基于Hammerstein模型的非线性系统辨识方法研究

工业大系统中Hammerstein模型的非线性系统,一般都是多输入多输出系统,具有大滞后、大惯性、时变性和强耦合性的特点,它的数学模型难于精确获得;且传统PID控制器无法使控制效果处于最佳状态的局限性.为了更加快速准确控制,使系统更加地稳定工作在最佳工作状态.利用分散辨识方法对Hammerstein模型的非线性系统进行...     

基于快速正交搜索算法的非线性预测控制

针对一些非线性系统的模型辨识和预测控制计算繁琐的问题,提出基于快速正交搜索算法的预测控制方法,可准确地对非线性系统模型进行辨识。该方法优化了计算方法,省去了繁琐的迭代过程,并减少了每次迭代过程中引入的误差。利用辨识模型建立预测模型,对非线性系统进行直接预测控制。仿真实验结果证实了该方法的有效性和可行性。     

基于C-R模型的非线性系统模糊内模控制算法研究

针对大多数非线性系统的内模控制难以建立精确的对象模型和逆模型的问题,引入了基于C-R模型的非线性系统建模方法,并在此基础上研究基于C-R模型的非线性系统的模糊内模控制设计。由C-R模型的辨识递推算法获得对象模型和逆模型,并建立模糊内模控制算法。通过对连续搅拌反应釜控制系统的仿真表明,该控制方法有效、可行,具有良好的控制品质。     

基于自适应模糊推理的非线性系统辨识器设计

针对传统模糊建模方法中模型参数都是根据经验选取的局限性,提出一种类高斯隶属函数,推导了基于类高斯隶属函数的自适应模糊推理模型,利用Stone-Weierstrass定理证明了该模型能以任意精度逼近非线性系统.将自适应模糊推理模型应用于非线性动态系统辨识中,设计了非线性系统辨识器,采用梯度下降算法学习模型中参数,通过仿真得到了较好的辨识效果.     

一种基于数据驱动的模糊系统建模方法

针对工业生产中的一些复杂、非线性模糊系统,传统的建模方法很难描述其特性,而在实际生产中存在大量输入输出数据,提出了一种通用的基于数据驱动的模糊系统建模方法.采用减法聚类和模糊C-均值相结合的模糊聚类算法对输入空间进行划分,进而从输入输出采样数据中提取系统模糊规则,这样使得被辨识模型可用若干局部线性模型表示,然后利用递推最小二乘法对后件参数进行辨识,从而建立了非线性系统的T-S模糊模型.最后,应用该方法对一个非线性系统进行辨识,仿真结果验证了所提方法的有效性.     

RBF网络模型在预测函数控制中的应用

对三容液位系统的非线性复杂特点,利用RBF网络对系统建立预测模型,着重分析了RBF网络结构的选取、模型参数辨识以及网络优化的问题.通过预测函数控制验证了RBF网络模型在非线性系统建模中的优越性.     

子空间模型辨识方法综述

作为传统线性系统辨识方法的一个有益补充,子空间模型辨识方法（SMI）近年来获得了广泛关注.这类方法综合了系统理论,线性代数和统计学三方面的思想,其特点是直接由输入输出数据辨识系统的状态空间模型,因而非常适合多变量系统辨识.首先介绍了SMI的基本思想, 然后分析了3种基本算法（N4SID、MOESP和CVA）的异同点、算法实现、统计特性和模型稳定性等方面.随后探讨了其他一些SMI算法,包括连续时间系统SMI算法、频域SMI算法、闭环SMI算法和非线性系统SMI算法.为说明SMI方法的特性,通过一个工厂实际例子研究对比了3种SMI基本算法和一种传统辨识算法——预测误差方法（PEM）.最后阐述了理论方面有待进一步研究的主要问题.     

一种扰动自适应的鲁棒预测控制算法

针对实际生产中扰动的时变性,提出了一种扰动自适应的鲁棒预测控制（RAMPC）算法以提高扰动抑制性能。采用时间序列（ARMA）模型在线辨识系统的不可测扰动,通过基于多次迭代思想的递推辨识算法（multi-iteration pseudo-linear regression,MIPLR）来保证在线辨识的质量和收敛速度。考虑到数据与辨识模型的不确定性,改用min-max形式描述MPC算法的控制作用优化命题,并将在线辨识过程中的误差数据引入min-max命题,使在线辨识与控制作用鲁棒优化求解紧密结合起来,提高算法鲁棒性。进一步将此min-max问题转换为一个等效的非线性min问题,并采用多步线性化方法实现快速求解,解决了传统min-max方法在线计算负荷高的问题。仿真结果表明了该算法的有效性。     

RBF神经网络在非线性系统辨识中的应用

对于非线性系统的预测辨识,提出用RBF神经网络作为预测模型,通过函数逼近完成对非线性系统的辨识。     

基于特征样本核主元分析的TE过程快速故障辨识方法

核主元分析（KPCA）在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。针对上述问题,提出了一种基于特征样本核主元分析方法（FS-KPCA）非线性故障辨识方法。首先采用特征样本（FS）提取方法有效解决核矩阵K的计算量问题。然后利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T²和SPE的贡献率,利用每个变量对监控统计量贡献程度的不同,可以辨识出故障源。将上述方法应用到TE过程,仿真结果表明该方法不仅能够有效辨识故障,而且提高了故障检测和辨识速度。