Интерпретация результатов робастной настройки

Когда вы настраиваете систему управления с systune или Control System Tuner, программное обеспечение сообщает о прогрессе настройки и результатах, как описано в Interpret Numeric Tuning Results. Когда вы настраиваете систему управления с неопределенностью параметра, результаты содержат дополнительную информацию о прогрессе алгоритма настройки к настройке для значений параметров наихудшего случая.

Алгоритм робастной настройки

Программное обеспечение начинает устойчивый процесс настройки с настройки для номинальной модели объекта управления. Затем программное обеспечение выполняет следующие шаги итерационно:

  1. Идентифицируйте комбинацию параметров в областях значений неопределенностей, которая нарушает требования проекта (analysis step).

  2. Добавляет модель, оцененную по этим значениям параметров, к набору моделей, над которыми настраивается программное обеспечение.

  3. Повторяет настройку для расширенного набора моделей (tuning step).

Этот процесс завершается, когда шаг анализа не может найти комбинацию параметров, которая приводит к значительно худшему индексу эффективности, чем значение, полученное в последней итерации шага настройки. Индекс эффективности является взвешенной комбинацией мягкого значения ограничения fSoft и значение жесткого ограничения gHard. (Для получения дополнительной информации см. раздел Интерпретация результатов числовой настройки.)

Отображенные результаты

Результатом является то, что при каждой итерации этого процесса алгоритм возвращает область значений значений для каждого из fSoft и gHard. Минимум является лучшим достигнутым значением для этой итерации, настраивая параметры контроллера по всем моделям в расширенном наборе моделей. Максимум является худшим значением, которое программное обеспечение может найти в области значений неопределенностей, используя этот проект (набор настроенных значений параметров контроллера). Эта область значений отражается на отображении по умолчанию в командной строке или в отчете о настройке в Control System Tuner. Например, ниже приведен типичный отчет для устойчивой настройки неопределенной системы с использованием только мягких ограничений.

Soft: [0.906,18.3], Hard: [-Inf,-Inf], Iterations = 106
Soft: [1.02,3.77], Hard: [-Inf,-Inf], Iterations = 55
Soft: [1.25,1.85], Hard: [-Inf,-Inf], Iterations = 67
Soft: [1.26,1.26], Hard: [-Inf,-Inf], Iterations = 24
Final: Soft = 1.26, Hard = -Inf, Iterations = 252

Каждая из первых четырёх линий соответствует одной итерации в процессе устойчивой настройки. В первой итерации мягкие цели удовлетворяются для номинальной системы (fSoft < 1). Этот проект не является устойчивой ко всей области значений неопределенностей, как показано худшим случаем fSoft = 18.3. Добавив эту наихудшую модель к расширенному набору моделей, алгоритм находит новый проект с fSoft = 1.02. Тестирование этого проекта в области значений неопределенностей приводит к худшему случаю fSoft = 3.77. При каждой итерации зазор между эффективностью набора моделей, используемой для настройки, и худшим случаем эффективности уменьшается. В финальной итерации худший случай эффективности совпадает с мультипроизводительностью модели. Значения мультимодели обычно увеличиваются, когда алгоритм настраивает контроллер на больший набор моделей, так что устойчивая fSoft и gHard значения обычно больше номинальных значений. systune возвращает окончательные значения в виде выходных аргументов.

Устойчивая настройка со случайными запусками

Когда вы используете systuneOptions для установки RandomStart > 0программное обеспечение настройки выполняет номинальную настройку из каждой из случайных начальных точек. Затем он выполняет устойчивый процесс настройки на каждом номинальном проекте, начиная с наилучшего проекта. «Искажение» любого конкретного проекта прекращается, когда минимальное значение fSoft (нижняя граница устойчивой эффективности) становится намного выше, чем лучшая устойчивая эффективность, достигнутая до сих пор.

По умолчанию отображение включает в себя fSoft и gHard значения для всех номинальных проектов и результаты каждой итерации устойчивой настройки. Программа выбирает лучший результат устойчивой настройки из числа случайным образом запущенных проектов.

Валидация

Алгоритм робастной настройки находит локально оптимальные проекты, которые соответствуют вашим проектным требованиям. Однако идентификация комбинаций параметров в худшем случае для данного проекта является трудным процессом. Хотя это редко происходит на практике, возможно, что алгоритм пропустит комбинацию параметров в худшем случае. Поэтому рекомендуется независимое подтверждение робастности, такое как использование μ -анализа.

Похожие примеры

Подробнее о

Для просмотра документации необходимо авторизоваться на сайте