迄今为止,以最小方差(MV)为基准的多变量过程性能评估中评价基准的计算需要过程传递函数矩阵或者至少前若干个马尔科夫系数矩阵的先验知识;而基于MV的在线性能评估则需要以关联矩阵作为先验知识再从常规闭环输出数据中分离反馈不变项。国内外许多学者尝试降低关联矩阵作为先验知识的方法,但仍然需要在本质上等同于关联矩阵的信息。因此,本文旨在解决以下两个问题:(1)无需过程对象先验知识的MV基准的计算;(2)日常运行工况下基于数据驱动的MV性能评价算法及其实现。本文基于已知的时延矩阵,针对实际控制过程中的不同情况分别给出了以下解决方案。(一)当多变量系统过程时延的指示矩阵能通过行(列)交换的操作变成行阶梯形矩阵时,可以获取准确的MV基准值而无需过程传递函数的其他任何知识。(二)当时延矩阵不能满足上述要求时,针对以下三种不同先验知识水平的情况,利用所提出的算法对MV基准进行了估计:(1)当只有时间延迟矩阵已知时,给出MV基准的上下界;(2)当时间延迟矩阵和过程传函的第一个伪马尔科夫系数矩阵的范围已知时,给出一个更紧凑的MV基准的上下界;(3)在时间延迟矩阵和过程传函的伪第一马尔可夫参数矩阵的知识都为已知的情况下,能够精确地计算MV基准。(三)本文提出一种基于常规的闭环条件下的基于数据驱动的参数估计方法,避免了对控制系统施加额外的激励信号。该方法通过调整控制器的参数,获得两组在不同控制器下系统稳定的输出数据分别来进行时间序列建模,再通过矩阵运算求得过程传递函数的马尔科夫系数矩阵。通过数值算例和“壳牌”重油分馏过程的仿真,实现了基于数据驱动的MV性能评价过程,所估算得到的MV性能指标接近于理论值;同时,仿真验证了本文算法得到的MV基准值与传统方法一致;在相同先验知识下,本文算法估算的上下界比参考文献中其他方法得到的结果更紧凑。