系统辨识理论

开篇：润墨网以专业的文秘视角，为您筛选了八篇系统辨识理论范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

系统辨识理论范文第1篇

关键词：无人直升机；黑箱建模；子空间辨识

中图分类号：V2

文献标识码A

文章编号2095-6363（2017）04-0032-03

无人直升机以其在军民用方面的广泛应用前景，近年来日渐受到重视，已成为越来越多国内外机构和组织的研究对象。由于无人直升机具有多变量强耦合非线性的特点，其动力学模型的建立和飞行控制律的设计是需要解决的关键问题，是其执行各种任务的基础。为了对无人直升机的飞行控制律进行基于模型的设计，必须首先获得系统准确的数学模型，模型准确与否直接影响控制律的设计效果。

传统建模过程中，气动导数的获得需要通过对机体和旋翼翼型的吹风，以及一系列理论推导才能够得到，这对实验条件以及理论素养都提出了比较高的要求，并且不能够保证建模的精度。因此，在具有无人直升机平台的情况下，可以采用系统辨识的方法对无人直升机进行建模。无人直升机的系统辨识是指基行实验获得的输入输出数据，通过对无人直升机的灰箱或黑箱模型中的未知⑹进行参数估计，从而建立模型的方法。系统辨识建模基于真实的输入输出数据，辨识所得的模型往往能更准确地反映对象的动力学特性。

本文将一种子空间辨识算法应用于小型无人直升机的动力学模型参数辨识问题，获得了无人直升机悬停状态的线性MIMO模型，可以用于控制律的初步设计。

1.研究平台介绍

在借鉴和消化国内外前期研究经验的基础上，本课题采用日本京商公司出产的Concept 60型遥控直升机作为研究平台，在此平台上开发自主飞行控制系统。Concept 60是一型可通过无线电遥控的模型直升机，其外观如图1所示。该平台主要由机身、主旋翼、尾梁、尾桨、稳定杆、水平安定面、垂直安定面以及起落架等部分组成。

Concept 60模型直升机的特征参数为：1）机身长度：1400ram，机身宽度：460mm，机身高度：400mm；2）主旋翼直径：1760mm，尾桨直径：260mm；3）机身白重：4.5kg，最大载重：5kg；4）引擎要求：60级；燃料：93号汽油与机油混合燃料；汽缸容量：9.8cc；制冷方式：风冷；5）续航时间：30min。

2.子空间辨识算法

就辨识方法而言，经典的系统辨识方法都是通过最小化某个目标函数（代价函数）得到待辨识的模型参数，这样就存在着一些缺陷：例如最小二乘法所采用的基于梯度的寻优方法不可避免地会出现不收敛或陷入局部最优值等问题；采用PEM预报误差法辨识时，也具有过分依赖初值选取的缺陷。

自20世纪90年代以来，子空间辨识（SubspaceIdentification，SID）算法是用来确定多变量模型，特别是对于高阶系统非常有效的辨识算法之一。子空间算法的核心思想是利用几何属性，通过奇异值分解直接从输入输出数据得到状态空间方程。由于避免了通常辨识算法中所必须进行的迭代计算，且不依赖于初值，SID算法具有辨识速度快、鲁棒性能好的优点。

3.小型直升机的模型辨识

子空间系统辨识的流程主要包括试飞实验、数据处理以及模型参数辨识计算这几个主要步骤，分别介绍如下所述。

3.1数据获取

在Concept 60模型直升机上搭载为其专门设计的飞行控制系统后，即成为小型无人直升机系统。在进行试飞实验时，操纵手通过扫频试飞的方式获得原始输入输出数据，其具体过程如下：首先使直升机切换到手动遥控飞行模式，此时操纵手通过无线电遥控的方式开环操纵直升机，将直升机在悬停状态配平。图2为悬停状态下的无人直升机。

接着，操纵手在配平点分别对俯仰、滚转、偏航、总距4个通道进行正弦扫频操纵，作为无人直升机的模态激励信号，这样可以使由此得到的模型在相应的频率范围内具有准确性。悬停状态下包含四通道的扫频操纵数据通常持续80s～2008，覆盖0.1Hz～2Hz的频率范围。

图3为系统辨识扫频实验的原理图。其中，控制舵机的PWM波信号由机载飞控计算机的数据采集模块记录，作为辨识所需的原始输入数据；而差分6PS、IMU等传感器对直升机的状态响应进行测量，作为辨识所需的原始输出数据。可见，此时是将舵机动态与直升机动态归并在一起建模，这是由于FUTABA舵机的带宽很高（大约为5Hz），远高于模型直升机的带宽，从而省去了单独辨识舵机动态特性的工作。

3.2数据处理

对上述实验获得的原始试飞数据需要加以一定的预处理，使之成为能够直接用于辨识的可用数据。预处理主要包括滤波以及坐标变换等。

滤波是为了去除信号中的毛刺，这里采用MATLAB中的filtfilt函数，进行无相位变化的数字滤波，以避免在信号滤波过程中引入时间延迟。图4是对滚转角速率信号分别采用filtfilt滤波和传统一阶环节滤波的效果比较，可见传统的一阶滤波器有明显的相位滞后以及幅值衰减，而使用数字滤波器filtfilt滤波后无相位滞后，且将高频噪声信号较好的过滤。

由于差分GPS测得的速度信息是在地心坐标系WGS-84下的量，因此需要通过坐标变换将其转化至机体轴下。

经过上述处理，就得到了小型无人直升机参数辨识所需要的可用数据，包括俯仰、滚转、总距、偏航通道的操纵量，以及机体轴线速度、三轴角速率和欧拉角。图5显示了经过滤波后的三轴角速率的扫频响应信号。

3.3模型参数辨识计算

上述辨识的辨识结果如图7所示。由曲线可见，通过辨识所得到的模型预测输出与实际试飞响应数据有着良好的吻合程度。

4.模型准确性验证

为了进一步检验辨识所得模型的准确性与可靠性，出于安全和成本等方面的考虑，需要对辨识得到的模型进行验证校核。本文采用新的试飞数据与模型预测输出进行时域对比验证。

取时长60s的未参与辨识计算的试飞数据进行时域验证，通过对模型输入实际试飞的操纵数据，比较模型预测输出与试飞数据的吻合程度。模型验证效果如图8，可见对于不同数据段，模型依然准确，因此，可以说该模型有效地反映了样例小型无人直升机的输入输出特性。

系统辨识理论范文第2篇

关键词：MATLAB；压上系统；辨识；IBA

中图分类号：TP311.11；N945.14

某双机架平整机是由国内自主集成，主要产品为薄带钢，为了提高延伸率的控制精度，需要建立较准确的数学模型。现数学模型获得的方法主要是两种，一种是通过解析的方法得到，另外一种是通过辨识的方法得到。辨识得到的数学模型是基于现场数据，所以较为准确。

为了在平整机调试过程中，获得较为准确的数学模型，所以基于MATLAB开发一套辨识工具，该工具可以读入IBA格式数据，然后通过辨识算法获得现场的传递函数。

1 离散系统辨识简介

由于计算机和PLC系统的广泛应用，现场的控制系统多为离散控制系统，一般不对连续系统数学模型进行直接辨识，而更多地对离散系统模型进行辨识。如果需要系统的连续模型，则可以通过离散模型的连续化的方法转换出系统的连续模型。

现实的系统干差万别，辨识难度较大。可以事先假定一种模型结构，然后通过极小化模型与对象之间差异的方法来确定模型的参数。要先利用结构辨识的方法确定模型结构（如系统阶次、纯延时等），然后再确定模型的各个参数。[1]

常用的辨识方法主要有两种，ARX模型和响应曲线拟合。

1.1 ARX模型

MATLAB的系统辨识工具箱中提出了各种各样的系统辨识函数，其中ARX（自回归遍历）模型的辨识可以用arx（）函数加以实现。如果已知输入信号的列向量u，输出信号的列向量y，并选定了系统的分子多项式阶次m-1，分母多项式阶次n及系统纯滞后d，则可以通过下面命令辨识出系统的数学模型。

T=arx（[y，u]，[m，n，d]）

1.2 阶跃响应曲线拟合

一般过程控制对象模型的阶跃响应曲线可以用一阶或更高阶的传递函数近似，还可以用现场的数据来辨识这些参数，如一阶系统模型对应的阶跃响应解析解可写成

y（t）=k*（1-e-at）

故可以用最小二乘拟合方法由阶跃响应数据拟合出系统的模型。MATLAB实现如下[2]：

fun=inline（'x（1）*（1-exp（-t/x（2）））'，'x'，'t'）；

x=lsqcurvefit（fun，[1 1]，t，y）；

2 辨识模型阶数的确定

一般而言，低阶模型对过程的动态描述粗糙，而高阶模型的描述精确，但另一方面，模型阶次的增加会给控制和有关问题增加复杂性。因此，模型阶次必须选择的恰当。为了较准确的确定系统阶数，可以根据系统Hankel矩阵奇异值来确定系统阶数。

在控制理论里，特征值定义了系统的稳定性，Hankel矩阵奇异值定义了系统的每个状态的能量值。在确定系统阶数时保留大能量状态可以较好地描述系统的工作特性。

该方法的基本内容为：采用脉冲响应函数构建Hankel矩阵，利用奇异值分解技术得到矩阵的秩，在求矩阵的秩的时候，我们将奇异值由大到小按降序排列，并将奇异值以最大值归一化，通过画出奇异值归一化曲线，在曲线上找到突降的位置，该处对应的奇异值个数即为模型阶次。[3]

给定一个稳定的系统G，在MATLAB软件中可用hankelsv（G）函数计算Hankel矩阵奇异值。

3 实时数据的采集

MATLAB软件已被控制界广泛使用，一些公司针对MATLAB开发了相应的软件包，如德国IBA公司开发的PDA（Process Data Acquisition）系统，是基于PC机对数据的采集和分析的系统，它由用于信号采集的分布式硬件、用于连接的光纤和其它媒介（如典型的Profibus总线电缆）组成。此外该系统提供在线记录软件ibaPDA、离线分析软件ibaAnalyzer和二次开发软件包ibaFiles。ibaPDA软件用于整个PDA系统的配置管理、数据采集控制和数据文件的保存。ibaAnalyzer软件用于保存的数据文件的离线分析、数学计算等。ibaFiles软件包用于IBA用户对采集的实时数据（.dat文件）进行二次开发，该软件分为3个版本，免费版、标准版、专业版，该软件包是一个动态链接库DLL文件，该DLL文件MATLAB和C语言都可以调用。如图1所示，PDA系统可以通过与PLC系统的通信实时采集PLC中的现场数据，通过ibaFiles软件包的接口，MATLAB可以读取和写入实时数据dat文件，从而将现场数据导入MATLAB工作空间中进行分析，这也为系统辨识提供了很大的方便。

4 辨识方法在平整机轧制力系统建模的应用

在PLC中编写发送程序，将轧制力的给定和反馈数据通过Profibus总线实时发给PDA系统，在PDA中配置好相应的接收通道。考虑现场设备的安全性，在平整机轧制力500吨时进行阶跃实验，阶跃幅度给定0.15吨，通过PDA系统将采集的实验数据存入硬盘中，获得数据如图1所示。

图1 压上系统的阶跃响应曲线

通过ibaFiles软件包提供的读取接口函数将阶跃响应的曲线的X轴和Y轴数据导入MATLAB工作空间。

在不确定系统阶数时，可以先用高阶模型进行对压上系统进行辨识，获得传递函数如下：

对该传递函数进行Hankel矩阵奇异值分析如下：

图2 Hankel矩阵奇异值

从图中可以得出一阶系统的幅值远远大于其它阶的幅值，所以可以采用一阶模型对压上系统进行辨识。

采用ARX模型辨识出来的传递函数为：

采用曲线拟合算法辨识出来的传递函数为：

将获得传递函数的阶跃响应与压上系统实际阶跃响应进行对比：

图3 辨识模型的阶跃响应曲线

图中，点线为压上系统实际阶跃响应曲线，虚线为采用ARX方法建模后的阶跃响应曲线，实线采用曲线拟合法建模后阶跃响应曲线。

经过对比建模后的传递函数与实际系统的阶跃响应基本一致。

5 结束语

基于压上系统的实际阶跃响应数据，结合MATLAB和IBA软件对平整机轧制力系统进行辨识，并将辨识结果与现场实际曲线进行对比验证。结果表明，该方法获得系统的数学模型可以准确的描述轧制力系统工作特性。

参考文献：

[1]朱丹.基于MATLAB的离散系统辨识与仿真[J].硅谷，2012（15）：8-9.

