- •5.1. Особливості ідентифікаційних експериментів.
- •5.2.Планування активного експерименту.
- •5.3.Повний факторний експеримент.
- •5.4.Дробовий факторний експеримент (дфе).
- •5.5. Активна ідентифікація нелінійних моделей.
- •5.6. Оцінка фактичних значень коефіцієнтів на основі експериментальних даних.
- •5.7. Линеаризовані динамічні моделі.
- •5.9. Використання ітераційних алгоритмів при ідентифікації моделей.
- •5.10. Ідентифікація імпульсної перехідної функції.
- •5.11. Характеристика методів активної ідентифікації.
- •5.13.Планування активного експерименту.
- •5.15. Загальний час ідентифікації.
- •5.16.Оптимальне планування вимірювань і умов.
- •5.17.Типи планів.
5.9. Використання ітераційних алгоритмів при ідентифікації моделей.
В даний час для визначення коефіцієнтів моделей у виді різницевих рівнянь часто використовуються ітераційні алгоритми. Наприклад, використовуючи метод стохастичної апроксимації, одержуємо рекурентне рівняння
Тут —оцінка матриці-моделі об'єкта на k-м кроці; — функція, що повинна задовольняти наступним умовам:
.
Таким умовам задовольняє, наприклад, що випливає послідовність
.
Ще один варіант: .
Приведемо приклади більш простих ітераційних алгоритмів ідентифікації:
де — оцінка вектора параметрів; — вхід; — вихід об'єкта; — константа; ; — вектор, одержуваний з вектора під дією на кожен компонент останнього знакової функції.
Відповідно до першого алгоритму виконується множень за один такт ітераційного рахунка, не вважаючи множення на константу: множень для обчислення оцінки виходу об'єкта і множень для обчислення вектора поправки. Умова збіжності завжди буде виконано, якщо знаходиться в інтервалі
.
Отже, при будь-якому фіксованому і випадковому впливі на вході існує імовірність порушення умови збіжності при досить великому . При обмежених вхідних впливах цього можна уникнути, вибравши менше максимального можливого впливу на вході . Якщо ця умова періодично не виконується, то монотонної збіжності не буде.
Відповідно до другого алгоритму виконується множень на такт, не вважаючи множення на константу. Значення параметра , при якому алгоритм сходиться, знаходиться в інтервалі
.
Умова збіжності для будь-якого фіксованих порушується при малому значенні помилки пророкування . Якщо заздалегідь задати точність, з яким передвіщається вихід об'єкта, можна визначити необхідне значення , що забезпечує цю точність.
Приклад . Обчислення рекурентної оцінки на кінцевому числі кроків при показано на мал. 4.12, а. Оцінюваним параметром стану є частота обертання ротора енергетичного об'єкта. У встановленому режимі енергетичний об'єкт чи його елемент описується рівнянням , де — спостережувані параметри стану об'єкта ( - мірний вектор); — невідомий параметр. У розглянутому встановленому режимі між величинами і є взаємно однозначна відповідність. Зв'язок між і встановлюється із співвідношень
У припущенні, що задано, для оцінки використовуємо вираз
для реалізації якого, враховуючи його адаптивні властивості замість використовуємо оцінку :
Остаточно алгоритм рекурентної оцінки параметра у встановленому режимі запишемо у виді
Умови збіжності обох виразів ідентичні. З точки зору обчислювальної структури являють собою незалежні від оцінюваного параметра величини, що обчислюються одночасно. Приклад обчислення оцінки параметра на кінцевому числі кроків показаний на мал. 4.12, б.
Часто використовувана в енергетиці модель має вид . Формули такого виду застосовуються для апроксимацій залежностей між окремими параметрами газотурбінного двигуна (моментом чи потужністю компресора частотою обертання його ротора, витратою повітря і частотою обертання і ін), а також для задання незалежного навантаження від частоти обертання ротора споживача. Відповідно до попереднього виразу, обчислимо оцінку :
Тут при ; при . З приведеної залежності для випливає стійкий характер процесу збіжності . Рівень адитивних перешкод і — випадкових величин з нормальним розподілом імовірності - не перевищував і .
У даному прикладі розглядалися відносні значення параметрів стану. При використанні абсолютних значень у формулі з'являється постійний множник . Такий підхід з послідовним ускладненням моделей досить ефективний.