CN115167320A - 工业控制系统的模型识别方法、装置、设备及存储介质 - Google Patents
工业控制系统的模型识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115167320A CN115167320A CN202210950975.5A CN202210950975A CN115167320A CN 115167320 A CN115167320 A CN 115167320A CN 202210950975 A CN202210950975 A CN 202210950975A CN 115167320 A CN115167320 A CN 115167320A
- Authority
- CN
- China
- Prior art keywords
- model
- control system
- industrial control
- order
- low
- 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
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 79
- 238000012937 correction Methods 0.000 claims abstract description 52
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000012854 evaluation process Methods 0.000 claims 1
- 238000012821 model calculation Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013404 process transfer Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
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
本申请提供一种工业控制系统的模型识别方法、装置、设备及存储介质,属于模型计算技术领域。该方法包括:获取工业控制系统运行时的输入数据以及输出数据;基于输入数据以及输出数据确定工业控制系统的估计模型,并对工业控制系统的估计模型进行外部扰动探测并去除输入数据以及输出数据中的外部扰动;对去除外部扰动的工业控制系统的输入数据以及输出数据进行正则化处理,得到工业控制系统的正则化高阶模型;对工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果。本申请可以提高识别结果的准确性。
Description
技术领域
本申请涉及模型计算技术领域,具体而言,涉及一种工业控制系统的模型识别方法、装置、设备及存储介质。
背景技术
在实际使用各类系统工作的过程中,通常需要通过系统辨识(Systemidentification)识别出该系统的数学模型,例如:具体的模型公式等。其中,系统辨识也可以称为模型辨识、模型识别。
现有技术中对模型进行识别时,由于并未考虑外界因素对模型的影响,导致了现有技术采用的识别方法得到的结果的精度和鲁棒性较差,因此,在对具有较大噪声和干扰的模型进行模型识别时,容易受到噪声和干扰的影响,从而导致了基于现有技术中进行模型识别后得到的识别结果的准确性较低。
发明内容
本申请的目的在于提供一种工业控制系统的模型识别方法、装置、设备及存储介质,可以提高识别结果的准确性。
本申请的实施例是这样实现的:
本申请实施例的一方面,提供一种工业控制系统的模型识别方法,包括:
获取工业控制系统运行时的输入数据以及输出数据;
基于输入数据以及输出数据确定工业控制系统的估计模型,并对工业控制系统的估计模型进行外部扰动探测并去除输入数据以及输出数据中的外部扰动;
对去除外部扰动的输入数据以及输出数据进行正则化处理,得到工业控制系统的正则化高阶模型;
对工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果。
可选地,对工业控制系统的估计模型进行外部扰动探测并去除输入数据以及输出数据中的外部扰动,包括:
对工业控制系统的估计模型进行解耦以及模型参数计算,得到初始高阶模型;
根据初始高阶模型的零点和极点的范围确定估计模型是否存在外部扰动;
若是,对输入数据和输出数据进行差分处理以去除输入数据和输出数据中的外部扰动。
可选地,对工业控制系统的估计模型进行解耦以及模型参数计算,得到初始高阶模型,包括:
对工业控制系统的估计模型进行解耦;
将解耦后的估计模型转换为目标矩阵;
确定目标矩阵中的模型参数,并基于模型参数确定初始高阶模型。
可选地,对工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果,包括:
对工业控制系统的正则化高阶模型进行参数估计,根据参数估计的结果确定正则化高阶模型对应的至少一个低阶模型;
对各低阶模型进行模型评价处理,得到各低阶模型的频域误差;
对频域误差满足模型评价需求的低阶模型进行参数校正处理;
对参数校正后的低阶模型进行滞后迭代处理,得到工业控制系统的模型识别结果。
可选地,对各低阶模型进行模型评价处理,确定各低阶模型的频域误差,包括:
确定频域误差的评价频率区间,评价频率区间包括至少两个区间;
在各评价频率区间内对各低阶模型进行模型评价处理,得到各低阶模型的频域误差。
可选地,对频域误差满足模型评价需求的低阶模型进行参数校正处理,包括:
确定各频域误差满足模型评价需求的低阶模型的极点和零点;
舍弃不满足预设需求的极点和零点,得到初始校正后的低阶模型;
基于预设的增益约束和过程快慢约束对初始校正后的低阶模型进行校正。
可选地,对参数校正后的低阶模型进行滞后迭代处理,得到工业控制系统的模型识别结果,包括:
对参数校正后的低阶模型进行降阶处理,得到新的低阶模型,新的低阶模型为二阶模型或者一阶模型;
对新的低阶模型进行延迟移位校正和迭代计算,得到工业控制系统的模型识别结果。
本申请实施例的另一方面,提供一种工业控制系统的模型识别装置,包括:获取模块、扰动处理模块、正则化模块以及识别模块;
获取模块,用于获取工业控制系统运行时的输入数据以及输出数据;
扰动处理模块,用于基于输入数据以及输出数据确定工业控制系统的估计模型,并对工业控制系统的估计模型进行外部扰动探测并去除输入数据以及输出数据中的外部扰动;
正则化模块,用于对去除外部扰动的输入数据和输出数据进行正则化处理,得到工业控制系统的正则化高阶模型;
识别模块,用于对工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果。
可选地,扰动处理模块,具体用于对工业控制系统的估计模型进行解耦以及模型参数计算,得到初始高阶模型;根据初始高阶模型的零点和极点的范围确定估计模型是否存在外部扰动;若是,对输入数据和输出数据进行差分处理以去除输入数据和输出数据中的外部扰动。
可选地,扰动处理模块,具体用于对工业控制系统的估计模型进行解耦;将解耦后的估计模型转换为目标矩阵;确定目标矩阵中的模型参数,并基于模型参数确定初始高阶模型。
可选地,识别模块,具体用于对工业控制系统的正则化高阶模型进行参数估计,根据参数估计的结果确定正则化高阶模型对应的至少一个低阶模型;对各低阶模型进行模型评价处理,得到各低阶模型的频域误差;对频域误差满足模型评价需求的低阶模型进行参数校正处理;对参数校正后的低阶模型进行滞后迭代处理,得到工业控制系统的模型识别结果。
可选地,识别模块,具体用于确定频域误差的评价频率区间,评价频率区间包括至少两个区间;在各评价频率区间内对各低阶模型进行模型评价处理,得到各低阶模型的频域误差。
可选地,识别模块,具体用于确定各频域误差满足模型评价需求的低阶模型的极点和零点;舍弃不满足预设需求的极点和零点,得到初始校正后的低阶模型;基于预设的增益约束和过程快慢约束对初始校正后的低阶模型进行校正。
可选地,识别模块,具体用于对参数校正后的低阶模型进行降阶处理,得到新的低阶模型,新的低阶模型为二阶模型或者一阶模型;对新的低阶模型进行延迟移位校正和迭代计算,得到工业控制系统的模型识别结果。
本申请实施例的另一方面,提供一种计算机设备,包括:存储器、处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时,实现工业控制系统的模型识别方法的步骤。
本申请实施例的另一方面,提供一种计算机可读存储介质,存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现工业控制系统的模型识别方法的步骤。
本申请实施例的有益效果包括:
本申请实施例提供的一种工业控制系统的模型识别方法、装置、设备及存储介质中,可以在对工业控制系统的模型进行识别的过程中进行外部扰动探测,并可以去除输入数据和输出数据中的外部扰动,从而对去除外部扰动的工业控制系统的输入数据和输出数据进行正则化处理,得到工业控制系统的正则化高阶模型,并在正则化处理之后对工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果,可以得到准确性较高的模型识别结果,由于去除了扰动造成的误差,可以提高模型识别的精度和准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的工业控制系统的模型识别方法中系统模型的模型结构示意图;
图2为本申请实施例提供的工业控制系统的模型识别方法的流程示意图;
图3为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图;
图4为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图;
图5为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图;
图6为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图;
图7为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图;
图8为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图;
图9为本申请实施例提供的工业控制系统的模型识别装置的结构示意图;
图10为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本申请的描述中,需要说明的是,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,系统辨识是一种根据对象的输入和输出数据,在一定的准则函数下,估计对象数学模型的方法,上述对象具体可以是本申请实施例中所涉及的工业控制系统,其中,工业控制系统可以是在炼油、石化等行业中使用的自动化生产系统,在实际工作需求时,通常需要基于系统辨识的方式来确定该系统的数学模型。例如可以实现以下几种需求:PID (proportional-integral-derivative,比例积分微分)整定、趋势预测、回路性能评估和故障诊断等。
而现有技术中,对模型进行识别时,由于并未考虑外界因素对模型的影响,导致了现有技术采用的识别方法得到的结果的精度和鲁棒性较差,因此,在对具有较大噪声和干扰的模型进行模型识别时,容易受到噪声和干扰的影响,从而导致了基于现有技术中进行模型识别后得到的识别的结果的准确性较低。
