1.一种用于流程工业大规模过程控制的降维辨识方法，其包括以下步骤：S1：根据工业过程系统的输入输出关系，构建系统的时间序列模型：A(z)y(t)＝B(z)u(t)+v(t)其中：y(t)是系统的输出，u(t)是系统的输入，v(t)是系统的噪声，A(z)、B(z)分别是模型多项式，z是后移算子；

S2：根据系统模型做如下定义：T L

Y(L)＝[y(1),y(2),...,y(L)]∈RT T T T L×2nΦ(L)＝[φ(1),φ(2),...,φ(L)]∈RT L

V(L)＝[v(1),v(2),...,v(L)]∈R；

可得到系统的方程为：

Y(L)＝Φ(L)θ+V(L)；

其中，y(t)是系统的输出，Y(L)为输出向量矩阵，v(t)是系统的噪声，V(L)为噪声向量矩阵， 为系统的信息向量，Φ(L)为信息向量矩阵，θ为系统参数向量，t为采样时刻；

其特征在于，其还包括以下步骤：S3：初始化；

给系统变量赋初始值：

u(t)＝0，y(t)＝0，t≤0，设置中间变量m，且赋初始值值m＝0， 为系统参数 的初始值赋值；

S4：通过现有的数据通信与采集技术获取系统控制参数，共获取L组u(1)，…,u(L),y(1),…,y(L)；

S5：根据步骤S4中获取的系统参数，构建所述信息向量 的向量矩阵：T T T T

Φ(L)＝[φ(1),φ(2),...,φ(L)]S6：计算所述系统参数的寻优方向其中， 为系统参数；

S7：利用Arnoldi计算矩阵 生成Krylov子空间Vm(k)，构建与 垂直的方向：Vm(k)＝[vm(1),…,vm(k)]其中：k为正整数，满足1≤k＜2n；

S8：基于Φ(L)、Y(L)、 通过Givens变换计算参数的寻优步长S9：基于所述系统参数向量θ的关系式，求出系统向量S10：比较 和

预先设置阈值δ，δ为正常数；

如果 则 即为此次参数辨识的得到的最优解，此次参数辨识结束；

否则，m+1后赋值给m；

S11：重复步骤S6～S11。

2.根据权利要求1所述一种用于流程工业大规模过程控制的降维辨识方法，其特征在于：步骤S6中，计算得到 后，执行步骤S7之前，还需要进行归一化操作：

3.根据权利要求1所述一种用于流程工业大规模过程控制的降维辨识方法，其特征在于：步骤S7中，利用Arnoldi计算矩阵 的公式如下：式中，i＝2,...,k，j＝1,...,i‑1。

4.根据权利要求3所述一种用于流程工业大规模过程控制的降维辨识方法，其特征在于： 计算公式中，N为转换矩阵：T

N＝Φ(L)Φ(L)。

5.根据权利要求4所述一种用于流程工业大规模过程控制的降维辨识方法，其特征在于：步骤S7中，利用Arnoldi计算矩阵 之后，还需要进行归一化操作：

6.根据权利要求1所述一种用于流程工业大规模过程控制的降维辨识方法，其特征在于：步骤S8中，通过Givens变换计算参数的寻优步长 包括如下步骤：a1:通过Givens变换 求解得出矩阵a2:通过Givens变换

1×k

式中，ηm∈R 是一个k阶行向量；Qm为在Givens变换中与Pm相关的正交矩阵。

7.根据权利要求1所述一种用于流程工业大规模过程控制的降维辨识方法，其特征在于：式中Pm的计算方法如下：由公式NVm(k)＝Vm(k+1)Pm计算得出Pm。

8.根据权利要求1所述一种用于流程工业大规模过程控制的降维辨识方法，其特征在于：步骤S1中，u(t)、y(t)、v(t)都是服从均值为零、方差为σ的高斯分布。

9.根据权利要求1所述一种用于流程工业大规模过程控制的降维辨识方法，其特征在于：步骤S1中，A(z)、B(z)可以表示如下：‑1 ‑n

A(z)＝1+a1z +...+anz‑1 ‑2 ‑n

B(z)＝b1z +b2z +...+bnz 。

10.根据权利要求1所述一种用于流程工业大规模过程控制的降维辨识方法，其特征在于：步骤S1中，所述后移算子z表达式如下：‑1

(z y(t)＝y(t‑1))。