Курсовая работа: Разработка системы регулирования температуры смазочного масла турбины
Математически операторы определяются в соответствующих пространствах, т. е. на множествах элементов, над которыми совершаются преобразования. Примерами таких пространств являются пространства: непрерывных функций; непрерывных функций, имеющих непрерывные производные до n-го порядка (n > 0); функций с суммируемым квадратом и т. д. Множества входных и выходных сигналов объектов и систем могут рассматриваться как те или иные метрические пространства [4,12, 13, 37, 44].
Формально оператор характеризуется структурой и параметрами. Так, структура дифференциального оператора (1.3) определяется его порядком n . Для оператора дифференциального уравнения (1.4) структура задается его порядком n , а параметрами служат величины ai(t), [i = 0, n]. Таким образом, задачу идентификации в общем виде можно ставить как задачу определения оператора объекта, преобразующего входные воздействия в выходные.
3.2 Основные задачи идентификации
Рассмотрим различные постановки задачи идентификации. Как уже отмечалось выше, в общем виде задача идентификации заключается в определении оператора объекта, преобразующего входные воздействия в выходные. В связи с этим выделят задачи структурной и параметрической идентификации.
При структурной идентификации определяют структуру и вид оператора объекта, или другими словами вид математической модели объекта.
После того как математическая модель объекта определена, проводят параметрическую идентификацию, заключающуюся в определении числовых параметров математической модели.
Задачей структурной идентификации является представление реального объекта управления в виде математической модели. Конкретный выбор математической модели зависит от типа объекта.
Для описания больших систем и объектов, таких как социальные, производственные, финансово-экономические, используются семиотические (знаковые) и лингвистические модели, базирующиеся на теории множеств и абстрактной алгебры.
В качестве математических моделей технических систем применяются дифференциальные уравнения в обыкновенных и частных производных. Причем при решении задач управления предпочтение отдается моделям в пространстве состояний и структурированным моделям, описываемым дифференциальными уравнениями в обыкновенных производных.
Задачу параметрической идентификации можно сформулировать следующим образом [29]. Пусть имеется полностью наблюдаемый и полностью управляемый объект, задаваемый уравнениями состояния
, (3.6)
где B - n -мерный вектор –столбец, а C - n -мерный вектор –строка, А – квадратная матрица размером . Элементы этих векторов А В иС неизвестные числа. Целью идентификации является определение этих чисел.
Под идентификацией в дальнейшем будем понимать нахождение параметров моделей объектов, предполагая, что уравнения моделей заранее известны и задаются с помощью обобщенной структурной схемы объекта (рис. 3.2), т.е. будем рассматривать вопросы параметрической идентификации.
Рис. 3.2
На схеме приняты следующие обозначения:
u и y – наблюдаемые входной и выходной сигналы;
x – ненаблюдаемая (скрытая) переменная, оцениваемая косвенно по сигналам u и y , получаемым в результате преобразования в системе операторами А В и H;
е1 и е2 – ненаблюдаемые помехи (случайные процессы типа белого шума);
f и v – ненаблюдаемые помехи (коррелированные во времени случайные сигналы, в некоторых случаях содержащие детерминированные составляющие);
A, B, C, E, G, H – операторы, вид которых известен, но неизвестны параметры.
Основными постановками задач идентификации являются:
– идентификация, или определение характеристик объекта (по значениям u и y определить операторы А, В иC);
– генерация случайных сигналов с заданными характеристиками, или определение характеристик сигналов (по значениям f или v определить оператор E или G, H);
– наблюдение за скрытыми переменными, или определение переменных состояния (по наблюдаемым u и y , известным операторам A, B, C, E, G, H определить x ).
Решение вышеназванных задач идентификации осуществляется методами параметрической и непараметрической идентификации. При использовании методов параметрической идентификации сразу определяются коэффициенты передаточной функции или уравнения объекта. Вторая группа методов используется для определения временных или частотных характеристик объектов, а также характеристик случайных процессов генерируемых объектами. По полученным характеристикам затем определяются передаточная функция или уравнения объекта. В настоящее время более широкое распространение получили методы параметрической идентификации.
3.3 Метод наименьших квадратов
Параметрическая идентификация моделей объектов позволяет сразу находить значения коэффициентов модели объекта по измеряемым значениям управляемого y и управляющего u сигналов объекта. При этом предполагается, что структура и порядок модели объекта уже известен. Измеряемые значения y и u представляются в виде временного ряда, поэтому в результате идентификации оцениваются параметры АРСС – модели объекта, или параметры его дискретной передаточной функции. Зная коэффициенты АРСС – модели и ее структуру можно перейти к непрерывным структурированным моделям и моделям в пространстве состояний, как это делалось в п. 2.4.
В задачах параметрической идентификации используются модели объекта с шумом измерений, задаваемые передаточными функциями и структурой рис. 3.2. Считая порядки моделей заданными, задачей параметрической идентификации стохастической системы считается определение оценок коэффициентов полиномов модели A , B , C и D по результатам измерений входа u (t )и выхода y (t ). Свойства получаемых оценок (состоятельность, несмещенность и эффективность) зависят от характеристик внешних возмущений и метода идентификации, при этом существенную роль играет вид закона распределения внешних возмущений.
Важным преимуществом методов параметрической идентификации является возможность использования рекуррентных алгоритмов, позволяющих проводить текущую идентификацию в реальном времени при номинальных режимах работы объекта. Эти преимущества определили широкое использование методов параметрической идентификации в задачах управления и автоматизации. К таким методам относятся: метод наименьших квадратов, метод максимального правдоподобия и метод стохастической аппроксимации .
Подставим в уравнение АРСС - модели значения сигналов y (k ) и u (k ), а также оценки параметров объекта, полученные после (k – 1 ) - го такта [32]: