شناسایی زمان پیوسته ی مدلهای فضای حالتی که پارامترهای آن به صورت دوره ای تغییر می کنند

قیمت: 44,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

شناسایی زمان پیوسته ی مدلهای فضای حالتی که پارامترهای آن به صورت دوره ای تغییر می کنند

عنوان لاتین

Continuous-time identification of periodically parameter-varying state space models

این مقاله، یک تکنیک شناسایی نوین در حوزه ی فرکانس را برای تخمین مدل های فضای حالت زمان پیوسته ی متغیر با پارامتر خطی چند متغیره (LPV) ارائه می دهد که در این تکنیک، فرض شده است که پارامترها، تغییرات دوره ای (متناوب) دارند. هدف اصلی این است که تنها با استفاده از یک آزمایش متغیر با پارامتر، به مدل فضای حالت LPV (خطی متغیر با پارامتر) دست پیدا کنیم که برای کنترل مناسب باشد. با وجود این که اغلب ابزارهای ترکیبی کنترلگر LPV، به مدل های فضای حالت زمان پیوسته نیاز دارند، اما شناسایی چنین مدلهایی، کاری نوین است. متد شناسایی پیشنهادی در این مقاله، یک سیگنال ورودی متناوب (پریودیک) را طراحی می کند، در حالی که متناوب بودن تغییرات پارامترها را نیز به حساب می آورد. ما نشان می دهیم که زمانی که تعداد صحیحی از پریودها، هم برای ورودی و هم برای زمانبندی مشاهده می شوند،در این صورت نمایش فضای حالت دارای یک ساختار خاص و پراکنده در حوزه ی فرکانس می باشد که از این ساختار برای بالا بردن سرعت پروسه ی تخمین استفاده شده است. سپس یک الگوریتم حداقل مربعات غیرخطی وزن دار، خطای خروجی را کمینه می کند. دو متد خطی سازی به منظور تولید مقادیر اولیه بررسی شده اند. رویکرد اول، از یک تقریب نامتغیر با زمان خطی (LTI) استفاده می کند. رویکرد دوم، یک معادله ی دیفرانسیل ورودی-خروجی متغیر با زمان خطی (LTV) را تخمین می زند که از آن، تحقق فضای حالت محاسبه می شود.

This paper presents a new frequency domain identification technique to estimate multivariate Linear Parameter-Varying (LPV) continuous-time state space models, where a periodic variation of the parameters is assumed or imposed. The main goal is to obtain an LPV state space model suitable for control, from a single parameter-varying experiment. Although most LPV controller synthesis tools require continuous time state space models, the identification of such models is new. The proposed identification method designs a periodic input signal, taking the periodicity of the parameter variation into account. We show that when an integer number of periods is observed for both the input and the scheduling, the state space model representation has a specific, sparse structure in the frequency domain, which is exploited to speed up the estimation procedure. A weighted non-linear least squares algorithm then minimizes the output error. Two initialization methods are explored to generate starting values. The first approach uses a Linear Time-Invariant (LTI) approximation. The second estimates a Linear Time- Variant (LTV) input–output differential equation, from which a corresponding state space realization is computed.