论文部分内容阅读
本文主要研究各种时变结构系统辨识方法。研究分两个方面:一是线性时变系统辨识,一是非线性时变系统辨识。对于线性时变结构系统辨识提出基于递推子空间方法、基于时变自回归滑动平均模型和基于小波脊分析方法三类方法。对于非线性时变结构系统辨识提出基于时变非线性自回归滑动平均模型、基于神经网络和基于小波网络三类方法。 对于线性时变结构系统辨识,引入投影估计子空间跟踪算法,提出投影估计递推子空间方法。该方法与现有方法相比具有计算量小、辨识精度高等优点;还将该方法扩展到利用自由响应数据的投影估计递推子空间方法和固定长度平移窗投影估计递推子空间方法。前者仅使用自由响应数据,不仅使用方便灵活,且计算量小、辨识精度高。后者用一个固定长度平移窗将旧数据除掉,可消除广义Hankel矩阵中旧数据的影响。该算法计算量比原方法多一倍,但辨识精度也可提高一个数量级左右;针对整体数据子空间方法计算量大、对噪声敏感等缺点,通过用广义能观阵代替输出矩阵并利用奇异向量的正交性得到改进算法,可改进这些缺点;此外,令自回归滑动平均模型(ARMA)参数随时间变化得到时变自回归滑动平均模型,再利用Kalman滤波方法、递推最小二乘方法等估计随时间变化的模型参数,进而估计系统的伪模态参数。最后,利用小波分析方法,引入小波尺度对应伪频率和小波脊的概念,提出利用小波变换的线性时变系统伪模态参数估计方法。通过仿真实验表明各类小波都可估计系统的参数,但不同小波的估计效果有些差别。最后设计一个悬臂梁系统,通过移动悬臂梁上的小车使系统具有时变质量。利用振动响应数据估计该系统的伪模态参数,验证了前面提出的几种方法,并比较各种方法的性能。 对于非线性时变系统辨识,通过令非线性自回归滑动平均模型的参数随时间变化将其扩展为时变非线性自回归滑动平均模型,再将其非线性函数展为输入的Taylor级数形式,从而将非线性问题转化为线性问题。然后引入线性时变系统的参数估计方法估计该模型的参数,就可辨识时变非线性系统。分别使用了Kalman滤波算法、递推最小二乘算法、递推预报误差方法、基序列拟合方法和整体数据方法。通过每一时刻建立一个神经网络模型,使其能够拟合当前时刻的非线性输入输出关系,然后将所有时刻的网络模型集合起来描述系统的时变特性。为便于应用,在系统参数变化不快的情况下,不改变网络的结构,自适应改变网络的权值,使网络反映的非线性输入输出关系跟踪系统实际输入输出关系的变化,从而实现对非线性时变系统的辨识。提出基于扩展Kalman滤波和递推最小二乘的自适应跟踪方法,基序列拟合方法和整体数据方法。基于扩展Kalman滤波的方法将辨识问题转化为滤波问题,通过将非线性系统转化为线性系统,再引入Kalman滤波算法自适应跟踪系统参数变化。最小二乘方法将辨识问题转化为优化问题,利用最小二乘法求解。基序列拟合方法利用基序列拟合系统参数,将非线性时变系统的辨识问题转化时不变问题,再使用时不变系统的辨识方法求解。仿真算例表明,该方法可辨识非线性时变系统,但精度不高,计算量较大。整体数据方法通过使用多组实验数据,在辨识过程中引入更多关于系统的信息,提高了辨识精度,但同时也增加了计算量。改进后的方法不但继承了整体数据方法的优点,且克服了其不便于在线应用、需要多组实验数据的缺点。通过用小波函数代替前馈网络中Sigmoid函数得到小波网络,将小波分析和神经网络的优点结合起来。仿真算例表明小波网络与前馈网络相比可以明显得提高辨识精度。