Сложные модели не всегда требуются для хорошего управления. К сожалению, методы оптимизации, включая методы на основе H ∞, H 2, и µ - теория оптимального управления синтеза, обычно имеют тенденцию производить контроллеры с, по крайней мере, столькими же состояний сколько модель объекта управления. Команды сокращения порядка модели помогают вам найти менее комплексные аппроксимации младшим порядком к объекту и моделям контроллеров.
reduce | Упрощенный доступ к основанным на сингулярном значении функциям снижения сложности модели Ганкеля |
balancmr | Сбалансированное усечение модели с помощью метода квадратного корня |
bstmr | Сбалансированное стохастическое усечение модели (BST) с помощью метода Шура |
hankelmr | Минимальное приближение степени (MDA) Ганкеля без балансировки |
hankelsv | Вычислите сингулярные значения Ганкеля для устойчивой/нестабильной или непрерывной/дискретной системы |
modreal | Модальная реализация формы и проекция |
ncfmr | Сбалансированное усечение модели для нормированных взаимно-простых факторов |
schurmr | Сбалансированное усечение модели с помощью метода Шура |
dcgainmr | Уменьшаемая модель порядка |
slowfast | Медленное и быстрое разложение режимов |
Почему уменьшают порядок модели?
В проекте устойчивых контроллеров для сложных систем снижение сложности модели соответствует нескольким целям.
Сингулярные значения Ганкеля задают энергию каждого состояния в системе. Техники снижения сложности модели на основе сингулярных значений Ганкеля могут достигнуть модели уменьшаемого порядка, которая сохраняет важные характеристики системы.
Техники снижения сложности модели
Стандартные программы снижения сложности модели категоризированы в две группы, аддитивную ошибку и мультипликативные ошибочные типы.
Аппроксимированная модель объекта управления аддитивными ошибочными методами
Уменьшайте модель с balancmr
и исследуйте получившуюся ошибку модели.
Аппроксимированная модель объекта управления мультипликативным ошибочным методом
Уменьшайте модель с bstmr
и исследуйте получившуюся ошибку модели.
modreal
позволяет вам уменьшать модель при сохранении jω - полюса оси.
Сокращение крупномасштабных моделей
modreal
может быть лучший способ запуститься при сокращении больших моделей.
Нормированное взаимно-простое факторное сокращение
Вычислите модель уменьшаемого порядка путем усечения сбалансированного взаимно-простого набора модели.
Упрощение представления неопределенных объектов
Упростите неопределенные модели, созданные от неопределенных элементов, чтобы гарантировать, что внутреннее представление модели минимально.