Nhận diện và quan sát các hệ thống cơ điện tử bao gồm các hàm động lực học phi tuyến đa chiều

S. Hofmann1, T. Treichl1, D. Schroder1
1Institute for Electrical Drive Systems, Technische Universität München, Munich, Germany

Tóm tắt

Trong bài báo này, chúng tôi trình bày một phương pháp mới để nhận diện và quan sát các hệ thống cơ điện tử. Phương pháp này xử lý các hệ thống phi tuyến phức tạp. Các hệ thống này bao gồm một tiểu hệ động lực học đã được biết đến và một tiểu hệ động lực học phi tuyến chưa biết với nhiều đầu vào và một đầu ra (MISO). Cấu trúc và các tham số của tiểu hệ động lực học được biết chính xác, trong khi đó chỉ có kiến thức sơ lược về cấu trúc và không có kiến thức nào về các tham số của tiểu hệ động lực học phi tuyến. Thuật toán nhận diện dựa trên lý thuyết Volterra. Các hàm cơ sở trực chuẩn được giới thiệu nhằm mục đích giảm thiểu tham số. Hơn nữa, thuật toán nhận diện được nâng cao bằng một mạng hàm cơ sở phương pháp chuẩn hóa để xấp xỉ các hàm tĩnh phi tuyến phức tạp cao trong tiểu hệ chưa biết. Cuối cùng, thuật toán nhận diện được triển khai vào một bộ quan sát. Bằng cách này, việc nhận diện trở nên khả thi cho các hệ thống cơ điện tử, chẳng hạn như các hệ thống chuyển động phi tuyến, nơi mà đầu ra của các hàm động lực học phi tuyến không thể được đo trực tiếp. Luật thích nghi của thuật toán nhận diện cần được mở rộng bởi một hàm chuyển đổi lỗi để tạo điều kiện cho quá trình học. Phương pháp được trình bày được minh họa bằng một ví dụ mô phỏng.

Từ khóa

#Cơ điện tử #Hệ thống đa chiều #Hàm chuyển #Đại số #Hệ thống phi tuyến #Tai #Hệ thống động lực học phi tuyến #Độ ổn định #Tích chập #Mạng hàm cơ sở phương pháp chuẩn hóa

Tài liệu tham khảo

treichl, 2002, Identification of Nonlinear Dynamic Systems with Multiple Inputs and Single Output using discrete-time Volterra Type Equations, 15th Int Symp Mathematical Theory of Networks and Systems 10.1109/ISIE.2002.1026089 strobl, 1998, Neural Observers for the Identification of Backlash in Electromechanical Systems, Proc IFAC Workshop Motion Control, 1 lenz, 1996, Local Identification using Artificial Neural Networks, Proc 9th Yale Workshop on Adaptive and Learning Syst, 83 10.1109/9.76361 killich, 1991, Prozeßidentifikation durch Gewichtsfol-genschtitzung 10.1109/9.293196 schetzen, 1980, The Volterra and Wiener Theories of Nonlinear Systems narendra, 1989, Stable Adaptive Systems 10.1109/3516.928725 10.1007/978-3-662-04117-8 doyle, 2002, Identification and Control Using Volterra Models, 10.1007/978-1-4471-0107-9