（电力系统及其自动化专业论文）基于rbf神经网络的浮船坞浮态检验系统辨识.pdf

i n s p e c t i o ns y s t e mi d e n t i f i c a t i o no ff l o a t i n g d o c kc o n d i t i o n s b a s e do nr b fn e t w o r k s d i s s e r t a t i o n at h e s i ss u b m i t t e dt o d a l i a nm a r i t i m eu n i v e r s i t y i np a r t i a lf u l f i l l m e n to ft h er e q u i r e m e n t sf o rt h ed e g r e eo f m a s t e ro fe n g i n e e r i n g b y j i a oy u y i n g ( m a r i n ee n g i n e e r i n g ) t h e s i ss u p e r v i s o r ：p r o f e s s o rt a ny u e d r w a n gn i n g j u n e2 0 1 1 大连海事大学学位论文原创性声明和使用授权说明 原创性声明 本人郑重声明：本论文是在导师的指导下，独立进行研究工作所取得的成果， 撰写成博硕士学位论文= = 基王堕e 弛经圈终的淫魈垫淫查捡验丕统趁迟= = 除论文中已经注明引用的内容外，对论文的研究做出重要贡献的个人和集体，均 已在文中以明确方式标明。本论文中不包含任何未加明确注明的其他个人或集体 已经公开发表或未公开发表的成果。本声明的法律责任由本人承担。 学位论文作者签名： 拽叁皇， 学位论文版权使用授权书 本学位论文作者及指导教师完全了解大连海事大学有关保留、使用研究生学 位论文的规定，即：大连海事大学有权保留并向国家有关部门或机构送交学位论 文的复印件和电子版，允许论文被查阅和借阅。本人授权大连海事大学可以将本 学位论文的全部或部分内容编入有关数据库进行检索，也可采用影印、缩印或扫 描等复制手段保存和汇编学位论文。同意将本学位论文收录到中国优秀博硕士 学位论文全文数据库( 中国学术期刊( 光盘版) 电子杂志社) 、中国学位论 文全文数据库( 中国科学技术信息研究所) 等数据库中，并以电子出版物形式 出版发行和提供信息服务。保密的论文在解密后遵守此规定。 本学位论文属于：保密口在年解密后适用本授权书。 不保密影( 请在以上方框内打“ ) 论文作者签名：住芝、蓖、导师签名： 论文作者签名：1 毛 ，、啕导师签名： n 一， 日期：2 - o l1 年7 月y 日 中文摘要 摘要 浮船坞要实现在水域中的上浮和下沉，就要有一套自己的浮沉系统，浮船坞 的沉浮系统使得其他船舶能够在不同的水域进出浮船坞的坞舱进行作业。现阶段 的浮船坞智能化和自动化水平还不够高，本课题的选题背景的项目就是为了建立 一套完整的浮船坞沉浮控制系统和仿真系统。文中以项目中的8 万吨浮船坞为例 进行分析，浮船坞的沉浮控制系统以六角吃水调节进出阀门的开度和3 2 个压载舱 的进排水量为根据。本论文研究的课题是在已知3 2 个压载舱的舱深容量的情况下， 建立一个系统，可以得到浮船坞的六角吃水，从而完成浮船坞浮态的检验工作， 达到检测浮船坞沉浮控制系统的算法是否符合精度要求、控制系统的操作工作是 否及时与正确的目的。 文章首先介绍了系统辨识的基础理论和常见的经典系统辨识方法，由于传统 的经典系统辨识方法存在一定的局限性，经过比较，课题决定选用基于神经网络 的系统辨识方法。通过对神经网络模型和构成的分析，浮船坞浮态检验系统选用 r b f 神经网络进行系统辨识仿真。文中重点分析了r b f 网络常用高斯函数、多二 次函数、逆多二次函数和薄板样条函数等，以及r b f 函数的插值问题和正规化问 题。r b f 神经网络的重点是其学习方法，包括随机选取r b f 中心法、自组织学习 选取r b f 中心法、有监督学习选取中心法和正交最小二乘法。正交最d x - - 乘法因 其适用范围较广、学习效果良好的特点，是其中最常用的一种学习方法。 文中用m a t l a b 软对浮船坞的浮态进行系统辨识仿真，选用8 万吨浮船坞的 舱深测深表中的藏身容量作为输入训练数据，吃水作为输出进行训练。正确获得 六角吃水，就可以得到相对精确和完整的浮船坞的浮态。最后用其他采集数据对 浮船坞浮态检验系统进行误差检测。 