Аналиические

На практике теоретические модели выступают в двух основных ролях. Прежде всего, они образуют структурную основу и являются главным исходным материалом всех без исключения теоретических построений. Любая теория, относящаяся к сфере точных наук, есть не что иное, как система взаимосвязанных аналитических моделей, подчиненная регулятивным принципам и универсальным зависимостям более высокого уровня.

В поисковых областях научного знания теоретические модели, предназначенные для объяснения и описания явлений, не укладывающихся в существующие теоретические представления, играют роль главного инструмента познания.

Вместе с тем, модели этого класса являются основой для решения множества конкретных прикладных задач, в частности инженерно-технического характера, относящимся к хорошо изученным, не слишком сложным объектам и носящих типовой или рутинный характер. Расчет прочностных характеристик конструкций, расчеты параметров и характеристик электрических цепей. В каждом конкретном случае модель исследуемого явления строится с учетом специфики природы и свойств объекта. Вместе с тем можно указать и некоторые общие методы и приемы.

В основе аналитических моделей, как правило, лежат так называемые балансовые соотношения, связывающие входные и выходные переменные или некоторые функционалы от этих переменных, имеющие смысл обобщенных сил, обобщенных потоков или координат. Типичные примеры: условие равновесия сил или моментов, действующих на некоторую механическую систему, равенство масс исходных и конечных продуктов некоторой химической реакции, равенство нулю суммы ЭДС и падений напряжений в электрической цепи и т.п. Все эти и прочие им подобные соотношения по существу представляют собой частные проявления законов сохранения вещества и энергии. К этой основе добавляется необходимая дополнительная информация, не вытекающая из этих соотношений, источником которой может быть либо специфическая для данного класса объектов теория, либо эксперимент.

Идентифицируемые модели

. Задача заключается в том, чтобы по наблюдаемым данным о входах и выходах выявить внутренние свойства объекта или, иными словами, построить модель. Решение задачи допускает применение двух стратегий:

1. Осуществляется активный эксперимент. На вход подаются специальные сформированные тестовые сигналы, характер и последовательность которых определена заранее разработанным планом. Преимущество: за счет оптимального планирования эксперимента необходимая информация о свойствах и характеристиках объекта получается при минимальном объеме первичных экспериментальных данных и соответственно при минимальной трудоемкости опытных работ. Но цена за это достаточно высока: объект выводится из его естественного состояния (или режима функционирования), что не всегда возможно.

2. Осуществляется пассивный эксперимент. Объект функционирует в своем естественном режиме, но при этом организуются систематические измерения и регистрация значений его входных и выходных переменных. Информацию получают ту же, но необходимый объем данных существенно, на 2-3 порядка больше, чем в первом случае.

Билет №5

Построение моделей идентификации с помощью регрессионного метода. Параметрическая и структурная идентификация.

Регрессионный анализ представляет собой классический статистический метод. Благодаря своим широким возможностям регрессионные методы давно и успешно используются в инженерной практике. В последнее время в связи с развитием и внедрением быстродействующих ЭВМ они широко используются для идентификации моделей, в том числе для идентификации динамических, многомерных процессов, систем диагностики и управления в реальном масштабе времени. Регрессионный анализ основывается на двух главных принципах.

1. Методы применяются для линейных по идентифицируемым параметрам моделям. Структура математической модели процесса представляется функцией вида:

, (6.2)

где а_i – i-тый оцениваемый параметр; f_i - i-тая известная функция, - вектор входных воздействий, y – выходная переменная.

Возможно представление идентифицируемой модели в следующей форме:

(6.3)

где а_i, b_j – оцениваемые параметры; f_i и - априори известные (заданные) функции. После несложных математических преобразований на основе этих функций можно формировать невязки, линейно зависящие от идентифицируемых параметров а_i, b_j.

На практике, чаще всего в качестве f_i и выбираются степенные функции, а соответственно выражения (6.2) и (6.3) являются полиномиальными, либо дробно-рациональными зависимостями. При этом точность описания достигается увеличением числа членов полинома, обеспечивающих их сходимость к реальному процессу. Заметим, что получающаяся модель практически никогда не соответствует физической сущности моделируемого реального процесса, его истинному виду, однако инженерная простота вычислений, удобство практического использования модели, возможность получения результата без «особых размышлений» служит основной причиной широкого распространения на практике регрессионных методов.

