ARX）的模型识别算法，其可以完全捕捉噪声模型动态而无需关于真实噪声模型的信息。高阶ARX模型识别算法的一部分可以包括识别与跟工业过程有关的噪声相关联的噪声模型。
在步骤406处使用干扰模型的逆来过滤闭环数据。这可以包括例如，执行工具146、232的处理设备302使用先前识别的干扰模型的逆来过滤闭环数据。
在步骤408处使用已过滤的闭环数据来估计针对过程模型的模型参数估计。这可以包括例如，执行工具146、232的处理设备302使用已过滤数据来实行模型识别算法，诸如输出误差（OE）模型识别算法或其他模型识别算法。
在步骤410处以某种方式使用模型参数。这可以包括例如，执行工具146、232的处理设备302生成新的过程模型或更新现有的过程模型并将该新的或已更新的过程模型提供给过程控制器。如果工具146、232是在控制器106或204内执行的，则这可以包括处理设备302更新由过程控制器的控制逻辑使用的过程模型。
这样，所提出的技术可以降低或消除在其他识别方法中发生的偏差，诸如当直接闭环识别方法由于噪声模型的不充分的规范而经受偏差时。另外，该方法可以应用于其中可能不存在外部刺激的例行操作数据，并且因此适用于连续的过程模型监视。
虽然图4图示出用于工业上基于模型的过程控制器的闭环模型参数识别的方法400的一个示例，但是可以对图4做出各种改变。 例如，虽然被示出为一系列步骤，但是图4中的各种步骤可以重叠、并行地发生、以不同顺序发生或发生任何次数。
下文提供关于用于闭环过程模型识别的具体技术的附加细节。 要指出的是，下文提供的细节仅为示例，并且可以使用在本专利文献中描述的技术的其他实施方式。还要指出的是，虽然下文提供了具体细节（诸如模型的具体类型或具体的模型识别算法），但是可以使用下文描述的技术的其他实施方式。
以下内容描述了用于利用例行操作数据的闭环过程模型识别的技术，其可以支持诸如过程执行监视和模型工厂不匹配检测之类的功能。 根据利用闭环数据的高阶ARX识别来估计噪声模型，并且对以被估计出的噪声模型的逆过滤了的输入输出数据执行OE识别。所提出的技术可以降低或消除由于噪声模型的不充分的规范而导致的随着直接闭环识别方法发生的偏差。 另外，所提出的技术可以应用于其中可能不存在外部刺激的例行操作数据，并且因此适用于连续的过程模型监视。 这些技术可以给出一致的估计，并且可以示出的是，参数估计量在样本尺寸中渐近地正态分布。除其他之外，这些技术有助于克服偏差问题，同时在处理线性和非线性闭环数据时保留所述技术的通用性和简易性。所提出的技术的优点在于其对具有或不具有外部刺激的情形的适用性。
初始考虑
考虑以下单输入单输出（SISO）Box-Jenkins真实系统：
Figure DEST_PATH_IMAGE001
其中，y(t)和u(t)分别指示测得的输出信号（CV）和输入信号（MV）。 真实过程模型G 0 指示稳定的最小相位有理数传递函数，假设其具有至少一个样本延迟。 噪声模型H 0 指示首一、稳定且逆稳定的滤波器。 序列e(t)指示独立且均等分布的高斯白噪声，其具有零均值和方差
Figure DEST_PATH_IMAGE002
。
在闭环中，假设输入信号u(t)可以通过以下非线性映射来确定：
Figure 100002_DEST_PATH_IMAGE003
其中，u t-1 = [u(t-1), u(t-2), ..., u(1)]并且类似地定义y t-1 。 外部刺激信号r(t)可以是抖动信号（通常被添加到致动器站）或设置点信号。 要指出的是，等式（2）是控制器的行为的一般表示并且涵盖线性和非线性二者的情况。非线性控制器的典型示例是具有有效约束的MPC控制器。从系统识别的角度来看，非线性控制器显示出重大益处，因为其可以提高闭环数据的信息量。
假设在等式（1）和（2）中的全部相关信号都是准静止的，这意味着以下条件有效：
Figure DEST_PATH_IMAGE004
其中，s(t)指示等式（1）和（2）中的信号，C指示常数，并且E指示针对随机变量的常规期望算子。 可以适用于具有随机和确定两个分量的信号的一般化期望算子E可以被表达为：
Figure 100002_DEST_PATH_IMAGE005
此外，定义：
Figure DEST_PATH_IMAGE006
为所采样的闭环数据的集合。为了促进求导（derivation），默认使用以下假设，除非另外明确地陈述。所收集的闭环输入输出数据Z N 在相关的闭环识别中对所选模型结构足够有益。 当存在外部刺激时，该假设可以通过将外部刺激信号r(t)施加为持续刺激来保证。 对于不具有外部刺激的情况，假设控制器足够复杂来使得该假设有效。要指出的是，针对下面的求导，假设存在r(t)，但是要指出的是，不具有外部刺激的结果可以通过设置r(t)=0来容易地导出。
对于预测误差法（PEM），一类模型结构可以被构建成拟合到该数据集中，通过下式来参数化：
Figure DEST_PATH_IMAGE007
，以使得：
Figure DEST_PATH_IMAGE008
其中，
Figure 100002_DEST_PATH_IMAGE009
以及
Figure DEST_PATH_IMAGE010
分别是过程模型和噪声模型的参数向量。将Ω θ 、Ω ρ 和Ω γ 定义成参数θ、ρ和γ的对应的紧凑集。 进一步假设所选的模型结构G(q，ρ)和H(q，γ)关于参数θ是均匀地稳定的，并且H(q，γ)也是逆均匀地稳定的。 要指出的是，如果没有混淆的风险，则可以互换地使用G ρ 、G ρ (q)和G(q, ρ)。
可以假设真实的过程模型被包含在所选的过程模型结构的集合中，意味着：
Figure 100002_DEST_PATH_IMAGE011
此外，假设由模型结构的所选家族所形成的全部的相关闭环传递函数在等式（2）中的控制器之下是均匀地稳定的。该条件也保证了真实系统的闭环稳定性，因为真实系统被包含在所选模型结构中。该假设从实际观点来看是有效的，因为对于大多数工业过程来说，对过程的先验知识通常是可用的。
众所周知的是，如果所选的噪声结构还包含真实噪声模型，则直接识别方法提供对过程和噪声模型参数二者的一致估计而不管该实验是闭环还是开环的。然而，该陈述过于严格以至于难以在实践中有效，因为噪声的特性通常过于复杂以至于难以分析或难以识别适合的模型结构。因此，在真实噪声模型与所选噪声模型结构之间的差异是不可避免的。另外，对于过程控制工程师或其他人员来说，对于控制器设计来说，所识别的过程模型的可靠性通常比噪声模型的可靠性更为重要。
该噪声模型不匹配的直接结果是在将PEM应用于闭环数据情况下所导致的过程模型的有偏差的估计。更具体来说，以固定的噪声模型H * (q)作为实例，过程模型参数估计可以被表达为：
Figure DEST_PATH_IMAGE012
在此处，B(e jω )是偏差项并且可以被表达为：
Figure DEST_PATH_IMAGE013
其中，Φ ue (ω)指示输入和噪声之间的交叉谱。 对于开环数据，Φ ue (ω)=0。 因此，具有固定噪声模型的OE结构可以给出无偏差的过程模型估计。如下文所述，因此可以使用一双步骤方法来解决该偏差问题，同时维持直接识别方法的其他优点。
闭环ARX-OE识别
以下内容描述了基于ARX-OE识别的闭环模型参数识别技术的特定实施方式。所提出的闭环识别技术包括两个一般步骤，亦即高阶ARX建模，随后是使用已过滤的输入输出数据的闭环OE识别。
第一步：高阶ARX建模
上面的等式（1）可以被重写成如下的等价形式：
Figure DEST_PATH_IMAGE014
其中：
Figure DEST_PATH_IMAGE015
由于H 0 (q)被假设为是逆稳定，因此A 0 (q)和B 0 (q)也是稳定的。 在大多数情况下，A 0 (q)和B 0 (q)的脉冲响应（IR）系数包含无限项，意指：
Figure DEST_PATH_IMAGE016
因此，原始的Box-Jenkins模型可以通过ARX模型来表示，但是具有无限数量的参数。因此，高阶ARX模型可以用于如下地拟合到闭环数据中：
Figure DEST_PATH_IMAGE017
在此处，n是所选的阶，并且
Figure DEST_PATH_IMAGE018
其中：
Figure DEST_PATH_IMAGE019
。
IR系数可以在足够的延迟（lag）之后收敛至0，并且高阶ARX模型可以捕捉前几个重要系数。例如，基于等式（14）和（15），ARX模型的参数估计可以通过求解最小平方问题而容易地实现。参数的估计可以被定义为：
Figure DEST_PATH_IMAGE020
显然，在等式（14）和（15）之下的参数估计
Figure DEST_PATH_IMAGE021
可以诸如由于大数量的参数而经受大的方差。对此问题的一个补救是对最小平方问题添加正则化。已显示出的是，经正则化的回归量随着样本数趋于无限而收敛至真实回归量（具有概率1）。此外，大多数实际的噪声模型的IR系数趋于非常快速地衰减，并且可以使用先验信息来为第一步中的ARX识别选择合理的模型阶数。
为了理论上的便利，假设（随着样本尺寸N趋于无限）允许所选ARX结构的阶数趋于无限，但是具有比N慢得多的增长速率。 针对等式（14）中的高阶ARX模型，其保持：
Figure DEST_PATH_IMAGE022
其中，δ > 0为常数。 在该假设的情况下，指示：
Figure DEST_PATH_IMAGE023
以表示当允许n作为N的函数趋于无限时在
Figure DEST_PATH_IMAGE024
中的参数的估计。 此外，将
Figure DEST_PATH_IMAGE025
定义为将无限数量的真实参数堆叠在高阶ARX模型中的向量，意指：
Figure DEST_PATH_IMAGE026
在以下讨论中，可互换地使用A 0 (q)和A(q, η 0 )，如同B 0 (q)和B(q, η 0 )一样。
要指出的是，如果上面描述的各种假设有效，则可以获得下式：
Figure DEST_PATH_IMAGE027
因此，在样本数量和ARX模型的阶数中都渐近地，A 0 (q)的估计
Figure DEST_PATH_IMAGE028
几乎必然收敛至真实值。 注意，不管数据是开环的还是闭环的这都有效，只要能够满足对应的假设。
第二步：利用已过滤输入输出数据的OE建模
在所提出的方法的第二步中，使用已过滤的输入和输出信号来执行OE模型识别。滤波器可以被选为来自第一步的估计的
Figure DEST_PATH_IMAGE029
。为了易于标记，使用
Figure DEST_PATH_IMAGE030
来过滤信号s(t)的操作可以被定义为：
Figure DEST_PATH_IMAGE031
以显示出该明确的相关性。在该标记的情况下，已过滤输入和输出信号可以表达如下：
Figure DEST_PATH_IMAGE032
。
为了估计过程模型，将以下OE模型拟合到已过滤输入输出数据：
Figure DEST_PATH_IMAGE033
其中，可以诸如通过针对造纸机使用第一阶加上时间延迟模型来施加与过程模型相关的先验信息。 上述OE模型的先行一步的预测器可以被表达为：
Figure DEST_PATH_IMAGE034
所得出的预测误差可以被表达为：
Figure DEST_PATH_IMAGE035
针对预测误差方法，可以通过最小化以下目标函数来获得最优参数：
Figure DEST_PATH_IMAGE036
求解等式（26）和（27）中的OE模型识别通常涉及到非凸优化，因此一般来说可能无法保证全局极小值。在本文献中没有开发全局最小值搜索算法，但关于此话题的细节，请参见Zhu等人的“The Box-Jenkins Steiglitz-McBride algorithm”，Automatica 65（2016），第170-182页（藉此，通过引用将其整体地并入）。
在实践中，ARX模型的正确选择可能涉及到反复试验，或者可能是基于过程的先验知识。 此外，通过渐近分析可以显示出的是，使用所描述的ARX-OE技术确定的过程模型的估计随着样本尺寸N趋于无限而逼近真实模型。 基于此，充分高的阶数足以给出噪声模型的高质量估计。 被添加到最小平方问题的正则化有助于改进参数估计的精确度。
要指出的是，诸如针对MPC的模型工厂不匹配检测之类的许多线上过程监视任务可能涉及到基于例行操作数据（其中可能不存在外部刺激信号）而执行的闭环识别。众所周知的是，如果没有外部刺激，则使用预测误差方法的闭环识别可能得到控制器的逆的估计。这是因为相关输入输出数据通过反馈而不通过过程和噪声模型的可能性。特别是，当r(t)= 0时，输出和输入信号可以等价于：
y(t) = G 0 (q)u(t) + H 0 (q)e(t) (28)
u(t) = –K(q)y(t) (29)
估计G 0 的拟合误差大于0，同时y(t)与u(t)之间的估计–1/K(q)的拟合误差为0。因此，PEM将控制器逆取为过程的估计，因为对应的预测误差是最小值。对此问题的一个解决方案是对识别方法施加时间延迟，其中较长的时间延迟将有助于防止估计控制器的逆。使用闭环数据的多种延迟估计方法是可用的。在Björklund等人的“A review of time-delayestimation techniques”（第42届IEEE Conference on Decision and Control的会议记录，卷3，2003，第2502-2507页）以及Babji等人的“Time-delay estimation in closed-loop processes using average mutual information theory”（Control & IntelligentSystems，卷37（3），2009，第176-182页）中描述了示例（藉此将这两篇文献通过引用整体地并入）。时间延迟估计可以在执行闭环ARX-OE识别技术之前发生。
还发现了的是，不具有外部刺激的闭环数据仍然可能包含某些刺激，诸如由于反馈控制器的复杂度而确定的刺激。已经研究出了调整器的阶数以及过程模型的阶数之间的具体关系，并且结论是更加复杂的控制器和大的时间延迟充实了闭环数据的信息量。因此，从这个角度来说，控制器的非线性动态可以是有帮助的。幸运的是，对于被MPC控制的许多工业过程（诸如造纸机）来说，例行数据一般足够刺激以应用ARX-OE识别技术，尤其是在MPC利用有效约束来操作时。在高阶ARX建模的第一步中的正则化也可以保证其在较少的有益数据的情况下的安全性。
此外，众所周知的是，对于使用外部刺激信号的闭环识别方法来说，噪声对参数协方差具有负面影响。对于直接识别方法，已论证出此类噪声是有帮助的，因为其可以降低方差。该论证在此处也适用，因为正在执行基于可能缺少外部刺激的例行操作数据的系统识别。此外，从可识别性的角度来说，较大的噪声方差在此处可能是合期望或优选的，因为其可以激活更多的MPC约束，并且因此提高闭环数据的持久性刺激的阶数。
总结
本公开已描述了新颖的闭环识别技术，其可以校正直接识别方法中由于噪声模型的不充分的规范而导致的内在偏差。识别高阶ARX或其他模型来获得噪声模型的估计。使用估计出的噪声模型的逆来过滤输入和输出数据，并且用已过滤输入输出数据进行OE模型识别或其他模型识别以获得过程模型估计。可以示出的是，该闭环ARX-OE识别方法可以给出一致的估计，并且参数估计量渐近地正态分布。这些技术在各种情形中适用，包括其中控制器是非线性的那些情形以及其中闭环数据不包含外部刺激的那些情形。因此，这些技术针对涉及到基于例行操作数据的过程模型识别的诸如控制器性能监视和模型工厂不匹配检测之类的功能展现出非常好的潜能。
在一些实施例中，本专利文献中描述的各种功能是通过计算机程序来实现或支持的，所述计算机程序形成自计算机可读程序代码并且体现在计算机可读介质中。短语“计算机可读程序代码”包括任何类型的计算机代码，包括源代码、目标代码和可执行代码。短语“计算机可读介质”包括能够被计算机访问的任何类型的介质，诸如只读存储器（ROM）、随机存取存储器（RAM）、硬盘驱动、紧凑盘（CD）、数字视频盘（DVD）或任何其他类型的存储器。“非暂时性”计算机可读介质不包括传输暂时性电信号或其他信号的有线、无线、光学或其他通信链路。非暂时性计算机可读介质包括其中可以永久性地存储数据的介质以及其中数据可以被存储并稍后被覆写的介质，诸如可重写光盘或可擦存储设备。
阐述遍及本专利文献使用的某些词汇和短语的定义可以是有利的。术语“应用”和“程序”指的是被适配成以适当的计算机代码（包括源代码、目标代码或可执行代码）来实现的一个或多个计算机程序、软件组件、指令集、过程、函数、对象、类、实例、相关数据或其部分。术语“通信”以及其派生词涵盖直接和间接通信二者。术语“包括”和“包含”以及其派生词意指包括但不限于。术语“或”是包括性的，意指和/或。短语“与……相关联的”以及其派生词可以意指包括、被包括在……内、与……互联、包含、被包含在……内、连接到或与……连接、耦合到或与……耦合、可与……通信、与……协作、交错、并置、靠近、被绑定到或与……绑定、具有、具有……的属性、具有到……或与……的关系，等等。短语“……中的至少一个”当与一系列项目一起使用时意指可以使用所列项目中的一个或多个的不同组合，并且可以需要改列表中的仅一个项目。例如，“A、B和C中的至少一个”包括以下组合中的任何：A、B、C、A和B、A和C、B和C以及A和B和C。
本申请中的描述不应被解读为暗示任何特定的元素、步骤或功能是必须被包括在所要求保护的范围中的必要或关键元素。在所要求保护的范围内的诸如（但不限于）“机构”、“模块”、“设备”、“单元”、“组件”、“元件”、“构件”、“装置”、“机器”、“系统”、“处理器”或“控制器”之类的术语的使用被理解为且意图为指代如被所要求保护的范围其自身的特征进一步修改或增强了的相关领域技术人员已知的结构。
虽然本公开描述了某些实施例和一般地相关联的方法，但是这些实施例和方法的更改和置换对于本领域技术人员来说将是显而易见的。因此，上述示例实施例的描述不限定或约束本公开。在不脱离如由所要求保护的范围限定的本公开的精神和范围的情况下，其他的改变、替换和更改也是可能的。

Claims (11)

1.一种用于闭环模型参数识别的方法，包括：
获得（402）与工业过程控制器（106,204）的操作相关联的闭环数据，所述工业过程控制器被配置成使用至少一个模型（144,230）来控制工业过程的至少一部分；
利用第一模型识别过程，使用所述闭环数据中的至少一些来生成（404）与所述工业过程控制器相关联的至少一个噪声模型，其中所述第一模型识别过程包括利用外源项的高阶自回归（ARX）的模型识别过程；
基于所述至少一个噪声模型来过滤（406）所述闭环数据，其中所选择的滤波器是基于所生成的至少一个噪声模型的估计，其中使用该估计来过滤信号s(t)被定义为：
Figure 550457DEST_PATH_IMAGE002
，其中
Figure DEST_PATH_IMAGE003
表示已过滤的信号s(t)，
Figure DEST_PATH_IMAGE005
表示高阶ARX模型，并且
Figure 93696DEST_PATH_IMAGE006
表示所述ARX模型的参数估计；以及
使用已过滤的闭环数据来生成（408）针对所述工业过程控制器的一个或多个模型参数，其中生成所述一个或多个模型参数执行第二模型识别过程，该第二模型识别过程包括输出误差（OE）模型识别过程。
2.根据权利要求1所述的方法，其中，过滤所述闭环数据包括使用所述至少一个噪声模型的逆。
3.根据权利要求1所述的方法，还包括以下中的至少一个：
使用所述一个或多个模型参数更新（410）所述至少一个模型；以及
使用所述一个或多个模型参数生成（410）至少一个第二模型（144,230）。
4.根据权利要求3所述的方法，还包括将所述至少一个已更新模型或所述至少一个第二模型提供（410）给所述工业过程控制器。
5.根据权利要求1所述的方法，其中，生成所述至少一个噪声模型包括求解具有添加的正则化的最小平方问题。
6.一种用于闭环模型参数识别的装置，包括：
至少一个存储器（304,310,312），其被配置成存储与被配置成使用至少一个模型（144,230）控制工业过程的至少一部分的工业过程控制器（106,204）的操作相关联的闭环数据；以及
至少一个处理设备（302），其被配置成：
利用第一模型识别过程，使用所述闭环数据中的至少一些来生成与所述工业过程控制器相关联的至少一个噪声模型，其中所述第一模型识别过程包括利用外源项的高阶自回归（ARX）的模型识别过程；
基于所述至少一个噪声模型来过滤所述闭环数据，其中所选择的滤波器是基于所生成的至少一个噪声模型的估计，其中使用该估计来过滤信号s(t)被定义为：
Figure 873433DEST_PATH_IMAGE008
，其中
Figure DEST_PATH_IMAGE009
表示已过滤的信号s(t)，
Figure DEST_PATH_IMAGE011
表示高阶ARX模型，并且
Figure 393276DEST_PATH_IMAGE006
表示所述ARX模型的参数估计；以及
使用已过滤的闭环数据来生成针对所述工业过程控制器的一个或多个模型参数，其中生成所述一个或多个模型参数执行第二模型识别过程，该第二模型识别过程包括输出误差（OE）模型识别过程。
7.根据权利要求6所述的装置，其中，所述至少一个处理设备被配置成使用所述至少一个噪声模型的逆来过滤所述闭环数据。
8.根据权利要求6所述的装置，其中，所述至少一个处理设备还被配置成进行以下中的至少一个：
使用所述一个或多个模型参数更新所述至少一个模型；以及
使用所述一个或多个模型参数生成至少一个第二模型。
9.根据权利要求8所述的装置，其中，所述至少一个处理设备还被配置成将所述至少一个已更新模型或所述至少一个第二模型提供给所述工业过程控制器。
10.根据权利要求6所述的装置，其中，所述至少一个处理设备被配置成求解具有添加的正则化的最小平方问题以生成所述至少一个噪声模型。
11.一种包含指令的非暂时性计算机可读介质，所述指令在被至少一个处理设备执行时促使所述至少一个处理设备实行根据权利要求1-5中的任一项所述的方法。
CN201710831457.0A 2016-09-16 2017-09-15 用于工业上基于模型的过程控制器的闭环模型参数识别的方法和装置 Active CN107831650B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201662395904P 2016-09-16 2016-09-16
US62/395904 2016-09-16
US15/636,419 US10761522B2 (en) 2016-09-16 2017-06-28 Closed-loop model parameter identification techniques for industrial model-based process controllers
US15/636419 2017-06-28

Publications (2)

Publication Number Publication Date
CN107831650A CN107831650A (zh) 2018-03-23
CN107831650B true CN107831650B (zh) 2023-01-31

Family

ID=59858892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710831457.0A Active CN107831650B (zh) 2016-09-16 2017-09-15 用于工业上基于模型的过程控制器的闭环模型参数识别的方法和装置

Country Status (3)

Country Link
US (1) US10761522B2 (zh)
EP (1) EP3296821B1 (zh)
CN (1) CN107831650B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110244557B (zh) * 2019-04-30 2022-03-15 国网浙江省电力有限公司电力科学研究院 一种工业过程多阶惯性闭环系统的闭环建模方法
CN110531708A (zh) * 2019-07-02 2019-12-03 上海大学 一种三自由度压电作动平台的辨识与补偿控制方法
CN112947648B (zh) * 2021-03-04 2021-11-23 江西理工大学 一种农业温室环境预测方法及系统
CN115079577B (zh) * 2022-07-22 2022-11-11 浙江中控技术股份有限公司 基于实时控制性能评估的闭环阶跃测试方法和测试装置
CN115167320A (zh) * 2022-08-09 2022-10-11 浙江中控技术股份有限公司 工业控制系统的模型识别方法、装置、设备及存储介质
WO2024056147A1 (de) * 2022-09-12 2024-03-21 TRUMPF Werkzeugmaschinen SE + Co. KG Verfahren zur ermittlung eines analytischen prozessmodells einer werkzeugmaschine

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005015737A1 (ja) * 2003-08-11 2005-02-17 Japan Science And Technology Agency システム推定方法及びプログラム及び記録媒体、システム推定装置
CN104024964A (zh) * 2011-09-01 2014-09-03 霍尼韦尔国际公司 用于在工业过程控制系统中预测终结并且改进过程控制的装置和方法

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5351184A (en) 1993-01-26 1994-09-27 Honeywell Inc. Method of multivariable predictive control utilizing range control
CN1161753A (zh) * 1994-10-24 1997-10-08 奥林公司 模型预测控制装置与方法
US5574638A (en) 1995-04-03 1996-11-12 Lu; Zhuxin J. Method of optimal scaling of variables in a multivariable predictive controller utilizing range control
US5572420A (en) 1995-04-03 1996-11-05 Honeywell Inc. Method of optimal controller design for multivariable predictive control utilizing range control
US5561599A (en) 1995-06-14 1996-10-01 Honeywell Inc. Method of incorporating independent feedforward control in a multivariable predictive controller
US5758047A (en) 1995-06-14 1998-05-26 Lu; Zhuxin Joseph Method of process controller optimization in a multivariable predictive controller
US6122555A (en) 1997-05-05 2000-09-19 Honeywell International Inc. System and methods for globally optimizing a process facility
US6055483A (en) 1997-05-05 2000-04-25 Honeywell, Inc. Systems and methods using bridge models to globally optimize a process facility
US6253113B1 (en) 1998-08-20 2001-06-26 Honeywell International Inc Controllers that determine optimal tuning parameters for use in process control systems and methods of operating the same
US6697767B2 (en) 2000-10-18 2004-02-24 The National University Of Singapore Robust process identification and auto-tuning control
WO2003096130A1 (en) * 2001-10-23 2003-11-20 Brooks-Pri Automation, Inc. Semiconductor run-to-run control system with state and model parameter estimation
US20040102937A1 (en) * 2002-11-21 2004-05-27 Honeywell International Inc. Energy forecasting using model parameter estimation
US7103426B2 (en) * 2003-01-28 2006-09-05 Rosemount Analytical Inc. Anticipatory high frequency noise compensation in a distributed process control system
EP1604354A4 (en) * 2003-03-15 2008-04-02 Mindspeed Tech Inc VOICE INDEX CONTROLS FOR CELP LANGUAGE CODING
US7451004B2 (en) 2005-09-30 2008-11-11 Fisher-Rosemount Systems, Inc. On-line adaptive model predictive control in a process control system
US8046090B2 (en) * 2007-01-31 2011-10-25 Honeywell International Inc. Apparatus and method for automated closed-loop identification of an industrial process in a process control system
WO2008139006A1 (es) 2007-05-10 2008-11-20 Universidad De Cádiz Sistema para diseno e implantacion de controlador robusto h (h∞,h2) ajustable en tiempo real para procesos industriales de multiples entradas y multiples salidas
CN101925866B (zh) * 2008-01-31 2016-06-01 费希尔-罗斯蒙特系统公司 具有用来补偿模型失配的调节的鲁棒的自适应模型预测控制器
US7825844B2 (en) * 2008-02-06 2010-11-02 Qualcomm Incorporated Adaptive high-order digital-to-analog conversion
US8311653B2 (en) * 2008-02-08 2012-11-13 Honeywell International Inc. Apparatus and method for system identification and loop-shaping controller design in a process control system
JP5734961B2 (ja) 2009-05-29 2015-06-17 アスペン テクノロジー インコーポレイテッド 多変数プロセス制御においてモデルの品質を推定しモデルを適応させる装置およびその方法
JP5939962B2 (ja) * 2012-11-19 2016-06-29 株式会社Pfu 画像処理装置、画像処理方法及びコンピュータプログラム
US9405286B2 (en) * 2013-03-01 2016-08-02 Fisher-Rosemount Systems, Inc. Use of predictors in process control systems with wireless or intermittent process measurements
US9557724B2 (en) 2013-05-31 2017-01-31 Honeywell Limited Technique for converting a model predictive control (MPC) system into an explicit two-degrees of freedom (2DOF) control system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005015737A1 (ja) * 2003-08-11 2005-02-17 Japan Science And Technology Agency システム推定方法及びプログラム及び記録媒体、システム推定装置
CN104024964A (zh) * 2011-09-01 2014-09-03 霍尼韦尔国际公司 用于在工业过程控制系统中预测终结并且改进过程控制的装置和方法

