Когда вы настраиваете систему управления с systune или Control System Tuner, отчеты программного обеспечения относительно настраивающегося прогресса и результатов как описано в Интерпретируют Числовые Настраивающие Результаты. Когда вы настраиваете систему управления с неопределенностью параметра, результаты содержат дополнительную информацию о прогрессе настраивающегося алгоритма к настройке для значений параметров худшего случая.
Программное обеспечение начинает устойчивый настраивающий процесс путем настройки для номинальной модели объекта управления. Затем программное обеспечение выполняет следующие шаги итеративно:
Идентифицируйте комбинацию параметра в областях значений неопределенности, которая нарушает конструктивные требования (analysis step).
Добавляет модель, оцененная в этих значениях параметров к набору моделей, по которым настраивается программное обеспечение.
Повторения, настраивающиеся для расширенной модели, устанавливают (tuning step).
Этот процесс завершает работу, когда аналитический шаг не может найти комбинацию параметра, которая дает к значительно худшему индексу эффективности, чем значение, полученное в последней итерации настраивающегося шага. Индекс эффективности является взвешенной комбинацией мягкого ограничительного значения fSoft и трудное ограничительное значение gHard. (См., Интерпретируют Числовые Настраивающие Результаты для получения дополнительной информации.)
Результат состоит в том, что на каждой итерации этого процесса, алгоритм возвращает область значений значений для каждого fSoft и gHard. Минимум является лучшим достигнутым значением для той итерации, настраивая параметры контроллера по всем моделям в расширенном наборе модели. Максимум является худшим значением, которое программное обеспечение может найти в области значений неопределенности, с помощью того проекта (набор настроенных значений параметров контроллера). Эта область значений отражается в отображении по умолчанию в командной строке или в Настраивающемся Отчете в Control System Tuner. Например, следующее является типичным отчетом для устойчивой настройки неопределенной системы с помощью только мягкие ограничения.
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 четырех линий соответствует одной итерации в устойчивом настраивающем процессе. В первой итерации мягким целям удовлетворяют для номинальной системы (fSoft < 1). Тот проект не устойчив против целой области значений неопределенности, как показано худшим случаем fSoft = 18.3. Добавляя, что модель худшего случая к расширенному набору модели, алгоритм находит новый проект с fSoft = 1.02. Тестирование того проекта в области значений неопределенности дает к худшему случаю fSoft = 3.77. С каждой итерацией сужается разрыв между эффективностью набора модели, используемого для настройки и эффективностью худшего случая. В итоговой итерации эффективность худшего случая совпадает с мультипроизводительностью модели. Значения мультимодели обычно увеличиваются, когда алгоритм настраивает контроллер против большего набора моделей, так, чтобы устойчивый fSoft и gHard значения обычно больше, чем номинальная стоимость. systune возвращает окончательные значения как выходные аргументы.
Когда вы используете systuneOptions установить RandomStart > 0, настраивающееся программное обеспечение выполняет номинальную настройку от каждой из случайных начальных точек. Это затем выполняет устойчивый настраивающий процесс на каждом номинальном проекте, начиная с лучшего проекта. “robustification” какого-то конкретного проекта прерывается когда минимальное значение fSoft (нижняя граница на устойчивой эффективности), становится намного выше, чем лучшая устойчивая эффективность, достигнутая до сих пор.
Отображение по умолчанию включает fSoft и gHard значения для всех номинальных проектов и результатов каждой устойчиво настраивающейся итерации. Программное обеспечение выбирает лучший результат устойчивой настройки из числа случайным образом запущенных проектов.
Устойчиво настраивающийся алгоритм находит локально оптимальные проекты, которые соответствуют вашим конструктивным требованиям. Однако идентификация комбинаций параметра худшего случая для данного проекта является трудным процессом. Несмотря на то, что это редко происходит на практике, для алгоритма возможно пропустить комбинацию параметра худшего случая. Поэтому независимое подтверждение робастности, такой как использование μ - анализ, рекомендуется.
