Сложные модели не всегда требуются для хорошего управления. Методы оптимизации, включая методы на основе H ∞, H 2, и µ - теория оптимального управления синтеза, обычно производят контроллеры с, по крайней мере, столькими же состояний сколько модель объекта управления. Команды сокращения порядка модели помогают вам найти менее комплексные аппроксимации младшим порядком к объекту и моделям контроллеров.
ncfmr | Снижение сложности модели из нормированной взаимно-простой факторизации |
reduce | Упрощенный доступ к основанным на сингулярном значении функциям снижения сложности модели Ганкеля |
balancmr | Сбалансированное усечение модели с помощью метода квадратного корня |
bstmr | |
hankelmr | Минимальное приближение степени (MDA) Ганкеля без балансировки |
hankelsv | Вычислите сингулярные значения Ганкеля для устойчивой/нестабильной или непрерывной/дискретной системы |
modreal | Модальная реализация формы и проекция |
schurmr | Сбалансированное усечение модели с помощью метода Шура |
dcgainmr | Уменьшаемая модель порядка |
slowfast | Медленное и быстрое разложение режимов |
Почему уменьшают порядок модели?
В проекте устойчивых контроллеров для сложных систем снижение сложности модели соответствует нескольким целям.
Сингулярные значения Ганкеля задают энергию каждого состояния в системе. Техники снижения сложности модели на основе сингулярных значений Ганкеля могут достигнуть модели уменьшаемого порядка, которая сохраняет важные характеристики системы.
Техники снижения сложности модели
Стандартные программы снижения сложности модели категоризированы в две группы, аддитивную ошибку и мультипликативные ошибочные типы.
Аппроксимированная модель объекта управления аддитивными ошибочными методами
Уменьшайте модель с balancmr и исследуйте получившуюся ошибку модели.
Аппроксимированная модель объекта управления мультипликативным ошибочным методом
Уменьшайте модель с bstmr и исследуйте получившуюся ошибку модели.
modreal позволяет вам уменьшать модель при сохранении jω - полюса оси.
Сокращение крупномасштабных моделей
modreal может быть лучший способ запуститься при сокращении больших моделей.
Нормированное взаимно-простое факторное сокращение
Вычислите модель уменьшаемого порядка путем усечения сбалансированного взаимно-простого набора модели.
Упрощение представления неопределенных объектов
Упростите неопределенные модели, созданные от неопределенных элементов, чтобы гарантировать, что внутреннее представление модели минимально.
