發(fā)布時間：2021-11-04 09:59

　　針對在超聲電機的物理機理建模存在的問題,提出了基于數(shù)據(jù)驅動的建模方法。運用貝葉斯理論進行模型參數(shù)估計。使用EM（參數(shù)期望最大化）的性能指標,得到基本理論公式及計算迭代方法。提出了模型適配度作為超聲電機模型魯棒性的評價指標,并進行研究。通過實驗和模型計算,參數(shù)魯棒性和建模精度均有提高。經(jīng)實驗證明,所述的建模方法在超聲電機的建模工作中具有較好的精度和參數(shù)魯棒性。 

【文章來源】：電氣傳動. 2020,50(07)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

超聲電機EM核方法模型參數(shù)估計算法流程圖

系統(tǒng)采集數(shù)據(jù)后，經(jīng)數(shù)據(jù)采集卡傳送至計算機，上位機根據(jù)本文所述方法進行建模及參數(shù)辨識。圖3給出了該超聲電機模型的頻率特性。從圖2中可以看出，電機模型的頻率特性保有足夠的裕度。如有新的離群數(shù)據(jù)輸入或模型參數(shù)發(fā)生攝動時，模型也能在相應的頻段保持良好的魯棒性。

在利用所采集的數(shù)據(jù)進行建模時，分別采用物理機理建模、傳統(tǒng)時間序列建模方法、BP神經(jīng)網(wǎng)絡建模方法（其結構選為基本三層BP網(wǎng)絡，訓練方法經(jīng)過優(yōu)化及綜合對比，選其魯棒性較強的算法）、以及本文所述建模方法進行對比。數(shù)據(jù)量為1k，分別以正態(tài)分布和t分布，利用式（24）分別計算其適應度，得出箱體圖如圖3所示。從圖3中可以定性地看出：1）按照t分布進行參數(shù)辨識與按照通常的正態(tài)分布進行參數(shù)辨識相比，其模型參數(shù)適配度整體上要好，這證明了本文1.1節(jié)所述結論的正確性，同時也印證了貝葉斯估計的基本理論；2）從圖2、圖3中可以看出，與物理機理建模、傳統(tǒng)時間序列建模方法以及BP神經(jīng)網(wǎng)絡建模方法所得出的參數(shù)相比，本文所述方法具有較好的參數(shù)適配度，即參數(shù)的魯棒性較強。圖3中相應的計算數(shù)據(jù)如表1所示。

【參考文獻】：
期刊論文
[1]參數(shù)不確定離散隨機系統(tǒng)的加權多模型自適應控制[J]. 張維存.  自動化學報. 2015(03)
[2]超聲電機非線性建模和廣義預測控制[J]. 張建桃,張鐵民,梁莉.  電機與控制學報. 2011(06)
[3]貝葉斯時間序列方法研究與應用評述[J]. 樊重俊,姚莎.  統(tǒng)計與決策. 2009(06)
[4]基于MCMC方法的貝葉斯AR（p）模型分析[J]. 鄭進城,朱慧明.  統(tǒng)計與決策. 2005(20)
[5]行波型超聲波電動機的模型研究[J]. 吳新開,何早紅,胡俊達.  機械工程學報. 2005(02)
[6]超聲波電動機定子支撐對其性能影響的有限元分析[J]. 徐志科,胡敏強,金龍,莫岳平.  電工技術學報. 2004(02)
[7]超聲波電機定轉子接觸的摩擦傳動模型及其實驗研究[J]. 劉錦波,陳永校.  中國電機工程學報. 2000(04)



本文編號：3475511