基于系统辨识算法的风力机桨距系统故障诊断

针对风力机桨距系统故障,提出一种基于观测器的多新息随机梯度辨识算法的故障诊断方法．多新息随机梯度辨识算法通过扩展新息长度能够改进随机梯度辨识算法的估计精度,根据系统的规范状态空间模型,结合状态观测器可以实现系统状态和参数的交互估计．将桨距系统模型转换为可辨识的状态空间模型,依据桨距系统故障会引起系统参数变化的特点,采用所提出的算法对系统状态和参数进行估计,将桨距系统故障诊断问题转化为系统状态和参数估计问题．仿真结果表明,所提出的方法能够有效诊断桨距系统故障．     

随机状态空间系统的梯度优化辨识

提出了随机状态空间系统参数的梯度优化辨识方法。通过极小化输出预报误差而获得系统的参数估计。提出了动态选择雅可比矩阵奇异值比率确定参数搜索方向的方法,用以解决因雅可比矩阵的线性相关性引起的算法失效问题。给出了融合参数局部逼近性能信息的辨识算法,并得到了算法收敛速度的解析表达式。数值仿真实验的结果说明了所提出方法的有效性。     

基于正交梯度搜索的动态系统递阶优化辨识

提出了一种辨识线性时不变状态空间系统参数的正交梯度二步递阶优化方法. 通过极小化输出误差目标函数获得了系统参数估计; 提出了正交梯度搜索方法用于解决系统参数的非唯一性问题, 正交梯度搜索的本质是在输入-输出等价类相切平面的正交垂空间更新系统参数; 给出了用 L-M 算法进行参数优化的充分条件; 提出的系统参数递阶优化辨识方法包括两步: 首先用给出的自适应 L-M 算子正交梯度方法确定参数优化方向; 其次由一维搜索方法计算最佳步长. 蒙特卡罗数值仿真实验表明本文提出的方法具有收敛速度快、抗噪能力强以及数值稳定性好等优点.     

反馈非线性系统随机梯度辨识算法及其收敛性

反馈非线性受控自回归系统是由前向通道的受控自回归模型和反馈通道的静态非线性构成, 这类系统经过参数化后得到双线性参数辨识模型. 本文通过对辨识模型中双线性参数乘积项进行分解, 基于梯度搜索原理, 提 出了反馈非线性系统的随机梯度辨识算法. 为了改善随机梯度算法的收敛速度, 引入遗忘因子, 文章给出了遗忘因子随机梯度算法, 利用随机过程理论, 建立了随机梯度算法的参数估计收敛定理, 证明了算法的收敛性. 最后, 通过数值仿真验证了算法的有效性.     

状态空间模型基于正交梯度搜索的预报误差辨识

提出状态空间模型的正交梯度搜索的预报误差辨识方法.通过极小化输出预报误差而获得系统的参数估计,提出了在观测等价类相切面正交子空间进行参数更新的实现方法,从而解决了全参数化引起的状态空间模型参数非唯一性问题;给出了融合预报误差局部线性逼近性能的正则化因子自适应确定方法,揭示了算法复杂度与系统的能控性、能观测性的内在联系.仿真结果验证了所提出方法的有效性.     

状态空间双线性系统的极大似然辨识

提出了状态空间双线性系统的极大似然辨识方法。得到了以输入-输出序列为条件概率的似然函数解析表达式,推导了极大化似然函数的参数矩阵计算公式,给出适用于双线性系统状态估计的改进卡尔曼滤波方法,以及辨识系统参数的迭代估计算法。最后进行了数值仿真,结果说明了该方法的有效性。     

多变量系统状态空间模型的递阶辨识

研究多变量系统状态空间模型的递阶辨识问题,推广了作者提出的标量系统状态和参数联合辨识算法.当状态可量测时,利用最小二乘原理直接辨识状态空间模型的参数矩阵;当状态不可测时,利用递阶辨识原理提出了状态空间模型递阶辨识方法,使用系统输入输出数据来估计系统的未知状态和参数.状态空间模型递阶辨识方法分为两步:首先假设系统状态是已知的(即参数估计算法中的未知系统状态用其估计代替),基于状态估计和系统输入输出数据递归计算系统参数估计;然后基于系统输入输出数据和获得的参数估计,递归计算系统的状态估计.     

基于子空间方法的非均匀周期刷新和采样系统辨识

针对非均匀周期刷新和采样系统的建模问题, 对于含有提升变量的状态空间模型, 提出基于子空间技术的辨识方法. 首先, 通过系统的采样数据建立由Hankel 矩阵组成的扩展状态空间方程; 然后, 利用斜交投影的原理、方法和奇异值分解, 通过子空间辨识算法确定增广观测矩阵和状态向量, 通过最小二乘方法确定模型的参数矩阵; 最后, 通过仿真实例表明了所提出算法的有效性.

     

基于小波子空间法的MIMO系统辨识研究

针对线性时不变多输人多输出(MIMO)系统的输出存在随机噪声情况下,提出直接利用小波域的输入输出数据,辨识MIMO系统的方法.子空间状态空间法是时域辨识MIMO系统的主要方法,通过数据矩阵投影,对数据矩阵进行QR分解和奇异值分解,辨识出系统的阶数和系统的状态方程矩阵.运用小波变换,将时域信号转换为小波域的信号,利用小波子空间状态空间辨识算法对MIMO系统辨识,通过仿真,得到辨识的结果与时域子空间状态空间法相比较,证明提出方法是有效的.     

基于辅助变量的闭环系统子空间辨识

提出一种基于辅助变量的子空间辨识方法,适用于控制器信息未知以及参考输入已知的闭环系统参数辨识.通过将输入-输出数据块正交投影到辅助变量的行空间,直接得到扩展观测矩阵垂空间的估计.由此可从闭环系统中提取出对象模型信息,同时由SVD分解得到扩展观测矩阵与下三角Toeplitz矩阵的估计.给出了系统参数矩阵、噪声矩阵的计算方法.将所提出的子空间辨识方法应用于闭环动态的系统参数估计,其结果表明了该方法的有效性.     

高速列车非线性模型的极大似然辨识

提出高速列车非线性模型的极大似然(Maximum likelihood, ML)辨识方法,适合于高速列车在非高斯噪声干扰下的非线性模型的参数估计.首先,构建了描述高速列车单质点力学行为的随机离散非线性状态空间模型,并将高速列车参数的极大似然(ML)估计问题转化为期望极大(Expectation maximization, EM)的优化问题; 然后,给出高速列车状态估计的粒子滤波器和粒子平滑器的设计方法,据此构造列车的条件数学期望,并给出最大化该数学期望的梯度搜索方法,进而得到列车参数的辨识算法,分析了算法的收敛速度; 最后,进行了高速列车阻力系数估计的数值对比实验. 结果表明, 所提出的辨识方法的有效性.     

状态缺失多变量系统的极大似然辨识方法

提出一种极大似然辨识方法,用于解决状态缺失多变量系统的参数估计问题。通过构造以输入-输出序列为条件概率的似然函数 表达式,以及分析数据缺失程度对参数估计的影响,设计适用于状态缺失情况的卡尔曼状态估计器,在此基础上提出极大化似然函数的参数计算方法。数值仿真结果证明了该方法的有效性。     

基于移动数据窗的传递函数多新息随机梯度辨识方法

一些工业过程可以近似用一个传递函数描述,结合统计辨识方法和非线性优化策略提出传递函数参数辨识方法.该方法采用动态数据方案,使用系统观测数据获得系统更多的模态信息.基于动态观测数据,提出传递函数随机梯度参数辨识方法.为进一步提高辨识精度,利用动态窗数据将随机梯度参数辨识方法中的标量新息扩展为新息向量,提出传递函数多新息随机梯度参数估计方法.最后通过仿真例子对所提出的方法进行了性能分析和模型验证.     

Least squares based iterative algorithms for identifying Box–Jenkins models with finite measurement data

A least squares based iterative identification algorithm is developed for Box–Jenkins models (or systems). The proposed iterative algorithm can produce highly accurate parameter estimation compared with recursive approaches. The basic idea of the proposed iterative method is to adopt the interactive estimation theory: the parameter estimates relying on unknown variables are computed by using the estimates of these unknown variables which are obtained from the preceding parameter estimates. The numerical example indicates that the proposed iterative algorithm has fast convergence rates compared with the gradient based iterative algorithm.     

Joint state and multi-innovation parameter estimation for time-delay linear systems and its convergence based on the Kalman filtering

This paper studies the joint state and parameter estimation problem for a linear state space system with time-delay. A multi-innovation gradient algorithm is developed based on the Kalman filtering principle. To improve the convergence rate, a filtering based multi-innovation gradient algorithm is proposed by using the filtering technique. The analysis indicates that the parameter estimates given by the proposed algorithms converge to their true values under the persistent excitation conditions. A simulation example is given to confirm that the proposed algorithms are effective.