[2]薛定宇.控制系统计算机辅助设计-MATLAB语言与应用（第2版）[M].北京：清华大学出版社，2006.

[3]林裕裕.基于输出的海洋平台结构模态参数识别技术研究[D].中国海洋大学，2011.

系统辨识理论范文第3篇

该文首先简要介绍了随机子空间法的基本理论，建立数学模型及其在在电力系统低频振荡的应用及发展进行了阐述，能够高精度地辨识电力系统低频振荡的模式，然后通过合成测试信号和8机36节点系统2个算例，验证了该算法的正确性和有效性，对实现以广域测量数据为基础的低频振荡监测和辨识具有很好的应用前景。

在实际的大规模电力系统中，低频振荡问题已成为了限制跨区电网功率交换的较常见且危害较大的因素之一。国内外不少专家学者对电力系统低频振荡进行了大量研究，特征值分析法是其中的一种经典方法，它在工作点附近将系统进行线性化，形成系统状态方程矩阵，进而求取特征值，但其计算数学模型的阶数不能过高，不能很好地考虑各种非线性因素，难以适应大规模电网在线分析的需要，而且在实际应用中却很难精确确定大规模电力系统的模型参数。基于Prony分析法的低频振荡研究可对时域仿真结果或实时测量数据提取振荡特征，适合于大规模线性动态系统的辨识，该方法对噪声较敏感，较难选取模型阶数，不能直接完成多输入多输出系统辨识。子空间方法基于输入输出数据构建系统状态相量，在此基础上求解最小二乘问题得到系统的传递函数矩阵，最后求解此传递函数矩阵，获得表征系统动态特性的各量，数值稳定性好、无须优化过程，计算速度快，子空间模型辨识（SMI，subspace model ident-ification）方法自从20世纪90年代初提出以来就获得了广泛的关注，成为一种确定多输入多输出（MIMO）系统模型的有效方法之一。

到目前为止，SMI算法已成功应用于市政、机械工程等领域，文献针对建立有明确物理含义的发动机模型要求，首次提出并推导了指定状态变量的子空间辨识方法。子空间法应用于电力系统低频振荡辨识时，一般难以测得输入或激励，而随机子空间法（Stochastic Subspace Identification，SSI）则很好地解决了这个问题，随机子空间法是近年来发展起来的一种线性系统辩识方法，可以有效地从环境激励的结构响应中获取模态参数，其核心是把“将来”输出的行空间投影到“过去”输出的行空间上，投影的结果保留了“过去”的全部信息，并用此预测“未来”，它直接作用于时域数据，避免了计算协方差矩阵，采用矩阵的QR分解、奇异值分解（SVD）以及最小二乘等来识别离散后的系统状态空间矩阵，得到系统的动力学特性参数，辨识精度较高。下面本文从随机状态空间模型开始，逐步介绍SSI的基本思想，基本算法及其发展改进，最后阐述了SSI理论方面有待进一步研究的问题。

系统辨识理论范文第4篇

关键词： Volterra级数；非线性系统辨识；广义频域响应函数（GFRF）；多音信号；Vandermode法

中图分类号： TP206.3文献标志码： A

现实世界中，存在着大量的非线性现象，几乎所有的控制系统、电子系统都是非线性的，线性只是对非线性在一定程度和范围内的近似描述.随着现代科学技术的飞速发展，关于非线性系统的控制、建模、分析、综合和预测等问题日益凸现，非线性已成为目前研究的热点问题.

解决非线性问题的基础是建立描述非线性系统的数学模型，Volterra级数是非线性系统建模的常用模型之一，包括时域核及频域核两种形式[12].Volterra核函数是线性系统描述的直接扩展，与线性系统的脉冲和频率响应函数一样，能够描述非线性系统的本质特性，具有物理意义明确、适应范围广等优点，在诸多领域取得了许多成功的应用[36].Volterra时域核的傅里叶变换形式被称作Volterra频域核，或广义频域响应函数（generalized frequencyresponse functions， GFRFs）[7].Volterra频域核提供了从频域分析非线性系统的方法，人们往往更加关心Volterra频域核，这是由于相对于Volterra时域核，其频域形式可使人们直观、准确地理解许多重要的非线性现象.Chua给出了多音激励下Volterra核频域输出特性[8]；Bedrosian分析了在谐波及高斯输入激励下Volterra系统的输出特性[9].目前，Volterra频域核的辨识方法分为参数辨识和非参数辨识两种[1011].参数辨识的方法是基于非线性系统的微分方程来辨识Volterra频域核[1215]，该方法比较成熟；非参数辨识是基于系统的输入输出数据来辨识Volterra频域核[1620].由于非线性系统的复杂性，通常很难获得其理想的数学模型，因此参数辨识的方法有其局限性.由于非参西南交通大学学报第48卷第2期韩海涛等：基于多音激励的Volterra频域核非参数辨识方法数辨识是基于“黑箱”辨识，不用了解系统的内部机理及物理特性，只根据系统的输入输出数据进行辨识，因此更具有实用性.

文献[16]提出了一种基于时域分析的非参数辨识方法，该方法仅能计算出Volterra核在谐波频率成分处的值，且只适用于辨识前3阶Volterra核；文献[17]采用高斯白噪声作为系统的输入激励，根据时域自适应辨识方法对Volterra核进行辨识，这种方法待辨识的参数与系统的记忆长度和阶次成指数增加，辨识过程复杂、计算量大；文献[1819]基于频率分离思想给出了基于多音激励的Volterra频域核的非参数辨识方法，该方法具有较高的辨识精度，然而没有系统地推导出任一阶Volterra频率核的辨识公式；文献[20]虽然给出了多音激励下Volterra频域核的估算公式，但估算误差比较大，使非参数辨识方法的应用受到很大的限制；文献[21]提出了Volterra频域核辨识的多音激励信号设计，为多音激励下Volterra频域核的非参数辨识奠定了基础.本文对多音激励下Volterra频域核的输出特性进行了深入研究，从理论上系统地推导出了Volterra频域核的辨识公式，克服了以往Volterra频率核非参数辨识方法的不足，通过实验结果验证了本文结论的正确性.1Volterra频域核的定义及重要性质对任意连续的时不变弱非线性动态系统，可以用广义卷积分或Volterra级数完全描述：

5结束语Volterra频域核的传统辨识方法存在计算量大、步骤复杂、精度不高的问题.本文针对这些问题提出了一种新的基于多音激励的非参数辨识方法.重点探讨了多音信号激励下Volterra频域核输出特性，基于此性质推导出了Volterra频域核的辨识公式，并总结出了基于多音激励Volterra频域核辨识的一般方法步骤.通过对一非线性系统的Volterra频域核进行辨识，验证了该方法的有效性.该方法具有计算量小、精度高、易于工程实现的特点，可广泛应用于非线性系统的建模及故障诊断，是一种实用的方法.

