空调对象参数辨识的一种混合算法

针对空调对象这一时变迟延环节,提出了一种基于最速下降法和最小二乘法的混合参数辨识算法。对一空调对象分别在初始条件未各和参数发生突变的前提条件下进行了参数辨识,计算结果表明,提出的和识 法不但适用于时不变的空调系统,而且对时变的空调系统也具有辨识性能稳定、计算时间少、计算精度高等优点。     

基于ANFIS的软测量模型在浮选中的应用

以浮选过程为研究对象,提出一种基于自适应神经-模糊推理系统的经济技术指标软测量模型。该模型采用主元分析进行输入数据集降维,运用最小二乘法和粒子群优化算法相结合的混合学习算法对自适应神经-模糊推理系统结构参数进行优化设计。该混合学习算法提高了网络参数辨识的收敛速度,仿真结果表明,提出的模型能很好地实现浮选过程经济技术指标的全局预测,满足优化浮选药剂添加的计算要求。     

惯性特征系统最速特征模型PID控制参数辨识

以惯性特征系统作为研究对象,针对常规PID控制器参数的设置问题提出了基于系统最速特征模型的辨识算法,该算法利用惯性特征系统的输入输出特性,通过最小二乘法辨识出系统的一阶特征模型,然后再根据一阶特征模型、控制律和系统的动、稳态性能的要求辨识出系统的二阶最速特征模型,同时也计算出PID控制器的参数.仿真结果表明,该算法能够使PID控制具有最速响应的特征,为PID参数设置提供了一种计算方法.     

基于辨识模型的非线性网络故障诊断方法研究

将Volterra级数解的递推算式与方波脉冲函数变换相结合,提出了一种对一类非线性动态网络的数学模型进行辨识的新型混合模型辨识法,导出了相应的混合模型辨识公式和动态响应的求解方法．并根据该法所得到的辨识混合模型,提出采用多重预置模型方法对非线性网络故障进行诊断的方法．该法避免了在线计算系统当前工作模型,易于实现在线故障诊断、     

基于量子粒子群与标准粒子群混合算法的框架结构异构体系模型参数辨识

为了研究相邻框架结构地震碰撞问题,经常将框架结构动力学模型简化为树形拓扑结构,以提高计算效率。该文提出了一种将量子粒子群与标准粒子群结合的参数辨识方法,基于结构的动力特性等效原则,对框架结构建立适应于多体系统传递矩阵法(MS-TMM)高效计算的树形拓扑系统动力学模型,模型的相关力学参数的确定是基于量子粒子群与标准粒子群混合算法,由有限元方法计算得到模态参数,通过参数辨识的方法来完成。为了验证所提出方法的有效性,以三层框架结构为工程算例,将三层框架结构转化为树形拓扑力学模型,通过提出的参数辨识方法和标准量子粒子群算法分别进行参数辨识,并将两种方法的辨识结果分别利用多体系统传递矩阵法(MS-TMM)计算频率,将频率计算结果分别与Ansys结果进行比较。结果表明,该文方法的识别精度优于标准量子粒子群算法。     

有色噪声干扰系统的参数辨识递推算法

为了辨识受有色噪声干扰的系统参数,提出一种递推算法。该算法由系统部分的参数估计和噪声部分的参数估计2部分组成。系统参数估计采用的是包含当前预报误差和之前估计误差的递推算法辨识。噪声部分参数则是采用扩展的最小二乘算法辨识。该文对新的递推算法进行了仿真,实验结果显示该算法能够降低噪声对参数估计的影响,减小估计误差,较精确地辨识出受有色噪声干扰系统的参数。     

有色噪声干扰系统的参数辨识递推算法

为了辨识受有色噪声干扰的系统参数,提出一种递推算法。该算法由系统部分的参数估计和噪声部分的参数估计2部分组成。系统参数估计采用的是包含当前预报误差和之前估计误差的递推算法辨识。噪声部分参数则是采用扩展的最小二乘算法辨识。该文对新的递推算法进行了仿真,实验结果显示该算法能够降低噪声对参数估计的影响,减小估计误差,较精确地辨识出受有色噪声干扰系统的参数。     

直线滚动导轨结合部动力学特性测试及参数识别

基于辨识原理,提出了导轨结合部动力学参数的试验辨识流程,包括标记测量点、频响函数测试、测试数据处理、编制辨识程序等步骤.以组装在床身上的THK导轨结合部为对象,进行了动力学特性测试.并应用Matlab编制了辨识算法,识别出导轨结合部系统法向方向的质量矩阵、刚度矩阵、黏性阻尼矩阵和结构阻尼矩阵,证明了动刚度矩阵法辨识导轨结合部动力学参数的有效性.     

大型立式淬火炉温度分布参数系统参数辨识算法

以块脉冲函数为基函数,利用正交函数变换将由偏微分方程描述的分布参数系统模型转化为最小二乘形式的代数方程,在此基础上推导出大型立式淬火炉温度分布参数系统的参数辨识算法,并进行仿真和31m立式淬火炉温度控制系统应用,该算法能够满足控制规律对参数辨识实时性和精度的要求。研究结果表明：基于正交函数逼近法的分布参数系统参数辨识算法的关键在于正交函数正、反向积分运算矩阵的求解。辨识过程中考虑大型立式淬火炉温度分布参数系统模型边界条件和初始条件的影响,提高参数辨识精度,参数辨识精度为-6％～6％,保持系统的空间分布特性,算法计算量小,可以实现在线参数辨识。     

基于等效热模型的供冷建筑RLS-KF室温预测方法

针对当前大型供冷建筑室温预测方法精度不高,难以满足空调系统节能优化控制的问题,提出基于等效热模型的递推最小二乘辨识-卡尔曼滤波(RLS-KF)室温预测方法.为了描述建筑的非稳态热工特性,通过等效电路法建立三阶的建筑热模型,选择空调冷负荷、室外温度和太阳辐射强度作为预测模型输入变量,并利用RLS算法在线辨识模型参数,同时针对单一RLS算法预测精度不高的问题,构造伪测量值,将KF算法应用于室温预测问题以提高预测精度.以广东某办公建筑供冷条件下室温为研究对象对文中方法进行验证,预测结果表明,RLS-KF算法较单一的RLS算法的预测精度和稳定性大幅提高,短期室温预测性能更为优越.