Professional Documents
Culture Documents
Тодорова Б АП ИС тема1-combined
Тодорова Б АП ИС тема1-combined
Тодорова Б АП ИС тема1-combined
Ключови думи
Идентификация, оценяване, моделиране, обект, математичен модел, адекватност на
модела, основни етапи на процедурата за идентификация, формализация на задачата за
идентификация, структурна и параметрична идентификация
Цел
Запознаване на студентите с основните понятия и определения, използвани в курса
на обучение по дисциплината, както и със задачите и последователността на
процедурата за идентификация
Въведение
Кратка история на дисциплината [2]:
Информационен блок
Основни понятия и определения
Познаването на динамичните особености на технологичните процеси е
задължително условие при изграждането на автоматични системи за тяхното
управление. Поради това математичните модели на обектите намират широко
приложение при създаването и експлоатацията на системи за управление на тези
обекти.
u
A(u ) = ? y
Фиг. 1.1
u y(t)
Обект t
u(t)
A
ym(t) ym
t ММ
t
u (t ) = A.1(t )
Фиг. 1.2. Проверка за изофункционалност
2
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
3
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Идентификация
Управление
Обект
u
ММ
J( A) = [y(t ) − y m (t )]2 dt
0
(1.2)
4
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
J ( A) = [ y (t ) − ym (t )]dt (1.3)
0
има този недостатък, че неговият минимум може да бъде достигнат не само когато
отклонението на ym(t) от y(t) има минимална стойност, но и когато положителните и
отрицателните стойности на това отклонение са близки.
J ( A) = y (t ) − ym (t ) dt (1.4)
0
m
J( A) = (y
i =0
i − y mi )2 . (1.5)
5
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Речник
• Обект - техническо устройство, машина и др., в което се преработва материя,
енергия или информация, представляващо интерес от гледна точка на неговото
управление;
• Математичен модел - всяко математическо съотношение, което установява връзка
между входните и изходните величини на обекта;
• Адекватен - тъждествен, съвпадащ, еднакъв;
• Структура - строеж, вътрешно устройство;
• Оценяване - получаване на стойностите на параметрите и състоянието на основата
на краен брой наблюдения върху обекта;
• Унимодална функция - едноекстремална функция.
Резюме
В тази глава Вие се запознахте с необходимостта от получаване на математични
модели на обектите за управление, с някои основни понятия и определения, използвани
в дисциплината "Идентификация на системи", с основните етапи на процедурата за
идентификация и с формализацията на задачата за идентификация.
Литература
1. Вучков И., Идентификация, ИК Юрапел, София, 1996
2. Гарипов Е., Идентификация на системи, част I Идентификация чрез непрекъснати
модели, ТУ София, 2007
3. Гарипов Е., Идентификация на системи, ТУ София, 1997
4. Генов Д., Идентификация на системи, ТУ-Варна, 1997
5. Тодорова М., Основи на автоматичното управление, ТУ-Варна, 2005
Примери:
1. Примери за обекти на управление могат да бъдат: смесителният резервоар,
химическият реактор, нагревателната пещ, промишленият робот, автомобилът и др.
- оператора за диференциране:
d
p
dt (1.4)
t
1
dt p
0 (1.5)
6
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Решени задачи:
1. Да се определи задачата на структурната и параметричната идентификация при:
n
A(u ) = ci i (u ) , (1.6)
i =1
n
d i y (t ) m d j u(t )
ai
i =0 dt i
= b j
j =0 dt j
, n m, (1.7)
където ai , b j - параметри.
Задачи за решаване:
1. Да се определи задачата на структурната и параметричната идентификация при:
7
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
n m
ai y ( k − i ) = b j u ( k − j ) ,
i =0 j =0
(1.8)
n
A(u ) = Gi ( w, u ) , (1.9)
i =0
y = A( x, u ) , (1.10)
Тест
Въпрос тип 1 - ДА/НЕ:
Текст
8
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ключови думи
Технологични процеси, технологични обекти, класификация, основни свойства и
параметри на технологичните обекти
Цел
Запознаване на студентите с класификацията на технологичните процеси и обекти
по различни признаци. Разглеждане на общите свойства и параметрите на обектите за
управление.
Въведение
Основно понятие, което се използва при автоматизацията, е понятието процес. В
най – общия смисъл процесът е количествено и/или качествено изменение на
преработваната субстанция (вещество или енергия) във времето [5]. Процесите,
съпътстващи материалните производства, се наричат производствени процеси. Те
протичат в резултат на целенасочени комплексни въздействия върху предметите на
труда с цел постигане на предварително зададени резултати. Производствените процеси
могат да се разглеждат като съвкупност от отделни технологични процеси, транспортни
и спомагателни операции, осъществени в рамките на производството. Изследването на
динамичното поведение на технологичните процеси е от съществено значение при
изграждането на системи за автоматично управление.
Информационен блок
Класификация на технологичните процеси
Технологичните процеси протичат при непосредственото въздействие върху
предметите на труда, вследствие на което входната субстанция се преобразува
(преработва) до определен вид и форма, променяйки физико – химичните си свойства
[5, 6].
1
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
- Едникапацитивни (еднообемни);
- Многокапацитивни (многообменни);
- Обекти с разпределени параметри (ОРП);
- Обекти със съсредоточени параметри (ОСП).
2
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
течност.
Qприток
Qпр H
Qразход
Фиг. 3.1
Фиг.2.1 Пример за еднокапацитивен обект
Qпр1
Qпр1 H2
H1
Qр1=Qпр2
H2
Qр2
Фиг. 3.2
Фиг.2.2 Пример за многокапацитивен обект
3
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
u(t) y(t)
W(p)
Фиг. 3.6
Фиг.2.3 Едномерен обект
W11(p)
u1
y1
u2
y2
W22(p)
Фиг.(двумерен)
Фиг. 2.4. Многомерен 3.7 несвързан обект
4
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
W12(p)
W11(p)
u1 y1
u2 y2
W22(p)
W21(p)
W21(p)
Фиг. 3.8
Фиг.2.5 Многосвързан (двусвързан) обект
- Нестационарен;
- Стационарен.
- Линейни;
- Нелинейни.
Линейните обекти удовлетворяват принципа на суперпозицията и изменението на
изходната им величина при едни и същи нараствания на входната остава постоянно,
независимо от стойността на входната величина [2]. За нелинейните обекти тези
изменения зависят от стойността на входната величина. По-голямата част от обектите са
нелинейни.
При реализирането на системи за управление понякога изменението на входните
величини около работната точка е малко, тъй като управлението често се свежда до
стабилизация на изходната величина. Тогава се приема, че характеристиката на обекта
в областта около работната точка е линейна.
5
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Акумулиращата способност
Саморегулиране на обектите
y уст
k0 = (2.1)
x уст
6
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Времеконстантата на обекта
Времезакъснение на обекта
Речник
• Процес - количествено и/или качествено изменение на преработваната субстанция
(вещество или енергия) във времето;
• Производствен процес - процес, който протича в резултат на комплексни
целенасочени въздействия върху предметите на труда с цел постигане на определени,
(предварително зададени) резултати;
• Технологичен процес - процес, който протича в резултат на непосредственото
въздействие върху предметите на труда, в резултат на което входната субстанция се
преобразува до определен вид и форма, променяйки физико – химичните си свойства;
• Акумулираща способност - свойството на обектите да задържат в себе си част от
протичащите през тях суровини и енергия;
• Саморегулиране - свойство на някои от обектите да се установяват самостоятелно
(без външна намеса) при наличието на известно въздействие върху тях;
• Саморегулиране - самоустановяване; самоизравняване.
Резюме
В тази глава Вие се запознахте с класификацията, основните свойства и параметри
на технологичните обекти. В следващата глава ще бъдат разгледани математичните
модели на обектите и ще бъде дадена класификация на методите за намирането им.
Литература
1. Божов И., Основи на автоматичното управление, Техника, София, 1992
2. Вучков И., Идентификация, ИК Юрапел, София, 1996
3. Генов Д., Идентификация на системи, ТУ-Варна, 1997
4. Димитров В., Автоматизация на технологични процеси, ТУ – Варна, 1999
5. Тодорова М., Основи на автоматичното управление, ТУ-Варна, 2005
6. Хинов Х., К. Наплатаров, Автоматизация на технологични процеси, Техника, София,
1987
7
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Примери:
1. Пример за обект с голяма акумулираща способност е водния изравнител
(акумулиращия резервоар). Колкото по-голям е обемът на резервоара, толкова нивото
по-малко зависи от разхода и притока на вода.
3. Като пример на обект без саморегулиране може да служи резервоар, при който
разходът на течност се определя от центробежна помпа с постоянен и независим от
нивото дебит. При увеличаване на дебита на притока нивото на течността непрекъснато
се повишава, а при намаляване на дебита помпата изчерпва всичката течност.
Решени задачи:
1. Пример на система за автоматично регулиране на двумерен несвързан обект
ε1 μ1
yзад1 Wp1(p) y1
ε2 μ2
yзад2 Wp2(p) y2
Фиг. 3.9
Фиг.2.6 Структурна схема на САР на несвързан обект
ε1 μ1
yзад1 Wp1(p) y1
Wk1(p)
Wk2(p)
ε2
yзад2 Wp2(p) y2
μ2
Фиг. 3.10
Фиг.2.7 Структурна схема на САР на двусвързан обект
8
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Задачи за решаване:
1. Дайте примери за непрекъснати, дискретни и полунепрекъснати технологични
процеси.
Тест
Въпрос тип 1 - ДА/НЕ:
Текст
9
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ключови думи
Моделиране, физичен модел, математичен модел, математическо описание,
класификация на математичните модели,класификация на методите за идентификация.
Цел
Запознаване на студентите с видовете математични модели и с методите за тяхното
получаване.
Въведение
Моделирането представлява заместване на обекта с негов модел с цел да се
изследват свойствата или поведението на обекта в определени ситуации чрез
експериментиране с модела. Условно моделирането може да се раздели на следните
типове:
1
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Информационен блок
Класификация на математичните модели
d ny(t ) * d
n −1
y(t ) * d mu(t )
a0*. + a . + ... + y(t ) = k. b0 . + ... + u(t ) (3.4)
dt n 1
dt n −1 dt m
V ()
A() = U()2 + V ()2 ; () = arc tg (3.9)
U()
y( ) = w( )u(t − )d ,
0
(3.10)
4
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
5
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Речник
• Математическо описание - записана в математическа форма връзка между отделни
променливи, характеризиращи функционирането на обекта. При това тази
математическа форма може да не е "ориентирана", т.е. от нея да не става ясно кои
величини се приемат за входни и кои - за изходни за обекта [5];
• Математичен модел - "ориентирана" математическа форма, т.е. от нея ясно личат
приетите входни и изходни величини.
Резюме
В тази глава Вие се запознахте с видовете математични модели и с класификацията
на методите за идентификация. Основното заключение за Вас следва да бъде, че за един
физичен обект посредством прилагане на различни методи за идентификация, могат да
бъдат създадени множество математични модели, от които трябва да бъде избран най-
подходящия. В следващата глава ще се запознаете с процедурата на идентификация по
времехарактеристики, по специално - с особеностите при планиране и провеждане на
експеримента.
Литература
1. Вучков И., Идентификация, ИК Юрапел, София, 1996
2. Гарипов Е., Идентификация на системи, част I Идентификация чрез непрекъснати
модели, ТУ София, 2007
3. Гарипов Е., Идентификация на системи, ТУ София, 1997
4. Генов Д., Идентификация на системи, ТУ-Варна, 1997
5. Петков Тр., Идентификация на обектите на управление, Техника, София, 1984
6. Тодорова М., Основи на автоматичното управление, ТУ-Варна, 2005
7. Дорф Р., Бишоп Р., Современные системы управления, Лаборатория базовых
знаний, Москва, 2004.
6
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Примери:
1. Пример за нелинеен по параметри модел (неизвестните параметри са под знака
на експонентата)
= 1e x + 3e x
2 1 4 2
(3.17)
2
= a12 − a11.a22 (3.20)
Решени задачи:
1. След въвеждане на диференчните оператори A(Z) и B(Z), уравнение (3.13) може
да се запише във вида
където:
7
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
uT (k ) = [u1(k ), u2 (k ), , ur (k )];
T
y (k ) = [y1(k ), y2 (k ), , yq (k )];
dvC
iC = C = u(t ) − iL (3.23)
dt
diL
L = −RiL + vC (3.24)
dt
v0 = RiL (t ) (3.25)
Уравнения (3.23) и (3.24) могат да се представят във вид на система от две диференциални
уравнения спрямо променливите на състоянието x1 и x2
8
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
dx1 1 1
= − x2 + u(t ) (3.26)
dt C C
dx2 1 R
= x1 − x2 (3.27)
dt L L
Бъдещото поведение на системата и нейният изходен сигнал могат да бъдат определени въз
основа на началните условия x1(t0 ) и x2 (t0 ) и на уравнения (3.26) и (3.27).
Уравнения (3.26) - (3.28) могат да бъдат представени в матрична форма във вида
1
0 − C 1
x= .x + C .u(t ) (3.29)
1 R 0
−
L L
y = 0 R.x (3.30)
Задачи за решаване:
1. Запознайте се с основните етапи при получаването на математични модели по
аналитичен път.
Тест
Въпрос тип 1 - ДА/НЕ:
Текст
9
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ключови думи
Идентификация посредством експериментално снети времеви характеристики,
типови входни изпитателни сигнали, основни моменти при подготовката и планирането
на експеримента, последователност на провеждане на експеримента
Цел
Запознаване на студентите с основните изисквания към изпитателните сигнали, с
техните характеристики и с основните задачи на първите два етапа от процедурата за
идентификация по времехарактеристики.
Въведение
Идентификацията посредством използване на експериментално снети времеви
характеристики на обектите е широко прилаган подход за получаване на математичните
им модели, необходими за настройка на промишлените регулатори в системите за
автоматизация. Идеята му се състои в подаване на входа на обекта на типови входни
сигнали с определени характеристики и получаване на математични модели на базата на
съвместен анализ на входните и изходните променливи. Предимството на
експерименталния подход е, че могат да се отчетат влиянията на смущаващите
въздействия върху обекта, както и влиянието на датчиците, измерващи входно-
изходните сигнали.
1
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Информационен блок
Изпитателни сигнали и реакции на обектите
Общи изисквания към изпитателните сигнали
u u
u(t) u(t)
Au A A
t t t t t
a a a b a
Фиг.2 Фиг.4 Фиг.8
а) б) в)
Фиг.6 г) д)
Фиг.10
2
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Типови случайни процеси са бял шум, цветен шум, марковски процес, псевдо-
случайна двоична последователност и др. "Белият шум" е случаен процес, стойностите
на който са некорелирани помежду си. Честотният спектър на белия шум е равномерно
разпределен по всички честоти и в този смисъл е аналогичен на белия цвят, в който
всички честоти от цветовия спектър са с еднаква мощност. "Цветният шум" е случаен
процес, стойностите на който са корелирани. За разлика от белия шум той е с ограничен
спектър. Останалите случайни процеси могат да се разглеждат като разновидности на
цветния шум. Тъй като белият шум е идеализиран случаен процес с твърде ценни за
анализа статистически свойства, в практиката широко се използват сигнали, близки до
белия шум. Такива сигнали могат да се търсят както в класа на непериодичните, така и в
класа на периодичните сигнали. Интересни свойства от гледна точка на практиката
притежава подкласът на периодичните сигнали - т. нар. "двоични случайни
3
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
В) Планиране на експеримента
Необходимо е да бъдат планирани: вида и амплитудата на входния изпитателен
сигнал; схемата на експеримента и продължителността на експеримента.
Речник
• Случаен процес - функция на времето, която има вероятностно описание;
• Непрекъснат случаен процес –процес, при който аргументът t на случайната
функция u(t) може да приема произволна стойност за даден интервал от време;
• Дискретен случаен процес – процес, който приема само определена стойност от
зададения интервал;
• Центриран случаен процес - случаен процес, който се дефинира посредством
отклонението на случайния процес от средната му стойност;
• Корелационна функция - числова характеристика при нецентрирани сигнали;
• Ковариационна функция - числова характеристика при центрирани сигнали;
• Двоичен сигнал - сигнал, който може да заема с еднаква вероятност само две нива,
т.е. само две възможни стойности (+а или -а);
• Псевдо-случайна двоична последователност (ПСДП) - периодична
последователност с две нива на сигнала;
Резюме
В тази глава Вие се запознахте с типовете изпитателни сигнали и с основните
моменти, включени в първите два етапа на процедурата за идентификация посредством
използване на експериментално снети времеви характеристики. В следващата глава ще
се запознаете с третия етап от процедурата за идентификация по времеви
характеристики, по-специално с първичната обработка на резултатите от експеримента и
методите за определяне на параметрите на типови модели от първи ред.
