- •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
Свойства полных и дробных факторных планов для линейных моделей
Матрица F для плана типа ( строк. столбцов) (исольз. 3 фактора).
Строим реплику:
Число оцениваемых коэффициентов 4, число опытов 4.
Найдем информационную матрицу:
Для дисперсионной матрицы получаем:
.
Найдем оценки коэффициентов модели (принимаем во внимание вид дисперсионной матрицы):
-- строки,
-- скалярное произведение 2-х векторов.
Тогда можно оценить коэффициенты регрессии модели:
.
После определяем точность оценивания коэффициентов. Она характеризуется дисперсией оценок коэффициентов . Для этого находят ковариационную матрицу ошибок измерения коэффициентов:
Видно, что ковариационная матрица диагональная, т.е. коэффициенты модели не связаны др. с др. Точность измерения, определяемая этой формулой выше, зависит от числа опытов (все коэффициенты определяются с одинаковой точностью).
.
Фактически, при планировании эксперимента задаются ошибкой измерения коэффициентов, и на основе этого определяют необходимое число опытов.
-- дисперсия ошибки наблюдения выходного сигнала объекта. Ее сложно определить, поэтому ее заменяют оценкой. Оценка вычисляется на основе остатков.
Технология проведения эксперимента
В каждой экспериментальной точке vi, проводятся опытов
,
При одних и тех же входных сигналах получаются разные значения на выходе (из-за действия помехи). Рассчитывается среднее наблюдаемое значение:
(3)
Составляется вектор результатов эксперимента
(4)
Оценка дисперсий:
В каждой точке проводится один эксперимент
Оценка дисперсии ошибок наблюдений (остаточная сумма):
(5)
- число степеней свободы
Остаточная сумма, приходящаяся на 1 степень свободы, принимается за дисперсию ошибок:
(6)
Оценки дисперсий коэффициентов модели
(7)
Отношение фактической суммы к остаточной дает F-распределение:
Затем определяется табличное значение F-распределения, которое обознач. Fт, оно сравнивается с расчетным F. F>Fт – модель значима.
В каждой точке проводится экспериментов
Для оценки адекватности:
1) вычисляется сумма квадратов, характеризующая ошибки наблюдений выхода ОУ:
(8)
Nv – всего опытов, N – количество констант, которые определим.
После определяется дисперсия ошибок наблюдения выхода ОУ:
(9)
Точность коэффициентов определяется ковариационной матрицей
2) определяется сумма квадратов, характеризующая неадекватность (дефект) модели:
Находится расчетное значение критерия Фишера:
(10)
Находят табличное Fт. Если F<Fт, то модель адекватна наблюдениям ОУ.