随着工业自动化水平的提高,如何利用实际运行的数据对系统的性能进行评价成为人们日益关心的问题。Harris最早提出利用最小方差基准来评价单输入单输出(SISO)系统的性能。对于SISO系统而言,最小方差基准的估计只需要知道实际运行数据和过程时延的知识,不需要附加额外的模型辨识实验。因此,基于最小方差基准的评价方法被广泛应于工业过程的性能评价中。在对象时延参数已知的情况下,利用系统的输入输出数据,采用滤波与相关性分析(FCOR)算法可以估计出SISO系统的最小方差性能基准。FCOR算法估计的过程直观简单、效率高,但值得注意的是FCOR算法主要是针对平稳信号建立的模型进行分析。由于干扰信号的复杂性与多变性,对于实际系统而言,干扰信号往往为非平稳时间序列导致输出信号是非平稳的,使得FCOR算法无法直接应用,因此,需要对非平稳输出信号进行平稳化处理,然后利用FCOR算法进行分析并最终获得最小方差基准值的估计。对于一般的控制系统,非平稳干扰信号对应于两种情况：其一是干扰信号为Random Walk,其模型为积分滑动平均模型；其二是干扰信号为平稳信号与周期信号的叠加。本文运用多次差分的方法,对上述两种非平稳干扰信号下的系统输出信号进行平稳化处理,并运用FCOR算法获得最小方差性能基准的估计值。对于干扰信号为不同频率和幅值的周期信号与平稳信号叠加的情况,通过仿真对比研究根据实际输出信号估计的方差值与平稳处理后利用FCOR算法估计的方差值,验证了根据差分平稳化处理后信号建立模型并利用FCOR算法估计出的方差值来评价系统性能的有效性。本文首先介绍了控制系统性能评价的方法,其中随机性方法中的基于最小方差基准的评价方法是本文研究的重点。其次,介绍了时间序列分析相关的知识。随后,在执行器有约束和无约束条件下,介绍了最小方差控制律的推导过程,在无约束最小方差控制下,给出了SISO系统性能评价的方法和步骤。最后,针对导致非平稳数据的两种原因分别给出了仿真算例并利用MATLAB平台仿真。