为了解决现有技术中存在的如上问题,本申请实施例中提供了一种工业控制系统的模型识别方法,下面来具体解释实现该方法的过程中所采用的系统模型的具体结构。
图1为本申请实施例提供的工业控制系统的模型识别方法中系统模型的模型结构示意图,请参照图1,本申请实施例中所涉及的系统模型中,可以包括多个输入数据和多个输出数据,其中,y(t)为多个输出数据,u(t) 为多个输入数据,G0(q)为过程传递函数矩阵,v(t)为扰动项,具体可以是外部扰动,图1中对应的系统模型可以转换为如下公式表示:
y(t)=G0(q)u(t)+v(t);
其中,G0(q)、u(t)以及v(t)分别可以表示为:
v(t)=H0(q)e(t);
式中,y(t)具体为p×1维向量,u(t)具体为m×1维向量;G0(q)具体为一个p×m的多项式矩阵;g0(k)是k时刻的脉冲响应系数矩阵,维度为 p×m;v(t)是均值为0的p×1维平稳随机过程;e(t)是白噪声向量;H0(q) 为p×p维的扰动传递函数矩阵,假设该矩阵稳定且具有最小相位(即逆矩阵也是稳定的);Ip是对应维度的单位矩阵;h0(k)是k时刻扰动传递函数的脉冲响应系数矩阵;q为移位算子,满足q-1u(t)=u(t-1)。
假设数据为均匀采样的时间序列,长度为N,采样周期为T,数据ZN表示为:
ZN={y(t),u(t)|t=1,…,N};
前述公式y(t)=G0(q)u(t)+v(t)中的G0(q)和H0(q)代表真实的系统模型,但是由于噪声、扰动、模型失配等影响,利用数据ZN估计到的模型可能存在误差,可以用如下公式表示:
y(t)=G(q,θ)u(t)+H(q,θ)e(t);
其中,θ为模型参数,由G(q,θ)和H(q,θ)的相关参数组成。模型的预测误差为ε(t,θ),维度为p×1,其表达式为:
其中,VN(θ)为预测误差损失函数,具体公式如下:
对公式y(t)=G(q,θ)u(t)+H(q,θ)e(t)进行变形,得到该公式的另一种表现形式,具体如下:
y(t)=A-1(q)B(q)u(t)+D-1(q)C(q)e(t);
其中,A(q)、B(q)、C(q)、D(q)为多项式矩阵,假设矩阵的所有非零多项式的阶次均为n。其中,G(q,θ)=A-1(q)B(q),H(q,θ)=D-1(q)C(q)。
根据Ljung渐进理论,当模型阶次n满足如下公式:
且输入为有限阶次的持续激励信号,同时假设对于所有的n和N,损失函数VN(θ)的全局最小值都可以得到,则有以下公式:
col(M)=[M1,M2,…,Mn]T;
col(M)的维度为mn×1,式中Mi为矩阵M的第i列。由于前述公式中A(q)、 C(q)、D(q)都是对角多项式矩阵,且矩阵的非零多项式都是首1多项式,则可以将上述多入多出模型(包括多个输入数据和多个输出数据)分解为p 个多入单出模型(包括多个输入数据和一个输出数据)。
下面来具体解释本身请实施例中所涉及的工业控制系统的模型识别方法的具体实施过程。
图2为本申请实施例提供的工业控制系统的模型识别方法的流程示意图,请参照图2,工业控制系统的模型识别方法,包括:
S210:获取工业控制系统运行时的输入数据以及输出数据。
可选地,该方法的执行主体可以是计算机设备,例如可以是计算机设备中的软件程序等,在此不作具体限制。
其中,输入数据和输出数据可以是工业控制系统在运行过程中产生的数据,可以通过检测的方式获取这些数据,其中输入数据也即是图1中的u(t),输出数据也即是图1中的y(t)。
对于不同类型的工业控制系统,可以采用不同的方式获取输入数据和输出数据,例如:在工业控制系统的输入输出口分别设置检测设备获取上述输入数据和输出数据等。
S220:基于输入数据以及输出数据确定工业控制系统的估计模型,并对工业控制系统的估计模型进行外部扰动探测并去除输入数据以及输出数据中的外部扰动。
可选地,得到输入数据以及输出数据之后,可以得到工业控制系统的估计模型,对于包括多个输出数据的工业控制系统而言,当第i个输出数据yi(t)为积分系统时,可以考虑其只存在一个积分环节,可以对yi(t)做差分处理,得到如下公式:
其中,T即为采样周期,对于积分系统,可以识别出输入u1(t)~um(t) 与Δyi(t)的模型,将上述公式中Δyi(t)的值作为前述公式y(t)= A-1(q)B(q)u(t)+D-1(q)C(q)e(t)中的y(t),即可以得到工业控制系统的估计模型,进行整合以及近似估计后,可以得到估计模型。
具体的,进行整合以及近似估计之后,工业控制系统的估计模型具体如下:
A(q)y(t)=B(q)u(t)+e(t);
其中,A(q)具体可以是对角多项式矩阵。
可选地,外部扰动探测即为确定模型中扰动项的过程,也即是得到前述v(t)的过程,可以基于估计模型进行外部扰动探测,得到扰动项的具体值,从而去除估计模型中的外部扰动,该外部扰动具体可以是低频扰动。
确定存在低频扰动之后,可以进行差分处理,从而消除低频扰动的影响,也即是去除了估计模型中的外部扰动。
需要说明的是,外部扰动可以是变化程度较为缓慢的低频扰动。
S230:对去除外部扰动的工业控制系统的输入数据和输出数据进行正则化处理,得到工业控制系统的正则化高阶模型。
可选地,对于工业控制系统中,扰动是指除噪声外,模型本身或者外部对模型造成的误差,对于控制系统常见的扰动有漂移、趋势变化等缓慢变化因素,前述过程中仅仅去除了外部扰动,除了外部扰动外还包括模型自身的影响,也即是内部扰动,又称作模型失配。可以通过引入正则化的方式去除内部扰动。
可选地,正则化处理具体可以是在训练数据不够多时,向该模型中引入额外信息,以便防止过拟合和提高模型泛化性能的处理。通过正则化处理后,可以去除内部扰动。
S240:对工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果。
可选地,得到上述工业控制系统的正则化高阶模型之后,可以基于该模型依次或者分别进行参数估计、阶次降低以及模型校正处理,得到工业控制系统的模型识别结果。
其中,模型降阶具体可以是对正则化高阶模型的阶数降低,例如:五阶模型降阶为二阶等;模型校正处理可以是对模型确定后的参数进行进一步校正,保证参数的准确性,进而可以得到工业控制系统的模型识别结果。
本申请实施例提供的一种工业控制系统的模型识别方法中,可以在对工业控制系统的模型进行识别的过程中进行外部扰动探测,并可以去输入数据和输出数据的外部扰动,从而对去除外部扰动的输入数据和输出数据进行正则化处理,得到工业控制系统的正则化高阶模型,并在正则化处理之后对工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果,可以得到准确性较高的模型识别结果,由于去除了扰动造成的误差,可以提高模型识别的精度和准确性。
下面来具体解释本身请实施例中所涉及的工业控制系统的模型识别方法的另一具体实施过程。
图3为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图,请参照图3,对工业控制系统的估计模型进行外部扰动探测并去除输入数据和输出数据中的外部扰动,包括:
S310:对工业控制系统的估计模型进行解耦以及模型参数计算,得到初始高阶模型。
可选地,得到前述估计模型A(q)y(t)=B(q)u(t)+e(t)之后,可以对该模型进行解耦以及模型参数计算,进而得到一个高阶模型,该高阶模型可以是初始高阶模型。
为了进一步对上述过程进行说明,下面来具体解释对工业控制系统的估计模型进行解耦以及模型参数计算的具体实施过程。
图4为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图,请参照图4,对工业控制系统的估计模型进行解耦以及模型参数计算,得到初始高阶模型,包括:
S410:对工业控制系统的估计模型进行解耦。
可选地,可以对前述估计模型进行解耦,也即是对A(q)y(t)= B(q)u(t)+e(t)公式进行解耦,可以将该公式转换为p个多入单出的回路,具体如下:
以第i个输出为例:
Aii(q)yi(t)=[Bi1(q) … Bim(q)]u(t)+ei(t)。
S420:将解耦后的估计模型转换为目标矩阵。
假设回路的滞后都是nk=1,则其中:
Aii(q)=1+aii,1q-1+…+aii,nq-n;
Bij(q)=bij,1q-1+…+bij,nq-n;
可以进行如下定义:
θi=[aii,1…aii,n bi1,1…bi1,n…bim,1…bim,n]T;
则模型参数θ为θ=[θi…θp]T;
可以将公式Aii(q)yi(t)=[Bi1(q) … Bim(q)]u(t)+ei(t)转换为目标矩阵,具体表示如下:
Yi=Φiθi+Λi;
S430:确定目标矩阵中的模型参数,并基于模型参数确定初始高阶模型。
可选地,确定模型参数的具体过程如下:
先确定第i个输出对应的多入单出回路的损失函数为:
Vi(θi,Pi)=(Yi-Φiθi)T(Yi-Φiθi);
基于最小二乘法可以得到:
可选地,S310:对工业控制系统的估计模型进行解耦以及模型参数计算,得到初始高阶模型之后,该方法还包括:
S320:根据初始高阶模型的零点和极点的范围确定估计模型是否存在外部扰动。
可选地,对于初始高阶模型中,多项矩阵通常会产生接近单位圆z=1 的零极或极点。例如:
Aii(q)的极点为pi,k,Bij(q)的零点为zij,k,其中k=1,…,n,j=1,…,m,当c1<pi,k≤1,且c1<zij,k≤1,pi,k,zij,k∈R成立时,则可以确定估计模型存在外部扰动。
S330:若是,对输入数据和输出数据进行差分处理以去除输入数据和输出数据中的外部扰动。
可选地,确定估计模型存在外部扰动之后,可以对yi(t)和输入 u1(t)~um(t)同时做差分处理,从而消除低频扰动的影响。
本申请实施例中提供的业控制系统的模型识别方法中,可以对模型中存在的外部扰动进行识别以及处理,从而可以降低模型中外部扰动造成的误差和影响,提高对模型识别的准确性。
可选地,去除外部扰动之后,可以进行正则化处理,具体过程如下:
在去除外部扰动的工业控制系统的估计模型的基础上,引入正则化项,得到第i个输出对应的多入单出回路的损失函数为:
Vi(θi,Pi)=(Yi-Φiθi)T(Yi-Φiθi)+θi TPiθi;
基于最小二乘法可以得到:
其中,正则化矩阵Pi的维度为(m+1)n×(m+1)n,参数θi是极大后验估计,正则化矩阵Pi包含了对参数θi的先验分布知识。当选取正则化矩阵Pi为Pi=αiI时,其中,αi为超参数,则公式为脊回归,若为病态,正则化得到的参数θi更符合实际。
对于公式θi=[aii,1…aii,n bi1,1…bi1,n…bim,1…bim,n]T来说,θi中的参数aii,k和bij,k是分别逐渐衰减的,故θi中包含了(m+1)段参数(分别对应 yi的回归量和u1~um的回归量),每一段参数的长度为n(对应模型阶次)。
相应地,扰动项vi(t)满足以下高斯分布:
可得参数θi的条件概率分布为:
其中,c和μ为超参数,且c≥0,μ≥0。可以通过选择合适的超参数,即使模型阶次n选取的比较大,降低由于噪声导致的模型参数方差。
进而可以得到工业控制系统的正则化高阶模型,可以将该模型作为真实模型的近似估计:
下面来具体解释本身请实施例中所涉及的工业控制系统的模型识别方法的又一具体实施过程。
图5为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图,请参照图5,对工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果,包括:
S510:对工业控制系统的正则化高阶模型进行参数估计,根据参数估计的结果确定正则化高阶模型对应的至少一个低阶模型。