参考文献：

[1]RUGH W J. Nonlinear system theory[M]. The Jonhs Hopkins University Press， 1981： 320.

[2]PENG Zekai， LANG Zhiqiang， BILLING S A. Resonances and resonant frequencies for a class of nonlinear system[J]. Journal of Sound and Vibration， 2007， 300（3）： 9931014.

[3]马红光，韩崇昭，王国华，等. 雷达引信视频放大器的GFRF辨识模型及其误差分析[J]. 探测与控制学报，2004，26（3）： 5054.

MA Hongguang， HAN Chongzhao， WANG Guohua， et al. The GFRF identification model of radar video frequency amplifier and its error analysis[J]. Journal of Detection and Control， 2004， 26（3）： 5054.

[4]马红光，韩崇昭，孔祥玉，等. 基于电路仿真的接收机中频放大器的GFRF模型[J]. 系统仿真学报，2004，16（6）： 11431146.

MA Hongguang， HAN Chongzhao， KONG Xiangyu， et al. The GFRF identification model of radar fuze receiver[J]. Journal of System Simulation， 2004， 16（6）： 11431146.

[5]马红光，韩崇昭，王国华，等. 基于EDA仿真的中频放大器GFRF模型[J]. 计算机仿真，2004，21（7）： 2225.

MA Hongguang， HAN Chongzhao， WANG Guohua， et al. GFRF identification model of IF amplifier based on EDA simulation[J]. Computer Simulation， 2004， 21（7）： 2225.

[6]LIU Haiying. Classification of stably dissipative 3D LotkaVolterra system and their necessary and sufficient condition for being stably dissipative[J]. Journal of Modern Transportaion， 2008， 16（3）： 298302.

[7]LANG Zhiqiang， BILLING S A. Output frequency characteristics of nonlinear system[J]. International Journal of Control， 1996， 64（6）： 10491067.

[8]CHUA L O， NG C Y. Frequency domain analysis of nonlinear systems： general theory[J]. Electronic Circuit and Systems， 1979， 3（4）： 165185.

[9]BEDROSIAN E， RICE S O. The output properties of Volterra systems （nonlinear systems with memory） driven by harmonic and Gaussian inputs[J]. Proceedings of the IEEE， 1971， 59（12）： 16881707.

[10]LI L M， BILLINGS S A. Analysis of nonlinear oscillators using Volterra series in the frequency domain[J]. Journal of Sound and Vibration， 2011， 330（2）： 337355.

[11]CHATTERJEE A， VYAS N S. Nonlinear parameter estimation with Volterra series using the method of recursive iteration through harmonic probing[J]. Journal of Sound and Vibration， 2003， 268（4）： 657678.

[12]BILLING S A， TSANG K M. Spectral analysis for nonlinear system， part I： parametric nonlinear spectral analysis[J]. Mechanical Systems and Signal Processing， 1989， 3（4）： 319339.

[13]BILLING S A， JONES J C. Mapping nonlinear integrodifferential equations into the frequency domain[J]. International Journal of Control， 1990， 52（4）： 863879.

[14]JONES J C， BILLING S A. A recursive algorithm for the computing the frequency response of a class of nonlinear difference equation models[J]. International Journal of Control， 1989， 50（5）： 19251940.

[15]JONES J C. Simplified computation of Volterra frequency response functions of nonlinear system[J]. Mechanical Systems and Signal Processing， 2007， 21（3）： 14521468.

[16]LI L M， BILLINGS S A. Estimation of generalized frequency response functions for quadratically and cubically nonlinear systems[J]. Journal of Sound and Vibration， 2011， 330（3）： 461470.

[17]张家良，曹建福，高峰. 大型装备传动系统非线性频谱特征提取与故障诊断[J]. 控制与决策，2012，27（1）： 135138.

ZHANG Jialiang， CAO Jianfu， GAO Feng. Feature extraction and fault diagnosis of largescale equipment transmission system based on nonlinear frequency spectrum[J]. Control and Decision， 2012， 27（1）： 135138.

[18]BOYD S， TANG Y S， CHUA L O. Measuring Volterra kernel[J]. IEEE Transactions on Circuits and Systems， 1983， 30（8）： 571577.

[19]CHUA L O， LIAO Youlin. Measuring Volterra kernel （Ⅱ）[J]. International Journal of Circuit Theory and Applications， 1989， 17（2）： 151190.

[20]殷时蓉. 基于Volterra级数和神经网络的非线性电路故障诊断研究[D]. 成都：电子科技大学，2007： 5354.

[21]韩海涛，马红光，韩琨，等. 关于Volterra频域核辨识的多音激励信号设计[J]. 工程设计学报，2012，19（2）： 123127.

