一类多变量Hammerstein模型的参数辨识方法

通过对系统输入信号的设计,使Hammerstein系统输出只反映系统的线性动态,并将非线性部分的静态影响有效地分离掉.利用最小二乘辨识得到系统的线性动态模型.基于此模型并依据系统的测量输出重构系统的中间输入,进而可估计出非线性部分的参数,据此给出了多变量Hammerstein系统辨识的动态分离方法.仿真结果表明所提出的方法是有效的.     

基于SVR的传感器Hammerstein模型辨识

提出一种基于支持向量回归机的非线性动态传感器Hammerstein模型辨识方法并给出了相关的数学理论及学习算法.在该模型中,用非线性静态子环节和线性动态子环节串联来描述传感器的非线性动态特性.再利用函数展开将模型的非线性传递函数转换为等价的线性中间模型,并通过SVR求取中间模型参数.最后,推导出中间模型参数与传感器Hammerstein模型参数之间的关系,并由该关系实现非线性静态环节和线性动态环节的同时辨识.用实际力传感器动态标定实验数据进行测试,结果表明与常规非线性传感器辨识方法不同,所提方法只需进行一次动态标定实验就能给出非线性动态模型的数学解析表达式.且建立的力传感器Hammerstein模型阶次为4,而线性动态系统模型则需要6阶才能达到相同的精度.因此该研究为传感器非线性动态系统辨识又提供了一种可选方法.     

软测量技术在泵车臂架结构健康监测中的应用

利用混凝土泵车臂架应变信号计算其疲劳累积损伤的健康监测方案,由于应变片的使用寿命较短且不可靠,通过应变片直接测量泵车臂架应变信号不能适用于泵车臂架结构长期健康监测。采用软测量技术,基于最小二乘支持向量机（LS-SVM）建立软测量模型来间接获得泵车臂架应变信号。分析泵车臂架应变信号的特点,进而选择辅助变量。为了提高模型精度,对应变信号进行解耦,分别建立静态应变和动态应变的软测量模型进而得出总应变,利用遗传算法对模型参数进行了优化,与总体建模结果进行了比较。仿真分析结果表明,软测量技术为泵车臂架结构健康监测的工程实现提供了一种可行的方法,并且分别建立静态应变和动态应变的软测量模型比总体建模精度更高。     

软测量技术及其在抄纸过程中的应用

介绍了软测量技术常用的建模方法,分析了优缺在。采用静态线性软测量模型的回归分析法,实现对纸张水分的软测量。模型参数的辨识采用最小二乘法及对病态方程仍稳定的Ｈｏｕｓｅｈｏｌｄｅｒ变换法。然后给出了软测量模型的在线校正方法。     

实船航向运动模型辨识

本文利用实船旋回航行试验和 Z 形航行试验的测量数据,以二阶 K-T 方程为基础,采用系统辨识方法,确定了船舶操舵运动的静态、动态参数,并建立船舶操纵性数学模型.文章使用海试实测数据进行参数估计,其结果与实际接近.给出了切实可行的 K-T 方程参数估计方法.数据处理结果表明,实船模型辨识手段与传统试验方法相比,有较明显的优越性.     

自传感介电弹性体执行器的动力学设计及应用

本文提出了一种传感与作动一体化的介电弹性体(DE)软执行器,可用于薄膜结构形面变形的同步测量和控制.首先,建立DE软执行器电致驱动过程的动力学模型,描述其力电耦合行为.其次,通过开展动态作动实验,辨识该动力学模型的参数.第三,分析不同参数对作动器动态响应的影响,以理解其基本动力学特性.第四,建立DE软执行器自传感过程的简化电路模型,并对其电学参数与位移之间的关系进行实验标定.最后,开展平面薄膜结构的形面位移自适应调整实验,并设计相应的控制策略.实验结果表明,该DE软执行器在作动和传感方面均具有较高精度.因此,其在构建高精度空间薄膜天线方面具有较好的应用前景.     

