LINEÁRIS PARAMÉTERBECSLÉS

Feladat megfogalmazása: Lineáris paraméterbecslés bach-üzemmódban:

Számos mérnöki probléma átfogalmazható lineáris para- Közönséges legkisebb négyzetek (LS) módszere: Kézen-
méterbecslési feladattá, amikor is egy ismeretlen paramé- fekvő választás az ismeretlen ϑ paramétervektort a meg-
tervektorban lineáris alakot kell illeszteni a rendelkezésre figyelésekből az egyenlethibák négyzetei összegének mi-
álló zajos megfigyelésekhez. A paraméterekben lineáris nimalizálásával meghatározni (LS, least squares method):
kifejezést 1 t 1 t 2 1 2
V (ϑ , t ) = ∑ ε 2 (i ) = ∑ y (i ) − ϕ T (i )ϑ = Y − Φϑ ,
y (i ) = ϕ T (i )ϑ + ε (i ), y ∈ R m , ϑ ∈ R p , ϕ T m × p méretű 2 i =1 2 i =1 2
 y (1)  ϕ T (1)  ε (1) 
T
alakúnak feltételezzük, ahol y (i ), ϕ (i ) a megfigyelések- 
Y= M , Φ=   M , E =  M ,

 y (t )   T   ε (t ) 
ből képezhető, ϑ az ismeretlen paramétervektor és ε (i )   ϕ (t )  
ismeretlen zaj, vagy más néven ε (i ) = y (i ) − ϕ T (i )ϑ az ϑ = arg min V (ϑ , t ).
egyenlethiba (reziduál), i = 1,2, K , t . ϑ ∈R
p

Vegyük észre, hogy abban a speciális és gyakori esetben, V (ϑ , t ) konvex függvény ϑ -ban ⇒ V ′(ϑ , t ) = 0 :
amikor y ∈ R1 , pl. y (i ) egyváltozós rendszer kimenőjele Y − Φϑ
2
=< Y − Φϑ , Y − Φϑ >=
T
az i -edik mintavételi időpontban, ϕ (i ) egy sorvektor
=< Y , Y > −2 < Y ,Φϑ > + < Φϑ ,Φϑ >=
(1 × p méretű mátrix).
Két esetet fogunk vizsgálni. Az első esetben t = N fix =< Y , Y > −2 < Φ T Y ,ϑ > + < Φ T Φϑ ,ϑ >,
(off-line paraméterbecslés vagy batch-feldolgozás). A má- dV
V ′(ϑ , t ) = = −Φ T Y + Φ T Φϑ = 0
sik esetben az adatok valósidőben fokozatosan gyűlnek, t dϑ
fokozatosan nő (rekurzív paraméterbecslés).

Lantos: Dinamikus modell identifikációja 1

Ha ϑ̂ jelöli az optimális LS megoldást, akkor algebrailag 1 1
két ekvivalens alakban írható fel, amelyből a normál V (ϑ , t ) = < WE , E >= < W (Y − Φϑ ),Y − Φϑ >
egyenletnek nevezett alak numerikusan jobban 2 2
kondícionált: 1
= {< WY , Y > − < WΦϑ , Y > − < WY ,Φϑ > + < WΦϑ ,Φϑ >}
2
Φ T Φϑˆ = Φ T Y normál egyenlet, 1
= {< WY , Y > −2 < Φ T WY ,ϑ > + < Φ T WΦϑ ,ϑ >}.
ϑˆ = (Φ T Φ ) −1Φ T Y . 2

Mivel a Φ T Φ mátrixnak invertálhatónak kell lennie, ez a
kisérletekre feltételt szab, amit úgy szoktunk megfogal-
mazni, hogy a megfigyeléseknek megfelelően gerjesztő-
nek, ún. perzisztens gerjesztésűnek kell lenni a paraméte-
rek meghatározásához.
Súlyozott legkisebb négyzetek (WLS) módszer: Bevezet-
hetünk az egyenlethibák súlyozására egy W > 0 szimmet-
rikus és pozitív definit súlyozó mátrixot (WLS, weighted
least squares method), amelynek felhasználásával választ-
hatjuk a W -vel súlyozott hibafüggvényt.
Mivel V (ϑ , t ) ebben az esetben is konvex és kvadratikus,
ezért a globális minimum szükséges és elégséges feltétele
most is V ′(ϑ , t ) = 0 .
dV
V ′(ϑ , t ) = = −Φ T WY + Φ T WΦϑ = 0 .
dϑ
Ha ϑ̂ jelöli az optimális WLS megoldást, akkor algebrai-
lag két ekvivalens alakban írható fel, amelyből a normál
egyenletnek nevezett alak numerikusan jobban
kondícionált:
Φ T WΦϑˆ = Φ T WY normál egyenlet,
ϑˆ = (Φ T WΦ ) −1Φ T WY .
Általában W jelenléte megnöveli a számítási időt, mivel
t = N és m = dim y esetén W mérete ( Nm) × ( Nm) . A
módszert a rekurzív paraméterbecslésnél fogjuk felhasz-
nálni, ami az adaptív irányításoknál lesz fontos.

Lantos: Dinamikus modell identifikációja 2

Rekurzív paraméterbecslés: Mivel V (ϑ , t ) továbbra is konvex és kvadratikus, ezért a
Ha a ϑ paramétervektor becslés közben nem állandó, ha- globális minimum szükséges és elégséges feltétele felejtés
nem lassan fluktuálhat, akkor a régebbi egyenlethibák más esetén
paramétervektorhoz tartoztak, ezért az aktuális pillanatban Φ T ΛΦϑˆ (t ) = Φ T ΛY normál egyenlet,
már kisebb súllyal célszerű figyelembe venni azokat. Cél-
ϑˆ (t ) = (Φ T ΛΦ ) −1Φ T ΛY .
szerű tehát valósidőben biztosítani a régi hibák fokozatos
elfelejtését. Ehhez választható egy λ ∈ (0,1] felejtési té- A célunk minél egyszerűbb rekurzív összefüggés megadá-
nyező, amelynek λt−i hatványával az ε (i ) hibát megszo- sa ϑˆ (t ) számára. Vezessük ezért be a
−1
rozzuk. Ha 0 < λ < 1 , akkor λt−i annál kisebb, minél na- −1  t t −i 
gyobb a t − i kitevő, azaz minél régebbi az i -edik pilla-
T
P (t ) := [Φ ΛΦ ] =  ∑ λ ϕ (i )ϕ T (i ) 
 i =1 
nathoz tartozó megfigyelés a t -edik pillanatbelihez képest.
jelölést, akkor
Ha λ = 1 , akkor nincs felejtés. −1
t −1 
1 t t −i 2 P (t ) =  ∑ λ ⋅ λt −1− iϕ (i )ϕ T (i ) + ϕ (t )ϕ T (t )
V (ϑ , t ) = ∑
2 i =1
λ y (i) − ϕ T (i)ϑ = i =1 

1 t [
= λP −1 (t − 1) + ϕ (t )ϕ T (t ) ]
−1

= ∑
2 i =1
< λt −i [ y (i ) − ϕ T (i )ϑ ], y (i ) − ϕ T (i )ϑ > .
Alkalmazzuk az inverz mátrix lemmát
Ha m = dim y , akkor ez megfelel a korábban már tárgyalt
esetnek, ahol a W súlyozó mátrix blokkdiagonális: ( A + BCD) −1 = A −1 − A −1 B(C −1 + DA −1 B) −1 DA −1

Λ := W = diag (λt −1 I m , K , λ1 I m , λ 0 I m ) . A := λP −1 (t − 1) , B := ϕ (t ) , C := I , D := ϕ T (t )
választás mellett, akkor
Speciálisan ha dim y = 1 , akkor Λ := diag (λt −1 , K , λ ,1) .

Lantos: Dinamikus modell identifikációja 3

 1 1
P (t ) = P (t − 1) − P (t − 1)ϕ (t ) ×  1 −1 
λ λ ϑˆ (t ) = P (t ) λ
 λ
[ ]
P (t ) − ϕ (t )ϕ T (t ) ϑˆ (t − 1) + ϕ (t ) y (t ) ⇒

−1
 T 1  T 1
 I + ϕ (t ) P (t − 1)ϕ (t )  ϕ (t ) P (t − 1)
λ λ ϑˆ (t ) = ϑˆ (t − 1) + P(t )ϕ (t )[ y (t ) − ϕ T (t )ϑˆ (t − 1)].
ahonnan átalakítások után kapjuk, hogy Ha bevezetjük a K (t ) := P(t )ϕ (t ) jelölést, akkor
1 1
P (t ) = {P (t − 1) − P(t − 1)ϕ (t ) × K (t ) = {P(t − 1) − P (t − 1)ϕ (t ) ×
λ λ
[λI + ϕ T (t ) P(t − 1)ϕ (t )]−1ϕ T (t ) P(t − 1)} [λI + ϕ T (t ) P (t − 1)ϕ (t )]−1ϕ T (t ) P (t − 1)}ϕ (t )
ahonnan kapjuk a rekuív paraméterbecslés szabályozás-
Tekintsük ezután a paramétervektor meghatározását:
technikában szokásos alakját:
 t −1 
ϑˆ (t ) = P (t ) λ ∑ λt −1−i ϕ (i ) y (i ) + ϕ (t ) y (t ) , K (t ) = P(t − 1)ϕ (t )[λI + ϕ T (t ) P(t − 1)ϕ (t )]−1
 i =1 
ahonnan P (t ) = [ I − K (t )ϕ T (t )]P(t − 1) / λ
t −1 ϑˆ (t ) = ϑˆ (t − 1) + K (t )[ y (t ) − ϕ T (t )ϑˆ (t − 1)]
ϑˆ (t − 1) = P(t − 1) ∑ λt −1− iϕ (i ) y (i ) ⇒
i =1 Itt yˆ (t ) = ϕ T (t )ϑˆ (t − 1) a kimenet predikciója a
t −1 paramétervektor előző értéke mellett, ε (t ) = y (t ) − yˆ (t )
∑ λt −1− iϕ (i) y (i) = P −1 (t − 1)ϑˆ (t − 1) pedig a reziduál. Az előző becslést a K (t ) -vel felerősített
i =1
reziduállal kell korrigálni. A P (0) és ϑ̂ (0) induló értékek
1
−1
P (t − 1) =
λ
[P −1 T
]
(t ) − ϕ (t )ϕ (t ) . meghatározására szóba jöhet egy előzetes off-line paramé-
terbecslés.
Visszahelyettesítve ezeket a kifejezéseket kapjuk, hogy

Lantos: Dinamikus modell identifikációja 4

 NEMLINEÁRIS PARAMÉTERBECSLÉS
A lineáris paraméterbecslési feladatnál a t -edik pillanat- dh(ϑ , t ) dh(ϑ , t )
y (t ) ≈ h(ϑˆ (t − 1), t ) − ϑˆ (t − 1) + ϑ0
ban y (t ) = ϕ T (t )ϑ0 kapcsolta össze a megfigyeléseket, dϑ ϑˆ (t −1) dϑ ϑˆ (t −1)
ahol ϕ T (t ) alakját analitikusan ismertük, de a
Bevezetve az
parmétervektor ϑ0 valódi értéke ismeretlen volt, értékét
paraméterbecsléssel határoztuk meg. dh(ϑ , t )
y (t ) := y (t ) − h(ϑˆ (t − 1), t ) + ϑˆ (t − 1) ,
Általánosítás (nemlineáris paraméterbecslési feladat): dϑ ϑˆ (t −1)

A megfigyeléseket a t -edik pillanatban az dh(ϑ , t ) dh(ϑˆ (t − 1), t )

ϕ T (t ) := =
dϑ ϑˆ (t −1) dϑ
y (t ) = h(ϑ0 , t )
jelölést, a nemlineáris paraméterbecslési feladat lokális
analitikusan ismert nemlineáris modell kapcsolja össze,
benne a ϑ0 ismeretlen paraméter becslését keressük. linearizálással és a fenti jelölésekkel az y (t ) = ϕ T (t )ϑ0 li-
neáris paraméterbecslési alapfeladatra transzformálható.
Tegyük fel, hogy már rendelkezésre áll valamilyen
ϑˆ (t − 1) becslés, akkor kézenfekvő ϑˆ (t − 1) körül a h(ϑ , t ) Következmény:
függvényt Taylor-sorba fejteni, és a lineáris taggal közelí- A nemlineáris paraméterbecslési feladat lokális
teni a nemlineáris függvényt: linearizálással visszavezethető a rekurzív lineáris paramé-
dh(ϑ , t ) terbecslésre. Ezért a lineáris paraméterbecslés rekurzív
h(ϑ0 , t ) ≈ h(ϑˆ (t − 1), t ) + (ϑ0 − ϑˆ (t − 1)), képlete felhasználható a becslés frissítésére.
dϑ ϑˆ (t −1)

Lantos: Dinamikus modell identifikációja 5

Tekintsük ebből a következő kifejezést:
dh(ϑ , t ) dh(ϑ , t )
y (t ) − ϕ T (t )ϑˆ (t − 1) := y (t ) − h(ϑˆ (t − 1), t ) + ϑˆ (t − 1) − ϑˆ(t − 1) =
dϑ ϑˆ (t −1) dϑ ϑˆ (t −1)
= y (t ) − h(ϑˆ (t − 1), t ).

Jól látható, hogy a reziduált közvetlenül a h(ϑ , t ) nemlineáris modell alapján célszerű számítani és a bevezetett korrekció
elvégzésére nincs szükség.
A nemlineáris paraméterbecslésre (lokális linearizálást alkalmazva) a következő rekurzív alakot nyertük:

dh(ϑ , t )
ϕ T (t ) :=
dϑ ϑˆ (t −1)

1
P(t ) = {P(t − 1) − P(t − 1)ϕ (t ) [λI + ϕ T (t ) P(t − 1)ϕ (t )]−1ϕ T (t ) P(t − 1)}
λ

ϑˆ(t ) = ϑˆ (t − 1) + P(t )ϕ (t )[ y (t ) − h(ϑˆ(t − 1), t )]

t := t + 1.

Lantos: Dinamikus modell identifikációja 6

 K-LÉPÉSSEL ELŐRETARTÓ PREDIKTOR
Végtelen sorozatok l2 tere:
Jelölje l2 azon (komplex) x = {K , x −2 , x −1 , x 0 , x1 , x 2 , K}
2 2
sorozatok terét, melyekre teljesül x = ∑ii ==∞−∞ xi < ∞.
Ebben a térben skalárszorzatot definiálhatunk
< x, y >= ∑i = −∞ xi ~
i =∞
y i módon (“~” jelöli a konjugáltat),
2
amely mellett x =< x, x > és l2 egy Hilbert-tér (végte-
lendimenziós lineáris normált tér, melyben a norma
skalárszorzattal van definiálva, és amelyben minden
Cauchy-sorozatnak van határértéke).
Az x sorozatot jelölje x(t ), ahol x(−1) = x−1 , x(0) = x0 ,
x(1) = x1 , stb. Vezessük be a q és q −1 shift-operátorokat,
valamint az i identikus operátort:
q : l2 → l2 , qx(t ) = x(t + 1);
q : l 2 → l 2 , q −1 x(t ) = x(t − 1);
−1
i : l2 → l2 , ix(t ) = x(t );
−1 −1
qq = q q = i.
Korlátos stabil operátorok és inverzük l2-ben:
Az A ∈ K (l 2 → l 2 ) operátort korlátos (stabil) lineáris ope-
rátornak nevezzük, ha létezik olyan véges c > 0 szám,
hogy minden x ∈ l 2 esetén Ax ≤ c x . Az A operátor nor-
mája a feltételt kielégítő c értékek infimuma:
A = inf {c > 0 : Ax ≤ c x , ∀x ∈ l 2 } < ∞,
Ax
A = sup = sup Ax = sup Ax < ∞.
x ≠0 x x ≤1 x =1
Legyen a H ( z ) = h0 + h1 z −1 + h2 z −2 + L sor konvergens a
z komplex változóban ∀ z −1 < 1 ⇒ ∀ z > 1 esetén, pl. telje-
∞
süljön ∑ hi < ∞. Pl. H ( z ) = B ( z ) / A( z ), ahol B( z ), A( z )
i=0
polinomok és A(z ) stabil (az A(z ) polinom z i gyökeire
teljesül z i < 1 ). Ilyenkor H (q) ∈ K (l2 → l2 ), mert
H ( q ) x(t ) = h0 x(t ) + h1 x(t − 1) + h2 x(t − 2) + L ,
∞
H (q ) x(t ) ≤ h0 x + h1 x + h2 x + L = ∑ hi x < ∞.
i =0
−1
Világos, hogy ha B(z ) is stabil, akkor H (q) is korlátos.

Lantos: Dinamikus modell identifikációja 7

Zajjal terhelt diszkrétidejű lineáris rendszer: Bontsuk két részre a H (q) operátort:
~
H (q ) = H k ( q ) + q − k H k ( q ),
e(t )
H (q ) = 1 + h1q −1 + h2 q −2 + L ,
H k ( q ) = 1 + h1q −1 + L + hk −1q −( k −1) ,
H (q) ~
H k ( q ) = hk + hk +1q −1 + hk + 2 q −2 + L
Vegyük észre, hogy e(t ) kiszámítható, ha y (t ), u (t ) mért
u (t ) + y(t ) értéke rendelkezésre áll (de csak ekkor):
+
G (q) e(t ) = H −1 ( q )[ y (t ) − G (q )u (t )] .

Átalakítások:
y (t ) = G ( q )u (t ) + H ( q )e(t )
y (t + k ) = G ( q )u (t + k ) + H (q )e(t + k ) =
~
A zajos rendszer modelljében G (q), H (q) és H −1 (q) stabil = G ( q )u (t + k ) + H k ( q ) e(t + k ) + H k ( q ) e(t ) =

szűrők, q, q −1 shift-operátorok, e(t ) fehér zaj. = G ( q )u (t + k ) + H k ( q ) e(t + k ) +

~
+ H k ( q ) H −1 ( q )[ y (t ) − G ( q )u (t )],
Rendelkezésre álló megfigyelések:
[ y (t + k ) − yˆ}2 = [ H k (q) e(t + k )]2 +
y −t ∞ = {K , y (t − 2), y (t − 1), y (t )}
+2[ H k (q) e(t + k )]
u −t +∞k = {K , u (t + k − 2), u (t + k − 1), u (t + k )} ~
× {G (q)u (t + k ) + H k (q) H −1 (q)[ y (t ) − G (q)u (t )] − yˆ} +
Optimális becslés: yˆ (t + k y −t ∞ , u −t +∞k ) = yˆ (t + k t ) ~
+{G (q)u (t + k ) + H k (q) H −1 (q)[ y (t ) − G (q)u (t )] − yˆ}2 .
Cél: E[ y (t + k ) − yˆ ] 2 → min

Lantos: Dinamikus modell identifikációja 8

Világos, hogy Optimális k-lépéssel előretartó prediktor:
H k (q)e(t + k ) = e(t + k ) + h1e(t + k − 1) + L + hk −1e(t + 1) ~
yˆ (t + k t ) = G (q)u (t + k ) + H k (q) H −1 (q)[ y (t ) − G (q)u (t )] =
az e(t ) bemeneti zajnak csak t utáni értékeit, míg ~ ~
= [1 − q − k H k (q) H −1 (q )]G (q)u (t + k ) + H k (q) H −1 (q) y (t )
~
H k (q) H −1 (q)[ y (t ) − G (q)u (t )] Innen következik az időpontok cseréjével, hogy
~
az u (t ) és y (t ) megfigyeléseknek csak t -beli és azt meg- yˆ (t t − k ) = [1 − q − k H k (q ) H −1 ( q)]G (q)u (t )
előző értékeit tartalmazza. ~
+ q − k H k (q ) H −1 (q) y (t )
Korrelációs feltevés:
Speciálisan k = 1 esetén:
~
i) H k (q) e(t + k ) és H k (q) H −1 (q)[ y (t ) − G (q) u (t )] füg- ~
H k (q) = 1 , H k (q) = q[ H (q) − 1] ,
getlenek.
~
H k (q) H −1 (q) = q[ H (q) − 1]H −1 (q ) = q[1 − H −1 (q)] ,
ii) H k (q) e(t + k ) és G (q)u (t + k ) függetlenek.
~
q − k H k (q) H −1 (q) = [1 − H −1 (q)] ,
iii) E e(t ) = 0, ∀t esetén. ~
1 − q − k H k (q) H −1 (q) = H −1 (q) ,
Célfüggvény a feltevések teljesülésekor:
Optimális 1-lépéssel előretartó prediktor:
2 2
E[ y (t + k ) − yˆ ] = E[ H k (q)e(t + k )] +
yˆ (t t − 1) = H −1 (q)G (q)u (t ) + [1 − H −1 (q)] y (t )
~
+ E{G (q )u (t + k ) + H k (q) H −1 (q)[ y (t ) − G (q)u (t )] − yˆ}2 . ε (t ) := y (t ) − yˆ (t t − 1) = H −1 (q)[ y (t ) − G (q)u (t )] (reziduál)
Mivel a jobb oldalon az első tag csak jövőbeli értékeket
tartalmaz, ezért nem befolyásolható. A második tag pozi- Az eredményeket preditív irányításnál (k ≠ 1) és identifi-
tív, amely minimumát akkor éri el, amikor nullává válik. kációnál (k = 1) alkalmazzuk.

Lantos: Dinamikus modell identifikációja 9

 DISZKRÉTIDEJŰ LINEÁRIS RENDSZERMODELLEK
Feltevés:
e(t ) Gauss-féle fehér zaj (zajbemenet),
y (t ) a vizsgált sztochasztikus folyamat (kimenet),
u (t ) egy opcionális jel (hasznos bemenet)
d ≥ 0 egész (holtidő).
Az időt a mintavételi időre normalizáltnak tekintjük
(formálisan T = 1 , a megfigyelhető időpontok halmaza
T = {K ,−2,−1, 0, 1, 2, K} ).
Alapmodellek:
Mozgóátlag (MA, moving average) folyamat:
y (t ) = e(t ) + c1e(t − 1) + K + c nc e(t − nc ).
Autoregresszív (AR, autoregressive) folyamat:
y (t ) + a1 y (t − 1) + K + a na y (t − n a ) = e(t ).
ARMA folyamat:
y (t ) + a1 y (t − 1) + K + an a y (t − na ) =
= e(t ) + c1e(t − 1) + K + cn c e(t − nc ).
Lantos: Dinamikus modell identifikációja
A MATLAB-ra épülő és Ljung által kifejlesztett System
Identification Toolbox (a továbbiakban IDENT) különféle
rendszermodellek identifikációját teszi lehetővé az operá-
tor tartományban és az állapottérben mind folytonos, mind
pedig diszkrét időben.
Ezek közül a diszkrétidejű egyváltozós (SISO) rendszerek
modelljeire fogunk koncentrálni diszkrét időben.
A rendszermodellek elnevezéseiben AR autoregresszív
(auto regressive), MA mozgóátlag (moving average), X
külső bemenőjelet tartalmazó (exegenous signal), OE ki-
menetre redukált additív zajt (output error) tartalmazó, BJ
Box-Jenkins modell szerinti és PEM általános lineáris pa-
raméterbecslési modell (parameter estimation model) sze-
rinti folyamatokra utal.
Az IDENT különféle diszkrétidejű lineáris rendszermodel-
lek választását teszi lehetővé. Az elnevezések követik az
alapmodellek neveit, az X (exogeneous signal) a külső
gerjesztő jelre, azaz a rendszer bemenőjelére utal.
10
(AR) A( q) y (t ) = e(t ) ,
Azért, hogy a zajmentes rendszer erősítése tetszőleges le-
(ARX) A( q) y (t ) = B( q)u (t − n k ) + e(t ) , hessen, a B (q) polinom már nem lehet 1 vezető együttha-
tójú:
(ARMAX) A( q) y (t ) = B(q)u (t − n k ) + C (q)e(t ) ,
B(q) B (q) = b1 + b2 q −1 + L + bnb q − nb +1 .
(OE) y (t ) = u (t − n k ) + e(t ) ,
F (q)
B(q) C (q) Az IDENT-ben használt késleltetés vagy “holtidő” (delay)
(BJ) y (t ) = u (t − n k ) + e(t ) , elnevezéssel kapcsolatban meg kell jegyezni, hogy pl. az
F (q) D(q)
A /{(1 + sT1 )(1 + sT2 )} kéttárolós tag, bemenetén DAC,
B (q) C (q) kimenetén ADC átalakítóval a
(PEM) A( q) y (t ) = u (t − n k ) + e(t ) .
F (q) D(q)
Az egyes modellek felfoghatók a PEM modell speciális b1 q −1 + b2 q −2 b1 + b2 q −1
−1 −2
= −1 −2
q −1
eseteinek, ahol u (t ) a hasznos külső bemenet, e(t ) fehér 1 + a1 q + a2 q 1 + a1q + a2 q
zaj, y (t ) a zajjal terhelt kimenet, továbbá
A( q), B(q), C (q), D(q ), F (q ) polinomok a q −1 shift- stabil operátorral jellemezhető, ami nb = 2 paraméter-
operátorban és az IDENT szóhasználata szerint nk felel számnak és nk = 1 (!) “holtidőnek” felel meg.
meg a késleltetésnek vagy “holtidőnek” ( nk T , ahol T a
A zajcsatorna erősítése az e(t ) ∈ N (0, σ ) fehér zaj meg-
mintavételi idő). Az A( q), C (q), D( q), F ( q) polinomok 1
felelőre választott szórásával vehető figyelembe. A szórás
vezető együtthatójú (monic) polinimok a q −1 shift-
helyett az IDENT a λ := σ 2 paramétert használja.
operátorban, pl.

A(q) = 1 + a1 q −1 + L + a na q − na .

Lantos: Dinamikus modell identifikációja 11

A MATLAB konvenciója szerint az A(q), K , F (q) poli-
nomokat együtthatóikkal kell megadni a q (!) hatványai-
nak csökkenő sorrendjében, tehát A(q) esetén az
A = [1 a1 a 2 K a na ]
sorvektor formájában. Speciális megkötés, hogy n k és B
egyszerre kerül megadásra olymódon, hogy B elején n k
darab vezető nullát szúrunk be. Pl. mintavételezett
kéttárolós tag és ARX modell esetén a diszkrétidejű rend-
szermodell
A( q) y (t ) = B (q)u (t ) + e(t ) ,
melyet az
A = [1 a1 a 2 ]
B = [0 b1 b2 ]
sorvektorokkal és a λ szórásnégyzettel jellemezhetünk.
A rendszermodell speciális “th” adatstruktúrával jelle-
mezhető. Ha a rendszer ismert (a polinomok együtthatói és
a fehér zaj szórásnégyzete numerikusan ismertek, mert
például ismert rendszeren akarunk jeleket előállítani szi-
mulációs vizsgálatokhoz, pl. az identifikációs módszerek
ellenőrzése céljából egy etalon rendszeren), akkor az
IDENT a
Lantos: Dinamikus modell identifikációja
th = poly2th ( A, B, C , D, F , λ , T )
függvényhívás hatására felépíti és th -ban tárolja a rend-
szert jellemző adatstruktúrát. A hátul álló C , D, F , λ , T pa-
raméterek elhagyhatók híváskor, ilyenkor értékük 1 lesz.
Szimulációs vizsgálatokhoz ezután zajos vagy zajmentes
kimenetet generálhatunk ismert u és e bemenőjel és zaj
sorozatok esetén az IDENT
y = idsim ([u e}, th)
y = idsim (u, th)
függvényhívásaival. A bemenőjelek sorozatait oszlopvek-
torok formájában kell megadni, a kimenőjel oszlopvekto-
rokban keletkezik. Bemenőjeleket generálhatunk például a
MATLAB rand és sign függvényei felhasználásával.
Ismeretlen rendszer identifikációja esetén mérjük az
u (t ) bemenet és a zajos y (t ) kimenet értékeit, ezeket ösz-
szegyűjtjük az u és y oszlopvektorokban, felépítjük a
megfigyelésekből álló és két oszloppal rendelkező
z = [ y u ] mátrixot, megválasztjuk a rendszermodellt és az
abban szereplő polinomok fokszámait, megválasztjuk a
holtidő értékét, és elvégezzük az identifikációt az IDENT
szolgáltatásaival.
12
Az identifikációs módszerek feladata, hogy meghatározza PEM esetére megadott sorrendben szerepeltetendők nn -
a polinomok valamilyen értelemben optimális paramétere- ben:
it, miközben az e(t ) zaj értékei ismeretlenek. Erre a célra (AR) nn = na
a legkisebb négyzetek módszere (LS, least squares (ARX) nn = [ na nb nk ]
method) vagy ennél általánosabb paraméterbecslési tech- (IV4) nn = [ na nb nk ]
nikák, a zaj fehérítését megcélzó segédváltozós (IV, (ARMAX) nn = [ na nb nc nk ]
instrumental variables) módszer, numerikus optimum ke-
resés, vagy esetleg ezek kombinációja alkalmazható. Az (OE) nn = [nb n f n k ]
IDENT a rendszermodell típusától függően választja meg (BJ) nn = [nb nc nd n f nk ]
az identifikációhoz használt numerikus módszert. A se- (PEM) nn = [ n a nb nc n d n f n k ] .
gédváltozós módszer (IV) csak ARX modell esetén alkal-
mazható. A rendszermodell polinomjaiban szereplő Az IDENT identifikációs módszerei az identifikáció
nemtriviális paraméterek számát, ami B (q) kivételével a eredményét (az identifikált paramétereket és λ értékét is
polinom fokszáma, egy sorvektorban kell megadni, amely tartalmazó) megválasztható nevű th struktúrában helyezik
pl. PEM modell esetén az el:
nn = [ na nb nc nd n f nk ] (AR) thar = ar ( y, nn)
sorvektort jelenti. A 0 fokszám megengedett, pl. na = 0 (ARX) tharx = arx ( z , nn)
esetén A(q) = 1 , tehát hatástalan. A PEM modell ekkor BJ (IV4) thiv 4 = iv4( z , nn)
modellé fajul, ami az eltérő numerikus módszerek miatt (ARMAX) tharmax = armax ( z , nn)
nem jelenti azt, hogy ebben az esetben a PEM és a BJ (OE) thoe = oe ( z , nn)
identifikáció egyforma eredményre vezet. Ha a választott (BJ) thbj = bj( z , nn)
rendszermodell nem tartalmazza az összes A(q), K , F (q)
(PEM) thpem = pem ( z , nn) .
polinomot, akkor a hiányzó polinom fokszámát tilos sze-
repeltetni nn -ben. A megmaradó fokszámok mindig a

Lantos: Dinamikus modell identifikációja 13

Az identifikált rendszer zajmentes válasza, vagy szimulá-
ciós vizsgálatoknál az ismert e(t ) zajsorozat figyelembe-
vételével a zajos rendszer válasza is meghatározható, pl.
PEM modell esetén:
y = idsim (u , thpem)
y = idsim ([ue], thpem).
Az identifikáció eredménye az
idplot ([ y u ])
függvényhívással felrajzolható. A polinomok együtthatói
kinyerhetők, pl. PEM modell esetén az
[ A, B, C , D, F ] = th2poly (thpem)
függvényhívással. A mérési eredményeket és az identifi-
káció eredményeit összerajzolhatjuk és vizuálisan össze-
hasonlíthatjuk a MATLAB általános szolgáltatásaival
(plot, stb.).
Megjegyezzük, hogy több itt szereplő függvénynek létezik
általánosabb paraméterezése is IDENT-ben, továbbá több-
változós (MIMO) rendszerek identifikációja is lehetséges.
Lantos: Dinamikus modell identifikációja
Az IDENT toolbox a továbbiakban algoritmus szinten is
részletesen tárgyalt diszkrétidejű paraméter identifikációs
módszereken kívül lehetővé teszi még folytonosidejű line-
áris állapotegyenletek paramétereinek becslését is speciális
zajstruktúrák esetén.
Szolgáltatásai között szerepelnek a paraméterbecslés re-
kurzív realizációi is, amelyek adaptív irányításoknál jelen-
tősek.
Ezeken túlmenően lehetőség van nemparaméteres identifi-
kációra, valamint a korrelációs függvények és a spektru-
mok számítására is. Ez utóbbi számítások algoritmusai
gyors Fourier-transzformáción (FFT, fast Fourier-
transformation) és az FFT periodicitása miatt alkalmasan
választott ablakozási technikán alapulnak.
Az IDENT toolbox alagoritmusai alapjául szolgáló elmélet
bővebben Ljung: System identification: Theory for the
user könyvében található meg.
14
Identifikáció és paraméterbecslés kapcsolata
Tételezük fel, hogy kiválasztottunk egy bizonyos M mo-
dell típust, ahol ezen belül az egyes M (ϑ ) modellek a ϑ
paramétervektorral paraméterezhetők, ahol a paraméter-
vektornak esetleg bizonyos feltételeket kell kielégítenie
(stabil modell, stb.): ϑ ∈ DM ⊂ R p . Világos, hogy minden
modell lehetőséget kínál a jóslásra, speciálisan ha a mo-
dellosztály
y (t ) = G (q, ϑ )u (t ) + H ( q, ϑ )e(t ) ,
akkor a jóslásra alkalmazható az
yˆ (t t − 1) = H −1 ( q,ϑ )G (q,ϑ )u (t ) + [1 − H −1 (q,ϑ )] y (t )
1-lépéssel előretartó prediktor, amely mellett a predikciós
hiba a következő lesz:
ε (t , ϑ ) = H −1 ( q, ϑ )[ y (t ) − G (q, ϑ )u (t )]
A paraméterbecsléshez rendelkezésre álló adat:
Z N = { y (1), u (1), y ( 2), u (2), K y ( N ), u ( N )}
Lantos: Dinamikus modell identifikációja
A kérdés az, hogyan kell a Z N -ben lévő információ
alapján a megfelelő ϑ̂ N parmétervektor, és a megfelelő
M (ϑˆ ) modellt kiszelektálni az M = {M (ϑ ) :ϑ ∈ D }
N ∗ M
rendszerosztályban:
Z N → ϑ̂ N ∈ D M .
Egy ilyen leképzést modell-identifikációs célú paraméter-
becslésnek nevezünk. Olyan modellt keresünk, amely “le-
írja” az adatokat, és úgy gondolkozunk, hogy a modell lé-
nyege a modell predikciós képessége. Ez azt jelenti, hogy
a “jó” modell kiválasztásához a következőképp kell eljár-
ni:
A Z t -ben lévő információ alapján meghatározzuk az
ε (t , ϑ ) predikciós hibát. A t = N időpontban úgy választ-
juk meg ϑ̂ értékét, hogy az ε (t , ϑˆ ), t = 1,2, K , N
N N
predikciós hibák a lehető legkisebbek legyenek.
Tisztázni kell, mit értünk “kicsi” alatt. A predikciós hi-
basorozat egy vektor R N -ben, ezért hibáját a norma négy-
zetével jellemezzük. A korrelációs feltételek javítása érde-
kében azonban célszerű előbb a predikciós hibasorozatot
egy stabil L(q ) lineáris szűrőn keresztülküldeni.
15
A predikciós hiba és deriváltjai: szerint azonos − ψ első deriváltjával a ϑ vektor szerint,
A predikciós hiba jellemzésére választható ami mátrix. Másrészt
( −ψε ) ′ = −ψ ′ε − ψε ′ = −ψ ′ε + ψψ T ⇒
1 N 1 2
VN (ϑ , Z N ) = ∑ ε (t ,ϑ ) . 1 N 1 N
N t =1 2 V N′′ (ϑ , Z N ) = − ∑
N t =1
ψ ′(t , ϑ )ε (t , ϑ ) + ∑
N t =1
ψ (t , ϑ )ψ T (t , ϑ )
A ϑ̂ N becslést minimalizálással definiáljuk: és mivel ε (t , ϑ ) az optimum közelében már kicsi, ezért az
ϑˆ N = arg min V N (ϑ , Z N ). optimum közelében a V N′′ (ϑ , Z N ) Hess-mátrix közelíthető
ϑ∈D M a jobb oldalon álló kifejezés második tagjával:
Az ARX modell esetén az optimum analitikusan is megha-
tározható, ha nem korlátozzuk a modellosztályt 1 N
V N′′ (ϑ , Z N ) ≈ H N (ϑ ) := ∑ψ (t , ϑ )ψ T (t , ϑ ) .
( DM = R p ), más esetben optimumkereső eljárást kell al- N t =1
N
kalmazni. Foglalkozzunk ezért V N (ϑ , Z ) deriváltjainak A közelítésre azért van szükség, mert ψ ′(t , ϑ ) számítására
meghatározásával. nem áll rendelkezésre használható kifejezés. A Hess-
d 1 N 1 2 1 N d mátrix közelítése H N (ϑ ) -val lehetővé teszi a jó konver-
VN′ (ϑ , Z N ) = ∑
dϑ N t =1 2
ε (t , ϑ ) = ∑ [ε (t ,ϑ )]ε (t ,ϑ ),
N t =1 dϑ gencia tulajdonságú kvázi Newton-módszer alkalmazását,
d d amely a konjugált gradiens módszernél általában jobb ha-
ψ (t , ϑ ) = − [ε (t , ϑ )] = [ yˆ (t , ϑ )],
dϑ dϑ tásfokú.
1 N A fő problémát az optimum keresésnél az okozza, hogy
V N′ (ϑ , Z N ) = − ∑ψ (t , ϑ )ε (t , ϑ ). több lokális optimum lehet, ezért fontos a jó kezdeti érték.
N t =1
Tekintsük ezután a második derivált (Hess-mátrix) megha- A továbbiakban nem foglalkozunk a holtidővel, mert is-
tározását. Mivel ε skalár és a ϑ vektor szerinti első deri- mert nk esetén u (t ) értékeinek előzetesen elvégezhető
váltja a − ψ vektor, ezért a második deriváltja a ϑ vektor eltolásával a holtidőt előre figyelembe lehet venni.

Lantos: Dinamikus modell identifikációja 16

 ARX MODELL IDENTIFIKÁCIÓJA
ARX modell identifikációja LS módszerrel:
amely egy lineáris paraméterbecslési feladat, amelynek
B(q ) 1 megoldása a V N′ (ϑ , Z N ) = 0 feltételből számítható:
y (t ) = u (t ) + e(t ) =: G (q )u (t ) + H (q )e(t ) ,
A(q ) A( q)
B (q) 1 N 1 N
yˆ (t , ϑ ) = A( q) u (t ) + [1 − A( q)] y (t ) = V N′ (ϑ , Z N ) = −
N
∑ ϕ (t ) y (t ) + N ∑ ϕ (t )ϕ T (t )ϑ = 0 ,
A(q) t =1 t =1
−1
= [1 − A(q )] y (t ) + B (q)u (t ), 1 N  1 N
ami a ϑˆ NLS :=  ∑ ϕ (t )ϕ (t )
T
∑ ϕ (t ) y (t ) .
N t =1  N t =1
ϕ (t ) := [− y (t − 1) K − y (t − n a ) u (t ) K u (t − nb + 1)]T , Célszerű bevezetni az
ϑ := (a1 K a na b1 K bnb ) T
1 N
R( N ) := ∑ ϕ (t )ϕ T (t ) ,
jelölésekkel a ϑ paraméterben lineáris N t =1
yˆ (t , ϑ ) = ϕ T (t )ϑ 1 N
h( N ) :=
N
∑ ϕ (t ) y (t )
t =1
prediktort eredményezi. A predikciós hiba és a minimali-
zálandó kritérium ekkor jelöléseket, ahol R (N ) mátrix és h(N ) vektor, amellyel az
ε (t , ϑ ) = y (t ) − ϕ T (t )ϑ , LS becslés

1 N 1 2 ϑˆ NLS = [ R ( N )] −1 h( N )
V N (ϑ , Z N ) = ∑ y (t ) − ϕ T
(t )ϑ , alakú lesz.
N t =1 2

Lantos: Dinamikus modell identifikációja 17

Ha a megfigyelt adatokat a ϑ0 paraméterhez tartozó zajos ARX modell identifikációja IV módszerrel:
y (t ) = ϕ T (t )ϑ0 + ν 0 (t ) A korreláció csökkentésére próbálkozzunk meg ϕ (t ) le-
rendszer generálta, akkor cserélésével egy alkalmasan választott ξ (t ) jelre, az ún.
1 N segédváltozóra (IV, instrumental variable) a becslés képle-
ϑˆ NLS = [ R( N )] −1 ∑ ϕ (t )[ϕ T (t )ϑ0 + ν 0 (t )] =
N t =1 tének alkalmasan megválasztott helyén.
1 N
Ha a valódi rendszer y (t ) = ϕ T (t )ϑ0 + ν 0 (t ) , akkor
= ϑ0 + [ R ( N )] −1 ∑ ϕ (t )ν 0 (t ).
N t =1
ν 0 (t ) = y (t ) − ϕ T (t )ϑ0 , ezért az LS becslés a következő
A ϑ̂ NLS
becsléstől elvárjuk, hogy alakban is megfogalmazható:
i) legyen ϑ0 közelében,
ii) konvergáljon ϑ0 -hoz, ha N → ∞ . 1 N 
ϑˆ NLS = sol  ∑ ϕ (t )[ y (t ) − ϕ T (t )ϑ ] = 0 ,
Ha jelek stacionáriusak és ergodikusak (a jel bármelyik N t =1 
elég hosszú reprezentációjának átlagai jól közelítik a való-
színűségi átlagokat), akkor ahol “sol” a megoldás (solution) szóra utal. Ennek analó-
giájára olyan ξ (t ) segédváltozót keresünk, amelyre telje-
R ( N ) → R ∗ = Rϕϕ autokorrelációs függvény,
sül
h( N ) → h ∗ = Rϕν 0 keresztkorrelációs függvény.
1 N 
Ekkor annak feltétele, hogy az LS becslés konzisztens le- ϑˆ NIV = sol  ∑ ξ (t )[ y (t ) − ϕ T (t )ϑ ] = 0 .
gyen, azaz teljesüljön ϑˆ NLS → ϑ0 , ahol ϑ0 a valódi para- N t =1 
méter (amely a valódi rendszerhez tartozik), ekvivalens az Ekkor az IV becslés alakja a következő lesz:
Rψν 0 = 0 feltétellel, vagyis ekkor a ϕ (t ) megfigyelések-
−1
nek és a ν 0 (t ) zajnak korrelálatlannak kell lenniük. 1 N  1 N
ϑˆ NIV :=  ∑ ξ (t )ϕ (t )
T
∑ ξ (t ) y (t ) .
N t =1  N t =1

Lantos: Dinamikus modell identifikációja 18

IV4 algoritmus: és írjunk elő egy na + nb fokszámű AR modellt wˆ N( 2) (t )
számára (amely nem más, mint a második modell esetén
1. Írjuk fel a modell struktúrát az yˆ (t , ϑ ) = ϕ T (t )ϑ lineá- fellépő egyenlethiba):
ris regressziós alakban, és határozzuk meg ϑ becslését
LS módszerrel. Jelölje ϑˆ N(1) az így kapott becsült para- L(q) wˆ N( 2) (t ) = e(t ) .
métert és Gˆ (1) (q) a hozzátartozó diszkrétidejű átviteli
N Határozzuk meg L(q) becslését az LS módszerrel (ek-
függvényt: kor ϕ -ben hiányoznak az u -hoz tartozó tagok). Jelölje
Gˆ N(1) ( q) = Bˆ N(1) (q) / Aˆ N(1) (q) . az LS becslés eredményét Lˆ N ( q) .

2. Képezzük a segédváltozókat az 4. Képezzünk új segédváltozókat az

x (1) (t ) = Gˆ N(1) (q)u (t ) x ( 2) (t ) = Gˆ N( 2) ( q)u (t )

ξ (1) (t ) = [ − x (1) (t − 1) K − x (1) (t − n a ) u (t ) K u (t − nb + 1)]T ξ ( 2) (t ) = Lˆ N (q) ×

[− x ( 2) (t − 1) K − x ( 2) (t − na ) u (t ) K u (t − nb + 1)]T
szabály szerint, és határozzuk meg a hozzátartozó
ϑˆ N( 2) := ϑˆ NIV IV becslést. Jelölje a ϑˆ N( 2) -höz tartozó szabály szerint. Alkalmazzuk az Lˆ N (q ) előszűrőt és az
diszkrétidejű átviteli függvényt új segédváltozókat a végső IV becslés meghatározására:

Gˆ N( 2) (q) = Bˆ N( 2) (q) / Aˆ N( 2) (q) .

ϕ F (t ) := Lˆ N (q)ϕ (t ), y F (t ) := Lˆ N (q) y (t ),
3. Legyen −1
ˆ  1 N ( 2)  1 N ( 2)
ϑ N :=  ∑ ξ (t )ϕ FT (t ) ∑ξ (t ) y F (t )
wˆ N( 2) (t ) := Aˆ N( 2) (q ) y (t ) − Bˆ N( 2) ( q)u (t ) ,  N t =1  N t =1

Lantos: Dinamikus modell identifikációja 19

 ARMAX MODELL IDENTIFIKÁCIÓJA
Az A(q) y (t ) = B( q)u (t ) + C (q)e(t ) ARMAX modell ese- A predikciós hiba
tén a paraméterbecslésre a kvázi Newton-módszer szerinti A(q) B (q)
optimum keresés javasolható. Korábbi eredmények szerint ε (t ) = y (t ) − u (t ).
C (q) C (q)
mind a hibakritérium V N′ (ϑ , Z N ) gradiensének, mind pe-
dig a Hess-mátrix H N (ϑ ) közelítésének meghatározásá- A paraméterek szerinti parciális deriváltak a következők:
d ∂ 1 1
hoz ψ (t , ϑ ) = [ yˆ (t , ϑ )] számítását kell kidolgozni. A yˆ (t ) = − q − k y (t ) = − y (t − k ) ,
dϑ ∂ ak C (q) C (q)
jelölések egyszerűsítése érdekében átmenetileg szünetel-
tetni fogjuk a ϑ paraméter kiírását. Az ARMAX modell ∂ 1 1
yˆ (t ) = q −( k −1) u (t ) = u (t − k + 1) ,
következő alakra hozható: ∂ bk C (q) C (q)
∂ A(q ) − k B (q) − k
B(q ) C (q ) yˆ (t ) = 2 q y (t ) − 2 q u (t ) =
y (t ) = u (t ) + e(t ) =: G (q)u (t ) + H (q)e(t ) . ∂ ck C (q ) C (q)
A(q ) A( q)
1 1
Az 1-lépéssel előretartó prediktor: = q −k ε (t ) = ε (t − k ).
C (q) C (q)
A(q) B(q) B(q ) A( q)
H −1 ( q)G (q) = ⋅ = −1
, 1 − H (q) = 1 − , Vezessük be a
C (q) A(q) C (q) C (q)
ϕ (t ) =
B (q)  A(q)  [− y (t − 1) K − y (t − na ) u (t ) K u (t − nb + 1) ε (t − 1) K ε (t − nc )]T
yˆ (t ) = u (t ) + 1 −  y (t ) .
C (q)  C (q) 

