Банк рефератов содержит более 364 тысяч рефератов, курсовых и дипломных работ, шпаргалок и докладов по различным дисциплинам: истории, психологии, экономике, менеджменту, философии, праву, экологии. А также изложения, сочинения по литературе, отчеты по практике, топики по английскому.
Полнотекстовый поиск
Всего работ:
364150
Теги названий
Разделы
Авиация и космонавтика (304)
Административное право (123)
Арбитражный процесс (23)
Архитектура (113)
Астрология (4)
Астрономия (4814)
Банковское дело (5227)
Безопасность жизнедеятельности (2616)
Биографии (3423)
Биология (4214)
Биология и химия (1518)
Биржевое дело (68)
Ботаника и сельское хоз-во (2836)
Бухгалтерский учет и аудит (8269)
Валютные отношения (50)
Ветеринария (50)
Военная кафедра (762)
ГДЗ (2)
География (5275)
Геодезия (30)
Геология (1222)
Геополитика (43)
Государство и право (20403)
Гражданское право и процесс (465)
Делопроизводство (19)
Деньги и кредит (108)
ЕГЭ (173)
Естествознание (96)
Журналистика (899)
ЗНО (54)
Зоология (34)
Издательское дело и полиграфия (476)
Инвестиции (106)
Иностранный язык (62792)
Информатика (3562)
Информатика, программирование (6444)
Исторические личности (2165)
История (21320)
История техники (766)
Кибернетика (64)
Коммуникации и связь (3145)
Компьютерные науки (60)
Косметология (17)
Краеведение и этнография (588)
Краткое содержание произведений (1000)
Криминалистика (106)
Криминология (48)
Криптология (3)
Кулинария (1167)
Культура и искусство (8485)
Культурология (537)
Литература : зарубежная (2044)
Литература и русский язык (11657)
Логика (532)
Логистика (21)
Маркетинг (7985)
Математика (3721)
Медицина, здоровье (10549)
Медицинские науки (88)
Международное публичное право (58)
Международное частное право (36)
Международные отношения (2257)
Менеджмент (12491)
Металлургия (91)
Москвоведение (797)
Музыка (1338)
Муниципальное право (24)
Налоги, налогообложение (214)
Наука и техника (1141)
Начертательная геометрия (3)
Оккультизм и уфология (8)
Остальные рефераты (21697)
Педагогика (7850)
Политология (3801)
Право (682)
Право, юриспруденция (2881)
Предпринимательство (475)
Прикладные науки (1)
Промышленность, производство (7100)
Психология (8694)
психология, педагогика (4121)
Радиоэлектроника (443)
Реклама (952)
Религия и мифология (2967)
Риторика (23)
Сексология (748)
Социология (4876)
Статистика (95)
Страхование (107)
Строительные науки (7)
Строительство (2004)
Схемотехника (15)
Таможенная система (663)
Теория государства и права (240)
Теория организации (39)
Теплотехника (25)
Технология (624)
Товароведение (16)
Транспорт (2652)
Трудовое право (136)
Туризм (90)
Уголовное право и процесс (406)
Управление (95)
Управленческие науки (24)
Физика (3463)
Физкультура и спорт (4482)
Философия (7216)
Финансовые науки (4592)
Финансы (5386)
Фотография (3)
Химия (2244)
Хозяйственное право (23)
Цифровые устройства (29)
Экологическое право (35)
Экология (4517)
Экономика (20645)
Экономико-математическое моделирование (666)
Экономическая география (119)
Экономическая теория (2573)
Этика (889)
Юриспруденция (288)
Языковедение (148)
Языкознание, филология (1140)

Контрольная работа: Идентификация объекта управления

Название: Идентификация объекта управления
Раздел: Рефераты по коммуникации и связи
Тип: контрольная работа Добавлен 21:58:34 04 июля 2010 Похожие работы
Просмотров: 350 Комментариев: 3 Оценило: 0 человек Средний балл: 0 Оценка: неизвестно     Скачать

В современных сложных объектах, как правило, выходной сигнал объекта зависит не от одного входного сигнала, как в случае с кривой разгона, а от нескольких входных сигналов, т.е. объект управления имеет сложное переплетение взаимосвязей входных и выходных сигналов.

Рис. 1. Схема объекта, состоящего из нескольких взаимосвязанных входных-выходных сигналов

Для идентификации таких сложных объектов используется метод регрессионного анализа с проведением активного эксперимента на базе теории математического планирования эксперимента.

Назначение этой теории – значительно сократить количество экспериментальных опытов и упростить расчеты, необходимые для получения уравнения взаимосвязи выходного сигнала с несколькими входными сигналами – уравнения регрессии.

Сокращение числа необходимых экспериментов в теории математического планирования эксперимента достигается за счет одновременного изменения всех входных сигналов (факторов), а упрощение расчетов получается за счет того, что изменение входных сигналов (факторов) нормируется, т.е. величины . Пусть – зависит от 2-х входных факторов.


Рис. 2. Схема исследования объекта методом регрессионного анализа для двух входных сигналов (факторов)

Точка О – номинальный режим работы объекта. Нормализация происходит за счет того, что начало координат переносится в точку О на .

Рис. 3. Схема центрального плана полного факторного эксперимента для двух входных сигналов (факторов)

Здесь (рис. 3) изображен план проведения опытов для изучения зависимости . Число опытов равно 4=22 – полный факторный эксперимент; Для k входных факторов число опытов в факторном эксперименте: N=2k . При k=3 N=8; k=4, N=16 и т.д.

На приведенном выше рис. 3. изображен центральный (точка О – в центре) ортогональный полный факторный план эксперимента для 2-х входных факторов.

Таблица 1. Полный факторный эксперимент для k=2.

№ опыта
1 +1 +1
2 -1 +1
3 -1 -1
4 +1 -1

Свойство плана, когда, называется ортогональностью плана.

Таблица 2. Полный факторный эксперимент для k=3.

№ опыта
1 +1 +1 +1
2 -1 +1 +1
3 -1 -1 +1
4 +1 -1 +1
5 +1 +1 -1
6 -1 +1 -1
7 -1 -1 -1
8 +1 -1 -1

В полном факторном плане экспериментов число опытов резко возрастает в зависимости от числа входных факторов: k=4 N=16; k=5, N=32; k=6, N=64 опыта. Поэтому для сокращения числа опытов с минимальной потерей информации применяются сокращенные планы – дробные реплики. Если планы содержат половину опытов полного факторного эксперимента, то такой план носит название полуреплики.


Таблица 3. Пример полуреплики для k=4 (ПФЭ=16)

№ опыта
1 +1 +1 +1 +1
2 +1 -1 +1 -1
3 -1 +1 +1 -1
4 -1 -1 +1 +1
5 +1 +1 -1 -1
6 +1 -1 -1 +1
7 -1 +1 -1 +1
8 -1 -1 -1 -1

Используют также ¼ реплики от полного факторного эксперимента.

Уравнение взаимосвязи входного и выходного сигналов – уравнение регрессии – записывается в виде алгебраического полинома 1-ой и 2-ой степени в следующем виде:

1-ой степени:

xвых = b0 +b1 x1 +b2 x2 ;

с учетом взаимодействия входных факторов для 2-х входных факторовx1 и x2 :

xвых = b0 + b1 x1 + b2 x2 + b12 x1 x2 .

Полином второй степени – уравнение регрессии:

Естественно, это уравнение более точно описывает взаимосвязь xвых – функции отклика – с входными факторами (сигналами) объекта.

Задача идентификации объекта управления (ОУ) методом регрессивного анализа сводится к выбору порядка математической модели – уравнения регрессии – и определению коэффициентов b0, b1 , b2 , b12 и т.д. в этом уравнении регрессии. При определении этих коэффициентов используется метод наименьших квадратов, в котором определяется наименьшая сумма отклонений в квадрате (2-ой степени) между реально полученным в эксперименте выходным сигналом и выходным сигналом, рассчитанным (предсказанным) по уравнению регрессии, т.е. ищут минимум функции:

Минимум функции Ф достигается в том случае, когда первая частная производная (тангенс угла наклона к впадине) равна нулю, т.е.

.

Пример

Рассмотрим пример использования метода наименьших квадратов. Пусть выходной сигнал (функция отклика) зависит от одного фактора (входного сигнала). Активно проведено n экспериментов. Задана и получена – результатов экспериментов. Общий вид уравнения регрессии 1-го порядка для примера:


xвых = b0 + b1 x1

Методом наименьших квадратов ищем минимум функции Ф:

Для получения минимума этой Ф приравниваем к нулю частные производные

.

Для удобства получения частных производных введем фиктивную переменную x0 =1 и функцию Ф запишем:

x0 =1 можно убрать. Тогда


Решая эту систему алгебраических уравнений (можно методом Крамера), находим:

Проверка идентичности математической модели – уравнения регрессии исследуемого объекта проводится по нескольким критериям адекватности и идентичности модели.

Поскольку результаты опытов в эксперименте заранее точно предсказать невозможно, то обработка и сами результаты связаны с неопределенностью или вероятностью. Вероятность изменяется в пределах: 0 – события быть не может, 1 – событие произойдет обязательно (день-ночь). При большом числе параллельных (одинаковые условия) опытов вероятность может быть задана в виде функции распределения вероятностей (рис. 4.):

Рис. 4. Схема нормального (гауссовского) закона распределения вероятностей

На практике чаще всего используется так называемое нормальное (гауссовское) распределение вероятностей.

Случайная величина () имеет несколько числовых характеристик, наиболее важные из которых – это математическое ожидание и дисперсия.

Математическое ожидание – это среднее взвешенное значение случайной величины

Дисперсия характеризует разброс значений случайной величины относительно ее математического ожидания.

.

Проверка значимости уравнения регрессии проводится по критерию Фишера или F-критерию. Проверка заключается в определении, значимо ли (больше ошибки измерения) полученное уравнение отличается от уравнения . Для этого вычисляют дисперсию относительно среднего значения выходного сигнала:

,

где f1 – число степеней свободы,

.

А также остаточную дисперсию:


,

f2 – число степеней свободы.

Величину критерия Фишера (F-критерий) определяют по формуле:

(должно быть).

Значимость коэффициентов bi уравнения регрессии определяют по t-критерию (критерии Стьюдента):

,

.

Идентификация объектов управления методом корреляционного анализа

Метод корреляционного анализа используется для идентификации объектов управления в том случае, если входные и выходные сигналы являются случайными величинами.

Рис. 5. Схема исследования объекта корреляционным методом

При корреляционном анализе используются:

– автокорреляционная функция (АКФ) и

– взаимокорреляционная функция (ВКФ).

АКФ характеризует зависимость последующих значений случайной величины от предыдущих, находящихся на расстоянии Dt.

Рис. 6. График изменения входной случайной величины – входного сигнала

АКФ:

.

При Dt®0 – точнее.

Взаимокорреляционная функция связывает две величины, отстоящие друг от друга на Dt.

ВКФ:

.

С АКФ и ВКФ связаны (через преобразование Фурье, когда входной-выходной сигнал раскладывается в ряд Фурье, состоящий из суммы синусоидальных колебаний с различной w – ряд гармоник) спектральные плотности случайных величин.


– для АКФ,

– для ВКФ.

Физически показывает, какая доля мощности случайной величины приходится на данную частоту.

Через спектральную плотность находим АФЧХ объекта:

.

Техническая диагностика систем

Техническая диагностика – наука о распознавании состояния технической системы. Диагнозис (гр.) – распознавание.

Объект технического диагностирования – изделие и его составные части, техническое состояние которых подлежит определению с заданной точностью.

Техническое состояние – совокупность свойств объекта, характеризуемая в данный момент времени признаками, установленными технической документацией на объект.

Техническое состояние может быть:

– исправное-неисправное;

– работоспособное-неработоспособное;

– функционирующее правильно и неправильно.

Диагностирование по алгоритму – это совокупность предписаний с использованием диагностических признаков.

Система технического диагностирования – совокупность средств и объекта диагностирования, а также и исполнителей, осуществляющих диагностирование по правилам, установленным соответствующей документацией. Система технической диагностики определяет состояние технического объекта, характер его изменения с течением времени, по определенным диагностическим признакам.

Теоретический фундамент технической диагностики – теория распознавания образов, разработка алгоритмов распознавания, создание диагностических математических моделей, устанавливающих связь между состояниями технической системы и их отображением в пространстве диагностических признаков (сигналов). Диагнозы – классы типичных (типовых) состояний.

Важная часть распознавания – правила принятия решений (решающие правила).

Диагностика в режиме работы объекта называется функциональным техническим диагностированием.

Диагностика, когда проводятся тестовые воздействия – тестовая техническая диагностика.

В технической диагностике введено понятие глубины поиска дефекта, задаваемое указанием составной части объекта диагностики, с точностью, до которой определяется место дефекта. Обычно это модуль или блок, иногда даже микросхема (ЛОМИКОНТ).

