挠性钢铁子与结构辨识报告.pptVIP

一、题目 该实验为挠性钢铁子结构参数辨识，其为带挠性机械臂的悬浮结构，位于两个位置的振荡器作为强制输入信号，28个加速器作为外部测量，30个渠道同时使用LMS-Cada X测量数据采集模块。 采样间隔：1/1024（s） 数据量：8523采样点/渠道 输入：2个输入，u1和u2均是白噪声 输出：28个输出。 以下是悬浮钢铁子结构图： 二、系统模型结构分析 状态空间表达式描述为： {wk}和是零均值平稳遍历状态序列，{vk}是零均值平稳的输出干扰或噪声序列，均与{uk}和状态方程的初值不相关，且满足以下关系式： 三、算法选择 在本实验中，我们选择N4SID算法（子空间系统辨识方法）。此方法是近年来出现的一种确定多输入多输出系统模型的有效方法之一, 特别对高阶系统，该方法比传统方法的优越性体现在两点: 首先它不需要对系统有太多的了解, 只需给定模型的阶数，而这个阶数可在辨识过程中估计得到, 且与OE( Output Error) 相比, 该方法易于把初始条件不相同的数据联接起来辨识, 它辨识多变量系统与单变量系统一样的简单; 另一方面体现在数值特性上, 该方法没有迭代和非线性的卷入。 四、实验 第一步 导入数据 Input — 以u作为输入变量的名称； Output —以y(:,1)作为输出变量的名称 Data name —数据名称,在系统辨识工具箱GUI导入数据后自动完成 数据命名环节； Starting time — 以0作为初始时间； Sampling interval — 以1/1024s作为采样时间间隔。 第二步 阶的辨识 一个多输入多输出系统可以分解成若干个多输入单输出系统来处理，可描述为图4.3所示的系统。 本次实验数据共有28个输出。由于辨识方法相同，本论文中只对第一个输出数据，即flexible_structure(:,3)，进行研究。在系统辨识工具箱GUI中， 选择Estimate Linear parametric models ，打开线性参数模型对话框，如图4.4所示。在Structure列表中，选择状态空间模型； 线性参数模型对话框 确定阶的范围1-40，以实现阶的配置 点击Estimate打开状态空间模型结构选择窗口，显示参数配置得到的模型性能，如图4.5所示。 第三步 参数的辨识 阶次辨识完成后，选择模型性能最好的参数配置。在模型结构选择窗口（如图4.5所示）中，点击insert。 在线性参数模型对话框中（如图4.4所示），点击Estimate。 第四步 模型验证 模型输出窗口显示了不同模型结构的一致性并根据有效数据测量出输出。模型输出图显示了模型对有效的输入数据的反应。每个模型的最优值在模型输出窗口的Best Fits区域被归纳出来了。模型在Best Fits选项中从顶部最好到底部最差被排序。两个曲线之间的计算出来的最优值为100意味着辨识出来的模型相当得符合，为0时表示一点都不符合要求。 在这次实验中，模型的输出与有效地数据输出匹配相当，图4.6所示。 y1为实际输出数据,y1e为模型输出数据。模型输出与实际输出间的误差如图4.7所示 五、结论 辨识可得阶数n=24； 以下是辨识所得的结果： A = x1 x2 x3 x4 x5 x1 0.15554 0.98345 -0.055845 -0.027576 -0.0062262 x2 -0.96786 0.15872 0.10262 0.057871 -0.074076 x3 -0 0.019153 0.62521 -0.75602 0.13169 x4 0.029967 0.055876 0.49477 0.55284 0.62987 x5 0.0434 0.042826 0.27443 0.23107 -0.64525 x6 0.11579 -0.013017 0.4846 0.21783 -0.37973 x7 0.012016 0.0088176 -0.024263