CN111308979A - 基于多率迟延状态空间模型的辨识方法及u控制系统 - Google Patents
基于多率迟延状态空间模型的辨识方法及u控制系统 Download PDFInfo
- Publication number
- CN111308979A CN111308979A CN202010155262.0A CN202010155262A CN111308979A CN 111308979 A CN111308979 A CN 111308979A CN 202010155262 A CN202010155262 A CN 202010155262A CN 111308979 A CN111308979 A CN 111308979A
- Authority
- CN
- China
- Prior art keywords
- output
- state
- model
- identification
- vector
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 239000013598 vector Substances 0.000 claims abstract description 64
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 238000005516 engineering process Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 12
- 238000013178 mathematical model Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 6
- 238000012369 In process control Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000010965 in-process control Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims 1
- 238000013461 design Methods 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012773 Laboratory assay Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于多率迟延状态空间模型的辨识方法及U控制系统,根据已知的输入数据和已知的输出数据建立迟延系统的辨识模型;输出参数辨识,通过线性转换技术,将迟延系统转换成最小二乘形式的辨识模型,通过辨识模型的初始参数及构造的信息向量逼近输出数据,模型中未知的参数和信息向量由其估计值代替,结合系统假设的初始状态和系统可测的输入输出数据可以辨识出当前时刻输出的参数;最终辨识参数值及状态值,对辨识出的当前输出采样时刻的参数用多新息算法进行辨识,从而得到最终辨识参数值及状态值;将辨识后的模型采用U控制设计,不再需要对线性/非线性,多项式/状态空间模型结构进行分类,提供了极大的简化/通用性。
Description
技术领域
本发明涉及迟延状态空间系统的辨识方法和U控制设计领域,属于复杂工业过程辨识和控制领域。
背景技术
复杂工业过程中,往往存在某些不可测变量:例如化工过程中的蒸馏塔产品组分浓度,这些不可测量变量往往用来描述这些过程的动态特性。由于物理条件或经济方面的约束,比如某些在线传感器价格特别昂贵,导致某些关键变量缺乏在线测量手段,或者只有稀少的滞后实验室化验值,难以有效地控制和提高生产效率,降低成本。对于这类复杂系统,传统的等期采样数据计算机控制建模理论和辨识方法已不再适用,研究这类存在不可测变量的系统建模及参数估计方法具有极为重要的意义。
在大数据背景下复杂工业过程中除了具有高维动态的过程数据外,普遍存在一类多率系统,即输入刷新和输出采样呈现不等时间间隔的非均匀采样数据系统。由于缺乏在线检测设备或者设备价格昂贵、可靠性差、维护困难等原因,某些指示产品质量水平的关键变量:如熔融指数、产品组分和浓度、Kappa值等,只能通过人工采样、实验室化验分析来获取,因此采样周期较长且采样间隔不规则。在集散控制系统中,进行温度、流量、压力、液位等常规过程变量的数据采集时,假定所有节点都以相同的速率进行采样是不切实际的。由于工业过程具有多率、受有色噪声干扰等特点,实际操作条件往往会和生产方案有所不同,严重影响产品的产率,并最终导致产品质量下降。所以研究具有此类特点的复杂系统的软测量建模方法具有重要的理论意义和广泛的应用价值。
发明内容
1、本发明的目的
本发明要解决的技术问题是提供一种辨识算法来估计多率迟延系统以达到对系统参数辨识的高精度,并提供带有模型辨识和U控制系统设计的仿真产品组合,可以作为潜在用户的临时应用程序的集成包。
2、本发明所采用的技术方案
本发明公开了一种基于多率迟延状态空间模型的辨识方法,包括:
当前时刻输出的参数辨识,输入输出数据已知,根据已知的输入数据和已知的输出数据建立迟延系统的辨识模型;通过线性转换技术,将迟延系统转换成最小二乘形式的辨识模型,通过辨识模型的初始参数及构造的信息向量逼近输出数据,模型中未知的参数和信息向量由其估计值代替,结合系统假设的初始状态和系统可测的输入输出数据可以辨识出当前时刻输出的参数;对辨识出的当前输出采样时刻的参数用多新息算法进行辨识,从而得到最终辨识参数值及状态值。
更进一步,当前时刻输出的参数辨识具体为:
(2)收集输入输出数据u(kτ)和y(kτ),τ为采样间隔时间,假设系统为一个过程控制中广泛存在的状态空间模型,x(k)∈Rn是状态向量,指系统的运动状态,在状态向量中具有d步的迟延,y(k)是可测量的输出数据,系统会产生一系列的观测,这个观测包括传感器的观测或待控制的系统行为,需要进行观测的,作为系统输出,系统的输出和系统当前状态和输入有关,y(k)存在有色噪声ω(k),ω(k)由含有零均值随机噪声的v(k)构成,考虑状态x(k)是未知,从可测的输入输出数据{u(k),y(k):k=1,2,...}提出联合估计未知的参数和状态,输入数据u(k)和输出数据y(k)已知。
(3)当迟延d的取值范围不同,其得到的信息向量和参数向量截然不同。
其中,n,ng均为实数,T为转置。
其中,n和ng均为实数,在双率系统中,观测到的输出由采样器采样,采样周期是输入周期的倍数;假设采样间隔为τ(τ≥2为整数),则测得的输入输出数据为快率{u(k):k=0,1,2,...}和慢率{y(kτ):k=0,1,2,...};用kτ替换辨识方程中的k得到输出方程其中,为信息向量,θ为参数估计向量,ω(kτ)为有色噪声,这是具有d阶状态迟延的双率状态空间系统的辨识模型。
更进一步,输出辨识模型中存在干扰ω(kτ),将未知干扰等价为一个系统状态或变干扰参数,通过连同未知等价干扰一起估算。
更进一步,最终辨识参数值为对SG算法进行了扩展:
Y(p,kτ)=[y(kτ),y(kτ-1),...,y(kτ-p+1)]T,
更进一步,建立基于多率迟延状态空间模型的线性反馈控制系统,分配闭环系统传递函数G;
设控制系统数学模型为常数单位i为总体个数中的其中一个,Gq作为一个整体,表示控制系统数学模型,q为实数,或已实现虚拟装配;用求闭环传递函数G的逆来确定线性不变控制器Gc1,c为控制器,因此,期望的系统输出等于控制器Gc1的输出ym,ym作为一个整体,m为实数;
将控制系统数学模型Gq转换为U模型Gq;
3、本发明所采用的有益效果
(1)本发明通过建立复杂工业过程等效模型,推导其辨识模型;根据多新息辨识理论,构建多新息算法,能辨识出不可测变量,这样在参数辨识过程中可以充分利用批量输入输出数据来辨识系统的参数,从而提高了收敛速度,计算准确,提升参数估计精度,适用于复杂工业过程的建模与控制。
(2)本发明将辨识后的模型采用U控制设计,该平台上的控制设计不再需要对线性/非线性,多项式/状态空间模型结构进行分类,其次,U控制使用线性控制系统设计原理,提供了极大的简化/通用性,特别是用系统的公式说明系统的瞬态响应和稳态性能。本发明将U控制扩展到一类具有状态迟延的线性状态空间模型,该模型通过动态反演来考虑问题,这与基于预测器的方法和其他流行方法不同。提供了带有模型辨识和U控制系统设计的仿真产品组合,可以作为潜在用户临时应用程序的集成包。
(3)本发明以状态迟延为背景的一类状态空间模型为研究背景,并针对模型辨识和控制系统设计提出了解决方案。理论分析证明,在建模过程中,连续激励的条件下,估计值收敛于实际值。本发明中使用的算法可以应用于具有迟延或其他领域的混合开关脉冲电网和不确定的混沌非线性系统,希望可以刺激未来的新研究/应用方向。仿真案例研究均表明,所提出的算法/过程在设计和实现上是有效且高效的。
附图说明
图1为本发明的精馏塔结构图;
图2为本发明的参数和状态估计算法流程图;
图3为本发明多率迟延状态空间模型的参数估计;
图4为本发明多率迟延状态空间模型的状态估计;
图5为本发明U型控制系统设计框架;
图6为本发明多率迟延状态空间系统输出;
图7为本发明多率迟延状态空间系统输入。
具体实施方式
下面结合本发明实例中的附图,对本发明实例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
下面将结合附图对本发明实例作进一步地详细描述。
输入输出数据{u(k),y(k):k=1,2,...}已知,其特征在于:根据已知的输入数据u(k)和已知的输出数据y(k)建立迟延系统的辨识模型,通过线性转换技术,将迟延系统转换成最小二乘形式的辨识模型,通过辨识模型的初始参数及构造的信息向量逼近输出数据,模型中未知的参数和信息向量由其估计值代替,结合系统假设的初始状态和系统可测的输入输出数据可以辨识出当前时刻输出的参数,对辨识出的当前输出采样时刻的参数用多新息算法进行辨识,从而得到最终辨识参数值及状态值。在控制系统设计中,引入了U模型,简称U控制方法,以提供单方面平台来提高设计效率和通用性,提供了从建模到控制的仿真产品组合,以验证得出结果的有效性。
实施例
