滤波辨识(10):多变量Box-Jenkins系统的滤波辅助模型递阶广义增广参数辨识

针对多变量Box-Jenkins模型,即多变量输出误差自回归滑动平均(M-OEARMA)系统,利用滤波辨识理念和辅助模型辨识思想,研究和提出了滤波辅助模型递阶广义增广随机梯度辨识方法、滤波辅助模型递阶多新息广义增广随机梯度辨识方法、滤波辅助模型递阶广义增广递推梯度辨识方法、滤波辅助模型递阶多新息广义增广递推梯度辨识方法、滤波辅助模型递阶广义增广最小二乘辨识方法、滤波辅助模型递阶多新息广义增广最小二乘辨识方法。这些滤波辅助模型递阶广义增广辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量随机系统中。

滤波辨识(11):多变量CARARMA系统的滤波递阶广义增广迭代参数辨识

针对多变量受控自回归自回归滑动平均(M-CARARMA)系统,利用滤波辨识理念和递阶辨识原理,研究和提出了滤波递阶广义增广梯度迭代辨识方法、滤波递阶多新息广义增广梯度迭代辨识方法、滤波递阶递推广义增广最小二乘迭代辨识方法、滤波递阶多新息广义增广最小二乘迭代辨识方法等。这些滤波递阶广义增广迭代辨识方法可以推广到其它有色噪声干扰下的线性和非线性多变量随机系统中。

滤波辨识(12):多变量OEARMA系统的滤波辅助模型递阶广义增广迭代参数辨识

针对多变量输出误差自回归滑动平均(M-OEARMA)系统,即多变量Box-Jenkins系统,利用滤波辨识理念和辅助模型辨识思想,研究和提出了滤波辅助模型递阶广义增广梯度迭代辨识方法、滤波辅助模型递阶多新息广义增广梯度迭代辨识方法、滤波辅助模型递阶递推广义增广最小二乘迭代辨识方法、滤波辅助模型递阶多新息广义增广最小二乘迭代辨识方法等。这些滤波辅助模型递阶广义增广迭代辨识方法可以推广到其它有色噪声干扰下的线性和非线性多变量随机系统中。

滤波辨识(13):类多变量方程误差ARMA系统的滤波递阶广义增广迭代参数辨识

针对类多变量方程误差自回归滑动平均(M-EEARMA-like)系统,利用滤波辨识理念和递阶辨识原理,研究和提出了滤波递阶广义增广梯度迭代辨识方法、滤波递阶多新息广义增广迭代梯度辨识方法、滤波递阶广义增广最小二乘迭代辨识方法、滤波递阶多新息广义增广最小二乘迭代辨识方法。这些滤波递阶广义增广迭代参数辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量方程误差随机系统中。

溯源弹簧形变过程的断路器振动信号递归量化分析辨识方法

从锁止机构脱扣引起储能弹簧释能,经部件带动动触头运动再到静止的每个动作具有严格阶段特征,伴随断路器动作的机械振动展现了能量传递及设备健康状态。该文提出一种溯源弹簧形变过程的断路器振动信号递归量化分析方法,首先由高速相机捕捉断路器操动时储能弹簧的动作图像,通过计算机视觉跟踪动态提取反映弹簧形变特征帧,再依据特征帧时序划分操动过程;然后将不同阶段振动信号映射至高维相空间,经递归分析得到体现动力系统变化特征的递归图,并递归量化分析其纹理结构特征;最后利用支持向量机模型对正常及故障状态下的断路器振动特征样本进行分析辨识,对比结果证明,由弹簧释能时序细化振动信号特征分析有效提高了分类识别准确率。该文方法在断路器操动机构状态辨识中具有广阔的应用前景。

基于POE模型的工业机器人运动学参数二次辨识方法研究

针对工业机器人在高度制造领域精度不高的问题,本文提出了一种基于POE模型的工业机器人运动学参数二次辨识方法。阐述了基于指数积(Product of exponential, POE)模型的运动学误差模型构建方法,并建立基于POE误差模型的适应度函数;为实现高精度的参数辨识,提出了一种二次辨识方法,先利用改进灰狼优化算法(Improved grey wolf optimizer, IGWO)实现运动学参数误差的粗辨识,初步将Staubli TX60型机器人的平均位置误差和平均姿态误差分别从(0.648 mm, 0.212°)降低为(0.457 mm, 0.166°);为进一步提高机器人的精度性能,再通过LM(Levenberg-Marquard)算法进行参数误差的精辨识,最终将Staubli TX60型机器人平均位置误差和平均姿态误差进一步降低为(0.237 mm, 0.063°),机器人平均位置误差和平均姿态误差分别降低63.4%和70.2%。为了验证上述二次辨识方法的稳定性,随机选取5组辨识数据集和验证数据集进行POE误差模型的参数误差辨识,结果表明提出的二次辨识方法能够稳定、精确地辨识工业机器人运动学参数误差。

