Документация

Идентификация установки по данным в командной строке

В этом примере показано, как идентифицировать модель завода в командной строке. Сведения об идентификации моделей с помощью приложения Идентификация системы (System Identification) см. в разделе Идентификация линейных моделей с помощью приложения Идентификация системы (System Identification Toolbox).

Загрузите измеренные входные/выходные данные.

load plantIO

Эта команда импортирует входной сигнал установки, u, выходной сигнал установки, yи время выборки, Ts в рабочую область MATLAB ®.

Создание iddata объект из входных и выходных данных.

mydata = iddata(y,u,Ts);

При необходимости можно назначить имена каналов и единицы измерения для входных и выходных сигналов.

mydata.InputName = 'Voltage';
mydata.InputUnit = 'V';
mydata.OutputName = 'Position';
mydata.OutputUnit = 'cm';

Как правило, перед оценкой модели необходимо предварительно обработать идентификационные данные ввода-вывода. В этом примере следует удалить смещения из входного и выходного сигналов путем уменьшения объема данных.

mydatad = detrend(mydata);

Можно также удалить смещения, создав ssestOptions и задав InputOffset и OutputOffset варианты.

Для этого примера оцените линейную модель пространства состояния второго порядка с использованием данных с отклонением. Чтобы оценить модель дискретного времени, укажите время выборки как Ts.

ss1 = ssest(mydatad,2,'Ts',Ts)

ss1 =
  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
   x1   0.8942  -0.1575
   x2   0.1961   0.7616
 
  B = 
         Voltage
   x1  6.008e-05
   x2   -0.01219
 
  C = 
                  x1       x2
   Position    38.24  -0.3835
 
  D = 
             Voltage
   Position        0
 
  K = 
       Position
   x1   0.03572
   x2    0.0223
 
Sample time: 0.1 seconds
  
Parameterization:
   FREE form (all coefficients in A, B, C free).
   Feedthrough: none
   Disturbance component: estimate
   Number of free coefficients: 10
   Use "idssdata", "getpvec", "getcov" for parameters and their uncertainties.

Status:                                             
Estimated using SSEST on time domain data "mydatad".
Fit to estimation data: 89.85% (prediction focus)   
FPE: 0.0156, MSE: 0.01541                           

Эту идентифицированную установку можно использовать в качестве внутренней модели прогнозирования для контроллера MPC. При этом контроллер преобразует идентифицированную модель в модель с дискретным временем и пространством состояний.

По умолчанию контроллер MPC отбрасывает все неизмеренные компоненты шума из идентифицированной модели. Чтобы настроить шумовые каналы как неизмеренные возмущения, необходимо сначала создать дополненную модель состояния-пространства из идентифицированной модели. Например:

ss2 = ss(ss1,'augmented')

ss2 =
 
  A = 
            x1       x2
   x1   0.8942  -0.1575
   x2   0.1961   0.7616
 
  B = 
          Voltage  v@Position
   x1   6.008e-05    0.004448
   x2    -0.01219    0.002777
 
  C = 
                  x1       x2
   Position    38.24  -0.3835
 
  D = 
                Voltage  v@Position
   Position           0      0.1245
 
Input groups:           
      Name      Channels
    Measured       1    
     Noise         2    
                        
Sample time: 0.1 seconds
Discrete-time state-space model.

Эта команда создает модель state-space, ss2, с двумя входными группами, Measured и Noise, для измеренных и шумовых входов соответственно. При импорте дополненной модели в контроллер MPC каналы в Noise входные группы определяются как неизмеренные нарушения.

Работа с моделями импульсного отклика

С помощью программного обеспечения System Identification Toolbox можно оценить конечную ступенчатую характеристику или конечную импульсную характеристику (FIR), используя измеренные данные. Такие модели, также известные как непараметрические модели, легко определить по данным растений ([1] и [2]) и обладают интуитивной привлекательностью.

Используйте impulseest Функция (System Identification Toolbox) для оценки модели FIR по измеренным данным. Эта функция генерирует коэффициенты FIR, инкапсулированные как idtf(Панель инструментов идентификации системы); то есть модель передаточной функции только с числительными коэффициентами. impulseest особенно эффективен в ситуациях, когда входной сигнал, используемый для идентификации, имеет низкие уровни возбуждения. Чтобы создать прогнозирующий контроллер модели для этого завода, можно преобразовать идентифицированную модель завода FIR в числовую модель LTI. Однако такое преобразование обычно приводит к образованию установки высокого порядка, что может ухудшить конструкцию контроллера. Например, проблемы с численной точностью на заводах высокого порядка могут повлиять на конструкцию оценщика. Этот результат особенно важен для систем MIMO.

Модельные прогнозирующие контроллеры лучше всего работают с параметрическими моделями низкого порядка. Поэтому для проектирования прогнозирующего контроллера модели с использованием измеренных данных завода можно: