- •Моделирование и идентификация объектов управления
- •Моделирование и идентификация объектов управления
- •Введение
- •Лабораторная работа №1 «Идентификация параметров статической характеристики объекта»
- •1.1 Цели и задачи работы
- •1.2 Содержание работы
- •1.6 Контрольный пример
- •1.3 Оборудование, технические и инструментальные средства
- •1.4 Порядок выполнения работы
- •1.5 Контрольные вопросы
- •Лабораторная работа №2 «Однофакторный дисперсионный анализ объекта»
- •2.1 Цели и задачи работы
- •2.2 Содержание работы
- •2.3 Оборудование, технические и инструментальные средства
- •2.4 Порядок выполнения работы
- •2.5 Контрольные вопросы:
- •2.6 Контрольный пример
- •Лабораторная работа №3 «Статистическая оценка параметров распределения случайных величин. Проверка гипотез»
- •3.1 Цели и задачи работы
- •3.2 Содержание работы
- •3.3 Оборудование, технические и инструментальные средства
- •3.4 Порядок выполнения работы
- •3.5 Контрольные вопросы
- •3.6 Контрольный пример
- •Лабораторная работа №4 «Определение параметров модели методами планирования эксперимента»
- •4.1 Цели и задачи работы
- •4.2 Содержание работы
- •4.3 Оборудование, технические и инструментальные средства
- •4.4 Контрольные вопросы:
- •4.5 Контрольный пример
- •4.6 Контрольный пример
- •Лабораторная работа №5 «Идентификация динамических характеристик объектов»
- •5.1 Цели и задачи работы
- •5.2 Идентификация динамических характеристик объектов с самовыравниванием
- •5.3 Оборудование, технические и инструментальные средства
- •5.4 Порядок выполнения работы
- •5.5 Идентификация динамических характеристик объектов без самовыравнивания.
- •5.6 Проверка адекватности
- •5.7 Методика проведения эксперимента
- •Лабораторная работа №6 «Оптимальная линейная фильтрация по Калману»
- •6.1 Постановка задачи
- •Лабораторная работа №7» Определение параметров регрессионной модели с использованием рекуррентных методов оценивания. Непараметрические методы идентификации»
- •7.1 Цель работы
- •7.2 Порядок работы
- •Лабораторная работа №8 «Идентификация на основе авторегрессионных моделей»
- •8.1 Цель работы
- •8.2 Порядок работы
- •8.3 Содержание отчета
- •Лабораторная работа №9 «Идентификация при помощи пакетов расширения matlab»
- •9.1 Цель работы
- •Лабораторная работа №10 «Оценивание состояния системы дискретным фильтром Калмана»
- •10.1 Цель работы
- •10.2 Порядок работы
- •Приложение а. Основы работы в matlab Общие сведения
- •Приложение б. Виртуальный лабораторный комплекс «Моделирование и идентификация объектов управления»
- •Приложение в. Пример проверки адекватности математической модели динамики объекта с применением расчетов в среде Mathcad
- •Приложение г. Пример проверки адекватности математической модели статики объекта по критерию Фишера в среде Mathcad
- •Приложение д. Пример проверки значимости коэффициентов математической модели статики объекта по критерию Стьюдента в среде Mathcad
- •Лабораторная работа № 8.
Лабораторная работа №7» Определение параметров регрессионной модели с использованием рекуррентных методов оценивания. Непараметрические методы идентификации»
7.1 Цель работы
Разработать в среде MATLAB программу, реализующую корреляционный метод анализа систем во временной области. Программа должна выполнить следующие действия [19-21]:
сформировать последовательность отсчетов тестового сигнала;
провести имитацию реакции системы на тестовый сигнал при помощи подпрограммы, выданной преподавателем;
рассчитать оценки автокорреляционной функции выхода, взаимной корреляционной функции входа и выхода.
сформировать корреляционную матрицу;
найти оценку импульсной характеристики системы путем решения системы линейных уравнений в матричной форме;
провести проверку адекватности модели, сравнив реакцию на ступенчатое воздействие системы и модели (в форме отсчетов импульсной характеристики);
рассчитать дисперсию адекватности модели.
7.2 Порядок работы
Создать рабочий каталог на диске; скопировать в него файл MODEL.M, выданный преподавателем. Запустить среду MATLAB и установить рабочий каталог в качестве каталога по умолчанию. Создать файл программы.
Задать частоту Fs квантования или период квантования Ts. Рекомендуется период квантования выбрать из диапазона от 1 до 10 мс. Создать вектор дискретного времени 0 < t < tmax. Шаг квантования должен быть равен Ts. Рекомендуемое значение tmax от 0,5 до 5 с. Образец:
t=0:Ts:1;
Сформировать вектор тестового сигнала. Число элементов должно быть равно числу элементов в векторе времени. Предлагается в качестве тестового сигнала использовать двоичный белый шум с нулевым средним, для получения которого воспользоваться функциями rand и sign.
u=sign(rand(size(t))-0,5);
Вызвать функцию имитации выходных экспериментальных данных model. Формат вызова следующий:
[u y]=model(t,u,v,t0);
Входные параметры: t — вектор времени; u — вектор тестового сигнала; v — номер варианта; t0 — время, отводимое для затухания переходного процесса.
Выходные параметры u — вектор тестового сигнала; y — реакция системы. Функция возвращает результат для моментов времени t > t0.
Рекомендуется выбрать t0 от 0,2 до 1 с. Обязательно t0 < tmax.
Вычислить оценки корреляционных функций. Существует несколько способов.
Непосредственно по формулам (4). Тогда команды вычисления корреляционных функций могут быть такими:
for n=1:length(y)/2;
Ryu(n)=sum( u(1:end/2).*y(n:end/2+n-1) ) *2/N;
Ruu(n)=sum( u(1:end/2).*u(n:end/2+n-1) ) *2/N;
end
Переменная N должна быть равна числу элементов в u или y.
С помощью функции xcorr. Рекомендуется задать максимальное смещение, равное половине длины последовательности отсчетов сигналов. Четвертым параметром указать опцию 'biased' — это необходимо для правильной нормировки результата.
Ruu=xcorr(u,u,N/2,'biased');
Ryu=xcorr(u,y,N/2,'biased');
Провести усреднение найденных оценок, повторив вычисления по пунктам (3-5) 10...50 раз для разных реализаций случайного тестового сигнала. При этом следует Ryu и Ruu сделать матрицами в строках, которых будут расположены отсчеты одной реализации. Приведем пример формирования матриц с помощью функции xcorr.
for k=1:20
Ryu(k,:)=xcorr(y,u,N/2,'biased'); Ruu(k,:)=xcorr(u,u,N/2,'biased');
end
Для нахождения среднего служит функция mean.
Функция xcorr возвращает двустороннюю корреляционную функцию (для положительных и отрицательных моментов времени). Если корреляционные функции рассчитывались с ее помощью рекомендуется отбросить все значения для отрицательных моментов времени, например командами:
Ryu=Ryu(:,end/2:end);
Ruu=Ruu(:,end/2:end);
Построить осциллограммы тестового сигнала и реакции системы. Построить графики корреляционных функций. Вывод графиков производится с помощью команды plot.
По оценке автокорреляционной функции Ru сформировать корреляционную матрицу, как теплицеву матрицу, образованную строкой и столбцом Ru. Для получения теплицевой матрицы служит функция toe- plitz.
Найти оценку импульсной характеристики, решив систему уравнений (3), с использованием функции inv (обратная матрица) и при необходимости оператора ' (транспонирование матрицы). Построить график полученной импульсной характеристики.
Проверить адекватность на примере переходной характеристики. Для этого сформировать вектор времени размерностью, совпадающей с числом отсчетов импульсной характеристики. При этом соблюдать выбранный в начале работы интервал квантования.
t=0:Ts:Ts*(length(g)-1);
Сформировать вектор, составленный из единичных элементов той же длины (Функция ones).
u=ones(size(g));
Провести моделирование при переходном процессе (функция model). Входным сигналом служит вектор единиц (имитация ступенчатого воздействия), последний параметр t0 = 0. Построить график экспериментальной переходной характеристики.
Провести предсказание переходной характеристики по имеющейся оценке импульсной характеристики (1). Свертку входного воздействия и импульсной характеристик удобно вычислять при помощи функции filter. В нашем случае, в соответствии с (2), числителем передаточной функции служат отсчеты импульсной характеристики, знаменатель равен единице.
h=filter(g,1,u); Построить график расчетной переходной характеристики в той же системе координат.
Рассчитать дисперсию адекватности модели по формуле
где y(kT) — отсчеты предсказанной реакции на ступенчатое воздействие, h(kT) — отсчеты экспериментальной переходной характеристики. Для нахождения дисперсии использовать функцию std, возвращающую средне- квадратическое значение процесса.
Сравнить полученное значение с дисперсией собственного шума системы. Для этого применить функцию model к последовательности нулевых отсчетов. Определить дисперсию реакции с помощью функции std [19-20].
7.3 Содержание отчета
краткие теоретические сведения (импульсная характеристика, корреляционная функция, связь между ними);
исходный текст M-программы с комментариями;
графики: тестового сигнала, реакции на тестовый сигнал, корреляционных функций, импульсной характеристики, реакции на ступенчатое воздействие системы и модели (в одной системе координат);
дисперсионные характеристики точности полученной модели;
выводы.
