一种控制系统的性能维护方法、装置、设备及存储介质

技术领域

本发明涉及自动化控制技术领域，特别涉及一种控制系统的性能维护方法、装置、设备及计算机可读存储介质。

背景技术

目前涉及到过程控制和系统建模时，过程模型的失配是一个重要的问题。过程模型是用来描述和预测真实系统行为的数学表示。失配是指过程模型与实际系统之间存在显著的差异或不一致性。过程模型的失配可以导致以下问题：1、控制性能下降；如果过程模型与实际系统不匹配，控制器可能无法准确地预测和响应系统的行为；这可能导致控制性能下降，无法满足所需的控制要求，如稳定性、鲁棒性和快速响应等。2、不可预测的行为；失配的模型可能无法捕捉到实际系统的所有动态特性和非线性行为；这可能导致系统出现意外的行为，无法预测和解释系统的响应。3、算法失效；一些控制算法需要准确的过程模型来进行设计和分析；如果模型失配，这些算法可能无法正常工作或产生不可靠的结果。因此，为了维持高效的过程运行，对失配的过程模型进行再次辨识是必要的。然而，系统辨识的实验是复杂且耗时的，进行这些实验会导致相当大的经济损失。如何有效的利用数据，使用更少的数据来达到可接受的建模性能是个需要去探索的问题。

现有技术中，在少量数据的情况下所进行模型的训练又称为少样本学习，直观的一种解决策略为结合一些先验知识于建模训练中，然而其所需的先验知识在实际应用难以取得，使得现有的系统辨识方法的使用不易。此外，现有的系统辨识方法并不直接针对模型失配后进行再次辨识的场景，就算能获得方法中提到的各种先验知识，这些先验知识与失配模型再辨识的情况并无直接相关，无法实现模型失配后的重新辨识。因此，如何能够在不使用先验知识的基础上，实现过程模型失配后的重新辨识，是现今急需解决的问题。

发明内容

本发明的目的是提供一种控制系统的性能维护方法、装置、设备及计算机可读存储介质，以在不使用先验知识的基础上，实现过程模型失配后的重新辨识。

为解决上述技术问题，本发明提供一种控制系统的性能维护方法，包括：

获取控制系统的过程模型的重辨识输入数据；其中，所述重辨识输入数据包括模型失配前数据和模型失配时数据；

根据所述重辨识输入数据，构建目标型式的算法数据；其中，所述目标形式为子空间辨识算法中的矩阵和向量型式，所述算法数据包括所述模型失配前数据和所述模型失配时数据各自对应的矩阵和向量；

将所述算法数据代入到基于相似度提取的目标函数进行求解，提取得到所述模型失配前数据与所述模型失配时数据之间的共同矩阵；

根据获取的模型失配后数据和所述共同矩阵，利用子空间辨识算法计算得到所述过程模型的模型参数，以利用所述模型参数对应的过程模型使用所述控制系统的输入数据预测得到所述控制系统的系统预测输出数据。

在一些实施例中，所述根据所述重辨识输入数据，构建目标型式的算法数据，包括：

利用所述模型失配前数据和所述模型失配时数据各自的输入数据和输出数据，构建所述模型失配前数据和所述模型失配时数据各自的未来汉克尔矩阵和过去汉克尔矩阵；其中，所述未来汉克尔矩阵包括未来输出汉克尔矩阵和未来输入汉克尔矩阵，所述过去汉克尔矩阵包括过去输出汉克尔矩阵和过去输入汉克尔矩阵；

根据所述未来汉克尔矩阵和所述过去汉克尔矩阵，获取所述算法数据；其中，所述算法数据包括所述模型失配前数据对应的矩阵Z

在一些实施例中，所述根据获取的模型失配后数据和所述共同矩阵，利用子空间辨识算法计算得到所述过程模型的模型参数，包括：

获取所述模型失配后数据对应的矩阵Z

通过

通过θ

根据所述辨识参数θ

对所述目标汉克尔矩阵H进行奇异值分解，得到奇异值分解结果；其中，H＝USV

利用观测矩阵Γ和扩展可控制矩阵Δ，生成所述模型参数；其中，Γ＝U(:,1:n)S

在一些实施例中，所述根据所述重辨识输入数据，构建目标型式的算法数据之前，还包括：

对所述重辨识输入数据进行预处理，得到预处理后的所述重辨识输入数据；

对应的，所述根据所述重辨识输入数据，构建目标型式的算法数据，包括：

根据预处理后的所述重辨识输入数据，构建所述算法数据。

在一些实施例中，所述获取控制系统的过程模型的重辨识输入数据，包括：

根据所述过程模型，利用激励信号生成所述模型失配前数据。

在一些实施例中，所述目标函数为

在一些实施例中，所述将所述算法数据代入到基于相似度提取的目标函数进行求解，提取得到所述模型失配前数据与所述模型失配时数据之间的共同矩阵，包括：

根据所述算法数据中的矩阵，构建数据矩阵；其中，所述数据矩阵包括第一数据矩阵

通过

通过

若获取得到r条个别向量

若获取得到的个别向量

利用更新后的Z

本发明还提供了一种控制系统的性能维护装置，包括：

获取模块，用于获取控制系统的过程模型的重辨识输入数据；其中，所述重辨识输入数据包括模型失配前数据和模型失配时数据；

构建模块，用于根据所述重辨识输入数据，构建目标型式的算法数据；其中，所述目标形式为子空间辨识算法中的矩阵和向量型式，所述算法数据包括所述模型失配前数据和所述模型失配时数据各自对应的矩阵和向量；

提取模块，用于将所述算法数据代入到基于相似度提取的目标函数进行求解，提取得到所述模型失配前数据与所述模型失配时数据之间的共同矩阵；

辨识模块，用于根据获取的模型失配后数据和所述共同矩阵，利用子空间辨识算法计算得到所述过程模型的模型参数，以利用所述模型参数对应的过程模型使用所述控制系统的输入数据预测得到所述控制系统的系统预测输出数据。

本发明还提供了一种控制系统的性能维护设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上述所述的控制系统的性能维护方法的步骤。

本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述所述的控制系统的性能维护方法的步骤。

本发明所提供的一种控制系统的性能维护方法，包括：获取控制系统的过程模型的重辨识输入数据；其中，重辨识输入数据包括模型失配前数据和模型失配时数据；根据重辨识输入数据，构建目标型式的算法数据；其中，目标形式为子空间辨识算法中的矩阵和向量型式，算法数据包括模型失配前数据和模型失配时数据各自对应的矩阵和向量；将算法数据代入到基于相似度提取的目标函数进行求解，提取得到模型失配前数据与模型失配时数据之间的共同矩阵；根据获取的模型失配后数据和共同矩阵，利用子空间辨识算法计算得到过程模型的模型参数，以利用模型参数对应的过程模型使用控制系统的输入数据预测得到控制系统的系统预测输出数据；

可见，本发明通过将算法数据代入到基于相似度提取的目标函数进行求解，提取得到模型失配前数据与模型失配时数据之间的共同矩阵，可以从原始的过去数据中提取相似性信息，并将其迁移到重新辨识过程的计算中，而不需要事先了解过程模型的先验知识，易于实施；通过根据获取的模型失配后数据和共同矩阵，利用子空间辨识算法计算得到过程模型的模型参数，可以利用过去数据中提取的相似性信息，减少重新辨识的数据需求量，进而缩短获取模型参数所需的时间，具有很高的应用价值。此外，本发明还提供了一种控制系统的性能维护装置、设备及计算机可读存储介质，同样具有上述有益效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例所提供的一种控制系统的性能维护方法的流程图；

图2为本发明实施例所提供的另一种控制系统的性能维护方法的共同矩阵提取过程的流程图；

图3为本发明实施例所提供的一种控制系统的性能维护装置的结构框图；

图4为本发明实施例所提供的一种控制系统的性能维护设备的简易结构示意图；

图5为本发明实施例所提供的一种控制系统的性能维护设备的具体结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明实施例所提供的一种控制系统的性能维护方法的流程图。该方法可以包括：

步骤101：获取控制系统的过程模型的重辨识输入数据；其中，重辨识输入数据包括模型失配前数据和模型失配时数据。

其中，本实施例中的过程模型可以为用于预测控制系统的输出的模型，即过程模型可以模拟控制系统的控制过程，利用控制系统的输入数据，预测得到控制系统的输出(即系统预测输出数据)。例如，过程模型可以为温度控制系统或电机控制系统的过程模型；如温度控制系统的过程模型可以利用温度控制系统的输入数据(如当前温度和风扇转速等)，预测得到温度控制系统的风扇转速控制值(即系统预测输出数据)。本步骤中的过程模型可以为失配后需要重新辨识的模型。本实施例中的重辨识输入数据可以为对失配的过程模型进行重辨识所需的输入数据；重辨识输入数据可以包括模型失配前数据和模型失配时数据，即重辨识之前收集的过程模型的过去数据；模型失配前数据可以为过程模型在失配发生前的数据，模型失配时数据可以为过程模型在失配发生后的数据。

对应的，对于本实施例中的重辨识输入数据的具体内容，可以由设计人员根据使用场景和用户需求自行设置，如模型失配前数据可以为模型失配前数据可以包括在过程模型发生失配前采集的过程模型的输入数据和输出数据(即系统预测输出数据)。模型失配前数据也可以包括之前对过程模型进行辨识实验所产生的具有持续激励信号的输入数据和输出数据。也就是说，本实施例中可以使用当初进行过程模型的模型辨识时所产生的输入和输出数据作为参照；然而，有时可能无法获取到当初进行模型辨识时所使用的数据；在这种情况下，可以根据已有的准确模型(即过程模型)，通过给予激励信号来产生模拟数据(即模型失配前数据)；激励信号可以是广义二进制噪声信号(GBNS)或伪二进制随机信号(PRBS)等；即，本步骤中处理器可以根据过程模型，利用激励信号生成模型失配前数据。

相应的，过程模型的失配一般是在系统运行时透过算法检测出来的；然而，在实际的工业中不太可能一发生失配就马上对其进行针对性的处理，像是设备替换或是重新进行系统辨识实验。此外，大部分控制的设计本身包含一定程度的鲁棒能力；因此，过程模型的失配发生后还是会在容忍的范围中持续的运行。本实施例中模型失配时数据可以包括在过程模型发生失配后采集的在容忍的范围中运行的过程模型的输入数据和输出数据。模型失配时数据也可以包括对过程模型进行重新辨识实验所产生的输入数据和输出数据；尽管重新辨识实验得到的模型失配时数据的数据量可能有限，但这样的相似性信息(如共同矩阵)可以极大地辅助辨识计算。

其中，为了成功地进行模型辨识，需要使用大量数据，并确保这些数据能够充分反映出系统的特性。通常情况下，为了获取这些数据，需要停工并进行开环辨识实验(如上述对过程模型进行的之前的辨识实验和重新辨识实验)；然而，这意味着在实验期间，生产过程将被中断，导致无法继续生产或产出，随着实验所需的时间越长，经济利益的损失也越大。因此，如果上述重新辨识实验时产生的数据太过稀少或不方便进行重新辨识实验，可以直接利用在容忍的范围内运行的数据作为模型失配时数据。

进一步的，在步骤102之前，获取过程模型的重辨识输入数据之后，还可以对获取的重辨识输入数据进行预处理，得到预处理后的重辨识输入数据，以方便后续的使用；例如，由于之前的辨识实验中，已经做过降噪和剔除离群点等数据预处理操作；并且，由于旧模型(即过程模型)产生的模拟数据基本上是干净的，所以对于未失配的数据(即模型失配前数据)，可以省略大部分数据预处理过程，只需要在接下来的计算前进行归一化处理即可，即处理器可以对模型失配前数据进行归一化处理，得到预处理后的模型失配前数据。相应的，若模型失配时数据包括对过程模型进行重新辨识实验所产生的输入数据和输出数据，则处理器可以对模型失配时数据进行归一化处理，得到预处理后的模型失配时数据；若模型失配时数据包括在过程模型发生失配后采集的在容忍的范围中运行的过程模型的输入数据和输出数据，则处理器可以对模型失配时数据进行的预处理可以包括降噪、剔除离群点和归一化处理，以得到预处理后的模型失配时数据。

步骤102：根据重辨识输入数据，构建目标型式的算法数据；其中，目标形式为子空间辨识算法中的矩阵和向量型式，算法数据包括模型失配前数据和模型失配时数据各自对应的矩阵和向量。

可以理解的是，本步骤中的目标型式可以为子空间辨识算法中的矩阵和向量型式，以基于模型失配前数据和模型失配时数据的输入与输出数据，构造相应的子空间辨识算法中的矩阵与向量型式的算法数据，即模型失配前数据和模型失配时数据各自对应的矩阵和向量。

对应的，对于本步骤中处理器根据重辨识输入数据，构建目标型式的算法数据的具体方式，可以由设计人员自行设置，如为了构造变量之间的关系，可以利用如下的线性时不变的状态空间模型：

上式中，

相应的，根据上述状态空间模型可以整理得到如下关系式：

上式中，

举例来说，以N+1至2N+J-1时间段的输出来排列成未来的输出汉克尔矩阵(即未来输出汉克尔矩阵)可以如下：

其中，

y

y

上式中，I为大小Nm×Nm为的单位矩阵。

也就是说，本步骤中处理器可以利用模型失配前数据和模型失配时数据各自的输入数据和输出数据，构建模型失配前数据和模型失配时数据各自的未来汉克尔矩阵和过去汉克尔矩阵；其中，未来汉克尔矩阵包括未来输出汉克尔矩阵和未来输入汉克尔矩阵，过去汉克尔矩阵包括过去输出汉克尔矩阵和过去输入汉克尔矩阵；根据未来汉克尔矩阵和过去汉克尔矩阵，获取算法数据；其中，算法数据包括模型失配前数据对应的矩阵Z

步骤103：将算法数据代入到基于相似度提取的目标函数进行求解，提取得到模型失配前数据与模型失配时数据之间的共同矩阵。

其中，对于本实施例中基于相似度提取的目标函数的具体内容，可以由设计人员自行设置，如可以将上述参数θ

上式中，||·||

也就是说，本实施例中目标函数可以为

和/>

需要说明的是，对于本实施例中处理器将算法数据代入到基于相似度提取的目标函数进行求解，提取得到模型失配前数据与模型失配时数据之间的共同矩阵的具体方式，可以由设计人员自行设置，如图2所示，本步骤可以包括：

步骤1031：根据算法数据中的矩阵，构建数据矩阵。

其中，由于失配和未失配的个别参数向量α

s.t.Φ

上式中，tr(·)为矩阵的迹。为了降低其非线性优化的复杂度，参数Φ可以拆解成个别向量

上式中，

对应的，本步骤中处理器可以根据算法数据中的矩阵(如Z

步骤1032：对数据矩阵采用自洽场迭代计算，得到当前转换参数。

其中，本步骤中的当前转换参数可以为当前计算得到第i个转换参数γ

对应的，对于本步骤中处理器对数据矩阵采用自洽场迭代计算，得到当前转换参数的具体方式，可以由设计人员自行设置，如自洽场迭代可以为：对第t-1次迭代的

距离来说，本步骤中对于第1条个别向量

步骤1033：对当前转换参数进行投影，获取当前个别向量。

其中，本步骤中处理器可以通过

步骤1034：判断当前个别向量是否为第r条个别向量；若是，则进入步骤1035；若否，则进入步骤1036。

可以理解的是，本步骤中处理器可以通过判断当前的第i条个别向量

步骤1035：根据获取的r条个别向量，生成共同矩阵。

可以理解的是，本步骤中处理器可以在获取的r条个别向量

步骤1036：利用当前个别向量，更新数据矩阵，并进入步骤1032。

可以理解的是，本步骤中处理器可以在获取的个别向量

对应的，对于本步骤中处理器利用当前个别向量，更新数据矩阵的具体方式，可以由设计人员自行设置，如处理器可以使用缩减技巧，分别将Z

步骤104：根据获取的模型失配后数据和共同矩阵，利用子空间辨识算法计算得到过程模型的模型参数，以利用模型参数对应的过程模型使用控制系统的输入数据预测得到控制系统的系统预测输出数据。

可以理解的是，本实施例中的模型失配后数据可以为过程模型在失配发生后的数据。本实施例中收集过程模型失配发生后的数据，并将其和提取的共同矩阵结合于子空间辨识的计算，进而得到过程模型的模型参数。

对应的，本实施例中根据获取的模型失配后数据和共同矩阵，利用子空间辨识算法计算得到过程模型的模型参数之后，还可以利用使用计算得到的模型参数的过程模型，根据控制系统的输入数据，预测得到控制系统的系统预测输出数据，以利用系统预测输出数据对控制系统的设计和故障检测；例如，本实施例所提供的方法还可以包括控制系统的故障检测过程，例如，处理器可以对控制系统的实际输出数据和系统预测输出数据进行对比，检测控制系统的故障情况；其中，故障情况为故障状态或正常状态。

具体的，对于本实施例中的模型失配后数据的具体内容，可以由设计人员自行设置，如模型失配后数据可以与重辨识输入数据中的模型失配时数据相同，也可以与模型失配时数据不同。如为了使辨识得到能够反应过程更为全面特征的过程模型，可以透过给予充分激励信号的系统辨识实验(即重新辨识实验)来完成模型失配后数据的收集。

其中，本步骤中处理器可以对获取的模型失配后数据进行排列得到汉克尔矩阵

上式中，α

估算得到的参数α

关于需要计算的参数维度，参数α

对于状态空间模型参数的计算，可以利用现有状态空间模型算法(如Kung提出的算法)求解模型参数的矩阵A、B、C和D。取用θ

通过对H矩阵进行SVD分解，可以得到H＝USV

Γ＝U(:,1:n)S

Δ＝S

其中，n为预设模型阶数，进一步的，模型参数的矩阵A、B、C和D可以用以上两个矩阵中的关系来计算得到，如

也就是说，本步骤中处理器可以获取模型失配后数据对应的矩阵Z

本实施例中，本发明实施例通过将算法数据代入到基于相似度提取的目标函数进行求解，提取得到模型失配前数据与模型失配时数据之间的共同矩阵，可以从原始的过去数据中提取相似性信息，并将其迁移到重新辨识过程的计算中，而不需要事先了解过程模型的先验知识，易于实施；通过根据获取的模型失配后数据和共同矩阵，利用子空间辨识算法计算得到过程模型的模型参数，可以利用过去数据中提取的相似性信息，减少重新辨识的数据需求量，进而缩短获取模型参数所需的时间，具有很高的应用价值。

相应于上面的方法实施例，本发明实施例还提供了一种控制系统的性能维护装置，下文描述的一种控制系统的性能维护装置与上文描述的一种控制系统的性能维护方法可相互对应参照。

请参考图3，图3为本发明实施例所提供的一种控制系统的性能维护装置的结构框图。该装置可以包括：

获取模块10，用于获取控制系统的过程模型的重辨识输入数据；其中，重辨识输入数据包括模型失配前数据和模型失配时数据；

构建模块20，用于根据重辨识输入数据，构建目标型式的算法数据；其中，目标形式为子空间辨识算法中的矩阵和向量型式，算法数据包括模型失配前数据和模型失配时数据各自对应的矩阵和向量；

提取模块30，用于将算法数据代入到基于相似度提取的目标函数进行求解，提取得到模型失配前数据与模型失配时数据之间的共同矩阵；

辨识模块40，用于根据获取的模型失配后数据和共同矩阵，利用子空间辨识算法计算得到过程模型的模型参数，以利用模型参数对应的过程模型使用控制系统的输入数据预测得到控制系统的系统预测输出数据。

