制冷系统蒸发器模型的建立,将直接影响到对蒸发器温度的控制,进而影响整个冷库的节能控制效果。蒸发器的结构和里面的制冷剂的流动以及各种不同的状况十分复杂,即使对众多环节进行理想化假设,利用机理建模的方法也很难建立精确的数学模型。根据工程应用中蒸发器模型参数变化较小但精度要求高的特点,本文选择广义最小二乘离线辨识的方法对蒸发器进行建模。1数学模型的建立1.1输入输出数据的预处理输入输出数据通含有的直流成分或低频和高频成分直接影响到辨识的精度,用任何辨识方法都无法消除它们对辨识精度的影响。因此,为了减少这种影响,可以从源头和反馈入手,对输入输出数据进行零均值化和剔除高频成分的预处理。实践证明,这个动作能大大减少这些不利因素的影响,能显著地提高辨识的精度。(1)零均值化零均值化常用差分法,对于采用差分方程形式描述辨识模型如:A(z-1)z(k)=B(z-1)u(k)+v(k)(1)在辨识算法中所用的输入输出数据U(k)和Z(k)应是经过零均值化处理后的数据。但是实际观测到的数据是U*(k)和Z*(k),而U(k)和Z(k)则是不知道的。如果上式两边同乘以(1-Z-1),则有:A(z-1)z(k)=B(z-1)u(k)+v(k)(2)其中,差分量u和z为:u(k)=(1-z-1)u(k)-u(k-1)=u*(k)-u*(k-1)z(k)=(1-z-1)z(k)-z(k-1)=z*(k)-z*(k-1)(3)那么就可以直接利用u和z进行辨识,它们不含直流成分了。这样实际上已间接地对输入输出数据进行了零均值化处理。(2)剔除高频通常可以利用如下的低通滤波器剔除数据中的高频成分:u軈(k)=au軈(k-1)+u(k)-u(k-1)軈z(k)=az軈(k-1)+z(k)-z(k-1)(4)其中,a=e-T0/T,T0为采样时间,T为过程时间数。1.2模型结构辨识用损失函数检验法对系统的阶次进行辨识。对线性过程来说,模型的验前结构通常可直接采用差分方程或状态方程的表达形式。现假设采用如下差分方程数学模型:A(z-1)z(k)=B(z-1)u(k)+v(k)/C(z-1)(5)其中,u(k)和z(k)表示过程的输入和输出;v(k)是均值为零的不相关随机噪声,且:A(z-1)=1+a1z-1+a2z-2+…=anaz-naB(z-1)=b1z-1+b2z-2+…+bnbz-nbC(z)=1+c1z-1+c2z-2+…+cmd軈軈軈軈軈z(6)考虑式(5)单输入单输出线性系统,令:e(k)=v(k)/C(z)(7)损失函数为残差平方和:J(n)=n+Nk=n+1e2(k)(8)当阶次越接近真实阶次n0时,J(n)就应该越小,而n超过真实阶次时,J(n)应该接近恒值。利用文献[3]提供的数据,其中输入数据为流入蒸发器制冷剂的质量流量,输出数据为蒸发器的蒸发压力,在MATLAB环境下编程绘图,可以得到当n=3时,J(n)接近恒值,故模型的阶次可以确定为三阶。1.3模型参数辨识广义最小二乘法递推算法是一种针对CARAR模型的迭代算法。它的基本思想是基于对数据先进行一次滤波预处理,然后利用普通最小二乘法对滤波后的数据进行辨识。如果滤波模型选择合适的话,对数据进行了较好的白色化处理,那么直接利用最小二乘法就能获得无偏的一致估计。这种滤波模型是可以预先选定的固定模型,也可以是动态变化模型。广义最小二乘法所用的滤波模型实际上是一种动态模型,在整个迭代过程中不断地靠偏差信息来调整这个滤波模型,使它逐渐逼近一个较好的滤波模型,以便对数据进行较好的白色化处理,使模型参数估计成为无偏一致估计。选