MAGGY HANDS - ON CONTROL LEARNING WITH A MAGLEV SYSTEM

Abstract

Denne oppgaven utforsker detaljene i systemidentifikasjon, som er en avgjørende metodikk i automatisk kontroll for modellering av dynamiske systemer basert på observerte inngangs-utgangsdata. Den starter med en grunnleggende forklaring på parametrisk og ikke-parametrisk modelleringsmetodikk, og fremhever deres fordeler og databehov. Kjernen i teksten er dedikert til diskusjon av ulike identifikasjonsmetoder, inkludert den deterministisk-stokastiske realiseringen (DSR), numeriske algoritmer for subspace state space systemidentifikasjon (N4SID), og flervariabel utgangsfeil state space (MOESP) metoder, med vekt på deres anvendelser i både åpne og lukkede systemer.

Det er lagt betydelig vekt på den praktiske implementeringen av disse metodene for å estimere tilstandsromsmodeller. Denne oppgaven introduserer også konseptet med prediksjonsfeilmetoden (PEM) for raffinering av systemmodeller og diskuterer bruk av subspace identifikasjonsteknikker for å forbedre modellnøyaktighet uten komplekse optimaliseringsprosesser.

Til slutt fungerer denne oppgaven som en omfattende guide som ikke bare diskuterer de teoretiske aspektene ved systemidentifikasjon, men også gir en detaljert retningslinje for dens praktiske anvendelse, noe som gjør den til en verdifull ressurs for ingeniører og forskere innen kontrollsystemer.

This thesis explores the details of system identification, which is a crucial methodology in automatic control for modeling dynamic systems based on observed input-output data. It begins with a foundational explanation of parametric and nonparametric modeling approaches, highlighting their advantages and computational requirements. The core of the text is dedicated to discussing various identification methods, including the deterministic-stochastic realization (DSR), numerical algorithms for subspace state space system identification (N4SID), and multivariable output-error state space (MOESP) methods, highlighting their applications in both open-loop and closed-loop systems.

A significant focus is placed on the practical implementation of these methods to estimate the state-space models. This thesis also introduces the concept of the Prediction Error Method (PEM) for refining system models and discusses the use of subspace identification techniques to enhance model accuracy without complex optimization processes.

Ultimately, this thesis serves as a comprehensive guide that not only discusses the theoretical aspects of system identification but also provides a detailed guideline for its practical application, making it a valuable resource for engineers and researchers in the field of control systems.