Оцените модель в пространстве состояний дискретного времени с помощью метода подпространства. Затем совершенствуйте его путем минимизации ошибки прогноза.

Оцените модель в пространстве состояний дискретного времени с помощью n4sid, который применяет метод подпространства.

load iddata7 z7;
z7a = z7(1:300);
opt = n4sidOptions('Focus','simulation');
init_sys = n4sid(z7a,4,opt);

init_sys обеспечивает подгонку на 73,85% к данным об оценке.

init_sys.Report.Fit.FitPercent

ans = 73.8490

Используйте pem, чтобы улучшить близость подгонки.

sys = pem(z7a,init_sys);

Анализ результатов.

compare(z7a,sys,init_sys);

sys обеспечивает подгонку на 74,54% к данным об оценке.

Оцените, что параметры нелинейной модели серого поля соответствуют данным о двигателе постоянного тока.

Загрузите экспериментальные данные и задайте атрибуты сигнала, такие как время начала и модули.

load(fullfile(matlabroot,'toolbox','ident','iddemos','data','dcmotordata'));
data = iddata(y, u, 0.1);
data.Tstart = 0;
data.TimeUnit = 's';

Сконфигурируйте нелинейную модель (idnlgrey) модели серого поля.

В данном примере используйте файл dcmotor_m.m. Чтобы просмотреть этот файл, введите edit dcmotor_m.m в командной строке MATLAB®.

file_name = 'dcmotor_m';
order = [2 1 2];
parameters = [1;0.28];
initial_states = [0;0];
Ts = 0;
init_sys = idnlgrey(file_name,order,parameters,initial_states,Ts);
init_sys.TimeUnit = 's';

setinit(init_sys,'Fixed',{false false});

init_sys является нелинейной моделью серого поля со своей структурой, описанной dcmotor_m.m. Модель имеет вход того, два выходных параметров и два состояния, как задано order.

setinit(init_sys,'Fixed',{false false}) указывает, что начальные состояния init_sys являются свободными параметрами оценки.

Оцените параметры модели и начальные состояния.

sys = pem(data,init_sys);

sys является моделью idnlgrey, которая инкапсулирует предполагаемые параметры и их ковариацию.

Анализируйте результат оценки.

compare(data,sys,init_sys);

sys обеспечивает подгонку на 98,34% к данным об оценке.

Создайте структуру модели процесса и обновите ее значения параметров, чтобы минимизировать ошибку прогноза.

Инициализируйте коэффициенты модели процесса.

init_sys = idproc('P2UDZ');
init_sys.Kp = 10;
init_sys.Tw = 0.4;
init_sys.Zeta = 0.5;
init_sys.Td = 0.1;
init_sys.Tz = 0.01;

Kp, Tw, Zeta, Td и коэффициенты Tz init_sys сконфигурированы с их исходными предположениями.

Используйте init_sys, чтобы сконфигурировать оценку ошибочной модели минимизации прогноза, использующей результаты измерений. Поскольку init_sys является моделью idproc, используйте procestOptions, чтобы создать набор опции.

load iddata1 z1;
opt = procestOptions('Display','on','SearchMethod','lm');
sys = pem(z1,init_sys,opt);

Исследуйте образцовую подгонку.

sys.Report.Fit.FitPercent

ans = 70.6330

sys обеспечивает подгонку на 70,63% к результатам измерений.