动力调谐陀螺仪模型快速开环辨识

为了实现对动力调谐陀螺仪闭环测量系统的快速设计,建立了参数模型辨识系统,对激励信号设计、模型类结构选择、参数估计算法等问题进行研究.首先依据惯性元件的特点,设计了适宜于动力调谐陀螺仪测试的多正弦激励信号,然后基于外加输入自回归(ARX)模型,采用预报误差法辨识得到模型参数,最后针对某型号动力调谐陀螺仪设计实验进行验证,并与传统扫频法建模得到的结果进行对比.结果表明:模型辨识时间由2 000,s缩短为20,s,辨识拟合度由92.5%提高到95.3%.与传统扫频法相比,通过多正弦激励、ARX模型和预报误差法进行陀螺模型辨识可得到更高的辨识精度、抗噪声能力和辨识效率,为快速设计闭环系统提供了可靠的依据.

ARX模型在除湿机故障诊断中的应用

冷冻式除湿机系统具有非线性和强耦合的特点,难以通过建立精确数学模型的方法对其进行故障诊断。基于此,研究引入了一种ARX黑箱模型方法,该方法利用系统输入输出数据通过辨识的方法确定模型结构和参数,然后通过比较模型预测输出值和实测值之间的差异来对故障进行诊断。由于ARX模型的建立不需要知道系统内部复杂的物理机理,因此建模相对简单。在具体应用中,建立了系统级和部件级两个层次的ARX模型,先用系统模型监测出故障,再利用部件模型对故障进行定位。诊断实例表明数据仿真结果与实际工况相吻合,由此说明该方法应用于除湿机故障诊断是可行的。

基于LS-SVM ARX模型的除湿机故障诊断

针对非线性系统故障诊断问题相对复杂的情况,以除湿机作为研究对象,应用ARX模型进行了研究。引入LS-SVM优化算法对ARX模型进行了改进,克服了传统SVM算法的不足。结合实验采集到的实际数据样本,对模型进行了训练。结果表明,改进的算法具有较低的运算复杂度和较快的学习训练速度,对于新的样本输入能够正确分析诊断。由此说明,将LS-SVM ARX模型应用于故障诊断是可行的。

面向智能物联的动态负荷预测量子进化方法

物联网与智能制造的结合导致大量制造数据的产生,为了实现基于大数据的智能制造电力负荷预测,提出并实现了一种智能物联云计算平台,实现用户与智能物联网之间双向通信控制的快速响应。提出一种基于改进外加输入的自回归滑动平均模型的短期动态负荷预测模型,结合平台中的智能传感设备和历史负荷、天气变化等综合数据,作为预测模型的外部输入变量,并利用改进的实数编码量子进化算法对预测模型进行参数估计以提高动态负荷预测的准确性。利用智能制造企业的实际负荷数据,采用所提方法进行预测并与实际负荷数据及传统方法的预测结果进行比较,实验结果表明,所提方案和算法能够有效提高智能制造过程中短期动态负荷预测的精度,同时通过并行化计算提升负荷预测的速度。