Сложные модели не всегда требуются для хорошего управления. К сожалению, методы оптимизации, включая методы на основе H ∞, H2 и µ-synthesis теория оптимального управления, обычно имеют тенденцию производить контроллеры с, по крайней мере, столькими же государств сколько модель завода. Команды уменьшения порядка моделей помогают найти менее сложные аппроксимации низкого порядка для моделей установки и контроллера.
reduce | Упрощенный доступ к функциям снижения стоимости на основе сингулярной модели Hankel |
balancmr | Сбалансированное усечение модели методом квадратного корня |
bstmr | |
hankelmr | Аппроксимация минимальной степени (MDA) Hankel без балансировки |
hankelsv | Вычислить сингулярные значения Ханкеля для стабильной/нестабильной или непрерывной/дискретной системы |
modreal | Реализация и проекция модальной формы |
ncfmr | Сбалансированное усечение модели для нормализованных сопутствующих коэффициентов |
schurmr | Сбалансированное усечение модели методом Шура |
dcgainmr | Модель сокращенного заказа |
slowfast | Разложение медленных и быстрых режимов |
При проектировании надежных контроллеров для сложных систем сокращение модели соответствует нескольким целям.
Сингулярные значения Hankel определяют энергию каждого состояния в системе. Методы снижения модели, основанные на сингулярных значениях Ханкеля, могут обеспечить модель уменьшенного порядка, которая сохраняет важные характеристики системы.
Процедуры сокращения модели подразделяются на две группы: аддитивные и мультипликативные типы ошибок.
Приблизительная модель установки методами аддитивных ошибок
Сокращение модели с помощью balancmr и проверьте результирующую ошибку модели.
Приблизительная модель установки методом мультипликативной ошибки
Сокращение модели с помощью bstmr и проверьте результирующую ошибку модели.
Использование модальных алгоритмов
modreal позволяет уменьшить модель при сохранении полюсов по оси jλ.
modreal может быть лучшим способом начать с сокращения крупных моделей.
Нормализованное снижение коэффициента коприма
Вычислите модель с уменьшенным порядком путем усечения сбалансированного параллельного набора модели.
Упрощение представления неопределенных объектов
Упрощение неопределенных моделей, созданных из неопределенных элементов, для обеспечения минимального внутреннего представления модели.