Актуальность технической диагностики подтверждается следующими цифрами: в США исследования показали техническое обслуживание и ремонт самолета в 3-4 раза больше его стоимости, ремонт и обслуживание радиотехнического оборудования – 1200% от его стоимости. В СССР (по 181 г.) ремонтом и обслуживанием металлорежущих станков занимались в 4 раза больше рабочих, чем изготовлением этого оборудования. Стоимость заводского ремонта в ВВС США в 187 г. составила 15 млрд. долл., что в 2 раза больше, чем в 180 г.

Тенденция роста убытков, связанных с отказами техники, имеет место во всех развитых странах. Отказы, неисправности, поломки, сбои, ошибки и даже катастрофы – неизбежные факторы, дестабилизирующие процесс нормального функционирования объекта и системы управления. Имеется 3 причины отказов и катастроф:

а) применение малоизученных физических явлений для создания изделий;

б) несоблюдение принципа системности при проектировании изделий; применение несовершенных и неадекватных расчетных схем;

в) "человеческий фактор" в разработке, производстве и эксплуатации изделий ("защита от дурака").

Так, например, недостаточная изученность свойств материалов и несовершенство расчетов привели к катастрофе в США реактивного пассажирского самолета "Комета", который развалился в воздухе. Причина – прямоугольные иллюминаторы, в углах которых возникла концентрация напряжений, что привело к разрушению корпуса самолета. Второй пример. В 167 г. во время наземных испытаний космического корабля "Аполлон" США возникло короткое замыкание в проводе под креслом космонавта – мгновенный пожар в избытке кислорода – погибли 3 человека. В США подсчитано в 156 г., что из-за ошибок рабочих и служащих возникло 2 млн. отказов промышленного оборудования, что стоило 2 млрд. долл. Причина большинства авиакатастроф – "человеческий фактор".

Объективность "человеческого фактора" и необходимость его учета отражена в шуточных законах Мэрфи:

1. Инструмент падает туда, где может нанести наибольший вред.

2. Любая трубка при укорачивании оказывается слишком короткой.

3. После разборки и сборки какого-либо устройства несколько деталей оказываются лишними.

4. Количество имеющихся в наличии запчастей обратно пропорционально потребности в них.

5. Если какая-либо часть устройства может быть смонтирована неправильно, то всегда найдется кто-нибудь, кто так и сделает.

6. Все герметические стыки протекают.

7. При любом расчете число, правильность которого для всех очевидна, становится источником ошибок.

8. Необходимость внесения в конструкцию принципиальных изменений возрастает непрерывно по мере приближения к завершению проекта.

Необходимость в разработке научно обоснованных методов технической диагностики и технических средств для реализации диагностических систем и комплексов подтверждают результаты исследований, по которым установлено, что специалист 25% времени тратит на определенные части изделия, где произошла неисправность, 62% – на определение неисправной детали и только 13% времени – на восстановление отказавшей детали. Техническое диагностирование использует технические математические модели. Отличие диагностических моделей от обычных математических моделей, которые отражают номинальный режим функционирования объекта или системы управления состоит в том, что диагностическая модель описывает существенные свойства аварийных режимов, вызванных различными отказами. Объект или система при разработке диагностической модели рассматриваются по следующей схеме (рис. 3.):

Рис. 7. Схема разработки диагностической модели объекта или системы управления


Иерархия диагностических моделей (ДМ)

Рис. 8. Иерархия диагностических моделей

Из схемы видно, что диагностические модели могут быть различной сложности: от простых описательных (текст) до математических моделей высокого уровня.

Классификация отказов

а) по степени влияния: полные, частичные;

б) по характеру проявления: окончательные, перемежающиеся;

в) по степени связи: зависимые, независимые;

г) по частоте проявления: однократные, многократные;

д) по характеру возникновения: внезапные, постепенные;

е) по математическим моделям: параметрические, сигнальные;

ж) по видам проявления: обрывы, короткие замыкания, дрейф, переориентация, изменение эффективности.

Задачи диагностирования по следующей схеме (рис. 9.):

Рис. 9. Схема диагностирования по отказам

Для диагностики моделей используется (см. классификацию) множество физических видов отказов – диагностических признаков.

В качестве прямых диагностических признаков соответствующего отказа используют Dli = li - li ном – отклонение диагностического параметра li от номинального значения. Косвенные диагностические признаки оценивают через отклонение величины xвых – выходного сигнала объекта (системы).

