시스템 식별

블랙박스 시스템
블랙박스 시스템
시스템.
	블랙박스 · 오라클 머신
방법 및 기술
	블랙박스 테스트 · 블랙박스
관련 기술
	피드 포워드 · 난독화 · 패턴 인식 · 화이트 박스 · 화이트 박스 테스트 · 시스템 식별
기초
	선험적 정보 · 제어 시스템 · 오픈 시스템 · 운용 조사 · 열역학적 시스템
	v; t;

시스템 식별 분야는 통계적 방법을 사용하여 측정된 ^[1]데이터에서 동적 시스템의 수학적 모델을 구축합니다.시스템 식별에는 모델 축소뿐만 아니라 이러한 모델을 적합시키기 위한 유용한 데이터를 효율적으로 생성하기 위한 최적의 실험 설계도 포함됩니다.일반적인 접근방식은 시스템의 동작과 외부 영향(시스템에 대한 입력)의 측정에서 시작하여 시스템 내부에서 실제로 무슨 일이 일어나고 있는지에 대한 많은 세부 사항 없이 이들 사이의 수학적 관계를 결정하는 것입니다. 이 접근방식을 블랙박스 시스템 식별이라고 합니다.

개요

이 맥락에서 동적 수학적 모델은 시간 또는 주파수 영역 중 하나에서 시스템 또는 프로세스의 동적 거동에 대한 수학적 기술입니다.예를 들어 다음과 같습니다.

중력의 영향을 받아 낙하하는 물체의 움직임과 같은 물리적 과정
외부 영향에 반응하는 주식 시장과 같은 경제 과정

시스템 식별의 많은 응용 프로그램 중 하나는 제어 시스템에 있습니다.예를 들어, 시스템 식별 개념이 컨트롤러 설계에 통합되는 최신 데이터 기반 제어 시스템의 기반이며, 공식적인 컨트롤러 최적성 증명을 위한 기반을 마련합니다.

입출력 vs 출력 전용

시스템 식별 기술은 입력 및 출력 데이터(예: eigensystem realization algorithm)를 모두 활용하거나 출력 데이터(예: 주파수 영역 분해)만 포함할 수 있습니다.일반적으로 입출력 기법이 더 정확하지만 입출력 데이터를 항상 사용할 수 있는 것은 아닙니다.

최적의 실험 설계

시스템 식별 품질은 시스템 엔지니어가 제어하는 입력 품질에 따라 달라집니다.따라서 시스템 엔지니어들은 오랫동안 ^[2]실험 설계의 원리를 사용해 왔습니다.최근 수십 년 동안 엔지니어는 최적의 실험 설계 이론을 사용하여 최대한 정확한 ^[3]^[4]추정치를 산출하는 입력을 지정해 왔다.

화이트 박스 및 블랙 박스

예를 들어 뉴턴 방정식의 물리적 과정을 위한 모형과 같은 첫 번째 원리에 기초한 소위 화이트 박스 모델을 만들 수 있지만, 많은 경우 그러한 모형은 지나치게 복잡하며 많은 시스템과 과정의 복잡한 특성 때문에 합리적인 시간 내에 얻는 것이 불가능할 수도 있습니다.

따라서 훨씬 더 일반적인 접근법은 시스템의 동작과 외부 영향(시스템에 대한 입력)의 측정에서 시작하여 시스템 내부에서 실제로 무슨 일이 일어나고 있는지 자세히 설명하지 않고 이들 사이의 수학적 관계를 결정하려고 시도하는 것입니다.이 방법을 시스템 식별이라고 합니다.시스템 식별 분야에서는 다음 두 가지 모델이 공통적으로 사용됩니다.

회색 상자 모델: 시스템 내부에서 일어나는 일의 특수성은 완전히 알려져 있지 않지만, 시스템에 대한 통찰력과 실험 데이터를 모두 기반으로 한 특정 모델이 구축됩니다.그러나 이 모델에는 아직 ^[5]^[6]시스템 식별을 사용하여 추정할 수 있는 알 수 없는 자유 파라미터가 다수 존재합니다.한 가지^[7] 예는 미생물 증식에 모노드 포화 모델을 사용합니다.이 모델은 기질 농도와 성장률 사이의 단순한 쌍곡 관계를 포함하고 있지만, 이것은 분자의 종류나 결합 유형에 대해 자세히 설명하지 않고 기질에 결합하는 분자에 의해 정당화될 수 있다.회색 상자 모델링은 반물리 ^[8]모델링이라고도 합니다.
블랙박스 모델:이전 모델은 없습니다.대부분의 시스템 식별 알고리즘은 이 유형입니다.

