Identifikation nichtlinearer mechatronischer Systeme mit ...
Identifikation nichtlinearer mechatronischer Systeme mit ...
Identifikation nichtlinearer mechatronischer Systeme mit ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
80 3 <strong>Identifikation</strong> <strong>nichtlinearer</strong> <strong>Systeme</strong><br />
Nachteilig wirkt sich die starke Abhängigkeit der Parameterkonvergenzgeschwindigkeit<br />
von den manuell zu bestimmenden Lernparametern η und α aus.<br />
Zusätzlich ist für eine erfolgreiche Parameteridentifikation ein genaues und eindeutiges<br />
Systemmodell in Form eines Signalflussplanes notwendig. Stimmt die Struktur<br />
des Systemmodells nicht <strong>mit</strong> dem realen System überein, werden die im Signalflussplan<br />
fehlenden Teile soweit wie möglich über die vorhandenen Gewichte ausgeglichen.<br />
Dies kann, wie in [Angerer, 2001] erläutert, zu scheinbar physikalisch<br />
widersprüchlichen Ergebnissen führen, was jedoch eigentlich ein Zeichen für eine<br />
unzureichende Annahme der Systemstruktur ist.<br />
3.4 Kurzzusammenfassung<br />
In diesem Kapitel wurde das Verfahren der vorstrukturierten rekurrenten Netze<br />
vorgestellt, <strong>mit</strong> dem es möglich ist, die linearen Parameter und die nichtlinearen<br />
Charakteristiken eines nichtlinearen Systems zu identifizieren.<br />
Ausgehend von dem bekannten Signalflussplan des Systems wird zunächst das rekurrente<br />
Netz entwickelt. Anschließend werden die partiellen Ableitungen des Ausgangssignals<br />
nach den Gewichten des rekurrenten Netzes berechnet. Hierbei wurde<br />
zunächst von der Euler-Vorwärts-Approximation eines Integrators ausgegangen.<br />
Anhand eines <strong>Identifikation</strong>sbeispieles einer Maschinendynamik wurde gezeigt, dass<br />
das strukturierte rekurrente Netz nicht in der Lage ist, ein physikalisch sinnvolles<br />
<strong>Identifikation</strong>sergebnis zu liefern, wenn die internen Systemzustände des rekurrenten<br />
Netzes den zulässigen Bereich verlassen bzw. divergierende Systemzustände auftreten.<br />
Um diese Problematik zu beseitigen, wurde in diesem Kapitel gezeigt, dass es sinnvoll<br />
ist, das rekurrente Netz um eine Beobachterstruktur zu erweitern, um ein stabiles<br />
Lernergebnis zu erhalten. Mit dieser Erweiterung können die in [Brychcy, 2000]<br />
beschriebenen Probleme von divergierenden Systemzuständen sowie der Anfangszustandsbestimmung<br />
vermieden werden. Außerdem ist es nun möglich, das Netz online<br />
zu trainieren und gleichzeitig die internen Zustände der Strecke zu beobachten.
Change language