Оцените модель процесса, использующую данные о частоте или время
[ возвращает ориентировочное значение смещения во входном сигнале. Входное смещение автоматически оценивается, когда модель содержит интегратор, или когда вы устанавливаете sys,offset] = procest(___)InputOffset опция оценки к 'estimate' использование procestOptions. Используйте offset с любым из предыдущих синтаксисов.
[ возвращает предполагаемые начальные условия как sys,offset,ic] = procest(___)initialCondition объект. Используйте этот синтаксис, если вы планируете симулировать или предсказать ответ модели с помощью тех же входных данных оценки и затем сравнить ответ с теми же выходными данными оценки. Слияние начальных условий дает к лучшему соответствию во время первой части симуляции.
Получите измеренные данные ввода - вывода.
load iddemo_heatexchanger_data; data = iddata(pt,ct,Ts); data.InputName = '\Delta CTemp'; data.InputUnit = 'C'; data.OutputName = '\Delta PTemp'; data.OutputUnit = 'C'; data.TimeUnit = 'minutes';
Оцените первый порядок плюс модель процесса потери времени.
type = 'P1D';
sysP1D = procest(data,type);Сравните модель с данными.
compare(data,sysP1D)
Постройте остаточные значения модели.
figure resid(data,sysP1D);
Рисунок показывает, что остаточные значения коррелируются. С учетом этого добавьте первый порядок компонент воздействия ARMA в модель процесса.
opt = procestOptions('DisturbanceModel','ARMA1'); sysP1D_noise = procest(data,'p1d',opt);
Сравните модели.
compare(data,sysP1D,sysP1D_noise)
Постройте остаточные значения модели.
figure resid(data,sysP1D_noise);
Остатки sysP1D_noise являются некоррелироваными.
Используйте регуляризацию, чтобы оценить параметры сверхпараметрированной модели процесса.
Примите, что усиление известно с более высокой степенью доверия, чем другие параметры модели.
Загрузка данных.
load iddata1 z1;
Оцените неупорядоченную модель процесса.
m = idproc('P3UZ','K',7.5,'Tw',0.25,'Zeta',0.3,'Tp3',20,'Tz',0.02); m1 = procest(z1,m);
Оцените упорядоченную модель процесса.
opt = procestOptions;
opt.Regularization.Nominal = 'model';
opt.Regularization.R = [100;1;1;1;1];
opt.Regularization.Lambda = 0.1;
m2 = procest(z1,m,opt);Сравните выходные параметры модели с данными.
compare(z1,m1,m2);
Регуляризация помогает регулировать процесс оценки к правильным значениям параметров.
Оцените модель процесса после определения исходных предположений для значений параметров и ограничения их.
Получите данные о вводе/выводе.
data = idfrd(idtf([10 2],[1 1.3 1.2],'iod',0.45),logspace(-2,2,256));Задайте параметры модели инициализации оценки.
type = 'P2UZD';
init_sys = idproc(type);
init_sys.Structure.Kp.Value = 1;
init_sys.Structure.Tw.Value = 2;
init_sys.Structure.Zeta.Value = 0.1;
init_sys.Structure.Td.Value = 0;
init_sys.Structure.Tz.Value = 1;
init_sys.Structure.Kp.Minimum = 0.1;
init_sys.Structure.Kp.Maximum = 10;
init_sys.Structure.Td.Maximum = 1;
init_sys.Structure.Tz.Maximum = 10;Задайте опции оценки.
opt = procestOptions('Display','full','InitialCondition','Zero'); opt.SearchMethod = 'lm'; opt.SearchOptions.MaxIterations = 100;
Оцените модель процесса.
sys = procest(data,init_sys,opt);
Начиная с 'Display' опция задана как 'full', прогресс оценки отображен в отдельном окне Plant Identification Progress.
Сравните данные с предполагаемой моделью.
compare(data,sys,init_sys);
Получите данные о вводе/выводе.
load iddata1 z1 load iddata2 z2 data = [z1 z2(1:300)];
data набор данных с 2 входными параметрами и 2 выходными параметрами. Первый вход влияет только на первый выход. Точно так же второй вход влияет только на второй выход.
В предполагаемой модели процесса перекрестные условия, моделируя эффект первого входа на втором выходе и наоборот, должны быть незначительными. Если высшие порядки присвоены тем движущим силам, их оценки показывают высокий уровень неопределенности.
Оцените модель процесса.
type = 'P2UZ';
sys = procest(data,type);type переменная обозначает модель с комплексно-сопряженной парой полюсов, нуля и задержки.
Чтобы оценить неопределенность, постройте частотную характеристику.
w = linspace(0,20*pi,100); h = bodeplot(sys,w); showConfidence(h);
load iddata1 [sys,offset] = procest(z1,'P1DI'); offset
offset = 0.0412
Загрузите данные.
load iddata1ic z1i
Оцените первый порядок плюс модель процесса потери времени sys и возвратите начальные условия в ic. Сначала задайте 'estimate' для 'InitialCondition' обеспечивать программное обеспечение, чтобы оценить ic. 'auto' по умолчанию установка использует 'estimate' method только, когда влияние начальных условий при полной ошибке модели превышает порог. Когда начальные условия оказывают незначительное влияние на полный процесс минимизации ошибки расчета, 'auto'установка использования 'zero'.
opt = procestOptions('InitialCondition','estimate'); [sys,offset,ic] = procest(z1i,'P1D',opt); ic
ic =
initialCondition with properties:
A: -3.8997
X0: -1.0871
C: 4.5652
Ts: 0
ic initialCondition объект, который инкапсулирует свободный ответ sys, в форме пространства состояний, к вектору начального состояния в X0. Можно включить ic когда вы симулируете sys с z1i входной сигнал и сравнивает ответ с z1i выходной сигнал.