基于测速发电机系统辨识与自适应控制.docVIP

基于测速发电机系统辨识与自适应控制 姚广 201530210055 （上海海事大学物流工程学院，上海，201606） 摘 要：本文根据二阶的测速发电机数学模型，给定已知的参考模型首先用递推最小二乘法和梯度校正参数估计法对测速发电机进行系统辨识，通过比较仿真的结果来分析这两种方法哪一种更加的合适，从而找到一个比较好的辨识方法。本文也采用了两种自适应控制的算法用来比较分析，分别是最小方差自校正控制和改进的单神经元自适应PID控制关键词：递推最小二乘法；梯度校正参数估计法；最小方差控制；改进的单神经元自适应PID控制 1引言 针对一个二阶的测速发电机系统,以与其同轴连接的直流电机所加的控制电压为输入,测速发电机的电压为输出,其模型为: y(k)=-a1y(k-1)-a2y(k-2)+b1u(k-1)+b 已知参考模型为: y(k)=1.6y(k-1)-0.8y(k-2)+u(k-1)+0.4u(k-2)+e(k) 分别采用两种系统辨识的方法，分别为递推最小二乘法和梯度校正参数估计法，通过这这两种辨识来分析这两种辨识方法个的优缺点。自适应控制也通过两种方法来分析各自的优缺点。 2 递推最小二乘算法： 递推的最小二乘算法计算量小,可以用于在线辨识,即使辨识对象随时间发生变化,模型也可以对其进行跟踪,不断地进行更新和修正辨识参数,从而成为一种被广泛采用的辨识方法。 对于如图所示的单输入单输出系统： 其中G(z-1)是系统函数模型，N(z-1)为有色噪声系统模型，e(k)为白噪声 其离散传递函数为： (1) 输入输出的关系为： (2) 进一步，我们可以得到： (3) 写成差分方程的形式： (4) 令 则式4可以写为: 将上述式子扩展到N个输入、输出观测值{}，k=1,2,…，N+n。将其代入到式5中，写成矩阵的形式为： (5) 取泛函为 最小二乘法原理既是使最小，对其求极值得 (6) 由此可得系统的最小二乘法估计值为： (7) 以上推导的最小二乘法存在一些缺点,因此可以对该方法进行改进,利用新的估计值等于旧的估计值加上修正值基本思想和基本原理,就可以推出最小二乘法参数估计递推算法 如果使用递推辨识算法求最小二乘解,则计算方式不同,通过矩阵求逆的理论,可以得到一组通用的递推公式 (8) 3 梯度校正参数估计法： 梯度校正参数估计法，其递推算法具有和最小二乘法递推算法相同的结构，而其原理却完全不同于最小二乘算法。它的思想是：沿着准则函数（目标函数）的负梯度方向,逐步修正模型参数估计值，直至准则函数达到最小。改参数估计算法简单易懂，实时计算量小。 设确定性系统描述如下： A(z-1)y(k)=B(z-1)u(k-d) 式中，u(k)和y(k)分别表示系统的输入和输出，且 Az-1=1+ 式10又可以写成 y(k)=φT(k)θ 假设系统的参数估计为 θk=θk-1 式12中参数γ的选择，应该能够使下式成立 (13) 由式12可推出γ (14) 将推出的γ代入式13就可以得到θk 为避免θk=0 (15) 对于c和α的上述取值，可以证明算法是收敛的。在进行仿真时，取初值θ0，并取α=1，c=0.1 递推梯度校正估计算法： Step1 设置初值θ0及参数c和α Step2 采样当前输出y(k)和输入u(k); Step3 利用式（7），计算θk Step4 k→k+1,返回Step2，继续循环。 4 最小方差自校正控制： 在实施最小方差控制算法时，需要在线求解单步Diophantine方程（丢番方程）。所以先介绍单步Diophantine方程的求解： 如下式所以形式的方程被称为Diophantine方程： (16) 式中 严格来说，通常将式（16）中的第一个方程称为Diophantine方程。由式（16）得 (17) 令式(17)等号两边关于z-