过程控制的多变量系统辨识PDF电子书下载

目录中文版序序引言示例和Matlab文件致谢符号与缩写第1章　导论1.1　什么是过程辨识？ 1

1.2　现代自动化系统的层次结构 3

1.3　基于模型的多变量过程控制 5

1.3.1　连续过程 5

1.3.2　间歇和半间歇过程 7

1.3.3　基于模型的控制方法 7

1.3.4　过程控制实例 9

1.4　本书概貌 11

第2章　动态过程和信号的模型2.1 单输入单输出（SISO）连续时间模型 13

2.2　单输入单输出（SISO）离散时间模型 14

2.3 多输入多输出（MIMO）模型 17

2.4　信号模型 19

2.4.1　有限个周期数的信号周期图 19

2.4.2　信号谱 20

2.5　有扰动的线性过程 21

2.6 非线性模型 22

2.6.1 Volterra级数 22

2.6.2　基于块连接的非线怀模型 23

2.6.3　由过程操作引发的非线性模型：复合模型方法 24

3.1.2　前馈变量（DV′s）的选择 26

第3章　辨识实验设计和数据预处理3.1　控制器配置：MV′s、CV′s和DV′s的选择 26

3.1.1　输入（MV′s）的选择 26

3.1.3　输出（CV′s）的选择 27

3.1.4　软测量建模 27

3.1.5　控制器配置实例 27

3.2　初步过程实验 30

3.2.1　历史数据收集或空转实验 31

3.2.2　阶跃实验或阶梯实验 31

3.2.3　白噪声实验，可选 32

3.3.1　模型辨识中的实验信号 33

3.3　最终实验的实验信号，持续激励 33

3.3.2　持续激励 43

3.4　模型辨识的实验，最终实验 44

3.4.1　用于控制的开环实验设计 45

3.4.2　闭环实验的评述 46

3.5　采样频率和反锯齿滤波器 47

3.6　数据预处理 50

3.6.1　废值脉冲剔除 50

3.6.4　缩放与去偏校正（归一化） 51

3.6.2　信号限幅 51

3.6.3　趋势校正或高通滤波 51

3.6.5　延迟校正，可选 52

3.6.6　低通滤波和降低采样频率，可选 52

3.6.7　非线性模型辨识的预处理 52

3.7　何时能加激励？总结与评论 53

第4章　最小二乘辨识方法4.1 最小二乘法的原理 54

4.2　线性过程模型的估计 56

4.2.1　有限脉冲响应（FIR）模型 56

4.2.2　有理传递函数模型或ARX模型 60

4.2.3　阶次选择，一种仿真方法 65

4.3　工业实例研究 69

4.3.1　轧机模型的辨识与控制 70

4.3.2　玻璃管拉制过程的辨识 73

4.4　最小二乘估计值的特性 75

4.5　结论 81

第5章　最小二乘法的推广5.1　基于预滤波的频率权值修正 82

5.2　输出误差法 87

5.3　辅助变量法（Ⅳ） 94

5.4.1　最小二乘法与预报误差法的等价 97

5.4　预报误差法 97

5.4.2　广义最小二乘（GLS） 98

5.4.3　ARMAX模型 102

5.4.4　Box-Jenkins法 103

5.4.5　一般模型 104

5.4.6　预报误差法的性质 104

5.5　为了控制的辨识方法选择 107

5.5.1　稳定过程的开环辨识 107

5.5.2　闭环辨识 114

5.6　关于阶次／结构选择的进一步讨论 116

5.7　模型检验 120

5.8　玻璃管拉制过程的辨识 122

5.9　递推参数估计 133

5.9.1　递推最小二乘法 133

5.9.2　递推输出误差法 135

5.10　总结与讨论 138

第6章　渐近辨识法：SISO情形6.1　渐近理论 141

6.2　用于控制的最优测试信号谱 144

6.2.1　用于IMC的开环实验设计 145

6.2.2　IMC的闭环测试设计 146

6.3　参数估计和阶次选择 149

6.3.1　参数估计 149

6.3.2　模型阶数选择 151

6.4　辨识误差上限和模型检验 152

6.5　仿真研究与结论 153

第7章 渐近辨识法：MIMO情形7.1　渐近理论的MIMO形式 157

7.2　渐近方法 159

7.2.1　参数估计 159

7.2.2　模型阶次／结构选择 160

7.2.3　关于模型确认的上界矩阵的推导 161

7.2.4　状态空间实现的确认 161

7.3　玻璃管拉制过程的辨识 163

7.3.1　采用类白噪声PRBS信号的辨识 163

7.3.2　采用低通PRBS信号的辨识 166

7.4　结论 169

第8章　MIMO过程的子空间模型辨识8.1 引言 170

8.2　状态空间辨识问题的定义 171

8.3　数据方程的定义 172

8.4.1　数据方程的变换 173

8.4　阶跃响应测量值分析 173

8.4.2　有关系统阶次n和系统矩阵的推导 174

8.5　采用一般输入信号的子空间辨识 177

8.5.1　矩阵Γs的列空间获取 177

8.5.2　系统矩阵的计算 178

8.6　加性扰动的处理 180

8.6.1　Γs列空间的一致性估计的推导 180

8.6.2　在有过程和测量噪声的情形下的系统矩阵［BT　D］计算：开环 181

8.6.3　在有过程和可测噪声情形下的系统矩阵［BT D］的计算：闭环 182

8.7　仿真研究 183

8.8　推广途径 184

第9章　非线性过程辨识9.1　Hammerstein模型的辨识 185

9.1.1　模型的参数化和问题的描述 186

9.1.2　实验设计 187

9.1.3　参数估计 190

9.1.4　阶次选择 192

9.1.5　模型检验 192

9.1.6　仿真实例 193

9.2.1　模型的参数化和问题的描述 196

9.2　Wiener模型的辨识 196

9.2.2　实验设计 198

9.2.3　参数估计 198

9.2.4　阶次选择 200

9.2.5　模型检验 201

9.2.6　仿真研究 202

9.3　NLN Hammerstein-Wiener模型的辨识 205

9.3.1　模型的参数化和问题的描述 206

9.3.2　参数估计 207

9.3.3　仿真研究 209

9.3.4　MISO扩展 212

9.4　结论和建议 213

第10章　过程控制中的辨识应用10.1　一种先进过程控制的工程方法 214

10.2　过程控制的辨识要求 218

10.3　基于过程辨识的PID自整定 220

10.4　病态过程的辨识 224

10.4.1　病态过程实例：高纯度分馏塔 225

10.4.2　高纯度分馏塔的辨识 227

10.4.3　简单开环实验方法 233

10.5　基于MPC的常减压装置的辨识 238

10.6 乙烷馏除塔的闭环辨识 245

10.7　结论和展望 252

第11章　基于模型的故障检测与分离11.1 引言 253

11.2　存在加性故障的线性系统的残差 254

11.2.1 现有方法的回顾 255

11.2.2　残差修正 257

11.3　具有非加性故障的非线性系统的残差 262

11.3.1　线性系统中的非加性故障 262

11.3.2　非线性系统的残差产生 263

11.4　残差估计 265

11.4.1　已知随机模型情形下的残差估计 266

11.4.2　基于局部渐近法的残差估计 268

11.5 工业应用实例 273

11.5.1　热电厂中的故障检测和分离 273

11.5.2　燃气轮机的监控 279

附录A　矩阵理论知识的回顾 284

参考文献 289

后记 298