Dokument 1.pdf - Universität Siegen
Dokument 1.pdf - Universität Siegen
Dokument 1.pdf - Universität Siegen
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
6 Nichtlineare Parameteridentifikationsverfahren<br />
Dabei ist die Linearisierung im Arbeitspunkt nur dann erfolgreich, wenn der nichtlineare<br />
Zusammenhang in n-linear darstellbare Teilprobleme zerlegt werden kann. Diese<br />
Voraussetzung ist dann erfüllt, wenn lineare Teilmodelle über einen nichtlinearen Zusammenhang,<br />
wie bei der Darstellung der Verhältnisse im Luft- und Kraftstoffpfad mit<br />
der Gleichung (3.2), verknüpft sind.<br />
Zum anderen kann ein Gradientenabstiegsverfahren eingesetzt werden, das eine Fehlerfunktion<br />
in Abhängigkeit der zu untersuchenden Parameter darstellt und eine Suche<br />
des Minimums der Funktion durch das Verfolgen des steilsten Gradienten realisiert. Dieses<br />
Verfahren wird in dieser Arbeit nicht näher betrachtet, da der Hauptaugenmerk in<br />
dieser Arbeit auf estimationstheoretische Ansätze gerichtet ist.<br />
6.2 Parameter- und Zustandsschätzung<br />
Für die Parameter- und Zustandsschätzung können im nichtlinearen Fall, wie in Abbildung<br />
6.1 dargestellt, ein Extended Kalman-Filter oder ein Extended Kalman-Filter mit<br />
überlagertem Maximum-Likelihood eingesetzt werden.<br />
6.2.1 Extended Kalman-Filter<br />
Die in Kapitel 5.2abgeleiteten Algorithmen für das zeitdiskrete und das kontinuierliche<br />
EKF können ohne Veränderung auch für die Parameter- und Zustandsschätzung<br />
in nichtlinearen Modellen eingesetzt werden. Einziger Unterschied ist, daß für die reine<br />
Zustandsschätzung der nichtlinearen Zustandsraumdarstellung schon ein EKF benötigt<br />
wird. Die Vorgehensweise ist dieselbe wie bei der linearen Parameter- und<br />
Zustandsschätzung mit EKF. Für die unbekannten Parameter werden neue Zustände<br />
eingeführt, in denen die Parameter mitgeschätzt werden.<br />
Wie sich in Kapitel 5.2gezeigt hat, besitzt das Verfahren schon bei linearen Systemzusammenhängen<br />
schlechte Eigenschaften in Bezug auf das Konvergenzverhalten und die<br />
Parameterschätzergebnisse. Durch die zusätzliche Nichtlinearität im Streckenverhalten<br />
wird die Parameterschätzung bei gleichzeitiger Zustandsschätzung erschwert.<br />
Das Konvergenzverhalten ist stark abhängig von der Problemstellung. Würde das EKF<br />
für eine reine Zustandsschätzung für richtig eingestellte Parameter konvergieren, dann<br />
bedeutet dies noch lange nicht, daß das Filter für die Parameter- und Zustandsschätzung<br />
gilt. Weiterhin ist eine Schätzung von mehreren Parametern aus Konvergenzgründen<br />
nicht sinnvoll. Aus den gegeben Gründen wird das Verfahren in dieser Arbeit für nichtlineare<br />
Modelleigenschaften nicht untersucht.<br />
6.2.2 Adaptive Parameter- und Zustandsschätzung<br />
In den Untersuchungen für lineare Parameter- und Zustandsschätzverfahren in Kapitel<br />
5.2sind die besonders guten Eigenschaften für den adaptiven Ansatz mit Kalman-Filter<br />
und überlagertem Maximum-Likelihood gezeigt worden.<br />
106