- •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
Аппроксимация весовой функции оу
В результате идентификации получаем отсчеты весовой функции . Чтобы найти модель объекта, необходимо эту последовательность описать непрерывной весовой функцией. Удобно описывать взвешенной суммой.
В качестве системы функций в лабораторной работе функция (2):
(2)
каждая из функций реализуется в виде динамического звена, – параметр передаточной функции динамических звеньев.
Второй подход – аппроксимация совокупностью импульсных характеристик типовых звеньев
После того, как найдены ПФ модели, на вход подается телеграфный сигнал, вычисляем остаточный ряд и вычисляем значимость модели по критерию Фишера.
Авторегрессионные модели динамических объектов
Поставим задачу
Рассмотрим ОУ с одним входом и одним выходом:
Объект описывается ПФ заданной структуры (1): Объект является устойчивым, а ПФ реализовывается:
(1)
Действие неучтенных факторов при описании объекта приводит к появлению случайных помехи .
В ходе экспериментальных исследований ОУ были получены последовательности дискретных отсчетов входных и выходных сигналов объекта. Обозначим эти последовательности соответственно:
Измерение сигналов в дискретный момент времени делает необходимым описание объекта с помощью дискретной ПФ. Используя соответствие между z и p, находим представление p через комплексную величину z.
Получаем дискретную ПФ: (2)
где
Разделим числитель и знаменатель (2) на n-ую степень z:
(3)
В (3) примем z за оператор сдвига (запаздывания):
С учетом этого от ПФ можно перейти к разностному уравнению (числитель левой части умножить на знаменатель правой и наоборот; учитывая сдвиги):
Это уравнение разрешено относительно выхода в текущий i-ый момент времени и с учетом помехи , можно это выражение представить в виде (4):
(4)
(4) – алгоритм формирования выхода на основе предшествующих значений входа и выхода
(4) – авторегрессивная модель – описание связи значений одного и того же сигнала в разные моменты времени.
Модель будет иметь ту же структуру, что и (4):
(5)
неизвестные коэффициенты заменены оценками.
Задача идентификации сводится к нахождению оценок коэффициентов (5) так, чтобы получить результат наилучшим образом согласующийся с экспериментальными данными, т.е., чтобы в каждый момент дискретного времени i получить достаточно малую ошибку идентификации между выходным сигналом ОУ и модели : .
Для каждого дискретного отсчета составляем уравнение наблюдений
– результат измерения выхода (выход в i-ом измерении), правая часть – модель + ошибка идентификации.
В результате получаем систему из N уравнений:
Введем вектор измерений значений выхода ;
вектор оценок коэффициентов ;
вектор ошибок идентификации ;
и прямоугольной матрицы H – матрица наблюдений, элементами которой являются измеренные значения входа и выхода:
В результате записываются результаты наблюдений в векторной форме:
Используется критерий качества (целевая функция):
Получаем – МНК оценки.