⚡ electrical engineering

Observer Design for a Class of Systems Described by Differential-Algebraic Equations and Parameter Identification of an Unmeasured Disturbance

Dieses Papier schlägt ein neuartiges Beobachterdesign und eine Identifikationsmethode für Parameter für lineare deskriptive Systeme vor, die ungematchten Störungen unterliegen, wobei strukturelle Annahmen und eine neue Parametrisierungstechnik genutzt werden, um Zustandsvektoren zu rekonstruieren und unbekannte Störungsparameter zu schätzen, wie durch numerische Simulationen validiert wurde.

Ursprüngliche Autoren: Olga Oskina, Alexey Bobtsov

Veröffentlicht 2026-07-13

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Olga Oskina, Alexey Bobtsov

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein riesiges, komplexes Puzzle zu lösen, bei dem einige Teile sich bewegen, andere feststecken und ein schelmischer Geist ständig den Tisch erschüttert. In dieser Arbeit geht es darum, einen superintelligenten Detektiv (einen „Beobachter“) zu bauen, der genau herausfinden kann, wo sich jedes Puzzleteil befindet, selbst wenn der Geist sie versteckt, und dann exakt identifiziert, um welche Art von Geist es sich handelt, der für Unruhe sorgt.

Das Puzzle: Eine Mischung aus beweglichen und feststehenden Teilen
Die meisten Systeme, die man in der Schule lernt, sind wie ein Auto, das eine Straße entlangfährt: Alles verändert sich gleichmäßig über die Zeit. Aber diese Arbeit befasst sich mit einer speziellen Klasse von Systemen, den sogenannten „Deskriptorsystemen“ (oder differential-algebraischen Gleichungen). Denken Sie an diese als ein System mit zwei Arten von Variablen:

Dynamische Teile: Diese sind wie die Geschwindigkeit eines Autos; sie verändern sich und bewegen sich im Laufe der Zeit.
Algebraische Teile: Diese sind wie eine Regel, die besagt: „Wenn das Auto bei Meilenstein 5 ist, muss die Tankanzeige 20 % anzeigen.“ Sie bewegen sich nicht von selbst; sie sind in einer Beziehung mit den beweglichen Teilen festgeschrieben.

Die Autoren untersuchen ein System, in dem der „Geist“ (eine unbekannte Störung) das Puzzle durcheinanderbringt. Das Ziel ist es, einen Detektiv zu bauen, der die Position der beweglichen Teile errät, herausfindet, was der Geist macht, und sogar dessen geheime Identitätskarte (unbekannte Parameter) identifiziert.

Die Strategie des Detektivs: Das Chaos bereinigen
Die Arbeit argumenttiert, dass man für diese gemischten Systeme nicht einfach Standard-Detektivwerkzeuge verwenden kann; diese werden durch die „feststeckenden“ algebraischen Regeln verwirrt. Die Autoren schlagen eine spezifische Menge von Regeln vor, um die Aufgabe möglich zu machen:

Das „geistfreie“ Ausgangssignal: Sie setzen voraus, dass der Geist das endgültige Ergebnis (das Ausgangssignal) nicht auf eine Weise direkt beeinflusst, die nicht zurückverfolgt werden kann. Wenn der Geist es schaffen könnte, das Ergebnis magisch zu verändern, ohne Spuren in den Systemregeln zu hinterlassen, wäre der Detektiv aufgeschmissen. Die Arbeit fordert explizit, dass der Einfluss des Geistes mathematisch trennbar sein muss.
Das Lösen der Verriegelung: Sie zeigen, dass man das gesamte Puzzle neu schreiben kann, wenn die „feststeckenden“ Regeln lösbar sind (eine spezifische mathematische Bedingung namens „Rang“). Man kann die feststehenden Teile in Abhängigkeit von den beweglichen Teilen und dem Geist ausdrücken. Dies verwandelt das unordentliche, gemischte Puzzle in ein saubereres, standardmäßiges bewegliches Puzzle.

Der Zaubertrick: Einen Geist in eine Linie verwandeln
Hier vollbringen die Autoren ihren kreativsten Schachzug. Normalerweise ist es ein Albtraum, wenn das Verhalten eines Geistes von unbekannten Zahlen in einer komplizierten, gekrümmten Weise (nichtlinear) abhängt. Die Autoren schlagen einen klugen Trick unter Verwendung von „Zeitverzögerungen“ vor.

Stellen Sie sich vor, der Geist ruft eine Nachricht. Wenn Sie die Nachricht aufzeichnen, eine Sekunde warten, sie erneut aufzeichnen, wieder eine Sekunde warten und sie ein drittes Mal aufzeichnen, haben Sie drei verschiedene Versionen desselben Schreis. Die Autoren nutzen diese verzögerten Versionen, um ein „Mischverfahren“ anzuwenden.

Sie nehmen das rekonstruierte Geist-Signal und mischen es mit seinen verzögerten Kopien.
Durch eine algebraische Magie (unter Verwendung der sogenannten DREM-Methode) verwandeln sie die komplizierte, gekrümmte Beziehung in eine gerade Linie (eine lineare Regression).
Plötzlich werden die unbekannten Zahlen, die der Geist verbirgt, leicht zu entdecken, genau wie das Finden einer geraden Linie in einem Graphen.

Die Simulation: Hat es funktioniert?
Die Autoren haben dies nicht nur erdacht; sie haben ein Computermodell gebaut, um es zu testen. Sie erstellten ein fiktives System mit 3 Variablen (zwei beweglich, eine feststehend) und einem Geist, der eine Mischung aus zwei exponentiellen Signalen (wie $e$ hoch einer Potenz) rief.

Der Aufbau: Sie setzten die geheimen Zahlen des Geistes auf -0,1 und -0,3.
Der Test: Sie ließen eine Simulation laufen, in der ihr Detektiv versuchte, die beweglichen Teile und die Identität des Geistes zu erraten.
Das Ergebnis: Die Simulation zeigte, dass der Detektiv erfolgreich die beweglichen Teile errat, das Fehlersignal (die Differenz zwischen der Schätzung und der Wahrheit) gegen Null sank und die geheimen Zahlen des Geistes ebenfalls korrekt identifiziert wurden, allerdings erst nach einer kurzen „Wartezeit“.

Warum die Wartezeit?
Die Arbeit weist sorgfältig darauf hin, dass man nicht sofort mit dem Erraten der Identität des Geistes beginnen kann. Der Detektiv braucht Zeit, um sich einzupendeln, und die Filter, die verwendet werden, um die „Geschwindigkeit“ der Signale zu schätzen (da man die Geschwindigkeit nicht direkt messen kann), benötigen Zeit, um aufzuhören zu wackeln. Die Autoren berechneten eine spezifische Zeit, $T_{id}$ , die die Summe aus der Zeit für das Einschwingen des Beobachters, der Zeit für das Einschwingen der Filter und der Zeit für die längste verwendete Verzögerung im Mischverfahren ist. Erst nachdem diese Zeit verstrichen ist, sollte man der Identitäts-Schätzung vertrauen.

Das Fazit
Diese Arbeit schlägt einen Weg vor, einen Detektiv für einen sehr spezifischen, schwierigen Typ von System zu bauen. Sie beweist (durch Computersimulationen), dass man – wenn man ihre strukturellen Regeln befolgt (insbesondere die Sicherstellung, dass der Geist die algebraischen Sperren des Systems nicht umgeht) – in der Lage ist:

Die verborgenen beweglichen Teile des Systems zu rekonstruieren.
Das Signal des Geistes zu rekonstruieren.
Die komplizierte, unbekannte Persönlichkeit des Geistes in eine einfache Liste von Zahlen zu verwandeln, die man berechnen kann.

Die Autoren kommen zu dem Schluss, dass man, sobald man die Identität des Geistes kennt, theoretisch einen Regler bauen könnte, um ihn zu eliminieren; vorerst haben sie jedoch nur gezeigt, dass der Identifizierungsteil in ihren Computersimulationen funktioniert. Die Methode ist ein vielversprechendes neues Werkzeug für den Umgang mit Systemen, in denen die Regeln genauso wichtig sind wie die Bewegung.

Technische Zusammenfassung: Beobachterdesign und Parameteridentifikation für Deskriptorsysteme mit ungemessenen Störungen

Problemstellung
Diese Arbeit befasst sich mit der Herausforderung der Zustandschätzung und Parameteridentifikation für eine Klasse linearer zeitinvarianter Deskriptorsysteme (auch bekannt als Differential-Algebraische Gleichungen), die ungemessenen, ungematchten Störungen unterliegen. In vielen praktischen Anwendungen – von elektrischen Schaltkreisen bis hin zu chemischen Prozessen – werden Systeme sowohl durch dynamische Differentialgleichungen als auch durch statische algebraische Nebenbedingungen gesteuert. Eine erhebliche Schwierigkeit ergibt sich daraus, dass nur eine Teilmenge der Zustandsvariablen messbar ist und das System von externen Störungen betroffen ist, die nicht direkt messbar sind und nicht über denselben Kanal wie der Steuereingang in das System eintreten (ungematcht). Das primäre Ziel besteht darin, einen Beobachter zu konstruieren, der die dynamischen Komponenten des Zustandsvektors schätzt und anschließend das Störsignal rekonstruiert, um dessen unbekannte konstante Parameter zu identifizieren.

Methodik
Die vorgeschlagene Lösung folgt einem strukturierten, mehrstufigen Ansatz basierend auf spezifischen strukturellen Annahmen:

Systemreduktion: Die Autoren nehmen an, dass die singuläre Matrix $E$ eine spezifische Blockstruktur besitzt, die es ermöglicht, das System in dynamische ( $x_a$ ) und algebraische ( $x_b$ ) Komponenten zu zerlegen. Unter der Annahme, dass das algebraische Subsystem bezüglich $x_b$ lösbar ist, leiten die Autoren einen expliziten Ausdruck für $x_b$ in Abhängigkeit von $x_a$ , dem bekannten Eingang $u$ und der Störung $\delta$ her. Durch Substitution zurück in die dynamischen Gleichungen ergibt sich eine reduzierte Ordnung einer gewöhnlichen Differentialgleichung (ODE) für $x_a$ .
Störungseliminierung und Beobachterdesign: Eine kritische strukturelle Annahme wird eingeführt: Die reduzierte Ausgangsgleichung darf keinen direkten Durchführungskanal für die Störung besitzen (d. h. $C_2 A_{22}^{-1} B_{22} = 0$ ). Dies ermöglicht es, dass die Ausgangsgleichung nur von $x_a$ und $u$ abhängt. Durch Differentiation des Ausgangs und unter Nutzung der Bedingung, dass der Störungskanal in der Zustandsgleichung ungleich Null ist ( $C_3 B_{2a} \neq 0$ ), lässt sich die Störung $\delta(t)$ explizit in Abhängigkeit von Zustand, Eingang und Ausgangsderivaten ausdrücken.
Durch Substitution dieses Ausdrucks zurück in die Zustandsgleichung wird der Term der Störung eliminiert, woraus eine störungsfreie ODE für $x_a$ resultiert. Ein Unknown-Input-Beobachter wird daraufhin für dieses reduzierte System konstruiert. Um die praktische Schwierigkeit der Differentiation verrauschter Signale zu vermeiden, wird der Beobachter unter Verwendung einer Koordinatentransformation reformuliert, die die direkte Berechnung von Ausgangsderivaten überflüssig macht, wobei stabile Filter erster Ordnung eingesetzt werden, um die notwendigen Derivate der Ausgangs- und Eingangssignale zu schätzen.
Störungsrekonstruktion und Parameteridentifikation: Sobald der Zustandschätzwert $\hat{x}_a$ vorliegt, wird das Störsignal $\hat{\delta}$ rekonstruiert. Die Arbeit konzentriert sich auf eine spezifische Klasse von Störungen, die nichtlinear von unbekannten konstanten Parametern abhängen, aber mittels bekannter zeitvarianter Funktionen und Zeitverzögerungen parametrisiert werden können.
Um diese Parameter zu identifizieren, schlagen die Autoren eine neuartige Parametrisierungsmethode vor. Durch Einführung mehrerer Zeitverzögerungen in das rekonstruierte Störsignal wird ein erweitertes Regressionssystem gebildet. Durch ein „Mixing“-Verfahren (unter Verwendung der adjungierten Matrix und der Determinante der Regressionsmatrix) transformieren sie die ursprüngliche nichtlineare Abhängigkeit von den Parametern in eine lineare Regressionsgleichung bezüglich neuer, konstanter Parameterkombinationen. Diese Kombinationen werden dann mittels Standard-Adaptionsalgorithmen, wie der Gradientenmethode oder der rekursiven kleinsten Quadrate, geschätzt. Schließlich werden die ursprünglichen unbekannten Parameter algebraisch aus diesen Schätzungen zurückgewonnen.

