English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Plus monthly

Global: Zendy Tools annual

Global: Zendy Tools monthly

Global: Zendy Free Plan

Dieser Beitrag adressiert die Identifikation von Takagi-Sugeno-Modellen für nichtlineare stochastische dynamische Systeme. Ist Wissen über die stochastischen Eigenschaften eines dynamischen Prozesses (bspw. bzgl. Verteilungsfunktion, Korreliertheit) verfügbar, so kann dies zur Verbesserung der Modellparameterschätzung genutzt werden. Dabei trifft die oft gemachte Annahme unabhängig und identisch normalverteilter Zufallsgrößen bei technischen Systemen häufig nicht zu. Dies ist bspw. bei mechatronischen Antrieben in Folge von Reibung oft der Fall. Im Beitrag werden deshalb die Dichtefunktionen der Zufallsgrößen als Gaußsche Mischmodelle mittels eines Multistart-Expectation-Maximization-Algorithmus geschätzt. Da die Residualdichtefunktionen zu Beginn der Identifikation nicht verfügbar sind, werden diese aus der Streuung von Wiederholexperimenten approximativ ermittelt und zur approximativen Maximum-Likelihood-Schätzung von Takagi-Sugeno-Modellen genutzt. Wegen der ausgeprägten Multimodalität der resultierenden Likelihood-Funktion wird dazu Partikelschwarm-Optimierung eingesetzt. Die Vorgehensweise wird an einem industriellen servo-pneumatischen Linearantrieb mit reibungsbedingten Unsicherheiten demonstriert. Dabei lässt sich der mittlere Validierungsfehler um 9 % gegenüber einer Least-Squares-Schätzung reduzieren.

at - automatisierungstechnik

Zur approximativen Maximum-Likelihood-Schätzung dynamischer Multi-Modelle vom Typ Takagi-Sugeno: Methodik und Anwendung auf einen Servo-Pneumatikantrieb