Пример использования бензина

Этот пример использует:

В этом примере показано, как автоматически сгенерировать mbcmodel проект для исследования примера бензина с помощью функций командной строки. Во-первых, вы создаете и загружаете данные в проект. Затем вы создадите план тестирования, краевые модели и ответы. Затем вы удаляете выбросы данных и создаете модели функций. Наконец, вы делаете двухступенчатую модель и строите график крутящего момента от искры. В примере используется DIVCP_Main_DoE_Data.mat файл в mbctraining папка.

Создание нового `mbcmodel` Проект

Используйте CreateProject функция для создания проекта.

project = mbcmodel.CreateProject;

Загрузка данных в проект

Используйте функции для группирования данных в тесты, удаления плохих данных и удаления тестов, у которых недостаточно данных, чтобы соответствовать локальным моделям.

datafile = fullfile( mbcpath, 'mbctraining', 'DIVCP_Main_DoE_Data.mat' );
data = CreateData( project, datafile );

BeginEdit( data );

% Group data by test number GDOECT.
DefineTestGroups( data, 'GDOECT', 0.5, 'GDOECT', false );
% Get rid of data which is probably unstable.
AddFilter( data, 'RESIDFRAC < 35' );
AddFilter( data, 'AFR > 14.25' );
% Get rid of the tests that are too small.
AddTestFilter( data, 'length(BTQ) > 4' );

% Commit the changes to the project.
CommitEdit( data );

Создайте план тестирования

Определите входы для плана тестирования.

LocalInputs = mbcmodel.modelinput('Symbol','S',...
    'Name','SPARK',...
    'Range',[0 50]);
GlobalInputs = mbcmodel.modelinput('Symbol',{'N','L','ICP','ECP'},...
    'Name',{'SPEED','LOAD','INT_ADV','EXH_RET'},...
    'Range',{[500 6000],[0.0679    0.9502],[-5 50],[-5 50]});
% Create test plan.
testplan = CreateTestplan( project, {LocalInputs,GlobalInputs} );
% Attach data to the test plan.
AttachData( testplan, data );

Построение граничных моделей

Создайте глобальную модель контура и добавьте ее в дерево плана тестирования.

B = CreateBoundary(testplan.Boundary.Global,'Star-shaped');
% Add boundary model to the test plan. The boundary model is fitted when it
% is added to the boundary model tree. The boundary model is included in
% the best boundary model for the tree by default. 
% All inputs are used in the boundary model by default.
B = Add(testplan.Boundary.Global,B);

% Make a boundary model using only speed and load and add to the
% boundary tree. 
B.ActiveInputs = [true true false false];
B = Add(testplan.Boundary.Global,B);
% Look at the global boundary tree.
testplan.Boundary.Global

ans = 
  Tree with properties:

         Data: [189×4 double]
       Models: {[1×1 mbcboundary.Model]  [1×1 mbcboundary.Model]}
    BestModel: [1×1 mbcboundary.Boolean]
       InBest: [1 1]
     TestPlan: [1×1 mbcmodel.testplan]

Построение ответов

Создайте модели отклика для крутящего момента, температуры выхлопных газов и остаточной фракции. Используйте локальную полиномиальную модель сплайна для крутящего момента. Для температуры выхлопа и остаточной дроби используйте локальную полиномиальную модель с данной величиной.

LocalTorque  = mbcmodel.CreateModel('Local Polynomial Spline',1);
LocalTorque.Properties.LowOrder = 2;
% Use the default global model.
GlobalModel = testplan.DefaultModels{2};
CreateResponse(testplan,'BTQ',LocalTorque,GlobalModel,'Maximum');
% make exhaust temperature and residual fraction models
LocalPoly  = mbcmodel.CreateModel('Local Polynomial with Datum',1);
CreateResponse(testplan,'EXTEMP',LocalPoly,GlobalModel,'Linked');
CreateResponse(testplan,'RESIDFRAC',LocalPoly,GlobalModel,'Linked');

Удаление локальных выбросов

Удалите данные, если abs(studentized residuals) > 3. The Gasoline_project использует другой процесс, чтобы решить, какие выбросы удалить.