可选地,在进行参数估计的过程中,具体可以先确定第i个输出yi(t) 对应的频域损失函数,具体如下:
基于最小化问题的求解方式,可以依次计算出1~n阶的低阶模型,选择使得下式最小的阶次作为辨识到的低阶模型:
可以得到低阶模型表示为:
基于上述公式可以依次确定每一阶的低阶模型。
S520:对各低阶模型进行模型评价处理,得到各低阶模型的频域误差。
可选地,对模型进行评价处理具体可以是确定该模型的仿真输出,基于仿真输出计算仿真误差,进而可以得到各低阶模型的频域误差。
S530:对频域误差满足模型评价需求的低阶模型进行参数校正处理。
可选地,确定各低阶模型的频域误差之后,可以确定该频域误差是否满足模型评价需求,若满足,可以对低阶模型进行参数校正处理;相应地莫若不满足,则不进行参数校正处理。
S540:对参数校正后的低阶模型进行滞后迭代处理,得到工业控制系统的模型识别结果。
可选地,得到参数校正后的低阶模型之后,可以进行滞后迭代处理,从而实现对低阶模型的优化,优化的具体过程可以包括二次降阶、延迟移位校正、迭代计算等过程,最终得到工业控制系统的模型识别结果。
下面来具体解释本身请实施例中所涉及的工业控制系统的模型识别方法中进行频域误差确定的具体实施过程。
图6为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图,请参照图6,对各低阶模型进行模型评价处理,确定各低阶模型的频域误差,包括:
S610:确定频域误差的评价频率区间。
其中,评价频率区间包括至少两个区间。
可选地,可以将频域误差的评价频率区间划分为至少两个区间,例如: [0,ωc]和(ωc,ωT]其中,ωc表示截止频率;ωT表示奈奎斯特频率。
也即是说,划分的区间可以是0频到截止频率和截止频率到奈奎斯特频率。需要说明的是,这两个区间可以是预先配置的一种方式,在实施实施的过程中可以根据实际需求设置更多的区间或者按照其他的划分方式进行区间划分,在此不作具体限制。
S620:在各评价频率区间内对各低阶模型进行模型评价处理,得到各低阶模型的频域误差。
模型评价处理的过程具体如下。
首先确定各低阶模型的仿真输出:
得到该仿真输出的仿真误差:
其中,d表示d范数,可以取2,表示二范数。
定义uj(t)~yi(t)的模型频域误差为:
基于前述对应的频率范围进行频域误差确定,得到各低阶模型的频域误差。
本申请实施例中提供的业控制系统的模型识别方法中,可以对模型进行评价,充分考虑不同频率区间内的不同频域误差,进而得到更加满足需求的模型,提高获取频域误差的准确性。
下面来具体解释本身请实施例中所涉及的工业控制系统的模型识别方法中进行参数校正处理的具体实施过程。
图7为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图,请参照图7,对频域误差满足模型评价需求的低阶模型进行参数校正处理,包括:
S710:确定各频域误差满足模型评价需求的低阶模型的极点和零点。
可选地,可以分别确定各频域误差满足模型评价需求的低阶模型的极点和零点,具体可以表示为:
S720:舍弃不满足预设需求的极点和零点,得到初始校正后的低阶模型。
可选地,若极点和零点满足以下条件,则可以舍弃对应的极点和零点,具体条件为:
其中,c1为接近1的阈值常数。
S730:基于预设的增益约束和过程快慢约束对初始校正后的低阶模型进行校正。
可选地,得到初始校正后的低阶模型之后,可以基于预设的增益约束和过程快慢约束对该模型进行进一步校正。
下面来具体解释本身请实施例中所涉及的工业控制系统的模型识别方法中进行滞后迭代处理的具体实施过程。
图8为本申请实施例提供的工业控制系统的模型识别方法的另一流程示意图,请参照图8,对参数校正后的低阶模型进行滞后迭代处理,得到工业控制系统的模型识别结果,包括:
S810:对参数校正后的低阶模型进行降阶处理,得到新的低阶模型。
其中,新的低阶模型为二阶模型或者一阶模型。
可选地,当数据激励程度不够或者存在扰动等情况下,计算过程中假设各个多入单出回路中输入u1(t)~um(t)相对于yi(t)的滞后均为1,因为正则化高阶模型具有比较强的线性泛化能力,会将部分滞后也拟合到模型参数θ中,这就导致模型中还可能存在滞后误差,为了去除这一误差,可以对参数校正后的低阶模型进行降阶处理。
具体可以是将参数校正后的低阶模型降阶至一阶模型或者二阶模型。
S820:对新的低阶模型进行延迟移位校正和迭代计算,得到工业控制系统的模型识别结果。
可选地,得到新的低阶模型之后,可以对新的低阶模型进行延迟移位校正,然后进行迭代计算,直到迭代前后的滞后相差小于预设阈值或者达到用户设置的迭代次数上限后为止。
经过上述处理后得到的结果即为工业控制系统的模型识别结果。
本申请实施例中提供的业控制系统的模型识别方法中,考虑到模型滞后问题,采用迭代优化的方式不断逼近真实模型滞后,从而可以更加准确地得到工业控制系统的模型识别结果。
下述对用以执行的本申请所提供的工业控制系统的模型识别方法对应的装置、设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图9为本申请实施例提供的工业控制系统的模型识别装置的结构示意图,请参照图9,工业控制系统的模型识别装置,包括:获取模块910、扰动处理模块920、正则化模块930以及识别模块940;
获取模块910,用于获取工业控制系统运行时的输入数据以及输出数据;
扰动处理模块920,用于基于输入数据以及输出数据确定工业控制系统的估计模型,并对工业控制系统的估计模型进行外部扰动探测并去除输入数据以及输出数据中的外部扰动;
正则化模块930,用于对去除外部扰动的输入数据和输出数据进行正则化处理,得到工业控制系统的正则化高阶模型;
识别模块940,用于对工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果。
可选地,扰动处理模块920,具体用于对工业控制系统的估计模型进行解耦以及模型参数计算,得到初始高阶模型;根据初始高阶模型的零点和极点的范围确定估计模型是否存在外部扰动;若是,对输入数据和输出数据进行差分处理以去除估计模型中的外部扰动。
可选地,扰动处理模块920,具体用于对工业控制系统的估计模型进行解耦;将解耦后的估计模型转换为目标矩阵;确定目标矩阵中的模型参数,并基于模型参数确定初始高阶模型。
可选地,识别模块940,具体用于对工业控制系统的正则化高阶模型进行参数估计,根据参数估计的结果确定正则化高阶模型对应的至少一个低阶模型;对各低阶模型进行模型评价处理,得到各低阶模型的频域误差;对频域误差满足模型评价需求的低阶模型进行参数校正处理;对参数校正后的低阶模型进行滞后迭代处理,得到工业控制系统的模型识别结果。
可选地,识别模块940,具体用于确定频域误差的评价频率区间,评价频率区间包括至少两个区间;在各评价频率区间内对各低阶模型进行模型评价处理,得到各低阶模型的频域误差。
可选地,识别模块940,具体用于确定各频域误差满足模型评价需求的低阶模型的极点和零点;舍弃不满足预设需求的极点和零点,得到初始校正后的低阶模型;基于预设的增益约束和过程快慢约束对初始校正后的低阶模型进行校正。
可选地,识别模块940,具体用于对参数校正后的低阶模型进行降阶处理,得到新的低阶模型,新的低阶模型为二阶模型或者一阶模型;对新的低阶模型进行延迟移位校正和迭代计算,得到工业控制系统的模型识别结果。
本申请实施例提供的一种工业控制系统的模型识别装置中,可以在对工业控制系统的模型进行识别的过程中进行外部扰动探测,并可以去除输入数据和输出数据的外部扰动,从而对去除外部扰动的输入数据和输出数据进行正则化处理,得到工业控制系统的正则化高阶模型,并在正则化处理之后对工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果,可以得到准确性较高的模型识别结果,由于去除了扰动造成的误差,可以提高模型识别的精度和准确性。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统 (system-on-a-chip,简称SOC)的形式实现。
图10为本申请实施例提供的计算机设备的结构示意图,请参照图10,计算机设备,包括:存储器960、处理器970,存储器960中存储有可在处理器970上运行的计算机程序,处理器970执行计算机程序时,实现工业控制系统的模型识别方法的步骤。
本申请实施例的另一方面,还提供一种计算机可读存储介质,存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现工业控制系统的模型识别方法的步骤。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read- Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种工业控制系统的模型识别方法,其特征在于,包括:
获取工业控制系统运行时的输入数据以及输出数据;
基于所述输入数据以及所述输出数据确定所述工业控制系统的估计模型,并对所述工业控制系统的估计模型进行外部扰动探测并去除所述输入数据以及所述输出数据中的外部扰动;
对去除外部扰动的所述工业控制系统的输入数据以及所述输出数据进行正则化处理,得到所述工业控制系统的正则化高阶模型;
对所述工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果。
2.如权利要求1所述的工业控制系统的模型识别方法,其特征在于,所述对所述工业控制系统的估计模型进行外部扰动探测并去除所述输入数据以及所述输出数据中的外部扰动,包括:
对所述工业控制系统的估计模型进行解耦以及模型参数计算,得到初始高阶模型;
根据所述初始高阶模型的零点和极点的范围确定所述估计模型是否存在外部扰动;
若是,对所述输入数据和输出数据进行差分处理以去除所述输入数据和所述输出数据中的外部扰动。
3.如权利要求2所述的工业控制系统的模型识别方法,其特征在于,所述对所述工业控制系统的估计模型进行解耦以及模型参数计算,得到初始高阶模型,包括:
对所述工业控制系统的估计模型进行解耦;
将解耦后的所述估计模型转换为目标矩阵;
确定所述目标矩阵中的模型参数,并基于所述模型参数确定所述初始高阶模型。
4.如权利要求1所述的工业控制系统的模型识别方法,其特征在于,所述对所述工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果,包括:
对所述工业控制系统的正则化高阶模型进行参数估计,根据参数估计的结果确定所述正则化高阶模型对应的至少一个低阶模型;
对各低阶模型进行模型评价处理,得到各所述低阶模型的频域误差;
对频域误差满足模型评价需求的低阶模型进行参数校正处理;
对参数校正后的低阶模型进行滞后迭代处理,得到工业控制系统的模型识别结果。
5.如权利要求4所述的工业控制系统的模型识别方法,其特征在于,所述对各低阶模型进行模型评价处理,确定各所述低阶模型的频域误差,包括:
确定所述频域误差的评价频率区间,所述评价频率区间包括至少两个区间;
在各评价频率区间内对各所述低阶模型进行模型评价处理,得到各所述低阶模型的频域误差。
6.如权利要求4所述的工业控制系统的模型识别方法,其特征在于,所述对频域误差满足模型评价需求的低阶模型进行参数校正处理,包括:
确定各频域误差满足模型评价需求的低阶模型的极点和零点;
舍弃不满足预设需求的极点和零点,得到初始校正后的低阶模型;
基于预设的增益约束和过程快慢约束对所述初始校正后的低阶模型进行校正。
7.如权利要求4所述的工业控制系统的模型识别方法,其特征在于,所述对参数校正后的低阶模型进行滞后迭代处理,得到工业控制系统的模型识别结果,包括:
对参数校正后的低阶模型进行降阶处理,得到新的低阶模型,所述新的低阶模型为二阶模型或者一阶模型;
对所述新的低阶模型进行延迟移位校正和迭代计算,得到所述工业控制系统的模型识别结果。
8.一种工业控制系统的模型识别装置,其特征在于,包括:获取模块、扰动处理模块、正则化模块以及识别模块;
所述获取模块,用于获取工业控制系统运行时的输入数据以及输出数据;
所述扰动处理模块,用于基于所述输入数据以及所述输出数据确定所述工业控制系统的估计模型,并对所述工业控制系统的估计模型进行外部扰动探测并去除所述输入数据以及所述输出数据中的外部扰动;
所述正则化模块,用于对去除外部扰动的所述工业控制系统的所述输入数据以及所述输出数据进行正则化处理,得到所述工业控制系统的正则化高阶模型;
所述识别模块,用于对所述工业控制系统的正则化高阶模型进行模型降阶以及模型校正处理,得到工业控制系统的模型识别结果。
9.一种计算机设备,其特征在于,包括:存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210950975.5A CN115167320A (zh) | 2022-08-09 | 2022-08-09 | 工业控制系统的模型识别方法、装置、设备及存储介质 |
PCT/CN2022/137614 WO2024031887A1 (zh) | 2022-08-09 | 2022-12-08 | 工业控制系统的模型识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210950975.5A CN115167320A (zh) | 2022-08-09 | 2022-08-09 | 工业控制系统的模型识别方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115167320A true CN115167320A (zh) | 2022-10-11 |
Family
ID=83478597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210950975.5A Pending CN115167320A (zh) | 2022-08-09 | 2022-08-09 | 工业控制系统的模型识别方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115167320A (zh) |
WO (1) | WO2024031887A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115877811A (zh) * | 2023-03-08 | 2023-03-31 | 北京东方国信科技股份有限公司 | 流程工艺处理方法、装置及设备 |
WO2024031887A1 (zh) * | 2022-08-09 | 2024-02-15 | 浙江中控技术股份有限公司 | 工业控制系统的模型识别方法、装置、设备及存储介质 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1945470A (zh) * | 2006-11-02 | 2007-04-11 | 上海交通大学 | 工业多变量时滞过程的两自由度解耦Smith预估控制系统 |
CN101004592A (zh) * | 2007-01-25 | 2007-07-25 | 上海交通大学 | 干扰和时滞不稳定系统的前馈-反馈控制系统控制方法 |
CN101587328B (zh) * | 2008-05-23 | 2011-12-14 | 朱豫才 | 非线性过程动态模型辨识方法 |
CN102467593B (zh) * | 2010-11-09 | 2015-04-22 | 复旦大学 | 非线性电路时域模型降阶方法及装置 |
JP5698572B2 (ja) * | 2011-03-10 | 2015-04-08 | 株式会社神戸製鋼所 | モデリング装置および該方法 |
CN103678738B (zh) * | 2012-09-09 | 2017-09-05 | 复旦大学 | 基于时域多步积分的互连线模型降阶方法 |
US10761522B2 (en) * | 2016-09-16 | 2020-09-01 | Honeywell Limited | Closed-loop model parameter identification techniques for industrial model-based process controllers |
CN111258222B (zh) * | 2020-02-27 | 2021-06-25 | 西南大学 | 自回归滑动平均系统自适应状态估计方法及闭环控制系统 |
CN111427266B (zh) * | 2020-03-20 | 2022-10-11 | 北华航天工业学院 | 一种针对带扰动的非线性系统辨识方法 |
CN113158353B (zh) * | 2021-01-05 | 2022-11-04 | 上海大学 | 一种基于频域无参数辨识的倒立摆系统模型参数辨识方法 |
CN115167320A (zh) * | 2022-08-09 | 2022-10-11 | 浙江中控技术股份有限公司 | 工业控制系统的模型识别方法、装置、设备及存储介质 |
-
2022
- 2022-08-09 CN CN202210950975.5A patent/CN115167320A/zh active Pending
