Документация

Цели

Оцените и подтвердите линейные модели от multiple-input/single-output (MISO) данные, чтобы найти тот, который лучше всего описывает системную динамику.

После завершения этого примера вы сможете выполнить следующие задачи с помощью командной строки:

Описание данных

Этот пример использует файл данных co2data.mat, который содержит два эксперимента 2D входа и одно выход (MISO) данные временного интервала из установившегося, которое оператор встревожил от значений равновесия.

В первом эксперименте оператор ввел импульсную волну обоим входным параметрам. Во втором эксперименте оператор ввел импульсную волну первому входу и сигнал шага к второму входу.

Загрузка данных в рабочее пространство MATLAB

Загрузите данные.

load co2data

Эта команда загружает следующие пять переменных в рабочее пространство MATLAB:

Для обоих экспериментов входные данные состоят из двух столбцов значений. Первый столбец значений является уровнем химического потребления (в килограммах в минуту), и второй столбец значений является током (в амперах). Выходные данные являются отдельным столбцом уровня производства углекислого газа (в миллиграммах в минуту).

Отображение на графике Данных о вводе/выводе

Постройте входные и выходные данные из обоих экспериментов.

plot(Time,Input_exp1,Time,Output_exp1)
legend('Input 1','Input 2','Output 1')
figure
plot(Time,Input_exp2,Time,Output_exp2)
legend('Input 1','Input 2','Output 1')

Первый график показывает первый эксперимент, где оператор применяет импульсную волну к каждому входу, чтобы встревожить его от его установившегося равновесия.

Второй график показывает второй эксперимент, где оператор применяет импульсную волну к первому входу и сигнал шага к второму входу.

Удаление значений равновесия из данных

Отображение на графике данных, как описано в Отображении на графике Данных о вводе/выводе, показывает, что входные параметры и выходные параметры имеют ненулевые значения равновесия. В этом фрагменте примера вы вычитаете значения равновесия из данных.

Причина вы вычитаете средние значения из каждого сигнала, состоит в том, потому что, обычно, вы создаете линейные модели, которые описывают ответы для отклонений от физического равновесия. С установившимися данными разумно принять, что средние уровни сигналов соответствуют такому равновесию. Таким образом можно искать модели вокруг нуля, не моделируя абсолютные уровни равновесия в физических единицах измерения.

Увеличьте масштаб графиков видеть, что самый ранний момент, когда оператор применяет воздействие к входным параметрам, происходит после 25 минут установившихся условий (или после первых 50 выборок). Таким образом среднее значение первых 50 выборок представляет условия равновесия.

Используйте следующие команды, чтобы удалить значения равновесия из вводов и выводов в обоих экспериментах:

Input_exp1 = Input_exp1-...
   ones(size(Input_exp1,1),1)*mean(Input_exp1(1:50,:));
Output_exp1 = Output_exp1-...
   mean(Output_exp1(1:50,:));
Input_exp2 = Input_exp2-...
   ones(size(Input_exp2,1),1)*mean(Input_exp2(1:50,:));
Output_exp2 = Output_exp2-...
   mean(Output_exp2(1:50,:));

Используя объекты представлять данные для System Identification

Объекты данных System Identification Toolbox™, iddata и idfrd, инкапсулируйте значения данных и свойства данных в одну сущность. Можно использовать команды System Identification Toolbox, чтобы удобно управлять этими объектами данных как одна сущности.

В этом фрагменте примера вы создаете два iddata объекты, один для каждого из двух экспериментов. Вы используете данные из Эксперимента 1 для оценки модели и данные из Эксперимента 2 для проверки допустимости модели. Вы работаете с двумя независимыми наборами данных, потому что вы используете один набор данных в оценке модели и другой для проверки допустимости модели.

Создание iddata Объекты

Вы, должно быть, уже загрузили выборочные данные в рабочую область MATLAB^®, как описано в Загрузке Данных в рабочее пространство MATLAB.

Используйте эти команды, чтобы создать два объекта данных, ze и zv :

Ts = 0.5; % Sample time is 0.5 min
ze = iddata(Output_exp1,Input_exp1,Ts);
zv = iddata(Output_exp2,Input_exp2,Ts);

ze содержит данные из Эксперимента 1 и zv содержит данные из Эксперимента 2. Ts шаг расчета.

iddata конструктор требует трех аргументов для данных временного интервала и имеет следующий синтаксис:

data_obj = iddata(output,input,sampling_interval);

Просмотреть свойства iddata объект, используйте get команда. Например, введите эту команду, чтобы получить свойства данных об оценке:

get(ze)

ans = 

  struct with fields:

              Domain: 'Time'
                Name: ''
          OutputData: [2001x1 double]
                   y: 'Same as OutputData'
          OutputName: {'y1'}
          OutputUnit: {''}
           InputData: [2001x2 double]
                   u: 'Same as InputData'
           InputName: {2x1 cell}
           InputUnit: {2x1 cell}
              Period: [2x1 double]
         InterSample: {2x1 cell}
                  Ts: 0.5000
              Tstart: []
    SamplingInstants: [2001x0 double]
            TimeUnit: 'seconds'
      ExperimentName: 'Exp1'
               Notes: {}
            UserData: []

Чтобы узнать больше о свойствах этого объекта данных, смотрите iddata страница с описанием.

