kramann.info
© Guido Kramann

Login: Passwort:










Regelungssysteme
1 day_by_day
2 Heizregelkreis
3 Verzoegerungsglieder
4 Laplace
..4.1 Eigenwerte
..4.2 PT1
..4.3 PRegler
..4.4 Scilab
5 Regleroptimierung
..5.1 Guetefunktion
..5.2 Heuristiken
..5.3 Scilab
..5.4 Gradientenverfahren
..5.5 ModifizierteG
..5.6 Gleichstrommotor
..5.7 Stoerverhalten
6 Javaanwendung
..6.1 PIDgeregelterAntrieb
..6.2 RungeKuttaIntegrator
..6.3 Gradientenverfahren
7 Einstellregeln
..7.1 Totzeit
..7.2 Methode1
..7.3 Methode2
..7.4 Scilab
..7.5 Daempfungsgrad
..7.6 Uebung
8 Polvorgabe
9 Beobachter
10 AutonomerHackenprosche
..10.1 Herleitung
..10.2 Scilab
..10.3 Modellerweiterung
..10.4 Scilab
..10.5 Modellgueltigkeit
..10.6 java
11 Stabilitaet
..11.1 Beispiele
..11.2 Nyqusitkriterium
..11.3 Windup
..11.4 Bode
12 Adaptiv
..12.1 Definition
..12.2 Einachser
..12.3 Auswertung
..12.4 Identifikation
..12.5 Regleroptimierung
..12.6 Zustandsregler
..12.7 Beobachter
13 Analyse
..13.1 Linear
..13.2 Nichtlinear
14 Kalmanfilter
15 Ue_04_2014
..15.1 Geschwindigkeit
..15.2 Richtung
..15.3 Gesamtsystem
..15.4 RiccatiUSW
..15.5 TdOT
16 Inverses_Pendel
17 Einachser
..17.1 Mechanik
..17.2 Uebung8
18 Fuzzy
..18.1 Fuzzylogik
..18.2 FuzzyRegler
..18.3 Uebung9
..18.5 Softwareentwicklung
....18.5.1 AgileSoftwareentwicklung
....18.5.2 FuzzyRegler
....18.5.3 Uebung
..18.6 Umsetzung
....18.6.1 FuzzyRegler
....18.6.2 Simulation
....18.6.3 Optimierung
....18.6.4 Uebung
..18.7 Haengependel
....18.7.1 Haengependel
....18.7.2 Simulation
....18.7.3 FuzzyRegler
....18.7.4 Optimierer
....18.7.5 Genetisch
..18.8 Information
..18.9 Energie
21 Beispiel1
98 day_by_day_WS2021_SoSe21
99 day_by_day_SoSe2018
kramann.info
© Guido Kramann

Login: Passwort:




Nutzung der gewonnenen Meßergebnisse zur Systemidentifikation des Einachsers mittels der Methode der kleinsten Quadrate

(EN google-translate)

(PL google-translate)

001auswertung.zip - Skripte und Daten zur Auswertung der Meßdaten.

Untersuchung der Zeitschrittweite

Die Zeitschrittweite Δt, mit der der MPU6050 bei Verwendung des internen DSP liefert beträgt im Schnitt 10000 Mikrosekunden, also 10 Millisekunden, bzw. eine Hundertstel Sekunde (0,01s).

Die Abtastung beträgt also 100Hz.

Es treten jedoch leichte Schwankungen für Δt auf:

Schwankungen in der Zeitschrittweite

Bild 0-1: Schwankungen in der Zeitschrittweite

Die Datensätze data1, data3 und data4 sind in dieser Weise strukturiert. Dagegen treten bei den Datensätzen data2 und data5 systematische Sprünge in der Zeitschrittweite auf einen doppelten Wert auf und anschließend auf den halben:

Schwankungen in der Zeitschrittweite und systematische Sprünge.

Bild 0-2: Schwankungen in der Zeitschrittweite und systematische Sprünge.

Es werden die Datensätze 1,3 und 4 ausgewertet. Die Zeitschrittweite wird dabei fest auf 10000 Mikrosekunden interpoliert. Eine weitere Vergröberung mit Glättung erscheint unnötig, da die Winkelverläufe relativ störungsfrei gewonnen werden konnten. Zudem stehen dann die Daten gleich in der passenden Schrittweite für einen diskreten Regler zur Verfügung.

t_neu = 0.0:0.01:1.48;
phi_neu = interp1(t,phi_roh,t_neu);
pwm_neu = interp1(t,pwm_roh,t_neu);

Code 0-1: Gewinnung von Datenverläufen mit äquidistanter Zeitschrittweite mit Hilfe von Scilab (Skriptausschnitt)

Verlauf φ und PWM, data1, Skript: aufbereitung1.sce

Bild 0-3: Verlauf φ und PWM, data1, Skript: aufbereitung1.sce

Numerische Bestimmung der zeitlichen Ableitungen des Verkippwinkels φ als Vorbereitung für das LSQ-Verfahren

Verläufe für den Kippwinkel und dessen zeitlichen Ableitungen, data1.

Bild 0-4: Verläufe für den Kippwinkel und dessen zeitlichen Ableitungen, data1.

Datenaufbereitung (Skript aufbereitung1c.sce)

Zum Zweck der identifikation mittels LSQ, werden die Daten auf der Grundlage der Datensätze wie zuvor beschrieben aufbereitet und als datalsq1.mat (data1), datalsq2.mat (data3), datalsq3.mat (data4) abgespeichert.