účel: Uveďte myšlienku aktívnych a pasívnych metód štrukturálnej a parametrickej identifikácie, typických štruktúr kontrolného objektu, ich vlastností.

Hlavné definície

Model - podmienený obraz študijného objektu získaného s cieľom zobraziť charakteristiky predmetu zdôvodnené pre výskumníka. Modely môžu byť fyzické (napríklad redukovaný model lode na štúdium jeho hydrodynamických vlastností v špeciálnom bazéne) a matematické. Mathematické modely môžu byť:
- symbolické (vo forme matematických vzorcov);
- grafika;
- prevádzkové a opisné (špecifikované napríklad vo forme algoritmov);
- topologické alebo ikonografické (nastavené vo forme grafu alebo určitej schémy).

Modelovanie - Metóda výskumných procesov alebo javov na ich modeloch (matematické alebo fyzické).

Matematický modelovanie- spôsob štúdia procesov alebo javov budovaním ich matematických modelov a štúdií týchto modelov pomocou výpočtovej techniky.

Simulačné modelovanie-Metody matematického modelovania, v ktorom priama substitúcia čísel napodobňuje vonkajšie vplyvy (často náhodné), parametre a variabilné procesy, v matematických modeloch objektov.

Identifikácia modelu - V súlade s GOST 20913-75, toto určenie parametrov a štruktúr matematického modelu, ktorý zabezpečuje najlepšiu náhodnú koordináciu výstupných súradníc objektu a modelu s rovnakými vstupnými vplyvmi. Inými slovami, identifikácia je postup na vytvorenie objektu modelu podľa merania a spracovania vstupných a výstupných signálov objektu. Prístup k výstavbe modelu založený na identifikácii sa tiež nazýva experimentálny prístup, na rozdiel od analytického, ak je model odvodený na základe základných zákonov fyziky, chémie, elektrotechniky, materiálu alebo energetickej bilancie.

"Čierna krabica" - systém, ktorý, s neznámou vnútornou organizáciou, štruktúrou a správaním prvkov, je možné pozorovať reakciu výstupných hodnôt na zmenu vstupných účinkov. Ak je známa štruktúra objektu, potom sa používa termín "šedý box".

Parametrická identifikácia - určenie parametrov modelu v danej štruktúre.

Predchádzajúci model -model postavený pred začiatkom špeciálnych experimentálnych štúdií.

Zadný model -model získaný alebo rafinovaný podľa výsledkov experimentálnych štúdií.

Klasifikácia identifikačných metód

V závislosti od prijatého klasifikácie je možné vybrať a skupinové prístupy a metódy identifikácie rôznymi spôsobmi. Zvážte rôzne typy klasifikácie.
1. Klasifikácia pokiaľ ide o zdrojové informácie o testovacom objekte :

• Metódy neparametrickej identifikácie (identifikácia v širokom zmysle), keď je objektová štruktúra neznáma.
• Metódy parametrickej identifikácie (identifikácia v úzkom zmysle), keď existuje úloha hodnotenia parametrov modelu známej štruktúry.

2. Klasifikácia podľa typu experimentu :

• Aktívne metódy experimentu. Je možné cielene vytvoriť vstupné účinky na štúdium predmetu. Ak chcete získať statické modely, existuje celý vedecký smer, ktorý sa tiež nazýva - "plánovanie experimentu".
• Metódy pasívneho experimentu. V tomto prípade môže výskumný pracovník pozorovať a spracovať vstupné a výstupné signály objektu, ale nemôže zasiahnuť vo svojej prevádzke. Všimnite si, že pasívny experiment je možný takmer vždy, ale nie je možné vykonať aktívny experiment pre mnoho študovaných objektov a procesov.

3. Klasifikácia v závislosti od typu kritéria ktorý je hodnotený blízkosťou modelu skutočného objektu. Zvyčajne používali bezohľadnú odchýlku medzi výstupom modelu a objektom, ale môžu existovať iné prístupy, a preto iné metódy identifikácie.

4. Klasifikácia o operačnom opise modelu :

• Metódy retrospektívnej identifikácie. V tomto prípade sa experiment uskutočňuje najprv, sú štatistické údaje zhromažďujú a potom sa spracúvajú, v dôsledku toho sa získa model objektu.
• Adaptívne identifikačné metódy alebo identifikácia tempom s časom. Identifikačné algoritmy sú zahrnuté do systému riadenia. Objektový model sa prepočíta s výskytom nových údajov.

5. Klasifikácia typ Štúdia predmetu alebo jeho model. Všeobecne platí, že trieda triedy musí zodpovedať študovaniu objektu, ale často sa model získava jednoduchší ako skutočný objekt. V teórii automatickej kontroly sa napríklad namiesto nelineárneho modelu používa linearizovaný model, opisuje správanie systému nie je v celom rozsahu jeho prevádzky, ale len v okolí pracovného bodu. Zároveň môžu existovať objekty, kde je nelinearita veľmi dôležitá, a samozrejme, model takéhoto systému by mal byť nelineárny. Študované objekty teda môžu byť:

• lineárne a nelineárne;
• stacionárne a nonstationary;
• jednorozmerné a multidimenzionálne;
• s koncentrovaným a distribuovanými parametrami;
• nepretržité a diskrétne;
• statické a dynamické;
• deterministické a stochastické, atď.

Stochastické objekty naznačujú určitú neistotu v sebe, takže sú potrebné pravdepodobnostné metódy na posúdenie správania takýchto objektov. Zároveň, pri spracovaní výsledkov merania, takmer vždy sa musí vysporiadať s náhodnými chybami a chybami, ale objekt, ktorý sa bude študovať, zostáva deterministický.

6. Klasifikácia za pozri matematický model . V teórii riadenia sa používajú rôzne typy matematických opisov rovnakého objektu: diferenciálne rovnice, prevodové pomery, hmotnosť (pulzné prechodné) funkcie, prechodné funkcie, frekvenčné charakteristiky. Preto môžete klasifikovať metódy identifikácie podľa zistenia, ktorého druh modelu sú zamerané.

7. Klasifikácia použitým mu matematické prístroje . Na výstavbu matematických modelov, korelačných metód, regresnej analýzy, frekvenčné metódy, teória odhadu, grafoanalytické metódy a mnoho ďalších častí modernej teórie riadenia.

Postup identifikácie systému

Výstavba modelov podľa pozorovaní obsahuje tri hlavné zložky:

1. Údaje o pozorovaní. Vstup a výstup je niekedy zaznamenaný v procese vykonávania cieľových identifikačných experimentov, keď užívateľ môže definovať zoznam a momenty meracích signálov a niektoré vstupné signály môžu byť zvládnuteľné. Úlohou experimentovacieho plánovania, teda, je zváženie možných obmedzení, vybrať najinmatívnejšie údaje na systémových signáloch. V niektorých prípadoch môže byť užívateľ zbavený možnosti ovplyvniť priebeh experimentu a mal by sa spoľahnúť na údaje o normálnej prevádzke.

2. Mnoho modelov. Mnohé kandidátske modely sú stanovené stanovením tejto skupiny modelov, v rámci ktorého budeme hľadať najvhodnejšie. Nepochybne je to najdôležitejšie a zároveň najťažšie časť identifikačného postupu. V tomto štádiu sa musia znalosť formálnych vlastností modelov kombinovať s priori vedomosťami, inžinierstvom a intuíciou. Mnohé modely sa niekedy stáva výsledkom dôkladného modelovania, po ktorom sa založené na zákonoch fyziky a iných spoľahlivých poznatkov, tvorí model, vrátane fyzických parametrov s ešte definovanými hodnotami. Ďalšou možnosťou je použitie štandardných lineárnych modelov bez akéhokoľvek fyzického odôvodnenia. Mnohé takéto modely, v ktorých sa parametre sú považované za primárne ako rôzne prostriedky na nastavenie modelov na dostupné údaje a neodrážajú fyziku procesu, nazývaný "čierny box". Mnoho modelov s prispôsobiteľnými parametrami umožňujúcimi fyzickú interpretáciu sa nazývajú "šedé boxy".

3. Definícia založená na "Best" modelu množiny viacerých. Táto časť je skutočná metóda identifikácie. Kvalita kvality modelu je spravidla spojená so štúdiou správania modelov v procese ich používania na prehrávanie údajov o meraní.

Potvrdiť model. V dôsledku implementácie všetkých troch stupňov identifikačného postupu získame konkrétny model: jedna zo súpravy, s takým, že v súlade s vybraným kritériom, najlepšie reprodukuje tieto pozorovania.

