Nonlinear System Identification with an Integrable Continuous Time Nonlinear ARX Model
Résumé
Beside the wide success of discrete time models in system identification, some advantages of continuous time models have also been acknowledged, in particular, the ability of fully benefiting from fast sampling devices. This paper proposes a continuous time black-box model structure for nonlinear system identification, together with an efficient model estimation method. This model structure belongs to the class of continuous time nonlinear ARX (AutoRegressive with eXogenous input) models, with the particularity of being integrable. By applying techniques of adaptive observer, models of the proposed structure can be efficiently estimated from input-output data, without requiring computing time derivatives of the data, which has been a major difficulty for the application of continuous time nonlinear ARX models. The proposed model structure and estimation method are illustrated through the identification of a magneto-rheological fluid damper system.
A côté du large succès des modèles en temps discret dans le domaine de l'automatique, certains avantages des modèles en temps continu ont également été reconnus, notamment la possibilité d'exploiter pleinement les dispositifs d'échantillonnage rapide. Le présent article propose une structure de modèles boîtes-noires pour l'identification de systèmes non linéaires, associée à une méthode d'estimation efficace des modèles. Cette structure de modèles appartient à la classe de modèles non linéaires de type ARX (Auto-Régressifs avec entrées eXogènes) en temps continu, avec la particularité d'être intégrable. En appliquant des techniques d'observateurs adaptatifs, les modèles de la structure proposée peuvent être estimés de manière efficace à partir des données d'entrée-sortie, sans nécessiter le calcul des dérivées temporelles des données. La structure de modèle proposée et la méthode d'estimation sont illustrées par l'identification d'un système d'amortisseur.