Чтобы изменить свойства данных, можно использовать запись через точку или set команда. Например, чтобы присвоить названия канала и модули, которые подписывают оси графика, введите следующий синтаксис в Окне Команды MATLAB:

% Set time units to minutes
ze.TimeUnit = 'min';
% Set names of input channels
ze.InputName = {'ConsumptionRate','Current'};
% Set units for input variables
ze.InputUnit = {'kg/min','A'};
% Set name of output channel
ze.OutputName = 'Production';
% Set unit of output channel
ze.OutputUnit = 'mg/min';

% Set validation data properties
zv.TimeUnit = 'min';
zv.InputName = {'ConsumptionRate','Current'};
zv.InputUnit = {'kg/min','A'};
zv.OutputName = 'Production';
zv.OutputUnit = 'mg/min';

Можно проверить что InputName свойство ze изменяется, или "индекс" в это свойство:

ze.inputname;

Отображение на графике данных в объекте данных

Можно построить iddata объекты с помощью plot команда.

Отобразите данные об оценке на графике.

plot(ze)

Нижние оси показывают входным параметрам ConsumptionRate и Current, и главные оси показывают выход ProductionRate .

Отобразите данные о валидации на графике в новом окне рисунка.

figure   % Open a new MATLAB Figure window
plot(zv) % Plot the validation data

Увеличьте масштаб графиков видеть, что процесс эксперимента усиливает первый вход (ConsumptionRate ) фактором 2, и усиливает второй вход (Current ) фактором 10.

Выбор подмножества данных

Прежде чем вы начнете, создадите новый набор данных, который содержит только первые 1 000 выборок исходных наборов данных оценки и валидации, чтобы ускорить вычисления.

Ze1 = ze(1:1000);
Zv1 = zv(1:1000);

Для получения дополнительной информации об индексации в iddata объекты, смотрите соответствующую страницу с описанием.

Почему оценка модели неродной и частотной характеристики?

Частотная характеристика и переходной процесс являются непараметрическими моделями, которые могут помочь вам изучить динамические характеристики своей системы. Эти модели не представлены компактной математической формулой корректируемыми параметрами. Вместо этого они состоят из таблиц данных.

В этом фрагменте примера вы оцениваете эти модели с помощью набора данных ze. Вы, должно быть, уже создали ze, как описано в Создании iddata Объекты.

Графики отклика из этих моделей показывают следующие характеристики системы:

Оценка частотной характеристики

Продукт System Identification Toolbox обеспечивает три функции для оценки частотной характеристики:

Используйте spa оценить частотную характеристику.

Ge = spa(ze);

Постройте частотную характеристику как Диаграмму Боде.

bode(Ge)

Амплитуда достигает максимума на частоте 0,54 рад/min, которые предлагают возможное резонирующее поведение (комплексные полюса) для первой комбинации входа к выходу - ConsumptionRate к Production .

В обоих графиках фаза прокручивается прочь быстро, который предлагает задержку обеих комбинаций ввода/вывода.

Оценка эмпирического переходного процесса

Чтобы оценить переходной процесс из данных, сначала оцените непараметрическую модель импульсной характеристики (КИХ-фильтр) из данных и затем постройте его переходной процесс.

% model estimation
Mimp = impulseest(Ze1,60);

% step response
step(Mimp)

Переходной процесс для первой комбинации ввода/вывода предлагает перерегулирование, которое указывает на присутствие underdamped режима (комплексные полюса) в физической системе.

Переходной процесс от второго входа до выхода не показывает перерегулирования, которое указывает или на ответ первого порядка или на ответ высшего порядка с действительными полюсами (сверхослабленный ответ).

Переходный процесс указывает на ненулевую задержку системы, которая сопоставима с быстрым спадом фазы, вы вошли в Диаграмму Боде, которую вы создали в Оценке Эмпирического Переходного процесса.

Почему оценка задерживается?

Чтобы идентифицировать параметрические модели черного ящика, необходимо задать задержку ввода/вывода как часть порядка модели.

Если вы не знаете задержки ввода/вывода своей системы из эксперимента, можно использовать программное обеспечение System Identification Toolbox, чтобы оценить задержку.

Оценка задержек Используя структуру модели ARX

В случае систем одно входа можно считать задержку на графике импульсной характеристики. Однако в случае нескольких - входные системы, такие как та в этом примере, вы можете не мочь сказать, которые вводят, вызвал начальное изменение в выходе, и можно использовать delayest команда вместо этого.

Команда оценивает задержку динамической системы путем оценки младшего разряда, модели ARX дискретного времени с областью значений задержек, и затем выбора задержки что, соответствуя лучшей подгонке.

Структура модели ARX является одним из самого простого черного ящика параметрические структуры. В дискретное время структура ARX является разностным уравнением со следующей формой:

y (t) представляет выход во время t, u (t) представляет вход во время t, _na является количеством полюсов, _nb является количеством b параметров (равный количеству нулей плюс 1), _nk является количеством выборок, прежде чем вход будет влиять на выход системы (названный задержкой или потеря времени модели), и e (t) является бело-шумовым воздействием.

delayest принимает это _na=nb=2 и что шум e является белым или незначительным, и оценивает _nk.

Чтобы оценить задержку этой системы, введите:

delayest(ze)

ans =

     5    10

Этот результат включает два числа, потому что существует два входных параметров: предполагаемой задержкой первого входа является 5 выборками данных и предполагаемой задержкой второго входа является 10 выборки данных. Поскольку шагом расчета для экспериментов является 0.5 min, это соответствует 2.5 - задержка min перед первым входом влияет на выход и 5.0 - задержка min перед вторым входом влияет на выход.

Оценка задержек Используя альтернативные методы

Существует два альтернативных метода для оценки задержки системы:

Почему оценочный порядок модели?

Порядок модели является одним или несколькими целыми числами, которые задают сложность модели. В общем случае порядок модели связан с количеством полюсов, количеством нулей и задержкой ответа (время в терминах количества выборок, прежде чем выход ответит на вход). Определенное значение порядка модели зависит от структуры модели.

Чтобы вычислить параметрические модели черного ящика, необходимо обеспечить порядок модели как вход. Если вы не знаете порядка своей системы, можно оценить его.

После завершения шагов в этом разделе вы получаете следующие результаты:

Позже, вы исследуете различные структуры модели путем определения стоимостей заказов модели, которые являются небольшими изменениями вокруг них первоначальная оценка.

Команды для оценки порядка модели

В этом фрагменте примера вы используете struc, arxstruc, и selstruc оценить и сравнить простые полиномиальные модели (ARX) для области значений порядков модели и задержек, и выбрать лучшие порядки на основе качества модели.

Следующий список описывает результаты использования каждой команды:

Порядок модели для первой комбинации ввода - вывода

В этом примере существует два входных параметров к системе и один выход, и вы оцениваете порядки модели для каждой комбинации ввода/вывода независимо. Можно или оценить задержки от двух входных параметров одновременно или одного входа за один раз.

Это целесообразно пробовать комбинации следующего заказа за первую комбинацию ввода/вывода:

Это вызвано тем, что непараметрические модели, которые вы оценили в Оценке Моделей Импульсной характеристики, показывают, что ответ для первой комбинации ввода/вывода может иметь ответ второго порядка. Точно так же в Оценке Задержек Нескольких - Входная Система, задержка этой комбинации ввода/вывода, как оценивалось, была 5.

Оценить порядок модели для первой комбинации ввода/вывода:

Порядок модели для второй комбинации ввода - вывода

Это целесообразно пробовать комбинации следующего заказа за вторую комбинацию ввода/вывода:

Это вызвано тем, что непараметрические модели, которые вы оценили в Оценке Моделей Импульсной характеристики, показывают, что ответ для второй комбинации ввода/вывода может иметь ответ первого порядка. Точно так же в Оценке Задержек Нескольких - Входная Система, задержка этой комбинации ввода/вывода, как оценивалось, была 10.

Оценить порядок модели для второй комбинации ввода/вывода:

Определение структуры передаточной функции

В этом фрагменте примера вы оцениваете передаточную функцию непрерывного времени. Вы, должно быть, уже подготовили свои данные, как описано в Подготовка данных. Можно использовать следующие результаты предполагаемых порядков модели задать порядки модели:

Можно оценить передаточную функцию этих порядков с помощью tfest команда. Для оценки можно также принять решение просмотреть отчет о выполнении работ путем установки Display опция к on в наборе опции, созданном tfestOptions команда.

Opt = tfestOptions('Display','on');

Соберите порядки модели и задержки в переменные, чтобы передать tfest.

np = [2 1];
ioDelay = [2.5 5];

Оцените передаточную функцию.

mtf = tfest(Ze1,np,[],ioDelay,Opt);

Просмотрите коэффициенты модели.

mtf

mtf =
 
  From input "ConsumptionRate" to output "Production":
                   72.13 s - 1.252
  exp(-2.5*s) * ----------------------
                s^2 + 25.57 s + 0.9572
 
  From input "Current" to output "Production":
                5.234
  exp(-5*s) * ----------
              s + 0.5132
 
Continuous-time identified transfer function.

Parameterization:
   Number of poles: [2 1]   Number of zeros: [1 0]
   Number of free coefficients: 6
   Use "tfdata", "getpvec", "getcov" for parameters and their uncertainties.

Status:                                         
Estimated using TFEST on time domain data "Ze1".
Fit to estimation data: 85.72%                  
FPE: 6.523, MSE: 6.407                          

Отображение модели показывает больше чем 85%-ю подгонку к данным об оценке.

Проверка модели

В этом фрагменте примера вы создаете график, который сравнивает фактический выход и выход модели с помощью compare команда.

compare(Zv1,mtf)

Сравнение показывает приблизительно 60%-ю подгонку.

Остаточный анализ

Используйте resid команда, чтобы оценить характеристики остаточных значений.

resid(Zv1,mtf)

Остаточные значения показывают высокую степень автокорреляции. Это не неожиданно начиная с модели mtf не имеет никаких компонентов, чтобы описать природу шума отдельно. Чтобы смоделировать и измеренную динамику ввода - вывода и динамику воздействия, необходимо будет использовать структуру модели, которая содержит элементы, чтобы описать шумовой компонент. Можно использовать bj, ssest и procest команды, которые создают модели полинома, пространства состояний и структур процесса соответственно. Эти структуры, среди других, содержат элементы, чтобы получить шумовое поведение.

Определение структуры модели процесса

В этом фрагменте примера вы оцениваете младший разряд, передаточная функция непрерывного времени (модель процесса). модели непрерывного времени поддержки продукта System Identification Toolbox с самое большее тремя полюсами (который может содержать полюса underdamped), один нуль, элемент задержки и интегратор.

Вы, должно быть, уже подготовили свои данные, как описано в Подготовка данных.

Можно использовать следующие результаты предполагаемых порядков модели задать порядки модели:

Используйте idproc команда, чтобы создать две структуры модели, один для каждой комбинации ввода/вывода:

midproc0 = idproc({'P2ZUD','P1D'}, 'TimeUnit', 'minutes');

Массив ячеек {'P2ZUD','P1D'} задает структуру модели для каждой комбинации ввода/вывода:

Пример также использует TimeUnit параметр, чтобы задать модуль используемого времени.

Просмотр структуры модели и значений параметров

Просмотрите две получившихся модели.

midproc0

midproc0 =
Process model with 2 inputs: y = G11(s)u1 + G12(s)u2
  From input 1 to output 1:                         
                       1+Tz*s                       
  G11(s) = Kp * ---------------------- * exp(-Td*s) 
                1+2*Zeta*Tw*s+(Tw*s)^2              
                                                    
         Kp = NaN                                   
         Tw = NaN                                   
       Zeta = NaN                                   
         Td = NaN                                   
         Tz = NaN                                   
                                                    
  From input 2 to output 1:                         
             Kp                                     
  G12(s) = ---------- * exp(-Td*s)                  
            1+Tp1*s                                 
                                                    
        Kp = NaN                                    
       Tp1 = NaN                                    
        Td = NaN                                    
                                                    
Parameterization:
    'P2DUZ'    'P1D'
   Number of free coefficients: 8
   Use "getpvec", "getcov" for parameters and their uncertainties.

Status:                                                         
Created by direct construction or transformation. Not estimated.

Значения параметров установлены в NaN потому что они еще не оцениваются.

Определение исходных предположений для задержек

Установите свойство с временной задержкой объекта модели к 2.5 min и 5 min для каждой пары ввода/вывода как исходные предположения. Кроме того, установите верхний предел для задержки, потому что хорошие исходные предположения доступны.

midproc0.Structure(1,1).Td.Value = 2.5;
midproc0.Structure(1,2).Td.Value = 5;
midproc0.Structure(1,1).Td.Maximum = 3;
midproc0.Structure(1,2).Td.Maximum = 7;

Оценка Параметров модели Используя пропояс

procest итеративное средство оценки моделей процессов, что означает, что оно использует итеративный алгоритм нелинейного метода наименьших квадратов, чтобы минимизировать функцию стоимости. Функция стоимости является взвешенной суммой квадратов ошибок.

В зависимости от его аргументов, procest оценивает различные модели полинома черного ящика. Можно использовать procest, например, чтобы оценить параметры для линейной передаточной функции непрерывного времени, пространства состояний или полиномиальных структур модели. Использовать procest, необходимо предоставить структуре модели неизвестные параметры и данные об оценке как входные параметры.

