控制系统性能评估要点.ppt

基于最小方差基准的性能评估 基于最小方差基准的性能评估 输入输出满足： Diophantine恒等式展开N 输入输出可写为： 基于最小方差基准的性能评估 两边同时取方差： 所以： 等号成立： 由于F与控制器传递函数Q不相关，Fat是一个不随控制器参数变化的量。因此，若一个稳定的过程输出可以用滑动平均模型表示，那么前项构成了最小方差项的估计值。 基于最小方差基准的性能评估 Harris性能指标： 它表示扰动在延迟时间内系统输出的最小方差与输出方差的比值，处于0~1，越接近1，说明控制性能越好！ 基于最小方差基准的性能评估 计算性能指标算法FCOR算法 FCOR = Filtering and Subsequent Correlation 两边分别同乘 AR模型 并取期望 基于最小方差基准的性能评估 最小方差部分 性能指标 基于最小方差基准的性能评估 仿真 4 * * * * * * * * * * * * * * 基于最小方差基准的控制系统性能评估 1 初步认识性能评估 2 性能评估相关基础知识 3 基于最小方差基准性能评估 4 系统仿真实例 5 总结与展望 目录 初步认识性能评估 1 什么是性能评估？ 什么是性能评估？ 1.确定性指标 上升时间、调整时间、超调量、幅值裕度等 2.鲁棒性指标 模型失配、过程摄动等 3.随机性指标 性能评估：用指标说话。 性能评估意义与应用 性能下降 产量下降，不合格产品增多 经济损失 根据国际著名自动化方案提供商Honeywell公司对流程工业中26000个控制回路调查显示，现有控制回路中有60%左右控制性能不良。 性能评估发展 性能评估步骤 性能评估相关基础知识 2 ARMA模型 ARMA模型是由美国统计学家G.E.P Box和英国统计学家G.M. Jenkins在二十世纪七十年代提出的时序分析模型，即自回归滑动平均模型（Autoregressive Moving Average Model）。 左边代表自回归模型，即AR模型 右边代表滑动平均模型，即MA模型 ARMA模型定阶 （1）自相关函数 （2）偏自相关函数 用托布里兹矩阵求逆和作矩阵乘法的方法计算 递推法 ARMA模型定阶 自回归模型（AR） 滑动平均模型（MA） 自回归滑动平均模型（ARMA） 自相关函数（AC） 拖尾 截尾 拖尾 偏自相关函数（PAC） 截尾 拖尾 拖尾 截尾标准： ARMA模型参数估计 最小二乘法 最大似然估计准则 贝叶斯估计准则 预报误差准则 。。。。。。 AR模型 目标 效果 实际观测值与预测值之间的误差累计平方和达到最小 当噪声与观测值向量无关时，参数是无偏估计量 最小二乘法 白化滤波器设计 有色噪声 功率谱密度函数不平坦 白噪声 功率谱密度均匀分布 白化滤波器设计 有色噪声为AR模型 有色噪声功率谱 白化滤波器 系统时延估计 互相关函数法 x1=5cos(2*pi*10*n/Fs) +randn(size(x1)) x2=5cos(2*pi*10*(n+d)/Fs)+randn(size(x2)) N=1024 Fs=500 d=10 基于最小方差基准的性能评估 3 1896 1920 1987 2006 * * * * * * * * * * * * * * * * * * * * * * 1896 1920 1987 2006 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *