Загрузил Dmitry XeksoN

Л5 М pr

Реклама
Глава 4
________________________________________________________________________________
Глава 4. Планирование эксперимента
Введение
Математические модели объектов автоматического управления можно
подразделить на два большие класса: статические и динамические модели.
Под
математической
моделью
будем
понимать
уравнение,
связывающее выходную величину модели с входными независимыми
величинами.
Y=f(x1,x2,...,xn,t)
Эту функциональную зависимость в планировании эксперимента
называют
функцией отклика, а входные независимые величины -
факторами.
Модель в динамике учитывает динамические связи между выходными и
входными величинами, а в статике функциональная зависимость выражается
статическими связями.
Методы планирования эксперимента позволяют строить как статические,
так и динамические модели. Те и другие могут быть определены
аналитическими и экспериментально- статистическими методами.
Теория оптимального эксперимента на начальном этапе развития
имитационного моделирования применялась преимущественно при построении
моделей статических объектов. Что касается построения динамических
моделей, то методология построения базировалась в рамках пассивного
эксперимента,
когда
идентификация
велась
в
режиме
нормального
функционирования объекта. Однако, постепенно стали применять и активные
методы
идентификации
с
использованием
специальных
тестирующих
сигналов. В качестве таких сигналов использовали псевдослучайные сигналы.
64
Планирование эксперимента
________________________________________________________________________________
С начала 70-х годов начинает бурно развиваться современная теория
идентификации динамических моделей, опирающаяся на теорию оптимального
эксперимента.
Планирование эксперимента - это постановка опытов по некоторой
заранее составленной схеме; средство построения математической модели
реального процесса; способ сокращения средств и времени. Процессом
называется серия реальных операций.
Производство представляет собой единство четырех взаимосвязанных
процессов:
 технологический процесс ( превращение сырья в готовый продукт);
 технический процесс (передача или превращение одного вида энергии или
вещества в другой);
 организационный процесс (координация всех элементов производства во
времени и пространстве);
 экономический процесс (координация интересов субъекта производства и
народного хозяйства в целом).
Так же существуют процессы социальные, биологические и т.д.
Мы будем в основном находить математические модели технологических
и технических процессов.
Моделью будем называть математическое описание реального процесса.
Модели бывают:
1)
 детерминированные (рис. 4.1)
x(t)
Дет ерминиров анная
модель
y(t)
Рис. 4.1.
65
Глава 4
________________________________________________________________________________
 детерминированная с добавлением к выходной величине случайной
ошибки (рис.4.2).
(t)
x(t)
Детерминированная
модель
z(t)
y(t)
Рис.4.2.
2)
 статистическая (рис.4.3).
x(t)
y(t)
Ст ат ист ическая модель
Рис.4.3.
Статистическая модель есть математическое описание случайного
процесса. Статистической моделью является и детерминированная модель с
добавлением к выходной величине
случайной ошибки. Они бывают
стационарные и нестационарные. В свою очередь стационарные модели могут
быть эргодические и неэргодические.
Для эргодического процесса, если взять достаточно большой интервал
времени, то по одной реализации можно создать представление о случайном
процессе в целом.
Для неэргодического процесса среднее значение для каждой реализации
своё и здесь нельзя с помощью одной реализации описать процесс. Среднее по
времени не равно среднему по множеству.
4.1. Стратегия эффективного планирования эксперимента
Экспериментально- статистические методы в основном базируются на
использовании пассивного и активного эксперимента.
66
Планирование эксперимента
________________________________________________________________________________
При пассивном эксперименте исследователь находится в роли
пассивного наблюдателя. Эксперимент ведет сама природа. Экспериментатору
приходится только фиксировать значения входных и выходных величин.
Модели полученные методом пассивного эксперимента почти не удается
проверить на адекватность.
При
активном
эксперименте
исследователь
вмешивается
в
процесс
эксперимента путем варьирования уровней входных величин. В рамках
активного эксперимента построение модели проходит следующие этапы:
1) выбирается форма модели процесса;
2) строится план эксперимента;
3) проводится экспериментирование;
4) дается анализ результатов эксперимента.
На практике экспериментатору приходится чаще планировать не один, а
несколько экспериментов, выполняя и анализируя каждый и , в соответствии с
результатами, изменять план эксперимента. Стратегия такого эксперимента
показана на рис. 4.4.
Экспериментирование
План
эксперимента
X
Исследуемый
(реальный)
процесс
Y
Анализ
результатов
Форма
модели
процесса
Рис. 4.4. Стратегия эксперимента
В результате анализа результатов эксперимента может возникнуть
необходимость исправления формы модели и плана эксперимента, тогда
67
Глава 4
________________________________________________________________________________
эксперименты повторяются вновь по указанной схеме.
4.2. Выбор и анализ эмпирических моделей. Виды моделей
Стратегия эффективного планирования эксперимента начинается с
выбора формы модели процесса. В зависимости от априорной информации о
процессе различают две задачи:
 построение модели при неизвестной структуре процесса;
 нахождение параметров модели при заданной структуре.
Априорная
информация
о
процессе
для
первого
случая
почти
отсутствует. При этом необходимо решать задачу выбора структуры модели
процесса, устанавливать класс моделей, оценивать степень стационарности и
линейности процесса и др. Решение подобных задач связано с большими
трудностями. На заданном этапе приходится решать вопросы содержательного
неформального эвристического характера.
При известной функциональной зависимости между выходными и
входными величинами задача является более простой и доступной. При этом
форма модели известна. Экспериментатору остается построить план, провести
эксперимент и сделать анализ результатов экспериментов.
1) Модели в статике
Модели в статике бывают следующего вида.
1. Линейная по входным величинам x и по параметрам:
   0  1 x1   2 x 2  ...   n x n
2. Нелинейная по x и линейная по коэффициенту  :
   0  1 x1   2 x 22  ...   n x nn
3. Линейная по x и нелинейная по коэффициенту  :
68
(4.1)
Планирование эксперимента
________________________________________________________________________________
   0  1 x1   22 x 2  ...   nn x n
4. Нелинейная по x и по  :
  e 1x1  e  2 x2  ...  e  n xn


,
   0  1 x1   2 x 2  ...   n x n 
где  — реакция модели на входные величины x .
Встречаются модели и другого вида, например, тригонометрические,
логические и др.
Определение функциональной связи по опытным данным представляет
трудную задачу. По крайней мере универсальных способов не существует.
Можно указать простой способ определения вида моделей с одной
независимой переменной: строят график полученных экспериментальных
данных. Если экспериментальные точки образуют некоторую гладкую кривую,
то форма этой кривой может подсказать аналитический вид кривой.
Для
проверки
согласованности
выбранной
формы
модели
с
экспериментальными данными преобразуют переменные к линейной форме
(модели):
y    x
Пример. Преобразовать переменные к линейной форме.
1. Модель     
2.
1

. Принимаем x 
1

, y   . Тогда y    x .
  a  ; log  log a   log 
y    x;  log a , x  log 
и т.д.
Таким образом, параметры нелинейной модели можно определить по
экспериментально
статистическому
исследованию
модифицированной
69
Глава 4
________________________________________________________________________________
линейной модели. Однако, данный способ трудно применить в тех случаях,
когда к выходной переменной модели добавляется ненаблюдаемая ошибка  .
Например, выражения       и log  log    log    неравнозначны,
т.к. надо еще прологарифмировать ошибку  .
При исследовании реального процесса всегда имеется возможность
представить результаты экспериментальных данных множеством моделей.
Чтобы выбрать одну из них, надо знать для какой цели находится модель и
какие требования к ней предъявляются. Очевидно, главным требованием
следует считать способность модели предсказывать направление дальнейших
опытов. Другим требованием является минимизация суммы квадратов
отклонений наблюдаемых значений от вычисленных. Далее, желательно, чтобы
преобразованная величина подчинялась нормальному распределению и чтобы
дисперсия преобразованной случайной величины не зависела от самой
величины.
Важным требованием является простота модели. Если несколько
различных моделей отвечают необходимым требованиям, то следует принять
ту из них, которая имеет более простую зависимость.
Рассмотрим графическую интерпретацию уравнения модели.
y2
y
y1
1
xmin
xmax
x
Рис. 4.5. Графическая интерпретация уравнения модели.
70
Планирование эксперимента
________________________________________________________________________________
На
рис.4.5
[xmin,xmax]она
с
изображена
определенной
логарифмическая
функция.
На
отрезке
точностью может быть описана двумя
уравнениями:
y1  log b x
(4.2)
y 2  bx
(4.3)
Уравнение (4.3) является линейным алгебраическим и его функциональная
зависимость проще, чем уравнение (4.2), которое является трансцендентным.
Поэтому, при прочих равных условиях более предпочтительными
являются степенные ряды. Таким образом, выбор модели, как правило, следует
искать
среди
планирования
алгебраических
эксперимента
полиномов.
выбирают
Причем
линейную
на
первом
модель
в
этапе
виде
алгебраического полинома первой степени (4.1).
2) Виды динамических моделей
Динамические модели можно подразделить на два больших класса:
традиционные модели и современные модели или ещё их называют модели в
пространстве состояний.
К традиционным моделям относят простейшие инерционные модели,
модели на базе передаточных функций и комплексных коэффициентов
передачи.
Многие технологические процессы обладают инерционностью. Говорят,
что такие процессы имеют «память». Инерционные модели бывают дискретные
и непрерывные, линейные и нелинейные.
Если модель линейная дискретная, то её представляют в виде суммы
свертки (весовая функция):
m 1
Y [nT ]   g[m ]  x[nt  ( m  1)  ]  e[nt ]
m 0
(4.4)
71
Глава 4
________________________________________________________________________________
где Y [nT ] - дискретные значения выходного сигнала; g[m ] - дискретная
весовая функция; x[nt  (m  1) ] - дискретные значения входного сигнала;
e[nt ] - случайная помеха.
В этой модели по существу нет параметров, она непараметрическая. Роль
величин, которые необходимо определить из экспериментальных данных,
играют значения ординат импульсной характеристики, которые рассматривают
как коэффициенты регрессивной модели, а роль факторов здесь играют
значения одной и той же входной величины, но в разные моменты времени.
Если линейная модель непрерывная, то модель будет типа интеграла
свертки:

y (t )   g ( ) x(t   )d  e(t )
(4.5)
0
Модель (4.5) также как и (4.4) является непараметрической. Она
содержит неизвестную весовую функцию g(τ). На практике широко
используется возможность представления весовой функции для стационарной
системы в форме Релея-Ритца путем разложения функции в ряд по системе
известных ортогональных функций:
k
g ( )   a i i ( ,  )
i 1
где  i ( ,  ) - заданная система базисных функций (фильтров), зависящая от
параметра α.
Такой прием делает модель параметрической. Теперь она содержит
ограниченное множество параметров ai, подлежащих определению.
Нелинейные инерционные модели могут быть представлены в виде сумм
или рядов Вольтерра.
В импульсном варианте модель можно представить:
72
Планирование эксперимента
________________________________________________________________________________

 
Y [nt]  g 0 (nT )   g1 (n, i )  x(n  i )    g 2 (n, i, j )  x(n  i )  x(n  j ) (4.6)
i 0
i 0 j 0
Для непрерывного объекта:

y (t )  g 0 (t )   g1 (t , 1 )  x (t   1 )d 1 
1 0

 
(4.7)

 g 2 (t , 1 , 2 )  x(t   1 )  x(t   2 )d 1d 2  ...  e(t )
 1  0 2  0
В выражениях (4.6) и (4.7) g1 и g2 соответственно весовые функции, их
называют ядрами Вольтерра первого и второго порядка; g0 - составляющая не
связанная с входным сигналом.
Непосредственное определение ядер по опытным данным представляет
собой сложную задачу. Поэтому их обычно аппроксимируют путем разложения
в ряд по системе известных ортогональных функций:
k
g1 (t ,  1 ,  )   a i  i ( 1 ,  )
i 1
k k
g 2 (t , 1 , 2 ,  )    ai j i ( 1 ,  )   j ( 2 ,  )
i j
Теперь задача построения модели сводится к определению параметров
весовой функции по косвенным экспериментальным данным.
Модели на базе передаточных функций
Для
непрерывных
динамических
объектов
выходная
величина
определяется интегралом свертки (4.5).
Применим преобразование Лапласа. На основании теоремы свертывания
имеем:
y( p)  g ( p)  x( p)  e( p)
(4.8)
73
Глава 4
________________________________________________________________________________
Для импульсного динамического объекта, согласно выражения (4.4)
после z- преобразования получаем:
y( z)  g ( z)  x( z)  e( z)
(4.9)
Модели (4.8) и (4.9) имеют вид регрессионных зависимостей. Параметры этих
моделей, которые необходимо определить из экспериментальных данных,
содержатся в выражениях передаточных функций.
Модели на основе комплексного коэффициента передачи
К модели частотного вида можно перейти путем замены в выражении
(4.8) аргумента р на jw:
y( jw)  g( jw)  x( jw)  e( jw)
(4.10)
В роли аргументов в моделях (4.8),(4.9),(4.10) выступает не время, а
соответственно параметры преобразования: z, p, jw. Все эти модели линейны по
входным сигналам, но, как правило, не линейны по параметрам.
Современные модели ( модели в пространстве состояний)
В настоящее время все чаще переходят к математическому описанию
динамических систем в описание систем в пространстве состояний. При этом
используют конечно - разностные и дифференциальные уравнения в форме
Коши,
т.е.
разрешенных
относительно
первых
разностей
и
первых
производных. Описание систем в пространстве состояний позволяет с единых
позиций
рассматривать
различные
системы:
линейные,
нелинейные,
дискретные и непрерывные.
Модели в виде конечно- разностных уравнений
Пусть
динамический
объект
описывается
линейным
конечно-
разностным уравнением l-го порядка с постоянными коэффициентами. Далее
считаем, что наблюдения производятся в дискретные равноотстоящие моменты
времени. Тогда модель можно представить выражением (4.4).
74
Планирование эксперимента
________________________________________________________________________________
Примером таких моделей являются дискретно-непрерывные модели.
Модели в виде обыкновенных дифференциальных уравнений
Обыкновенное линейное дифференциальное уравнение l-го порядка с
постоянными коэффициентами имеет вид:
c0
dl y
dt l
 c1
d l 1 y
dt l 1
 c2
d l 2 y
dt l  2
 ...  cl y  d 0
d qx
dt q
 d1
d q 1 x
dt q 1
 ...  d q x
(4.11)
Уравнением (4.11) описываются рассмотренные выше непрерывнодетерминированные модели (D- схемы).
4.3. Оценка параметров модели
Представим модели в следующем виде:
   ( x,  ) ,
где x - факторы (входные величины);  - неизвестные параметры
(коэффициенты);  - реакция системы (выходная величина).
Целью анализа экспериментальных данных является определение оценок
неизвестных параметров  в некоторой заданной области
факторного
пространства X . Рассмотрим статистическую модель(рис.4.6).
x1
x2

Процесс

y
xn
Рис. 4.6. Статистическая модель
75
Скачать
Случайные карточки
Название еды

8 Карточек Cards

Физические термины

8 Карточек Cards

Создать карточки