2010-11-14
Sterowanie Dyskretne
Wykład 5
Klasyfikacja modeli
Modele o jednym wejściu i jednym wyjściu (SISO) – modele wielowymiarowe (MIMO, MISO, SIMO);
Str
t uk
u tu
t r
u y
y mo
m d
o e
d li
Modele liniowe – modele nieliniowe;
Modele parametryczne – modele nieparametryczne; dy
d s
y kretn
t y
n c
y h
Modele stałe w czasie – modele zmienne w czasie;
Modele w dziedzinie czasowej – modele w dziedzinie częstotliwościowej;
Modele z czasem ciągłym – modele z czasem dyskretnym;
Modele o parametrach skupionych – modele o parametrach rozłożonych;
Modele deterministyczne – modele stochastyczne.
2
Sterowanie Dyskretne
Wykład 5
Sterowanie Dyskretne
Wykład 5
Ogólna struktura modelu
Struktury modeli dyskretnych
Wszystkie
stosowane
struktury
lub
modele
są
szczególnymi
Model liniowy stały w czasie może być określony za pomocą: przypadkami rozszerzonego modelu:
• odpowiedzi impulsowej h( i);
−
−
1
−
1
−
−
B( z 1
1
)
C( z 1)
• gęstości widmowej Φ(jω) zakłóceń addytywnych H( z−1) e( i) A( z ) y( i) G
= ( z ) u( i)+ H( z ) e( i) =
u( i)+
e( i)(*)
1
−
1
−
• funkcję gęstości f (·) zakłóce
F ( z )
D( z )
e
ń e( i)
Sygnał wyjściowy y( i) dyskretnego, liniowego modelu dynamicznego: gdzie:
e( i)
A( z- 1), B( z- 1), C( z- 1), D( z- 1), F( z- 1) –
−
y( i) G
= ( z 1
−
) u( i)+ H ( z 1) e( i) wielomiany różnicowe wyrażone:
C ( −1
z
)
−1
−1
− na
A( z
=
) 1 + a z
1
+L+ a z
na
D ( −1
z
)
Gdzie:
−1
−1
− nb
B( z
=
) b z
1
+L+ b z
nb
G(z−1) – transmitancja dyskretna toru sterowania
−1
−1
− nc
u( i)
y( i)
B ( −1
z
)
1
H(z−1) – transmitancja dyskretna toru zakłócenia C( z
=
) 1+ c z
1
+L+ c z
nc
A ( −1
z
)
F ( −1
z
)
u( i) – sygnał wejściowy
−1
−1
− nd
(
=
) 1+ 1
+L+
e( i) – zakłócenie addytywne o wła D z
d z
d
z
ściwościach białego szumu
nd
Ogólna struktura modelu
−1
−1
− nf
F ( z
=
) 1+ f z
1
+L+ f z
3
nf
4
Sterowanie Dyskretne
Wykład 5
Sterowanie Dyskretne
Wykład 5
Model AR
Model MA
Model autoregresyjny AR ( Auto Regressive) otrzymuje się z równania Model o
(*) je
średniej ruchomej MA ( Moving Average) (formuła nierekurencyjna) żeli:
−
otrzymuje się równania (*) jeżeli:
( 1
B z ) = 0
−
−
−
( 1
B z ) = 0
C( 1
z ) =
−
( 1
D z ) = F( 1
z ) =1
−
−
( 1
A z ) =
−
( 1
D z ) = F( 1
z ) =1
1
y =
e
i
i
A( z 1
− )
y
C z 1
−
=
e
i
( ) i
Jest modelem o skończonym czasie trwania odpowiedzi impulsowej FIR
Do projektowania zakłada się strukturę modelu, znajomość wielomianów (ang. Finite Impulse Response), ma liniową fazę o dużej stabilności na, nb, nc, nd, nf oraz czasu opóźnienia nk. Ponadto z doświadczeń wynika, niestety, aby osiągnąć te same właściwości jest wyższego rzędu niż IIR i że nawet złożone procesy przemysłowe w zadowalający sposób można wprowadza znaczne opóźnienie.
opisać dyskretnym modelem dynamicznym o transmitancji rzędu n ≤ 3.
5
6
1
2010-11-14
Sterowanie Dyskretne
Wykład 5
Sterowanie Dyskretne
Wykład 5
Model ARMA
Model ARIMA
Model ARMA ( AutoRegressive and Moving Average) mający część autoregresyjną AR oraz część o średniej ruchomej MA, otrzymuje się z Model ARIMA ( AutoRegresive Integrated Moving - Average) jest równania (*) je
niestacjonarnym modelem gdy
żeli:
ż zawiera część całkującą (sumującą).
−
Tego typu człon występuje wtedy, gdy w mianowniku pojawi się biegun ( 1
B z ) = 0
| p | = 1.
−
( 1
D z ) =
−
F( 1
z ) =1
−
−
C ( z 1)
C( z 1)
y =
e
y =
i
−1 d
i
(1 −
−1
i
i
e
−
z ) D ( z
)
A( z 1)
y = d
− y
Jeżeli:
1
1 − d y
2
2 −⋅ ⋅ ⋅
d
−
y 1
+ e + c e
1
1+ ⋅ ⋅ ⋅
c
+ e
i
−
−
−
−
−
1
i
4
4
4
4
4
i 2
nd 4
4
4
4
4
3
nd
1
i
i 4
4
4
4
2
nc
4
4
4
4
i 3
nc
d = 0 to ciąg stacjonarny, czyli model ARMA, cz
ęść A
R
cz
ęść M
A
d = 1 to ciąg niestacjonarny o zmieniającej się wartości średniej, Jest to model IIR (ang. Infinite Impulse Response) typu rekursywnego d = 2 to ciąg niestacjonarny mający tendencję narastania lub opadania (formuła rekurencyjna, powtórzeniowa), czyli o nieskończonej pamięci, gdyż zawiera informacje o poprzednich stanach wejść i wyjść. Zapewnia on dobre wygładzanie nawet przy małej ilości elementów.
7
8
Sterowanie Dyskretne
Wykład 5
Sterowanie Dyskretne
Wykład 5
Struktury modeli AR, MA, ARMA
Modele ARMA i ARIMA mogą być stosowane do modelowania stacjonarnych szeregów czasowych, tj. szeregów w których występują e( i)
y( i)
e( i)
y( i)
jedynie wahania losowe wokół średniej lub niestacjonarnych C ( −1
z
)
A(1−1
z
)
sprowadzonych do stacjonarnych. Wśród ogółu modeli zaliczanych do tej klasy wyróżnia się trzy podstawowe ich rodzaje:
modele autoregresji,
e( i)
−1
y( i)
C ( z )
modele średniej ruchomej
A( −1
z
)
modele mieszane autoregresji i średniej ruchomej.
9
10
Sterowanie Dyskretne
Wykład 5
Sterowanie Dyskretne
Wykład 5
Model o skończonej odpowiedzi impulsowej (FIR) Sterowany model autoregresji (ARX)
Model FIR ( Finite Impulse Response) otrzymuje się równania (*) jeżeli: Model ARX ( Auto Regressive with Exogenous Input) otrzymuje się
−
−
−
równania (*) jeżeli:
( 1
A z ) =
−
( 1
C z ) = ( 1
D z ) = F( 1
z ) =1
−
−
C( 1
z ) =
−
( 1
D z ) = F( 1
z ) =1
y =
−
B z 1 u + e
−
B( z 1)
i
( ) i i
1
y =
u +
e
i
( −
−
A z 1 ) i
( Az 1) i
e( i)
e( i)
u( i)
y( i)
B ( −1
z
)
A(1−1
z
)
Schemat blokowy modelu FIR
u( i)
−1
y( i)
B ( z )
A( −1
z
)
11
12
Schemat blokowy modelu ARX
2
2010-11-14
Sterowanie Dyskretne
Wykład 5
Sterowanie Dyskretne
Wykład 5
Sterowany model autoregresji o średniej
Przykład modelu ARMAX
ruchomej z sygnałem wejściowym (ARMAX)
Rozpatrzmy model ARMAX w postaci:
Model ARMAX ( AutoRegressive Moving Average with Exogenous
−
−
A( z 1
−
) y( i) = B( z 1 u
) ( i)+ C( z 1 e
) ( i)
Input) otrzymuje się równania (*) jeżeli:
−
( 1
D z ) =
−
F( 1
z ) =1
Gdzie:
1
−
1
−
2
−
3
−
(
A z )= 1+ z
−2 z + z
−
−
B( z 1)
C( z 1)
y =
u +
e
−
−
i
( −
−
1
1
B( z )= 1+ z
A z 1 ) i
( Az 1) i
−1
−1
2
−
C( z
)= 1− 2 z
− 3 z
e( i)
C ( −1
z
)
( − − −
−
−
−
1+ z 1 − 2 z 2 + z 3 ) y( i) = (1+ z 1) u( i)+(1− 2 z 1 − 3 z 2 ) e( i) A ( −1
z
)
u( i)
−1
y( i)
B ( z
)
A ( −1
z
)
13
14
Sterowanie Dyskretne
Wykład 5
Sterowanie Dyskretne
Wykład 5
Po przekształceniach otrzymujemy następująca postać: Model błędu wyjściowego (OE)
y( i) = u( i)− u( i − ) 1 + e( i)− 2 e( i − ) 1 − 3 e( i − 2)−
Model OE ( Output Error ) otrzymuje się równania (*) jeżeli:
−
1
−
1
−
1
y( i − )
1 + 2 y( i − 2)− y( i − 3) (
A z ) =
−
C( z ) = (
D z ) =1
−
B( z 1)
średnia ruchoma
y =
u + e
i
i
autoregresja
Średnia ważona, której wagi są
−
F ( z 1)
i
współczynnikami wielomianu C( z- 1) Z powyższej postaci widać, że sygnał y( i) zależy od sygnału u w e( i)
chwili i i od jego poprzedniej wartości.
y( i)
u( i)
B ( −1
z
)
F ( −1
z
)
Zależy również od sygnału e w chwili i i od jego poprzednich dwóch wartości oraz od poprzednich trzech wartości y.
15
16
Sterowanie Dyskretne
Wykład 5
Sterowanie Dyskretne
Wykład 5
Model Boxa-Jenkinsa (BJ)
Modele systemów wielowymiarowych
Model BJ ( Box-Jenkins) otrzymuje się równania (*) jeżeli: Pełna postać wielomianowa (ARX):
−
( 1
A z ) =1
( −
A z 1 ) y =
−
B z 1 u + e
i
( ) i i
−
−
B( z 1)
C( z 1)
y =
u +
e
i
−
−
ny
nu
ny
y ∈ R , u ∈ R , e ∈ R
F ( z 1) i D( z 1) i i
i
i
(
1
−
A z
) - Wielomian macierzowy o wymiarach ( ny x ny) e( i)
B(
1
−
z
) - Wielomian macierzowy o wymiarach ( ny x nu)
−1
−1
− na
(
=
) I + A1
+L+
C ( −1
z
)
A z
z
A z
na
D ( −1
z
)
−1
−1
− nb
B( z
=
) I + B z
1
+L+ B z
nb
u( i)
−1
y( i)
B ( z )
F ( −1
z
)
17
18
3
2010-11-14
Sterowanie Dyskretne
Wykład 5
Sterowanie Dyskretne
Wykład 5
Modele systemów nieliniowych
Modele systemów nieliniowych
Model Wienera:
Model Hammersteina:
−
B
1
( q )
−
B( q 1)
y = f
u + e
i
−
y =
f u + e
( 1
A q ) i
i
i
( −
A q 1 ) ( i )
i
e( i)
e( i)
u( i)
−1
s( i)
y( i)
B ( z )
u( i)
s( i)
−1
y( i)
B ( z )
f( s( i))
A ( −1
z
)
f( u( i))
A ( −1
z
)
Model Wienera-Hammersteina:
Model Hammersteina-Wienera:
−1
−
B
−
B( q 1)
2 ( q
) B 1
1( q )
y =
f
u + e
=
2
1
+
i
−
y
f
f u
e
1
−1
i
i
A
−
(
A q 1 ) ( )
i
2 ( q
) A 1( q ) i i
19
20
21
4