- •Частина 2
- •Одеса 2008 Раздел 1. Основы моделирования систем
- •Тема 1.1. Модели и моделирование
- •§ 1.1.4. Объекты моделирования и их классификация
- •Сколько методов исследования объектов применяется в практике специалистов по автоматизации?
- •Раздел 1
- •Тема 2 Математическое моделирование
- •§ 1.2.1. Основные понятия математического моделирования
- •§ 1.2.2. Классификация математических моделей
- •Тема 1. 3 Обеспечение процедуры математического моделирования
- •§ 2.2.3. Описание связи между подсистемами разной природы
- •Тема 2.3. Представление математических моделей на макро уровне
- •§ 2.3.3. Реализация аналитических математических моделей на эвм
- •Раздел 2 Методы построения и формы представление аналитических математических моделей
- •Тема 2.1 Методика создания концептуальных аналитических моделей
- •§ 2. 1. 1 Методика создания математических моделей на микро уровне
- •В зависимости от места в иерархии описаний мм делятся, как относящиеся к микро, макро, и мета - уровням.
- •§ 2. 1. 1 Методика создания математических моделей на макроуровне
- •Дучп Микроуровень
- •Раздел 2 Методы построения и формы представление аналитических математических моделей
- •Тема 2.2 Формальный метод построения математических моделей на макроуровне.
- •§ 2.2.2. Описание связей между элементами одной природы
- •Раздел 3 Методы построения эмпирических математических моделей
- •Тема 3.1. Основы методологии построения экспериментальных моделей.
- •§ 3.1.1. Основные понятия и определения. Классификация методов.
- •§ 3.1.2 Методика подготовки, планирования и проведения эксперимента
- •§ 3.1.3 Методика обработки результатов эксперимента
- •Тема 3.2 Построение моделей по результатам активных экспериментов
- •§ 3.2.1. Методика построения статических экспериментальных моделей
- •§ 3.2.2. Методика построения динамических экспериментальных моделей
- •§ 3.2.3. Методика оценки адекватности эмпирических моделей
- •Тема 4.2. Имитационное моделирование на метауровне
- •§ 4.2.1. Методы и алгоритмы генерирования случайных величин
- •§ 4.2.2. Основы теории систем массового обслуживания (смо).
- •§ 4.2.3 Марковские модели
- •Тема 3. Методика имитационного моделирования на эвм
- •§ 4. 3.1. Формирование замысла модели
- •§ 4.3. 2. Реализация модели
- •§ 4.3. 3. Результаты моделирования
- •Раздел 4 Имитационное моделирование на эвм.
- •§ 4.1.1 Имитационные и стохастические модели.
- •§ 4.1.2 Математическое обеспечение имитационного моделирования.
- •Раздел 4 Имитационное моделирование на эвм.
- •§ 4.1.1 Имитационные и стохастические модели.
- •§ 4.1.2 Математическое обеспечение имитационного моделирования.
§ 3.1.3 Методика обработки результатов эксперимента
Процедуры 4 этапа:
Выбор типа и вида модели.
Выбор структуры математического описания;
Выбор метода и средств обработки данных;
Обработка данных;
Оценка точности и адекватности модели;
Экспериментальная
математическая модель
Динамическая
модель Статическая
модель
Многофакторная
модель Однофакторная
модель
Нелинейная
модель Линейная
модель
Рис. 3.3. Типы экспериментальной модели
По результатам проведения эксперимента получают множество табличных функций y=f(xi) для ряда xi и при повторных экспериментах для одного значения xi.
Задача построения модели формулируется следующим образом: на основе анализа экспериментальных данных и предварительной их обработки выбрать тип экспериментальной математической модели, форму математического описания (вид функции приближения), метод и алгоритм решения задачи приближения функции и вычислить её коэффициенты. Выбор типа и вида модели сводится к согласованию выбранной параметрической схемы ТОУ и цели испытаний с экспериментальными данными в соответствии рис. 3.3. Наиболее сложной будет модель для нелинейного многомерного объекта.
Анализ экспериментальных данных сводится к нанесению данных на график, оценке тенденции изменения y=f(xi) и уровня помех.
При регистрации X и Y возникают помехи, источниками которых являются: не стационарность объекта, внутренние шумы объекта, шумы в измерительных цепях.
Если выявляется значительный разброс возле средних значений, применяют предварительную обработку данных - сглаживание. Чаще всего используют метод скользящего среднего по следующему алгоритму вычисления y*, где принимают z = 2,4..., i = 0,1,2,3…., j = 0,1,2,3,…,а y* сглаженное значение y из эксперимента. Однако при этом методе теряется несколько начальных и конечных значений y в зависимости от величины z. Если получено N экспериментальных значений, то сглаженных останется- n= N-z.
Применяют также сглаживание четвертыми разностями. Его суть - аппроксимация 5 - ти соседних значений y(i) параболой второго порядка, коэффициенты которой находятся методом МНК.
Выражение для y* приведено ниже, где δ4y(i) - центральная разность:
значение y*(0), y*(1), y*(n-1), y*(n) находят по выражениям:
,где =1, n-2
Выбор формы математического описания проводится по графическому представлению экспериментальных данных. Выбранное аналитическое выражение называется уравнением регрессии, а вычисление коэффициентов – регрессионным анализом.
Статические характеристики технологического объекта управления, как правило, представляют собой непрерывные (монотонные) функции, которые допускают кусочно-линейную аппроксимацию на небольших интервалах изменения входных величин.
Линейная однофакторная модель системы имеет вид:
y = a0 +a1x
Нелинейные однофакторные модели могут быть представлены типовыми функциями:
гиперболической:
степенной:
показательной:
экспоненциальной:
логарифмической:
параболической:
полиномиальной:
Возможны разнообразные комбинации из этих функций.
Линейная многофакторная модель описывается уравнениями:
Нелинейная многофакторная модель содержит степени и комбинации хi:
Чаще всего используют полином 2 степени
При выборе метода приближения принимается решение из двух вариантов:
метод интерполяции (построение интерполяционного полинома);
метод аппроксимации.
Метод интерполяции используют в том случае, если число опытов (узлов) табличной функции невелико (≤ 10), а уровень шумов низкий. При большем числе узлов и значительных шумах используют метод аппроксимации.
Для оценки коэффициентов регрессии однофакторной модели используется метод наименьших квадратов. Для оценки коэффициентов нелинейной однофакторной модели нелинейное уравнение путем замены переменных приводится к линейному. Например, гиперболическое уравнение заменой x* = 1/x преобразуется к уравнению
y = a0 + a1 x*
При построении нелинейной модели, можно заменить задачу приближения оптимизационной.
Для получения коэффициентов многофакторной линейной математической модели в регрессионном анализе используются следующее выражение:
Х – вектор входных величин
Y – вектор выходных величин
Обработку можно вести в программном пакете MatLab. Особенно удобен пакет MatLab 6.*, где возможно работать в режиме удобного интерфейса по разделу меню Tools.
Коэффициенты нелинейных многофакторных моделей можно получать и другими методам: представления в виде ряда (Пайка - Сильвербергера), а также аппроксимацией суммой или произведением функций (метод Брандона). [см. Построение математических моделей химико-технологических объектов. Изд. «Химия», 1970]
При обработке результатов факторного эксперимента по ортогональному плану вычисления коэффициентов модели упрощается.
Оценку точности и адекватности модели проводят по методике, которая рассматривается ниже.