工业过程建模新方法：多模型辨识与采样延时处理

“本文主要探讨了工业过程中的多模型建模及辨识方法，特别是针对存在多工况和采样延时的问题。通过使用线性参数可变（LPV）模型来适应不同工况，选择线性自回归前向预测（ARX）模型作为LPV模型的局部模型。同时，引入期望最大化（EM）算法处理采样延时和工况归属的隐含变量，以识别各局部模型的参数。最后，通过高斯权重函数将这些局部模型融合成一个完整的LPV模型。实证分析以连续搅拌反应釜和三级高纯度精馏塔为例，证明了该方法在处理数据采样延时的多工况工业过程建模问题上的有效性。” 本文是一篇关于工业过程建模的研究论文，作者关注的是在多工况变化和采样延时条件下如何有效地构建模型。工业过程经常需要在不同工况下运行以满足多样化的生产需求，这给传统建模方法带来了挑战。针对这一问题，论文提出了一种基于LPV模型的方法。LPV模型是一种动态系统模型，其参数随时间或某些外部变量的变化而变化，能较好地适应工业过程中工况的多样性。 论文首先选用线性ARX模型作为LPV模型的局部模型，因为ARX模型简单且易于实现，可以对特定工况下的过程行为进行描述。接着，论文将采样延时和工况归属纳入到EM算法中，EM算法是一种统计推断方法，用于处理含有隐藏变量的概率模型。通过这种方法，可以估计出每个局部ARX模型的参数，确保模型能够准确反映不同工况下的系统特性。 为了整合这些局部模型，论文采用了高斯权重函数。这个函数可以根据各个模型的适用范围和精度给予不同的权重，最终形成一个全局的LPV模型，该模型能够综合考虑所有工况下的系统行为，同时考虑到了数据采样延时的影响。 论文通过两个实例——连续搅拌反应釜和三级高纯度精馏塔的过程建模，验证了所提方法的有效性。仿真结果表明，该方法在处理多工况和采样延时问题时，能获得良好的建模性能，对实际工业过程的控制与优化具有重要的实用价值。 这篇论文提供了一种创新的工业过程建模策略，它解决了多工况环境和数据采样延迟带来的挑战，为工业自动化和控制领域提供了新的理论和技术支持。