Closed-loop Subspace Model Identification Using Innovation Estimation and Orthogonal Projection
-
摘要: 针对闭环控制系统提出一种基于新息估计和正交投影的闭环子空间模型辨识方法.首先采用最小二乘法对VARX模型（Vector autoregressive with exogenous inputs model）进行计算得到新息估计值，然后通过将由观测输入输出数据构造的Hankel矩阵正交投影到新息数据的正交补空间以消除噪声影响，从而在无噪声的输入输出数据奇偶空间中提取得到扩展可观测矩阵和下三角形Toeplitz矩阵.最后采用平移变换法得到系统矩阵.对该算法严格分析和证明了实现一致估计的条件.通过仿真实例验证了本文方法的有效性和优越性.Abstract: In this paper, a closed-loop subspace model identification method using innovation estimation and orthogonal projection is proposed for closed-loop control systems. Firstly, a least-squares algorithm is adopted to estimate the innovation matrix via the vector autoregressive with exogenous inputs (VARX) model. Then, by performing an orthogonal projection of the observed input-output Hankel matrix onto the orthogonal complement space of innovation Hankel matrix to eliminate the influence from noise, the extended observability matrix and lower triangular block Toeplitz matrix are derived from the parity space of noise-free input-output data. Finally, the system matrices are retrieved by using a shift-invariant approach. The consistent estimation conditions are analyzed with a strict proof. A simulation example is shown to demonstrate the effectiveness and merit of the proposed method.
-
图 1 系统设定输入激励为白噪声的系统极点估计平均值
Fig. 1 Mean value of estimated poles for white noise setpoint excitation
图 2 系统设定输入激励为白噪声的系统极点估计标准方差
Fig. 2 Standard deviation of estimated poles for white noise setpoint excitation
图 3 系统设定输入激励为相关序列的系统极点估计平均值
Fig. 3 Mean value of estimated poles for correlated quasi-stationary setpoint excitation
-
[1] Qin S J. An overview of subspace identification. Computers Chemical and Engineering, 2006, 30(10-12): 1502-1513 doi: 10.1016/j.compchemeng.2006.05.045 [2] Favoreel W, de Moor B, van Overschee P. Subspace state space system identification for industrial processes. Journal of Process Control, 2000, 10(2-3): 149-155 doi: 10.1016/S0959-1524(99)00030-X [3] 杨华, 李少远. 基于输入扩张的闭环系统子空间辨识及其强一致性分析. 自动化学报, 2007, 33(7): 703-708 http://www.aas.net.cn/CN/abstract/abstract14311.shtmlYang Hua, Li Shao-Yuan. Closed-loop subspace identification based on augmented input with consistency analysis. Acta Automatica Sinica, 2007, 33(7): 703-708 http://www.aas.net.cn/CN/abstract/abstract14311.shtml [4] 王乐一, 赵文虓. 系统辨识: 新的模式、挑战及机遇. 自动化学报, 2013, 39(7): 933-942 doi: 10.1016/S1874-1029(13)60062-2Wang Le-Yi, Zhao Wen-Xiao. System identification: new paradigms, challenges, and opportunities. Acta Automatica Sinica, 2013, 39(7): 933-942 doi: 10.1016/S1874-1029(13)60062-2 [5] van der Veen G J, van Wingerden J W, Bergamasco M, Lovera M, Verhaegen M. Closed-loop subspace identification methods: an overview. IET Control Theory and Applications, 2013, 7(10): 1339-1358 doi: 10.1049/iet-cta.2012.0653 [6] Wang J, Qin S J. Closed-loop subspace identification using the parity space. Automatica, 2006, 42(2): 315-320 doi: 10.1016/j.automatica.2005.09.012 [7] Huang B, Ding S X, Qin S J. Closed-loop subspace identification: an orthogonal projection approach. Journal of Process Control, 2005, 15(1): 53-66 doi: 10.1016/j.jprocont.2004.04.007 [8] Chiuso A. The role of vector autoregressive modeling in predictor-based subspace identification. Automatica, 2007, 43(6): 1034-1048 doi: 10.1016/j.automatica.2006.12.009 [9] Qin S J, Ljung L. Closed-loop subspace identification with innovation estimation. In: Proceedings of the 13th IFAC System Identification. Rotterdam, Netherlands: IFAC, 2003. 887-892 [10] Katayama T.Subspace Methods for System Identification. London: Springer-Verlag, 2005, 107-137 [11] Jansson M, Wahlberg B. On consistency of subspace methods for system identification. Automatica, 1998, 34(12): 1507-1519 doi: 10.1016/S0005-1098(98)80004-6 [12] Liu T, Huang B, Qin S J. Bias-eliminated subspace model identification under time-varying deterministic type load disturbance. Journal of Process Control, 2015, 25: 41-49 doi: 10.1016/j.jprocont.2014.10.008 [13] Wang J, Qin S J. A new subspace identification approach based on principal component analysis. Journal of Process Control, 2002, 12(8): 841-855 doi: 10.1016/S0959-1524(02)00016-1 期刊类型引用(22)
1. 张欣，张雁，张鑫. 基于亮度与彩色纹理统计的无参考图像评价. 信息技术与信息化. 2023(01): 122-129 . 
百度学术2. 何锦成，韩永成，张闻文，何伟基，陈钱. 基于通道校正卷积的真彩色微光图像增强. 兵工学报. 2023(06): 1643-1654 . 百度学术3. 罗小燕，刘顺，汤文聪，王兴卫. 基于Mask RCNN的矿仓入料口堵塞矿石识别定位研究. 有色金属科学与工程. 2022(01): 101-107 . 百度学术4. 陈健，李诗云，林丽，王猛，李佐勇. 模糊失真图像无参考质量评价综述. 自动化学报. 2022(03): 689-711 . 本站查看5. 段添耀，柯圆圆. 基于多种颜色模型的马赛克瓷砖选色研究. 江汉大学学报(自然科学版). 2022(04): 45-52 . 百度学术6. 来晓. 基于微调优化的深度学习在果蔬识别中的应用. 智能计算机与应用. 2021(04): 117-123 . 百度学术7. 贺杰，王桂梅，刘杰辉，杨立洁. 基于图像处理的皮带机上煤量体积计量. 计量学报. 2020(12): 1516-1520 . 百度学术8. 柴富杰，邓嘉敏，李建森，刘正发. 数码照相颜色数值与物质浓度辨识的数学模型. 数学的实践与认识. 2019(04): 305-311 . 百度学术9. 陈扬，李旦，张建秋. 互补色小波域图像质量盲评价方法. 电子学报. 2019(04): 775-783 . 百度学术10. 侯向宁，刘华春. 基于MSER和SVM以及强种子区域生长的车牌定位. 西安工程大学学报. 2019(02): 180-185 . 百度学术11. 梁长江，吴雪梅，王芳，宋朱军，张富贵. 基于无人机的田间地膜识别算法研究. 浙江农业学报. 2019(06): 1005-1011 . 百度学术12. 刘星星，王烁烁，徐丽明，袁全春，马帅，于畅畅，牛丛，陈晨，袁训腾，曾鉴. 基于OpenCV的动态葡萄干色泽实时识别. 农业工程学报. 2019(23): 177-184 . 百度学术13. 李可，陈洪亮，张生伟，万锦锦. 基于SVM的雾天图像分类技术研究. 电光与控制. 2018(03): 37-41+47 . 百度学术14. 丁丽. 基于粗集理论的车辆状态检测. 电脑知识与技术. 2018(01): 189-190+208 . 百度学术15. 胡晓丽，钟昊，李彤. 基于二值图像连通域的甘蔗螟虫识别计数方法. 桂林电子科技大学学报. 2018(03): 210-214 . 百度学术16. 张宪红，张春蕊. 基于六维前馈神经网络模型的图像增强算法. 山东大学学报(工学版). 2018(04): 10-19 . 百度学术17. 李玉华，李天华，牛子孺，吴彦强，张智龙，侯加林. 基于色饱和度三维几何特征的马铃薯芽眼识别. 农业工程学报. 2018(24): 158-164 . 百度学术18. 郑恩，林靖宇. 基于图像质量约束的无序图像关键帧提取. 计算机工程. 2017(11): 210-215 . 百度学术19. 任荣梓，高航. 基于混沌置乱的分量融合图像加密压缩方法. 计算机技术与发展. 2017(08): 106-109+114 . 百度学术20. 元朴康，况盛坤，王强，田全慧. 基于GRNN的模糊图像盲评价. 包装工程. 2016(13): 195-200 . 百度学术21. 李俊峰，张之祥，沈军民. 基于亮度统计的无参考图像质量评价. 光电子·激光. 2016(10): 1101-1110 . 百度学术22. 万泽慧. 试析网络图像的色彩管理要点. 无线互联科技. 2016(04): 32-34 . 百度学术其他类型引用(51)
-
下载:
图(4)
计量
- 文章访问数: 1930
- HTML全文浏览量: 166
- PDF下载量: 694
- 被引次数: 73
