Сложные модели не всегда требуются для хорошего управления. К сожалению, методы оптимизации, включая методы, основанные на H ∞ , H 2 и оптимальной теории управления µ-синтезом, обычно имеют тенденцию производить контроллеры с, по крайней мере, таким же количеством состояний, как и модели объекта управления. Команды сокращения порядка модели помогают вам найти менее сложные аппроксимации младшим порядком для объекта и моделей контроллеров.
reduce | Упрощенный доступ к сингулярному значению Ханкеля, основанному снижением сложности модели функциях |
balancmr | Усечение сбалансированной модели через метод квадратного корня |
bstmr | |
hankelmr | Hankel минимальная степень приближения (MDA) без балансировки |
hankelsv | Вычисление сингулярных значений Ханкеля для стабильной/нестабильной или непрерывной/дискретной системы |
modreal | Реализация и проекция модальной формы |
ncfmr | Усечение сбалансированной модели для нормализованных простых факторов |
schurmr | Усечение сбалансированной модели через метод Шура |
dcgainmr | Модель пониженного порядка |
slowfast | Медленное и быстрое разложение режимов |
В проекте устойчивых контроллеров для сложных систем снижение сложности модели соответствует нескольким целям.
Сингулярные значения Ханкеля определяют энергию каждого состояния в системе. Методы сокращения модели, основанные на сингулярных значениях Ханкеля, могут достичь модели пониженного порядка, которая сохраняет важные характеристики системы.
Снижения сложности модели стандартных программ разделены на две группы, аддитивные ошибки и мультипликативные типы ошибок.
Аппроксимация модели объекта управления с помощью аддитивных методов ошибки
Уменьшите модель с balancmr и исследуйте полученную ошибку модели.
Аппроксимация модели объекта управления с помощью метода мультипликативной ошибки
Уменьшите модель с bstmr и исследуйте полученную ошибку модели.
Использование модальных алгоритмов
modreal позволяет уменьшить модель при сохранении полюсов jω оси.
Сокращение крупномасштабных моделей
modreal может быть лучшим способом начать при сокращении больших моделей.
Нормированное снижение копримного фактора
Вычислите модель пониженного порядка путем усечения сбалансированного общего набора модели.
Упрощение представления неопределенных объектов
Упростите неопределенные модели, созданные из неопределенных элементов, чтобы гарантировать, что внутреннее представление модели минимально.