系统辨识理论范文第5篇

关键词：力伺服系统；模型辨识；复合模糊PID控制器；半物理仿真；自调整修正因子

DoI：10.15938/j.jhust.2016.06.014

中图分类号：TP273

文献标志码：A

文章编号：1007-2683（2016）06-0073-06

0.引言

电液力伺服控制系统的应用虽然不及电液位移控制系统广泛，但是它在许多特定领域都起着难以替代和不可忽视的重要作用，随着科学技术的飞速发展，现代工业对力控制系统的动静态精度等性能指标的要求越来越高，Liu等针对力控制系统提出了Lyapunov参数自适应控制算法.实验表明，这种方法对信号具有良好的跟踪性能，并且对系统的性能指标有显著的提高.蔡永强等采用优化了的鲁棒预测控制算法对电液力伺服系统进行控制，建模仿真表明该控制算法能够消弱系统由于时变和外界环境的干扰对系统性能的影响，从而提高了控制系统的性能.刘怀印等采用了模糊控制方法对盾构掘进机的电液力推进系统进行了控制，仿真结果表明该控制算法能够有效的保证该电液力伺服控制系统的稳定性和快速性，提高系统的性能.徐一鸣等将三维非线性PD控制器与小脑模型神经网络复合的控制方法用于变柔性负载的电液力控制系统，使系统在负载刚度大范围变化时保持稳定，减小了系统的跟踪相位差。

模糊控制能够将操作人员的控制经验加入到控制算法中，从而使控制系统能够模仿和借鉴操作人员的控制经验而进行控制.它特别适合用在采用传统控制技术分析时过程非常复杂的情况下或者可用的信息来源不准确或不确定的情况下。

由于电液力伺服系统具有非线性和不确定的动态性，因此不可能从理论上建立其精确的数学模型，也很难用线性控制方法进行高精度的力伺服控制.虽然一些模糊控制策略已经应用到实际系统并取得了很大的进步，但是其瞬态和稳态控制性能是有限的，本文利用xPC实时系统的半物理仿真环境和MATLAB系统辨识工具箱，对电液力伺服系统进行了模型辨识实验，然后，以辨识获得的模型为对象设计控制器，提出了一种结合了模糊逻辑和传统线性控制理论优点的复合模糊PID控制器。

1.液力伺服系统的模型辨识

实验室的电液力伺服控制系统如图1所示，电流信号i经放大器传递给电液伺服阀，当给定力值的电压信号Ur不等于力传感器反馈回来的电压信号Uf时，液压缸产生力Fg控制的目的就是使液压缸产生的力的信号尽可能达到所给定的力值信号ur=uf由于力传感器的刚度远远大于负载的刚度，所以这是一个单自由度的力控制系统。

xPC实时系统的半物理仿真实验台如图3所示.电液力伺服系统作为硬件放置在模拟仿真回路，系统控制由计算机实现，PC机作为宿主机用于运行仿真、设计和发现目标应用程序，研华工控机作为目标机用于运行所生成的控制程序代码，并通过以太网LAN连接来实现与宿主机的通信。

本系统选用研华PCL818HD多用途卡完成数据采集（A/D）和数据输出（D/A），其中板卡的输入通道数6为力信号，基地址为300h，采样时间为0.001s，力传感器的取值范围为-5V～+5V，其对应的实际值是-5000N～+5000N。

考虑到系统的时变性和干扰性，进行了多组试验，为了达到xPC实时目标，在实时运行目标应用程序时，可以通过改变输入正弦信号的振幅和频率以及改变输入阶跃信号的时间和步长值来调整实验参数，这样输出信号就会立即发生相应的变化，多组输入输出数据就可以通过xPC实时系统在线获得。

2.复合模糊PID控制器的设计

电液力伺服系统有如下几个特点：第一，有一些不确定的参数，比如油液体积弹性模量和伺服阀的流量增益等；第二，负载质量和刚度会随着工作环境和条件的变化而改变.特别是当负载刚度变化很大的时候，不仅严重影响系统本身的动态特性和静态特性，还影响到控制性能。

因此迫切需要设计一种对系统参数变化适应性强的控制方法.这种控制器如图5所示。由图可知，这种复合型控制器由一个经典的PID控制器和一个带有自调整修正因子的模糊控制器组成.这个控制器在力值远离目标值时用模糊控制器来控制系统，而当力值在目标力值附近时用PID控制器来控制系统.使用经典PID控制方法是为了消除系统的稳态误差，而使用模糊切换方法是为了避免由于两种控制方法之间切换时所造成的不良扰动，为了提高系统的动态特性，添加了前馈校正。

模糊控制理论包括模糊化、基于专家经验的模糊规则库、模糊推理和清晰化，模糊控制规则的自调整是提高控制器性能的关键因素，本次研究使用了带有修正因子的模糊数模型来在线自动调整模糊控制的规则，模糊输入变量（误差E和误差变化率EC）采用三角形隶属度函数，如图6所示，其中

由于修正因子α能直接反映误差（E）和误差变化（EC）的加权程度，在控制过程中忠实地反应了操作者的思维特点，因此，在线调整控制规则的主要任务就转化为调整修正因子α的值，根据专家经验和控制工程知识，自调整修正因子的模糊数模型如表1所示，为了最终消除量化误差和调节死区，在自调整修正因子的模糊数模型中应用插值法来改进控制规则。

3.计算机仿真结果

为了验证复合模糊PID控制器的有效性，对电液力伺服系统进行了计算机模拟仿真.采样频率选择为1000Hz，计算过程采用ode4算法，电液力伺服系统的数学模型如式（7）所示。

根据前面提出的复合控制器，用Matlab工具箱对该系统进行建模，输入相同的阶跃信号，并对不同控制器的输出图形进行比较.由于反馈为单位反，因此期望的输出值就是输入值。如图8所示，可见与传统的模糊控制系统和PID控制系统相比，复合模糊PID控制器具有良好的单位阶跃响应，超调量更小，上升时间更快，达到稳态值的时间更小。

4.实验结果

为了验证所提出的模糊控制器在实际应用中的有效性，在半物理仿真实验台（图3）上进行了实时控制实验，由电脑产生的输入信号经数据采集卡（PCL-818HD）发送给伺服放大器，放大后的信号被传递到伺服阀从而控制液压缸产生力来克服负载的弹簧力和惯性力，再通过力传感器将活塞上的力值反馈回来，最后将这个反馈回来的信号发送给计算机进行数据处理.实验的基本要素是控制程序，它包括产生输入信号的控制模块、数据采集卡的管理、控制算法的实现和数据存储等。

为了评估所提出的控制器对力的控制性能，将期望的跟踪输入分别设置为阶跃信号和正弦信号，该系统阶跃响应（0.1V）的跟踪输出如图9所示，其中系统的质量是124.96kg（包括7个质量块、活塞和平台），负载刚度为3371.67N/mm，由图可见，与PID控制策略和传统的模糊控制策略相比，复合模糊PID控制器在抑制超调和提高实际试验台的稳定时间方面显示出了明显的优势。

