基于廣義泊松矩泛函的閉環(huán)子空間辨識

摘要： 針對連續(xù)系統(tǒng)在閉環(huán)條件下進行辨識，由于將來輸入和噪聲的相關性，會導致辨識方法產生有偏估計結果的問題，提出一種基于廣義泊松矩泛函的閉環(huán)子空間辨識算法。首先，采用廣義泊松矩泛函變換得到輸入輸出信號的濾波器模型，從而得到連續(xù)系統(tǒng)的輸入輸出矩陣方程。然后，利用故障診斷領域中的等價空間代替子空間辨識過程中的觀測空間進行辨識。最后，為了解決閉環(huán)辨識中由反饋控制器產生的估計偏差辨識問題，采用主成分分析法和輔助變量法，達到辨識系統(tǒng)一致性估計的目的。仿真結果驗證了所提方法的有效性和精確性。

關鍵詞： 子空間辨識; 閉環(huán)辨識; 廣義泊松矩泛函; 等價空間

中圖分類號： N 945.14

文獻標志碼： A

DOI：10.12305/j.issn.1001-506X.2024.06.27

Closed-loop subspace identification via generalized Possion moment functionals

YU Miao^*， WANG Youyi， WEI Yongtao

（School of Control Engineering， Northeastern University at Qinhuangdao， Qinhuangdao 066004， China）

Abstract： To solve the problem of biased estimation due to the correlation between future input and noise in the identification process of continuous system， a closed-loop subspace identification algorithm utilizing generalized Possion moment functionals is presented. Firstly， the filter model of the input-output signals is obtained by generalized Possion moment functionals transformation， and then the input-output matrix equation of the continuous systems is obtained. Secondly， instead of using the observable subspaces in the process of subspace identification， this paper focus on the parity space which is commonly employed in fault detection. Finally， the system is estimated consistently by the principal component analysis and instrumental variable method， which solves the identification problems of biased results for the system operates in closed-loop identification due to the feedback controller. The effectivity and accuracy of the proposed method are verified by the simulation results.

Keywords： subspace identification; closed-loop identification; generalized Possion moment functionals （GPMF）; parity space

0 引 言

近年來，子空間方法作為系統(tǒng)辨識領域的重要分支，在過程辨識和控制領域受到了廣泛的關注^［1-3］。針對開環(huán)離散系統(tǒng)，子空間辨識方法已具有較好的性能。實際上，很多工業(yè)過程出于對安全性或者經濟性的考慮不能直接去掉過程中的反饋，并且絕大多數系統(tǒng)都具有連續(xù)特性。由于反饋控制器的存在，許多開環(huán)子空間辨識算法在應用于閉環(huán)系統(tǒng)時會產生有偏估計結果^［4-5］。因此，針對這一類連續(xù)系統(tǒng)的辨識問題進行深入研究，具有重大的理論意義和實際價值。

傳統(tǒng)的子空間辨識方法是對離散系統(tǒng)進行估計，然后將其轉換為連續(xù)系統(tǒng)。對于離散系統(tǒng)，子空間辨識方法是成熟有效的。然而，連續(xù)系統(tǒng)的辨識問題不容易解決。另一種方法是直接從輸入輸出數據進行辨識，并獲得連續(xù)系統(tǒng)模型^［6］。廣義泊松矩泛函（generalized Possion moment functionals， GPMF）是一種處理連續(xù)系統(tǒng)時間導數問題非常有效的方法，并且具有較少的設計參數的優(yōu)勢^［7］。文獻［8］詳細說明了GPMF的數字實現(xiàn)和參數設置。具體地，它結合了子空間辨識和泊松矩泛函算法，解決了輸入輸出信號的時間導數和積分問題，并且被應用在繞線控制系統(tǒng)辨識問題中。文獻［9］通過核范數最小化和泊松矩泛函對連續(xù)系統(tǒng)進行估計，并將其擴展到缺失輸出數據情況下的模型辨識問題。為了提高連續(xù)系統(tǒng)辨識的準確性和有效性，文獻［10］提出一種結合核范數極小化和GPMF的子空間辨識方法?？梢钥闯?，GPMF是采用泊松矩函數重構輸入輸出數據時間導數的一種線性濾波方法，并且被廣泛應用于系統(tǒng)辨識、工業(yè)控制和微電子領域中^［11-12］。