在一些实施例中，构建模块20可以包括：

排列子模块，用于利用模型失配前数据和模型失配时数据各自的输入数据和输出数据，构建模型失配前数据和模型失配时数据各自的未来汉克尔矩阵和过去汉克尔矩阵；其中，未来汉克尔矩阵包括未来输出汉克尔矩阵和未来输入汉克尔矩阵，过去汉克尔矩阵包括过去输出汉克尔矩阵和过去输入汉克尔矩阵；

构建子模块，用于根据未来汉克尔矩阵和过去汉克尔矩阵，获取算法数据；其中，算法数据包括模型失配前数据对应的矩阵Z

在一些实施例中，辨识模块40可以包括：

排列构建子模块，用于获取模型失配后数据对应的矩阵Z

估算子模块，用于通过

计算子模块，用于通过θ

矩阵构建子模块，用于根据辨识参数θ

分解子模块，用于对目标汉克尔矩阵H进行奇异值分解，得到奇异值分解结果；其中，H＝USV

生成子模块，用于利用观测矩阵Γ和扩展可控制矩阵Δ，生成模型参数；其中，Γ＝U(:,1:n)S

在一些实施例中，该装置还可以包括：

预处理模块，用于对重辨识输入数据进行预处理，得到预处理后的重辨识输入数据；

对应的，构建模块20可以具体用于根据预处理后的重辨识输入数据，构建算法数据。

在一些实施例中，获取模块10可以包括：

激励生成子模块，用于根据过程模型，利用激励信号生成模型失配前数据。

在一些实施例中，目标函数为

在一些实施例中，提取模块30可以包括：

数据构建子模块，用于根据算法数据中的矩阵，构建数据矩阵；其中，数据矩阵包括第一数据矩阵

迭代子模块，用于通过

投影子模块，用于通过

共同生成子模块，用于若获取得到r条个别向量

更新子模块，用于若获取得到的个别向量

矩阵更新子模块，用于利用更新后的Z

本实施例中，本发明实施例通过提取模块30将算法数据代入到基于相似度提取的目标函数进行求解，提取得到模型失配前数据与模型失配时数据之间的共同矩阵，可以从原始的过去数据中提取相似性信息，并将其迁移到重新辨识过程的计算中，而不需要事先了解过程模型的先验知识，易于实施；通过辨识模块40根据获取的模型失配后数据和共同矩阵，利用子空间辨识算法计算得到过程模型的模型参数，可以利用过去数据中提取的相似性信息，减少重新辨识的数据需求量，进而缩短获取模型参数所需的时间，具有很高的应用价值。

相应于上面的方法实施例，本发明实施例还提供了一种控制系统的性能维护设备，下文描述的一种控制系统的性能维护设备与上文描述的一种控制系统的性能维护方法可相互对应参照。

请参考图4，图4为本发明实施例所提供的一种控制系统的性能维护设备的简易结构示意图。该控制系统的性能维护设备可以包括：

存储器D1，用于存储计算机程序；

处理器D2，用于执行计算机程序时实现上述方法实施例所提供的控制系统的性能维护方法的步骤。

相应的，请参考图5，图5为本发明实施例所提供的一种控制系统的性能维护设备的具体结构示意图，该控制系统的性能维护设备310可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)322(例如，一个或一个以上处理器)和存储器332，一个或一个以上存储应用程序342或数据344的存储介质330(例如一个或一个以上海量存储设备)。其中，存储器332和存储介质330可以是短暂存储或持久存储。存储在存储介质330的程序可以包括一个或一个以上模块(图示没标出)，每个单元可以包括对主机中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储介质330通信，在空气压缩机的控制设备310上执行存储介质330中的一系列指令操作。

控制系统的性能维护设备310还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。例如，Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM等。

其中，本实施例所提供的控制系统的性能维护设备可以具体为服务器或计算机。

上文所描述的控制系统的性能维护方法中的步骤可以由控制系统的性能维护设备的结构实现。

相应于上面的方法实施例，本发明实施例还提供了一种计算机可读存储介质，下文描述的一种计算机可读存储介质与上文描述的一种控制系统的性能维护方法可相互对应参照。

本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例所提供的控制系统的性能维护方法的步骤。

该计算机可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备及计算机可读存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

以上对本发明所提供的一种控制系统的性能维护方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。