CN101924533A - 基于fir模型辨识的多变量时滞参数估计方法 - Google Patents
基于fir模型辨识的多变量时滞参数估计方法 Download PDFInfo
- Publication number
- CN101924533A CN101924533A CN201010230126XA CN201010230126A CN101924533A CN 101924533 A CN101924533 A CN 101924533A CN 201010230126X A CN201010230126X A CN 201010230126XA CN 201010230126 A CN201010230126 A CN 201010230126A CN 101924533 A CN101924533 A CN 101924533A
- Authority
- CN
- China
- Prior art keywords
- time
- individual
- output
- matrix
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000004044 response Effects 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 44
- 238000005530 etching Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
一种基于FIR模型辨识的多变量时滞参数估计方法,包括以下步骤:步骤101:采集系统的输入输出数据;步骤102:对采集得到的数据进行FIR模型辨识,得到系统的阶跃响应系数s,并得到阶跃响应曲线;步骤103:阈值选择为Δ%c(∞);步骤104:判断阶跃响应曲线中时滞段的波动是否在阈值范围内,波动未超出阈值范围则进入步骤105,反之进入步骤103,重新选取阈值;步骤105:得到阈值与阶跃响应曲线的第一个交点;步骤106:若判定t1<t<t2,则进入步骤107得到相应的时滞估计值;反之交点所指示的横坐标值t落在采样点t1或t2,则滞参数估计值τ为采样点t1或t2;步骤107:得到时滞参数估计值τ=t1。本发明适用性良好、精度高。
Description
技术领域
本发明涉及多变量系统的时滞参数估计方法。
背景技术
在化工、炼油、冶金和造纸等复杂的工业过程中,广泛地存在时滞现象。时滞产生的主要原因有:对系统变量的测量、系统中设备的物理性质及物或信号的传递等。在实际工程控制问题中,有时因滞后系统的影响不大而在系统的设计或模型中将滞后省略。但是在更多的实际工程中,滞后是不能省略的,如化工过程控制中的锅炉温度控制,输入一控制信号后经2~3个小时也不见有输出响应。由于时滞的存在,使得被控变量不能及时地反映系统的输入变量的影响,从而使控制系统产生明显的超调,控制系统的稳定性变差,调节时间加长。时滞的存在对系统的性能和稳定性都会产生重要的影响,因此对时滞参数估计的研究具有很强的现实意义。目前存在各种多变量时滞参数估计方法,最传统的多变量时滞参数估计方法是相关分析法,但要辨识得到精确的时滞需要先验知识。该方法只有当输入数据为白噪声时,才能辨识出时滞参数;否则要将输入数据白噪声化,输出数据进行相应的滤波才能辨识时滞参数。其他多变量系统时滞估计研究常涉及到智能算法,如神经网络算法及遗传算法。
现有的多变量时滞参数估计方法存在的技术缺陷:适用性差、精度低。
发明内容
为了克服已有多变量时滞参数估计方法的适用性差、精度低的不足,本发明提供一种适用性良好、精度高的基于FIR模型辨识的多变量时滞参数估计方法。
本发明解决其技术问题所采用的技术方案是:
一种基于FIR模型辨识的多变量时滞参数估计方法,所述多变量时滞参数估计方法包括以下步骤:
步骤101:采集系统的输入输出数据:对多变量系统进行开环测试实验,获取输入输出数据。
步骤102:对采集得到的数据进行FIR模型辨识,具体如下:
(1)
引入残差e, m输入n输出的矩阵形式为:
基于上述数据应用最小二乘法得到式(3):
其中:
上式(3)中,为建模时域,为数据长度,是矩阵,它的元素表示第个输入相对于第个输出的第个脉冲响应系数,矩阵和的维数分别为和,矩阵中的元素表示第输出变量的第个采样值,矩阵中的元素表示第输入变量的第个采样值,其中和均为整数,且,,为输入变量的个数,为输出变量个数;
(4)
由上式(4)得到相应的系统的阶跃响应系数;
步骤104:根据已选定的阈值,结合步骤102中得到的阶跃响应曲线,判断阶跃响应曲线中时滞段的波动是否在阈值范围内,波动未超出阈值范围则进入步骤105,反之进入步骤103,重新选取阈值;
步骤105:得到阈值与阶跃响应曲线的第一个交点;
