超声电机的EM核鲁棒建模研究

发布时间：2021-11-04 09:59

　　针对在超声电机的物理机理建模存在的问题,提出了基于数据驱动的建模方法。运用贝叶斯理论进行模型参数估计。使用EM（参数期望最大化）的性能指标,得到基本理论公式及计算迭代方法。提出了模型适配度作为超声电机模型鲁棒性的评价指标,并进行研究。通过实验和模型计算,参数鲁棒性和建模精度均有提高。经实验证明,所述的建模方法在超声电机的建模工作中具有较好的精度和参数鲁棒性。 

【文章来源】：电气传动. 2020,50(07)北大核心

【文章页数】：6 页

【部分图文】：

超声电机EM核方法模型参数估计算法流程图

系统采集数据后，经数据采集卡传送至计算机，上位机根据本文所述方法进行建模及参数辨识。图3给出了该超声电机模型的频率特性。从图2中可以看出，电机模型的频率特性保有足够的裕度。如有新的离群数据输入或模型参数发生摄动时，模型也能在相应的频段保持良好的鲁棒性。

在利用所采集的数据进行建模时，分别采用物理机理建模、传统时间序列建模方法、BP神经网络建模方法（其结构选为基本三层BP网络，训练方法经过优化及综合对比，选其鲁棒性较强的算法）、以及本文所述建模方法进行对比。数据量为1k，分别以正态分布和t分布，利用式（24）分别计算其适应度，得出箱体图如图3所示。从图3中可以定性地看出：1）按照t分布进行参数辨识与按照通常的正态分布进行参数辨识相比，其模型参数适配度整体上要好，这证明了本文1.1节所述结论的正确性，同时也印证了贝叶斯估计的基本理论；2）从图2、图3中可以看出，与物理机理建模、传统时间序列建模方法以及BP神经网络建模方法所得出的参数相比，本文所述方法具有较好的参数适配度，即参数的鲁棒性较强。图3中相应的计算数据如表1所示。

【参考文献】：
期刊论文
[1]参数不确定离散随机系统的加权多模型自适应控制[J]. 张维存.  自动化学报. 2015(03)
[2]超声电机非线性建模和广义预测控制[J]. 张建桃,张铁民,梁莉.  电机与控制学报. 2011(06)
[3]贝叶斯时间序列方法研究与应用评述[J]. 樊重俊,姚莎.  统计与决策. 2009(06)
[4]基于MCMC方法的贝叶斯AR（p）模型分析[J]. 郑进城,朱慧明.  统计与决策. 2005(20)
[5]行波型超声波电动机的模型研究[J]. 吴新开,何早红,胡俊达.  机械工程学报. 2005(02)
[6]超声波电动机定子支撑对其性能影响的有限元分析[J]. 徐志科,胡敏强,金龙,莫岳平.  电工技术学报. 2004(02)
[7]超声波电机定转子接触的摩擦传动模型及其实验研究[J]. 刘锦波,陈永校.  中国电机工程学报. 2000(04)



本文编号：3475511