[发明专利]一种基于满秩分解的遗忘因子最小二乘模型参数辨识方法

说明书

本发明提出了一种基于满秩分解的遗忘因子最小二乘模型参数辨识方法,使得欠激励数据对降维后的辨识模型重新满足激励条件，以保证跟踪时变参数和扰动时辨识结果的收敛性。通过设置死区确定降维的方式，同时削弱扰动在辨识过程的影响。将图二所示长时间欠激励,海洋环境干扰工况下实船数据用于航向模型参数辨识，对比FFLS和FRDLS算法辨识船舶操纵模型参数的辨识结果曲线和航向角速度预报误差曲线，可以发现满秩分解最小二乘法能有效抑制数据欠激励和存在海洋环境扰动时参数辨识过程中的漂移和发散问题，并提高参数辨识的精度，同时具有计算量小，实时性强，简单易实现的优点。

技术领域

本发明属于模型参数辨识领域，具体涉及的是一种基于满秩分解的遗忘因子最小二乘模型参数辨识方法。

背景技术

随着数字化和智能化技术的不断进步，智能船舶发展呈现出日益加快的趋势。我国目前处于《智能船舶发展行动计划2019-2021年》提到的三年目标阶段，正在实现智能船1.0向智能船2.0的过渡。自动靠离泊、远程遥控、自主航行等智能船典型应用场景需要优秀的船舶航向自适应控制算法。国内已产品化航向控制器与国外先进产品相比，航向精度、能耗、转向快速性和转向平稳性等性能指标仍有30％左右不足，主要原因有以下四点：(1)航向模型参数在线辨识的实时性、收敛性和辨识精度难以同时保证，在线估计时变参数和扰动不安全或不准确；(2)海洋高频扰动、测量噪声和测量病态引起的航向角速度信号波动处理困难；(3)舵角控制环应对航速和海况变化的自适应能力不足；(4)操舵执行机构性能受限，与国外接近实现连续控制效果有较大差距。

发明内容

本发明的目的在于解决受扰系统数据欠激励工况下线性模型参数在线辨识和扰动实时估计问题，提出一种基于满秩分解的遗忘因子最小二乘模型参数辨识方法。

本发明的目的是这样实现的：

一种基于满秩分解的遗忘因子最小二乘模型参数辨识方法，包括以下步骤：

步骤一：初始化待辨识原参数向量，原方差阵，上一采样周期正交变化矩阵，满秩分解后的参数向量和方差阵；

步骤二：将当前采样周期的测量数据归一化，根据归一化后的数据向量和死区阈值求取当前采样周期正交变换矩阵。

步骤三：更新满秩分解前方差矩阵；若当前时刻正交变换矩阵与前一时刻相同，则直接更新满秩分解后方差阵和参数向量；否则对分解前方差阵进行满秩分解得到满秩分解后的方差阵和参数向量，再更新满秩分解后方差阵和参数向量，根据新满秩分解后参数向量更新满秩分解前参数向量。

步骤四：重复步骤二到三直到辨识精度满足要求。

与现有技术相比，本发明的有益效果是：

1.将动态降维的思想引入遗忘因子最小二乘法(Forgetting Factor LeastSquare Algorithm,FFLS)，提出了一种基于满秩分解的最小二乘法(Full RankDecomposition Least Square Algorithm,FRDLS)，使得欠激励数据对降维后的辨识模型重新满足激励条件，以提升跟踪时变参数和扰动时辨识结果的收敛性。

2.通过设置死区确定动态降维的方式，同时削弱扰动在辨识过程的影响，抑制数据欠激励和存在海洋环境扰动时参数辨识过程中的漂移和发散问题，提高参数辨识的精度。

3.计算量小，实时性强，简单易实现。

附图说明

图1为本发明满秩分解最小二乘法流程图；

图2为本发明船舶航向、航向角速度、舵角数据图；

图3为本发明K辨识结果曲线；

图4为本发明T辨识结果曲线；

图5为本发明干扰δ_d辨识结果曲线；