基于阶跃响应和遗传算法优化高阶加时滞模型的辨识方法.docx
版权申诉
51 浏览量
2022-07-13
16:25:58
上传
评论
收藏 480KB DOCX 举报
实际的工业控制系统中,大多属于高阶、时滞和多容的对象,因此对此类控
制器的研究有重要的实际意义
[1,2]
。针对一些比较复杂的高阶对象,控制器的设
计一般采用两种控制方法:直接设计控制器和模型降阶法。使用直接降阶法设
计的控制器结构复杂,即使能准确辨识模型,其复杂程度也让控制器的设计变得
困难,在实际的工业过程中难以实现。模型降阶法可较好地简化控制器的复杂
程度,并且减少模型的参数,实现起来较为容易
[3,4]
。
高阶系统中比较经典的降阶方法有:Pade 逼近法、连分式法、Routh 逼近
法及混合法等
[5]
。由于被控对象的复杂性,这些经典的降阶方法在实际应用中比
较困难。
大部分的工业对象可以使用一阶或二阶加纯滞后模型进行描述,并能够拥
有良好的动态特性
[6,7,8,9]
。针对带有时滞环节的高阶系统,工程上常采用传统的
一阶加纯滞后模型的辨识方法,通过最小二乘法辨识出系统模型的参数
[9]
。然而
在实际的高阶加时滞过程对象中,使用一阶加纯滞后模型描述存在较大的误差
[10]
。对于一些新的系统辨识方法,例如基于小波网络的系统辨识、人工神经网
络的系统辨识等,在一定程度上解决了传统方法精度不高的缺点,但对于特定的
问题,存在不能求得系统 PID 参数的问题
[11]
。
在工业控制领域中,存在着许多与优化有关的问题,而遗传算法已经在工业
中得到了初步应用,并彰显出不错的优化效果。例如基于遗传算法优化的航天
控制器设计、利用遗传算法进行参数辨识等,在这些领域中都显示出了应用遗
传算法的可能性
[12,13]
。
遗传算法是一种具有方向性的随机搜索算法,由于其具有简单通用性,不要
求目 标函数具有连续性,且具有全局搜索性,易于得到全局最优解等特点,使得
辨识模型具有更高的辨识精度和更快的参数收敛速度
[14]
。
基于以上思想,本文提出了一种基于阶跃响应和遗传算法优化的辨识方法。
该方法采用矩量法计算模型参数,首先使用脉冲信号引出该方法,然后扩展到任
意的输入信号,通过分析对象阶跃响应的输入和输出数据,辨识并优化对象模型
的参数
[15]
。
1 辨识方法
1.1 脉冲 信号的参数辨识
剩余13页未读，继续阅读
罗伯特之技术屋
- 粉丝: 3591
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
相关推荐
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
评论0
最新资源