CN112632455A - 一种转动设备的参数辨识方法和装置 - Google Patents
一种转动设备的参数辨识方法和装置 Download PDFInfo
- Publication number
- CN112632455A CN112632455A CN202011588696.6A CN202011588696A CN112632455A CN 112632455 A CN112632455 A CN 112632455A CN 202011588696 A CN202011588696 A CN 202011588696A CN 112632455 A CN112632455 A CN 112632455A
- Authority
- CN
- China
- Prior art keywords
- parameter
- rotating
- equation
- time
- rotating equipment
- 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 97
- 230000008569 process Effects 0.000 claims abstract description 41
- 239000002245 particle Substances 0.000 claims abstract description 29
- 238000013016 damping Methods 0.000 claims abstract description 18
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 16
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种转动设备的参数辨识方法和装置，属于大型机械转动设备系统参数辨识领域，所述方法包括：S1：建立转动设备在转动过程的运动状态描述方程；S2：将转动设备各参数整个随时间变化过程划分为若干均匀时间区间，基于运动状态描述方程采用二次曲线拟合设备参数变化过程并建立最小二乘算法辨识方程；S3：利用粒子群算法优化参数区间大小，并采用奇异值分解法求解出最小二乘算法辨识方程的解，从而得出转动设备运动过程中的参数时变值，参数时变值包括：运动过程中每个时间点对应的转动惯量J、偏载转矩TL、阻尼系数C大小以及常数值K。本发明能够提高参数辨识收敛性、具有辨识精度高，鲁棒性好，应用范围广等优点。
Description
技术领域
本发明属于大型机械转动设备系统参数辨识领域，更具体地，涉及一种转动设备的参数辨识方法和装置。
背景技术
无论是在船舶制造业、航空航天工业及军事工业等领域，大型机械转动设备应用都是十分广泛。为保障大型机械转动设备运作的可靠性，在机械结构设计及优化、控制算法研究时都需要对设备的转动惯量、质心位置以及转动阻尼等有准确的了解。在精确识别出转动惯量和质心转矩的情况下，可以通过一系列算法优化设备的结构，以减少偏心率和惯性矩对旋转过程的影响。此外，在系统数学建模过程中，大量未知元素会增加不确定性以及生成精确模型所需的工作量。在提高非线性时变系统的运动精度和稳定性的过程中，利用具有较高识别精度的实时特征参数对系统的控制参数进行自适应校正可以发挥重要作用。
目前主流参数辨识算法主要分为非参数模型辨识方法以及参数模型辨识方法。非参数模型辨识方法获得的模型是非参数模型，主要包括阶跃响应法、脉冲响应法以及频域响应法等。参数模型辨识方法是建立在模型结构完全已知或大体已知基础上，通过极小化模型与过程之间的误差准则函数来确定结构参数，主要包括最小二乘算法、梯度校正法和极大似然法等。
现有的辨识算法在辨识时不变参数或者随时间变化缓慢的参数时具有较高的精度。但是，由于大型转动设备转动速度较快，内部结构变化较大，转动惯量、质心偏载转矩等参数随时间变化较快，应用一般的辨识算法会导致参数辨识收敛性较差，而且辨识精度较低。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种转动设备的参数辨识方法和装置，其目的在于提高参数辨识收敛性和辨识精度，由此解决现有辨识算法会导致参数辨识收敛性较差和辨识精度较低的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种转动设备的参数辨识方法，包括：
S1：建立所述转动设备在转动过程的运动状态描述方程；
S2：将所述转动设备各参数整个随时间变化过程划分为若干均匀时间区间，基于所述运动状态描述方程采用二次曲线拟合设备参数变化过程并建立最小二乘算法辨识方程；
S3：利用粒子群算法优化参数区间大小，并采用奇异值分解法求解出所述最小二乘算法辨识方程的解，从而得出所述转动设备运动过程中的参数时变值，所述参数时变值包括：运动过程中每个时间点对应的转动惯量J、偏载转矩TL、阻尼系数C大小以及常数值K。
在其中一个实施例中，所述步骤S1包括：
当所述转动设备绕转轴转动时，根据转动定律建立所述运动状态描述方程：
J(t)α＝Te(t)-TL(t)-Kθ-Cω或J(t)α+TL(t)+Kθ+Cω＝Te(t)；
其中，TL(t)＝Grsin(θ(t))，J为转动惯量，Te为驱动转矩，TL(t)为重心偏载，G为质心，r为质心偏离转轴距离，α、ω、θ分别为角加速度、角速度、角度，K为扭杆扭转常数，C为阻尼系数。
在其中一个实施例中，所述步骤S2包括：
S201：设定一组PID控制参数，所述转动设备按工况需求转动若干个周期ΔT，借助力传感器及角加速度传感器测量运动过程的驱动力矩和角加度，并对前预设个周期进行采样；
S202：对所述角加速度进行梯形积分求得每个采样点角速度和角度大小，由此将所述运动状态写成：
S203：对一个周期内的时变参数：转动惯量J、偏载转矩TL和阻尼系数C进行区间划分，即将各参数整个周期ΔT划分成若干个大小相等的短时区间，区间大小为Nw，区间总数为nw；
S204：利用二次曲线(y＝k1x2+k2x+k3)拟合单个区间的参数变化：
其中，Ti分别为各参数第i个短时区间开始时间点，k1、k2、k3分别为二次项、一次项、常数项系数；
S205：根据所述运动状态描述方程建立运动周期ΔT内最小二乘算法辨识方程Φ×Θ＝F。
在其中一个实施例中，所述步骤S204中：
ΦK＝[θ(1)θ(2)…θ(N-1)θ(N)]T；
FN×1＝[Te1 Te2 … TeN]T。
在其中一个实施例中，所述步骤S3包括：
S301：引入机器学习留出法评估方法调节PID控制器参数，获得多组实验数据作为测试集，第i组数据为Group(i)：{αi ωi θi Tei}；
S302：确定优化问题，令
Ei为辨识结果
对于第i组测试数据的测试误差向量，旨在寻得估计值
使得
即
S303：利用粒子群优化算法寻优得出全局最优解Gbest以及其对应的自变量Nw；
S304：根据优化出的Nw计算出对应的区间总数nw，代入所述最小二乘辨识方程利用奇异值分解法求得每个时间点对应的转动惯量J、偏载转矩TL、阻尼系数C大小以及常数值K。
在其中一个实施例中，所述步骤S303包括：
设置粒子群优化的自变量为Nw，设置最大迭代次数Niter、粒子的位置及速度区间以及粒子群规模为M，在位置及速度区间上随机初始化位置x0和速度v0；
设定适应度函数为
计算初始每个粒子的适应值作为个体最优解Pbest，比较得到全局最优解Gbest，与历史全局最优比较进行更新；
根据下述公式更新每个粒子速度及位置，计算适应值并更新个体最优解Pbest以及全局最优解Gbest：
vid(t+1)＝ω·vid(t)+c1·r1·(pid-xid(t))+c2·r2·(pgd-xid(t))；
xid(t+1)＝xid(t)+vid(t)：
其中，vid和xid为第i个自变量的速度和位置，ω为惯性权重，c1、c2为加速度常数，r1、r2为区间[0，1]上的随机数，pid、pgd为第t次迭代的个体最优解Pbest以及全局最优解Gbest；
当达到设定迭代次数M时停止迭代，得出全局最优解Gbest以及其对应的自变量Nw。
在其中一个实施例中，所述步骤S304中奇异值分解法为：
求得
其中，∑是由Φ的奇异值组成的对角矩阵，U和V是Φ的左右奇异向量。
按照本发明的另一方面，提供了一种转动设备的参数辨识装置，包括：
建立模块，用于建立所述转动设备在转动过程的运动状态描述方程；
拟合模块，用于将所述转动设备各参数整个随时间变化过程划分为若干均匀时间区间，基于所述运动状态描述方程采用二次曲线拟合设备参数变化过程并建立最小二乘算法辨识方程；
求解模块，用于利用粒子群算法优化参数区间大小，并采用奇异值分解法求解出所述最小二乘算法辨识方程的解，从而得出所述转动设备运动过程中的参数时变值，所述参数时变值包括：运动过程中每个时间点对应的转动惯量J、偏载转矩TL、阻尼系数C大小以及常数值K。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：所述方法包括：S1：建立所述转动设备在转动过程的运动状态描述方程；S2：将所述转动设备各参数整个随时间变化过程划分为若干均匀时间区间，基于所述运动状态描述方程采用二次曲线拟合设备参数变化过程并建立最小二乘算法辨识方程；S3：利用粒子群算法优化参数区间大小，并采用奇异值分解法求解出所述最小二乘算法辨识方程的解，从而得出所述转动设备运动过程中的参数时变值。通过基于运动状态描述方程采用二次曲线拟合设备参数变化过程并建立最小二乘算法辨识方程，并采用奇异值分解法求解得出所述转动设备运动过程中的参数时变值。本发明提供的方法和装置能够提高参数辨识收敛性、具有辨识精度高，鲁棒性好，应用范围广等优点。
附图说明
图1为本发明一实施例中区间划分方法及二次曲线拟合图；
图2为本发明一实施例中转动设备的参数辨识方法的流程图；
图3为本发明一实施例中粒子群区间优化方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供一种转动设备的参数辨识方法，包括：S1：建立转动设备在转动过程的运动状态描述方程；S2：将转动设备各参数整个随时间变化过程划分为若干均匀时间区间，基于运动状态描述方程采用二次曲线拟合设备参数变化过程并建立最小二乘算法辨识方程；S3：利用粒子群算法优化参数区间大小，并采用奇异值分解法求解出最小二乘算法辨识方程的解，从而得出转动设备运动过程中的参数时变值，参数时变值包括：运动过程中每个时间点对应的转动惯量J、偏载转矩TL、阻尼系数C大小以及常数值K。
在其中一个实施例中，步骤S1包括：
当转动设备绕转轴转动时，根据转动定律建立运动状态描述方程：
J(t)α＝Te(t)-TL(t)-Kθ-Cω或J(t)αTL(t)+Kθ+Cω＝Te(t)；
其中，TL(t)＝Grsin(θ(t))，J为转动惯量，Te为驱动转矩，TL(t)为重心偏载，G为质心，r为质心偏离转轴距离，α、ω、θ分别为角加速度、角速度、角度，K为扭杆扭转常数，C为阻尼系数。
在其中一个实施例中，步骤S2包括：
S201：设定一组PID控制参数，转动设备按工况需求转动若干个周期ΔT，借助力传感器及角加速度传感器测量运动过程的驱动力矩和角加度，并对前预设个周期进行采样；
S202：对角加速度进行梯形积分求得每个采样点角速度和角度大小，由此将运动状态写成：
S203：对一个周期内的时变参数：转动惯量J、偏载转矩TL和阻尼系数C进行区间划分，即将各参数整个周期ΔT划分成若干个大小相等的短时区间，区间大小为Nw，区间总数为nw；
S204：利用二次曲线(y＝k1x2+k2x+k3)拟合单个区间的参数变化：
其中，Ti分别为各参数第i个短时区间开始时间点，k1、k2、k3分别为二次项、一次项、常数项系数；
S205：根据运动状态描述方程建立运动周期ΔT内最小二乘算法辨识方程Φ×Θ＝F。
如图1所示，区间划分方法具体为：
第一步：调定PID参数并试验后，对前两个周期进行采样，采样间隔为0.0001s，单个周期采样点总数为
第二步：对角加速度进行梯形积分，求得每个采样点角速度、角度大小，由此转动方程可写成(Δt＝0.0001)：
第三步：对一个周期内的时变参数：转动惯量J、偏载转矩TL、阻尼系数C等进行区间划分，将整个周期ΔT划分成若干个大小相等的短时区间，区间大小(区间内包含的采样点数)分别为Nw，区间总数分别为nw。
考虑到各参数随时间变化规律不一致，故区间大小可不等；
Nw可以不是ΔT的因数，即最后一个短时区间大小可以不为Nw，最后一个区间的点数为rw(rw＝N-Nw*(nw-1))；
用二次曲线(y＝k1x2+k2x+k3)拟合单个短时区间的参数变化：
其中，Ti为参数第i个短时区间开始时间点，k1、k2、k3分别为二次项、一次项、常数项系数。
如图2所示，区间划分后，转动设备参数的辨识方法具体为：
(1)根据转动方程，建立一个运动周期ΔT内最小二乘算法辨识方程Φ×Θ＝F，其中，
矩阵Φ主要由ΦJ(i)、ΦTL(i)、ΦK、Φc(i)四个矩阵组成，
ΦK＝[θ(1)θ(2)…θ(N-1)θ(N)]T；
矩阵Θ表示为：
矩阵FN×1＝[Te1 Te2 … TeN]T；
(2)利用粒子群算法优化各参数区间大小，得到优化后的区间大小，为
(3)根据优化出的
计算出对应的区间总数nw，代入上述最小二乘辨识方程，利用奇异值分解法(见下述公式)求解最小二乘方程，先对矩阵Φ进行奇异值分解，
其中，∑是由Φ的奇异值组成的对角矩阵.U和V是Φ的左右奇异向量，利用奇异值分解后的矩阵求解最小二乘辨识方程，得到估计值
根据
求出每个时间点对应的转动惯量J、偏载转矩TL、阻尼系数C大小以及常数值K。
如图3所示，粒子群区间优化方法具体为：
(1)确定粒子群优化算法的适应度函数fitness，具体为：
第一步，引入机器学习留出法评估方法，调节PID控制器参数，另外获得9组实验数据作为测试集，第i组数据为Group(i)：{αi ωi θi Tei}，
第二步，令
Ei为辨识结果
对于第i组测试数据的测试误差向量，
第三步，寻得估计值
使得
即
第三步，确定
(2)粒子群优化的自变量为Nw，设置最大迭代次数Niter、粒子的位置及速度区间以及粒子群规模为M，在位置及速度区间上随机初始化位置x0和速度v0，
(3)计算本次迭代每个粒子的适应值作为个体最优解Pbest，比较得到全局最优解Gbest，将本次迭代全局最优解与历史全局最优比较，进行更新；
(4)根据下述公式更新每个粒子速度及位置，计算适应值并更新个体最优解Pbest以及全局最优解Gbest，
vid(t+1)＝ω·vid(t)+c1·r1·(pid-xid(t))+c2·r2·(pgd-xid(t))；
xid(t+1)＝xid(t)+vid(t)；
其中，vid和xid为第i个自变量的速度和位置，ω为惯性权重，c1、c2为加速度常数，r1、r2为区间[0，1]上的随机数，pid、pgd为第t次迭代的个体最优解Pbest以及全局最优解Gbest，
(5)达到设定迭代次数M时，停止迭代，得出全局最优解Gbest以及其对应的自变量
本发明一种转动设备的参数辨识装置，包括：建立模块，用于建立转动设备在转动过程的运动状态描述方程；拟合模块，用于将转动设备各参数整个随时间变化过程划分为若干均匀时间区间，基于运动状态描述方程采用二次曲线拟合设备参数变化过程并建立最小二乘算法辨识方程；求解模块，用于利用粒子群算法优化参数区间大小，并采用奇异值分解法求解出最小二乘算法辨识方程的解，从而得出转动设备运动过程中的参数时变值，参数时变值包括：运动过程中每个时间点对应的转动惯量J、偏载转矩TL、阻尼系数C大小以及常数值K。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种转动设备的参数辨识方法，其特征在于，包括：
S1：建立所述转动设备在转动过程的运动状态描述方程；
S2：将所述转动设备各参数整个随时间变化过程划分为若干均匀时间区间，基于所述运动状态描述方程采用二次曲线拟合设备参数变化过程并建立最小二乘算法辨识方程；
S3：利用粒子群算法优化参数区间大小，并采用奇异值分解法求解出所述最小二乘算法辨识方程的解，从而得出所述转动设备运动过程中的参数时变值，所述参数时变值包括：运动过程中每个时间点对应的转动惯量J、偏载转矩TL、阻尼系数C大小以及常数值K。
2.如权利要求1所述的转动设备的参数辨识方法，其特征在于，所述步骤S1包括：
当所述转动设备绕转轴转动时，根据转动定律建立所述运动状态描述方程：
J(t)α＝Te(t)-TL(t)-Kθ-Cω或J(t)α+TL(t)+Kθ+Cω＝Te(t)；
其中，TL(t)＝Grsin(θ(t))，J为转动惯量，Te为驱动转矩，TL(t)为重心偏载，G为质心，r为质心偏离转轴距离，α、ω、θ分别为角加速度、角速度、角度，K为扭杆扭转常数，C为阻尼系数。
3.如权利要求1或2所述的转动设备的参数辨识方法，其特征在于，所述步骤S2包括：
S201：设定一组PID控制参数，所述转动设备按工况需求转动若干个周期ΔT，借助力传感器及角加速度传感器测量运动过程的驱动力矩和角加度，并对前预设个周期进行采样；
S202：对所述角加速度进行梯形积分求得每个采样点角速度和角度大小，由此将所述运动状态写成：
S203：对一个周期内的时变参数：转动惯量J、偏载转矩TL和阻尼系数C进行区间划分，即将各参数整个周期ΔT划分成若干个大小相等的短时区间，区间大小为Nw，区间总数为nw；
S204：利用二次曲线(y＝k1x2+k2x+k3)拟合单个区间的参数变化：
其中，Ti分别为各参数第i个短时区间开始时间点，k1、k2、k3分别为二次项、一次项、常数项系数；
S205：根据所述运动状态描述方程建立运动周期ΔT内最小二乘算法辨识方程Φ×Θ＝F。
4.如权利要求1所述的转动设备的参数辨识方法，其特征在于，所述步骤S204中：
ΦK＝[θ(1) θ(2)…θ(N-1) θ(N)]T；
FN×1＝[Te1 Te2…TeN]T。
5.如权利要求1所述的转动设备的参数辨识方法，其特征在于，所述步骤S3包括：
S301：引入机器学习留出法评估方法调节PID控制器参数，获得多组实验数据作为测试集，第i组数据为Group(i)：{αi ωi θi Tei}；
S302：确定优化问题，令
Ei为辨识结果
对于第i组测试数据的测试误差向量，旨在寻得估计值
使得
即
S303：利用粒子群优化算法寻优得出全局最优解Gbest以及其对应的自变量Nw；
S304：根据优化出的Nw计算出对应的区间总数nw，代入所述最小二乘辨识方程利用奇异值分解法求得每个时间点对应的转动惯量J、偏载转矩TL、阻尼系数C大小以及常数值K。
6.如权利要求5所述的转动设备的参数辨识方法，其特征在于，所述步骤S303包括：
设置粒子群优化的自变量为Nw，设置最大迭代次数Niter、粒子的位置及速度区间以及粒子群规模为M，在位置及速度区间上随机初始化位置x0和速度v0；
设定适应度函数为
计算初始每个粒子的适应值作为个体最优解Pbest，比较得到全局最优解Gbest，与历史全局最优比较进行更新；
根据下述公式更新每个粒子速度及位置，计算适应值并更新个体最优解Pbest以及全局最优解Gbest：
vid(t+1)＝ω·vid(t)+c1·r1·(pid-xid(t))+c2·r2·(pgd-xid(t))；
xid(t+1)＝xid(t)+vid(t)；
其中，vid和xid为第i个自变量的速度和位置，ω为惯性权重，c1、c2为加速度常数，r1、r2为区间[0,1]上的随机数，pid、Pgd为第t次迭代的个体最优解Pbest以及全局最优解Gbest；
当达到设定迭代次数M时停止迭代，得出全局最优解Gbest以及其对应的自变量Nw。
7.如权利要求1所述的转动设备的参数辨识方法，其特征在于，所述步骤S304中奇异值分解法为：
求得
其中，∑是由Φ的奇异值组成的对角矩阵，U和V是Φ的左右奇异向量。
8.一种转动设备的参数辨识装置，其特征在于，包括：
建立模块，用于建立所述转动设备在转动过程的运动状态描述方程；
拟合模块，用于将所述转动设备各参数整个随时间变化过程划分为若干均匀时间区间，基于所述运动状态描述方程采用二次曲线拟合设备参数变化过程并建立最小二乘算法辨识方程；
求解模块，用于利用粒子群算法优化参数区间大小，并采用奇异值分解法求解出所述最小二乘算法辨识方程的解，从而得出所述转动设备运动过程中的参数时变值，所述参数时变值包括：运动过程中每个时间点对应的转动惯量J、偏载转矩TL、阻尼系数C大小以及常数值K。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011588696.6A CN112632455B (zh) | 2020-12-29 | 2020-12-29 | 一种转动设备的参数辨识方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011588696.6A CN112632455B (zh) | 2020-12-29 | 2020-12-29 | 一种转动设备的参数辨识方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112632455A true CN112632455A (zh) | 2021-04-09 |
| CN112632455B CN112632455B (zh) | 2024-06-07 |
Family
ID=75285796
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011588696.6A Active CN112632455B (zh) | 2020-12-29 | 2020-12-29 | 一种转动设备的参数辨识方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112632455B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203684A (zh) * | 2016-06-29 | 2016-12-07 | 长安大学 | 一种用于轮胎魔术公式的参数辨识及优化方法 |
| CN110210087A (zh) * | 2019-05-20 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于粒子群算法的光束抖动模型参数实时辨识方法 |
| CN111428849A (zh) * | 2020-03-24 | 2020-07-17 | 国电南瑞科技股份有限公司 | 基于改进粒子群算法的传递函数模型参数辨识方法及装置 |
| CN111539507A (zh) * | 2020-03-20 | 2020-08-14 | 北京航空航天大学 | 一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法 |
-
2020
- 2020-12-29 CN CN202011588696.6A patent/CN112632455B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203684A (zh) * | 2016-06-29 | 2016-12-07 | 长安大学 | 一种用于轮胎魔术公式的参数辨识及优化方法 |
| CN110210087A (zh) * | 2019-05-20 | 2019-09-06 | 中国科学院光电技术研究所 | 一种基于粒子群算法的光束抖动模型参数实时辨识方法 |
| CN111539507A (zh) * | 2020-03-20 | 2020-08-14 | 北京航空航天大学 | 一种基于粒子群优化算法的康复运动速度计算模型参数辨识方法 |
| CN111428849A (zh) * | 2020-03-24 | 2020-07-17 | 国电南瑞科技股份有限公司 | 基于改进粒子群算法的传递函数模型参数辨识方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112632455B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108227492B (zh) | 一种六自由度串联机器人末端负载动力学参数的辨识方法 | |
| CN108827299A (zh) | 一种基于改进四元数二阶互补滤波的飞行器姿态解算方法 | |
| CN108256264B (zh) | 一种基于地面频响试验的气动伺服弹性稳定性预测方法 | |
| CN108297093A (zh) | 一种机械臂动力学参数的分步辨识方法 | |
| CN108563897B (zh) | 一种基于极值搜索算法的四旋翼无人机参数辨识方法 | |
| CN113091768B (zh) | 一种mimu整体动态智能标定补偿方法 | |
| CN106446424B (zh) | 一种非定常气动力参数预测方法 | |
| CN108942935A (zh) | 基于输出位置的单臂机械手自适应控制器及控制方法 | |
| CN109940609B (zh) | 一种基于中心对称静摩擦模型的机器人动力学建模方法 | |
| CN103780188A (zh) | 基于动态摩擦补偿的永磁球形电机转子自适应控制系统 | |
| CN112181002B (zh) | 微陀螺仪双递归扰动模糊神经网络分数阶滑模控制方法 | |
| CN110936382A (zh) | 一种数据驱动的工业机器人能耗优化方法 | |
| CN108673502A (zh) | 一种基于未知模型动态观测器的机械臂运动控制方法 | |
| CN111141313A (zh) | 一种提高机载局部相对姿态匹配传递对准精度的方法 | |
| JP2020194375A (ja) | サーボシステムのパラメータ同定方法 | |
| CN112632455A (zh) | 一种转动设备的参数辨识方法和装置 | |
| CN110048693B (zh) | 基于四元数分布的并行高斯粒子滤波数据处理方法 | |
| CN116909136B (zh) | 基于确定学习的2-dof直升机滑模控制方法及系统 | |
| Yang et al. | Predictor-Based Neural Attitude Control of A Quadrotor With Disturbances | |
| CN110262242B (zh) | 一种微陀螺仪自适应分数阶滑模控制方法 | |
| CN112446010A (zh) | 自适应弱敏秩卡尔曼滤波方法及其应用 | |
| CN114800536B (zh) | 多连杆机器人的动力学参数辨识方法和装置 | |
| Ma et al. | Dynamic parameter identification and collision detection of robot | |
| CN115268475A (zh) | 基于有限时间扰动观测器的机器鱼精确地形跟踪控制方法 | |
| CN111630772A (zh) | 伺服系统机械参数辨识方法、伺服控制系统和存储装置 |
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 |