확장 샌드위치 모델에 대한 적응 매개변수 추정

Scientific Reports 13권, 기사 번호: 9752(2023) 이 기사 인용

183 액세스

측정항목 세부정보

확장 샌드위치 시스템은 기존 블록 지향 시스템의 메모리 없는 요소가 메모리 하위 모델로 대체되는 비선형 확장 블록 지향 시스템입니다. 확장 샌드위치 시스템 식별은 실제 산업 시스템을 설명하는 이러한 시스템의 강력한 능력으로 인해 최근 몇 년 동안 광범위한 주목을 받았습니다. 본 연구에서는 전통적인 예측 오류 출력 정보가 ​​아닌 매개변수 식별 오류 데이터를 기반으로 추정기를 개발하는 확장 샌드위치 시스템을 위한 새로운 재귀 식별 알고리즘을 제안합니다. 이 방식에서는 인색한 구조 레이아웃을 기반으로 가용한 시스템 정보를 추출하기 위해 필터를 도입하고 필터링된 벡터를 사용하여 일부 중간 변수를 설계합니다. 개발된 중간변수에 따라 매개변수 식별오차 데이터를 얻을 수 있다. 이후, 예측 오차 출력 정보를 기반으로 기존 적응 추정기와 비교하여 식별 오차 데이터를 통합하여 적응 추정기를 구축합니다. 따라서 본 연구에서 소개된 설계 프레임워크는 식별 알고리즘 설계에 대한 새로운 관점을 제공합니다. 일반적인 연속 여기 조건에서 매개변수 추정 값은 실제 값으로 수렴할 수 있습니다. 마지막으로 실험 결과와 예시는 제안된 방법의 가용성과 유용성을 나타냅니다.

최근 수십 년 동안 실제 시스템의 특성을 설명할 수 있는 선형 모델이 개발되었지만 고유한 비선형 특성을 가진 시스템을 설명하는 이러한 시스템의 기능은 제한적이거나 심지어 실패했습니다1,2,3. 결과적으로, 사용자의 요구사항에 따라 실습 시스템의 수학적 동적 모델을 구축하기 위해 다양한 비선형 모델이 사용되었습니다. 또한 비선형 모델은 비선형 하위 모델로 인해 선형 모델보다 강력한 표현 능력을 제공합니다. 블록 지향 모델(BOM)은 비선형 하위 모델4,5,6을 포함한 비선형 모델 중 하나입니다. 다양한 선형 하위 시스템과 비선형 모델을 선택함으로써 BOM은 수많은 실제 시스템의 고유한 특성을 설명할 수 있습니다. 기존 BOM은 모델의 설명력을 높이기 위해 메모리리스 요소를 사용하지만, 메모리 비선형 특성을 갖는 실제 시스템에는 적합하지 않습니다. 이전 문제를 해결하기 위해 메모리 비선형 하위 모델을 기반으로 메모리 없는 요소를 대체하여 소위 확장된 블록 지향 모델이 제안되었습니다. 확장 BOM 중에서 그림 1에 표시된 확장 샌드위치 모델은 독특한 구조로 인해 인기 있는 모델입니다. 또한, 확장 샌드위치 모델은 교반 탱크 반응기 시스템9, 광 송신기10, 의료 수술 시스템11, 서보 시스템12 등과 같은 수많은 시스템에 대한 효과적인 수학적 모델을 구축할 수 있습니다. 따라서 확장 샌드위치 시스템 식별 방법에 대한 논의는 실제 시스템의 모델링 프로세스와 고유한 비선형 특성의 표현 형태.

확장된 샌드위치 모델.

확장된 BOM에 대한 효과적이고 새로운 식별 체계가 보고되었습니다7,13,14. 확장된 BOM 식별에 대한 기존 보고서의 대부분은 주로 확장된 Hammerstein 및 확장된 Wiener 시스템에 중점을 두었습니다. 확장된 Hammerstein-Wiener 및 Wiener-Hammerstein 시스템에 대해서는 소수의 출판된 작업만 수행되었습니다. 왜냐하면 이 두 시스템은 시스템 식별이 현저히 어렵기 때문입니다. 융합 성능 측면에서 Li19는 확장 샌드위치 시스템의 매개변수 추정을 위해 다중 혁신 길이를 수정하여 데이터 활용률을 높여 수렴률을 높이는 향상된 다중 혁신 기울기 방법을 제안했습니다. 내부 반복을 기반으로 한 최소제곱법은 Vörös in20으로 도입되었으며, 내부 반복 아이디어가 빠른 수렴 성능을 발휘합니다. In21에서는 지능형 최적화 알고리즘을 개발하여 히스테리시스 비선형성이 있는 확장 샌드위치 시스템을 식별하는 방법에 대해 논의했습니다. 수렴 시간을 줄이기 위해 보장된 성능을 기반으로 적응형 식별 방식을 연구했습니다. 추가적으로 성능이 향상된 방법이 22에서 제안되었다. Zhou et al.12는 잡음 신호를 처리하고 추정 정확도를 높이기 위해 매끄럽지 않은 확률론적 상태공간 방정식을 기반으로 하는 매끄럽지 않은 칼만 필터를 사용했습니다. 이전 추정 방법은 확장 BOM에 대한 시스템 식별을 효과적으로 달성할 수 있습니다. 그러나 적응법칙은 식별 회귀 형태를 쉽게 얻을 수 있기 때문에 대부분 예측 오류 출력이나 관찰 오류 데이터를 사용하여 개발됩니다. 노이즈 강도가 약간 높거나 추정 모델이 복잡한 경우 예측 오류 데이터는 편향된 추정을 생성하고 문제를 최소화합니다. 이러한 결함을 피하기 위해 우리는 다른 오류 데이터를 검색하여 현재 연구의 동기인 적응 법칙을 개발합니다. 적응 매개변수 추정 법칙은 유효 오류 데이터에 따라 수정 및 업데이트됩니다. 모수 추정 과정과 직접적으로 관련된 모수 추정 오차로 적응 법칙을 수정할 수 있다면 추정 성능이 크게 향상될 것이다. 따라서 우리는 대안적 적응 법칙을 도출하기 위해 매개변수 식별 오류 데이터를 사용합니다.