本专著主要探讨面向控制工程需求的多变量过程辨识的应用理论问题，探索可工程实现的多变量过程辨识新方法和新技术。
本专著给出一种多变量过程模型智能优化辨识问题陈述，提出了多变量过程模型辨识准确度计算与评价方法,提出了多变量过程的模型框架和结构确定方法,提出了多变量过程模型准确辨识的激励条件,提出了融入机理分析建模的多变量过程模型辨识思路,提出了基于M批不相关自然激励和汇总智能优化的多变量过程辨识理论,通过再热汽温过程、过热汽温过程和脱硝过程的建模案例研究验证了所提出的关于多变量过程模型辨识新理论方法的有效性。本专著尽力避免晦涩难懂和故弄玄虚的理论阐述，专注于可解决工程实际问题的应用理论问题研究。所提出的理论方法和应用技术可认为是当前流行的大数据分析中急需的一种人工智能应用技术数据驱动建模技术。
本专著适合于从事控制理论应用研究以及有关大数据分析、人工智能、智能工厂、智能机器和智能识别研究的高校师生和研究所研究员参考，也适合于从事电力、化工、信息、能源等产业的有关自动化及智能装备的研发维护工程师和技术人员阅读。
迄今为止，多变量过程辨识是先进控制技术在实际工程中推广应用的一个公认难题。大量实践研究证明，用现有的多变量过程辨识技术很难辨识出准确的多变量过程模型，究其原因是现有的多变量过程辨识理论存在固有缺陷，没有确切的理论证明多变量过程模型的准确辨识可以实现，并且至今还没有取得关键性的突破。按照现有的多变量过程辨识理论，人们的认识还停留在多变量系统辨识可以看作单变量系统的扩展。因此，大多数人以为用单变量系统辨识可以解决多变量系统辨识的问题，于是长期以来多变量过程辨识的理论研究聚焦在如何把多变量过程模型用单变量模型来表述的模型转换上。一旦实现了用若干个单变量的子系统表征一个多变量系统，就可以套用单变量的系统辨识算法去计算多变量过程模型参数。但现在看来这种研究思路是有问题的，因为多变量过程和单变量过程的区别在于多输入变量有可能同时对任一输出变量产生作用，若是能用解耦器解除这种耦合作用，那么单变量过程辨识理论就可以用了。但是解耦器可用的前提是已知过程模型，这等于说解耦之路走不通。总之，多变量过程辨识理论的研究是绕不开多变量耦合作用这个本质问题的。既然如此，多变量过程辨识理论的研究就应该围绕多变量耦合作用这个关键问题来研究解决之道，但是目前为止还没有看到突破和进展。
在《闭环过程辨识理论研究及应用》一书中，我们提出了过程辨识的六要素，除了传统的三要素（数据、模型类和准则）外，新加的要素是过程激励优化。之所以添加这三个要素，是源于对过程辨识更深入的认知。因此，多变量过程辨识依然像单变量过程辨识一样，需要考虑 过程激励优化这三种新要素。首先，针对实际过程所辨识出的模型究竟准不准，应该考核的是实际过程和所辨识出模型之间的吻合度，而不仅仅是模型响应数据和实际过程响应数据之间的吻合度。事实上，人们早已发现那些数据拟合很好的模型并不一定能真正代表实际过程，这两者之间的动态特性可能相差十万八千里，所以过程要素不可不加。其次，人们早已发现所采集到的实际过程响应数据能否体现实际过程特性与辨识时输入激励信号的关系很大。显然，强激励带来强响应数据，弱激励带来弱响应数据，零激励只能带来零响应数据，噪声激励只能带来噪声响应数据。强响应数据意味着某些过程变量超限，属于事故状态特性，可能危及生产安全，所以是不被期待的；弱响应数据也不好，因为过程所具有的动态特性激发不足，辨识出的过程模型将有所缺失；零响应数据就更不能用了，因为只能辨识出虚假模型，所以所期待的是不强也不弱的激励得来的恰到好处的响应数据，因此激励要素不能不专门考虑。再者，传统辨识的优化计算只是小二乘算法一家独大，那时优化要素和准则要素合并在一起考虑是可以被接受的。但是，进入到智能时代以后，有了更优越的智能优化算法，有了更强大的计算机技术，几万次迭代优化计算可以瞬间完成， 优化要素就不得不单独列出了。大量的研究文献已经表明，用智能优化技术可突破用小二乘优化技术的局限性，解决了许多原先用小二乘优化技术不能解决的过程辨识问题，显著提高了过程辨识的精度。如果不重视优化要素的存在，则很有可能得到误差很大的辨识模型。
在以下展开的多变量过程辨识理论研究中，新加的要素过程和激励启发了我们新的研究思路。受过程要
素启发的一条思路就是通过机理分析建模技术确定被辨识过程的模型结构和参数域。研究表明，要想让所辨识出的模型吻合实际过程特性，首先要让所确定的模型结构吻合实际过程特性。这对于单变量过程辨识是需要的，对于多变量过程辨识是更加需要的，因为所辨识出的模型与实际过程特性之间的误差莫过于模型结构不吻合。例如，实际过程特性是惯性特性，所确定的辨识模型结构也应该是惯性特性结构；若是选用振荡特性结构模型，则辨识模型特性将永远无法与实际过程特性吻合。必须指出，已经有过不少关于模型结构辨识的研究报道，但是，已提出的模型结构辨识仅仅局限于对模型阶数的辨识。即便能准确辨识出模型阶数，也解决不了以上所提出的确定模型结构的问题，因为我们所需要的是更深层次模型结构的确定。对线性模型而言，就是零点和极点的确定。例如，确定模型有左实极点，就可以确认被辨识过程含有惯性特性；确定有左复极点，就可知被辨识过程含有振荡特性。确定被辨识过程模型结构的问题，目前有三种方法：一是由人任凭经验确定；二是用机理分析建模技术来确定；三是用类似数据挖掘的技术来确定。综合考虑，由人凭经验确定和用类似数据挖掘的技术来确定的方法具有较大的盲目性，而采用机理分析建模技术来确定被辨识过程的模型结构更有科学依据。而且，只要被辨识过程装置的设计制造资料齐全，采用机理分析建模技术不但能确定被辨识过程的模型结构，还可以估算出模型参数的合理参数域。受激励要素启发的一条思路就是优选自然激励的生产运行大数据来保证被辨识过程的数据富含过程特性信息。
这本专著还可以看成是作者《多容惯性标准传递函数控制器设计理论及应用技术》《PID控制器参数整定方法及应用》《闭环过程辨识理论及应用技术》三本专著的后续。因为《多容惯性标准传递函数控制器设计理论及应用技术》提出了一种依赖于过程模型的先进控制技术，《PID控制器参数整定方法及应用》提出了依赖于过程模型的PID控制器参数整定技术，《闭环过程辨识理论及应用技术》提供了一套在闭环控制条件下进行单变量过程模型辨识的实用理论和技术，而眼下这本专著重在解决多变量过程模型的准确辨识问题。这四本专著将构成一套行之有效的先进过程辨识和控制理论及应用技术。
作者
2021年5月1日
前言
第1章 多变量过程辨识研究进展点评1
1.1基于小二乘法的多变量过程辨识研究3
1.2基于子空间法的多变量过程辨识研究7
1.3基于闭环顺序激励法的多变量过程辨识研究9
1.4基于智能优化法的多变量过程辨识研究10
1.5现有多变量过程辨识理论的工程应用问题思考12
1.6基于自然激励动态响应数据的多变量过程智能优化辨识研究12
1.7融入数据挖掘技术的多变量过程辨识研究15
1.8融入机理分析建模的多变量过程辨识研究16
第2章 多变量过程智能优化辨识理论18
2.1多变量过程模型智能优化辨识问题18
2.2多变量过程模型辨识准确度计算准则19
2.3多变量过程模型智能优化辨识算法22
2.4多变量过程模型准确辨识的激励条件23
2.5非零初态条件下的多变量过程辨识29
2.6多变量过程模型结构的确定方法30
2.7基于闭环控制机理的多变量过程模型框架构建34
第3章 基于机理分析的典型多变量过程建模原理及模型36
3.1机械过程的动态特性机理分析模型36
3.2流体过程的动态特性机理分析模型38
3.3传热过程的动态特性机理分析模型41
3.4电气过程的动态特性机理分析模型44
3.5化学反应过程的动态特性机理分析模型46
3.6混合系统的动态特性机理分析模型48
第4章 融入机理分析建模的多变量过程辨识53
4.1用机理分析方法确定多变量过程模型总体架构54
4.2用机理分析建模方法确定多变量过程模型的子模型
结构55
4.3用机理分析方法确定的多变量过程模型的子模型参数域56
4.4融合机理分析建模的多变量过程模型辨识流程56
第5章 基于M批不相关自然激励和汇总智能优化的多变量过程辨识理论58
5.1基于M批不相关自然激励和汇总优化的多变量过程辨识理论概述58
5.1.1多变量过程模型的传递函数矩阵表达59
5.1.2多变量过程模型辨识的M批不相关激励59
5.1.3多变量过程模型辨识的M批不相关自然激励响应数据的选取61
5.1.4多变量过程模型辨识的汇总优化指标设计和智能优化
辨识算法62
5.2多变量过程辨识的MUNEAIO方法的实验验证63
5.2.1基于已知模型的多变量过程辨识的MUNEAIO方法的实验验证63
5.2.2多变量过程辨识的MUNEAIO方法与传统方法的实验对比67
5.2.3针对未知模型的实际多变量过程辨识的MUNEAIO方法的实验验证72
第6章 多变量过程辨识新理论的应用案例再热汽温过程建模77
6.1换热过程的动态机理分析建模方法77
6.1.1单相受热管分布参数模型及建模基本假定78
6.1.2单相受热管分布参数模型的基本方程组79
6.1.3线性化处理81
6.1.4传递函数模型的导出83
6.1.5单相受热管分布参数传递函数模型的简化85
6.1.6单相受热管简化模型的工程应用问题与解决方法87
6.1.7单相受热管分布参数简化模型的误差分析与准确度评价93
6.2再热器汽温动态过程的机理建模96
6.2.1再热汽温系统的影响因素96
6.2.2再热汽温过程机理建模97
6.3再热器过程模型的多变量过程辨识新理论应用案例102
6.3.1再热汽温系统模型结构的确定102
6.3.2低温再热汽温过程的MUNEAIO建模103
6.3.3高温再热汽温过程的MUNEAIO建模107
第7章 多变量过程辨识新理论的应用案例过热汽温过程建模111
7.1过热蒸汽温度喷水减温过程的模型结构111
7.2模型辨识数据的采集和选用113
7.2.1模型辨识数据的采集113
7.2.2模型辨识数据的选用113
7.2.3模型辨识数据和模型验证数据的分配114
7.3基于MUNEAIO方法的过热器减温器过程融合建模实验115
7.4基于传统MIMO方法的过热器减温器过程融合建模实验117
7.5两种辨识方法建模的模型验证比较118
第8章 多变量过程辨识新理论的应用案例脱硝过程建模119
8.1脱硝过程的动态机理分析建模119
8.1.1SCR脱硝过程工艺119
8.1.2基于机理分析的SCR脱硝反应器非线性动态模型120
8.1.3SCR脱硝反应器的线性状态空间模型123
8.1.4SCR脱硝反应器的传递函数模型124
8.2SCR脱硝过程的过程模型的多变量过程辨识案例125
第9章 结论与展望132
9.1结论132
9.1.1多变量过程辨识的研究进展点评132
9.1.2多变量过程模型智能优化辨识问题陈述134
9.1.3多变量模型辨识准确度计算和评价135
9.1.4多变量过程的模型框架和结构确定方法136
9.1.5多变量过程模型准确辨识的激励条件138
9.1.6典型多变量过程的机理分析建模原理及传递函数模型140
9.1.7融入机理分析建模的多变量过程模型辨识方法143
9.1.8基于M批不相关自然激励和汇总智能优化的多变量过程辨识144
9.1.9多变量过程模型辨识新理论的应用案例研究145
9.2展望146
参考文献148
书单推荐
