Адаптивная оценка параметров расширенной сэндвич-модели

Научные отчеты, том 13, Номер статьи: 9752 (2023) Цитировать эту статью

163 доступа

Подробности о метриках

Расширенная сэндвич-система — это нелинейная расширенная блочно-ориентированная система, в которой элементы без памяти в обычных блочно-ориентированных системах заменены подмоделями памяти. Идентификация расширенных сэндвич-систем в последние годы привлекла большое внимание из-за мощной способности этих систем описывать реальные промышленные системы. В этом исследовании предлагается новый алгоритм рекурсивной идентификации для расширенной сэндвич-системы, в котором оценщик разрабатывается на основе данных об ошибках идентификации параметров, а не на традиционной выходной информации об ошибках прогнозирования. В этой схеме вводится фильтр для извлечения доступной системной информации на основе скудной структуры структуры, а некоторые промежуточные переменные разрабатываются с использованием отфильтрованных векторов. По разработанным промежуточным переменным можно получить данные об ошибках идентификации параметров. После этого адаптивный оценщик устанавливается путем интегрирования данных ошибки идентификации по сравнению с классическим адаптивным оценщиком на основе выходной информации ошибки прогнозирования. Таким образом, структура проектирования, представленная в этом исследовании, открывает новую перспективу для разработки алгоритмов идентификации. В условиях общего непрерывного возбуждения оценочные значения параметров могут сходиться к истинным значениям. Наконец, экспериментальные результаты и наглядные примеры свидетельствуют о доступности и полезности предлагаемого метода.

В последние десятилетия, хотя были разработаны линейные модели, которые могут описывать характеристики реальной системы, способность этих систем описывать такую ​​систему с присущими ей нелинейными характеристиками была ограничена или даже невозможна1,2,3. Следовательно, для создания математических динамических моделей практических систем в соответствии с требованиями пользователей использовались различные нелинейные модели. Кроме того, нелинейные модели обеспечивают более сильные возможности представления, чем линейные модели, благодаря своим нелинейным подмоделям. Блочно-ориентированная модель (BOM) является одной из нелинейных моделей, включая нелинейные подмодели4,5,6. Выбирая различные линейные подсистемы и нелинейные модели, спецификация может описать внутренние характеристики множества реальных систем. Традиционная спецификация использует элементы без памяти для улучшения возможностей описания модели, но она не идеальна для реальной системы с нелинейными характеристиками памяти. Для решения предыдущей проблемы были предложены так называемые расширенные блочно-ориентированные модели путем замены элементов без памяти на основе нелинейных подмоделей памяти7,8. Среди расширенных спецификаций расширенная сэндвич-модель, показанная на рис. 1, является популярной моделью из-за своей уникальной структуры. Более того, расширенная сэндвич-модель может создавать эффективные математические модели для многочисленных систем, таких как реакторные системы с мешалкой9, оптические передатчики10, медико-хирургические системы11, сервосистемы12 и т. д. Таким образом, обсуждение метода идентификации расширенной сэндвич-системы полезно для интуитивного понимания моделирование процессов реальных систем и формы представления присущих им нелинейных характеристик.

Расширенная сэндвич-модель.

Сообщалось об эффективных и новых схемах идентификации расширенных спецификаций7,13,14. Большинство существующих отчетов о расширенной идентификации спецификаций в основном сосредоточено на расширенных системах Hammerstein и Wiener. Лишь несколько опубликованных работ были проведены по расширенным системам Хаммерштейна-Винера и Винера-Хаммерштейна, поскольку эти две системы значительно сложны для идентификации15,16,17,18. Что касается производительности сходимости, Ли19 предложил улучшенный градиентный метод мультиинноваций для оценок параметров расширенной сэндвич-системы, в котором длина мультиинноваций модифицируется для увеличения коэффициента использования данных, тем самым повышая скорость сходимости. Метод наименьших квадратов, основанный на внутренней итерации, был представлен как Vörös в 20, в котором идея внутренней итерации обеспечивает быструю сходимость. В работе 21 Куаранта обсудил идентификацию расширенной сэндвич-системы с гистерезисной нелинейностью путем разработки интеллектуального алгоритма оптимизации. Была исследована схема адаптивной идентификации, основанная на гарантированной производительности, чтобы сократить время сходимости. Кроме того, в22 был предложен метод с улучшенными характеристиками. Чжоу и др.12 использовали негладкий фильтр Калмана, основанный на негладком стохастическом уравнении в пространстве состояний, для устранения шумового сигнала и повышения точности оценки. Предыдущие методы оценки могут эффективно обеспечить идентификацию системы для расширенных спецификаций. Однако адаптивный закон в основном разрабатывается с использованием выходных данных об ошибках прогнозирования или данных об ошибках наблюдения, поскольку форму идентификационной регрессии легко получить. Когда интенсивность шума немного высока или модель оценки сложна, данные об ошибках прогнозирования будут приводить к смещенной оценке и минимальным проблемам. Чтобы избежать этого недостатка, мы ищем другие данные об ошибках для разработки адаптивного закона, что является мотивацией текущего исследования. Обратите внимание, что закон адаптивной оценки параметров модифицируется и обновляется в соответствии с данными эффективной ошибки. Если адаптивный закон можно изменить с помощью ошибки оценки параметра, которая напрямую связана с процессом оценки параметра, то производительность оценки будет существенно улучшена. Поэтому мы используем данные об ошибках идентификации параметров для вывода альтернативного адаптивного закона.