비선형 시스템 식별의 맥락에서 Jin ^[9]등은 모델 구조를 선험적으로 가정하고 모델 매개변수를 추정함으로써 회색 상자 모델링을 설명한다.모형 형태를 알고 있는 경우 모수를 추정하는 것은 비교적 쉽지만, 거의 그렇지 않습니다.또는 NARMAX ^[10]방법을 사용하여 선형 및 고복잡한 비선형 모델 모두에 대한 구조 또는 모델 항을 식별할 수 있습니다.이 접근 방식은 완전히 유연하며 알고리즘이 알려진 용어로 준비되는 회색 상자 모델 또는 식별 절차의 일부로 모델 용어를 선택하는 완전한 블랙 상자 모델에 사용할 수 있습니다.이 접근법의 또 다른 장점은 연구 대상 시스템이 선형일 경우 알고리즘이 선형 항을 선택하고 시스템이 비선형일 경우 비선형 항을 선택하므로 식별에 상당한 유연성이 있다는 것이다.

관리를 위한 식별

제어 시스템 애플리케이션에서 엔지니어의 목적은 물리적 시스템, 피드백 루프 및 컨트롤러를 포함하는 폐쇄 루프 시스템의 우수한 성능을 얻는 것이다.이 성능은 일반적으로 실험 데이터에서 식별해야 하는 시스템 모델에 의존하여 제어 법칙을 설계함으로써 달성된다.모델 식별 절차가 제어 목적을 위한 것이라면, 정말로 중요한 것은 기존의 시스템 식별 접근법에서처럼 데이터에 맞는 최상의 가능한 모델을 얻는 것이 아니라 폐쇄 루프 성능에 충분히 만족하는 모델을 얻는 것이다.이 보다 최근의 접근방식은 제어를 위한 식별, 즉 I4C라고 불립니다.

I4C의 배후에 있는 아이디어는 다음과 같은 간단한 ^[11]예를 통해 더 잘 이해할 수 있습니다.진정한 전송 $G_{0}(s)$ $G_{0}(s)$ ( $G_{0}(s)$ $)\displaystyle G_{0}(s$ 을(를) 사용하는 시스템을 검토합니다.

G_{0}(s)=black {1}{s+1}

$및$ 식별된 ${\hat {G}}(s)$ G ${\hat {G}}(s)$ ^ ${\hat {G}}(s)$ ( ${\hat {G}}(s)$ s ) { $displaystyle {G}}$ $s$ ) :

(\displaystyle {G}}(s)=svsfrac {1}{s}).}

기존의 시스템 식별 관점에서 ${\hat {G}}(s)$ ${\hat {G}}(s)$ $displaystyle\hat {G})$ 는 ${\hat {G}}(s)$ $G_{0}(s)$ 으로 $s)$ 의 좋은 모델이 아닙니다 ${\hat {G}}(s)$ displaystyle ${\hat {G}}(s)$ $G_{0}(s$ $)$ 의 ${\hat {G}}(s)$ 및 위상은 $G^(s$ $)$ 의 ${\hat {G}}(s)$ 0 $G_{0}(s)$ 과 다릅니다.저주파로 $G_{0}(s)$ G 0 $G_{0}(s)$ ( $s$ ){ $displaystyle$ G_ ${0}$ ( $G_{0}(s)$ )는 점근적으로 ${\hat {G}}(s)$ 된 $G_{0}(s)$ 인 ${\hat {G}}(s)$ 반면 ${\hat {G}}(s)$ G ${\hat {G}}(s)$ ( ${\hat {G}}(s)$ ){ displaystyle ${G}$ ( $s)$ 는 ${\hat {G}}(s)$ 단순히 안정된 시스템입니다.단, G ${\hat {G}}(s)$ ( ${\hat {G}}(s)$ $)($ style ${hat {G}}(s)$ 은 ${\hat {G}}(s)$ 여전히 제어 목적에 적합한 모델일 수 있습니다.실제로 $고게인$ K $(\displaystyle$ K $K$ 의 순수 비례 네거티브 피드백 컨트롤러를 적용하려는 경우 출력에 대한 참조로부터의 폐쇄 루프 전송 함수는 $G_{0}(s)$ 0 $)$ 의 $G_{0}(s)$ {\displaystyle $G_{0}(s)}$ 입니다.

{KG_{0}(s)}{1+KG_{0}}}=scfrac {K}{s+1+K}

G ${\hat {G}}(s)$ ( ${\hat {G}}(s)$ s $)$ 의 ${\hat {G}}(s)$ ${style$ {G $}}$ 을(를 $) 표시$ 합니다.

{K{\hat {G}}{1+K{\hat {G}}}}={s+K}}

K $(디스플레이$ $스타일$ K)는 매우 크기 때문에 1 $1+K\approx K$ K $1+K\approx K$ K $(디스플레이 스타일$ 1 + $K$ \ 약 K $1+K\approx K$ 이므로 2개의 폐루프 전송 함수를 구분할 수 없습니다.결론적으로 피드백 제어법을 적용해야 하는 경우 ${\hat {G}}(s)$ G ${\hat {G}}(s)$ ^ ${\hat {G}}(s)$ ( s ) ${\hat {G}}(s)$ ( \ $displaystyle \ hat$ { $G}}$ ( $s$ )는 ${\hat {G}}(s)$ 진정한 시스템에 대해 완벽하게 허용되는 식별 모델입니다.모델이 제어설계에 적합한지 여부는 발전소/모델 불일치뿐만 아니라 구현되는 제어기에 따라서도 달라진다.이와 같이 I4C 프레임워크에서 제어 성능 목표가 주어진 경우 제어 엔지니어는 모델 기반 컨트롤러가 실제 시스템에서 달성한 성능이 가능한 한 높아지도록 식별 단계를 설계해야 한다.

시스템 모델을 명시적으로 식별하지 않고 실험 데이터에 직접 작업하는 것이 컨트롤러를 설계하는 것이 훨씬 더 편리할 수 있습니다.이는 직접 데이터 중심 제어 시스템의 경우입니다.

전진 모델

인공지능의 공통적인 이해는 컨트롤러가 로봇의 다음 동작을 생성해야 한다는 것입니다.예를 들어, 로봇은 미로에서 시작하고 나서 앞으로 나아가기로 결정한다.모델 예측 제어는 다음 동작을 간접적으로 결정합니다."모델"이라는 용어는 올바른 액션을 제공하지 ^[12]않지만 시나리오를 시뮬레이션하는 미래 모델을 의미합니다.전진 모델은 게임 프로그래밍에서 사용되는 물리 엔진과 동일합니다.모델은 입력을 받아 시스템의 미래 상태를 계산합니다.

전용 전진 모델이 구축되는 이유는 제어 프로세스 전체를 분할할 수 있기 때문입니다.첫 번째 질문은 시스템의 미래 상태를 어떻게 예측할 것인가이다.즉, 다른 입력 값에 대해 시간 간격에 걸쳐 발전소를 시뮬레이션해야 합니다.두 번째 작업은 플랜트를 목표 상태로 만드는 일련의 입력값을 검색하는 것입니다.이를 예측 제어라고 합니다.

전방 모델은 MPC 컨트롤러의 가장 중요한 측면입니다.솔버가 실현되기 전에 생성되어야 합니다.시스템의 동작이 불분명한 경우 의미 있는 동작을 검색할 수 없습니다.정방향 모델을 생성하는 워크플로우를 시스템 식별이라고 합니다.이 아이디어는 시스템을 원래의 ^[13]시스템처럼 동작하는 일련의 방정식으로 공식화하는 것입니다.실제 시스템과 순방향 모델 사이의 오차를 측정할 수 있습니다.

전진 모델을 만드는 데는 많은 기술을 사용할 수 있습니다. Box2d와 같은 물리 엔진에서 사용되는 일반적인 미분 방정식입니다.보다 최근의 기술은 순방향 모델을 ^[14]만들기 위한 뉴럴 네트워크입니다.

「」를 참조해 주세요.

레퍼런스

^ Torsten, Söderström; Stoica, P. (1989). System identification. New York: Prentice Hall. ISBN 978-0138812362. OCLC 16983523.
^ Spall, J. C. (2010), "효율적인 실험을 위한 요인 설계:시스템 식별을 위한 정보 데이터 생성", IEEE Control Systems Magazine, vol. 30(5), 페이지 38-53.https://doi.org/10.1109/MCS.2010.937677
^ Goodwin, Graham C. & Payne, Robert L. (1977). Dynamic System Identification: Experiment Design and Data Analysis. Academic Press. ISBN 978-0-12-289750-4.
^ Walter, Éric & Pronzato, Luc (1997). Identification of Parametric Models from Experimental Data. Springer.
^ Nielsen, Henrik Aalborg; Madsen, Henrik (December 2000). "Predicting the Heat Consumption in District Heating Systems using Meteorological Forecasts" (PDF). Lyngby: Department of Mathematical Modelling, Technical University of Denmark. S2CID 134091581. Archived from the original (PDF) on 2017-04-21. {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)
^ Nielsen, Henrik Aalborg; Madsen, Henrik (January 2006). "Modelling the heat consumption in district heating systems using a grey-box approach". Energy and Buildings. 38 (1): 63–71. doi:10.1016/j.enbuild.2005.05.002. ISSN 0378-7788.
^ Wimpenny, J.W.T. (April 1997). "The Validity of Models". Advances in Dental Research. 11 (1): 150–159. doi:10.1177/08959374970110010601. ISSN 0895-9374. PMID 9524451. S2CID 23008333.
^ Forssell, U.; Lindskog, P. (July 1997). "Combining Semi-Physical and Neural Network Modeling: An Example of Its Usefulness". IFAC Proceedings Volumes. 30 (11): 767–770. doi:10.1016/s1474-6670(17)42938-7. ISSN 1474-6670.
^ Gang Jin; Sain, M.K.; Pham, K.D.; Billie, F.S.; Ramallo, J.C. (2001). Modeling MR-dampers: a nonlinear BlackBox approach. Proceedings of the 2001 American Control Conference. (Cat. No.01CH37148). IEEE. doi:10.1109/acc.2001.945582. ISBN 978-0780364950. S2CID 62730770.
^ Billings, Stephen A (2013-07-23). Nonlinear System Identification: NARMAX Methods in the Time, Frequency, and Spatio–Temporal Domains. doi:10.1002/9781118535561. ISBN 9781118535561.
^ Gevers, Michel (January 2005). "Identification for Control: From the Early Achievements to the Revival of Experiment Design*". European Journal of Control. 11 (4–5): 335–352. doi:10.3166/ejc.11.335-352. ISSN 0947-3580. S2CID 13054338.
^ Nguyen-Tuong, Duy and Peters, Jan (2011). "Model learning for robot control: a survey". Cognitive Processing. Springer. 12 (4): 319–340. doi:10.1007/s10339-011-0404-1. PMID 21487784. S2CID 8660085.{{cite journal}}: CS1 maint: 여러 이름: 작성자 목록(링크)
^ Kopicki, Marek and Zurek, Sebastian and Stolkin, Rustam and Moerwald, Thomas and Wyatt, Jeremy L (2017). "Learning modular and transferable forward models of the motions of push manipulated objects". Autonomous Robots. Springer. 41 (5): 1061–1082. doi:10.1007/s10514-016-9571-3.{{cite journal}}: CS1 maint: 여러 이름: 작성자 목록(링크)
^ Eric Wan and Antonio Baptista and Magnus Carlsson and Richard Kiebutz and Yinglong Zhang and Alexander Bogdanov (2001). Model predictive neural control of a high-fidelity helicopter model. {AIAA. American Institute of Aeronautics and Astronautics. doi:10.2514/6.2001-4164.

추가 정보

Goodwin, Graham C. & Payne, Robert L. (1977). Dynamic System Identification: Experiment Design and Data Analysis. Academic Press.
다니엘 그라우프:시스템 식별(Van Nostrand Reinhold, New York), 1972년(2일판, Krieger Publ).Malabar, FL, 1976년)
아이호프, 피터:시스템 식별 – 파라미터와 시스템 평가, John Wiley & Sons, New York, 1974.ISBN 0-471-24980-7
Lennart Ljung:시스템 식별 - 사용자를 위한 이론, 제2판, PTR 프렌티스 홀, 어퍼 새들 리버, 1999년
Jer-Nan Juang: N.J. 어퍼 새들 리버 프렌티스 홀, 응용 시스템 식별.
Kushner, Harold J. and Yin, G. George (2003). Stochastic Approximation and Recursive Algorithms and Applications (Second ed.). Springer.{{cite book}}: CS1 maint: 여러 이름: 작성자 목록(링크)
올리버 넬스:비선형 시스템 식별, Springer, 2001.ISBN 3-540-67369-5
T. Söderström, P. Stoica, 시스템 식별, 프렌티스 홀, 어퍼 새들 리버, N.J., 1989.ISBN 0-13-881236-5
R. Pintelon, J. Schoukens, 시스템 식별: 주파수 도메인 접근법, 제2판, IEEE Press, Wiley, 2012.ISBN 978-0-470-64037-1
Spall, J. C.(2003), 확률적 검색 및 최적화 소개: 추정, 시뮬레이션 및 제어, Wiley, Hoboken, NJ.
Walter, Éric & Pronzato, Luc (1997). Identification of Parametric Models from Experimental Data. Springer.

외부 링크

[1] Torsten, Söderström; Stoica, P. (1989). System identification. New York: Prentice Hall. ISBN 978-0138812362. OCLC 16983523.

[2] Spall, J. C. (2010), "효율적인 실험을 위한 요인 설계:시스템 식별을 위한 정보 데이터 생성", IEEE Control Systems Magazine, vol. 30(5), 페이지 38-53.https://doi.org/10.1109/MCS.2010.937677

[3] Goodwin, Graham C. & Payne, Robert L. (1977). Dynamic System Identification: Experiment Design and Data Analysis. Academic Press. ISBN 978-0-12-289750-4.

[4] Walter, Éric & Pronzato, Luc (1997). Identification of Parametric Models from Experimental Data. Springer.

[Nielsen-5] Nielsen, Henrik Aalborg; Madsen, Henrik (December 2000). "Predicting the Heat Consumption in District Heating Systems using Meteorological Forecasts" (PDF). Lyngby: Department of Mathematical Modelling, Technical University of Denmark. S2CID 134091581. Archived from the original (PDF) on 2017-04-21. {{cite journal}}:Cite 저널 요구 사항 journal=(도움말)

[Nielsen2-6] Nielsen, Henrik Aalborg; Madsen, Henrik (January 2006). "Modelling the heat consumption in district heating systems using a grey-box approach". Energy and Buildings. 38 (1): 63–71. doi:10.1016/j.enbuild.2005.05.002. ISSN 0378-7788.

[7] Wimpenny, J.W.T. (April 1997). "The Validity of Models". Advances in Dental Research. 11 (1): 150–159. doi:10.1177/08959374970110010601. ISSN 0895-9374. PMID 9524451. S2CID 23008333.

[8] Forssell, U.; Lindskog, P. (July 1997). "Combining Semi-Physical and Neural Network Modeling: An Example of Its Usefulness". IFAC Proceedings Volumes. 30 (11): 767–770. doi:10.1016/s1474-6670(17)42938-7. ISSN 1474-6670.

[9] Gang Jin; Sain, M.K.; Pham, K.D.; Billie, F.S.; Ramallo, J.C. (2001). Modeling MR-dampers: a nonlinear BlackBox approach. Proceedings of the 2001 American Control Conference. (Cat. No.01CH37148). IEEE. doi:10.1109/acc.2001.945582. ISBN 978-0780364950. S2CID 62730770.

[10] Billings, Stephen A (2013-07-23). Nonlinear System Identification: NARMAX Methods in the Time, Frequency, and Spatio–Temporal Domains. doi:10.1002/9781118535561. ISBN 9781118535561.

[11] Gevers, Michel (January 2005). "Identification for Control: From the Early Achievements to the Revival of Experiment Design*". European Journal of Control. 11 (4–5): 335–352. doi:10.3166/ejc.11.335-352. ISSN 0947-3580. S2CID 13054338.

[12] Nguyen-Tuong, Duy and Peters, Jan (2011). "Model learning for robot control: a survey". Cognitive Processing. Springer. 12 (4): 319–340. doi:10.1007/s10339-011-0404-1. PMID 21487784. S2CID 8660085.{{cite journal}}: CS1 maint: 여러 이름: 작성자 목록(링크)

[13] Kopicki, Marek and Zurek, Sebastian and Stolkin, Rustam and Moerwald, Thomas and Wyatt, Jeremy L (2017). "Learning modular and transferable forward models of the motions of push manipulated objects". Autonomous Robots. Springer. 41 (5): 1061–1082. doi:10.1007/s10514-016-9571-3.{{cite journal}}: CS1 maint: 여러 이름: 작성자 목록(링크)

[14] Eric Wan and Antonio Baptista and Magnus Carlsson and Richard Kiebutz and Yinglong Zhang and Alexander Bogdanov (2001). Model predictive neural control of a high-fidelity helicopter model. {AIAA. American Institute of Aeronautics and Astronautics. doi:10.2514/6.2001-4164.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

Search

시스템 식별

네임스페이스

더

목차

개요

입출력 vs 출력 전용

최적의 실험 설계

화이트 박스 및 블랙 박스

관리를 위한 식별

전진 모델

「」를 참조해 주세요.

레퍼런스

추가 정보

외부 링크

Search

시스템 식별

개요

입출력 vs 출력 전용

최적의 실험 설계

화이트 박스 및 블랙 박스

관리를 위한 식별

전진 모델

「 」를 참조해 주세요.

레퍼런스

추가 정보

외부 링크

「」를 참조해 주세요.