Also Published As

Publication number Publication date
EP3296821B1 (en) 2021-09-08
CN107831650A (zh) 2018-03-23
US10761522B2 (en) 2020-09-01
EP3296821A3 (en) 2018-06-13
EP3296821A2 (en) 2018-03-21
US20180081348A1 (en) 2018-03-22

Similar Documents

Publication Publication Date Title
CN107831650B (zh) 用于工业上基于模型的过程控制器的闭环模型参数识别的方法和装置
CN107831737B (zh) 用于测量和控制的装置、方法和非瞬时计算机可读介质
CN107831736B (zh) 使用用于造纸机或其它系统的模型参数数据群集的模型-工厂失配检测
US20160357162A1 (en) Method and apparatus for robust tuning of model-based process controllers used with uncertain multiple-input, multiple-output (mimo) processes
US20180157225A1 (en) Apparatus and method for automatic model identification from historical data for industrial process control and automation systems
US10534325B2 (en) Adaptive control techniques for pH control or control of other industrial processes
US10678197B2 (en) Method and apparatus for designing model-based control having temporally robust stability and performance for multiple-array cross-direction (CD) web manufacturing or processing systems or other systems
US20170045419A1 (en) System and method for step test-free machine modeling using statistical information about multiple web manufacturing or processing systems
CN110622079B (zh) 用于设计具有用于多阵列交叉方向(cd)幅材制造或处理系统或其他系统的空间稳健性的基于模型的控制的方法和装置
Ammar Model identification of a paper machine cross-directional process under model predictive control
Duncan et al. Evaluating the performance of cross-directional control systems
US11740596B2 (en) Method and system to provide cost of lost opportunity to operators in real time using advance process control
WO2018161148A1 (en) Method and apparatus for designing model-based control having temporally robust stability and performance for multiple-array cross-direction (cd) web manufacturing or processing systems or other systems
US10459428B2 (en) Optimal closed-loop input design for identification of flat-sheet process models
Ebrahimi et al. Design of a Free Model Adaptive-Neural Controller for Level and Temperature Control of Liquid Storage Tanks
Ohta et al. DESIGN AND SUPERVISION OF INDUSTRIAL
Duncanl et al. Evaluating the Performance of Cross-Directional Control
EP3304223A1 (en) Method and apparatus for robust tuning of model-based process controllers used with uncertain multiple-input, multiple-output (mimo) processes

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant