伺服系统Hammerstein非线性模型及参数辨识方法研究

在伺服系统建模中,针对线性模型无法表达系统在低速、运动换向条件下摩擦与死区等非线性现象的问题,采用包含静态非线性部分和动态线性系统的Hammerstein模型来代替线性模型对伺服系统进行了描述.根据静态非线性模型逼近伺服系统的非线性特性,非线性模型采用分段非对称多项式基函数来解决摩擦在运动中存在的非对称特性.对于多频率正弦输入信号和伺服系统的速度输出信号,由迭代最小二乘方法来估计模型的参数.通过辨识实验中的线性模型和Hammer-stein模型的输出,说明采用Hammerstein模型方法能有效地对系统非线性部分建模,Hammer-stein模型的输出误差比线性模型的输出误差约减少90%,因此显著地提高了系统的模型精度,实现了对系统非线性动态行为的精确预测.     

航空发动机滑油系统动态故障分析

 为解决航空发动机滑油系统安全性分析中容错与余度备份系统的故障建模与分析,提出了基于动态逻辑门和模块化思想的动态故障树分析方法。针对滑油系统某典型的故障状态,开展动态故障树建模,与传统的静态故障树建模方法进行比较。分析结果表明,使用静态故障树建模得到的滑油系统故障发生频率远远偏离系统真实的故障发生频次(误差将近20 倍);动态故障树建模可以准确描述系统故障的时序关系,且在保证分析效率的前提下精确评估滑油系统的故障发生概率。动态故障树建模方法在航空发动机系统尤其是民用航空发动机系统安全性评估中具有非常广泛的应用前景。     

基于最小Wilcoxon学习方法的Hammerstein模型辨识

提出一种基于最小Wilcoxon学习方法的非线性动态系统建模方法。用非线性静态子环节和线性动态子环节串联——Hammerstein模型来描述非线性动态系统。然后,将Hammerstein模型的非线性传递函数转换为等价的线性形式,从而建立起线性中间模型。再由最小Wilcoxon学习方法辨识出中间模型参数。最后,通过中间模型参数与Hammerstein模型参数之间的关系,推出原系统的非线性静态环节和线性动态环节的参数,从而实现原非线性动态系统建模。在系统仿真响应信号有扰动时,该方法比用最小二乘法辨识中间模型表现出更强的鲁棒性。     

基于LS-SVM-FLANN的虚拟仪器系统非线性动态补偿

针对虚拟仪器系统存在的非线性动态测量误差,提出了一种新的补偿方法.该方法依据虚拟仪器系统的静态和动态标定数据,采用最小二乘支持向量机(LS-SVM)构造的函数链接型神经网络(FLANN)辨识得到静态补偿环节及动态补偿环节模型,再将其串接到原虚拟仪器系统的后面来修正其非线性特性,改善其动态特性,从而获得系统理想的输入输出特性.实验结果表明该方法用于虚拟仪器系统动态非线性误差补偿的有效性及优越性.     

遗传规划在离散动态系统建模中的应用

在系统结构信息缺乏的情况下，要确立离散动态系统的动态方程组非常困难。利用遗传规划(GP)融合系统结构估计与参数估计的特点，阐明GP在离散动态系统建模中的具体运用，并提出一种利用误差估计进行模型评价的方法。用Lotka-Volterra公式演化的数据对该建模方法进行了实证研究，结果表明遗传规划在离散动态系统建模中是有效的。     

基于动态递归神经网络稳定控制器的设计

静态映射神经网络和动态递归神经网络是两种重要的神经网络,前者在系统辨识和控制中得到了广泛的研究和应用;后者能够逼近系统的动态过程,具有良好的稳定性和收敛性,文中针对一类非线性系统,采用动态递归神经网络,结合Ｌｙａｐｕｎｏｖ稳定性理论,综合了稳定的自适应控制器,同时给出了神经网络的自学习律．理论分析表明,在模型匹配的情况下,能够保证跟踪误差的收敛性和闭环信号的有界性,并对一类建模误差问题进行了研究．分析与仿真结果均表明,该方法具有较好的自适应性和鲁棒性．     

基于时变特性的数控机床综合误差建模方法

 以立式B-A 摆头五轴数控机床为例,根据机床误差元素的时变特性,研究一种能够反映静、动态综合误差的数控机床误差建模方法。将动态误差表达为与运动单元速度、加速度相关的傅里叶级数形式,并与静态误差结合,将运动副误差元素表达为静态误差矩阵与动态误差矩阵的复合形式,利用多体系统理论构建了静、动态误差与刀具轨迹误差的映射关系模型。理论分析表明,基于时变特性的综合误差建模方法考虑了运动学、动力学两方面的影响因素,可以更准确地反映机床高速、高精加工过程产生的实际误差,从而为数控机床的误差补偿及控制参数整定奠定一定的理论基础。     

基于动态神经网络解耦线性化的内模控制

采用动态神经网络对一类多变量仿射非线性系统进行建模，利用解析求得的模型动态逆，将非线性对象近似输入输出解耦线性化。针对复合后的伪线性系统采用内模控制，分析了存在建模误差的情况下闭环系统的鲁棒稳定性。仿真表明了所提方法的有效性。     

VXI总线电液伺服阀动态特性测试系统误差分析

分析了基于VXI总线组建的电液伺服阀动态特性测试系统的误差来源,指出了VXI总线测试系统的高速、精确中断采集功能,提高了系统的测试精度,并减少了误差.液压测试系统的误差对于线性较好的电液伺服阀动态特性测试误差较小,对于非线性较强的阀动态特性测试误差较大,采用VXI总线系统减少了测试误差.液压系统和VXI测试系统在采用非线性检测理论下可以分析电液伺服阀的非线性,是分析研究电液伺服阀非线性的实验平台.图6,参11.     

基于超闭球小脑模型的系统建模及其校正

为了克服神经网络建模在工程应用中的不足,利用超闭球小脑模型（HCMAC）神经网络所具有的结构简单、学习收敛速度快、泛化能力强等优势,提出了基于HCMAC的非线性动态系统建模原理。分析了建模误差产生的原因,给出了基于误差校正率的神经网络模型多步在线校正策略,采用通过实时扩展模型学习样本空间和基于模型误差可信度的模型参数修正方法训练模型,以跟踪实际动态过程。仿真实验证明：上述方法可有效地减小由于样本精度不高和在模型输入空间中的分布不均匀所带来的初始模型误差,同时可实时适应非线性动态过程工况的变化。     

图形建模中流体网络拓扑结构的定义与识别

在图形建模中,建模人员在图形终端上画出热力系统流程图,系统就能自动生成出仿真模型。其中,模块参数的连接要根据流体网络拓扑结构自动实现,因此,图形建模中的一个重要问题是如何定义、识别热力系统的拓扑结构。网络结构的定义方法既要符合电厂习惯,又要保证拓扑信息容易识别。该文给出两种流体网络结构的定义方法及各自的拓扑分析方法。这些方法在为韩国三星重工开发的图形建模软件ＧＮＥＴ中得到了实现。ＧＮＥＴ已应用于“６００ＭＷ火电培训装置”的开发中     

基于粒子群算法的数控机床切削力误差实时补偿

通过分析数控机床主轴传动系统,推导出主轴伺服电机电流信号与切削力之间的关系,运用BP神经网络理论和粒子群优化算法建立起切削力误差模型,研制出数控机床上的切削力误差实时补偿系统,并通过加工实例对补偿系统进行了验证.结果表明:所建的切削力误差模型具有鲁棒性强和精度高的特点;切削力误差实时补偿系统使用方便,应用性强.     

基于遗传算法的分布结构模糊神经网络

提出了一种用于模糊系统建模和分析的分布结构模糊神经网络,这种网络将所有输入变量的从属度与各输出变量的从属度通过分布结构独立对应起来,利用遗传算法得到网络的权与输入变量的从属函数最优化参数,最后给出计算机模拟结果。     

基于动态BP网络误差修正的广义预测控制

针对建模误差对非线性系统预测控制鲁棒性的影响，提出了一种基于动态Bp网络的广义预测控制算法。该算法运用动态Bp网络对模型预测误差进行在线补偿，以提高预测精度。仿真结果证明了本文提出的广义预测控制算法对于非线性系统是有效的。     

人工神经网络水质预测模型研究

水质预测物理模型在水环境保护中起着十分重要的作用,然而由于模型的参数识别问题,使其应用受到很大局限.对人工神经网络(A rtific ia l N eura l N etw ork,简称ANN)水质预测建模作了初步研究.用试错法,以训练时间和测试误差两项指标为依据,对比分析三层、四层网络结构,认为ANN模型适应于水质预测建模,并提出了适合的模型结构、学习速率、传递函数.     

Preisach迟滞模型分类排序法的神经网络实现

针对非线性系统的迟滞特性开展建模研究,提出了一种Preisach模型分类排序法的神经网络实现方法,据此对压电陶瓷执行器纳米定位系统的迟滞非线性进行建模. 兼顾到迟滞的擦除特性和建模的精确度,建立BP神经网络求取收缩函数,避免了插值法求收缩函数值带来的插值误差. 实验结果表明,神经网络分类排序实现方法有效提高了Preisach模型的精度,减小了模型的误差.     

基于结构的神经网络模型

提出了一种基于结构的神经网络模型，并介绍了利用该模型进行系统建模与参数优化的方法，该神经网络模型本质上是结构化的，网络模型的结构与系统结构相对应，网络中神经元的个数是确定的，神经元之间的连接不是盲目的，而是根据子系统间的相互作用关系连接而成，网络的部分连接权值与系统结构参数相对应，具有明确的物理意义，所以，建模后可进一步进行结构参数的优化。     

仿射非线性系统的在线自适应模糊神经网络辨识与控制

针对单输入单输出非线性系统的自适应控制问题,提出了一种在线自适应模糊神经网络辨识与鲁棒控制的方法.该方法首先利用广义模糊神经网络学习算法,实时建立对象模型未知系统的逆动态模型,实现网络结构和参数的同时在线自适应.考虑到网络建模误差和外部干扰的存在,还设计了基于控制理论的鲁棒补偿器.仿真结果表明,该方法能对模型未知仿射非线性系统实现鲁棒输出跟踪.     

基于网络的液压马达伺服位置系统自适应鲁棒积分控制

针对基于网络的液压伺服控制系统面临的网络延时和阀控马达建模结构不确定性问题,提出了基于Pade定理和反步推导方法合成的误差符号鲁棒积分自适应控制器。该控制器使用Pade定理近似处理时变网络引起的延时,降低延时对控制系统跟踪性能的影响,应用自适应率逼近系统结构不确定性和延时误差值,采用误差符号控制方法补偿剩余的结构不确定性。通过构造合适的Lyapunov函数,验证了闭环系统的全局稳定性,保证闭环系统所有信号的有界性和跟踪误差渐进收敛性。仿真结果表明了该控制方法的高精度跟踪性能。     

基于Elman网络补偿模型的Smith预测控制

研究基于Elman网络补偿模型的Smith预测控制问题.采用互补建模方法对被控对象进行建模,其中机理模型反映被控对象的主要工作规律和运行趋势,但不可避免地存在一定的模型误差;通过Elman网络拟合机理模型的模拟误差,并对其进行补偿.实验结果表明,基于Elman网络补偿模型的Smith预测控制充分利用了神经网络的非线性拟合能力,只要对纯滞后环节精确建模,就可以完全抵消该环节对控制品质及系统稳定性的不利影响.该方法使得Smith预测控制可以用于模型不易精确确定的系统.