Simulink ® Модель дроссельной системы Engine

Модель Simulink ® для системы дросселя двигателя, spe_engine_throttle, показано ниже.

Описание модели дросселя

Дроссель управляет массовым потоком воздуха во впускной коллектор двигателя. Корпус дросселя содержит клапан-бабочку, который открывается, когда водитель нажимает на педаль акселератора. Это позволяет большему количеству воздуха входить в цилиндры и заставляет двигатель создавать больше крутящего момента.

Двигатель постоянного тока управляет углом открытия клапана бабочки. Кроме того, к клапану прикреплена пружина для возврата его в закрытое положение при обесточивании двигателя постоянного тока. Величина вращения клапана ограничена приблизительно 90 степенями. Поэтому, если к двигателю применяется большой командный вход, клапан ударяет о жёсткие упоры, препятствуя ему вращаться дальше.

Двигатель моделируется как коэффициент усиления крутящего момента и вход с временной задержкой с параметрами Kt и input_delay. Клапан бабочки моделируется как система масса-пружина-демпфер с параметрами J, c и k. Эта система дополнена жёсткими упорами, чтобы ограничить открытие клапана 90 степенями. Мы знаем компоненты модели, однако значения параметров системы точно не известны.

Оценка данных эксперимента

Дважды кликните Parameter Estimation GUI with preloaded data блокируйте в модели, чтобы открыть предварительно сконфигурированный сеанс графический интерфейс пользователя оценки.

Проект сохраненной оценки задает три эксперимента; а EstimationData эксперимент будет использоваться для оценки параметра, в то время как ValidationData1, ValidationData2 используются для проверки предполагаемых параметров. The EstimateData Строят график эксперимента.

Данные о сигнале для экспериментов могут быть импортированы из различных источников, включая переменные MATLAB ®, файлы MAT, файлы Excel ® или файлы с разделенными запятыми файлами. Для получения дополнительной информации см. раздел Импорт и предварительная обработка данных эксперимента (GUI).

График эксперимента также используется, чтобы увидеть, насколько хорошо измеренные данные соответствуют текущей модели. Нажмите Plot Model Response, чтобы отобразить данные моделируемого сигнала на графиках эксперимента.

Результаты симуляции показывают, что модель не соответствует измеренным данным и что параметры модели должны быть оценены.

Предполагаемые параметры

Следующим шагом является определение параметра для оценки. Нажмите Select Parameters, чтобы открыть диалоговое окно, чтобы выбрать параметры модели для оценки. В этом примере мы предварительно выбрали четыре неизвестных параметра; бабочка клапана инерцией, J; коэффициент демпфирования, c; Возврат коэффициента упругости, k; и задержка во времени в моторной реакции, input_delay.

Поскольку мы знаем из физического понимания, что все эти параметры имеют положительные значения, мы устанавливаем их более низкие пределы в нуль. Мы также накладываем верхнюю границу 0,1 секунды на input_delay параметр. Мы также можем выбрать начальное значение для параметров. Они могут быть получены из некоторых быстрых вычислений некоторых формул, которые определяют параметры.

Щелкните правой стрелой кнопки-переключателя, чтобы изменить минимальную и максимальную границы параметра.

Задача оценки

С выбранными параметрами для оценки мы выбираем эксперименты для оценки. Нажмите Select Experiments и выберите EstimationData для оценки.

Сейчас мы почти готовы начать оценку, но сначала создадим графики для мониторинга прогресса оценки. Нажмите Add Plot и выберите Parameter Trajectory. Это создает график, который показывает, как предполагаемые значения параметров изменяются во время оценки. Щелкните вкладку View, чтобы разметить графики так, чтобы Experiment plot:EstimationData и EstimatedParams оба видны.

Нажмите кнопку Оценка, чтобы начать оценку. Можно изменить опции оценки, установив комбокс Cost Function и нажав More Options....

В то время как оценка запускает обновление графиков и появляется диалоговое окно, показывающее прогресс оценки. Диалоговое окно прогресса показывает итерации оценки, количество раз, когда модель была оценена (количество F), и стоимость оценки в каждой итерации.

После ряда итераций оценка сходится и прекращается. Модель обновляется оценочными параметрами, и результаты оценки сохраняются в браузере данных. Щелкните правой нажатие кнопки EstimatedParams и выберите Открыть... чтобы увидеть детали результата оценки.

Валидация

Важно подтвердить результаты оценки по сравнению с другими экспериментами. Успешная оценка будет не только совпадать с экспериментальными данными, которые использовались для оценки, но и с другими независимыми измеренными данными, которые были собраны в экспериментах.

Щелкните вкладку Валидация и нажмите Выбрать эксперименты, чтобы выбрать эксперименты для валидации. Выберите оба ValidationData1 и ValidationData2 для валидации.

Щелкните Выбрать результаты (Select Results), чтобы выбрать результаты (результаты ) оценки для валидации. Выберите EstimatedParams и отменить выбор Use current parameter values.

Щелкните Валидация, чтобы проверить результат оценки на соответствие экспериментам валидации. Валидация моделирует модель с помощью предполагаемых параметров и выбранных экспериментов и создает графики, показывающие измеренные и симуляционные данные. Используйте вкладку View, чтобы разметить графики так, чтобы Experiment plot:ValidationData1 и Experiment plot:ValidationData2 оба видны.

Графики валидации подтверждают, что наша оценка была успешной, показывая, что предполагаемые параметры достаточно устойчивы, чтобы обрабатывать различные входы.

Похожие примеры

Чтобы узнать, как оценить параметры модели с помощью sdo.optimize команда, см. Оценка значений параметров модели (код).

Закройте модель.