Соответствуйте неопределенной модели к набору ответов LTI
usys = ucover(Parray,Pnom,ord)
usys = ucover(Parray,Pnom,ord1,ord2,utype)
[usys,info] = ucover(Parray,...)
[usys_new,info_new] = ucover(Pnom,info,ord1_new,ord2_new)
usys = ucover(Parray,Pnom,ord) возвращает неопределенную модель usys с номинальной стоимостью Pnom и чья область значений поведений включает все ответы в массив LTI Parray. Неопределенная образцовая структура имеет форму , где
Δ объект ultidyn, который представляет неопределенную динамику с модульным усилением пика.
W является стабильным, формирующий фильтром минимальной фазы, который настраивает сумму неуверенности на каждой частоте.
ord является количеством состояний (порядок) W, . Pnom и Parray может быть ss, tf, zpk или модели zpk. usys имеет класс ufrd, когда Pnom является моделью frd и является моделью uss в противном случае.
usys = ucover(Parray,Pnom,ord1,ord2,utype) задает порядок ord1 и ord2 каждого диагонального элемента W 1 и W 2, где W 1 и W 2 является диагональным, стабильным, формирующий фильтры минимальной фазы. utype задает неопределенную образцовую структуру, как описано в Неопределенных Образцовых Структурах, и может быть 'InputMult' (значение по умолчанию), 'OutputMult' или 'Additive'. ord1 и ord2 могут быть:
[], который подразумевает, что соответствующий фильтр равняется 1.
Скаляр, который подразумевает, что соответствующий фильтр со скалярным знаком.
Векторы со столькими же записей сколько диагональные элементы в W 1 и W 2.
[usys,info] = ucover(Parray,...) возвращает структуру info, который содержит информацию об оптимизации. info.W1opt and Info.W2opt содержит значения W 1 и W, 2 вычисленных на сетке частоты и info.W1 and info.W2 содержат подходящие формирующий фильтры W1 и W2.
[usys_new,info_new] = ucover(Pnom,info,ord1_new,ord2_new) улучшает подгонку с помощью начальных значений фильтра в info and новые порядки ord1_new и ord2_new W 1 и W 2. Этот синтаксис ускоряет выполнение команды путем многократного использования ранее вычисленной информации. Используйте этот синтаксис, когда вы измените порядки фильтра в итеративном рабочем процессе.
Соответствуйте неопределенной модели к массиву ответов LTI. Ответы могут быть, например, результатами нескольких выполнений приобретения данных о частотной характеристике из физической системы.
В целях этого примера сгенерируйте данные о частотной характеристике путем создания массива моделей LTI и выборки частотной характеристики тех моделей.
Pnom = tf(2,[1 -2]); p1 = Pnom*tf(1,[.06 1]); p2 = Pnom*tf([-.02 1],[.02 1]); p3 = Pnom*tf(50^2,[1 2*.1*50 50^2]); array = stack(1,p1,p2,p3); Parray = frd(array,logspace(-1,3,60));
Данные о частотной характеристике в Parray представляют три отдельных эксперимента сбора данных в системе.
Постройте относительные погрешности между номинальным ответом объекта и этими тремя моделями в массиве LTI.
relerr = (Pnom-Parray)/Pnom; bodemag(relerr)
Если вы используете мультипликативную структуру модели неуверенности, значение формирующий фильтра должно соответствовать максимальным относительным погрешностям в каждой частоте.
Попробуйте формирующий фильтр 1-го порядка, чтобы соответствовать максимальным относительным погрешностям.
[P,Info] = ucover(Parray,Pnom,1);
P является неопределенной моделью (uss) пространства состояний, которая получает неуверенность как ultidyn неопределенный блок динамики.
P.Uncertainty
ans = struct with fields:
Parray_InputMultDelta: [1x1 ultidyn]
Структура Info содержит другую информацию о подгонке, включая формирующий фильтр. Постройте ответ, чтобы видеть, как хорошо формирующий фильтр соответствует относительным погрешностям.
bodemag(relerr,'b--',Info.W1,'r',{0.1,1000});
График показывает, что фильтр W1 слишком консервативен и превышает максимальную относительную погрешность в большинстве частот. Чтобы получить более плотно прилегающее, повторно выполните функцию с помощью фильтра 4-го порядка.
[P,Info] = ucover(Parray,Pnom,4);
Оцените подгонку путем графического вывода Предвещать графика значения.
bodemag(relerr,'b--',Info.W1,'r',{0.1,1000});
Этот график показывает, что для фильтра 4-го порядка, значение W1 тесно совпадает с минимальной суммой неуверенности.
Когда приспосабливание ответов моделей LTI в Parray, разрывах между Parray и номинальным ответом Pnom неопределенной модели моделируется как неуверенность на системной динамике. Чтобы смоделировать плотность распределения этих несмоделированных движущих сил, ucover измеряет разрыв между Pnom и Parray на каждой частоте и выбирает формирующий фильтр W, значение которого аппроксимирует максимальный разрыв между Pnom и Parray. Следующие данные показывают относительный разрыв между номинальным ответом и шестью ответами LTI, окутанным использованием формирующий фильтра второго порядка.
Программное обеспечение затем устанавливает неуверенность на W · Δ, где Δ является объектом ultidyn, который представляет модульное усиление неопределенная динамика. Это гарантирует, что сумма неуверенности на каждой частоте задана значением W и поэтому тесно отслеживает разрыв между Pnom и Parray.
Существует три возможных структуры модели неуверенности:
Введите Мультипликативный из формы usys = Pnom × (I + W 1 × Δ ×W2).
Выведите Мультипликативный из формы usys = (I + W 1 × Δ ×W2) × Pnom.
Дополнение формы usys = Pnom + W 1 × Δ ×W2.
Используйте аддитивную неуверенность, чтобы смоделировать абсолютные разрывы между Pnom и Parray и мультипликативной неуверенностью, чтобы смоделировать относительные разрывы.
Для моделей SISO, ввод и вывод мультипликативная неуверенность эквивалентны. Для систем MIMO с большим количеством выходных параметров, чем входные параметры вход мультипликативная структура может быть слишком строгой и не соответственно покрыть область значений моделей.
Образцовая структура usys = Pnom × (I + W × Δ), что вы получаете использование usys = ucover(Parray,Pnom,ord), соответствует W 1 = W × I и W 1 = 1.
Команда ucover разрабатывает формирующий фильтры минимальной фазы W 1 и W 2 на двух шагах:
Вычисляет оптимальные значения W 1 и W 2 на сетке частоты.
Подгонки W 1 и W 2 значения с динамическими фильтрами заданных порядков с помощью команды fitmagfrd.