Verbetering van robuustheid en nauwkeurigheid in niet-lineaire systeemidentificatie met toepassingen in industriële robotica

Niet-lineaire systeemidentificatie betreft het proces van het verkrijgen van niet-lineaire modellen door gebruik te maken van meetgegevens van de ingang en uitgang van een dynamisch systeem.  Het is een belangrijke stap naar hoogwaardige toepassingen in de regeltechniek en verschillende andere disciplines.

Veel technische uitdagingen kunnen worden opgelost door over te stappen van het lineaire naar het niet-lineaire domein. Echter, de complexiteit van niet-lineariteiten in systeemidentificatie is doorgaans vele malen hoger dan die van enkel lineaire modellen, zowel computationeel als in termen van ontwerp- en analysetijd. De keuzes die worden gemaakt met betrekking tot het experimentontwerp, de modelstructuur en de formulering van de kostenfunctie hebben een diepgaand effect op de uiteindelijke nauwkeurigheid van het resulterende model en de benodigde inspanning om dit te bereiken.

In niet-lineaire systeemidentificatie is er een vraag naar methoden die op een robuuste manier nauwkeurige modellen kunnen verkrijgen. Met name het koppelen van het complexe scala aan niet-lineaire modellen aan de meetgegevens is een niet-convex optimalisatieprobleem, vatbaar voor lokale minima en afhankelijk van de initiële parameters. Er is dus behoefte aan formuleringen die robuuster zijn tegen deze problemen. Verder blijft het een uitdaging om simulatiemodellen te creëren die nauwkeurige langetermijnvoorspellingen bieden. Vaak moet modelnauwkeurigheid worden afgewogen tegen complexiteit, afhankelijk van de uiteindelijke toepassing.

Het onderzoek dat in dit proefschrift wordt gepresenteerd, beslaat vier hoofdonderwerpen die bijdragen aan het oplossen van deze kwesties, geïllustreerd met geselecteerde use-cases in industriële robotica. Ten eerste presenteren we met betrekking tot experimentontwerp een verbeterde methode voor het ontwerpen van excitatiesignalen om de zogeheten crestfactor van multisine-signalen te minimaliseren, voor nauwkeurige identificatie in gevallen waarin het dynamische bereik in het experiment de meest schaarse bron is. Ten tweede bespreken en breiden we ReSMILE, een lokale methode voor het identificeren van lineair parameter variërende (LPV) modellen op basis van B-splines, enigzins uit. ReSMILE maakt een afweging tussen nauwkeurigheid en complexiteit mogelijk, aangetoond op een dataset die is verzameld op een bovenloopkraan. Ten derde vergelijken we meerdere zogenaamde shooting-methoden voor het identificeren van op de natuurkunde gebaseerde niet-lineaire state-space-modellen, om te achterhalen welke het meest robuust is met betrekking tot lokale minima, door middel van grondige evaluaties op modellen van een elektromechanisch positioneringssysteem en een niet-lineair massa-veer-demper-systeem. Ten vierde stellen we voor de voorwaartse dynamica van een robotarm een combinatie van op de natuurkunde gebaseerde en black-box modellen voor, die effectief gebruikmaakt van de kennis over de fysieke structuur om een nauwkeurigheid te bereiken die zelfs beter is dan die van een black-box model alleen. We verifiëren dit door verschillende gecombineerde modelstructuren met elkaar te vergelijken.

De doelen van het proefschrift, samen met de bespreking van de genoemde uitbreidingen, zijn bedoeld om de gebruiker te ondersteunen bij het maken van weloverwogen keuzes in niet-lineaire systeemidentificatie met betrekking tot het ontwerp van excitatiesignalen, de selectie van modelstructuren, formuleringen van optimalisatieproblemen, en om industriële toepassing te vergroten door gebruiksvriendelijke toolboxen te bieden voor de onderzochte methoden voor grey-box en LPV-identificatie.