工业控制系统性能评价是国家工业4.0规划中的重要一项,如何建立一套完整有效的自动性能评价和实时监测系统,成为人们关心的问题。由于实际工业过程中,设备的长期在线运行会不可避免的导致性能品质的下降。利用常规运行数据对控制器实现在线诊断,同时提高每一次调节的有效性是现场操作人员关注的焦点。为了提高工业控制系统的控制品质,针对传统性能评价方法对于被控对象数学模型的依赖问题,提出了一种基于Hurst指数的和深度学习相结合的控制系统性能评价方法。该方法基于火电机组控制系统的常规运行数据,首先采用Hurst指数分析数据、划分系统性能等级,针对不同的性能等级给出了不同的控制器参数优化方案;然后利用LSTM神经网络建立时间序列预测模型,实时监测Hurst指数的调整效果并对原调节幅度提出建议。并通过Matlab/Simulink模拟产生不同工况下的运行数据,利用该方法进行评价及优化;最后将该方法应用于工业实际过程,验证其可行性和有效性。试验结果表明,Hurst指数能够准确衡量控制器的调节强弱,指导控制器参数的优化调整;LSTM神经网络建立起的时间序列模型误差小,预测准确,能够有效的指导Hurst指数用最少的调节次数达到最优的控制器性能。同时通过使用GenSystem平台和Golden监控组态平台设计了性能评价软件,将火电机组控制回路信息、运行数据及应用Hurst指数计算算法的评价结果与建议在可视化界面上显示。该平台在工程实际中的应用也证明该算法的有效性和准确性。