Zostáva skontrolovať, či je "je celkom dobrý" model, t.j. Vykonáva model svoj účel. Takéto kontroly sú známe ako postupy potvrdenia modelu. Patrí medzi ne rôzne postupy na posúdenie súladu modelov týchto pripomienok, priori informácie a aplikovaný cieľ.

Neuspokojivé správanie modelu pre každú z týchto zložiek nás robí opustením modelu, zatiaľ čo jeho dobré fungovanie vytvára určitý stupeň dôvery v modeli. Model sa nikdy nemôže považovať za konečný a pravdivý opis systému. Je skôr možné považovať za spôsob spravodlivého dobrého opisu týchto aspektov správania systému, ktorý predstavuje najväčší záujem.

Postup identifikácie systému generuje nasledujúcu prirodzenú logiku akcie: 1) na zhromažďovanie údajov; 2) Vyberte viacero modelov; 3) Vyberte si najlepší model v tejto súprave. Je však pravdepodobné, že prvý z prvých modelov, ktoré boli nájdené kontroly na potvrdzovacom štádiu. Potom musíte vrátiť a revidovať rôzne kroky postupu.

Existuje niekoľko dôvodov pre nedokonalosť modelov:

Numerická metóda vám nedovoľuje nájsť najlepší model pre vybrané kritériá;

Kritérium je bohužiaľ zvolené;

Rôzne modely sa ukázali byť chybné v tom zmysle, že v tejto množine nie je "dostatočne dobrý" opis systému;

Mnohé pozorovacie údaje nebolo dostatočne informatívne na zabezpečenie výberu dobrých modelov.

V podstate hlavná vec v identifikačnom aplikáciách je iteratívne riešenie všetkých týchto problémov, najmä tretí, založený na priori informácie a výsledky predchádzajúcich pokusov.

Modely kontrolného objektu

Testový signál musí byť vybraný s takýmto spektrálnym charakteristikou existujúca hodnota signálu V každom intervale frekvencie mnohokrát prekročili vhodný rozsah rušenia. Hraničná frekvencia spektra testovacieho signálu musí byť vyššia ako najväčší pól funkcie prenosu objektu v absolútnej hodnote objektu. Ak chcete získať dobrý pomer signálu k šumu, amplitúda charakteristika spektra testovacieho signálu by nemala mať silné zlyhania vo frekvenčnej oblasti, aby sa zabezpečil dostatočne veľký pomer signálu k šumu.

Na obr. 4 znázorňuje najbežnejšie testovacie účinky a ich spektrálne charakteristiky.

Obr. 4. Typické účinky testov: A - stupňovité; B - obdĺžnikový impulz; B - dvojitý obdĺžnikový impulz; G - sinusoidálny

Horná hraničná frekvencia spektra testovacieho signálu je zvolená nad frekvenciou ω 180, na ktorej je fázový posun výstupného sínusového signálu objektu vzhľadom na vstup je -180˚.

Dolná hranica rozsahu, v ktorej je potrebné presne identifikovať funkciu prenosu objektu, by mala byť približne rádovo pod frekvenciou ω 180.

Šírka spektra a výkon skúšobného signálu významne ovplyvňujú presnosť identifikácie. Všeobecne platí, že silnejšie a širokopásmové signály umožňujú určiť väčší počet parametrov prenosovej funkcie.

Je zrejmé, že žiadny z vyššie uvedených signálov plne nespĺňa uvedené požiadavky. Aby sa zvýšila presnosť identifikácie, môže sa tiež odporučiť vykonávať experimenty s stupňovitými účinkami a potom s dvojitým pulzom.

Vážení čitatelia. V súčasnosti je proces identifikácie dynamických systémov vypláca veľa pozornosti. Na tejto téme je napísaná mnoho disertácií, diplomov a vedeckých publikácií. V rôznych literatúre je veľa vecí napísaných o identifikácii, sú prezentované rôzne modely a metódy. Ale všetko pre priemerného muža sa nezobrazí okamžite. Budem sa snažiť v tomto článku vysvetliť, ako vyriešiť problém parametrickej identifikácie, keď je technický systém (objekt) opísaný systémom diferenciálnych rovníc s použitím metódy MNK.

Niektoré z teórie

Najprv musíte pochopiť, čo je dynamický systém. Ak poviete čo najjednoduchšie, toto je systém, ktorého menia parametre v priebehu času. Čítaj viac. Prakticky akýkoľvek dynamický systém môže byť opísaný diferenciálnou rovnicou akéhokoľvek poriadku, napríklad:

Tento systém diferenciálnych rovníc je charakterizovaný svojimi parametrami. V našom prípade to a., b., c. a d.. Môžu to byť statické aj dynamické.

Čo znamenajú tieto koeficienty?

S odkazom na skutočné fyzikálne dynamické systémy majú tieto koeficienty diferenciálnej rovnice špecifickú fyzickú väzbu. Napríklad v systéme orientácie a stabilizácie kozmickej lode, môžu tieto koeficienty zohrávať inú úlohu: koeficient statickej rezistencie, koeficient účinnosti palubného riadenia, koeficient schopnosti zmeniť trajektóriu atď. Čítaj viac.

Takže tu je úloha parametrická identifikácia Toto určuje tieto veľmi parametrické koeficienty. a., b., c. a d..

Úloha pozorovania a merania

Stojí za zmienku, že na vyriešenie problému parametrickej identifikácie je potrebné získať "merania" jednej (alebo všetkých) súradnice fázy (v našom prípade je X 1 a (alebo) x 2).

Aby systém bol identifikovaný, je potrebné dodržiavať. To znamená, že hodnosť sprievodcu matricou by sa mala rovnať poradí systému. Viac o pozorovateľnosti.

Pozorovanie procesov vyskytujúcich sa v objekte sa vyskytuje takto: \\ t

• w. - vektor pozorovaných parametrov;
• H. - Komunikačná matica stavových parametrov a pozorovaných parametrov;

- Zložka šumu (všetky chyby pozorovania sú skryté);

Prečítajte si viac o vektoroch a matriciach

Dynamický systém, ktorý sme opísali vyššie, môžu byť reprezentované vo forme vektorovej matrice:
Kde:

- Zložka šumu.

Meranie procesov vyskytujúcich sa v objekte je opísané takto:

Ako vidíme chybu merania môže byť aditívna (v prvom prípade) a multiplikátori (v druhom)

Úlohu identifikácie

Zvážte riešenie problému parametrickej identifikácie v prípade, keď nie je známy jeden koeficient. Zapojme sa na konkrétny príklad. Nech je uvedený nasledujúci systém:

Je možné vidieť, že parametre sú rovnaké b \u003d 1., c \u003d 0,0225 a d \u003d -0.3.. Parameter a. Nie sme známe. Pokúsme sa mu dať odhad pomocou metódy najmenších štvorcov.

Úloha je nasledovná: podľa dostupných vzorových údajov o pozorovaní nad výstupnými signálmi s diskrétnym intervalom Δt. Vyžaduje sa odhadnúť hodnoty parametra, ktorý poskytuje aspoň hodnotu zostatkovej funkcie medzi modelom a skutočnými údajmi.

Kde - odkapávanie definované ako rozdiel medzi výstupom študijného objektu a reakciou vypočítanou na matematickom modeli objektu.

Posúdenie nepresností modelovej štruktúry, chýb merania a nezvyčajné interakcie média a objektu. Bez ohľadu na povahu vznikajúcich chýb, najmenšia metóda štvorcová Minimalizuje súčet kvadratického zvyškového pre diskrétne hodnoty. V zásade MNN nevyžaduje žiadne informácie o zasahovaní. Aby sa odhaduje, že odhady majú požadované vlastnosti, predpokladáme, že rušenie je náhodným procesom typu bieleho hluku.

Hodnotenie na metóde najmenších štvorcov minimalizuje kritériá J., Je to od podmienky minimania funkčnosti:

Dôležitou vlastnosťou odhadov MNA je existencia len jedného miestneho minimum, ktoré sa zhoduje s globálnou, je existencia len jedného miestneho minima. Hodnotenie je preto jediným. Jeho hodnota sa stanoví zo stavu funkčnosti extrémnej hodnoty. J.:

To znamená, že je potrebné vziať odvodenie z funkčného derivátu a. a rovnotovať ho na nulu.

Upozorňujeme, že ide o "merané" hodnoty fázových súradníc a (alebo) a sú súradnice fáz a (alebo) vypočítané podľa matematického modelu objektu. Ale koniec koncov, v modeli objektu zastúpeného vo forme systému diferenciálnych rovníc, a nie explicitne. Aby sme sa zbavili tohto šialenstva, je potrebné vyriešiť tento systém diferenciálnych rovníc so špecifikovanými počiatočnými podmienkami.

Môžete vyriešiť "manuálne" a používať akýkoľvek softvér. Nižšie sa zobrazí roztok v MATLAB. V dôsledku toho by sa mal získať systém algebraických rovníc pre každý čas:

Potom nahradí namiesto zmyslu "meranej" súradnice fáz, nájdeme odhad parametra pre každý bod v čase.

Kde sa tieto "merané" hodnoty fázových súradníc?

Vo všeobecnosti sú tieto hodnoty prevzaté z experimentu. Keďže sme však nevykonali žiadny experiment, tieto hodnoty berieme z numerického riešenia nášho systému diferenciálnych rovníc pomocou Runge-Kutta 4-5 objednávky. Vyberte parameter

Riešenie nájdete vstavané funkcie matlab. Čítaj viac. Roztok tejto metódy je uvedený nižšie.

% Naznačujeme typ premenných
Syms x (t) y (t) a
% riešením systému za počiatočných podmienok
S \u003d DSOLVE (DIFF (X) \u003d\u003d A * X + 1 * Y, "X (0) \u003d 20", DIFF (Y) \u003d\u003d 0,0225 * X - 0,3 * Y, "Y (0) \u003d 20") ; \\ T
% Vyberte riešenie prvej fázovej súradnice, pretože je vo svojej rovnici
% obsahuje požadovaný parameter
x (t) \u003d s.x;
% Nájdeme súkromný derivát prvej rovnice podľa parametra A (v
súlad s metódou MNC)
F \u003d diff (x (t), "A");
Teraz trochu zjednodušuje výsledný výraz
S1 \u003d zjednodušenie (f);
% Nastavte variabilné t pole hodnôt t
T \u003d t;
% Nájdite výrazy obsahujúce parameter a pre každý okamih času
Ss \u003d eval (S1);
% V cykle, nahradenie v každej hodnote výrazu "merané"
% prvej fázy súradnice, definujeme parameter a pre každý okamih
% Čas T. Hodnoty "meranej" fázovej súradnice z roztoku na SDU
% Runge-Kutt 4. objednávka
Pre i \u003d 2: 81
SSS (I) \u003d Riešenie (SS (I) \u003d\u003d X (I, 1), A);
Koniec.
Ist \u003d nuly (dĺžka (t), 1);
Ist (1: dĺžka (t)) \u003d - 0,7;
Obrázok; pozemok (T, SSS, "B -", T, IST, "R-");
Legenda ("Vyhodnotenie parametra A", "skutočný význam");
Mriežka;

Podľa plánu modré bodkované Riadok označil hodnotenie parametra a Červená pevná látka Linka je označená priamo "skutočnou" hodnotou parametra modelu. Vidíme, že asi 3,5 sekundy sa proces stabilizuje. Malý rozdiel medzi ratingom parametra a "skutočnou" hodnotu je spôsobená chybami pri riešení systému diferenciálnych rovníc pomocou Runge-Kutta.

Parametrická identifikácia lineárnych objektov

Účel prednášky:

Preskúmajte metódy parametrickej identifikácie lineárnych objektov (statické a dynamické deterministické objekty).

Domnievame sa, že lineárne predmety alebo objekty, ktoré môžu byť dostatočné meradlo aproximácie pre lineárne. V parametrickom prípade je model určený množstvom parametrov, ktoré sa musia vyhodnotiť počas procesu identifikácie. Ak chcete pochopiť neizuálny funkčný postup, zvážte najprv statický deterministický prípad.

14.1 Statické deterministické lineárne modely

Model lineárneho objektu s N vstupmi a m má jednu štruktúru a je opísaná systém lineárnych algebraických rovníc.

Identifikuje m (n + 1) koeficienty c ij, i \u003d 1, ..., m; j \u003d 0, ..., n.

Vo forme Vector má tento systém pohľad

kde X. = (x. 1 , x. 2, ,…, x. n. ) - vchod; Y. = (y. 1 , y. 2, ,…, y. n. ) - výkon; C 0 \u003d (C 10, ..., C M 0);

Informácie o objekte môžu byť reprezentované ako (x j, y j k), k \u003d 1, ..., m,.

C 0 a C sú identifikované.

Zvážte prípad n\u003e 1, m \u003d 1. Prípad M\u003e 1 sa znižuje na opakovanie multifunkčného prípadu.

Tak, alebo

(N + 1) Neznáme koeficienty podliehajú hodnoteniu na základe informácií (XJ, YJ), J \u003d 1, ..., N, kde XJ \u003d (x 1 J, X 2 J, ..., X NJ) - je stav vchodu, y j je reakcia na tento vstup.

Bežný prístup k riešeniu tejto úlohy je vytvoriť výstupy objektov a modelu

, (14.1)

Prijaté n rovnice s (n + 1) neznáme (systém identifikačných rovníc). Tento systém má jedno riešenie, ak je hodnosť matrice

rovná (n + 1).

(14.2)

Toto je možné, ak sa nájdu lineárne nezávislé čiary tejto matrice (n + 1). Preto by sa mal vybrať z NPAR (N + 1) Lineárny reťazec:

V tomto prípade sa roztok (14.1) definuje presnú hodnotu identifikovateľných parametrov (ak je objekt skutočne link).

Všetky počiatočné informácie sa však nepoužívajú. Používame ho. Zavádzame oprávnosť:

kde - Miestne ANBUTTING (na i-thing pair).

Úlohou odhadovania parametrov C je teraz zastúpená ako problém minimalizácie zvyškového (14,3), to znamená, že na zníženie lineárnych algebraických rovníc do systému:

(14.4)

Determinant tohto systému nie je nula, ak je pozícia (14,2) rovná (n + 1).

Roztoky systémov (14.1) a (14,4) sa zhodujú. Prečo túto zložitejšiu metódu používajte, najmä od (14.1) vyžaduje len (n + 1) bod? Prečo sú zvyšok potom - (n + 1) bodov? Ak je objekt skutočne deterministický a lineárny, potom tieto body nie sú potrebné a druhý spôsob by sa nemali uplatňovať. Je však možné, že objekt je takmer lineárny. Potom sa získajú dva body, veľmi hrubý model. Druhý spôsob, ako to bolo, "skrýva" objekt.

Ak je poradie systému (14,4) menej (n + 1)? V tomto prípade:

1. Opakované merania (možno na začiatku stavu systému neboli dostatočne rôznorodé). Ak opäť zlyhá, potom zmeňte štruktúru modelu.

2. Ak chcete znížiť počet identifikovateľných parametrov, to znamená, že eliminácia zváženia jedného zo vstupov, napríklad, ktoré sa mení málo. A tak dlho, ako sa hodnosť (14.2) nezhoduje s jeho rozmerom .

Spektrálne identifikačné metódy sú založené na používaní stroja matricových operátorov. Tieto metódy sú ďalším vývojom frekvenčných metód a sú založené na rozklade signálov predmetu podľa ortronormálnych funkcií, nie nevyhnutne harmonických. Výsledkom identifikácie je definícia jadra integrálnej rovnice objektu, ktorá v najjednoduchšom prípade lineárnych jednorozmerných systémov sa zhoduje s hmotnostnou funkciou. Preto môžu byť tieto metódy tiež pripisované neparametrickým identifikačným metódam.

Spektrálne metódy môžu byť použité na identifikáciu nestacionárnych systémov, ktorých parametre, a najmä jadra integrálnej rovnice, zmena časom.

Parametrická identifikácia

Identifikácia parametrov modelov objektov vám umožňuje okamžite nájsť hodnoty koeficientov modelu objektov podľa nameraných hodnôt riadených Y a ovládanie objektov objektu. Predpokladá, že štruktúra a poradie modelu objektu je už známy. Namerané hodnoty Y a U sú reprezentované ako časové rady, takže parametre sa odhadujú v dôsledku identifikácie Ars. - modely objektu, alebo parametre jeho diskrétneho prevodového pomeru. Poznať koeficienty Ars. - Modely a jej štruktúra sa môžu presunúť do kontinuálnych štruktúrovaných modelov a modelov v štátnom priestore.

V úlohách na identifikáciu parametrov-parametrov sa používajú modely objektu s meraním hluku definovanými prevodovými pomermi a štruktúrou. Vzhľadom na poradie uvedených modelov sa úloha parametrickej identifikácie stochastického systému považuje za určenie odhadov koeficientov polynómov modelu A, B, C a D na výsledkoch vstupných meraní u (t)a výstup y (t). Vlastnosti odhadov (konzistencia, uvoľnenie a účinnosť) závisia od charakteristík vonkajších rušívkov a identifikačnú metódu, s významnou úlohou zohráva typ distribúcie vonkajších prerustí.

Dôležitou výhodou metód parametrického identifikácie je možnosť použitia algoritmov recidívy, ktoré vám umožňujú vykonávať aktuálnu identifikáciu v reálnom čase pri menovitých režimoch objektu. Tieto výhody určili rozšírené používanie metód identifikácie parametrov v úlohách kontroly a automatizácie. Medzi tieto metódy patria: metóda najmenej štvorcov, maximálna metóda pravdivosti a metóda stochastickej aproximácie.

TSME otvorila veľké príležitosti na používanie informácií z objektu na zlepšenie kvality kontroly alebo charakteristiky regulátora. Adaptívne, samo-prispôsobovacie systémy, ktoré implementujú automatické nastavenie systémových parametrov na základe analýzy a spracovania informácií o účinnosti regulačného procesu.

Obr. 9.1. Všeobecný diagram adaptívneho riadiaceho systému (R, U - Vstupy - Parametre).

Prvý blok je skutočným objektom, ktorý je známy. 2. blok je viac-menej presný opis, 3. - zákon riadenia.

Model (druhý blok) - aproximovaný a objekt sa líšia v čase. Zlepšenie modelu sa nazýva identifikácia (zvýšenie jeho presnosti). Identifikácia má 2 strany:

štrukturálne;

parametrické.

Pod štrukturálnou identifikáciou znamená aproximáciu modelovej štruktúry skutočnej tak, že najlepšie odráža objekt. Keďže objekty môžu byť najviac odlišné (mechanické, environmentálne, atď.) Nemožno vymyslieť formálne metódy štruktúry.

4. blok (obrázok 9.1) odráža parametrickú identifikáciu. Parametrická identifikácia je zlepšením hodnôt parametrov modelu, aby sa zvýšila presnosť modelu. Presnosť je vždy chápaná ako rozdiel medzi predpokladaným a tomu, čo dostaneme.

5. blok (obrázok 9.1) prispôsobuje parametrom regulátora.

Prispôsobenie znamená úpravu parametrov regulátora, jeho samoštúdium. Parametre regulátora závisia od parametrov objektu a sú zvyčajne vyjadrené cez ne. Spočiatku, parametre objektu nie sú vždy známe s dostatočným stupňom presnosti alebo "plavák" v čase, ktoré sa uchýli k prispôsobeniu. Adaptácia je preto zmenou charakteristík regulátora - zvyčajne predchádza postup vylepšenia vlastností predmetu podľa výsledkov merania vstupných a výstupných hodnôt, ktoré sa nazýva identifikácia. Identifikácia a adaptácie problémy získali prudký rozvoj v posledných 25-30 rokoch, vďaka rýchlemu zvýšeniu zdrojov digitálnych regulátorov s simultánnym poklesom ich hodnoty.

Hlavným rozlišovacím znakom adaptívnych systémov z systémov s konštantnými parametrami je, že sa môžu automaticky prispôsobiť meniacim sa vonkajším podmienkam, môžu byť vyškolené s nastavením. Používajú sa dve hlavné metódy úpravy nastavenia.

Ak sú k dispozícii meniace sa dynamické vlastnosti objektu pre kontrolu nad nameranými vonkajšími faktormi a je známe, ako musí byť regulátor nakonfigurovaný v závislosti od parametrov objektu, môžete použiť priamy spôsob nastavenia alebo prispôsobenia otvoreného okruhu

Obr. 9.2. (A - Adaptér, R - Regulátor, O - objekt).

Ak sa používajú vlastnosti miery objektu a vyhodnocovanie priamo nie je možné použiť, potom sa použije adaptácia na uzavretom obryse (so spätnou väzbou). V tomto prípade je systém zavedený druhú kontrolnú slučku, ktorá kontroluje nie je správanie objektu, ale podľa štruktúry a parametrov regulátora.

Adaptívne regulátory spätnej väzby možno rozdeliť na dve triedy: samo-stabilizačné regulátory a regulátory s referenčným modelom.

V samo-úpravovom systéme je identifikátor, ktorý neustále určuje parametre objektu a riadiaci korektor, ktorý na základe zadaného optimálneho kritéria porovnáva aktuálne hodnoty parametrov objektu s tými na základe Ktoré funkcie regulátora sa rozhodne zmeniť charakteristiky regulátora a implementuje toto riešenie.

V tomto systéme môžete vybrať kroky:

1. Identifikácia objektu alebo systému ako celku.

2. Výpočet korekcie regulátora.

3. Korekcia (nastavenie) regulátora zmeňte jeho štruktúru.