关键词：浮船坞；系统辨识；r b f 神经网络 英文摘要 a b s t r a c t i no r d e rt oa c h i e v et h ef l o a t i n ga n ds i n k i n go ft h ef l o a t i n gd o c ki nt h ew a t e ra r e a ，a f l o a t i n ga n ds i n k i n gs y s t e mi sn e e d e d t h es y s t e mm a k e st h a tt h eo t h e rs h i p sc a ng oi n a n do u tt h ed o c kc a b i no ft h ef l o a t i n gd o c ka td i f f e r e n tw a t e ra r e at ow o r k t h ec o n t r o l s y s t e mi sb a s e do na d j u s t i n gt h eo p e n i n go ft h ei n l e t o u t l e tv a l v eo fs i xa n g l es e ag a u g e a n dt h ei n f l o w o u t f l o wv o l u m eo f3 2b a l l a s tt a n k s t h i sp a p e ra i m sa te s t a b l i s h i n ga s y s t e mw h i c hc a ng e t st h es i xa n g l es e ag a u g eo ff l o a t i n gd o c ki nt h ec a s eo fk n o w i n g t h es t o r a g ec a p a c i t yo f3 2b a l l a s tt a n k s ，t h e r e b y , w h e ni n s p e c t i n gt h ef l o a t i n gc o n d i t i o n o ff l o a t i n gd o c k ，w ec a nk n o ww h e t h e rt h ea r i t h m e t i co ff l o a t i n gc o n t r o ls y s t e mm e e t s t h en e e do f p r e c i s i o n ，o p e r a t i o nw o r ki si nt i m ea n dc o r r e c to rn o t f i r s t l y , t h ep a p e ri n t r o d u c e st h eb a s i ct h e o r yo fs y s t e mi d e n t i f i c a t i o na n dc o m m o n c l a s s i c a ls y s t e mi n s p e c t i o nm e t h o d b e c a u s eo ft h el o c a l i z a t i o no nt h ec o n l m o n c l a s s i c a ls y s t e mi n s p e c t i o nm e t h o d ，a f t e rt h ec o m p a r i s o n ，t h i sp a p e rc h o o s e st h em e t h o d b a s e do nt h en e t w o r k e m p l o 妒n gt h ea n a l y s i so fn e t w o r km o d e la n ds t r u c t u r e ， i n s p e c t i o ns y s t e mo nf l o a t i n gc o n d i t i o no ff l o a t i n gd o c ks e l e c tt h es i m u l a t i o nb a s e do n t h er b fn e t w o r k t h i sp a p e ra n a l y z e st h ec o m n l o ng a u s sf u n c t i o n , m u l t i - q u a d r a t i c f u n c t i o n ，i n v e r s em u l t i q u a d r a t i cf u n c t i o na n dp l a t es p l i n tf u n c t i o n ，a sw e l l a st h e i n t e r p o l a t i o na n dn o r m a l i z a t i o np r o b l e mo fr b ff u n c t i o n t h ek e yp o i n to fr b f n e t w o r ki st h es t u d ym e t h o d ，i n c l u d i n gt h em e t h o do fr a n d o ms e l e c t i n gr b fc e n t e r , s e l f - o r g a n i z a t i o ns t u d ys e l e c t i n gr b fc e n t e r , m o n i t o rs t u d ys e l e c t i n gc e n t e ra n d o r t h o g o n a ll e a s ts q u a r e sm e t h o d t h eo r t h o g o n a ll e a s ts q u a r e si st h em o s tc o m m o n l y u s e ds t u d ym e t h o db e c a u s eo fi t sw i d e l ya p p l yr a n g ea n dn i c e rs t u d ye f f e c t t h i sp a p e rc h o o s e st h es t o r a g ev o l u m eo f8 0t h o u s a n dt o nf l o a t i n gd o c kb yd e e p g a u g ea st h ei n p u tt r a i n i n gd a t a , s e ag a u g ea s t h eo u t p u td a t a ，m a k e st h es y s t e m i n s p e c t i o ns i m u l a t i o ni nt h em a t l a bw o r k b o xu s i n gt h er b f ，f i n a l l y , c h e c kt h ee r r o r b e t w e e nt h ec o l l e c t i o nd a t aa n dt h es i m u l a t i o nd a t ao ft h ef l o a t i n gc o n d i t i o no ff l o a t i n g d o c k k e yw o r d s ：f l o a t i n gd o c k ：s y s t e mi n s p e c t i o n ：r b fn e t w o r k 目录 目录 第l 章绪论l 1 1 浮船坞的发展情况l 1 2 课题意义2 1 3 论文主要内容3 第2 章系统辨识理论基础5 2 1 系统辨识理论的发展5 2 2 系统辨识理论的研究现状和发展方向6 2 2 1 系统辨识理论的研究现状及其局限性6 2 2 2 系统辨识理论的发展方向7 2 3 系统辨识的基本原理。9 2 3 1 系统辨识的组成部分和辨识步骤9 2 3 2 系统辨识的应用领域1 2 2 4 经典系统辨识的主要方法及特点1 2 2 5 本章小结13 第3 章基于神经网络的系统辨识1 4 3 1 神经网络基础理论1 4 3 1 1 神经网络的概述1 4 3 1 2 神经网络技术的发展现状1 5 3 2 神经网络的原理1 6 3 2 1 神经元的基本模型1 6 3 2 2 神经网络的构成。1 7 3 2 3 神经网络的学习算法1 8 3 3 基于神经网络的系统辨识原理及特点1 9 3 3 1 神经网络系统辨识的原理1 9 3 3 2 神经网络系统辨识的特点2 0 3 3 3 基于神经网络的系统辨识模型2 0 3 4 本章小结2 2 第4 章径向基函数( i m f ) 神经网络2 3 4 1 插值问题2 3 4 2 正规化网络2 5 目录 4 3r b f 神经网络学习方法2 8 4 4 本章小结3 4 第5 章基于m a t l a b 的浮船坞浮态检验系统仿真3 5 5 1 浮船坞沉浮系统工作原理及系统描述3 5 5 1 1 浮船坞沉浮系统介绍3 5 5 1 2 仿真系统描述3 6 5 2m a t l a b 径向基函数工具箱3 8 5 2 1 径向基网络设计的基本方法3 8 5 2 2 其他径向基网络3 9 5 3 基于r b f 神经网络的浮船坞浮态检验4 2 5 4 本章小结：4 9 第6 章总结和展望5 0 参考文献5 1 附录5 4 致谢5 7 基于r b f 神经网络的浮船坞浮态检验系统辨识 第1 章绪论 浮船坞，是对应于干浮坞而说的，也是船坞的一种，它是用于修船和造船 的一种工程船舶，浮船坞不但可以用于修船和造船，还能用来打捞沉船，也 可用来在以浅水的航道运送深水船舶等【l 】。浮船坞是船厂的重要大型设备，主 要用于船舶的检修。 1 1 浮船坞的发展情况 在2 0 世纪四十年代是浮船坞出现和发展的时期，当时，苏联、美国等主要海 洋国家就将浮船坞正式投入生产使用。也j 下是由于在这些主要海洋国家最早兴起 使用，船舶和浮船坞的监控系统的自动化、集成化程度相对很高。浮船坞沉的浮 控制系统作为其整体控制系统的典型和核心，因此也得到了较高水平的发展和应 用。一些传统的船用自动化设备厂商和公司相继推出具有功能设置齐全、人机界 面沟通良好、运行可靠性高等特点的相关产品，例如挪威的k o n g s b e r g n o r c o n t r o la s 和h i t e cm a r i n ea u t o m a t i o na s ，德国的s i e m e n sa g 和s t e i ns o h n ， 荷兰的l y n g sm a r i n ea s 希腊的g o l d e nm a r i n ea u t o m a t i o n 以及同本的n a b a c o 等，这些都在国际市场上应用广泛的产品。针对于美国的s o u t h w e s tm a r i n e 公司 修建的h o l 2 型浮船坞，日本川崎重工特别设计开发的a d o c s 自动压载控制装置可 以完成自动控制浮船坞包括启动和停止及中间一系列工作的工作。主要是根据横 纵倾角的控制以及六角吃水的传感器指示，调整压载舱的容量和流量来完成控制 【2 5 】 o 直到近九十年代中期，我们国家才开始着眼和研究浮船坞的控制系统问题。 之前的近五十年，我国大多采用靠手动控制的传统方法，当浮船坞上浮或下沉的 时候，技术工作人员通过观察浮船坞的横纵倾和采集六角吃水值，依靠多年工作 经验，手动开启或关闭水泵和阀门的开关或调节其开度。国内一部分的船厂目前 也陆续引进浮船坞的控制系统，也有小部分船厂和研究生也进行自行开发控制 系统臼4 】。国内现阶段比较常见的情况是厂校合作共同研制浮船坞和控制和监测系 统。其中的应用典型浮船坞动态性能徽机控制与监测系统就是由广州城安围船厂 第1 章绪论 联合武汉交通科技大学共同设计开发的：青岛远洋船员学院也研制了相对实用的 浮船坞实时数据监测控制系统。浮船坞实时监测控制系统主要研究的内容有：精确 测量浮船坞压载舱的舱深水容量h 1 ；实时观察浮船坞的六角吃水及挠度的变化，根 据六角吃水或倾斜仪计算浮船坞的横纵倾角，监测浮船坞主支路阀门的丌度等。 浮船坞监测与控制系统依据的基础就是各类数据的精确测量、观察和计算。 现阶段，我国浮船坞硬件结构大多是三层结构，上位机是一台工控p c 机，通 过p l c 环连接下层的传感器以及外部的打印机和配载仪等设备。各种传感器采集 吃水、阀门开度、液位等数据信息传递到上位机的p c 中，p c 机会实时地分析整合 各类数据再及时地做出下一步的控制指令，达到控制效果。p c 机通过p l c 环网讲 控制指令传递到中层和下层结构，实现主支路阀门开度调节、压载水舱室进排水 动作的控制，从而使压载水舱内的水位发生变化，完成完成的及时的控制动作和 监测目标。 按照当前海洋船舶业的大环境和我国的发展情况，我国在五年到十年内就可 能跃居为世界第一造船国。在广阔的发展f i 景前提下，更昭示我国的造船业面临更 大的挑战。软件的发展相对于硬件和大型基础设备的发展略显缓慢是我国造船业面 临的比较的难题和挑战，也是只能称为一流修造船大国而不能成为强国的“瓶颈 。 在国内传播业的发展大环境下，浮船坞的发展水平相比于船舶还存在一定的差距。 但是觉得国内浮船坞的自动化水平的增高和规模扩大的需要，就越来越多的要求提 高浮船坞的安全性和可靠性，所以就必须抓紧时间和投入精力进提高浮船坞智能化 和改进修建技术工作等。世界造船业也正在从低谷走向快速发展的道路上，世界上 的船舶强国和大国都抱着十分谨慎态度对待造船业的发展。作为修船业中的重要设 施，浮船坞的规模以及智能化和自动化的发展就对修船业的发展起到了决定性的作 用。因此，我国就必须提高浮船坞的自动化控制与监测系统的研发和应用力度和范 围，达到浮船坞能够安全生产和稳定工作的目的，只有这样坚实的基础，我国才有 可能迈进“世界一流造船强国”的行列。n 吲 2 基于r b f 神经网络的浮船坞浮态检验系统辨识 1 2 课题意义 浮船坞要实现在水域中的上浮和下沉，就要有套自己的浮沉系统，浮船坞 的沉浮系统使得其他船舶能够在不同的水域进出浮船坞的坞舱进行作业。多年以 来，都是由控制人员手动操作浮船坞的沉浮系统进行上浮和下沉控制，控制人员 根据浮船坞首中尾左右舷六角吃水值和坞内压载水舱的液位等情况，人工并在现 场调节各压载舱的进排水时阀的门开度，从而调节各压载舱的进排水的流量，达 到浮船坞能够平稳地浮沉的目的。这种人工操作的方法不仅工作效率低，劳动强 度大，延时时间长而且可靠性差。因为压载水量的调拨计算过程是十分缓慢的； 各个阀门的控制存在时差的可能性也很大，同时在压载水舱水量调拨的过程中要 监测各压载舱的液位来进行干涉，这使得操作人员的劳动强度很大而且容易出现 错误。我国现有的浮船坞，很大比例都处在使用年限长久甚至超期服务的状态， 其中很多都是有淘汰的旧船改造，智能控制水平普遍偏低，这对船坞的安全生产 影响巨大。 近些年科学技术发展水平越来越高，计算机软硬件的开发技术越来越先进，船 坞沉浮系统的自动化和智能化控制系统的研发的使用就得到更加广泛的重视，也 成为迫切需要解决的问题。浮船坞沉浮系统智能地实时地有效地监测和控制浮船 坞动作过程中的挠度变化、横纵倾角、吃水深度等动态参数，这个过程需要计算 机以及其他辅助设备的帮助，以确定掌握控制对象的不确定性，这样就大大解放 了工作人员的工作强度，使得浮船坞的安全性大大提升，沉浮速率和生产率也随着 浮船坞的智能化和自动化水平而大大提高。 1 3 论文主要内容 浮船坞沉浮控制系统是根据六角吃水得到船坞的横纵倾角和挠度等数据，从 而判断每个压载水舱的进排水量和各个主支路阀门的丌度。而本课题研究的主要 目的是采集浮船坞内部3 2 个压载水舱中每个水舱排水量的数据，通过系统辨识， 可以得到浮船坞外部六角吃水值。这样可以检验沉浮系统的控制算法是否准确， 并且能检验浮船坞控制动作是否正确。论文首先介绍了系统辨识的基础理论，又 3 第1 章绪 论 分析了基于神经网络系统辨识的方法和特点。通过对神经网络模型和构成的分析， 本课题中的浮船坞的浮态检验系统选用r b f 神经网络进行系统辨识仿真。文中重 点分析了r b f 网络常用几种函数，以及r b f 函数的插值问题和j 下规化问题。r b f 神经网络的重点是其学习方法，包括随机选取r b f 中心法、自组织学习选取r b f 中心法、有监督学习选取中心法和j 下交最小二乘法。正交最小二乘法因其适用范 围较广、学习效果良好的特点，是其中最常用的一种学习方法。 文中用m a t l a b 工具箱中的径向基函数进行系统辨识仿真，选用8 万吨浮船 坞的舱深测深表中的藏身容量作为输入训练数据，吃水作为输出进行训练。最后 用其他采集数据对浮船坞浮态检验系统进行误差检测。 4 基于r b f 神经网络的浮船坞浮态检验系统辨识 第2 章系统辨识理论基础 2 1 系统辨识理论的发展 自然科学以及社会科学研究工作者都是通过观察和测量认识这个世界。从事 科学研究的工作人员会采用一些方法对观察和测量的结果粗取精，去伪存真，在 进行了这样整理和分析的基础上再进行归纳与推理的工作，就可以对认识和研究 的问题提出一个粗略的概念，确认一定的见解，这样对研究的问题就形成了相对 比较系统和完整的认识，也就是形成了一种理论。 系统辨识其实就是用一个未知系统的输入数据和输出数据来建立这个系统的 数学模型的方法和理论 8 】。这里提到的“系统 ，我们可以把它认为是广义的系 统概念：世界上由各个相互依赖和相互作用的事物所组成的具有某一种或某一类特 定功能的一切整体我们都可以把它理解为是一个系统，比如一辆汽车、一个人体， 人体内吸收种药物的过程、一个地区的生态平衡等等。找到这些系统的内在的 或运动规律，并把这些规律用数学的语言来描述，就需要寻找并创立一种对自然 科学和社会科学都具有普遍适用能力的方法论。系统辨识就是满足这些要求的一 种方法论。系统辨识被作为一种有效工具用来研究各种系统，利用系统辨识的方 法，我们可以对所研究的系统进行定性和定量的描述和分析。睁8 】 一百年前，统计回归方法是人们处理从事生产实践、劳动工作和社会活动中 遇到的的数据资料的重要手段，它是属于概率统计理论的范畴。动态系统的传递 函数或脉冲响应的研究在三十年代到五十年代的二十多年间大大地丰富了其经典 理论，这都要归功于由n y q u l s t 倡导的试验研究法。直到五十年前，系统辨识这门 学科因为计算机技术和现代控制理论的迅速发展，也如同雨后春笋般得发展起来。 近三十年以来，航空航天、机器人工程和生物医学系统等领域中都出现了系统辨 识这种方法的身影，这也是为了满足大系统以及智能控制高水平等的需要。国际 自控联第一届世界大会是在1 9 6 0 年召开的，当时有关系统辨识问题的论文只有寥 寥几篇，而当到三十年后的1 9 9 1 年时，就有总数已经超过1 5 0 0 篇的有关系统辨 识问题的论文在第八届i e a c 的辨识和系统参数估计学术讨论会上被提出，与此同 第2 章系统辨识理论基础 时也已陆续出版关于系统辨识的专著和教科书等，人们也越来越多的致力于研究 和开发各种系统辨识的应用程序，并希望它们教学科研和生产实践中被广泛的认 可和应用。【9 l o 】 2 2 系统辨识理论的研究现状和发展方向 2 2 1 系统辨识理论的研究现状及其局限性 系统辨识在近三十年来的发展面临着新的形势，首先，随着自适应鲁棒控制 成为了人们研究重视的课题，传统辨识的本身的研究就慢慢淡出人们的视线，这 些变化都是因为鲁棒控锘l j ( r o b u s tc o n t r 0 1 ) 的出现的发展；再次，人们把注意力放在 改造一些过去被认为陈旧的东西上。 现代控制理论从上世界六十年代起的发展史，现在往回看，有着十分丰硕的 研究成果，很多相关的独立的学科就是通过现代控制理论的一些研究发展而来的， 还有一部分的研究因为其自身理论具有局限性或者其应用价值和领域有限，经过 一段时间就淡出人们的视线。在过去的二三十年中，系统辨识逐步开始进行新老 交替，在这一形势下，挑战与危机并存。