基于组合信号源的非线性系统的子空间辨识

为解决对非线性采样系统的状态空间Hammerstein模型难以辨识的问题,提出了基于组合信号源的辨识方法.首先用组合信号源将静态非线性环节和动态线性环节分离.其次,采用模糊神经模型拟合静态非线性环节,有效地避免了采用多项式方法逼近非线性函数的限制,拓宽了非线性模型的适用范围;采用子空间算法估计采样系统的状态空间参数矩阵.最后,通过对两个非线性Hammerstein系统模型的仿真,验证了所提出的辨识方法,既简化了辨识过程,对非线性模块能够较好地拟合,又可以很快估计出状态空间方程系数矩阵,从而证明了所提方法的准确性和有效性.     

刚度、阻尼矩阵非对称性对气动导数识别的影响

针对桥梁结构节段模型风洞测振试验中因风的作用而导致的系统刚度矩阵和阻尼矩阵的非对称性可能影响识别结果这一问题,利用状态空间法仿真薄平板模型在均匀风场中的自由衰减响应和紊流场中的抖振响应,分别采用特征实现算法(ERA)和随机子空间法(SSI),识别出均匀流场和紊流风场中的理想薄平板模型气动导数.通过与仿真所用的薄平板模型的气动导数理论值的对比,确定等效刚度矩阵和等效阻尼矩阵的非对称性对系统识别方法所得结果的影响.仿真结果表明,目前,应用比较广泛的ERA方法和SSI方法,均对阻尼矩阵和刚度矩阵的非对称性具有足够的适应性.     

基于子空间辨识的DOA和频率联合估计算法

针对阵列信号波达方向(DOA)和频率联合估计计算量大、参数配对较困难等问题,提出了一种基于子空间辨识方法的DOA和频率联合估计算法.该算法构造了一个特殊的状态空间模型,并通过选取辅助矩阵来抑制噪声.由子空间辨识方法得到广义可观测矩阵的估计值,再利用总体最小二乘(TLS)方法得到系统矩阵的估计值,由系统矩阵得到DOA和频率的估计值.该方法具有参数自动配对和计算量小的特点.计算机仿真验证了该算法的有效性.     

基于子空间辨识的焦炉集气管压力控制

针对焦炉集气管压力具有多变量、耦合、时变性等特点,设计焦炉集气管压力增量式在线子空间多变量预测控制策略.在增量式子空间预测控制的基础上,引入滚动窗口子空间辨识方法,设计子空间预估器模型的更新策略,实现了在线子空间自适应预测控制.应用在线子空间辨识方法对焦炉集气系统现场数据进行辨识,取得了较好的预测精度;利用子空间预估器模型进一步建立焦炉集气系统的状态空间模型,在考虑输入约束、模型时变和干扰的情况下,该模型表现出了很好的控制精度和性能.     

一类非均匀采样数据系统的状态估计

首先利用提升技术推导出非均匀周期刷新和周期采样多率系统的提升状态空间模型;并基于卡尔曼滤波原理,通过极小代估计误差协方差矩阵,提出这类系统提升状态空间模型的状态估计算法.仿真试验说明,提出的算法可以有效地估计系统状态.     

基于状态子空间辨识算法的双阶挤出系统动态特性建模研究

针对高聚物挤出发泡所用的双阶挤出系统中需要解决连接体压力稳定控制的动态建模问题,提出了一种用于双阶挤出系统预测的状态子空间系统辨识策略,该方法利用系统的输入输出数据成功辨识出了双阶挤出系统的动态模型,并将实际测量数据与辨识得到的模型仿真输出数据进行对比,结果验证了基于状态子空间的辨识算法得到的系统模型能很好地反映实际情况。     

基于子空间方法的车辆稳态操纵性模型辨识

基于子空间辨识方法,对稳态操纵工况下的车辆动力学模型进行辨识.根据子空间算法的假设条件,构建了3自由度车辆模型,并进行系统的可辨识性论证,确定了相应的辨识模型结构.采用方向盘角阶跃输入转向回正性能试验数据进行车辆模型的辨识.辨识模型的验证采用相同车速下的实车蛇形试验数据,分别在时域和频域进行辨识和试验对比.结果显示,两者基本吻合,子空间算法能够很好地适用于线性车辆操纵动力学模型的辨识.     

子空间辨识方法的研究与改进

文中研究了基于状态空间模型的子空间状态空间系统辨识方法,具体介绍了该方法的辨识原理,同时将该方法与AIC准则相结合,对子空间辨识方法进行了改进,并对该方法进行了仿真研究。结论表明:该方法可以非常准确地得到系统的阶次,避免由于阶次选择不同而引起的辨识误差,具有很广阔的实际应用前景。     

基于和声搜索的自适应滤波算法

针对子空间辨识方法,从状态空间模型向I/O差分方程转化的取向,使有关矩阵的维数增加,计算复杂度增大的问题,提出了用和声搜索算法辨识CARMA(Controlled Auto-Regressive Moving Average)模型子阶、时滞和参数的方案.该方案基于所提出的输入输出模型转化为状态空间模型的定理,使相应的状态空间模型在CARMA模型辨识之后也被辨识.以油井热洗为例,进行了自适应滤波估计.估计结果表明:该算法有较高的滤波和预报的精度,滤波和一步预报的误差方差的最大值在0.01以内,与子空间辨识方案相比,本方案的计算量约为前者的五分之一.     

子空间预测控制方法在线性变参数系统中的应用

提出了一种针对线性变参数系统的新型子空间预测控制方法。该方法首先通过子空间辨识算法获得线性变参数系统的子空间预测输出。然后,对构造的输入输出矩阵进行QR分解得到子空间预估器,将子空间预估器用于设计模型预测控制器。该控制器包含了积分作用,可消除稳态误差。最后,通过风机扑翼动力学系统的仿真实验,证明了该方法的有效性。     

多输入多输出随机线性离散系统的在线测辨

本文讨论多输入多输出(MIMO)随机线性离散系统的在线测辨问题。根据Luenberger标准型的稳态Kalman滤波表示提出了一套在线测辨方法,即用残差法的结构测辨和递推增广工具变量法(REIV)的参数估计。本文给出了残差平方和的递推算式,并证明了如果采用本文所提出的工具变量,那末REIV算法是渐近无偏的。最后,我们还给出了计算机模拟算例,说明本文所提出的在线测辨算法是行之有效的。     

基于串联型自抗扰控制器的逐次求精法

利用模型补偿自抗扰控制器辨识系统参数,对于低阶系统取得了满意的辨识效果。但在用上述方法进行高阶系统参数的辨识时,还存在扩张状态观测器参数不易调整的问题。笔者将串联型扩张状态观测器构成的自抗扰控制器运用于参数辨识的逐次求精法,能有效地辨识出系统的参数。特别是在辨识高阶系统参数时,具有扩张状态观测器在数易调的优点。     

多工位制造系统尺寸偏差线性化建模与控制

为解决传统状态空间模型的系统矩阵存在非线性因子的问题，在定义了零件模型与零件偏差以及零件、夹具、机床3个坐标系的基础上，运用齐次变换方法进行了零件坐标系到机床坐标系的转换，实现了对传统状态空间模型的系统矩阵的线性化，给出了描述多工位制造系统中产品尺寸偏差传递的线性状态空间模型，增强了传统状态空间模型的可用性.实例验证了线性状态空间模型的有效性和实用性.     

基于ESO的异步电机无速度传感器矢量控制

受外部干扰和模型误差影响,异步电机无速度传感器矢量控制中的转速辨识结果往往不准确。为解决此问题,提出一种基于扩张状态观测器(ESO)的转速辨识方法,从ESO的扩张状态观测结果中提取转速信息。为同时辨识转速与转子电阻,提出了三角波激励法。在转子磁链参考值中注入三角波,实现转子电阻辨识的快速光滑收敛,从而提高转速的辨识精度。仿真和实验结果表明,该方法可有效解决转子电阻摄动影响转速辨识精度的问题,而且,由于转速辨识收敛速度快,在0.7倍额定负载突卸情况下,动态速升为7%,系统的动态响应快。     

Robust Predictive Control of Uncertain Systems with Time-delay Using Tight Sets of Predicted States

A robust model predictive control （MPC） algorithm for discrete time linear systems with time-delay （RPC.TDS） subjected to constrained input control is presented, where the polytopic uncertainties exist in state matrices and input matrices. In the algorithm the standard optimization of quadratic objective function has been transformed into optimization of sum of N ＋ 1 upper bounds of the quadratic objective function with respect to N control moves and a state feedback control law, where N is the control horizon. The feasibility of the optimization problem guarantees that the algorithm is robustly stable. The simulation results verify the effectiveness of the proposed algorithm.     

一种用Fourier级数辨识延时线性系统的算法

本给出了一种改进的Ｆｏｕｒｉｅｒ级数辨识延时线性系统的算法。通过Ｆｏｕｒｉｅｒ级数的运算算子矩阵，将描述系统的微分方程化为代数方程，再使用最小二乘方法即可求得系统的参数估计。本的算法简单，节省了ＣＰＵ存贮空间，更便于实用。     

Federal extended Kalman filter based on reconstructed observation in incomplete observations

In the estimation and identification of nonlinear system state,aiming at the adverse effect of observation missing randomly caused by detection probability of used sensor which is less than 1,a novel federal extended Kalman filter( FEKF) based on reconstructed observation in incomplete observations( ROIO) is proposed in this paper. On the basis of multi-sensor observation sets,the observation is exchanged at different times to construct a new observation set. Based on each observation set,an extended Kalman filter algorithm is used to estimate the state of the target,and then the federal filtering algorithm is used to solve the state estimation based on the multi-sensor observation data. The effect of the sensor probing probability on the filtering result and the effect of the number of sensors on the filtering result are obtained by the simulation experiment,respectively. The simulation results demonstrate effectiveness of the proposed algorithm.