本发明的技术构思为:基于FIR模型辨识的多变量时滞参数估计,包括FIR模型辨识方法的应用、阈值选取和时滞参数估计三个技术要点。
FIR模型是典型的非参数模型, FIR模型及其辨识方法的优点如下:1)不需要假设模型的阶数,可以根据模型实际要求选择合适的建模时域;2)FIR模型辨识具有统计无偏性和一致性,在实际工业过程中通常采用开环辨识实验得到输入数据和输出数据,即和之间不存在反馈,那么输入和扰动是相互独立的,保证了FIR模型辨识方法的无偏性;3)能够处理复杂的动态特性(如时滞、逆响应等)。因此应用FIR模型辨识方法进行多变量时滞参数估计是完全可行的。
(1)
引入残差e, m输入n输出的矩阵形式为:
基于上述数据应用最小二乘法得到式(3):
其中:
上式(3)中,为建模时域,为数据长度,是矩阵,它的元素表示第个输入相对于第个输出的第个脉冲响应系数,矩阵和的维数分别为和,矩阵中的元素表示第输出变量的第个采样值,矩阵中的元素表示第输入变量的第个采样值,其中和均为整数,且,,为输入变量的个数,为输出变量个数;
由于阶跃响应是脉冲响应的积分,且对于离散系统,阶跃响应系数为脉冲响应系数之和,因此相较于系统的脉冲响应,阶跃响应更适用于观察噪声波动和系统的稳态特性。
阈值选取问题:在最理想的情况下,时滞辨识结果应该是输出响应曲线中存在一段输出为0,即在输出为0的这一段时间中输出对输入的控制信号没有反应。但在实际工业过程的时滞辨识中,很多原因会导致时滞时间内输出响应曲线并非绝对为0,如下所述:
1、辨识算法本身的限制,像本文中采用的FIR模型辨识方法,它会因选取合适建模时域而进行模型截断,导致模型存在偏差,无法描述不稳定过程。
2、离散性,在计算机控制系统中由于计算的离散性常使用离散系统的描述方法,且基于输入输出数据的辨识算法中需得到相关采样数据,在一定程度上也会影响时滞段绝对0的辨识。采样频率会影响数据包含的有效的信息量。
3、噪声,当系统受到噪声的影响时,时滞辨识的响应曲线会有很多“毛刺”。不同均值方差的噪声对系统会产生不同影响。
4、未知干扰,在实际工业过程中,未知干扰难免存在。
因此阈值的选取应适当考虑采样时间,噪声及未知干扰等因素。本发明中阈值的选取与自动控制理论中的调节时间的定义一致,当系统的阶跃响应衰减到给定的误差带内,并且以后不再超过给定的误差带的时间,称为调节时间。
其中取2或5,为时刻系统的阶跃响应,为该系统阶跃响应的稳态值。从工程角度,只需要偏差小于允许的值。因此这个方法应用于阈值的选择问题是可行的。最终阈值选择为(取2或5)。阈值选取的原则是要在最小限度内包含所有噪声存在的可能性。
多变量系统时滞参数估计:在选取合适的阈值后,设定该阈值判断时滞段。系统的阶跃响应曲线在这个阈值范围内的,认为是时滞段,超出该阈值范围的则认为非时滞段。对于多变量时滞辨识过程,各个输入变量对应各个输出变量的时滞判断需要设定不同阈值。
由此可见,应用本发明提供的技术方案,在开环测试实验中获取相关历史输入输出数据,并对其应用FIR模型辨识方法得到系统的脉冲响应,由脉冲响应转化而得的阶跃响应结合选取的阈值,最终可以得到多变量系统的各段时滞参数的估计值,为系统的控制及其他相关模型操作做好了充足的准备。
本发明的有益效果主要表现在:适用性良好、精度高。
附图说明
图1是基于FIR模型辨识的多变量时滞参数估计的步骤图。
图2是一个多变量系统实例框图。
图3是图2实例的时滞辨识结果。
图4是图3中时滞段的放大图形。
具体实施方式
下面结合附图对本发明作进一步描述。
参考图1~图4,一种基于FIR模型辨识的多变量时滞参数估计方法,具体步骤如下:
步骤101:采集系统的输入输出数据。对多变量系统进行开环测试实验以此获取相关输入输出数据。
步骤102:对采集得到的数据进行FIR模型辨识。
考虑m输入n输出模型,每个输出均受到m个输入的影响,那么整个系统是由n个m输入单输出组成。因此,MIMO情况下的FIR模型辨识需进行n次。下面以m输入n输出情况作说明。
针对第j个输出,其中,1≤j≤n,给出它的FIR模型如式(1):
引入残差e, m输入n输出的矩阵形式为:
基于上述数据应用最小二乘法得到式(3):
其中:
上式(3)中,为建模时域,为数据长度,是矩阵,它的元素表示第个输入相对于第个输出的第个脉冲响应系数,矩阵和的维数分别为和,矩阵中的元素表示第输出变量的第个采样值,矩阵中的元素表示第输入变量的第个采样值,其中和均为整数,且,,为输入变量的个数,为输出变量个数;
由上式可得系统的阶跃响应系数。
步骤103:理想状态下,系统阶跃响应的时滞段是一段输出为绝对0的线段,但由于噪声和未知干扰的存在,使得时滞段为非0,即在0附近上下波动。步骤102中得到系统的阶跃响应曲线图中可以观察出时滞段的波动。此时我们需要选定合适的阈值,阈值选取的原则是要在最小限度内包含所有噪声存在的可能性。而阈值的选定与自动控制理论中的调节时间的定义一致,当系统的阶跃响应衰减到给定的误差带内,并且以后不再超过给定的误差带的时间,称为调节时间。
其中取2或5,为时刻系统的阶跃响应,为该系统阶跃响应的稳态值。从工程角度,只需要偏差小于允许的值。因此这个方法应用于阈值的选择问题是可行的。本专利中阈值选择为(取2或5)。选取的原则是要在最小限度内包含所有噪声存在的可能性。
步骤104:根据已选定的阈值,结合步骤102中得到的阶跃响应曲线,判断阶跃响应曲线中时滞段的波动是否在阈值范围内,波动未超出阈值范围则进入步骤105,反之进入步骤103,重新选取合适的阈值。
步骤105:根据已选定的阈值,结合步骤102中得到的阶跃响应曲线,得到阈值与阶跃响应曲线的第一个交点。
步骤107:由于步骤106的判定,即采样点的值仍在阈值范围内,而采样点的值超出了阈值范围,因此可以判断出在时刻系统阶跃响应输出开始随着输入的控制变量变化,而在时刻系统仍未有输出反应。由此可以得到时滞参数估计值。
参考图3是图2所示实例的时滞参数估计结果。从图中实线部分可以得到相对于和相对于的阶跃响应图中的增益即均趋向于1,实例中我们选取,因此选择阈值均为;而相对于的阶跃响应增益为0.2,其阈值选择为。图中虚线部分即为选取的阈值。
参考图4是图3中时滞段的放大图形。相对于的阈值与阶跃响应曲线的首交点在5和6之间,由于该仿真实例的采样时间为1s,因此该时滞估计值只能是整数,而阶跃响应曲线是在采样点5处尚未超出阈值范围,但采样点6处超出了阈值范围,因而相对于的时滞估计值为5。同理可得相对于的时滞估计值为10,而相对于的时滞估计值为15。从中可看出,只要选取适当的阈值结合FIR模型辨识方法就可以得到真实的时滞估计值。
由此可得,基于FIR模型辨识的多变量时滞辨识参数操作很简单,且无需任何先验知识,只基于测量数据,只要选择合适的阈值就可得到精度较好的时滞参数估计值。
Claims (1)
1.一种基于FIR模型辨识的多变量时滞参数估计方法,其特征在于:所述多变量时滞参数估计方法包括以下步骤:
步骤101:采集系统的输入输出数据:对多变量系统进行开环测试实验,获取输入输出数据;
步骤102:对采集得到的数据进行FIR模型辨识,具体如下:
(1)
引入残差e, m输入n输出的矩阵形式为:
基于上述数据应用最小二乘法得到式(3):
(3)
其中:
上式(3)中,为建模时域,为数据长度,是矩阵,它的元素表示第个输入相对于第个输出的第个脉冲响应系数,矩阵和的维数分别为和,矩阵中的元素表示第输出变量的第个采样值,矩阵中的元素表示第输入变量的第个采样值,其中和均为整数,且,,为输入变量的个数,为输出变量个数;
由上式(4)得到系统的阶跃响应系数;
步骤104:根据已选定的阈值,结合步骤102中得到的阶跃响应曲线,判断阶跃响应曲线中时滞段的波动是否在阈值范围内,波动未超出阈值范围则进入步骤105,反之进入步骤103,重新选取阈值;
步骤105:得到阈值与阶跃响应曲线的第一个交点;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010230126XA CN101924533A (zh) | 2010-07-19 | 2010-07-19 | 基于fir模型辨识的多变量时滞参数估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010230126XA CN101924533A (zh) | 2010-07-19 | 2010-07-19 | 基于fir模型辨识的多变量时滞参数估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101924533A true CN101924533A (zh) | 2010-12-22 |
Family
ID=43339224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010230126XA Pending CN101924533A (zh) | 2010-07-19 | 2010-07-19 | 基于fir模型辨识的多变量时滞参数估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101924533A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608915A (zh) * | 2012-01-17 | 2012-07-25 | 中冶南方工程技术有限公司 | 基于工具变量iv法的结晶器arx模型辨识方法 |
CN102662326A (zh) * | 2012-05-04 | 2012-09-12 | 广东电网公司电力科学研究院 | 通过确定系统参数模型进行工业控制的方法及其装置 |
CN103901170A (zh) * | 2014-04-11 | 2014-07-02 | 济南大学 | 一种基于参数辨识的农业大棚湿度检测方法 |
CN105550396A (zh) * | 2015-12-03 | 2016-05-04 | 北京航空航天大学 | 一种基于阶跃响应相关分析的非参数系统辨识方法 |
CN105629766A (zh) * | 2016-03-16 | 2016-06-01 | 北京化工大学 | 基于阶跃测试的多变量时滞系统辨识方法 |
CN107066673A (zh) * | 2017-01-17 | 2017-08-18 | 大连理工大学 | 工业时滞响应过程的采样抗扰辨识建模方法 |
CN110989349A (zh) * | 2019-12-05 | 2020-04-10 | 上海电力大学 | 一种多变量系统模型辨识方法 |
CN112198789A (zh) * | 2020-09-11 | 2021-01-08 | 匙慧(北京)科技有限公司 | 闭环系统中的对象辨识方法、电子设备和计算机可读存储介质 |
CN112965365A (zh) * | 2021-02-23 | 2021-06-15 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
CN113467236A (zh) * | 2021-06-17 | 2021-10-01 | 中国人民解放军海军工程大学 | 一种对误差信号进行时滞补偿的方法 |
CN113486522A (zh) * | 2021-07-09 | 2021-10-08 | 西安工业大学 | 基于Legendre小波的分数阶非线性时滞系统参数估计方法 |
CN114718669A (zh) * | 2022-05-11 | 2022-07-08 | 华北电力科学研究院有限责任公司 | 汽轮机调速系统执行机构参数辨识误差的分析方法及装置 |
-
2010
- 2010-07-19 CN CN201010230126XA patent/CN101924533A/zh active Pending
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608915A (zh) * | 2012-01-17 | 2012-07-25 | 中冶南方工程技术有限公司 | 基于工具变量iv法的结晶器arx模型辨识方法 |
CN102608915B (zh) * | 2012-01-17 | 2014-04-09 | 中冶南方工程技术有限公司 | 基于工具变量iv法的结晶器arx模型辨识方法 |
CN102662326A (zh) * | 2012-05-04 | 2012-09-12 | 广东电网公司电力科学研究院 | 通过确定系统参数模型进行工业控制的方法及其装置 |
CN103901170A (zh) * | 2014-04-11 | 2014-07-02 | 济南大学 | 一种基于参数辨识的农业大棚湿度检测方法 |
CN105550396B (zh) * | 2015-12-03 | 2018-09-28 | 北京航空航天大学 | 一种基于阶跃响应相关分析的非参数系统辨识方法 |
CN105550396A (zh) * | 2015-12-03 | 2016-05-04 | 北京航空航天大学 | 一种基于阶跃响应相关分析的非参数系统辨识方法 |
CN105629766B (zh) * | 2016-03-16 | 2018-04-03 | 北京化工大学 | 基于阶跃测试的多变量时滞系统辨识方法 |
CN105629766A (zh) * | 2016-03-16 | 2016-06-01 | 北京化工大学 | 基于阶跃测试的多变量时滞系统辨识方法 |
CN107066673B (zh) * | 2017-01-17 | 2023-04-18 | 大连理工大学 | 工业时滞响应过程的采样抗扰辨识建模方法 |
CN107066673A (zh) * | 2017-01-17 | 2017-08-18 | 大连理工大学 | 工业时滞响应过程的采样抗扰辨识建模方法 |
CN110989349A (zh) * | 2019-12-05 | 2020-04-10 | 上海电力大学 | 一种多变量系统模型辨识方法 |
CN112198789A (zh) * | 2020-09-11 | 2021-01-08 | 匙慧(北京)科技有限公司 | 闭环系统中的对象辨识方法、电子设备和计算机可读存储介质 |
CN112965365A (zh) * | 2021-02-23 | 2021-06-15 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
CN112965365B (zh) * | 2021-02-23 | 2023-03-31 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
CN113467236B (zh) * | 2021-06-17 | 2022-10-21 | 中国人民解放军海军工程大学 | 一种对误差信号进行时滞补偿的方法 |
CN113467236A (zh) * | 2021-06-17 | 2021-10-01 | 中国人民解放军海军工程大学 | 一种对误差信号进行时滞补偿的方法 |
CN113486522A (zh) * | 2021-07-09 | 2021-10-08 | 西安工业大学 | 基于Legendre小波的分数阶非线性时滞系统参数估计方法 |
CN114718669A (zh) * | 2022-05-11 | 2022-07-08 | 华北电力科学研究院有限责任公司 | 汽轮机调速系统执行机构参数辨识误差的分析方法及装置 |
CN114718669B (zh) * | 2022-05-11 | 2024-01-26 | 华北电力科学研究院有限责任公司 | 汽轮机调速系统执行机构参数辨识误差的分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101924533A (zh) | 基于fir模型辨识的多变量时滞参数估计方法 | |
Kim et al. | On the monitoring of linear profiles | |
Asgari et al. | A new link function in GLM-based control charts to improve monitoring of two-stage processes with Poisson response | |
CN101950156B (zh) | 一种自适应串级pid控制方法 | |
CN109032117B (zh) | 基于arma模型的单回路控制系统性能评价方法 | |
CN108628288B (zh) | 一种用于一阶时滞组合积分控制系统的性能评价方法 | |
CN110365311B (zh) | 随机传感器饱和下多率时变网络系统滤波器的设计方法 | |
CN106099932B (zh) | 一种考虑不确定性的时空相关性的日前计划潮流分析方法 | |
CN106959618B (zh) | 一种基于阶梯优化权重的电压协调控制方法 | |
CN106227964B (zh) | 基于扩张状态观测器的迟滞非线性系统参数辨识方法 | |
Jiang et al. | An economic model for integrated APC and SPC control charts | |
CN105931130A (zh) | 一种考虑量测信号丢失的改进集合卡尔曼滤波估计方法 | |
CN109635431B (zh) | 基于历史数据斜坡响应的动态系统静态增益估计方法 | |
Huba et al. | Introduction to the discrete time PIDmn control for the IPDT plant | |
CN103901170B (zh) | 一种基于参数辨识的农业大棚湿度检测方法 | |
CN116627028B (zh) | 交联电缆生产线控制方法 | |
CN106125551B (zh) | 适用于周期伺服系统的积分滑模重复控制器 | |
CN110298767A (zh) | 一种火力发电厂时间序列变量异常监测方法及系统 | |
Wang et al. | An adaptive T 2 chart for monitoring dynamic systems | |
CN110852397A (zh) | 一种基于相对波动的自适应信号融合方法及系统 | |
Chen et al. | Study of PID control algorithm and intelligent PID controller | |
CN110083877A (zh) | 一种波动热工系统传递函数建模方法 | |
CN114924490B (zh) | 一种模型预测控制中的模型共线性分析与处理方法 | |
CN107991875A (zh) | 一种基于可靠性分析的化工间歇过程增强模型的控制方法 | |
Yamashita | Qualitative analysis for detection of stiction in control valves |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20101222 |