Тодорова Б АП ИС тема1-combined

Дисциплина: Идентификация на системи
Тема 1. Идентификация и оценяване - основни постановки и

определения
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]:
1962г. – Дефиниране за първи път на понятието „идентификация”.

1965г. – Полагане на основите на новата наука „идентификация” на база на
математическата статистика. Започва успешно прилагане на регресионните
модели; развитие на методите на най-малките квадрати, максималното
правдоподобие, стохастическата апроксимация и др.
1965 г. – 1975г. – Модифициране на основните методи с цел гарантиране на
неизместеност на оценките. Появяват се обобщеният метод на най-малките
квадрати, методът на инструменталната променлива, спектралните и
корелационните методи.
1975г. – 1990г. – Сближаване на теорията и практиката на
идентификацията. Разработване на програмна реализация на алгоритмите за
идентификация. Публикуване на учебници по идентификация на високо ниво
(Norton, Izermann и др).
След 1990 г. – Разработване на нови идеи без статистически корени
(идентификация на модели в пространство на състоянията, идентификация чрез
множество сходни модели, идентификация чрез нелинейни модели, невронни
модели и др.).
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.
Обектите са съвкупност от материални тела, намиращи се в непрекъснато

взаимодействие както помежду си, така и с обкръжаващата ги среда. Въздействието на
околната среда върху обекта (входната величина на обекта) се изобразява със стрелки,
насочени към обекта и се обозначава най-често с променливата u(t). Въздействието на
обекта върху околната среда (изходната величина) се изобразява със стрелки, насочени
навън от обекта и се обозначава с променливата y(t). Входните и изходните величини се
описват с определени функции (най-често това са функции на времето t). Връзката
1
доц. М. Тодорова кат. АП
между входните и изходните величини може да се представи математически с уравнение

от вида
y(t ) = A0u(t ) (1.1)
където операторът A0 е правилото на преобразуване на причината u(t) в следствие

y(t). Задачата на идентификацията е определянето на моделен оператор A(u), така че
той да е тъждествено равен на правилото A0 (u) .
u
A(u ) = ? y
Фиг. 1.1
Изследването на процесите в автоматичните системи се извършва с помощта на

метода на математическото моделиране. Моделирането е мощно средство за научни
изследвания и практически разработки. То обединява етапите на построяване на модел
за изследвания обект, експериментиране с модела и трансформиране на резултатите от
експеримента в информация за обекта на изследването. Под модел на даден обект се
разбира някаква форма на представянето му, която е различна от формата на реалното
му съществуване и е по – удобна за разглеждането му [5]. Моделът се съставя, за да
служи като средство за по – добро изучаване, разбиране и работа с реалния обект, в
това число и неговото управление. Моделът може да бъде точно копие на обекта или да
изобразява някои негови характерни свойства в друга физическа или абстрактна форма.
Най – широко използвана абстрактна форма е математическата. Математичният модел е
абстрактно изображение на отделни страни на процеса на езика на математиката. Той се
изразява обикновено като съвкупност от уравнения, условия и алгоритмични правила.
Математичният модел може да се използва при изследване на механизма на
протичащите в обекта явления или за анализ, синтез, проектиране и реализация на
система за управление на моделирания обект. Съставянето и използването на моделите
се основава на условията за изоморфизъм, хомоморфизъм и изофункционализъм. При
изоморфизма има взаимно – еднозначно съответствие между всички елементи на модела
и реалния обект. При хомоморфизма такова съответствие съществува само между най –
важните елементи. Поради това на практика по – разпространени са хомоморфните
модели. Изофункционализмът се отнася до пълното съответствие на реакциите между
обекта и математичния модел (ММ).
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
Тъй като моделът се формира с определена цел, основен критерий за оценяването

му е неговата способност да замени обекта. Степента на приближение между реалния
обект и модела се оценява като се поставя определен критерий на някаква функция,
която в общия случай се означава като функция на грешката, функция на отклонението,
функция на загубите и т.н.
Математичният модел представя достатъчно вярно (адекватно) обекта, ако при

стойности на аргументите, съответстващи на реалните входове, получените по модела
стойности на функцията, представяща изхода на обекта, съответстват на реалния изход
на обекта. При избора на подходящ модел се спазват основно две изисквания. Първото е
моделът да е адекватен на обекта, т.е. да бъде достатъчно точен. Трябва да се има
предвид, че точността на модела не трябва да бъде по-ниска от желаната точност на
управление. Второто изискване е по възможност математичният модел да не бъде
сложен.
Математичните модели могат да бъдат получени посредством прилагане на

аналитични, експериментални или аналитико-експериментални методи. Получаването на
математичния модел по аналитичен път се извършва на основата на законите на
физиката, механиката, химията и др. Този метод дава добри резултати в случаите,
когато разглежданият обект е добре изучен и има сравнително проста структура. В
противен случай получаването на математичния модел по аналитичен път е практически
невъзможно и се прибягва към прилагане на експериментални методи, които обикновено
се свеждат до статистическа обработка на данните от проведения експеримент. При
експериментално-аналитичните методи априорният модел, получен по аналитичен
метод, се доуточнява по време на експеримента с обекта.
Аналитичното получаване на математичен модел на реален обект често се оказва

значително сложно, тъй като е необходимо да се отчете голямото разнообразие от
обекти за управление и изисква задълбочени познания в различни научни области.
Създаването на математичен модел на управляемия обект по експериментален път

е задача на идентификацията. В общата теория на идентификацията се прилагат
принципите на техническата кибернетика – принцип на „черна кутия”, „сива кутия” и др.
На тази основа , след обработване на извадка от регистрираните входни u(t) и изходни
y(t) данни за обекта, по известни алгоритми може да се намери неговия математичен
модел.
Идентификацията в широк смисъл е целенасочено изучаване на обекти и явления,

в резултат на което те се отнасят към определен клас в една предварително изградена
класификация, като се оценява и приближението им до този клас [4].
Специалистите по автоматика се интересуват от идентификацията на обекта от

гледна точка на неговото управление, въпреки че идентификация може да се извършва
и само от гледна точка на познанието, т.е. когато целта е не управлението, а цялостното
изучаване на обекта. Задачата за идентификация за нуждите на управлението възниква,
когато се налага да се синтезира модел, съдържащ в себе си цялата информация за
динамичните свойства на обекта, необходима за синтез на алгоритъм за управлението
му. В този смисъл идентификацията може да се счита като дуална (двойнствена) задача
на управлението (Фиг. 1.3). От една страна не може да се управлява обект, който не е
изучен или не се изучава в процеса на управлението му, а от друга страна – за да се
изучи обектът трябва да му се въздейства и да се наблюдава поведението му, т.е. да се
управлява.
3
Идентификация
Управление
Фиг.1.3 Идентификацията - дуална задачата на управлението
Основни етапи на процедурата за идентификация

В най – общ аспект процедурата за идентификация на обекта на управление
включва три етапа [5].
Етап 1. Отделяне на обекта от средата; формиране на обща представа за него и за
връзките му със средата; уточняване на най – общите изисквания за управлението му и
на тази основа формиране на най – обща структура на математичния модел.
Етап 2. Организиране на експерименти и наблюдения и набиране на информация
за обекта.
Етап 3. Обработка на получената информация по определени методи, получаване
на математичния модел, оценяване и коригиране на същия.
Процедурата за идентификация почти винаги е итеративна, тъй като задачата се
решава в условия на подчертана неопределеност. Когато не се получи удовлетворителен
модел (по определен критерий), може да се наложи да се търси друга по – обща
структура на модела, да се организира по друг начин набирането на информацията и т.н.
Формализация на задачата за идентификация

Обикновено правилото A0(u) и моделният оператор A(u) са различни по структура
и физическа природа и не могат да бъдат сравнявани. За формализация на задачата се
използва свойството изофункционалност между модела и обекта, което позволява да се
използва метриката (разстоянието) ρ (Фиг. 1.4), формирана като разлика между реалния
изходен сигнал на обекта y(t) и изхода на модела ym(t), т.е. ρ=y(t)-ym(t).
Обект
u 
ММ
Фиг. 1.4 Формиране на метриката ρ
Метриката ρ носи информация за адекватността на математичния модел, т.е. за

близостта между модела и обекта. Тъй като изходът на модела ym(t) зависи от A(u), то
задачата за идентификация се свежда до задача за минимизация на функционал J(А),
формиран по подходящ начин от отклонението на ym(t) от y(t). Често използван
функционал при непрекъснатите системи е интегралния показател на
средноквадратичната грешка

J( A) = [y(t ) − y m (t )]2 dt
0
(1.2)
Той е намерил широко приложение, защото води до прости изчислителни схеми и

позволява да се получи единствено решение на задачата за идентификация, тъй като
представлява изпъкнала унимодална функция.
4
Линейният интегрален показател (критерий)
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.
Модулният интегрален показател
J ( A) =  y (t ) − ym (t ) dt (1.4)
0
отстранява посоченият по-горе недостатък, но не намира широко приложение,

защото използването му води до аналитични трудности.
Аналог на интегралния показател на средноквадратичната грешка (1.2) при

дискретните системи е функционала
m
J( A) =  (y
i =0
i − y mi )2 . (1.5)
Разгледаните по-горе функционали се характеризират със значителна простота, но

водят до нееднозначни оценки на параметрите, тъй като реакциите на модела и обекта
зависят не само от параметрите, но и от прилаганите входни сигнали. Поради това
намира приложение и функционал, в който участва входния сигнал u(t)
J ( A) =  {W (t )[ y (t ) − ym (t )]2 + u(t ) 2 }dt , (1.6)

0
където W(t) - тегловна функция
Структурна и параметрична идентификация

От гледна точка на това, че реалният обект има определена структура, то и
математичният модел, който търсим, също разполага с такава. Когато липсва
информация за структурата на модела, тогава обектът се представя като "черна"
("непрозрачна") кутия, в същността на която не може да се надникне. В този случай на
определяне подлежат структурата и параметрите на модела, т.е. необходимо е да се
извърши структурна и параметрична идентификация. Алгоритъмът за избиране на
структурата е следния. Първо се избира модел с възможно най-проста структура,
извършва се параметрична идентификация и се определят параметрите на модела.
Проверява се близостта на получения модел до реалния обект и при получаване на
неудовлетворителен резултат, структурата се усложнява с включване на нови елементи
и връзки между тях. Тази процедура продължава до достигане на задоволителен
резултат.
Когато е известна структурата на модела, тогава обектът се представя като "сива"

("полупрозрачна") кутия и е необходимо да се извърши единствено параметрична
идентификация.
5
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.
Основното заключение за Вас следва да бъде, че целта на идентификацията е

получаване на адекватен на обекта математичен модел въз основа на краен брой данни
от проведен експеримент с обекта.
В следващата глава ще се запознаете с класификацията, общите свойства и

параметрите на обектите за управление.
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
Блок за контрол на знанията
Примери:
1. Примери за обекти на управление могат да бъдат: смесителният резервоар,
химическият реактор, нагревателната пещ, промишленият робот, автомобилът и др.
2. Примери за оператори A0 могат да бъдат:
- оператора за диференциране:
d
p
dt (1.4)
- линейния интегрален оператор:
t
1
 dt  p
0 (1.5)
6
- диференциалния оператор D(y) и др.
3. По-важните функции на математичния модел са:
а) Той е най-простия начин за концентриране и съхранение на цялата информация

за динамичните свойства на обекта.
б) Той може да служи за прогнозиране на поведението на обекта.
в) Той е най-простия, а понякога и единствения начин за въвеждане на

информация за обекта в системата за управление.
г) Моделът служи като средство за изследване.
4. Задължителни условия за синтезиране на математичен модел на обекта са:
- наблюдаемост на обекта, т.е. измеримост на входно-изходните му сигнали;
- стабилност на обекта, т.е. наличие на стабилни свойства в определен интервал от

време (стабилността не следва да се отъждествява със стационарността);
- екстраполируемост на модела, т.е. възможност да бъде използван и за решаване

на задачи, различни от тези, за които е създаден.
Решени задачи:
1. Да се определи задачата на структурната и параметричната идентификация при:
а) моделен оператор във вид на функционално разложение
n
A(u ) =  ci i (u ) , (1.6)
i =1
където  i (u ) са зададена система функции, а ci - параметри (коефициенти на

разложение).
Отговор: В разглеждания случай задача на структурната идентификация е

намирането на подходяща система функции, а задача на параметричната идентификация
- определянето на коефициентите ci .
б) моделен оператор във вид на диференциално уравнение
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.
Отговор: В този случай задача на структурната идентификация е намирането на

параметрите n и m, а задача на параметричната идентификация - определянето на
параметрите ai .и b j .
Задачи за решаване:
1. Да се определи задачата на структурната и параметричната идентификация при:
7
а) моделен оператор от вида
n m
 ai y ( k − i ) =  b j u ( k − j ) ,
i =0 j =0
(1.8)
където ai , b j са параметри на дискретния модел.
б) моделен оператор, представен чрез функционален ред на Волтера
n
A(u ) =  Gi ( w, u ) , (1.9)
i =0
където Gi - система функционали, w - ядра на Волтера.
в) моделен оператор от вида
y = A( x, u ) , (1.10)
където x - вектор на състоянието.
Тест
Въпрос тип 1 - ДА/НЕ:
Текст
Въпрос тип 2- „един верен от много”

Текст
Въпрос тип 3- „подреждане на отговори”:

Текст
Въпрос тип 4 - „Изображение – въпрос”:

Текст
8
Тема 2. Общи свойства, класификации и параметри на

технологичните обекти
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.
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].
В зависимост от основните си кинетични закономерности технологичните

процеси биват:
- Механични – подчиняват се на законите на физиката на твърдото тяло. Например

такива са процесите раздробяване, смилане, пресяване, пресоване и др.;
- Хидравлични – подчиняват се на законите на механиката на флуидите. Примери

за такива процеси са утаяване, разбъркване, филтриране, центрофугиране и др.;
- Термодинамични – подчиняват се на законите на термодинамиката и са свързани

с взаимното превръщане на топлината и механичната работа. Например такива са
процесите на компресиране на газове.;
- Масообменни – подчиняват се на законите на дифузията. Такива процеси са

абсорбцията, адсорбцията, екстракцията, дестилацията и др.
Някои процеси се подчиняват едновременно на различни закони, поради което

могат да се причислят към повече от една категoрия. Например при сушенето се
наблюдават както топлообменни, така и масообменни процеси.
1
Според характера на протичането им във времето технологичните процеси се

делят на:
- Непрекъснати – характеризират се с непрекъснато подаване на суровини и

енергия и получаване на готова продукция. Непрекъснати са повечето процеси в
химията, нефтопреработването, енергетиката и др.;
- Полунепрекъснати – при тях суровините се подават периодично в определени

дози, а готовият продукт се получава на порции. Такива са повечето процеси в
металургията и хранително – вкусовата промишленост.;
- Дискретни – при тях технологичните операции са с малка продължителност.

Такива са процесите в машиностроенето и електропромишлеността.
Тази класификация също е условна. Ако даден дискретен процес се състои от

отделни операции със значителна продължителност, той може да се разглежда и като
полунепрекъснат.
Технологичните процеси се характеризират с входни, изходни и режимни величини.

Входните величини характеризират свойствата на всички постъпващи за преработка
материални и енергийни потоци, а също и измененията на конструктивните параметри на
съоръженията, в които протича процесът. Входните величини се делят на управляващи и
смущаващи. Управляващи са тези въздействия, посредством които процесът се заставя
да протича по желан от човека начин. Смущаващите въздействия са тези, които
отклоняват протичането на процеса от желания начин. Тяхното съществуване налага
необходимостта от управляващи въздействия. Смущаващите въздействия са
функционални и параметрични. Функционалните се изразяват в изменения на околната
среда, промяна на количествените и качествените показатели на входните материални и
енергийни потоци. Параметричните въздействия се проявяват вследствие на промяна на
конструктивните параметри на съоръженията, в които протичат технологичните процеси.
Изходните величини характеризират количествено и качествено готовия продукт.
Режимните величини са междинни по отношение на времето и пространството. По тях
могат да се прогнозират изходните величини.
Класификация на обектите на управление

Техническите устройства, които могат да бъдат обекти на автоматичното
управление, днес са изключително много. Те се изграждат въз основа на различни
физически принципи, служат за реализация на различни процеси и имат разнообразно
конструктивно изпълнение. Тяхното изучаване е предмет на много технически науки.
Класификацията им може да се извърши по различни технологични и конструктивни
показатели.
По конструктивен признак обектите се делят на:
- Едникапацитивни (еднообемни);
- Многокапацитивни (многообменни);
- Обекти с разпределени параметри (ОРП);
- Обекти със съсредоточени параметри (ОСП).
Еднокапацитивни – това са обекти, които са със сравнително проста конструкция,

поради което не могат да бъдат представени като съвкупност от два или повече
подобекта (капацитета). Пример за еднокапацитивен обект е даден на Фиг.2.1, където H
- ниво на течността в съда, Qпр и Qр - дебита съответно на притока и на разхода на
2
течност.
Qприток
Qпр H
Qразход
Фиг. 3.1
Фиг.2.1 Пример за еднокапацитивен обект
Многокапацитивни – това са обекти, които могат да бъдат представени като

последователно съединение от два или повече капацитета. Пример за такъв обект е
даден на Фиг.2.2.
Qпр1
Qпр1 H2
H1
Qр1=Qпр2
H2
Qр2
Фиг. 3.2
Фиг.2.2 Пример за многокапацитивен обект
Ако обектите могат да се представят само като последователно съединение на

капацитети и съпротивления, те са прости обекти. Когато се представят и с паралелно
съединение на капацитети, се наричат сложни обекти.
Обекти с разпределени параметри – строго погледнато почти всички реални обекти

са с разпределени параметри. Това означава, че изходната величина на обектите освен
от времето t зависи и от местоположението на точката в която е извършено измерване,
т.е. зависи и от пространствените координати. Обектите с разпределени параметри се
срещат често в химическата промишленост, при процеси, съпроводени с масо- и
топлообмен и др. [3]. Математически тези обекти се описват с частни диференциални
уравнения, със системи частни диференциални уравнения, с интегро-диференциални
уравнения и др. Тъй като математическият апарат на уравненията с частни производни
дори и за линейни обекти е твърде сложен, когато е възможно обектите с разпределени
параметри се представят като обекти със съсредоточени параметри.
3
Обекти със съсредоточени параметри – характерно за тях е, че изходният сигнал

зависи само от времето t. Пример за ОСП е реактор с идеално смесване. В него
концентрацията на изходното вещество е еднаква навсякъде в обема на реактора поради
интензивното смесване. Обектите със съсредоточени параметри най-често се описват
математически посредством обикновенни диференциални уравнения, предавателни
функции или системи обикновени диференциални уравнения.
Класификация на технологичните обекти според вида на входно-изходните сигнали:
- Непрекъснати обекти – имат непрекъснати входно-изходни сигнали;

- Дискретни обекти – поне един от входно-изходните сигнали е дискретен.
Всички обекти на управлението съществуват непрекъснато във времето. Величините, по
които трябва да се управлява значителна част от техническите и технологични обекти,
са също непрекъснати функции на времето. Ако величините, по които трябва да се
управлява обектът, не са непрекъснати функции на времето, то той може да се
управлява дискретно във времето. С преминаването към цифрово управление,
управлението в дискретно време става преобладаващо.
Класификация на обектите според броя на изходните им сигнали:
- Едномерни –тези обекти, които имат един изходен сигнал;
u(t) y(t)
W(p)
Фиг. 3.6
Фиг.2.3 Едномерен обект
- Многомерни – имат два или повече изходни сигнала. Многомерните обекти

от своя страна биват два вида: несвързани и свързани. Несвързани са тези
обекти, при които всеки входен сигнал влияе само върху един изходен сигнал.
W11(p)
u1
y1
u2
y2
W22(p)
Фиг.(двумерен)
Фиг. 2.4. Многомерен 3.7 несвързан обект
Многомерни свързани (многосвързани) са тези обекти, при които входните сигнали

въздействат на повече от един изходен сигнал. Двусвързан обект е даден на Фиг.2.5,
където W12 (p), W21 (p) - предавателни функции по естествените кръстосани връзки, а
W11 (p), W22 (p) - предавателни функции по сепаратните (отделните) канали.
4
W12(p)
W11(p)
u1 y1
u2 y2
W22(p)
W21(p)
W21(p)
Фиг. 3.8
Фиг.2.5 Многосвързан (двусвързан) обект
В зависимост от това дали се променят или не характеристиките на обекта по

време на работата му, той бива:
- Нестационарен;
- Стационарен.
Ако обектът променя характеристиките си по време на своята работата, той е

нестационарен. Нестационарността може да бъде причинена от изменение на неслучайно
смущаващо въздействие (примерно от изменението на активността на катализатора в
химичния реактор). При нестационарните обекти параметрите не са константи, а са
функция или на времето t, или на друга величина, която зависи от t. Много често
параметрите на обекта се представят като полиноми по степените на времето t.
Стационарен обект – в случай когато за разглежданият период от време

параметрите на обекта се променят сравнително слабо, тогава се приема, че те са
константи и обектът се разглежда като стационарен за зададения интервал от време.
Според вида на статичната си характеристика обектите се делят на:
- 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.
В зависимост от това дали притежават или не свойството саморегулиране, се

делят на:
- Обекти със саморегулиране (статични обекти);

- Обекти без саморегулиране (астатични обекти).
Обектът със саморегулиране може да се върне сам в установения режим, след като е бил
изведен от него и след като изчезне причината, която го е извела.
Обектът без саморегулиране не притежава тази способност.
5
Според характера на смущаващите въздействия обектите се делят на:
- Обекти със смущаващи въздействия с детерминистичен характер;

- Обекти със смущаващи въздействия със стохастичен (случаен) характер.
Природата и най-общата характеристика на смущаващите въздействия в първия случай
са определени, а във втория не са. Тъй като понятията "детерминистично" и "случайно"
са условни, обектите не могат да бъдат отнесени завинаги към едната или другата
категория.
Общи свойства на обектите за управление

Един и същи технологичен процес може да протича по различен начин в зависимост от
конструктивните особености на обектите и от начина на въвеждане/извеждане на
материалните потоци. Това се определя от свойствата на обекта, които се свеждат
основно до акумулираща способност и саморегулиране.
Акумулиращата способност
Акумулиращата способност на обектите е свързана със запасяване в самия обект на

определено количество материал или енергия. Акумулиращата способност играе голяма
роля за протичането на процесите. Например големият запас от енергия облекчава
преходните процеси, но увеличава времетраенето им. Акумулиращата способност на
някои от обектите зависи и от характера на материята, обработвана в тях. Например
акумулиращата способност на термичните обекти е непостоянна, защото зависи и от
топлинните свойства на обекта и веществото, използвано за топлоносител или източник
на топлина.
Почти всички обекти притежават свойството акумулираща способност, защото се

натрупва известно количество от агентите, протичащи през тях.
Саморегулиране на обектите
Това е свойство на някои от обектите да се установяват самостоятелно (без външна

намеса) при наличието на известно въздействие върху тях. Саморегулирането може да
бъде както от страна на източника на енергия или вещество, така и от страна на
консумацията или преобразуването.
При обекти с голяма степен на саморегулиране наличието на регулатор не е

задължително. В зависимост от изискванията за точност на регулиране може да се
постави регулатор, но неговата работа значително се облекчава.
Основни параметри на обектите за управление

Свойствата на обектите се характеризират с параметрите на обектите. Основни
параметри са коефициентът на обекта за управление и неговата инерционност.
Инерционността е обобщен параметър и се изразява с една или повече времеконстанти и
времезакъснение.
Коефициент на обекта (предавателен коефициент на обекта)
Коефициентът на обекта k0 характеризира статичния режим на обекта. Той

определя зависимостта между дадена изходна величина на обекта y уст и съответно
входно въздействие x уст в установен режим
y уст
k0 = (2.1)
x уст
6
Коефициентът k0 може да бъде определен както по отношение на управляващото

въздействие, така и по отношение на някое смущаващо въздействие. Размерността на
коефициента зависи от размерностите на изходната и входната величина.
Времеконстантата на обекта
Времеконстантата на обекта T0 е времето, за което процесът в обект със саморегулиране

би протекъл така, че регулируемата величина да достигне установената си стойност, ако
обектът не притежаваше саморегулиране, т.е ако процесът протичаше по права линия.
Времезакъснение на обекта
При голяма част от технологичните обекти изменението на регулируемата величина

настъпва след определено време от момента на подаване на агента, т.е. налице е
закъснение в изменението на изходната величина спрямо момента на подаване на
входното въздействие. Във всички обекти в една или друга степен съществува
транспортно закъснение. Наличието му е свързано с инерционността на обектите.
Времезакъснението  0 е съществен фактор за работата на системата за автоматично
регулиране и обикновено определя нейната работоспособност.
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.
1. Божов И., Основи на автоматичното управление, Техника, София, 1992
4. Димитров В., Автоматизация на технологични процеси, ТУ – Варна, 1999
6. Хинов Х., К. Наплатаров, Автоматизация на технологични процеси, Техника, София,
1987
7
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.
2. За онагледяване на свойството саморегулиране на обектите от страна на входа

може да бъде разгледан калорифер, в който се обменя топлина между агентите.
Първоначално на границата между двата агента има разлика в температурите им. След
това, тъй като вторият агент започва да увеличава температурата си, разликата започва
да намалява и предаването на топлина (което в първия момент е значително) започва да
намалява докато достигне установено състояние. По този начин обектът сам (без
наличието на други технически средства) установява преходния процес.
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.
4. За онагледяване на свойството времезакъснение може да се разгледа мелница за

руда. Посредством дозатор и транспортната лента към мелницата се подава руда за
смилане. При промяна на капацитета на дозатора регулируемата величина не се променя
дотогава, докато лентата не подаде новото количество, т.е. след определено
времезакъснение.
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
2. Пример на система за автоматично регулиране на двусвързан 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
1. Дайте примери за непрекъснати, дискретни и полунепрекъснати технологични
процеси.
2. Дайте примери на промишлени обекти според разгледаната в тази тема

класификация.
3. Посочете характерни обекти на управление със и без саморегулиране.
4. Определете предавателния коефициент на обекта k0 по зададена негова

статична характеристика.
Тест
Текст

Текст

Текст

Текст
9
Тема 3. Математични модели. Класификация на методите за

намиране на математични модели
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:
-Концептуално моделиране – при него съвкупността от вече известни факти за

изследвания обект се отразяват посредством специални знаци, символи и операции с тях
или с помощта на естествен или изкуствен език;
-Физическо моделиране – при него моделът и моделирания обект са реални обекти

с еднаква или различна физична природа, при което между процесите, протичащи в тях
са изпълнени някои съотношения на подобие, дължащи се на подобието на физичните
явления;
-Структурно – функционално моделиране – при него моделът е във вид на блокова

схема, графика или таблица, допълнени със специални правила за тяхното
преобразуване и обединение;
- Математическо моделиране – при него моделът е реализиран със средствата на

математиката;
-Имитационно моделиране – при него моделът е реализиран във вид на компютърна

програма и представлява алгоритъм на функционирането на обекта.
Съществуващите няколко вида моделиране, посочени по-горе, могат да се групират

в две основни групи (Фиг.3.1):
- материално - веществено моделиране - моделът е реализиран като материален

обект (физичен модел) - опитна уредба, устройство, машина и т.н.;
- абстрактно - логическо моделиране - моделите се представят чрез средствата на

математиката.
От гледна точка на управлението на обектите интерес представлява математическото

моделиране. При него обектите се представят основно във форми, които се означават
като математическо описание и математичен модел. Изключително голямото
разнообразие от обекти на управление, което беше дадено в Тема 2, предполага и
голямо многообразие от математични модели. Изучаването на класификацията им е
необходимо, защото според специфичните особености на обектите трябва да бъдат
подбрани най-подходящите математични модели за тяхното описание.
1
Класификация на математичните модели
Фиг.3.1 Видове модели
Математичните модели могат да бъдат класифицирани като "модели на статиката" и

"модели на динамиката". Моделите на динамиката описват изменението на изходните
величини на обектите във времето и като функция на изменението на входните
величини. Те предсказват преходните процеси на обекта. Моделите на статиката [1]
описват установените режими, които съществуват след завършване на преходните
процеси. Моделите на статиката най-често се описват с алгебрични уравнения, даващи
връзката между изходните и входните величини
yi = i (u1 , u2 ,  , um , 1, 1,  ,  k ) , i = 1,2,  , n , (3.1)
където: 1, 1,  ,  k - параметри; i - функционална зависимост, която е различна за

всеки конкретен случай.
Най-общо моделът на динамиката може да се представи във вида
yi = i (u1, u2 ,  , um , y1, y2 ,  , yn , 1, 1,  ,  k ) (3.2)
При динамичните модели изходната величина зависи не само от стойността на

входната величина в дадения момент, но и от предшестващи моменти на времето,
поради което се наричат още модели с памет. Те съдържат освен входно-изходните
сигнали на обекта и техни производни до определен ред.
Моделите на статиката могат да се получат от математичните модели, описващи

динамичното поведение на обектите.
В математическия модел, освен входно-изходните сигнали на обекта, участват и

параметри (коефициенти), които подлежат на определяне. В зависимост от начина на
включването им в модела, той може да бъде "линеен" или "нелинеен" по отношение на
търсените параметри.
Експерименталните модели се разделят още на "детерминистични" и "статистически

2
(стохастични)". Детерминистичните модели не отразяват влиянието на случайните

смущения, докато при стохастичните то се отчита. По принцип всички обекти на
управление са подложени на случайни смущения. Понякога обаче те са пренебрижимо
малки и тогава е подходящо да се използват детерминистични модели.
Класификация на линейните динамични модели

Линейните динамични модели широко се използват при описание на обектите
основно поради своята простота. Тъй като изискванията към моделите са те да бъдат
адекватни и максимално опростени, логично е да се предположи, че синтезът им започва
с линейно описание [4]. От своя страна линейните динамични модели се разделят на две
големи групи - непрекъснати и дискретни модели. Моделите могат да бъдат представени
в класическия математичен базис или във векторно - матричен вид, дефиниран с
понятието "пространство на състоянията".
Непрекъснати динамични модели
Тези динамични модели са непрекъснати функции на времето. Те намират широко

приложение при синтез на системи за управление. С тях достатъчно точно могат да се
опишат някои типове нелинейни обекти, които допускат линеаризация на статичните им
характеристики. Първо ще бъдат разгледани математичните модели в класическия
математичен базис.
Непрекъснати математични модели в класическия математичен базис

Основните типове линейни динамични модели са: диференциални уравнения,
предавателни функции, тегловни функции, честотни характеристики.
Описанието на поведението на обектите посредством диференциални уравнения е

заимствано от класическата механика. В общия случай връзката между входното
въздействие и изходната реакция се представя с уравнение от вида
d ny(t ) d n −1y(t ) d mu(t ) d m −1u(t )

a0. n
+ a1. n −1
+ ... + an.y(t ) = b0. m
+ b1. ... + bm.u(t ) (3.3)
dt dt dt dt m −1
Най – старшата производна n на изходната величина определя реда на модела.

Условието за физическа реализуемост на реалните елементи и системи е n  m .
Операциите, които най – често се извършват върху уравнение (3.3), са привеждане

в безразмерна форма, стандартизация и нормализация.
При привеждане в безразмерна форма реалните физични величини се заместват с

безразмерни. Безразмерната форма се използва, когато се търси принципно решение на
конкретна задача или когато се сравняват качествата на няколко модела [6].
При стандартна форма на запис коефициентът пред y в лявата страна на (3.3)

трябва да е равен на единица. За целта двете части на уравнение (3.3) се разделят на
коефициента an , след което коефициентът пред u в дясната страна на уравнението се
bm
полага равен на k = и се изнася пред скоби
an
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
 
Стандартната форма се предпочита в случаите, когато коефициентът на

3
пропорционалност k е параметър и е необходимо да се определи неговото влияние върху

някои характеристики на обекта.
Често, при висок ред на модела, стойностите на коефициентите в (3.4) се

различават с няколко порядъка, което затруднява анализа. Поради това се извършва
така наречената нормализация чрез изменение на мащабите на времето. Новата
променлива се избира така, че стойността на коефициента пред старшата производна да
е равен на единица.
Разгледаните по-горе диференциални уравнения са с постоянни параметри, т.е. те

са стационарни уравнения. При тях параметрите ai , i = 1,2,  , n и b j , j = 1,2,  , m са
константи. Когато параметрите (или част от тях) зависят от времето t, тогава се
използват нестационарни диференциални уравнения.
За описание на динамиката на обекти с разпределени параметри обикновено се

използват модели, включващи частни производни (частни диференциални уравнения).
Модел, при който с x е означена пространствената променлива, има следния вид
 2y(t , x)  2y(t , x)  2y(t , x) y(t , x) dy(t , x)

a11. 2
+ 2a12 . + a22 . 2
+ b1. + b2. + c.y(t , x) = F (x, t ) (3.5)
x xt t x t
Широко използван модел е непрекъснатата предавателна функция W(p)
Y (p) bm.p m + bm −1.p m −1 + ... + b0

W(p) = = (3.6)
U(p) an.p n + an −1.p n −1 + ... + a0
За описанието на нестационарни обекти може да се използва предавателна

функция от вида [6]
bm (t ).p m + bm −1(t ).p m −1 + ... + b0 (t )

W(p, t ) = (3.7)
an (t ).p n + an −1(t ).p n −1 + ... + a0 (t )
Ако в предавателната функция да се замени оператора р с j. , ще се получи

комплексната честотна функция (амплитудно-фазовата характеристика)
W( j.) = U() + j.V () , (3.8)
където U() и V () са съответно реалната и имагинерната честотни характеристики,

които също са непрекъснати динамични модели. Връзките между амплитудната и
фазовата характеристика и между реалната и имагинерната характеристика са показани
по-долу
V ()
A() = U()2 + V ()2 ;  () = arc tg (3.9)
U()
Друг използван динамичен модел е уравнението на свиването (интеграла на

Дюамел)

y( ) = w( )u(t −  )d ,
0
(3.10)
където w( ) е тегловната (импулсно-преходната) функция.
4
Непрекъснати математични модели в съвременния математичен базис

Приложението на векторите и матриците позволява да се запишат в компактен вид
както математичните модели, така и решенията на диференциалните векторни
уравнения
x= A.x + B.u (3.11)
y = C.x + D.u , (3.12)
където: A - матрица на състоянието с размерност ( n  n ); B - матрица на входа с

размерност ( n  m ); С - матрица на изхода с размерност ( r  n ) и D - матрица на пряката
връзка с размерност ( r  m ).
При стационарните обекти елементите на матриците A, B, C и D са константи. В

общия случай те са функции на времето t. В частния случай при едномерна система, т.е.
при m=r=1, матрицата B е n - мерен вектор - стълб, матрицата С е n - мерен вектор-ред,
а матрицата D е скалар.
Уравнение (3.11) се нарича уравнение на състоянието. То свързва скоростта на

изменение на състоянието на системата със самото състояние и с входните сигнали.
Уравнение (3.12) се нарича уравнение на изхода (уравнение на наблюдението).
Системата от уравнения (3.11) и (3.12) е описание на линейна система в пространството
на състоянията.
Дискретни динамични модели
Дискретните модели са добре адаптирани към цифровата техника и широко се

използват в последните години. Те също могат да бъдат представени със средствата на
класическата математика или в пространство на състоянията.
Дискретни математични модели в класическия математичен базис

За описание на дискретните системи най – често се използват диференчни
уравнения. Те изпълняват ролята на диференциалните уравнения, използвани при
описанието на непрекъснатите системи. Линейната дискретна система преобразува една
поредица дискретни стойности в друга в съответствие с определен алгоритъм, който
представлява линейна комбинация от дискретните стойности в моментите t = kT , където
Т е период на дискретизация. В общия случай диференчното уравнение е от вида
a0.y(k + n) + a1.y(k + n − 1) + ... + an.y(k) = b0.u(k + m) + b1.u(k + m − 1) + ... + bm.u(k) , (3.13)
където: u(k), y(k) – дискретни стойности съответно на входната и изходната

величини; a0 , a1 , ..., an , b0 , b1 , ..., bm - параметри.
Друг често използван дискретен модел е дискретната предавателна функция W(z)
y(z) B(z) b0.z m + b1.z m −1 +  + bm

W (z ) = = = . (3.14)
u(z) A(z) a0.z n + a1.z n −1 +  + an
Дискретни математични модели в съвременния математичен базис

Моделът в пространство на състоянието, даден с уравнения (3.11) и (3.12), също
може да бъде представен в дискретно време
5
x(k + 1) = .x(k) + Г .u(k) (3.15)
y(k) = C.x(k) + D.u(k) , (3.16)
Класификация на методите за идентификация

Съществуват два начина за намиране на математични модели на обектите -
аналитичен и експериментален.
Тъй като за следващите разглеждания интерес представляват експерименталните
методи, ще се спрем на тяхната класификация.
Според прилагания подход методите се делят на:
- методи, използващи детерминистичен подход;
- методи, използващи статистически подход.
В зависимост от вида на търсения модел, методите биват:
- методи за получаване на статични модели;
- методи за получаване на динамични модели.
В зависимост от вида на провеждания експеримент, методите се делят на:
- методи, използващи резултати от активен експеримент;
- методи, използващи резултати от пасивен експеримент.
Разделянето на експериментите на активен и пасивен е условно и се свързва с
възможността за вмешателство в работата на обекта. При активния експеримент в
процеса на набиране на информация за обекта на входа му се подават специални
изпитателни сигнали с определени характеристики [4].
При пасивния експеримент обектът е в режим на нормална експлоатация.
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.
5. Петков Тр., Идентификация на обектите на управление, Техника, София, 1984
7. Дорф Р., Бишоп Р., Современные системы управления, Лаборатория базовых
знаний, Москва, 2004.
6
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. Пример за модел, линеен по отношение на параметрите 0 , 1, 2 , 12 , 21 , 22 , но

нелинеен по отношение на променливите xi
 = 0 + 1 x1 + 2 x2 + 12 x1 x2 + 11 x12 + 22 x22 (3.18)
Моделите от този тип се наричат "линейно-параметризирани". Оценяването на

параметрите в тези модели е значително по-просто в изчислително отношение, поради
което те се предпочитат пред нелинейно-параметризираните модели.
3. Пример за нестационарен непрекъснат динамичен модел
d ny(t ) d n −1y(t ) d mu(t ) d m −1u(t )

a0 (t ). n
+ a1(t ). n −1
+ ... + an (t ).y(t ) = b0 (t ). m
+ b1(t ). ... + bm (t ).u(t ) (3.19)
dt dt dt dt m −1
4. Свойствата на модел (3.5) се определят от дискриминантата
2
 = a12 − a11.a22 (3.20)
Моделът е от параболичен тип, ако  = 0 . Ако   0 , той е от елиптичен тип, а при

  0 - от хиперболичен тип. Ако дискриминантата променя стойността си, моделът е от
смесен тип.
1. След въвеждане на диференчните оператори A(Z) и B(Z), уравнение (3.13) може
да се запише във вида
A(Z).y(k) = B(Z).u(k) , (3.21)
където: Z – оператор на "изпреварване"; A(z) и B(z) - полиноми по степените на z.
Многомерeн дискретeн обект с r входа и q изхода може да се опише със система

диференчни уравнения, която в матрична форма има вида
A(Z).y(k) = B(Z).u(k) , (3.22)
където:
7
uT (k ) = [u1(k ), u2 (k ), , ur (k )];
T
y (k ) = [y1(k ), y2 (k ), , yq (k )];
 A11 (Z ) A12 (Z )  A1q (Z )

 A ( Z ) A (Z )  A2q (Z )
A(Z ) = 
21 22
;
     
 
 Aq1(Z ) Aq2 (Z )  Aqq (Z )
B11 (Z ) B12 (Z )  B1r (Z )

 B (Z ) B ( Z )  B2r (Z )
B(Z ) = 
21 22
;
     
 
Bq1(Z ) Bq2 (Z )  Bqr (Z )
Aij (Z ), Bij (Z ) - диференчни оператори.
2. Да се получи математичния модел в пространството на състоянията на RLC верига,

изобразена на фиг.3.2 [7].
Фиг.3.2 RLC верига
Състоянието на системата се характеризира с две променливи x1 и x2 , където x1 е

напрежението на кондензатора vC (t ) , a x 2 е тока през индуктивността iL (t ) . Тъй като
общата енергия, запасена във веригата, зависи от x1 и x2 , то x1(t0 ) и x2 (t0 ) носят
информация за пълната начална енергия във веригата, т.е. за състоянието на системата в
момента t = t0 . Съгласно закона на Кирхоф за тока може да се запише диференциално
уравнение от първи ред, определящо скоростта на изменение на напрежението на
кондензатора:
dvC
iC = C = u(t ) − iL (3.23)
dt
Законът на Кирхоф за напрежението дава уравнение, определящо скоростта на изменение

на тока през индуктивността:
diL
L = −RiL + vC (3.24)
dt
Изходът на системата се определя от линейното алгебрично уравнение
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
dx1 1 1
= − x2 + u(t ) (3.26)
dt C C
dx2 1 R
= x1 − x2 (3.27)
dt L L
Следователно изходният сигнал на системата е
y1(t ) = v0 (t ) = Rx2 (3.28)
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)
1. Запознайте се с основните етапи при получаването на математични модели по
аналитичен път.
2. Дайте примери за нестационарни дискретни модели в класическия математичен

базис.
3. Запишете уравнението на свиването в дискретна форма.
4. Запишете нестационарен дискретен модел в пространството на състоянията.
5. Представете дадено диференциално уравнение в алгебрична форма.
Тест
Текст

Текст

Текст

Текст
9
Тема 4. Идентификация чрез времехарактеристики - основни

етапи, планиране и провеждане на експеримента
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.
Експерименталният подход се прилага при предположение, че обектите са със

съсредоточени параметри, линейни и стационарни. Линейността на обекта се свърза
основно с линейността на неговата статична характеристика в околността на нормалния
му технологичен режим. Стационарността на обекта е от съществено значение, тъй като
за апроксимацията му ще бъде използван математичен модел с постоянни параметри.
Предположенията за линейност и стационарност могат да се проверят експериментално.
Предположението за съсредоточеност на параметрите на обекта се свързва с факта, че
за апроксимация се използва математичен модел със съсредоточени параметри.
Приемането на това предположение зависи от характера на обекта и от изискването за
сложност и точност на системата за автоматично регулиране.
В зависимост от начина, по който се провежда експеримента, се различават

активни, пасивни или смесени методи за идентификация. При активния експеримент се
преустановява нормалното функциониране на обекта и операторът провежда
експеримент като задава точно определени входни сигнали на обекта и регистрира
реакцията на изхода му. В случаите, когато нарушаването на нормалното
функциониране на обекта е недопустимо, вместо активен експеримент се използва
пасивен експеримент. При него не се подават специални изпитателни сигнали, а
операторът само наблюдава и регистрира случайните колебания на входа и на изхода на
обекта. Пасивният експеримент изисква значителен интервал от време за набиране на
информация за обекта. По този начин се отстранява нежеланото влияние на апаратурата
за идентификация, но малкият диапазон на изменение на променливите води до
намаляне на точността. При пасивния експеримент е възможно да възникнат трудности,
свързани с нестационарността на характеристиките на сигналите [4].
1
Изпитателни сигнали и реакции на обектите
Общи изисквания към изпитателните сигнали
Към сигналите, които се използват при провеждане на експеримента с обекта, се

предявяват редица изисквания, най - важните от които са:
- сигналите трябва да са прости и физически реализируеми, за да не се налага да се

създават специални и сложни генератори на изпитателни сигнали;
- сигналите трябва да са с богат честотен спектър, за да са в състояние да възбудят

всички собствени честоти на обекта, т.е. да са максимално информативни.
Класификация на изпитателните сигнали
Изпитателните сигнали се делят на две групи:
- детерминирани (определени) - това са сигнали с предварително известни

характеристики и лесно математическо записване;
- стохастични (случайни) - сигнали със случаен характер на амплитудните им стойности.
Детерминирани изпитателни сигнали

По физическата си същност детерминираните изпитателни сигнали представляват
развитие във времето на реални физически величини [2]. Например в техническите
обекти тези величини могат да бъдат температура, налягане, концентрация, дебит,
електрическо напрежение и др. За експериментирането от съществено значение е
математичното представяне на изпитателните сигнали, тъй като от него зависи
информативността на получената реакция на обекта. Практиката е наложила две
основни групи детерминирани изпитателни сигнали: апериодични и периодични.
От чисто технически съображения като: проста форма, удобство при формиране,
близост до реално възникващи въздействия, са се наложили два основни апериодични
сигнала - стъпално въздействие (стъпална функция, степенчата функция) и импулсно
въздействие (импулсна функция, импулсен сигнал). И двете функции са от класа на
специалните функции.
u u u
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
Фиг. 4.1. Апериодични изпитателни сигнали
Като се изключи случаят на реализиране на стъпално въздействие във вид на

електрическо напрежение (Фиг.4.1а), при други величини не е възможно моментално
изменение от нула до определена стойност. В повечето реални случаи нарастването е за
крайно време (Фиг.4.1б).
Реалният изпитателен импулсен сигнал (Фиг.4.1в - д) притежава крайна
продължителност и амплитуда. Амплитудата трябва да е достатъчно голяма, за да
предизвика (дори и в условията на смущения в измерването) приемлива по качество
изходна реакция на обекта (тегловна функция).
Класическите периодични изпитателни сигнали са хармоничните колебания,
записани като синусоидални или косинусоидални функции. Те намират широко
2
приложение, защото са подчертано шумоустойчиви. Други често използвани периодични

изпитателни сигнали са правоъгълната вълна, по-точно нейната практическа реализация
- трапецовидната вълна. В някои случаи създаването на такива въздействия е
значително по-удобно.
Стохастични (случайни) изпитателни сигнали

Обикновено обектите функционират в условията на влиянието на случайни
въздействия. Поради това съвсем естествено е да се приеме, че най-информативни ще
бъдат изпитанията със случайни входни въздействия. Всеки случаен процес се
характеризира със следните величини: брой на реализациите; интервал на наблюдение
на всяка реализация; минимална и максимална стойност на процеса в интервала на
наблюдение. Случайните изпитателни сигнали се описват със законите на
разпределение и техните числови характеристики. Обикновено законите на
разпределение се предполагат, защото е трудно да се намерят на практика, а числовите
характеристики се определят по експерименталните реализации на случайните процеси.
Основни числови характеристики са математическото очакване, дисперсията,
автокорелационната функция и взаимната корелационна функция. Математическото
очакване mu (t ) на даден случаен процес u(t) характеризира средната стойност на
процеса по множеството реализации, а дисперсията  u2 (t ) характеризира разсейването
(отклонението) на u(t) около математическото очакване. Автокорелационната функция
Ru (t1, t2 ) дава статистическата зависимост между две стойности u1 и u2 на процеса в
моментите от време t1 и t2 . Взаимната корелационна функция Ruy (t1 , t2 ) дава
статистическата зависимост между два процеса u(t) и y(t) в моментите от време t1 и t2 .
Определянето на статистическите характеристики на случайните процеси е свързано с
безкраен интервал на наблюдение, но на практика случайният процес е с ограничена
дължина. Поради това се определят оценките на числовите характеристики. Оценките са
неизместени и състоятелни.
В идентификацията често се използва понятието "стационарен случаен процес".

При този процес характеристиките mu (t ) и  u2 (t ) са константи, а корелационните
функции не зависят от конкретните моменти на измерванията, а от разликата във
времето между тях [2]. Случайният процес е "ергодичен", ако теоретично
характеристиките му могат да се определят въз основа на една единствена безкрайно
дълга реализация. По този начин множественото осредняване се заменя с осредняване в
рамките на крайния интервал на наблюдение на случайния процес. Ергодичният процес
е стационарен, но не всеки стационарен процес е ергодичен. Като достатъчно условие за
ергодичност се приема затихването на автокорелационната функция.
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
последователности". Те са лесни за създаване. В много отношения те са детерминирани

сигнали, но притежават корелационна функция, близка до тази на случайните сигнали.
Поради това те се означават като псевдо-случайна двоична последователност (ПСДП).
ПСДП са периодично повтарящи се реализации с подбрани, неизместени във времето
вероятностни характеристики. Те са най-удобните изпитателни сигнали за
идентификация посредством корелационни функции.
Идентификация по експериментално снети времеви характеристики

В Тема 1 беше посочено, че основните етапи на процедурата за идентификация на
обекта на управление включва три етапа, а именно: подготовка и планиране на
експеримента; провеждане на експеримент и наблюдения за набиране на информация за
обекта; обработка на получената информация по определени методи и получаване на
математичния модел. В настоящата тема ще бъдат разгледани основните задачи в
първите два етапа.
Етап 1. Подготовка и планиране на експеримента
Този етап включва следните основни задачи.
А) Предварително изучаване на обекта

Запознаване с техническата документация на обекта, оборудването, технологичния
режим, възможностите за провеждане на експерименти. Наблюдаване на
функционирането на обекта и определяне на времето на затихване на преходните
процеси на обекта, евентуалните източници на шум и определяне на входните и изходни
величини на обекта. Трябва да се има предвид, че не винаги реалните входни и изходни
величини съвпадат с информационните, свързани с изграждането на структурната схема
на CAP.
Б) Избор на измервателна и регистрираща апаратура

Тъй като информацията, получена от експеримента, ще се използва за по-
нататъшна обработка, е необходимо да се избере подходяща апаратура, която да се
настрои така, че да се получат отчетливи времеви характеристики на фона на шума. При
избора на датчици е необходимо да се отчете природата на измерваната величина,
нейния обхват на изменение, желаната точност на измерване, изискванията за взриво- и
пожаро- безопасност и др. Препоръчително е да се използват датчици, които
впоследствие ще бъдат включени в бъдещата CAP.
В) Планиране на експеримента
Необходимо е да бъдат планирани: вида и амплитудата на входния изпитателен
сигнал; схемата на експеримента и продължителността на експеримента.
Видът на входния изпитателен сигнал зависи от спецификата на обекта и

възможносттите за реализация на сигнала. Много често при изследване на динамиката
на обектите се използва стъпаловидно входно въздействие. За точно изучаване на
динамиката в честотния диапазон 0     / T  1,5 / T при обекти, които притежават
интегриращи свойства или не допускат големи отклонения на изходния сигнал, се
препоръчва за входен изпитателен сигнал да се избере правоъгълен импулс.
Понякога подаването на стъпаловидна функция като входен сигнал на обекта е

недопустимо, поради съображения за неговото безопасно функциониране. В тези случаи
може да се проведе експеримент за снемане на импулсна преходна функция w(t ) . Тя е
реакция на обекта при вход функция на Дирак  (t ) . На практика като входен
4
сигнал u(t ) се подава единичен импулс с крайна амплитуда и продължителност, поради

което се получава и реакция различаваща се от импулсната преходна функция.
При избора на схема на експеримента е необходимо да се има предвид, че при

идентификация в отворена система трябва да се разкъса връзката само по отношение на
входа и изхода, чиято динамика ще се снема, а останалите регулатори е необходимо да
остават включени.
Продължителността на експеримента T = N.t p , където N е броя на преходните

характеристики, които трябва да бъдат снети, а t p - времето за регулиране (времето за
установяване на преходния процес).
Времето за установяване се определя въз основа на априорната информация за

обекта, а броят на преходните характеристики зависи от нивото на шума и от
необходимостта от проверка за линейност на обекта. При липса на шум е
препоръчително да се снемат поне 4 характеристики, а при наличие на шум – от 8 до 12
характеристики.
Към амплитудата A на изпитателния сигнал се предявяват две противоречиви

изисквания. От една страна е желателно тя да бъде достатъчно голяма, за да се снемат
отчетливи реакции (на фона на реално действащия шум върху обекта). От друга страна
амплитудата не трябва да е много голяма, за да се избегне попадане в нелинейния
участък на статичната характеристика. При избора на амплитуда на стъпаловидно
входно въздействие са възможни два случая. Ако са известни статичната характеристика
и работната точка M(u0 , y0 ) , амплитудата се избира от изискването (u0 + 1,5A) и
(u0 − 1,5A) да бъдат в линейния участък на статичната характеристика. Във втория
случай амплитудата A се избира посредством израза A = (3  15)%umax , където umax e
максимално допустимата стойност на входния сигнал.
Етап 2. Провеждане на експеримента
Целта на идентификацията обикновено е получаване на математичен модел, който

да бъде използван за синтез на система за стабилизация на работния режим. Поради
това интерес представлява динамиката на обекта в околността на работната точка
M(u0 , y0 ) .
Последователност на провеждането на експеримента

1) Работата на обекта се установява и стабилизира в работната точка
M(u0 , y0 ) , y0 = const , y' (0) = y' ' (0) = 0 .
2) Проверяват се правилността на включване и показанията на измервателната и

регистрираща апаратура.
3) Включват се регулаторите, които ще стабилизират останалите входни сигнали на

обекта (ако има такива).
4) Подават се няколко пробни кратковременни смущения и се наблюдава работата

на приборите.
5) Експериментаторът анализира визуално реакцията y(t ) и след като се убеди, че

в определен участък от време y(t ) = y0 = const , y' (0) = 0 , y' ' (0) = 0 , нанася избраното
на Етап1 изпитателно смущение с амплитуда A . Установяването на преходния процес се
5
определя визуално. Опитът се счита за завършен, ако за времето на преходния процес

изходната величина остава практически неизменна, а при наличие на интегриращо
звено е налице нарастване с постоянна скорост.
6) Нанася се ново смущение с амплитуда − A от работната точка.
7) Процедурата продължава аналогично, като последователно се подават

амплитуди 1,5 A , −1,5A и т.н. в зависимост от необходимия брой преходни процеси, които
трябва да бъдат снети.
Проверки за линейност и стационарност на обекта

Когато статичната характеристика на обекта е снета експериментално, то
линейността може да се провери от нея. В противен случай е необходимо да се провери
валидността на принципа на суперпозиция, като за целта се провеждат опити с различен
знак и амплитуда на входното въздействие. Ако определените коефициенти на усилване
ki се различават до 3%, то проверката за линейност е изпълнена. При съществено
различие на коефициентите (над 25%) е необходимо да се намали амплитудата на
входния сигнал и експериментът да се проведе отново.
За проверка на стационарността на динамичните свойства на обекта е необходимо

експериментите да се повторят още няколко пъти след време по-голямо от времето на
преходния процес.
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.
6

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.
2. Пример за импулсно въздействие е кратковременен удар в натоварването на

обекта като външно смущение или въздействие на регулиращия орган.
3. Математическото очакване mu (t ) на случайния процес u(t ) се представя с

израза
mu (t ) =  f (u, t).u(t).du ,
−
(4.1)
където f (u, t ) - вероятностна плътност на разпределение на случайния процес.
За пресмятане на оценката на математическото очакване m̂u се използва израза
N −1
1
û =
m
N
u
i =1
i , (4.2)
4. Дисперсията  u2 (t ) се дава с израза
 (t ) =  f (u, t).[u(t) − m (t)] .du ,

2 2
u u (4.3)
−
а оценката на дисперсията се изчислява посредством следната формула
1 N −1
û2 = (ui − mu )2
 (4.4)
N − 1 i =0
5. Средно-квадратичното (стандартното) отклонение  u се дефинира с

положителния квадратен корен на дисперсията
 u =  u2 (4.5)
6. Автокорелационната функция се дава с израза
 
Ru (t1 , t2 ) = 
− − 
f (u1 , u2 , t1 , t2 ).[u1 − mu (t1 )].[u2 − mu (t2 )].du1.du2 , (4.6)
а взаимната корелационна функция Ruy (t1 , t2 ) - посредством следния израз
7
 
Ruy (t1 , t2 ) = 
− − 
f (u, y, t1 , t2 ).[u − mu (t1 )].[y − my (t2 )].du.dy (4.7)
1. В средата на Matlab да се генерират следните изпитателни сигнали:
а) стохастичен сигнал с равномерно разпределение в интервала [a; b], където a=2,

b=3 при брой точки N=300.
Отговор: a = 2; b = 3; u = a + (b - a).*rand(300, 1); plot(u)
2.8
2.6
2.4
2.2
2
0 100 200 300
Фиг. 4.2 Равномерно разпределен стохастичен сигнал
б) стохастичен сигнал с нормално разпределение с математическо очакване

mu = 10 , стандартно отклонение  u = 3 , N=300.
Отговор: u = 10 + 3.*randn(300, 1); plot(u)
20
15
10
0
0 100 200 300
Фиг. 4.3 Нормално разпределен стохастичен сигнал
в) псевдо-случайна двоична последователност с нива на сигнала 1 и -1, при N=300
Отговор: u = sign(randn(300, 1)); plot(u)
Може да се използва и m-функцията idinput за генериране на входни сигнали за

идентификация:
u=idinput(300,'PRBS'); plot(u)
8
0.5
-0.5
-1
0 100 200 300
Фиг. 4.4 Псевдо-случайна двоична последователност
г) хармоничен сигнал (синусоидална функция) с амплитуда А=5
Отговор: w = 0:0.001:6*pi; u = 5*sin(w); plot(u)
-5
0 0.5 1 1.5 2
4
x 10
Фиг. 4.5 Сигнал синусоидална функция
д) сигнал - сума от синусоиди
Отговор: u = idinput(300, 'sine'); plot(u)
0.5
-0.5
-1
0 50 100 150 200 250 300
Фиг. 4.6 Сигнал "сума от синусоиди"
1. Да се симулират различни изпитателни сигнали за идентификация в средата на
Matlab с помощта на функцията idinput.
2. Да се запишат изразите, посредством които могат да се изчислят оценките на

автокорелационната и взаимната корелационна функция.
3. Да се симулира зашумена динамична система при случайни входни въздействия

и да се определят оценките на основните характеристики на входно-изходните данни. За
9
определяне на средната стойност да се използва m-функцията mean, за дисперсията -

var, а за средно-квадратичното отклонение - std.
4. Да се оценят автокорелационните функции на входния и изходния сигнал на

симулираната в Зад.2 динамична система. За целта да се използва функцията xcorr.
5. Да се оцени взаимната корелационна функция на входния и изходния сигнал на

симулираната по-горе система.
Тест
Текст

Текст

Текст

Текст
10
Тема 5. Първична обработка на резултатите от експеримента.

Определяне на параметрите на типови модели от първи ред
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.
Обработката на резултатите от експеримента зависи от вида на експериментално

снетите характеристики и в най-общия случай включва два етапа: първична и вторична
обработка (апроксимация). При вторичната обработка се следват два подхода. При
първия подход времевите характеристики са апроксимирани априори към
характеристики на определен тип звена и се търсят параметрите им. При втория подход
се търси неустановен брой параметри и по определен признак се констатира кога са
намерени всички значими параметри, с което се установява и структурата на модела.
Обработка на резултатите от експеримента
Първична обработка на резултатите от експеримента
Първичната обработка включва привеждане на получените от експеримента

преходни характеристики y i (t ) към „нулеви” начални условия, усредняване и
изглаждане (при необходимост).
Привеждането на y i (t ) към „нулеви” начални условия се извършва чрез транслация

на абсцисната ос t на разстояние y 0 , т.е. yei (t ) = yi (t ) − y0 . След това преходните функции
hi (t ) се пресмятат по израза
hi (t ) = y ei (t ) / Ai , i = 1,2,  , q , (5.1)
където q е броя на експерименталнo снетите преходни характеристики.
Когато преходните характеристики hi (t ) се различават помежду си с не повече от

2-3%, за следващата обработка се използва една коя да е от тях, наречена
представителна характеристика. В противен случай получените преходни
1
характеристики се усредняват по множество и при вторичната обработка се използва

усреднената характеристика.
Ако проведените експерименти са при едни и същи условия, то оценката на

средната стойност на експерименталните преходни характеристики е
q
1
h(t ) =  h (t )
i (5.2)
q i =1
В случаите, когато получената преходна характеристика h(t) е гладка,то тя

директно може да бъде използвана за апроксимация. В противен случай
характеристиката h(t) не може да бъде използвана директно за вторична обработка,
поради което е необходимо предварително да се извърши изглаждане. Съществуват
различни методи за изглаждане: метод на пълзящото осредняване; метод на четвъртите
разлики; метод, използващ ред на Фурие и др. Най-често прилаганият инженерен метод
за изглаждан е методът на пълзящото осредняване.
Изглаждането по метода на пълзящото осредняване започва с равномерно

дискретизиране на характеристиката с интервал t . Приема се, че тя може да се
апроксимира с права линия в рамките на L интервала t и се избира L. Препоръчва се
за L да се избере четно число (например L = 2, 4, 6). Стойностите на изгладената
характеристика се изчисляват по следната формула
1 L L
h
i+
L
2
= 
L + 1 k =0
zi + k , i = 1,2,  , N −
2
(5.3)
Израз (5.3) осреднява текущата стойност на характеристиката и L/2 стойности

преди и след нея.
Препоръчително е да не се избира голяма стойност за L, за да не се получи

преизглаждане на характеристиката, т.е. влошено отразяване на нейните особености.
Обикновено се приема L=2 и при необходимост процедурата на изглаждане се повтаря.
Ако след изглаждането визуално се прецени, че линейността се запазва в по-широк
интервал, то се препоръчва да се увеличи L с цел по-добро изглаждане на случайните
смущения.
Методът на четвъртите разлики се състои в построяване на парабола от втори ред

през пет последователни точки [4]. Разликата между нея и средната им стойност e
пропорционална на централната четвърта разлика  4 z i , за чието определяне са
необходими пет последователни ординати zi −2 , zi −1 , zi , zi +1 , zi + 2 , разположени една под
друга. При изваждане, на принципа долна минус горна стойност, се получават
последователно първата  1 z i , втората  2 z i , третата  3 z i и четвъртата  4 z i крайни
разлики, както е посочено по-долу
Четвъртата крайна разлика се използва за изчисляване на изгладената стойност по

израза
2
1 4
hi = z i −  zi , (5.4)
12
Ако е необходимо процедурата може да продължи аналогично като се използват

изгладените вече стойности hi .
При използване на метода на четвъртите разлики се получават по-точни резултати,

но изчислителната работа е три-четири пъти по-голяма.
В резултат на първичната обработка, разгледана по-горе, се получава преходна

функция h(t), характеризираща динамичните свойства на обекта, и може да се премине
към по-нататъшна обработка, наречена вторична обработка.
Вторична обработка на резултатите от експеримента (апроксимация)
Вторичната обработка на резултатите от експеримента цели намиране на

математичния модел на обекта въз основа на получената (представителната) преходна
характеристика h(t). Когато преходната характеристика се разглежда като решение на
математичен модел (диференциално уравнение) с дясна част, съответстваща на типовия
входен сигнал, то по решението има възможност да се намери модела. Докато в
математиката се търси решението на диференциалното уравнение при зададени начални
и гранични условия (т.е. решава се така наречената права задача), то намирането на
самото диференциално уравнение по решението е обратна задача. Диференциалните
уравнения при зададени гранични условия имат единствено решение, но обратното
твърдение не е вярно. Отсъствието на единственост на решението се засилва още
повече, когато като решение се разглежда експериментално снета преходна
характеристика, подложена на влияние на шум.
Апроксимацията е итеративна процедура и е свързана с удовлетворяване на

определени критерии. Необходимо е освен получаването на математичния модел да се
изследва и неговата точност. Обикновено се търси възможно най-простия модел (с
минимален брой параметри), чието решение апроксимира експерименталната
характеристика h(t) при предварително избран критерий за близост, зависещ от
необходимата точност на регулиране.
Методите за апроксимация на експериментално снети преходни характеристики се

делят на две основни групи:
- методи за апроксимация с решение на типово диференциално уравнение (модели

на елементарни динамични звена и техни съединения);
- методи за апроксимация с решение на диференциално уравнение от неизвестен

ред, който се определя в процеса на работа.
Методи за апроксимация с решение на типово диференциално уравнение [2, 4]

В основата на методите лежи съпоставяне на експериментално снетата
характеристика h(t) с решението на типови модели и намиране на съответствие между
параметрите им.
Типови модели от първи ред и определяне на параметрите им
А) Диференциално уравнение от първи ред

Ty' (t ) + y (t ) = ku(t ) (5.6)
3
При нулеви начални условия се получава предавателната функция (5.7) и

преходната характеристика (5.8) при u(t)=1(t):
k
W (p) = (5.7)
Tp + 1
 t

h(t ) = k 1 − e T
−
 (5.8)
 
 
Посочените модели съответстват на инерционно звено. Коефициентът на предаване

k се определя като стойност към която клони експерименталната характеристика h(t)
при t →  . За определяне на времеконстантата Т се разглеждат няколко метода.
1. Определяне на времеконстантата Т по метода на най-малките квадрати

От (5.8) може да се запише израз за нормираната преходна характеристика
h(t )
t
h(t ) =
−
= 1−e T (5.9)
k
Ако в уравнение (5.9) времеконстантата Т се замести с оценката T̂ , след кратки

преобразувания и логаритмуване се получава уравнение за грешката  i
t i + Tˆ ln1 − h (t i ) =  i (5.10)
След въвеждане на сумата от квадратите
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:
а) определя се коефициента на усилване k = h(  );
б) определя се нормираната характеристика h (t) = h(t)/k ;
в) пресмята се времеконстантата Т по (5.12), където N е броя на

експерименталните точки от характеристика h(t).
2. Графични методи за определяне на времеконстантата Т

В практиката с цел по-бърза идентификация по експериментално снета преходна
4
характеристика широко се използват следните два графични метода:
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)
Следователно, за стойност h=0.63k на ординатата на характеристиката h(t) no

абсцисната ос може да се отчете стойността за времеконстантата Т.
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
Б) Модел от първи ред със закъсняваща дясна част

Ty' (t ) + y (t ) = ku(t −  ) , (5.14)
откъдето за предавателната функция W(p) и за преходната характеристика h(t) следват

изразите
k
W (p ) = e −p (5.15)
Tp + 1
 t −

h(t ) = k 1 − e T
−
, t   (5.16)
 
 
h(t ) = 0, 0t  (5.17)
От дадените по-горе изрази се вижда, че разглежданият модел (5.14) съответства

на последователно съединени апериодично звено и звено с чисто закъснение. При
апроксимация на експериментални преходни функции с (5.16) често се използват
следните два метода.
1. Интерполационен метод на Стрейц

От (5.16) за нормираната преходна характеристика може да се запише
h(t )
t −
h(t ) =
−
=1−e T
(5.18)
k
След логаритмуване и кратки преобразувания се получава
(
− t + T = T ln 1 − h (t ) ) (5.19)
Горепосоченото уравнение (с неизвестни Т и  ) ще бъде записано за две точки А и

В, наречени интерполационни възли. В резултат се получава следната система
уравнения
5
( ),
− t A +  = T ln 1 − hA
(5.20)
− tB +  = T ln(1 − h ) B
чието решение води до получаване на изрази, по които могат да бъдат изчислени

параметрите Т и  :
 =
( )
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.
Алгоритъмът на приложение на този метод е следния:
- От преходната характеристика се определя коефициента на усилване k = h(  ).
- Построява се нормираната преходна характеристика h (t)=h(t)/k.
- Избират се двата интерполационни възела - т.А и т.В;
- Търсените параметри  и Т се определят съответно по формули (5.21) и (5.22).
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.
6
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
2. При прилагане на метода на Стрейц точка A( t A , hA ) се избира в зоната на
прегъване на нормираната преходна характеристика (или при h A (t ) = 0,2  0,3 ), а точка
B( t B , hB ) се избира така, че hB (t ) = 0,8  0,9 .
Фиг. 5.2. Избор на интерполационните възли при метода на Стрейц
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
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]
Да се намери осреднената преходна характеристика hср (t ) и да се определят оценките на

параметрите k и T като се използва II-ри графичен метод.
13,14
Отговор: k=13,14; T=27s; W(p) =
27p + 1
Фиг.5.3. Графична апроксимация от първи ред
2. Да се получи математичният модел по метода на Стрейц като се използва

зададената по-долу 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]
Отговор:
8
Фиг.5.4. Апроксимация по метода на Стрейц
Избират се двете точки А и B с координати: h A = 0,08 , t A = 0,69 , h B = 0,85 , t B = 4,13 .
Коефициентът на усилване k=5,86 се определя директно от Фиг.5.4, а по формули (5.21)

и (5.22) се изчисляват времезакъснението и времеконстантата:  = 0,53 , T=1,89s.
5,86
Следователно математичният модел има вида: W(p) = e − 0,53 p .
1,89p + 1
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.
t=0:2:600; h1=5*(1-exp(-t/100))+0.05*randn(1,301); plot(t,h1)
2. В средата на Matlab да се симулира преходна функция h2(t) и да се приложи

методът на четвъртите разлики за изглаждане.
num=5.86; den=[1.6 2.6 1]; h=step(num,den); h2=h+0.04*randn(size(h)); plot(h2)
3. Като се използва изгладената функция h1(t) от задача 1, да се извърши

апроксимация посредством I – ви метод и II – ри графичен метод.
4. Като се използва изгладената функция h2(t) от задача 2, да се извърши

апроксимация посредством интерполационен метод на Стрейц.
Тест
Текст
9

Текст

Текст

Текст
10
Тема 6. Определяне на параметрите на типови модели от втори

ред
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.
Типови модели от втори ред

А) Модели от втори ред с различни времеконстанти T1 и T2
Този математичен модел може да се представи като диференциално уравнение от

вида
T1T2 y' ' (t ) + (T1 + T2 )y' (t ) + y (t ) = ku(t ) , (6.1)
от което след Лапласово преобразуване при нулеви начални условия може да се

получи предавателната функция
k
W (p ) = (6.2)
T1T2 p + (T1 + T2 )p + 1
2
Решението на диференциално уравнение (6.1) при единично стъпаловидно входно

въздействие u(t) дава преходната характеристика
 T1 −
t
T2 −
t

h(t ) = k 1 − e T1 + e T2  (6.3)
 T1 − T2 T1 − T2 
 
Б) Модели от втори ред с различни времеконстанти T1 и T2 и времезакъснение 
T1T2 y' ' (t ) + (T1 + T2 )y' (t ) + y (t ) = ku(t −  ) (6.4)
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
В) Модели от втори ред с еднакви времеконстанти T и времезакъснение 
T 2 y' ' (t ) + 2Ty' (t ) + y(t ) = ku(t −  ) (6.7)
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  
Г) Модел с колебателни свойства
T 2 y' ' (t ) + 2Ty' (t ) + y (t ) = ku(t ) (6.10)
k
W (p ) = (6.11)
T 2 p 2 + 2Tp + 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
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.
Интерполационен метод на Орманс
Методът намира приложение при монотонни преходни характеристики h(t). Той

дава възможност за определяне на параметрите на модели от първи и втори ред в
зависимост от характера на експерименталната преходна функция.
Преходната характеристика h(t) (6.3) може да се запише в безразмерен вид след

определяне на коефициента на пропорционалност k
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
При този метод се извеждат аналитични изрази за неизвестните коефициенти на

предавателната функция - k, T1 , T2 и евентуално  , като се използват няколко контролни
точки от нормираната преходна функция и номограми. Първоначално се предполага
модел от втори ред без закъснение, но може да се достигне и до модел от втори или
първи ред със закъснение [2, 4]. Орманс използва интересния ефект, че при модели с
2
предавателна функция от вида (6.2) при условие, че двете времеконстанти са различни,

но тяхната сума остава константна величина, то всички нормирани преходни функции
достигат стойността h (t ) = 0,7 за едно и също време ( t7 ).
Приложението на метода на Орманс включва следните стъпки:
1. Определя се коефициента на пропорционалност k = h() .
2. Построява се нормираната преходна функция h(t ) .
3. За стойност h = 0,7 от нормираната характеристика се определя времето t 7 .
4. Изчислява се времето t4 = t7 / 3 и от характеристиката h(t ) се определя

съответната стойност h4 . В зависимост от получената стойност за h4 са възможни
различни модели.
5а) Ако 0,191  h4  0,33 се приема модел (6.2).
В този случай от номограмата, дадена на фиг.6.1, за стойността h4 по кривата

( )
h4 z 2 се определя съответната стойност z2 и посредством изрази (6.14) и (6.15) се
изчисляват времеконстантите T1 и T2 .
T1 = T (1 + z ) (6.14)
T2 = T (1 − z ) , (6.15)
t7
където T = .
2,4
Фиг. 6.1 Номограма на Орманс h4 (z 2 )
След това се прави проверка, като за целта се пресмятат времената t 8 = 0,8(T1 + T2 )
и t 20 = 2(T1 + T2 ) и се определят стойностите h 8 = h(t 8 ) и h20 = h(t 20 ) от нормираната

характеристика. Те се сравняват със съответните стойности, отчетени от номограмите,
дадени на фиг.6.2 и фиг.6.3, за определеното z 2 . Ако грешката е по-малка от 2 - 3%,
резултатите от определените параметри се приемат.
3
Фиг. 6.2. Номограма на Орманс h8 (z 2 )
Фиг. 6.3. Номограма на Орманс h20 (z 2 )
5б) Ако проверката в 5а) не се изпълнява или h 4  0,19 , то е необходимо да се

h4
направи апроксимация на преходната характеристика h(t) с решение на модел с

времезакъснение, т.е. при   0 . В този случай се определят параметрите на модел (6.4)
по следния начин. За h = 0,191 от нормираната характеристика се отчита времето t 4' ' и
се изчислява времезакъснението
 = 0,5(3t 4 − t 7 ) (6.16)
Въвежда се времето t * = t −  и всички операции от точка 3) до точка 5) се

изпълняват като вместо t се поставя новата променлива t * . В случай, че при проверката
разликата между h 8 и h20 от експерименталната крива и от номограмите се окаже
съществена, то е необходимо да се направи апроксимация с решение на диференциално
уравнение (6.7).
Този модел се прилага и когато h 4  0.191 . В този случай времезакъснението се

определя отново по израз (6.16), а времеконстантата по израз
T = (t 7 −  ) / 2,4 (6.17)
5в) Ако h 4  0,33 , то може да се извърши апроксимация с решение на

диференциално уравнение от първи ред със закъснение, като се използва следния
алгоритъм. За h = 0,33 от експерименталната крива h(t ) се определя времето t 4 ' и се
определят параметрите на модела
4
 = 0,5(3t 4 − t 7 ) (6.18)
T = (t 7 −  ) / 1,2 (6.19)
За проверка се сравняват стойностите на нормираната характеристика за времена

t 4 = 0,4T +  , t 8 = 0,8T +  и t 20 = 2T +  със следните стойности: h 4 = 0,33 , h 8 = 0,5507 и
h20 = 0,865 .
Съществуват и други методи, като например методът на Олденбург и Сарториус,

които са бързи и лесни за прилагане, но като всички графични методи крият опасност от
неточности при построенията.
Апроксимация на колебателни преходни характеристики
Колебателната преходна характеристика h(t) може да се апроксимира с решение на

уравнението
T 2 h' ' (t ) + 2Th' (t ) + h(t ) = k.1(t ) (6.20)
Корените на хомогенното уравнение са
 1 − 2
1,2 = −  j (6.21)
T T
Общото решение на диференциално уравнение (6.20) е от вида
t
−  1− 2 
sin + ,
T
h(t ) = k + C.e (6.22)
 T 
 
където С и  се определят от нулевите начални условия.
В резултат се получава решението
   1− 2 
1
h(t ) = k 1 − e T sin
− t
t + arccos   (6.23)
  T 
 1 − 2  
Предавателната функция може да се запише във вида (6.11).
Ако се предположи, че експерименталната преходна характеристика h(t) може да

се апроксимира с посоченото по-горе решение, на определяне подлежат параметрите k,
Ти .
Алгоритъмът за определяне на параметрите на математичен модел от вида (6.20) е

следния.
1. От експерименталната преходна характеристика се определят: коефициентът на

пропорционалност k = h() , периодът на колебание Tко, първият максимум h(t1 ) и
първият минимум h(t 2 ) [4].
2. Изчисляват се М и  по изразите
5
k − h(t 2 )
M= (6.24)
h(t1 ) − k
− ln M
 = (6.25)
ln2 M +  2
3. Изчислява се времеконстантата Т по един от дадените по-долу изрази
1 1 − 2 1 − 2
T = = Tko = , (6.26)
0 2 ko
2
където ko = .
Tko
4. Ако в експерименталната преходна характеристика има закъснение, то се

определя по израза
T
 = t1 − (6.27)
1 − 2
При наличие на закъснение моделът придобива вида
T 2 y' ' (t ) + 2Ty' (t ) + y(t ) = ku(t −  ) (6.28)
Разгледаният по-горе метод за определяне на параметрите предполага периодите

на колебание Tко на експерименталната преходна характеристика да са близки, т.е.
обектът да е линеен.
Речник
• Апроксимация - замяна на едни математически обекти с други, по-прости от тях, но
същевременно близки в някакъв смисъл до изходните;
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.
6
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
Фиг. 6.4. Определяне на k, h(t1 ) , h(t 2 ) и Tкo на колебателна характеристика
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:
От преходната характеристика h(t) се определя коефициентът на усилване k=5,86

(Фиг. 5.4 от Тема 5). След това се получава нормираната характеристика h(t ) и за
h(t ) = 0,7 се определя t 7 = 3,12s , от което се изчислява t 4 = 3,12 / 3 = 1,04s . За получената
стойност на t 4 от нормираната характеристика се определя съответната стойност
h 4 = 0,193 . Моделът е от вида (6.2), тъй като е изпълнено условието 0,191  h4  0,33 . От
номограмата на Фиг. 6.1 за h 4 = 0,193 се определя съответното z 2 = 0,04 и се изчислява

t7 3,12
z = 0,2 . Изчислява се T = = = 1,3s . По изрази (6.14) и (6.15) се намират
2,4 2,4
стойностите на двете времеконстанти T1 = T (1 + z ) = 1,3(1 + 0,2) = 1,56s и
7
T2 = T (1 − z ) = 1,3(1 − 0,2) = 1,04s .
Проверка: Пресмятат се времената t 8 = 0,8(T1 + T2 ) = 2,08s и t20 = 2(T1 + T2 ) = 5,2 и
се определят стойностите h8 = h(t8 ) = 0,49 и h20 = h(t20 ) = 0,93 от нормираната

характеристика. От номограмата, дадена на Фиг. 6.2, за определеното z 2 = 0,04 се
определя h8 = 0,48 , а от номограмата на Фиг. 6.3 за същата стойност на z 2 се определя
 0,48 
h20 = 0,908 . Грешката за h 8 е 1 − .100% = 2,04% , а за h20 е
 0,49 
 0,908 
1 − .100% = 2,3% . Тъй като грешката е по-малка от 3%, то резултатите за
 0,93 
определените параметри се приемат.
Следователно търсеният математичен модел е
5,86
W (p ) = 2
(6.28)
1,62p + 2,6 p + 1
2. Да се намери математичният модел на колебателната преходна характеристика h(t),

дадена по-долу, ако t  [0; 5,8s], t = 0,2s .
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:
Построява се преходна характеристика (Фиг. 6.4) и се определят: коефициентът на

пропорционалност k = h() = 10,1 , периодът на колебание Tко=3,22s, първият максимум
h(t1 ) = 13,8 , където t1 = 1,76s и първият минимум h(t 2 ) = 8,5s , където t 2 = 3,3s . След това
k − h(t 2 )
по израз (6.24) се изчислява M = = 0,43 , а по израз (6.25) се изчислява
h(t1 ) − k
− ln M
 = = 0,26 . Изчисляват се времеконстантата Т и времезакъснението 
ln2 M +  2
съответно по изрази (6.26) и (6.27):
1− 2
T = Tko = 0,5
2
T
 = t1 − = 0,21
1− 2
В резултат се получава следния математичен модел
10,1
W (p ) = .e − 0,21.p
0,25p 2 + 0,26 p + 1
1. Като се използва изгладената преходна функция h2(t) от задача 2 на Тема 5, да
8
се извърши апроксимация посредством метода на Орманс.
2. Преходната функция h2(t) от Задача 1 да се апроксимира като се приложи

метода на Олденбург и Сарториус, описан в [1]. Получените резултати да се сравнят с
тези от приложението на метода на Орманс.
3. Да се намери математичният модел на обекта по зададената на Фиг. 6.5

колебателна преходна функция.
Step Response
12
10
8
Amplitude
0
0 50 100 150 200 250 300
Time (seconds)
Фиг. 6.5. Колебателна преходна функция
Тест
Текст

Текст

Текст

Текст
9
Тема 7. Определяне на параметрите на модели от висок ред.

Идентификация при особени реакции
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.
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.
d n y(t ) d n −1y(t ) d 2 y(t ) d y(t )

an n
+ an − 1 n −1
+ ... + a2 2
+ a1 + a0 y(t ) = u(t )
dt dt dt dt (7.1)
d n y(t ) d n −1y(t ) d 2 y(t ) d y(t )

an n
+ an −1 n −1
+ ... + a2 2
+ a1 = u(t )
dt dt dt dt (7.2)
За определяне на параметрите на посочените по-горе модели са разработени

множество методи, някои от които ще бъдат разгледани.
Апроксимация към модели от произволен ред [1, 4]

При апроксимация към модели от предварително неизвестен ред в практиката
често се използва така наречения "метод на площите". При него се предполага, че
обектът може да се представи с предавателна функция от вида
1
k
W(p) = (7.3)
(T1 p + 1)(T2 p + 1)(T3 p + 1)  (Tn p + 1)
При близки стойности на времеконстантите Ti , i = 1,2,  , n , т.е. ако е изпълнено условие
T1  T2  T3    Tn = T (7.4)
израз (7.3) може да се замени с
k
W(p) = (7.5)
(Tp + 1)n
Очевидно, когато се извършва апроксимация към модел (7.5), на определяне

подлежат параметрите k, T и n.
Алгоритъмът на прилагане на метода на площите е следния:
1) Определя се коефициентът на усилване k = h() ;
2) Приема се първоначален ред на модела n=2;
3) Изчислява се площта S посредством числено интегриране;
4) Определя се времеконстантата Т
S
T = (7.6)
n
5) Изчислява се h(t) и се сравнява с експерименталната преходна характеристика.

Ако полученият резултат ни удовлетворява, то се счита, че моделът е намерен. В
противен случай се увеличава реда на модела и процедурата се повтаря от стъпка 4).
За определяне на параметрите на математичен модел (7.5) може да се използва и

следният метод:
1) Определя се коефициентът на усилване k = h() ;
2) Определя се инфлексната точка Q(tw,hw);
3) Построява се допирателна в инфлексната точка и се определят времената Tu, Ta,

Tw и Te, както е показано на Фиг. 7.1.
4) Като се използва Таблица 7.1 в зависимост от стойността на отношението Tu/Ta

се определя най-близкото цяло число n за ред на модела.
5) За така избраното n от Таблица 7.1 се отчитат стойностите за отношенията TW/T,

Tu/T, Te/T и Ta/T. От всяко едно от тях се получава стойност за Т. Ако реда на модела n
е подходящо избран, получените стойности за Т би трябвало да са близки.
Времеконстантата на модела е осреднената стойност на четирите получени величини.
2
Фиг. 7.1. Построяване на допирателната в инфлексната точка Q и определяне на

времената Tu, Ta, Tw и Te
Таблица 7.1.
6) Ако за n се вземе по-малката стойност, тогава може да се въведе и

времезакъснение  . В този случай за избрания ред n на модела от Таблица 7.1. се
определят отношенията Tu/Та и Тu/T, като за Т се взема определената в стъпка 5)
осреднена стойност. Изчисляват се две стойност за Tu и се намира осреднената стойност
Tucp . Времезакъснението  се определя по израза
 = Tu − Tucp (7.7)
След това се коригират Tu и Тw (като от тях се изважда стойността на  ) и се

използват за ново определяне на времеконстантата Т по посочения в стъпка 5) начин.
В резултат се получава математичен модел от вида
k
W(p) = .e − .p , (7.8)
(Tp + 1)n
където  е определеното в стъпка 6) времезакъснение. В случаите, когато от

експерименталната преходна характеристика предварително е отделено
времезакъснение, то е необходимо да се сумира с изчисленото по израз (7.7).
3
Апроксимация на обекти без саморегулиране

Често използвани математични модели на обекти без саморегулиране са:
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
За получаване на моделите широко се прилагат графични или графо-аналитични

методи. Апроксимацията на преходните характеристики, дадени на Фиг. 7.2.а) и б) води
h
съответно до получаване на модели (7.9) и (7.10), където k = tg = .
t
h
h
α
α τ t
t
Фиг.9 Фиг.10
а) б)
Фиг. 7.2. Преходни характеристики на обекти без саморегулиране
Алгоритъмът за получаване на математичен модел (7.12) е следния [4, 5]:
1) Построява се допирателната l към експерименталната характеристика , както е

показано на Фиг.7.3, и се определят Tu и hu.
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) За така определената стойност за n от номограмата се определя отношението Tu/T и

от него се изчислява времеконстантата Т.
4
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
Фиг. 7.4. Номограма за определяне на параметрите n и T
Апроксимация на обекти с особени реакции [4]

Определяне на параметрите на модела при наличие на задържане в развитието на
преходната характеристика на обекта
Някои обекти, като например сушилни агрегати от разпръсквателен вид, се

характеризират с по-особена реакция при подаване на входа им на стъпаловидно
въздействие - след достигане до определена стойност, реакцията им се задържа, след
което отново започва да се променя (Фиг.7.5). Очевидно, реакцията може да се
представи като сума от две преходни характеристики h1 u h2, а математичният модел
(7.13) - като сума от две апериодични звена, към второто от които има и закъснително
звено. Получаването на параметрите k1 , k2 , T1 , T2 ,  на модела е представено на Фиг. 7.5.
k1 k2
W(p) = + e − p (7.13)
(T1 p + 1) (T2 p + 1)
5
Фиг. 7.5. Апроксимация на характеристика с задържане и развитие
Реакции на обекти с прекъснат интегрален закон
При обекти, при които продуктът се транспортира и обработва едновременно

(тръбни въртящи сушилни и др.). При тях преходната характеристика в началото
съвпада с тази на интегриращо динамично звено, след което се установява (Фиг. 7.6).
Математичният модел на такива обекти е от вида (7.14).
Фиг. 7.6. Апроксимация на характеристика с прекъснат интегрален закон
k1 k1 −p
W(p) = − e , (7.14)
p p
h
където k1 = tg = .
t
Независимо от вида на реакцията, добра практика е след определяне на

параметрите на модела, да се построят в една координатна система експерименталната и
апроксимиращата я характеристики с цел визуална оценка на точността на
апроксимация.
Речник
• Апроксимация - замяна на реалната характеристика на обекта на управление с
характеристиката на типови динамични звена, свързани по определен начин;
6
на краен брой наблюдения.
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.
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
а) Резервоар на течност с принудителен изходен дебит (например реализиран с

центробежна помпа с постоянен и независим от нивото дебит). Ако входно въздействие е
дебита на притока на течност, а изходно въздействие - нивото на течността в съда, то
при постоянен изходен дебит резервоарът може да се разглежда като обект без
саморегулиране. При увеличаване на притока нивото на течността започва непрекъснато
да се повишава, а при намаляване на притока помпата изчерпва всичката течност.
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.
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]
за стойности на времето t в интервала [0; 10,15s] със стъпка 0,35s.
Решение:
1) Построява се преходната характеристика h(t) и от нея се отчита чистото закъснение

 = 0,61s . След това се определя ново начало на координатната система (на разстояние
 от ординатата h).
7
Фиг. 7.7. Преходна характеристика към задача 1
2) Построява се допирателна към характеристиката, както е показано на Фиг.7.7, и се

определят Tu=1,57 и hu=2,90.
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) За така определената стойност за n от номограмата се определя отношението Tu/T и

от него се изчислява времеконстантата Т=1,31.
6) Полученият математичен модел на обекта е
5,01
W(p) = , (7.15)
p.(1,31.p + 1)
1. Като се използва изгладената преходна функция h2(t) от задача 2 на Тема 5, да
се извърши апроксимация посредством
а) метода на площите;
б) прилагане на Таблица 7.1.
2. Да се получат математичните модели на обекти без саморегулиране, зададени

със следните преходни характеристики:
а)
8
1200
1000
800
600
h
400
200
0
0 5 10 15 20
t [s]
Фиг. 7.8. Преходна характеристика към задача 2а)
б)
300
250
200
150
h
100
50
0
0 5 10 15 20 25 30
t [s]
Фиг. 7.9. Преходна характеристика към задача 2б)
9
в)
450
400
350
300
250
h
200
150
100
50
0
0 5 10 15 20 25 30
t [s]
Фиг. 7.10. Преходна характеристика към задача 2в)
Тест
Текст

Текст

Текст

Текст
10
Тема 8. Идентификация на обектите по честотни характеристики
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.
Честотните методи за идентификация се отнасят за линейни системи. Те се

базират на трудовете на Найквист и Боде. При тези методи идентификацията обикновено
се извършва въз основа на амплитудната и фазовата честотна характеристика на обекта.
Идентификацията посредством използване на честотни характеристики обаче е

съпроводена с редица трудности, основните от които са:
- експерименталното получаване на честотните характеристики на промишлените обекти

е сравнително трудоемко, даже и при подчертано линейни обекти;
- не винаги е възможно да се осигури генератор на периодични сигнали от типа на

синусоидална вълна;
- използването на правоъгълна или трапецовидна вълна усложнява вторичната

обработка на данните;
- продължителността на експеримента е значителна;
- трудно е да се предпази обекта от адитивни шумове.
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.
Експерименталното определяне на АФХ може да се раздели на три етапа:
1
- Подготовка и планиране на експерименталното снемане на АФХ;
- Провеждане на експеримента;
- Обработка на резултатите от експеримента.
Етап 1. Подготовка и планиране на експеримента
Подготовката за експеримента
Подготовката за експеримента включва изучаване на обекта и избор на
необходимата апаратура за провеждане на експеримента.
Предварително се изучава конструкцията на обекта, неговите технологични режими

на работа и съществуващите системи за управление. На първо място е необходимо да се
определи честотната лента на обекта, т.е. трябва да се намери честотата на срязване
cp , която освен от динамичните свойства на обекта зависи и от максималната стойност
на изпитателния сигнал и от зоната на нечувствителност на измервателния уред.
Срязващата честота може да се определи по теоремата на Котелников-Шенон от израза

 cp = , където Т е максималната разлика между две съседни измервания, необходими
T
за получаване на пълна информация за непрекъснатия процес. Често обаче вместо
честотата на срязване cp се използва честотата  , т.е. честотата, при която изходното
колебание на обекта се дефазира спрямо входното въздействие на ъгъл − . За
определянето на честотата  последователно се подават сигнали с нарастваща честота
и се наблюдава изместването по фаза на изходния сигнал. Честотата, при която
изходните сигнали са дефазирани спрямо входните на ъгъл − е честотата  .
Обикновено cp  (1,15  1,20) .
Необходимата за провеждане на експеримента апаратура включва генератор на

хармоничен или друг периодичен сигнал, измервателни и регистриращи
уреди.Необходимо е статичните характеристики на уредите да са линейни и амплитудно-
фазовите им характеристики да са равни на единица в честотния диапазон. Препоръчва
се датчиците, прилагани при провеждане на експеримента, впоследствие да се
използват при синтезирането на самата система за управление.
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
за които  () = 00  −3000 .

г) Определяне на времето на експеримента
Планиране общото време на експеримента може да се определи като се има
предвид, че за всяка планирана честота се снемат от 6 до 10 периода с продължителност
T=2π/ω на установени колебания на изходния сигнал на обекта.
Етап2. Провеждане на експеримента
Експерименталното определяне на АФХ с хармоничен изпитател сигнал включва

следните стъпки.
1) Реализира се експеримент с честота ω=0, т.е. снема се преходна функция чрез
подаване на стъпаловидна функция с амплитуда ΔU=(5-10)% от номиналната стойност
на входната величина.
2) В честотния диапазон до cp се избират 10-15 честоти i . Посредством генератора на
хармонични колебания при избраните амплитуди Aвх и честотите i се подава
хармонично колебание и се регистрират входната и изходна величина.
3) За да се докаже линейността на статичната зависимост между входния и изходния
сигнал се проверява изпълнението на принципа на суперпозицията. Затова при честота
 се провеждат два експеримента с различни амплитуди на входния сигнал Aвх .
В случаите, когато като входен сигнал се използва правоъгълна вълна,
провеждането на експеримента за получаване на честотните характеристики може да се
извърши по два начина: посредством метода на двупозиционното регулиране [3] или
посредством промяна на входната величина през време 0,5Т около избраната работна
точка с амплитуда 5 - 10 % от номиналната и стойност и довеждане на обекта до
незатихващи колебания. Промяната на входната величина може да се извърши ръчно
или посредством серводвигател. Посоченият метод е лесен за прилагане, но има
опасност от дрейф на оста, около която се колебае изходния сигнал.
Когато изпитателният сигнал и реакцията на обекта не са хармонични сигнали, е
необходимо сигналите да се разложат в ред на Фурие.
Честотните характеристики могат да бъдат получени и посредством прилагане на
статистически методи. По този начин се подобрява качеството на оценките им при
използване на силно зашумени изходни сигнали.
Етап 3. Обработка на резултатите от експеримента
Обработката на резултатите от записите при хармоничен входен и изходен сигнал

се свежда до определяне на амплитудно - честотната характеристика А(ω) и фазово -
честотната характеристика φ(ω) по изразите:
A ()
A() = изх (8.1)
Авх ()
Т
 () = −360 (8.2)
Т
Пресмятанията се извършват за няколко периода (от 3 до 5) и след това се
осредняват по множество.
Експерименталното получаване на амплитудно - фазовата характеристика на
обекта след обработката на записите на входно - изходните му сигнали, се нарича
"първична" обработка на резултатите от експеримента. "Вторичната" обработка цели
получаване на математичния модел на обекта въз основа на получената от първичната
обработка амплитудно - фазова характеристика.
3
Вторична обработка на резултатите от експеримента

Вторичната обработка (апроксимацията) на експериментално снетите честотни
характеристики на обекта може да се извърши посредством:
- графична или графоаналитична апроксимация с типови честотни характеристики

на елементарни динамични звена и техни съединения;
- аналитична апроксимация по метода на най-малките квадрати (МНМК).
Апроксимация с типови честотни характеристики на елементарни динамични звена

и техни съединения
Съществуват два подхода. При първият се използват получените по

експериментален път логаритмични амплитудно и фазово честотни характеристики.
Вторият подход използва амплитудно-фазовите характеристики на динамичните звена и
съединенията им. Тъй като първият подход се изучава по дисциплината "Теория на
управлението", вниманието ще бъде насочено към втория. При него в зависимост от
разположението на експерименталната АФХ се извършва апроксимация към следните
типови модели:
k
W ( j ) = (8.3)
jT + 1
k.e − jT
W ( j ) = (8.4)
jT + 1
k
W ( j ) = (8.5)
− T1T2 + (T1 + T2 ) j + 1
2
k.e − jT
W ( j ) = (8.6)
− T  2 + 2 jT + 1
2
k
W ( j ) = (8.7)
− T  + j 2T + 1
2 2
Апроксимация с модел от първи ред

Когато експерименталната АФХ е разположена изцяло в четвърти квадрант и има
форма, близка до полуокръжност, може да се извърши апроксимация с модел от вида
(8.3). Неизвестните параметри на модела k и T се определят по следния начин:
1) Определя се стойността на амплитудата А при честота ω = 0, т.е. А(0) и се намира k
k=A(0) (8.8)
2) За няколко съществени честоти  k (при които амплитудата А(ω) е значителна) се

изчислява
tg (k )
Tk = , (8.9)
k
4
където  ( k ) е стойността на фазата при честота k .
3) Времеконстантата Т се определя след осредняването на получените по-горе стойности

за Tk
q
1
T =
q T
k =1
k , (8.10)
където q е броя на използваните в пресмятанията съществени честоти от АФХ.
Модел (8.4) може да се използва в случаите, когато експерименталната АФХ е

разположена освен в четвърти и в трети квадрант. Параметрите на модела се определят
по следния начин:
1) Построява се експерименталната АФХ;
2) Определя се коефициента k по израз (8.8);
3) Построява се полуокръжност в четвърти квадрант с диаметър А(0) и център с

координати (k/2, 0);
4) Построяват се дъги през точките от съществените честоти k на АФХ с център

началото на координатната система и радиус A(k ) ;
5) За всяка от избраните съществени честоти се изчисляват Tk и  k
 чз ( k )
k = , (8.11)
k
6) ) Времеконстантата Т и времезакъснението  се определят след осредняване на

получените в точка 5) стойности за Tk и  k
q
1
 =
q 
k =1
k , (8.12)
Апроксимация с модел от втори ред

За да се извърши апроксимация на експерименталната АФХ с модел от втори ред е
необходимо предварително да се направи проверка на следните условия
A(r )  ( ) = − / 2  0,5.A(0) (8.13)

r
A(0)  A(i ), i = 1,2,  , N (8.14)
Когато горните условия се изпълняват, се избира модел (8.5). Параметрите на

модела се определят по следния алгоритъм:
1) Определя се коефициента k по израз (8.8);
2) За няколко съществени честоти  k се определят A(k ) и  (k ) ;
3) За всяка от избраните съществени честоти се изчисляват коефициентите (T1 + T2 )k и

(T1T2 )k по следните изрази:
5
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 )
4) Получените в точка 3) стойности на коефициентите се осредняват и се получават

параметрите на модела (T1 + T2 ) и T1T2 .
Ако се изпълнява само условие (8.14), то за апроксимация се използва модел

(8.6).За определяне на параметрите се използва следния алгоритъм:
1) Построява се експерименталната АФХ и се определя k по израз (8.8);
2) В същата координатна система се построява характеристиката W2 ( j) = kU() + jkV () ,

където U() и V () са съответно реалната и имагинерната част на АФХ на звено от
втори ред с единичен модул и равни времеконстанти. Стойностите на U() и V () са
зададени таблично в [2, 4];
3) За няколко съществени честоти от началото на координатната система се построяват

дъги и се определят стойностите на  чз (k ) и  (k ) ;
4) Коефициентите  k се изчисляват по израз (8.11), а Tk - по следната формула:
0,5 A(0)
Tk = (8.17)
k A(k ) 1 + cot g 2 (k )
5) Получените по-горе стойности на коефициентите се осредняват и се получават

параметрите на модела - времезакъснението  и времеконстантата Т.
Ако не се удовлетворява само условие (8.14), за апроксимация се използва модел

(8.7). Алгоритъмът е следния:
1) Определя се коефициентът k по израз (8.8);
2) За няколко съществени честоти k се определят A(k ) и  (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)
2k
4) Получените стойности на коефициентите се осредняват и се получават параметрите

на модела.
6
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.
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
2. Много рядко експерименталната АФХ е разположена изцяло в четвърти квадрант.

Често част от нея е разположена и в трети квадрант (фиг. 8.2). В този случай може да се
извърши апроксимация с модел (8.4), но по-висока точност се постига посредством
апроксимация от втори ред.
7
Im
A(0)
=0
ω
φi Re
-ωe(jω)
ωi
Фиг.2
Фиг. 8.2
3. При идентификация на обектите по честотни характеристики посредством

апроксимация по метода на най-малките квадрати се предполага, че математичният
модел има вида
 b ( j )
i
i
e − j
Wм ( j) = i =0
. , m  n, (8.20)
n
( j ) I

i =0
ai ( j) i
където bi , ai ,  , I са неизвестните параметри на модела.
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
Израз (8.21) може да се запише като отношение на полиноми за реалната и

имагинерната им част
Pm1 () + jPm2 ()

Wм ( j) = , (8.22)
Pn1 () + jPn2 ()
където:
Pm1 () = b0 − b2 2 + b4 4 −  + bm1 m1 ;
Pm2 () = b1 − b3 3 + b5 5 −  + bm2 m2 ;
Pn1 () = a0 − a2 2 + a4 4 −  + an1 n1 ;
Pn2 () = a1 − a3 3 + a5 5 −  + an2 n2 ;
Експериментално получената АФХ може да се представи във вида
We ( j) = ue () + jv e () (8.23)
От приравняването на изрази (8.22) и (8.23) се получава следната система

уравнения
8
Pm1 () = Pn1 ()ue () − Pn2 ()v e ()

(8.24)
Pm2 () = Pn1 ()v e () − Pn2 ()ue ()
Ако (8.24) се запише за честотите, за които е проведен експеримента, и се

положи a0 = 1 , то се получава система от уравнения, която във векторно-матрична
форма има вида
X.b = V , (8.25)
където
b = [b0 b2  bm1 b1 b3  bm2 a2 a4  an1 a1 a3  an2 ]T ;
V = [ue v e ]T ;
Оценката b̂ на неизвестните параметри на модела по МНМК може да се определи

от израза
ˆ = [X T X ]−1 X T V
b (8.26)
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];
a=[24 3.12 1];
w=0:0.01:2;
k=length(w);
[U, V, w]=nyquist(b, a, 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
-2
-4
-6
-8
-10
-12
-14
-16
-18
-10 -5 0 5 10 15
Фиг. 8.3. Симулирана АФХ към решена задача 1
NUM=
10.8000 5.0000 0.0000
DEN=
1.0000 3.1200 24.0000
1. Да се извърши графична апроксимация към типов модел от първи ред на
зададената по-долу експериментална АФХ.
10
-0.5
-1
-1.5
-2
-2.5
0 0.5 1 1.5 2 2.5 3 3.5 4
Фиг. 8.4 Експериментална АФХ към задача 1
2. Да се извърши графична апроксимация към типови модели от първи и втори ред

на зададената на Фиг. 8.5 експериментална АФХ.
-2
-4
-6
-8
-10
-12
-14
-4 -2 0 2 4 6 8 10 12
Фиг. 8.5 Експериментална АФХ към задача 2
11
3. Да се приложи МНМК за получаване на моделите по данните от Зад. 1 и Зад. 2.
4. Да се определят максималните относителни грешки от апроксимация в предходните

задачи.
Тест
Текст

Текст

Текст

Текст
12
Тема 9. Корелационни и спектрални методи за идентификация

чрез динамична характеристика (тегловна функция)
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.
За намиране на импулсната преходна функция w(t ) на обекта могат да се
използват два подхода - детерминиран и статистически [4].
Към детерминирания подход спадат:
а) методите, при които функцията w(t ) се определя като реакция на обекта при входен
сигнал делта функция на Дирак (импулсна функция)  (t ) ;
б) методите, базиращи се на численото или аналитичното решаване на уравнението на

свиването.
На пръв поглед получаването импулсната преходна функция по първата група

методи, т.е. като реакция на обекта при входен сигнал  (t ) , изглежда доста примамливо,
но на практика физическото реализиране на такъв изпитателен сигнал в чист вид е
невъзможно. Използването пък на импулс с крайна продължителност и амплитуда не
дава достатъчно добри резултати. Поради това по-голямо приложение намират методите,
използващи уравнението на свиването (интеграла на Дюамел).
Към статистическия подход спадат методите, базиращи се на решаването на

уравнението на Винер-Хопф.
1
Определяне на импулсната преходна функция на обекта посредством интеграла на

Дюамел
Един от широко използваните начини за описание на поведението на линейните
стационарни обекти под действие на детерминирани въздействия е чрез интеграла на
свиването
y (t ) = w( )u(t −  )d

 (9.1)
0
Свиване на две функции f1(t ) и f2 (t ) се нарича функцията
(f1 * f2 )(t ) = f1 ( )f2 (t −  )d

 (9.2)
0
Комутативността е основно свойство на свиването
t t

0

f1 ( )f2 (t −  )d = f1 (t −  )f2 ( )d
0
(9.3)
Основен проблем при определянето на тегловната функция са ненулевите

начални условия, тъй като в този случай е необходимо да се познават производните при
t=0. Изходният сигнал y(t) на стационарен обект при нулеви начални условия може да
се представи във вида
t t
y (t ) = w( )u(t −  )d = u( )w(t −  )d

  (9.4)
0 0
При използване на детерминирания подход тегловната функция може да се

определи от (9.4), като се използват регистрираните стойности на входния и изходния
сигнал. След като се направи следната дискретизация на променливите
u(t )  u(k.t ) (9.5)
 2k − 1 
w (t )  w  t , (9.6)
 2 
където
k.t  t  (k + 1).t ,
е в сила следния израз
k −1
 2k − 1 
y (k.t ) = t  u(i.t ).w t − i.t  (9.7)
i =0 2 
По посочения по-горе израз при k=1, 2, 3, …, N за времето на наблюдение T = N.t може

да се запише система уравнения, която в матрична форма има вида
Y (T ) = t.U(T ).W(T ) (9.8)
където:
2
Y (T ) = [y(t ) y(2.t ) y(3.t )  y(N.t )]T ;
W (T ) = [w(t / 2) w(3.t / 2) w(5.t / 2)  w((2.N − 1).t / 2)]T ;
 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)
Оценката на тегловната функция може да се получи от решението на уравнение (9.8)
1
W (T ) = .U(T )−1.Y (T ) (9.9)
t
Правилността на избора на стъпката t може да се провери по следния начин:

t
изчисленията се извършват отново с двукратно намалена стъпка, т.е. с , и ако
2
разликите са незначителни, то стъпката t е правилно избрана. В противен случай се
t
избира нова стъпка с големина и отново се прави проверка. Процедурата
4
продължава до постигане на задоволителен резултат.
Разгледаният метод се отличава със значителна простота, тъй като тегловната

функция се получава направо по данните за входния и изходния сигнал на обекта, без
да се налага предварителна обработка на сигналите. Освен това методът може да се
прилага при произволни входни сигнали, дори и при тези, получени в процеса на
нормалната експлоатация на обекта. Въпреки посочените предимства обаче, този метод
има и някои недостатъци, а именно:
- методът може да се прилага при ниско ниво на шума;
- за определянето на оценката на тегловната функция се налага обръщане на матрица

U(T).
Определяне на импулсната преходна функция на обекта посредством уравнението

на Винер - Хопф
Интегралът (уравнението) на Винер - Хопф е широко известен и използван. Той се
представя с израза
Ruy ( ) = w( ).Ru ( −  )d ,

 (9.10)
0
където:
Ruy ( ) - взаимна корелационна функция между входния и изходния сигнал;
Ru ( ) - автокорелационна функция на входния сигнал.
Уравнението на Винер - Хопф принадлежи на по-общите класове интегрални

уравнения на Фредхолм и на Волтера, поради което може да бъде дефинирано и като
интегрално уравнение на Фредхолм от първи род със симетрично ядро
3
автокорелационната функция. Уравнение (9.10) е известно и като основно уравнение на

статистическата идентификация. При сравнението на уравнение (9.10) с (9.1) се вижда,
че двете уравнения са с еднаква структура, но докато (9.1) свързва входния и изходния
сигнал на обекта, уравнение (9.10) дава връзката между автокорелационната и
взаимнокорелационната функции. Тъй като във втория случай входният и изходният
сигнали на обекта се подлагат на допълнителна обработка, се получава по-добра
филтрация на шума и тегловната функция се оценява по - точно.
В общия случай алгоритъмът за идентификация включва следните стъпки:
1) Провежда се експеримент с изпитателен входен сигнал - случаен процес, като се

регистрират сигналите на входа и на изхода на обекта;
2) Определят се автокорелационната и взаимно-корелационната функции. По-точно,

определят се техните оценки R̂u ( ) и R̂uy ( ) поради ограниченото време на наблюдение
на входния и изходния сигнал.
3) Решава се уравнението на Винер-Хопф и се намира оценката на тегловната функция.
Входният сигнал може да бъде случаен или изкуствено синтезиран с

характеристики, облекчаващи изчислителната процедура.
Има голямо разнообразие от методи за решаване на уравнението на Винер-Хопф,

но най-голямо приложение са намерили следните методи:
- Алгебричен метод;
- Честотен метод:
- Аналитичен метод;
- Метод на регуляризацията.
По-подробно ще бъде разгледан алгебричният метод. Горната граница на

интеграла в уравнението на Винер-Хопф се замества с крайния интервал на наблюдение
Т, който трябва да бъде по-голям от времето на преходния процес и времето на
корелация. Непрекъснатите функции от уравнение (9.10) се дискретизират с интервал
на дисктеризация t . В резултат уравнението на Винер-Хопф може да се представи в
следната дискретна форма
N
1
Ruy ( ). =  w(i.t ).R ( − i.t ) ,
u (9.11)
t i =0
от която след като се положи wi = w(i.t ) ,  = t , i = 1,2, , N и след като се отчете, че

w(0) = 0 , може да се получи система уравнения, която в матрична форма може да се
представи във вида
A.W = K , (9.12)
където:
4
 Ru (0) Ru (t )  Ru ((N − 1).t )

 Ru (t ) Ru (0)  Ru ((N − 2).t )

A =  Ru (2.t ) Ru (t )  Ru ((N − 3).t ) ;
 
     
Ru ((N − 1).t ) Ru ((N − 2).t )  Ru (0) 
W = [w(0) w(t ) w(2.t )  w((N − 1).t )]T ;
T
1 1 1 1 
K =  Ruy (0) Ruy (t ) Ruy (2.t )  Ruy ((N − 1).t ) .
 t t t t 
Решението на уравнение (9.12) има вида:
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.
Еднозначно решение на уравнението на Винер-Хопф е възможно само ако

детерминантата A е различна от нула. При неизпълнение на това условие, решенията
на уравнението са безкрайно много и обектът не е идентифицируем.
Прилагането на метода е свързано с трудности, дължащи се на лошата

обусловеност на матрица А, т.е. в случаите, когато нейната детерминанта е близка до
нула. Числото на обусловеност на матрица А от пълен ранг може да се даде с формулата
 max
cond ( A) = , (9.14)
 min
където  max и  min са съответно най-голямото и най-малкото сингулярно число.
Когато числото на обусловеност на матрица А е голямо, тогава малки грешки в

корелационните функции (например от случайни смущения) водят до големи неточности
в изчисляването на обратната матрица, а оттам и на тегловната функция, т.е. оказват
значително влияние върху решението на уравнението на Винер-Хопф. Съществуват три
различни подхода за борба с лошата обусловеност на матрицата:
а) посредством използване на устойчиви методи за решаване на системи линейни

уравнения;
б) посредством регуляризация;
в) посредством подходящ подбор на входния сигнал при снемането на данните.
Най-разпространен е първият подход. Често използвани методи за намиране на

устойчиво решение са факторизация по Холецки, факторизация по Бирман,
ортогонализация по Грам-Шмид, QR-декомпозиция и декомпозиция по сингулярни числа.
При регуляризацията устойчивостта на решението се подобрява посредством

добавяне на малко положително число в диагонала на матрицата. Идеята на
регуляризацията е проста, но води до изместване на оценките. Изместването е толкова
по-малко, колкото по-малко е числото, което се добавя. Неговата стойност се определя
5
опитно и е в границите 10−2  10−6 .
Уравнението на Винер-Хопф може да бъде решено и в честотната област. За целта

се умножават двете страни на уравнението с e j и се интегрира по  в границите от −
до + . В резултат уравнението на Винер-Хопф добива следния вид
Suy ( j ) = W( j).Su ( j ) (9.15)
Уравнение (9.15) дава връзката между амплитудно - фазовата характеристика на

обекта W( j) , спектралната плътност на входния сигнал Su ( j) и взаимната спектрална
плътност между входния и изходния сигнал Suy ( j) .
Съотношение (9.16) е известно като уравнение на Винер - Хинчин.
Suy ( j )
W ( j ) = (9.16)
Su ( j )
В този случай тегловната функция може да се определи по израза
1
+
1
+
Suy ( j )
w (t ) =  W( j).e j d =  S ( j ) .e
j
d (9.17)
2 −
2 − u
Израз (9.17) е валиден за честоти, при които Su ( j )  0 .
При статистическия подход се постига по-добра шумоустойчивост, но се налага

извършването на допълнителни изчисления за определяне на оценките на
корелационните функции. Основните проблеми при решаване на уравнението на Винер-
Хопф са: необходимост от определяне на периода на дискретизация и трудности при
обръщане на матрицата.
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.
6

3. Гарипов Е., Ц. Славов, Ръководство за лабораторни упражнения по идентификация
на системи, ТУ София, 2009
6. Генов Д., М. Тодорова, Е. Тодоров, Matlab 5 за идентификация, оптимизация и
филтрация, ТУ-Варна, 2000
7. Петков Тр., Идентификация на обектите на управлението, Техника, София, 1984
8. System Identification Toolbox. User’s Guide, The Math Works, Inc., August, 1995.
9. Signal Processing Toolbox. User’s Guide, The Math Works, Inc., January, 1998.
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
û (d ) =
R
N−d [u
i =1
i
ˆ u ].[ui + d − m
−m û ] (9.18)
N −d
1
ûy (d ) =
R
N−d [u
i =1
i
ˆ u ].[y i + d − m
−m ˆy], (9.19)
N N
1 1
û =
където: m
N i =1
ˆy =
ui , m
N y
i =1
i .
2. За получаване на корелационните функции може да бъде използвана Matlab

функцията xcorr. Основният синтаксисът на функцията е [6, 9]
xcorr(a, b) – връща взаимнокорелационна последователност във вектор – стълб с

дължина 2*m-1, ако a, b – вектори с дължина m.
xcorr(a) – връща автокорелационната последователност, когато а е вектор. Когато

а е (m x n) матрица, връща матрица с 2*m-1 реда, чиито n2 колони съдържат
взаимнокорелационната последователност за всички комбинации от колоните на а.
xcorr(a, b, maxlag) – изчислява корелацията в областта: от -maxlag до maxlag, т.е.

2*maxlag+1 отмествания. По подразбиране maxlag = m – 1.
Може да се разгледа следния пример: Да се определи автокорелационната

функция на последователността x.
x = [1 1 1 -1 -1 1 -1];
[c, lags] = xcorr(x);
plot(lags, c)
7
-2
-6 -4 -2 0 2 4 6
Фиг. 9.1. Автокорелационната функция на последователността x, получена с xcorr
3. За получаване на ковариационни функции в средата на Matlab може да се

използва функция covf [6, 8]. Синтаксисът е:
R = covf(z, M)
R = covf(z,M, maxsize)
където:
z – матрица (N  nz), в чиито стълбове са разположени случайните процеси, чиито

ковариационни функции се изчисляват. Обикновено z = [y u].
N – дължина на всеки един от случайните процеси.
nz – брой на случайните процеси. Ако nz = 1, то се изчислява

автоковариационната функция на един случаен процес.
М – максималния брой интервали минус 1, за които ковариационната функция се

оценява (т.е. това е броя на изчисляваните точки на ковариационната функция).
R – матрица с размери ( nz 2  M ), в чиито редове се намират стойностите на

ковариационните функции. Ако случайните процеси са центрирани, то R ще съдържа
корелационните функции на случайните процеси.
maxsize – по подразбиране maxsize = 4096, но при проблеми с паметта може да се

зададе по – малка стойност.
4. Matlab функцията cra се използва за извършване на корелационен анализ и

оценяване посредством уравнението на Винер-Хопф на импулсната преходна функция на
обект с един вход и един изход. Синтаксисът на функцията е [6, 8]
ir = cra(z)
[ir, r, cl] = cra(z, m, na, plot)
cra(z)
където:
8
z – матрица, съдържаща изходно – входните данни; z = [y u].
ir – вектор – стълб, съдържащ стойностите на оценената импулсна

характеристика.
m – цяло число, задаващо броя на изчислените точки на импулсната

характеристика. По подразбиране m = 20. Корелационните функции се изчисляват за
стойности от –m до +m, т. е. за (2m+1) точки.
na – ред на избелващия филтър. Ако na = 0, то ковариационните функции се

получават направо от първоначалните данни (т.е. без да бъдат избелени). По
подразбиране na = 10.
plot – ако plot = 1 (по подразбиране) чертае импулсната характеристика, заедно с

99% доверителен интервал. Ако plot = 0 не чертае характеристика на екрана. Ако plot =
2 чертае на екрана всички характеристики от r и ir като функция на броя на точките.
r – матрица ((2m+1) x 4), съдържаща в първия си стълб номера на точката, във

втория – стойностите на ковариационната функция на изхода y, в трерия – стойностите
на ковариационната функция на входа u, в четвъртия – корелационната функция между
y и u.
cl – число, определящо 99% доверителен интервал на импулсната

характеристика.
Чрез cra(r) се извеждат многократно на екрана графиките на функциите от

матрица r.
5. За решаване на уравнението на Винер-Хопф в честотната област може да се

използват m-функциите spa или etfe [6, 8].
Синтаксисът на функцията spa е:
d = spa(z)
[g, nsp] = spa(z)
[g, nsp] = spa(z, M,w, maxsize, T)
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.
g – матрица във freqfunc формат, съдържаща стойностите на честотата, амплитудата,

стандартното отклонение на амплитудата, фазата и стандартното отклонение на фазата.
nsp – матрица, съдържаща стойностите на честотата (същите, както при оценяването на

АЧХ и ФЧХ на обекта), на спектъра на шума и на стандартните отклонения на спектъра
на шума.
Синтаксисът на функцията etfe е:
9
g = etfe(z)
g = etfe(z, M, N, T)
където:
N – броя на точките (т.е. броя на честотите), за които се изчисляват оценките на

амплитудата и фазата. По подразбиране N = 128, а честотите са равномерно
разпределени между 0 и  .
g – матрица във freqfunc формат, съдържаща стойностите на честотата, амплитудата и

фазата.
1. В средата на Matlab да се симулират входно-изходни данни на обект, чийто
модел има следната структура
A(z −1 )y(z) = B(z −1 )u(z) , (9.24)
където: A(z −1 ) = 1 − 1.z −1 + 0,3.z −2 , B(z −1 ) = 0,2.z −1 + 0,1.z −2 , период на дискретизация

t = 4s . Като входен сигнал да се симулира двоичен сигнал в 300 точки (N=300).
Импулсната преходна функция да се определи в 50 точки посредством използване на m-
функцията cra.
Решение:
u=sign(randn(300,1));
a=[1 -1 0.3];
b=[0 0.2 0.1];
th=poly2th(a, b, [], [], [], [], 4);
y=idsim(u, th);
[w, r, sl]=cra([y u], 50)
Impulse response estimate

0.3
0.2
0.1
-0.1
0 10 20 30 40 50
lags
Фиг. 9.2. Оценената импулсна преходна функция към Решена задача 1
10
2. В средата на Matlab да се симулират входно-изходни данни на обект, чийто

модел има следната структура
A(z −1 )y(z) = B(z −1 )u(z) + C(z −1 ) (z) , (9.25)
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:
a=[1 -1 0.3];
b=[0 0.2 0.1];
c=[1 -0,8 0,2];
th=poly2th(a, b, c, [], [], [], 2);
y=idsim(u, th);
[w, r, sl]=cra([y u], 30)
Impulse response estimate

0.3
0.2
0.1
-0.1
0 5 10 15 20 25 30
lags
Фиг. 9.3. Оценената импулсна преходна функция към Решена задача 2
3. Като се използват входния и изходния сигнал на обекта от предходния пример,

да се получат автокорелационната функция Ru на входния сигнал и взаимната
корелационна функция Ruy на входния и изходния сигнал.
Решение:
a=[1 -1 0.3];
b=[0 0.2 0.1];
11
c=[1 -0,8 0,2];
th=poly2th(a, b, c, [], [], [], 2);
y=idsim(u, th);
Ru=xcorr(u);
Ruy=xcorr(u, y);
subplot(2,1,1), plot(Ru), title('Автокорелационна функция')
subplot(2,1,2), plot(Ruy), title('Взаимнокорелационна функция')
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
Фиг. 9.4. Получените корелационни функции към Решена задача 3
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.
2. Изходният сигнал в Решен пример 2 да се зашуми с шум с нулево математическо

очакване и отношение шум/сигнал около 10 %. Импулсната преходна функция да се
определи в 40 точки посредством използване на m-функцията cra.
3. Да се изследва влиянието на N върху точността на оценените характеристики в

Пример 1 и Пример 2.
4. Като се използват данните от Решен пример 1 да се определят

автокорелационната функция на входния сигнал и взаимнокорелационната функция на
входния и изходния сигнал, като се използва m-функцията xcorr. Да се изведат
12
графично характеристиките.
5. Да се реши уравнението на Винер-Хопф в честотната област като се използва m

функцията spa. Да се използват различни стойности на корелационния прозорец M и се
избере най-добра стойност.
6. Като се използва m функцията etfe да се реши уравнението на Винер-Хопф в

честотната област и да се избере най-добра стойност на корелационния прозорец M.
Тест
Текст

Текст

Текст

Текст
13
Тема 10. Нерекурсивни методи за оценяване на параметри на

дискретни линейни модели
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 ;
B(z −1 ) = b0 + b1z −1 + b2 z −2 +  + bnb z − nb ;
C(z −1 ) = 1 + c1z −1 + c2 z −2 +  + cnc z − nc ;
D(z −1 ) = 1 + d1z −1 + d2 z −2 +  + dnd z − nd ;
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).
Алгоритъмът за идентификация посредством параметрични дискретни модели е

следния:
1) Избор на подходяща структура и вид на дискретния модел;
2) Формиране на критерия на качеството (примерно функционал на грешката);
3) Избор на метод за определяне на параметрите на модела съгласно формирания
1
критерий (показател) на качеството;

4) Тестване на полученият модел за определяне на неговата адекватност.
Таблица 10.1
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 )
който може да се запише във вида
2
A(z −1 )y(k ) = B(z −1 )z −d u(k ) + A(z −1 )v(k ) (10.3)
Блоковата схема [4] на формиране на грешката в уравнението (обобщената

грешка) е дадена на Фиг. 10.1.
Фиг. 10.1. Формиране на грешката в уравнението
При тази схема се минимизира грешката

e(k ) = A(z −1 )v(k ) = A(z −1 )y(k ) − B(z −1 )z −d u(k ) (10.4)
Очевидно, неизвестните параметри на модела участват линейно в уравнение
(10.4). Поради това схемата води до несложна изчислителна схема на оценяване
(прилагат се линейни методи), което е нейно съществено предимство. Недостатък на
схемата е, че грешката е некорелирана, което изисква прилагане на методи, включващи
избелване.
Базиращите се на схемата от Фиг. 10.1 методи се наричат equation error methods
(методи, основани на грешката в уравнението).
Блоковата схема [4] на формиране на грешката от предсказване на изхода е

дадена на Фиг. 10.2.
Фиг. 10.2. Формиране на грешката от предсказване
Грешката от предсказване на изхода е

B(z −1 )z −d
E(k ) = y(k ) − u(k ) (10.5)
A(z −1 )
Вижда се, че грешката E(k) е нелинейна функция на част от оценяваните

параметри, което изисква прилагането на нелинейни методи за оценяване. Получените
оценки обаче са с по-добро качество, тъй като са неизместени и ефективни.
Методите, базиращи се на получената по посочения по-горе начин, се наричат
методи, основани на грешката от изхода (output error methods).
Независимо от структурата си, дискретните модели могат да се представят във вида
y(k ) =  T  (k ) +  (k )
, (10.6)
където:
3
 T - вектор, съдържащ параметрите на модела;
 (k) - цветен или бял шум, включващ неконтролируеми влияния върху обекта, грешки от
измерване на изхода и неточности при определянето на параметрите.
От израз (10.6) може да се запише следното векторно матрично уравнение
Y = . +  (10.7)
В тази тема ще бъдат разгледани някои от най-често използваните методи за

оценяване на параметрите на линейни дискретни модели, като: метода на най-малките
квадрати (МНМК); метода на инструменталната променлива (МИП) и обобщения метод на
най-малките квадрати. За целта ще бъде използвана ARX структура на модела от
Таблица 10.1.
Метод на най-малките квадрати (МНМК)

Наименованието на метода идва от факта, че оценките на параметрите  се
получават в резултат от минимизацията на сумата от квадратите на грешката  (k) .
Функционалът J( ) на грешката най-общо може да се представи по следния начин
J( ) =  T W , (10.8)
където W = diag(w1 w2 w3  wN ) - тегловна матрица.
Условието за минимум на J( ) може да се запише след заместването на грешката

 , получена от израз (10.7),
 = Y − . (10.9)
в израз (10.8). В резултат се получава вектор ˆ , съдържащ оценките на параметрите на

математичния модел
 
−1
ˆ = T .W. .T .Y (10.10)
Определените оценки по израз (10.10) са оценки по претеглените най-малки

квадрати. Когато всички данни се вземат с еднакво тегло, т.е. когато W = I , където I -
единична матрица, оценките се получават по обикновените най-малки квадрати. Когато
 
тегловната матрица W = M  T  и е ковариационна матрица, по израз (10.10) могат да се
получат Марковски оценки.
ˆ
Алгоритъмът за получаване на вектора с оценките на параметрите  посредством
прилагане на МНМК е следния:
1) Формират се матрица  и вектор Y;
2) Изчисляват се T . и T .Y ;
3) Намира се обратната матрица T .  

−1
;
4) Получават се оценките на параметрите по израз
4
  −1
ˆ = T . .T .Y (10.11)
За определяне на оценките на параметрите на модели със структури AR, ARX или

FIR по МНМК могат да се използват m-функциите ar и arx.
За да са неизместени оценките по МНМК е необходимо грешката да бъде бял шум

с нулево математическо очакване.
Метод на инструменталната променлива (МИП)

Оценките по МИП се получават по израза
 
−1
ˆ = V T . .V T .Y , (10.12)
където V се нарича инструментална матрица, а елементите ѝ - инструментални

променливи. Съществуват различни начини за формиране на инструменталната матрица
[2]. При всички случаи обаче тя трябва да удовлетворява следните условия:
1) Размерността на матрица V съвпада с тази на матрица  ;

2) Елементите на матрици V и  са силно корелирани (за да съществува V T . −1
);
3) Елементите на V и  не са корелирани (за да се гарантира неизместено оценяване на

вектора на параметрите.
Алгоритъмът за получаване на вектора с оценките на параметрите ˆ посредством

прилагане на МИП е следния:
1) Определят се оценките на параметрите по МНМК. Те са начални за итеративната

процедура, независимо от тяхната изместеност;
2) Изчисляват се предсказаните стойности ŷ по модела с определените в стъпка

(1) оценки;
3) Синтезира се инструментална матрица V. Един от начините е първо да се

формира матрица  , като в нея вместо стойностите на изхода y, участват предсказаните
стойности по модела ŷ и след това се полага V =  ;
4) Изчисляват се оценките по израз (10.12);
5) Процедурата се повтаря от стъпка (2) до стъпка (4), като продължава

итеративно до стабилизиране на оценките и на остатъчната сума от квадратите.
Обикновено са достатъчни 4-5 итерации. Счита се, че в края на процедурата се постига
неизместеност на оценките на параметрите.
За модели с ARX структура този алгоритъм може да се реализира посредством

следните функции на Matlab: iv, ivx и iv4.
Методът на инструменталната променлива дава възможност за получаване на

неизместени оценки на параметрите при корелиран шум.
Обобщен метод на най-малките квадрати

Нека обектът се описва с модел със следната структура
5
A(z −1 )y(k ) = B(z −1 )u(k) +  (k ) , (10.13)
където ε(k) е цветен шум.
Ако съществува избелващ филтър D(z −1 ) , чийто изход е бял шум v(k), т.е:
v(k) = D(z −1 ) (k) , (10.14)
то
1
 (k) = v(k) (10.15)
D(z −1 )
и след заместване на (10.15) в (10.13) ще се получи
~ ~
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)
Алгоритъмът на обобщения метод на най-малките квадрати включва следните

основни стъпки:
1) Параметрите на модела се оценяват по МНМК. Получените оценки ˆ(0) са начални за

итеративната процедура, независимо от тяхната изместеност.
2) Изчисляват се остатъците
ˆ(z −1 )y(k ) − B
 (k ) = A ˆ(z −1 )u(k ) , (10.18)
3) Синтезира се модел авторегресия
D(z −1 ) = 1 + d1 z −1 + d2 z −2 + d3 z −3 +  + +dr z − r , (10.19)
за избелване на остатъците, т.е. v(k) = D(z −1 ) (k) . Параметрите на филтъра се определят

по МНМК.
4) Филтрират се входната и изходната последователности, т.е.

~ ~
y (k) = D(z −1 )y(k), u (k) = D(z −1 )u(k)
~
5) Съставя се матрица  и се решава матричното уравнение (10.17).
6) Процедурата се повтаря от стъпка (2) до стъпка (4) до стабилизиране на оценките или

функциите на загубите. Обикновено са неоходими 5-6 итерации, при които остатъците
преобразуват характера си от цветен в бял гаусов шум, което гарантира неизместено
оценяване на параметрите на модела в края на итеративната процедура.
Обобщеният метод на най-малките квадрати е подходящ за оценяване на
6
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.
2. Гарипов Е., Идентификация на системи, част II Идентификация чрез дискретни
стохастични регресионни модели, ТУ София, 2007
4. Генов Д., Идентификация на системи, практикум, ТУ-Варна, 2004
филтрация, ТУ-Варна, 2000.
Примери:
1. System Identification Toolbox използва следните формати за описание на
системите [6] :
theta формат – матрица с размерност ((3+n) x r), организирана както следва:

1-ви ред съдържа: оценената променлива е, интервала на дискретизация Т, броя на
входовете nu, редовете на полиномите na, nb, nc, nd, nf, времезакъснението nk;
2-ри ред : FPE критерия на Акаике, годината, месеца, датата, часа, минутата (когато е
създадена theta матрицата) и командата, за която модела е бил генериран;
3-ти ред : оценените коефициенти на полиномите A, B, C, D и F (изключвайки водещите
единици или нули);
4-ти до (3+n)-ти ред: оценената ковариационна матрица.
freqfunc формат – матрица с две до пет колони и брой на редовете, равен на броя
7
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.
zepo формат – матрица, съдържаща нулите, полюсите и техните стандартни

отклонения. Първият ред съдържа цели числа, даващи информация за съответните
колони. Колони с номера от 1 до19 включително съдържат нулите (номерът на колоната
съответства на номера на входа), колони с номера от 20 до (20+k), където k е броя на
входовете, съдържат полюсите, а колона с номер 0 – източника на шума.
2. Matlab - функция ar - използва се за изчисляване на модели от типа AR (авторегресия)

A(z −1 ).y(z) = e(z) . 2). Основният синтаксис е [6]:
th = ar(y, n)
th = ar(y, n, approach)
th = ar(y, n, approach, win)
където:
th – матрица в theta формат, съдържаща оценените параметри на AR – модела.
y – вектор – стълб, съдържащ последователността във времето, която трябва да

бъде моделирана.
n – ред на AR – модела.
approach – посочва метода на апроксимация. При: approach = ‘fb’ – (по

подразбиране) – апроксимация ‘напред – назад’; approach = ‘ls’ – метод на най –
малките квадрати; approach = ‘yw’ – метод на Уули – Валкер; approach = ‘burg’ – метод
на Бург; approach = ‘gl’ – геометричен решетъчен метод. Ако някой от тези аргументи
завършва на нула (например ‘burg0’), то не се извършва изчисляване на ковариацията.
3. Matlab - функция armax - оценява параметрите в модел от типа ARMAX (авторегресия

– пълзящо средно с външен входен сигнал), т.е.
A( z −1 ). y ( z ) = B( z −1 ).u ( z ).z − nk + C ( z −1 ).e( z ) или ARMA (авторегресия – пълзящо средно)
A( z −1 ). y ( z ) = C ( z −1 ).e( z ) , използвайки метода на грешката от предсказването.

Основният синтаксис е [6]:
th = armax(z, nn)
th = armax(z, nn, ‘trace’)
8
където:
z – матрица с изходно – входните данни. За оценяване на параметрите на ARMAX

модел z = [y u], а за ARMA модел z = [y].
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;
nk – времезакъснението (отчита се от преходната характеристика).
За многомерни системи nn има толкова реда, колкото са изходите на обекта.
th – матрица в theta формат. Ако е въведен последния аргумент ‘trace’, то в

командния прозорец на MATLAB се дава информация за минимизацията по даден
критерий.
4. Matlab - функция arx - оценява параметрите в модел от типа ARX (авторегресия –

външен входен сигнал) A(z −1 ).y(z) = B(z −1 ).u(z).z − nk + e(z) по метода на най – малките
квадрати. Основният синтаксис е [6]:
th = arx(z, nn)
където:
z – матрица с изходно – входните данни; z = [y u].
nn = [na nb nk], където na, nb – броя на редовете съответно на полином А и В; nk

– времезакъснението. За временни редове nn = na.
5. Matlab функция iv4 - оценява параметрите в модел от вида ARX по метода на

инструменталната променлива. Основният синтаксис е [6]:
th = iv4(z, nn)
където:
z – матрица с изходно – входната информация; z = [y u]. При обекти с повече от

един вход z = [y u1 u2 ... un].
nn – вектор – ред, задаващ структурата на ARX модела; nn = [na nb nk].
th – theta матрица, съдържаща оценките на ARX модела, заедно с оценените

ковариации и структурна информация.
6. Matlab функция ivar - изчислява оценките за AR – частта на стационарен модел

по метода на инструменталната променлива. Основният синтаксис е [6]:
th = ivar(y, na)
th = ivar(y, na, nc)
където:
th – оценка по метода на инструменталната променлива на AR – частта на модела,

заедно с информация за структурата.
9
y – вектор – стълб със стойностите на изхода.
na – реда на AR – частта (т.е. реда на полином А).
nc – по подразбиране nc = na.
1. За дискретен обект VII от Приложение III [6] да се запише:
а) theta формат;
б) freqfunc – формат;
в) zepo – формат.
Решение:
а) В работния прозорец на Matlab се въвежда:
A = [1 -1.036 0.2636];
B = [0 0.1387 0.0889];
th = poly2th(A,B,[],[],[],-1) % theta формат
Получава се:
Discrete-time IDPOLY model: A(q)y(t) = B(q)u(t)
A(q) = 1 - 1.036 q^-1 + 0.2636 q^-2
B(q) = 0.1387 q^-1 + 0.0889 q^-2
б) Въвежда се:
A = [1 -1.036 0.2636];
B = [0 0.1387 0.0889];
th = poly2th(A,B,[],[],[],-1);
u = ones(20, 1); % входен сигнал;
y = idsim(u, th); % изходен сигнал;
z = [y u];
g = spa(z) % freqfunc формат
IDFRD model g.
Contains Frequency Response Data for 1 output and 1 input
and SpectrumData for disturbances at 1 output
at 128 frequency points, ranging from 0.024544 rad/s to 3.1416 rad/s.
10
Output Channels: y1
Input Channels: u1
Sampling time: 1
Estimated from data set z using spa.
в) Въвежда се:
A = [1 -1.036 0.2636];
B = [0 0.1387 0.0889];
th = poly2th(A,B,[],[],[],-1);
zepo = th2zp(th) % zepo формат
zepo =
1.0000 61.0000 21.0000 81.0000
-0.6410 0 0.5867 0
Inf Inf 0.4493 0
2. Да се симулират N=10 входно-изходни данни на динамична система с ARMAX

структура със следните коефициенти на полиномите A=[1 -1.5 0.6], B=[1 0.4], C=[1 -0.9
0.1] и двоичен входен сигнал с амплитуда единица. В средата на Matlab да се намерят
оценките по МНМК за ARX структура на модел от втори ред.
Решение:
В работния прозорец на Matlab се въвежда:
A=[1 -1.5 0.6];
B=[1 0.4];
C=[1 -0.9 0.1];
th0=poly2th(A, B, C);
u=sign(randn(10, 1));
e=randn(10, 1);
y=idsim([u e], th0);
z=[y u];
na=2;
nb=2;
nk=0;
11
nn=[na nb nk];
th1=arx(z, nn);
present(th1)
Discrete-time IDPOLY model: A(q)y(t) = B(q)u(t) + e(t)
A(q) = 1 - 1.375 (+-0.6439) q^-1 + 0.5302 (+-0.6151) q^-2
B(q) = 0.8265 (+-0.94) + 0.7634 (+-0.7753) q^-1
Estimated using ARX on data set z
Loss function 1.20084 and FPE 2.16151
Sampling interval: 1
3. Като се използват данните от задача 1, да се намерят оценките по МИП за ARX

структура на модел от втори ред.
Решение:
Въвежда се:
th2=iv4(z, nn);
present(th2)
Discrete-time IDPOLY model: A(q)y(t) = B(q)u(t) + e(t)
A(q) = 1 + 1.255 (+-1.594) q^-1 + 0.1278 (+-1.551) q^-2
B(q) = 2.885 (+-1.041) - 0.5863 (+-3.732) q^-1
Estimated using IV4 on data set z
Loss function 1.26505 and FPE 2.27708
Sampling interval: 1
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.
2. Като се използват данните от предходната задача, да се намерят оценките по

МИП за ARX структура на модел от първи, втори и трети ред.
Тест
12
Текст

Текст

Текст

Текст
13
Тема 11. Рекурсивни методи за оценяване на параметри на

дискретни модели
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
разгледани само най-често използваните в практиката методи.
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.
ˆ(k + 1) = ˆ(k ) + (k )e(k ) , (11.1)
където (k ) - матрица с коефициенти, притежаваща определена според метода

структура.
Рекурсивен метод на най-малките квадрати (РМНМК)

Нека предположим, че трябва да се оценят параметрите
ˆ = [a1 a2  an b1 b2  bm]T , (11.2)
на модел с ARX структура, т.е.
A(z −1 )y(k) = B(z −1 )z − d u(k ) + e(k) (11.3)
и са налице следните условия:
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.
За определянето на оценките на параметрите на модел (11.3) по РМНМК се

използва следния израз
(
ˆ(k) = ˆ(k − 1) +  (k). y(k) −  T (k).ˆ(k − 1) , ) (11.4)
където:
ˆ(k ) - новата оценка;
ˆ(k − 1) - старата оценка;
 (k ) - вектор на корекция;
y(k) - ново измерване на изходния сигнал;
 T (k).ˆ(k − 1) - предсказана по модела стойност на новото измерване.
Векторът на корекцията се определя по израза
( )
−1
 (k) =  T (k).P(k − 1).(k) + 1 .P(k − 1).(k) , (11.5)
2
където
( )
P(k ) = I −  (k ). T (k ) .P(k − 1) (11.6)
При стартиране на алгоритъма, ако липсва друга информация, се използват

следните изходни данни: ˆ(0) = 0, P(0) = .I , където  е голямо число (от порядъка на
104  106 ).
Последователност на прилагане на алгоритъма на РМНМК:
1) Въвеждат се вектори y(k) и  (k )
(k) = − y(k − 1) u(k − nb )

T
− y(k − 2)  − y(k − na ) u(k − 1) u(k − 2)  (11.7)
С цел избягване на отрицателни стойности на аргументите стартирането започва от

k = na + nb + 1 .
2) Изчисляват се остатъците
e(k) = y(k) −  T (k).ˆ(k − 1) (11.8)
3) Определя се вектора на корекция
(
 (k) = r.  T (k).r + 1) −1
, (11.9)
където r = P(k − 1). (k) .

4) Изчисляват се оценките
ˆ(k) = ˆ(k − 1) +  (k).e(k) (11.10)
5) Формира се P(k) по израз (11.6).

6) Формира се нарастване k=k+1 и се извършва преход към стъпка 1).
РМНКМ често се използва в практиката, тъй като изместването на оценките е
сравнително малко при ниско ниво на шума и слаба корелация. Но при повишаване на
нивото на шума или при силно корелирани наблюдения изместването на оценките може
да се окаже значително [1].
Рекурсивен метод на инструменталната променлива (РМИП)

Методът се прилага при корелирани остатъци. Основните стъпки на алгоритъма
съвпадат с тези при РМНМК, но вектора на корекция се формира по израза
( )
−1
 (k) =  T (k).P(k − 1).v(k) + 1 .P(k − 1).v(k) , (11.11)
където вектора v(k ) се образува посредством предсказаните по модела стойности ŷ
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)
Стартирането на рекурсивната процедура е както при РМНМК.
РМИП е ефикасен метод за оценяване в реално време. Той обезпечава висока

точност на оценките, но в началото те се подобряват значително бавно. Скоростта на
сходимост на оценките зависи от избора на помощната променлива v(k). За ускоряване
3
на сходимостта им се препоръчва първоначално да се приложи РМНМК, а след това да се

премине към оценяване посредством РМИП [3, 4].
Рекурсивен метод на претеглени най-малки квадрати (РМПНМК)

При идентификация на нестационарни обекти е необходимо на последните
измервания да се придава по-голямо тегло, отколкото на получените по - рано. В МНМК
това се реализира посредством множител w(k), зависещ от времето (методите на
притеглените най-малки квадрати). Минимизира се критерия
N
Q=  w(k).e (k)
k =1
2
(11.13)
Ако в израз (11.13) се използва w(k ) = N − k , където  - показател на затихването (0,95

< λ < 0,999), то векторът на корекция се формира по следния начин
( )
 (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)

Основните стъпки на РМПНМК съвпадат с тези при РМНМК, но се използват изрази

(11.14) и (11.15). В средата на Matlab този алгоритъм може да се реализира посредством
функцията rarx.
Рекурсивен метод на максималното правоподобие (РММП)

Посредством рекурсивния метод на максималното правоподобие може да се
получат неизместени оценки. При този метод се минимизира критерий, основан на
грешката от предсказване Е(к)
N
Q= E
k =1
2
(k ) (11.16)
За реализиране на алгоритъма може да се използват m-функциите rarmax и pem.
Метод на стохастическата апроксимация (СА)

Методът на стохастическата апроксимация е предложен от Робинс и Монро. Той
минимизира функцията на загубите Q по градиентен алгоритъм.
e2 (k)
Q= (11.17)
2
Методът съвпада с РМНМК, с тази разлика, че векторът на корекция  (k ) не е точно

определен, а се избира произволно. При един от възможните варианти на метода на СА
оценките се определят по израза
(
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
гарантира сходимост на оценките на параметрите.
Методът на СА е твърде привлекателен, защото е лесен за прилагане. Характерно

за него е, че обезпечава неизмесност на оценките при некорелирани грешки, но е с
много бавна сходимост, което е основен негов недостатък.
Функции в System Identification Toolbox за рекурсивно оценяване [6, 7]

Разработени са множество функции, които дават възможност да се реши задачата
за рекурсивно оценяване на параметрите в работната среда на Matlab. Тук ще бъдат
разгледани накратко някои от тях.
rarx
Рекурсивно оценява параметрите в ARX или AR модел. Необходимо е моделите да

са с един изход, а броят на входовете е неограничен. При оценяване на параметрите се
използват различни варианти на метода на най – малките квадрати. Основният
синтаксис е
[thm, yhat] = rarx(z, nn, adm, adg), (11.19)
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];
nn = [na nb nk], където na, nb – брой редове съответно на полином А и В; nk –

времезакъснение. За временни редове nn = na;
adm, adg – аргументи, служещи за избор на варианта на метода на най – малките

квадрати.
thm – матрица. Броят на стълбовете ѝ зависи от броя на параметрите на полином А

и полином В, които ще се оценяват. Броят на редовете ѝ зависи от броя на редовете на
матрица z. Всеки ред на thm съдържа оценки на параметрите, получени след
обработката на информацията в съответния ред на матрица z, т.е.: thm(k, :) = [a1 a2 ...
ana b1 b2 ... bnb].
−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
Рекурсивно оценява параметрите в ARMAX или ARMA модел. Необходимо е

моделите да са с един вход. При много входове се използва функцията rpem. Основният
синтаксис е
thm = rarmax(z, nn, adm, adg), (11.20)
където:
z – матрица с изходно – входните данни; z = [y u]. За ARМА модел z = [y].
nn = [na nb nc nk]. За ARMA модел nn = [na nc].
rbj
5
Рекурсивно оценява параметрите на BJ модел. Необходимо е моделът да е с един

вход. Основният синтаксис е
[thm, yhat] = rbj(z, nn, adm, adg), (11.21)
където nn = [nb nc nd nf nk].
roe
Рекурсивно оценява параметрите на ОЕ модел с един вход. Основният синтаксис е
[thm, yhat] = rое(z, nn, adm, adg), (11.22)
където nn = [nb nf nk.
rpem
Рекурсивно оценява параметрите на основния модел. Допуска се многовходов

модел. Основният синтаксис е
[thm, yhat] = rpem(z, nn, adm, adg), (11.23)
където nn = [na nb nc nd nf nk].
rplr
Рекурсивно изчислява PLR оценки за основния входно – изходен модел.

Синтаксисът е
[thm, yhat] = rplr(z, nn, adm, adg), (11.24)
където nn = [na nb nc nd nf nk].
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.
2. Гарипов Е., Идентификация на системи, част II Идентификация чрез дискретни
стохастични регресионни модели, ТУ София, 2007
6
4. Генов Д., Идентификация на системи, практикум, ТУ-Варна, 2004

филтрация, ТУ-Варна, 2000.
7. System Identification Toolbox, User's Guide, The Math Works, Inc., 1995.
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;
[thm, yhat] = rarx(z, nn, ‘ff’, lam)
2. Пример за приложението на m-функцията rarmax. Като се използва зададената

по-горе матрица z, по РМНМК да се оценят параметрите на модел с ARMAX структура,
като полиноми А и В са от втори ред, а полином С - от първи.
nn = [2 2 1 1];
lam = 1;
[thm, yhat] = rarmax(z, nn, ‘ff’, lam)
3. Пример за приложението на m-функция rbj при оценяване на параметрите на

модел с BJ структура:
nn = [2 2 1 1 1];
lam = 1;
[thm, yhat] = rbj(z, nn, ‘ff’, lam)
4. Пример за рекурсивно оценяване на параметрите на основния модел

посредством функцията rpem:
nn = [2 2 1 1 1 1];
lam = 1;
[thm, yhat] = rpem(z, nn, ‘ff’, lam)
7
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:
В работния прозорец на Matlab се въвежда:
A=[1 -1.5 0.6];
B=[0 1 0.4];
C=[1 -0.9 0.1];
th1=poly2th(A, B, 1, 1, 1);
u=randn(10, 1);
y1=idsim(u, th1);
z1=[y1 u];
nn1=[2 2 1];
thm1=rarx(z1, nn1, 'ff',1E-4)
plot(thm1)
thm1 =
0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 1.0000 0.0000
-0.9500 0.0000 1.0000 0.9500
-1.1007 -0.1586 1.0000 0.7993
-1.5000 0.6000 1.0000 0.4000
-1.5000 0.6000 1.0000 0.4000
-1.5000 0.6000 1.0000 0.4000
-1.5000 0.6000 1.0000 0.4000
-1.5000 0.6000 1.0000 0.4000
-1.5000 0.6000 1.0000 0.4000
8
1.5
0.5
-0.5
-1
-1.5
-2
0 2 4 6 8 10
Фиг. 11.1 Оценки на параметрите към Решена задача 1
2. Като се използват данните от Решена задача 1, да се извърши рекурсивно оценяване

по РМНМК на параметрите на модел от втори ред с ARMAX структура.
Решение:
Въвежда се:
th2=poly2th(A, B, C, 1, 1);
y2=idsim(u, th2);
z2=[y2 u];
nn2=[2 2 2 1];
thm2=rarmax(z2, nn2, 'ff',1E-4)
thm2 =
0.0000 0.0000 0.0000 0.0000 0.0000 0.0000
0.0000 0.0000 1.0000 0.0000 0.0000 0.0000
-0.9500 0.0000 1.0000 0.9500 0.0000 0.0000
-1.1007 -0.1586 1.0000 0.7993 0.0000 0.0000
-1.5000 0.6000 1.0000 0.4000 0.0000 -0.0000
-1.5000 0.6000 1.0000 0.4000 -0.0000 -0.0000
-1.5000 0.6000 1.0000 0.4000 -0.0000 -0.0000
-1.5000 0.6000 1.0000 0.4000 0.0000 -0.0000
-1.5000 0.6000 1.0000 0.4000 -0.0000 -0.0000
9
-1.5000 0.6000 1.0000 0.4000 -0.0024 -0.0067
1.5
0.5
-0.5
-1
-1.5
-2
0 2 4 6 8 10
Фиг. 11.2 Оценки на параметрите към Решена задача 2
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.
2. Да се извърши оценяване на параметрите на модел с ARX структура от първи ред

по метода на стохастическата апроксимация, като се използват зададените в Таблица
11.1 данни.
3. Да се намерят оценките на модели с ARX структура от втори и трети ред, като се

използват данните от Таблица 11.1 и m-функцията rarx.
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
Тест
Текст

Текст

Текст

Текст
11

Тодорова Б АП ИС тема1-combined

Uploaded by

Copyright:

Available Formats

You might also like

Тодорова Б АП ИС тема1-combined

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Тодорова Б АП ИС тема1-combined

Uploaded by

Copyright:

Available Formats

Дисциплина: Идентификация на системи

Тема 1. Идентификация и оценяване - основни постановки и

1962г. – Дефиниране за първи път на понятието „идентификация”.

Обектите са съвкупност от материални тела, намиращи се в непрекъснато

между входните и изходните величини може да се представи математически с уравнение

y(t ) = A0u(t ) (1.1)

където операторът A0 е правилото на преобразуване на причината u(t) в следствие

Изследването на процесите в автоматичните системи се извършва с помощта на

Тъй като моделът се формира с определена цел, основен критерий за оценяването

Математичният модел представя достатъчно вярно (адекватно) обекта, ако при

Математичните модели могат да бъдат получени посредством прилагане на

Аналитичното получаване на математичен модел на реален обект често се оказва

Създаването на математичен модел на управляемия обект по експериментален път

Идентификацията в широк смисъл е целенасочено изучаване на обекти и явления,

Специалистите по автоматика се интересуват от идентификацията на обекта от

Фиг.1.3 Идентификацията - дуална задачата на управлението

Основни етапи на процедурата за идентификация

Формализация на задачата за идентификация

Фиг. 1.4 Формиране на метриката ρ

Метриката ρ носи информация за адекватността на математичния модел, т.е. за

Той е намерил широко приложение, защото води до прости изчислителни схеми и

Линейният интегрален показател (критерий)

Модулният интегрален показател

отстранява посоченият по-горе недостатък, но не намира широко приложение,

Аналог на интегралния показател на средноквадратичната грешка (1.2) при

Разгледаните по-горе функционали се характеризират със значителна простота, но

J ( A) =  {W (t )[ y (t ) − ym (t )]2 + u(t ) 2 }dt , (1.6)

където W(t) - тегловна функция

Структурна и параметрична идентификация

Когато е известна структурата на модела, тогава обектът се представя като "сива"

Основното заключение за Вас следва да бъде, че целта на идентификацията е

В следващата глава ще се запознаете с класификацията, общите свойства и

Блок за контрол на знанията

2. Примери за оператори A0 могат да бъдат:

- линейния интегрален оператор:

- диференциалния оператор D(y) и др.

3. По-важните функции на математичния модел са:

а) Той е най-простия начин за концентриране и съхранение на цялата информация

б) Той може да служи за прогнозиране на поведението на обекта.

в) Той е най-простия, а понякога и единствения начин за въвеждане на

г) Моделът служи като средство за изследване.

4. Задължителни условия за синтезиране на математичен модел на обекта са:

- наблюдаемост на обекта, т.е. измеримост на входно-изходните му сигнали;

- стабилност на обекта, т.е. наличие на стабилни свойства в определен интервал от

- екстраполируемост на модела, т.е. възможност да бъде използван и за решаване

а) моделен оператор във вид на функционално разложение

където  i (u ) са зададена система функции, а ci - параметри (коефициенти на

Отговор: В разглеждания случай задача на структурната идентификация е

б) моделен оператор във вид на диференциално уравнение

Отговор: В този случай задача на структурната идентификация е намирането на

а) моделен оператор от вида

където ai , b j са параметри на дискретния модел.

б) моделен оператор, представен чрез функционален ред на Волтера

където Gi - система функционали, w - ядра на Волтера.

в) моделен оператор от вида

където x - вектор на състоянието.

Въпрос тип 2- „един верен от много”

Въпрос тип 3- „подреждане на отговори”: