波浪能液压转换装置的非线性状态空间模型的建立

海洋波浪能被认为是全球很有潜力的可再生能源。提出使用漂浮式浮子吸收波浪能,再利用液压功率输出机械将吸收来的能量转换为电能。对于波浪能发电,关键在于效率的提高以及发电质量的稳定。设计的液压功率输出装置可以双向输出高压油,从而大大提高了波浪能转换效率,而且装置中的高压蓄能器对发电质量的稳定起关键作用。基于线性水动力学理论,推导出振荡浮子式波浪能转换装置的数值模型。该模型考虑了液压系统内部件的滑动摩擦力和高压油流经阀门时节流孔的压降。由于该液压功率输出机械是非线性系统,推导出整个波浪能转换装置系统的非线性状态空间模型。

基于非线性混合效应状态空间模型的粒子滤波

粒子滤波算法是一种用于解决非线性系统问题的新型算法。通常粒子滤波利用重要性重抽样算法,选用先验分布,但是其易受外部观测值影响,从而导致权重变化较大。为此,文中引入辅助粒子滤波算法进行改进,该算法优势在于前一时刻的样本在抽取时以当前的观测数据为条件,这样得到的样本更加接近真实状态。最后,通过仿真实例,进一步分析验证了辅助粒子滤波算法比采样重要性重抽样更为有效。

基于支持向量机N4SID辨识模型的非线性预测控制

针对工业控制领域中非线性系统的模型辨识与预测控制问题,采用最小二乘支持向量机回归方法构造非线性函数,运用状态子空间(N4SID)模型辨识方法辨识非线性状态空间模型.在此基础上建立非线性预测控制器,利用拟牛顿算法进行非线性预测控制律的求解,从而实现了一种新的基于支持向量机N4SID辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.

数字液压缸非线性动态特性分析及试验

综合考虑阀芯螺旋运动和反馈机构动态,修正阀口流量方程,并基于Lu Gre摩擦模型推导得到了完整的数字液压缸非线性状态空间模型。对三种不同模型进行仿真并以试验为参考,验证了非线性模型的准确性,并利用所建模型重点分析了系统换向时的动态特性。结果表明:非线性模型能更真实地反映系统的响应特性;不平衡冲击与摩擦Stribeck效应耦合导致换向速度抖动,同时受工作压力、死区、阀芯径向泄漏、Stribeck速度和反馈机构刚度等非线性因素的共同影响,速度抖动状况呈现出多变性。

基于观测数据的时间序列因果推断综述

数据存储量的扩大和计算能力的提升为基于观测数据推断时间序列的因果关系开辟了新途径。在时间序列因果推断的基本性质和研究现状的基础上,系统梳理了5种基于观测数据的时间序列因果推断方法,即Granger因果分析方法、基于信息论的方法、因果网络结构学习算法、基于结构因果模型的方法和基于非线性状态空间模型的方法。然后,根据不同应用场景的数据特点,结合方法的功能和适配性,对基于观测数据的时间序列因果推断方法在经济金融、医疗和生物学、地球系统科学和其他工程领域的典型应用进行了简要介绍。最后,结合时间序列因果推断的重难点问题,比较5种方法的优缺点,分析下一步研究重点,展望未来的研究方向。

基于无迹Kalman滤波的基波分量提取

针对全波Fourier和Kalman滤波算法在提取基波分量时对频率偏移敏感和直流偏移量抑制能力差的缺点,提出了一种新的基波分量提取算法。首先以故障信号的直流偏移量、基波角频率和基波分量作为状态变量,建立信号的非线性状态空间模型。然后采用无迹Kalman滤波(Unscented Kalman Filter,UKF)在信号的非线性模型基础上估计出基波分量。此外,滤波算法还能够实时估计出信号的直流偏移量和基波频率。通过多个算例仿真对算法进行验证与测试,仿真结果证实了算法的可行性和有效性。仿真结果表明,算法对频率突变和直流偏移量突变具有良好的适应性,能快速准确地提取出基波分量。

聚丙烯装置气相聚合生产过程预测控制系统的研究与实现

本文针对聚丙烯装置气相聚合生产过程存在的常规控制问题,提出了基于机理模型和非线性状态空间多变量预测控制系统的解决方案。依据乙烯与丙烯多元共聚反应机理和反应动力学方程,建立熔融指数、乙烯质量分率等气相聚合单元质量指标软测量机理模型。采用非线性状态空间多变量预测控制算法,结合单值预测控制、多控制周期、多预测时域的控制思想,深入研究气相聚合预测控制系统的控制策略。

挖掘机器人的系统建模与自动化控制——评《挖掘机器人系统建模、辨识与运动控制》

随着科技的进步,机器人技术逐渐被应用在工程机械领域,实现工程机械的智能化无人作业。严骏等编著的《挖掘机器人系统建模、辨识与运动控制》一书以挖掘机器人的高精度运动控制为目的展开研究。该书首先对挖掘机器人的相关技术以及研究现状、意义等做了简单阐述;接着建立了挖掘机器人试验样机电液伺服系统的分段线性模型和非线性状态空间模型,并对挖掘机器人电液伺服系统进行辨识研究,为控制仿真提供了参考模型;然后建立了挖掘机臂的运动学与动力学模型。

基于改进无迹卡尔曼滤波的波动率研究

波动率估计是金融学的核心,波动几乎渗透金融市场的每一个领域.为了快速而精确地提取波动率,文章将比例UT变换与最小偏度单行采样技术和无迹卡尔曼滤波(UKF)算法相结合,提出一种适用于非线性高斯状态空间模型的改进的无迹卡尔曼滤波(MUKF)算法,并将该算法应用到扩散的期权定价模型中.最后通过对Heston随机波动模型进行模拟研究,发现在同时使用股票价格数据和期权数据时,可以精确地提取波动率,而且MUKF算法比UKF算法的计算时间更短.文章也对Heston模型中的波动率的波动参数进行了研究,研究发现MUKF算法可以准确地捕捉这种波动率特性.