软测量技术及其在抄低过程中的应用

介绍软测量技术常用的建模方法,分析了优缺点。采用静态线性软测量模型的回归分析法,实现对纸张水分的的软测量。模型参数的辨识采用最小二乘法及对病态方程仍稳定的Ｈｏｕｓｅｈｏｌｄｅｒ变换法。然后给出了软测量模型的在线校正方法。     

基于组合式信号源的Hammerstein-Wiener模型辨识方法

针对含有有色噪声的非线性Hammerstein-Wiener模型,提出一种基于组合式信号源的辨识方法.通过利用可分离信号和随机信号组成的组合信号源实现有色噪声干扰下Hammerstein-Wiener模型各串联模块参数辨识的分离,简化辨识过程.首先,基于可分离信号的输入和输出,采用相关分析方法抑制过程噪声的干扰,辨识输出静态非线性模块和动态线性模块的参数;然后,基于辅助模型技术,利用辅助模型的输出和残差的估计值分别取代辨识模型中的不可测中间变量和噪声变量,推导辅助模型递推增广最小二乘方法,根据随机信号的输入输出数据辨识输入静态非线性模块和噪声模型的参数;最后,通过理论分析和仿真结果表明,所提出方法能够有效辨识有色噪声干扰下的非线性Hammerstein-Wiener模型,具有较好的鲁棒性.     

Hammerstein模型辨识的回顾及展望

Hammerstein模型是一类具有特定结构的典型非线性模型,由静态非线性环节和动态线性环节串联而成,能较好地反映过程特征的特点,可以描述一大类非线性过程.本文结合Hammerstein模型辨识的基本过程和特点,从Hammerstein模型中间变量不可测量的角度出发,首先按静态非线性环节与动态线性环节同步辨识法和分步辨识法综述了Hammerstein模型的相关理论和方法;然后,分析了现有的基于Hammerstein模型的控制系统设计方案;最后对Hammerstein系统未来可能的研究提出若干看法.     

小波神经网络在过程控制中的应用

在工业过程控制中,常常存在一些重要的变量难以测量,为了解决这个问题,出现了软仪表.软仪表的实质是建立被测量参数与影响该参数的其它操作参数之间的数学模型,通过计算得出此类难于测量的变量的数值.小波神经网络就是软测量的一种方法.在传统的小波神经网络的基础上进行了改进,利用小波对工业现场过来的数据进行了降噪,并使用主元分析法去除了数据的相关性.然后对处理过的数据建立小波神经网络模型,最后通过计算机仿真证实了该方法的良好的收敛速度快,不容易陷入极度最小等辨识效果.     

Modeling for soft sensor systems and parameters updating online

Soft sensor technology is an important means to estimate important process variables in real-time. Modeling for soft sensor system is the core of this technology. Most nonlinear dynamic modeling methods integrate the processes of building the dynamic and static relationships between secondary and primary variables, which limits the estimation accuracy for primary variables. To avoid the problem, a kind of soft sensor model consisting of a dynamic model in cascade with a static one is proposed. The model identification and update online are conducted in substep way. In order to improve the model update efficiency, two improved Gauss–Newton recursive algorithms, which avoid nonsingular covariance matrix, are proposed for time-invariant and time-variant soft sensor systems. The uniform convergence for dynamic model parameter and the existence of estimation deviations for static model parameters are proved for time-invariant soft sensor system. The parameters of time-variant soft sensor system would be boundedly convergent. Case study confirms that, on the basis of the proposed model and recursive algorithms, the dynamic and static characteristics of soft sensor system can be described efficiently, and the primary variables are ensured to be estimated accurately.     

基于免疫遗传算法的动态递归模糊神经网络在发酵过程中的应用

针对软测量建模数据中过失误差及动态递归模糊神经网络的结构复杂,大量参数难以确定的情况,提出基于免疫遗传算法动态递归模糊神经网络软测量方法。利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以提高计算速度。此外应用减法聚类确定模糊规则数,以简化网络结构,同时应用免疫遗传算法优化模型参数以提高模型的精度和泛化能力。该方法应用于赖氨酸发酵过程菌体浓度的软测量,仿真结果表明,该方法具有较高的预测精度,满足现场测量要求。     

一种基于D-S 和ARIMA 的多模型软测量方法

针对传统软测量方法存在的预测性能差、融合能力低等缺点, 提出一种基于证据理论(D-S) 合成规则和差分自回归滑动平均(ARIMA) 模型的多模型软测量方法. 首先利用自适应模糊核聚类方法和最小二乘支持向量机建立多个子模型; 然后利用D-S 合成规则构造的概率分配函数作为权值因子, 对子模型输出进行融合以得到多模型的输出; 最后结合ARIMA 模型对静态多模型输出进行动态校正. 仿真研究与工业应用的结果表明, 所提出的方法具有良好的预测性能和融合能力.

