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.
5.1 Parameterschätzung<br />
Die besondere Form des Beobachtungsvektors wird auch häufig als Regressionsvektor ϕ<br />
bezeichnet. Dieser kann mit den folgenden Zusammenhängen für das Regressionsmodell<br />
in der Gleichung (5.12) bestimmt werden:<br />
ϕ ˆ= C T =[−Y k U k ] T (5.17)<br />
θ ˆ= x =[a 1 a 2 ··· a m b 0 b 1 ··· b n ] T (5.18)<br />
Die Minimierung des vorher beschriebenen Gütefunktionals in Gleichung (5.11) übernimmt<br />
dann das Regressionsfilter bzw. der Zustandsschätzer. Zur Lösung dieser Aufgabe<br />
werden folgende drei Verfahren, wie von Ljung und Söderström [19] dargestellt,<br />
gegenübergestellt. Dies sind zum einen die beiden Regressionsverfahren mit WRLS und<br />
RML und zum anderen ein stochastischer Beobachter mit LKF.<br />
5.1.1 Verfahren mit Recursive Maximum-Likelihood<br />
Ausgangspunkt für die Herleitung ist die Annahme einer ARMAX-Modellstruktur, wie<br />
in Gleichung (2.42) hergeleitet. Daraus ergibt sich nach Umformung der folgende Zusammenhang:<br />
A(z) ·Y(z) −B(z) ·U(z) =C(z) ·W(z) (5.19)<br />
Die Übertragungsfunktion C(z) besitzt die gleiche Form der Beziehung in (2.40):<br />
C(z) =1+c 1 · z −1 + ···+ c o · z −o (5.20)<br />
Führt man nun das ARMAX-Modell in Gleichung (5.19) in das Fehlermodell in Gleichung<br />
(5.3) über, dann ergibt sich der folgende Zusammenhang für den Fehlervektor:<br />
E(z) =C(z) ·W(z) (5.21)<br />
Das gegebene Modell kann nun mit dem Regressionsansatz aus Gleichung (5.12) beschrieben<br />
werden und es ergeben sich folgende Zusammenhänge für das Regressionsmodell, den<br />
Regressionsvektor und den Parametervektor:<br />
⎡ ⎤<br />
−y(k − 1)<br />
.<br />
−y(k − n)<br />
u(k)<br />
y(k) =ϕ T (k) · θ(k)+e(k) mit ϕ(k) =<br />
.<br />
u(k − m)<br />
e(k − 1)<br />
⎢ ⎥<br />
⎣ . ⎦<br />
e(k − o)<br />
⎡ ⎤<br />
a 1<br />
.<br />
a n<br />
b 0<br />
und θ(k) =<br />
.<br />
(5.22)<br />
b m<br />
⎢<br />
c 1<br />
⎥<br />
⎣ . ⎦<br />
c o<br />
63