部分输入非持续激励下车辆模型系统辨识

车速和转向盘转角是用于操纵稳定性研究的车辆模型的两个输入,但是在单次试验中两个输入难以同时作为持续激励输入,由此导致了部分输入非持续激励条件下所得到的辨识模型不完整。为了解决这一问题,通过对一组蛇行试验进行不同模型结构的系统辨识,分析以车速为非持续激励输入下车辆系统模型的结构特征,提出基于Wiener模型的非线性辨识模型结构。这一模型结构包括以转向盘转角为单输入的线性辨识模型以及以车速作为变量的非线性函数。基于子空间方法获得最低试验车速下的线性辨识模型,对不同车速下的蛇行试验数据进行相关分析,获得线性系统输出残差与车速之间的关系,使用最小二乘的方法拟合出非线性函数,从而最终形成统一的非线性辨识模型。经过实车试验验证,非线性辨识模型可以适用于不同车速下的操纵稳定性研究,其精度满足使用要求。而由于辨识建模所使用的试验均为国家标准试验,使得这一方法具有了良好的工程应用价值。     

基于Nelder-Mead单纯形法的汽轮机调速系统参数辨识

为了建立汽轮机调速系统准确模型,需要对模型进行参数测试及辨识。根据建模导则推荐的汽轮机调速系统模型结构以及现场试验数据,采用具有算法简单、容易实现、对目标函数连续或可导无要求等特点的Nelder-Mead单纯形法对汽轮机调速系统参数进行辨识,并对辨识结果进行了仿真校核。结果表明:所使用的Nelder-Mead单纯形法辨识出的汽轮机调速系统参数模型满足精度要求,验证了此方法的实用有效性。     

弹性体非线性振动系统参数辨识的一种时域法

提出了对弹性体非线性振动系统参数辨识与预测的一种时域模型法。它可视为时间序列分析中的 AR模型法在非线性领域内的一种推广。该方法首先将非线性振动系统中的非线性恢复力和非线性阻尼力用某一函数级数(例如幂级数 )表示 ,然后 ,先用线性模型来逼近原系统 ,应用线性系统辨识方法确定系统阶次 ,再确定系统中非线性恢复力、阻尼力的结构 ,建立非线性模型并辨识各项参数 ,最后进行预测。算例表明 ,用该方法建立的模型能够较好地反映系统的非线性特性 ,并能提高模型预测的准确性。     

线性变参数振动系统的全局辨识

制造系统中存在大量振动特性随特定参数变化而变化的线性变参数振动系统。这类线性变参数振动系统的辨识目前主要通过局部辨识方法,为了准确辨识需要在不同调度变量下进行大量实验,往往效率很低。为了准确而高效地辨识线性变参数振动系统,提出一种全局辨识方法。对调度变量连续变化的线性变参数振动系统持续施加激励,将系统的振动微分方程进行时域离散,利用过完备字典函数库对离散模型进行表征,并利用稀疏回归进行求解,即可根据调度变量数据和系统的激励-响应数据一次辨识得到系统模型。以实际机床刀尖结构的模态参数数据,建立线性变参数振动系统代理模型进行验证。在单调度变量和多调度变量案例中,全局辨识得到的模态参数平均误差均在2.7%以下,充分显示了所提出全局辨识方法的有效性,也验证了线性变参数振动系统全局辨识的可行性。     

基于试验模态参数的有限元模型的结构参数辨识

以结构系统的正交特征方程等为约束条件，从求解带约束的拉格朗日函数极值入手，提出了一种用测试的非完全模态参数辨识结构参数的方法，通过算例说明了该方法在模型中有不易测得的自由度或为聚缩模型时的应用。本文方法可用于复杂有限元模型中的参数辨识。算例表明：本文方法有较大的误差修正范围，并且有良好的辨识精度     

迟滞动态模型辨识

介绍用Krasnosel′skii-Pokrovkii(KP)迟滞算子对所设计的超磁致伸缩驱动器中的频率无关迟滞特性进行建模.首先,给出了KP迟滞模型中的密度函数离散化的离线辨识方法.其次,为了能够使迟滞模型更好的与自适应控制理论结合,又提出了应用神经网络进行密度函数的自适应在线辨识.此神经网络的BP算法是以离散的KP算子为作用函数、以密度函数为权值.最后,仿真与实验验证了所提出的模型辨识方法的有效性.     

伺服系统线性特性和非线性摩擦的解耦辨识方法研究

针对伺服进给机构包含线性结构和非线性摩擦特性的特点,提出一种将线性模型和非线性摩擦特性进行分步解耦辨识的方法.首先分别确定伺服系统的线性模型和非线性模型,将伺服系统结构模型转化为线性模型加非线性摩擦反馈的结构.为了消除非线性摩擦力对线性模型的影响,采用2路同向非过零速信号对系统激励,利用2组系统输入和输出信号的差值作为线性参数的辨识数据对线性参数进行估计.获得线性模型后进一步利用系统稳态输出实现对非线性Coulomb摩擦幅值特性的估计.系统仿真和实验都证明了该辨识方法对提高伺服系统的辨识精度及控制器设计的有效性和可靠性.     

预报误差法在气动系统模型辨识的应用与实现

预报误差法是一种精确度较高的辨识方法,其辨识误差要远远小于最小二乘法.本文对实际生产中气动系统采用预报误差法进行气动模型参数的辨识,得到该系统的动态模型.将辨识模型仿真结果与系统实验测量数据进行比较,该模型是可信的.这个模型不仅能够较好的反映系统的动态特性,而且有利于系统控制器的设计.     

虚拟仪器在模型参数辨识中的应用

应用基于LabVIEW的虚拟仪器技术,搭建以计算机和数据采集卡为平台的模型参数辨识系统.以低阶电路为实验对象进行模型参数辨识实验,用数据采集卡读取同步数据,并应用LabVIEW系统辨识工具包对实验数据进行分析处理,得出系统的参数模型.然后通过对比理论模型和辨识结果,以及系统响应的仿真结果和实测数据,对模型辨识的正确性给出评估.     

移动最小二乘法的时变结构模态参数辨识

研究时变结构模态参数辨识,基于泛函矢量时变自回归模型(Functional series vector time-dependent AR model,FS-VTAR)提出一种改进的移动最小二乘法的时变结构模态参数辨识方法。该方法源于无网格法中构造形函数进行局部近似的思想,引入带权正交基函数对移动最小二乘(Moving least square,MLS)的基函数进行改进,使得在辨识时间域内构造形函数矩阵过程中不再出现数值条件问题,从而提高了计算精度。把时变系数在形函数上线性展开,利用最小二乘法得到形函数的系数,从而得到时变系数。把时变模型特征方程转换为广义特征值问题提取出模态参数。利用时变刚度系统非平稳振动信号验证该方法,结果表明:改进的移动最小二乘法相比于传统的FS-VTAR模型能有效地避免基函数形式的选择和很高的基函数阶数且更加高效,相比于移动最小二乘法能有效地避免辨识过程中的数值问题,具有更高的模态参数辨识精度。