最小二乘算法优化及其在锂离子电池参数辨识中的应用

传统最小二乘法(LS)用于锂离子电池模型在线参数辨识精度低,通过带遗忘因子递推最小二乘算法能够有效地提高辨识精度,但固定的遗忘因子影响模型动态特性。遗忘因子的自适应处理能提高算法对动态系统的参数辨识能力,而目前的自适应方法容易忽略模型参数的稳定性,同时方法待定系数范围较大且难以确认。为了得到高精度且稳定性良好的模型参数,该文设计了一种精度和稳定性兼优且更简单的自适应遗忘因子递推最小二乘(AFFRLS)改进方法,并与其他AFFRLS、可变遗忘因子递推最小二乘(VFFRLS)进行仿真对比分析。结果表明,改进的AFFRLS能够在模型精度和参数稳定性取得更好的平衡,且对不同的在线工况具有良好的适用性。

变频电流激励下GIS隔离开关机械缺陷的振动非线性行为及其辨识方法

气体绝缘组合电器(gas insulated switchgear,GIS)机械缺陷是导致设备故障的关键因素之一,为此开展了变频电流激励模式下隔离开关底座松动缺陷的时频域振动图谱变化规律研究,进行了波形因子、重心频率等6个振动特征量的量化分析,采用灰狼算法优化的支持向量机研究提出了变频电流激励模式下GIS隔离开关底座松动缺陷严重程度辨识方法。结果表明:GIS隔离开关缺陷振动信号特征量与电流激励频率具有强相关性,与单一工频电流激励模式相比,变频电流激励具备更有效检测GIS设备机械缺陷的优势;基于126 kV真型GIS试验平台验证获得构建的隔离开关底座松动缺陷辨识模型的平均识别准确率达90%以上。该研究成果为揭示GIS设备的非线性机械振动特性及提升其机械缺陷检测水平提供了重要参考。

采用激励轨迹实现机器人关节伺服动刚度的辨识

针对传统伺服动刚度辨识方法操作繁琐且阶跃力矩加载方式存在安全隐患等缺点,提出一种采用激励轨迹实现工业机器人关节伺服动刚度辨识的方法。该方法以五阶傅里叶级数轨迹为激励轨迹输入,通过使用最小二乘法对采集的关节位置和关节电机力矩等数据拟合辨识获得工业机器人关节伺服动刚度和动力学模型参数,并以其计算关节伺服扰动力矩。采用提出方法与传统辨识法所获伺服动刚度来进行扰动力矩补偿,并依据补偿后轨迹位置跟踪误差来评判两种辨识方法的优劣。在工业机器人平台上分别对单关节运动和六个关节运动的扰动力矩补偿实验,结果表明提出的激励轨迹辨识方法获得伺服动刚度的精度优于传统辨识方法所得伺服动刚度的精度。

基于IPOA的太阳电池模型参数辨识

太阳电池模型参数的准确辨识对光伏组件功率预测和最大功率点追踪有较大影响,必须保证较高的辨识精度。传统的智能算法能做到一定程度上的参数辨识,但均存在精度不足、收敛速度慢、易陷入局部最优等问题。针对此类问题,提出基于改进鹈鹕优化算法(IPOA)的太阳电池模型参数辨识方法。该算法中种群个体联系紧密,通过随机性的互相学习进行位置更新,在工程应用领域有着较传统算法更好的效果。同时,针对该算法特点,引入基于Jaya算法的位置更新策略,使种群的候选解更趋向最优解;改进了递减因子,使模型在迭代中后期寻优效果更好。增加了莱维飞行策略,有效提高了算法精度。在不同的太阳辐照度条件下,IPOA都有较好效果,辨识结果与实际曲线拟合度高,表明IPOA能在不同环境中对太阳电池模型参数进行准确有效辨识。

隐秘的角落:学术欺凌及其辨识

学术欺凌是发生在高等教育机构与学术场域中的欺凌,比中小学的校园欺凌和一般职场欺凌更为复杂与隐蔽。学术欺凌涉事主体多元,存在多重欺凌关系;欺凌场所封闭,欺凌行为隐蔽;侵害与利益相伴生,申诉存在道德两难。大学的等级制结构与崇尚自治的组织文化,也在一定程度上助长并复刻了欺凌行为。这导致学术欺凌虽然发生范围广、持续时间长,但是辨识难度高,容易被忽略。澄清学术欺凌的概念、属性与类型,有助于将学术欺凌纳入组织学习,唤醒学术界防范学术欺凌的意识。

滤波辨识(14):类多变量输出误差ARMA系统的滤波辅助模型递阶广义增广迭代参数辨识

针对类多变量输出误差自回归滑动平均(M-OEARMA-like)系统,利用滤波辨识理念和递阶辨识原理,研究和提出了滤波辅助模型递阶广义增广梯度迭代辨识方法、滤波辅助模型递阶多新息广义增广梯度迭代辨识方法、滤波辅助模型递阶广义增广最小二乘迭代辨识方法、滤波辅助模型递阶多新息广义增广最小二乘迭代辨识方法。这些滤波辅助模型递阶广义增广迭代参数辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量输出误差随机系统中。

磁流变阻尼器Bingham力学模型改进及参数辨识

磁流变阻尼器不仅具有阻尼快速响应、良好的温度稳定性、内部结构简单等优势,而且可以通过调节控制电流使阻尼器的出力值连续变化,实现阻尼力可控。由于磁流变阻尼器阻尼特性与内部磁流变液的磁流变效应有关,具体表现非常复杂,现有力学模型目精度不足,无法精确描述磁流变阻尼器的阻尼特性。在磁流变阻尼器力学性能测试基础上,应用分段拟合函数方法同时结合反正切函数模型改进模型,并辨识改进后力学模型中各参数。将改进后的Bingham模型与实际测试出力值进行对比,结果表明改进后的Bingham模型能够很好地解决Bingham力学模型在非线性滞回阶段出力值曲线与实际测试数据不符的问题,改进后模型总体出力值曲线与阻尼器实际出力值基本相同,模型精度大幅提升。此种改进方法为磁流变阻尼器建立高精度力学模型提供参考。

基于CatBoost算法的配电网分区拓扑辨识

含多分布式电源配电网的拓扑结构具有多样性与多变性,影响拓扑辨识的实时性和准确性。提出一种基于CatBoost算法的配电网分区拓扑辨识方法。构建结合拓扑分区的配电网拓扑辨识框架,采用区域开关状态矩阵描述拓扑结构,以进行物理上的辨识降维;提出基于CatBoost算法的特征选择与拓扑辨识方法,通过分区并行离线训练得到历史拓扑和未知拓扑的区域拓扑辨识CatBoost模型,通过在线应用得到实时的区域开关状态矩阵标签,形成配电网开关状态矩阵,实现系统拓扑辨识。配电网算例系统测试结果验证了所提方法的有效性。

基于轴箱高频振动的车轮不圆辨识方法研究

为实现对高速列车车轮高阶不圆的实时检测,研究了轴箱高频振动与车轮不圆的频谱特征和映射关系,采用频域积分方法对车轮不圆的幅值和阶次进行辨识.首先,通过静态测试和台架试验,研究我国高速铁路车轮多边形、钢轨波磨和轨道模态的表现形式;其次,通过高速列车长期服役性能跟踪试验,掌握转向架轴箱振动的时频特征和演化规律;最后,以现场出现车轮20阶多边形的车辆为研究对象,提出基于频域积分的车轮不圆阶次和幅值辨识方法.研究结果表明:CRTS-Ⅱ型轨道板钢轨三阶弯曲频率为592 Hz;列车以300 km/h运行时,20阶车轮多边形和136 mm波长钢轨波磨的响应频率分别为580 Hz和613 Hz;钢轨模态、车轮多边形以及钢轨波磨的振动主频较为集中,轴箱高频振动幅值随车速和镟后里程的增大而增大;采用加速度频域积分方法,从理论上可实现对车轮不圆幅值和阶次的辨识;基于线路实测轴箱加速度的20阶车轮多边形辨识结果与静态测试值相对误差不超过5%.