尽管目前工业生产中仍运用十自适应控 制回路，但是，p i d 调节还是被更大量的工业生产过程所采用。为什么呢? 这是因 为现代工业中过程控制的科技需求已经不是现有的常规辨识与控$ 1 j ( c o n v e n t i o n a l i d e n t i f i c a t i o na n dc o n t r 0 1 ) 可以满足的了【1 1 , 1 3 】。以下是常规辨识和控制的局限性： ( 1 ) 现代工业生产过程中的自动化程度很高，相比较常规辨识和控制系统的 以数值计算为基础，现代工业生产以数学模型为基础，同时以模型控制为手段的 常规系统只能处理以数量表示的质量因子，现代工业生产还需要处理语言和图像 信息和具有决策功能。 ( 2 ) 常规辨识的统计框架具有很大的局限性。现有辨识文献中大部分研究的 基础都是假定系统噪声是满足某种特定假设的随机过程【1 4 j 6 1 。参数估计的收敛性 的证明也是在这样假定基础之上的。所以，如果没有这个基础作保障，辨识收敛 性也就随着失去了意义。一些复杂系统的模型用简单的数学模型不一定能表达出 6 基于r b f 神经网络的浮船坞浮态检验系统辨识 来；然而，因为人们人为地设定了模型集和噪声假设，这样通过辨识能够获得和 几乎所有系统任意接近的模型，这样的矛盾就是辨识统计框架所具有的局限。 ( 3 ) 鲁棒控制的设计要求给出建模的误差大小，而常规辨识结果是标称系统， 不能满足这一要求。 ( 4 ) 常规辨识中，一般都是用比较简单的模型集来逼近实际系统，如一般用4 至5 阶的模型集来辨识高阶次的实际系统，实际系统比模型集要复杂很多。 m g i v e r s 最近指出这种简化有可能在通过辨识和极点配置后使使原本稳定的系统 变成不稳定的闭环系统。【7 】简单模型使闭环系统处于产生不稳定的临界的状态。这 是因为原来以低频成分为主体的输入信号通过自适应控制变成以高频成分为主体 的输入信号造成的。 2 2 2 系统辨识理论的发展方向 ( 1 ) 辨识和控制相配合、鲁棒辨识 最近几年人们才真正认识到辨识和控制的配合的本质及其重要性。控制理论 研究面临新的挑战被认为就是辨识和控制的配合。辨识和控制的配合问题将带动 控制器设计和系统辨识两方面研究，使之不断更新发展。鲁棒辨识就是在系统辨 识理论方面的辨识与控制结合革新的典型。所有鲁棒控制器设计的条件都是建模 误差或者系统的不确定性，然而系统不确定性是鲁棒辨识的辨识条件，建模误差 则是鲁棒辨识的辨识目的。 1 7 , 1 8 】 通常理解鲁棒辨识方法的概念是：在具有不确定因素的噪声条件下，仍然可 以维持某种与之对应优良特性的辨识方法。先验假设条件就是噪声统计特性， 这一点在传统的辨识理论中是已知的。然而在复杂的真实系统中，含有各式各样 的不确定因素，具有纯随机性的要求也是不能保证的。因而目前更需要探讨和研 究的课题就是各种不确定因素对估计量所产生影响。 ( 2 ) 时变的动态系统跟踪 辨识领域非常活跃的研究课题就包括时变动态系统跟踪。时变系统中与时不 变系统不同的是，系统的特性和参数变化对辨识算法是有适应性的要求的。 7 第2 章系统辨识理论基础 时变系统的跟踪目前依然是有许多问题亟待解决，是因为系统本身的广泛性 和复杂性，以及研究人员从系统中获得信息具有局域性，即观测数据不能做到充 分丰富。 ( 3 ) 连续时间系统的辨识 科研工作者最早采用的辨识模型大概就是连续时间系统。但是连续时间的系 统辨识方法因为数字计算机的出现也受到了冷落。在以后的一段时间内，这种状 况有了明显改变。 多方面的原因决定了连续时间系统辨识的方法的重新崛起。第一，人们要充 分认识客观世界就需要掌握其描述方法具有深远的物理意义的辨识连续时问系统 的方法。第二，连续和离散之间的转化是有条件的，其中一个重要课题就是研究 其等价性。第三，辨识连续系统需要计算机技术的迅速而成熟的发展提供直观的 有力的支持，因此连续系统辨识目前仍是一个有极大发展潜力的研究领域。 ( 4 ) 集成辨识的方法 融入了人工智能和专家系统的思想和方法的集成辨识的方法，伴随着这些融 入元素和神经网络研究和发展，成为系统辨识新的研究发展方向。i i m ( i n t e g r a t e d i d e n t i f i c a t i o nm e t h o d o l o g y ) 可看作是自适应辨识和专家系统的结合。一般自适应辨 识常将变遗忘因子应用于递推辨识中，为了使其具有适应性，修改或重置估计协 方差阵的功能。辨识的一些质的因子则应用于基于知识的专家系统中，如数值辨 识之不足可以通过系统运行状况、稳定状况、协方差矩阵状况等来补偿。目前在 i b m p c 机上已经可以实现l i s p 语言加专家系统的i i m 系统【1 9 】。系统辨识研究面 临的新课题是找到把专家经验和技巧反映到辨识软件包中的方法。这些思想在2 0 世纪八十年代中就可以被付诸实现。一部分功能尚未达到预期目标的基于知识的 辨识软件包也陆续问世，但已初步反应出辨识智能化的雏形。 