Этот пример показывает, как использовать данные об эксперименте, чтобы оценить параметры модели. Вы оцениваете параметры системы дросселя механизма.
Модель Simulink® для системы дросселя механизма, spe_engine_throttle, показывают ниже.
Дроссель управляет потоком массы воздуха во впускной коллектор механизма. Тело дросселя содержит клапан-бабочку, который открывается, когда драйвер надавливает на педаль акселератора. Это позволяет большему количеству воздуха ввести цилиндры и заставляет механизм производить больше крутящего момента.
Двигатель постоянного тока управляет вводным углом клапана-бабочки. Существует также пружина, присоединенная к клапану, чтобы возвратить его в его закрытую позицию, когда двигатель постоянного тока обесточивается. Объем вращения клапана ограничивается приблизительно 90 градусами. Поэтому, если большой ввод команд применяется к двигателю, клапан поражает жесткие остановки, препятствующие тому, чтобы он вращался далее.
Двигатель моделируется как усиление крутящего момента и вход с временной задержкой с параметрами Kt и input_delay. Клапан-бабочка моделируется как система массового пружинного демпфера с параметрами J, c и k. Эта система увеличивается с жесткими остановками, чтобы ограничить клапан, открывающийся 90 градусами. Мы знаем компоненты модели, однако, значения параметров системы не известны точно.
Дважды кликните блок Parameter Estimation GUI with preloaded data в модели, чтобы открыть предварительно сконфигурированный сеанс графический интерфейса пользователя оценки.
Сохраненный проект оценки задает три эксперимента; эксперимент EstimationData будет использоваться для оценки параметра, в то время как ValidationData1, ValidationData2 используется для проверки предполагаемых параметров. Эксперимент EstimateData построен.
Данные сигнала для экспериментов могут быть импортированы из различных источников включая переменные MATLAB®, файлы MAT, файлы Excel®, или файлы "запятая разделили значение". См. "Импорт и Предварительную обработку Данных об Эксперименте (графический интерфейс пользователя)" для получения дополнительной информации.
График эксперимента также используется, чтобы видеть, как хорошо результаты измерений совпадают с текущей моделью. Нажмите Plot Model Response, чтобы отобразить моделируемые данные сигнала на графиках эксперимента.
Результаты симуляции показывают, что модель не совпадает с результатами измерений и что параметры модели должны быть оценены.
Следующий шаг должен задать параметр, чтобы оценить. Нажмите Select Parameters, чтобы открыть диалоговое окно, чтобы выбрать параметры модели, чтобы оценить. В этом примере мы предварительно выобрали четыре неизвестных параметра; инерция клапана-бабочки, J; коэффициент затухания, c; коэффициент упругости возврата, k; и задержка в моторном ответе, input_delay.
Поскольку мы знаем от физического понимания, что все эти параметры имеют положительные значения, мы обнуляем их нижние пределы. Мы также помещаем верхнюю границу 0,1 секунд на параметре input_delay. Мы можем также выбрать начальное значение для параметров. Они могут прибыть из некоторых быстрых вычислений некоторых формул, которые определяют параметры.
Кликните по кнопке-переключателю стрелки вправо, чтобы изменить минимум параметра и максимальные границы.
С параметрами для оценки, выбранной, мы выбираем эксперименты, чтобы использовать для оценки. Нажмите Select Experiments и выберите EstimationData для оценки.
Мы теперь почти готовы запустить нашу оценку, но сначала создать графики контролировать прогресс оценки. Нажмите Add Plot и выберите Parameter Trajectory. Это создает график, который показывает, как предполагаемые значения параметров изменяются во время оценки. Кликните по вкладке View к размещению графики так, чтобы Experiment plot:EstimationData и EstimatedParams были оба видимы.
Нажмите кнопку Estimate, чтобы запустить оценку. Можно изменить опции оценки путем установки поля комбинированного списка Cost Function и нажатия на More Options....
В то время как оценка запускает обновление графиков и диалоговое окно, показывающее, что прогресс оценки появляется. Диалоговое окно прогресса показывает итерации оценки, число раз, модель была оценена (F-количество) и стоимость оценки в каждой итерации.
После многих итераций оценка сходится и останавливается. Модель обновляется с предполагаемыми параметрами, и результаты оценки сохранены в браузере данных. Щелкните правой кнопкой мыши по EstimatedParams и выберите Open..., чтобы видеть детали результата оценки.
Важно подтвердить результаты оценки против других экспериментов. Успешная оценка будет не только совпадать с экспериментальными данными, который использовался для оценки, но также и других независимых данных измерений, которые были собраны в экспериментах.
Кликните по вкладке Validation и нажмите Select Experiments, чтобы выбрать эксперименты для валидации. Выберите ValidationData1 и ValidationData2 для валидации.
Нажмите Select Results, чтобы выбрать результат (результаты) оценки использовать для валидации. Выберите EstimatedParams и отмените выбор Use current parameter values.
Нажмите Validate, чтобы подтвердить результат оценки против экспериментов валидации. Валидация моделирует модель с помощью предполагаемых параметров и выбранных экспериментов и создает графики, показывающие измеренное и данные моделирования. Используйте вкладку View для размещения графики так, чтобы Experiment plot:ValidationData1 и Experiment plot:ValidationData2 были оба видимы.
Графики валидации подтверждают, что наша оценка была успешна, показав, что предполагаемые параметры достаточно устойчивы, чтобы обработать множество входных параметров.
Чтобы изучить, как оценить параметры модели с помощью команды sdo.optimize, см. "Оценочные Значения Параметра модели (Код)".
Закройте модель.
