A mechatronic system, such as a machine tool, a robot or a storage and retrieval gadget, is characterized by the property that a control unit uses actuators to specifically influence the natural characteristics of the system. Often, the best results are achieved when a model of the system forms the basis of the control algorithms. However, deriving physical equations and models is time-consuming, requires expert knowledge, and it is not always known in advance which physical effects should be included or are negligible and what model complexity is appropriate.
In this work, different variants of structure identification are applied to a stacker crane and a positioning drive, focusing on the mechanics, not on the electrical properties of the power electronics or the actuators. With the help of a modular \glqq building set\grqq~commonly used submodels are combined before evaluating the results.
The evaluation focuses on physical interpretability by considering identifiability of the parameters. This results in rather simple and relatively inaccurate models. However, it is shown that by using temporary auxiliary sensors for commissioning, identifiability improves and more complex models become feasible.
Furthermore, distinguishability of different models is investigated based on the input-output behavior. Examples show the need for unambiguous structure identification. Often, however, distinguishability is not given. Again, temporary auxiliary sensors for commissioning are considered as a possibility for improvement.
A shortcoming of distinguishability methods is that they sometimes fail to provide an unambiguous decision. Leveraging this limitation it is shown that the methods are complementary in the sense that most unambiguous statements are obtained when several approaches are combined.
Finally, as a particularly application-specific structure identification, the question of how a model can be optimized for controller design is addressed.
In this case, the cost functions for parameter identification and model selection result from the control objective, so that the latter must be determined in advance.
The resulting models are similar to those obtained with more identification-typical cost functions, except that particularly unfavorable models are successfully avoided.
Ein mechatronisches System, wie eine Werkzeugmaschine, ein Roboter oder ein Regalbediengerät, zeichnet sich dadurch aus, dass eine Steuerungseinheit mithilfe von Aktoren gezielt die natürlichen Eigenschaften des Systems beeinflusst. Häufig kommen die besten Ergebnisse zustande, wenn ein Modell des Systems die Grundlage der Steuerungsalgorithmen darstellt. Doch die Ableitung von physikalischen Gleichungen und Modellen ist zeitaufwendig, verlangt Expertenwissen und es ist nicht immer vorab bekannt, welche physikalischen Effekte mit berücksichtigt werden sollten bzw. vernachlässigbar sind und welche Modellkomplexität angemessen ist.
In dieser Arbeit werden verschiedene Varianten der Strukturidentifikation auf ein Regalbediengerät und einen Positionierantrieb angewandt, wobei der Fokus auf der Mechanik liegt, nicht auf den elektrischen Eigenschaften der Leistungselektronik oder der Aktoren. Mithilfe eines modularen \glqq Baukastensystems\grqq~werden häufig verwendete Teilmodelle zu Gesamtmodellen kombiniert und bewertet.
Bei der Bewertung wird ein Fokus auf die physikalische Interpretierbarkeit gelegt, indem die Identifizierbarkeit der Parameter mit berücksichtigt wird. Dadurch entstehen eher einfache und relativ ungenaue Modelle. Es wird aber gezeigt, dass sich durch die Nutzung von temporärer Zusatzsensorik für die Inbetriebnahme die Identifizierbarkeit verbessert und komplexere Modelle identifizierbar werden.
Weiterhin wird die Unterscheidbarkeit unterschiedlicher Modelle anhand des Ein-Ausgangsverhal-tens untersucht. Beispiele zeigen die Notwendigkeit zur eindeutigen Strukturbestimmung auf. Häufig ist aber die Unterscheidbarkeit nicht gegeben. Auch hier werden temporäre Zusatzsensoren für die Inbetriebnahme als Möglichkeit zur Verbesserung betrachtet.
Eine Einschränkung der Unterscheidbarkeits-Methoden ist, dass sie manchmal keine eindeutige Aussage liefern. Es wird gezeigt, dass die Kombination mehrerer Methoden hier Vorteile bietet.
Als besonders anwendungsspezifische Strukturidentifikation wird zuletzt der Frage nachgegangen, wie ein Modell für die Reglerauslegung optimiert werden kann.
Die Kostenfunktionen für Parameteridentifikation und Modellauswahl ergeben sich in diesem Fall aus dem Regelungsziel, sodass dieses schon vorab feststehen muss. %Außerdem lassen sich Identifikation und Reglerauslegung nicht mehr vollständig trennen.
Die resultierenden Modelle sind ähnlich zu denen, die sich mit eher Identifikations-typischen Kostenfunktionen ergeben, außer dass besonders ungünstige Modelle erfolgreich vermieden werden.