配合使用人工神经网络和专家系统，可以达到两者各自所不能达到的联合效 应。人工神经网络节点的个数、层数以及权矩阵的初值的确定可以通过专家系统 帮助来实现；同时，专家系统可以通过人工神经网络提高识别状态以及处理非线 性的功能。两者配合相互补偿帮助，产生出更强大的作用和效应。 8 基于r b f 神经网络的浮船坞浮态检验系统辨识 ( 5 ) 并行辨识方法 通常情况下，串行计算机的方法是传统的辨识算法的基础，传统的辨识算法 一般选用迭代或递推算法。但人们因为系统规模和复杂程度的增加而必须需要更 加高效更加快速的算法。而面对这些问题，传统的算法在实际应用上就无法发挥 其作用。为了更好的解决问题，从上世界八十年代到现在的近三十年以来，各种 并行计算机陆续出现在人们的视线中，并行的辨识方法也随之成为一个主要的研 究方向。使得更高效更加速的算法有可能得到实现。矩阵代数运算经常被应用于 一般的辨识算法中，另外辨识问题也算是一类优化问题，因此并行辨识算法的研 究主要研究方向就演变成矩阵运算的并行化算法和优化问题的并行算法的广泛应 用【2 0 1 。 2 3 系统辨识的基本原理 根据l a z a d e h 的系统辨识的定义：根据在输入数据和输出数据的特性，从一组 适当的给定模型类中，确定一个与实际系统等价的模型的方法就是系统辨识。【1 2 】 人们在研究图2 1 所示的动态问题时，通常可以把问题求解分为以下的三类： ( 1 ) 经典问题：给定u ，f ，求y ； ( 2 ) 控制问题：给定y ，f ，求x ； ( 3 ) 辨识问题：给定y ，u ，求f o u j 、廿 fc x 芦，秒弘 图2 1 动态系统问题研究示意图 f i g 2 1s c h e m a t i cd i a g r a mo f d y n a m i cs y s t e ms t u d i e s 2 3 1 系统辨识的组成部分和辨识步骤 系统辨识具有以下三个基本要素： ( 1 ) 数据：被辨识系统中能观测到的输入数据或输出数据。辨识测验或实验得 9 第2 章系统辨识理论基础 到的数据是辨识的基础，通过辨识实验设计，这些测试或实验得到的数据能够尽 其所能地体现我们所需要的系统的性质。 ( 2 ) 模型类：是需要参考的模型集的结构。模型集是通过被辨识系统和备选模 型一些共同的特定性质来获得的，再根据具体情况在选定的模型集中选择其中合 适的一个模型。 ( 3 ) 等价准则：等价准则可以衡量选定模型逼近实际被辨识系统的标准，也是 系统辨识优想要优化的目标，通常以误差的泛函来表示。 一般来说，系统辨识包括四个基本步骤【2 1 2 - 2 1 ： ( 1 ) 辨识实验设计：其目的是系统特性的内在信息能够按要求包含在所采集 到的输入输出数据序列当中。 ( 2 ) 模型结构确定：利用已有知识和数据，具体分析系统的内在特性然后选择 模型的结构。 ( 3 ) 参数辨识：在结构确定的基础上对参数进行辨识，找到一组的参数能使确 定的结构模型逼近实际系统。 ( 4 ) 模型验证：辨识所建立的模型是实际系统的近似描述，如果两者特性相同， 我们就可以认定所建立的模型是可靠的。 l o 基于r b f 神经网络的浮船坞浮态检验系统辨识 图2 2 系统辨识的一般步骤 f i g 2 2g e n e r a lp r o c e d u r eo fs y s t e mi d e n t i f i c a t i o n 第2 章系统辨识理论基础 2 3 2 系统辨识的应用领域 人们对于生产应用和科学实验活动中所需要面对和研究的问题，总结和判定 其内在规律的方法就是观测外在特征和外部信息，建立研究问题的数学模型并进 行辨识就起到了必不可少的作用。人们可以通过建立模型来完成以下的工作： ( 1 ) 完成控制工作，对经典控制，如果数学模型是已知的，就可以进行整定 调节器的参数和调整系统的动态特性等工作；另外，对于现代控制系统来说，如 果数学模型是已知的，就可以完成自适应控制和最优控制等作业。 ( 2 ) 进行预报工作，模型是进行预报工作的基础，透过模型就可以作简单的 初步的预报以及短中期甚至长期的预报工作。国家各个工业生产和经济发展部门 的工作都离不开准确的预报。 ( 3 ) 进行规划操作，准确的模型同样也是合理规划的基础。很多最优规划的 方案和办法都是通过模型实现的。 ( 4 ) 进行仿真研究，在计算机上进行系统仿真研究的时候就需要用到模型， 根据观察仿真的信息，分析其结果，从而确定研究的策略。更重要的作用是，像 核反应试验这种现实环境不允许其实际操作的实验，就必须进行仿真来研究。仿 真研究在军事科技研究中发挥着极其重大的作用。 ( 5 ) 对物理参数进行估计，系统辨识的这一作用可以完成对人体内各个健康 参数的评定，还可以估计预测地下矿藏的含量等。 ( 6 ) 完成诊断生产过程故障的作业，动态模型可以实时监测过程参数和进行 破损探测。一旦过程有变化或者出现破损，模型参数就会发生了相应的变化，并 做出提醒需要工程人员及时采取维修措施。 