模块化变量误差非线性系统辨识方法的研究

Model based control system performance depends on the quality of modeling. Although linear system identification modeling has been mature, more nonlinear systems exist in practical industrial processes. Nonlinear system identification is very difficult and a hot-point topic in the literature. Practical processes are very complex, which involve not only the output errors (i.e., disturbance noise) but also the input errors and the process variable errors as well. Existing output-error based model system identification methods cannot solve the errors-in-variables nonlinear system modeling problems. For nonlinear block structure errors-in-variables systems, (1) based on the unknown equivalent disturbance estimation, study the nonlinear system identification methods which can restrain disturbances, (2) adopt the multi-innovation theory, study the nonlinear system identification methods which can improve the parameter estimation precision, (3) adopt the hierarchical principle, study and put forward to the nonlinear system identification methods which can deal with complex structures,(4) adopt the stochastic stability theory in combination with the martingale theory, study the convergence of the new proposed identification methods, so as to solve the modeling problems of complex structure errors-in-variables nonlinear systems. This project belongs to the applied basic research and its achievements have important reference values to the industrial process modeling in our country.

基于模型的控制系统性能依赖模型质量。尽管线性系统辨识方法已很成熟，但实际工业中更多是非线性系统。非线性系统辨识极其困难，是领域研究热点，况且实际过程极其复杂，不仅输出存在误差（干扰噪声），而且输入以及过程变量都存在干扰，现存基于输出误差模型的系统辨识方法不能有效解决变量误差(errors-in-variables)非线性系统的辨识建模问题。本项目针对模块化变量误差非线性系统，主要研究内容（1）基于未知等价干扰估算，研究能抑制干扰的非线性系统辨识方法；（2）采用多新息(innovation)理论，研究能提高参数估计精度的非线性系统多新息辨识理论与方法；（3）采用递阶原理，研究和提出能处理复杂结构非线性系统递阶辨识方法；（4）利用随机稳定性理论结合鞅理论研究提出的辨识方法的收敛性，以解决复杂结构变量误差非线性系统的模型化问题。本项目属于应用基础研究，其研究成果对我国工业过程建模有重要参考价值。

工业过程的控制性能及优化依赖于系统数学模型的质量，本项目针对工业过程的复杂性和生产条件的多变性引起的工业生产过程不确定性干扰带来的困难，展开复杂工业过程辨识方法研究。传统的基于输入输出观测数据的建模方法大多只考虑观测输出数据存在误差（干扰噪声），即基于输出误差模型的系统辨识建模方法，完全忽视了输入观测数据以及一些可观测的过程变量数据存在误差，最终导致模型的误差。基于模型的控制系统性能依赖模型质量。尽管线性系统辨识方法已很成熟，但实际工业中更多是非线性系统。非线性系统辨识极其困难，是领域研究热点，况且实际过程极其复杂，不仅输出存在误差（干扰噪声），而且输入以及过程变量都存在干扰，现存基于输出误差模型的系统辨识方法不能有效解决变量误差(errors-in-variables)非线性系统的辨识建模问题。本项目针对模块化变量误差非线性系统开展了相关的模型辨识工作并取得了一些创新性研究成果：（1）基于未知等价干扰估算，研究和提出了能抑制干扰的非线性系统辨识方法，有效的减小了复杂噪声对模型精度的影响；（2）采用多新息(innovation)理论，研究和提出了可提高参数估计精度的非线性系统多新息辨识理论与方法，该方法可有效应用于工业过程的在线实时模型自适应辨识，并可有效权衡算法的计算量与计算精度之间的矛盾关系；（3）采用递阶辨识原理，采用模型和系统分解技术，研究和提出了可处理复杂结构非线性系统递阶辨识方法，有效降低了算法的计算复杂度，提升了建模精度；（4）将随机稳定性理论与鞅收敛理论相融合，结合实际工业过程建模的应用环境背景，研究和提出了辨识方法的收敛性，为模型的应用提供理论基础。本项目属于应用基础研究，其研究成果对我国复杂工业过程建模有重要参考和应用价值。