电子信息技术

本发明公开了一种针对带扰动的非线性系统辨识方法，包括以下步骤：A、将待辨识的工业控制系统转化为带扰动的非线性系统模型，所述非线性系统由一个非线性环节和一个线性环节组成，即输出误差类型的哈默斯坦系统；B、将上述带扰动的非线性系统模型分解成两个子模型：系统无噪声输出子模型和扰动子模型；C、更新系统参数 构建Pζ(k)和eζ(k)，更新参数 令k＝k+1，返回步骤A，直到满足截止条件 D、辨识所述工业控制系统的参数和扰动。本发明能够改进现有技术的不足，收敛速度块、辨识精度高。

该非线性系统辨识方法通过融合自适应滤波与扰动分离技术，可有效克服工业过程中复杂噪声和时变干扰的影响，精准建立系统动态模型。适用于机器人控制、电力电子变换器等强非线性对象的参数辨识，为智能装备的精确建模与先进控制提供核心算法支撑，推动高精度工业系统优化升级。

本发明建立了扰动条件下的哈默斯坦系统的参数化模型，确定了输入变量、输出变量、中间变量、测量噪声、扰动噪声。将参数化模型分解为两个子模型：系统无噪声输出子模型和扰动子模型，将待辨识参数分为非时变参数和时变参数。无噪声输出子模型由非线性部分和线性部分组成，将两部分转换为输入变量和无噪声输出的回归方程形式，其中无噪声输出是未知的，本发明利用上一次的参数向量和当前的信息向量得到当前的无噪声输出，即建立辅助模型来估计无噪声输出。将系统无噪声输出子模型推导成回归方程的形式，系统输出等于无噪声输出、扰动和测量噪声之和，其中扰动为慢时变噪声，测量噪声为白噪声，从而避免了将白色噪声转换为有色噪声，使得最小二乘变成有偏估计。建立无噪声输出子模型和扰动子模型的联合损失函数，推导出递推最小二乘算法，其中无噪声输出子模型参数采用多新息理论，提高辨识算法的收敛速度和预测精度，扰动子模型参数采用单新息，提高算法的跟踪性能。针对无噪声输出子模型和扰动子模型的不同特性，引入了两个不同遗忘因子，遗忘的引入能够提高收敛速度和辨识精度，同时对慢时变的扰动有更好的跟踪性能。