Stima dei parametri adattivi per il modello sandwich espanso

Rapporti scientifici volume 13, numero articolo: 9752 (2023) Citare questo articolo

183 accessi

Dettagli sulle metriche

Un sistema a sandwich espanso è un sistema orientato a blocchi esteso non lineare in cui gli elementi privi di memoria nei sistemi orientati a blocchi convenzionali vengono sostituiti da sottomodelli di memoria. L'identificazione dei sistemi sandwich espansi ha ricevuto molta attenzione negli ultimi anni a causa della potente capacità di questi sistemi di descrivere sistemi industriali reali. Questo studio propone un nuovo algoritmo di identificazione ricorsiva per un sistema a sandwich espanso, in cui uno stimatore è sviluppato sulla base dei dati di errore di identificazione dei parametri piuttosto che sulle tradizionali informazioni di output dell'errore di previsione. In questo schema, viene introdotto un filtro per estrarre le informazioni di sistema disponibili in base al layout avaro della struttura, e alcune variabili intermedie sono progettate utilizzando vettori filtrati. In base alle variabili intermedie sviluppate, è possibile ottenere i dati sull'errore di identificazione dei parametri. Successivamente, viene stabilito uno stimatore adattivo integrando i dati dell'errore di identificazione rispetto allo stimatore adattivo classico basato sulle informazioni di output dell'errore di previsione. Pertanto, il quadro di progettazione introdotto in questa ricerca fornisce una nuova prospettiva per la progettazione di algoritmi di identificazione. In una condizione generale di eccitazione continua, i valori di stima dei parametri possono convergere ai valori reali. Infine, risultati sperimentali ed esempi illustrativi indicano la disponibilità e l'utilità del metodo proposto.

Negli ultimi decenni, nonostante siano stati sviluppati modelli lineari in grado di descrivere le caratteristiche di un sistema reale, la capacità di questi sistemi di descrivere un sistema con caratteristiche non lineari intrinseche è stata limitata o addirittura fallita1,2,3. Di conseguenza, una varietà di modelli non lineari è stata utilizzata per stabilire modelli matematici dinamici per i sistemi pratici in base alle esigenze degli utenti. Inoltre, i modelli non lineari forniscono capacità di rappresentazione più forti rispetto ai modelli lineari grazie ai loro sottomodelli non lineari. Il modello orientato ai blocchi (BOM) è uno dei modelli non lineari, inclusi i sottomodelli non lineari4,5,6. Selezionando diversi sottosistemi lineari e modelli non lineari, la distinta base può descrivere le caratteristiche intrinseche di numerosi sistemi reali. La distinta base tradizionale utilizza elementi senza memoria per migliorare la capacità di descrizione del modello, ma non è l'ideale per un sistema reale con caratteristiche non lineari di memoria. Per risolvere il problema precedente, sono stati proposti i cosiddetti modelli orientati ai blocchi espansi spostando elementi senza memoria basati su sottomodelli non lineari di memoria7,8. Tra le distinte base estese, il modello sandwich esteso mostrato in Fig. 1 è un modello popolare grazie alla sua struttura unica. Inoltre, il modello sandwich esteso può stabilire modelli matematici efficaci per numerosi sistemi, come sistemi di reattori con serbatoio agitato9, trasmettitori ottici10, sistemi medico-chirurgici11 e servosistemi12, ecc. Pertanto, la discussione del metodo di identificazione del sistema sandwich esteso è utile per comprendere intuitivamente il processi di modellazione di sistemi reali e forme di presentazione delle caratteristiche non lineari inerenti.

Modello sandwich allungato.

Sono stati segnalati schemi di identificazione efficaci e nuovi per le distinte base estese7,13,14. La maggior parte dei rapporti esistenti sull'identificazione estesa della distinta base si sono concentrati principalmente sui sistemi Hammerstein ampliati e Wiener ampliati. Solo pochi lavori pubblicati sono stati condotti sui sistemi Hammerstein-Wiener e Wiener-Hammerstein ampliati perché questi due sistemi rappresentano una notevole sfida per l'identificazione del sistema15,16,17,18. Nell'aspetto delle prestazioni di convergenza, Li19 ha proposto un metodo del gradiente multi-innovazione migliorato per la stima dei parametri del sistema sandwich esteso, in cui la lunghezza della multi-innovazione viene modificata per aumentare il tasso di utilizzo dei dati, migliorando così il tasso di convergenza. Un metodo dei minimi quadrati basato sull'iterazione interna è stato introdotto come Vörös in20, in cui l'idea dell'iterazione interna produce una prestazione di rapida convergenza. Nel21, Quaranta ha discusso l'identificazione di un sistema sandwich esteso con nonlinearità dell'isteresi sviluppando un algoritmo di ottimizzazione intelligente. È stato studiato uno schema di identificazione adattivo basato sulle prestazioni garantite, per ridurre il tempo di convergenza. Inoltre, in22 è stato proposto un metodo con prestazioni migliorate. Zhou et al.12 hanno utilizzato un filtro di Kalman non uniforme basato sull'equazione stocastica dello spazio degli stati non uniforme per indirizzare il segnale di rumore e aumentare la precisione della stima. I metodi di stima precedenti possono effettivamente ottenere l'identificazione del sistema per le distinte base estese. Tuttavia, la legge adattativa è sviluppata principalmente con l'output dell'errore di previsione o con i dati dell'errore di osservazione perché la forma di regressione di identificazione è facile da ottenere. Quando l'intensità del rumore è leggermente elevata o il modello di stima è complesso, i dati sugli errori di previsione produrranno stime distorte e problemi minimi. Per evitare questa carenza, cerchiamo altri dati di errore per sviluppare una legge adattativa, che è la motivazione della ricerca attuale. Si noti che la legge di stima dei parametri adattativi viene modificata e aggiornata in base ai dati di errore effettivi. Se la legge adattativa può essere modificata dall'errore di stima dei parametri, che è direttamente correlato al processo di stima dei parametri, le prestazioni della stima saranno sostanzialmente migliorate. Pertanto, utilizziamo i dati sugli errori di identificazione dei parametri per derivare una legge adattativa alternativa.