Identifikation nichtlinearer mechatronischer Systeme mit ...

2.8 Kurzzusammenfassung 43
2.8 Kurzzusammenfassung
In diesem Kapitel wurden zunächst Neuronale Netze vorgestellt, mit denen es möglich
ist, nichtlineare statische Funktionen zu approximieren. Anschließend wurde auf aus
der Literatur bekannte dynamische Neuronale Netze, mit denen es möglich ist, das
Ein-/Ausgangsverhalten eines nichtlinearen dynamisches Systems hinreichend genau
zu approximieren, eingegangen. Es ist jedoch nicht möglich, aus dem Approximationsergebnis
auf interne Zustände zu schließen bzw. Rückschlüsse auf physikalische
Parameter zu bekommen. Abgesehen von der Aufspaltung zwischen statischer
Nichtlinearität und unbekannter Dynamik bei dem Volterra-Ansatz lässt sich A-
Priori-Wissen über das zu approximierende System nicht mit einbringen. Aus diesen
Gründen eignen sich diese Netze aus regelungstechnischer Sicht nur bedingt für eine
Identifikation.
Ein erster Schritt, diese Nachteile zu beseitigen, ist die Entwicklung des Neuronalen
Beobachters, welcher am Ende dieses Kapitels beschrieben wurde. Hierbei
werden die Systemstruktur und die linearen Parameter als bekannt vorausgesetzt.
Eine Modellverfeinerung wird dadurch erzielt, dass die unbekannten nichtlinearen
Charakteristiken mit Hilfe statischer Neuronaler Netze approximiert werden. Der
Vorteil von diesem Verfahren ist der, dass A-Priori-Wissen über das System mit
eingebracht werden kann, und dass man gleichzeitig interne Systemzustände beobachten
kann. Nachteilig bei diesem Verfahren ist es, dass die genaue Kenntnis der
linearen Parameter vorausgesetzt wird. Sind die Parameter nicht genau bekannt, so
lassen sich mit Hilfe eines genügend schnell eingestellten Beobachters immer noch
befriedigende Identifikationsergebnisse erzielen, allerdings werden hiermit die internen
Systemzustände nicht mehr genau genug geschätzt, und der Beobachter kann in
Hinblick auf eine reale Anwendung das vorhandene Messrauschen nicht mehr optimal
filtern. Dieser Nachteil wird mit dem in den folgenden Kapiteln beschriebenen
Verfahren behoben, indem zusätzlich zu den unbekannten nichtlinearen Charakteristiken
auch die unbekannten linearen Parameter identifiziert werden.