- •Раздел 1. Основные понятия теории моделирования.
- •Понятие модели.
- •Особенности модели.
- •2. Виды моделей.
- •3. Моделирование.
- •4. Виды моделирования.
- •Раздел 2. Построение моделей. Подходы к построению моделей.
- •Получение данных.
- •Обработка данных.
- •Выбор структуры модели.
- •Оценивание параметров модели выбранной структуры.
- •Сущность метода наименьших квадратов.
- •Оценка соответствия модели экспериментальным данным.
- •Оценка значимости коэффициентов.
- •2. Оценка адекватности модели.
- •Общая структура
- •Обучение с использованием натурно - модельных воздействий
-
Оценивание параметров модели выбранной структуры.
Для оценивания параметров статических моделей и проверки их адекватности наибольшее распространение получили 2 метода:
1) регрессионный анализ;
2) корреляционный анализ.
Оба этих метода включают как задачу параметрического оценивания, связанную с нахождением значений коэффициентов модели выбранной структуры, так и определение соответствий этих моделей и экспериментальных данных. В качестве процедуры параметрического оценивания оба этих метода используют МНК. Но проверка соответствий модельных и экспериментальных данных в этих методах осуществляется различно. Эти различия вызваны тем, что области их применения различны. Это очень важно, т. к. во многих публикациях, в том числе и в учебной литературе, практически не объясняются различия между этими двумя способами. Их часто не различают, иногда называя корреляционно-регрессионным анализом, что методически неверно.
Эти 2 метода следует различать по области их применения. Регрессионный анализ рекомендуется использовать для отображения причинно-следственных связей, а корреляционный для равнозначных в смысле причинно-следственных связей воздействий.
у1
1
у2
2
Рис. 11
О.И.
(22)
(23)
(22) и (23) – зависимости, отражающие причинно-следственные связи объекта – оригинала.
Мы можем записать след. образом
у1 = φ1 (у2) (24)
у2 = φ2 (у1) (25)
В свою очередь зависимости (24) и (25) отражают взаимосвязь между одинаковыми в смысле причинно-следственных связей воздействиями . Эта связь в реальном объекте не является причинно-следственной; ее называют косвенной, опосредованной, т.к. она обусловлена одновременным влиянием входных воздействий на выходные воздействия . Причем эта связь не является однонаправленной и можно находить зависимости, как в виде (24), так и (25), так как здесь нет ни причин ни следствий. В то время как зависимость не имеет физического смысла. Практически зависимость вида (24) и (25) могут применяться при косвенных измерениях, когда один из факторов, например, доступен для измерения с высокой точностью, а измерить сложно или с большими затратами. В этом случае ставят эксперимент, оценивают зависимость вида (24) и расчетным путем зная, , оценивают . Такой способ называется косвенным измерением.
Сущность метода наименьших квадратов.
Это вычислительная процедура, используемая как в регрессионном, так и в корреляционном анализах, для определения значений коэффициентов заданной структуры модели. При этом структура модели должна быть линейно – параметрической.
Линейная зависимость – это такая зависимость, которая удовлетворяет принципу суперпозиции, которой можно применительно к модели объекта сформулировать следующим образом: принцип суперпозиции выполняется, если реакция модели объекта на суммарное входное воздействие (переменных) равна сумме реакций модели на отдельные составляющие этого входного воздействия.
у
М. О.
Рис.12
у = φ {}
= 1 + 2; у1 = φ {1}; у2 = φ {2}.
φ () = φ{1} + φ{2}
у = ао + а1 (26)
Выражение (26) – является линейной зависимостью не только по отношению к переменной , но и к параметрам а1 и ао.
Зависимость, которая является линейной по отношению к параметрам, называют линейно – параметрической.
εх: у = ао + а1 + а2 ² (27)
Функция (27) является нелинейной к, но линейной к параметрам а0, а1, а2.
В общем виде линейно – параметрическим является степнной полином:
К зависимостям другой структуры, например: у =Аsin B (28);
(29) метод наименьших квадратов не применим.
Для того чтобы найти значения коэффициентов для таких структур используется 2 способа.
1. Найти соответствующее преобразование с тем, чтобы привести её к линейно – параметрическому виду и затем использовать МНК.
2. Использовать другие методы определения параметров модели, если такое преобразование не находится. В частности можно использовать поисковые процедуры оптимизации. Либо разложить в ряд Тейлора и ограничиться конечным числом его составляющих.
При этом в первом случае мы используем результаты аналитического решения для определения параметров, а во втором – приближенный метод решения.
С помощью МНК находят наилучшие оптимальные оценки параметров линейно – параметрической структуры в смысле среднеквадратичного критерия близости расчетных и экспериментальных данных. Другими словами, МНК есть результат решения оптимизационной задачи, когда модель имеет линейно – параметрическую структуру, а среднеквадратичный критерий представлен в виде:
(30)
В выражение (30) вместо записывается в общем виде линейно- параметрическая структура модели (для простоты ограничимся полиномом порядка).
(31)
Для того, чтобы решить ур. (31) для параметров и , необходимо взять производные от остаточной дисперсии по параметрам и и приравнять их к 0. Получим следующую систему уравнений.
Такой вывод справедлив, если выполняются все предпосылки МНК. Перечислим их: 1) критерий точности модели является среднеквадратическим; 2) структура модели должна быть линейно параметрической, т.е. линейной относительно ее параметров; 3) учитываемые факторы (входные переменные) должны быть независимы друг от друга, т.е. корреляционный момент между ними должен быть равен 0; 4) входные переменные должны измеряться без ошибок и должны быть управляемыми, т.е. принимать любые значения, установленные исследователем; 5) выходная зависимая переменная может иметь ошибку реализации и эта ошибка должна быть хорошо описанной нормальным законом распределения вероятности; 6) эффекты влияния прочих (неучитываемых) моделью факторов; так же можно представить в виде случайной величины с нормальным законом распределения вероятности; 7) учитываемые факторы и эффект неучитываемых факторов должны быть независимыми, т.е. , где - входные переменные; эффект влияния прочих факторов.
Нарушение этих условий будет приводить к уменьшению эффективности модели к увеличению ошибки модели. Не все эти отмеченные условия одинаково влияют на точность модели. Наиболее сильные нарушения (часто выражающиеся на практике связаны с 7 предположением), когда используются данные при построении модели объекта управления.
Суть МНК можно пояснить на графике:
υi
υ
Рис.13
С помощью МНК находят такие значения коэффициентов, при которых зависимость выбранной структуры (её кривая) так располагается среди поля экспериментальных точек, что сумма среднеквадратичных отклонений δyi² является минимальной, и при любом другом положении этой кривой среднеквадратичное значение ошибки будет возрастать.
Одним из видов математической модели, применяемых в инженерной практике моделирования, является пересчетная математическая модель. Она используется в так называемых натурно – модельных блоках, которые представляют собой композицию натурных и математических составляющих.
Натурно – модельный блок представляет собой натурно – математическую модель оригинала, например, действующего объекта или системы управления в целом. При этом натурная часть представлена в виде информационного отображения оригинала. Под информационным отображением натурного объекта и системы управления будем понимать совокупность взаимосвязанных между собой и упорядоченных во времени реализаций входных, выходных воздействий и переменных состояния, зафиксированных в действующей системе контроля.
Пример:
И. О.
(О.У.)
У. С.
Рис.14
Если исследуемый объект является частью системы управления (объектом управления), то его входные воздействия V представляются состоящими из двух принципиально различных классов выходных воздействий В свою очередь
U(t) – управляющие воздействия, вырабатываемые в управляющей системе У.С. с целью реализации заданной траектории Y*(t).
W(t) – контролируемые внешние воздействия, которые отражают известное взаимодействие объекта с окружающей средой.
Y(t) – выходные воздействия объекта и системы управления. Они характеризуют реакцию объекта на изменение входных (управляющих (U(t)) и внешних (контролируемых (Wк(t)) и неконтролируемых (Wн(t))) воздействий.
Будем считать, что результаты функционирования действующей системы контроля этого объекта представлены в графической форме:
Wк(t)
t
U(t)
Y
Y(t)
t
Рис.15
W (t), t Є [t0; t1] – реализация W(t) на интервале времени [t0; t1].
W (t), U(t), Y(t) при t Є [t0; t1] – информационное отображение объекта на интервале времени [t0; t1].
Соединение натурных и математических составляющих натурно – модельных блоков осуществляется с помощью специального типа математических моделей, которые называются пересчетными математическими моделями. Рассмотрим структуру такой модели:
Vн(t)
Yн(t)
+
-
δV(t)
φ {·}
δу(t)
Yм(t)
+
Vм(t)
+
пересчетная математическая модель
алгоритм расчета
Рис.16
То, что изображено на схеме запишем в общем виде:
Yм (t) = Yн (t) + δy (t)
δy (t) = φ {δV (t)}
δV (t) = Vм (t) - Vн (t)
Vн (t) и Yн (t) – измеренные значения натурных входных и выходных воздействий, полученных с помощью действующей системы контроля. Они и составляют информационное отображение объекта.
В пересчетной модели φ{·} – есть оператор в приращениях. Представляет собой математическую модель, которая связывает приращения (отклонение, вариации) входных воздействий с приращениями выходных воздействий. И этот оператор «работает» и соответственно является работоспособным в небольшом диапазоне отклонений входных и выходных воздействий, и поэтому по своей структуре он существенно проще, чем соответствующие операторы математической модели, адекватные в большем диапазоне изменения этих воздействий.
Таким образом, пересчетная модель отвечает на вопрос: «Что было бы на выходе объекта – оригинала, если бы при прочих равных условиях функционирования его входные воздействия изменились бы в некотором небольшом диапазоне?».
Достоинства пересчетных моделей.
1. Оператор по каналам преобразования отклонений входных воздействий в отклонения выходных по своей структуре является более простым.
2. Для отображения свойств и условий функционирования объекта – оригинала нет необходимости строить математические модели изменения внешних контролируемых воздействий, отображающих взаимодействие объекта с окружающей средой.
3. Выходные воздействия Yн (t) содержат в себе не только эффекты изменений контролируемых, но и эффекты неконтролируемых воздействий
4. Нет необходимости также строить модели измерительных и исполнительных блоков, т. к. ошибки измерения и исполнения команд управления непосредственно содержатся в информационном отображении объекта.