Lantos: Dinamikus modell identifikációja 20

regressziós vektort, akkor a gradiens és a Hess-mátrix kö-
zelítéséhez szükséges ψ (t ) vektort úgy kapjuk meg, hogy
a regressziós vektort az 1 / C (q) szűrőn bocsátjuk át:
1
ψ (t ) := ϕ (t ) .
C (q)
A számításokat az yˆ (t , ϑ ), ε (t , ϑ ), ϕ (t , ϑ ), ψ (t , ϑ ) sor-
rendben kell elvégezni az aktuális lépésben érvényes pa-
raméter értékeknél. Eközben yˆ (t , ϑ ) és ψ (t , ϑ ) számításá-
hoz differenciaegyenletre kell áttérni, amit rekurzívan le-
het megoldani.
A lokális optimum elkerülésére szükség van jó kezdeti
becslésre (lásd algoritmus).
Az optimalizálás az így kapott kezdeti paraméterekkel
indítható, alkalmazván a továbbiakban a kvázi-Newton
módszert. Ehhez a parciális deriváltak számítását már ki-
dolgoztuk.
Lantos: Dinamikus modell identifikációja
Algoritmus a kezdeti becslések meghatározására:
1. IV módszerrel meghatározzuk a B / A diszkrétidejű át-
viteli függvény becslését.
2. Meghatározzuk az egyenlethiba
νˆ(t ) = Aˆ (q ) y (t ) − Bˆ (q)u (t )
becslését.
3. Magas fokszámú kisegítő AR modellt előírva először
meghatározzuk a νˆ (t ) “kimenethez” tartozó zaj eˆ(t )
becslését. A fokszámot az ARMAX modellben szereplő
fokszámok összegére célszerű választani numerikus
megfontolásokból. Ezt követően meghatározzuk C
becslését a következő dekompozíció szerint:
νˆ(t ) = [C (q) − 1]eˆ(t ) + e(t ) .
Vegyük észre, hogy ez utóbbi lépés egy ARX probléma
A(q) := 1, y := νˆ és B := C (q ) − 1 választás mellett.
21
 PÉLDA AZ ARMAX ÉS IV4 MÓDSZEREK HASZNÁLATÁRA
A mintarendszer, amelynek identifikációjával foglalkozni kációt a zajos jelekkel végeztettük el. A felnyitott körben
fogunk a felvett jelek alapján ARMAX modellt identifikáltunk, a
zárt körben felvett jelekkel pedig IV4 modellt.
1
W ( s) = Az identifikált ARMAX modell diszkrétidejű átviteli
(1 + s )(1 + 4 s )(1 + 7 s )
függvénye
lineáris rendszer, amelyet T = 0.1 sec mintavételi idő mel-
lett a 10 −4 (0.2966 z −1 − 0.4151z −2 + 0.4527 z −3 )
Darmax ( z ) = .
1 − 2.8651z −1 + 2.7344 z − 2 − 0.8692 z −3
10 −4 (0.0575 z −1 + 0.2221z −2 + 0.0536 z −3 )
D( z ) = Az ARMAX modell ekvivalens statikus átviteli tényezője
1 − 2.8660 z −1 + 2.7360 z − 2 − 0.8700 z −3 Aekv = 1.008 (a valódi rendszeré A = 1 ).
diszkrétidejű átviteli függvénnyel jellemezhetünk.
Az identifikációt a tárgyalt módszereket használó A zajmentes kimenetet és az ARMAX modell kimenetét
System Identification Toolboxszal végeztük el. Mivel a az identifikációnál használt bemenet mellett a következő
szimulációs vizsgálatok miatt a valódi rendszer ismert, ábra mutatja.
ezért lehetőség volt ismert nagyságú zajjal terhelni a mért
kimenetet, és megvizsgálni, vajon az identifikált modell a Szintén ábrázoltuk a valódi rendszer és az ARMAX mo-
zajos kimenetre akar-e rásimulni, vagy értelmesebb módon dell átmeneti függvényét, amelyek jó egyezést mutatnak.
a zajmentes kimenetre. A kimenethez ezért σ = 0.05 szó-
rású Gauss-féle zajt adtunk hozzá, és mind a kimenet mé-
résénél, mind pedig a bemenet mérésénél szimuláltuk egy
± 10 V és 12-bites átalakító kvantálási hatását. Az identifi-

Lantos: Dinamikus modell identifikációja 22

 Outputs ys and yarmax
Input u
1 y s , yarmax
1.5

1
0.5
0.5

0
0

-0.5
-0.5

-1

-1
-1.5 0 20 40 60 80 100 120
0 20 40 60 80 100 120

Step responses vs and varmax

Outputs ym and ys 1.5
1.5 v s , varmax
y m , ys
1
1
0.5

0
0.5
-0.5

-1
0
-1.5 0 20 40 60 80 100 120
0 20 40 60 80 100 120 Time (sec)
Time (sec)
A rendszer zajmentes kimenete ( y s szimulált) és az ARMAX mo-
Az ARMAX modell identifikációjához használt bemenőjel ( u ),
zajos kimenet ( y m mért) és zajmentes kimenet ( y s szimulált). dell kimenete ( y armax ) és az átmeneti függvények ( v s , v armax ).

Lantos: Dinamikus modell identifikációja 23

 Input u
5
Az IV4 modell identifikációjához használt, a zárt szabá-
lyozási körben a szakasz bemenetén felvett bemenőjelet,
valamint a szakasz kimenetén a zajos és zajmentes kime-
nőjelet a következő ábra mutatja. 0

Az identifikált IV4 modell diszkrétidejű átviteli függvénye

10 −4 (0.0547 z −1 + 0.1037 z −2 + 0.1438 z −3 )

Div4 ( z ) = . -5
1 − 2.8780 z −1 + 2.7598 z −2 − 0.8818 z −3 0 20 40 60 80 100 120

Az IV4 modell ekvivalens statikus átviteli tényezője Outputs ym and ys

Aekv = 0.9872 (a valódi rendszeré A = 1 ). 2
y m , ys
1.5

A zajmentes kimenetet és az IV4 modell kimenetét az 1

identifikációnál használt bemenet mellett az ábra mutatja. 0.5

0
Egy másik ábrán a valódi rendszer és az IV4 modell átme- -0.5
neti függvényét ábrázoltuk, amelyek szintén jó egyezést -1
mutatnak. -1.5

-2
0 20 40 60 80 100 120
Time (sec)
Az IV4 modell identifikációjához használt bemenőjel ( u ), zajos ki-
menet ( y m mért) és zajmentes kimenet ( y s szimulált).

Lantos: Dinamikus modell identifikációja 24

 Outputs ys and yiv4
2
y s , yiv4
1.5

0.5

-0.5

-1

-1.5

-2
0 20 40 60 80 100 120

Step responses vs and viv4

1
v s ,viv4

0.8

0.6

0.4

0.2

0
0 20 40 60 80 100 120
Time (sec)

A rendszer zajmentes kimenete ( y s szimulált) és az IV4 modell

kimenete ( y iv4 ), valamint az átmeneti függvények ( v s , v iv4 ).

Lantos: Dinamikus modell identifikációja 25

 MIMO RENDSZER ALTÉR-BÁZISÚ IDENTIFIKÁCIÓJA
A diszkrétidejű időinvariáns lineáris rendszert
x k +1 = Ax k + Bu k
y k = Cx k + Du k
alakúnak feltételezzük, ahol u ∈ R r , y ∈ R m és x ∈ R n , az
A, B, C , D mátrixok pedig a megfelelő dimenziójúak.
Ebben a rendszerleírási módban alternatív módszereket
jelentenek az ún. altér-bázisú identifikációs módszerek
(4SID, subspace-based state space system identification
method). Ezen módszerek fő jellemzője olyan egy altér
becslése, amelyet a bemeneti-kimeneti adatokból felírt és
megfelelő rendszertechnikai elvek alapján megválasztott
mátrix sor- vagy oszlopvektorai feszítenek ki. A folyamat
paraméteres modelljét azután ezekből a speciális struktúrá-
jú kifeszített alterekből határozzák meg.
Az ilyen elven működő algoritmusok rezonanciával és
antirezonanciával rendelkező, integrátort tartalmazó vagy
instabil többváltozós lineáris rendszerek esetén is
numerikusan megbízható állapotteres modellek nyerhetők.
Előnyük, hogy nem iteratív algoritmusok és nem igényel-
nek numerikus optimum keresést. Így az iteratív algorit-
musoknál gyakori lokális optimumban leragadás elkerül-
hető.
Lantos: Dinamikus modell identifikációja
Elméleti alapok:
Az állapotegyenletben szereplő mátrixok megfelelően
kondícionált bázisokban becsülhetők. Az egyetlen meg-
adandó paraméter a rendszer rendszáma, amely nem túlsá-
gosan zajos környezetben az identifikáció során a jelekből
felépített mátrix szinguláris értékeiből becsülhető. Ez a je-
lek szintjén úgy fogható fel, hogy a jelet egy “hasznos”
(domináns szinguláris értékek) és egy “zaj” (kis szingulá-
ris értékek) komponensre bontjuk fel.
A 4SID algoritmusok eredete Ho és Kalman munkájára
vezethetők vissza, akik az ún. becsült Markov paraméterek
alapján egy minimális állapotteres modell meghatározásá-
ra adtak módszert.
Az impulzusválasz állapotmátrixokkal történő kifejezésé-
ből a D mátrixot a t = 0 -hoz tartozó értékből közvetlenül
megkaphatjuk. Az impulzusválasz értékeiből felépülő
Hankel-mátrixnak létezik olyan faktorizációja, amelynek
két tényezője a megfigyelhetőségi és az irányíthatósági
mátrix. A minimális realizációból a B és C mátrixok
közvetlenül megkaphatók, az A mátrix pedig a megfi-
gyelhetőségi mátrix ún. shift-invariancia tulajdonsága
alapján számítható.
26
A közönséges MOESP (MIMO output-error state space model realisation) módszer:

i) Markov-paramétereknek nevezzük a hs = CA s −1 B, s = 1,2, K értékeket.