(2)收集输入输出数据u(kτ)和y(kτ),τ为采样间隔时间,假设系统为一个过程控制中广泛存在的状态空间模型,x(k)∈Rn是状态向量,指系统的运动状态,在状态向量中具有d步的迟延,y(k)是可测量的输出数据,系统会产生一系列的观测,这个观测包括传感器的观测或待控制的系统行为,需要进行观测的,作为系统输出,系统的输出和系统当前状态和输入有关,y(k)存在有色噪声ω(k),ω(k)由含有零均值随机噪声的v(k)构成,考虑状态x(k)是未知,从可测的输入输出数据{u(k),y(k):k=1,2,...}提出联合估计未知的参数和状态,输入数据u(k)和输出数据y(k)已知。
(3)当迟延d的取值范围不同,其得到的信息向量和参数向量截然不同。
其中,n,ng均为实数,T为转置。
其中,n和ng均为实数,在双率系统中,观测到的输出由采样器采样,采样周期是输入周期的倍数;假设采样间隔为τ(τ≥2为整数),则测得的输入输出数据为快率{u(k):k=0,1,2,...}和慢率{y(kτ):k=0,1,2,...};用kτ替换辨识方程中的k得到输出方程其中,为信息向量,θ为参数估计向量,ω(kτ)为有色噪声,这是具有d阶状态迟延的双率状态空间系统的辨识模型。
(4)上面的输出辨识模型中存在干扰ω(kτ),这些干扰往往是不可直接测量的,为了解决这一困难,引入等价干扰的概念,其目的是为了刻画实际过程中许多难以量化的扰动因素。将未知干扰等价为一个系统“状态”或“时变干扰参数”,通过连同未知等价干扰一起估算,借助于自适应调整方案,探讨具有补偿机理的,消除干扰对参数估计的影响。
Y(p,kτ)=[y(kτ),y(kτ-1),...,y(kτ-p+1)]T,
(8)由步骤1增加k并转到步骤2,继续递归计算。
(9)下面给出基于U模型的控制系统设计
建立如图5所示的多率迟延状态空间模型的线性反馈控制系统,分配闭环系统传递函数G。
该G系统具有阻尼比、无阻尼固有频率、稳态误差和/或其他性能指标:如极点和零点、频率响应等。
设控制系统数学模型为常数单位i为总体个数中的其中一个,Gq作为一个整体,表示控制系统数学模型,q为实数,或已实现虚拟装配。用求闭环传递函数G的逆来确定线性不变控制器Gc1,c为控制器,因此,期望的系统输出等于控制器Gc1的输出ym,ym作为一个整体,m为实数。
将控制系统数学模型Gq转换为U模型Gq。
本发明中的模型可应用于精馏塔。精馏在炼油、化工等众多生产过程中应用广泛,具有迟延、存在外界干扰、采样不规则等特性,是过程工业应用中最普通的单元操作之一。参照附图的图3-图7,可以得出一些结论:图3看出多率迟延状态空间模型的参数估计随着p的增大快速收敛到真实值,图4说明随着时间t的增加,状态估计值接近于真实值,图6–7显示了模拟响应,这些响应确认了规定的性能和设计效率。应用本发明所提出的辨识方法估计的过程模型可以很好地获取真实过程输出的动态特性。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于多率迟延状态空间模型的辨识方法,其特征在于包括:
当前时刻输出的参数辨识,输入输出数据已知,根据已知的输入数据和已知的输出数据建立迟延系统的辨识模型;通过线性转换技术,将迟延系统转换成最小二乘形式的辨识模型,通过辨识模型的初始参数及构造的信息向量逼近输出数据,模型中未知的参数和信息向量由其估计值代替,结合系统假设的初始状态和系统可测的输入输出数据可以辨识出当前时刻输出的参数;对辨识出的当前输出采样时刻的参数用多新息算法进行辨识,从而得到最终辨识参数值及状态值。
2.根据权利要求1所述的基于多率迟延状态空间模型的辨识方法,其特征在于当前时刻输出的参数辨识具体为:
(2)收集输入输出数据u(kτ)和y(kτ),τ为采样间隔时间,假设系统为一个过程控制中广泛存在的状态空间模型,x(k)∈Rn是状态向量,指系统的运动状态,在状态向量中具有d步的迟延,y(k)是可测量的输出数据,系统会产生一系列的观测,这个观测包括传感器的观测,可能是需要或待控制的系统行为,需要进行观测的,作为系统输出,系统的输出和系统当前状态和输入有关,y(k)存在有色噪声ω(k),ω(k)由含有零均值随机噪声的v(k)构成,考虑状态x(k)是未知,从可测的输入输出数据{u(k),y(k):k=1,2,...}提出联合估计未知的参数和状态,输入数据u(k)和输出数据y(k)已知;
(3)当迟延d的取值范围不同,其得到的信息向量和参数向量截然不同;
其中,n,ng均为实数,T为转置;
3.根据权利要求2所述的基于多率迟延状态空间模型的辨识方法,其特征在于:输出辨识模型中存在干扰ω(kτ),将未知干扰等价为一个系统状态或变干扰参数,通过连同未知等价干扰一起估算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010155262.0A CN111308979B (zh) | 2020-03-09 | 2020-03-09 | 基于多率迟延状态空间模型的u控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010155262.0A CN111308979B (zh) | 2020-03-09 | 2020-03-09 | 基于多率迟延状态空间模型的u控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111308979A true CN111308979A (zh) | 2020-06-19 |
CN111308979B CN111308979B (zh) | 2020-11-24 |
Family
ID=71151233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010155262.0A Active CN111308979B (zh) | 2020-03-09 | 2020-03-09 | 基于多率迟延状态空间模型的u控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111308979B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112636341A (zh) * | 2020-12-22 | 2021-04-09 | 湖南大学 | 基于多新息辨识的电力系统惯量空间分布估计方法及装置 |
CN112989624A (zh) * | 2021-04-02 | 2021-06-18 | 常熟理工学院 | 三容水箱时延系统的辨识方法、系统、装置及可读介质 |
CN113191082A (zh) * | 2021-04-30 | 2021-07-30 | 常熟理工学院 | 基于机器学习的模型参数获取方法、系统及可读介质 |
CN113204874A (zh) * | 2021-04-30 | 2021-08-03 | 常熟理工学院 | 基于系统建模的高速列车交互估计方法、系统及可读介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090198350A1 (en) * | 2008-01-31 | 2009-08-06 | Fisher-Rosemount Systems, Inc | Robust adaptive model predictive controller with tuning to compensate for model mismatch |
CN102779238A (zh) * | 2012-08-09 | 2012-11-14 | 北京航空航天大学 | 一种基于自适应卡尔曼滤波的无刷直流电机系统辨识方法 |
US20160357162A1 (en) * | 2014-03-18 | 2016-12-08 | Honeywell Asca Inc. | Method and apparatus for robust tuning of model-based process controllers used with uncertain multiple-input, multiple-output (mimo) processes |
CN107729291A (zh) * | 2017-10-10 | 2018-02-23 | 江南大学 | 一种基于分解技术的双线性模型参数辨识方法 |
CN107844768A (zh) * | 2017-10-30 | 2018-03-27 | 常熟理工学院 | 基于滑窗迭代原理的一维信号形态学滤波方法 |
CN108363304A (zh) * | 2018-03-09 | 2018-08-03 | 西安西热控制技术有限公司 | 一种离散化粒子群寻优二阶惯性迟延模型辨识方法 |
CN108415252A (zh) * | 2018-02-13 | 2018-08-17 | 南京理工大学 | 基于扩张状态观测器的电液伺服系统模型预测控制方法 |
CN110378571A (zh) * | 2019-06-25 | 2019-10-25 | 河海大学 | 一种基于多新息最小二乘算法的锂电池参数辨识方法 |
US20190339686A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
-
2020
- 2020-03-09 CN CN202010155262.0A patent/CN111308979B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090198350A1 (en) * | 2008-01-31 | 2009-08-06 | Fisher-Rosemount Systems, Inc | Robust adaptive model predictive controller with tuning to compensate for model mismatch |
CN102779238A (zh) * | 2012-08-09 | 2012-11-14 | 北京航空航天大学 | 一种基于自适应卡尔曼滤波的无刷直流电机系统辨识方法 |
US20160357162A1 (en) * | 2014-03-18 | 2016-12-08 | Honeywell Asca Inc. | Method and apparatus for robust tuning of model-based process controllers used with uncertain multiple-input, multiple-output (mimo) processes |
US20190339686A1 (en) * | 2016-05-09 | 2019-11-07 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things |
CN107729291A (zh) * | 2017-10-10 | 2018-02-23 | 江南大学 | 一种基于分解技术的双线性模型参数辨识方法 |
CN107844768A (zh) * | 2017-10-30 | 2018-03-27 | 常熟理工学院 | 基于滑窗迭代原理的一维信号形态学滤波方法 |
CN108415252A (zh) * | 2018-02-13 | 2018-08-17 | 南京理工大学 | 基于扩张状态观测器的电液伺服系统模型预测控制方法 |
CN108363304A (zh) * | 2018-03-09 | 2018-08-03 | 西安西热控制技术有限公司 | 一种离散化粒子群寻优二阶惯性迟延模型辨识方法 |
CN110378571A (zh) * | 2019-06-25 | 2019-10-25 | 河海大学 | 一种基于多新息最小二乘算法的锂电池参数辨识方法 |
Non-Patent Citations (9)
Title |
---|
FENG DING: "Performance Analysis of the Auxiliary Model-Based Stochastic Gradient Parameter Estimation Algorithm for State-Space Systems with One-Step State Delay", 《CIRCUITS, SYSTEMS, AND SIGNAL PROCESSING》 * |
YA GU: "A least squares identification algorithm for a state space model with multi-state delays", 《APPLIED MATHEMATICS LETTERS》 * |
YA GU: "Auxiliary model based least squares identification method for a state space model with a unit time-delay", 《APPLIED MATHEMATICAL MODELLING》 * |
YA GU: "Parameter estimation for a multivariable state space system with d-step state-delay", 《JOURNAL OF THE FRANKLIN INSTITUTE》 * |
王冬青: "基于辅助模型的递推增广最小二乘辨识方", 《控制理论与应用》 * |
王黎明: "控制系统基于模型的系统工程开发方法研究", 《中国优秀博士学位论文全文数据库工程科技II辑》 * |
赵振华: "基于辅助模型的加权多新息最小二乘辨识", 《中国优秀硕士学位论文全文数据库基础科学辑》 * |
陈晶: "具有预负载非线性特性的双率系统递推最小二乘估计算法", 《控制与决策》 * |
顾亚: "迟延状态空间的辨识", 《中国优秀博士学位论文全文数据库基础科学辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112636341A (zh) * | 2020-12-22 | 2021-04-09 | 湖南大学 | 基于多新息辨识的电力系统惯量空间分布估计方法及装置 |
CN112989624A (zh) * | 2021-04-02 | 2021-06-18 | 常熟理工学院 | 三容水箱时延系统的辨识方法、系统、装置及可读介质 |
CN113191082A (zh) * | 2021-04-30 | 2021-07-30 | 常熟理工学院 | 基于机器学习的模型参数获取方法、系统及可读介质 |
CN113204874A (zh) * | 2021-04-30 | 2021-08-03 | 常熟理工学院 | 基于系统建模的高速列车交互估计方法、系统及可读介质 |
CN113204874B (zh) * | 2021-04-30 | 2022-09-13 | 常熟理工学院 | 基于系统建模的高速列车交互估计方法、系统及可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111308979B (zh) | 2020-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111308979B (zh) | 基于多率迟延状态空间模型的u控制系统 | |
Szollosi et al. | Influence of the tensor product model representation of qLPV models on the feasibility of linear matrix inequality | |
De Azevedo et al. | Hybrid modelling of biochemical processes: A comparison with the conventional approach | |
Wang et al. | Neural-based adaptive output-feedback control for a class of nonstrict-feedback stochastic nonlinear systems | |
Yang et al. | Local identification of LPV dual-rate system with random measurement delays | |
CN114548368B (zh) | 一种基于多层核超限学习机的锂电池温度场预测模型的建模方法以及预测方法 | |
Simutis et al. | Exploratory analysis of bioprocesses using artificial neural network‐based methods | |
CN113091768B (zh) | 一种mimu整体动态智能标定补偿方法 | |
CN105487376B (zh) | 一种基于数据驱动单网络结构的最优控制方法 | |
Wang et al. | A data-based state feedback control method for a class of nonlinear systems | |
CN111896029A (zh) | 一种基于组合算法的mems陀螺随机误差补偿方法 | |
CN101916394A (zh) | 一种基于知识融合的在线软测量方法 | |
Zhao et al. | Nonlinear state estimation for fermentation process using cubature Kalman filter to incorporate delayed measurements | |
Zeng et al. | DDPG-based continuous thickness and tension coupling control for the unsteady cold rolling process | |
Pengfei et al. | Soft sensor model derived from wiener model structure: modeling and identification | |
CN103279030A (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN117035001A (zh) | 一种基于Kriging插值的转换力传感器温度补偿方法 | |
Goos et al. | Estimation of linear parameter-varying affine state space models using synchronized periodic input and scheduling signals | |
Ascencio et al. | An adaptive fuzzy hybrid state observer for bioprocesses | |
CN112318511A (zh) | 基于数据驱动的机械臂轨迹跟踪控制方法 | |
CN107957685B (zh) | 一种求解含噪声时变问题的神经动力学方法 | |
Chen et al. | A Novel Smith Predictive Linear Active Disturbance Rejection Control Strategy for the First‐Order Time‐Delay Inertial System | |
Zhang et al. | An ELM based online soft sensing approach for alumina concentration detection | |
Shao et al. | An Improved Multisensor Self‐Adaptive Weighted Fusion Algorithm Based on Discrete Kalman Filtering | |
CN113268919A (zh) | 一种基于神经网络预测的线性自抗扰控制器的设计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |