系统辨识是流程工业领域一个重要研究分支,受到国内外专家及学者的高度关注。辨识方法的有效性将直接影响系统模型精度,进而影响模型的应用效果。在真实流程工业环境下,通常使用指定阶次的模型进行辨识研究,由于系统模型阶次与实际对象阶次不匹配,造成获取精确数学模型比较困难。因此,较为准确的获取系统模型阶次具有较高的研究意义与应用价值。同时,随着计算机与信息技术的发展,各种智能求解算法层出不穷。其中,粒子群优化算法(Particle Swarm Optimization,PSO)是一种非常实用且具有较强全局寻优能力的智能优化算法,在系统辨识领域也得到了广泛应用并取得了较丰富的研究成果。所以,本文利用了粒子群优化算法,提出了自适应降阶系统辨识方法。通过理想环境与白噪声环境下的仿真实验分析,验证了该方法的有效性。本文具体研究工作如下:(1)流程工业系统辨识研究中,针对系统而言,通常只能获取系统的输入输出数据。然而,根据这些数据信息难以准确获取传递函数的模型阶次,进而影响数学模型的辨识。为解决模型阶次无法确定的问题,提出了基于PSO算法的自适应降阶系统辨识法。该方法将高阶模型假设为系统的初始模型,利用PSO算法更新粒子的速度和位移,迭代搜寻原始模型的参数。通过模型的高阶参数和适应度函数来综合判断是否执行自适应降阶辨识。然后,给出仿真案例来验证自适应降阶系统辨识法的有效性。(2)通常,在流程工业中,生产数据是含有白噪声的时间序列。首先,通过MATLAB仿真实验,人为模拟含有白噪声的单位阶跃响应,再采用带通滤波器对其进行滤波。然后,利用自适应降阶辨识法辨识滤波后的单位阶跃响应。最后,获取被控对象的数学模型。本节验证了在噪声干扰的情况下自适应降阶辨识法的可行性。(3)实现复杂被控对象的辨识与PID参数整定。首先,采用本文提出的辨识法辨识复杂的被控对象。然后,将辨识出来的被控对象融入典型的PID控制系统中,分析出系统的误差响应。最后,采用PSO算法迭代搜索全局最优解来获取PID参数。同时,与传统经验法获取的PID参数作比较,体现了改进的自适应降阶辨识法的优越性。