CN110032706A - 一种低阶时滞系统的两阶段参数估计方法及系统 - Google Patents
一种低阶时滞系统的两阶段参数估计方法及系统 Download PDFInfo
- Publication number
- CN110032706A CN110032706A CN201910309960.9A CN201910309960A CN110032706A CN 110032706 A CN110032706 A CN 110032706A CN 201910309960 A CN201910309960 A CN 201910309960A CN 110032706 A CN110032706 A CN 110032706A
- Authority
- CN
- China
- Prior art keywords
- parameter
- time lag
- parameter estimation
- low order
- order
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000002245 particle Substances 0.000 claims abstract description 41
- 238000013178 mathematical model Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 3
- 238000009795 derivation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种低阶时滞系统的两阶段参数估计方法及系统,包括:输入系统阶次;根据系统的阶次,求取描述系统的微分方程;对微分方程进行积分,得到描述系统的新的数学模型;用最小二乘法得到系统的参数估计值的初始值;然后设置参数初值估计误差,得到时滞系统参数取值范围;采用粒子群优化的方法对系统参数进行优化;输出系统参数辨识结果。该发明可解决低阶时滞系统初值和终值未知情况下的参数估计问题,具有良好的抗噪性能,具有较高的参数估计精度和较小的估计误差,算法简单易于实现,非常适合工业应用。
Description
技术领域
本发明涉及工业控制领域的系统参数估计方法,尤其涉及一种低阶时滞系统的两阶段参数估计方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
在工业系统的建模和控制中,如蒸汽锅炉的水位控制,汽轮机的蒸汽压力控制,直流伺服电机的速度控制等,一阶和二阶时滞系统是两类重要的数学模型。由于时滞环节对控制系统性能有重要影响,在设计控制器时,往往需要知道系统较准确的系统模型参数。在实际应用中,常采用系统辨识的方法获取模型参数。
目前,低阶时滞系统参数辨识方法主要包括时域辨识和频域辨识两类。其中,时域法通过对系统输入输出数据进行时域分析或拟合以实现参数估计;但是这类方法的辨识结果易受观测噪声影响。频域法通过对系统输入特定的满足辨识要求的信号,通过拟合系统频域特性获取系统参数。这类方法虽然抗噪性能强,但是算法复杂,实现困难,对系统输入输出数据要求高。对一些化工过程和无法实现频繁起制动的机电设备,现实的建模方法依然是通过系统阶跃响应辨识系统模型。
目前,由系统阶跃响应辨识时滞系统模型参数的经典方法主要有两点法、相良节夫法、半对数法和面积法等。当观测噪声较小时,采用经典方法可有效解决低阶时滞系统的参数估计问题。但当系统阶跃响应含有较强观测噪声时,传统辨识方法受观测噪声影响,系统辨识结果往往难以满足控制器设计要求。
近年来,连续系统模型参数辨识方法获得了较大发展。其中,基于积分方程的辨识方法在系统阶跃响应参数辨识中表现出较好的性能。但在实验中发明人发现,当观测噪声较强时,强噪声不仅会影响积分方程方法的参数估计精度,同时还会影响算法的稳定性。
发明内容
为了解决上述问题,本发明提出了一种低阶时滞系统的两阶段参数估计方法及系统,可解决低阶时滞系统初值和终值未知情况下的参数估计问题,具有良好的抗噪性能,具有较高的参数估计精度和较小的估计误差,算法简单易于实现,能够满足控制器设计要求。
在一些实施方式中,采用如下技术方案:
一种低阶时滞系统的两阶段参数估计方法,包括:
根据系统输出的阶跃响应曲线,确定低阶时滞系统的阶次;
根据系统的阶次,确定描述系统的微分方程;
对描述系统的微分方程进行两次积分,得到描述系统的新的数学模型;
对新的数学模型采用最小二乘法估计初始参数;
采用粒子群优化算法对初始参数进行优化;
参数优化完成后,输出系统参数辨识结果。
进一步地,采用粒子群优化算法对初始参数进行优化,具体为:
设定粒子群优化算法最大迭代次数tmax,得到各迭代次数对应的惯性权值ωt;
将初始参数估计结果作为初值,通过设定参数初值估计误差α,确定时滞系统模型参数的取值范围Xmin和Xmax;
生成粒子群优化算法的初始粒子群和各粒子的速度初值;
确定适应度函数,分别计算各粒子自身和粒子群搜索到的最优粒子Pt i和Gt;
计算各粒子的位置更新和速度更新
取当前粒子群的Gt作为解向量,判断迭代终止条件;当满足迭代条件时,迭代终止;否则,返回重新计算各粒子的位置更新和速度更新。
在另外一些实施例中,采用如下技术方案:
一种低阶时滞系统的两阶段参数估计系统,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述的任一项低阶时滞系统的两阶段参数估计方法。
在另外一些实施例中,采用如下技术方案:
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时执行上述的任一项低阶时滞系统的两阶段参数估计方法。
与现有技术相比,本发明的有益效果是:
本发明可解决低阶时滞系统初值和终值未知情况下的参数估计问题,具有良好的抗噪性能,具有较高的参数估计精度和较小的估计误差,算法简单易于实现,非常适合工业系统的建模和控制。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为实施例一中低阶时滞系统的两阶段参数估计方法流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
在一个或多个实施方式中,公开了一种低阶时滞系统的两阶段参数估计方法,如图1所示,首先输入系统阶次;根据系统的阶次,求取描述系统的微分方程;对微分方程进行积分,得到描述系统的新的数学模型;用最小二乘法得到系统的参数估计值的初始值;然后设置参数初值估计误差,得到时滞系统参数取值范围;采用粒子群优化的方法对系统参数进行优化;输出系统参数辨识结果。
本实施例所提出的方法主要用于对含有时间延迟被控对象的建模,典型的这类系统如蒸汽锅炉的温度和蒸汽压力控制系统等。采用本方法对被控对象进行建模的目的是为了设计这类控制系统的控制器。由于现有的工业控制系统中广泛使用PID控制器,而PID控制器的设计方法主要基于一阶或二阶时滞系统模型,因此根据本方法得到的系统模型可用于设计PID控制器参数。
本实施例具体公开了低阶时滞系统的两阶段参数估计方法具体包括如下步骤:
步骤(1):根据系统输出的阶跃响应曲线,确定系统的阶次;
系统的阶次为一阶或者二阶。
步骤(2):根据系统的阶次,确定描述系统的微分方程;
系统为一阶时滞系统时,当系统初值未知时,所对应的一阶时滞系统微分方程可表示为:
其中,u(t)和y(t)分别为系统输入和输出,e(t)为系统噪声或模型误差,T为时间常数,k为系统增益,L为滞后时间。
系统为二阶时滞系统时,当系统初值未知时,二阶时滞系统微分方程可表示为:
其中,u(t)和y(t)分别为系统输入和输出,e(t)为系统噪声或模型误差,T为时间常数,a1和a2为系统参数,k为系统增益,L为滞后时间。
步骤(3):对描述系统的微分方程进行两次积分,得到描述系统的新的数学模型;
3-1)当系统为一阶时滞系统系统时:
当u(t)为阶跃信号时,即
对式(1)进行积分得:
T[y(t)-y(0)]+y[1](t)-y(0)t=kh(t-L)+e1(t) (4)
其中,y(0)和e(0)分别为系统初值和阶跃响应。
对式(4)进一步积分可得:
其中,
令则式(5)可表示为
当系统阶跃响应采样时间序列为{t1,t2,…,tN}时,ti>L,令
则有:
YN=HNθ1+eN (7)
3-2)当系统为二阶时滞系统系统时
当系统输入u(t)为式(4)所示的阶跃信号时,对上式进行积分得:
其中,y′(t)为y(t)的一阶导数,y′(0)为y′(t)初值且y′(0)=0,
对式(8)进一步积分得:
其中,
令θ2为
则式(9)可表示为:
当采集N个系统阶跃响应数据,并令YN=[y(t1),y(t2),…,y(tN)]T,eN=[e2(t1),e2(t2),…,e2(tN)]T则有:
YN=HNθ2+eN (12)
步骤(4):对新的数学模型采用最小二乘法估计初始参数;
4-1)对于一阶时滞系统系统,采用最小二乘法可得θ1的估计值:
可得一阶时滞系统参数:
其中,θ1(i)表示θ1的第i个分量。滞后时间L满足如下方程:
[θ1(3)-2Tθ1(2)]L2+2θ1(4)L+2Tθ1(4)=0 (15)
由式(13)-(15)可分别求出一阶时滞系统模型参数的估计值。在上述推导过程中,假设t>L,由于L为待估计量,因此在实际求解时,需给定L初值。一般可取L=0,然后通过迭代得到滞后时间L的估计值。
4-2)对于二阶时滞系统系统
采用最小二乘法可得θ2的估计值:
可得二阶时滞系统参数:
其中,滞后时间L满足如下方程:
在上述推导过程中,假设t>L,由式(17)和(18)可求得二阶时滞系统模型参数。同样由于L未知,可通过迭代方法求出L的估计值。
步骤(5):判断初始参数估计是否完成,如果完成则进入步骤(6),否则,返回步骤(4);
步骤(6):采用粒子群优化算法对初始参数进行优化;
(6-1)设定粒子群优化算法最大迭代次数tmax,得到各迭代次数对应的惯性权值ωt。以步骤(5)的参数估计结果作为初值,通过设定参数初值估计误差α,确定时滞系统模型参数的取值范围Xmin和Xmax。以此为基础,生成粒子群优化算法的初始粒子群和各粒子的速度初值。
所述步骤6-1)的具体方法为
