2.1 Идентификация объекта автоматизации

Под идентификацией динамических объектов понимают процедуру определения структуры и параметров их математических моделей, которые при одинаковом входном сигнале объекта и модели обеспечивают близость выхода модели к выходу объекта при наличие какого-то критерия качества.

Обычно идентификация - многоэтапная процедура. Основные ее этапы следующие:

1. Структурная идентификация - заключается в определении структуры математической модели на основании теоретических соображений.

2. Параметрическая идентификация - включает в себя проведение идентифицирующего эксперимента и определение оценок параметров модели по экспериментальным данным.

3. Проверка адекватности - проверка качества модели в смысле выбранного критерия близости выходов модели и объекта.

Для проведения идентификации технологического объекта управления воспользуемся пакетом System Identification Toolbox (SIT) из состава MATLAB.

Пакет System Identification Toolbox содержит средства для создания математических моделей линейных динамических объектов (систем) на основе наблюдаемых входных/выходных данных. Он имеет удобный графический интерфейс, позволяющий организовывать данные и создавать модели. Методы идентификации, входящие в пакет применимы для решения широкого класса задач - от проектирования систем управления и обработки сигналов до анализа временных рядов.

Обработка массива данных с помощью пакета System Identification Toolbox предполагает следующие этапы:

1. обработка и преобразование данных с целью создания файла данных;

2. непараметрическое оценивание данных с целью предварительного определения основных характеристик ТОУ;

3. параметрическое оценивание данных с целью создания различных видов моделей с тета-формате;

4. задание структуры модели;

5. изменение и уточнение структуры модели (если это необходимо);

6. проверка адекватности и сравнение различных видов моделей с целью выбора наилучшей;

7. преобразование модели тета-формата в вид удобный для дальнейшего использования при анализе и синтезе системы управления.

В результате проведенного эксперимента был получен массив данных состоящий из 2 тысяч значений входного параметра (скорость вытягивающей пары, м/с) и 2 тысяч значений выходного параметра (линейная плотность, ктекс). Интервал дискретизации равен 2.5 (t_s=2.5). Для загрузки в рабочую область MATLAB массива данных необходимо выполнить команду:

>> load datta

После выполнения команды в рабочей области появились массив входных переменных u и массив выходного параметра y.

Интервал дискретизации указывается дополнительно:

>> ts=2.5

ts = 2.5

Для объединения исходных данных в единый файл воспользуемся командой:

>> dan=iddata(y(951:1050),u(951:1050),ts)

Time domain data set with 100 samples.

Sampling interval: 2.5

Outputs Unit (if specified)

y1

Inputs Unit (if specified)

u1

Сформированный файл указывает, что он содержит результаты 100 измерений с интервалом дискретизации 2.5 с. Входными переменными является массив u, а выходным параметром y.

Для наглядности сформированного файла необходимо в его структуру ввести обозначения входных и выходных данных, а также их размерностей:

>> set(dan,InputName,Скорость вятягивающей пары,OutputName,Линейная плотность)

>> set(dan,InputUnit,м/с,OutputUnit,ктекс)

Для просмотра полной информации о полученном файле воспользуемся командой:

>> get(dan)

ans =

Domain: Time

Name: []

OutputData: [100x1 double]

y: Same as OutputData

OutputName: {Линейная плотность}

OutputUnit: {ктекс}

InputData: [100x1 double]

u: Same as InputData

InputName: {Скорость вятягивающей пары}

InputUnit: {м/с}

Period: Inf

InterSample: zoh

Ts: 2.5000

Tstart: []

SamplingInstants: [100x0 double]

TimeUnit:

ExperimentName: Exp1

Notes: []

UserData: []

Для графического представления данных воспользуемся командой:

>> plot(dan)

Рисунок 2.1.1 Графическое представление исходных данных

Для дальнейшего использования полученных исходных данных необходимо провести предварительную обработку этих данных с целью удаления тренда из набора данных и если необходимо отфильтровать данные с помощью имеющихся средств в пакете System Identification Toolbox. Данные операции проведем в графическом интерфейсе System Identification Toolbox, который запускается из командной строки командой:

>> ident

Opening ident ....... done.

В результате выполнения этой команды появляется диалоговое окно показанное на рисунке 2.1.2. На начальной стадии идентификации с использованием графического интерфейса после проведения эксперемента необходимо сформировать файл данных, в нашем примере таким файлом является dan.

В левом верхнем углу окна выберем в раскрывающемся списке Data вариант Import. Это приведет к открытию диалогового окна показанного на рисунке 2.1.3.

В поле окна Data Format for Signals выбираем IDDATA object. В поле Iddata вводим название нашего файла dan (см. рисунок 2.1.3)

Рисунок 2.1.3 Окно параметров импорта

Запустим режим быстрого старта, для чего в падающем меню Operations выберем Quick Start (см. рисунок 2.1.4).

Рисунок 2.1.4 Импорт файла данных выполнен

Во время выполнения этого режима производится:

· Удаление тренда из массива экспериментальных данных;

· Формирование усеченных массивов данных с именами dande и dandv для построения моделей.

Рисунок 2.1.5 Завершен импорт и преобразование данных

После проведения предварительной обработки данных можно приступить к нахождению оценки модели.

В предложенном списке Estimate выбираем Parametric models (см. рисунок 2.1.6), данный выбор приведет к открытию диалогового окна задания структуры модели (см. рисунок 2.1.7).

Рисунок 2.1.6 Выбираем параметрические модели

Получим параметрические модели из предложенного списка (ARX, ARMAX, OE, BJ, State Space см. рисунок 2.1.7), оценка производится нажатием кнопки Estimate. Существует возможность изменить параметры модели в редакторе Order Editor. Воспользуемся значениями по умолчанию, за исключением ARX и State Space, у которых параметры выберем, нажав кнопку Order Selection.

Рисунок 2.1.7 Окно выбора структуры моделей

После того как были получены все 5 моделей объекта управления (см. рисунок 2.1.8), можно приступит к выбору одной из них, которая будет использоваться далее для получения передаточной функции ТОУ.

Рисунок 2.1.8 Получены 5 моделей ТОУ

Для выбора модели следует пользоваться средствами которые предоставляет System Identification Toolbox:

· Transient resp (переходная характеристика);

· Frequency resp (частотные характеристики);

· Zeros and poles (графики нулей и полюсов);

· Noise spectrum(графики спектров шумов).

Выбор отображаемых на этих графиках моделей осуществляется выделением соответствующих в окне списка моделей.

Для анализа модели ТОУ возьмем модель n4s3, для чего перетащим ее на иконку To Workspace, при этом модель n4s3 появится в рабочем пространстве MATLAB.

Полученная модель представлена в так называемом тета - формате и является дискретной. Для преобразования модели из тета - формата в вид удобный для дальнейшего использования в пакете System Identification Toolbox имеются специальные функции.

Преобразуем модель тета-формата многомерного объекта в вектор передаточных функций, связанных с выбранным входом:

>> [n,d]=th2tf(n4s3)

n = 0 -0.0113 0.0188 0.0580

d = 1.0000 -1.7658 1.0929 -0.2527

где n, d соответственно числитель и знаменатель дискретной передаточной функции.

Получим дискретную передаточную функцию:

>> zn4s=tf(n,d,ts)

Transfer function: -0.01133 z^2 + 0.01876 z + 0.05795

z^3 - 1.766 z^2 + 1.093 z - 0.2527

Sampling time: 2.5

Преобразуем дискретную модель в непрерывную и представим ее в виде передаточной функции:

>> sn4s=d2c(zn4s)

Transfer function:

0.01754 s^2 - 0.02422 s + 0.008271

--------------------------------------

s^3 + 0.5502 s^2 + 0.1395 s + 0.009408

Приведенные передаточные функции являются одной и той же моделью, записанной в разных формах и форматах.

Проанализируем динамические характеристики модели. Для чего построим переходную характеристику ТОУ для дискретной и непрерывной моделей и определим основные показатели переходного процесса.

На графиках переходных процессов ступенчатой линией представлен переходной процесс дискретной модели, а сплошной линией - непрерывной модели. Основные характеристики переходного процесса следующие:

· Время нарастания переходного процесса (Rise time) составляет для дискретной модели 22.5, а для непрерывной - 22.2;

· Время регулирования (Setting time) составляет для дискретной модели 37.5, а для непрерывной - 37.5;

· Установившееся значение выходной величины (Final value) для дискретной модели и непрерывной - 0.879.

Для построения переходной характеристики воспользуемся командой:

>> step(zn4s,sn4s)

Рисунок 2.1.9 Переходные характеристики дискретной и непрерывной моделей

Для построения импульсной характеристики воспользуемся командой:

>> impulse(zn4s,sn4s)

Рисунок 2.1.10 Импульсные характеристики дискретной и непрерывной моделей

Основными характеристиками модели ТОУ при подаче на вход единичного импульсного воздействия являются (см. рисунок 2.1.10):

· Пиковая амплитуда (Peak amplitude) составляет для дискретной модели 12.5, а для непрерывной - 11.1.

· Время регулирования составляет для дискретной модели 45 с., а для непрерывной модели 42.3 с.

Определим частотные характеристики моделей с помощью команды:

>> bode(zn4s,sn4s)

Рисунок 2.1.11 Частотные характеристики дискретной и непрерывной моделей

На графиках частотных характеристик ЛАХ и ЛФХ указаны значения запасов устойчивости (см. рисунок 2.1.11):

· по амплитуде (Gain Margin), которые для дискретной модели составляют 9.19 dB, а для непрерывной модели - 10.3 dB.

· по фазе (Phase Margin), которые для дискретной и непрерывной модели равны бесконечности.

Анализ частотных характеристик показывает, что модели zn4s и sn4s являются устойчивыми с соответствующими запасами устойчивости по амплитуде. Запас устойчивости по фазе равен бесконечности.

Этот вывод подтверждается так же комплексной амплитудно-фазовой характеристикой АФХ, которая в зарубежной литературе называется диаграммой Найквиста, так как годограф АФХ не пересекает точку комплексной плоскости с координатами -1,j0.

Для построения АФХ необходимо воспользоваться командой:

>> nyquist(zn4s,sn4s)

Рисунок 2.1.12 Амплитудно фазовые характеристики дискретной и непрерывной моделей

Значения запасов устойчивости можно определить также и в режиме командной строки MATLAB с помощью команды

где Gm - запас устойчивости по амплитуде в натуральных величинах на частоте Wcg, Pm - запас устойчивости по фазе на частоте Wcp.

Как видно, определение запасов устойчивости последним способом позволяет значительно точнее вычислять эти значения, чем на графиках частотных характеристик.

Определим статический коэффициент усиления модели ТОУ с помощью команды:

>> k=dcgain(sn4s)

k=

0.8791

Для решения задач анализа и синтеза систем управления важно знать ответ на другой не менее важный вопрос, чем полученные временные, частотные и статистические характеристики: обладает ли объект свойством управляемости в смысле возможности его перевода из заданной начальной точки (или области) в заданную конечную точку (или область)? До второй половины девятнадцатого столетия проблема управляемости - проблема установления обладания объектом свойством управляемости решалась чисто интуитивно на основе инженерных знаний и опыта. В настоящее время, с развитием метода переменных состояния стало возможным строгое определение свойства управляемости и установление критерия управляемости.

Решение проблемы управляемости основано на анализе уравнений переменных состояния и формулируется следующим образом: объект называется вполне управляемым, если выбором управляющего воздействия u(t) на интервале времени [t_0> t_k;] можно перевести его из любого начального состояния y(t_o) в произвольное заранее заданное конечное состояние y(t_k).

Критерием управляемости линейных стационарных объектов является условие: для того чтобы объект был вполне управляем, необходимо и достаточно, чтобы ранг матрицы управляемости

М_и = (В АВ А²В ... А^n-1 В)

равнялся размерности вектора состояний п

rang M_u = n.

В пакете Control System Toolbox имеется функция ctrb, формирующая матрицу управляемости в пространстве состояний. Для того, чтобы воспользоваться этой функцией необходимо вычислить матрицы А, В, С, D с помощью команды:

>> [A,B,C,D]=ssdata(sn4s)

A =

-0.5502 -0.1395 -0.0188

1.0000 0 0

0 0.5000 0

B =

0.2500

0

0

C =

0.0702 -0.0969 0.0662

D =

0

Вычислим матрицу управляемости:

>> Mu=ctrb(A,B)

Mu =

0.2500 -0.1375 0.0408

0 0.2500 -0.1375

0 0 0.1250

Определим ранг матрицы управляемости:

>> n1=rank(Mu)

n1 =

3

Таким образом, для исследуемой модели объекта размерность вектора состояний, определяемая размером матриц А и В равна трем и ранг матрицы управляемости М_u также равен трем, что позволяет сделать вывод о том, что объект автоматизации является вполне управляемым, т.е. для него имеется такое управляющее воздействие u(t), которое способно перевести на интервале времени [t_o, t_k] объект из любого начального состояния у (t_o) в произвольное заранее заданное конечное состояние y(t_k).

При синтезе оптимальных систем с обратной связью сами управления получаются как функции от фазовых координат. В общем случае фазовые координаты являются абстрактными величинами и не могут быть исследованы. Поддается измерению (наблюдению) вектор у = (у₁, ...,y_k)^T , который обычно называют выходным вектором или выходной переменной, а его координаты - выходными величинами. Выходная переменная функционально связана с фазовыми координатами, и для реализации управления с обратной связью необходимо определить фазовые координаты по измеренным значениям выходной переменной. В связи с этим возникает проблема наблюдаемости, заключающаяся в установлении возможности состояния определения состояния объекта (фазового вектора) по измеренным значениям выходной переменной на некотором интервале.

Решение проблемы наблюдаемости основано на анализе уравнений переменных состояния и формулируется следующим образом: объект называется вполне наблюдаемым, если по реакции y(t_k) на выходе объекта, на интервале времени [t₀, t_k] при заданном управляющем воздействии u(t) можно определить начальное состояние вектора переменных состояния x(t), являющихся фазовыми координатами объекта.

Критерием наблюдаемости линейных стационарных объектов является условие: для того, чтобы объект был вполне наблюдаемым, необходимо и достаточно, чтобы ранг матрицы наблюдаемости

My = (С^ТА^ТС^Т (А^Т)²С^Т ... (A^T)^n-1C)

равнялся размерности вектора состояния

п = rang M_Y.

Определим матрицу наблюдаемости:

>> My=obsv(A,C)

My =

0.0702 -0.0969 0.0662

-0.1355 0.0233 -0.0013

0.0978 0.0182 0.0025

Определим ранг матрицы наблюдаемости:

>> n2=rank(My)

n2 =

3

Таким образом, для исследуемой модели объекта размерность вектора состояний, определяемая размером матриц А и С равна трем и ранг матрицы наблюдаемости M_Y также равен трем, что позволяет сделать вывод о том, что объект автоматизации является вполне наблюдаемым, т.е. для него всегда можно определить по, значениям выходной величины y(t) вектор переменных состояния, необходимый для синтеза системы управления.