基于时间序列的瓦斯浓度动态预测

现有瓦斯浓度预测方法只能实现瓦斯浓度的静态预测,不能随着瓦斯数据的累积而及时更新,从而导致预测结果不具有及时性。针对该问题,提出了一种基于时间序列的瓦斯浓度动态预测方法。利用小波分解技术的多分辨率特性,将瓦斯浓度时间序列分解到不同尺度上,使时间序列平稳化;通过实时动态构建的自回归滑动平均(ARMA)模型,利用过去瓦斯浓度变化趋势预测未来一段时间的矿井瓦斯浓度值,得到时间序列预测结果;为提高瓦斯浓度预测精度,将ARMA模型的预测结果与矿井环境参数输入到训练好的BP神经网络模型中,通过BP神经网络模型对预测结果进行修正,从而获得最终的瓦斯浓度预测值。测试结果表明,该方法可对矿井瓦斯浓度进行准确预测,瓦斯体积分数预测平均相对误差从8%降低到了5%。     

倒立摆的自适应积分反步控制策略

针对直线单级倒立摆在模型参数不确定和外部扰动情况下的稳定控制问题,提出一种自适应积分反步控制策略。采用拉格朗日方程建立倒立摆系统的运动学模型,为减少稳态误差,将误差积分项引入反步法,设计了倒立摆的控制器;对含有未知参数的系统非线性状态微分方程,设计适当的Lyapunov函数推导出系统未知参数的自适应更新律,削弱了参数不确定性的影响。将自适应积分反步控制与一般的反步法控制、模糊控制及神经网络控制的仿真结果进行了对比,并在LabVIEW开发环境下进行了实物实验。结果表明,自适应积分反步法可以较为迅速且精确地完成稳定控制,较好地克服系统参数不确定及外部扰动的影响,具有较强的鲁棒性。