- •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
Идентификация статических оу. Определение статического объекта
Объект считается статическим, если находится в установившемся (стационарном) состоянии. Модель статического объекта связывается установившимися значениями входных и выходных сигналов.
Регрессионные модели идентификации
, .
Рассматривается объект с n – наблюдаемыми входами и одним выходом. Кроме того, на выход объекта оказывают влияние ненаблюдаемые входы z. Нельзя говорить о функциональной зависимости между выходом и наблюдаемыми входами, а можно говорить о стохастичности или вероятностной связи.
Упростим задачу, рассматривая объект одним входом и одним выходом . Будем задавать случайный вход и фиксировать выход.
рис. 2, a
Получаем множество точек с координатами – корреляционное поле. Для одного и того же значения входа – множество выходов (выход подвержен влиянию ненаблюдаемых входов). Действие ненаблюдаемых входов z можно интерпретировать как влияние помехи.
Для того, чтобы установить связь между выходом и входом рассмотрим рисунок 2.б:
рис. 2, б.
Множество выходов можно заменить средним значением
(1)
где - условная плотность вероятности выхода при данном значении .
Зависимость называется регрессионной:
Соединяя средние точки кривой, получим регрессию . Регрессионная зависимость представляет собой статическую характеристику ОУ.
Если ОУ имеет один вход и один выход, то его характеристикой является простая или парная регрессия: . Если математическое ожидание выхода связно n – входами, то регрессия множественная:
В литературе вектор входов называют точкой в факторном пространстве, а – поверхность отклика в факторном пространстве.
рис. 3
Как простая регрессия, так и множественная, являются моделями статического объекта (с одним и n – входами).
Значение выхода: (2)
где – фактическое значение результативного признака (выхода ОУ);
– теоретическое значение выхода ОУ, найденное из уравнения регрессии;
– случайная величина, обусловленная действием ненаблюдаемых факторов ОУ.
Графически (2) представлено в виде схемы на рис.3.
Для получения регрессионной модели необходимо:
отбор факторов, который вносит существенный вклад в формирование входа;
выбор уравнения регрессии.
Отбор факторов. Необходимо, чтобы:
Факторы количественно измеримы;
Не должны быть коррелированны между собой;
Должны объяснять вариацию (дисперсию) зависимой переменной (выхода объекта), другими словами, значительная доля дисперсии выхода вызвана действием факторов модели. Т.е. при построении модели должны привлекать существенные факторы, оказывающие наибольшее влияние на выход объекта. Эта величина называется коэффициентом детерминации:
где - дисперсия выхода (модели), объясняемая регрессией;
- дисперсия выхода ОУ;
- остаточная дисперсия.