一种针对带输入死区的工业时变系统二维递推辨识建模方法，从同一批次内的时间方向上和不同批次的批次方向上挖掘系统动态信息，用于更新辨识算法更新参数；由于时变间歇生产过程的时间维度往往难以采集到足够的数据，在时间方向进行参数估计只能获取单批次过程的动态特性，难以对时变参数进行有效地精确估计；所提出的二维建模方法，从批次维度将时间维度的时变参数估计问题，转换为等价的时不变参数进行估计；批次维度充足的生产数据可以确保辨识算法能够利用统计的方式消除随机噪声的影响，以实现对带输入死区的工业时变系统的精确估计。该算法提高了对于时变参数的辨识性能。该算法提高了对于时变参数的辨识性能。该算法提高了对于时变参数的辨识性能。
【技术实现步骤摘要】
针对带输入死区的工业时变系统二维递推辨识建模方法
[0001]本专利技术属于工业运动系统的参数辨识
，具体涉及一种针对带输入死区的工业时变系统二维递推辨识建模方法。
技术介绍
[0002]生产过程的安全、可持续运行是过程优化的基础，是自动化、智能制造的基础。然而，在采矿、冶金和煤炭加工等复杂的工业过程中，经常发生不确定性和干扰，使其不可能在最优操作点附近长期稳定地运行，常常需要连续的人工干预，从而难以保证生产效率和综合经济效益。目前，传统的过程监控只关注异常情况的发生。由于过程扰动和不确定性，即使在正常运行条件下，过程也可能会稍微偏离最优工作点，导致运行条件偏离最优甚至较差。因此，及时、准确、全面地了解工业过程的运行能仍然是工业生产中非常重要的要求。
[0003]近年来，复杂工业过程运行状态评价方法的成果不断涌现。如基于优性相关变异信息方法、全潜鲁棒偏M估计方法等。然而，由于不同的实际生产过程的动态特性和反馈控制系统的影响，数据前和后时刻彼此相互关联，呈现一个典型的多维时间序列的特征。单一的静态特征分析往往不能充分感知工况的特征，导致预测精度不足，进而会出现严重的误报，从而会影响模型的泛化能力。为此，学者们提出了多种动态建模方法，如动态偏最小二乘(Dynamic Partial Least Squares,DPLS)、多尺度主成分分析、状态空间方程等。但是，上述方法对异常的过程动态不敏感，因为它们不能清楚地区分过程中的动态和静态信息。另外，特征容易受到数据中其他信息的影响，本质上是随机变量，而不是确定性值。
技术实现思路
[0004]针对上述现有技术存在的问题，本专利技术提供一种针对带输入死区的工业时变系统二维递推辨识建模方法，该算法能有效解决一般辨识算法对于时变参数辨识不准确、建立的时变系统模型于实际时变系统模型差距较大的问题，可实现时变参数的准确辨识和时变系统的准确建立。
[0005]为了实现上述目的，本专利技术提供一种针对带输入死区的工业时变系统二维递推辨识建模方法，包括以下步骤：
[0006]步骤一：利用Hammerstein模型，建立死区输入非线性时变系统的机理模型：
[0007]S11：使用静态非线性块和线性动态块的组合来描述具有输入死区的Hammerstein模型，并根据公式(1)建立Hammerstein结构非线性时变系统；
[0008][0009]式中，u
k
(t)是第k批次中第t时间可测量的输入激励信号，该输入激励信号由传感器从多轴运动系统中采集而来；是第k批次中第t时间不可测量的中间信号；y
k
(t)是第k批次中第t时间的输出相应信号；v
k
(t)是均值为零和方差为σ
v2
的高斯白噪声；z
‑1是后移算
子；多项式A(z
‑1)与多项式B(z
‑1)互为素数，
[0010]n
a
和n
b
是模型的阶数；
[0011]S12：根据公式(2)获得静态非线性块的输出函数；
[0012][0013]式中，m1(t)和m2(t)是非线性时变输入函数的线段斜率；d1(t)和d2(t)为不相等的时变参数；
[0014]S13：根据公式(2)获得公式(3)；
[0015][0016]式中，
[0017]S14：使用矩阵运算，根据公式(3)获得公式(4)；
[0018][0019]式中，式中，式中，θ
n
(t)＝[m1(t)d1(t),m1(t),m2(t)d2(t),m2(t)]T
；
[0020]S15：基于公式(1)和公式(4)，通过公式(5)获得第k批次中第t时间的系统输出y
k
(t)；
[0021][0022]S16：通过公式(5)获得公式(6)；
[0023][0024]式中，θ(t)为参数向量，式中，θ(t)为参数向量，为信息向量，
[0025]步骤二：利用二维递推最小乘估计时变系统的参数；
[0026]S21:使用不同批次同一时刻的参数向量获得时变参数，通过公式(7)获得时变参
数d1(t)的估计值，通过公式(8)获得时变参数d2(t)的估计值；
[0027][0028][0029]S22:使用公式(9)更新信息向量
[0030][0031]S23:使用公式(10)更新遗忘因子λ
k
；
[0032][0033]式中，λ
kmin
∈[0.98,1]；
[0034]S24:使用公式(11)更新增益矩阵K
k
(t)；
[0035][0036]S25:使用公式(12)更新协方差矩阵P
k
(t)；
[0037][0038]S26:使用公式(13)更新参数估计向量
[0039][0040]S27:根据公式(14)获得待估计的时变参数
[0041][0042]本专利技术提出了一种二维递推最小二乘辨识算法(Two dimensional recursive least squares,2D
‑
RLS)，该算法不仅能从同一批次内的时间方向上挖掘信息，还能从不同批次方向上挖掘信息，从而提高了对于时变参数的辨识性能。本专利技术提出了一种二维递推最小二乘辨识算法对于具有的死区输入非线性时变的网络化多轴系统的参数辨识有实际意义。该算法有效的解决了一般辨识算法对于时变参数辨识不准确、建立的时变系统模型于实际时变系统模型差距较大的问题，实现了时变参数的准确辨识和时变系统的准确建立，有助于确保工业生产过程长期稳定地在最优操作点运行，有利于保证生产效率和综合经济收益。
附图说明
[0043]图1为本专利技术一种带输入死区的工业时变系统二维递推辨识算法流程图；
[0044]图2具有输入死区的Hammerstein模型结构；
[0045]图3二维递推最小二乘辨识算法信息更新流程图；
[0046]图4网络化多轴运动系统的输入信号；
[0047]图5网络化多轴运动系统的输出信号；
[0048]图6预测输出的平均绝对误差随批次的变化情况图；
[0049]图7网络化多轴运动系统的估计参数；
[0050]图8网络化多轴运动系统的真实输出和预测输出对比图；
具体实施方式
[0051]下面结合实施例和附图对本专利技术作进一步说明。
[0052]如图1至图8所示，本专利技术提供了一种针对带输入死区的工业时变系统二维递推辨识建模方法(Two dimensional recursive least squares,2D
‑
RLS)，包括以下步骤：
[0053]步骤一：利用Hammerstein模型，建立死区输入非线性时变系统的机理模型：
[0054]S11：使用静态非线性块和线性动态块的组合来描述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种针对带输入死区的工业时变系统二维递推辨识建模方法，其特征在于，包括以下步骤：步骤一：利用Hammerstein模型，建立死区输入非线性时变系统的机理模型：S11：使用静态非线性块和线性动态块的组合来描述具有输入死区的Hammerstein模型，并根据公式(1)建立Hammerstein结构非线性时变系统；式中，u
k
(t)是第k批次中第t时间可测量的输入激励信号，该输入激励信号由传感器从多轴运动系统中采集而来；是第k批次中第t时间不可测量的中间信号；y
k
(t)是第k批次中第t时间的输出相应信号；v
k
(t)是均值为零和方差为σ
v2
的高斯白噪声；z
‑1是后移算子；多项式A(z
‑1)与多项式B(z
‑1)互为素数，)互为素数，n
a
和n
b
是模型的阶数；S12：根据公式(2)获得静态非线性块的输出函数；式中，m1(t)和m2(t)是非线性时变输入函数的线段斜率；d1(t)和d2(t)为不相等的时变参数；S13：根据公式(2)获得公式(3)；式中，S14：使用矩阵运算，根据公式(3)获得公式...
【专利技术属性】
技术研发人员：董世建，张育珠，周星星，林坤杰，唐加乐，郝磊磊，刘俊，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
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。