状态估计的精度取决于状态转移模型、测量模型和测量值。但在实际生产过程中,工艺或者设备条件的改变会引起某些过程参数或者模型结构发生变化,导致模型与实际状况存在偏差。偏差项的统计特性往往比较复杂,并且实时变化,受限于传感器技术、经济性等因素考虑,难以准确测量和评价。在长期运行中,运行人员往往可以根据经验确定其变化范围。扩展集员算法以外界定椭球为基础,能够将模型中不确定部分(噪声、初始状态等)用椭球集表示。考虑模型失配的有界性,本文利用椭球定界的方式,提出模型有界失配下的扩展集员估计方法。具体研究内容如下:(1)模型失配界限定常下的状态估计。在模型失配情况下,采用粒子滤波预测的先验粒子会偏离真实状态值,粒子的可信度降低。扩展集员算法能将模型中偏差用椭球集表示,并利用椭球运算性质,求取包含真实状态的椭球集。因此,论文提出一种基于最大后验(maximum a posteriori,MAP)准则的扩展集员粒子滤波算法(MAP-ESMPF)。该算法利用扩展集员求取包含真实状态的可信域,并基于MAP密度函数的准则,定义优化方程,从而将可信域外的先验粒子映射到可信域内,从而保证了状态估计的精度。(2)模型失配界限时变下的状态估计。参数失配有界时,导致模型失配界限呈现时变性。论文基于扩展集员估计方法,提出一种模型失配界限时变下的状态估计方法。该方法应用区间或集合运算的法则,计算由参数失配引起的偏差范围,并将其用椭球集外包。在状态估计的预测步,通过该偏差椭球集与先验椭球区间的并运算,得到预测椭球区间;在状态估计的更新步,利用观测椭球集对预测椭球区间进行更新,从而得到后验椭球集合以及状态估计值。(3)模型有界失配下状态和参数的联合估计。模型参数的准确性同时也影响状态估计的性能,因此论文进一步提出基于双扩展集员的状态和参数联合估计。首先在双扩展集员的预测步,将参数作为已知量,得到状态预测椭球区间。同时参数以随机游走模型扩展,得到参数的先验椭球区域;在双扩展集员的更新步,利用观测值对状态预测椭球区间进行更新,从而得到状态估计值,同时将状态估计值当做测量值信息,更新参数的先验椭球集,得到参数估计值。最后在数值仿真和CSTR过程中验证了所提方法的有效性。