控制器的性能监控,是保证控制器及整个工业过程平稳正常运行的一种常用手段。由于工业过程日趋复杂,传统的数据驱动的预测控制器(Model Predictive Control,MPC)的性能监控方法已经无法满足当前的需求,本文针对基于多工况和多诱因的复杂环境下的MPC性能监控方法进行研究,结合数据在多工况多诱因下的特点,提出了有效可行的数据驱动的性能监控的方法。多工况环境的性能监控中,在进行性能评估时,控制器的性能基准会随着工况的变化而变化,因此在性能评估前需要通过确定实时数据所处的工况,以确定数据所在工况对应的性能基准。本文就此问题提出了基于综合相似因子的工况判定方法,利用改进的主元分析(Principle Component Analysis,PCA)相似因子和巴氏距离(Bhattacharyya distance)相似因子,同时考虑了数据在主元方向上的变化以及在空间距离的变化,比较实时数据与历史数据的相似程度,从而获取实时数据所处的工况。在多诱因的性能监控中,即同时存在多种导致MPC性能下降的原因,若只考虑单一诱因,并不能完全诊断出导致MPC控制器性能下降的所有原因。而在多诱因的影响下,会使得不同情况下MPC的输入/输出数据特征相近,加大了性能监控的难度。本文对数据驱动的多诱因影响的MPC性能监控首先提出了一种基于巴氏距离相似因子的性能评估方法,该方法利用巴氏距离相似因子作为性能指标,由于巴氏距离考虑到了数据方差的变化,通过比较实时数据与历史数据的空间距离和方差差异,有效地放大了数据的波动变化,从而提高了性能评估的准确性。在性能评估的基础上,针对多诱因MPC性能诊断问题,本文提出了基于对支持向量机(Twin Support Vector Machine,TWSVM)和有向无环图(Directed Acyclic Graph,DAG)相结合的分类器算法。该算法考虑到了多诱因存在的影响,对性能诊断的过程进行逐步分解,从而达到对多诱因的MPC性能诊断的目的。最后数据驱动的MPC性能监控仿真软件平台的建立,推广了本文提出的性能监控方法,该软件平台利用MATLAB GUI工具,将上述算法以代码的方式实现,软件平台的功能模块包括了数据导入,工况判定,性能评估以及性能诊断。通过导入相应的历史数据和实时数据,便可完成对于多工况多诱因影响下数据驱动的MPC性能监控。