系统-辨识在热工过程中的应用.docVIP

目前 , 在热工控制领域 , 系统辨识的应用不多 , 很多控制器的参数都是根据运行人员的经验确定 的 , 缺少精确的被控对象的数学模型作为理论依 据 。 热工过程系统辨识的常用方法主要有时域法 、 频域法和统计法 。 它们对输入信号的要求比较高 , 同时又有较大缺点辨识精度不高 , 抗干扰能力差 , 并且只适用于线性系统的辨识 。 本文所述采用进行系统辨识的方法 , 对输入信号的要求不高 , 同时能够保证一定辨识精 度 。 并且引人神经网络方法 , 能够实现对非线性系 统的辨识 。 系统辨识的一般步骤及其实现 瑞典著名学者给出系统辨识的定义 “ 辨识有三个要素 , 即数据 、 模型类型和准则 , 辨识 就是按照一个准则在一组模型类中选择一个与数 据拟合最好的模型 。” 系统辨识的内容和步骤 , 包括以下几个方面 。 试验设计和数据采集 包括输人信号幅度 、 频率等 、 采样时间 、 辨识 时间 、 开环或闭环辨识 、 离线或在线辨识等 。 此步骤 的目的在于使采集到的数据序列尽可能多地包含 过程特性的内在信息 。 数据预处理 输人输出数据通常含有直流成分 、 低频或高频成分这些对辨识的精度都是不利的因此一般都 要对数据进行零均值化和滤波的预处理 , 来提高辨 识的精度 。 中数据预处理的函数包括 一消除趋势项零均值化 记一对数据进行滤波 记一对数据进行重新采样 。 模型结构辨识 包括对模型类和模型结构参数的确定两部分 内容 。 模型类的确定主要根据先验知识对过程的特 性进行一定程度的假设 , 明确所要建立的模型是静 态的还是动态的 、 是连续的还是离散的 、 是线性的 还是非线性的 、 是参数模型还是非参数模型等 。 系统辨识工具箱中支持的模型类主要有 非参数模型类中的脉冲响应模型 参数模型中的模型 、 模型 、 模型和状态空间模型等 。 模型结构参数的确定就是在假定模型结构的 前提下 , 利用辨识的方法确定模型结构参数 。 系统辨识工具箱中提供的模型结构选择函数有 一计算多个模型结构的损失函数 一计算多个输出误差模型结构的损失函 数 一选择模型结构 一生成一系列模型结构 。 模型参数辨识 在模型结构确定以后 , 就可以进行模型参数的辨识中对模型进行参数辨识的方法主要 包括最小二乘法 、 误差预测估计法 、 辅助变量法 、 几 何网络法等 、 对应不同模型类 , 系统辨识工 具箱提供的函数有 对非参数模型的辨识 一估计 一 时间序列的协方差函数 , 一采用相关分析方法估计对象的脉冲响应 和方差函数 , 一直接采用分析估计对象的频域谱 和传递函数 , 一采用谱分析技术估计对象的频谱和传递 函数 对参数模型的辨识 一模型辨识 , 一模型辨识 , 一模型辨识 , 一 一 模型辨识 , 盯一估计多变量正则状态空间模型 , 一采用辅助变量法辨识模型 , 一采用辅助变量法辨识模型 , 一采用步辅助变量法估计模型 , 一估计输出误差模型 , 一采用子空间方法估计状态空间模型 , 一估计一般的线性模型 。 系统辨识工具箱还提供了各种参数模 型的递推辨识函数 。 这种方法不仅能减少内存用 量 , 而且能实现在线实时辨识 。 模型检验 模型检验是系统辨识不可缺少的步骤之 一 , 模型是否可靠需要经过多方面的检验 , 通常 包括 利用在不同时间区间采集的数据 , 分别建立 模型 , 如果各个模型的特征基本相同 , 则说明辨识 结果可靠 利用两组不同的数据分别得到辨识模型 , 并 分别计算它们的损失函数 , 然后将两组数据交叉使 用 , 再计算各自的损失函数 , 如果对应的损失函数 没有明显的变化 , 则模型可靠 增加辨识中使用的数据长度 , 如果损失函数 不再显著下降 , 则模型可靠 检验模型 一 与过程输出残差的序列的白 色性 , 如果残差序列 。 可以视作零均值的自色 噪声序列 , 则模型可靠 。 中用于模型仿真检验的函数有 一将模型的预测输出与对象实际输出 进行比较 , 记一进行模型仿真计算 , 一计算预测误差 , 一预测未来输出 , 一生成输人信号 , 一计算和检验模型的残差 。 交互式图形界面 除了以各种命令形式调用功能函数外 , 还提供了一个交互式的图形界面工具它 能实现系统辨识丁具箱中绝大多数功能 , 并且操作 简便直观 。 在命令窗口键人命令 , 即可 启动该图形界面 。 神经网络在非线性系统辨识中的应用及 其实现 神经网络对非线性系统的辨识具有较大优势 近年来 , 基于神经网络的系统辨识方法越来越 多地受到重视 , 尤其在应用神经网络对非线性系统 进行辨识方面 。 神经网络具有大规模并行性 、 容错 性 、 本质的非线性及自组织 、 自学习 、 自适应能力 , 已经成功地应用到许多领域 。 对控制领域来讲 , 神 经网络的处理非