一类干扰有界约束非线性系统的鲁棒模型预测控制

针对一类干扰有界约束非线性系统设计了基于控制不变集切换策略的鲁棒模型预测控制算法.针对非线性系统线性化之后的结果,给出了平衡点的非线性标称系统控制不变集的计算方法.然后在考虑线性化误差和加性有界干扰影响的基础上,构造了平衡点附近最小鲁棒正不变集.结合不变集切换策略和Tube不变集控制方法,提出了干扰有界约束非线性系统的不变集切换策略.最后将该算法应用到一类典型的非线性化工过程连续搅拌反应釜(CSTR)中,仿真结果验证了算法的有效性.     

基于最优分解尺度的静态提升小波去噪方法

阈值函数选择和分解尺度确定是基于阈值的小波域非线性滤波的两个关键步骤。针对加性白噪声的情况,通过研究小波阈值去噪原理,得出了重构信号信噪比随分解尺度的单增变化规律,构造了用于指示最优分解尺度的目标函数;在分析白噪声小波系数高斯分布特性的基础上,提出了一种基于概率理论的阈值函数,通过极小化广义阈值估计偏差函数,得到了该阈值函数中参数的最优分布区间。仿真结果表明,构造的目标函数能够准确指示信号分解的最优尺度,广泛适用于硬阈值类函数;新阈值函数与另外两种改进型阈值函数相比,在信噪比意义下表现出一定的优越性。     

适用于小子样时间序列预测的动态回归极端学习机

针对设备状态在线监测中的小子样建模问题,提出一种基于动态回归极端学习机(dynamic regression extreme learning machine,DR-ELM)的设备状态在线监测方法.该方法利用设备状态数据训练基于DR-ELM的预测模型,通过逐次增加新数据与删减旧数据的方式,对DR-ELM预测模型进行在线训练,从而实现对设备状态的准确预测.混沌时间序列预测仿真与基于时间序列预测的风机状态监测实例表明,相比于极端学习机(extreme learning machine,ELM)与在线贯序极端学习机(on-line sequential extreme learning machine,OS-ELM),该方法的计算效率与预测精度更高.     

利用粒子群优化的小波简化交叉验证消噪

阈值是小波阈值消噪方法中决定消噪结果的关键因素。针对被高斯噪声污染的信号消噪问题,提出一种用于估计最优阈值的简化交叉验证方法。该方法利用信号奇偶划分后,奇序列与偶序列间的相似性减少了交叉验证方法的计算代价,并结合粒子群优化实现最优阈值的进化搜索。模拟信号消噪分析与转子故障信号消噪实例表明,该算法显著提高了交叉验证方法的计算效率,且消噪性能与交叉验证方法相近。     

时滞系统控制发展历程综述

系统研究了时滞系统控制的发展历程,介绍了Smith预估控制、大林算法、自适应控制、预测控制、鲁棒控制、变结构控制及智能控制等各种控制方法在时滞系统中的应用;综述了这些控制方法的原理、优点和不足,及弥补其缺陷的方法。最后对时滞系统控制的发展趋势进行了展望,结合Smith预估器的各种预估复合控制方法是控制时滞系统有效且实用的方法,具有很好的实际应用前景。     

进化小波消噪方法及其在滚动轴承故障诊断中的应用

阈值是小波阈值消噪方法中决定消噪结果的关键因素,传统阈值估计方法存在抑制噪声污染与保留信号细节间的矛盾,难以实现对滚动轴承故障信号的有效消噪.为准确估计阈值以改善小波阈值消噪方法的消噪性能,提出一种基于小波变换的进化阈值消噪方法.该方法以小波变换作为含噪信号分解与重构工具,构造含噪信号在各小波分解尺度上硬阈值收缩均方误差的近似函数,利用粒子群优化进化搜索与其最小值对应的最优阈值,以近似实现均方误差最小意义下的最优消噪.模拟信号消噪分析与滚动轴承故障信号消噪实例表明,该方法可有效消除噪声对信号的干扰,并准确提取淹没在噪声背景中的故障特征,消噪性能在信噪比与均方误差意义下优于传统小波阈值消噪方法.     

高精度时变参数模型谱估计及应用

现有时变自回归(TVAR)模型参数谱估计容易导致谱峰漂移。针对该问题,提出一种基于组合目标函数和遗传算法的TVAR参数估计方法,并将之应用于飞行器结构响应序列的建模及谱估计。通过U-C算法获得TVAR模型参数的初始估计;依据现代谱估计理论结合连续函数极值存在的必要条件,推导模型参数的频域约束条件并构造组合目标函数;采用遗传算法对模型参数初始估计值进行优化。应用结果证明了该方法的有效性。     

基于多面体不变集的变终端约束集RMPC

针对一类状态和输入受约束的多胞不确定线性时变系统,提出了一种基于多面体不变集的变终端约束集鲁棒模型预测控制算法.首先采用基于状态反馈增益的多面体不变集计算方法,给出了一种新的控制不变集序列构造方法,然后以控制不变集序列的并集作为终端约束集,结合在线优化和增益切换,实施变终端约束集双模鲁棒预测控制.该算法不仅有效地扩大了...     

基于WT与LSSVC的信号消噪方法及其在转子故障诊断中的应用

噪声是影响转子早期故障特征有效识别与准确提取的主要因素.针对转子故障信号的消噪问题,提出一种基于最小二乘支持向量分类器的小波消噪方法.该方法以信号与噪声在小波域内的统计特征为理论依据,通过构造最小二乘支持向量分类器,以分类方式实现小波域内的信号与噪声判别,并对信号与噪声小波系数采取衰减策略以弱化噪声污染.模拟信号消噪分析与转子故障信号消噪实例表明,该方法可有效抑制信号中的噪声干扰,在信噪比与均方误差意义下的消噪性能优于小波阈值消噪方法.