电气比例伺服系统-增广最小二乘法

这篇写的挺烂的，公式太多，图片我本地是没能显示，也不能attach 文件。有需要的可以发邮件到zhaoyueplc@163.com.或者去我的新浪微博留言。我这边还有vb编的ui，还有一些matlab仿真结果，采样数据都有。

 

一，   模型结构的确定

根据文献中的机理建模建立的电气比例伺服系统的数学模型表明，其系统模型一般可以表示为：

         

考虑到一般情况，系统可用下面的三阶可控平均滑动模型来作为系统辨识模型：

 

其中，，，，v(k)为系统中的力干扰（包括滑动摩擦力和负载力）。

 

二，输入信号及数据预处理

1．输入信号的选择

由于对于辨识信号的最低要求是：在辨识时间内能够持续激励过程的所有模态，也就是输入信号的频谱要能够覆盖系统的频谱。所以辨识时采用M序列作为输入信号。

M序列选择应满足如下条件：

(1)        在选取Np时，使得M序列的周期必须大于系统的过度时间以保证时间大于NpΔt后，系统的脉冲响应趋近于零。一般

                    

     其中，t_s为系统的过度时间，Δt为脉冲时间间隔。

(2)        脉冲时间间隔Δt的选择应使M序列的频带宽度大于辨识系统的频带。由于待辨识系统具有低通滤波的特性，在0~0.45/Δt的范围内，它的自功率谱近似为常数，因此Δt的选择可按下式计算：

 

其中，为系统的最高工作频率。

（3）M序列的幅值选择不能过大以免超过活塞的移动范围，也不能太小影响辨识的精度。

 满足上述条件，本实验选用如下M序列：

       采用6阶M序列，幅值及周期可在实验过程中通过面板输入以达到最佳的辨识效果。

2．采样时间的确定

   采样时间的选取将直接影响辨识模型的精度，它的选取原则最起码应满足如下条件：

（1）    要满足采样定理，即采样速度不低于信号截止频率的2倍。

（2）    与模型应用时的采样时间保持一致，并且尽量顾及辨识算法，控制算法的计算速度和执行机构，检测元件的响应速度等问题。一般有

T0=T₉₅/(5~15)

   因此，根据参考文献中的有关分析，采样时间T0为10ms。

3．数据与处理

   由于输入输出数据中含有直流分量或低频成分，用任何辨识方法都无法消除它们对辨识精度的影响，此外数据中的高频也应该剔除。因此，应对数据做如下处理：

（1）    零均值化  采用差分法或平均法，本实验利用差分法。

（2）    用低通滤波器剔除数据中的高频成分。

（3）为了消除过程输入输出中的低频扰动，辨识时去除M序列第一个周期的数据。从第二个周期开始采集数据。

   

三， 辨识方法及实验结果

1．辨识方法选择增广最小二乘法。由于气动系统的开环是不稳定的，辨识的时候只需要研究对象的输入输出数据，直接建立被测对象的数学模型，反馈通道的模型可以未知。

将模型写成如下格式：

 

其中，

 

因为h(k)中包含不可测量的噪声量v(k-1),v(k-2)，用估计值来代替：

 

 

                    辨识算法的流程图

2．辨识软件的实现

  本系统中利用VB作为开发软件，获得输入输出数据后，通过Matlab的强大数据分析和计算能力，系统参数进行辨识。

3.  辨识结果

  分别采集M序列周期和幅值不等的开环闭环数据进行辨识，其结果如下：

 

       图1  闭环超前校正，M序列周期为4s 幅值800数据长度1000

 

图2闭环超前校正M序列周期为6s幅值800数据长度1000

 

          图3闭环超前校正M序列周期为6s幅值800数据长度800

 

图4闭环滞后校正M序列周期为6s幅值800数据长度1000

 

 

图5闭环超前校正M序列周期为6s幅值1000数据长度1000

 

图6开环M序列周期为6s幅值800数据长度1000

图1为闭环超前校正辨识，M序列周期为4s（即Δt=4/63s），幅值为800，数据长度选择1000。

辨识结果为：

1-1.3198+0.1313+0.2130

++0.0015

-0.2784+0.0611

图2为闭环超前校正辨识，M序列周期为6s（即Δt=6/63s），幅值为800，数据长度选择1000。

辨识结果为：

1-1.2886+0.0141+0.2887

++0.0017

-0.3815+0.0738

图3为闭环超前校正辨识，M序列周期为6s（即Δt=6/63s），幅值为800，数据长度选择800。

辨识结果为：

1-1.3669+0.1964+0.1833

++0.0013

-0.6374+0.1732

图4为闭环滞后校正辨识，M序列周期为6s（即Δt=6/63s），幅值为800，数据长度选择1000。

辨识结果为：

1-1.5913+0.5455+0.0583

-0.0015+0.0029+0.0032

-0.6488+0.1555

图5为闭环超前校正辨识，M序列周期为6s（即Δt=6/63s），幅值为1000，数据长度选择1000。

辨识结果为：

1-1.3938+0.2782+0.1313

++0.0024

-0.3237+0.1175

图6开环辨识，M序列周期为6s（即Δt=6/63s），幅值为800，数据长度选择1000。

辨识结果为：

1-1.3154+0.2575+0.0679

+0.0022+0.0046

-0.4668+0.1733

结果分析：

   由于选择的辨识方式(开环和闭环)，以及在实验过程中噪声干扰的影响，得出的结论略有差异，但对其各个残差进行分析发现结果都没有大的问题，因此可以认为辨识的结果是比较理想的。

四， 模型的验证

1．新数据验证

重新采集一组数据分别对三阶模型进行验证。最终得到精确的模型。

 

模型验证

从图中可以看出新数据与老数据辨识结果重合度较好，故可以确定系统模型为

 

其中：

1-1.3938+0.2782+0.1313

++0.0024

-0.3237+0.1175

 

 

 

 

 

 

                                      

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

                                                 

转载于:https://www.cnblogs.com/zhaoyueplc/p/3334602.html