Identyfikacja procesów, Edukacja, studia, Semestr VI, Identyfikacja procesów


Identyfikacja procesów

ROZDZIAŁ I - ogólne pojęcia, modele fizyczne i instrumentalne

Wyrażenie „identyfikacja procesów” możemy skojarzyć z problemem identyfikacji, zarówno sygnałów jak i obiektów. Zaczniemy od omówienia kilku podstawowych zagadnień.

Identyfikacja obiektów dynamicznych odbywa się w układzie pokazanym na rys.1. Na wejście obiektu, którego parametry będziemy identyfikować podawany jest sygnał wejściowy u(t), który jest sygnałem mierzalnym, oraz sygnał n(t), który jest niemierzalnym szumem. Sygnałem wyjściowym badanego obiektu jest sygnał y(t). Czasami może występować w sygnale wyjściowym addytywne zakłócenie.

0x08 graphic
0x01 graphic

Rys.1. Obiekt wraz z dotyczącymi go sygnałami.

W procesie identyfikacji szukamy wartości parametrów opisujących badany obiekt w oparciu o jego model, czyli przybliżony matematyczny opis działania obiektu. Każdy model opisany jest poprzez równania dynamiki s oraz wektor 0x01 graphic
parametrów występujących w tych równaniach. Możemy to symbolicznie zapisać w postaci 0x01 graphic
.

Omawiając pojęcie modelu należy również wspomnieć o pojęciu modelu prawdziwego. Jest to model w idealny sposób odzwierciedlający obiekt rzeczywisty. W procesie tworzenia modelu oraz jego identyfikacji dążymy właśnie do postaci modelu prawdziwego, której ze względu na jej idealność nigdy oczywiście nie osiągniemy. Symboliczny zapis modelu prawdziwego: 0x01 graphic
.

Modele możemy podzielić na modele fizyczne i instrumentalne. Modele fizyczne powstają w oparciu o równania czasu ciągłego, otrzymane z zapisania różnych praw fizyki rządzących modelowanym obiektem np: prawa zachowania masy i energii, równania równowagi sił i momentów itp. Otrzymane równania czasu ciągłego możemy następnie przedstawić w postaci równań stanu danego obiektu:

0x01 graphic

Modele fizyczne są, a przynajmniej staramy się by były, modelami „dokładnymi” czyli takimi, które jak najlepiej odzwierciedlają rzeczywistość.

Niestety modele fizyczne są często bardzo złożone, opisane skomplikowanymi zależnościami matematycznymi, co powoduje iż ciężko się je interpretuje i równie ciężko sterować obiektami opisanymi w taki sposób.

Na szczęście istnieje pewne rozwiązanie powyższego problemu. Jeśli dokonamy dyskretyzacji oraz linearyzacji modelu opisanego równaniami stanu wokół określonego punktu pracy to zazwyczaj będziemy mogli sprowadzić opis fizyczny do równania dyskretnego liniowego:

0x01 graphic

W tym opisie wyjście w danej chwili czasu jest sumą liniowej kombinacji poprzednich wyjść, liniowej kombinacji poprzednich wejść oraz szumu w tej chwili czasu. Występujący w tym równaniu niemierzalny szum mówi nam iż otrzymany przebieg y(t)jest tylko przybliżeniem przebiegu rzeczywistego. Czas t w tym równaniu przyjmuje wartości całkowite jako, że jest to czas dyskretny, bezwymiarowy. Parametrami takiego modelu są wartości a1,…,ar oraz b1,…,bp, natomiast wartości r i p określają strukturę modelu, inaczej mówiąc decydują o jego rzędzie. Należy pamiętać, że zerowe wartości współczynników ai oraz bi redukują rząd.

Na sygnał szumu n(t) składają się zakłócenia, zmiany punktu pracy oraz błędy modelowania. Złożenie tych trzech czynników powoduje iż sygnał n(t) jest niemierzalnym szumem białym czyli ciągiem nieskorelowanych zmiennych losowych.

W procesie identyfikacji wykorzystujemy szereg informacji. Między innymi dysponujemy pewnymi mierzalnymi danymi o badanym obiekcie:

Przed przystąpieniem do procesu identyfikacji dysponujemy również pewnymi informacjami wstępnymi (a priori):

Kolejną kwestią w procesie identyfikacji jest uwarunkowanie eksperymentu (Rys.2). Na tym etapie musimy zastanowić się nad odpowiednim doborem sygnałów pobudzających, gdyż przy złym pobudzeniu możemy w ogóle nie uzyskać danych bądź też uzyskane wielkości będą zupełnie bezużyteczne. Należy również zadać sobie pytanie czy badamy obiekt w warunkach pętli sprzężenia zwrotnego i jeśli tak to należy się zastanowić nad wprowadzeniem w pętli sprzężenia addytywnego zakłócenia, gdyż niektóre sygnały mogą być bez jego wprowadzenia wręcz destruktywne dla naszego obiektu. Tak więc uwarunkowanie eksperymentu możemy zapisać w postaci sygnału 0x01 graphic
, gdzie v(t) jest sygnałem zewnętrznym.

0x01 graphic

Rys. 2. Uwarunkowanie eksperymentu.

Na podstawie dotychczasowej wiedzy jesteśmy w stanie określić pewien uproszczony schemat postępowania, mianowicie:

(informacja wstępna) + (dane o obiekcie) 0x01 graphic
(przybliżony model matematyczny)

Możemy również opisać procedurę/fazy identyfikacji:

  1. Planowanie eksperymentu (wybór okresu próbkowania, filtracja sygnałów, dobór sygnałów wejściowych)

  2. Wybór struktury modelu (identyfikacja strukturalna, wybór rzędu modelu, określenie ile współczynników będziemy estymować)

  3. Estymacja parametrów (identyfikacja parametryczna)

  4. Weryfikacja modelu (odpowiadamy na pytanie czy otrzymany model nas zadawala, jeśli nie to wracamy do pkt.1.)

Na koniec podamy podstawowe cele modelowania:

  1. modele fizyczne:
    a) symulacja (z reguły nie możemy eksperymentować na obiektach rzeczywistych bez przeprowadzenia wcześniejszych symulacji.
    b) zastępowanie obiektów (np.: modele starych instrumentów muzycznych)

  2. modele instrumentalne:

a) prognozowanie (predykcja)
b) predykcyjne kodowanie sygnałów
c) estymacja widma
d) korekcja kanałów telekomunikacyjnych
e) eliminacja zakłóceń impulsowych
f) aktywne tłumienie hałasu
g) sterowanie adaptacyjne

ROZDZIAŁ II - przypomnienie podstaw procesów losowych

Przy próbkowaniu sygnałów ciągłych, z którym w oczywisty sposób będziemy mieli do czynienia w procesie dyskretyzacji sygnału dla celów identyfikacji, należy pamiętać o zasadach próbkowaniem rządzących. Definiujemy częstotliwość próbkowania jako odwrotność okresu próbkowania 0x01 graphic
, aby móc odtworzyć sygnał analogowy z sygnału spróbkowanego musimy pamiętać o twierdzeniu o próbkowaniu, z którego wynika zależność:

0x01 graphic

gdzie 0x01 graphic
oznacza pasmo sygnału analogowego (tj. częstotliwość graniczną widma sygnału).

Istotne oznaczenia, które będą się przewijały w kontekście prezentowanych problemów to czas unormowany 0x01 graphic
gdzie t oznacza wielokrotność okresu próbkowania 0x01 graphic
; częstotliwość unormowana definiowana zależności: 0x01 graphic
oraz pulsacja unormowana 0x01 graphic
, obie te wielkości, zarówno częstotliwość unormowana jak i pulsacja są wielkościami bezwymiarowymi, natomiast f0 oznacza prawdziwą częstotliwość wyrażoną w Hertzach.

Kolejne pojęcie jakie należy sobie przypomnieć to pojęcie skalarnej zmiennej losowej, czyli pewnej funkcji X(e), gdzie e oznacza elementarne zdarzenie losowe oraz pojęcie rozkładu prawdopodobieństwa zmiennej losowej. Funkcję gęstości rozkładu prawdopodobieństwa określa Rys.3.

0x01 graphic

Rys.3. Funkcja gęstości rozkładu prawdopodobieństwa

p(X) zmiennej losowej X

Należy również pamiętać, że prawdopodobieństwo znalezienia się zmiennej losowej w przedziale [a,b] rozkładu prawdopodobieństwa równe jest całce z funkcji gęstości tego rozkładu w przedziale [a,b]:

0x01 graphic

Możliwa jest sytuacja, w której 0x01 graphic
. W tym celu wystarczy, aby przedział [a,b] był bardzo wąski. Nie należy bowiem utożsamiać gęstości rozkładu prawdopodobieństwa z samym prawdopodobieństwem. Kolejnym ważnym elementem jest wartość oczekiwana zmiennej losowej:

0x01 graphic

Możemy powiedzieć, że stanowi ona „środek ciężkości” rozkładu prawdopodobieństwa. Wartość oczekiwana posiada własność liniowości:

0x01 graphic

Inną wielkością związaną ze zmienną losową jest jej wariancja, określana również jako średni kwadrat rozrzutu. Określa ona rozrzut zmiennej losowej wokół jej wartości średniej:

0x01 graphic

Im mniej skupiony jest rozkład prawdopodobieństwa wokół swej wartości średniej tym wariancja jest mniejsza (Rys.4.).

0x01 graphic

Rys.4. Porównanie dwóch różnych wariancji zmiennych losowych.

Pierwsza zmienna ma mniejszą wariancję.

Pojęcie zmiennej losowej jednowymiarowej możemy rozszerzyć do przestrzeni wielowymiarowej, wprowadzając pojęcie wektorowej zmiennej losowej, dla którego również możemy zdefiniować pojęcie wartości oczekiwanej, jako wektora wartości oczekiwanych poszczególnych zmiennych losowych.

0x01 graphic
0x01 graphic

Miarą rozproszenia realizacji wektorowej zmiennej losowej wokół jej wartości średniej jest macierz kowariancji:

0x01 graphic

Na głównej przekątnej macierzy kowariancji znajdą się wariancję poszczególnych zmiennych, natomiast pozostałe elementy macierzy to współczynniki korelacji pomiędzy zmiennymi, dla nieskorelowanych zmiennych będą one zerowe. Macierz kowariancji jest macierzą nieujemnie określoną, czyli spełniony jest warunek:

0x01 graphic
0x01 graphic

Przy czym wyrażenie przed znakiem nierówności jest skalarem i gdy ten warunek nie jest spełniony dal danej macierzy to nie jest to macierz kowariancji.

Dowód na nieujemną określoność macierzy kowariancji:

0x01 graphic

0x01 graphic

Zastanówmy się teraz na problemem porównywania macierzy kowariancji. Otóż właściwie nie da się porównać dwóch macierzy tak aby otrzymać jednoznaczną odpowiedź, że np.: macierz pierwsza jest większa; aczkolwiek możliwa jest pewna ograniczona ocena dwóch macierzy. O tym jak wygląda skupienie rozkładów informują nas równania elipsoid koncentracji:

0x01 graphic

Równanie to pozwala na wykreślenie elipsoid, obrazujących koncentrację zmiennych wokół wartości średniej, na tej podstawie możliwe jest porównanie dwóch macierzy kowariancji, poprzez określenie, że np.: elementy macierzy pierwszej są bardziej skupione wokół wartości średniej itp.

0x01 graphic

Rys.5. Przykładowe elipsoidy koncentracji dla dwóch,

dwuwymiarowych macierzy kowariancji.

Dla macierzy kowariancji dwuwymiarowych (2x2) elipsoidy sprowadzają się do elips. Przykładowo, jeśli mamy prostą macierz kowariancji, w której elementy skośne równe są 0:

0x01 graphic
0x01 graphic

równanie elipsy będzie dla tego przykładu następujące:

0x01 graphic

W tym przypadku osie elipsy pokrywają się z osiami układu współrzędnych, przy czym 0x01 graphic
oraz 0x01 graphic
są długościami odpowiednich półosi elipsy. Jeżeli elementy poza główną przekątną byłyby niezerowe to elipsa byłaby obrócona.

Warto również przypomnieć sobie pojęcia i wielkości związane z procesami stochastycznymi. Zaczniemy od zapisania zdarzenia elementarnego: 0x01 graphic
oraz przypomnienia, że dyskretny proces stochastyczny to ciąg zmiennych losowych lub też zbiór realizacji zmiennej losowej. Warto pamiętać, iż pojedyncza realizacja nie ma w sobie nic losowego. Losowość ujawnia się gdy na jednym wykresie pokażemy wiele realizacji zmiennej losowej.

0x01 graphic

Rys.6. Przykładowy zbiór realizacji zmiennej losowej x(t)

Omówimy teraz własności zbioru realizacji zmiennej losowej. Wartość oczekiwana procesu stochastycznego jest ciągiem wartości oczekiwanych poszczególnych zmiennych. i możemy przedstawić ją zależnością:

0x01 graphic

Jeśli mielibyśmy przedstawić graficzną interpretację wartości oczekiwanej to byłaby to krzywa przechodząca mniej więcej przez środek naszego pęku realizacji (patrz Rys.6).

Kolejne własności procesu stochastycznego prezentują funkcje autokorelacji i autokowariancji. W uproszczeniu możemy powiedzieć, iż określają one w jakim stopniu wartość zmiennej losowej w danej chwili czasu t2 zależy od wartości tej zmiennej w chwili t1. Funkcje autokorelacji i autokowariancji (inaczej określaną również jako korekcje zmiennych scentralizowanych) możemy zapisać w poniższej notacji:

0x01 graphic

0x01 graphic

gdzie: 0x01 graphic
- zmienna scentralizowana, proces o zerowej wartości oczekiwanej

Procesy, dla których wartość oczekiwana jest stała, czyli nie zależy od czasu, natomiast wartości funkcji autokorelacji i autokowariancji zależą tylko od różnicy czasów t1 oraz t2 nazywamy procesami stacjonarnymi w szerokim sensie. Zapisując powyższe warunki symbolicznie:

0x01 graphic

gdzie: 0x01 graphic

Dla procesów stacjonarnych możemy określić widmową gęstość mocy. Dla takiego procesu w całym przedziale czasu średnia wartość wydzielanej energii (moc) jest stała. Dla sygnałów dyskretnych o skończonej gęstości mocy wyznaczamy transformatę Fouriera:

0x01 graphic

0x01 graphic

Znajomość charakterystyki widma pozwala nam na znalezienie funkcji autokorelacji i odwrotnie. Zależność odwrotną do powyższej możemy zapisać:

0x01 graphic

Przykład. Zadaniem jest znalezienie widma sygnału przedstawionego na Rys.7 bez dokonywania żmudnych obliczeń. Należy zauważyć, iż poniższy sygnał jest złożeniem dwóch sygnałów: sinusoidy oraz sygnału, będącego na kształt szumu, przy czym większy wpływ na sygnał wynikowy ma sinusoida. Przyjmijmy, że okres sygnału T równy jest 1s, natomiast liczba „górek” w jednym okresie wynosi 20. W ten sposób wiemy, iż widmo będzie miało 2 szczyty rezonansowe w częstotliwościach 1Hz oraz 20Hz. Teraz możemy odręcznie naszkicować widmo z dwoma szczytami.

0x01 graphic

Rys.7. Przebieg sygnału do przykładu.

Przeanalizujmy teraz jak zachowują się procesy stochastyczne przy przechodzeniu przez układy liniowe. Na początek przyjmiemy założenie, że proces 0x01 graphic
jest procesem stacjonarnym w szerokim sensie o wartości oczekiwanej 0x01 graphic
, funkcji autokorelacji 0x01 graphic
oraz widmie 0x01 graphic
. Naszym zadaniem będzie określenie własności procesu 0x01 graphic
, jaki pojawi się na wyjściu układu liniowego opisanego funkcją 0x01 graphic
pobudzonego sygnałem 0x01 graphic
(Rys.8.).

0x08 graphic
0x01 graphic

Rys.8. Przechodzenie sygnału stochastycznego przez układ liniowy

Jak łatwo stwierdzić sygnał 0x01 graphic
będzie dany zależnością:

0x01 graphic

Obliczmy wartość oczekiwaną procesu 0x01 graphic
:

0x01 graphic

Otrzymany wynik możemy zinterpretować następująco: jeżeli na wejście układu liniowego podamy proces o stałej wartości oczekiwanej to na wyjściu również otrzymamy proces o stałej wartości oczekiwanej.

Wyznaczmy teraz funkcję autokorelacji:

0x01 graphic

Jak widać funkcja autokorelacji sygnału 0x01 graphic
nie zależy od czasu a tylko od różnicy czasów 0x01 graphic
. Stąd wniosek: jeżeli sygnał podawany na wejście stabilnego układu liniowego niezmiennego w czasie jest stacjonarny w szerokim sensie to sygnał obserwowany na jego wyjściu (w stanie ustalonym) jest również stacjonarny w szerokim sensie.

Skoro sygnał wyjściowy jest stacjonarny w szerokim sensie to możemy wyznaczyć jego widmową gęstość mocy:

0x01 graphic

gdzie 0x01 graphic
oznacza transmitancję widmową układu liniowego.

ROZDZIAŁ III - modele szeregów czasowych - model autoregresyjny (AR)

Model autoregresyjny (AR, autoregressive) to model szeregu czasowego, w którym przebieg sygnału 0x01 graphic
na wyjściu układu liniowego tłumaczymy jego wcześniejszym przebiegiem. Model AR(r) - model rzędu r opisujemy równaniem autoregresyjnym:

0x01 graphic

gdzie 0x01 graphic
to współczynniki autregresji, natomiast 0x01 graphic
jest gaussowskim szumem białym, czyli ciągiem niezależnych zmiennych losowych o zerowej wartości oczekiwanej 0x01 graphic
oraz o stałej wariancji 0x01 graphic
. Szum biały ma płaskie widmo częstotliwościowe, jako że stanowi on złożenie wszystkich częstotliwości w paśmie (podobnie jak światło widzialne jest złożeniem wszystkich fal z zakresu - stąd nazwa „szum biały”). To właśnie szum 0x01 graphic
w równaniu autoregresyjnym odpowiada za losowy charakter przebiegu 0x01 graphic
.

Wprowadzając operator jednokrokowego opóźnienia 0x01 graphic
0x01 graphic
możemy przepisać równanie autoregresyjne w sposób następujący:

0x01 graphic

gdzie 0x01 graphic

czyli: 0x01 graphic

0x08 graphic
0x01 graphic

Rys.9. Schemat modelu autoregresyjnego

Stosowany w modelu AR układ to filtr formujący, wielobiegunowy o r biegunach. Im węższe jest widmo tego filtru tym sygnał na wyjściu będzie bardziej zbliżony do sinusoidalnego. Na uwagę zasługuje fakt iż w tym modelu, podając na wejście sygnał, będący kwintesencja losowości - szum biały na wyjściu otrzymujemy sygnał sinusoidalny. Ten model służy właśnie do modelowania przebiegów pseudookresowych.

Należy jednak pamiętać iż spełniony musi być bardzo ważny warunek. Filtr musi być asymptotycznie stabilny, czyli wszystkie pierwiastki wielomianu charakterystycznego 0x01 graphic
muszą mieć moduły mniejsze od 1, czyli muszą leżeć wewnątrz okręgu jednostkowego na płaszczyźnie zespolonej.

W celu określenia dopuszczalnego zakresu, w jakim muszą się znajdować współczynniki autoregresji można się pokusić o wykreślenie obszarów dopuszczalnych. Dla modeli rzędu pierwszego będzie to obszar na osi liczbowej w zakresie <-1;1>, dla modelu rzędu drugiego będzie to już dużo bardziej skomplikowany obszar trójkątny, natomiast okazuje się, że dla modeli wyższych rzędów wykreślenie obszarów dopuszczalnych wartości współczynników autoregresji staje się bardzo trudne, gdyż są to bardzo skomplikowane figury. Dlatego też właściwie nie istnieją testy na stabilność modelu AR.

u(t)

n(t)

y(t)

z(t)

?

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic

0x01 graphic



Wyszukiwarka

Podobne podstrony:
czarodziej, Edukacja, studia, Semestr VI, Teoria Sterowania
ROBOTY, Edukacja, studia, Semestr VI, Podstawy Robotyki
EWA5, Edukacja, studia, Semestr VI, Elementy Wykonawcze Automatyki
Laboratorium1, Edukacja, studia, Semestr VI, Elementy Wykonawcze Automatyki
teoria sterowania, Edukacja, studia, Semestr VI, Teoria Sterowania
roboty, Edukacja, studia, Semestr VI, Podstawy Robotyki, roboty
TS - projekt, Edukacja, studia, Semestr VI, Teoria Sterowania, Projekt
Wybierz, Edukacja, studia, Semestr VIII, Kultura Języka Polskiego, CD1 - 2006 KJP-1 INFORMATYKA, KJP
rodzaje', Edukacja, studia, Semestr VIII, Kultura Języka Polskiego, CD1 - 2006 KJP-1 INFORMATYKA, KJ
Skróty-etc, Edukacja, studia, Semestr VIII, Kultura Języka Polskiego, CD1 - 2006 KJP-1 INFORMATYKA,
ksa4, Edukacja, studia, Semestr VIII, Komputerowe Systemy Automatyki, KSA-lab
materiały 5, Edukacja, studia, Semestr III, Inżynieria Materiałowa, Laboratorium, Materiały 5
30.Rząd macierzy. Wyznacznik macierzy i jego własności, Studia, Semestr VI, licencjat
TECHNIKA MIKROPROCESOROWA (1), Edukacja, studia, Semestr IV, Technika Mikroprocesorowa
raczynski 2, Edukacja, studia, Semestr VII, Komputerowe Systemy Automatyki
IRZI, Edukacja, studia, Semestr VII, Innowacyjne Rozwiązywanie Zadań Inżynierskich
spis tresci zarz, Edukacja, studia, Semestr VIII, Zarządzanie, zarzadzanie, zarzadzanie, zarzadzanie
33.Twierdzenia Cramera i Kroneckera-Capelliego, Studia, Semestr VI, licencjat, Licencjat 2012, Licen

więcej podobnych podstron