钣金外壳就是整个方法中不涉及具体的系统模型,只需要使用过程数据便可达到相应设计目标的方法。比例一积分一微分,算法是早成功应用于实际系统的纯数据方法,由于其原理简单,此处不做介绍。目前,典型的由纯数据驱动的方法包括多元统计分析选代学习与无模型自适应方法等,它们均在工业上得到了广泛的应用,并常见于国内外文献中。多元统计分析是一类利用多个变量之间的相关性,用求解得到的变量统计规律进行综合分析的方法,其特点是能够同时处理互相关联的多维或多变量的过程数据,从大量数据中揭示隐含的统计模式信息。其中,主成分分析与偏小二乘是在工业过程领域应用为普遍的两种多元统计分析方法。
它们主要根据过程变量的历史数据,利用多元投影方法将多变量样本空间成一个由过程主元变量张成的维数相对较低的主元子空间,以及一个包含了过程中无关变量的残差子空间,钣金外壳此二者的不同之处则在于变量投影及空间的效果。假设对个复杂过程,将测量得到的输入输出数据分别组成变量矩阵并记作,则使用方法时,用到的变量数据只有。通过对的协方差矩阵进行奇异值,终得到的输入变量主元子空间含有与过程变量变化有关的信息与残差子空间含有过程中的噪声信息是完全正交的。在方法的基础上,方法同时使用输入和输出数据变量进行空间,得到的主元子空间不仅反映了过程中的变量变化,也因的引入面包含了与关键性能和产品质量有关的重要信息,同时残差子空间反映了过程中的噪声和干扰等无关变量。
其他常见的多元统计分析方法还包括独立主元分析判别分析等,它们在钣金外壳过程监测及故障诊断方面各有千秋,可与机器学习和小波变换等方法结合使用。作为一种只需基于测量数据对系统进行研究的途径,选代学习方法尤其适用于在有限的持续时间内完成可重复任务或受到周期性干扰的系统。以过程系统的控制器设计为例,该方法通过选代,不断地重复并学习同样的控制轨迹,从而修正控制律,降低对轨迹的跟踪误差,得到较好的控制性能。选代学习方法可根据具体的设计要求,通过多种学习法则获得所需的结果,例如基于思想的学习法则鲁棒学习法则前馈及反馈学习法则等。然而,尽管选代学习方法的理论框架较完善精度较高,也能处理非线性的系统,其可靠性需要依赖于在算法运行中始终保持一致的初始化条件假设与相同的系统期望轨迹,这在一定程度上也限制了该方法的应用范围。无模型自适应方法是一种采用等价动态线性化数据模型处理复杂系统的方法,主要思想体现在侯忠生提出的无模型自适应控制。