为描述方便,令X为低阶时滞系统模型参数,对于一阶时滞系统,X=[k,T,L,y(0)];对于二阶时滞系统,X=[k,a2,a1,L,y(0)]
假设X的维数为D(一阶时滞系统D=4,二阶时滞系统D=5),X上限和下限分别为Xmax={x1,max,…,xD,max}和Xmin={x1,min,…,xD,min},在Xmin和Xmax范围内,随机生成S个D维向量作为初始粒子群。其中,表示第t次迭代的第i个粒子,S为种群规模。对于初始粒子群中的任一粒子其第j个元素的生成方法如下:
其中,r0表示在区间[0,1]服从均匀分布的随机数,和分别为Xmin和Xmax的第j个元素。
假设通过积分方程方法得到的时滞系统参数估计值为定义相对系统参数真值X0的误差为α,即则可通过设置α的值获得X上限和下限。显然,可令一般可取0<α<1。当系统观测噪声较小时,α可取较小值;反之,α应取较大值。
除定义Xmin和Xmax外,粒子群优化算法还需确定粒子速度范围Vmin和Vmax。假设在Xmin和Xmax范围内将搜索空间分为M个间隔,则Vmax可采用如下方式确定:
取粒子速度最小值Vmin为-Vmax。
假设初始粒子群中第i个粒子对应的初始速度为 中的第j个元素的生成方法可表示为:
其中,和分别为Vmin和Vmax的第j个元素。
(6-2)确定适应度函数,分别计算各粒子自身和粒子群搜索到的最优粒子Pt i和Gt。
所述步骤(6-2)中的具体方法为:
假设辨识模型在ti时刻的输出为系统实际输出为y(ti),则时滞系统参数X的估计问题可转化为如下函数的极小化问题:
其中,J(X)为适应度函数为
(6-3)计算各粒子的位置更新和速度更新
所述步骤(6-3)中的具体方法为:
假设粒子群中第i个粒子经过第t次迭代后的位置为则在第t+1次迭代,该粒子的位置更新为:
其中,为对应的速度向量。的迭代方程为:
其中,ω为惯性权值,c1和c2为加速系数,本文取c1=c2=2,r1和r2分别为在区间[0,1]服从均匀分布的随机数,Pt i和Gt分别表示经过t次迭代粒子自身和粒子群搜索到的最优粒子。
假设在第t次迭代,惯性权值ω的取值为ωt,则取ωt为:
其中,tmax为最大迭代次数,ωmax和ωmin为惯性权值ω的最大值和最小值,取ωmax=0.9,ωmin=0.4
所述步骤(6-3)中的迭代终止条件为判断迭代次数是否小于最大迭代次数即t>tmax,如果满足该条件,则迭代终止。
(6-4)取当前粒子群的Gt作为解向量,判断迭代终止条件。当满足迭代条件时,迭代终止;否则,返回步骤(6-3)继续进行。
步骤(7):判断参数优化是否完成,如果完成进入步骤(8),否则,返回步骤(6);
步骤(8):输出系统参数辨识结果。
根据系统参数辨识结果可以实现在蒸汽锅炉的水位控制、汽轮机的蒸汽压力控制或者直流伺服电机的速度控制过程中完成对一阶或二阶时滞系统的模型,进而根据所建模型设计PID控制器的相关参数。
实施例二
在一个或多个实施方式中,公开了一种低阶时滞系统的两阶段参数估计系统,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
结合实施例一中的方法步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种低阶时滞系统的两阶段参数估计方法,其特征在于,包括:
根据系统输出的阶跃响应曲线,确定低阶时滞系统的阶次;
根据系统的阶次,确定描述系统的微分方程;
对描述系统的微分方程进行两次积分,得到描述系统的新的数学模型;
对新的数学模型采用最小二乘法估计初始参数;
采用粒子群优化算法对初始参数进行优化;
参数优化完成后,输出系统参数辨识结果。
2.如权利要求1所述的一种低阶时滞系统的两阶段参数估计方法,其特征在于,所述系统的阶次为一阶或者二阶。
3.如权利要求2所述的一种低阶时滞系统的两阶段参数估计方法,其特征在于,所述系统的阶次为一阶时,所对应的一阶时滞系统微分方程为:
其中,u(t)和y(t)分别为系统输入和输出,e(t)为系统噪声或模型误差,T为时间常数,k为系统增益,L为滞后时间,y(0)为系统初值。
4.如权利要求2所述的一种低阶时滞系统的两阶段参数估计方法,其特征在于,所述系统的阶次为二阶时,所对应的二阶时滞系统微分方程为:
其中,u(t)和y(t)分别为系统输入和输出,e(t)为系统噪声或模型误差,T为时间常数,a1和a2为系统参数,k为系统增益,L为滞后时间,y(0)为系统初值。
5.如权利要求1所述的一种低阶时滞系统的两阶段参数估计方法,其特征在于,当系统为一阶时滞系统系统时,描述系统的新的数学模型为:
YN=HNθ1+eN
其中,YN=[y[1](t1),y[1](t2),…,y[1](tN)]T,eN=[e2(t1),e2(t2),…,e2(tN)]T,系统阶跃响应采样时间序列为{t1,t2,…,tN},ti>L; y(0)和e(0)分别为系统初值和阶跃响应。
6.如权利要求1所述的一种低阶时滞系统的两阶段参数估计方法,其特征在于,当系统为二阶时滞系统系统时,描述系统的新的数学模型为:
YN=HNθ2+eN
其中,YN=[y(t1),y(t2),…,y(tN)]T,eN=[e2(t1),e2(t2),…,e2(tN)]T,
a1和a2为系统参数,k为系统增益,L为滞后时间,y(0)为系统初值。
7.如权利要求1所述的一种低阶时滞系统的两阶段参数估计方法,其特征在于,采用粒子群优化算法对初始参数进行优化,具体为:
设定粒子群优化算法最大迭代次数tmax,得到各迭代次数对应的惯性权值ωt;
将初始参数估计结果作为初值,通过设定参数初值估计误差α,确定时滞系统模型参数的取值范围Xmin和Xmax;
生成粒子群优化算法的初始粒子群和各粒子的速度初值;
确定适应度函数,分别计算各粒子自身和粒子群搜索到的最优粒子Pt i和Gt;
计算各粒子的位置更新和速度更新
取当前粒子群的Gt作为解向量,判断迭代终止条件;当满足迭代条件时,迭代终止;否则,返回重新计算各粒子的位置更新和速度更新。
8.如权利要求7所述的一种低阶时滞系统的两阶段参数估计方法,其特征在于,在Xmin和Xmax范围内,随机生成S个D维向量作为初始粒子群;其中,表示第t次迭代的第i个粒子,S为种群规模;对于初始粒子群中的任一粒子其第j个元素的生成方法如下:
其中,r0表示在区间[0,1]服从均匀分布的随机数,和分别为Xmin和Xmax的第j个元素。
9.一种低阶时滞系统的两阶段参数估计系统,其特征在于,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现权利要求1-8所述的任一项低阶时滞系统的两阶段参数估计方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时执行权利要求1-8所述的任一项低阶时滞系统的两阶段参数估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910309960.9A CN110032706A (zh) | 2019-04-17 | 2019-04-17 | 一种低阶时滞系统的两阶段参数估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910309960.9A CN110032706A (zh) | 2019-04-17 | 2019-04-17 | 一种低阶时滞系统的两阶段参数估计方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110032706A true CN110032706A (zh) | 2019-07-19 |
Family
ID=67238864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910309960.9A Withdrawn CN110032706A (zh) | 2019-04-17 | 2019-04-17 | 一种低阶时滞系统的两阶段参数估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110032706A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111898076A (zh) * | 2020-06-30 | 2020-11-06 | 中山大学 | 含Jenkins单元的滞回系统参数测量方法、装置和介质 |
CN111933268A (zh) * | 2020-07-15 | 2020-11-13 | 天津理工大学 | 一种用于血管介入手术机器人系统的时滞误差预测控制方法 |
CN113127798A (zh) * | 2021-05-07 | 2021-07-16 | 中山大学 | 一种基于时滞切削振动系统的参数识别方法、系统及装置 |
CN113391575A (zh) * | 2020-03-13 | 2021-09-14 | 新疆金风科技股份有限公司 | 风力发电机组的变桨执行机构在线状态辨识方法及装置 |
CN114520777A (zh) * | 2021-12-27 | 2022-05-20 | 上海仙途智能科技有限公司 | 时滞辨识方法及装置、计算机可读存储介质、终端 |
-
2019
- 2019-04-17 CN CN201910309960.9A patent/CN110032706A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113391575A (zh) * | 2020-03-13 | 2021-09-14 | 新疆金风科技股份有限公司 | 风力发电机组的变桨执行机构在线状态辨识方法及装置 |
CN111898076A (zh) * | 2020-06-30 | 2020-11-06 | 中山大学 | 含Jenkins单元的滞回系统参数测量方法、装置和介质 |
CN111898076B (zh) * | 2020-06-30 | 2023-10-31 | 中山大学 | 含Jenkins单元的滞回系统参数测量方法、装置和介质 |
CN111933268A (zh) * | 2020-07-15 | 2020-11-13 | 天津理工大学 | 一种用于血管介入手术机器人系统的时滞误差预测控制方法 |
CN111933268B (zh) * | 2020-07-15 | 2023-12-26 | 深圳市爱博医疗机器人有限公司 | 一种用于血管介入手术机器人系统的时滞误差预测控制方法 |
CN113127798A (zh) * | 2021-05-07 | 2021-07-16 | 中山大学 | 一种基于时滞切削振动系统的参数识别方法、系统及装置 |
CN113127798B (zh) * | 2021-05-07 | 2024-05-17 | 中山大学 | 一种基于时滞切削振动系统的参数识别方法、系统及装置 |
CN114520777A (zh) * | 2021-12-27 | 2022-05-20 | 上海仙途智能科技有限公司 | 时滞辨识方法及装置、计算机可读存储介质、终端 |
CN114520777B (zh) * | 2021-12-27 | 2023-12-26 | 上海仙途智能科技有限公司 | 时滞辨识方法及装置、计算机可读存储介质、终端 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110032706A (zh) | 一种低阶时滞系统的两阶段参数估计方法及系统 | |
JP6404909B2 (ja) | 技術的な系の出力量のモデルを算出する方法 | |
CN112101530B (zh) | 神经网络训练方法、装置、设备及存储介质 | |
CN111173573B (zh) | 一种汽轮机调节系统功率对象模型的辨识方法 | |
CN107784180B (zh) | 一种时变凸二次规划求解器设计方法 | |
CN102314533B (zh) | 将计算出的曲线拟合到目标曲线的方法和系统 | |
JP7090734B2 (ja) | 制御システム、制御方法及び記憶媒体 | |
CN110121171B (zh) | 基于指数平滑法和灰色模型的信任预测方法 | |
KR20200021767A (ko) | 학습된 모델을 이용한 해석 장치 및 이를 위한 방법 | |
CN109033021B (zh) | 一种基于变参收敛神经网络的线性方程求解器设计方法 | |
CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
CN108566178B (zh) | 一种非稳态随机机会网络特征值滤波方法 | |
Salmasnia et al. | A robust intelligent framework for multiple response statistical optimization problems based on artificial neural network and Taguchi method | |
CN115186555A (zh) | 基于数字孪生的干燥设备实况仿真方法及相关设备 | |
US8190536B2 (en) | Method of performing parallel search optimization | |
CN113298257A (zh) | 用于从测量中创建技术系统的模型的方法和设备 | |
CN116382093A (zh) | 用于模型未知的非线性系统最优控制方法及设备 | |
Stinstra et al. | Metamodeling by symbolic regression and Pareto simulated annealing | |
WO2023148209A1 (en) | System, apparatus and method for calibrating simulation model of one or more assets | |
Liatsikouras et al. | Aerodynamic shape optimization under flow uncertainties using non-intrusive polynomial chaos and evolutionary algorithms | |
CN113031510B (zh) | 面向复杂多轴系统的b样条曲线计算加速方法 | |
CN114491378A (zh) | 一种基于迭代方法的汽机背压计算方法及电子装置 | |
CN114819036A (zh) | 一种单次测量天牛须控制方法、装置及可读存储介质 | |
CN109992907A (zh) | 基于粒子群的连续搅拌釜反应器维纳非线性模型辨识方法 | |
WO2023004593A1 (zh) | 用于对电路进行仿真的方法、介质、程序产品以及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190719 |
|
WW01 | Invention patent application withdrawn after publication |