- •Идентификация как метод построения моделей
- •Задача идентификации
- •Сведения об объекте.
- •Идентификация статических оу. Определение статического объекта
- •Регрессионные модели идентификации
- •Выбор уравнения регрессии
- •Оценка параметров линейной регрессионной модели (пассивный эксперимент).
- •Аппаратная реализация процесса идентификации
- •Оценка адекватности модели
- •Проверка центрированности остаточного ряда
- •Проверка остатков на нормальное распределение
- •Оценка значимости модели и ее параметров
- •Критерий Фишера
- •Ошибка аппроксимации
- •Нелинейные регрессионные модели
- •1. Метод покоординатной оптимизации (Гаусса – Зайделя).
- •Градиентные методы поиска
- •Метод сопряженных направлений
- •Метод Ньютона
- •Квазиньютоновские методы
- •Динамические детерминированные су Линейные динамические объекты
- •Частотный метод определения коэффициентов пф
- •Идентификация с помощью настраиваемой модели
- •Метод модулирующих функций
- •В общем случае получаем
- •Конструкция модулирующих функций
- •Применение дискретных моделей для идентификации непрерывного оу
- •Непараметрические модели идентификации
- •Корреляционный метод идентификации
- •Корреляционный метод, решаемый на эвм
- •Разделим обе части (8) на :
- •Идентифицируемость оу
- •Оценка состояний объекта
- •Аппроксимация весовой функции оу
- •Авторегрессионные модели динамических объектов
- •Выбор периода дискретизации
- •Идентификация нелинейных непрерывных оу
- •Модели линейные относительно идентифицируемых параметров
- •Или более компактно, введя реакции динамических звеньев (5):
- •Представим степень интеграла в правой части (23) в виде произведения интегралов:
- •Планирование эксперимента
- •Критерии планирования эксперимента
- •Планы для моделей, описываемых полиномами первого порядка
- •Информационная матрица плана:
- •Полные факторные планы
- •Правило построения полных факторных планов
- •Дробные факторные планы (дробный факторный эксперимент)
- •Свойства полных и дробных факторных планов для линейных моделей
- •Технология проведения эксперимента
- •Планы второго порядка
- •Ротатабельный ортогональный центральный композиционный план
- •Диагностика линейных оу методом комплиментарного сигнала.
- •Аналитический расчет кс
- •Расчет кс по измеренным значениям выходного сигнала
- •Процедуры диагностирования
- •Локализация дефектов по годографу неисправностей (гн)
- •Байесовский метод диагностики
- •Прогнозирование технического состояния.
- •Линейное прогнозирование
Идентифицируемость оу
Рассмотрим автономную динамическую систему, которая описывается моделью в переменных состояниях
(1)
Определить: При каких условиях можно измерить матрицу динамики , если объект наблюдаем и все его состояния измеримы.
Решение.
Перейдем к дискретному времени, так как состояния измеряются в дискретные моменты времени.
– допредельные значения.
Получим: (2)
Дискретная модель представлена разностными уравнениями состояния.
Так как объект автономный, то он совершает движения под воздействием ненулевых начальных условий. Измеряем состояния:
Совокупность измерений состояний записывается в матричном виде:
(3)
Правый сомножитель (3) обозначим через B:
-
Объект называется идентифицируемым, если матрица B – неособенная матрица (условие идентифицируемости).
(Если это так, то из (3) следует оценка матрицы динамики:
(4)
Условие идентифицируемости позволяет оценивать элементы матрицы динамики А.
Оценка состояний объекта
Объект описывается моделью переменных состояния:
Чтобы осуществить идентификацию необходимо определить элементы матриц A, B, C. Необходимо иметь наблюдения за выходом и данные о состоянии объекта в различные моменты времени. Не все переменные состояния измеримы.
Возникает задача оценки состояний объекта по измеряемому выходу. В результате наблюдений за объектом с одним входом и выходом в дискретные моменты времени получаем массивы данных о входе/выходе объекта. Требуется найти способ измерения состояний объекта.
Решение:
Переходим к дискретному времени. Непрерывные объекты описываются разностными уравнениями движения:
– уравнение состояния.
– уравнение выхода.
.
При наблюдении за выходом объекта установлено, что на конечном интервале наблюдений выходной сигнал представляется в виде ряда Тейлора с n элементами. Разложим выходной сигнал на интервалы в ряд Тейлора в окружности текущих наблюдений t.
(6)
Разложение (6), которое примерно описывает выход объекта будем считать моделью выходного сигнала.
Осуществим переход к дискретному времени
– период дискретизации, m – текущее дискретное наблюдение выхода
В результате (6) (7):
(7)
введем в рассмотрение оценку векторов состояний объекта
m- компонент из выхода u (m-1) производных.
Модель (7) запишем в (8):
(8)
– элементами вектора являются соответствующие коэффициенты правой части (7).
Выход объекта и модель выходного сигнала отличаются друг от друга ошибкой идентификации. Выход можно выразить через модель и ошибку идентификации:
Если , – память фильтра, то данное соотношение можно записать в развернутой форме для всех значений :
Систему из соотношений можно записать в векторной форме (9):
(9)
где
– вектор измеренных значений выхода на интервале величиной .
– вектор ошибки идентификации.
– блочная матрица коэффициентов, число строк равно памяти фильтра.
Для упрощения будем считать, что ошибки идентификации – белый дискретный шум, т.е. их значения некоррелированны.
Находим вектор ошибки идентификации:
Составим квадратичный критерий идентификации и оценку состояния объекта выбираем такой, чтобы критерий идентификации стремился к минимуму:
(10)
В результате приходим к оптимизации задачи (10) – нахождения векторного произведения по оценке и приравниваем её к нулевому вектору:
Решая последнее уравнение относительно оценки, получаем ее значение:
(11)
Оценка состояний объекта является МНК – оценкой, которое получается на основе анализа выхода объекта (11) описываем фильтр с конечной памятью. Память = .
Пока память фильтра не заполнена данными. Он находится в переходном режиме
0
Происходит выталкивание последнего элемента и заполнение следующим.