Естественно, и в этом случае с помощью удачно выбранного вида полинома можно существенно сократить размер модели, а значит и трудоемкость вычислительного процесса, как при идентификации, так и при использовании модели.

2. Минимизируемой функцией ошибки (разности между прогнозируемой моделью и данными эксперимента) при регрессионном анализе является сумма квадратов ошибок. Благодаря этому удается применить метод наименьших квадратов, математический аппарат которого предельно прост, а вычислительные методы сводятся к методам линейной алгебры.

Регрессионные модели могут быть как линейными, так и нелинейными с любым числом входов и выходов.

Билет №6

Идентификация статических линейных систем с несколькими входами.

Пусть необходимо идентифицировать систему с «n» входами x₁, x₂,…x_n и одним выходом y. Представим структуру модели в виде линейного алгебраического уравнения вида:

y=a₀ + a₁ x₁+ a₂ x₂+…+ a_nx_n , (6.4)

где a₀, a₁,..a_n - параметры модели, подлежащие идентификации. В результате идентификации мы должны получить вектор оценок истинного вектора . Этому вектору будет соответствовать оценка значения выходной величины .

Для определения значений произведем N последовательных измерений величины у, соответствующих в определенном смысле произвольным набором величин х_i (i=1,2,…n). В результате получим вектор . По N наборам входных величин х_i (i=1,2,…n) будет соответственно N оценок выходных величин

(6.5)

Разница характеризует погрешность каждой модели в каждом из N измерений. Суммарную погрешность будем характеризовать величиной:

(6.6)

Определение оценок производят из условия минимума величины суммарной погрешности J. Таким образом, основой идентификации регрессионными методами служит метод наименьших квадратов. Используя аппарат математического анализа, оценка вектора должна удовлетворять необходимому условию экстремума

(i=0,1,2,…n) (6.7)

Уравнения (6.7) позволяют построить вычислительный процесс идентификации вектора на основе N групп измерений y и . Для получения эффективных и несмещенных оценок * необходимо, чтобы N > n. Если N= n+1, то в оценке шум измерений не будет сглажен, окажет негативное влияние и случайность наборов . Мерой ошибки регрессионной модели обычно служит величина среднеквадратичного отклонения . С увеличением N уменьшается флуктуация , их величина и является определяющей для выбора N в рамках принятой структуры модели.

К обсуждаемому типу линейных моделей простым преобразованием сводятся применяемые на практике мультипликативные модели. Действительно модель типа

(6.8)

С помощью логарифмирования и замены у=lnW, x_i=lnZ_i (i = 1, 2, …m) (6.8) приводится к виду y= . Зависимости (6.8) широко используются при построении моделей по эмпирическим данным в гидравлике, термодинамике, обработке металлов давлением и т.д. Можно сказать, что и другие типы нелинейных регрессионных моделей, в конечном итоге, сводятся к зависимостям (6.4).

Билет №8

Достоверность (адекватность) регрессионной модели. Критерий Фишера.

О бычно мерой ошибки регрессионной модели служит стандартное (среднеквадратичное) отклонение _. Для процессов, подчиняющихся закону нормального распределения, приблизительно 66% точек находится в пределах одного стандартного отклонения от модели и 95% точек в пределах двух стандартных отклонений.

Стандартное отклонение – важный показатель для решения вопроса о достоверности модели. Большая ошибка может означать, что модель не соответствует процессу, который послужил источником экспериментальных данных. Однако большая ошибка модели может быть вызвана и другой причиной: большим разбросом данных измерений. В этом случае, возможно, потребуется взять большее количество выборок.

Для характеристики среднего разброса относительно линии регрессии применяют дисперсию адекватности:

; f – число степеней свободы.

Проверка значимости (качества предсказания) множественного уравнения регрессии можно осуществить на основе F-критерия Фишера. Вычисляют дисперсию среднего:

.

Вычисляют так называемую остаточную дисперсию (дисперсию адекватности):

.

Сравнивают с числом степеней свободы в числителе , в знаменателе . Считают, что уравнение регрессии предсказывает результаты опытов лучше среднего, если F достигает или превышает границу значимости при выбранном уровне значимости р (обычно принимают р = 1 – q = 5 % ). Другими словами, F – критерий Фишера показывает во сколько раз уравнение регрессии предсказывает результаты опытов лучше,чем среднее «у».

Билет №9