- 2022-12-08 WO PCT/CN2022/137614 patent/WO2024031887A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024031887A1 (zh) * | 2022-08-09 | 2024-02-15 | 浙江中控技术股份有限公司 | 工业控制系统的模型识别方法、装置、设备及存储介质 |
CN115877811A (zh) * | 2023-03-08 | 2023-03-31 | 北京东方国信科技股份有限公司 | 流程工艺处理方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2024031887A1 (zh) | 2024-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115167320A (zh) | 工业控制系统的模型识别方法、装置、设备及存储介质 | |
CN110826021B (zh) | 一种非线性工业过程鲁棒辨识和输出估计方法 | |
CN112508243B (zh) | 电力信息系统多故障预测网络模型的训练方法及装置 | |
Jin et al. | Auxiliary model-based interval-varying multi-innovation least squares identification for multivariable OE-like systems with scarce measurements | |
Pin et al. | Robust deadbeat continuous-time observer design based on modulation integrals | |
CN112862127B (zh) | 一种传感器数据的异常处理方法、装置、电子设备及介质 | |
Duchesne et al. | Jackknife and bootstrap methods in the identification of dynamic models | |
Xiao et al. | The residual based interactive least squares algorithms and simulation studies | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
Yan et al. | Adaptive sign algorithm for graph signal processing | |
WO2004090782A1 (en) | Accurate linear parameter estimation with noisy inputs | |
Larimore | Identification of nonlinear parameter-varying systems via canonical variate analysis | |
Ao et al. | Entropy estimation via normalizing flow | |
Münker et al. | Nonlinear system identification with regularized local FIR model networks | |
Leva et al. | Autotuning in cascaded systems based on a single relay experiment | |
Xu et al. | Parameter estimation for a class of time‐varying systems with the invariant matrix | |
Dolz et al. | Networked gain‐scheduled fault diagnosis under control input dropouts without data delivery acknowledgment | |
Larsson et al. | Estimation of continuous-time stochastic system parameters | |
Kim et al. | Multi-pass sequential mini-batch stochastic gradient descent algorithms for noise covariance estimation in adaptive kalman filtering | |
Huang et al. | Identification of linear systems using binary sensors with random thresholds | |
Kim et al. | Noise covariance estimation in adaptive kalman filtering via sequential mini-batch stochastic gradient descent algorithms | |
CN114330145A (zh) | 基于概率图模型对序列进行分析的方法及装置 | |
Pillonetto et al. | A new kernel-based approach for identification of time-varying linear systems | |
Alipouri et al. | Distributed data‐driven observer for linear time invariant systems | |
CN114383648A (zh) | 一种温度仪表故障诊断方法及装置 |
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 |