Литература
1. Вучков И., Идентификация, ИК Юрапел, София, 1996
2. Гарипов Е., Идентификация на системи, част I Идентификация чрез непрекъснати
модели, ТУ София, 2007
6
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Примери:
1. Примери за стъпално входно въздействие са: максимално бързо прилагане на
напрежение, отваряне на определена степен на регулиращия орган, рязко изменение на
налягането, преминаване към друг вид суровина и др.
mu (t ) = f (u, t).u(t).du ,
−
(4.1)
N −1
1
ˆu =
m
N
u
i =1
i , (4.2)
1 N −1
ˆu2 = (ui − mu )2
(4.4)
N − 1 i =0
u = u2 (4.5)
Ru (t1 , t2 ) =
− −
f (u1 , u2 , t1 , t2 ).[u1 − mu (t1 )].[u2 − mu (t2 )].du1.du2 , (4.6)
7
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ruy (t1 , t2 ) =
− −
f (u, y, t1 , t2 ).[u − mu (t1 )].[y − my (t2 )].du.dy (4.7)
Решени задачи:
1. В средата на Matlab да се генерират следните изпитателни сигнали:
2.8
2.6
2.4
2.2
2
0 100 200 300
20
15
10
0
0 100 200 300
u=idinput(300,'PRBS'); plot(u)
8
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
0.5
-0.5
-1
0 100 200 300
-5
0 0.5 1 1.5 2
4
x 10
0.5
-0.5
-1
0 50 100 150 200 250 300
Задачи за решаване:
1. Да се симулират различни изпитателни сигнали за идентификация в средата на
Matlab с помощта на функцията idinput.
Тест
Въпрос тип 1 - ДА/НЕ:
Текст
10
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ключови думи
Първична обработка, привеждане към нулеви начални условия, осредняване,
изглаждане, метод на пълзящото осредняване, метод на четвъртите разлики, вторична
обработка, апроксимация към типови модели от първи ред, графични методи,
интерполационен метод на Стрейц
Цел
Запознаване на студентите с първичната обработка на резултатите от експеримента
с обекта и с най-често използваните методи за оценяване на параметрите на типови
модели от първи ред.
Въведение
Времевите характеристики са непараметрични модели на обектите на управление.
Основен интерес обаче представляват параметричните модели. Поради това има голямо
разнообразие от методи за получаване на параметрични модели по експериментално
снети времеви характеристики на обекта. Параметричните модели, чиито параметри
подлежат на определяне, обикновено са диференциални уравнения или предавателни
функции.
Информационен блок
Обработка на резултатите от експеримента
Първична обработка на резултатите от експеримента
hi (t ) = y ei (t ) / Ai , i = 1,2, , q , (5.1)
q
1
h(t ) = h (t )
i (5.2)
q i =1
1 L L
h
i+
L
2
=
L + 1 k =0
zi + k , i = 1,2, , N −
2
(5.3)
2
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
1 4
hi = z i − zi , (5.4)
12
3
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
k
W (p) = (5.7)
Tp + 1
t
h(t ) = k 1 − e T
−
(5.8)
h(t )
t
h(t ) =
−
= 1−e T (5.9)
k
t i + Tˆ ln1 − h (t i ) = i (5.10)
N
J=
i =1
2
i (5.11)
dJ
и от условието = 0 се получава оценката T̂
dt
t ln1 − h (t )
i i
Tˆ = − i =1
N
(5.12)
i =1
ln2 1 − h (t i )
dh(t )
В случаите, когато производната 0 , за определяне на параметрите k и Т
dt
може да се приложи и следния алгоритъм:
4
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
I – ви метод:
Ако във формула (5.8) се положи t = T се получава
−1
h(T) = k(1 - e ) = k(1 - 0.37) = 0.63k (5.13)
II - ри метод:
Тъй като стойността на производната на h(t) в началото на координатната система
k
е , то ъгловият коефициент на тангентата в началото на координатната система също е
T
k
. Като се има предвид, че ординатата е k, следва че Т е отрязък от абсцисната ос.
T
k
W (p ) = e −p (5.15)
Tp + 1
t −
h(t ) = k 1 − e T
−
, t (5.16)
h(t )
t −
h(t ) =
−
=1−e T
(5.18)
k
(
− t + T = T ln 1 − h (t ) ) (5.19)
5
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
( ),
− t A + = T ln 1 − hA
(5.20)
− tB + = T ln(1 − h ) B
=
( )
t B ln 1 − hA − t A ln 1 − hB ( ) (5.21)
( )
ln 1 − hA − ln 1 − hB ( )
− tA tB − t A
T = = (5.22)
(
ln 1 − hA ) ( )
ln 1 − hA − ln 1 − hB ( )
По този начин между експерименталната преходна характеристика и
апроксимиращата я се получават четири общи точки - т.А, т.В, в началото и в края на
характеристиката.
Речник
• Апроксимация (приближение) - замяна на едни математически обекти с други, по-
прости от тях, но същевременно близки в някакъв смисъл до изходните;
• Интерполационни възли - съвпадащи (общи) точки на експерименталната преходна
характеристиката и нейната апроксимация;
• Параметър - коефициент на математичния модел;
• Оценяване на параметрите - получаване на стойностите на параметрите на базата
на краен брой наблюдения.
Резюме
В тази глава Вие се запознахте с първичната обработка на резултатите от
експеримента и с методите за оценяване на параметрите на типови модели от първи ред.
В следващите две глави ще се запознаете съответно с определянето на параметрите на
типови модели от втори ред и на модели от висок ред.
Литература
1. Вучков И., Идентификация, ИК Юрапел, София, 1996
2. Гарипов Е., Идентификация на системи, част I Идентификация чрез непрекъснати
модели, ТУ София, 2007
3. Гарипов Е., Идентификация на системи, ТУ София, 1997
4. Генов Д., Идентификация на системи, ТУ-Варна, 1997
5. Тодорова М., Основи на автоматичното управление, ТУ-Варна, 2005
6
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Примери:
1.Дадената с крива 1 на Фиг.5.1 преходна функция е гладка и може да бъде
използвана директно за апроксимация. Другата преходна функция (крива 2) е
необходимо да се изглади и след това да се апроксимира по някой от разгледаните
начини.
Фиг.5.1
Решени задачи:
1. Във времеви интервал от 98 s са измерени четири преходни процеса. След
нормализиране са получени следните преходни функции hi (t ) , i=1,2,3,4:
t=[0 2 4 6 8 10 12 14 16 20 28 36 46 54 64 98]
h1=[0 0,90 2,20 3,10 3,90 4,50 5,30 6,00 6,60 7,90 9,60 10,80 11,90 12,60 13,20 14,00]
h2=[0 0,80 1,80 2,80 3,60 4,40 5,20 5,80 6,40 7,60 9,10 10,20 11,10 11,50 11,80 12,30]
7
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
h3=[0 1,13 1,87 3,07 3,73 4,53 5,27 6,00 6,60 7,87 9,67 10,87 12,07 12,80 13,40 14,40]
h4=[0 0,80 1,87 2,80 3,67 4,47 5,13 6,00 6,40 7,47 9,00 10,00 10,80 11,20 11,47 11,87]
13,14
Отговор: k=13,14; T=27s; W(p) =
27p + 1
h=[0 0,11 0,38 0,75 1,17 1,62 2,06 2,48 2,88 3,25 3,59 3,89 4,16 4,40 4,62 4,80 4,97 5,11
5,24 5,35 5,44 5,52 5,59 5,65 5,70 5,78 5,81 5,84 5,86]
Отговор:
8
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Задачи за решаване:
1. В средата на Matlab да се симулира преходна функция h1(t), както е посочено
по-долу, и да се изглади като се приложи методът на пълзящото осредняване.
Тест
Въпрос тип 1 - ДА/НЕ:
Текст
9
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
10
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ключови думи
Вторична обработка, апроксимация към типови модели от втори ред, графо-
аналитични методи, метод на Орманс, апроксимация на колебателни преходни
характеристики
Цел
Запознаване на студентите с вторичната обработка на резултатите от експеримента
с обекта посредством най-често използваните методи за оценяване на параметрите на
типови модели от втори ред.
