论文部分内容阅读
受硬件设备限制、经济条件制约,以及环境因素的影响,很多流程工业（如：石油、化工、食品、医药等）均为非均匀采样数据非线性系统。该系统的输入刷新和/或输出采样呈现不等时间间隔,传统辨识方法和控制理论仅适用于单率采样数据系统,难以实现此类系统的辨识与控制。本文在国家自然科学基金项目（61273142）和江苏省研究生科研创新计划基金项目（CXLX120648）的支持下,以非均匀采样数据非线性系统为研究对象,分别探讨具有已知基的非线性、硬非线性,一般非线性系统的辨识问题,以及辨识方法在软测量建模中的应用。论文的主要工作内容包括以下几个方面：·针对一类具有已知基函数的非均匀采样数据Hammerstein-Wiener系统,提出一种递阶多新息随机梯度算法。该算法首先利用提升技术,推导出描述这类系统的状态空间模型,并基于因果约束关系,将该模型分解为分别包含线性动态参数及非线性静态参数的两个子系统,进而利用带可变遗忘因子的递阶多新息随机梯度辨识算法进行参数估计,在保证辨识精度的同时,提高了算法对噪声的抗干扰能力。此外,进一步将所提算法推广应用到具有已知基函数的非均匀采样数据Hammerstein/Wiener系统的辨识中。数值仿真验证了本文算法的有效性。·针对具有死区特性的非均匀采样数据Wiener非线性系统,利用关键项分离技术,提出了一种迭代递推最小二乘辨识算法。首先利用提升技术,推导出系统的状态空间模型,并借助于开关函数,得到系统模型的逻辑表达式。其次,将辅助模型思想与迭代方法相结合,提出一种基于辅助模型的、带可变遗忘因子的迭代递推最小二乘算法,解决了信息向量中同时存在不可测未知变量和未知参数,导致系统参数无法直接辨识的难题,数值仿真验证了本文算法具有较高的辨识精度与较低的计算量。·针对结构未知的非均匀采样数据非线性系统,提出了基于模糊c均值聚类的多模型递推最小二乘辨识算法。首先,基于分解-合成思想,将系统描述为一种模型切换系统。其次,在给定局部模型个数的前提下,利用模糊c均值聚类算法确定切换规则及各局部模型数据集,进而将问题转化为局部非均匀采样数据线性系统的辨识。再利用递推最小二乘算法估计出各局部模型参数。最后以分段线性系统与pH中和反应机理模型为例验证了所提算法的有效性。·针对一个实际的非均匀采样数据非线性系统——PX氧化副反应,基于模糊c均值聚类算法,建立了反应尾气中CO2含量的软测量模型。首先,采集实验室分析数据,并对其进行归一化及相关分析,确定模型的输入、输出变量；其次,利用模糊c均值聚类算法,确定系统模型结构,基于多模型递推最小二乘算法辨识模型参数,获得高精度的软测量模型；最后,验证了软测量模型在实际运行中的有效性。