07.10.2013 Aufrufe

Identifikation nichtlinearer mechatronischer Systeme mit ...

Identifikation nichtlinearer mechatronischer Systeme mit ...

Identifikation nichtlinearer mechatronischer Systeme mit ...

MEHR ANZEIGEN
WENIGER ANZEIGEN

Erfolgreiche ePaper selbst erstellen

Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.

4.6 <strong>Identifikation</strong> des losebehafteten Zwei-Massen-Systems 113<br />

Der Vektor <strong>mit</strong> den Beobachterkoeffizienten wird wie folgt eingeführt<br />

˜ l = ˜l1 ˜ l2 ˜ l3 ˜ l4 0 ˜ l5<br />

Wie bereits erwähnt, führt die Differentiation in der zeitdiskreten Darstellung auf<br />

eine zusätzliche Gleichung. Da diese zusätzliche Gleichung keinem unabhängigen<br />

Zustand in der zeitkontinuierlichen Darstellung entspricht, wird der interne Zustand<br />

des rekurrenten Netzes ˆx5[k] nicht über einen Beobachterkoeffizient zurückgeführt.<br />

Aus diesem Grund ist der fünfte Eintrag im Beobachtervektor ˜ l <strong>mit</strong> einer Null belegt.<br />

Da die numerische Differentiation einen diskreten Zustand beinhaltet, kann im Vektor<br />

der Nichtlinearitäten die Differentiation der Losekennlinie ˙ L entfallen. Mit diesen<br />

Festlegungen ergibt sich die diskrete Zustandsdarstellung sowie die Ausgangsgleichung<br />

des verwendeten rekurrenten Netzes zu<br />

⎡<br />

⎢<br />

ˆx[k+1] = ⎢<br />

⎣<br />

1 − h h ˆTnI<br />

˜ h<br />

ˆTAI<br />

l1 0<br />

1−<br />

0 0<br />

h(1+ˆ VI)<br />

h ˆTAI<br />

˜ 0<br />

l2 0<br />

h<br />

0 0<br />

ˆ Ψ1 h˜l3+1 −h ˆ Ψ1 ˆ Ψ3− ˆ Ψ1 ˆ Ψ2 ˆ Ψ1 ˆ 0 0 h(<br />

Ψ2 0<br />

˜ 0<br />

l4+1) 1<br />

0 0 1<br />

0<br />

0<br />

−h<br />

0<br />

0 0 h˜l5 h ˆ Ψ3 ˆ Ψ4+ ˆ Ψ2 ˆ Ψ4 − ˆ Ψ2 ˆ ⎤<br />

⎥ · ˆx[k]+<br />

⎥<br />

⎦<br />

⎡<br />

⎢<br />

+ ⎢<br />

⎣<br />

h<br />

ˆTnI<br />

h<br />

Ψ4 1<br />

ˆ VI<br />

ˆTAI<br />

0<br />

0<br />

0<br />

⎤ ⎡<br />

h<br />

⎥ ⎢<br />

⎥ ⎢<br />

⎥ ⎢<br />

⎥ ⎢<br />

⎥ · u[k] − ⎢<br />

⎥ ⎢<br />

⎥ ⎢<br />

⎦ ⎣<br />

˜l1 h˜l2 h˜l3 h˜l4 0<br />

h˜ ⎤<br />

⎥ · y[k]+<br />

⎥<br />

⎦<br />

l5<br />

⎡<br />

−<br />

⎢<br />

+ ⎢<br />

⎣<br />

h 0 0 ˆTnI<br />

−<br />

0<br />

h ˆ VI 0 0 ˆTAI<br />

0 −h<br />

0<br />

ˆ Ψ1 −h ˆ Ψ1 ˆ Ψ3+ ˆ Ψ1 ˆ (4.10)<br />

Ψ2<br />

0 0 0<br />

0 0 1<br />

0<br />

0<br />

0<br />

⎤<br />

⎥ ⎡<br />

⎤<br />

⎥<br />

ˆyHANN(x6[k])<br />

⎥ ⎢<br />

⎥<br />

⎥ ⎢ ˆyReib,I(ˆx3[k]) ⎥<br />

⎥ · ⎢<br />

⎥<br />

⎢<br />

⎥ ⎣ ∆ˆαout(∆ˆα[k])<br />

⎥<br />

⎦<br />

⎥<br />

⎦ ˆyReib,II(ˆx5[k])<br />

0 0 h ˆ Ψ3 ˆ Ψ4 − ˆ Ψ2 ˆ Ψ4 −h ˆ Ψ4<br />

ˆy[k] = 0 0 1 0 0 · ˆx[k]<br />

Mit Hilfe der diskreten Zustandsdarstellung (4.10) können die partiellen Ableitungen<br />

∇ˆy( ˆw) gemäß Gleichungen (3.19) und (3.20) berechnet werden. Das Lerngesetz ergibt<br />

sich wiederum aus Gleichung (3.3).<br />

T

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!