- •Лабораторная работа № 1 Создание линейных стационарных моделей систем управления и определение их свойств
- •Формы задания моделей сау в matlab
- •1.2 Программа работы
- •1.3 Порядок выполнения работы
- •2.2 Динамические параметры lti – объектов
- •2.3 Программа работы
- •2.4 Порядок выполнения работы
- •3.2 Программа работы
- •Подпрограмма вычисления параметров объекта
- •4.2 Программа работы
- •Подпрограмма вычисления параметров объекта
- •5.2 Программы работы
- •5.3 Порядок выполнения работы
- •6.2 Программа работы
- •Подпрограмма fwo6.M
- •7.2 Программа работы
- •8.2 Программа работы
- •8.3 Порядок выполнения работы
- •8.4 Контрольные вопросы
- •9.2 Программа работы
- •9.3 Порядок выполнения работы
- •10.2 Программа работы
- •10.3 Порядок выполнения работы
- •10.4 Контрольные вопросы
- •10.5 Содержание отчета
- •Список литературы
9.2 Программа работы
% Задать номер варианта задания
nv=20;
% Определить передаточную функцию объекта, используя программу fwo7.m.
wo=fwo7(nv)
% Задать интервал dt и время наблюдения tm
m=600;dt=1;tm=m*dt;
t=0:dt:tm;
n=length(t);
% Сформировать случайный входной и выходной сигналы объекта
u=randn(n,1); % Формирование входного сигнала
y=lsim(wo,u,t); % Формирование выходного сигнала
% Построить графики входного и выходного сигналов
plot(t,u,t,y),grid
% Вычислить корреляционную функцию входного сигнала
tau=-tm:dt:tm;
ruu=xcorr(u,u,'biased'); % Вычисление корреляционной функции входного сигнала
% Вычислить взаимную корреляционную функцию выходного и входного сигналов
ryu=xcorr(y,u,'biased'); % Вычисление взаимной корреляционной функции
% Сформировать ковариационную матрицу входного сигнала
ru=ruu(n:end);
for i=1:n
mru(i,i:n)=ru(1:n+1-i)';
end
mru=mru+mru'-diag(diag(mru));
% Сформировать ковариационную матрицу выходного и выходного сигналов
ry=ryu(n:end);
% Вычислить функцию веса объекта
wr=inv(mru)*ry; % Вычисление функции веса по ковариационным матрицам
w=impulse(wo,t); % Вычисление функции веса по передаточной функции
% Построить графики функций веса для 100 значений аргумента
s=100;
plot(t(1:s),w(1:s),t(1:s),wr(1:s),t(1:s),ryu(n:n+s-1)/dt),grid
pause
% Ввести запаздывание в объект
[nun,den]=tfdata(wo);
woz=tf(nun,den,'td',10); % Введение запаздывания в объект
% Сформировать случайный выходной сигнал объекта
yz=lsim(woz,u,t); % Формирование выходного сигнала
% Вычислить взаимную корреляционную функцию выходного и входного сигналов
ryuz=xcorr(yz,u,'biased'); % Вычисление взаимной корреляционной функции
% Сформировать ковариационную матрицу выходного и выходного сигналов
ryz=ryuz(n:end);
% Вычислите функцию веса объекта
wrz=inv(mru)*ryz; % Вычисление функции веса по ковариационным матрицам
wz=impulse(woz,t); % Вычисление функции веса по передаточной функции
% Построить графики функций веса для 100 значений аргумента
s=100;
plot(t(1:s),wz(1:s),t(1:s),wrz(1:s),t(1:s),ryuz(n:n+s-1)/dt),grid
9.3 Порядок выполнения работы
Студент, самостоятельно изучив теоретические сведения, должен:
Определить передаточные функции объекта с запаздыванием и без запаздывания.
Построить графики расчетных функций веса объекта.
Вычислить взаимную корреляционную функцию веса.
Построить тренды входных и выходных сигналов.
9.4 Контрольные вопросы
1. Приведите структурную схему исследуемого объекта.
2. В чем заключается корреляционный метод идентификации?
3. Запишите уравнение Винера-Хопфа.
4. В чем сущность метода коллокации?
9.5 Содержание отчета
9.5.1. Название и цель работы.
9.5.2. Краткие теоретические сведения.
9.5.3. Результаты расчетов с необходимыми комментариями.
9.5.4. Листинг программы MATLAB.
9.5.5. Анализ результатов и выводы по работе.
Лабораторная работа № 10
Параметрическая идентификация объекта управления рекуррентным методом наименьших квадратов.
Цель работы – изучение рекуррентного метода наименьших квадратов.
10.1 Общие сведения
Параметрическая идентификация моделей объектов позволяет сразу находить значения коэффициентов модели объекта по измеряемым значениям управляемого y и управляющего u сигналов объекта. При этом предполагается, что структура и порядок модели объекта уже известен. Измеряемые значения входа y и выхода u объекта представляются в виде временного ряда, поэтому в результате идентификации оцениваются параметры АРСС – модели объекта, или параметры его дискретной передаточной функции. Зная коэффициенты АРСС – модели и ее структуру, можно перейти к непрерывным структурированным моделям и моделям в пространстве состояний.
Важным преимуществом методов параметрической идентификации является возможность использования рекуррентных алгоритмов, позволяющих проводить текущую идентификацию в реальном времени при номинальных режимах работы объекта. Эти преимущества определили широкое использование методов параметрической идентификации в задачах управления и автоматизации. К таким методам относятся: метод наименьших квадратов, метод максимального правдоподобия и метод стохастической аппроксимации.
Подставим в уравнение АРСС - модели значения сигналов y(k) и u(k), а также оценки параметров объекта, полученные после (k – 1) - го такта [2]:
. (10.1)
В этом уравнении ноль, стоящий в правой части уравнения (получающийся после переноса всех слагаемых в левую часть) заменен величиной ошибки e(k). Она отражает наличие погрешности измерений выхода и неточность оценок параметров модели ai и bi. Обозначим значение y(k) как значение y(k/k – 1), предсказанное в момент (k – 1) на момент k. Тогда
, (10.2)
или
, (10.3)
где-вектороценок;- вектор данных;
d – величина дискретного запаздывания.
Ошибка уравнения e(k) будет иметь вид:
, (10.4)
где y(k) – новое измерение;
y(k/k-1) – предсказанное значение измерения.
Предположим, что измерения выполнены на интервале k = 1, 2, ..., n + d + N , а порядок АРСС – модели (n, n). Тогда на основании формул (10.3) и (10.4) получим векторно-матричное уравнение вида:
, (10.5)
где - вектор выхода,
- матрица данных,
–вектор ошибок.
Функция потерь по критерию наименьших квадратов определяется как квадрат ошибки, что в векторном представлении дает выражение:
, (10.6)
а ее минимум находится из условия
. (10.7)
Полагая, что N 2n, обозначим
, (10.8)
тогда оценка минимизирующая функцию потерь (10.6)будет иметь вид:
. (10.9)
Алгоритм (10.9) – нерекуррентный алгоритм идентификации по методу наименьших квадратов, так как вычисление оценок параметров модели производится лишь после того, как сформирован весь массив входных и выходных данных объекта.
Рекуррентный алгоритм МНК получается после записи новой и старойоценок и вычитания одной из другой:
. (10.10)
Вектор коррекции определяется из соотношения:
. (10.11)
Вектор на следующем шаге вычисляется как
. (10.12)
Рекуррентный алгоритм метода наименьших квадратов реализуется в следующей последовательности.
1. Задаются начальные значения вектора оценок параметров модели и вектора данных:
,
где – достаточно большое число;
I – единичная матрица соответствующей размерности.
2. Производятся измерения входного и выходного сигналов объекта, и формируется новый вектор данных .
3. Вычисляется вектор коррекции по формуле (10.11)
4. Находится новая оценка параметров по формуле (10.10)
5. Вычисляется новый вектор по формуле (10.12)
Обычно для промышленных объектов характерна коррелированность во времени шумов, действующих на объект. Использование обычного МНК при таком шуме, т. е. при минимизации выражения (10.6), вызывает смещение оценок параметров, увеличение дисперсии этих оценок. Ухудшение этих оценок, в свою очередь, приводит к ухудшению свойств оценок переменных состояния х(k) и в итоге - к снижению качества управления.
Для получения несмещенных оценок используется обобщенный МНК (ОМНК).
При использовании ОМНК оцениваются параметры моделей объекта и шума на его выходе. Идентификации подвергается модель максимального правдоподобия (МП - модель), для которой связь между переменными задается уравнением:
. (10.13)
Вводя расширенные векторы данных
(10.14)
и параметров
, (10.15)
выходной сигнал объекта можно записать через выражения (10.13) и (10.14):
. (10.16)
Так как сигнал помехи е(к) неизвестен, то используется его оценка , определяемая из уравнения
. (10.17)
Оценки параметров МП - модели вычисляются аналогично как в МНК по формулам (10.10) – (10.12).
Все алгоритмы рекуррентной параметрической идентификации могут быть приведены к единой форме описания:
; (10.18)
; (10.19)
. (10.20)
Для различных методов общее описание отличается векторами параметров , векторами данныхи векторами коррекции.