TQ_response = testplan.Responses(1);
numTests = TQ_response.NumberOfTests;
LocalBTQ = TQ_response.LocalResponses;
for tn = 1:numTests
    % Find observations with studentized residuals greater than 3
    studentRes = DiagnosticStatistics( LocalBTQ, tn, 'Studentized residuals' );
    potentialOut  = abs( studentRes )> 3;
    if any(potentialOut)
        % Don't update response feature models until end of loop
        RemoveOutliersForTest( LocalBTQ, tn, potentialOut , false);
    end
    % get local model for test and look at summary statistics
    mdl = ModelForTest(LocalBTQ,tn);
    if ~strcmp(mdl.Status,'Not fitted')
        LocalStats = SummaryStatistics(mdl);
    end
end

Обновите функции отклика.

UpdateResponseFeatures(LocalBTQ);

Удалите точки, где MBT < 0 или MBT

> 60

Удалите точки, где максимальный момент привода (MBT) меньше 0 или больше 60.

knot = LocalBTQ.ResponseFeatures(1);
PointsToRemove = knot.DoubleResponseData<0 | knot.DoubleResponseData>60;
knot.RemoveOutliers(PointsToRemove);

Создайте модели функций альтернативного отклика

Составьте список этих альтернативных моделей функций отклика. Выберите лучшую модель, основанную на информационных критериях Akaike (AICc).

Квадратный
Кубический
RBF с областью значений центров
Полином-RBF с областью значений центров

Получите базовую модель. Это используется для создания других моделей.

rf = LocalBTQ.ResponseFeatures(1);
BaseModel = rf(1).Model;

Создайте квадратичную модель, которая использует Minimize PRESS для подгонки. Добавьте его в список.

m = BaseModel.CreateModel('Polynomial');
m.Properties.Order = [2 2 2 2];
m.FitAlgorithm = 'Minimize PRESS';
mlist = {m};

Создайте кубическую модель и добавьте ее в список.

m.Properties.Order = [3 3 3 3];
m.Properties.InteractionOrder = 2;
mlist{2} = m;

Сделайте модели RBF с областью значений центров. Максимальное количество центров задается в алгоритме выбора центра.

m = BaseModel.CreateModel('RBF');
Centers = [50 80];
Start = length(mlist);
mlist = [mlist cell(size(Centers))];
for i = 1:length(Centers)
    fitAlgorithm = m.FitAlgorithm.WidthAlgorithm.NestedFitAlgorithm;
    fitAlgorithm.CenterSelectionAlg.MaxCenters = Centers(i);
    m.FitAlgorithm.WidthAlgorithm.NestedFitAlgorithm = fitAlgorithm;
    mlist{Start+i} = m;
end

Создайте модели Polynomial-RBF с областью значений центров.

m = BaseModel.CreateModel('Polynomial-RBF');
m.Properties.Order = [2 2 2 2];
Start = length(mlist);
mlist = [mlist cell(size(Centers))];
for i = 1:length(Centers)
    % Maximum number of centers is set in the nested fit algorithm
    m.FitAlgorithm.WidthAlgorithm.NestedFitAlgorithm.MaxCenters = Centers(i);
    mlist{Start+i} = m;
end

Сделайте альтернативные модели для каждого признака отклика и выберите лучшую модель, основанную на AICc.

criteria = 'AICc';
CreateAlternativeModels( LocalBTQ, mlist, criteria );

Изменение моделей функций отклика

Получите альтернативные отклики для модели узла. Измените модели с помощью ступенчатой регрессии.

knot = LocalBTQ.ResponseFeatures(1);
AltResponse = knot.AlternativeResponses(1);

Получите пошаговую статистику.

knot_model = AltResponse.Model;
[stepwise_stats,knot_model] = StepwiseRegression(knot_model);

Использование PRESS чтобы найти лучший термин для изменения. Переключение пошагового статуса термина с индексом.

[bestPRESS, ind] = min(stepwise_stats(:,4));
[stepwise_stats,knot_model] = StepwiseRegression(knot_model, ind);

Получите статистическую величину отклонения коэффициента инфляции (VIF).

VIF = MultipleVIF(knot_model)

Получите RMSE.

RMSE = SummaryStatistics(knot_model, 'RMSE')

RMSE = 5.1578

Измените модель на Polynomial-RBF с максимум 10 центрами.

new_knot_model = knot_model.CreateModel('Polynomial-RBF');
new_knot_model.Properties.Order = [1 1 1 1];
new_knot_model.FitAlgorithm.WidthAlgorithm.NestedFitAlgorithm.MaxCenters = 10;
% Fit the model with current data.
[new_knot_model,S] = fit(new_knot_model);

Если проблем с изменениями нет, обновите ответ. В противном случае продолжите использовать исходную модель.

if strcmp(new_knot_model.Status,'Fitted')
    new_RMSE = SummaryStatistics(new_knot_model,'RMSE')  
    % Update the response with the new model.
    UpdateResponse(new_knot_model);
end

new_RMSE = 3.5086

Создайте двухступенчатую модель для крутящего момента

Создайте двухступенчатую модель для крутящего момента.

doMLE = true;
MakeHierarchicalResponse( LocalBTQ, doMLE );
% Look at the Local and Two-Stage RMSE.
BTQ_RMSE = SummaryStatistics( LocalBTQ, {'Local RMSE', 'Two-Stage RMSE'} )

BTQ_RMSE = 1×2

    0.8319    4.6117

Постройте график двухступенчатой модели крутящего момента против искры

Постройте график зависимости крутящего момента от искры для теста 5.

testToPlot = 5;
BTQInputData = TQ_response.DoubleInputData(testToPlot);
BTQResponseData = TQ_response.DoubleResponseData(testToPlot);
BTQPredictedValue = TQ_response.PredictedValue( BTQInputData );
fig = figure;
plot( BTQInputData(:,1), BTQResponseData, 'o',...
    BTQInputData(:,1), BTQPredictedValue, '-' );
xlabel( 'spark' );
ylabel( 'torque' );
title( 'Test 5' );
grid on

Создание других ответов

Следуйте этим шагам, чтобы создать модели отклика для температуры выхлопных газов и остаточной фракции.

Скопируйте выбросы из модели крутящего момента.
Создайте альтернативные модели для каждой функции отклика.
Создайте двухэтапную модель без максимальной оценки правдоподобия (MLE).

Температурная характеристика выхлопных газов

EXTEMP = testplan.Responses(2).LocalResponses(1);
EXTEMP.RemoveOutliers(OutlierIndices(LocalBTQ));
CreateAlternativeModels( EXTEMP,mlist, criteria );
MakeHierarchicalResponse( EXTEMP, false );
EXTEMP_RMSE = SummaryStatistics( EXTEMP, {'Local RMSE', 'Two-Stage RMSE'} )

EXTEMP_RMSE = 1×2

   10.5648   27.9941

Реакция остаточной дроби

RESIDFRAC = testplan.Responses(3).LocalResponses(1);
RESIDFRAC.RemoveOutliers(OutlierIndices(LocalBTQ));
CreateAlternativeModels( RESIDFRAC,mlist, criteria );
ok = MakeHierarchicalResponse( RESIDFRAC, false );
RESIDFRAC_RMSE = SummaryStatistics( RESIDFRAC, {'Local RMSE', 'Two-Stage RMSE'} )

RESIDFRAC_RMSE = 1×2

    0.0824    0.5596

if isgraphics(fig)
    % delete figure made during example
    delete(fig)
end

См. также

Model-Based Calibration Toolbox документация

Поддержка

Сообщество Экспонента

Документация