基于Hammerstein模型的执行机构非线性参数辨识

针对火电机组中流过执行机构的介质流量难以测量,导致执行机构的非线性特性无法直接求取这一问题,提出用构建Hammerstein模型代替直接测量介质流量的间接测量法,进而求取执行机构的非线性特性,然后分别使用粒子群算法(PSO)和樽海鞘群算法(SSA),辨识所构建的Hammerstein模型的参数。另外,针对PSO算法和SSA算法辨识Hammerstein模型参数精度不高以及收敛速度慢的问题,提出了一种改进的粒子群-樽海鞘群的混合算法(IPS)。最后基于烟道挡板的指令数据与再热器出口温度数据对模型进行了仿真。仿真结果表明,提出的IPS算法能改善PSO算法的过早收敛问题,提高SSA算法的辨识速度。因此通过建立Hammerstein模型能够解决介质流量难以测量的执行机构非线性参数辨识问题,并且提出的IPS算法能准确且快速的辨识Hammerstein模型的各项参数。

基于改进最小角回归算法的Hammerstein模型辨识

针对一类未知时滞和阶次的Hammerstein模型的辨识问题,本文提出一种基于绝对角度停止准则最小角回归(AS-LAR)的稀疏辨识方法,该方法可以同时辨识出Hammerstein模型的时滞、阶次和参数.首先,通过引入最大非线性阶次和输入回归长度,将系统表示成具有稀疏参数向量的高维辨识模型;然后,提出一种绝对角度停止准则,对最小角回归算法进行改进,并基于改进的AS-LAR算法获得稀疏参数向量的估计;最后,基于参数向量稀疏结构,估计出系统的时滞和阶次,并从估计的参数向量中提取和分离出系统线性部分和非线性部分的参数估计值.数值仿真和水箱实例结果表明,提出的辨识方法有效,且与其它辨识方法相比,具有估计精度高、计算量小、速度快等特点.

基于Hammerstein模型的风力发电系统建模与辨识

为建立风力发电系统的高精度模型,研究了一种基于Hammerstein模型的风力发电系统的建模与辨识方法。使用3σ准则对异常数据进行剔除,利用剔除后的数据训练风力发电系统的标称模型。利用Hammerstein模型建立风力发电系统的数据驱动模型,并将可分离信号和实际风速构成的组合式信号作为Hammerstein模型输入,可分离信号经过标称模型的输出和实际功率作为Hammerstein模型输出,基于组合式信号的输入和输出数据,利用相关分析法和带遗忘因子的递推增广随机梯度方法分别辨识Hammerstein模型中静态非线性子系统和动态线性子系统的参数。采用实际风速数据进行仿真实验,提出的方法与增广随机梯度方法的平均绝对百分比误差分别为4.99%和14.73%,与增广随机梯度方法相比,提出方法的平均绝对百分比误差减少了9.74%。仿真结果表明,提出的方法能够有效辨识Hammerstein模型风力发电系统,具有较好的预测性能。

基于Wiener模型和Wiener-Hammerstein模型的非线性动态过程完整建模方法

基于Wiener模型和Wiener-Hammerstein模型提出Wiener结构神经网络(WienerNN)模型和Wiener-Hammerstein结构神经网络(WHNN)模型,推导了Wiener模型和Wiener-Hammerstein模型的泛化能力,并给出了模型神经网络化的全过程。将所推导出的WienerNN模型和WHNN模型用于单变量和多变量非线性动态过程建模,验证了模型的有效性。

应用粒子群优化算法辨识Hammerstein模型

非线性系统的辨识一直是现代辨识领域中的一个主要课题。针对非线性系统中Hammerstein模型,文中提出了利用群集智能中的粒子群优化算法(PSO)对非线性模型进行辨识。讨论了PSO的基本算法与参数初值的设置与选择方法。通过仿真实验说明:与非线性最小二乘法相比PSO算法对于非线性辨识的有效性和鲁棒性。PSO算法是一种有效的解决优化问题的群集智能算法,它的突出特点是算法中需要选择的参数少,程序实现简单,并在种群数量、寻优速度等方面较其他进化算法具有一定的优势。尤其是在高噪信比情况下,也收到较满意的结果。

非线性Hammerstein模型预测控制策略及其在pH中和过程中的应用

所有实际工业过程都包含一定程度的非线性,如pH中和过程由于其本身的强非线性是工业过程控制中具有挑战性的难题,但至今为止仍缺乏有效的非线性控制方法。将基于差分方程模型的模型预测控制策略(model predictive control,MPC)推广到包含一个静态非线性多项式函数和一个线性差分方程动态环节的非线性Hammerstein系统,详细描述了基于静态非线性多项式函数的最优控制作用求解方法,提出了一套新的非线性Hammerstein MPC控制策略(nonlinear Hammerstein predictive control,NLHPC)。pH中和过程控制仿真和控制实验表明,NLHPC的控制结果好于工业上常用的非线性PID(nonlinear PID,NL-PID)控制器。

超磁致伸缩作动器的率相关Hammerstein模型与H∞鲁棒跟踪控制

利用Hammerstein模型对超磁致伸缩作动器(Giant magnetostrictive actuators,GMA)的率相关迟滞非线性进行建模,分别以改进的Prandtl-Ishlinskii(Modified Prandtl-Ishlinskii)模型和外因输入自回归模型(Autoregressive model with exogenous input,ARX)代表Hammerstein模型中的静态非线性部分和线性动态部分,并给出了模型的辨识方法.此模型能在1～100Hz频率范围内较好地描述GMA的率相关迟滞非线性.提出了带有逆补偿器和H∞鲁棒控制器的二自由度跟踪控制策略,实时跟踪控制实验结果证明了所提策略的有效性.

一种基于Hammerstein模型的数字预失真算法

记忆非线性放大器的预失真问题一直是预失真技术的难点.本文首先介绍了数字预失真器的几种模型结构和识别算法,它们虽然能够很好地实现功率放大器的线性化,却存在运算量较大的问题.结合LS算法和Hammerstein模型的优点,提出了一种基于Hammerstein模型的数字预失真算法,用几次简单的迭代运算代替一次复杂的直接运算,从而以较少的运算量,获得较好的线性化性能.通过计算机软件仿真验证了这种算法的有效性,它能以较少的参数,快捷、简便地实现记忆非线性功率放大器的预失真,显著提高了放大器的线性化性能.

微燃机-冷热电联供机组的Hammerstein模型及非线性广义预测控制

为研究微燃机-冷热电(MGT-CCHP)联供机组动态运行特性及控制策略,采用Hammerstein模型结构快速辨识其非线性动态特性,并将非线性动态特性以串联的非线性静态模型和线性动态模型表示.采用逐步回归法确定动态模型阶次并采用粒子群算法辨识模型参数,得到易于复现的块结构化模型.基于Hammerstein预测模型,设计了MGT-CCHR冷负荷跟踪非线性广义预测控制器.利用Hammerstein模型分块描述对象静态与动态特性的结构特点,将非线性广义预测控制转化为线性广义预测控制与非线性静态函数求根问题,使控制量求解简化.通过与最优参数PID控制器的仿真结果比较表明,所设计的非线性广义预测控制器具有改善冷负荷跟踪性能和节能控制的效果.

辨识Hammerstein模型方法研究

提出了一种对单输入单输出Hammerstein模型的参数辨识方法。基本思想是:首先,将Hammerstein模型转换为一类中间模型。然后,提出利用一种改进的粒子群优化(improved particle swarm optimization,IPSO)算法获得中间模型的参数估计值。接着,通过相应的数学关系来达到对Hammerstein模型的辨识。最后,在数值仿真中,与使用其它辨识方法进行了比较,其结果表明了所给的参数辨识方法是切实可行的。

基于Hammerstein模型的挖掘臂伺服系统参数辨识

液压挖掘臂伺服系统是复杂非线性系统,针对线性模型难以准确反映系统动态的特性,采用包含静态非线性模块和动态线性模块的Hammerstein模型来描述该系统。Hammerstein模型中的线性模块采用离散自回归模型(ARX),非线性模块则采用分段多项式基函数。利用多频率正弦激励与角度输出信号,采用带遗忘因子的递推最小二乘法实现线性与非线性模块参数的解耦辨识。通过对比实验分析辨识所得Hammerstein模型与ARX模型,得Hammerstein模型误差比线性模型误差减小约77%,结论表明采用Hammerstein模型描述挖掘臂伺服系统是有效可行的。

基于辅助模型递推最小二乘法的Hammerstein模型多信号源辨识

针对含有过程噪声的Hammerstein模型,提出了一种基于辅助模型递推最小二乘法的Hammerstein模型多信号源辨识方法。采用多信号源实现Hammerstein模型的可辨识性和参数估计分离问题;将辅助模型引入到串联模块的最小二乘法辨识中,得到Hammerstein模型参数的无偏估计。仿真结果验证了该算法的有效性。

