Modeling, estimation and identification of complex system dynamics: issues and solutions

Models of real systems are of fundamental importance in all disciplines, and they are useful for system analysis, prediction or simulation of a real system. Two practices exist to define models: modeling by physical laws and by identification. Physical modeling is based on known laws. Identification consists in the selection of a model in a specified class on the basis of observations performed on the system to be described. A contribution to complex system dynamics identification and estimation is given. With particular attention to real systems, three solutions are discussed. The first issue deals with a Municipal Solid Waste incinerator, where first principles mathematical models are too complex to be implemented. The procedure proposed is able to estimate and predict, the steam production of a MSW incinerator. The learning algorithm is based on radial basis function networks and combines the Minimal Resource Allocating Network technique with an adaptive extended Kalman filter to update the network parameters. The second issue regard the control error compensation for an industrial manipulator. If a controller is well designed the control error cannot be compensated. However in the discrete Sliding Mode Controller, control errors carry information about residual dynamics. Two approaches are proposed for uncertainties compensations, the objective is to develop a more robust and accurate discrete SMC using two solutions, a model based uncertainty estimator, and an auto-tuning predictor. Fault Detection and Diagnosis has received an increasing interest in years. The last issue regard a Fault Detection and Isolation procedure that is applied for the defects detection and analysis of electrical motors at the end of the production line in a hoods production plant. The objective consists of detect and identify defective motors for the quality analysis. A signal based FDI approach is preferred for the characteristics of acquired signals and for the implementation solution.

La modellazione dei sistemi è di fondamentale importanza in tutte le discipline, sono utili per l’analisi, la previsione o la simulazione dei sistemi. Esistono due pratiche per definire modelli: modellazione e di identificazione. La modellazione è basata su leggi note. L’identificazione consiste nella selezione di un modello sulla base delle osservazioni effettuate sul sistema. In questo lavoro si è dato un contributo all’identificazione e stima di dinamiche complesse di sistemi. Con attenzione ai sistemi reali, sono proposte tre soluzioni. Il primo argomento riguarda un inceneritore per rifiuti solidi urbani, dove i modelli matematici sono troppo complessi per essere utilizzati. La soluzione data è in grado di stimare e predire, la produzione di vapore di un inceneritore RSU. L’algoritmo di apprendimento si basa su reti di funzioni a base radiale e combina la tecnica Minimal Resource Allocating Network con un filtro di Kalman esteso adattativo per aggiornare i parametri della rete. Il secondo problema riguarda la compensazione degli errori di controllo per un manipolatore industriale. Se un contro è ben progettato l’errore di controllo non può essere compensato. Tuttavia nel controllo Sliding Mode discreto, l’errore di controllo presenta dinamiche residue. Si propongono sue approcci per compensare l’incertezza, l’obiettivo è sviluppare un SMC discreto più robusto con due soluzioni, una basata sullo stimatore di incertezza del modello, e un predittore autosintonizzante. La diagnosi guasti ha ricevuto un crescente interesse degli ultimi anni. L’ultimo argomento riguarda una procedura di rilevamento guasti e isolamento per la rilevazione e l’analisi di difetti di motori elettrici a fine linea di un impianto di produzione di cappe. L’obiettivo consiste nel rilevare e identificare i motori difettosi per l’analisi di qualità. Un approccio diagnostico basato sull’analisi dei segnali è preferibile per le caratteristiche dei segnali acquisiti e per la soluzione di implementazione.