- •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
Аппаратная реализация процесса идентификации
Объект статический с n – входами и одним выходом. (8) – модель объекта или оценка выхода объекта.
(8)
Точность оценивания определяется квадратом отклонения в каждый момент времени:
(9)
– вектор, т.к. содержит измерения только для одного момента времени:
– вектор оценки коэффициентов регрессии.
Целью является корректировка и определение оценок в каждый момент времени т.о., чтобы критерий идентификации (9) достигал бы минимума, т.е. в каждый момент времени осуществляется оценивание коэффициентов регрессии (10).
Нахождение оценок коэффициентов регрессии представляется как результат коррекции оценок, полученных ранее (10а).
(10)
(10a)
Используем численный метод оптимизации – градиентный. Текущая оценка определяется на основании предыдущей оценки и некоторой поправки. Поправка – произведение некоторой величины на градиент критерия качества (идентификации). Градиент – вектор, состоящий из частных производных по всем :
(11)
Градиент – векторное произведение по от критерия идентификации:
(12)
С учетом этого производная вектора оценок:
(13)
(10а) – рекурсивное выражение переносим влево и делим на интервал между отчетами и устремляем к нулю.
Оценка адекватности модели
(13а)
– случайные отклонения, остаточная последовательность, остатки (остаточный ряд).
Оценка адекватности по методу Гаусса – Маркова сводится к анализу остатков.
Условия Гаусса – Маркова:
остатки имеют случайный характер;
нулевое математическое ожидание остатков;
отсутствие корреляции остатков;
остатки подчиняются нормальному закону распределения.
При выполнении этих условий остатки представляют собой нормальный дискретный белый шум, следовательно, модель соответствует наблюдению.
При выполнении этих условий оценки параметров оказываются несмещенными, эффективными и состоятельными.
Оценка называется несмещенной, если ;
Оценка называется эффективной, если она определена с наименьшей дисперсией (наибольшей точностью);
Оценка называется состоятельной, если увеличение числа измерений приводит к увеличению точности оценки.
Оценки МНК обладают указанными свойствами.
Проверка случайного характера элементов остаточного ряда.
Метод серий:
Вычисляем остаточный ряд .
На основании первой разности остаточного ряда формируется бинарный ряд из 1 и 0 по формулам:
В этом ряду определяем число серий (число последовательностей 0 и 1).
Например, 11000101.
S(N) - число серий, Kmax - продолжительность самой длинной серии (Kmax=3).
С вероятностью 0.95 остаточный ряд является случайным, если одновременно выполняются два неравенства (14):
(14)
где trunk – целая часть.