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.

基于相关分析和带遗忘因子的随机梯度的非线性系统Wiener模型辨识

实际工业过程往往呈现强非线性和时滞特性,在复杂工况下如何建立过程的高精度模型并对其进行有效控制是研究重点.本文研究了一种基于相关分析的非线性系统Wiener模型辨识.Wiener非线性模型由动态线性子系统和静态非线性子系统串联组成,利用时滞状态空间模型和神经模糊模型分别建立动态线性子系统和静态非线性子系统,并利用设计的组合信号实现Wiener非线性模型分离辨识.首先,利用后移算子的性质,将时滞状态空间模型转化为传递函数模型,在高斯信号作用下利用相关分析方法辨识动态线性子系统的参数,解决了Wiener模型中间变量不可测问题.其次,为了改善辨识模型的精度和收敛速度,推导了带遗忘因子的递推随机梯度方法,得到静态非线性子系统的参数估计.将提出的非线性Wiener模型辨识方法运用于连续搅拌反应釜,实验仿真结果表明,本文提出的Wiener模型辨识方法能够有效辨识连续搅拌反应釜系统,并取得较好的控制效果.

基于Hammerstein-Wiener模型的CSTR反应器辨识

针对化工过程中广泛应用的连续搅拌反应釜(CSTR)反应器,提出一种新的基于极限学习机的Hammerstein-Wiener模型的辨识建模方法。其中,Hammerstein-Wiener模型的两个非线性环节采用两个不同的极限学习机逼近,线性环节采用自回归ARX模型。因极限学习机的特殊结构,此模型可以表示成线性回归的形式,最终利用广义最小二乘法求解模型的参数。此方法辨识过程简单,辨识过程的计算量较小。最后对CSTR的辨识结果表明,在相同条件下与基于多项式的Hammerstein模型和ARX-LSSVM Hammerstein模型相比,该方法具有较高辨识精度,表明了该方法的有效性。

基于组合信号的Wiener-Hammerstein系统辨识

针对噪声干扰条件下的Wiener-Hammerstein系统,提出一种基于组合信号的两阶段辨识算法用于辨识Wiener-Hammerstein系统各个环节参数.利用自回归(autoregressive, AR)模型和有限脉冲响应(finite impulse response, FIR)模型分别建立Wiener-Hammerstein系统的输入和输出线性环节,利用多项式模型建立非线性环节.在第一阶段,基于高斯信号的输入和输出,采用相关性分析方法辨识Wiener-Hammerstein系统中输入和输出线性环节的参数,有效解决了中间变量不可测的问题.在第二阶段,基于随机信号的输入和输出数据,利用递推最小二乘法辨识非线性环节参数.仿真结果表明,提出的两阶段方法能够有效辨识Wiener-Hammerstein系统,与其他辨识方法相比,辨识精度有所提高.

Hammerstein-Wiener模型最小二乘向量机辨识及其应用

借鉴最小二乘支持向量机求解的思路,文中提出了辨识多输入-单输出Hammerstein-Wiener模型的方法.引入共线性约束假设,将辨识问题转换为有约束的优化问题,从而辨识出Hammerstein-Wiener模型的参数.基于Hammerstein-Wiener模型,我们建立了一个多输入-单输出的滚动预测模型,对铜转炉造渣S2期吹炼所需总氧量进行了预测,其相对均方根误差为12.1%.仿真结果表明,该模型预测准确、具有较好的应用价值.

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。

基于偏差补偿递推最小二乘的Hammerstein-Wiener模型辨识

许多实际系统可以表示成一种中间为线性动态环节、输入输出端为非线性静态环节的Hammerstein-Wiener模型.针对含过程噪声的Hammerstein-Wiener模型,提出一种改进在线两阶段辨识方法.第一步采用偏差补偿递推最小二乘法在线辨识含原系统参数乘积项的参数向量.通过在递推最小二乘算法中引入一个修正项,补偿过程噪声引起的估计偏差.第二步采用基于张量积逼近的奇异值分解法分离出原系统各参数的值.通过引入两个矩阵的张量积逼近加权最小二乘的权系数,提高参数分离精度.理论分析和计算机仿真验证了本文方法的有效性.

基于多信号源的神经模糊Hammerstein-Wiener模型研究

面对复杂工业过程控制的需求,设计一种结合数据信息的特殊模型结构,在保证控制系统有效性的前提下通过模型的结构来简化控制器的求解是亟待解决的问题.为此,本文提出一种基于多信号源的神经模糊Hammerstein-Wiener模型,突破传统的迭代分离方法,通过组合式多信号实现Hammerstein-Wiener模型中神经模糊非线性环节和线性环节的分离,同时设计了神经模糊模型参数的非迭代优化算法,将研究结果拓广到分段非线性系统,改善了模型的适用范围.该算法保证了模型的预测精度,具有逼近较强非线性过程的能力.在此基础上设计了基于神经模糊Hammerstein-Wiener模型的控制系统,利用模型的特殊结构将非线性系统的控制问题简化为线性系统的控制问题,采用简单的PID控制器便能达到较好的控制效果.仿真结果验证了上述方法的有效性.

一种辨识Wiener-Hammerstein模型的新方法

针对非线性Wiener-Hammerstein模型,提出利用粒子群优化算法对非线性模型进行辨识的新方法.该方法的基本思想是将非线性系统的辨识问题转化为参数空间上的优化问题;然后采用粒子群优化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,提出利用一种混合粒子群优化算法.最后,仿真结果验证了该方法的有效性和可行性.

含有过程噪声的Hammerstein-Wiener模型辨识算法及其收敛性分析

针对含有过程噪声的Hammerstein-Wiener模型,提出一种偏差补偿递推最小二乘辨识方法.通过将偏差补偿引入到递推最小二乘算法中,在线辨识包含原系统参数乘积项的参数向量.并用鞅收敛定理证明偏差补偿递推最小二乘辨识算法的收敛性,分析表明在持续激励的条件下参数估计偏差一致收敛于零.仿真结果表明该方法优于递推最小二乘辨识方法.

基于Hammerstein-Wiener模型的连续搅拌反应釜神经网络预测控制

针对化工过程中广泛使用的连续搅拌反应釜(CSTR),提出一种基于神经网络的模型预测控制策略,采用分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法,在此基础上建立线性自回归模式(ARX)结构和高斯径向基神经网络串联的非线性预测控制器。利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现一种基于支持向量机Hammerstein-Wiener辨识模型的非线性神经网络预测控制算法。对CSTR的仿真结果表明,该方法能够更有效地跟踪控制反应物浓度。

多输入多输出Hammerstein-Wiener交流电弧炉电极系统模型

在交流电弧炉中对于电极系统的描述,目前大都采用针对单相电极的单输入单输出的Hammerstein-Wiener(H-W)模型,这种模型过于简化真实电极系统结构,导致模型的预测精度较低。针对该问题,提出一种基于多输入多输出H-W模型的电极系统建模方法,该模型的结构与实际电极系统结构一致,有利于模型预测精度的提高,另外在多输入多输出的静态非线性块不可逆的条件下,提出可分非线性最小二乘算法对H-W模型参数进行辨识。最后采用实际数据验证,在预测精度上,多输入多输出H-W电极系统模型优于传统的单输入单输出H-W电极系统模型。

多变量Hammerstein-Wiener模型的参数辨识

为了突破现存Hammerstein-Wiener模型参数辨识方法中假设输出非线性块可逆的限定条件,基于可分非线性最小二乘算法,提出由多个单变量Hammerstein子模型和一个多变量输出非线性块组成的多变量Hammerstein-Wiener模型的参数辨识方法.首先,以输出误差最小为准则使用Levenberg-Marquardt法辨识出输出非线性块和Hammerstein子模型的两个参数集.其次,对Hammerstein子模型使用基于张量积的奇异值分解,辨识出输入非线性块与中间线性块的参数.再次,理论分析了所提辨识方法的辨识收敛性.最后,通过仿真验证此法的有效性.

基于Hammerstein-Wiener模型的广义预测控制

提出了一种新型的基于Hammerstein-Wiener模型的广义预测控制策略。采用基于最小二乘支持向量机的Hammerstein-Wiener模型描述非线性系统动态特性,作为被控对象预测模型。同时,针对现有遗传算法和混沌粒子群优化算法收敛速度慢和精度低等缺点,给出一种拟牛顿信赖域混沌粒子群混合优化算法,作为预测控制的滚动优化策略,函数测试和非线性对象的广义预测控制的滚动优化表明该算法的优越性。最后,对设计的预测控制器进行实例仿真,结果表明它能满足系统实时稳定运行的需求,取得了良好的控制效果。

基于Hammerstein-Wiener模型的地埋管换热器出水温度预测

针对土壤源热泵系统节能运行的控制需求,该文提出一种面向系统运行控制的地埋管换热器Hammerstein-Wiener(H-W)模型。基于H-W模型结构特性和非线性特征,结合地埋管换热器168 h的实时进出、水温度数据,利用Levenberg-Marquardt寻优算法对H-W模型进行辨识,在此基础上,以48 h的逐时进水温度作为模型输入,模型预测值与相应数据的拟合度为99.44%,验证了H-W模型的预测结果。在连续1 000次的H-W模型辨识与验证测试中,拟合度高于90%的占83%。地埋管换热器H-W模型的辨识速度快、预测结果精度较高,并在持续的在线预测中显示了较强的稳定性,为土壤源热泵系统在线优化控制的实施提供了保障。

含过程噪声的Hammerstein-Wiener神经模糊模型多信号源辨识

提出一种在过程噪声干扰下基于偏差补偿递推最小二乘法的Hammerstein-Wiener神经模糊模型多信号源辨识方法.通过三阶段组合式多源信号,实现了过程噪声干扰下HammersteinWiener模型中输入静态非线性环节、动态线性环节以及输出静态非线性环节的分离,提高了各串联环节模型参数的分离精度,避免了传统迭代分离方法中模型参数的收敛问题.在此基础上,利用补偿原理,提出基于偏差补偿递推最小二乘法的Hammerstein-Wiener模型参数辨识方法,通过在递推最小二乘算法中引入修正项来补偿过程噪声引起的估计偏差,实现了模型参数的无偏估计.理论分析与仿真实验的结果表明,所提出的方法具有较好的有效性.

Hammerstein-Wiener时变系统的带遗忘因子学习辨识算法

针对一类有限区间上重复运行的Hammerstein-Wiener非线性时变系统,将Hammerstein-Wiener系统输出非线性部分进行多项式展开以构造回归模型,采用带遗忘因子迭代学习梯度算法和带遗忘因子迭代学习最小二乘算法,估计系统的时变参数。当系统参数沿时间轴快变、沿迭代轴缓变时,修正遗忘因子提高算法的辨识精度。文中分别给出了2种算法的推导过程并进行仿真对比验证,结果表明,带遗忘因子迭代学习最小二乘算法收敛速度更快、精度更高,达到相同性能指标时所需迭代次数更少,验证了所提学习算法的有效性。

基于Wiener-Hammerstein模型的一种系统辨识方法

针对工业大系统中Wiener-Hammerstein模型，提出一种新的辨识方法。该方法结合分散辨识对线性系统辨识精度高的优点与混合粒子群优化解决非线性、不可微和多峰值的复杂问题的长处，进行复合控制，并利用计量学中的动态计量方法，建立动态计量仿真模型。仿真研究与实验结果表明，该方法应用在非线性分布参数系统辨识中可有效提高辨识精度。

基于近似最小一乘准则的Hammerstein-Wiener模型随机梯度辨识

基于最小一乘准则和随机梯度算法原理,针对受尖峰噪声影响的非线性Hammerstein-Wiener模型,提出基于最小一乘准则的随机梯度算法。为解决最小一乘准则函数不可微的问题,该算法引入确定性可导函数近似代替残差绝对值。仿真实验表明:基于最小一乘准则的随机梯度算法对于非线性Hammerstein-Wiener模型可以有效地辨识出模型参数,同时抑制尖峰噪声对辨识结果的影响,具有更高的辨识精度、更快的收敛速度和良好的鲁棒性。