     

含有色噪声的神经模糊Hammerstein模型分离辨识

针对实际工业过程中普遍存在的有色噪声,本文提出一种基于递推增广最小二乘算法的神经模糊Hammerstein模型辨识方法,突破了传统的Hammerstein模型迭代分离算法.首先,利用多信号源实现Hammerstein模型中静态非线性环节和动态线性环节的分离,大大简化了辨识过程,提高了串联环节参数的分离精度.其次,利用长除法将噪声模型用有限脉冲响应模型逼近,采用增广递推最小二乘法进行线性环节的参数估计.最后,采用神经模糊模型拟合静态非线性环节,同时设计了神经模糊模型参数的非迭代优化算法,改善了模型的使用范围.该方法保证了模型的预测精度,对含有色噪声的非线性系统具有较好的拟合效果.仿真结果验证了上述方法的有效性.     

基于逆系统的青霉素发酵软测量

针对青霉素发酵过程中菌体浓度、基质浓度、产物浓度等关键参量难以直接测量的难题,将逆系统方法与动态递归模糊神经网络(DRFNN)相结合,提出一种基于动态递归模糊神经逆的青霉素发酵软测量方法.在证明了系统可逆的条件下,得到系统的逆模型;再应用DRFNN网络所具有的自学习,自适应能力以及对任意非线性的逼近能力,对该模型进行了...     

Infrared thermometer sensor dynamic error compensation using Hammerstein neural network

A novel dynamic neural network structure based on Hammerstein model is proposed and applied to dynamic error compensation for infrared thermometer sensor in this paper. First, the devices of dynamic calibration for infrared thermometer sensor are designed and the calibration experiments with continuous excitation are carried out. Then, the non-linear inverse system of the sensor dynamic compensator is expressed by a non-linear static subunit followed by a linear dynamic subunit—Hammerstein model. A novel neural network structure is designed, the weights in which are corresponding with the parameters of Hammerstein model. Finally, The iterative algorithm is derived, through which the non-linear static and linear dynamic subunit in Hammerstein model can be optimised and the coefficients of the dynamic compensator are gotten. The dynamic calibration data of the uIRt/c sensor are used to test and the experiment results show that the stabilizing time of the sensor is reduced less than 6 ms from 26 ms and the dynamic characteristic is obviously improved after compensation.     

Identification of nonlinear systems using a piecewise-linear Hammerstein model

In the paper a method for nonlinear system identification is proposed. It is based on a piecewise-linear Hammerstein model, which is linear in the parameters. The model and the identification algorithm are adapted to allow the parameter identification in the presence of a special form of the excitation signal. The identification method is derived from a recursive least-squares algorithm, which is properly adapted to take into account the proposed model structure and the properties of the identification signal. The applicability of the approach is illustrated by an example in which a discontinuous nonlinear static function is connected to a dynamic block.     

流程工业能耗系统多维子模型及其开放性集成框架

流程工业组成因素多,运行结构复杂,针对单一模型无法合理、全面地描述其能源消耗系统各因素及其关联关系的问题,提出了流程工业能耗系统多维子模型及其集成化构建方法。首先,综合设备、能量、信息、人员等多方面因素,从静态结构描述、能源消耗的动态行为以及企业能耗系统运作的目的性3个层面建立流程工业能耗系统多维子模型;然后,分析了不同视角子模型关联关系;最后,详细研究了能耗系统多维模型的开放性集成框架,从而为流程工业能耗系统建立集信息流、能源流和物料流为一体,并同时反映内、外部关键因素的多维集成化模型提供了方法支持。这种内外关联、高度集成的流程工业能耗系统模型的构建将为流程工业综合性能效评估奠定基础。     

限定记忆参数估计的Householder变换快速递推算法

利用Householder变换推导出一个新的最小二乘估计的限定记忆快速递推算法(RHFM). 该算法具有运算量小,数值稳定性好、占用内存少的优点,可以用于各种静、动态模型的参 数估计.     

Identification of IIR Wiener systems with spline nonlinearities that have variable knots

An algorithm is developed for the identification of Wiener systems, linear dynamic elements followed by static nonlinearities. In this case, the linear element is modeled using a recursive digital filter, while the static nonlinearity is represented by a spline of arbitrary but fixed degree. The primary contribution in this note is the use of variable knot splines, which allow for the use of splines with relatively few knot points, in the context of Wiener system identification. The model output is shown to be nonlinear in the filter parameters and in the knot points, but linear in the remaining spline parameters. Thus, a separable least squares algorithm is used to estimate the model parameters. Monte-Carlo simulations are used to compare the performance of the algorithm identifying models with linear and cubic spline nonlinearities, with a similar technique using polynomial nonlinearities.