- •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
Прогнозирование технического состояния.
Задача прогнозирования состояния работоспособности в общем случае заключается в следующем: по результатам диагностирования объекта в предшествующие моменты времени необходимо оценить его работоспособность в последующие периоды функционирования.
Процессы изменения технического состояния объектов представляет собой процессы старения и деградации, приводящие к отказу изделия.
Причины, вызывающие отказы и определяющие механизм изменения технического состояния объектов:
Конструктивные причины (несовершенство конструкции изделия);
Технологические причины (нарушение принятой технологии или ее неоптимальность);
Эксплуатационные (нарушение правил эксплуатации);
Старение и износ, приводящий к тому, что даже изделия высокого качества (с хорошими конструкцией и технологией, правильной эксплуатацией) отказывают с течением времени.
1 группа – процессы вызывающие внезапное (катастрофическое) изменение технического состояния.
2 группа – процессы, приводящие к постепенному изменению состояния.
В общем случае процесс изменения состояния объекта можно представить в виде
– все вектора (1)
Где составляющая характеризует в объекте необратимые изменения, – обратимые изменения и ошибки измерительных цепей.
Составляющая определяет «тренд» или закономерность изменения процесса – детерминированная часть; характеризует стахастическую часть процесса (случайную составляющую).
Линейное прогнозирование
Постановка задачи:
Состояние ОУ характеризуется вектором диагностических параметров. В общем случае число таких параметров равно n. Рассмотрим прогнозирование одного диагностируемого параметра . Диагностический параметр измеряется в дискретные моменты времени, разделенные периодом , наблюдение осуществляются в течении N периодов , N – текущий период времени.
Вектор наблюдений включает N значений данного диагностического параметра:
Последовательность – временной ряд.
Задача заключается в поиске наилучшей оценки ненаблюдаемой величины , m>N, по результатам измерений .
Решение:
Прогнозированное значение ряда будем искать в классе линейных операторов, позволяющих представить: (2)
где – пока неизвестный N- мерный вектор весовых коэффициентов. Задача определить .
Введем в рассмотрение ошибку прогнозирования: (2а)
где – неизвестен.
Модель тренда: (3)
Функции – известны, коэффициенты неизвестны.
(3а)
Тогда измерения (значения временного ряда): (4)
(4) можно записать в векторной форме (4а): (4а)
Где – значения временного ряда
Тогда с учетом (4а) ошибка прогнозирования: (4б)
Допущение: будем полагать, что модель тренда (3) введенная выше на отрезке справедлива и на множестве (за его пределами). Это позволяет представить измерение в виде:
– случайная составляющая
где
В результате после приведения подобных получаем (5):
(5)
О векторе весовых коэффициентов ничего не известно, поэтому потребуем, чтобы:
(6)
где 0-нулевой (n+1) вектор.
Число неизвестных N, число уравнений (n+1). Так как n+1<N, то система имеет бесконечное число решений.
Чтобы выйти из этой ситуации, потребуется, чтобы весовые коэффициенты вектора обращали в минимум дисперсию ошибки.
Вычислим дисперсию ошибки прогнозирования
(7)
при условии
Соотношение (7) описывает задачу условной оптимизации (нахождения вектора , который минимизирует дисперсию).
Для аналитического решения задачи используется функция Лагранжа, которая включает в себя взвешенные суммы исходной целевой функции (7) и ограничения:
- вектор неопределенных множителей Лагранжа.
Необходимые условия рассматриваемого условного минимума:
Прогноз для момента времени : (9)
- выражение для определения МНК оценок коэффициентов тренда
Прогноз : – точный прогноз.
Точность оптимального прогнозирования определяется минимальным значением дисперсии (7), которая в случае (9) оказывается равной:
(10) – дисперсия ошибки измерения диагностического параметра.
Кроме точного прогноза используется интервальный прогноз, который представляет доверительные интервалы. Дисперсия неизвестна, используется оценка дисперсии:
где - строка матрицы F.
Оценка дисперсии (10): (11)
Определяется интервальная оценка (доверительные интервалы):
(12)
где - значение распределения Стьюдента с N-n-1 степенями свободы и уровнем значимости .
Выражение (12) показывает, что с вероятностью 0,95 действительные значения процесса в момент времени не выйдет за указанные границы. - точечные значения прогноза.
Алгоритм прогнозирования существенно упрощается, если матрица удовлетворяет условию ортогональности. Используя общий результат (9), несложно найти: