MiI 2018 2019 MW01b Wprowadzenie

Przedmiot: Modelowanie i identyfikacja
Tytuł materiału wykładowego: Wprowadzenie (repetytorium MiPI)
Modelowanie i identyfikacja
Materiał wykładowy: 1b – Wprowadzenie (repetytorium MiPI)
Kierunek: Automatyka i robotyka - studia stacjonarne 2 stopnia

Przedmiot: kierunkowy
Kazimierz Duzinkiewicz, dr hab. inż., prof. nadzw. PG

Data rozpoczęcia prezentacji Wydział:
materiału: 2019.04.03i Automatyki
Elektrotechniki
 Kazimierz Duzinkiewicz, dr hab. inż., prof. nadzw. PG Katedra: Elektrotechniki, Systemów Sterowania i Informatyki
1
Modelowanie matematyczne
Definicja modelu matematycznego:

Modelem matematycznym nazywamy reprezentację
istniejącego lub hipotetycznego fragmentu
rzeczywistości, tworzoną w określonym celu,
z wykorzystaniem skończonego zbioru symboli i
operatorów matematycznych, z którymi związane są
ścisłe zasady posługiwania się nimi,
pozbawioną szczegółów i cech nieistotnych dla
osiągnięcia postawionego celu.
Zawarte w modelu symbole i operatory matematyczne
mają interpretację odnoszącą je do konkretnych
elementów modelowanego fragmentu rzeczywistości
Wydział: Elektrotechniki i Automatyki
2
W odniesieniu do modelowanego istniejącego lub hipotetycznego fragmentu

rzeczywistości będziemy używali określenia - SYSTEM
System
Zwięzła definicja systemu:
Zbiór elementów/obiektów których właściwości chcielibyśmy badać
Idee wokół których budowane jest pojecie systemu:
 wyodrębnienie systemu z otoczenia

 funkcja spełniana przez system
 budowa systemu z zależnych elementów
 ……
3
Wybrane krótkie definicje systemu:
SYSTEM (definicja przyrodnicza) jest to zbiór współdziałających ze sobą

elementów, połączonych w całość wspólną funkcją niesprowadzalną do funkcji
poszczególnych elementów
SYSTEM (definicja cybernetyczna) jest to składająca się z elementów funkcjonalna

całość wyodrębniona z otoczenia, na którą otoczenie oddziałuje za pośrednictwem
wielkości wejściowych (bodźców), i która zwrotnie oddziałuje na otoczenie za
pośrednictwem wielkości wyjściowych (reakcji)

4
Rozbudowana definicja systemu:

(1) SYSTEM jest pewnym zorganizowanym zespołem elementów.
„Zorganizowanym” znaczy, że istnieją określone powiązania pomiędzy
elementami
(2) SYSTEM robi coś, co pozwala go wyróżnić, to znaczy okazuje rodzaj

zachowania unikatowy dla systemu
(3) Każdy element wnosi swój wkład do zachowania SYSTEMU i ulega wpływom
bycia w SYSTEMIE. Żaden element nie ma niezależnego wpływu na
zachowanie systemu. Zachowanie systemu zmienia się, jeżeli jakikolwiek
element zostanie usunięty lub opuści system
(4) Grupa elementów w obrębie systemu może posiadać, sama w sobie,
właściwości (1), (2) i (3), to znaczy mogą one tworzyć PODSYSTEM
(5) SYSTEM posiada pewne zewnętrze – otoczenie, które dostarcza wejść do

systemu i przyjmuje wyjścia z systemu.
(6) SYSTEM został postrzeżony przez kogoś jako coś wartego specjalnego
zainteresowania, poznania, .....
5
Istotny krok definiowania systemu: wyodrębnienie

systemu z otoczenia
Wyodrębnienie systemu z określenie wielkości

otoczenia: wejściowych i wyjściowych
wiążących system z
otoczeniem
Spojrzenie na system typu: wejście – wyjście

Modele: wejście - wyjście

6
Systemy statyczne - wartości wielkości wejściowych w chwilach innych niż

bieżąca chwila t nie mają wpływu na wartości wielkości wyjściowych w tej chwili
Jak rozpoznać system statyczny?
System przejawia właściwości statyczne, jeżeli zawiera jedynie

elementy posiadające zdolność rozpraszania i/lub przekształcania
energii

7
Przykłady: Uf
Uwe1
if Rf
R1 i1 ig
-
Uwe1 eg - K
Uwe2 +
Uwy
R2 i2 iwe(t)
Uwe2
iwy (t)
uwe(t) Rp
Inne przykłady: uwy (t)
Rw
- dźwignia dwuramienna
- prasa hydrauliczna
- przekładnia zębata

8
System dynamiczny
Fakt: prawie każdy system rzeczywisty jest systemem
dynamicznym
Jak przejawia się dynamika systemu?
Na wartości wielkości wyjściowych systemu w chwili t, mają wpływ nie tylko

wartości wielkości wejściowych w tej właśnie chwili, ale również ich
wartości w chwilach wcześniejszych od t
Jak rozpoznać systemy dynamiczne?
System przejawia właściwości dynamiczne, jeżeli zawiera elementy

posiadające zdolność magazynowania i oddawania energii

9
Przykłady:

Mn
Mo
Powierzchnia A
Przewodzenie, K
Konwekcja, h
T
Ti L Ts

10
Przykłady: uf
if
uwe Cf
iwe ig
-
eg -K
R
Rwe, Rwy
uwe +
uwy
uR(t) uL(t)
iRL(t) iobc(t)
R L
iC(t)
uwe(t) uC(t) uwy(t)
C

11
Przykłady:
u vt
y
. .

12
Stan systemu dynamicznego

– przypadek bez opóźnień
Przez stan systemu rozumie się najmniejszą liczbę wielkości, znajomość

wartości których w danej chwili t0, przy znajomości wartości wielkości
wejściowych, począwszy od tej chwili t0, pozwala określić jednoznacznie
stan i wielkości wyjściowe systemu w przyszłości.
u(t) t0
;t 
t0 ) ; t
x(t
y(
t);
) t
x( t 0 t0
Spojrzenie na system typu: wejście – stan – wyjście

Modele: w przestrzeni stanów
13
Modele matematyczne i sterowanie
Interesuje nas budowanie modeli, które mogą być zastosowane przy

rozwiązywaniu problemów sterowania
Sterowanie to proces celowego oddziaływania człowieka lub

skonstruowanych przez niego urządzeń na środowisko lub inne
skonstruowane przez niego urządzenie
Na pojęcie sterowania składają się pojęcia szczegółowe:

· proces sterowany,
· ograniczenia sterowania,
· cele sterowania,
· wskaźnik jakości sterowania

14
Proces sterowany - to część otaczającego nas środowiska lub

urządzenie, na które oddziałujemy. Użycie słowa proces podkreśla, że nie
traktujemy oddziaływania i jego skutków chwilowo, statycznie, a interesują nas one
jako przebieg dynamiczny w pewnym przedziale czasu
Ograniczenia sterowania - to te uwarunkowania związane z

procesem sterowanym, które sprawiają, że nie możemy
oddziaływać na ten proces w sposób dowolny
Cel sterowania - to postulowany, pożądany rezultat naszego

oddziaływania. Jeżeli cel sterowania jest osiągalny, to zazwyczaj można go
osiągnąć w różnoraki sposób. Staramy się ocenić, który ze sposobów jest lepszy
Wskaźnik jakości sterowania – jest miarą jakości przebiegu procesu

sterowanego, która umożliwia wybranie sposobu osiągnięcia celu
sterowania

15
Definicja modelu matematycznego problemu sterowania:
Modelem matematycznym problemu sterowania,

będziemy nazywać reprezentację wiedzy o:
- procesie sterowanym,
- celu sterowania,
- ograniczeniach sterowania i
- wskaźnikach jakości sterowania
wyrażoną językiem matematyki (z użyciem symboli i
operatorów matematycznych), pomocną przy
rozwiązywaniu określonego problemu sterowania lub
monitorowania

16
Modelowanie a symulacja
Symulacja
 sztuczne odtwarzanie (np. w warunkach laboratoryjnych;

często za pomocą komputerów) właściwości danego
obiektu, zjawiska lub przestrzeni występujących w
naturze, lecz trudnych do obserwowania, zbadania,
powtórzenia itp.

17
Modelowanie matematyczne – to tworzenie w języku matematyki

reprezentacji systemów hipotetycznych lub istniejących w
rzeczywistości
Symulacja - to eksperymentowanie na modelu badanego systemu,

przy wykorzystaniu oddziaływań i obserwacji mających
swoje odpowiedniki w badanym systemie, przy czym
eksperymentowanie to zapewnia eksperymentatorowi, w
pewnym stopniu, złudzenie kontaktu z systemem
rzeczywistym
Symulacyjny model matematyczny (krótko – model symulacyjny) to

taki model matematyczny, który został zbudowany dla
potrzeb symulacji

18
Model symulacyjny:
 daje możliwość oddziaływania na model systemu
wielkościami mającymi swoje odpowiedniki w badanym
systemie, których efekt oddziaływania chcielibyśmy
obserwować
 daje możliwość obserwacji na modelu systemu wielkości,

które mają swoje odpowiedniki w badanym systemie i które
chcielibyśmy obserwować

19
Etapy modelowania matematycznego

W procesie modelowania matematycznego można wyróżnić kilka podstawowych
etapów:
· Sformułowanie celów i założeń modelowania

· Budowa bazy wiedzy i bazy danych o modelowanym systemie
· Wybór kategorii modelu
· Określenie struktury modelu; budowa modelu
· Identyfikacja modelu
· Algorytmizacja obliczeń z modelem
· Weryfikacja modelu
Dodatek A: Krótka charakterystyka etapów modelowania
Pomiędzy poszczególnymi etapami modelowania występują interakcje – proces

modelowania nie jest procesem o szeregowej strukturze
20
Sprzężenia pomiędzy etapami budowy modelu matematycznego
Problem rozwiązywany z pomocą modelowania matematycznego
Cele i założenia modelowania
Baza wiedzy Baza danych
 Teorie  Kategoria modelu  Dane

 Prawa  Struktura modelu eksperymentalne
 Wiedza  Identyfikacja modelu
empiryczna  Algorytmizacja modelu
 Hipotezy
 Weryfikacja modelu
Model zweryfikowany Zastosowanie

21
Miejsce komputera w procesie modelowania matematycznego

Eksperymentator
Określenie celu modelowania, wybór kategorii modelu,
określenie struktury modelu, wybór algorytmów
System Model matematyczny
Źródło danych Zmiana/modyfikacja

Dane i wiedza o systemie modelu
Dane do identyfikacji, weryfikacji, obliczeń z Algorytmy identyfikacji, weryfikacji,

modelem obliczeń z modelem
Zmiana/modyfikacja
algorytmów
Komputer Wyniki
Narzędzie przetwarzania danych w Przesłanki do

oparciu o określone algorytmy akceptacji lub zmiany

22
Dziękuję
– koniec materiału prezentowanego podczas wykładu

23
Krótka charakterystyka etapów

modelowania
Dodatek A

24
Określenie celów modelowania
Dlaczego jasne określenie celu modelowania jest ważne?

1. ma to bezpośredni wpływ na przebieg i treści procesu modelowania
– różne cele implikują różne problemy jakie trzeba rozwiązać przy
modelowaniu;
2. modelowanie jest najczęściej działalnością interdyscyplinarną –
określenie celu musi być jasne dla wszystkich biorących udział w
modelowaniu;
3. po zbudowaniu modelu musimy ocenić, na ile zadowalająco
postawiony cel został osiągnięty

25
Cele ogólne modelowania systemów

 Opis i wyjaśnienie mechanizmów działania systemu
– model poznawczy
 Przewidywanie zachowania się systemu przy różnorodnych

warunkach oddziaływania otoczenia na system
– model prognostyczny, predykcyjny
 Wybór odpowiednich oddziaływań wejściowych, spełniających

określone warunki i zapewniających pożądane reakcje wyjściowe
– model decyzyjny, wyznaczania sterowań
 w szczególności wybór oddziaływań optymalnych w sensie
wybranego kryterium
- model optymalizacyjny
 Wybór struktury lub parametrów systemu mającego spełniać określone
zadania
– model projektowy, normatywny
26
Wybrane zastosowania modeli:

Model (matematyczny) to matematyczny opis rzeczywistego lub
hipotetycznego systemu (procesu) tworzony z myślą o konkretnym
zastosowaniu (celu)
Wybrane zastosowania interesujące dla automatyka:

(a) Estymacja, w oparciu o pomiary pośrednie, wielkości, których pomiary
są niedostępne;
(b) Predykcja zachowań systemu sterowanego (krótkookresowych,
długookresowych) – sterowanie predykcyjne, sterowanie adaptacyjne;
(c) Sterowanie procesami (regulacja w otoczeniu pewnego nominalnego
punktu pracy, śledzenie trajektorii z znacznymi procesami
przejściowymi, sterowanie optymalne...);
(d) Przetwarzanie sygnałów (likwidacja szumów, filtrowanie (np.
zastosowanie filtru Kalmana wymaga modelu procesu generującego
dane), interpolacja ...);

27
Założenia modelu (wybrane)
§ Granice pomiędzy systemem a otoczeniem, zmienne wejściowe i

wyjściowe, ....
§ Skala czasowa modelu, ....
§ Dokładność zgodności modelu systemu z systemem rzeczywistym, ....
§ Warunki stosowalności modelu, ....

28
Zbieranie informacji o modelowanym

systemie
Wiedza aprioryczna
 Doświadczenie
 Istniejące modele
 Literatura (fakty, zjawiska, teorie, ...)
Dane
 Istniejące dane
 Nowe dane zbierane dla celów budowy modelu

29
Wybór kategorii modelu – krótki przegląd
Wybór kategorii modelu powinien brać pod uwagę:

 cel modelowania,
 przewidywane warunki w jakich model będzie wykorzystywany (zakres
warunków pracy, charakter wejść, komunikacja w innymi elementami systemu
sterowania, ...,
 koszty budowy modelu,
 dostępną informację

30
Kategorie modeli
Powszechnie stosowana klasyfikacja modeli systemów:
Alternatywy dla klasyfikowania modeli systemów
 NIEPARAMETRYCZNE lub PARAMETRYCZNE
Modele nieparametryczne systemu to modele dane w postaci wykresu,

funkcji itp., które niekonieczne opisane być mogą za pomocą skończonej liczby
parametrów (danych)
Modele parametryczne systemu to modele w których dla pełnego opisu

elementu potrzebna jest znajomość na pewno skończonej liczby parametrów
(współczynników)

31
Przykładami modeli nieparametrycznych są:

- charakterystyki czasowe elementu – modelem jest sygnał wyjściowy
wywołany odpowiednim sygnałem wejściowym;
- charakterystyka częstotliwościowe elementu liniowego – modelem jest

zależność amplitudy i fazy sygnału wyjściowego od częstotliwości
sinusoidalnego sygnału wejściowego;
Przykładami modeli parametrycznych są:

- równania różniczkowe wejście – wyjście elementu;
- równania stanu i równania wyjścia elementu;
- równania algebraiczne

32
 FENOMENOLOGICZNE (white – box) lub BEHAWIORALNE (black-box)
Modele fenomenologiczne (lub oparte o wiedzę):
Modele budowane w oparciu o zasady zachowania lub równania równowagi

(dla masy, momentów, energii, ...)
Modele bliskie tym, którzy są po wykładach z fizyki, chemii, elektrotechniki,

mechaniki, hydrauliki, hydrologii bądź z innych dziedzin
Cecha:
Struktura modelu pozostaje w zasadniczym związku ze strukturą procesów a
parametry modelu posiadają fizykalną interpretację

33
Modele behawioralne – modele budowane w oparciu o zebrane dane

pomiarowe, modele które jedynie aproksymują obserwowane
zachowanie się systemu, nie wymagając w tym celu żadnej wiedzy a
priori o procesach generujących te dane
Cecha:
Struktura modelu nie musi pozostawać w żadnym zasadniczym
związku ze strukturą procesów a parametry nie posiadają żadnej
fizykalnej interpretacji

34
¨ STATYCZNE lub DYNAMICZNE
Systemy statyczne składają się z elementów zdolnych co najwyżej

przekazywać energię, masę, informację bez strat lub ze stratami – dają się
opisywać m.in. za pomocą układów równań algebraicznych – ciągłych lub
dyskretnych
Dla systemów statycznych możemy budować tylko modele statyczne
Systemy dynamiczne zawierają elementy zdolne gromadzić i oddawać

energię, masę, informację – mogą być opisywane m.in. za pomocą układów
równań różniczkowych lub różnicowych
Dla systemów dynamicznych możemy budować modele dynamiczne i statyczne
Jeżeli interesują nas jedynie stany równowagi systemu dynamicznego, w

których dany system może się znajdować, to możemy ograniczyć się dla
takiego systemu dynamicznego do modelu statycznego

35
 LINIOWE lub NIELINIOWE

Będziemy rozróżniali dwa rodzaje liniowości: (i) liniowość względem
wejść (LI - linear in its inputs), (ii) liniowość względem parametrów
(LP – linear in its parameters)
Dla systemów liniowych możemy zbudować tylko model liniowy
Dla systemów nieliniowych możemy budować model nieliniowy lub

liniowy (zlinearyzowany)

36
 Z CZASEM CIĄGŁYM lub Z CZASEM DYSKRETNYM

Systemy mogą być systemami czasu ciągłego lub czasu dyskretnego
Dla systemów czasu dyskretnego możemy zbudować tylko model czasu

dyskretnego
Dla systemów czasu ciągłego możemy zbudować model czasu ciągłego

lub model czasu dyskretnego
Modele z czasem ciągłym
Przyjmuje się na ogół, że badane procesy ewoluują w czasie ciągłym –

stąd naturalna tendencja do stosowania modeli danych równaniami
różniczkowymi, w szczególności różniczkowymi modelami w przestrzeni
stanu
d
x t   f x , u ,t , p , x 0   x0  p 
dt
y m t   hx , u ,t , p 

37
Modele z czasem dyskretnym
Wprowadzenie techniki komputerowej (cyfrowej) zainicjowało

stosowanie modeli z czasem dyskretnym
Model w przestrzeni stanu z czasem dyskretnym ma postać
x t  1  f x t , ut ,t , p, x 0   x0  p 

y m t   hx t , ut ,t , p
gdzie t jest całkowitoliczbowym indeksem czasu, który odpowiada

czasowi rzeczywistemu t·T, jeżeli rozważany system z czasem
ciągłym jest próbkowany z okresem T

38
 DETERMINISTYCZNE lub NIEDETERMINISTYCZNE

Systemy mogą być deterministyczne lub niedeterministyczne
W systemach deterministycznych, charakteryzujące ich cechy i

zachowanie, parametry i zmienne przyjmują jednoznacznie określone
wartości
W systemach niedeterministycznych, co najmniej jeden parametr lub

jedna zmienna przyjmują niejednoznaczne (niepewne) wartości
Dla systemów deterministycznych możemy zbudować tylko modele

deterministyczne
Dla systemów niedeterministycznych możemy zbudować model

niedeterministyczny lub deterministyczny

39
 DETERMINISTYCZNE lub NIEDETERMINISTYCZNE – c.d.
W modelach deterministycznych wielkościom i współczynnikom

przypisywane są określone wartości
W modelach niedeterministycznych co najmniej jedna wielkość lub

współczynnik ma niepewne wartości

40
 O PARAMETRACH SKUPIONYCH lub ROZPROSZONYCH

Systemy mogą być o parametrach skupionych i o parametrach
rozproszonych
W systemach o parametrach skupionych ich parametry i zmienne mogą

zmieniać się tylko w czasie
W systemach o parametrach rozproszonych ich parametry i zmienne

mogą zmieniać się w czasie i w przestrzeni
Opis systemów o parametrach skupionych może być dany tylko za

pomocą modelu o parametrach skupionych – dla systemów czasu
ciągłego będą to równania różniczkowe zwyczajne
Opis systemów o parametrach rozproszonych może być dany albo za

pomocą modelu o parametrach rozproszonych – dla systemów czasu
ciągłego będą to równania różniczkowe cząstkowe, lub za pomocą
modelu o parametrach skupionych
41
¨ ZMIENNE W CZASIE lub NIEZMIENNE W CZASIE

(NIESTACJONARNE LUB STACJONARNE)
Systemy mogą być stacjonarne lub niestacjonarne
W modelach niestacjonarnych co najmniej niektóre współczynniki

(parametry modelu) są funkcjami czasu, w modelach systemów
stacjonarnych są stałe

42
Budowa modelu matematycznego
Przetworzenie całej istotnej z punktu widzenia celów modelowania wiedzy i

danych o systemie w niesprzeczny układ symboli i operatorów
matematycznych
Praktyczne wymagania jakie musimy starać się spełnić przy budowie

modelu:
 zgodność z modelowanym systemem w zakresie interesujących nas
właściwości, zależności
 łatwość użytkowania modelu zgodnie z przeznaczeniem

43
Identyfikacja modelu matematycznego
Identyfikację modelu przeprowadzamy, gdy:

wiedza teoretyczna o systemie nie wystarcza do nadania
modelowi postaci umożliwiającej wykonanie w oparciu o ten
model obliczeń; nie wystarcza do określenia niektórych lub
wszystkich współczynników tego modelu
Identyfikacja modelu (parametrów modelu) to:

wyznaczenie ocen statystycznych (lub innych) – estymatorów
wartości nieznanych parametrów drogą odpowiedniego
przetworzenia danych eksperymentalnych (pomiarowych,
doświadczalnych)

44
Identyfikacja modelu matematycznego – c.d.
Wyróżniamy identyfikację:
 bierną, czynną
 jednorazową, bieżącą (okresową, ciągłą
Identyfikacja:
 bierna – polega na gromadzeniu danych doświadczalnych
(pomiarowych) podczas normalnej pracy systemu, a następnie
przetworzenie jej odpowiednimi metodami w celu wyznaczenia
estymatorów nieznanych parametrów
 czynna – polega na odpowiednim zaplanowaniu (plan oddziaływań

wejściowych systemu) i przeprowadzeniu eksperymentu
identyfikacyjnego, którego wyniki służą następnie do wyznaczenia
odpowiednimi metodami estymatorów nieznanych parametrów
45
Identyfikacja modelu matematycznego – c.d.
Identyfikacja:
 jednorazowa – system o parametrach stacjonarnych
 bieżąca (okresowa, ciągła) – system o parametrach

niestacjonarnych
Parametry modelu muszą być dobrane zgodnie z pewnym kryterium,

zwykle przez optymalizację tego kryterium
Jeżeli kilka struktur rywalizuje do opisu tych samych danych, ich dobroć
będzie również porównywana z pomocą kryterium

46
Jak budujemy kryterium?
Różnica pomiędzy wyjściami systemu i modelu
e y t , p   y t   y m t , p 
jest nazywana błędem wyjścia / dopasowania
Błąd wyjścia / dopasowania jest argumentem wszystkich kryteriów

jakości modelu

47
Algorytmizacja obliczeń
Najczęściej spotykane zadania obliczeniowe przy stosowaniu modeli

matematycznych:
 rozwiązywanie równań
 rozwiązywanie nierówności
 rozwiązywanie zadań optymalizacyjnych
 przetwarzanie wyrażeń matematycznych

48
Weryfikacja modelu matematycznego
Weryfikacja modelu
to
porównanie wyników modelowania z:
¨ zachowaniem się systemu rzeczywistego, lub
¨ wynikami z modelu wzorcowego
z punktu widzenia ich zgodności z wiedzą teoretyczną i/lub z wynikami
badań doświadczalnych

49
Weryfikacja modelu matematycznego – c.d.
Przystępując do weryfikacji należy ustalić kryteria, które będą

stosowane dla oceny zgodności (ustalenia przyczyn niezgodności)
Wyróżnia się dwie grupy kryteriów:

 wewnętrzne
 zewnętrzne

50
Kryteria wewnętrzne – dotyczą tzw. wewnętrznych cech modelu
Należą do tych kryteriów:

 zgodność formalna – brak sprzeczności koncepcyjnych,
logicznych i matematycznych
 zgodność algorytmiczna – poprawność użytych operatorów,
algorytmów zapewniająca efektywne wykonywanie obliczeń z
wymaganą dokładnością

51

Kryteria zewnętrzne – dotyczą celów modelowania i zgodności modelu z
wynikami badań eksperymentalnych
Należą do tych kryteriów:

 zgodność heurystyczna – dotyczy walorów badawczych modelu:
możliwości interpretacji za jego pomocą określonych zjawisk
zachodzących w systemie, sprawdzenia postawionych hipotez,
formułowania nowych zadań badawczych
 zgodność pragmatyczna – dotyczy bezpośredniej zgodności
wyników z modelu systemu z danymi z systemu rzeczywistego;
stwierdzenie tej zgodności wymaga przede wszystkim
porównania wielkości wyjściowych z modelu i z systemu
rzeczywistego

52

Schemat weryfikowania zgodności pragmatycznej
Zakłócenia Uwaga:
 Weryfikacja zgodności
pragmatycznej modeli
Model systemów nie istniejących,
zakłóceń np. znajdujących się w
stadium projektowania nie
jest w zasadzie możliwa
Wielkości
wejściowe
SYSTEM
Wielkości Kryteria
wyjściowe zgodności
MODEL
Wynik
weryfikacji
53

Rodzaje zgodności pragmatycznej
 model jest zgodny replikatywnie, jeżeli stwierdzono jego zgodność
z systemem korzystając podczas weryfikacji z tych samych
danych, na podstawie których dokonano identyfikacji modelu
 model jest zgodny predykatywnie, jeżeli stwierdzono jego
zgodność z systemem korzystając podczas weryfikacji z innych
danych, niż te na podstawie których dokonano identyfikacji
modelu; na podstawie danych zebranych w innych warunkach
 model jest zgodny strukturalnie, jeżeli stwierdzono jego

zgodność z systemem nie tylko dla wartości wielkości
wyjściowych, ale stwierdzono też zgodność mechanizmów
przetwarzania wielkości wejściowych w wyjściowe
54
Procedura weryfikacji pragmatycznej poza testami zgodności (w sensie

odległości wyjść modelu i systemu) powinna przewidywać analizę
wrażliwości
Analiza wrażliwości polega na badaniu zmian wielkości (zmiennych)

modelu przy zmianach samego modelu (głównie jego parametrów).
Od dobrego modelu wymaga się, aby małe zmiany parametrów modelu
wywoływały jedynie małe zmiany jego wielkości (zmiennych).

55
Koniec zestawu slajdów

56

MiI 2018 2019 MW01b Wprowadzenie

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

MiI 2018 2019 MW01b Wprowadzenie

Uploaded by

Copyright:

Available Formats

Przedmiot: Modelowanie i identyfikacja

Tytuł materiału wykładowego: Wprowadzenie (repetytorium MiPI)

Kierunek: Automatyka i robotyka - studia stacjonarne 2 stopnia

Kazimierz Duzinkiewicz, dr hab. inż., prof. nadzw. PG

Definicja modelu matematycznego:

W odniesieniu do modelowanego istniejącego lub hipotetycznego fragmentu

Zwięzła definicja systemu:

Zbiór elementów/obiektów których właściwości chcielibyśmy badać

Idee wokół których budowane jest pojecie systemu:

 wyodrębnienie systemu z otoczenia

Wybrane krótkie definicje systemu:

SYSTEM (definicja przyrodnicza) jest to zbiór współdziałających ze sobą

SYSTEM (definicja cybernetyczna) jest to składająca się z elementów funkcjonalna

Wydział: Elektrotechniki i Automatyki

Rozbudowana definicja systemu:

(2) SYSTEM robi coś, co pozwala go wyróżnić, to znaczy okazuje rodzaj

(5) SYSTEM posiada pewne zewnętrze – otoczenie, które dostarcza wejść do

Istotny krok definiowania systemu: wyodrębnienie

Wyodrębnienie systemu z określenie wielkości

Spojrzenie na system typu: wejście – wyjście

Wydział: Elektrotechniki i Automatyki

Systemy statyczne - wartości wielkości wejściowych w chwilach innych niż

Jak rozpoznać system statyczny?

System przejawia właściwości statyczne, jeżeli zawiera jedynie

Wydział: Elektrotechniki i Automatyki

Wydział: Elektrotechniki i Automatyki

Jak przejawia się dynamika systemu?

Na wartości wielkości wyjściowych systemu w chwili t, mają wpływ nie tylko

Jak rozpoznać systemy dynamiczne?

System przejawia właściwości dynamiczne, jeżeli zawiera elementy

Wydział: Elektrotechniki i Automatyki

Wydział: Elektrotechniki i Automatyki

Wydział: Elektrotechniki i Automatyki

Wydział: Elektrotechniki i Automatyki

Stan systemu dynamicznego

Przez stan systemu rozumie się najmniejszą liczbę wielkości, znajomość

Spojrzenie na system typu: wejście – stan – wyjście

Modele matematyczne i sterowanie

Interesuje nas budowanie modeli, które mogą być zastosowane przy

Sterowanie to proces celowego oddziaływania człowieka lub

Na pojęcie sterowania składają się pojęcia szczegółowe:

Wydział: Elektrotechniki i Automatyki

Proces sterowany - to część otaczającego nas środowiska lub

Ograniczenia sterowania - to te uwarunkowania związane z

Cel sterowania - to postulowany, pożądany rezultat naszego

Wskaźnik jakości sterowania – jest miarą jakości przebiegu procesu

Wydział: Elektrotechniki i Automatyki

Definicja modelu matematycznego problemu sterowania:

Modelem matematycznym problemu sterowania,

Wydział: Elektrotechniki i Automatyki

 sztuczne odtwarzanie (np. w warunkach laboratoryjnych;

Wydział: Elektrotechniki i Automatyki

Modelowanie matematyczne – to tworzenie w języku matematyki

Symulacja - to eksperymentowanie na modelu badanego systemu,

Symulacyjny model matematyczny (krótko – model symulacyjny) to

Wydział: Elektrotechniki i Automatyki

 daje możliwość obserwacji na modelu systemu wielkości,

Wydział: Elektrotechniki i Automatyki

Etapy modelowania matematycznego

· Sformułowanie celów i założeń modelowania

Dodatek A: Krótka charakterystyka etapów modelowania

Pomiędzy poszczególnymi etapami modelowania występują interakcje – proces

Sprzężenia pomiędzy etapami budowy modelu matematycznego