В этом примере показано, как использовать данные об эксперименте, чтобы оценить параметры модели. Вы оцениваете параметры системы дросселя механизма.
Откройте модель Simulink®.
open_system('spe_engine_throttle')
Дроссель управляет потоком массы воздуха во впускной коллектор механизма. Тело дросселя содержит клапан-бабочку, который открывается, когда драйвер надавливает на педаль акселератора. Это позволяет большему количеству воздуха ввести цилиндры и заставляет механизм производить больше крутящего момента.
Двигатель постоянного тока управляет вводным углом клапана-бабочки. Существует также пружина, присоединенная к клапану, чтобы возвратить его в его закрытую позицию, когда двигатель постоянного тока обесточивается. Объем вращения клапана ограничивается приблизительно 90 градусами. Поэтому, если большой ввод команд применяется к двигателю, клапан поражает жесткие упоры, препятствующие тому, чтобы он вращался далее.
Двигатель моделируется как усиление крутящего момента и вход с временной задержкой параметрами Kt и input_delay. Клапан-бабочка моделируется как система массового пружинного демпфера параметрами J, c и k. Эта система увеличивается с жесткими упорами, чтобы ограничить открытие клапана 90 градусами. Компоненты модели известны, однако, значения параметров системы не известны точно.
Дважды кликните Оценку Параметра с предварительно загруженным блоком данных в модели, чтобы открыть предварительно сконфигурированный сеанс графический интерфейса пользователя оценки.
Сохраненный проект оценки задает три эксперимента; EstimationData эксперимент используется для оценки параметра, в то время как ValidationData1, ValidationData2 используются для проверки предполагаемых параметров. EstimateData эксперимент построен.
Данные сигнала для экспериментов могут быть импортированы из различных источников включая переменные MATLAB®, файлы MAT, файлы Excel®, или файлы "запятая разделили значение". Смотрите Импорт и Предварительную обработку Данных об Эксперименте (графический интерфейс пользователя) для получения дополнительной информации.
График эксперимента также используется, чтобы видеть, как хорошо результаты измерений совпадают с текущей моделью. Нажмите Plot Model Response, чтобы отобразить симулированные данные сигнала на графиках эксперимента.
Результаты симуляции показывают, что модель не совпадает с результатами измерений и что параметры модели должны быть оценены.
Следующий шаг должен задать параметр, чтобы оценить. Нажмите Select Parameters, чтобы открыть диалоговое окно, чтобы выбрать параметры модели, чтобы оценить. Этот пример содержит четыре неизвестных параметра; инерция клапана-бабочки, J; коэффициент демпфирования, c; коэффициент упругости возврата, k; задержка в моторном ответе, input_delay.
Поскольку известно от физического понимания, что все эти параметры имеют положительные значения, обнуляют их нижние пределы. Кроме того, поместите верхнюю границу 0,1 секунд на input_delay параметр. Можно также выбрать начальное значение для параметров. Они могут прибыть из некоторых быстрых вычислений некоторых формул, которые определяют параметры.
Кликните по кнопке-переключателю стрелки вправо, чтобы изменить минимум параметра и максимальные границы.
После выбора параметров для оценки выберите эксперименты, чтобы использовать для оценки. Нажмите Select Experiments и выберите EstimationData для оценки.
Можно теперь запустить оценку, но сначала создать графики контролировать прогресс оценки. Нажмите Add Plot и выберите Parameter Trajectory. Это создает график, который показывает, как предполагаемые значения параметров изменяются во время оценки. Кликните по вкладке View к размещению графики так, чтобы Эксперимент plot:EstimationData и EstimatedParams был оба видим.
Нажмите кнопку Estimate, чтобы запустить оценку. Можно изменить опции оценки путем установки поля комбинированного списка Cost Function и нажатия на More Options.
В то время как оценка запускается, обновление графиков и диалоговое окно, показывающее, что прогресс оценки появляется. Диалоговое окно прогресса показывает итерации оценки, число раз, модель была оценена (F-количество) и стоимость оценки в каждой итерации.
После многих итераций оценка сходится и завершает работу. Модель обновляется предполагаемыми параметрами, и результаты оценки сохранены в браузере данных. Чтобы видеть детали результата оценки, щелкните правой кнопкой по EstimatedParams и выберите Open.
Важно подтвердить результаты оценки против других экспериментов. Успешная оценка будет не только совпадать с экспериментальными данными, который использовался для оценки, но также и других независимых данных измерений, которые были собраны в экспериментах.
Чтобы выбрать эксперименты для валидации, кликните по вкладке Validation и нажмите Select Experiments. Выберите ValidationData1 и ValidationData2 для валидации.
Нажмите Select Results, чтобы выбрать результат (результаты) оценки использовать для валидации. Выберите EstimatedParams и отмените выбор Use current parameter values.
Нажмите Validate, чтобы подтвердить результат оценки против экспериментов валидации. Валидация симулирует модель с помощью предполагаемых параметров и выбранных экспериментов и создает графики, показывающие измеренное и данные моделирования. Используйте вкладку View для размещения графики так, чтобы Эксперимент plot:ValidationData1 и Эксперимент plot:ValidationData2 были оба видимы.
Графики валидации подтверждают, что оценка была успешна. Графики также показывают, что предполагаемые параметры достаточно устойчивы, чтобы обработать множество входных параметров.
Изучить, как оценить параметры модели с помощью sdo.optimize команда, смотрите Оценочные Значения Параметра модели (Код).
Закройте модель.
bdclose('spe_engine_throttle')