2 3 - 2 5 】 2 4 经典系统辨识的主要方法及特点 目前，经典的系统辨识己形成两大类的方法，即非参数辨识与参数辨识【佗】。 非参数辨识是一种经典方法，它是采用非周期或周期的连续时| 日j 输入作为激 励，然后获得被辨识系统产生的输出响应，从而求得以时问或频率为自变量的试 验响应曲线，即是所需要辨识的系统非参数模型 2 6 , 2 7 】。按照在被辨识系统上施加 1 2 基于r b f 神经网络的浮船坞浮态检验系统辨识 的输入作用形式的不同，非参数辨识可以被区分为阶跃响应法、脉冲响应法、相 关函数法、局部辨识法、频率响应法等。 参数辨识法是针对参数模型的辨识方法，实质是模型参数的估计，因此又称 为参数估计方法。现在，人们把多种多样的参数辨识方法整理成四大类，分别是 最小二乘法、随机逼近法、相关分析法和极大似然法。下面，我们分别分析四种 方法的特点： ( 1 ) 最d x - - 乘法： 对低噪声水平处理最有效的就是最小二乘法，运用这种方法。参数估计值收 敛到真值的速度快，并且需要很小的计算量，但是不足是对实际噪声是有偏估计。 ( 2 ) 随机逼近法： 每次迭代需要相对其他方法最少的计算量，虽然收敛的速度相对偏慢，但是 给出的估计是无偏的。 ( 3 ) 相关分析法： 在低信噪比情况下相关分析法也可以给出无偏估计的结果，为了得到正确的 估计，就必须有大量的数据，需要的计算量不大，但是不可避免截断误差。 ( 4 ) 极大似然法： 正确的先验假定的概率分布的情况下，估计值收敛于真值。值得注意的是尽 量避免局部收敛。极大似然法适合离线辨识，在线辨识时则需要很大的计算量。 经典辨识方法本身存在的固有的缺陷，常常导致系统辨识过程的随意性很大， 辨识精度很差。随着人类生产生活中最新呈现出的非线性和复杂性问题等，以上 所提到的系统辨识方法己经难以付诸应用。 2 5 本章小结 本章首先介绍了系统辨识的历史和发展现状及新动向，又具体阐述了系统辨 识的理论基础，如基本原理，系统辨识的组成、一般步骤及应用。再进一步阐明 了经典系统辨识的方法及其特点和局限性，引出下一章介绍的基于神经网络的系 统辨识方法的意义。 第3 章基于神经网络的系统辨识 第3 章基于神经网络的系统辨识 3 1 神经网络基础理论 当前，人工神经网络的研究以前所未有的深度和广度在现代科学技术的各个 领域展开，并越来越广泛地应用于工程领域中。由于具有可学习的特性和高度的 并行结构，人工神经网络成为目前自动控制界很受重视的研究课题，神经网络的 特点是可以用任意精度接近任意的连续非线性函数。 3 1 1 神经网络的概述 神经网络是组成智能控制的三大主要部分( 包括：模糊控制、神经网络与专家 控制) 之。最近的几十年，神经网络才在高科技研究领域中崭露头角，神经网 络在脑科学、信息科学、神经心理学等学科中的应用也逐渐被人们所重视。神经 网络和人的大脑部分形象思维是相似的，因为它本质上就是模拟人的脑神经系统 的功能和微观结构方面，以此为依据建立的模型。学习能力、非线性特性和自适 应性是人工神经网络的主要特点。 神经网络是由神经元相互连接构成并且能够接受和处理信息的网络。处理单 元间的连接权的相互作用就可以完成神经网络间的信息处理。网络信息处理的基 本单元是人工神经元，通过研究生物神经元在工程上的应用，专家们得以研究人 工神经元的特点。因为具有对非线性系统有比较强大的跟踪和自适应能力的特点， 人们致力于研究各种神经网络类型不同的激发函数和学习方法，并将神经网络技 术作为一种新技术适当地应用于不同控制或辨识领域。 3 0 - 3 2 1 神经网络不但具有一般的线性系统的特性，它还具有高度非线性的特性。无 数神经元组合在一起所构成的网络系统能够弥补单个神经元的功能有限的局限 性，能够实现多种多样的功能。神经网络在控制领域和系统辨识领域被广泛的大 量的应用，是因为其强大的非线性映射能力和自学习能力。 经过六十多年的发展，神经网络理论在研究和应用领域取得了巨大的成功， 在很多领域都能看到神经网络的身影，如信号处理、自动控制、人工智能等工作 1 4 基于r b f 神经网络的浮船坞浮态检验系统辨识 都能用到。现在集中研究的几个神经网络的内容主要包括：神经网络应用的研究 与发展；神经网络硬件的研究与发展；新神经网络模型的研究等等。 神经网络模型具有不同的结构、形态及功能，也具有完全不同的处理信息的 方式，但是按照机制类别可以分为三个方面： ( 1 ) 简单结构的神经细胞模型是神经网络的基本单元，这些简单结构的神经 细胞模型也称为神经元。神经元的内部状态都是离散或连续的，都具有许多输入 信号和一个输出信号。 ( 2 ) 神经元按照一定的结构和简单的规则排列组合形成的一个完整的高度复 杂的非线性系统，这个系统具有能够分布存贮信息和并行处理信息的功能。处理 信息的过程中，每个神经元接收从其他神经元传递过来的输入信号后，经过自己 内在状态的改变，再将处理之后的作为输出信号传递给其他神经元。 ( 3 ) 网络为了完成对环境的自