(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210811534.7 (22)申请日 2022.07.11 (71)申请人 青岛科技大 学 地址 266000 山东省青岛市崂山区松岭路 99号 (72)发明人 籍艳　江安宁　 (74)专利代理 机构 青岛中天汇智知识产权代理 有限公司 37241 专利代理师 许莉 (51)Int.Cl. G06F 30/20(2020.01) G06F 111/10(2020.01) (54)发明名称 基于广义时变系统辨识模型的极大似然梯 度迭代参数估计算法 (57)摘要 本发明公开了一种基于广义时变系统辨识 模型的极大似然梯度迭代参数估计算法。 由于扰 动等因素的影 响， 电动机调速系统的模型参数难 以精确估计。 直流电动机控制系统具有随机性， 受扰动影响等特点,而且,电动机工作内部参数 测量极为困难。 并且在实际工作中， 由于测量噪 声等因素， 系统受到有色噪声的污染其显著影 响 着算法的辨识精度。 为了提高电动机参数估计精 度， 本发明在梯度搜索算法的基础上， 基于极大 似然原理将系统参数的辨识问题转换求为概率 密度函数最值问题， 并利用极大似然原理直接处 理系统噪声来提高算法的辨识精度。 本发明包括 构建出受有色噪声影响的广义时变系统的辨识 模型， 构建出极大似然梯度迭代 参数估计算法流 程， 构建出极大似然梯度迭代 参数估计算法等步 骤。 本发明方法简单可靠、 辨识精度高， 可以应用 于直流电动机控制系统的参数估计 。 权利要求书3页 说明书4页 附图1页 CN 115186481 A 2022.10.14 CN 115186481 A 1.一种基于广义时变系统辨识模型的极大似然梯度迭代参数估计算法,包括下列步 骤： (1)构建基于广义时变系统的辨识模型， 具体步骤如下: 第一步： 广义时变系统模型表达式如下： 上述公式中各符号的含义： u(t)和y(t)分别是系统 的输入和输出， ai(ts)和bi(ts)是系 统的时变参数， w(t)为有色噪声， v(t)是一个零均值为零、 方差为σ2且满足高斯分布的白噪 声。 第二步： 根据广义时变系统时变参数的特点， 其时变参数表示 为 其中aij和bij是参数的系数， ξi(t)是系统的扰动。 第三步： 构建广义时变系统模型的子 输出变量y1(t)、 w(t)的关系式如下: w(ts)＝y(ts)‑αT(ts)Ξ ψ(ts). 第四步： 得到广义时变系统的两个子辨识模型为： y1(t)＝αT(ts)Ξ ψ(ts)+v(ts), 第五步： 获得两个极大似然准则函数: 其中噪声v(ts)可表示为 (2)构建数据滤波加速梯度搜索参数估计算法流 程： 第一步： 启动辨识算法； 第二步， 令k＝0,设置相关中间变量的初始值； 第三步： 采集他励直流电动机的 电枢电压， 输出角速度和励磁电流数据作为模型的输 入输出数据和可测扰动数据,并进行 数据预处 理； 第四步： 构建信息向量α(ts)和可测干扰向量 ψ(t)； 第五步： 计算 第六步： 构造 和 第七步： 计算 步长 和 第八步： 更新系数矩阵 和参数向量 第九步： 计算 第十步： 若 并重复第五步到第九步。 否则， 得到参数 估计 和 权　利　要　求　书 1/3 页 2 CN 115186481 A 2第十一步： 结束流 程。 其中各变量的定义如下： 定义输入量u(t)， 输出量y(t),扰动量ρi(t)； 定义w(t)为有色噪声中间变量， v(t)是一个均值为零、 方差为σ2且满足高斯 分布的白噪 声； 定义Ξ 为系数矩阵， 为参数向量； 定义 为滤波后的系统输出， 为滤波后的系统输出； 定义 为系数矩阵Ξ第k次迭代的估计值； 为系数向量 第k次迭代的估计值； (3)根据极大似然梯度迭代参数估计算法， 构建出极大似然梯度迭代参数估计算法。 2.如权利要求1所述基于广义 时变系统 的极大似然梯度迭代参数估计算法， 其特征是： 步骤(3)中所述极大似然梯度迭代参数估计算法为: α(ts)＝[‑y(ts‑1),‑y(ts‑2),···,‑y(ts‑na),u(ts‑1),u(ts‑2),···,u(ts‑nb)]T,        (10) ψ(ts)＝[1, ξ1(ts), ξ2(ts),···, ξp‑1(ts)]T,       (11) 上述算法的具体步骤： 1)启动辨识算法， 令k ＝0， 数据长度为 l,设置初始值：权　利　要　求　书 2/3 页 3 CN 115186481 A 3