doi: 10.17586/2226-1494-2021-21-4-449-456


УДК 681.5.015

Проблема применения процедуры DREM в задаче идентификации интервально заданных параметров

Глущенко А.И., Петров В.А., Ласточкин К.А.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования:
Глущенко А.И., Петров В.А., Ласточкин К.А. Проблема применения процедуры DREM в задаче идентификации интервально заданных параметров // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 4. С. 449–456. doi: 10.17586/2226-1494-2021-21-4-449-456


Аннотация
Предмет исследования. Исследована применимость процедуры расширения и смешивания регрессора (DREM, Dynamic Regressor Extension and Mixing) для идентификации интервально заданных параметров линейной регрессии. В отличие от известных работ, показано, что применение базовой процедуры DREM в задаче идентификации интервально-заданных параметров приводит к генерации на некоторых интервалах времени скалярных возмущенных регрессий, что существенно ухудшает качество получаемых оценок. Метод. Для решения обнаруженной проблемы предложен новый подход к динамическому расширению регрессора, основанный на интервальной интегральной фильтрации с экспоненциальным забыванием и сбросом. Основные результаты. Предложена модифицированная процедура DREM, которая, в отличие от базовой, позволяет генерировать скалярные регрессии с регулируемым уровнем возмущения. В рамках численных экспериментов по идентификации интервально заданных параметров подтверждено: полученное описание возмущенных скалярных регрессий, наличие выбросов по оценкам параметров таких регрессий при применении градиентного и FCT-D-контура (Finite Convergence Time DREM), а также показана возможность регулирования величины выбросов по оценкам при использовании разработанной модифицированной процедуры DREM. Практическая значимость. Процедура может быть применена в задачах построения систем идентификации и адаптивного управления.

Ключевые слова: идентификация, линейная регрессия, DREM, FCT-D, интервальная фильтрация, конечное возбуждение

Благодарности. Работа выполнена при финансовой поддержке РФФИ (проект № 18-47-310003 р_а)

Список литературы
  1. Aranovskiy S., Bobtsov A., Ortega R., Pyrkin A. Performance enhancement of parameter estimators via dynamic regressor extension and mixing // IEEE Transaction on Automatic Control. 2017. V. 62. N 7. P. 3546–3550. https://doi.org/10.1109/TAC.2016.2614889
  2. Korotina M., Aranovskiy S., Ushirobira R., Vedyakov A.On parameter tuning and convergence properties of the DREM procedure // Proc. 18th European Control Conference. 2020. P. 53–58. https://doi.org/10.23919/ECC51009.2020.9143808
  3. Aranovskiy S., Belov A., Ortega R., Barabanov N., Bobtsov A. Parameter identification of linear time‐invariant systems using dynamic regressor extension and mixing // International Journal of Adaptive Control and Signal Processing. 2019. V. 33. N 6. P. 1016–1030. https://doi.org/10.1002/acs.3006
  4. Ortega R., Bobtsov A., Pyrkin A., Aranovskiy A. A parameter estimation approach to state observation of nonlinear systems // Systems and Control Letters. 2015. V. 85. P. 84–94. https://doi.org/10.1016/j.sysconle.2015.09.008
  5. Gerasimov D., Ortega R., Nikiforov V. Adaptive control of multivariable systems with reduced knowledge of high frequency gain: Application of dynamic regressor extension and mixing estimators // IFAC-PapersOnLine. 2018. V. 51. N 15. P. 886–890. https://doi.org/10.1016/j.ifacol.2018.09.108
  6. Pyrkin A., Bobtsov A., Ortega R., Vedyakov A., Aranovskiy S. Adaptive state observers using dynamic regressor extension and mixing // Systems and Control Letters. 2019. V. 133. P. 104519. https://doi.org/10.1016/j.sysconle.2019.104519
  7. Ortega R., Bobtsov A., Nikolaev N., Schiffer J., Dochain D.Generalized parameter estimation-based observers: Application to power systems and chemical–biological reactors // Automatica. 2021. V. 129. P. 109635. https://doi.org/10.1016/j.automatica.2021.109635
  8. Ortega R., Nikiforov V., Gerasimov D. On modified parameter estimators for identification and adaptive control. A unified framework and some new schemes // Annual Reviews in Control. 2020. V. 50. P. 278–293. https://doi.org/10.1016/j.arcontrol.2020.06.002
  9. Ortega R., Aranovskiy S., Pyrkin A., Astolfi A., Bobtsov A.New results on parameter estimation via dynamic regressor extension and mixing: Continuous and discrete-time cases // IEEE Transactions on Automatic Control. 2021. V. 66. N 5. P. 2265–2272. https://doi.org/10.1109/TAC.2020.3003651
  10. Bobtsov A., Yi B., Ortega R., Astolfi A.  Generation of new exciting regressors for consistent on-line estimation of unknown parameters // arXiv.org. 2021. arXiv:2104.02210. P. 1–6.
  11. Ortega R., Bobtsov A., Nikolaev N. Parameter identification with finite-convergence time alertness preservation // IEEE Control Systems Letters. 2021. V. 6. P. 205–210. https://doi.org/10.1109/LCSYS.2021.3057012
  12. Glushchenko A., Petrov V., Lastochkin K. Regression filtration with resetting to provide exponential convergence of MRAC for plants with jump change of unknown parameters // arXiv.org. 2021. arXiv:2102.10359. P. 1–12.
  13. Lee H.I., Shin H.S., Tsourdos A. Concurrent learning adaptive control with directional forgetting // IEEE Transactions on Automatic Control. 2019. V. 64. N 12. P. 5164–5170. https://doi.org/10.1109/TAC.2019.2911863
  14. Quoc D., Bobtsov A. An adaptive state observer for linear time-varying systems with inaccurate parameters // Automation and Remote Control. 2020. V. 81. N 12. P. 2220–2229. https://doi.org/10.1134/S0005117920120061
  15. Pan Y., Aranovskiy S., Bobtsov A., Yu H. Efficient learning from adaptive control under sufficient excitation // International Journal of Robust and Nonlinear Control. 2019. V. 29. N 10. P. 3111–3124. https://doi.org/10.1002/rnc.4541
  16. Ioannou P., Sun J. Robust Adaptive Control. N.Y.: Dover, 2013. 834 p.


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2021 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика