REAL

Robusztus becslési és irányítási algoritmusok = Robust identification and control

Vajk, István and Bars, Ruth and Barta, András and Hetthéssy, Jenő and Iváncsy, Renáta Erzsébet and Tuschák, Róbert (2012) Robusztus becslési és irányítási algoritmusok = Robust identification and control. Project Report. OTKA.

[img]
Preview
PDF
68370_ZJ1.pdf

Download (176kB) | Preview

Abstract

Új algoritmusokat dolgoztunk ki errors-in-variables modellek identifikációjára. A módszerek lehetővé teszik a folyamat és zaj paraméterek együttes becslését. Az algoritmusok a jeltér PCA illetve SVD szeparációjával, majd pedig a szeparált adatbázison végzett paraméterbecsléssel és ezek összevetésével képesek az együttes folyamat és zaj modell meghatározására. Továbbá módszereket dolgoztunk ki célfüggvény alapú, valamint osztályozási elven működő identifikációs technikákra. A kutatások során vizsgáltjuk, hogyan lehet nemlineáris EIV modelleket becsülni mérési adatok alapján. Általánosítottuk a dinamikus lineáris modellekre kidolgozott EIV algoritmusokat polinomiális jellegű nemlineáris rendszerekre. Kutatást végeztünk robusztus predikciós irányítási algoritmusok lineáris és nemlineáris rendszerek irányítására területén. Lineáris rendszerekre vizsgáltuk a predikciós PID algoritmusok robusztusságát növelő módszereket. Lineáris rendszerek irányítására on-off predikciós szabályozások algoritmusainak kidolgozására került sor. Nemlineáris rendszerek irányítására – többek között - a parametrikus kvadratikus Volterra modellen alapuló szuboptimális algoritmust dolgoztunk ki. Továbbá a mérések feldolgozását segítő algoritmusokat kerestünk, amelyek segítésével hatékonyan megtalálhatók a statisztikai értelemben gyakori elemhalmazok, szekvenciák és részgráfok, valamint az adatok között fellelhető kapcsolatok, szabályok. | We have developed new algorithms for identifying errors-in-variables (EIV) models, which make it possible to estimate process and noise parameters simultaneously. By performing a principal component analysis or SVD separation on the signal space, the algorithms are able to compute process and noise parameters by comparing parameter estimates on the separated data. Furthermore, we have developed methods for objective function-based and classification-based identification techniques. We have investigated how we can identify nonlinear EIV models from measured data. We have generalized EIV identification methods for dynamic linear models to nonlinear systems with polynomial nonlinearities. We have conducted research concerning algorithms for robust predictive control in the field of linear and nonlinear systems control. For linear systems, we have investigated methods to increase the robustness of predictive PID algorithms. In the subfield of controlling linear systems, we have developed on/off predictive control algorithms, whereas in the subfield of nonlinear systems, we have devised – among others – a suboptimal algorithm based on a parametric quadratic Volterra model.

Item Type: Monograph (Project Report)
Uncontrolled Keywords: Automatizálás és Számítástechnika
Subjects: Q Science / természettudomány > QA Mathematics / matematika > QA75 Electronic computers. Computer science / számítástechnika, számítógéptudomány
T Technology / alkalmazott, műszaki tudományok > TA Engineering (General). Civil engineering (General) / általános mérnöki tudományok
Depositing User: Kotegelt Import
Date Deposited: 01 May 2014 06:01
Last Modified: 04 Aug 2014 08:30
URI: http://real.mtak.hu/id/eprint/11977

Actions (login required)

Edit Item Edit Item