Разработка диагностического обеспечения системы управления или объекта идет по следующей схеме (рис. 10.):


Рис. 10. Схема разработки диагностического обеспечения системы управления или объекта

Математическая постановка задачи технического диагностирования объекта (системы управления)

Пусть:

а) задана система линейная с постоянными характеристиками на отдельном отрезке времени стационарная, работающая в номинальном режиме;

б) задано множество контрольных точек;

в) задано множество физических отказов с характеристикой отказов;

г) задано множество тестовых и рабочих сигналов управления;

д) задано время диагностирования ОУ (СУ).

Требуется:

Провести техническое диагностирование ОУ (СУ) в целях контроля технического состояния – обнаружение отказов, поиск места и определение причин отказа.

При вероятностных методах распознавания технического состояния системы вероятность постановки диагноза , где Ni – число состояний объекта из общего числа состояний N, у которых имел место диагноз Di , а P(kj /Di ) – вероятность появления диагностического признака kj у объекта с диагнозом Di . Если среди Ni состояний объектов, имеющих диагноз Di , у Nij появился признак kj , то

Вероятность появления диагностического признака kj во всех состояниях объекта N независимо от их диагноза с учетом того, что kj появляется только в Nj состояниях объекта, равна:

.

Из изложенного выше вытекает, что вероятность совместного появления следующих событий: наличия у объекта диагноза Di и диагностического признака kj – равна:

.

Отсюда:

– формула Байеса.

Формула Байеса неточно отражает реальное положение при постановке диагноза Di при наличии диагностического признака kj. Дело в том, что в этой формуле априорно (без доказательства, заранее) принято, что все диагностические признаки имеют равную вероятность появления в реальных условиях работы системы, при этом не учитывается информационная ценность того или иного диагностического признака.

Информационная ценность диагностического признака определяется количеством информации, которое вносит данный диагностический признак в описание технического состояния объекта управления (ОУ) или системы управления (СУ).

Количество информации связано с энтропией (степенью неопределенности) состояния системы, чем выше определенность состояния системы (меньше энтропия), тем меньше информации мы получим, изучая (диагностируя) эту систему (о ней и так почти все известно).

Энтропия (степень неопределенности) системы по Шеннону (разработчик теории информации) находят по формуле:

где H(A) – энтропия системы A; P(Ai ) – вероятность Ai состояния системы А.

Количество информации определяется как разность энтропии системы в 2-х различных состояниях:

J = H(A1 ) – H(A2 ),

где J– количество информации, H(A1 ) – энтропия 1-го состояния, H(A2 ) – энтропия 2-го состояния системы.


Список литературы

1. Льюнг Леннарт. Идентификация систем. – М.: Наука, 191.

2. Интеллектуальные системы автоматического управления. / Под ред. И.М. Макарова, В.М. Лохина – М.: Физматпит, 2001.

3. В.О. Толкачев, Т.В. Ягодкина. Методы идентификации одномерных линейных динамических систем. – М.: МЭИ, 197.

4. К.А. Алексеев. Моделирование и идентификация элементов и систем автоматического управления. – Пенза, 2002.

5. Дочф Ричард, Вишоп Роберт. Современные системы управления. – М.: Юнимедиастайп, 2002.

6. С.В. Шелобанов. Моделирование и идентификация систем управления. – Хабаровск, 199.

7. К.В. Егоров. Основы теории автоматического регулирования. – М.: Энергия, 167.

Оценить/Добавить комментарий
Имя
Оценка
Комментарии:
Где скачать еще рефератов? Здесь: letsdoit777.blogspot.com
Евгений06:44:59 19 марта 2016
Кто еще хочет зарабатывать от 9000 рублей в день "Чистых Денег"? Узнайте как: business1777.blogspot.com ! Cпециально для студентов!
15:30:37 25 ноября 2015
Кто еще хочет зарабатывать от 9000 рублей в день "Чистых Денег"? Узнайте как: business1777.blogspot.com ! Cпециально для студентов!
15:23:12 25 ноября 2015

Работы, похожие на Контрольная работа: Идентификация объекта управления

Назад
Меню
Главная
Рефераты
Благодарности
Опрос
Станете ли вы заказывать работу за деньги, если не найдете ее в Интернете?

Да, в любом случае.
Да, но только в случае крайней необходимости.
Возможно, в зависимости от цены.
Нет, напишу его сам.
Нет, забью.



Результаты(149878)
Комментарии (1829)
Copyright © 2005-2016 BestReferat.ru bestreferat@mail.ru       реклама на сайте

Рейтинг@Mail.ru