Въведение
Математичните модели от втори ред намират широко приложение при
апроксимация на динамичните характеристики на обектите. В този раздел ще бъдат
разгледани най-често използваните математични модели от втори ред.
k
W (p ) = (6.2)
T1T2 p + (T1 + T2 )p + 1
2
T1 −
t
T2 −
t
h(t ) = k 1 − e T1 + e T2 (6.3)
T1 − T2 T1 − T2
ke −p
W (p) = (6.5)
T1T2 p 2 + (T1 + T2 )p + 1
T1 −
t −
T2 −
t −
h(t ) = k 1 − e T1 + e T2 , t
T1 − T2 T1 − T2 (6.6)
h(t ) = 0, t
1
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
ke −p
W (p) = (6.8)
T 2 p 2 + 2Tp + 1
−
t − t −
t −T
h(t ) = k 1 − e ,
T
− e t
T (6.9)
h(t ) = 0, t
k
W (p ) = (6.11)
T 2 p 2 + 2Tp + 1
t
1 − 1− 2
h(t ) = k[1 − sin t + arccos ( ) ,
T
e (6.12)
T
1− 2
1
където: 0 = - собствена честота, - коефициент на затихване ( <0.707).
T
Информационен блок
Методи за оценяване на параметрите на типови модели от втори ред
За определяне на параметрите на посочените по-горе модели са разработени
множество методи, някои от които ще бъдат разгледани.
t t
− −
T1 T2
h(t ) = 1 − e T + 1
e T , 2
(6.13)
T1 − T2 T1 − T2
h(t ) t T1 T2
където: h(t ) = ; t = ; T1 = ; T2 = ; 2T = T1 + T2 .
k 2T 2T 2T
2
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
T1 = T (1 + z ) (6.14)
T2 = T (1 − z ) , (6.15)
t7
където T = .
2,4
3
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
T = (t 7 − ) / 2,4 (6.17)
4
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
= 0,5(3t 4 − t 7 ) (6.18)
T = (t 7 − ) / 1,2 (6.19)
1 − 2
1,2 = − j (6.21)
T T
t
− 1− 2
sin + ,
T
h(t ) = k + C.e (6.22)
T
1− 2
1
h(t ) = k 1 − e T sin
− t
t + arccos (6.23)
T
1 − 2
2. Изчисляват се М и по изразите
5
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
k − h(t 2 )
M= (6.24)
h(t1 ) − k
− ln M
= (6.25)
ln2 M + 2
1 1 − 2 1 − 2
T = = Tko = , (6.26)
0 2 ko
2
където ko = .
Tko
T
= t1 − (6.27)
1 − 2
Речник
• Апроксимация - замяна на едни математически обекти с други, по-прости от тях, но
същевременно близки в някакъв смисъл до изходните;
• Параметър - коефициент на математичния модел;
• Оценяване на параметрите - получаване на стойностите на параметрите на базата
на краен брой наблюдения;
• - коефициент на затихване (при 0,707 преходният процес придобива
колебателен характер);
1
• 0 = - собствена честота на обекта.
T
Резюме
В тази глава Вие се запознахте с методите за оценяване на параметрите на типови
модели от втори ред. В следващата глава ще се запознаете с определянето на
параметрите на модели от висок ред.
Литература
1. Вучков И., Идентификация, ИК Юрапел, София, 1996
2. Гарипов Е., Идентификация на системи, част I Идентификация чрез непрекъснати
модели, ТУ София, 2007
3. Гарипов Е., Идентификация на системи, ТУ София, 1997
4. Генов Д., Идентификация на системи, ТУ-Варна, 1997
6
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Примери:
1. Коефициентът на пропорционалност k = h() , периодът на колебание Tко,
първият максимум h(t1 ) и първият минимум h(t2 ) на зададена колебателна преходна
характеристика h(t) може да се определят както е посочено на Фиг. 6.4
Решени задачи:
1. Да се приложи методът на Орманс за получаване на математичния модел по
зададена преходна функция h(t), t [0; 7,25s], t = 0,25s .
h=[0 0,11 0,38 0,75 1,17 1,62 2,06 2,48 2,88 3,25 3,59 3,89 4,16 4,40 4,62 4,80 4,97
5,11 5,24 5,35 5,44 5,52 5,59 5,65 5,70 5,78 5,81 5,84 5,86]
Решение:
h 4 = 0,193 . Моделът е от вида (6.2), тъй като е изпълнено условието 0,191 h4 0,33 . От
7
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
5,86
W (p ) = 2
(6.28)
1,62p + 2,6 p + 1
h=[0 0,73 2,61 5,12 7,78 10,2 12,1 13,23 13,7 13,56 12,94 12,1 11,05 10,1 9,38 8,88 8,63
8,64 8,84 9,15 9,52 9,88 10,2 10,4 10,5 10,5 10,4 10,3 10,2 10,1]
Решение:
1− 2
T = Tko = 0,5
2
T
= t1 − = 0,21
1− 2
10,1
W (p ) = .e − 0,21.p
0,25p 2 + 0,26 p + 1
Задачи за решаване:
1. Като се използва изгладената преходна функция h2(t) от задача 2 на Тема 5, да
8
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Step Response
12
10
8
Amplitude
0
0 50 100 150 200 250 300
Time (seconds)
Тест
Въпрос тип 1 - ДА/НЕ:
Текст
9
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ключови думи
Вторична обработка, апроксимация към типови модели от висок ред, графо-
аналитични методи, метод на площите, определяне на параметри на модели при обекти с
интегриращи свойства (без саморегулиране), идентификация на обекти с особени
реакции
Цел
Запознаване на студентите с вторичната обработка на резултатите от експеримента
с обекта посредством най-често използваните методи за оценяване на параметрите на
модели от произволен ред.
Въведение
Докато всяко диференциално уравнение с постоянни коефициенти и нулеви
начални условия има едно единствено решение, то обратното твърдение не е вярно. Т.е.
не всяко графично или таблично зададено решение (например във вид на преходна
характеристика на промишлен обект) съответства на едно единствено диференциално
уравнение. Това означава, че една и съща преходна характеристика може да се
апроксимира с различни диференциални уравнения. Поради тази нееднозначност при
преминаването от преходни характеристики към диференциални уравнения са
разработени множество методи, които се основават на различни изходни предположения
за структурата на обекта. Апроксимацията на преходната характеристика може да се
извърши или към типови диференциални уравнения (които бяха разгледани в
предходните глави), или към решението на линейно диференциално уравнение от
произволен ред, т.е. към уравнение, чийто ред предварително е неизвестен. Обект на
разглеждане в тази глава е именно получаването на математичен модел във вид на
линейно диференциално уравнение, чийто ред се получава в процеса на апроксимация.
Информационен блок
Значителна част от промишлените обекти за автоматизация могат да се опишат с
диференциални уравнения от вида (7.1) - при обекти със саморегулиране или (7.2) - при
обекти без саморегулиране.
1
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
k
W(p) = (7.3)
(T1 p + 1)(T2 p + 1)(T3 p + 1) (Tn p + 1)
T1 T2 T3 Tn = T (7.4)
k
W(p) = (7.5)
(Tp + 1)n
4) Определя се времеконстантата Т
S
T = (7.6)
n
2
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Таблица 7.1.
= Tu − Tucp (7.7)
k
W(p) = .e − .p , (7.8)
(Tp + 1)n
3
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
k
W(p) = (7.9)
p
k − .p
W(p) = .e (7.10)
p
k
W(p) = (7.11)
p(Tp + 1)
k
W(p) = , (7.12)
p(Tp + 1)n
h
h
α
α τ t
t
Фиг.9 Фиг.10
а) б)
h
2) Изчислява се ъгловият коефициент на реакцията k = tg = .
t
hu
3) Изчислява се отношението и от номограмата, дадена на Фиг.7.4, се определя
k.Tu
най-близката цяла стойност за n.
4
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Δh
u
hu α
t
Tu Δt
Фиг.11
Фиг.7.3. Преходна характеристика на обект без саморегулиране и построения, свързани
с апроксимация към модел от висок ред
k1 k2
W(p) = + e − p (7.13)
(T1 p + 1) (T2 p + 1)
5
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
k1 k1 −p
W(p) = − e , (7.14)
p p
h
където k1 = tg = .
t
Речник
• Апроксимация - замяна на реалната характеристика на обекта на управление с
характеристиката на типови динамични звена, свързани по определен начин;
• Параметър - коефициент на математичния модел;
• Оценяване на параметрите - получаване на стойностите на параметрите на базата
6
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Резюме
В тази глава Вие се запознахте с методите за оценяване на параметрите на модели
от висок ред на базата на получени експериментални времеви характеристики. В
следващата глава ще се запознаете с методите за идентификация на обектите по
експериментално снети честотни характеристики.
Литература
1. Вучков И., Идентификация, ИК Юрапел, София, 1996
2. Гарипов Е., Идентификация на системи, част I Идентификация чрез непрекъснати
модели, ТУ София, 2007
3. Гарипов Е., Идентификация на системи, ТУ София, 1997
4. Генов Д., Идентификация на системи, ТУ-Варна, 2007
5. Генов Д., Идентификация на системи (практикум), ТУ-Варна, 2004
6. Хинов Х., К. Наплаторов, Автоматизация на технологични процеси, София, Техника,
1987.
Примери:
1. Примери на обекти с интегриращи свойства
б) Парен барабанен котел [6]. Когато се увеличи подаването на вода към котела, чиято
температура е по-ниска от температурата на кипящата вода, то налягането в котела
спада. По-ниското налягане оказва по-малка съпротива върху регулиращия клапан, чрез
който постъпва водата. В резултат количеството на подаваната вода се увеличава, което
предизвиква ново спадане на налягането и т.н. Нивото на водата непрекъснато се
увеличава, а налягането - непрекъснато спада. При намаляване на подаваната вода
протича обратното явление.
Решени задачи:
1. Да се получи математичния модел на обект, зададен със следната преходна
характеристика [5]
h=[0 0,03 0,2 0,57 1,19 2,01 3,01 4,17 5,46 6,87 8,33 9,87 11,46 13,1 14,8 16,4 18,14
19,9 21,5 23,3 25 26,8 28,5 30,3 32 33,8 35,5 37,3 39 40,8]
Решение:
7
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
h 34,70
3) Изчислява се ъгловият коефициент k = = = 5,01 .
t 6,92
hu
4) Изчислява се отношението и от номограмата (Фиг.7.4) се определя n=1,20,
k.Tu
следователно най-близката цяла стойност е n=1.
5,01
W(p) = , (7.15)
p.(1,31.p + 1)
Задачи за решаване:
1. Като се използва изгладената преходна функция h2(t) от задача 2 на Тема 5, да
се извърши апроксимация посредством
а) метода на площите;
а)
8
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
1200
1000
800
600
h
400
200
0
0 5 10 15 20
t [s]
б)
300
250
200
150
h
100
50
0
0 5 10 15 20 25 30
t [s]
9
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
в)
450
400
350
300
250
h
200
150
100
50
0
0 5 10 15 20 25 30
t [s]
Тест
Въпрос тип 1 - ДА/НЕ:
Текст
10
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ключови думи
Честотни характеристики, идентификация по експериментално снети честотни
характеристики, вторична обработка на резултатите от експеримента, апроксимация с
честотни характеристики на елементарни динамични звена и техните съединения,
аналитична апроксимация по метода на най-малките квадрати
Цел
Запознаване на студентите с начините за графична и графоаналитична
апроксимация на експериментално снети честотни характеристики на обекта
посредством честотни характеристики на елементарни динамични звена и техните
съединения и с аналитична апроксимация по метода на най-малките квадрати.
Въведение
Понякога е по-удобно по експериментален път да се получат честотните
характеристики на обекта за управление и след вторичната им обработка да се намери
математичният модел на обекта. Познаването на честотните характеристики е полезно и
поради това, че честотните методи намират широко приложение при анализа и синтеза
на автоматичните системи.
Информационен блок
Експериментално получаване на честотните характеристики [1, 2, 3]
За получаване на амплитудно – фазовите характеристики (АФХ) на обектите по
експериментален път е необходимо да се създават по изкуствен начин хармонични и
периодични колебания на входната величина на обекта с определена честота, при която
се регистрират установени колебания на изходния му сигнал. Провеждат се опити при
различни честоти ω.
1
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
- Провеждане на експеримента;
Подготовката за експеримента
Подготовката за експеримента включва изучаване на обекта и избор на
необходимата апаратура за провеждане на експеримента.
Планирането на експеримента
Планирането на експеримента включва:
а) Избор на вида на входното изпитателно въздействие
При отсъствието на шум и наличие на генератор на хармоничен сигнал се
препоръчва да се избере хармоничен изпитателен сигнал. При наличие на шум и
нелинейност в статичните характеристики на регулиращия орган, както и при отсъствие
на генератор на хармонични колебания се препоръчва изпитателен сигнал правоъгълна
вълна.
б) Избор на схема на експеримента
в) Избор на честотния диапазон за определяне на АФХ
В случаите, когато АФХ е предназначена за синтез на система за управление,
интерес представляват стойностите ѝ при () = −900 −2300 . Необходимо е да се
планират от 6 до 8 опита с различни честоти.
Когато АФХ е предназначена за изследване на динамиката на обекта, т.е. за чисто
познавателни цели, тогава е необходимо да се снемат 10-15 точки в честотния диапазон,
2
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
3
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
k
W ( j ) = (8.3)
jT + 1
k.e − jT
W ( j ) = (8.4)
jT + 1
k
W ( j ) = (8.5)
− T1T2 + (T1 + T2 ) j + 1
2
k.e − jT
W ( j ) = (8.6)
− T 2 + 2 jT + 1
2
k
W ( j ) = (8.7)
− T + j 2T + 1
2 2
k=A(0) (8.8)
tg (k )
Tk = , (8.9)
k
4
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
q
1
T =
q T
k =1
k , (8.10)
чз ( k )
k = , (8.11)
k
q
1
=
q
k =1
k , (8.12)
5
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
k
(T1 + T2 )k = (8.15)
k A(k ) 1 + cot g 2 (k )
1 (T1 + T2 )k
(T1T2 )k = − (8.16)
2
k
k tg (k )
0,5 A(0)
Tk = (8.17)
k A(k ) 1 + cot g 2 (k )
3) Изчисляват се коефициентите
1 k
(T 2 )k = − (8.18)
2
k A(k ) 1 + tg 2 (k )
2
k
tg (k )
(T )k = (1 − k2T 2 ) (8.19)
2k
6
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Речник
Метод на най-малките квадрати - математически метод (описан за пръв път от Карл
Гаус през 1794 г.), основан на минимизацията на сумата от квадратите на отклонението
(грешката);
Апроксимация - замяна на реалната характеристика на обекта на управление с
характеристиката на типови динамични звена, свързани по определен начин;
Амплитудно - фазова характеристика (АФХ) - удобно представяне на честотната
реакция на линеен стационарен обект във вид на графика в комплексни координати. На
тази графика честотата се явява параметър на кривата, а фазата и амплитудата за
дадена честота са съответно ъгъла и радиус-вектора на всяка точка от характеристиката.
Графиката обединява в една равнина амплитудно-честотната характеристика (АЧХ) и
фазово-честотната характеристика (ФЧХ).
Резюме
В тази глава Вие се запознахте с методите за идентификация на обектите по
експериментално снети честотни характеристики. В следващата глава ще се запознаете с
корелационните и спектрални методи за идентификация.
Литература
1. Вучков И., Идентификация, ИК Юрапел, София, 1996
2. Генов Д., Идентификация на системи, ТУ-Варна, 2007
3. Генов Д., Идентификация на системи (практикум), ТУ-Варна, 2004
4. Петков Тр., Идентификация на обектите на управлението, Техника, София, 1984
Примери:
1. Ако експерименталната АФХ е разположена изцяло в четвърти квадрант, както е
показано на фиг. 8.1, то се извършва апроксимация с модел (8.3).
Im
A(0)
=0
ω
Re
ω1
ω2
Фиг.1
Фиг. 8.1
7
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Im
A(0)
=0
ω
φi Re
-ωe(jω)
ωi
Фиг.2
Фиг. 8.2
b ( j )
i
i
e − j
Wм ( j) = i =0
. , m n, (8.20)
n
( j ) I
i =0
ai ( j) i
Този модел обаче не е удобен заради нелинейния му вид, поради което от него се
отделят елементите с чисто закъснение и интегриращи свойства и той се представя във
вида
b ( j )
i
i
Wм ( j) = i =0
n
, m n, (8.21)
a ( j )
i =0
i
i
където:
8
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
X.b = V , (8.25)
където
V = [ue v e ]T ;
ˆ = [X T X ]−1 X T V
b (8.26)
Решени задачи:
1. В средата на Matlab да се симулират честотните характеристики на обект,
зададен с полиноми b=[5 10.8] и a=[24 3.12 1] при изменение на честотата в границите
от 0 до 2 rad/s. Получените данни да се зашумят с нормално разпределен Гаусов шум и
да се определят параметрите на модела посредством използване на метода на най-
малките квадрати. МНМК. Изчислителният процес да се реализира посредством
създадена в Matlab функция mnmk.
Решение:
b=[5 10.8];
w=0:0.01:2;
k=length(w);
U=U+0.02*U.*randn(k,1);
V=V+0.02*V.*randn(k,1);
plot(U, V)
n=2;
m=2;
[NUM, DEN]=mnmk(U,V,w,m,n)
9
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
-2
-4
-6
-8
-10
-12
-14
-16
-18
-10 -5 0 5 10 15
NUM=
DEN=
Задачи за решаване:
1. Да се извърши графична апроксимация към типов модел от първи ред на
зададената по-долу експериментална АФХ.
10
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
-0.5
-1
-1.5
-2
-2.5
0 0.5 1 1.5 2 2.5 3 3.5 4
-2
-4
-6
-8
-10
-12
-14
-4 -2 0 2 4 6 8 10 12
11
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Тест
Въпрос тип 1 - ДА/НЕ:
Текст
12
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ключови думи
Уравнение на свиването, интеграл на Дюамел, уравнение (интеграл) на Винер-
Хопф, импулсна преходна функция, тегловна функция, корелационни методи,
регуляризация
Цел
Запознаване на студентите с методите за определяне на основната динамична
характеристика на обектите - тегловната функция (импулсната преходна функция) w(t )
на основата на решаването на уравнението на Винер-Хопф.
Въведение
Същността на корелационните методи за идентификация е определянето на
тегловната функция при предварително определени или зададени автокорелационна
функция на входния сигнал и взаимна корелационна функция на изходния и входния
сигнал. При прилагането на тези методи се използват данни, снети в процеса на
нормалната експлоатация на обекта. Предимство на тези методи е, че са значително
шумоустойчиви. Освен това лесно може да се съставят рекурентни алгоритми за
идентификация в реално време [7]. Получената посредством решаване на уравнението
на Винер-Хопф оценка на импулсната преходна функция е най-добрата в смисъл на
минимална средноквадратична грешка. Поради това корелационните методи за
идентификация намират широко приложение. Основният проблем е решаването на
интегралното уравнение на Винер-Хопф.
Информационен блок
За намиране на импулсната преходна функция w(t ) на обекта могат да се
използват два подхода - детерминиран и статистически [4].
а) методите, при които функцията w(t ) се определя като реакция на обекта при входен
сигнал делта функция на Дирак (импулсна функция) (t ) ;
1
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
t t
0
f1 ( )f2 (t − )d = f1 (t − )f2 ( )d
0
(9.3)
t t
2k − 1
w (t ) w t , (9.6)
2
където
k.t t (k + 1).t ,
k −1
2k − 1
y (k.t ) = t u(i.t ).w t − i.t (9.7)
i =0 2
където:
2
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
u(0) 0 0
u (t ) u(0) 0
U (T ) = u(2.t ) u(t ) 0 ;
u((N − 1)t ) u((N − 2)t ) u(0)
1
W (T ) = .U(T )−1.Y (T ) (9.9)
t
където:
3
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
- Алгебричен метод;
- Честотен метод:
- Аналитичен метод;
- Метод на регуляризацията.
N
1
Ruy ( ). = w(i.t ).R ( − i.t ) ,
u (9.11)
t i =0
A.W = K , (9.12)
където:
4
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
T
1 1 1 1
K = Ruy (0) Ruy (t ) Ruy (2.t ) Ruy ((N − 1).t ) .
t t t t
W = A−1.K (9.13)
След като се намери търсената тегловна функция, от нея може да се премине към
предавателна функция чрез използване на преобразуванието на Фурие.
max
cond ( A) = , (9.14)
min
б) посредством регуляризация;
5
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Suy ( j )
W ( j ) = (9.16)
Su ( j )
1
+
1
+
Suy ( j )
w (t ) = W( j).e j d = S ( j ) .e
j
d (9.17)
2 −
2 − u
Речник
Корелационен индекс- степента, в която две променливи са взаимно свързани;
Коефициент на корелация ( R) - най-широко използваният индекс за праволинейна
зависимост между променливи. Той приема стойности в интервала[-1; 1]. При R=0 няма
линейна връзка между променливите, т.е няма корелация. При R=1 или R=-1 е налице
идеална линейна връзка между двете променливи. Знакът пред R показва посоката на
зависимостта между двете променливи, а абсолютната му стойност показва размера на
взаимовръзката.
Число на обусловеност на дадена матрица - отношението на най-голямото към най-
малкото сингулярно число;
Резюме
В тази глава Вие се запознахте с методите за определяне на тегловната функция
(импулсната преходна функция) w(t ) на обекта въз основа на решаването на
уравнението на Винер-Хопф. В следващата глава ще се запознаете с нерекурсивните
методи за оценяване на параметрите на дискретни линейни модели.
Литература
6
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Примери:
1. В Тема 4 бяха дадени изразите за определяне на автокорелационната и
взаимната корелационна функция. Оценките на тези функции могат да бъдат
определени по следните изрази:
N −d
1
ˆu (d ) =
R
N−d [u
i =1
i
ˆ u ].[ui + d − m
−m ˆu ] (9.18)
N −d
1
ˆuy (d ) =
R
N−d [u
i =1
i
ˆ u ].[y i + d − m
−m ˆy], (9.19)
N N
1 1
ˆu =
където: m
N i =1
ˆy =
ui , m
N y
i =1
i .
x = [1 1 1 -1 -1 1 -1];
plot(lags, c)
7
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
-2
-6 -4 -2 0 2 4 6
R = covf(z, M)
R = covf(z,M, maxsize)
където:
ir = cra(z)
cra(z)
където:
8
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
d = spa(z)
където:
w – вектор – ред със стойностите на честотата, за които ще бъдат изчислени АЧХ и ФЧХ.
Генерира се чрез фунцията logspace. По подразбиране стойностите на честотата са
равномерно разпределени между 0 и .
T – време на дискретизация.
9
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
g = etfe(z)
g = etfe(z, M, N, T)
където:
Решени задачи:
1. В средата на Matlab да се симулират входно-изходни данни на обект, чийто
модел има следната структура
Решение:
u=sign(randn(300,1));
a=[1 -1 0.3];
y=idsim(u, th);
0.2
0.1
-0.1
0 10 20 30 40 50
lags
10
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
където: A(z −1 ) = 1 − 1.z −1 + 0,3.z −2 , B(z −1 ) = 0,2.z −1 + 0,1.z −2 и C(z −1 ) = 1 − 0,8.z −1 + 0,2.z −2 ,
период на дискретизация t = 2s . Като входен сигнал да се симулира двоичен сигнал в
500 точки. Импулсната преходна функция да се определи в 30 точки посредством
използване на m-функцията cra.
Решение:
u=sign(randn(500,1));
a=[1 -1 0.3];
y=idsim(u, th);
0.2
0.1
-0.1
0 5 10 15 20 25 30
lags
Решение:
u=sign(randn(500,1));
a=[1 -1 0.3];
11
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
y=idsim(u, th);
Ru=xcorr(u);
Ruy=xcorr(u, y);
Автокорелационна функция
600
400
200
-200
0 200 400 600 800 1000
Взаимнокорелационна функция
200
150
100
50
-50
0 200 400 600 800 1000
Задачи за решаване:
1. Изходният сигнал в Решен пример 1 да се зашуми с шум с нулево математическо
очакване и отношение шум/сигнал около 5%. Импулсната преходна функция да се
определи в 100 точки посредством използване на m-функцията cra.
12
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
графично характеристиките.
Тест
Въпрос тип 1 - ДА/НЕ:
Текст
13
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ключови думи
Дискретни линейни модели, нерекурсивно оценяване на параметри, метод на най-
малките квадрати, претеглени най-малки квадрати, марковски оценки, метод на
инструменталната променлива, обобщен метод на най-малките квадрати.
Цел
Запознаване на студентите с нерекурсивните методи за оценяване на параметрите
на дискретни линейни модели.
Въведение
Реалните обекти за управление обикновено са непрекъснати, но много често се
налага за тях да бъдат изграждани дискретни математични модели. Това се дължи на
широкото приложение на цифровата техника в системите за автоматично управление.
Друга причина е, че входно-изходните сигнали се получават и съхраняват в дискретен
вид.
