CN105259763A - 生成过程模型的模型生成系统 - Google Patents

Abstract

一种在包括一个或更多处理器及计算机可读存储器的过程环境条件中根据过程生成过程模型的模型生成系统：第一装置，用于从过程采集指示过程的至少一个部分的过程操作的过程数据；第二装置，用于将噪声添加到所述过程数据，从而生成条件过程数据；以及模型生成装置，用于根据所述条件过程数据确定过程模型。与现有消除噪声技术集中在生成过程模型之前清理非随机噪声不同，在许多时候，添加随机零均值噪声到过程数据使得能够在不能以其他方法获得过程模型参数收敛的情况下生成可接受的参数过程模型。此外，采用本技术创建的过程模型的置信区间一般较宽，因此在不需要人工或图形地改变模型的条件下，提供能在许多过程情况适当工作的模型。

Description

生成过程模型的模型生成系统

本申请是于2007年4月13日提交的申请号为200710098116.3、标题为“生成过程模型的方法”的专利申请的分案申请。

技术领域

本公开总地涉及过程控制系统，尤其涉及用于高级控制例程的过程模型开发，比如用在过程控制系统中的模型预测及神经网络控制例程的过程模型开发。

背景技术

过程控制系统–如用于化学、石油或其它过程的分布式过程控制系统或可定标过程控制系统–典型地包括一个过程控制器或多个过程控制器，过程控制器通过模拟总线、数字总线或模拟/数字混合总线彼此通信相连，通信连接至最少一个主机或操作员工作站及一个或更多现场设备。现场设备可能是阀、阀定位器、开关及变送器(例如温度传感器、压力传感器及流率传感器)，它们在过程中发挥功能，如开启或关闭阀及测量过程参数。过程控制器接收显示现场设备所作的过程测量及/或其它与现场设备有关的信息的信号、并使用这些信息来实施控制例程，然后产生控制信号并通过总线传送至现场设备，以控制过程的操作。来自现场设备及控制器的信息典型地用于由操作工作站执行的一项或多项应用，以使操作员能履行任何涉及过程的、需要的功能，比如检视过程的目前情况、修改过程操作、等等。

在过去，传统现场设备的用途是：通过一条模拟总线或多条模拟线、将模拟(如4-20mA)信号发送至过程控制器和从过程控制器接收模拟(如4-20mA)信号。这些4-20mA信号本质上是有限信号，这是由于它们表示设备进行的测量、或表示由控制器产生的需要控制设备操作的控制信号。然而，最近，包括微处理器及内存的智能现场设备在过程控制行业已经很普遍。除了在过程中履行一项基本功能外，智能现场设备存储与设备有关的数据、以数字格式或数字及模拟混合格式与控制器及/或其它设备进行通信，以及履行多项次要任务，如自校准、识别、诊断、等等。许多标准及公开的智能设备通信协议，如(可寻址远程传感器高速通道)协议、(过程现场总线)协议、(工厂仪表世界协议)、(设备网)协议及CAN(控制器局域网络)协议已经被开发，以便使不同生产商制造的智能现场设备可以在同一过程控制网络内一起使用。

此外，过程控制行业内已经采取了分散过程控制功能的行动。例如FieldbusFoundation(现场总线基金会)公布的、被称为FOUNDATION^TMFieldbus(基金会现场总线)(下文中简称Fieldbus)协议的全数字、双线总线协议，利用位于不同现场设备的功能块来执行过去是在一个集中式控制器内执行的控制操作。明确地说，每个Fieldbus现场设备都能包含及执行一个或更多功能块，而每个功能块都从其它功能块(在同一设备内或在不同设备内)接收输入及/或向其它功能块提供输出，而且每个功能块都执行一些过程控制操作，例如测量或检测过程参数、控制设备或执行控制操作，如执行比例积分微分(PID)控制例程。同一过程控制系统内的不同功能块的配置使它们可以与每一功能块通信(例如：通过总线)，以形成一个或更多过程控制回路，其个别操作散布于过程的全部，因此其过程控制功能是分散的。

过程控制器典型地被编程：为过程定义的、或包含于过程内的多个不同回路(例如：流率控制回路、温度控制回路、压力控制回路、等等)的每一回路执行不同算法、子例程或控制回路(这些都是控制例程)。一般而言，这些控制回路中的每种控制回路都包括一个或更多诸如模拟输入(AI)功能块之类的输入块、诸如比例积分微分(PID)控制功能块或模糊逻辑控制功能块之类的单输出控制块，和诸如模拟输出(AO)功能块的单输出块。这些控制回路典型地执行单输入单输出控制，因为控制块生成一个单输出，用于控制一个单过程输入，如阀位置等等。然而，在某些情况下，使用多个独立操作的单输入单输出控制回路并不是很有效；这是由于被控制的过程变量受到超过一个单过程输入的影响，而且每一过程输入事实上可能影响许多过程输出的状态。在这些情况下，使用单输入单输出控制回路可能造成过程输出振荡而一直不能达到稳态条件–这是不合要求的。

模型预测控制(MPC)或其它类型的高级控制在过去曾在这类情况下被用于执行控制。一般而言，模型预测控制是一个多输入多输出控制策略，其测量改变多个过程输入中的每一过程输入对多个过程输出中的每一过程输出产生的效果，而这些所测量的响应接着被用于建立过程模型。过程的模型被数学求逆，然后被用于多输入多输出控制器内，并基于对过程输入的改变控制过程输出。在有些情况下，过程模型包括或开发自每一过程输入的一条过程输出响应曲线，这些曲线例如可以基于一系列被传送到每一过程输入的伪随机阶跃变化而创建。这些响应曲线可以以已知方式用于对该过程建模。模型预测控制在所属技术领域广为人知，因此，对其细节，本文将不作描述。然而，模型预测控制在Qin,S.Joe及ThomasA.Badgwell于1996年美国化学工程师学会大会(AIChEConference)发表的“AnOverviewofIndustrialModelPredictiveControlTechnology”(工业模型预测控制技术综述)中被一般地描述。

此外，诸如MPC控制例程之类的高级控制例程的生成和使用已经被结合到过程设备的控制器构建过程中。例如：Wojsznis等人拥有的、标题为“IntegratedAdvancedControlBlocksinProcessControlSystems”(过程控制系统中的综合高级控制块)的美国6,445,963号专利(其公开在此通过引用明确地被并入本专利)公开一种使用在配置过程设备时从过程设备采集的数据产生诸如高级控制器(例如MPC控制器或神经网络控制器)的高级控制块的方法。更特别的是，美国6,445,963号专利公开一种配置系统，这种配置系统使用一种特定的控制范例(如Fieldbus范例)、以一种与其它控制块的创建及下载结合的方式、在过程控制系统内创建高级多输入多输出控制块。在这个实例中，通过创建拥有分别连接到过程输出及输入的期望输入及输出的控制块来启动高级控制块，用于控制过程。控制块包括数据采集例程及与数据采集例程相关的波形发生器，而且控制块可能有未调谐或未开发的控制逻辑-因为这个逻辑缺少调谐参数、矩阵系数或其它需要实施的控制参数。控制块置于过程控制系统内，其所定义的输入及输出在控制系统内通信连接，两者的连接方式为：如果高级控制块被用于控制过程，则这些输入及输出将被连接。接着，在测试程序中，控制块使用特别为开发过程模型而设计的波形发生器生成的波形、系统地通过控制块输出干扰每一过程输入。然后，通过控制块输入，控制块对有关每一过程输出对传送到每一过程输入的每一生成波形的响应的数据采集进行协调。这个数据可能被送到历史数据库以进行储存。在为每对过程输入/输出采集足够数据后，通过利用例如任何已知的或需要的模型生成例程，运行过程建模程序，其中根据采集的数据产生一个或更多过程模型。作为这个模型确定例程的一部分，模型参数确定例程开发将用于控制过程的控制逻辑所需要的模型参数，例如，矩阵系数、死区时间、增益、时间常数、等等。控制逻辑参数及(如果需要)过程模型接着被下载到控制块，以完成高级控制块的构成，所以，高级控制块与其中的模型参数及/或过程模型可以用于控制过程。

虽然这种在同一过程设备中生成和下载过程控制器的技术颇为有用，但是这种技术的缺点是，它严重依赖模型创建软件在测试阶段根据过程设备采集的数据来创建或生成过程模型的能力。其实，开发过程模型是例如实行MPC的最重要阶段，而且，对于大部分阶段来说，模型的品质限定了应用的成功。因此，创建及验证所生成的用于高级控制块的过程模型，是非常重要的。

一般而言，过程模型创建软件可以生成不同类别的模型，包括诸如有限冲激响应(FIR)模型的非参数模型及诸如带外部输入的自回归(ARX)模型的参数模型。虽然FIR模型创建例程一般能产生FIR模型，但由于定义模型所需要的内存大小和模型开发所需要的计算次数，FIR模型在MPC中一般都存在缺点。虽然ARX模型及其它参数模型定义模型需要较少内存而且需要较少计算次数，但有许多情况是参数模型创建软件完全不能生成参数模型的，这是因为该软件不能收敛于模型参数的一个解。明确地说，依赖自回归算法的模型生成技术，例如最小二乘法，就难于收敛于一个解。在这种情况下，所识别的模型参数在数学上可能准确，但不代表实际参数。由于ARX模型及其它参数模型典型地不能生成过程死区时间的准确估计值，它们更易产生这些问题，因而导致不能生成模型或导致参数在数字上无效的模型。

无论上述哪种情况，模型创建软件不能产生参数模型都会引起问题，控制设计者因而必须采取人工步骤以确定妥善或适当的参数模型，以供使用。在过去，例如，为使参数模型创建软件能收敛于一组模型参数，用户将更多数据添加到用于创建模型的过程数据，试图指定较高级的多种参数，例如死区时间或一个或多个时间常数，或者改变用于创建过程数据的过程干扰信号中的阶跃大小。不幸的是，这些步骤对于使参数模型的模型参数的收敛而言，功效不是很好或不一致。此外，采取人工步骤来改变模型创建环境需要控制设计者具备涉及控制过程的专门知识和经验，及适当的分析工具，来确定适当模型。在很多情况下，欠缺一个或全部这些要素，会致使控制设计者选择类别不同的控制器格式。

当根据数据实际创建模型时，可以执行过程模型审查和验证，以检查过程模型的精确性及准确显示控制器必需的鲁棒性。例如，如果模型显示与过程严重失配，控制器应更为鲁棒。一个典型的模型识别程序涉及执行模型预测的定性验证、核实及编辑模型参数、执行统计模型验证、以及执行模型仿真。明确地说，在执行模型预测的定性验证步骤时，仿真软件应用真实过程输入数据作为过程模型输入，并为已知数据集绘制其过程真实输出对预测输出的曲线图。

在核实步骤时，基于对过程的所知，用户对过程模型的个别阶跃响应执行视觉检查，例如图形检查，以核实这些阶跃响应位于预期范围内。使用户能执行数字及图形阶跃响应设计及编辑的知名工具让用户按照(1)过程知识、(2)通过观察测量趋势及仿真搜集的信息、及(3)获得的过程模型，对模型进行修正。

接着在统计模型验证阶段，使用统计技术对模型不确定性进行定量。这些统计技术可能包括计算实际输出和预测输出之间的验证误差，如均方根值(RMS)等。对于不合格模型，平均平方误差相当高(例如：每扫描2.4％)。一个凭经验的方法可能是，如果平均输出误差超过每扫描1％，应详细检查相关阶跃响应的更多细节。另一可供使用的统计技术是验证误差或残差的相关性分析，这项分析探究残差的自相关性及/或残差及过程输入之间的互相关性。此外，过程模型及残差的频率传递函数可以计算，而频域中的不确定界可以用于显示所考虑频率范围的模型的品质。

以所开发的模型参数为基础的一个定义模型品质的有用方式使用模型置信区间的概念，模型置信区间显示预定概率，通常是95％内的特定模型参数值的范围。也就是说，置信区间定义模型参数值的范围，其中，可以预测到参数值将落入根据预定概率的置信区间内。置信区间提供非常重要的、有关模型识别的隐含信息，因为较宽置信区间隐含较不准确的模型。因此，一般可以接受的是，窄置信区间更合意。另一方面，较宽置信区间意味模型参数的更好收敛，这是例如在模型阶次与过程复杂性不匹配时、或线性模型被用于显著非线性的建模过程时所需要的。然而，虽然置信区间帮助用户校验模型，但它们不协助改变模型以使模型变得更好或更准确。

最后，在图形地查看及或许编辑过程模型和过程模型响应之后，使用过程模型的MPC仿真为用户提供一个过程-过程模型失配的概念。此外，仿真在控制器命令之前提供“假设性问题”分析。

虽然这些技术常用于MPC模型检验，但是它们有内在缺点。明确地说，对预测品质及所计算的验证误差(RMS值、残差、等等)的目视观测只表明输出预测可能不可信。此外，显示模型失配的仿真误差没有提供可用于改进模型的信息。同样地，数字及图形阶跃响应设计及编辑工具只是在拥有专家过程知识时有效用。因此，虽然可以检查阶跃响应以验证增益参数，但其它对合成控制器有强大影响的重要信息，例如动态、增益大小及时间常数对用户可能并不显然。一个普遍的误差源头的例子是过程死区时间，这是用户一般并不精确知晓的一个参数，因此不能在模型设计及编辑过程中被精确地考虑。

更进一步地，噪声数据、不充分的过程激发、及数据采集的测试时间太短，已经被认为是可能产生不符合控制目的的模型的问题。虽然如此，设备条件可能并不许可更好的测试。此外，统计评估，例如自相关及互相关虽然对提供定量模型信息有用，但存在一样的问题，即信息不明确。

因此，尽管知道模型不准确，确定或实行纠正措施却有困难。这个事实经常需要使用另一套或不同的一套数据来对模型进行再识别，即使模型的小部分是失配的原因。使问题复杂化的是，可以被确定的模型失配信息并未真正反映在控制器生成过程中。因此，真正的模型品质只是在控制器已经被命令及其表现已经被测量之后才能已知，这导致可观的时间、金钱及资源损失，而且妨碍设备人员使用MPC技术。

在这方面，表示时间域的置信区间是一项有前途的可应用技术，这是由于它以个别阶跃响应的具体参数的形式提供模型品质细节。这种技术的结果是，模型的一个特定部分获得再识别及/或纠正。同等重要的是，对特定参数误差的认知，便于选择MPC控制器生成设置，因而将以鲁棒的控制器为结果。此外，时间域内的表示消除了使用这个品质变量的复杂性。但是，虽然使用时间域置信区间对已经被创建的过程模型的评估有用，但还是期望首先提供鲁棒的、创建可用于控制器生成(如MPC控制器生成)的过程模型的方法，尽管测试激发不充分、数据采集时间期限短暂、模型制约，例如模型及过程复杂性失配(例如：模型阶次与过程复杂性不匹配、或线性模型被用于显著非线性的建模过程、等等)。

发明内容

令人惊讶地发现，如果噪声实际上被添加到采集自过程并用于模型生成过程的过程数据，则可获得一种鲁棒的、创建用于控制器生成(如MPC控制器生成)的过程模型(明确地说，是创建参数过程模型)的方法。明确地说，一种鲁棒的、创建过程模型(如参数过程模型)的方法，以已知测试输入信号或阶次为基础采集过程输出，添加噪声(如随机噪声)到采集过程数据，然后应用标准或已知技术根据所采集的过程数据确定过程模型。其实，与过去试图在生成过程模型前从过程数据清理或消除噪声的技术相反，已经发现：在很多时候，在不添加噪声便不能生成同类别可接受的过程模型的情形下，添加噪声到过程数据使得可以生成可接受的过程模型。此外，已经发现：应用这种技术创建的过程模型一般有较宽的置信区间，因此在不需要人工地或图形地改变模型创建环境的情况下，便能提供适合扩大置信区间、考虑许多过程复杂性的模型。

在这种技术的一种应用中，一种高级控制块生成例程用一种鲁棒过程模型创建例程在一种过程控制系统内生成一种多输入多输出块，如模型预测控制器、神经网络建模或控制块、等等。高级控制块可以通过创建一种控制块来启动，以控制过程；控制块具有分别应连接到过程输出及输入的、符合要求的输入及输出。控制块可以试图最终包括(例如)完整的模型预测控制器，但最初可能有一种数据采集例程和一种与数据采集例程相关的波形发生器。如果需要，控制块还可以有未调谐或未开发的控制逻辑，因为这逻辑缺少调谐参数、矩阵系数或实施控制器所需要的其它模型参数。控制块置于过程控制系统内，其所定义的输入及输出在控制系统内通信连接，两者的连接方式为：如果高级控制块被用于控制过程，则这些输入及输出将被连接。在一个测试程序中，控制块使用特为开发过程模型而设计的波形发生器生成的波形、系统地通过控制块输出干扰每一过程输入。控制块对有关每一过程输出对传送到每一过程输入的每一生成波形的响应的数据采集进行协调。这个数据例如可能被送到一个历史数据库以进行储存。

在采集足够数据后，运行过程建模程序，其中噪声被添加到所采集的过程输出数据。噪声可能是(例如)最大振幅介于过程输出数据大小范围的大约0.20％至大约0.5％之间的零均值、均匀分布噪声，而且优选其最大振幅为过程输出数据大小范围的大约0.4％的零均值、均匀分布噪声。接着，使用(例如)一种模型预测控制器过程模型生成例程(如ARX模型生成例程)，根据所采集的(噪声)数据生成过程模型(如参数模型)。其后，控制块逻辑创建或开发用于控制过程的控制逻辑所需要的参数。如果需要，所创建的过程模型可以被验证，而验证结果可以以置信图的形式向用户显示，置信图图解模型的一个或更多置信区。如果需要，置信图可以是基于时间域的置信图，这些基于时间域的置信图使用户能确定模型在哪个部分不能匹配过程响应，并在需要时对模型的该部分进行修改。

在测试或检视合成过程模型后，控制逻辑参数及过程模型接着被下载到控制块，以完成高级控制块的构成，以便高级控制块与其中的高级控制逻辑参数及过程模型可以用于控制过程。

附图说明

图1为一框图/原理图，图示一种过程控制系统，该过程控制系统可使用在此描述的鲁棒过程模型生成技术创建高级控制块；

图2为一流程图，描述图1所示之过程控制系统内的高级控制块的操作与创建；

图3为一框图，图示在一种过程控制例程内连接、用于控制过程的模型预测控制块；

图4为一屏幕显示范例，屏幕显示可以在创建MPC控制例程的过程中呈现给用户，并可使用户能在根据所采集的过程数据创建一个或更多过程模型之前，添加噪声到所采集的过程数据；

图5为一流程图，图示利用添加随机噪声，根据采集自一个过程的一套测试数据生成过程模型的第一种鲁棒方法；

图6为一流程图，图示利用添加随机噪声，根据采集自一个过程的一套测试数据生成参数过程模型的第二种鲁棒方法；

图7-图9为置信区间图，其显示利用在此描述的鲁棒模型识别技术创建的非参数及参数模型的结果；以及

图10-图20图示一种过程模型生成技术的性能，该技术利用添加了噪声的、用于FIR模型及ARX模型的多种不同测试数据的过程数据。

具体实施方式

现在参见图1，过程控制系统10包括过程控制器11，过程控制器11连接至历史数据库12及一台或更多台主工作站或主机13(可以是任何类别的个人计算机、工作站等)，每台主工作站或主机都有一显示屏14。控制器11也通过输入/输出(I/O)卡26及28连接至现场设备15-22。历史数据库12可以是拥有任何符合要求的类别的内存及任何符合要求或已知的、用于储存数据的软件、硬件或固件的任何符合要求类型的数据采集单元，而且历史数据库12可以与工作站13之一分开(如图1所示)或是工作站13之一的一部分分开。控制器11(例如EmersonProcessManagement销售的DeltaV^TM控制器)通信连接到主机13及历史数据库12(如通过以太网连接或任何其它符合要求的通信网络)。控制器11也利用任何符合要求的、(例如)与标准4-20mA设备及/或任何智能通信协议(如Fieldbus协议、HART协议、等等)相关的硬件及软件通信连接到现场设备15-22。

现场设备15-22可以是任何类别的设备，如传感器、阀、变送器、定位器等，而输入/输出(I/O)卡26及28可以是任何类别的、任何符合要求的通信或控制器协议的输入/输出(I/O)设备。在图1所示的实例中，现场设备15-18是标准4-20mA设备，它们通过模拟线与输入/输出(I/O)卡26通信；而现场设备19-22是智能设备，例如Fieldbus现场设备，它们利用Fieldbus协议通信，通过一条数字总线与输入/输出(I/O)卡28通信。一般而言，Fieldbus协议是一种全数字化、串口、双向通信协议，它为互相连接现场设备的双线回路或总线提供标准化的物理接口。Fieldbus协议实质上在过程内为现场设备提供局域网络，局域网络使这些现场设备能(利用根据Fieldbus协议定义的功能块)在分布于整个过程设施的位置执行过程控制功能，以及使这些现场设备能在执行这些过程控制功能之前和之后相互通信，以实施整个控制策略。当然，现场设备15-22可以符合任何其它期望标准或协议，包括未来发展的任何标准或协议。

控制器11实施或监督一种或更多储存于其内或与其相关的过程控制例程(可能包括控制回路)，并与现场设备15-22、主机13及历史数据库12进行通信，以便以任何期望方式控制过程。需要注意的是，如果需要，在此描述的任何控制例程或元件的部分可能由不同控制器或其它设备实施或执行。同样地，在此描述的在过程控制系统10内实施的控制例程或元件可以采用任何形式，包括软件、固件、硬件、等等。适用于本发明，过程控制元件可以是过程控制系统(例如包括储存于任何计算机可读介质的例程、块或模块)的任何局部或部分。控制例程可以是控制程序的模块或任何部分，例如子例程、子例程的部分(例如代码行)、等等，它们可以以任何期望的软件格式实施，如使用梯形逻辑、顺序功能图、功能块图、或任何其它软件编程语言或设计范例。同样地，控制例程可以硬编码到(例如)一个或更多EPROM、EEPROM、专用集成电路(ASIC)、或任何其它硬件或固件元件。此外，控制例程的设计可以使用任何设计工具，包括图形设计工具或任何其它类别的软件/硬件/固件编程或设计工具。因此，控制器11可以被配置成以任何期望方式实施控制策略或控制例程。

在一个实例中，控制器11利用通常所称的功能块实施控制策略，其中每个功能块都是整个控制例程的一部分(例如，子例程)，并通过被称为链接的通信与其它功能块协力操作，以在过程控制系统10内实施过程控制回路。功能块典型地执行一种输入功能(如与变送器、传感器或其它过程参数测量设备相关的功能)、一种控制功能(如与执行PID、模糊逻辑等控制相关的控制例程)、或一种输出功能(控制某些设备的操作，如阀)，以执行过程控制系统10内的某些物理功能。当然，也存在混合类及其它类别的功能块。功能块可以储存于控制器11，并由控制器11执行，当这些功能块被用于、及与标准4-20mA设备和有些类别的智能现场设备(如HART设备)相关时，是这种典型的情况；或可以储存于现场设备中，并由现场设备实施，使用Fieldbus设备可以是这种情况。虽然在此描述的控制系统是利用功能块控制策略，但是控制策略或控制回路或模块也可以通过利用其它常规方法(如梯形逻辑、顺序功能图、等等)、或利用任何其它期望编程语言或范例实施或设计。

如图1中分解的块30所示，控制器11可以包括许多单回路控制例程(图示为例程32及34)，如果需要，可以实施一个或更多高级控制回路(图示为控制回路36)。每个这种回路都典型地被称为一个控制模块。图示单回路控制例程32及34执行信号回路控制，它们分别利用一个单输入单输出模糊逻辑控制块和一个单输入单输出PID控制块连接至适当的模拟输入(AI)功能块和模拟输出(AO)功能块，这些功能块可以与过程控制设备如阀、与测量设备如温度及压力变送器、或与过程控制系统10内的任何其它设备相关。当然，单回路控制例程32及34可以包括任何其它类别的控制块，包括基于模型的控制块。图示高级控制回路36包括一个高级控制块38，高级控制块38的输入通信连接至多个AI功能块，输出通信连接至多个AO功能块，虽然高级控制块38的输入和输出可以被连接到任何其它符合要求的功能块或控制元件，以接收其它类别的输入及提供其它类别的控制输出。高级控制块38可以是任何类别的多输入多输出控制块，其通过向两个或更多过程输入提供控制信号来控制两个或更多过程输出。虽然高级控制块38在此被描述为模型预测控制(MPC)块，但是高级控制块38可以是任何其它类别的多输入多输出块，如神经网络建模或控制块、多变量模糊逻辑控制块、实时优化块等等。应该理解，图1中所示的功能块(包括高级控制块38及单输入单输出控制块)可以由控制器11执行，或者可以位于任何其它处理设备，并由任何其它处理设备执行，如由工作站13之一，甚至由现场设备19-22之一执行。

如图1所示，工作站13之一包括控制块生成例程40，用于以下文将更详细描述的方式创建、下载及实施高级控制块38。虽然控制块生成例程40可以被储存在工作站13内的内存并由其中的处理器执行，但如果需要，这个例程(或其任何部分)可以附加地或可选择地储存于过程控制系统10内的任何其它设备，并由过程控制系统10内的任何其它设备执行。一般而言，控制块生成例程40包括控制块创建例程42(控制块创建例程42创建高级控制块，并将这个高级控制块连接至过程控制系统)、过程建模例程44(过程建模例程44根据高级控制块所采集的数据为过程或过程的一部分创建过程模型)、以及控制逻辑参数创建例程46(控制逻辑参数创建例程46为高级控制块根据过程模型创建控制逻辑参数，并将这些控制逻辑参数储存或下载到高级控制块内，以用于控制过程)。应该理解，例程42、44及46可以由一系列不同的例程构成，如由第一例程(第一例程创建高级控制元件，高级控制元件的控制输入适合接收过程输出，其控制输出适合提供控制信号至过程输入)、第二例程(第二例程使用户能在过程控制例程(可以是任何符合要求的配置例程)内通信连接高级控制元件)、第三例程(第三例程利用高级控制元件来为每个过程输入提供激发波形)、第四例程(第四例程利用高级控制元件来采集反映每个过程输出对激发波形的响应的数据)、第五例程(第五例程根据所采集的数据创建过程模型)、第六例程(第六例程根据过程模型开发高级控制逻辑参数)、以及第七例程(第七例程在高级控制元件内放置高级控制逻辑及(如果需要)过程模型，以使高级控制元件能控制过程)构成。虽然在此描述的控制块生成例程40被用于创建多输入多输出控制块，但是控制块生成例程40也可被用于创建单输入单输出、多输入单输出、或单输入多输出控制块或其它类别的块，如建模块等等。

现在参见图2，流程图50图示在过程控制系统(如图1中所示的过程控制系统10)中，以包括鲁棒地生成用于控制块的一个或更多过程模型的方式，创建及使用基于模型的控制块(明确地说，是MPC控制块)的步骤。在这里，鲁棒地生成过程模型一般指能够生成过程模型，该过程模型符合对过程的一个或更多过程匹配统计值以提供可接受的控制块操作，尽管存在多种典型地限制产生这种过程模型的因素(如：极小过程数据、过程模型及过程复杂性失配、等等)。虽然图2中的流程图50图示MPC控制块或模块的创建，但可以执行相同或相似的步骤，以创建和使用基于任何其它模型的块，如任何类别的多输入/多输出块(如神经网络建模或控制块、多变量模糊逻辑控制块、等等)。

在某个初始时间(框52)，决定通过实施MPC程序来改善或提供过程控制系统10内的控制。这个决定可以在过程控制系统10最初建立时或在其后一段时间过后做出，如在其它控制例程(如单回路控制例程)被发现不能提供适当的控制之后做出。在框52，操作员或其它用户执行MPC块生成例程40，开始在过程控制系统内创建MPC模块或控制回路的步骤。作为这个过程的部分，操作员选择正在设计中的MPC块的输出应连接的过程输入，并选择正在设计中的MPC块的输入应连接的过程输出。虽然MPC块可以有任何数目的输入及输出，但每个MPC块一般有三种输入，包括控制参数输入(控制参数输入是需保持在一个设定点或在一个设定范围内的过程变量或参数)、限制输入(限制输入是受限制，例如以与过程相关的物理限制为基础的在特定界限或范围的过程变量，而MPC块不应强制限制输入处于限制范围或界限外)、以及过程干扰参数输入(过程干扰参数输入是其它过程变量，如已知在被变更时会对控制参数造成改变的过程输入)。MPC块使用过程干扰参数输入来预测控制参数(即：控制过程输出)的改变，及在这些改变发生之前限制其影响。其它输入也可以提供给MPC块，如来自正被控制的设备或其它过程元件的、使MPC块能提供更多对这些元件的有效控制的反馈。同样地，MPC块的输出可以被连接，以控制任何符合要求的过程变量或其它过程输入，包括控制回路输入、设备控制输入、等等。通过连接MPC块到其它控制元件而开发的例程在此被称为MPC模块。虽然用户可以创建MPC功能块，但用户也可以从存储器(如，功能块库)获得初始功能块，并利用这个功能块或创建此功能块的一个实例，以用于过程控制系统。同样地，用户或其它提供者可以以任何其它的期望方式提供功能块或其它控制元件。

在框54，操作员创建MPC模块，MPC模块有一个MPC块(模型预测控制块还没有提供模型预测控制所需要的所有信息)，它的指定输入及输出在过程控制系统内通信连接，操作员将该块或模块下载到将实施MPC模块的适当的控制器，或其它设备。作为这个过程的部分，操作员通过将MPC块的输出通信连接至适当的过程输入，并通过将MPC块的输入通信连接至适当的过程输出来配置过程控制系统10，以实施MPC块。

现在参见图3，MPC块56被图示为连接至过程58。该MPC块56是一个3x3控制块，其有三个输入IN₁-IN₃及三个输出OUT₁-OUT₃，而过程58包括输入X₁-X₅及输出Y₁-Y₆。当然，MPC块56及过程58可以包括任何其它数目的输入及输出。虽然MPC块56可能一般是一个方块(即：有相同数目的输入及输出)，但这种配置并非必需，因而MPC块56可以有不同数目的输入及输出。如图3所示，操作员分别将过程输出Y₁-Y₃通信连接到MPC块输入IN₁-IN₃，并分别将MPC块输出OUT₁-OUT₃通信连接到过程输入X₁-X₃。当然，过程58的任何输入及输出都可以被连接到其它控制回路，或被连接到与过程控制系统10相关的其它控制例程内的其它元件(如图3中连接到过程输入及输出的虚线所示)。一般而言，MPC块56及其它可能为过程58提供控制输入的块(如图中连接到过程输入X₁-X₃的虚线所示)将通过某种类别的开关进行连接，这些开关如图3中的方盒59所示。这些开关59可以是硬件或软件开关，而且如果需要，可以通过将不同控制输入信号传送到功能块(如Fieldbus功能块)的不同输入来提供；开关能接着在来自MPC块56的控制信号及来自不同功能块(如来自PID功能块)的控制信号之间，按接收这两个信号的功能块的模式选择控制信号。

当然，操作员可以以任何方式将MPC块56连接到过程58，而且一般而言，操作员将使用与其创建其它控制回路(如过程控制系统10内的单回路控制例程)所使用的控制配置或设计编程相同的控制配置或设计编程。例如，操作员可以应用任何符合要求的图形编程例程来指定MPC块56与过程输入及输出之间的连接。这样，MPC块56获得其它控制块、元件或例程所获得的支持，这使得MPC块56的配置和连接及其在控制系统10内的支持与系统内的其它块的配置、连接和支持没有差异。在一个实例中，MPC块56以及控制系统10内的其它块是功能块，它们被设计成与Fieldbus功能块相同或相似。在这个实例中，MPC块56的输入、输出等等可以与Fieldbus协议中所指定或提供的相同或相似，而且能(例如)被控制器11通过使用与Fieldbus协议所指定的通信链接相同或相似的通信链接所执行。图形化地创建过程控制例程及其元件的一种方法，被描述于Dove等人拥有的、标题为“SystemforConfiguringaProcessControlEnvironment”(用于配置过程控制环境的系统)的美国5,838,563号专利，该专利通过引用明确地被并入本专利。当然，其它控制回路或控制模块设计策略也可以被应用，包括那些使用其它类别的功能块的策略、或那些使用某个过程控制配置范例内的其它例程、子例程或控制元件的策略。

当使用一个以功能块(如Fieldbus功能块范例提供的那些功能块)的互联为基础的控制系统时，MPC块56可以直接被连接到过程控制例程内的其它功能块。例如，可以通过将MPC块56的一个控制输出连接到一个与正被控制中的设备相关的输出块(如AO块)直接将MPC块56连接到控制设备(如阀、等等)。同样地，MPC块56可以向其它控制回路内的功能块(如向其它控制功能块的输入)提供控制信号，以监视或阻碍这些控制回路的操作。

如同应该理解的那样，以及如美国6,445,963号专利所更详细描述的那样，图3中与MPC块56的输出连接的过程输入X₁-X₃可以是任何符合要求的过程输入，包括现有控制策略内定义的控制回路的输入、或连接到过程的阀、或其它设备的输入。同样地，连接到MPC块56的过程输出Y₁-Y₃可以是任何符合要求的过程输出，包括阀或其它传感器的输出、模拟输出(AO)或模拟输入(AI)功能块的输出、或其它控制元件或例程的输出。

现在再次参见图2的步骤54，当操作员已经创建一个控制模块(包括输入及输出分别连接到符合要求的过程输出及输入的初始MPC块，内有初始MPC块的控制模块就被下载到适当的设备(如控制器11或工作站13之一)内，以便执行。接着，在步骤99，操作员命令初始MPC块开始以已知方式激发过程，并在过程在被激发时采集过程输入及输出数据。

如图3所示，初始MPC块56包括数据采集例程100、波形发生器101、通用控制逻辑102、用于储存控制参数103和过程模型或模型参数104的存储器。通用控制逻辑102可以是(例如)通用MPC例程，该通用MPC例程需要系数或其它控制参数才能操作，以在特定情况下执行控制。在某些情形，通用控制逻辑102可能也需要正被控制的过程的过程模型或模型参数，以控制该过程。在被下载到(例如)控制器11之后，初始MPC块56通过MPC例程42被命令开始MPC块56的开发的下一阶段，其中为每一过程输出采集数据，以用于创建过程模型。明确地说，在被操作员命令这么做时(或在任何其它期望时间)，MPC块56的波形发生器101开始在其输出OUT₁-OUT₃产生一系列的波形，以期为过程输入X₁-X₃中的每一输入提供激励波形。如果需要，这些波形可以通过用户工作站13内的软件提供给波形发生器101，但优选由波形发生器10生成。波形发生器101生成的波形，优选使过程可在正常操作时预期的不同输入范围操作。为开发用于MPC例程的过程模型，波形发生器101可能向过程输入X₁-X₃中的每一输入传送一系列不同的脉冲组合，其中每一脉冲组合的脉冲的振幅相同，但有伪随机长度，并且其中不同脉冲组合的脉冲的振幅不同。这一系列的脉冲组合可以按顺序、一次一组合地为不同过程输入X₁-X₃中的每一输入产生，然后照样向每一输入传送。在这个时候，MPC块56内的数据采集单元100采集或协调显示过程输出Y₁-Y₃对波形发生器101生成的每一波形的响应的采集数据，并可以采集与被生成的激励波形有关的数据、或协调被生成的激励波形有关的数据的采集。这些所采集的数据可以储存于MPC块56，但优选自动传送至历史数据库12以供储存，及/或优选自动传送至历史数据库12，在工作站13中，这些数据可以被显示于显示屏幕14上。

因此，MPC块56首先向过程58提供一组激励波形，并测量过程58对这些激发波形的响应，而不是使用某种高级控制逻辑(尚未完全开发)来试图控制过程58。当然，波形发生器101生成的激励波形可以是任何符合要求的、对任何基于模型的控制例程创建控制逻辑参数有用的过程模型而开发的波形。在这个例子中，波形发生器101生成任何波形组合，波形组合已知对于针对模型预测控制器开发过程模型有利，而这些波形可以采取现在已知的、或未来为此目的而开发的任何形式。由于用于激发过程(采集数据以期为模型预测控制开发过程模型)的波形广为人知，对这些波形，本文将不作进一步说明。同样地，波形发生器101可以生成任何其它或任何符合要求的类别的波形，以用于为其它高级控制应用(包括建模)开发过程模型，例如神经网络、多变量模糊逻辑、等等。

应该注意的是，波形发生器101可以采取任何符合要求的形式，并可以以硬件、软件或两者的结合实施。如果以软件实施，波形发生器101可以储存可用于生成期望波形的算法、可以储存将生成波形的数字表示、或可以使用任何其它例程或储存数据来创建这些波形。如果以硬件实施，波形发生器101可以是(例如)振荡器或方波发生器。如果需要，操作员可以被要求输入某些对波形的设计有用或需要的参数，例如过程的近似响应时间、将被传送到过程输入的波形振幅的步长、等等。在MPC块56最初被创建时，或在操作员命令MPC块56开始干扰或激发过程并采集过程数据时，操作员可能被敦促提供这些信息。在优选实例中，数据采集单元100响应每一激励波形，在操作员输入的响应时间的三倍或五倍时间内采集(或确保采集)数据，以确保完整及准确的过程模型得以开发。然而，数据采集时间长度可以是任何其它数值。

MPC块56优选被操作，直到波形发生器101已经完成将所有必需的激励波形传送到过程输入X₁-X₃的每一输入以及数据采集单元100已经为过程输出Y₁-Y₃采集到数据时。当然，如果在这个数据采集过程中有需要或有必要，MPC块56的操作可以被中断。

现在参见图4，可在显示器14之一上由控制逻辑生成例程40向操作员呈现的一个屏幕显示118，使操作员能实施生成一个高级控制块的不同步骤。明确地说，屏幕显示118包括一个数据显示区域120，以及四个按钮121、122、123、及124，这些按钮可用于启动控制块生成例程40(图1)的不同部分。启动测试按钮121使操作员能使初始MPC块56能传送激励信号到过程58，并采集输入及输出数据，以供传送到历史数据库12。按钮121可以图示出(例如)用于执行激发例程的剩余时间，也就是MPC块56生成所有激励波形及采集响应这些波形而生成的过程数据所需要的时间。在按下按钮121之前，操作员可以输入显示过程响应一个输入需要的典型时间的一个响应时间，而且可以显示或指定MPC块56用于生成激励波形的步长，哪些数据可以提供给MPC块56的波形发生器101。在按下按钮121之后，MPC块56采集的数据也可以显示于数据显示区域120，及(如果需要)用户可以标志(如使用行或条)不用于创建过程模型、或应排除在用于创建过程模型的数据外的数据。应了解，数据采集单元100可通过确保这些数据被传送至历史数据库12或用于存储的其它存储设备，而得以采集数据。

在采集过程数据之后，操作员可以在某个时候决定通过根据将用于MPC控制器或其它基于模型的控制块的所采集的过程数据，创建一个或更多过程模型来实施开发MPC块的下一阶段。在这个程序之前，或作为这个程序的一部分，操作员可以启动图2中的框125，框125添加噪声(优选零均值、均匀分布的随机噪声)到所采集的过程数据，以预处理这些数据，而预处理的方式是使一个过程模型能更鲁棒地根据这些数据生成。操作员可以通过选择图4所示的按钮122将这个噪声添加到所采集的数据(所采集的数据可以在图4的屏幕显示118的区域120内图示)。在这个时候，操作员可以选择将添加的噪声的期望振幅。一般而言，已经发现，使用最大振幅介于过程数据标准化范围(即：所采集的过程数据的振幅范围)的0.2％到0.5％之间的随机、均匀分布、零均值噪声，对提供鲁棒的过程模型生成例程有利。更适宜的是，已经发现，使用最大振幅为过程数据范围的大约0.4％的零均值、均匀分布的随机噪声，其效果特别好。然而，也可以使用其它类别的噪声，包括非随机噪声、其它噪声分布-如正态(高斯)分布、及包括少于数据范围的0.2％或大于数据范围的0.5％的其它振幅。

此外，如果需要，噪声的大小或振幅可以以过程测试的其它因素为基础自动地被选择，其它因素的例子如：用于干扰过程的阶跃信号的大小、过程数据响应于测试而产生的改变、等等。因此，一般而言，噪声的振幅可以自动地被设为所采集的过程数据的、或过程输入信号的一个函数。仅作为一个例子，噪声的振幅可以被确定为所采集的过程数据的统计值的一个函数(如所采集的过程数据的范围、所采集的过程数据的均值、或所采集的过程数据的标准差)、或被确定为过程输入信号的函数(如用于生成所采集的过程数据的输入过程干扰信号的大小的一个因素)。在一个特殊例子中，如果过程数据在测试周期中改变2％，噪声的大小可以是0.2％的幅度，而如果输入给过程的阶跃测试信号的大小是可能范围的5％，那么噪声的大小可以是0.5％的幅度。当然，一些其它乘法器(10％除外)可以用于使噪声大小与其它用于测试的因素发生关系。此外，将可了解，当确定多过程模型时、或当从过程的多输入及/或从多过程输出确定过程模型时，添加到每一套所采集过程数据的噪声的大小或类别可以不同。因此，对于与一个不同过程输出有关的每一不同过程干扰信号及/或每一套所采集的数据，噪声大小可以不同地设定。

在噪声被添加到图2中框125的过程数据后，这些数据可以储存于历史数据库12内，或可以直接提供给模型创建例程44(图1)。明确地说，在图2的框126，用户可以执行过程建模例程44，过程建模例程44从历史数据库12存取所采集的及人工的噪声数据，并运行任何已知过程模型生成例程，以从所采集的及人工的噪声创建过程模型。(如在此所使用的，“人工的噪声数据”一词指以某种形式被有意添加有噪声的数据。)一般而言，操作员可以通过选择图4屏幕显示上的“产生控制”按钮123来启动这个阶段。

如果需要，过程建模例程44可以对所采集的数据运行一个数据筛选程序。这个数据筛选程序可以检查所采集的数据是否有离群值及其它明显错误的数据，并可检查其它与所采集的数据有关的值(例如与所采集数据相关的状态值及极限值)，以确定：数据是否由状态不良或不适当的功能块产生、数据是否处于极限、数据是否在功能块或其它元件处于不适当模式时产生、或数据是否在不正常或不符合要求的其它方面的过程条件下产生。例如，在Fieldbus通信协议中，功能块产生的数据也包括可以与数据一起存储于历史数据库12并可用于筛选数据的状态、极限及模式显示。如果需要，数据筛选例程可以在图4中的数据显示区域120处、向操作员图示所采集的数据，并使操作员能标记需筛选或消除的数据(如根据操作员对过程条件的认知，突出或识别这些数据)。这样，在过程58离线时、在过程58没有适当地被控制时、在过程58在被修理时、在过程58内的一个传感器或其它设备有故障或正被替换时、等等，MPC块56所采集的数据可以从将用于创建一个过程模型的数据中被选择并被消除。当然，这个数据筛选步骤可以在图2所示的框125之前、之后、或作为其部分被执行，因此，这个数据筛选步骤可以与将随机噪声添加到所采集的过程数据的过程同时执行及/或作为其部分执行。

如图4所示，一趋势可以显示于显示区域120中，趋势曲线包含MPC输入及输出。曲线图可以按输入及输出的值自动缩放。此外，所显示的曲线图部分的时间框优选为指定响应时间的两倍。通过使用一个滑动条127，可以改变时间窗以显示某个过去时候的值，如前两天的值。为了可以在设备操作时采集有用数据，可以使用一种自动测试功能。通过选择“启动测试”按钮121，将由MPC块操纵的过程输入被跨越指定响应时间的一个伪随机序列中的指定步长提高。此外，在“启动测试”按钮121被选择时，数据显示上的启动及终止分割条可以自动被设置，以标记自动测试的启动及终止，而MPC块56可以通过向过程58提供伪随机序列的输出信号作为激励波形，超越对所操纵的输出的控制。

区域120内的时间条或数据窗也可以用于选择将用于开发过程模型的数据。操作员可选择其中一个分割条，并将它拉到所需要的启动或终止时间，以改变考虑用于过程模型识别的时间框。如果启动及终止条之间的时间部分并不代表正常设备操作，则用户或操作员可以指定这个时间部分，以选择应在过程模型识别过程中忽略的数据值。作为响应，所选择的区域可以以较暗色的背景颜色显示或以其它方式指定，并且将在创建过程模型时自动地被排除在外。

在筛选数据并将随机噪声添加到数据后，过程建模例程44根据所选择的数据创建过程模型。如上所述，过程建模例程44可以执行任何需要或已知类别的过程建模分析，以根据所采集及所筛选的数据开发过程模型，而所开发的过程模型可以采取任何形式，如数学算法、一系列响应曲线、等等。

如果过程建模例程44存在确定过程模型的问题，则该问题的显示可以反映在用户显示的状态区域中，如图4所示。可能被显示的一个问题是，没有足够的采样以供识别或创建过程模型。如“Forthedefinedconfiguration,aminimumnumberofXXXsamplesisrequired.DatafilecontainsonlyXXXsamples”(对于所指定的配置，最少需要XXX个采样。数据文档只包含XXX个采样)的消息可能生成，以通知操作员关于这个问题。另一个可能被发现的问题是，过程输入上发生的激励不够。如果发生这样的问题，操作员可以获得带有这个意思的、识别信号标签名称(如TagX、TagY、等等)及激励数量的微小改变的信息。

如果需要，并以避免一个成功模型被识别的情形为基础，用户可以改变执行过程建模跨越的时间框，或改变过程输入，以使得用于过程建模例程44的数据有效。被识别的过程模型可以自动地被存储于任何符合要求、可存取以供稍后使用的数据库。更有经验的用户可以检查或编辑已被识别的过程模型。通过选择图4屏幕上的“高级”按钮124，用户可以选择从一个所选模型及当前的MPC功能块配置生成一个MPC控制器、或选择编辑一个特定模型，并将结果模型存储为一个新模型，以用于创建MPC控制逻辑。在选择“生成控制器”选项时，用户可获得一个对话框，用户可从对话框中选择过去曾为正在编辑的MPC模块内的MPC块存储的一个模型。通过选择编辑选项，用户可获得为正在考虑中的MPC模块开发的模型清单。在选择模型后，用户可以到显示过程阶跃响应综览的屏幕、或到此后描述的其它屏幕，以便编辑过程阶跃响应来创建一个新的或变换的模块。

在过程的某个时候，逻辑参数创建例程46可以被执行，以创建初始MPC块56的通用逻辑102需要的参数(需储存于MPC块56内的变量中)，以执行模型预测控制。这些控制参数可以是(例如)适用于MPC逻辑的矩阵或其它MPC系数、调谐参数、神经网络参数(适用于神经网络)、缩放系数(适用于多变量模糊逻辑)、或任何其它需要的参数，它们通常基于所生成的过程模型确定。逻辑参数创建例程46可以执行任何需要或已知的程序，以根据过程模型创建参数。一般而言，这个过程要求必须将过程模型转化为矩阵格式。然而，可以使用任何其它需要的逻辑参数创建例程。由于根据数据为过程创建过程模型、及从该过程模型生成MPC或其它控制逻辑参数的细节在行业中广为人知，因此对这些程序将不作进一步描述。然而，需要注意的是，操作员可以获得一些有关为MPC块56创建控制逻辑参数的输入。其实，操作员可能需要或能够指定通常用于创建MPC控制器的某些变量的值。例如，操作员可以指定：通向MPC块的每个限制输入的设定点及极限、应进行控制改变的时间框(即：设定点轨道滤波器及与这个滤波器有关的时间常数、MPC输出或过程输出的最大或最小趋势流率限制)、是否有任何控制参数以积分的方式响应、MPC优化因素、变量或调谐参数、MPC块的范围(即：需要执行多少个“正演计算”步骤以控制到需要的状态、MPC块56的每个输入及输出的工程单位范围)、哪些操纵变量目标将在一个限制被违反时获准被松弛或获准不需实现、MPC块的每个输入及输出的描述及/或名称、可以设定的任何优化变量的值、与MPC块的积极性或鲁棒性有关的变量的值、等等。如果需要，控制逻辑生成例程46可以为这些变量或设置中的一些或全部存储默认值，并使用这些默认值来创建MPC逻辑。然而，操作员或其它用户可以通过用户显示14来改变这些设置。

无论如何，MPC逻辑参数创建例程46通过利用这些信息和创建MPC(或其它)控制逻辑参数需要的任何其它信息(如MPC系数)来执行。屏幕显示118上的“产生控制”按钮123可以显示过程模型及控制逻辑参数的创建是否成功。

在创建MPC控制逻辑参数后，在图2所示的步骤128，可以使用过程仿真块对MPC控制逻辑参数或系数进行测试。这个过程仿真块一般可以根据为过程而创建的过程模型进行开发，而且可以在美国6,445,963号专利所述的测试环境中被连接到MPC块，以测试所创建的MPC控制逻辑在过程正常操作范围内的操作是否合格。如果MPC控制逻辑的操作不合格，可以重复步骤54、99、125、126及128的任何或所有步骤，以开发不同的MPC控制逻辑。然而，如果MPC控制逻辑合格，那么MPC控制逻辑参数及过程模型可以在步骤130下载到MPC块56，以存储于参数存储器103及过程模型存储器104内，用于控制过程58。这样，MPC控制逻辑需要的参数被提供并包含在MPC块56内，而且MPC块56可以被命令，根据MPC控制逻辑102在过程内进行操作或实际执行控制。当然，如果需要，实际MPC控制逻辑102与其需要的参数可以在工作站13被创建并被下载到MPC块16。此外，如果需要，所创建MPC块或模型可以在框或步骤135(图2)处被提供给工作站或其它计算机设备，用作仿真环境的一部分。

一旦被控制器11下载及执行，内有MPC块56的MPC模块或回路可以以控制例程内的其它块或元件所采用方式相同的方式执行报告功能，这是因为如上所述，MPC块56及包括这个块的控制模块利用与过程控制系统10内的其它控制块相同的编程范例被设计。在一个实例中，有关MPC块或模块的图形视图可以通过(例如)一个或多个工作站13的一个显示屏幕14向用户或操作员显示，这些图像订阅有关MPC模块内的块的数据，并以预定或指定方式显示这些数据。

虽然在此已经描述了利用添加噪声到所采集的过程数据并根据所采集的过程数据创建过程模型的方法的实施，是与过程设备配置进行时被下载到过程设备的控制器的MPC块的创建同时进行的，但是，需要注意的是，在根据所采集的过程数据创建过程模型之前将噪声添加到该数据的概念，可以在任何其它条件或环境以任何期望类别的过程模型实施。因此，这个特征可以用于为MPC控制应用、神经网络建模及/或控制应用、或在需要根据所采集的过程数据为过程创建过程模型的任何其它情况创建过程模型。此外，在根据所采集的过程数据创建过程模型之前将噪声添加到该数据的特征，可以用于单输入单输出、或单输入多输出、或多输入多输出、或多输入单输出控制或建模情况或其它非控制应用，如建模及预测应用。同样地，被添加噪声的过程数据可以以任何方式(包括在此描述的方式以外的任何方式)从过程采集。同样地，虽然根据经过噪声预处理的所采集的过程数据开发的实际模型可以是有限冲激响应(FIR)模型、或参数模型，例如带外部输入的自回归(ARX)模型(如在此更详细描述的)；而且，任何其它类别的过程模型(而不是前述类别的模型)可以根据这些数据创建，或除前述类别的模型之外，还可以根据这些数据创建其它类别的过程模型。

因此，如图5所示，一种用于根据过程数据或测试数据创建过程模型的广义鲁棒方法150被描述。方法150一般包括在框152获取一套过程测试数据并在框154的过程测试数据执行数据标准化。当然，过程测试数据可以通过使用任何符合要求的过程干扰技术或波形以任何方式获取。此外，任何已知的数据标准化技术可以对测试数据执行。在框156，标准化了的过程测试数据可以被预处理或筛选，以(例如)消除离群值，删除或排除可能已经在不正规过程操作中或是在过程中存在一些其它干扰而不反映标准过程操作等情形被获取的数据部分。接着，在框158，噪声，例如零均值随机噪声，被添加到预处理的标准化了的数据中。如上所述，介于标准化范围的0.2％至0.5％的零均值随机噪声可以被添加到标准化了的及预处理的测试数据中，也可以采用其它大小的噪声。框160接着应用任何已知或符合要求的模型生成技术，使用框158产生的噪声过程测试数据来生成一个或更多过程模型。

虽然图5图示噪声可以在标准化过程测试数据被预处理或筛选后被添加到该数据，但并不是所有情形都是将过程测试数据标准化、或预处理或筛选该过程测试数据，以(例如)按用户或某个统计方法的指定来消除离群值或其它不良数据。此外，虽然图5图示噪声在过程测试数据生成后被添加到该数据，但已经发现，噪声可以被添加到用于生成过程测试数据的信号波形，以将噪声添加到所采集的过程测试数据中。在这种情况下，假定在为了生成过程模型的目的而评估所采集的过程测试数据时，非噪声过程干扰信号或信号波形被用于生成采集(因此是噪声)过程测试数据。

也已经发现，将噪声添加到过程测试数据的技术，首先在噪声过程测试数据存在的情形下，对鲁棒地寻找过程模型有效，这是因为：添加零均值随机噪声到噪声数据实际上并未在添加的噪声数量上增高数据中的噪声电平。明确地说，由于被添加的噪声和已经存在于所采集的测试数据中的噪声没有关系，因此所添加的噪声并未在添加的噪声电平上增高数据的噪声电平。其实，当添加噪声到噪声及非噪声数据时，例如在为同一过程开发多过程模型时，噪声的添加和从过程内的不同来源采集的数据中的噪声数量扯平，因而，为过程提供一个更好或更相关的过程模型组合。

也已经发现，将噪声添加到过程测试数据的技术，对确定参数模型(如ARX模型)比确定非参数模型(如FIR模型)更有效。一般而言，参数模型使用一个有限维参数向量来搜索最好描述；而如果是非参数模型，需要一个无限维参数向量来搜索最好描述。参数与非参数模型类别的主要分别在于，参数模型比非参数模型更紧密并需要较少参数来描述同一动态特性。在文献中，FIR模型被称为非参数模型，而形式如ARX、ARMAX、Box-Jenkins、及输出误差(OE,OutputError)等模型则被称为参数模型。“非参数”一词并非意味这些模型完全没有参数，而是指参数的数目及特性是有弹性的，而且需要确定截断程度。例如，在FIR模型中，用于定义模型的扫描数目确定该模型的动态范围。非参数模型有时也被称为无分布模型。

已知低阶参数模型一般不能产生良好或有效的、用于过程模型的过程死区时间的估计，而FIR模型一般为过程死区时间提供良好估计。因此，图6中的流程图170图解一种非常有用的确定参数模型(如ARX模型)的方法。明确地说，在框172，首先为过程确定过程测试数据。在框174，这些过程测试数据可以被标准化和筛选，以消除离群值、不良数据等等。然后，在框175及176，根据过程测试数据确定过程死区时间的估计值。在一个例子中，框175首先根据过程测试数据生成过程的一个非参数模型(如FIR模型)，框176接着根据该非参数过程模型确定过程死区时间。一般而言，过程死区时间的估计值可以设定为所建模的FIR过程响应超越零标准化阈值的时间。但是，虽然可以通过根据所采集的过程数据生成FIR或其它非参数模型来执行确定过程死区时间估计值，框175及176仍然可以由任何其它已知或符合要求的确定过程死区时间方法取代，包括可以由没有生成过程模型的方法取代。

随后，在框178，振幅符合要求的随机零均值噪声可以被添加到过程测试数据。在框180，过程测试输入信号可以及时被移位以考虑所确定的过程死区时间，以从所采集的及人工的噪声过程数据移除过程死区时间。当然，框178及180的操作顺序并不重要，而且可以颠倒或同时执行。在框182，参数模型生成例程可以用于根据人工的噪声及所移位的过程数据，通过以任何已知方式确定参数过程模型的参数值来生成参数过程模型。当然，以所确定的过程死区时间为基础的过程输入数据移位，可以在确定参数化过程模型时发生，因此过程输入数据移位可以是为了确定过程模型而实施的计算的一个主要部分。

一般而言，将噪声添加到所采集的过程数据的过程增加了过程数据的标准差，这个过程在参数模型创建例程不能收敛于原始(非噪声)数据时，基本上使参数模型创建例程能利用噪声数据来收敛于一套模型参数。此外，相信将噪声添加到过程数据使得该数据能使一个参数模型创建例程收敛于一套模型参数组合；这个模型参数组合基本上能像本来已经根据原始数据确定的模型参数一般准确或接近地估计过程，还能在参数模型创建软件实际上将已经是不能利用原始数据收敛的许多情况下准确或接近地估计过程。

有几项基本的过程模型验证技术，这些技术可以测量用于生成过程模型的鲁棒性，特别是可以测量模型参数收敛的改善。如以上所述，已经发现，置信区间与噪声紧密相关，因此，可以通过在测试数据上叠加一个小电平来加宽噪声置信区间(与数据的标准差紧密相关)。如上所述，这种技术使得能够根据以前不曾提供模型参数收敛的数据获得参数模型。因此，模型开发技术的鲁棒性得以显著提高。

开发合格过程模型是模型预测控制(MPC)技术的核心。虽然有多种模型与MPC同时被使用，但FIR及ARX模型或许是工业最普遍使用的模型。Zhu,Y.、Arrieta,R.、Butoyi,F.、及Cortes,F.著述、发表于HydrocarbonProcessing(《碳氢化合物加工》)杂志2000年2月刊、标题为“ParametricVersusNonparametricModelsinMPCProcessIdentification”(MPC过程识别中的参数及非参数模型比较)的文章对模型类别及它们的特征作了概述。如上所述，模型评估的一个基本标准是置信区间及在频率或时间域执行的计算的使用，而对于这个度量，窄置信度是所期望的。然而，另一模型识别特性，即鲁棒性并未明确定义。然而，一般而言，模型识别问题导致优化问题，问题可以通过最小二乘法技术或最大似然法技术或这些技术的变体技术解决。虽然许多已知方法可提供可靠的名义模型及可接受的相关不确定性，由于步骤的不同，很难清楚比较这些模型识别程序各自的鲁棒性。然而，总而言之，鲁棒识别技术容许模型结构错误，并提供鲁棒控制设计要求的模型及不确定性估计。

虽然许多理论性的建模技术、模型识别技术用于工程软件并在复杂工业过程用于执行识别，但其设计一般是为了易于使用，因此，与典型的研究/学术软件比较，建模技术或建模方程式阶次可供选择的选项较少。因此，在过程动态远比假设模型复杂的情况下，需识别的假设模型应有较宽的模型参数不确定性区间。如上所述，按置信区间定义的模型不确定性由数据中的随机噪声电平确定，或与数据中的随机噪声电平有关。因此，在很多时候，如果噪声电平不足以创建宽度足够用于包含可接受参数值的不确定性范围(在以有效非线性、串联MPC或仿真过程及在随机噪声电平非常低或完全不存在时识别一过程，这些情形经常存在)，那么识别程序可能不会收敛于可接受的模型参数。

因此，在此所用的“鲁棒识别”一词在于包含：以可靠的方式，根据关于模型参数收敛的不良及不可靠数据，为假设模型复杂性提供过程模型的程序。置信区间分析被使用，如在此所述，测试结果提供证据说明：随机噪声的添加，是通过增加识别模型的置信区间来改善识别鲁棒性的。

然而，为求明晰，置信度的概念将更详细地说明于下文。明确地说，被证明在DMC应用中很有效的阶跃响应建模，是用于MPC的最普遍形式的模型表示方法；这是由于阶跃响应建模使得可以直接获得过程输出预测。未来预测，作为MPC控制器的一个输入，被用于计算预测错误向量。

阶跃响应的实际形式是已知的。考虑一个单输入单输出过程，微分FIR模型为：

${\mathrm{\Δy}}_k=\underset{i=1}{\overset{p}{\Σ}}{h}_i{\mathrm{\Δu}}_{k-i}---\left(1\right)$

其中p为预测范围，而h_i为所识别的模型系数。典型地，冲激响应需要30至120个系数来描述一个简单“一阶加死区时间过程”的动态。然而，以整体预测范围及多至120个系数来识别阶跃响应(特别是在多输入多输出情况时)，会造成“过度适应”并导致重大的参数不确定性，这是FIR识别器的一个常见问题。ARX模型的系数远比FIR模型的系数少，而且可以表示为：

$y_k=\underset{i=1}{\overset{A}{\Σ}}{a}_i{y}_{k-i}+\underset{i=1}{\overset{V}{\Σ}}{b}_i{u}_{k-d-i}---\left(2\right)$

其中A及V为ARX模型的自回归及移动平均阶次，d表示死区时间，而a_i,b_i为模型系数。大多数实际应用为四阶。如以上所作的有关图6的说明，通过使用一个短FIR范围，可以识别死区时间，然后用于确定ARX模型。如果是多输入多输出过程，根据每个输入对每个输出实施重叠(添加作用)。最后，一个单位阶跃被施加在其中一个输入，而所识别的ARX模型被用于获取该输入的阶跃响应。

概括地说，过程模型识别可以表示为测量数据集合对一个模型参数估计集合的、包含于参数集合D_N[4]的一个映射：

$Z_N^0\→{\widehat{\mathrm{\θ}}}_N^0\∈D_N---\left(3\right)$

在以上的FIR及ARX模型的表示中，分别为(h_i)及(a_i,b_i)。任何识别技术的一个非常重要的特性是采样数目N趋于无限时的收敛。数据集合的错误有随机成份。因此，集合不是实际模型参数集合θ⁰的一个独有实现。其实，实际参数集合θ⁰有无数个从假设数据集合展开的可能实现因此，参数估计有若干发生概率。从实际角度看，了解差异的概率分布更为有用，这是因为对其分布的了解可提供估计的定量不确定性。

因此，任务是在不知道θ⁰的情况下估计已经证明，在N值较大时，从估计获得的每个参数渐近收敛(其置信度为α)到正态分布，而其密度函数为：

$P\left(\right|\widehat{\mathrm{\θ}}\left(k\right)-\widehat{\mathrm{\θ}}\left(k\right)|>\mathrm{\α})\≈\frac{\sqrt{N}}{\sqrt{2{\mathrm{\πP}}_{\mathrm{\θ}}^{\left(kk\right)}}}\underset{\left|x\right|>\mathrm{\α}}{\∫}{e}^{-x^{2}N/2P_{\mathrm{\θ}}^{\left(kk\right)}}dx---\left(4\right)$

如方程式(4)所示，是参数估计的方差。是协方差矩阵P_θ的k,k因素。用于估计协方差矩阵的方程式为：

$P_{\mathrm{\θ}}={\left(Z_N^{0T}{Z}_N^0\right)}^{-1}{Z}_N^{0T}{\mathrm{ee}}^T{Z}_N^0{\left({\left(Z_N^{0T}{Z}_N^0\right)}^{-1}\right)}^T---\left(5\right)$

在这里，数据集合的排列与用于识别(在这些例子中是识别FIR或ARX)时的排列相同；是的转置；而e是过程输出与模型输出之间的误差集合。

然而，应用方程式(5)需要首先计算过程模型，以展开误差集合。作为选择，协方差矩阵P_θ可以直接根据数据矩阵的单一值分解(SVD)定义：

$Z_N^0={\mathrm{USV}}^T---\left(6\right)$

矩阵U,S,V是单一值分解(SVD)的产物。然后，

$\mathrm{cov}(a_j,a_k)=\underset{i=1}{\overset{M}{\Σ}}\left(\frac{V_{ji}{V}_{ki}}{w_i^2}\right)---\left(7\right)$

$\mathrm{var}\left(a_j\right)=\underset{i=1}{\overset{M}{\Σ}}{\left(\frac{V_{ji}}{w_i}\right)}^2---\left(8\right)$

在这里，V_ji是矩阵的元素；w_i是对角矩阵S的元素；M是矩阵S的量纲。

模型参数的标准差定义为：

$\mathrm{\σ}\left(a_j\right)=\sqrt{\mathrm{var}\left(a_j\right)}---\left(9\right)$

这个度量以比以上提供的“错误概率分布”更容易使用的方式显示模型品质信息。模型参数的标准差以预定概率确定参数值的范围。例如，95％置信区域是指实际参数值在95％概率的区域内。假设错误正态分布，围绕所识别的参数值的2σ(a_j)的范围定义95％置信区间、3σ的范围定义99％置信区间、等等。

以根据模型参数生成阶跃响应的方式类似的途径，可以根据这些参数标准差σ(a_j)生成阶跃响应。置信区域从预测范围获得，因此提供响应参数的范围，如增益及死区时间。95％置信区间分界线定义为标准差的两倍，而且可以通过计算阶跃响应，并在正负方向将阶跃响应叠加在初始阶跃响应上进行比较。99％置信区间则使用标准差的三倍来定义上置信区间及下置信区间。

图7示出一个基于Matlab通过应用SVD根据仿真数据开发的阶跃响应置信区间的例子。图中描述所识别的阶跃响应204周围的95％及99％置信区域(分别为线200及202)。自然地，概率越高，该区域越大，反之亦然。对于MPC模型而言，95％置信区间已经足够。这个信息的一个有用解释在于确定阶跃响应参数的范围。例如，对于图7的响应而言，增益的范围在置信区间为95％时介于1.4和2.05之间；在置信区间为99％时介于1.25和2.2之间。应用这个信息，是为了估计对鲁棒控制器生成有用的参数。让过程模型内的每一阶跃响应可利用置信区间，不仅使得能够检测模型输出的误差，还使得能够识别可能对预测误差发生作用最大的特定阶跃响应。

在描述置信度的定义方式后，图8图解几个由置信区间定义的模型验证细节。如同从上述讨论中所理解的那样，特别是从方程式(6)-(9)所理解的那样，置信区间依赖于用于模型开发的噪声电平。然而，要在置信区间内获得模型参数，必须选择适当的模型方程式阶次。虽然这个阶跃容易识别，但它不是一个总是能达到或容易达到的任务，特别是在有复杂过程动态的过程控制情况时更是这样。基本上，选择模型方程式的类别及阶次需要在这方面相当专长，通常比一个普通工业用户还高许多的专长。虽然选择一个比要求高的模型阶次可以提供一个有用模型，但是这会不必要地自动延长编程运行时间，而延长范围可能以分钟或甚至是以小时计。另一方面，多级控制系统通常需要比典型用户可想象的方程式阶次还高的方程式。然而，对于显著的非线性过程，选择较高模型阶次可能对过程识别造成负面影响，这是由于不存在精确的、可用于非线性过程的线性模型。假设数据定义为窄置信区间的一个较高阶次的模型完全不能致使生成任何模型，因为模型参数将不会收敛到窄范围内。可以通过利用一个较低阶次、较宽置信区间的线性模型、更实际地为这种非线性过程建模。这个选择完全依照常识工程逻辑，也就是：如果一个过程为非线性，最好假设过程增益在一个较宽范围内变化，而不是增高动态阶次。结论是，就实际应用而言，特别是以非线性过程而言，有合理的置信区间比有较高阶次的模型有利。在许多时候，这个情形自动地被满足，这是因为数据噪声电平适当。然而，如上所述，为担保模型在许多或大多情况收敛，可以在测试数据采集及预处理之后，也就是标准化及移位均值以加宽置信区间之后，将随机噪声添加到过程输出数据。

将随机噪声添加到过程数据的效果，在仿真测试中很清楚地被演示，在仿真测试中，添加0.25％振幅的噪声到数据使得可能开发一个优良模型，而以无噪声数据却不能开发任何模型。例如，图8图示在连同95％置信区间214一起添加零均值0.25％最大振幅噪声到过程数据后，FIR模型210与ARX模型212之间的一个近乎理想的匹配。图9图示通过添加零均值、0.25％最大振幅噪声到919个无噪声样本中的120个样本所获得的结果，结果再次改善ARX模型212的收敛，虽然其与FIR模型210之间的匹配并不理想。通过添加0.1％最大振幅噪声到所有无噪声样本，可以获得类似的结果，这仍然改善了ARX模型的收敛。

在此描述的鲁棒模型生成概念的验证中发现，对死区时间估计误差的敏感性，一般随噪声振幅减少。添加噪声的效果的几个特定测试将在以下描述。明确地说，这些测试使用被定义为二阶过程的一个单回路过程，其增益(Gain)＝1、DT＝2、T₁＝T₂＝20(其中DT为死区时间，T₁及T₂分别为参数模型的一阶及二阶时间常数)。在这些测试的模型识别中，使用240的稳态时间。用于测试的数据显示于9:21–9:52之间的选择区域220，即图10的31分钟的数据。在不添加噪声到数据的情况下，ARX模型识别程序不提供任何二阶时间常数，并确定一个太小的增益及一个太大的死区时间。虽然FIR模型确定程序确定了FIR模型，但FIR模型的死区时间为零，这是不正确的。为了解决这些问题，现有技术曾试图人工增加参数数量，添加更多过程数据，并增加过程干扰输入的步长，但在模型识别方面一般没有获得有效改善。

然而，在过程干扰测试后添加人工噪声到过程数据，使模型品质获得了有效改善。其实，图11-图13显示，对FIR模型230及ARX模型232添加0.3％、0.4％、0.5％(最大振幅)均匀分布、零均值随机噪声到其数据。如图所示，0.4％的最大噪声振幅在此显然是最理想的，因为它提供FIR模型及ARX模型之间的最紧密匹配。

此外，可以确定：噪声可以被添加到过程输入，而不是被添加到过程干扰测试采集的数据。明确地说，当运行测试周期并添加噪声到执行过程测试中用于干扰过程信号发生器的输出时，可以确定参数模型识别获得有效改善。图14图示被添加0.4％最大振幅、均匀分布、零均值随机噪声的过程干扰信号240，及由这个噪声测试信号产生的所采集的过程输出数据242。图15图示以利用噪声过程干扰信号而采集的过程数据为基础的、结果FIR模型性能244及ARX模型性能246。

同样地，可以确定：添加0.4％最大振幅、均匀分布、零均值随机噪声到已经包含0.4％实际噪声的过程数据，会产生几乎同样的、与模型识别相关的结果。此外，一般可以确定：创建模型时可以排除相当数量的过程数据，噪声被添加到其余数据，而且还可产生适当模型。明确地说，不论缺失数据的位置在哪里，ARX模型生成例程的表现都如预期一样；而且，虽然FIR模型生成例程先停顿，但ARX模型生成例程还是能够在存在一些缺失数据的情况下生成模型。图16左边的曲线图图示一个用于测试的完整测试数据集合250，而图16右边的曲线图图示FIR模型252及ARX模型254的结果模型性能。FIR模型252只是计算到大约60个扫描，以缩小这个模型生成需要的计算过程。图17-图20图示排除(如这些图的左边曲线图的排除区域260所示)测试数据时，对FIR及ARX模型性能(分别为252及254)的影响。在这些情况的每一情况下，0.4％最大振幅、均匀分布、零均值随机噪声被添加到这些图中左边的曲线图所示的过程输出测试数据。如图所示，FIR模型252先停顿，特别是从数据集合的多非相邻区域排除数据时，但在从测试中排除相当数量的数据的情况下，还是可以开发过程模型。

类似的测试针对多变量过程被执行，并科获得相同的一般结论，也就是：通过添加零均值随机噪声到过程测试数据而获得较好的模型识别性能；对死区时间估计误差的敏感性随噪声振幅减少；过程增益估计一般较好(FIR模型生成过程一般比ARX模型生成过程产生较好的增益估计)；以及在从测试中排除相当数量的过程数据(包括数据集合中部的数据)的情况下，还可产生过程模型(ARX模型生成过程比FIR模型生成过程更能容许缺失数据)。此外，虽然添加噪声到测试数据的技术并未有效改善开发FIR模型，而且视添加的噪声数量而定，这种技术可能使这些模型稍差，但是这种技术没有显著降低FIR模型的准确性，除非是用于创建模型的数据严重受限。然而，可以发现：添加随机噪声到测试数据有效地增强ARX模型确定例程的收敛能力，以确定一个完整的模型参数集合，因而使这个过程模型创建例程更鲁棒。

因此，如上所述，置信区间与噪声紧密相关。因此，可以通过在测试数据上叠加一个小电平的随机噪声来加宽置信区间。这个观察导致产生一种通过加宽置信区间来改善模型参数收敛的技术，并导致产生一种能够从以前不曾提供模型参数收敛的数据获得模型，以及用加宽置信区间获得模型的技术。因此，过程模型开发的鲁棒性已经获得有效提高。

应该理解，在此描述的MPC或高级控制逻辑生成例程及方法使用户能在没有大量与“怎样创建高级控制块，如MPC块、神经网络建模或控制块、等等，及这些控制块怎样使操作员能在不需要执行很多过程重新编程来实施高级控制、及一般不需要变换过程测试设置来确定适当过程模型的情况下创建及使用这些控制块”有关的专家知识的条件下，创建高级控制块，如MPC块、神经网络建模或控制块、等等。

虽然在此描述高级控制块、过程仿真块及相关的生成及测试例程与Fieldbus及标准4-20mA设备同时使用，它们当然也可以通过应用任何其它过程控制通信协议或编程环境来实施，而且可以与任何其它类别的设备、功能块或控制器同时使用。此外，应该注意，在此使用的措辞“功能块”并不限于Fieldbus协议或DeltaV控制器协议所识别的功能块，而包括与可用于实施某种过程控制功能的、任何类别的控制系统及/或通信协议相关的任何其它类别的块、编程、硬件、固件、等等。此外，虽然功能块的典型形式是面向对象编程环境内的对象，但并非都是这样。

虽然在此描述的高级控制块、过程控制创建例程、过程仿真块及相关的生成及测试例程优选以软件实施，但它们也可以以硬件、固件、等等实施，而且可以由任何其它与过程控制系统相关的处理器执行。因此，在此描述的例程40可以在标准的多目的中央处理器(CPU)实施或在特别设计的硬件或固件中实施，如ASIC，如果需要。在以软件实施时，该软件可以存储于任何计算机可读内存，如存储在磁盘、激光盘、光盘、或其它存储介质上，或存储在计算机或处理器的RAM或ROM等内。同样地，软件可以通过任何已知或期望的传送方法，包括计算机可读盘或其它便携式计算机存储装置、或通过通信频道如电话线、互联网等调制(被视为与通过可移动存储装置提供这种软件一样或可与其互换)，传送到用户或过程控制系统。

因此，虽然本发明已经参考特定例子进行了描述，但这些例子只是在于阐明而不是限制本发明包括的范围。本领域的普通技术的人员将很清楚，已揭示的实例可以在不脱离本发明的精神及范围的条件下被修改、增加或删除。

Claims (19)

1.一种在包括一个或更多处理器及计算机可读存储器的过程环境条件中根据过程生成过程模型的模型生成系统，该模型生成系统包括：

第一装置，用于从过程采集指示过程的至少一个部分的过程操作的过程数据；

第二装置，用于将噪声添加到所述过程数据，从而生成条件过程数据；以及

模型生成装置，用于根据所述条件过程数据确定过程模型。

2.如权利要求1所述的模型生成系统，其中所述模型生成装置为参数模型生成装置，该参数模型生成装置根据条件过程数据确定一个或更多参数模型参数，以生成参数模型。

3.如权利要求2所述的模型生成系统，其中所述模型生成装置为带外部输入的自回归过程模型生成装置。

4.如权利要求2所述的模型生成系统，其中所述模型生成装置包括：估计过程的死区时间的过程参数装置，以及根据所述条件过程数据及过程死区时间的估计值确定所述一个或更多参数模型参数的模型参数估计装置。

5.如权利要求4所述的模型生成系统，其中所述过程参数装置生成过程的非参数模型，并根据该非参数模型确定过程死区时间。

6.如权利要求5所述的模型生成系统，其中所述过程参数装置生成有限冲激响应模型，作为所述非参数模型。

7.如权利要求1所述的模型生成系统，其进一步包括：第三装置，用于利用所述过程模型生成过程控制器。

8.如权利要求7所述的模型生成系统，其中所述过程控制器为基于模型预测控制的控制器。

9.如权利要求1所述的模型生成系统，其中所述第一装置包括：生成已知过程干扰信号以干扰过程的信号发生器和采集指示对过程干扰信号的过程响应的过程数据的采集装置。

10.如权利要求9所述的模型生成系统，其中所述第二装置适合通过将噪声添加到过程干扰信号来将噪声添加到所述过程数据，以使指示过程响应的所采集的过程数据是条件过程数据。

11.如权利要求10所述的模型生成系统，其中所述第二装置适合将零均值随机噪声添加到过程干扰信号。

12.如权利要求11所述的模型生成系统，其中所述第二装置适合使用户能选择与将被添加到过程干扰信号的零均值随机噪声有关的幅度。

13.如权利要求1所述的模型生成系统，其中所述第二装置适合将零均值随机噪声添加到所述过程数据。

14.如权利要求13所述的模型生成系统，其中所述第二装置适合使用户能选择与将被添加到过程数据的零均值随机噪声有关的幅度。

15.如权利要求13所述的模型生成系统，其中所述第二装置适合添加最大振幅介于过程数据范围的0.2％至0.5％之间的均匀分布的随机噪声。

16.如权利要求13所述的模型生成系统，其中所述第二装置适合添加最大振幅大约为过程数据范围的0.4％的均匀分布的随机噪声。

17.如权利要求1所述的模型生成系统，其中所述第二装置确定被添加到过程数据的噪声的振幅为过程数据的函数。

18.如权利要求17所述的模型生成系统，其中所述第二装置确定噪声的振幅为过程数据的范围或均值或标准差的函数。

19.如权利要求1所述的模型生成系统，其中所述第二装置确定被添加到过程数据的噪声的振幅为用于生成过程数据的过程输入信号的函数。