Identifikation nichtlinearer mechatronischer Systeme mit ...
Identifikation nichtlinearer mechatronischer Systeme mit ...
Identifikation nichtlinearer mechatronischer Systeme mit ...
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
A Formelzeichen<br />
∇ Nabla-Operator<br />
α / ˜α / ˆα Maschinenlage (real/kont. geschätzt/dis. geschätzt)<br />
Momentumterm<br />
αi<br />
∆α Differenzwinkel der Maschinenlage ∆α = αI − αII<br />
∆ˆαout<br />
Ausgang des Loseapproximators<br />
ɛ Stoßkoeffizient<br />
ζ Grad der Verzerrung von Basisfunktionen<br />
Lernschrittweiten<br />
ηi<br />
λ Eigenwert des kontinuierlichen Systems (linearer Anteil)<br />
˜λ Eigenwert des kontinuierlichen Beobachters (linearer Anteil)<br />
Rückkopplungen der Kontextzellen bei Jordan- und Elman-Netzen<br />
λi<br />
σ Glättungsfaktor in statischen Neuronalen Netzen <strong>mit</strong><br />
Basisfunktionen<br />
ˆΨi<br />
zu identifizierender Parameter des linearen Systemanteils<br />
Ω∗ Sollwert der Winkelgeschwindigkeit<br />
Ωd<br />
Ω /<br />
Regeldifferenz eines Drehzahlregelkreises<br />
˜ Ω / ˆ Ω Winkelgeschwindigkeit (real/kont. geschätzt/dis. geschätzt)<br />
∆Ω Winkelgeschwindigkeitsabweichung Ω − ˆ Ω<br />
ˆΘij bzw. ˆ Θi<br />
ˆΘ<br />
Gewichte eines statischen Neuronalen Netzes<br />
Vektor <strong>mit</strong> den Gewichten eines statischen Neuronalen Netzes und<br />
Vektor <strong>mit</strong> den zu trainierenden Gewichten des Volterra-Ansatzes<br />
ˆΘL<br />
ˆΘS1 ,<br />
halbe Loseweite<br />
ˆ ΘS2<br />
ˆΘ Lose<br />
ˆΘ Reib<br />
ˆΘ HANN<br />
Stoßparameter des Loseapproximators<br />
Parametervektor des Loseapproximators<br />
Parametervektor zur Approximation der Reibung<br />
Parametervektor zur Approximation der maschinenlageabhängigen<br />
Nichtlinearität<br />
191
Change language