准确的数学模型是批次过程先进控制与优化的关键。与连续过程不同,批次过程存在非稳态操作、非线性时变、有限运行时间、运行重复性等鲜明特点,面向连续过程的系统辨识方法直接应用到批次过程,难以取得好的建模品质。另外,现有的批次过程辨识方法利用批次重复特性,沿批次方向进行递推辨识,存在估计结果波动大、数据利用率低的问题。本文利用批次过程的二维特性,开展批次过程时变ARX模型的二维递推辨识研究,提高递推辨识算法的精度和收敛速度。主要研究成果如下:(1)针对沿批次方向递推最小二乘辨识方法存在参数估计波动大、数据利用率低的问题,本文利用批次过程的重复特性和局部建模思想,提出了基于局部多项式的批次过程二维递推最小二乘辨识方法,提高批次过程模型辨识的精度。该方法通过局部多项式对滑动时间窗口内的时变特性进行参数化建模,并通过最小化包含批次与时间这两个维度数据的损失函数,设计批次过程的二维递推最小二乘辨识算法。仿真实验结果表明该方法能有效提高参数辨识精度,降低参数波动方差。(2)针对传统遗忘因子递推最小二乘辨识方法存在的参数跟踪速度慢、不能有效处理批次间参数突变的问题,本文结合批次过程二维特性和增量辨识思想,提出了批次过程二维增量递推最小二乘辨识方法。该方法沿时间方向使用相对于前一时刻的参数增量描述时变模型,然后根据参数增量批次不变原则沿批次方向进行递推最小二乘估计。由于该方法将辨识模型由参数批次不变拓展到参数增量批次不变,使得算法能够在t-1时刻和k-1批次的二维辨识结果基础上进行参数更新,有效提高收敛速度。(3)最后,本文将局部多项式和增量辨识这两种方法进行综合,提出了一种基于局部多项式的批次过程二维增量递推最小二乘辨识方法。该方法使用局部多项式对批次内的时变参数增量进行建模,并使用最小二乘法对局部多项式系数进行递推估计。仿真实验结果表明,该方法在提高辨识精度的同时能够加快收敛速度。