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.

基于依赖性度量的Hammerstein系统的时滞估计

时滞在工业系统中广泛存在,但是现有的Hammerstein辨识算法大多没有考虑时滞,使得这些算法的应用受到局限。针对具有整数时滞的Hammerstein非线性系统,提出了一种新的时滞估计方法。该方法基于输入、输出数据的依赖性工作,首先计算输入数据和输出数据的边缘分布;其次基于2-copula函数构建它们的联合分布,利用该分布定义一个依赖性度量方法;最后基于这个度量推断时滞。该方法独立于参数估计时滞,并且避免了基于优化的时滞估计方法中存在的取整运算问题。通过数值实验和实际案例,验证了该方法可以准确估计Hammerstein系统的时滞。

一种Hammerstein-Wiener系统的递归辨识算法

针对含有过程噪声的Hammerstein-Wiener系统,本文提出一种递归辨识算法用于系统的在线辨识.首先使用多项式函数对系统非线性部分进行严格参数化,在此基础上以参数误差平方和的期望值最小为目标函数,推导出参数估计的递归更新公式,避免了过程噪声对辨识结果的影响.通过对算法进行深入分析,得到参数一致收敛的条件,并给出算法中重要系数的设定方法,使参数收敛域得到扩大.与传统两阶段法的数值仿真比较验证了该方法的优越性.

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。

Hammerstein-Wiener非线性系统的模糊预测控制

针对输入和输出受约束的Hammerstein-Wiener型非线性系统,提出一种基于T-S模糊模型的非线性预测控制算法,并用Lyapunov函数分析系统稳定性.通过建立T-S模糊模型,将预测控制器设计中的非线性优化问题转化为相应的线性优化问题;通过离线设计状态反馈控制律,在线实施符合条件的反馈控制律,极大程度地提高了在线计算效率,仿真验证了该方法的有效性.

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。

含间隙非线性的Wiener-Hammerstein系统复合补偿控制

针对含非对称间隙环节的Wiener-Hammerstein系统提出了一种新的由输出反馈和间隙动态逆补偿构成的复合控制方案.首先应用参数化分段线性表达式设计了未知参数的整体估计模型,可同时估计线性参数和间隙的特征参数,然后提出了一种新的误差有界的间隙动态逆模型,该模型可使得驱动信号能在间隙的不同线性段之间快速切换,在此基础上设计了鲁棒补偿控制律,同时对输入线性环节采用输出反馈控制构建了复合控制器,通过李亚普诺夫方法证明了闭环系统的稳定性.带减速器的单电机伺服系统模型的仿真结果表明该方法在跟踪精度良好的同时可使系统动态响应满足要求.

退化系统任务中止策略研究综述

对退化系统的任务中止策略展开研究。首先,将退化系统分为普通退化系统和随机过程退化系统,从多部件、多阶段、多状态等角度对普通退化系统提出的中止策略进行论述,从Wiener、Gamma等过程具有的不同性质对随机过程退化系统提出的中止策略进行论述;然后,通过讨论退化系统任务中止策略模型的实际应用可知,无人机(unmanned aerial vehicle,UAV)是目前被应用最多的领域;最后,采用CiteSpace软件对这一领域的研究热点、趋势、前沿进行分析,结果表明,基于随机过程建立退化模型,并在制定任务中止策略的同时考虑预防维护、最优检测、任务冗余以及完美或不完美维修的联合优化模型虽然难度很大,但却具有相当大的发展空间。

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.

Hammerstein 系统遗忘因子有限窗口分解辨识

提出一种带遗忘因子和分解辨识策略的有限数据窗口递归最小二乘Hammerstein系统辨识方法。针对Hammerstein系统具有耦合参数的问题,将Hammerstein系统分解为2个子系统:一个子系统包含线性子系统参数,另一个子系统包含非线性子系统参数;提出一种基于遗忘因子的有限窗口递归最小二乘方法对分解模型进行在线递归估计;仿真示例验证了所提算法能够快速跟踪参数,实现对Hammerstein系统的精确辨识。

Hammerstein系统的子迭代更新多新息梯度估计方案

针对Hammerstein系统阶次未知和多新息长度限制辨识性能问题,提出行列式比确定阶次信息和基于子迭代更新多新息梯度辨识算法。结合半分解技术,构建线性和非线性参数相互分离的辨识模型。为便于后续参数辨识,基于参考模型原理和原始系统设计行列式比算法确定系统阶次信息。根据多次迭代更新理论,将给定多新息更新分解为子新息多次迭代更新,改善辨识性能,解决多新息长度限制辨识性能问题。基于殃差收敛定理,从理论上严格分析提出方案的收敛性能。结果表明,与已有的辨识方案相比,本文方案能有效辨识系统的参数信息,具有较高的辨识性能。

内部更新多新息梯度的Wiener系统盲辨识

针对Wiener系统信息未知和多新息长度约束辨识精度问题,提出一种行列式定阶法和基于内部更新多新息梯度辨识方案。首先,基于参数分离技术,构造线性和非线性参数无交叉乘积项的辨识模型。其次,利用参考模型思想和系统数据推导确定系统阶次的行列式比方法,简化盲辨识算法设计复杂度。借鉴内部更新理论,首次将给定多新息参数更新分解为多个子新息内部参数更新,解决新息长度限制辨识性能问题,提高辨识的精度。最后,对比例子和理论分析结果,证明了所提辨识方案的有效性和较好的辨识性能。

基于ISSA-DELM算法的CSTR系统广义预测控制研究

连续搅拌反应釜(CSTR)作为典型的聚合反应化工生产用到的设备,其在工作运行时具有强非线性、大滞后性和不确定性,用传统的方法难以建立精准的数学模型。文中根据一类CSTR反应过程采用Hammerstein-Wiener模型,使用高斯径向基函数的LS-SVM分别对模型的两个非线性模块进行建模,并使用其建立的Hammerstein-Wiener模型作为广义预测控制的预测模型;针对广义预测控制的滚动优化环节,采用多策略改进的麻雀算法(ISSA)优化深度极限学习机(DELM)的混和优化算法策略,并利用基准函数测试改进麻雀算法的优越性;最后将混合优化算法应用在非线性CSTR对象上,经过实验证明,所提出的ISSA-DELM混合优化算法对CSTR系统具有较好的控制效果,并与未改进的SSA-DELM算法和DELM算法进行仿真结果对比,结果显示,文中算法控制效果明显优于SSA-DELM算法和传统的DELM算法。

含有间隙的Wiener系统的非光滑卡尔曼滤波的状态估计

由于间隙具有记忆和多值映射的非光滑非线性特性,使得含有噪声的Wiener系统的状态估计变得比较复杂。本文在传统卡尔曼滤波的基础上进行改进,得到一种新的带有切换函数的非光滑卡尔曼滤波器来解决Wiener系统在工作时的噪声干扰问题。在输入信号以及所有参数都相同的条件下,分别用传统的卡尔曼滤波器和带有切换函数的非光滑卡尔曼滤波器对含有噪声的Wiener系统进行状态估计。仿真结果表明,传统的卡尔曼滤波器由于没有考虑间隙的特性,对系统状态估计误差要大于带有切换函数的卡尔曼滤波器对系统状态估计的误差值。因此,非光滑的卡尔曼滤波器对含有噪声的Wiener系统状态估计具有更为准确的效果。