由于线性或非线性系统辨识模型的微分方程不能充分反映实际系统，因此在实验时要对控制器的某些参数稍作修改，这样实际试验台的响应时间会与仿真结果稍有不同，不同的原因包括实际系统的线性化，参数值的选择以及计算的误差等，但是实际实验结果大体与仿真结果相符合。

负载刚度变化时，复合模糊PID控制器的性能如图10所示，其中K1=708.73N/mm，墨=3071N/mm和K3=3371.67N/mm.可见，负载刚度严重影响着系统的响应速度和峰峰值的跟踪速度。

系统的质量主要影响力伺服系统的速度，如图11所示，可见在质量变化时，使用混合模糊PID控制器时系统的动态响应速度基本上是有保证的.其中m1=124.96kg（包括七个质量块、活塞和平台），m2=67.84kg（包括3个质量块、活塞和平台），和m3=25kg（包括活塞和平台）。

系统辨识理论范文第6篇

关键词 冲击地压；小波神经网络；粒子群算法；预测模型

中图分类号 TD324 文献标识码 A 文章编号 2095-6363（2017）11-0104-01

_击地压是一种复杂、严重的非线性动力学现象，是人工活动如煤矿开采、煤矿爆破等诱发的地质灾害[1]。现在对于冲击地压有许多的研究手段。例如机制分析法、现场试验法、声光发射法、能量强度理论、突变理论等[2]。然而由于冲击地压成因复杂，很难对其机理进行深入研究，因此，采用传统的数学、物理手段很难对预测模型构建，近年来，机器算法在非线性模型的构建中得到了广泛的应用。

1 改进的例子群算法

1.1 基本粒子群算法

第i个粒子搜寻至当前最优位置是，

全部粒子种群迄今为止搜寻到的最优空间位置是，为第i个粒子速度，粒子速率及空间位置按照公式1、公式2进行迭代寻优：

（1）

i=1，2，…n d=1，2，…D （2）

1.2 随机扰动粒子群优化算法

由于基本粒子群算法在迭代后期寻优能力较差，为了保证粒子的多样性，特在算法中引入吸引算子，当时，粒子向全局最优解进行靠拢，而当时，粒子飞向种群最优解相异的方向，当差值d很小（）时，证明粒子当前解以接近全局最优，应该向其远离，以实现对其他空间寻优；而当差值d比较大（）时，证明粒子当前的位置离全局最优解距离较远，说明粒子应该靠近它，这样，算法实现了种群中的每个粒子都是随机流动的，使得群体寻优有更快的速度。则对粒子群算法优化如下：

（3）

（4）

2 基于SDPSO-WNN算法的冲击地压预测控制模型

2.1 冲击地压危险性等级模型原理

模型通过进行不断校正，控制误差在理想区间，实现时变非线性系统的预测控制。算法模型如图1所示。

系统的实际输出值与小波神经网络预测输出值做差值得到校正误差：

（5）

加入补偿算法后的闭环系统的输出为：

（6）

其中，h取1为反馈系数。

2.2 冲击地压预测控制算法的流程

冲击地压危险性预测控制步骤如下。1）设置系统的起始状况并及对小波神经网络函数、粒子群参数赋值。2）对样本进行优化筛选用以提高被控对象预测误报率。3）在选取的样本中选取一部分为训练样本，用以训练小波神经网络的参数，构建小波神经网络预测模型并对系统辨识的输出和训练样本的输出进行差分得到辨识误差，利用SDPSO优化算法对辨识网络进行迭代。4）计算系统预测输出值。5）对系统进行反馈校正，对系统的预测能力进行评估。

3 冲击地压预测的实例仿真分析

3.1 WNN神经网络与改进粒子群算法的初始参数

选取

采用随机扰动粒子群算法算法，小波神经网络数据归一化处理的方法比例缩放法，评价指标为均方误差。

粒子群规模为40，加速因子，最大迭代次数，目标精度0.000 1。

3.2 冲击地压危险性预测仿真结果

分别利用样本中1～15组数据进行网络模型训练，利用16～19组样本数据对预测模型进行冲击地压危险等级测试，利用使用公式（7）进行样本归一化处理。

（7）

式中：为数据序列中的原始值；，分别为原始数据中的最大值和最小值；为变化后的数据；，分别为变换后数据的最大值和最小值，通过训练误差达到设定范围0.000 1。

1）随机扰动粒子群优化的WNN模型与WNN模型训练效率对比。WNN模型模拟运行100次均未达到0.001的学习精度，其训练精度最好为0.003 79，最差的达到0.015 46，均值为0.008 57。而对本文建立的SDPSO-WNN模型进行迭代100次，其训练精度60%以上都能迅速到达0.001。

2）SDPSO-WNN模型与WNN模型的预测精度分析。WNN模型的预测精度亦不如SDPSO-WNN优化模型，WNN的仿真结果也与实测结果偏离较大。相比之下，优化后的模型有一个等级的小偏差，预测精度较为理想。

4 结论

本文在小波神经网络的权值与阈值进行寻优中应用粒子群算法并加以随机扰动，采用预测控制思想建立系统预测模型，与WNN神经网络预测模型进行比较。研究结果表明：模型取得了更快的收敛速度、更高的收敛精度、泛化能力较高，可以广泛应用到煤矿冲击地压危险性预测工作中。

参考文献

[1]赵本均，滕学军.冲击地压及其防治[M].北京：煤炭工业出版社，1995.

[2]司光耀.浅谈煤矿冲击地压的主要预测手段[J].煤矿现代化，2008（5）：33-34.

系统辨识理论范文第7篇

关键词：双容水箱 水箱液位 实验项目设计

中图分类号：TP273 文献标识码：A 文章编号：1674-098X（2016）08（b）-0133-02

Abstract：Because of the simple structure of the double-capacity water tank system， and control process is flexible and variable that is also similar to industry control process， that can help students understand control algorithm better. The paper aim at our school double-capacity water tank control system， combining with main courses， which is to design experiments based on level controlled object. Through the practice teaching， the designed experiments can improve the hands-on ability greatly， and achieve the purpose of training applied talents.

