Алгоритмы Online estimation оценивают параметры и состояния модели, когда новые данные доступны во время операции физической системы. Использование программного обеспечения System Identification Toolbox™, линейное, расширенное, и сигма-точечный фильтр Калмана или алгоритмы фильтра частиц для онлайновой оценки состояния. Тулбокс использует рекурсивные ошибочные алгоритмы минимизации предсказания для онлайновой оценки параметра.
Рассмотрите нагревание и систему охлаждения, которая не имеет предшествующей информации о среде, в которой это действует. Предположим, что эта система должна нагреть или охладить комнату, чтобы достигнуть определенной температуры в заданном количестве времени. Чтобы выполнить ее цель, система должна получить знание характеристик температуры и изоляции комнаты. Можно оценить характеристики изоляции комнаты, в то время как системой является (операционный) online. Для этой оценки используйте системное усилие в качестве входа и комнатной температуры как выход. Можно использовать предполагаемую модель, чтобы улучшить поведение системы. Онлайновая оценка идеальна для оценки маленьких отклонений в значениях параметров системы в известной рабочей точке.
Распространенные приложения онлайновой оценки включают:
Адаптивное управление — Оценка модель объекта управления, чтобы изменить контроллер на основе изменений в модели объекта управления.
Обнаружение отказа — Сравнивает онлайновую модель объекта управления с идеализированной или ссылочной моделью объекта управления, чтобы обнаружить отказ (аномалия) на объекте.
Мягкое обнаружение — Генерирует “измерение” на основе предполагаемой модели объекта управления и использует это измерение для обнаружение отказа или управления с обратной связью.
Верификация качества данных эксперимента прежде, чем запустить оффлайновую оценку — Перед использованием результатов измерений для оффлайновой оценки, выполните онлайновую оценку для нескольких итераций. Онлайновая оценка обеспечивает быструю проверку того, использовал ли эксперимент сигналы возбуждения, которые получили соответствующую системную динамику.
Онлайновая оценка параметра обычно выполняется с помощью рекурсивного алгоритма. Чтобы оценить значения параметров на временном шаге, рекурсивные алгоритмы используют текущие измерения и предыдущие оценки параметра. Поэтому рекурсивные алгоритмы эффективны в терминах использования памяти. Кроме того, рекурсивные алгоритмы имеют меньшие вычислительные требования. Этот КПД делает их подходящий для онлайн-приложений и встраиваемых приложений. Для получения дополнительной информации об алгоритмах, смотрите Рекурсивные алгоритмы для Онлайновой Оценки Параметра.
В System Identification Toolbox можно выполнить онлайновую оценку параметра Simulink® или в командной строке:
В Simulink используйте Recursive Least Squares Estimator и блоки Recursive Polynomial Model Estimator, чтобы выполнить онлайновую оценку параметра. Можно также оценить модель в пространстве состояний онлайн из этих моделей при помощи Recursive Polynomial Model Estimator, и Model Type Converter блокируется вместе. Можно сгенерировать код C/C++ и Структурированный текст для этих блоков с помощью программного обеспечения Simulink Coder™ и Simulink PLC Coder™.
В командной строке использовать recursiveAR, recursiveARMA, recursiveARX, recursiveARMAX, recursiveOE, recursiveBJ, и recursiveLS команды, чтобы оценить параметры модели для вашей структуры модели. В отличие от оценки Simulink, можно изменить свойства рекурсивного алгоритма оценки во время онлайновой оценки. Можно сгенерировать код и автономные приложения с помощью MATLAB® Программное обеспечение Coder и MATLAB Compiler™.
Когда вы выполняете онлайновую оценку параметра Simulink или в командной строке, следующие требования применяются:
Модель должна быть линейным дискретным временем или почти линейным параметрами, которые медленно варьируются со временем.
Структура предполагаемой модели должна быть зафиксирована во время оценки.
iddata объект не поддерживается во время онлайновой оценки параметра. Задайте выходные данные оценки как действительный скаляр и входные данные как действительный скаляр или вектор.
Можно выполнить онлайновую оценку состояния систем в командной строке и в Simulink:
В Simulink используйте Kalman Filter, Extended Kalman Filter, Unscented Kalman Filter или блоки Particle Filter, чтобы выполнить онлайновую оценку состояния дискретного времени линейные и нелинейные системы. Можно сгенерировать код C/C++ для этих блоков с помощью программного обеспечения Simulink Coder. Для блока Kalman Filter можно также сгенерировать Структурированный текст с помощью программного обеспечения Simulink PLC Coder.
В командной строке использовать extendedKalmanFilter, unscentedKalmanFilter и particleFilter команды, чтобы оценить состояния дискретного времени нелинейные системы. Эти команды реализуют расширенный фильтр Калмана (EKF) дискретного времени, сигма-точечный фильтр Калмана (UKF) и алгоритмы фильтра частиц. Для получения дополнительной информации об алгоритмах, смотрите Расширенный и Алгоритмы Сигма-точечного фильтра Калмана для Онлайновой Оценки состояния. Можно сгенерировать код и автономные приложения с помощью программного обеспечения MATLAB Coder и MATLAB Compiler.
Когда вы выполняете онлайновую оценку состояния в Simulink или в командной строке, следующие требования применяются:
Система должна быть дискретным временем. Если вы используете блок Kalman Filter, система может также быть непрерывным временем.
iddata объект не поддерживается во время онлайновой оценки состояния. Задайте данные ввода - вывода оценки как действительные скаляры или векторы.
[1] Ljung, L. System Identification: Теория для Пользователя. Верхний Сэддл-Ривер, NJ: PTR Prentice Hall, 1999, стр 428–440.
[2] Саймон, D. Оптимальная оценка состояния: Кальман, H бесконечность и нелинейные подходы. John Wiley and Sons Inc., 2006.
recursiveAR | recursiveARMA | recursiveARX | recursiveARMAX | recursiveOE | recursiveBJ | recursiveLS | extendedKalmanFilter | unscentedKalmanFilter | particleFilter