针对整机测试的复杂性与测试条件的不可控性,设计了适合工程机械的负载模拟实验系统,并搭建了实验平台;运用Matlab系统辨识建立了精确的比例溢流阀数学模型,采用增量式PID控制策略,进行了负载模拟控制算法参数的在线调试,并确定了合适的PID参数值。通过测试,实际负载与模拟负载误差σ≤4.5%,表明该系统可以实现准确可靠的负载模拟。

子空间状态空间系统辨识(4SID)方法是近年来出现的一种用于辨识线性振动系统动态特性的时域技术.它直接由输入/输出数据矩阵序列,通过基本的代数运算求取系统模型.本文概要地介绍了子空间系统辨识方法及其运算步骤,并应用该方法对一已知模态参数的桁架结构进行了仿真计算,得到了准确的辨识结果.

为提高压电陶瓷驱动的微定位工作台的模型精度，提出了一种基于动态递归神经网络的建模方法。压电陶瓷具有极高的位移分辨率，但存在着迟滞非线性。分析了压电陶瓷驱动器的结构和特性，利用动态神经网络的自反馈结构和自学习能力，建立起工作台的网络模型，通过在线调整模型结构和参数，减小了工作台的建模误差。测量工作台的定位数据对网络模型进行了训练，实验结果表明，当工作台最大行程为80μm时，平均定位误差0．07μm，最大误差0．09μm，比采用静态网络模型有了一定的提高。

将基于系统辨识的误差输出方法应用于动态汽车衡称量.首先分析和构造了符合汽车衡特点的系统辨识模型,并基于该模型提出了优化输出误差方法,利用称量信号的有效信息,明显提高了称量精度和速度.在试验中,使用3种不同的常见车辆,称量精度达到1%.同时分析了称量过程中的影响因素,在20km/h以下和滑行通过称台的测量条件下,称量误差小于0.85%,为动态汽车衡高速高精度称量提供了实用的工具.

风洞流场的多维性、复杂性以及马赫数的不可直接测量、马赫数控制一直是风洞控制的难点和重点.笔者在研究FL26Y风洞流场特性的基础上,应用神经网络技术,研究马赫数在线辨识问题,为高精度风洞流场马赫数控制提供技术支持.首先介绍神经网络马赫数辨识原理,然后介绍神经网络拓扑结构的设计,并构造神经网络的马赫数辨识模型(NNI).最后通过软件实现及仿真研究动态数据优化、软件滤波以及动量系数对网络学习性能的影响,进一步验证神经网络辨识器在实时性、自适应性、以及辨识精度等方面的优越性.

在考虑高速开关电磁阀饱和和死区效应等因素的基础上，联合AMESim与Simulink仿真软件建立电子液压制动（electro-hydraulic brake system，EHB）液压系统仿真模型。通过系统辨识获得了预测模型，在广义预测控制理论基础上设计了制动压力控制器。为了验证该控制器的工作性能，进行了基于EHB系统的轮缸压力控制仿真实验和汽车防抱死制动仿真实验。结果表明：在系统参数时变的情况下应用该算法是可行有效的，该控制算法较一般的PID控制进一步提高了汽车的制动性能。

设计了通过测量制动臂所受的弯矩间接获得制动力矩的实车制动试验,采用系统辨识法获得制动力矩系数,得到盘式制动器试验模型。首先对应变电压-制动力矩的关系进行标定,然后实车测试不同制动工况下的制动力矩。根据实车试验得到制动压力,采用系统辨识的方法获得车辆制动压力-制动力矩的传递函数。试验结果表明,前、后轮的液压-制动力矩关系式可适用于不同工况下的制动力矩计算;制动器理论模型和试验模型的增益系数基本相符,但试验模型具有一阶惯性环节,更能准确地反映实际车辆的制动压力-制动力矩之间的关系。

提出了构造单分辨和多分辨高斯调制函数的新思路.基于数字积分原理,推导了调制积分滤波器的结构,得到直接以线性连续系统模型参数表示的等价辨识模型.利用离散模型辨识的研究成果,建立了连续动力学系统模型参数直接估计的最小二乘法和辅助变量法.研究了调制滤波器参数与辨识精度的关系,并以此得到调制函数参数的设计依据.成功辨识了某轧机液压AGC压力闭环系统的连续动力学参数模型,验证了方法的正确性.

介绍了Elman网络在非线性动力学模型辨识中的应用原理,采用改进的Elman动态递归网络实现对某平整机液压自动厚控系统(HAGC)的模型辨识.实验表明,Elman网络利用内部状态反馈来描述系统的非线性动力学行为,提高了学习速度,适合于动态系统的实时辨识.

在隔代映射遗传算法基础上引入自适应策略，使IP_GA中的交叉、变异概率根据适应度大小自动调节，提高了收敛速度及解的质量。通过该算法对液压压力系统传递函数进行参数求解，建立了系统的开环模型。通过Matlab／Simulink工具对开环模型进行仿真并与实测输出曲线对比，验证了遗传算法求解液压伺服系统参数的可行性。同时，通过分析仿真结果，找出了材料试验机比例压力控制系统与伺服压力控制系统在辨识方法上的差别。