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.
1.3 Gliederung der Arbeit 5<br />
der linearen Systemparameter wie die Massenträgheitsmomente oder die Federsteifigkeit<br />
der elastischen Verbindung der Maschinen von entscheidender Bedeutung.<br />
Aus diesen Gründen ist die <strong>Identifikation</strong> aller Systemparameter (sowohl der Nichtlinearitäten<br />
als auch der linearen Systemparameter) die Grundlage für eine Verbesserung<br />
der Regelung <strong>mechatronischer</strong> <strong>Systeme</strong>.<br />
Ziel dieser Arbeit ist es, die linearen Parameter und die vorhandenen Nichtlinearitäten<br />
eines Single-Input-Single-Output (SISO)-Systems gleichzeitig zu identifizieren<br />
und dabei eine physikalische Interpretierbarkeit [Schröder, 2000] der <strong>Identifikation</strong>sergebnisse<br />
zu erhalten.<br />
Ausgangspunkt hierbei ist die Verwendung von strukturierten rekurrenten Netzen.<br />
Diese lassen sich ursprünglich in die Gruppe der partiell rekurrenten Netze einordnen.<br />
In [Brychcy, 2000] wurden die strukturierten rekurrenten Netze erstmals<br />
zur Systemidentifikation eingesetzt. Dieser erste vielversprechende Ansatz ist jedoch<br />
nicht echtzeitfähig, da die notwendige interne Zustandsberechnung iterativ erfolgte.<br />
Diese Berechnung führt sehr häufig dazu, dass sowohl die Zustände, als auch die<br />
Parameter den physikalisch sinnvollen Bereich verlassen.<br />
Aufbauend auf [Brychcy, 2000] wird in dieser Arbeit gezeigt, dass es möglich<br />
ist, das Approximationsverhalten der strukturierten rekurrenten Netze deutlich zu<br />
verbessern und die Echtzeitfähigkeit zu realisieren, wenn man die aus der Theorie<br />
der lernfähigen Beobachter erzielten Erkenntnisse <strong>mit</strong> denen der partiell rekurrenten<br />
Netze verbindet.<br />
Zusätzlich wird in dieser Arbeit gezeigt, dass auch dynamische Nichtlinearitäten auf<br />
Basis des Volterra-Ansatzes <strong>mit</strong> Hilfe strukturierter rekurrenter Netze zusammen<br />
<strong>mit</strong> weiteren physikalisch relevanten Parametern identifiziert werden können.<br />
Abbildung 1.3 zeigt wie sich das in dieser Arbeit neu entwickelte Verfahren in die aus<br />
Abbildung 1.1 bekannte Gliederung einordnen lässt. Außerdem sind Verbindungslinien<br />
zu den bisher bekannten Verfahren hervorgehoben, um anzudeuten, dass es<br />
<strong>mit</strong> dem neu entwickelten Verfahren der strukturierten rekurrenten Netze möglich<br />
ist, die Vorteile mehrerer bekannter Verfahren zu kombinieren.<br />
1.3 Gliederung der Arbeit<br />
Die vorliegende Arbeit gliedert sich in folgende Abschnitte:<br />
In Kapitel 2 werden zunächst die statischen Neuronalen Netze beschrieben. Anschließend<br />
wird auf die dynamischen Neuronalen Netze eingegangen. Ein weiterer<br />
Abschnitt dieses Kapitels widmet sich den auf der Volterra-Reihe basierenden<br />
Ansätzen. Anschließend wird der Neuronale Beobachter dargestellt. Ein Vergleich