Улучшение параметрической сходимости в задачах компенсации мультисинусоидальных возмущений

Коротина М.М., Арановский С.В., Бобцов А.А., Лямин А.В. Улучшение параметрической сходимости в задачах компенсации мультисинусоидальных возмущений // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 2. С. 172–178. doi: 10.17586/2226-1494-2021-21-2-172-178

Предмет исследования. В работе представлен метод улучшения параметрической сходимости и повышения качества переходных процессов в задаче прямой адаптивной компенсации мультисинусоидальных возмущений. Предложенный метод улучшает качество функционирования существующих алгоритмов и обеспечивает монотонность переходных процессов. Метод. Для оценивания параметров возмущения использовалась процедура динамического расширения регрессора с последующим применением дискретного градиентного алгоритма. Основные результаты. Доказана применимость схемы Крейссельмейера как алгоритма расширения в процедуре динамического расширения регрессора. Приведены результаты численного моделирования, иллюстрирующие улучшение переходных процессов оценивания параметров неизмеряемого возмущения при использовании процедуры динамического расширения регрессора. Практическая значимость. Результаты работы могут быть востребованы при решении практических задач в областях обработки и оценивания гармонических и мультигармонических сигналов, в частности при компенсации вибраций в электромеханических системах.

1. Aranovskiy S., Freidovich L. Adaptive compensation of disturbances formed as sums of sinusoidal signals with application to an active vibration control benchmark // European Journal of Control. 2013. V. 19. N 4. P. 253–265. doi: 10.1016/j.ejcon.2013.05.008
2. Ван Ц., Арановский С.В., Бобцов А.А., Пыркин А.А. Компенсация мультисинусоидального возмущения на основе параметризации Юлы–Кучеры // Автоматика и телемеханика. 2017. N 9. P. 19–33.
3. Veremey E., Sotnikova M. Optimal filtering correction for marine dynamical positioning control system // Journal of Marine Science and Application. 2016. V. 15. N 4. P. 452–462. doi: 10.1007/s11804-016-1370-x
4. Belleter D.J., Breu D.A., Fossen T.I., Nijmeijer H. A globally K-exponentially stable nonlinear observer for the wave encounter frequency // IFAC Proceedings Volumes. 2013. V. 46. N 33. P. 209–214. doi: 10.3182/20130918-4-JP-3022.00016
5. Chen X., Tomizuka M. A minimum parameter adaptive approach for rejecting multiple narrow-band disturbances with application to hard disk drives // IEEE Transactions on Control Systems Technology. 2012. V. 20. N 2. P. 408–415. doi: 10.1109/TCST.2011.2178025
6. Silva A.C. Feedback adaptive compensation for active vibration control in the presence of plant parameter uncertainties: These pour obtenir le grade de docteur de L'Universite de Grenoble. 2014.
7. Alcorta-Garcia E., Zolghadri A., Goupil P. A nonlinear observer-based strategy for aircraft oscillatory failure detection: A380 case study // IEEE Transactions on Aerospace and Electronic Systems. 2011. V. 47. N 4. P. 2792–2806. doi: 10.1109/TAES.2011.6034665
8. Landau I.D., Alma M., Constantinescu A., Martinez J.J., Noë M. Adaptive regulation-Rejection of unknown multiple narrow band disturbances (a review on algorithms and applications) // Control Engineering Practice. 2011. V. 19. N 10. P. 1168–1181. doi: 10.1016/j.conengprac.2011.06.005
9. Francis B., Wonham M. The internal model principle of control theory // Automatica. 1976. V. 12. N 5. P. 457–465. doi: 10.1016/0005-1098(76)90006-6
10. Арановский С.В., Бобцов А.А., Никифоров В.О. Синтез наблюдателя для нелинейного объекта в условиях гармонического возмущения, приложенного к выходной переменной // Научно-технический вестник информационных технологий, механики и оптики. 2010. № 3(67). С. 32–38.
11. Nikiforov V.O. Adaptive non-linear tracking with complete compensation of unknown disturbances // European Journal of Control. 1998. V. 4. N 2. P. 132–139. doi: 10.1016/S0947-3580(98)70107-4
12. Aranovskiy S., Bobtsov A., Ortega R., Pyrkin A. Performance enhancement of parameter estimators via dynamic regressor extension and mixing // IEEE Transactions on Automatic Control. 2017. V. 62. N 7. P. 3546–3550. doi: 10.1109/TAC.2016.2614889
13. Belov A., Aranovskiy S., Ortega R., Barabanov N., Bobtsov A. Enhanced parameter convergence for linear systems identification: the DREM approach // Proc. 16^th European Control Conference, ECC. 2018. P. 2794–2799. doi: 10.23919/ECC.2018.8550338
14. Ortega R., Praly L., Aranovskiy S., Yi B., Zhang W. On dynamic regressor extension and mixing parameter estimators: Two Luenberger observers interpretations // Automatica. 2018. V. 95. P. 548–551. doi: 10.1016/j.automatica.2018.06.011
15. Kreisselmeier G. Adaptive observers with exponential rate of convergence // IEEE Transactions on Automatic Control. 1977. V. 22. N 1. P. 2–8. doi: 10.1109/TAC.1977.1101401
16. Korotina M., Aranovskiy S., Ushirobira R., Vedyakov A. On parameter tuning and convergence properties of the DREM procedure // Proc. 18^th European Control Conference, ECC. 2020. P. 53–58. doi: 10.23919/ECC51009.2020.9143808

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License