Key Words：Double-capacity water tank； Level of water tank； Design experiments

双容水箱控制系统是具有较强代表性的工业对象，具有非常重要的研究意义。在教学科研类实验系统中，能够很好地覆盖控制类相关专业的实验课程，如过程建模技术、过程控制工程和计算机控制技术等。学生通过改变阀门开关状态，灵活地构成一阶对象和二阶对象，在双容水箱控制系统上做各种基础实验，也可以做一些拓展实验。同时，还为广大科研工作人员提供了良好的试验平台，进行非线性系统的辨识和控制等相关研究[1]。

该文主要研究了数学建模实验和数字PID控制实验，通过形式多样的实践环节，使学生对简单的自动控制系统有了初步的了解，不仅验证所学理论，并能加深学生对流程工业控制算法基本原理的认识，提高了学生分析问题和解决问题的能力，同时能对所学内容提出一些新的见解。

1 数学模型试验项目的设计研究

被控过程的数学模型是控制系统设计的基础，在过程控制系统设计中，首先要解决如何用恰当的数学模型即数学模型来描述被控过程的特性。只有掌握了过程的数学模型，才能深入分析过程的特性并精确设计控制器[2]。

通常建立过程数学模型的方法，主要有3种。

（1）解析法。解析法又称为机理演绎法。它根据过程的内在机理，运用已知的静态和动态物料（能量）平衡关系，用数学推理的方法建立过程的数学模型。

（2）实验辨识法。实验辨识法又称为系统辨识与参数估计法。该方法是根据过程输入、输出的实验测试数据，通过过程辨识和参数估计建立过程的数学模型。

（3）混合法。即用上述两种方法的结合建立过程的数学模型。首先通过机理分析确定过程模型的结构，然后利用实验测试数据来确定模型中各参数的大小。

1.1 双容水箱控制系统

双容水箱控制系统主要是以液位为主要被控对象的控制系统，在实际的工业控制领域有广泛的应用。为了实现有效的系统分析与控制，首先必须正确认识系统的性质。为此，通常借助于数学模型这一有效工具。可以说，正确地提出和建立系统的数学模型，是实现系统控制的基础和前提[2]。

该文采用实验辨识法研究双容水箱液位系统，其装置包括调节器DTL-121A一台、电/气转换器D/Q一台、差压变送器DBC-334Q一台和记录仪XWC-200一台。（如图1）

图中有3只水槽。其中槽1，槽2为调节对象，它们的液位高度L1及L2分别作为液面对象的被调参数，由各自的液位变送器测出。槽3为贮水槽是为了构成循环水而设置的。贮水槽中的水，可通过泵抽出经调节阀R1送入水槽1。其流量大小也分别通过各自的流量变送器测出。而水槽1及水槽2中的水可分别通过它们各自的流阻R2、R3流入下槽，如此构成水的循环。

1.2 实验原理

在设备正面的控制屏上装有1台两笔记录仪，3台电调节器和2块毫安表，和设计接线板，其工作原理是通过控制流入水槽1进水量的大小，来控制水槽2的液位高度。

（1）手工操作为水槽1和水槽2注水，并将水槽2的液位控制在80～100 mm。

（2）系统稳定后，手动向调节期施加宽度为a的阶跃脉冲信号，从而改变水槽1的入水流量。

（3）观察记录仪曲线，直到系统重新达到稳定状态。

（4）采用切线法[3]处理实验获得的过程曲线。求取对象模型中的增益K、滞后时间τ，再将T1、T2，分别代入模型，推导出系统传递函数G1（s）、G2（s）。

2 数字PID控制实验项目的设计研究

2.1 设计思想

该实验项目由水箱的液位h1和h2作为被控变量，采用PID控制器。目前PID控制算法是应用最为广泛的一种控制规律。它具有原理简单、易于实现、鲁棒性强和适用面广等优点。用计算机实现PID控制，不仅仅简单地把PID控制规律数字化，而且进一步与计算机的逻辑判断功能结合起来，使PID控制更加灵活多样，更能满足生产过程提出的各种要求[4]。

2.2 实验原理

计算机控制控制的工作原理归纳为以下三个步骤。

（1）实时数据采集：对来自测量变送装置的被控量的瞬时值进行检测和输入。

（2）实时控制决策：对采集到的被控量进行分析和处理，并按预定的控制规律，决定将要采取的控制策略。

（3）实时控制输出：根据控制决策，实时地对执行机构发出控制信号，完成控制任务。

在双容水箱系统中当水箱的液位变化时，首先通过压力传感器转换成4～20 mA的标准电流信号，再由I/O接口的A/D转成二进制编码的数字信号后，送入计算机端口。再经计算机算发出控制量通过D/A转换成1～5 V的控制电压信号，通过改变调节阀的开度控制水箱的进水量，从而调节水箱的液位高度。系统流程如图2所示。

系统与上位机相连后，运行软件便可以开始实验了。对水槽装置实现计算机控制，包括数据实时采集与处理，数字PID控制算法的实现，控制画面设计的完整过程。学生完成对数字PID控制算法程序的设计，并对水槽实施计算机控制，同时检查设计的可行性。

4 结语

在指导实验过程中，学生独立动手完成整个系统的设计，包括系统搭建、算法编程以及设备调试整个过程。学生通过上述实验项目可以基本掌握在流体过程对象上进行计算机控制的设计及实施方法，提高了针对控制系统的设计和分析能力。实验项目在教学实践中的不断积累与改进，已经取得了较好的教学效果。不仅提高了课程的直观性，通过实验教学把理论知识化为实际的系统。同时，在保证实践环节教学质量的基础上，也大大地激发了学生的学习兴趣，为学生以后从事生产和科研工作打下了良好的基础。

参考文献

[1] 高明坤.双容水箱控制系统的研究[D].沈阳：东北大学，2011.

[2] 袁德成.过程控制工程[M].北京：机械工业出版社2013，60-61.

系统辨识理论范文第8篇

[关键词]移动机器人 导航技术 现状 展望

中图分类号：TP242 文献标识码：A 文章编号：1009-914X（2016）18-0147-01

移动机器人导航是利用其传感器，扫描、收集周围环境信息，确定路线规划并编辑程序使其移动。笔者认为，经过业内科研人员不懈努力，移动机器人导航技术不论在理论研究或应用实践均取得积极成效，但展望未来，理论研究有待补充，技术难题亟待解决。

1. 移动机器人的导航方式概述

移动机器人在利用导航技术获取周边环境信息以确定行走方向或所在位置时，需综合利用科学算法，得出数据模型并形成指令，方可规划最优路径。

1.1.电磁导航

电磁导航是最早被研发的导航技术。技术人员在机器人预设路线上设置多条电线，机器人在运行中通过接收电流频率，通过感应线圈感知行走指令[1]。经过多年尝试，科研人员认定该方法准确率高且运用简单，但前期铺设电线需消耗过多人力、物力，因此该方法的维护成本较高。

1.2.视觉导航

视觉导航是机器人常用导航技术，其特点是探测信号范围广、信息获取准度高。研究人员在移动机器人头部安装巡航影像系统，其内部含有传感器辨识系统、图像辨别系统和路径规划技术等。视觉导航采用电荷耦合器件图像传感器（简称CCD），它是集信息划分、整理、读取为一体的综合传感器，当机器人进行路径规划时，CCD传感器会将传输至系统原件的电荷转移至影像系统内的二维传感器进行合成，通过系统扫描对数据进行量化建模，形成指令[2]。

1.3.其他导航技术

光反射导航是在机器人接收外界光线频率以自主移动。该方法成本低廉、操作简单，也是国内机器人研发机构使用较广泛的方法。

声音导航技术是机器人利用内部声音识别系统辨识无规律、无方向的声音频率，尤其是在光线不充足环境中，机器人可通过声音精确定位；另外，味觉导航是应用于机器人内部高灵敏度的化学传感器，根据气味、气流方向检测气流浓度情况，便于机器人搜寻气源，确定行程路线。

2. 探讨移动机器人导航技术发展现状

笔者认为，移动机器人导航技术在精确定位、路径规划、信息融合等方面有较强优势，但仍需提升技术指标，校准误差，确保导航准确性。

2.1.导航定位

国内机器人导航技术一般采用相对定位法，通过筛选距离、测定方位、计算最优路径等步骤，确保机器人按预定路线移动。该方法收集数据速度较快，但长期精准较差。近些年，国内科研机构引进了惯性导航法，即利用陀螺仪测算机器人内部控件转速，利用加速计计算运动加速度，反复测量以求得累积测量值。惯性导航法提升了测算效率，但在计算过程中无法避免时间误差，若机器人移动距离较长，误差会逐渐增大，定位精准度下降。

国外机器人定位利用绝对定位法，即将机器人内部导航系统与太空卫星进行网络连接，卫星可向机器人导航系统传输全球定位信息，并对重点位置标记，便于技术人员更好地掌握路径环境数据。绝对定位法有助于机器人较精确地感知局部环境信息，进一步减少误差风险。

2.2.规划路径

路径规范技术是机器人内部搜索算法的实现，即确定目的地后，系统自动计算最优路线信息，主要是测定最佳距离及避免障碍物。当前，路径规划分为全局路径技术与局部路径技术，其中，全局路径技术采用直线搜索法，即直接测算从起始点到终点的最短距离与最少用时，将此为最优线路设计依据，而局部规划技术是处于运动中的机器人及时收集局部环境数据，并测算其加速度和检测内部性能，利用计算数值构造模型，以控制机器人运动不偏离预计方向。

2.3.传感器的信息融合

传感器是机器人应用导航技术的载体。为强化传感器信号输入的准确性与可靠性，国内外研发机构会在机器人顶部安置多位传感器，既促进对环境信息收集、分析和运算速度，提升了测算准确性，又使多部传感器发挥重组或互补优势，进一步完善系统数据计算的互补性，保证系统运行高速和准确性。另外，传感器技术是模仿生物神经系统处理信息模式，一般进行复杂环境下的信息描述和系统测算工作，用于筛选采集样本、辨识信息的正误，充分保证了多位传感器系统的高度统一性。

3. 浅谈移动机器人导航技术展望

目前，移动机器人导航领域的信息处理、精准定位等研究理论和技术改造不断提升，随着网络计算机技术日益发展，未来机器人导航技术会有更严格的标准和更困难的问题等待我们去探索、解决。

3.1.改进视觉导航技术

未来一段时间内，视觉导航技术需重点提升系统测算精度，扩充数据存储容量，提高图像处理速度。笔者认为，视觉导航的发展趋势是提高处理图像静态、动态的信息识别，使机器人时刻根据周边环境变化以改进路线，让导航系统探测范围更广、信息收集更完整及图像处理实时性更强。

3.2.提升传感器技术融合性

目前，机器人导航的多为传感器融合技术，进一步促进了信息的融合性。但该技术适用环境需严格限制，原因是部分传感器性能无法与视觉导航、电磁导航等技术充分融合，无法胜任高精度测算任务[3]。因此，未来需要进一步探究如何提升传感器与不同导航系统的融合性，并加以改进，让机器人将来可不受环境约束，加速信息的融合、处理，不断地获取高精度的数据。

3.3.提升机器人系统性能

通常，机器人系统处理信息效率越高，则导航结果越精确，机器人导航系统在收集外界信息后，将其分解、归类为基础信息并逐一处理[4]。未来，科研人员通过升级当前系统，开发模块信息平台，让不同信息同时列于平台上处理，提升系统运行效率。

日后，国内外的机器人研发机构还会加强多位机器人导航系统应用。设计连接程序，将不同机器人导航系统串联，使多个机器人利用空间通信法相互分享不同方位测定的数据，以此判定到达位置的最优路径，使机器人资源可最大化利用。

4. 结语

笔者认为，现阶段机器人导航技术的创新发现为将来更进一步实施技术改进打下了坚实的理论基础和积累了丰富的实践经验。今后，我们更需提高移动机器人导航技术的定位精确性、信息融合性等方面，进一步创新研发更优质性能的导航系统，并将网络发展的理念和技术逐渐渗入到机器人导航的研究领域，提高导航的人工智能性，使移动机器人更加造福于人类社会。

参考文献

[1] 林义闽.未知环境中智能机器人的视觉导航技术研究[D].北京邮电大学，2014.

[2] 蒋浩然，陈军，王虎，雷王利，袁池. 移动机器人自动导航技术研究进展[J].西北农林科技大学学报（自然科学版），2011，12：207-213.