【技术实现步骤摘要】
一种机电系统数学模型辨识方法和系统
本专利技术涉及天文望远镜机电系统系统辨识领域，具体为一种基于嵌入式终端和云服务器主机的天文望远镜机电系统数学模型辨识系统和方法。
技术介绍
随着天文技术的发展，对天文望远镜的集光能力和分辨率提出了越来越高的要求。为满足天文观测的需求，对望远镜的运行提出了挑战，主要有以下3个方面：(1)、望远镜的口径不断增大，从而导致望远镜机电系统的转动惯量增大，在机电系统运行时会产生较大的时滞。(2)、天文望远镜在跟踪星体时，其运转精度非常高，通常会达到角秒或亚角秒级别。(3)、天文望远镜的运转速度非常低，通常是一天转一圈。因此，天文望远镜大惯量、低速和高精度的特性，使摩擦、齿隙、饱和等非线性因素和各种干扰对系统精度的影响非常大。要实现望远镜机电系统的精密控制，需要建立望远镜机电系统比较精确的数学模型并采用合适的控制方法。目前对控制理论的研究比较深入，已经提出了多种控制算法。从常规的PID控制，到自适应控制、模糊控制、神经网络控制等等。但是在控制系统设计中，望远镜机电系统的数学模型是能实现精确控制的前提和...
【技术保护点】
1.一种机电系统数学模型辨识方法，其特征在于，包括：/nS1：采集被辨识对象机电系统的输入输出数据；/nS2：将所述数据分组为训练集数据和测试集数据；/nS3：将训练集数据用于数学模型辨识，采用不同的算法对训练集数据进行训练，得到若干数学模型，用测试集数据对所述数学模型进行测试并评估，选择不同需求下的最佳数学模型，具体选择方法为：/n
【技术特征摘要】
1.一种机电系统数学模型辨识方法，其特征在于，包括：
S1：采集被辨识对象机电系统的输入输出数据；
S2：将所述数据分组为训练集数据和测试集数据；
S3：将训练集数据用于数学模型辨识，采用不同的算法对训练集数据进行训练，得到若干数学模型，用测试集数据对所述数学模型进行测试并评估，选择不同需求下的最佳数学模型，具体选择方法为：
式中N为训练集样本容量；Y为训练集的输出值；f(x)为数学模型的表达式；x为训练集的输入量；w为数学模型的参数向量；λ≥0为调整训练误差和数学模型复杂度的系数；
根据λ的不同，为使用者提供若干种可选模型，进而可基于选择模型对望远镜机电系统进行精确控制。
2.根据权利要求1所述的一种机电系统数学模型辨识方法，其特征在于，所述被辨识对象包括两种类型：
第一类被辨识对象自身没有输入输出数据，在辨识时间内系统的动态特性被激励信号持续激励，并实时采集系统输出数据，所述激励信号和采集数据用于进行系统辨识；
第二类被辨识对象已有离线输入输出数据，将离线数据直接用于进行系统辨识。
3.根据权利要求1所述的一种机电系统数学模型辨识方法，其特征在于，所述可选模型包括4种：
第1种是训练误差最小但是数学模型较复杂的模型；第2种数学模型最简单但是训练误差较大的模型；第3种是训练误差和模型复杂度均衡的数学模型；第4种是使用者配置的数学模型；
最终通过通信接口把4种数学模型和测试集测试结果传输给使用者供选择使用。
4.根据权利要求2所述的一种机电系统数学模型辨识方法，其特征在于，所述激励信号包括正弦扫频信号、白噪声信号、Chirp信号，其中：
所述正弦扫频信号包括线性扫频方式和对数扫频方式；
线性扫频方式如下：
A*sin(2*pi*(f0+(f1-f0)/T*t)*t)
其中A为输出正弦信号的幅值；f0为下限频率；f1为上限频率，f1-f0为频率范围；T为试验持续时间；t为实际扫频时间；
对数扫频方式如下：
A*sin(2*pi*(f0*exp(log(f1/f0)/T))*t)
所述白噪声信号是是均值为0，功率谱密度为非0常数的平稳随机过程，用递推运算产生伪随机数：
xi＝Axi-1(modM)i＝1,2,…
式中，M＝2k；k为大于2的整数；xi为随机数；A为序列乘数；mod为取余运算。
所述Chirp信号在频域内为连续频谱，其表示为：
式中f0为Chirp信号起始频率，f1为Chirp信号终止频率，t1为Chirp信号的总长度。
5.根据权利要求2所述的一种机电系统数学模型辨识方法，其特征在于，所述步骤S2还包括数据降噪过程，对数据中的噪声信号，采用滤波的方式进行消除，根据使用者配置的带宽，提供低通滤波器滤除高频噪声信号。
<...
【专利技术属性】
技术研发人员：杜福嘉，孙浩添，
申请(专利权)人：中国科学院国家天文台南京天文光学技术研究所，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。