第3章线性控制系统的汇编.ppt

3.6 线性系统的模型辨识---连续系统的辨识(1) 可以考虑的方法 基于频率响应拟合，不唯一且辨识结果不理想 首先辨识出离散传函模型，再转换成连续模型 例3-33 G=tf([1 7 11 5],[1 7 21 37 30]);t=[0:0.2:6]’; u=idinput(31,’PRBS’); y=lsim(G,u,t); U=arx([y u],[4 4 1]); G1=tf(U);G1=G1(1); G1.Ts=0.2; G2=d2c(G1) 采用PRBS信号可以精确地辨识出传函模型 3.6 线性系统的模型辨识---连续系统的辨识(2) 采用正弦信号激励： t=[0:0.1:8]’; u=sin(t); y=lsim(G,u,t); U=arx([y u],[4 4 1]); G1=tf(U); G1=G1(1); G1.Ts=0.1; G2=d2c(G1) 辨识结果 问题原因：输入频率单一 3.6 线性系统的模型辨识---多变量离散系统的辨识(1) 离散传递函数矩阵模型 其中 例3-34 3.6 线性系统的模型辨识---多变量离散系统的辨识(2) MATLAB求解 u1=idinput(31,’PRBS’);t=0:0.1:3; u2=u1(end:-1:1); g11=tf([0.5234 -0.1235],[1 0.8864 0.4352], Ts, 0.1); g21=tf([1.2 -0.54],[1 1.764 0.9804], Ts, 0.1); g12=tf([3 0.69],[1 1.084 0.3974], Ts, 0.1); g22=tf([3.4 1.469],[1 0.24 0.2848], Ts, 0.1); G=[g11, g12;g21,g22]; y=lsim(G,[u1 u2],t); na=4*ones(2); nb=na; nc=ones(2); U=iddata(y,[u1,u2],0.1); T=arx(U,[na nb nc]) H=tf(T); g11=H(1,1) 3.6 线性系统的模型辨识---多变量离散系统的辨识(3) 对得出高阶模型进行最小实现化简，假设一定的误差容限 G11=minreal(g11,1e-4) 得到辨识结果 3.6 线性系统的模型辨识---离散系统的递推最小二乘辨识(1) 在系统运行过程中实时获取系统参数，而不是象前面介绍的方法那样一次性获得模型，适合于变参数模型的实时控制 ??广泛应用于自适应控制 ??渐近地逼近参数真值 ??这里介绍算法，仿真研究将在后面介绍 3.6 线性系统的模型辨识---离散系统的递推最小二乘辨识(2) 传递函数模型 差分方程模型 待辨识参数 3.6 线性系统的模型辨识---离散系统的递推最小二乘辨识(3) 递推初值θ0和加权矩阵 输入输出数据向量 递推公式 本章要点小结(1) 线性连续系统可以用传递函数、状态方程和零极点形式描述，多变量系统可以由状态方程和传递函数矩阵来描述。在MATLAB下提供了tf()函数、ss()函数和zpk()函数来描述这些模型。带有时间延迟的系统模型也可以用这样的函数直接描述，需要设定ioDelay属性。传递函数模型还可以用数学表达式形式输入。 离散系统也可以用传递函数、传递函数矩阵和状态 方程表示，也有对应的零极点模型，在 MATLAB下也可以用和连续系统相同的函数进行表示。 本章要点小结(2) 具有三种基本连接结构 (串联、并联和反馈)的系统模型及其在MATLAB下的求解方法，复杂结构的控制系统方框图化简的数值解法和解析解方法，引入了基于MATLAB 的方框图化简的推导方法。对含有纯时间延迟的系统，还可以采用Padé 近似的方法，获得整个系统的近似模型。 不同的系统数学模型可以进行相互转换，连续模 型与离散模型直接可以通过c2d()和d2c()函数进行转换，转换成传递函数或传递函数矩阵需要用tf()函数，转换成状态方程可以通ss()函数，零极点模型需要调用zpk()函数。 本章要点小结(3) 如果系统模型的阶次过高，会使得系统分析与设 计变得困难，本章介绍了基于 Padé近似和基于Routh表的模型降阶算法和各种基于状态空间的模型降阶方法，并介绍了时间延迟模型的次最优降阶算法，可以用低阶模型较好地近似高阶模型。降阶模型和原模型的时域、频域比较将在后面章节中给出。 通过实测的系统响应数据则可以重构出系统的数学模型，本书介绍了连续系统的辨识方法和离散模型的最小二乘辨识算法，并介绍了多变量系统 辨识及 PRBS 辨识信号生成等主题的内容，