Для этого фрагмента примера вы, должно быть, уже задали структуру модели, как описано в Определении Структуры Модели процесса. Используйте midproc0 как структура модели и Ze1 как данные об оценке:

midproc = procest(Ze1,midproc0);
present(midproc)

                                                                  
midproc =                                                         
Process model with 2 inputs: y = G11(s)u1 + G12(s)u2              
  From input "ConsumptionRate" to output "Production":            
                       1+Tz*s                                     
  G11(s) = Kp * ---------------------- * exp(-Td*s)               
                1+2*Zeta*Tw*s+(Tw*s)^2                            
                                                                  
         Kp = -1.1807 +/- 0.29986                                 
         Tw = 1.6437 +/- 714.6                                    
       Zeta = 16.036 +/- 6958.9                                   
         Td = 2.426 +/- 64.276                                    
         Tz = -109.19 +/- 63.734                                  
                                                                  
  From input "Current" to output "Production":                    
             Kp                                                   
  G12(s) = ---------- * exp(-Td*s)                                
            1+Tp1*s                                               
                                                                  
        Kp = 10.264 +/- 0.048404                                  
       Tp1 = 2.049 +/- 0.054901                                   
        Td = 4.9175 +/- 0.034374                                  
                                                                  
Parameterization:                                                 
    'P2DUZ'    'P1D'                                              
   Number of free coefficients: 8                                 
   Use "getpvec", "getcov" for parameters and their uncertainties.
                                                                  
Status:                                                           
Termination condition: Maximum number of iterations reached..     
Number of iterations: 20, Number of function evaluations: 279     
                                                                  
Estimated using PROCEST on time domain data "Ze1".                
Fit to estimation data: 86.2%                                     
FPE: 6.081, MSE: 5.984                                            
More information in model's "Report" property.                    

В отличие от моделей полинома дискретного времени, модели непрерывного времени позволяют вам оценить задержки. В этом случае предполагаемые значения задержки отличаются от исходных предположений, которые вы задали 2.5 и 5 , соответственно. Большая неопределенность в ориентировочных стоимостях параметров G_1(s) укажите что динамика от входа 1 к выходу не получены хорошо.

Чтобы узнать больше об оценке моделей, смотрите Модели процессов.

Проверка модели

В этом фрагменте примера вы создаете график, который сравнивает фактический выход и выход модели.

compare(Zv1,midproc)

График показывает, что выход модели обоснованно соглашается с измеренным выходом: существует соглашение о 60% между моделью и данными о валидации.

Используйте resid выполнять остаточный анализ.

resid(Zv1,midproc)

Взаимная корреляция между вторым входом и остаточными ошибками является значительной. График автокорреляции показывает значения за пределами области уверенности и показывает, что остаточные значения коррелируются.

Измените алгоритм для итеративной оценки параметра Levenberg-Marquardt.

Opt = procestOptions;
Opt.SearchMethod = 'lm';
midproc1 = procest(Ze1,midproc,Opt);

Тонкая настройка свойств алгоритма или определение начальных предположений параметра и повторное выполнение оценки могут улучшить результаты симуляции. Добавление шумовой модели может улучшить результаты прогноза, но не обязательно результаты симуляции.

Оценка модели процесса с шумовой моделью

Этот фрагмент примера показывает, как оценить модель процесса и включать шумовую модель в оценку. Включая шумовую модель обычно улучшает результаты прогноза модели, но не обязательно результаты симуляции.

Используйте следующие команды, чтобы задать шум ARMA первого порядка:

Opt = procestOptions;
Opt.DisturbanceModel = 'ARMA1';
midproc2 = procest(Ze1,midproc0,Opt);

Можно ввести 'dist' вместо 'DisturbanceModel'. Имена свойства не являются чувствительными к регистру, и только необходимо включать фрагмент имени, которое однозначно определяет свойство.

Сравните получившуюся модель с результатами измерений.

compare(Zv1,midproc2)

График показывает, что выход модели обеспечивает разумное соглашение с выводом данных валидации.

Выполните остаточный анализ.

resid(Zv1,midproc2)

Остаточный график показывает, что значения автокорреляции в доверительных границах. Таким образом добавление шумовой модели производит некоррелированые остаточные значения. Это указывает на более точную модель.

Порядки модели для оценки полиномиальных моделей

В этом фрагменте примера вы оцениваете несколько различных типов черного ящика, моделей полинома ввода - вывода.

Вы, должно быть, уже подготовили свои данные, как описано в Подготовка данных.

Можно использовать следующие предыдущие результаты предполагаемых порядков модели задать порядки полиномиальной модели:

Оценка линейной модели ARX

О Моделях ARX.  Для single-input/single-output системы (SISO) структура модели ARX:

y (t) представляет выход во время t, u (t) представляет вход во время t, _na является количеством полюсов, _nb является количеством нулей плюс 1, _nk является количеством выборок, прежде чем вход будет влиять на выход системы (названный задержкой или потеря времени модели), и e (t) является бело-шумовым воздействием.

Структура модели ARX не различает полюса для отдельных путей к вводу/выводу: деление уравнения ARX A, который содержит полюса, показывает, что A появляется в знаменателе для обоих входных параметров. Поэтому можно установить _na на сумму полюсов для каждой пары ввода/вывода, которая равна 3 в этом случае.

Продукт System Identification Toolbox оценивает параметры $$a_1\dots a_n$$ и $$b_1\dots b_n$$ использование данных и модели приказывает, чтобы вы задали.

Оценка Моделей ARX Используя arx.  Используйте arx вычислить полиномиальные коэффициенты с помощью быстрого, неитеративного метода arx:

marx = arx(Ze1,'na',3,'nb',[2 1],'nk',[5 10]);
present(marx) % Displays model parameters
              % with uncertainty information

                                                                              
marx =                                                                        
Discrete-time ARX model: A(z)y(t) = B(z)u(t) + e(t)                           
                                                                              
  A(z) = 1 - 1.027 (+/- 0.02907) z^-1 + 0.1678 (+/- 0.042) z^-2 + 0.01289 (   
                                                         +/- 0.02583) z^-3    
                                                                              
  B1(z) = 1.86 (+/- 0.189) z^-5 - 1.608 (+/- 0.1888) z^-6                     
                                                                              
  B2(z) = 1.612 (+/- 0.07392) z^-10                                           
                                                                              
Sample time: 0.5 minutes                                                      
                                                                              
Parameterization:                                                             
   Polynomial orders:   na=3   nb=[2 1]   nk=[5 10]                           
   Number of free coefficients: 6                                             
   Use "polydata", "getpvec", "getcov" for parameters and their uncertainties.
                                                                              
Status:                                                                       
Estimated using ARX on time domain data "Ze1".                                
Fit to estimation data: 90.7% (prediction focus)                              
FPE: 2.768, MSE: 2.719                                                        
More information in model's "Report" property.                                

MATLAB оценивает полиномы A , B1 , и B2. Неопределенность для каждого из параметров модели вычисляется к 1 стандартному отклонению и появляется в круглых скобках рядом с каждым значением параметров.

В качестве альтернативы можно использовать следующий краткий синтаксис и задать порядки модели как один вектор:

marx = arx(Ze1,[3 2 1 5 10]);

Доступ к Данным модели.  Модель вы оценили, marx, дискретное время idpoly объект. Чтобы получить свойства этого объекта модели, можно использовать get функция:

get(marx)

                 A: [1 -1.0267 0.1678 0.0129]
                 B: {[0 0 0 0 0 1.8599 -1.6084]  [0 0 0 0 0 0 0 0 0 0 1.6118]}
                 C: 1
                 D: 1
                 F: {[1]  [1]}
    IntegrateNoise: 0
          Variable: 'z^-1'
           IODelay: [0 0]
         Structure: [1x1 pmodel.polynomial]
     NoiseVariance: 2.7436
            Report: [1x1 idresults.arx]
        InputDelay: [2x1 double]
       OutputDelay: 0
                Ts: 0.5000
          TimeUnit: 'minutes'
         InputName: {2x1 cell}
         InputUnit: {2x1 cell}
        InputGroup: [1x1 struct]
        OutputName: {'Production'}
        OutputUnit: {'mg/min'}
       OutputGroup: [1x1 struct]
             Notes: [0x1 string]
          UserData: []
              Name: ''
      SamplingGrid: [1x1 struct]

Можно получить доступ к информации, хранившей этими свойствами с помощью записи через точку. Например, можно вычислить дискретные полюса модели путем нахождения корней A полином.

marx_poles = roots(marx.a)

marx_poles =

    0.7953
    0.2877
   -0.0564

В этом случае вы получаете доступ к A полином с помощью marx.a.

Модель marx описывает системную динамику с помощью трех дискретных полюсов.

Узнать больше.  Чтобы узнать больше об оценке полиномиальных моделей, см. Модели Полинома Ввода - вывода.

Для получения дополнительной информации о доступе к данным модели, смотрите Экстракцию Данных.

Оценка моделей в пространстве состояний

О Моделях в пространстве состояний.  Общая структура модели в пространстве состояний:

y (t) представляет выход во время t, u (t) представляет вход во время t, x (t) является вектором состояния во время t, и e (t) является бело-шумовым воздействием.

Необходимо задать одно целое число как порядок модели (размерность вектора состояния), чтобы оценить модель в пространстве состояний. По умолчанию задержка равняется 1.

Продукт System Identification Toolbox оценивает матрицы пространства состояний A, B, C, D, и K использование порядка модели и данных, которые вы задаете.

Структура модели в пространстве состояний является хорошим выбором для быстрой оценки, потому что это содержит только два параметра: n количество полюсов (размер матрицы A) и nk задержка.

Оценка Моделей в пространстве состояний Используя n4sid.  Используйте n4sid команда, чтобы указать диапазон порядков модели и оценить производительность нескольких моделей в пространстве состояний (порядки 2 - 8):

mn4sid = n4sid(Ze1,2:8,'InputDelay',[4 9]);

Эта команда использует быстрое, неитеративное (подпространство) метод и открывает следующий график. Вы используете этот график решить, какие состояния предоставляют значительный относительный вклад в поведение ввода/вывода, и какие состояния предоставляют самый маленький вклад.

Вертикальная ось является относительной мерой того, сколько каждое состояние вносит в поведение ввода/вывода модели (журнал сингулярных значений ковариационной матрицы). Горизонтальная ось соответствует порядку модели n. Этот график рекомендует n=3, обозначенный красным прямоугольником.

Поле порядка Chosen Order отображает рекомендуемый порядок модели, 3 в этом случае, по умолчанию. Можно изменить выбор порядка при помощи Chosen Order выпадающий список. Примените значение в поле Chosen Order и закройте окно выбора порядка путем нажатия на Apply.

По умолчанию, n4sid использует свободную параметризацию формы пространства состояний. Чтобы оценить каноническую форму вместо этого, установите значение SSParameterization свойство к 'Canonical' . Можно также задать задержку входа к выходу (в выборках) использование 'InputDelay' свойство.

mCanonical = n4sid(Ze1,3,'SSParameterization','canonical','InputDelay',[4 9]);
present(mCanonical);  %  Display model properties

                                                                              
mCanonical =                                                                  
  Discrete-time identified state-space model:                                 
    x(t+Ts) = A x(t) + B u(t) + K e(t)                                        
       y(t) = C x(t) + D u(t) + e(t)                                          
                                                                              
  A =                                                                         
                       x1                  x2                  x3             
   x1                   0                   1                   0             
   x2                   0                   0                   1             
   x3  0.0737 +/- 0.05919  -0.6093 +/- 0.1626    1.446 +/- 0.1287             
                                                                              
  B =                                                                         
             ConsumptionR             Current                                 
   x1   1.844 +/-   0.175   0.5633 +/-  0.122                                 
   x2   1.063 +/-  0.1673    2.308 +/- 0.1222                                 
   x3  0.2779 +/- 0.09615    1.878 +/- 0.1058                                 
                                                                              
  C =                                                                         
               x1  x2  x3                                                     
   Production   1   0   0                                                     
                                                                              
  D =                                                                         
               ConsumptionR       Current                                     
   Production             0             0                                     
                                                                              
  K =                                                                         
               Production                                                     
   x1  0.8674 +/- 0.03169                                                     
   x2  0.6849 +/- 0.04145                                                     
   x3  0.5105 +/- 0.04352                                                     
                                                                              
  Input delays (sampling periods): 4  9                                       
                                                                              
Sample time: 0.5 minutes                                                      
                                                                              
Parameterization:                                                             
   CANONICAL form with indices: 3.                                            
   Feedthrough: none                                                          
   Disturbance component: estimate                                            
   Number of free coefficients: 12                                            
   Use "idssdata", "getpvec", "getcov" for parameters and their uncertainties.
                                                                              
Status:                                                                       
Estimated using N4SID on time domain data "Ze1".                              
Fit to estimation data: 91.39% (prediction focus)                             
FPE: 2.402, MSE: 2.331                                                        
More information in model's "Report" property.                                

mCT1 = n4sid(Ze1, 3, 'Ts', 0, 'InputDelay', [2.5 5])
mCT2 = ssest(Ze1, 3,'InputDelay', [2.5 5])

Узнать больше.  Чтобы узнать больше об оценке моделей в пространстве состояний, смотрите Модели в пространстве состояний.

Оценка модели поля-Jenkins

О Моделях Поля-Jenkins.  Общая структура Поля-Jenkins (BJ):

Чтобы оценить модель BJ, необходимо задать параметры _nb, _nf, _nc, _{без обозначения даты}, и _nk.

Принимая во внимание, что структура модели ARX не различает полюса для отдельных путей к вводу/выводу, модель BJ обеспечивает больше гибкости в моделировании полюсов и нулей воздействия отдельно от полюсов и нулей системной динамики.

Оценка Модели BJ Используя pem.  Можно использовать pem оценить модель BJ. pem итерационный метод и имеет следующий общий синтаксис:

pem(data,'na',na,'nb',nb,'nc',nc,'nd',nd,'nf',nf,'nk',nk)

Чтобы оценить модель BJ, введите:

na = 0;
nb = [ 2 1 ];
nc = 1;
nd = 1;
nf = [ 2 1 ];
nk = [ 5 10];
mbj = polyest(Ze1,[na nb nc nd nf nk]);

Эта команда задает nf=2 , nb=2 , nk=5 для первого входа и nf=nb=1 и nk=10 для второго входа.

Отобразите информацию модели.

present(mbj)

                                                                              
mbj =                                                                         
Discrete-time BJ model: y(t) = [B(z)/F(z)]u(t) + [C(z)/D(z)]e(t)              
  B1(z) = 1.823 (+/- 0.1792) z^-5 - 1.315 (+/- 0.2367) z^-6                   
                                                                              
  B2(z) = 1.791 (+/- 0.06431) z^-10                                           
                                                                              
  C(z) = 1 + 0.1068 (+/- 0.04009) z^-1                                        
                                                                              
  D(z) = 1 - 0.7452 (+/- 0.02694) z^-1                                        
                                                                              
  F1(z) = 1 - 1.321 (+/- 0.06936) z^-1 + 0.5911 (+/- 0.05514) z^-2            
                                                                              
  F2(z) = 1 - 0.8314 (+/- 0.006441) z^-1                                      
                                                                              
Sample time: 0.5 minutes                                                      
                                                                              
Parameterization:                                                             
   Polynomial orders:   nb=[2 1]   nc=1   nd=1   nf=[2 1]                     
   nk=[5 10]                                                                  
   Number of free coefficients: 8                                             
   Use "polydata", "getpvec", "getcov" for parameters and their uncertainties.
                                                                              
Status:                                                                       
Termination condition: Near (local) minimum, (norm(g) < tol)..                
Number of iterations: 6, Number of function evaluations: 13                   
                                                                              
Estimated using POLYEST on time domain data "Ze1".                            
Fit to estimation data: 90.75% (prediction focus)                             
FPE: 2.733, MSE: 2.689                                                        
More information in model's "Report" property.                                

Неопределенность для каждого из параметров модели вычисляется к 1 стандартному отклонению и появляется в круглых скобках рядом с каждым значением параметров.

Полиномы C и D дайте числитель и знаменатель шумовой модели, соответственно.

mbj = bj(Ze1,[2 1 1 1 2 1 5 10]);

Узнать больше.  Чтобы узнать больше об идентификации моделей полинома ввода - вывода, таких как BJ, см. Модели Полинома Ввода - вывода.

Сравнение Выхода Модели к измеренному Выходу

Сравните выход ARX, пространства состояний и моделей Box-Jenkins к измеренному выходу.

compare(Zv1,marx,mn4sid,mbj)

compare строит измеренный выход в наборе данных валидации против симулированного выхода из моделей. Входные данные от набора данных валидации служат входом к моделям.

Выполните остаточный анализ ARX, пространства состояний и моделей Box-Jenkins.

resid(Zv1,marx,mn4sid,mbj)

Все три модели симулируют выход одинаково хорошо и имеют некоррелированые остаточные значения. Поэтому выберите модель ARX, потому что это является самым простым из трех моделей полинома ввода - вывода и соответственно получает динамику процесса.

Симуляция Выхода Модели

В этом фрагменте примера вы симулируете выход модели. Вы, должно быть, уже создали модель midproc2 непрерывного времени, как описано в Оценке Моделей процессов.

Симуляция выхода модели запрашивает следующую информацию:

Например, следующие команды используют iddata и idinput команды, чтобы создать набор входных данных и использовать sim симулировать выход модели:

% Create input for simulation
U = iddata([],idinput([200 2]),'Ts',0.5,'TimeUnit','min');
% Simulate the response setting initial conditions equal to zero
ysim_1 = sim(midproc2,U);

Чтобы максимизировать подгонку между симулированным ответом модели к измеренному выходу для того же входа, можно вычислить начальные условия, соответствующие результатам измерений. Начальные условия оптимальной подгонки могут быть получены при помощи findstates на версии пространства состояний предполагаемой модели. Следующие команды оценивают начальные состояния X0est от набора данных Zv1:

% State-space version of the model needed for computing initial states
midproc2_ss = idss(midproc2);
X0est = findstates(midproc2_ss,Zv1);

Затем симулируйте модель с помощью начальных состояний, оцененных из данных.

% Simulation input
Usim = Zv1(:,[],:);
Opt = simOptions('InitialCondition',X0est);
ysim_2 = sim(midproc2_ss,Usim,Opt);

Сравните симулированный и измеренный выход на графике.

figure
plot([ysim_2.y, Zv1.y])
legend({'model output','measured'})
xlabel('time'), ylabel('Output')

Предсказание будущего Выхода

Много приложений системы управления требуют, чтобы вы предсказали будущие выходные параметры динамической системы с помощью прошлых данных о вводе/выводе.

Например, используйте predict предсказать ответ модели пять шагов вперед:

predict(midproc2,Ze1,5)

Сравните предсказанные выходные значения с измеренными выходными значениями. Третий аргумент compare задает прогноз "пять шагов вперед". Когда вы не задаете третий аргумент, compare принимает бесконечный горизонт прогноза и симулирует выход модели вместо этого.

compare(Ze1,midproc2,5)

Используйте pe вычислить ошибку прогноза Err между предсказанным выходом midproc2 и измеренный выход. Затем постройте ошибочный спектр с помощью spectrum команда.

[Err] = pe(midproc2,Zv1);
spectrum(spa(Err,[],logspace(-2,2,200)))

Ошибки прогноза построены с доверительным интервалом с 1 стандартным отклонением. Ошибки больше в высоких частотах из-за высокочастотной природы воздействия.