王雅欣，徐宝昌，徐朝农，董秀娟，许立伟

（1 中国石油大学（北京）信息科学与工程学院，北京102249； 2 中国石油北京天然气管道有限公司，北京100012）

引 言

近年来，化工企业过程装置控制的复杂性不断提高，先进控制理论的应用日益广泛，内模控制[1]、自适应控制[2]和模型预测控制[3]等一系列先进控制方法被相继提出，其带来的安全和经济效果十分显著。控制理论的实际应用不能脱离描述系统行为的动态模型，然而在多数情况下，被控对象的模型是未知的，或在正常运行期间模型参数会发生改变，辨识被控对象的动态模型是控制理论在解决实际问题时的关键[4]。随着系统的日益复杂化，对模型精度要求的提高以及系统非线性等问题，系统辨识方法已由经典的阶跃响应法、脉冲响应法、频率响应法、最小二乘法等发展到集员辨识[5]、基于遗传算法的系统辨识[6]、神经网络系统辨识[7]、模糊逻辑系统辨识[8]、小波网络系统辨识[9]等现代辨识方法。

在化工领域，工业先进控制软件用于预测控制模型的辨识方法较为普遍的仍是基于阶跃响应的传递函数矩阵模型辨识方法[10-11]。该辨识方法通常需要在实际生产过程中进行阶跃测试实验，并且测试信号要足够强才能保证辨识精度，因此可能会导致工艺过程不稳定运行，轻则影响生产，重则引起严重安全事故。且一次阶跃响应实验只能得到适用于描述一个工作点附近若干个输入输出通道的动态特性的传递函数模型，获取多个工作点的模型则需要耗费大量时间进行多次阶跃响应实验。……