上述基于GPMF的辨識方法都是在假設開環(huán)的條件下實現(xiàn)的，如果系統(tǒng)在閉環(huán)條件下進行辨識，由于將來輸入和噪聲的相關性，會導致以上方法產生有偏估計結果。為了避免這種相關性帶來的影響，相關領域學者們提出閉環(huán)子空間辨識方法。文獻［13］提出了基于預測器的遞推子空間辨識方法，并將其應用于閉環(huán)辨識問題中。文獻［14］采用正交投影法提出閉環(huán)子空間辨識方法。基于主成分分析（principal component analysis， PCA）法，文獻［15］研究了一種新的子空間辨識法，對閉環(huán)系統(tǒng)的確定性部分和隨機性部分分別給出了一致性估計結果。文獻［16］通過正交分解法提出辨識閉環(huán)系統(tǒng)的新方法。基于因式分解法形成預測器，文獻［17］針對線性參數變化（linear parameter variation， LPV）系統(tǒng)提出在開環(huán)和閉環(huán)情況下的有效辨識方法。文獻［18］分析了典型相關分析型子空間方法，并提出基于狀態(tài)序列的閉環(huán)子空間辨識方法。文獻［19］提出兩種閉環(huán)時不變子空間辨識算法，采用一組Laguerre濾波器解決了連續(xù)時間系統(tǒng)的時間導數問題。采用約束最小二乘法將先驗知識融入系統(tǒng)脈沖響應，文獻［20］提出基于PCA的閉環(huán)子空間辨識方法。文獻［21］通過張量網絡法提出多輸入多輸出LPV狀態(tài)空間系統(tǒng)辨識法，解決了辨識過程中的維數災難問題。在行列加權矩陣最優(yōu)選擇的基礎上，文獻［22］研究了一種降低估計值方差的子空間辨識法。以上文獻大多研究的是離散系統(tǒng)的閉環(huán)子空間辨識問題，但在實際應用過程中，連續(xù)系統(tǒng)的辨識對于實際過程具有重要意義^［23-24］。如前所述，連續(xù)系統(tǒng)具有廣泛的應用，這更加需要有效、準確的系統(tǒng)辨識方法。因此，如何開發(fā)一種新的辨識算法，精確辨識閉環(huán)連續(xù)系統(tǒng)是系統(tǒng)辨識和控制領域共同的重要問題。

本文對基于GPMF的閉環(huán)子空間辨識算法進行深入研究，有效地解決了連續(xù)系統(tǒng)的辨識問題。本文其他部分構成如下：① 描述問題;② 提出閉環(huán)子空間辨識算法;③ 通過數值仿真驗證所提辨識算法的有效性和精確性;④ 給出結論。

1 問題描述

考慮以下連續(xù)系統(tǒng)：

式中：U（t）∈R^m是輸入向量;Y（t）∈R^l是輸出向量;X（t）∈Rⁿ是狀態(tài)向量;A∈R^n×n，B∈R^n×n，C∈R^l×n，D∈R^l×m是系統(tǒng)矩陣;W（t）∈Rⁿ，V（t）∈R^l是零均值、白噪聲序列，其協(xié)方差矩陣為

式中：E（·）是期望算子;Δ（t－τ）是Dirac delta函數。目標是在閉環(huán)條件下，通過輸入輸出信號辨識連續(xù)系統(tǒng)的階數以及系統(tǒng)矩陣A、B、C和D。

反饋控制器結構如下：

U（t）=FY（t）+R（t）

其中，F(xiàn)是系統(tǒng)增益矩陣;R（t）為參考輸入信號。為了系統(tǒng)具有可辨識性，需滿足以下條件：

（1） 系統(tǒng)漸進穩(wěn)定，過程對象為可觀可控系統(tǒng);

（2） 信號U（t）、Y（t）、R（t）至少存在i－1階導數，其中igt;n;

（3） 輸入信號是持續(xù)激勵的，并且W（t）、V（t）為平穩(wěn)隨機信號，對于任意不同時刻，W（t）、V（t）與R（t）無關。

根據式（1），輸入輸出矩陣為

Y_i=Γ_iX+H_iU_i+G_iW_i+V_i（3）

式中：

矩陣U_i，W_i，V_i可以用相同的形式表示，狀態(tài)矩陣為X=［X（t₁），X（t₂），…，X（t_N）］。

矩陣Γ_i∈R^li×n（igt;n）是廣義能觀測性矩陣，矩陣H_i∈R^li×mi，G_i∈R^li×ni是低維分塊三角矩陣。定義為

由式（3）可知，系統(tǒng)基本信息包含在擴展可觀測性矩陣或狀態(tài)X_i中。要從式（3）計算Γ_i，必須去掉包含的項U_i和噪聲項。如果系統(tǒng)在開環(huán)條件下，噪聲項與過去的輸入、過去的輸出和未來的輸入無關，那么可以通過將式（3）沿未來輸入的行空間斜投影到輔助變量的行空間上，輕松實現(xiàn)上述目標。然而，這樣的假設在閉環(huán)條件下由于反饋控制器的存在是不成立的， 繼續(xù)采用上述方法得到的子空間辨識方法得到的估計結果會存在偏差。為解決閉環(huán)連續(xù)系統(tǒng)的辨識問題，提出基于GPMF的閉環(huán)子空間辨識（closed-loop subspace identification via GPMF， CSID-GPMF）。

2 閉環(huán)子空間辨識算法

2.1 GPMF變換

通過如下卷積，可以得到信號在［0，t］時間內的j階GPMF變換M_j{s}，表達式為

M_j{s（t）}=∫^t₀p_j（τ）s（t－τ）dτ（5）

式中：p_j=β^j+1t_jj！e^－λt是j階泊松脈沖函數;β∈R⁺是泊松脈沖增益;λ∈R⁺是泊松脈沖常數，一般有λ=β。

將式（3）進行j階GPMF變換，有：

M_j{Y_i}=Γ_iM_j{X_i}+H_iM_j{U_i}+G_iM_j{W_i}+M_j{V_i}（6）

其中，

M_j{X_i}∈R^n×1;M_j{W_i}∈R^{（i+1）n×1};M_j{V_i}∈R^{（i+1）l×1}定義相似^［24］。

信號矩陣S_j（t）是信號s（t）的低階GPMF的有限線性組合，其中包括了前j階導數信號（s^（1）（t），s^（2）（t），…，s^（j）（t））的廣義泊松矩函數。GPMF的重要性質可以推導如下。

