Надіслати цю статтю 
Розробка методики ідентифікації математичних моделей технологічних об’єктів з невизначеностями
Анотація
Анотація. При практичній реалізації робастних методів керування для технологічних об’єктів виникла проблема поряд з ідентифікацією математичної моделі об’єкта ідентифікації невизначеностей. При цьому постає декілька питань: вибір структури невизначеностей; розрахунок множини невизначеностей.
Метою роботи є розробка узагальненої методики ідентифікації математичних моделей технологічних об’єктів, що орієнтовані на робастне керування. Це дозволить ефективно застосовувати робастні системи керування та призведе до підвищення енергоефективності системи в цілому.
У роботі запропоновано дві методики ідентифікації математичних моделей з інтервальними невизначеностями: емпіричний та з використанням рандомізації. Методика побудована на поетапних процедурах, що включають проведення експерименту, ідентифікацію параметрів в номінальному режимі, а також ідентифікацію інтервальної невизначеності параметрів математичної моделі. Застосування методів рандомізації, зокрема бутстрепу та «Складального ножа» на етапі ідентифікації номінальної моделі та інтервальної невизначеності дозволяє зменшити кількість та час проведених експериментів, а також підвищить точність отриманих оцінок. Перевагами обох методик є простота та інтуїтивна зрозумілість отриманих рішень.
Ключові слова: математична модель, ідентифікація, невизначеність, технологічний об’єкт
Посилання
Lutska, N.M., Ladaniuk, A.P. (2015). Optymalni ta robastni systemy keruvannia tekhnolohichnymy ob’iektamy [Optimal and robust control systems for technological objects]. Kyiv, Ukraine: Lira-K, 288.
Ljung L. System Identification: Theory for the User, Second Ed. (1999). Prentice Hall PTR, 609.
Ljung L. and Vicino A. (2005) Special Issue on System Identification. IEEE Trans. Autom. Control, 50 (10). P. 1473.
Soderstrom T., Van Den Hof P., Wahlberg B. and Weiland S. (2005). Special Issue on Data Based Modelling and System Identification. Automatica, 41 (3), 357-362.
Sippe G. Douma, Paul M.J. Van den Hof. (2005). Relations between uncertainty structures in identification for robust control. Automatica, 41 (3), 439-457.
Sippe G. Douma, Paul M.J. Van den Hof. (2002). On the choice of uncertainty structure in identification for robust control. Proceeding of 41st IEEE conference on decision and control Las Vegas, Nevada USA, 4197-4202.
Sippe G. Douma, Paul M.J. Van den Hof. (2005). An alternative paradigm for probabilistic uncertainty bounding in prediction error identification. Proceeding of 44st IEEE conference on decision and control, and the European Control Conference 2005. Seville, Spain, 4970-4975.
Chen J., Gu G. (2000). Control Oriented System Identification. Wiley Interscience, 421.
Milanese M, Vicino A. (1991). Optimal estimation theory for dynamic systems with set membership uncertainty: an overview. Automatica, 27(6), 997-1009.
Mäkilä P M, Partington J R, Gustafsson T K. (1995). Worst-case control-relevant identification // Automatica, 31(12), 1799-1819.
Jafarian S. Hamed and Häggblom Kurt E. (2011). Frequency-domain uncertainty model identification using a state space model with time-delay compensation. Report 11-1 ABO Academi.
Wang Le-Yi, Zhao Wen-Xiao. (2013). System Identification: New Paradigms, Challenges, and Opportunities. Acta automatica sinica, 39 (7), 933-942.
Efron B., Tibshirani R.J. (1993). An introduction to the bootstrap. N.Y.: Chapman & Hall, 436.
Shitikov V.K., Rozenberg G.S. (2013). Randomizatsiya i butstrep: statisticheskiy analiz v biologii i ekologii s ispolzovaniem R [Randomization and bootstrap: statistical analysis in biology and ecology using R]. Tolyatti: Kassandra, 314.
Метрики статей
Metrics powered by PLOS ALM
Посилання
- Поки немає зовнішніх посилань.