Wesentliche Beiträge

Beobachterdesign für Deskriptorsysteme: Die Arbeit liefert eine systematische Methode zum Entwurf von Beobachtern für lineare Deskriptorsysteme mit ungematchten Störungen und vermeidet dabei den Informationsverlust, der oft mit der Reduktion von Deskriptorsystemen auf Standard-ODEs einhergeht.
Strukturelle Bedingungen für die Störungsentkopplung: Die Autoren identifizieren spezifische strukturelle Bedingungen (Annahmen 4 und 5), unter denen die Störung algebraisch aus der Zustandschätzung der Dynamik eliminiert werden kann, was die Konstruktion eines Standard-Beobachters für den dynamischen Teil des Systems ermöglicht.
Nichtlineare-zu-lineare Parametrisierung: Ein wesentlicher Beitrag ist die vorgeschlagene Methode zur Handhabung von Störsignalen, die nichtlinear in ihren unbekannten Parametern sind. Durch die Nutzung von Zeitverzögerungen und des Konzepts der Dynamic Regressor Extension and Mixing (DREM) gelingt es den Autoren, das nichtlineare Identifikationsproblem in ein lineares Regressionsproblem umzuwandeln, was den Einsatz robuster Standard-Schätzverfahren ermöglicht.
Implementierungsstrategie: Die Arbeit beschreibt praktische Implementierungsprobleme, einschließlich der Verwendung von Filtern zur Approximation von Ableitungen sowie der Berechnung eines spezifischen „Startzeitpunkts“ ( $T_{id}$ ) für den Identifikationsalgorithmus, um sicherzustellen, dass die Transienten von Beobachter und Filter abgeklungen sind, bevor die Parameterschätzung beginnt.

Ergebnisse
Die Wirksamkeit der vorgeschlagenen Verfahren wird durch eine numerische Simulation eines akademischen Beispiels eines deskriptiven Systems dritter Ordnung demonstriert. Die Simulationsergebnisse zeigen:

Zustandsschätzung: Der Schätzfehler des dynamischen Zustandsvektors $x_a$ konvergiert gegen Null.
Störungsrekonstruktion: Das rekonstruierte Störsignal $\hat{\delta}$ folgt der tatsächlichen Störung präzise.
Parameteridentifikation: Die unbekannten Parameter der Störung ( $\theta_1, \theta_2$ ) konvergieren nach der anfänglichen Transient-Phase gegen ihre wahren Werte, was das vorgeschlagene Linearisierungs- und Identifikationsschema validiert.

Bedeutung und Behauptungen
Die Arbeit behauptet, dass die vorgeschlagene Methodik einen theoretisch fundierten und praktisch anwendbaren Rahmen für die Beobachtung und Identifikation von Störungen in Deskriptorsystemen bietet. Die Autoren betonen, dass ihr Ansatz die Rekonstruktion des Störsignals und die Identifikation seiner Parameter ermöglicht, was eine Voraussetzung für nachfolgende Aufgaben wie die Störungskompensation und den Entwurf stabilisierender Regler basierend auf dem internen Modellprinzip ist. Die Arbeit hebt hervor, dass man durch eine sorgfältige Analyse der algebraischen Struktur des Systems die Einschränkungen Standard-Beobachterdesigns überwinden kann, die auf der Reduktion auf gewöhnliche Differentialgleichungen beruhen, wodurch die volle Systeminformation erhalten bleibt und die Schätzgenauigkeit verbessert wird. Die Arbeit schließt bescheiden mit der Feststellung, dass numerische Simulationen die Konvergenz der Schätzfehler gegen Null (für Zustände) bzw. in eine Umgebung von Null (für Störung und Parameter) unter den eingeführten Annahmen bestätigen.

Mehr davon