В этом примере показано, как использовать Simulink® Design Optimization™, чтобы оценить параметры модели муфты, созданной с помощью библиотечных блоков Simscape™ Driveline™.
Требует Simscape Driveline
Модель Simulink® системы муфты, simple_clutch, показан ниже.
Эта модель состоит из двух инерции, связанной муфтой. Первоначально, давление применилось к пластинам муфты, нуль, и Инерция 2 имеет нулевую скорость. Постоянный крутящий момент также применяется к Инерции 1. Если давление муфты начинает увеличиваться, Инерция 2 начинает вращаться. Однако трение между пластинами муфты вызывает уменьшение так, чтобы эти две инерции ускорилась на различных уровнях и имела различные скорости.
Система муфты состоит из двух вращательной инерции и муфты. Давление подано к пластинам муфты, который затем связывает эти две инерции. Блок Simscape Driveline используется, чтобы смоделировать муфту, которая имеет зависимый скоростью коэффициент трения, линейно варьирующийся от C1 на уровне 0 рад/с к C2 на уровне 10 рад/с.
Коэффициенты трения (C1, C2) в блоке Controllable Friction Clutch неизвестны и оцениваются с помощью экспериментальных данных в выходных скоростях Инерции 1 и Инерции 2.
Во вкладке Apps нажмите Parameter Estimator под Системами управления, чтобы запустить инструмент Parameter Estimation.
Запущенный пользовательский интерфейс Оценки Параметра состоит из проектов, где мы храним наши наборы экспериментальных данных и результаты оценки. Эти проекты могут быть сохранены и снова использованы позже.
В качестве альтернативы можно дважды кликнуть оранжевый блок в левом нижнем углу схемы Simulink. Это перезагрузит проект, который уже был сохранен.
В общем случае оценка параметров модели состоит из трех основных шагов: импорт экспериментальных данных устанавливает в проект, выбор параметров модели для оценки, и выполнения оценки и анализа результатов.
У нас есть два набора выходных данных в этой системе муфты. Первый, EstimationData, будет использоваться в оценке параметра и другой, ValidationData, в проверке ответа модели Simulink предполагаемыми параметрами.
В первом эксперименте давление муфты следует за профилем Сигнала 1, предоставленного блоком Clutch Pressure в модели Simulink. Этот сигнал применяет наращивание и давление пандуса вниз на пластины муфты. Нажмите Add Plot по Оценке Параметра пользовательский интерфейс и выберите EstimationData, чтобы просмотреть выходные скорости инерции в ответ на этот вход. Такие наборы данных могли также быть импортированы из различных источников включая переменные MATLAB®, файлы MAT, файлы Excel®, или файлы "запятая разделили значение".
Значения параметров для коэффициентов трения не известны точно. Нажатие на Plot Model Response обеспечивает взгляд на ответ этой системы и показывает, что не совпадает с экспериментальными данными, следовательно параметры должны быть оценены для лучшей подгонки.
Мы будем использовать набор экспериментальных данных EstimationData, чтобы оценить параметры трения системы муфты.
Первый шаг должен задать переменные, которые будут оценены. Это устанавливает, какие параметры симуляции могут быть настроены, и любые правила, управляющие их значениями. Нажмите Select Parameters, чтобы задать параметры, которые будут оценены. Здесь мы хотим оценить коэффициенты трения C1 и C2 в блоке Controllable Friction Clutch модели Simulink. В предварительно загруженном примере оценки параметра эти параметры были уже заданы для оценки. Если там известны границы на значениях параметров, они могут быть установлены в минимальных и максимальных полях.
Затем нажмите Select Experiments, чтобы задать, какие эксперименты должны использоваться в оценке. Возможно использовать один или несколько наборов данных целиком по данной оценке. Для нашего примера мы будем использовать набор данных под названием EstimationData.
Вы теперь готовы запустить оценку. Нажмите Estimate, чтобы запустить процесс оценки. Мы обеспечиваем много методов оценки, включая минимизацию нелинейного метода наименьших квадратов, градиентный спуск, поиск шаблона или симплексный поиск. Рабочая оценка будет варьироваться параметры модели для того, чтобы уменьшать ошибку между симуляцией выходные параметры и экспериментальными данными. Во время оценки эксперимент отображает результаты измерений показа на графике, и ответ симуляции будет обновленный. Когда значения параметров улучшаются, кривая симуляции должна стать ближе к кривой экспериментальных данных. Кроме того, график траектории покажет значения параметров в каждой итерации. Эти кривые должны достигнуть установившийся, когда значения параметров становятся ближе к своим физическим значениям.
Кроме того, таблица в Отчете о выполнении работ Оценки покажет данные относительно процесса оценки, такого как количество итераций, количество симуляций и функция стоимости. Значение функции стоимости представляет степень подгонки между ответом симуляции и данными об оценке. Это значение уменьшилось бы в каждой итерации, указав на объем улучшения подгонки.
Если мы завершаем оценку, важно подтвердить результаты против других наборов данных. Успешная оценка должна смочь к не, только совпадают с экспериментальными данными, которые мы использовали в оценке, но также и других наборах данных, которые мы собрали в наших экспериментах.
Во втором наборе экспериментальных данных мы имеем для системы муфты, давление муфты следует за профилем Сигнала 2, предоставленного блоком Clutch Pressure в модели Simulink. Этот сигнал подает периодическое давление на пластинах муфты. Чтобы использовать это, сначала дважды кликните на Ручном блоке switch, чтобы изменить входной сигнал в тот, используемый в данных о валидации (Сигнал 2). Затем по Оценке Параметра пользовательский интерфейс, кликните по вкладке Validation, нажмите Select Experiments и выберите эксперимент ValidationData для валидации. Это содержит выходные данные, соответствующие, чтобы ввести от Сигнала 2. Наконец, нажмите Validate, чтобы выполнить валидацию. График эксперимента сравнит ответ симуляции с экспериментальными данными. Мы видим, что соответствие очень хорошо.
Таким образом, мы выполнили оценку, задав эксперимент с измеренными выходными данными и определяя определенные параметры быть оцененными. Мы затем проверяли значения параметров путем проверки с различным набором данных, вселения веры в значениях параметров.
Закройте модель