對于j=1，有：

S₁（t）=Δ₁S～₁（t）－S₁（0）Δ₁P₁（t）（9）

式（9）可以寫為

對于j=2，有：

S_j（t）=Δ_jS～_j（t）－S_j（0）Δ_jP_j（t）（11）

式（11）可以寫為

所以，GPMF的重要性質可以總結為

其中，

式中：Δ_j為下三角加權矩陣;Δ_j（ρ，v）是Δ_j的（ρ，v）元素;S（0）是初始條件矩陣。

在暫態(tài)時期后，泊松脈沖函數將趨于零^［8］。所以，式（9）中S_j（0）Δ_jP_j（t）可以忽略，有：

S_j（t）=Δ_jS～_j（t）（18）

根據式（3），考慮第i階時間導數信號?？捎蒘_j（t）推導出S_i，j（t），其表達式為

S_i，j（t）=Δ_i，jS～_j（t）（19）

其中，

式中：Δ_i，j定義為Δ_j的前i+1行。

根據式（19），對于單輸入情況下，j階GPMF濾波器T可以通過狀態(tài)空間模型來描述。所以，信號s（t）的j階GPMF濾波器模型^［8］定義為

S～·_j（t）=A_GS～_j（t）+B_GS（t）

S_j（t）=C_GS～_j（t）（21）

式中：

B_G=［0，…，0，β］;BC_G=Δ_j;S（t）是原系統(tǒng)輸入輸出信號。

T的等價傳遞函數矩陣定義為

可以得到

T_i，j（s）=β^i+jsⁱ（s+λ）^j+1（24）

式中：I_j+1是單位矩陣;s是拉普拉斯變量。

可以通過GPMF濾波器解決原系統(tǒng)式（1）的時間導數問題。由T_j（s）的（i+1）前傳遞函數T_i，j（s），可以得到濾波器T_i，j（s）的傳遞函數矩陣如下：

有：

S_i，j（t）=T_i，j（s）S（s）（26）

GPMF濾波器T_2，2（s）的框圖如圖1所示。

對于多輸入情況下，式（3）在不同時刻{t₁，t₂，…，t_N}的矩陣方程為

Y_i，j=Γ_iX_i+H_iU_i，j+G_iW_i，j+V_i，j（27）

式中：

Y_i，j=［Y_i，j（t₁），Y_i，j（t₂），…， Y_i，j（t_N）］（28）

X_i=［X_i（t₁），X_i（t₂），…，X_i（t_N）］（29）

U_i，j=［U_i，j（t₁），U_i，j（t₂），…，U_i，j（t_N）］（30）

W_i，j和V_i，j與U_i，j定義相似。

通過式（25）濾波器T_i，j（s），可以得到在時間間隔{t₁，t₂，…，t_N}下的數據矩陣U_i，j和Y_i，j。所以濾波器的參數矩陣為

式中：0_ξ∈R^ξ×ξ是零矩陣;I_ξ∈R^ξ×ξ是單位矩陣。

GPMF濾波信號為

S～·_j（t）=A_GξS～_j（t）+B_GξS（t）

S_i，j（t）=C_GξS～_j（t）（34）

2.2 PCA法得到一致性估計結果

對于式（27），在開環(huán)條件下，噪聲項與U_i無關，所以可以將式（27）兩邊乘以U_i的正交補，去掉包含的U_i項，采用輔助變量法去掉剩下的噪聲項。本文假設在閉環(huán)條件下這樣處理是不準確的，由于噪聲項與U_i相關，所以直接采用輔助變量法無法直接去掉剩下的噪聲項，如果按照開環(huán)條件下的方法，會產生噪聲項的估計偏差。所以，這里不再按照傳統(tǒng)的方法對式（27）兩邊乘以U_i的正交補，而將式（27）乘以Γ_i的正交補（Γ^⊥_i）^T，得到

定義Z_f=Y_i

U_i，式（35）為

（Γ^⊥_i）^T［I－H_i］Z_f=（Γ^⊥_i）^T（G_iW_i+V_i）（36）

這是在故障診斷領域的等價空間理論^［25］。

為了降低噪聲對辨識精確性的影響，引入輔助變量法的思想，定義Z^T_p是由過去輸入輸出數據構成的輔助變量^［26-27］，其與將來噪聲無關，于是有：

limN→∞1N（G_iW_i+V_i）Z^T_p=0（37）

進而有：

limN→∞1N（Γ^⊥_i）^T［I－H_i］Z_fZ^T_p=0（38）

所以（Γ^⊥_i）^T［I-H_i］是limN→∞1NZ_fZ^T_p的左零空間。

下面通過PCA法處理輸入輸出數據矩陣。PCA通過線性變換將原始數據變換為一組各維度線性無關的表示，可用于提取數據的主要特征分量，常用于高維數據的降維。對下式執(zhí)行PCA，有

1NZ_fZ^T_p=PT^T+P～T～^T（39）

式中：P，P～為載荷矩陣，P與P～是相互正交的;T，T～為得分矩陣，可以選擇主成分的個數并且有l(wèi)imN→∞T～=0。

進而可以得到

（Γ^⊥_i）^T［I－H_i］=MP～^T（40）

其中，M是任意非奇異矩陣。

根據式（40），有：

所以有：

Γ^⊥_i=P～_yM（42）

－H_iΓ^⊥_i=P～_uM（43）

根據式（42），有：

Γ_i=P～^⊥_y（44）

將式（42）代入式（43），可得

－P～^T_yH_i=P～^T_u（45）

定義

－P～^T_y=Ξ=［Ξ₁Ξ₂…Ξ_i］（46）

以及

P～^T_u=Y=［Y₁Y₂…Y_i］（47）

式中：Ξ_i，Y_i分別為Ξ和Y的i階列塊矩陣。

式（45）為

通過式（44）可以得到矩陣C如下：

C=Γ_i（1：l，：）（52）

根據

Γ_i（l+1：li，：）=Γ_i（1：l（i－1），：）A（53）

采用最小二乘法即可獲得矩陣A。

根據式（50）和最小二乘法^［28-29］，可以推導矩陣B和D如下：

式（37）滿足

其中，1NZ_fZ^T_p的奇異值的個數為系統(tǒng)的階數^［30-31］，進而通過PCA法得到系統(tǒng)矩陣。

3 仿真研究

本節(jié)通過數值仿真實驗來驗證所提方法CSID-GPMF的有效性、精確性及比較優(yōu)勢?？紤]文獻［6］中的連續(xù)系統(tǒng)：

其中，W（t），V（t）為零均值、單位方差的高斯過程，辨識參數設置為λ=β=4，p=f=10，時間間隔Δt=0.01 s，執(zhí)行50次蒙特卡羅仿真。系統(tǒng)在閉環(huán)條件下運行，U（t）=R（t）－Y（t），參考信號R（t）為零均值、單位方差的高斯過程。對于任意不同時刻，W（t），V（t）與參考信號不相關，系統(tǒng)初始狀態(tài)為零。需要注意的是，λ∈{λ_min，…，λ_max}取值需使得辨識算法偏差最小。

本文所提方法CSID-GPMF與文獻［19］中基于預測器的Laguerre濾波器子空間辨識（predictor-based subspace identification using Laguerre filtering， PBSIDw）方法進行對比。與本文不同，文獻［19］采用Laguerre濾波器來處理連續(xù)系統(tǒng)的時間導數問題，這兩種處理連續(xù)系統(tǒng)時間導數的方法均屬于線性濾波方法。采用這兩種方法分別得到的平均伯德圖如圖2和圖3所示。

其中，藍色曲線為真實系統(tǒng)的伯德圖曲線，綠色曲線分別為本文所提方法CSID-GPMF與方法PBSIDw的平均伯德圖曲線。可以看出，方法CSID-GPMF的辨識軌跡更接近于真實系統(tǒng)伯德圖軌跡。所以，本文所提方法可以更好地跟蹤系統(tǒng)伯德圖的軌跡，具有更好的辨識性能。

辨識系統(tǒng)極點的偏差由式P_t－P_e和Z_t－Z_e計算。P_t和Z_t是原系統(tǒng)的極點，P_e和Z_e是辨識系統(tǒng)的極點。方法CSID-GPMF和方法PBSIDw辨識極點偏差和極點方差如表1所示。

從表1的結果可以看出，所提方法CSID-GPMF極點偏差比方法PBSIDw小。結果表明，方法CSID-GPMF比方法PBSIDw的極點更接近原系統(tǒng)的極點值。依據相應的方差估計結果，方法CSID-GPMF的值小于方法PBSIDw的值，說明所得到的方差結果的波動更小。上述結果表明所提方法CSID-GPMF具有更好的辨識性能。

4 結 論

本文提出一種基于GPMF的閉環(huán)子空間辨識算法。采用GPMF方法解決了連續(xù)信號的導數問題，得到連續(xù)系統(tǒng)的輸入輸出矩陣方程。通過PCA法和輔助變量法解決了在閉環(huán)條件下由反饋控制器產生的估計偏差問題。最后，數值仿真實驗結果表明所提方法具有辨識精度更高的優(yōu)勢。

參考文獻

［1］HUANG C， MAJUMDAR A. A combined invariant-subspace and subspace identification method for continuous-time state-space models using slowly sampled multi-sine-wave data［J］. Automatica， 2022， 140： 110261.

［2］龐志雅， 馬志賽， 丁千. 基于神經網絡和子空間的非線性系統(tǒng)載荷識別［J］. 振動、測試與診斷， 2022， 42（5）： 877-885.

PANG Z Y， MA Z S， DING Q. Force identification for nonlinear systems based on neural network and subspace method［J］. Journal of Vibration， Measurement amp; Diagnosis， 2022， 42（5）： 877-885.

［3］VARANASI S K， JAMPANA P. Nuclear norm subspace identification of continuous time state-space models with missing outputs［J］. Control Engineering Practice， 2020， 95： 104239.

［4］LI K， LUO H， YIN S， et al. A novel bias-eliminated subspace identification approach for closed-loop systems［J］. IEEE Trans.on Industrial Electronics， 2021， 68（6）： 5197-5205.

［5］YU M， GUO G， LIU J C， et al. Closed-loop time-varying continuous-time recursive subspace-based prediction via principle angles rotation［J］. ISA Transactions， 2022， 122： 135-145.

［6］GARNIER H， WANG L. Identification of continuous time models from sampled data［M］. London： Springer， 2008.

［7］GARNIER H， MENSLER M， RICHARD A. Continuous-time model identification from sampled data： implementation issues and performance evaluation［J］. International Journal of Control， 2003， 76（13）： 1337-1357.

［8］BASTOGNE T， GARNIER H， SIBILLE P. A PMF-based subspace method for continuous time model identification： application to a multivariable winding process［J］. International Journal of Control， 2001， 74（2）： 118-132.

［9］VARANASI S K， JAMPANA P. Nuclear norm subspace identification of continuous time state-space models with missing outputs［J］. Control Engineering Practice， 2020， 95（7）： 104239.

［10］DAI M X， YANG X M. Continuous-time system identification with nuclear norm minimization and GPMF-based subspace method［J］. IEEE/CAA Journal of Automatica Sinica， 2016， 3（2）： 184-191.

［11］PRASADA R G， SAHA D C， RAO T M， et al. A microprocessor-based system for on-line parameter identification in continuous dynamical systems［J］. IEEE Trans.on Industrial Electronics， 1982， 29（3）： 197-201.

［12］GARNIER H， SIBILLE P， MENSLER M， et al. Pilot crane identification and control in presence of friction［C］∥Proc.of the 13th IFAC World Congresss， 1996： 107-112.

［13］HOUTZAGER I， WINGERDEN J W V， VERHAEGEN M. Recursive predictor-based subspace identification with application to the real-time closed-loop tracking of flutters［J］. IEEE Trans.on Automatic Control， 2012， 20（4）： 934-949.

［14］HUANG B， DING S X， QIN S J. Closed-loop subspace identification： an orthogonal projection approach［J］. Journal of Process Control， 2005， 15（1）： 53-66.

［15］WANG J， QIN S J. Closed-loop subspace identification using the parity space［J］. Automatica， 2006， 42： 315-320.

［16］KATAYAMA T， TANAKA H. An approach to closed-loop subspace identification by orthogonal decomposition［J］. Automatica， 2007， 43： 1623-1630.

［17］WINGERDEN J W V， VERHAEGEN M. Subspace identification of bilinear and LPV systems for open-and closed-loop data［J］. Automatica， 2009， 45： 372-381.

［18］CHIUSO A. On the asymptotic properties of closed-Loop CCA-type subspace algorithms： equivalence results and role of the future horizon［J］. IEEE Trans.on Automatic Control， 2010， 55（3）： 634-649.

［19］BERGAMASCO M， LOVERA M. Continuous-time predictor-based subspace identification using Laguerre filters［J］. IET Control Theory amp; Applications， 2011， 5（7）： 856-867.

［20］ZHANG L， ZHOU D H， ZHONG M Y， et al. Improved closed-loop subspace identification based on principal component analysis and prior information［J］. Journal of Process Control， 2019， 80： 235-246.

［21］GUNES B， WINGERDEN J W V， VERHAEGEN M. Tensor networks for MIMO LPV system identification［J］. International Journal of Control， 2020， 93（4）： 797-811.

［22］HU Y S， JIANG Y F， CALLAFON R A D. Variance reduction in covariance based realization algorithm with application to closed-loop data［J］. Automatica， 2020， 113： 108683.

［23］夏悠然， 管軍， 易文俊. 基于改進粒子群優(yōu)化極限學習機的彈丸參數辨識［J］. 系統(tǒng)工程與電子技術， 2023， 45（2）： 521-529.

XIA Y R， GUAN J， YI W J. Projectile parameter identification： extreme learning machine optimized by improved particle swarm［J］. Systems Engineering and Electronics， 2023， 45（2）： 521-529.

［24］YU M， LIU J C， GUO G， et al. Recursive subspace identification of continuous-time systems using generalized Poisson moment functionals［J］. Circuits， Systems， and Signal Processing， 2022， 41： 1848-1868.

［25］王永剛， 毛博年， 高東. 一種補償t-OPT噪聲的冗余捷聯(lián)慣組故障檢測方法［J］. 航空控制， 2023， 41（3）： 26-32.

WANG Y G， MAO B N， GAO D. SINS fault detection based on compensation t-OPT noise［J］. Aerospace Control， 2023， 41（3）： 26-32.

［26］JAHANDARI S， MATERASSI D. Sufficient and necessary graphical conditions for MISO identification in networks with observational data［J］. IEEE Trans.on Automatic Control， 2022， 67（11）： 5932-5947.

［27］SZENTPETERI S， CSAJI B C. Non-asymptotic state-space identification of closed-loop stochastic linear systems using instrumental variables［J］. Systems amp; Control Letters， 2023， 178： 105565.

［28］SUN S Y， YANG B， ZHANG Q L， et al. A microprocessor-based system for on-line parameter identification in continuous dynamical systems［J］. Mechanical Systems and Signal Processing， 2023， 197： 110326.

［29］張偉， 許愛強， 平殿發(fā). 基于稀疏化核方法的非線性動態(tài)系統(tǒng)在線辨識［J］. 系統(tǒng)工程與電子技術， 2017， 39（1）： 223-230.

ZHANG W， XU A Q， PING D F. Nonlinear system online identification based on kernel sparse learning algorithm with adaptive regulation factor［J］. Systems Engineering and Electronics， 2017， 39（1）： 223-230.

［30］WANG J， QIN S J. A new subspace identification approach based on principal component analysis［J］. Journal of Process Control， 2002， 12： 841-855.

［31］GU S W， CHEN J H， XIE L. Automatic segmentation of batch processes into multi-local state-space models for fault detection［J］. Chemical Engineering Science， 2023， 267： 118274.

作者簡介

于 淼（1986—），女，講師，博士，主要研究方向為系統(tǒng)辨識、預測控制。

王友誼（1998—），男，碩士研究生，主要研究方向為系統(tǒng)辨識。

魏永濤（1980—），男，副教授，博士，主要研究方向為智能系統(tǒng)辨識與優(yōu)化。