ML-Systemidentifizierung im Frequenzbereich mit linear und logarithmisch äquidistanten Daten

Abstract

Es wurde anhand von zwei Beispielen aus der Hubschrauberidentifizierung untersucht, ob eine Verwendung von logarithmisch äquidistanten Daten beim ML-Verfahren im Frequenzbereich Vorteile gegenüber linear äquidistanten Daten hat. Dazu wurden Rechnungen mit unterschiedlichen Datenverteilungen durchgeführt und die Ergebnisse und die resultierende Modellgüte im Zeit- und Frequenzbereich verglichen. Zusätzlich wurden zum weiteren Vergleich noch Identifizierungsrechnungen im Zeitbereich (aus Sweep- und Multistep-Manövern) sowie mit der Frequency Response Methode durchgeführt. Die Ergebnisse zeigen, dass die Verwendung von logarithmisch äquidistanten Daten keine Vorteile gegenüber linear äquidistanten Daten bietet. Sie führt zu keiner Verbesserung im niedrigen Frequenzbereich und erfordert eine hohe Datendichte, um Totzeiten zuverlässig identifizieren zu können. Da die Frequency Response Methode direkt die Anpassung der Frequenzgänge implementiert, liefert sie z.T. deutlich bessere Anpassungen, wenn man die Bode Plots betrachtet. Diese Verbesserungen liegen vor allem im eher niederfrequenten Bereich. Da eine Optimierung der Modellanpassung in diesem Frequenzbereich der Anlass für die durchgeführten Untersuchungen war, liegt es nahe, als nächstes die Modellierung mit der Frequency Response Methode gründlicher zu untersuchen.