Документация

Модель Simulink® системы дросселя Engine

Модель Simulink® для системы дросселя механизма, spe_engine_throttle, показывают ниже.

Отрегулируйте образцовое описание

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.

Данные об эксперименте оценки

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.

Предполагаемые параметры

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.

Задача оценки

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.

Валидация

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.

Связанные примеры

Чтобы изучить, как оценить параметры модели с помощью команды sdo.optimize, см. "Оценочные Значения Параметра модели (Код)".

Закройте модель.