Identyfikacja Procesów Technologicznych, Identyfikacja parametrycznarekurencyjnÄ… metodÄ… najmniejszych kwadratów, Nr ÿwiczenia :


Laboratorium

identyfikacji

procesów

technologicznych

Wykonali :

Kierunek :

Numer wiczenia :

Temat :

Identyfikacja parametryczna

rekurencyjn metod

najmniejszych kwadratów.

Data wykonania :

Data oddania :

Ocena :

Celem wiczenia byo przeprowadzenie procesu identyfikacji parametrycznej danego obiektu dynamicznego rekurencyjn metod najmniejszych kwadratów (RMNK), opierajc si na modelu typu ARX. W tym celu naley wykorzysta odpowiednie funkcje dostpne w bibliotece Identification Toolbox Matlaba.

1. Wstp teoretyczny.

Wiadomoci dotyczce struktury modeli typu ARX oraz ich identyfikacji metod parametryczn, a dokadniej jedn z jej odmian, czyli metod najmniejszych kwadratów - zostay zamieszczone w wiczeniu nr 5.

Rozpatrujemy obiekt SISO. Po wykonaniu eksperymentu pomiarowego otrzymujemy zestaw danych pomiarowych, który przedstawiamy w postaci macierzy :

0x01 graphic

gdzie N oznacza ilo wykonanych pomiarów.

Na podstawie tych danych dymy do znalezienia modelu badanego ukadu. Zakadamy typ poszukiwanego model jako ARX. Celem identyfikacji jest wic wyznaczenie parametrów równania rónicowego :

0x01 graphic

Przyjmujemy take struktur modelu poprzez okrelenie wartoci wspóczynników m i n. Moemy zatem utworzy nastpujcy ukad równa :

0x01 graphic

Stosujc zapis macierzowy powyszego ukadu, otrzymujemy :

0x01 graphic

przy czym :

0x01 graphic
; 0x01 graphic
; 0x01 graphic

Poniewa zazwyczaj ilo pomiarów N >> n+m (w celu zmniejszenia wpywu zakóce), a wic otrzymany ukad równa jest ukadem nadokrelonym. Aby rozwizanie tego ukadu byo moliwe, stosujemy przeksztacenie sprowadzajc go do normalnego ukadu równa, dziki czemu uzyskujemy :

0x01 graphic

Równanie to jest wynikiem zastosowania MNK. Na jego podstawie funkcja arx oszacowuje parametry modelu. Zakadamy jednak, e po otrzymaniu N wyników pomiarowych, dochodzi jeszcze jeden (nowy) pomiar. Pomiar ten uwzgldniamy w naszym procesie identyfikacji, gdy moe on mie wpyw na wynik procesu. Tak wic okrelamy aktualny wektor parametrów modelu N+1. Wtedy :

0x01 graphic
; 0x01 graphic

przy czym : 0x01 graphic

Posugujc si w dalszym cigu `zwyk' MNK, otrzymamy :

0x01 graphic

Wida wic, e naley ponownie wykona operacji odwracania i mnoenia macierzy, których wymiary w tym przypadku ulegy ju powikszeniu o jeden. Pojawianie si nastpnych pomiarów spowoduje dalsze rozbudowywanie macierzy, w efekcie czego czas potrzebny na przeprowadzenie odpowiednich dziaa matematycznych ulega wydueniu (nawet przy wykorzystaniu nowoczesnych rodków obliczeniowych). Dymy zatem do rozwizania tego problemu w sposób pozwalajcy oszacowa nowe parametry modelu po kadorazowym otrzymaniu kolejnego pomiaru, bez koniecznoci ponownego rozwizywania powyszego skomplikowanego równania macierzowego, czyli :

0x01 graphic

Taki zapis rozpatrywanego problemu wskazuje na moliwo wykorzystania oblicze dokonanych wczeniej - na podstawie poprzednich pomiarów - oraz wyeliminowania operacji odwracania macierzy. Aby móc skorzysta z tego zapisu naley przeprowadzi nastpujce transformacje :

oznaczmy 0x01 graphic
; czyli 0x01 graphic
; 0x01 graphic
; 0x01 graphic
;

std 0x01 graphic

aby wydzieli z tego równania macierz PN+1 , naley skorzysta z nastpujcej tosamoci macierzowej algebry :

0x01 graphic

W wyniku tego uzyskujemy :

0x01 graphic

oznaczajc : 0x01 graphic

mamy :

0x01 graphic

Poniewa :

0x01 graphic

std :

0x01 graphic

skd po przeksztaceniach otrzymamy :

0x01 graphic

przy czym :

0x01 graphic
- rzeczywista (zmierzona) warto sygnau wyjciowego w chwili N+1;

0x01 graphic
- warto sygnau wyjciowego w chwili N+1 oszacowana w oparciu o model;

Równanie to stanowi istot rekurencyjnej metody najmniejszych kwadratów, która reprezentowana jest w pakiecie Matlab poprzez funkcj rarx. Wynika z niego take, e RMNK umoliwia cig aktualizacj parametrów modelu w czasie, kiedy dokonywane s pomiary sygnau wejciowego i wyjciowego obiektu. Oznacza to moliwo stosowania tej metody w celach identyfikacji modeli obiektów których parametry s zmienne w czasie, czyli obiektów niestacjonarnych.

2. Przebieg wiczenia.

2.1. Obiekt I .

2.1.1. Zebranie i przygotowanie danych pomiarowych.

0x01 graphic

Rys.1 Schemat blokowy badanego obiektu.

0x01 graphic

Rys.2. Schemat blokowy ukadu pomiarowego.

Zebrane dane umieszczane s w przestrzeni roboczej Matlaba w postaci macierzy z1 o strukturze :

0x01 graphic

gdzie N=300 - ilo wykonanych pomiarów.

Usuwamy z nich warto redni :

z11 = dtrend(z1)

Funkcja :

plot(z11)

daje nam moliwo zaobserwowania danych pomiarowych w postaci graficznej :

0x01 graphic

Rys.3.

2.1.2. Przyjcie struktury modelu.

W naszym wiczeniu przyjmujemy struktur modelu ARX, okrelon jako wektor nn=[2 2 1]. Ogólna posta modelu ARX dla zaoonej struktury :

0x01 graphic

gdzie k = 1..N.

2.1.3. Szacowanie (estymacja) parametrów modelu.

2.1.3.1. Metoda najmniejszych kwadratów (MNK).

W pierwszym kroku tego punktu wiczenia w celu oszacowania parametrów modelu o okrelonej wyej strukturze, zastosujemy `zwyk' metod najmniejszych kwadratów, wywoujc funkcj :

th = arx(z11,nn);

Wynikiem zastosowania tej funkcji jest utworzenie specjalnie skonstruowanej macierzy THETA, z której moemy uzyska potrzebne informacje korzystajc z nastpujcych funkcji :

[num,den] = th2tf(th)

printsys(num,den,'z')

W ten sposób otrzymalimy transmitancj dyskretn :

0x01 graphic

a pena posta modelu:

0x01 graphic

2.1.3.2. Rekurencyjna metoda najmniejszych kwadratów (RMNK).

W celu identyfikacji modelu ARX rekurencyjn metod najmniejszych kwadratów wywoujemy funkcj :

thm = rarx(z11,nn,adm,adg)

przy czym :

adm - oznacza mechanizm adaptacji (u nas jest on oparty na wspóczynniku `zapominania', czyli `ff')

adg - oznacza wspóczynnika `zapominania' (w naszym przypadku ``), którego warto okrela w jakim stopniu pomiary wykonane w stosunkowo odlegych chwilach czasu, wpywaj na warto aktualnie szacowanych parametrów modelu, i tak dla `` = 1 wszystkie wykonane pomiary posiadaj jednakowe znaczenie, a wic w tym przypadku polecenie rarx funkcjonuje tak samo jak polecenie arx, natomiast `` < 1 oznacza zmniejszony wpyw `starych' pomiarów na proces identyfikacji. Taka waciwo jest szczególnie cenna kiedy analizowany obiekt jest niestacjonarny.

Wywoujemy wic funkcj rarx dla `` = 1 :

thm = rarx(z11,nn,'ff',1);

Funkcja ta zwraca macierz thm o wymiarach N×4 (poniewa kada kolumna oznacza jeden z parametrów modelu, a w nasz przypadku model posiada cztery parametry : a1, a2, b1, b2). Wygenerowaa ona zatem zestaw parametrów modelu po kadorazowym pojawieniu si nowego pomiaru, korzystajc z oblicze wykonanych dla wczeniejszych pomiarów. Ostatni wiersz otrzymanej macierzy thm zawiera parametry modelu wyznaczone na podstawie N=300 pomiarów i przedstawia si on w sposób nastpujcy :

a1 a2 b1 b2

-1,4105 0,4412 0,0038 0,0184

Aby móc obserwowa rozkad zmiennoci parametrów modelu w zalenoci od liczby dokonywanych pomiarów, wykonujemy funkcj :

plot(thm)

0x01 graphic

Rys.4.

Podobnie postpujemy dla :

- `` = 0,99, czyli

thm = rarx(z11,nn,'ff',0.99);

Ostatni wiersz otrzymanej macierzy thm :

a1 a2 b1 b2

-1.3493 0.3846 0.0005 0.0242

Wykonujemy funkcj :

plot(thm)

0x01 graphic

Rys.5.

- `` = 0,95, czyli

thm = rarx(z11,nn,'ff',0.95);

Ostatni wiersz otrzymanej macierzy thm :

a1 a2 b1 b2

-1.3455 0.3881 -0.0110 0.0393

Wykonujemy funkcj :

plot(thm) 0x01 graphic

Rys.6.

- `` = 0,93, czyli

thm = rarx(z11,nn,'ff',0.93);

Ostatni wiersz otrzymanej macierzy thm :

a1 a2 b1 b2

-1.3438 0.3854 -0.0132 0.0408

Wykonujemy funkcj :

plot(thm)

0x01 graphic

Rys.7.

2.2. Obiekt II .

2.2.1. Zebranie i przygotowanie danych pomiarowych.

0x01 graphic

Rys.8 Schemat blokowy badanego obiektu.

0x01 graphic

Rys.9. Schemat blokowy ukadu pomiarowego.

Zebrane dane umieszczane s w przestrzeni roboczej Matlaba w postaci macierzy z1 o strukturze :

0x01 graphic

gdzie N=1000 - ilo wykonanych pomiarów.

Usuwamy z nich warto redni :

z11 = dtrend(z1)

Funkcja :

plot(z11)

daje nam moliwo zaobserwowania danych pomiarowych w postaci graficznej :

0x01 graphic

Rys.10.

2.2.2. Przyjcie struktury modelu.

Przyjmujemy - podobnie jak wczeniej - struktur modelu ARX, okrelon jako wektor nn=[2 2 1]. Ogólna posta modelu ARX dla zaoonej struktury :

0x01 graphic

gdzie k = 1..N.

2.2.3. Szacowanie (estymacja) parametrów modelu RMNK.

Wywoujemy wic funkcj rarx (tym razem) dla `` = 0,99 :

thm = rarx(z11,nn,'ff',0.99);

Funkcja ta zwraca macierz thm o wymiarach N×4. Ostatni wiersz otrzymanej macierzy thm zawiera parametry modelu wyznaczone na podstawie N=1000 pomiarów i przedstawia si on w sposób nastpujcy :

a1 a2 b1 b2

-1.6255 0.8089 0.0495 0.1272

Stosujemy funkcj aby otrzyma posta `graficzn' macierzy thm :

plot(thm)

0x01 graphic

Rys.11.

2.3. Obiekt II .

2.3.1. Zebranie i przygotowanie danych pomiarowych.

Schemat ukadu pomiarowego jest w tym przypadku identyczny jak w poprzednim punkcie (Rys.9.)

0x01 graphic

Rys.12. Schemat blokowy badanego obiektu.

Zebrane dane umieszczane s w przestrzeni roboczej Matlaba w postaci macierzy z1 o strukturze :

0x01 graphic

gdzie N=1000 - ilo wykonanych pomiarów.

Usuwamy z nich warto redni :

z11 = dtrend(z1)

Funkcja :

plot(z11)

powoduje :

0x01 graphic

Rys.13.

2.3.2. Przyjcie struktury modelu.

Przyjmujemy - ponownie - struktur modelu ARX, okrelon jako wektor nn=[2 2 1]. Ogólna posta modelu ARX dla zaoonej struktury :

0x01 graphic

gdzie k = 1..N.

2.3.3. Szacowanie (estymacja) parametrów modelu RMNK.

Wywoujemy wic funkcj rarx (tym razem) dla `` = 1 :

thm = rarx(z11,nn,'ff',1);

Funkcja ta zwraca macierz thm o wymiarach N×4. Ostatni wiersz otrzymanej macierzy thm zawiera parametry modelu wyznaczone na podstawie N=1000 pomiarów i przedstawia si on w sposób nastpujcy :

a1 a2 b1 b2

-1.6143 0.8169 0.0582 0.1331

Stosujemy funkcj aby otrzyma posta `graficzn' macierzy thm :

plot(thm)

0x01 graphic

Rys.14.

3. Tre m-pliku.

z11 = dtrend(z1);

nn = [2 2 1];

th = arx(z11,nn);

[num,den] = th2tf(th);

printsys(num,den,'z')

%thm = rarx(z11,nn,'ff',1)

%thm = rarx(z11,nn,'ff',0.99)

%thm = rarx(z11,nn,'ff',0.95)

thm = rarx(z11,nn,'ff',0.93)

plot(thm)

4. Uwagi i wnioski.



Wyszukiwarka

Podobne podstrony:
6 własności estymatora parametrów klasycznego modelu liniowego uzyskanego metodą najmniejszych kwadr
Identyfikacja Procesów Technologicznych, Identyfikacja charakterystyki statycznej obiektu dynamiczne
3 ćwiczenia szacowanie parametrów modeli liniowych klasyczną metodą najmniejszych kwadratów
metoda najmniejszych kwadratów wzory
Spawanie to jeden z najbardziej znanych i rozpowszechnionych procesów technologicznych, Mechanika, S
Nieliniowa metoda najmniejszych kwadratów, Ekonometria
METODA NAJMNIEJSZYCH KWADRA, Inne
SPRAWKO Metoda Najmniejszych Kwadratów- SVD, Automatyka i robotyka air pwr, VI SEMESTR, Metody numer
Metoda najmniejszych kwadratów
16 opracowanie rzutowanie metoda najmniejszych kwadratow
klasyczna metoda najmniejszych kwadratów, statystyka
Podstawy Metrologii metoda najmniejszych kwadratów
Metoda najmniejszych kwadratów
Aproksymacja metodą najmniejszych kwadratów
metoda najmniejszych kwadratów

więcej podobnych podstron