- •1. ОБЩАЯ ХАРАКТЕРИСТИКА ЗАДАЧ МОДЕЛИРОВАНИЯ И ИСПЫТАНИЙ СИСТЕМ УПРАВЛЕНИЯ
- •1.1. Основные особенности моделирования систем с учетом реальных условий их применения
- •1.2. Основные свойства и характеристики моделей
- •1.3. Особенности моделирования и испытаний сложных систем
- •1.4. Показатели эффективности систем
- •2. КЛАССИФИКАЦИЯ МОДЕЛЕЙ СИСТЕМ УПРАВЛЕНИЯ
- •2.1. Классификация моделей по способу физической реализации
- •2.2. Классификация моделей по форме математического описания
- •2.3. Детерминированные конечные автоматы и их применение при построении моделей сложных систем
- •2.4. Вероятностные автоматы и марковские цепи
- •2.5. Модели с дискретными состояниями и непрерывным временем
- •2.6. Алгоритмы реализации моделей
- •3. МЕТОД СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ
- •3.1. Теоретические основы метода статистического моделирования
- •3.2. Понятие оценки. Свойства оценок
- •3.3. Точность оценок и определение необходимого количества опытов
- •3.4. Пример использования метода Монте-Карло
- •3.5. Способы построения генераторов случайных чисел
- •3.5.1. Аппаратные способы построения генераторов случайных чисел
- •3.5.2. Программные способы построения генераторов случайных чисел
- •3.6. Методы восстановления закона распределения по результатам статистического моделирования
- •3.6.1. Параметрические методы восстановления закона распределения
- •3.6.2. Непараметрические методы восстановления закона распределения
- •3.7.1. Критерий согласия Пирсона
- •3.7.2. Критерий согласия Колмогорова
- •3.7.3. Другие задачи проверки статистических гипотез, виды критериев и их характеристики
- •3.8. Пример статистической имитационной модели системы со случайными параметрами
- •3.9. Моделирование случайных векторов
- •3.9.1. Метод условных распределений
- •3.9.2. Методы преобразования случайных координат
- •3.9.3. Метод Неймана
- •4.1. Основные формы описания непрерывных случайных процессов
- •4.2. Спектральный метод расчета установившегося случайного процесса в линейной стационарной системе
- •4.3. Статистическая линеаризация нелинейной стационарной системы
- •4.4. Расчет установившегося случайного процесса в нелинейной стационарной системе
- •4.5. Определение характеристик нестационарных случайных процессов методом весовых функций
- •4.7. Моделирование нестационарных случайных процессов в нелинейных системах методом динамики средних
- •4.8. Построение моделей случайных процессов в дискретных системах
- •4.9. Методы моделирования случайных процессов с заданными характеристиками
- •4.9.1. Метод формирующего фильтра
- •4.9.2. Метод скользящего суммирования
- •4.10. Пример статистической имитационной модели системы со случайными параметрами при действии случайной помехи
- •5. СПОСОБЫ СНИЖЕНИЯ ТРУДОЕМКОСТИ СТАТИСТИЧЕСКОГО МОДЕЛИРОВАНИЯ
- •5.1. Основные методы уменьшения дисперсии оценки
- •5.1.1. Метод выделения главной части
- •5.1.2. Метод существенной выборки
- •5.1.3. Метод расслоенной выборки (выборка по группам)
- •5.2. Комбинированные методы получения оценок
- •5.2.1. Оценка статистической характеристики сложной математической модели с использованием результатов аналитического упрощенного исследования
- •Литература
- •СОДЕРЖАНИЕ
n n1 |
|
K y n, , n1 , 1 w n, , k w n1 , 1 ,l K g k,l |
(4.42) |
k 0 l 0 |
|
или для дисперсии |
|
n n |
|
Dy n, w n, , k w n, ,l K g k,l . |
(4.43) |
k 0 l 0
Если входной сигнал представляет собой белый шум Kg (k,l)=G0 kl , гдеkl = (k-l) - единичная импульсная функция, вторая сумма в соотношении (4.43) сокращается до одного слагаемого:
n
w n, ,l G0 kl G0 w n, , k ,
l 0
и в результате
n |
|
Dy n, G0 w n, , k 2 . |
(4.44) |
k 0
Для стационарной системы и несмещенных моментов времени соотношения (4.40)-(4.44) принимают вид
n |
n |
|
|
|
Y n w n k G k w k G n k , |
|
|
||
k 0 |
k 0 |
|
|
|
n |
n |
|
|
|
my n w n k mg k w k mg n k |
, |
|
||
k 0 |
k 0 |
|
|
|
n n1 |
|
|
|
|
K y n, n1 w n k w n1 l K g k,l , |
|
|||
k 0 l 0 |
|
|
|
|
n n |
|
|
|
|
Dy n w n k w n l K g k,l , |
|
|
|
|
k 0 l 0 |
|
|
|
|
n |
n |
|
|
|
Dy n G0 w n k 2 G0 w k |
2 . |
(4.45) |
||
k 0 |
k 0 |
|
|
|
4.9. Методы моделирования случайных процессов с заданными характеристиками
Применение рассмотренных выше методов математического моделирования случайных процессов в системах управления связано с рядом огр а- ничений. Построение аналитических моделей возможно только в простейших
133
случаях, а наиболее универсальный из рассмотренных метод динамики средних требует численного интегрирования. Порядок модели, построенной по методу динамики средних, в несколько раз превышает порядок моделируемой системы, а входные воздействия могут учитываться только в форме б е- лых шумов. Поэтому для достаточно сложных задач неизбежно использование статистического имитационного моделирования, несмотря на выс окую его трудоемкость. Кроме того, статистическое имитационное моделирование применяется для проверки точности и достоверности результатов, полученных другими методами, требующими более жестких допущений о характеристиках моделируемых процессов.
При статистическом имитационном моделировании на основе матем а- тических, полунатурных и других моделей возникает задача имитации внешних воздействий на систему, имеющих форму случайных процессов с определенными характеристиками. Эта задача решается путем построения генераторов случайных процессов.
Рассмотрим задачу имитации одномерного случайного процесса X(t). Получаемые реализации должны подчиняться закону распределения с заданной ПРВ f(x) и иметь заданную корреляционную функцию Kx( ). Генератор случайного процесса с заданными характеристиками обычно строится на основе генератора белого шума.
При математическом моделировании используются стандартные генераторы псевдослучайных чисел с равномерным или нормальным законом распределения. Такие генераторы обычно обеспечивают получение последовательностей чисел с достаточно низкой взаимной зависимостью. Если
рассматривать такую последовательность 1, 2,…, i,…, n |
как последова- |
|||
тельность значений процесса (t), |
зарегистрированных в моменты врем ени |
|||
t1<t2< <ti< <tn с постоянным |
шагом t: |
(t1)= 1, |
(t2)= 2, |
|
(ti)= i, (tn)= n, ti+1=ti+ t, будет получена модель дискретного белого шума. При t 0 перейдем к модели непрерывного белого шума. При использовании ЦВМ шаг t всегда конечен. Поэтому его величину приходится учитывать при расчете параметров цифровых моделей непрерывных случа й- ных процессов.
Для получения случайного процесса с названными выше характер истиками из белого шума с равномерным или нормальным законом распр еделения необходимо обеспечить: заданный закон распределения - эта задача решается рассмотренными выше методами безынерционных нелинейных пре-
134
образований; заданные корреляционные свойства - эта задача решается методами формирующего фильтра, скользящего суммирования и др.
4.9.1. Метод формирующего фильтра
Метод формирующего фильтра основан на использовании закономе р- ностей преобразования линейным динамическим звеном спектральной плотности случайного сигнала, описываемых соотношением (4.15). Если на вход динамического звена поступает белый шум со спектральной плотностью S ( )=S0, спектральная плотность выходного сигнала X(t) будет определяться через частотную передаточную функцию звена W(j ) следующим
образом:
Sx( )=|W(j )|2S0.
Формирующим фильтром называется динамическое звено, обеспеч и- вающее требуемые корреляционные свойства выходного сигнала.
Модель случайного процесса с заданной корреляционной функцией Kx( ) можно построить на основе формирующего фильтра, используя в качестве его входного сигнала белый шум. Необходимая передаточная функция формирующего фильтра определяется из соотношения
W j 2 Sx , (4.46)
S0
где
Sx K x e j d .
Пример. Задана корреляционная функция моделируемого процесса
Kx( )=Dxe- | | .
Определим его спектральную плотность:
|
|
|
|
0 |
|
|
|
|||||
Sx Dxe |
|
|
|
e j d Dxe j d Dxe j d |
||||||||
|
|
|||||||||||
|
|
|
0 |
|
|
|||||||
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Dxe j d j |
|
Dxe j d j |
|
||||||||
|
|
|
|
|
0 |
|
|
|
||||
j |
|
|
|
j |
||||||||
|
|
|
|
|
|
135
|
Dx e |
j |
0 |
|
|
|
|
|
|
||
|
|
|
|
||
|
|
|
|||
j |
|||||
|
|
Dx e j |
|
|
|
|
|
|
|
|
|
2 Dx |
|
|
|
|
|
|
|
|
|
|
|||
|
0 |
|
Dx |
|
|
Dx |
|
|
|
||
|
|
|
|
|
|
|
. |
||||
|
|
|
|||||||||
j |
|
j |
j |
2 2 |
|||||||
|
|
|
|
|
Пусть имеется генератор белого шума (t) с постоянной интенсивностью, или дисперсией, G0. Определим его спектральную плотность:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
K ( )=G0 ( ), S G0 e j d G0e j 0 G0 . |
|
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Теперь найдем передаточную функцию формирующего фильтра: |
|
|
|
||||||||||||||||||||||
|
W j |
2 |
|
|
S |
2 Dx G |
|
|
2Dx G |
, |
|
|
|
|
|
|
|||||||||
|
|
|
S |
|
2 2 |
1 |
|
|
2 |
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
x |
|
|
0 |
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
kф |
|
|
|
|
|
kф |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
откуда W j |
|
|
|
или W p |
|
|
, где |
k |
|
|
= |
|
2Dx |
|
, T |
= |
1 |
. |
|||||||
|
|
|
|
|
|
|
ф |
|
|
|
|
||||||||||||||
|
j Tф +1 |
|
|
|
|
|
Tф p +1 |
|
|
|
|
|
|
G0 |
|
|
Такой формирующий фильтр может быть физически реализован, например, в виде четырехполюсника (рис. 44, а) или на операционном усилителе (рис. 44, б). Для четырехполюсника k ф=1, Tф=RC; для операционного усилителя kф=R2/R1, Tф=R2C. В математической модели, построенной на основе D-схемы, такой формирующий фильтр может быть представлен дифференциальным уравнением:
dX 1 X kф . dt Tф Tф
136