S7系统辨识的实际问题.ppt

第 7讲 系统辨识的实际算法 系统辨识的试验设计和数据处理 主要试验参数的确定 试验数据的预处理 闭环条件下的可辨识问题 可辨识条件 例：仿真系统模型 线性系统模型结构辨识的实用方法 差分方程模型阶次的确定原则 模型误差独立性试验方法 流程 如何划定J显著变小的界限 示例： AIC信息准则 模型有效性的讨论 自相关系数检验法 自动测试中的系统辨识机 操作界面说明 系统辨识机分析子窗口 * 系统辨识的试验设计和数据处理 闭环条件下的可辨识问题 线性系统模型结构辨识的实用方法 模型有效性的讨论 自动测试中的系统辨识机 验前知识： 1. 系统输入、输出、中间环节对信号幅度或功率的限制； 2. 系统非线性及时变的程度； 3. 系统低频漂移的大小； 4. 系统现场的噪声电平和干扰情况； 5. 系统主要时间常数和纯滞后时间； 6. 最高工作频率和带宽； 7. 过渡过程持续时间； 8. 可否进行开环试验； 9. 估计阶次； 1. 选择输入激励信号 最低要求：持续激励，足够宽的频率分量范围，激励模态； 最高要求：最优输入信号，噪声特性要求，仅用在特殊场合； 通常要求：伪随机二进制信号，PRBS或逆M序列，接近最优信号； ? 2. 采样周期和试验长度 若用T表示采样周期，N表示采样样本的数目，则： T＝?min （?min为系统最小的时间常数） T＝（0.1～0.05）Ta （Ta为主时间常数） T＝ t95 / (6-15)（t95表示输出达到95%的稳态值所需的时间） N 10 Ta / T n+N = 100-300, 1000 （n表示辨识参数的个数） 3. 确定数据测量方式和数据存储方式 测量精度 8bit, 10bit, 12bit, 16bit; 数据深度 1000，500，200 离线/在线 能消除数据中的直流分量，只噪声性质发生变化，?(k)和??(k)的统计特性不同。 1. 零均值化 u(k) = u*(k) - u0， y(k) = y*(k) - y0 实时处理 采用试验数据的差分量作为模型的输入输出信号： ?u(k) = u(k) - u(k-1) ?y(k) = y(k) - y(k-1) 2. 低通滤波 可用一阶数字滤波 唯一关键参数是?，?大则滤波作用强。 T为采样时间，?为系统时间常数 设已知模型 闭环控制 即在满足残差均方和最小的指标下，可以得到不同的参数估计值： 可见此刻系统是不可辨识的。 若改取 则有 这样，系统仍然可以辨识。 可辨识条件小结 一般闭环试验条件下辨识系统模型是有一定困难的，应当尽量设法在开环条件下实现辨识。不加证明地说明：在反馈不造成闭环传函零极点对消,且反馈通道的阶次不小于开环模型阶次时,闭环系统也是可以辨识的。 系统前向通道模型为 y(k)为输出，u(k)为输入。 反馈通道模型为 {ε(k)}、{e(k)}为互不相关的零均值正态白噪声序列。 当反馈调节器多项式的阶 则最小二乘估计仍是唯一的。 = 不能进行闭环辨识 = 可以进行闭环辨识 {e(k)}为零均值、单位方差的正态白噪声序列 的要求，又不存在反馈噪声干扰，因此不满足可辨识条件。 只有第4种情况，既不满足公式 典型的显著性检验问题 设定统计量 n2n1?n0 = 采用的模型阶次已达到实际的模型阶次 ?(k)～N(0, ?2?) = = 模型阶数 若n1增加到n2时 = J变小 = 则说明有必要采用n2 基于模型拟合度的定阶原则 例 u(k),e(k) = y(k) = J=? 辨识 u(k), y(k) = 若取?=0.05(“弃真”可能性很小)，即很小可能（小于5%）出现 t F1-? 。 若计算结果真的出现 t F1-? ，说明n1≥n0的条件可能没有满足。 n1≥n0时 = t服从F分布的事实 = 假设 H0 : n1≥n0，即n1可作为模型阶数 F?即为评定阀值： 在1-?=0.95的置信度水平下建立拒绝H0假设的不等式条件 t F1-? 需要增加模型阶次 = 减小J = 减小t。 由于第3列t(1,2)大于F1-?且第4列t(2,3)小于F1-? ，因此可将模型阶次定为2。 ? n 1 2 3 4 0 t(n, n+1) ? ? ? ? 0.1 t(n, n+1) 12034.5 0.191 ? ? 0.5 t(n, n+1) 397.3 0.206 0.853 ? 1.0 t(n, n+1) 100.106 0.555 0.896 0.956 5.0