Входно-изходният модел на една динамична стохастична система може да се
представи в следния най-общ вид
B(z −1 ) − d C(z −1 )
A(z −1 )y(k ) = z u(k ) + v(k ) (10.1)
F (z −1 ) D(z −1 )
където:
A(z −1 ) = 1 + a1 z −1 + a2 z −2 + + ana z − na ;
F (z −1 ) = 1 + f1z −1 + f2 z −2 + + fnf z − nf ;
z − i u(k ) = u(k − i ) ;
v(k ) - бял гаусов шум с нулево математическо очакване.
Много често вместо общият дискретен модел се използват негови частни случаи
[4] (Таблица 10.1).
За оценяване на параметрите на линейния дискретен модел е необходимо
изпълнението на следните предпоставки:
1) Входният сигнал u(k) се измерва точно и е с богат честотен спектър. Второто е
необходимо, за да е в състояние да възбуди всички собствени честоти на обекта, т.е. да
е максимално информативен. Често се използва псевдо-случайна двоична
последователност (ПСДП).
2) Сигналът v(k ) е центриран бял гаусов шум;
3) Отсъства връзка между сигналите u(k), y(k) и v(k).
Таблица 10.1
Информационен блок
Основни схеми за оценяване на параметрите на стохастични динамични системи
Процедурата за оценяване на параметрите на дискретни математични модели на
стохастични системи обикновено се свежда до:
- формиране на функционал J( ) на грешката e(k ) ;
- минимизация на функционала по отношение на параметрите на обекта.
Методите за оценяване на параметрите се базират на две схеми за формиране на
грешката - грешка в уравнението (equation error) и грешка от предсказване на изхода
(prediction error).
Нека схемите бъдат представени за математичен модел
B(z −1 ) − d
y(k ) = z u(k ) + v(k ) , (10.2)
A(z −1 )
2
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
y(k ) = T (k ) + (k )
, (10.6)
където:
3
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
(k) - цветен или бял шум, включващ неконтролируеми влияния върху обекта, грешки от
измерване на изхода и неточности при определянето на параметрите.
Y = . + (10.7)
J( ) = T W , (10.8)
= Y − . (10.9)
−1
ˆ = T .W. .T .Y (10.10)
ˆ
Алгоритъмът за получаване на вектора с оценките на параметрите посредством
прилагане на МНМК е следния:
2) Изчисляват се T . и T .Y ;
4
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
−1
ˆ = T . .T .Y (10.11)
−1
ˆ = V T . .V T .Y , (10.12)
2) Елементите на матрици V и са силно корелирани (за да съществува V T . −1
);
5
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ако съществува избелващ филтър D(z −1 ) , чийто изход е бял шум v(k), т.е:
то
1
(k) = v(k) (10.15)
D(z −1 )
~ ~
A(z −1 )y (k) = B(z −1 )u (k) + v(k) , (10.16)
~ ~
където y (k) = D(z −1 )y(k), u (k) = D(z −1 )u(k) .
~ ~
Сигналите y (k ) и u (k) могат да се разглеждат съответно като филтриран изход и
филтриран вход на обекта с филтър с предавателна функция D(z −1 ) . Търсените оценки
на параметрите по МНМК могат да се намерят от израза:
~ ~
ˆ = T . .T .~
−1
y,
~
(10.17)
2) Изчисляват се остатъците
ˆ(z −1 )y(k ) − B
(k ) = A ˆ(z −1 )u(k ) , (10.18)
~
5) Съставя се матрица и се решава матричното уравнение (10.17).
6
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
параметрични ARX модели при обобщена грешка в критерия отвида на цветен шум.
Недостатък на метода е големият брой оценявани параметри, поради изискването за
избиране на ред на авторегресионния филтър, значително по-голям от реда на модела
на обекта. Това води и до оценяване на големия брой параметри на филтъра.
Речник
• Итерация - (произлиза от латинското "iterare", т.е. „повтарям“) термин,
обозначаващ "повторението на даден процес". Всяко повторение се нарича итерация;
• Рекурсия - (произлиза от латинското "recurrere") - програмна техника, включваща в
себе си използването на процедури, подпрограми, функции или алгоритми, които
извикват свои опростени версии един или повече пъти, при решаването на определен
проблем (докато се изпълни дадено условие). Резултатът от всяко повторение се
изпълнява от последното извикано повторение в посока към първото.
• Бял шум - случаен сигнал (процес) с плоска спектрална плътност на мощността.
Сигналът притежава еднаква мощ във всеки постоянен честотен диапазон с произволна
централна честота. Той получава името си от бялата светлина, при която спектралната
плътност на мощността на светлината е разпределена във видимия спектър по такъв
начин, че трите рецептора на светлина в окото са приблизително еднакво стимулирани.
Резюме
В тази глава Вие се запознахте с нерекурсивните методи за оценяване на
параметрите на дискретни линейни модели, по-специално с МНМК, МИП и обобщения
МНМК. В следващата глава ще се запознаете с рекурсивните методи за оценяване на
параметрите на дискретни модели.
Литература
1. Вучков И., Идентификация, ИК Юрапел, София, 1996
2. Гарипов Е., Идентификация на системи, част II Идентификация чрез дискретни
стохастични регресионни модели, ТУ София, 2007
3. Гарипов Е., Идентификация на системи, ТУ София, 1997
4. Генов Д., Идентификация на системи, практикум, ТУ-Варна, 2004
5. Генов Д., Идентификация на системи, ТУ-Варна, 2007
6. Генов Д., М. Тодорова, Е. Тодоров, Matlab 5 за идентификация, оптимизация и
филтрация, ТУ-Варна, 2000.
Примери:
1. System Identification Toolbox използва следните формати за описание на
системите [6] :
freqfunc формат – матрица с две до пет колони и брой на редовете, равен на броя
7
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
на честотите плюс едно. Първият ред съдържа n цели числа със следната входна
информация:
n = 0 – посочва, че колоната е спектър;
n = 50 - посочва, че колоната съдържа стандартните отклонения на спектъра;
n = 100 - посочва, че колоната съдържа честотите на спектъра;
n = k (k е между 1 и 19) - посочва, че колоната съдържа стойности на амплитудата за
предавателната функция, съответстваща на вход k;
n = 20+k - посочва, че колоната съдържа стойности на фазата за вход k;
n = 50+k - посочва, че колоната съдържа стандартното отклонение на амплитудата за
вход k.
n = 70+k - посочва, че колоната съдържа стандартното отклонение на фазата за вход k;
n = 100+k - посочва, че колоната съдържа стойности на честотата за вход k.
th = ar(y, n)
th = ar(y, n, approach)
където:
n – ред на AR – модела.
th = armax(z, nn)
8
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
където:
nn = [na nb nc nk] – за ARMAX модел, а за ARMA модел nn = [na nc], където na, nb,
nc – определят редовете на съответните полиноми A, B, C;
th = arx(z, nn)
където:
th = iv4(z, nn)
където:
th = ivar(y, na)
където:
9
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
nc – по подразбиране nc = na.
Решени задачи:
1. За дискретен обект VII от Приложение III [6] да се запише:
а) theta формат;
б) freqfunc – формат;
в) zepo – формат.
Решение:
A = [1 -1.036 0.2636];
B = [0 0.1387 0.0889];
Получава се:
б) Въвежда се:
A = [1 -1.036 0.2636];
B = [0 0.1387 0.0889];
th = poly2th(A,B,[],[],[],-1);
z = [y u];
Получава се:
IDFRD model g.
10
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Output Channels: y1
Input Channels: u1
Sampling time: 1
в) Въвежда се:
A = [1 -1.036 0.2636];
B = [0 0.1387 0.0889];
th = poly2th(A,B,[],[],[],-1);
Получава се:
zepo =
-0.6410 0 0.5867 0
Решение:
B=[1 0.4];
th0=poly2th(A, B, C);
u=sign(randn(10, 1));
e=randn(10, 1);
z=[y u];
na=2;
nb=2;
nk=0;
11
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
nn=[na nb nk];
th1=arx(z, nn);
present(th1)
Получава се:
Sampling interval: 1
Решение:
Въвежда се:
th2=iv4(z, nn);
present(th2)
Получава се:
Sampling interval: 1
Задачи за решаване:
1. Да се симулират N=50 входно-изходни данни на динамична система с ARMAX
структура със следните коефициенти на полиномите A=[1 -2 1], B=[1 0.2], C=[1 -1 0.05]
и двоичен входен сигнал с амплитуда единица. В средата на Matlab да се намерят
оценките по МНМК за ARX структура на модели от първи, втори и трети ред.