一种基于分数阶微积分的CCM Boost变换器准在线无源参数的数字孪生辨识方法

由于具有高性价比、准确性和数字化等优点,数字孪生已成为电力电子变换器故障趋势判断和预知维护的先进技术。针对当前电力电子变换器所建立的数字孪生模型尚未考虑实际电感、电容的分数阶特性的问题,基于分数阶微积分构建电力电子电路的预估-校正数字孪生模型,应用基于粒子群优化(particle swarm optimization,PSO)算法的孪生参数辨识方法对不同分数阶阶次下的电感值(L)和电容值(C)进行辨识,并计算出等效串联电阻。通过与现有方法对比,该方法不仅提高了实际电感和实际电容的辨识精度,还能辨识出不同阶次下与不同C下的分数阶参数。最后,搭建不同L和C及分数阶阶次的连续导通模式Boost变换器物理样机,并考虑不同工况条件与不同辨识次数等因素来进行实验验证。实验结果验证了所提模型与方法的有效性。

基于改进MobileNetV2的铣削振动状态辨识

针对现有铣削振动状态辨识模型准确率不高,训练耗时较长的问题,提出基于改进MobileNetV2的铣削振动状态辨识方法。以MobileNetV2骨干结构为主干特征提取网络,联合多尺度注意力聚融层(MAFL)与层递式分类器(LC)对MobileNetV2顶层结构进行重建,从而达到模型改进目的;其次,以变分模态分解与希尔伯特变换为基础开展铣削振动状态数据预处理,并以迁移学习(TL)与Fine-tune相结合对改进模型进行训练;进而,以不同转速下变切深侧铣工艺为对象,利用改进MobileNetV2模型及多种经典分类模型对铣削振动状态进行辨识与对比分析。结果表明,改进MobileNetV2在准确率和耗时方面均具有优势,所提辨识方法更适应制造工程领域对切削状态实时认知与颤振预警的应用需求,具有较广阔的工程应用前景。

变温条件下解析Preisach磁滞模型误差修正和特征参数辨识方法

温度升高会影响磁性材料的磁滞特性,从而改变电气设备的性能。目前解析Preisach模型无法对温度进行有效表征,导致损耗计算结果误差较大。为此,本文首先分析了基于Lorentzian函数的解析Preisach模型特征参数对磁滞回线形状参数的影响程度,如饱和磁通密度、矫顽力、剩磁等,研究了不同温度下模型参数和材料磁特性的变化。根据模型特征参数具有的磁滞回线形状相关性和温度相关性,引进温度系数来修正模型特征参数,构建变温条件下的解析Preisach模型,并给出了计及温度影响的模型参数辨识方法。最终实验测量纳米晶合金在变温条件下的极限磁滞回线,对多组实测值和修正后的解析Preisach模型计算值进行对比后,得出在饱和磁通密度、矫顽力和剩磁处修正模型结果的平均相对误差分别为0.15%、2.21%、5.76%,证明了该修正模型的准确性。

基于神经网络的力矩补偿动力学参数辨识

针对机械臂刚柔耦合动力学模型拟合精度不高的问题,在分析动力学参数对各关节力矩影响的基础上,提出了一种基于神经网络力矩补偿的动力学参数辨识方法.首先,对动力学模型进行线性化分析,得到最小惯性参数集,设计机械臂激励轨迹,并采集各关节数据集.其次,搭建神经网络架构,对不同隐藏层数的神经网络模型的训练效果比较,证明了本文模型的准确性.将关节位置、速度、加速度数据集作为网络架构输入,经过神经网络学习后提取出各关节力矩.最后,对算法辨识出来的模型进行验证,以模型预测力矩的均方根误差为评判标准,关节拟合力矩结果表明,本文所用方法相较刚体逆动力学有更好的拟合精度,减少了关节摩擦等非线性因素对辨识实验的影响,得到更精准的动力学模型,对机械臂系统有更好的控制效果.

基于特征标记的油田无人值守站运行异常辨识研究

油田无人值守站的运行异常受多种因素综合影响,产生的数据可能存在噪声或错误,导致油田无人值守站运行异常辨识难度上升,所以研究一种新的基于特征标记的油田无人值守站运行异常辨识方法。按照既定时长采集无人值守站运行数据,对采集到的数据进行分析和降噪处理。以数据处理结果为基础,结合均值、方差和均方根值提取异常数据特征,并对异常状态特征进行标记处理,结合油田无人值守站运行异常辨识模型得到相关的辨识结果。实验结果表明,该设计的基于特征标记的油田无人值守站运行异常辨识方法的辨识准确率为93.77%,辨识效果好,可以在相关领域实现广泛应用。