《机电系统建模、模式识别与控制》第3章 系统辨识方法及其应用.pptVIP

采样时刻k卡尔曼增益采样时刻k辨识参数采样时刻k切削合力峰值勤Fp/N采样时刻k进给命令fc/(mm/s)采用状态变量反馈的自适应控制算法仿真（无噪声情况）*采用状态变量反馈的自适应控制算法仿真（有噪声情况）采样时刻k进给命令fc/(mm/s)采样时刻k切削合力峰值Fp/N*图5.7铣削过程自适应控制实验系统的构成***实验结果——z域极点配置自适应控制铣削加工实验工件廓形*实验结果——状态变量反馈自适应控制铣削加工实验工件廓形**记：3.3在线参数辨识的卡尔曼滤波算法*对于状态变量表达式，状态变量(即过程参数变量)可以用卡尔曼滤波估计器KFE(KalmanFilteringEstimator)进行估计，从而实现对过程参数进行辨识。其算法如下：**Example:KalmanFilteringforParameterIdentification**作业二：线性定常离散系统参数辨识给定系统传递函数：考虑系统输出加有白噪声的情况，试分别用普通最小二乘方法、递推最小二乘方法方法和KFE方法对系统的参数进行辨识。*脉冲响应函数辨识当初始条件为零，输入r(t)单位脉冲时，R(s)=1，则有：*3.1常用辨识方法概述3.1.1时域辨识方法1)阶跃输入信号响应辨识**3.1.2脉冲输入信号响应辨识*3.1.3频域辨识方法*G1G2G3G4–R(s)C(s)开环幅频特性：开环相频特性：开环对数幅频特性：**3.2最小二乘辨识方法3.2.1普通最小二乘辨识方法(批处理算法）将系统写成下列n阶差分方程：*将待估计的模型参数和k时刻以前的n次采样数据记为向量形式：则有：把k=n+1,n+2,…,n+N共N步采样数据，代入上式组成N个方程，可表示为：*其中：*最小二乘法的目标：选择模型参数使模型输出与所有实际观测值总体上最接近。取最小二乘估计的性能指标为：要使J取极小，求即可得。*则有：得动态离散系统模型参数的最小二乘估计为：为求得解，要求N?2n+1，一般取测量数据的组数N=100~200*LSE估计量的统计特性讨论无偏性：估计量均值应为真值有效性：估计值对真值有较小的方差一致性：具有收敛性判别随机变量的估计量优劣的三个方面*无偏性根据对e(k)的假定，eN与是统计无关的所以有：*有效性*一致性按收敛性要求，应有：*3.2.2递推最小二乘在线参数辨识算法在系统辨识中，最小二乘法是最常用的辨识方法。在实时在线辨识应用时，多采用递推最小二乘算法，即每次新估计值是在前一次估计值的基础上，根据新的测量数据进行修正计算后得到，为了使最近的测量数据对估计值产生较影响，一般还引入遗忘因子?。对线性过程的参数辨识，普通带遗忘因子的递推最小二乘估计的算法如下：*递推最小二乘估计算法(RecursiveLeast-SquaresEstimation)在进行n+N次观测后，根据批处理LS算法可以构成输出向量YN和数据阵XN，得到LS估计：当获得一组新的观测数据{y(n+N+1),u(n+N+1)}后，同样可以构成YN+1，XN+1，得到最小二乘估计：*XN+1与XN，YN+1与YN之间的关系分别为：*其中所以有：*定义：则有：利用矩阵求逆定理：令：*记：则有：*同时可以验证：*最小二乘估计的递推公式：*新的参数是用新的实际测量值y(n+N+1)与基于老模型进行预测得到的量之偏差，对老的参数估计加以修正得到的，修正系数阵为KN+1。PN的物理意义是参数估计误差的方差，作为n+N时刻参数估计精度的一种度量。PN越大表示参数估计越不准确，PN越小表示参数估计越接近真值。若已知和PN的初始值，P0即可递推算出以后的参数估计值。设置初始值有很多方法，实用中常取：*3.2.3递推最小二乘在线参数辨识算法的修正带遗忘因子的最小二乘估计的递推公式：?——遗忘因子，0??1*从理论上来说，当辨识对象无噪声或噪声为白噪声时，上述算法可得到有效无偏的一致估计。但在实际应用过程中，若系统长时间闭环运行，往往出现估计值严重崎变现象，导致计算失去稳定。对协矩阵P(k)的一种监控式修正策略：若对于某一给定正数?1和?2，若有：|trP(k)|?1or|trP(k)|?2则以新矩阵P?(