Идентификация параметров модели глубины погружения подводного аппарата на базе процедуры динамического расширения и смешивания регрессора

Представлено решение задачи оценивания параметров динамической модели глубины погружения необитаемого подводного аппарата. Для решения задачи предложен новый закон идентификации, основанный на процедуре динамического расширения и смешивания регрессора и алгоритме усреднения оценок неизвестных параметров. Полученная модель с идентифицированными параметрами с достаточной точностью аппроксимирует динамику глубины погружения реального аппарата и подходит для дальнейшего расчета на ее основе робастных типовых регуляторов. 

1. O'Dwyer A. Handbook of PI and PID controller tuning rules. World Scientific, 2009.

2. Astrom K. J. PID controllers: theory, design, and tuning / The International Society of Measurement and Control. 1995.

3. Ziegler J. G., Nichols N. B. Optimum settings for automatic controllers // Trans. of the American Society of Mechanical Engineers. 1942. Vol. 64, N 8. P. 759—765. DOI: 10.1115/1.4019264.

4. Яковис Л. М. Простые способы расчета типовых регуляторов для сложных объектов промышленной автоматизации // Автоматизация в промышленности. 2007. № 6. С. 51—56.

5. Ротач В. Я. Расчет настройки промышленных систем регулирования. М. — Л.: Госэнергоиздат, 1961. 344 с.

6. Рабкин Г. Л., Митрофанов В. А., Штеренберг Ю. О. Об определении численных значений коэффициентов передаточных функций линеаризованных звеньев и систем по экспериментальным частотным характеристикам // Автоматика и телемеханика. 1955. Т. 16, № 5. С. 488—494.

7. Pintelon R., Guillaume P., Rolain Y., Schoukens J., Van Hamme H. Parametric identification of transfer functions in the frequency domain-a survey // IEEE Trans. on Automatic Control. 1994. Vol. 39, N 11. P. 2245—2260. DOI: 10.1109/9.333769.

8. Ortega R., Nikiforov V., Gerasimov D. On modified parameter estimators for identification and adaptive control. A unified framework and some new schemes // Annual Rev. in Control. 2020. Vol. 50. P. 278—293. DOI: 10.1016/j.arcontrol.2020.06.002.

9. Guo K., Pan Y. Composite adaptation and learning for robot control: A survey // Annual Rev. in Control. 2023. Vol. 55. P. 279—290. DOI: 10.1016/j.arcontrol.2022.12.001.

10. Wang L., Ortega R., Bobtsov A., Romero J. G., Yi B. Identifiability Implies Robust, Globally Exponentially Convergent On-line Parameter Estimation // Intern. Journal of Control. 2023. P. 1—16. DOI: 10.1080/00207179.2023.2246595.

11. Gerasimov D. N., Nikiforov V. O. On key properties of the Lion's and Kreisselmeier's adaptation algorithms // Intern. Journal of Adaptive Control and Signal Processing. 2022. Vol. 36, N 6. P. 1285—1304. DOI: 10.1002/acs.3311.

12. Ortega R., Gromov V., Nuño E., Pyrkin A., Romero J. G. Parameter estimation of nonlinearly parameterized regressions without overparameterization: application to adaptive control // Automatica. 2021. Vol. 127. P. 109544. DOI: 10.1016/j.automatica.2021.109544.

13. Abdulov A., Abramenkov A. Extra Steering for ROV Control System by Tracking the Gamepad Orientation // Proc. of the Intern. Russian Automation Conf. (RusAutoCon). Sochi: IEEE, 2021. P. 1041—1045. DOI: 10.1109/RusAutoCon52004.2021.9537456.

14. Fossen T. I. Handbook of marine craft hydrodynamics and motion control. John Wiley and Sons, 2011.

15. Glushchenko A., Lastochkin K. Exact asymptotic estimation of unknown parameters of regressionequations with additive perturbations // Preprint arxiv.org 2310.14073. P. 1—6. https://arxiv.org/abs/2310.14073.