流程工业自适应降阶系统辨识方法研究

发布时间：2020-07-05 20:12

【摘要】：系统辨识是流程工业领域一个重要研究分支,受到国内外专家及学者的高度关注。辨识方法的有效性将直接影响系统模型精度,进而影响模型的应用效果。在真实流程工业环境下,通常使用指定阶次的模型进行辨识研究,由于系统模型阶次与实际对象阶次不匹配,造成获取精确数学模型比较困难。因此,较为准确的获取系统模型阶次具有较高的研究意义与应用价值。同时,随着计算机与信息技术的发展,各种智能求解算法层出不穷。其中,粒子群优化算法(Particle Swarm Optimization,PSO)是一种非常实用且具有较强全局寻优能力的智能优化算法,在系统辨识领域也得到了广泛应用并取得了较丰富的研究成果。所以,本文利用了粒子群优化算法,提出了自适应降阶系统辨识方法。通过理想环境与白噪声环境下的仿真实验分析,验证了该方法的有效性。本文具体研究工作如下:(1)流程工业系统辨识研究中,针对系统而言,通常只能获取系统的输入输出数据。然而,根据这些数据信息难以准确获取传递函数的模型阶次,进而影响数学模型的辨识。为解决模型阶次无法确定的问题,提出了基于PSO算法的自适应降阶系统辨识法。该方法将高阶模型假设为系统的初始模型,利用PSO算法更新粒子的速度和位移,迭代搜寻原始模型的参数。通过模型的高阶参数和适应度函数来综合判断是否执行自适应降阶辨识。然后,给出仿真案例来验证自适应降阶系统辨识法的有效性。(2)通常,在流程工业中,生产数据是含有白噪声的时间序列。首先,通过MATLAB仿真实验,人为模拟含有白噪声的单位阶跃响应,再采用带通滤波器对其进行滤波。然后,利用自适应降阶辨识法辨识滤波后的单位阶跃响应。最后,获取被控对象的数学模型。本节验证了在噪声干扰的情况下自适应降阶辨识法的可行性。(3)实现复杂被控对象的辨识与PID参数整定。首先,采用本文提出的辨识法辨识复杂的被控对象。然后,将辨识出来的被控对象融入典型的PID控制系统中,分析出系统的误差响应。最后,采用PSO算法迭代搜索全局最优解来获取PID参数。同时,与传统经验法获取的PID参数作比较,体现了改进的自适应降阶辨识法的优越性。
【学位授予单位】：杭州电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：N945.14
【图文】：

流程图,参数辨识,粒子

嗤嘬慵鄏阃Ｖ{CY输出上一阶次模型输出当前阶次模型, ,n m iPSO辨识高阶参数a b fi i1f f n ma 或者b YN图 3.1 自适应降阶辨识法流程图3.2 改进的系统辨识法仿真案例为了验证基于 PSO 算法的自适应降阶系统辨识法的有效性，给出了基于 MATLAB 的仿真案例。就连续系统而言，分别辨识了经典的传递函数和带延时传递函数的模型。从理论上证明了改进方法的可行性，并在流程工业系统具有一定的实用价值。3.2.1 无延时环节的自适应降阶系统辨识案例假设被控对象的初始模型为22 ms ns kas bs c(3.8)已知被控对象为3s 2(3.9)辨识初始模型的参数为 a, b, c, m.n , k ，粒子群算法参数设置为：粒子总数 25sN ，惯性权重maxw 0.9，minw 0.4，个体学习因子1c 2，种群学习因子2c 2

曲线图,适应度函数,粒子,曲线图

20图 3.3 粒子适应度函数曲线图根据粒子群优化算法搜索得到全局最优解如下表所示表 3.1 粒子参数与适应度函数值参数a b c m n 数值4.4431e-06 0.9015 1.8395 -3.0495e-07 -0.0619 2.6度值7.5579e-04由辨识结果显示，适应度函数值为1f 7.5579e 04，且原始模型的分母最高阶参数 a母降阶。分子最高阶参数 m ，所以分子也需要降阶。则原始高阶模型的分子分，降阶后的模型表达式为

参数辨识,粒子,硕士学位论文,电子科技大学

杭州电子科技大学硕士学位论文 ns kbs c使用上述模型对系统进行参数辨识，最大迭代代数为 500 代，PSO 参数设置上述一真取得一组辨识结果如下图所示

【相似文献】