基于小波基函数和Hammerstein模型的预测函数控制

针对实际对象的多变性和传统的预测函数控制只能对预测时域内有限的几个拟合点进行拟合,而未考虑整个预测时域整体逼近误差性能优化的问题,提出一种基于小波基函数和Hammerstein模型的预测函数控制方法。内部模型参数通过不断辨识,进行自适应校正。利用小波的紧支局部性和多尺度分析特性,既保证了整体误差性能的优化,又突出了重要拟合点的逼近要求,并实现了优化变量的集结。理论分析和仿真应用表明,该方法有更好的快速性和抗模型失配性能。

基于改进粒子群算法的Hammerstein模型辨识

提出辨识非线性Hammerstein模型的新方法。将非线性系统的辨识问题转化为参数空间上的函数优化问题,采用粒子群算法获得该优化问题的解。为了进一步增强粒子群优化算法的辨识性能,提出采用速度变异粒子群对整个参数空间进行搜索得到系统参数的最优估计。仿真结果验证了该方法的有效性。

基于Hammerstein模型描述的非线性系统辨识新方法

Hammerstein模型常用来描述pH值或具有幂函数、死区、开关等特性的过程,本文提出了一种辨识此类对象模型结构和参数的新方法,首先将非线性静态部分和线性动态部分分别用非线性基和Laguerre级数表示,然后通过最小二乘法、矩阵特征值分解和矩阵扩维,辨识出两部分参数．并证明了该方法在输出端存在白噪声情况下误差的收敛性．此方法仅需假设输入为持续激励,适用范围广,计算简单,辨识精度高．最后通过pH中和滴定实验验证了以上结论．

基于量子遗传算法的循环流化床锅炉Hammerstein模型辨识

将Hammerstein模型应用于某循环流化床锅炉2个典型系统的辨识,用多项式表示模型的非线性部分,用差分方程表示模型的线性部分,并通过量子遗传算法将模型的辨识问题转化为参数空间上的寻优问题,求得模型中待定参数的最优解,从而得出循环流化床锅炉2个系统的具体模型,并结合现场数据进行了一系列仿真试验.结果表明:Hammerstein模型可以很好地表达循环流化床锅炉典型系统的特性,用量子遗传算法优化可得到精度较高的数学模型.

基于Hammerstein模型的非线性预测函数控制

提出了只需线性动态优化的基于 Hamm erstein模型的非线性预测函数控制策略 ,其中非线性控制器由一个线性的预测函数控制器和 Hammerstein模型的非线性部分的反函数组成 ,实现了线性控制器的输出 u PFC与闭环系统内部模型线性部分的输入完全一致 ,使模型的输出 ym 只依赖于 u PF C,通过这种方式实现了非线性预测函数控制策略只需线性优化而不需要非线性滚动优化 .过程的预测输出只需应用模型参数直接计算得到而不需要求解丢番图 (Diophantine)方程 .p H中和过程的计算机仿真结果表明 ,该控制算法比

动车组列车制动系统的Hammerstein模型及其参数辨识方法

针对动车组列车制动系统的非线性及其在ATO中的重要性,从控制和动力学角度提出动车组列车制动系统的Hammerstein模型。根据制动指令信号的流向介绍动车组列车制动系统的工作过程;分别考虑系统各环节,用经过曲线拟合得到的静态非线性函数描述动车组列车制动特性表,用延时环节描述制动指令信号传输和制动控制器动作的延时,用两个一阶线性环节分别描述制动力反馈调节过程和动车组列车减速度冲动缓解过程,提出动车组列车制动系统的Hammerstein模型;并介绍了思维进化算法辨识模型参数的方法。最后以CRH2型动车组为仿真对象验证模型和参数辨识方法的有效性。

动车组列车制动系统Hammerstein模型的广义预测控制研究

鉴于动车组列车制动控制在运行和ATO中的重要性,以Hammerstein模型为基础,设计动车组列车制动系统的广义预测控制GPC器。把Hammerstein模型看作静态子系统和动态子系统的串联,动态子系统辨识为CARIMA模型,用思维进化算法MEA辨识由动态子系统纯延时环节和外界干扰造成的模型误差,设计基于MEA误差修正的GPC器,得出中间量。根据动车组列车制动特性对中间量进行约束化处理,使处理后的中间量和制动级位实现一一对应关系。对描述静态子系统的静态函数求逆,得到制动系统的制动级位。以CRH2型动车组为仿真对象,比较PID和GPC的控制效果,证明MEA修正误差的有效性,验证GPC器控制动车组列车制动系统的优越性。

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。