基于改进的粒子群算法的舵机模型参数辨识方法技术

本发明专利技术提供了一种基于改进的粒子群算法的舵机模型参数辨识方法，该舵机模型参数辨识方法包括：在不加负载的情况下构建舵机模型；实时采集舵机的指令舵角和实际舵角信号；将实时采集舵机的指令舵角和实际舵角信号作为辨识模型的输入，将舵机模型的参数舵机的控制增益和时间常数作为辨识模型的输出，构建舵机模型参数的辨识模型。应用本发明专利技术的技术方案，能够解决现有技术中舵机模型参数的辨识精度以及辨识效率不足的技术问题。

【技术实现步骤摘要】

本专利技术涉及舵机参数智能辨识，尤其涉及一种基于改进的粒子群算法的舵机模型参数辨识方法。

技术介绍

1、建立精准的舵机模型是研究伺服系统动态特性的关键所在，然而，由于舵机结构较为复杂，导致其模型参数难以精准地通过机理分析等方法确定。因此，有必要研究有效的系统辨识策略并进行舵机动态性能分析。系统辨识是指被识别系统按照优化准则在预设模型中优化出与数据拟合最好的模型参数。国内外在舵机参数辨识研究方面提出了很多方法，如最小二乘法、频率特性法和相关函数法等。这些经典算法能够在一定程度上提升模型参数的辨识精度，然而在优化速度和优化精度方面或多或少存在一些不足。

2、近年来，随着智能控制理论不断发展成熟，越来越多的智能优化算法渐渐应用于参数辨识中，如群智能算法、支持向量机等。粒子群算法作为群智能算法的一种，可以有效地解决复杂的非线性难题，同时保证模型具有较强的鲁棒性。此外，相比于其他进化算法，粒子群优化算法(pso)具有算法规则简单、易于实现、收敛速度快及可调参数少等优点，使其更容易获得寻优问题的最优解。但传统粒子群算法易陷入局部最优的问题，进而导致舵机模型本文档来自技高网...

【技术保护点】

1.一种基于改进的粒子群算法的舵机模型参数辨识方法，其特征在于，所述舵机模型参数辨识方法包括：

2.根据权利要求1所述的基于改进的粒子群算法的舵机模型参数辨识方法，其特征在于，根据构建舵机模型，其中，G表示舵机的传递函数，δE为指令舵角，δ为实际舵角，KE和TE分别表示舵机的控制增益和时间常数，s为复频率。

3.根据权利要求2所述的基于改进的粒子群算法的舵机模型参数辨识方法，其特征在于，实时采集舵机的指令舵角和实际舵角信号组成样本集合S＝{[δE(k)，δ(k)]|k＝1，2，...，K}，其中，[δE(k)，δ(k)]为第k个样本向量，δE(k)和δ(k)分别表...

【技术特征摘要】

1.一种基于改进的粒子群算法的舵机模型参数辨识方法，其特征在于，所述舵机模型参数辨识方法包括：

2.根据权利要求1所述的基于改进的粒子群算法的舵机模型参数辨识方法，其特征在于，根据构建舵机模型，其中，g表示舵机的传递函数，δe为指令舵角，δ为实际舵角，ke和te分别表示舵机的控制增益和时间常数，s为复频率。

3.根据权利要求2所述的基于改进的粒子群算法的舵机模型参数辨识方法，其特征在于，实时采集舵机的指令舵角和实际舵角信号组成样本集合s＝{[δe(k)，δ(k)]|k＝1，2，...，k}，其中，[δe(k)，δ(k)]为第k个样本向量，δe(k)和δ(k)分别表示采集到的第k个舵机的指令舵角和实际舵角，k为总的样本组数。

4.根据权利要求3所述的基于改进的粒子群算法的舵机模型参数辨识方法，其特征在于，s3.1具体包括：

5.根据权利要求4所述的基于改进的粒子群算法的舵机模型参数辨识方法，其特征在于，s3.1.1具体包括：初始化最大迭代次数hm、初始化粒子pi的位置xi、速度vi、个体最优值pi，并初始化粒子群的全局最优值pg、初始惯性权重w和目标搜索空间[xn，min，xn，max]，以及一般退火温度t1和系数c1，回火温度t2与退火系数c2，其中，pi表示粒子群中的第i个粒子，粒子群为sp＝{pi|i＝1，2，...

【专利技术属性】
技术研发人员：王雷，水尊师，祝姣，黄永生，
申请(专利权)人：北京空天技术研究所，
类型：发明
国别省市：