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.
7 Zusammenfassung und Ausblick<br />
187<br />
Als Abschluss der vorliegenden Arbeit sollen die wichtigsten Ergebnisse nochmals<br />
zusammengefasst und ein Ausblick auf weiterführende Arbeiten gegeben werden.<br />
Ausgehend von bekannten neuronalen Ansätzen zur <strong>Identifikation</strong> statischer Nichtlinearitäten<br />
und <strong>nichtlinearer</strong> dynamischer Prozesse wurde in dieser Arbeit ein strukturiertes<br />
rekurrentes Netz entwickelt. Im Gegensatz zu den bisher bekannten Methoden<br />
eignet sich dieses Verfahren zur gleichzeitigen <strong>Identifikation</strong> von linearen<br />
Parametern und nichtlinearen Charakteristiken.<br />
Hierfür wurde in dieser Arbeit eine geschlossene mathematische Darstellung des<br />
<strong>Identifikation</strong>sverfahrens vorgestellt. Diese Darstellung beruht auf der Zustandsbeschreibung<br />
des zu identifizierenden Systems. Als Lerngesetz wurde in dieser Arbeit<br />
das Gradientenabstiegsverfahren eingesetzt. Die für dieses Verfahren erforderliche<br />
Berechnung der partiellen Ableitungen des Systemausgangs nach den Gewichten<br />
des rekurrenten Netzes ist in der Darstellung des <strong>Identifikation</strong>sverfahrens enthalten<br />
und entspricht in ihrer wesentlichen Struktur der diskreten Zustandsbeschreibung<br />
des rekurrenten Netzes.<br />
Durch die Implementierung des Netzes in einer Beobachterstruktur entfällt das Problem<br />
einer Anfangswertbestimmung. Zudem kann durch eine geeignete Wahl der<br />
Rückführkoeffizienten auf eine Filterung der Messsignale verzichtet werden. Das bekannte<br />
Problem von divergierenden Zuständen im rekurrenten Netz wurde bisher<br />
<strong>mit</strong> aufwendigen iterativen Methoden gelöst. In dem vorgestellten Ansatz wurde<br />
dieses Problem durch die einfach zu implementierende negative Rückkopplung des<br />
Ausgangsfehlers gelöst. Hierdurch wurde die Echtzeitfähigkeit von strukturierten<br />
rekurrenten Netzen erstmals ermöglicht.<br />
Ein weiterer Vorteil dieses Verfahrens ist neben der physikalischen Interpretierbarkeit<br />
der <strong>Identifikation</strong>sergebnisse die Möglichkeit, einen beliebig genauen Integrationsalgorithmus<br />
zu verwenden.<br />
Um die <strong>Identifikation</strong> grundsätzlich durchführen zu können, müssen die Ein- und<br />
Ausgangsgrößen des Systems bekannt sein. Im Fall des in dieser Arbeit untersuchten<br />
Zwei-Massen-Systems war das Luftspaltdrehmoment der Antriebsmaschine die<br />
Eingangsgröße, während die Drehzahl der Antriebsmaschine die Ausgangsgröße darstellte.<br />
In der zur Validierung eingesetzten Versuchsanlage konnte die Drehzahl der<br />
Antriebsmaschine gemessen werden, aber das Luftspaltdrehmoment nicht. Um letz-