В области идентификации систем используются статистические методы для построения математических моделей динамических систем на основе измеренных данных. [1] Идентификация системы также включает в себя оптимальный план экспериментов для эффективного получения информативных данных для подбора таких моделей, а также сокращения моделей. Обычный подход состоит в том, чтобы начать с измерений поведения системы и внешних воздействий (входных данных для системы) и попытаться определить математическую связь между ними, не вдаваясь во многие детали того, что на самом деле происходит внутри системы; этот подход называется идентификацией системы черного ящика .
Динамическая математическая модель в этом контексте представляет собой математическое описание динамического поведения системы или процесса во временной или частотной области. Примеры включают в себя:
Одним из многих возможных применений системной идентификации являются системы управления . Например, это основа современных систем управления, управляемых данными , в которых концепции идентификации системы интегрированы в конструкцию контроллера и закладывают основу для формальных доказательств оптимальности контроллера.
Методы идентификации системы могут использовать как входные, так и выходные данные (например, алгоритм реализации собственной системы ) или могут включать только выходные данные (например, разложение в частотной области ). Обычно метод ввода-вывода более точен, но входные данные не всегда доступны.
Качество идентификации системы зависит от качества входных данных, которые находятся под контролем системного инженера. Поэтому системные инженеры уже давно используют принципы планирования экспериментов . [2] В последние десятилетия инженеры все чаще используют теорию оптимального планирования эксперимента для определения входных данных, которые дают максимально точные оценки . [3] [4]
Можно было бы построить так называемую модель белого ящика , основанную на первых принципах , например, модель физического процесса на основе уравнений Ньютона , но во многих случаях такие модели будут слишком сложными и, возможно, даже невозможными получить в разумные сроки из-за сложный характер многих систем и процессов.
Поэтому гораздо более распространенный подход состоит в том, чтобы начать с измерений поведения системы и внешних воздействий (входных данных для системы) и попытаться определить математическую связь между ними, не вдаваясь в подробности того, что на самом деле происходит внутри системы. Этот подход называется системной идентификацией. В области идентификации систем распространены два типа моделей:
В контексте идентификации нелинейных систем Jin et al. [9] описывают моделирование серого ящика, предполагая априорную структуру модели и затем оценивая ее параметры. Оценить параметры относительно легко, если известна форма модели, но это бывает редко. Альтернативно, структура или члены модели как для линейных, так и для очень сложных нелинейных моделей могут быть идентифицированы с использованием методов NARMAX . [10] Этот подход является абсолютно гибким и может использоваться с моделями серого ящика, где алгоритмы основаны на известных терминах, или с полностью моделями черного ящика, где термины модели выбираются как часть процедуры идентификации. Еще одним преимуществом этого подхода является то, что алгоритмы будут просто выбирать линейные члены, если изучаемая система является линейной, и нелинейные члены, если система нелинейна, что обеспечивает большую гибкость при идентификации.
В приложениях систем управления целью инженеров является получение хорошей производительности системы с обратной связью , которая состоит из физической системы, контура обратной связи и контроллера. Такая производительность обычно достигается путем разработки закона управления на основе модели системы, которую необходимо идентифицировать, исходя из экспериментальных данных. Если процедура идентификации модели направлена на цели управления, то на самом деле важно не получить наилучшую возможную модель, соответствующую данным, как в классическом подходе к идентификации системы, а получить модель, достаточную для работы в замкнутом контуре. Этот более поздний подход называется идентификацией для управления или сокращенно I4C .
Идею I4C можно лучше понять, рассмотрев следующий простой пример. [11] Рассмотрим систему с истинной передаточной функцией :
и идентифицированная модель :
С точки зрения идентификации классической системы, в целом, это не очень хорошая модель для . Фактически модуль и фаза отличаются от модулей на низкой частоте. Более того, хотя система является асимптотически устойчивой , она является просто устойчивой системой. Тем не менее, эта модель все еще может быть достаточно хорошей для целей управления. Фактически, если кто-то хочет применить чисто пропорциональный регулятор с отрицательной обратной связью с высоким коэффициентом усиления , передаточная функция с обратной связью от задания к выходу будет равна:
и для
Поскольку он очень большой, у него есть . Таким образом, две передаточные функции замкнутого контура неразличимы. В заключение, это вполне приемлемая идентифицированная модель для истинной системы, если необходимо применить такой закон управления с обратной связью. Пригодна ли модель для разработки системы управления, зависит не только от несоответствия объекта/модели, но и от контроллера, который будет реализован. Таким образом, в рамках I4C, учитывая цель управления, инженер по управлению должен спроектировать этап идентификации таким образом, чтобы производительность, достигаемая контроллером на основе модели в реальной системе, была как можно выше.
Иногда даже удобнее спроектировать контроллер, не указывая явно модель системы, а непосредственно работая на экспериментальных данных. Это случай систем управления с прямым управлением данными .
В области искусственного интеллекта общепринято понимать, что контроллер должен сгенерировать следующий ход робота . Например, робот начинает движение по лабиринту, а затем решает двигаться вперед. Прогнозирующее управление моделью косвенно определяет следующее действие. Термин «модель» относится к форвардной модели, которая не обеспечивает правильное действие, а моделирует сценарий. [12] Прямая модель аналогична физическому движку , используемому в программировании игр. Модель принимает входные данные и рассчитывает будущее состояние системы.
Причина, по которой строятся специальные прямые модели, заключается в том, что они позволяют разделить общий процесс управления. Первый вопрос заключается в том, как предсказать будущие состояния системы. Это означает, что нужно моделировать объект в течение определенного периода времени для разных входных значений. И вторая задача — поиск последовательности входных значений, которая приводит объект в целевое состояние. Это называется прогнозирующим управлением.
Передняя модель — наиболее важный аспект MPC-контроллера . Его необходимо создать до того, как можно будет реализовать решатель . Если неясно, как ведет себя система, невозможно искать значимые действия. Рабочий процесс создания прямой модели называется идентификацией системы. Идея состоит в том, чтобы формализовать систему в виде набора уравнений, который будет вести себя как исходная система. [13] Можно измерить ошибку между реальной системой и прямой моделью.
Существует множество методов создания прямой модели: обыкновенные дифференциальные уравнения являются классическими, которые используются в физических движках, таких как Box2d. Более поздний метод — это нейронная сеть для создания прямой модели. [14]
{{cite journal}}
: Требуется цитировать журнал |journal=
( помощь ){{cite journal}}
: CS1 maint: несколько имен: список авторов ( ссылка ){{cite journal}}
: CS1 maint: несколько имен: список авторов ( ссылка ){{cite book}}
: CS1 maint: несколько имен: список авторов ( ссылка )