Тест
Въпрос тип 1 - ДА/НЕ:
12
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Текст
13
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Ключови думи
Дискретни линейни модели, рекурсивно оценяване на параметри, текуща
идентификация, рекурсивен метод на най-малките квадрати, рекурсивен метод на
претеглени най-малки квадрати, рекурсивен разширен метод на най-малките квадрати,
метод на стохастическата апроксимация, рекурсивен метод на инструменталната
променлива.
Цел
Запознаване на студентите с методите за текуща идентификация на динамични
системи, т.е. с рекурсивните методи за оценяване на параметрите на дискретни линейни
модели.
Въведение
Разгледаните в Тема 10 методи за оценяване на параметрите на дискретни модели
изискват целият набор от информация за входно-изходните сигнали на обекта. Те са
едностъпкови процедури, с натрупване на данни или използващи пакетна обработка.
Основните им недостатъци са:
- необходимост от голям обем памет за съхраняване на входно-изходните данни;
- необходимост от обръщане на матрици;
- не позволяват обработване на информацията в реално време, т.е. в момента на
постъпването ѝ.
Рекурсивните методи за идентификация се използват в реално време. Характерно
за тях е, че новите оценки на параметрите се получават посредством корекция на
старите (определените от предходния етап). Предимство е, че идентификацията се
извършва по сравнително прости изрази въз основа на новопостъпилите данни. От
особена важност е, че по време на работата на обекта заедно с управлението може да се
доуточнява математичния модел на обекта. Това е от съществено значение за
нестационарните обекти.
Изискванията към рекурсивните алгоритми са по-високи, отколкото към
нерекурсивните. Основните изисквания са:
1) Голямо бързодействие - налага се поради факта, че корекцията на модела и
изработването на ново управляващо въздействие трябва да станат за един такт на
дискретизацията.
2) Малък обем памет - това позволява да се използват сравнително прости и евтини
изчислителни устройства за управление в реално време.
В сравнение с нерекурсивните методи, рекурсивните имат и някои недостатъци:
1) Структурата на модела, при прилагане на рекурсивни методи, трябва да бъде
предварително определена, докато при нерекурсивните въз основа на натрупаните
входно-изходни данни може да се извърши идентификация с няколко различни
структури на модела.
2) Оценяването на параметрите посредством рекурсивни методи е с по-ниска точност.
Обаче с увеличаване на броя на данните рекурсивните методи осигуряват същата
точност както нерекурсивните.
Независимо от посочените недостатъци, рекурсивните методи са незаменимо
средство за управление в реално време [1].
Съществува голям брой рекурсивни методи. По принцип всички алгоритми,
прилагани при пакетна обработка, имат съответни рекурсивни версии. Тук ще бъдат
1
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Информационен блок
При всички рекурсивни методи новата оценка ˆ(k + 1) се получава след корекция
на старата ˆ(k ) , като корекцията е пропорционална на обобщената грешка e(k ) , т.е.
1) Известни са параметрите na , nb и d = nk ;
2) Входният сигнал u(k) е центриран, измерва се без грешка и е с ред, не по-нисък от
този на полином А, т.е. от na ;
3) Изходният сигнал е центриран и му действа смущение n(k);
4) Остатъците е(к) са статистически независими и са с нулево математическо очакване.
(
ˆ(k) = ˆ(k − 1) + (k). y(k) − T (k).ˆ(k − 1) , ) (11.4)
където:
(k ) - вектор на корекция;
( )
−1
(k) = T (k).P(k − 1).(k) + 1 .P(k − 1).(k) , (11.5)
2
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
където
( )
P(k ) = I − (k ). T (k ) .P(k − 1) (11.6)
2) Изчисляват се остатъците
(
(k) = r. T (k).r + 1) −1
, (11.9)
( )
−1
(k) = T (k).P(k − 1).v(k) + 1 .P(k − 1).v(k) , (11.11)
ˆ(k − 1)
v(k) = − y ˆ(k − 2)
−y ˆ(k − na )
−y u(k − 1) u(k − 2) u(k − nb ) T
(11.12)
N
Q= w(k).e (k)
k =1
2
(11.13)
( )
(k) = T (k).P(k − 1).(k) + .P(k − 1).(k) ,
−1
(11.14)
където
P(k) =
(I − (k). T
)
(k) .P(k − 1)
(11.15)
N
Q= E
k =1
2
(k ) (11.16)
e2 (k)
Q= (11.17)
2
(
ˆ(k) = ˆ(k − 1) + (k)(k). y(k) − T (k).ˆ(k − 1) ) (11.18)
Обикновено (k ) се избира от вида (k ) = , където е константа. По този начин се
k
4
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
rarx
където:
z – матрица с изходно – входните данни. При един вход z = [y u]. При n входа z =
[y u1 u2 ... un]. За временни редове ( за AR модел) z = [y];
−тия
yhat – вектор – стълб, съдържащ в k си ред предсказаната по новополучения
модел стойност на изхода, съответстваща на измерената стойност на изхода z(k, 1).
rarmax
където:
rbj
5
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
roe
rpem
rplr
Речник
• Рекурсивна (рекурентна) процедура - процедура, при която не е необходимо на
всяка стъпка да се извършва повтаряне на обработката на цялата информация;
• Аргумент - независима променлива величина, от чието изменение зависи
изменението на друга величина;
• Неизместена оценка – оценяваният параметър съвпада със средното значение
(математическото очакване) на оценката;
• Ефективна оценка - неизместена оценка с минимална дисперсия.
Резюме
В тази глава Вие се запознахте с рекурсивните методи за оценяване на
параметрите на дискретни линейни модели, по-специално с РМНМК, РМИП, рекурсивния
метод на претеглени най-малки квадрати, метода на стохастическата апроксимация и с
рекурсивния разширен метод на най-малките квадрати. В следващата тема ще се
запознаете с методите за идентификация на системи с разпределени параметри.
Литература
1. Вучков И., Идентификация, ИК Юрапел, София, 1996
2. Гарипов Е., Идентификация на системи, част II Идентификация чрез дискретни
стохастични регресионни модели, ТУ София, 2007
3. Гарипов Е., Идентификация на системи, ТУ София, 1997
6
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Примери:
1. Пример за приложението на m-функцията rarx. Да се извърши рекурсивно
оценяване по МНМК на параметрите на модел от втори ред с ARX структура по зададена
матрица z с изходно – входни данни.
load z % зареждане на z
nn = [2 2 1];
lam = 1;
load z % зареждане на z
nn = [2 2 1 1];
lam = 1;
load z % зареждане на z
nn = [2 2 1 1 1];
lam = 1;
load z % зареждане на z
nn = [2 2 1 1 1 1];
lam = 1;
Решени задачи:
1. Да се симулират N=10 входно-изходни данни на динамична система с ARMAX
7
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
структура със следните коефициенти на полиномите A=[1 -1.5 0.6], B=[0 1 0.4], C=[1 -
0.9 0.1] и нормално разпределен случаен входен сигнал. След това да се извърши
рекурсивно оценяване по РМНМК на параметрите на модел от втори ред с ARX структура.
Решение:
B=[0 1 0.4];
th1=poly2th(A, B, 1, 1, 1);
u=randn(10, 1);
y1=idsim(u, th1);
z1=[y1 u];
nn1=[2 2 1];
plot(thm1)
Получава се:
thm1 =
8
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
1.5
0.5
-0.5
-1
-1.5
-2
0 2 4 6 8 10
Решение:
Въвежда се:
th2=poly2th(A, B, C, 1, 1);
y2=idsim(u, th2);
z2=[y2 u];
nn2=[2 2 2 1];
Получава се:
thm2 =
9
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
1.5
0.5
-0.5
-1
-1.5
-2
0 2 4 6 8 10
Задачи за решаване:
1. По зададените в Таблица 11.1 входно-изходни данни на обекта да се намерят
параметрите на модел с ARX структура от първи ред, като се използва РМНМК.
Таблица 11.1
k u(k) y(k)
1 -1 0
2 1 -2,00
3 -1 3,00
4 -1 -3,50
5 1 -0,25
6 1 2,12
7 1 0,94
8 -1 1,53
9 -1 -2,76
10 1 -0,62
10
доц. М. Тодорова кат. АП
Дисциплина: Идентификация на системи
Тест
Въпрос тип 1 - ДА/НЕ:
Текст
11
доц. М. Тодорова кат. АП