ii) A Γ i kiterjesztett megfigyelhetőségi mátrix ( i > n ) a következő:

 C 
Γ i =  M  .
CA

CA i −1 

iii) Az impulzus-válaszokból felépülő H i mátrix Toeplitz-struktúrájú, és értelmezése ( i > n ) a következő:

 D 0 0 L 0
 CB D 0 L 0
H i =  CAB CB D L 0.
 M M M O M
i −2 i −3 i −4
CA B CA B CA B L D 
(1)
iv) Legyen Γ egy ( mi ) × n méretű mátrix ( i > n ), és jelölje a Γ első m(i − 1) sorából álló mátrixot Γ , az utolsó
( 2)
m(i − 1) sorából állót pedig Γ . A Γ mátrixot shift-invariánsnak nevezzük, ha létezik olyan négyzetes (nem szük-
( 2) (1)
ségképpen invertálható) T mátrix, hogy Γ =Γ T . Világos, hogy a Γ i mátrix shift-invariáns, mivel

 C   CA 
 2 
Γ (1) :=  M  , Γ
CA ( 2)
:=  CA
M  , T := A ⇒ Γ
( 2)
=Γ (1)
T.
CA i − 2  CA i −1 
 

Lantos: Dinamikus modell identifikációja 27

Az állapotegyenlet alapján írhatjuk, hogy
y j + k = Cx j + k + Du j + k ,
s −1
x j +k +s = A s x j +k + ∑ A s −(l +1) Bu j + k +l ,
l =0
s −1
y j + k + s = CA s x j + k + ∑ CA s −(l +1) Bu j + k +l + Du j + k + s .
l =0
Ha egy oszlopban egymás alá írjuk az y j + k , y j + k +1 , y j + k + 2 , K értékeket, és úgy fogjuk fel, hogy a tranziens az x j + k álla-
potból indult, akkor a MOESP módszer kiindulásaként a bemeneti-kimeneti adatsorok segítségével a következő egyenlet-
rendszer írható fel:

 yj y j +1 y j+2 L y j + N −1 
 C 
 y y j+2 y j +3 L y j + N   CA 
 j +1 
 y j+2 y j +3 y j+4
2
L y j + N +1  =  CA  x j [ x j +1 x j + 2 L x j + N −1 + ]
 
 M M M M M   Mi −1 
 y j + i −1 y j +i y j + i +1 L y j + N + i − 2  CA 

L 0   j
u u j +1 u j+2 L u j + N −1 
 D 0 0
 CB D 0 L 0  u j +1 u j + 2 u j +3 L u j+N 
+  CAB CB D L 0  ⋅ u j + 2 u j +3 u j+4 L u j + N +1 

 M M M O 0 
i−2 i −3 i−4  M M M M M 
CA B CA B CA B L D  u u u j + i +1 L u j + N + i − 2 
 j + i −1 j +i

Lantos: Dinamikus modell identifikációja 28

Célszerű ezért bevezetni az állapotokból, bemenőjel értékekből és kimenőjel értékekből álló következő mátrixokat:
X j , N := [ x j x j +1 x j + 2 L x j + N −1 ] ,

 yj y j +1 y j+2 L y j + N −1 
 y y j +2 y j +3 L y j+N 
 j +1 
Y j, i, N :=  y j + 2 y j +3 y j+4 L y j + N +1  ,
 M M M M M 
 y j +i −1 y j +i y j +i +1 L y j + N +i − 2 

 uj u j +1 u j +2 L u j + N −1 
u u j+2 u j +3 L u j+N 
 j +1 
U j, i, N :=  u j + 2 u j +3 u j +4 L u j + N +1  .
 M M M M M 
u j +i −1 u j +i u j +i +1 L u j + N +i − 2 

Az így bevezetett jelölésekkel a rendszer (általában nem mérhető) állapotai, a rendszerről méréssel felvehető bemeneti-
kimeneti adatsorok, valamint az identifikálandó rendszert tömören jellemző Γ i és H i mátrixok között a következő
kapcsolat írható fel: Y j , i , N = Γ i X j , N + H iU j , i, N . A továbbiakban j = 1 értéket választva a MOESP módszer vizsgálatára
az Y1, i, N = Γ i X 1, N + H iU 1, i, N

egyenletrendszer fog szolgálni. Feltesszük még, hogy a bemenőjel perzisztens abban az értelemben, hogy rank (U 1, i , N ) = ri ,
ahol r = dim u
.

Lantos: Dinamikus modell identifikációja 29

A vizsgálatok során fel fogjuk használni a lineáris algebra következő eredményeit:
i) Tetszőleges (valós elemű) X mátrixnak van X = QR ún. QR-faktorizációja, ahol Q ortonormált mátrix és R felső
blokk-háromszögmátrix, tehát

QQ T = Q T Q = I , R =  11
R R12 
, X = QR ,
 0 R22 

ahol X és R mérete megegyezik. A QR-faktorizáció MATLAB környezetben a qr függvénnyel határozható meg.

~~ ~ ~
ii) Ha a QR-faktorizációt az X T mátrixra alkalmazzuk, akkor X T = QR , ahonnan transzponálással X = R T Q T =: RQ kö-
vetkezik, tehát tetszőleges X mátrixnak van X = RQ ún. RQ-faktorizációja is, ahol Q ortonormált és R alsó blokk-
háromszögmátrix.

iii) Tetszőleges X mátrixnak van X = UΣV T szinguláris érték felbontása (SVD), ahol U és V ortonormált mátrixok, to-
vábbá a Σ diagonális mátrix tartalmazza az X mátrix (mindig nemnegatív) szinguláris értékeit csökkenő sorrendben,
lásd (12.57a-d). A szinguláris érték felbontás MATLAB környezetben az svd függvénnyel határozható meg.

iv) Tetszőleges AX = B egyenlet X megoldásának választható X = A + B , ahol A + az A mátrix Moore-Penrose

pszeudoinverze. A Moore-Penrose pszeudoinverz MATLAB környezetben a pinv függvénnyel határozható meg.

Lantos: Dinamikus modell identifikációja 30

Vizsgáljuk meg még a koordináta-transzformáció hatását. Ha a (nemszinguláris) T mátrix írja le a koordináta-
transzformációt, akkor az állapotegyenlet mátrixai és a Markov-paraméterek a transzformáció után a következők lesznek:

AT = TAT −1 , BT = TB, CT = CT −1 , DT = D ,
~
hs = CT ( AT ) s BT = CT −1 (TAT −1 ) s TB = CA s B = hs .

Tételezzük fel, hogy egy U n mátrix oszlopai kifeszítik Γ i képterét, vagy más néven az oszlopterét. Tudjuk, hogy i > n ,
ezért minimális (teljesen megfigyelhető és teljesen irányítható) rendszer reprezentáció esetén rank (Γ i ) = rank (U n ) = n ,
ezért létezik olyan T1 nemszinguláris mátrix, hogy

U n = Γ i T1 .

Jelölje a U n első m(i − 1) sorából álló mátrixot U n(1) , az utolsó m(i − 1) sorából állót pedig U n( 2) . Tekintsük a T := T1−1
koordináta-transzformációt. Akkor a konstrukció szerint

U n(1) = Γ i (1) T1 = Γ i (1) T −1 , U n( 2) = Γ i ( 2) T1 = Γ i ( 2) T −1 = Γ i (1) AT −1 = ( Γ i (1) T −1 )(TAT −1 ) = U n(1) AT ,

U n( 2) = U n(1) AT ,

ezért U n is shift-invariáns mátrix.

Lantos: Dinamikus modell identifikációja 31

MOESP algoritmus:
1. Jelölje n̂ az ismeretlen rendszer rendszámának egy felső becslését. Válasszuk meg i > nˆ értékét, pl. i := (2 K10) nˆ -re.
Ennek során figyelemmel kell lenni arra, hogy az RQ-algoritmus számításideje kb. i 2 arányában nő. Válasszuk meg a
mérési adatok N számát az N >> r ⋅ i feltétel betartásával. Végezzünk adatgyűjtést az ismeretlen rendszer bemenetén és
kimenetén, és a mérési adatokból építsük fel az U 1, i , N és Y1, i, N Hankel-mátrixokat.

2. Határozzuk meg az adatokból felépített összetett mátrix RQ-faktorizációját:

U 1, i , N   R11 0   Q1 
Y = .
 1, i , N   R21 R22  Q2 

Itt R11 mérete (r ⋅ i ) × (r ⋅ i ) , R22 mérete pedig (m ⋅ i ) × (m ⋅ i ) , ahol r = dim u és m = dim y . Az elmélet szerint
rank ( R22 ) = n , ahol n = dim x .

3. Határozzuk meg R22 szinguláris érték (SVD) felbontását, és legyen a dominánsnak választott szinguláris értékek száma
n , amelyet a minimális rendszer rendszámának fogunk tekinteni. A szinguláris érték felbontás ekkor a következő lesz:

0   VnT 
[
R22 = U n ]
Σ
U n⊥  n
0 Σ 0  (Vn⊥ ) T 
,

ahol U n mérete ( m ⋅ i ) × n , U n⊥ mérete ( m ⋅ i ) × ( m ⋅ i − n) , Σ n mérete n × n , Σ 0 mérete ( m ⋅ i − n) × (m ⋅ i − n) , Vn pedig

Σ -nak megfelelően partícionált.
4. Az (alább részletezendő összefüggések alapján) AT , BT , CT , DT meghatározása.

Lantos: Dinamikus modell identifikációja 32

A továbbiakban a MATLAB-ban használt indexelések mellett adjuk meg a nagyobb mátrixokból kivágott blokk-mátrixokat.
Tekintsük először R22 -nek az SVD-felbontását a dominánsnak választott szinguláris értékek n számának megfelelő
partícionálás mellett. Jelölje az U n első m(i − 1) sorából álló mátrixot U n(1) , az utolsó m(i − 1) sorából állót pedig U n( 2) .
Akkor
CT = U n (1 : m, :) ,
U n(1) AT = U n( 2) ⇒ AT := (U n(1) ) + U n( 2) ,

ahol a Moore-Penrose pszeudoinverzet használtuk.

Tekintsük ezután az adatok között fennálló egyenletet, és helyettesítsük be az egyenletbe az Y1, i , N = R21Q1 + R22 Q2 ,
U 1, i, N = R11Q1 , R22 = U n Σ nVnT és Γ i = U n T1−1 = U n T összefüggéseket, akkor a következő kifejezést kapjuk:

U n TX 1, N + H i R11Q1 = R21Q1 + U n Σ nVnT Q2 .

Mivel U = [U n U n⊥ ] ortonormált, ezért (U n⊥ )T U n = 0 , ha tehát az egyenlet mindkét oldalát megszorozzuk az (U n⊥ ) T mát-

rixszal, akkor azt kapjuk, hogy

((U ⊥ T
n ) )
H i R11 − (U n⊥ ) T R21 Q1 = 0 .

Ha az egyenletet megszorozzuk jobbról Q1T -tal és figyelembe vesszük, hogy Q ortonormalitása miatt Q1Q1T = I , akkor
következik

(U n⊥ ) T H i R11 − (U n⊥ ) T R21 = 0 .

Lantos: Dinamikus modell identifikációja 33

 −1
Ha a gerjesztés perzisztens, tehát rank (U 1, i , N ) = r ⋅ i , akkor U 1, i, N = R11Q1 , és mivel Q1 maximális rangú, ezért ∃ R11 és
−1
(U n⊥ ) T H i = (U n⊥ ) T R21 R11 .
Vezessük be a

 Ψ (:,1 : r ) 
 Ψ (:, + 1 : 2 ) 
Ψ := (U n⊥ ) T −1
R21 R11 = (U n⊥ ) T +
R21 R11 , Ψˆ :=  r r
,
M
Ψ (:, r (i − 1) + 1 : ri )

 U n⊥ (1 : m, :) T U n⊥ (m + 1 : 2m, :) T L U n⊥ (m(i − 1) + 1 : mi, :) T 

 ⊥  I m 0 
Φ :=  U n (m + 1 : 2m, :)
T
U n⊥ (2m + 1 : 3m, :) T L 0 , Φˆ := Φ  (1) 
 M M N M   0 Un 
U n⊥ ( m(i − 1) + 1 : mi, :) T 0 L 0 

jelöléseket, összhangban a H i mátrix alakjával és a következő felírási móddal:

 CB   C 
 CAB  =  CA  T −1 (TB ) = Γ (1) T −1 (TB ) = U (1) B .
 M   M  i n T
i−2 i−2
CA B  CA 

Akkor a DT és BT mátrixokra egy egyenletrendszert kapunk, amit pl. a robusztus Moore-Penrose pszeudoinverzzel (LS ér-
telemben) megoldhatunk:
Φˆ  T  =Ψˆ ⇒  T  = Φˆ + Ψˆ
D D
 BT   BT 

Lantos: Dinamikus modell identifikációja 34

 PÉLDA A MOESP MÓDSZER HASZNÁLATÁRA
A mintarendszer egy kétszabadságfokú robotkar, amely
egy erősen nemlineáris dinamikus rendszer. Mivel a
MOESP módszer csak lineáris rendszerekre érvényes y2 x2
identifikációs módszer, ezért a robotkart kis változásokra l2
különféle munkapontokban linearizáltuk. A mintarendszer K2
előnyös abból a szempontból, hogy a munkapontokat vál- lc 2
toztatva stabilis, csillapítatlan oszcilláló, integráló és labi- m2 , I 2
ϕ2
lis linearizált rendszerek is előállnak. y1

lc1 x1
l1
A robotkar paraméterei a következők: m1 , m 2 = 5 kg , y0 K1
2
I 1 , I 2 = 1 kg m , l1 = l 2 = 1 m és l c1 , l c 2 = 0.5 m .
ϕ1 m1 , I1
K0
x0
Tekintsük a nemlineáris rendszert a q 0 = (−π / 2, 0) T
munkapont környezetében (a szögek radiánban, a nyoma-
tékok Nm-ben értendők). A folytonosidejű linearizált A robotkar blokkvázlata
rendszer eme munkapont körül két-két csillapítatlan kon-
jugált komplex póluspárral rendelkezik.

Lantos: Dinamikus modell identifikációja 35

A linearizált rendszer állapotegyenlete a q 0 = (−π / 2, 0) T munkapont környezetében folytonos időben

 0 0 1 0   0 0 
0
x& =  − 10.3584 0 0 1 x +  0 0 u,
 6.0932 0 0   0.2236 − 0.4720
 10.9677 − 23.7634 0 0  − 0.4720 1.4410 
y = 10 10 00 00 x,
 

diszkrét időben T = 0.025 sec mintavételi idő mellett pedig

 0.9968 0.0019 0.0250 0.0000  0.0001 − 0.0001

xk +1 = − 0.2585 00..9926
0 .0034
1518
0.0000
0.9968
0.0249 x +  − 0.0001 0.0004 u ,
0.0019 k  0.0056 − 0.0118 k

 0.2732 − 0.5924 0.0034 0.9926 − 0.0118 0.0359 

y k = 10 10 00 00 xk .
 

Az identifikációhoz a nemlineáris rendszert elláttuk szabályozóval, és olyan referencia jelet választottunk, amely a q 0 mun-
kapont körüli kis (kb. ± 5o ) változásokra késztette a rendszert.

Az identifikációhoz a jeleket a nemlineáris rendszeren vettük fel zárt szabályozási körben. A jelekből a munkaponti értéke-
ket levontuk, és az így kapott jelek láthatók már az ábrán.

Lantos: Dinamikus modell identifikációja 36

 Inputs u1 and u2 [Nm] u = > y1, y1MOESP [rad]
200 0.2
u1 , u 2 y 1 , y1MOESP
0.15
150
0.1
100
0.05
50
0
0 -0.05
-50 -0.1

-100 -0.15

-150 -0.2
0 5 10 15 20 25 0 5 10 15 20 25

Outputs y1 and y2 [rad] u = > y2, y2MOESP [rad]

0.15 0.2
y1 , y2 y 2 , y2MOESP
0.15
0.1
0.1
0.05
0.05
0
0
-0.05 -0.05
-0.1 -0.1

-0.15 -0.15

-0.2 -0.2
0 5 10 15 20 25 0 5 10 15 20 25
Time (sec) Time (sec)

Az identifikációnál használt bemenő- és kimenőjelek A lineariált rendszer és a MOESP-pel identifikált rendszer válaszje-
(munkapont körüli változások) lei

Lantos: Dinamikus modell identifikációja 37

A jelek alapján elvégeztük a linearizált modell meghatáro- A linearizált rendszer és az identifikált modell pólusai a
zását a MOESP módszerrel, i = 50 értéket választva a q0 = ( −π / 2, 0)T stabilis munkapont környezetében:
Hankel-mátrixok számára. A domináns szinguláris értékek
n = 4 -re adódtak, a fizikai képnek megfelelően. Mivel a Linearizát rendszer pólusai MOESP-pel kapott pólusok
MOESP módszerbe eleve beépül egy koordináta- 0.9980+j0.0636 0.9980+j0.0636
transzformáció, ezért az állapotváltozók az identifikált 0.9980-j0.0636 0.9980-j0.0636
0.9914+j0.1310 0.9914+j0.1305
rendszernél mások lesznek. 0.9914-j0.1310 0.9914-j0.1305

Csak az invariáns rendszerjellemzőket van értelme ezért

összehasonlítani. Ilyenek például az állapotegyenlet saját- Egy érdekes kérdés,hogy mennyire általánosítható ez a
értékei (az átviteli függvény mátrix pólusai) és az átviteli tapasztalat integráló vagy instabil rendszerekre. Példaként
függvények, vagy például az amplitudómenet. Az identifi- tekintsük a robotkar felső helyzetét, aminek labilis
káció jóságát ezért vizsgálhatjuk az időtartományban, fel- munkapont felel meg.
rajzolván a mért kimeneteket és az identifikált modell ki-
meneteit a mért bemenőjelek mellett, illetve a frekvencia- A linearizált rendszer és az identifikált modell pólusai a
tartományban az invariáns rendszerjellemzők ellenőrzésé- q0 = (π / 2, 0)T labilis munkapont környezetében:
vel.
Linearizát rendszer pólusai MOESP-pel kapott pólusok
1.1404 1.1399
Az ábra alapján megállapíthatjuk, hogy a mért és az identi- 1.0658 1.0657
fikált modellel kapott kimenőjelek gyakorlatilag egybees- 0.9383 0.9384
nek, tehát az identifikáció hatékony volt. 0.8769 0.8767

A MOESP módszer ebben a labilis munkapontban is elfo-

gadható eredményt ad a pólusokra.

Lantos: Dinamikus modell identifikációja 38