控制系统的仿真建模.ppt
《控制系统的仿真建模.ppt》由会员分享,可在线阅读,更多相关《控制系统的仿真建模.ppt(61页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、第5章 控制系统的仿真建模 5.1 问题的描述与模型的定义问题的描述与模型的定义 5.2 控制系统模型的建立控制系统模型的建立5.3 控制系统模型的确认和修改控制系统模型的确认和修改 5.4 控制系统仿真建模的实例控制系统仿真建模的实例 小结小结 5.1 问题的描述与模型的定义 为了研究、分析、设计和实现一个系统,需要进行试验。试验过程基本上可以分为两种:直接在真实系统上进行;用在模型上的试验来代替或部分代替在真实系统上的试验。第二种方法更为常用的方法,主要原因在于:l 系统还处于设计阶段,只能通过在模型上的试验来了解 系统;l 在真实系统上进行试验代价太高,或者可能会引起系统 破坏或发生故障
2、;l 需要进行多次试验时,难以保证每次试验的条件相同,不好判断试验结果的优劣;l 试验时间太长或费用昂贵。上一页下一页返回 人们对系统的了解都是从观察开始的,再经过进一步的研究与加工,建立一个系统本质方面的表达模型。上一页下一页返回5.2 控制系统模型的建立5.2.1 建模要求和原则建模要求和原则5.2.2 建模过程的信息源建模过程的信息源5.2.3 建模方法建模方法5.2.4 最小二乘参数估计最小二乘参数估计5.2.5 模型的阶次辨识模型的阶次辨识5.2.6 控制系统仿真建模的步骤控制系统仿真建模的步骤上一页下一页返回5.2.1 建模要求和原则模型与真实世界之间最重要的关系就是抽象和映射。在
3、建立一个数学描述时,首先需要建立几个抽象,即定义以下几个集合:输入集、输出集、状态变量集。定义了上述集合之后,再在这些抽象的基础上,建立复合的集合结构,包括一些特定的函数关系,通常称这个过程为理论构造。实现抽象模型结构与实际系统之间的联系的过程,称为映射。合理的模型应该是这样的:模型的复杂程度能适度描述一个给定的系统,即在实用前提下的最优(参数最少)。上一页下一页返回5.2.2 建模过程的信息源 建模过程涉及许多信息源,其中主要的是三类:建模目的、先验知识和试验数据,它们的关系如图5.1所示。图5.11建模的目的 数学模型是对实际系统的一种相似描述。目的的不同、选择实体的不同将导致建模过程沿不
4、同方向进行。2先验知识 建模过程应当尽量利用以往的知识源。3试验数据 合适的定量观测是解决建模的另一途径。上一页下一页返回5.2.3 建模方法 1机理建模法机理建模法 运用先验信息,通过数学上的逻辑推导和演绎推理,从理论上建立描述系统中各部分的数学表达式或逻辑表达式。是从一般到特殊的方法,试验数据只被用来证实或否定原始的假设或原理。也称为演绎法或理论建模法。2试验建模法试验建模法 根据观测到的系统行为结果导出与观测结果相符合的模型,是一个从特殊到一般的方法。也称为归纳法或系统辨识法。系统辨识就是按照一个准则在一组模型中选取一个与数据拟合得最好的模型。上一页下一页返回 3综合(混合)建模法综合(
5、混合)建模法 对于那些内部结构和特性有些了解但又不十分清楚的。“灰色”系统(灰箱问题),只能采用综合建模法(机理法、辨识法以及其他一些方法)。上一页下一页返回5.2.4 最小二乘参数估计1.最小二乘法原理最小二乘法原理 2.最小二乘估计的批处理算法最小二乘估计的批处理算法 3.最小二乘估计量的统计性质最小二乘估计量的统计性质 4.参数个数的递推参数个数的递推 上一页下一页返回1.最小二乘法原理 假设z是一根金属轴的长度,t是该金属轴的温度,希望确定轴长z和温度t之间的关系。具体方法是:首先在不同温度t下对变量z进行观测,得到试验数据;然后根据试验数据,寻找一个函数去 拟合它们,同时要确定该函数
6、关系式中的未知参数的值。假设已经确定了模型的类型和结构,即轴长z和温度t之间有如下的线性关系 z=z0(1+t)式中,z0是0时金属轴的长度,是膨胀系数。上一页下一页返回 如果令z0=a,z0=b,则上述函数关系可写成 z=a+bt (5.1)每次观测中总带有测量误差。因此,每次观测所得的轴长并不是真正的轴长zi,而是yi。yi可写成 yi=zi(真值)+vi(随机观测误差)或 yi=a+bti+vi (5.2)式中,yi是可观测的随机变量,ti是可观测的独立变量(非随机变量),vi是不可预测的随机性观测噪声,a和b是待估计的未知参数。根据N次观测数据ti,yi,i=1,N,来估计出模型(5.
7、1)中的未知参数a和b的值。上一页下一页返回 通常采用各次误差的平方和作为总误差 (5.4)这个误误差差平平方方和和函函数数就是在估计参数时所采用的准则函数(或称为性能指标)。由于平方运算也称为“二乘”运算,因此,按照这种原则来估计参数a和b的值的方法称为最小二乘估计法(LS法)。要使J达到极小值,只需分别对a和b求偏导数,并令它们等于零。a和b的估计值应满足下列条件上一页下一页返回而 和 由下列方程组确定 (5.5)得 (5.6)通常将 和 称为最小二乘估计量(LSE)。上一页下一页返回2.最小二乘估计的批处理算法把上述最小二乘法原理应用到离散模型(5.7)(5.7)这里假设待辨识系统的阶次
8、为n。由于观测数据有误差,实际上观测到的系统输出不是z(i),而是y(i),如图5.2所示。图5.2上一页下一页返回将y(i)代入(5.7)式,得 (5.8)式中,e(k)称为残差,表示用观测值y(i)取代模型(5.7)式的计算结果产生的误差。取 (5.9)作为模型参数估计的准则函数,则使J为极小的参数估计就是最小二乘估计。令 (5.10)上一页下一页返回式中,是待估计的2n维参数向量;(N)是N维观测向量;(N)是N维误差向量;(N)是N2n维数据矩阵。(5.8)式和(5.9)式可以重新表示为 (5.12)(5.13)(5.11)上一页下一页返回将(5.12)式代入(5.13)式,可得 (5
9、.14)将J对求导,得 (5.15)在(5.15)式中令 ,由可求得的最小二乘估计 (5.16)上一页下一页返回这个方程叫做正则方程。由此方程就可以得到最小二乘估计值为(5.17)上一页下一页返回(5.17)式所示的参数向量 是根据N组实际观测数据(N)和y对参数的估计值。选用的准则是最小二乘准则,所以称它为最小二乘估计量。为了与其它估计量区别起见,用符号 表示。显然,估计量 是被观测数据y的线性函数,所以最小二乘估计是一种线性估计。(5.9)式表示的准则函数中,假定了每次观测都具有相同的重要性。若考虑到各次观测的不同情况,则可以在准则函数中引入对每次观测的重视程度因子(称为权重)w(i),得
10、上一页下一页返回用矩阵表示,就是 (5.18)式中,权矩阵W为N维对角线矩阵,并规定它是个对称正定阵。加权最小二乘估计量 应满足的正则方程为 (5.19)当 非奇异时,可求得加权最小二乘估计量为 (5.20)当W=I(单位矩阵),加权最小二乘估计就成为最小二乘估计。所以,最小二乘估计是加权最小二乘估计的特例。上一页下一页返回3.最小二乘估计量的统计性质 可以证明:若观测噪声等引起的偏差(N)是白噪声,即:偏差序列e(i)是独立的序列,其数学期望为0,方差为2,用数学公式表示就是 LSE是无偏的、有效的和一致的。一般观测总是在尽可能相同的条件下进行的,每次观测不受其它观测的影响。因此,观测的噪声
11、干扰是近似具有白噪声特性的。以上结论表明,LS法是一种比较好的参数估计法。上一页下一页返回4.参数个数的递推 前面介绍的算法,是在假设系统阶次n已知的情况下,利用已得到观测数据来计算出参数估计量。但是,在实际中有时系统的阶次也不知道。这时,不仅要估计系统的参数,而且要估计系统的阶次。即要用不同阶次的数学模型反复地进行参数估计,直到得到较理想的结果为止。要进行这样的工作就要用同一批数据,在选择不同的阶次n的情况下,反复去解方程(5.17)式或(5.19)式。假设系统阶次为n时,已求出2n个参数估计值后,在假设系统阶次为n+m时,看看这(n+m)个参数估计值如何从原来的2n个参数中递推出来。上一页
12、下一页返回 先介绍一个分块矩阵求逆公式。一般的n+m阶非奇异分块矩阵 中,A A11和A A22分别为n阶和m阶可逆方阵,A A12和A A21分别为nm阶和mn阶矩阵,若D D=A A22-A A21A A11-1A A12为非奇异矩阵,则有 (5.22)设新的参数估计值向量为(5.23)式中,的维数为2n;的维数为2m,即有上一页下一页返回(5.24)同样,新的数据矩阵 也是在原有的基础上增维而成的,即有 (5.25)式中,由(5.11)式给定,而(5.26)上一页下一页返回由正则方程 ,有 (5.27)利用(5.22)式可得(5.28)上一页下一页返回式中(5.29)(5.30)(5.3
13、1)上一页下一页返回把(5.28)式代入(5.27)式,得 即 (5.32)于是,新的阶次下的参数估计量 就可以由原来阶次下的估计量 递推计算出来。上一页下一页返回5.2.5 模型的阶次辨识1模型的阶次与阶次辨识建立一个系统的数学模型时,可能会遇到下列三种情况系统的运动规律是完全了解的,而且系统本身是线性的,可用常微分方程来描述的。这样的系统可以用一个相当精确的线性差分方程来描述。模型的阶次是已知的,建模工作只是估计模型中的参数,无需辨识其阶次。实际系统的阶数是客观存在的,但对系统的先验知识的了解不足以知道其确切值。于是在建模时既要进行阶次辨识,又要进行参数估计。上一页下一页返回 实际系统是分
14、布参数类型的,需要用偏微分方程来描述,而且系统往往是非线性的,甚至其运动规律都还不很清楚。对于这类系统,即使建立了机理模型,要想辨识其参数也是极其困难的,并且实际应用起来也会十分不方便。为此,总希望能用一个线性的差分方程来近似地描述之。这时,数学模型不再具有明显的物理意义,而只是一个抽象的模型,是人为地拼凑出来的。模型的阶次与原来系统就没有什么直接关系了,只是“拼凑”出来的。很多阶次辨识方法都是用参数估计方法作为工具。一般是假定系统阶次是n*=1,2,p,然后在各个假定的阶次下进行参数估计,同时确定一个准则或是一个标准,把不同阶次下得到的结果进行仿真比较,从中找出最合适的阶次以及相应的参数估计
15、量。上一页下一页返回2损失函数检测法(1)损失函数曲线 残差平方和是参数估计量和阶次的函数,又称为损失函数,是对模型精度的一种度量。一般而言,损失函数是随着阶次的增加而递减的,并不一定存在最小值。一般损失函数J与阶次的关系如图5.3所示。起初,随着阶次的增高损失函数下降得很快,然后就基本上就保持不变,有时还会略微有点回升。图5.3上一页下一页返回 因此,阶次的估计值一般选择损失函数平坦部分左端点的阶次值,如图5.3中可选3或4。这时损失函数值较小,阶次也不太高。为此,需要检查J(n*+1)和J(n*),如果它们没有显著的差异,则n*就是阶次的估计值 。(2)显著性检验 为了确定什么是损失函数的
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 控制系统 仿真 建模
限制150内