Динамическая система первого порядка . Рассмотрим рис. 10.3. Пусть в момент - объем воды в резервуаре , a - объем воды в резервуаре , связанном с трубой. В данный момент мы не рассматриваем резервуар , показанный пунктиром. Пусть вода может подаваться в или забираться из него по трубе ; имеются механические средства, позволяющие изменять уровень, а следовательно, и объем воды в нужным образом вне зависимости от того, что происходит в .
Если объем в первом резервуаре поддерживается на постоянном уровне, вода будет перетекать из одного резервуара в другой до тех пор, пока уровни в них не станут одинаковыми. Если теперь изменить объем , вода будет снова перетекать из одного резервуара в другой до тех пор, пока не наступит равновесие. Объем воды в , находящийся в равновесии как функция заданного объема в , описывается стационарным соотношением
. (10.1.4)
В этом случае стационарное усиление геометрически выражается как отношение заштрихованных площадей двух резервуаров. Если два уровня в момент не совпадают, различие в уровне воды между резервуарами пропорционально .
Пусть теперь, выкачивая или впуская жидкость по трубе , мы заставляем объем следовать графику, показанному на рис. 10.3. Тогда объем воды в будет изменяться в соответствии с ходом графика, показанного на том же рисунке. В общем случае функция , определяющая режим системы, называется вынуждающей функцией .
Для того чтобы связать вход и выход, заметим, что с хорошей точностью скорость потока через трубу пропорциональна разности в уровнях, т. е.
,
(10.1.5)
где - константа. Дифференциальное уравнение (10.1.5) можно переписать в виде
где. Динамическую систему, описываемую таким образом при помощи дифференциального уравнения первого порядка, часто называют динамической системой первого порядка.
Рис. 10.3. Представление простой динамической системы.
Постоянная называется постоянной времени системы. Та же модель первого порядка может приближенно описывать поведение многих простых систем. Например, может быть выходной температурой воды в системе водяного отопления, а - скоростью поступления воды в систему.
Можно показать (см. например ), что решение линейного дифференциального уравнения такого типа, как (10.1.6), можно записать в виде
,
(10.1.7)
где - вообще говоря, (непрерывная) функция отклика на единичный импульс. Видно, что получается из как непрерывно взвешенная сумма, точно так же, как получалось из в (10.1.2) как дискретно взвешенная сумма. Далее видно, что роль непрерывной весовой функции в непрерывном случае совершенно аналогична роли в дискретном случае. Для конкретной системы первого порядка, определенной (10.1.6),
.
Таким образом, отклик на единичный импульс затухает в этом случае по экспоненте (см. рис. 10.3).
В непрерывном случае определение выхода для произвольной вынуждающей функции, такой, как на рис. 10.3, обычно выполняется либо моделированием на аналоговом вычислительном устройстве, ибо расчетом на цифровой вычислительной машине
Рис. 10.4. Функция отклика на единичный скачок системы первого порядка.
Аналитические решения можно получить только для вынуждающих функций специального вида. Пусть, например, вначале гидравлическая система пуста, а затем внезапно достигает уровня и сохраняет это значение. Такую вынуждающую функцию, внезапно изменяющую нулевой стационарный уровень на стационарный уровень, равный единице, мы будем называть (единичным) скачком. Отклик системы на такую функцию, названный откликом на единичный скачок, можно получить, решая дифференциальное уравнение (10.1.6) с единичным скачком на входе, что дает
.
(10.1.8)
Как
следует из этого результата, уровень в резервуаре возрастает по экспоненте (рис. 10.4).
Когда , 
. Это означает, что
постоянная времени -
это время, необходимое системе первого порядка (10.1.6) для достижения 63,2% ее
заключительного равновесного уровня после подачи на вход единичного скачка.
Иногда существует начальный интервал чистого запаздывания, или холостое время, перед тем как проявится какая бы то ни было реакция на данное изменение входа. Например, если труба между и (рис. 10.3) достаточно длинна, внезапное изменение уровня в может не оказать эффекта на до тех пор, пока через трубу не прошло достаточное количество жидкости. Пусть введенное таким образом запаздывание занимает единиц времени. Тогда отклик запаздывающей системы будет описываться дифференциальным уравнением, подобным (10.1.6), но только справа вместо будет стоять , т. е.
Соответствующие
функции отклика на единичный импульс и скачок имеют точно такую же форму, как
в системе без запаздывания, но смещены по оси времен на расстояние .
Рис. 10.5. Функции отклика на
единичный скачок совпадающих дискретной и непрерывной систем второго порядка,
имеющих характеристические уравнения с действительными (кривая ) и комплексными
корнями (кривая).
Динамическая система второго порядка . Рассмотрим рис. 10.3 еще раз. Вообразим, что имеется система трех резервуаров с трубой, ведущей от резервуара к резервуару , объем жидкости в котором обозначен. Пусть - временная постоянная, и - стационарное усиление дополнительной системы. Тогда и связаны дифференциальным уравнением
После подстановки в (10.1.6) мы получаем дифференциальное уравнение второго порядка , связывающее выход третьего резервуара и вход первого,
где . Для такой системы функция отклика на единичный импульс - это наложение экспонент
а функция отклика на единичный скачок имеет вид
. (10.1.12)
Непрерывная кривая на рис. 10.5 показывает отклик на скачок системы
у которой , , . Отметим, что в отличие от системы первого порядка система второго порядка имеет отклик на скачок с начальным нулевым наклоном. действительными, действительными и равными или комплексными. У перезатушенной системы функция отклика на скачок образована наложением экспонент такого типа как (10.1.12), и всегда располагается ниже асимптоты . Как и в системе первого порядка, отклик может иметь холостое время, для этого надо заменить аргумент в правой части (10.1.13) на . Многие весьма сложные динамические системы можно достаточно точно описывать такими системами второго порядка с запаздыванием.
Более сложные линейные динамические системы могут быть описаны, если допустить, что не только сами значения уровня вынуждающей функции , но также скорость ее изменения и более высокие производные влияют на поведение системы. Поэтому общая модель для описаний (непрерывных) динамических систем - это линейное дифференциальное уравнение
Информатика, кибернетика и программирование
Модели применяемые в управлении. Типы моделей. Масштаб времени динамических моделей. Непрерывные модели динамических систем. Уравнения состояния. Нелинейные системы. Численное моделирование динамических систем. Проблема слишком большого шага. Дискретные модели динам
Модели, применяемые в управлении. Типы моделей. Масштаб времени динамических моделей . Непрерывные модели динамических систем . Уравнения состояния. Нелинейные системы. Численное моделирование динамических систем. Проблема слишком большого шага. Дискретные модели динамических систем. Управляемость, оценка и наблюдаемость. Нечеткие системы
Модель процесса основа управления. Любая стратегия управления базируется на некотором понимании того, как физический процесс реагирует на входной сигнал. Поэтому умение анализировать и моделировать динамику системы является основной предпосылкой для успешного управления.
Типы моделей
Существует много способов описания систем с помощью моделей. Конкретный выбор зависит от предварительно имеющейся информации, возможностей собирать данные о процессе по мере его развития и, что важнее всего, от цели моделирования. В отличие от науки, где целью моделирования является глубокое проникновение в суть системы, модель в инженерном смысле считается адекватной, если соответствующие процессы управления работают предсказуемым образом, т. е. имеется устойчивый выход с малыми отклонениями от заданного значения, воспроизводимость отклика на входной сигнал и т. д
Масштаб времени динамических моделей
Масштаб времени одна из наиболее важных характеристик динамического процесса. Большинство технических систем и производств включают в себя несколько процессов, существенно отличающихся временем реакции. Поэтому при описании процесса важно выбрать масштаб времени, который соответствует поставленной цели.
Проиллюстрируем это на примере промышленного производства. Задачи управления можно разбить на несколько уровней. События на уровне станков происходят за доли секунды, как, например, при управлении манипулятором робота или инструментом станка. На следующем, более высоком уровне управления, на уровне участка, цель синхронизация различных механизмов, например решение, когда робот должен переместить деталь между двумя станками. Масштаб времени здесь уже имеет порядок от секунд до минут. На уровне участка предполагается, что задача управления конкретным станком уже решена на более низком уровне. Масштаб времени на уровне участка определяется задачами снабжения станка заготовками, определения, свободен ли робот, чтобы захватить новую деталь, и т. д. На еще более высоком уровне планируется производство в целом, т. е. что производить и с какими конкретными характеристиками. Решение таких проблем может занимать дни или недели, и по сравнению с этим динамика одного станка рассматривается как одномоментная.
Моделирование динамических систем
Существуют как хорошо известные и давно изученные процессы, так и процессы, о которых известно очень мало и которые трудно поддаются количественному описанию. Например, динамика самолетов и ядерных реакторов изучалась очень тщательно, и существуют достаточно точные, хотя и очень сложные модели этих процессов. Есть процессы, которые трудно описать количественно. Например, лабораторный процесс ферментации микроорганизмов одного типа в четко определенной питательной среде можно описать весьма точно. В отличие от этого, процесс биологической очистки сточных вод содержит сложную смесь организмов в среде, трудно поддающейся описанию. Такой процесс только частично можно описать обычными количественными моделями. Когда количественных моделей недостаточно или они слишком сложны, для описания процессов применяют семантические (лингвистические) модели. Другие примеры частично изученных процессов производство металла, разделение жидких и твердых субстанций, многие биохимические процессы и работа печей кругового обжига.
Для процессов, параметры которых изменяются во времени, характерны свои специфические проблемы. Например, в биологической системе добавление нового субстрата в процесс может вызвать мутацию микроорганизмов, которая приведет к значительному изменению динамики всего процесса.
Как правило, моделирование сложной системы представляет собой трудный, дорогой и требующий много времени процесс, особенно если необходима экспериментальная проверка. В принципе, существуют два способа разработки модели. При физическом подходе модель формируется исходя из физических соотношений и уравнений баланса. Другой способ построения динамической модели основан на экспериментальных данных. В технический процесс вносятся возмущения в виде различных типов входных сигналов, а затем выполняется анализ серий входных и выходных данных с помощью процедуры, которая называется идентификацией параметров . Если анализ выполняется в реальном времени, т. е. со скоростью, сопоставимой со скоростью протекания процесса, то такая процедура называется рекурсивной оценкой .
На практике обычно применяется комбинирование физического моделирования и идентификации параметров. При более глубоком изучении основных свойств процесса становится проще получить точное динамическое описание. Однако даже тщательно разработанные модели, основанные на физическом подходе, требуют экспериментальной проверки.
Параметры многих процессов и систем изменяются не только во времени, но и в пространстве, например концентрация жидкости в баке. Физический баланс таких систем описывается уравнениями в частных производных. В системах управления процессами эти уравнения обычно аппроксимируются конечными разностями по пространственным переменным для того, чтобы система описывалась обыкновенными дифференциальными уравнениями
Непрерывные модели динамических систем. Уравнения состояния
Дифференциальные уравнения, описывающие физический процесс, всегда можно преобразовать к системе обыкновенных дифференциальных уравнений первого порядка. В этом случае говорят, что это описание в виде уравнений состояния или в пространстве состояний . Главное преимущество такой формы записи в том, что для решения этих уравнений можно использовать численные методы. Кроме того, четко прослеживается физическая сущность процесса, в частности связь между внутренними переменными и внешними входным и выходным сигналами. Аналогично, изучение систем управления с более чем одним входом и выходом, проще в форме уравнений состояния. Основой математического аппарата для моделей в пространстве состояний служит, главным образом, линейная алгебра векторная и матричная нотации значительно упрощают описание. Однако методы линейной алгебры не требуются, чтобы получить основные представления о динамике системы.
Уравнения состояния представляют собой практичный и удобный способ описания динамических систем. Состоянием называется набор всех переменных так называемых переменных состояния , производные первого порядка от, которых входят в уравнения описания динамической системы. Концепция уравнений состояния имеет фундаментальное значение. Если известны текущее состояние системы (переменные состояния) и входные сигналы, то можно предсказать ее дальнейшее поведение. При этом предысторию, т.е. как было достигнуто текущее состояние, знать не нужно. Другими словами, состояние это минимальное количество информации о системе, которое необходимо, чтобы предсказать ее будущее поведение.
Состояние х можно представить как вектор-столбец, компоненты которого переменные состояния
Непосредственно измерить все переменные состояния можно в редких случаях, т. е. существуют внутренние переменные, за которыми не удается следить с помощью датчиков. Поэтому описание в пространстве состояний называют также внутренним описанием . Выходные величины измерения, обозначаются через y 1 , у 2 ,..., у р и составляют вектор у
В общем случае число датчиков р, связанных с техническим процессом, меньше числа переменных состояния п. Поэтому вычисление х по у нетривиальная задача.
На любую техническую систему влияют входные сигналы двух типов сигналы,которые можно изменять вручную или автоматически какими-либо техническими средствами, и сигналы, которыми управлять невозможно. Сигналы первого типа называются управляющими сигналами или переменными управления U 1 , U 2 составляют вектор U
Входные сигналы второго типа могут влиять на систему, но не поддаются управлению. Величина этих сигналов отражает влияние внешней среды на систему, например изменение (возмущение) нагрузки, вызванное температурой, радиацией, нежелательным магнитным воздействием ("наводками") и т. п. Все эти сигналы обозначаются вектором v
Целью системы управления является вычисление на основе имеющихся измерений у таких управляющих сигналов и, чтобы, несмотря на влияние возмущений v , техническая система выполняла поставленные задачи. Управляемую систему можно представить в виде блок-схемы (рис. 3.13), на которой показаны управляющие сигналы, возмущения и выходные переменные
Рис. 2.1 Блок-схема управляемой системы
Область применения линейных моделей
Существуют динамические явления, которые нельзя описать линейными дифференциальными уравнениями с постоянными коэффициентами. Рассмотрим влияние нелинейности на примерах. Системы, описываемые ниже, ведут себя как линейные при малых значениях входных сигналов, а при больших появляется нелинейность.
Ограничения сигнала
В реальных условиях все сигналы ограничены. Во многих технических системах в качестве конечных управляющих элементов используются клапаны. Поскольку клапан не может быть открыт больше, чем на 100 %, рассчитанный математически сигнал управления иногда просто нельзя реализовать (рис. 2.2). Это вызывает определенные трудности в управлении.
Другой пример ограничения сигнала ток ротора электрического двигателя. Ток должен быть ограничен, иначе двигатель сгорит. Соответственно, система управления двигателем не может быть линейной, особенно при больших ускорениях и моментах, когда ток тоже должен быть большим
Рис.2.2 Выходной сигнал исполнительного механизма с ограничениями
Нелинейные системы
Описанные системы являются нелинейными, но при некоторых допущениях их можно аппроксимировать линейными уравнениями. Другие типы нелинейностей нельзя свести к линейному описанию. Наиболее часто встречающийся пример релейные системы. Реле вырабатывают бинарные сигналы типа "включено/ выключено"; идеальное реле для любого положительного входного сигнала имеет фиксированный положительный выход и, соответственно, фиксированный отрицательный выход при любом отрицательном входе. Очевидно, что в такой системе не выполняется принцип суперпозиции
Примеры систем с существенными нелинейностями:
двигатели переменного тока
Нелинейные системы можно описать в следующем виде
где определены п переменных состояния и г входов, или в компактной векторной форме
Численное моделирование динамических систем
Для решения нелинейных дифференциальных уравнений в большинстве случаев используются численные методы. Основной метод решения дифференциальных уравнений аппроксимация производных по времени простыми разностными уравнениями. Этот метод называется аппроксимацией Эйлера с восходящими разностями
Если известны начальные условия х(0), то можно рассчитать состояния х(t + h ), х(t +2 h ), х(t +3 h ),..., которые являются приближениями точного решения в моменты времени t + h , t +2 h , t +3 h и т.д. Здесь очень важно выбрать шаг { step ) интегрирования h , который, в принципе, должен быть как можно меньше, однако на практике выбирается некая компромиссная величина. Слишком маленький шаг приведет к неоправданно большому времени вычислений (которое, естественно, еще серьезно зависит от сложности вычислений, типа уравнений, числа переменных и мощности процессора). С другой стороны, слишком большое значение h вызывает проблемы сходимости решения и приводит к нежелательным результатам. Эффект неправильно выбранного шага может оказаться очень существенным, особенно если моделируемая система включает в себя и быстрые, и медленные динамические процессы.
Проблема слишком большого шага
Для иллюстрации проблемы слишком большого шага рассмотрим простую систему, описываемую уравнением первого порядка
где х(0) = 1 и а > 0. Уравнение имеет аналитическое решение
С другой стороны, дифференциальное уравнение можно решить численно методом Эйлера. При аппроксимации производной конечной разностью
На рис. 2.3. показано, что происходит при различных значениях шага h . В общем случае для больших значений h таких, что h > 2/а, решение х будет иметь колебательный характер с изменением знака и ростом амплитуды. Проблема возникновения колебаний из-за слишком большого шага интегрирования называется численной неустойчивостью. Эта неустойчивость не имеет ничего общего с самой системой и вызвана только слишком грубой аппроксимацией при вычислении решения.
Существует много методов численного интегрирования, каждый из которых имеет свои достоинства и недостатки; наибольшее распространение получили методы Рунге-Кутта. Большинство методов интегрирования допускают варьируемую величину шага, которая выбирается автоматически, чтобы удовлетворить наперед заданному критерию погрешности
Дискретные модели динамических систем
Цифровая ЭВМ не может обрабатывать постоянно меняющиеся аналоговые данные. Соответственно, и сбор данных, и выработка управляющих сигналов происходят только в определенные моменты времени. Ситуация принципиально не меняется при повышении скорости процессора. Более быстрый процессор работает по тому же принципу, что и более медленный, он просто обрабатывает больше данных за тот же интервал времени, но данные при этом остаются дискретными.
Ниже излагается модель физического процесса, пригодная для приложений компьютерного управления. В соответствии с рассматриваемой моделью измеряемые данные процесса собираются через регулярные интервалы времени. Эти интервалы не обязательно должны быть одинаковыми, однако описание дискретной динамической модели становится проще при постоянном интервале. Данный процесс называется выборкой, дискретизацией { sampling ) или квантованием, длина интервала временем (периодом, интервалом) выборки, дискретизации { sampling time ) или квантования. Другое упрощение, используемое при разработке дискретно-временных моделей процессов, состоит в том, что измеряемые данные и сигналы управления остаются постоянными в течение интервала выборки. Фактически таким же образом работают схемы выборки и хранения интерфейса компьютера.
Описание в пространстве состояний
Нелинейный процесс можно аппроксимировать разностным уравнением
где h интервал выборки kh его порядковый номер; f (x , u ) производная по времени вектора состояния системы х. Аппроксимация справедлива, если h достаточно мал, и производная "гладкая". Разностное уравнение по существу такое же, что и при численном моделировании. Линейная система с постоянными коэффициентами в дискретном виде представляется следующим образом
В матричных обозначениях это можно записать
Для линейной или линеаризированной системы аппроксимация не обязательна. Поскольку линейные дифференциальные уравнения можно решить аналитически, соответствующие уравнения для дискретного представления можно получить из решения. Предполагается, что сигнал управления u (t ) остается постоянным между моментами выборки, т. е. система включает в себя схему удержания. Дискретную модель можно записать в матричном виде
где Ф матрица размерностью п x п, а Г матрица размерностью п x l . Связь между матрицами А и В и матрицами Ф и Г следующая
где I единичная матрица.
Преобразование между матрицами для непрерывной и дискретной моделей можно выполнить с использованием стандартных программ. Аппроксимация конечными разностями стремится к точному решению при малых значениях интервала выборки h . Поскольку измерения происходят периодически, то уравнение для дискретной модели справедливо только в моменты выборки
Решение уравнений дискретной модели на цифровой ЭВМ получается довольно просто: решения х(kh ) в последовательные моменты времени вычисляются шаг за шагом на основе разностных уравнений
Управляемость, оценка и наблюдаемость
Каждая техническая система обладает несколькими фундаментальными характеристиками, которые требуют особого внимания.
Управляемость (controllability ) это характеристика системы, которая показывает, имеет ли система достаточное количество регулируемых параметров для того, чтобы управлять ею требуемым образом. Грубо говоря, система является управляемой, если можно подобрать такие управляющие воздействия и, чтобы система достигла заданного состояния х. Только тогда, когда система управляема, ее полюса (или собственные числа) можно произвольно перемещать с помощью обратной связи.
Если процесс неуправляем, это означает, что части системы физически отсоединены от управляющих сигналов .
Управляющие сигналы влияют на каждую переменную состояния по отдельности. В управляемой системе все элементы матрицы В ненулевые, в противном случае переменные состояния, соответствующие нулевым элементам матрицы В, не могут регулироваться сигналами управления. Значения таких переменных будут определяться только свойствами системы.
Управляемость линейной системы на базе непрерывной и дискретной модели можно проверить математическими методами. Однако никакие математические методы не могут заменить понимание физической природы процесса инженером-проектировщиком. Например, часто бывает, что некоторые параметры плохо управляемы, т. е. значения соответствующих коэффициентов Р, малы. И хотя формально система управляема, реальный регулятор, пригодный для практического использования, создать невозможно.
Оценка состояния на основе измерений
Вторая характеристика системы связана с измерениями и наблюдением. Позволяет ли имеющийся состав датчиков получить достаточную информацию о состоянии системы. Возможно ли косвенным образом вычислить весь текущий вектор состояния x { t ), если известны текущее и предыдущее значения выходного сигнала у(0).Эта характеристика называется наблюдаемостью .
В большинстве случаев состояние системы не измеряется непосредственно, т. е. число датчиков меньше числа переменных состояния. Однако часто важно знать полный вектор состояния х, даже если адекватные датчики не существуют или просто слишком дороги. При определенных условиях можно вычислить вектор состояния х на основе измерений у . В последующем х будет обозначать вычисленный вектор состояния, поскольку он может отличаться от реального.
Для вычисления неизмеряемых переменных состояния можно использовать процедуру оценки (estimator ), причем как для непрерывных, так и для дискретных моделей. Здесь рассмотрен алгоритм оценки для дискретной модели, поскольку его можно непосредственно применять в компьютерном управлении. Оценка состояния фактически является описанием технического процесса разностными уравнениями, в которые введен дополнительный член для корректировки оцениваемых переменных на основе измерений у
Матрица D в большинстве случаев нулевая. Если система имеет только один датчик, тогда К является вектором, в противном случае матрицей. При "отличной" оценке х и х совпадают и последнее слагаемое в уравнении равно нулю, так как у = С х. Оценка будет подчиняться тому же динамическому уравнению, что и истинный вектор состояния х. Поскольку х отличается от х, последнее слагаемое, т. е. разность между реальным измерением у и его оценкой С*х, используется для коррекции ошибки. Матрица К есть весовой коэффициент, определяющий качество оценки.
Нечеткие системы
Многие системы не только нелинейны и нестационарны (изменяются во времени), но и вообще плохо определены. Их нельзя смоделировать уравнениями или представить набором ясных логических правил типа "если-то-иначе". Для решения подобных задач американский ученый Лотфи А. Задех (Lotfi A . Zadeh ) разработал нечеткую логику { fuzzy logic ). Термин "нечеткая" фактически использован не совсем правильно, поскольку логика прочно базируется на математической теории.
Нечеткую логику можно рассматривать как методологию дискретного управления, имитирующую человеческое мышление, с использованием такого свойства, присущего всем физическим системам, как неточность. В традиционной логике и вычислительной технике используются детерминированные множества, т. е. всегда можно сказать, принадлежит ли элемент множеству или нет. Обычная бинарная логика оперирует только противоположными состояниями "быстро/медленно", "открыто/закрыто", "горячо/холодно". В соответствии с этой логикой температуру 25 "С можно расценить как "горячо", а 24.9 °С еще "холодно", и регулятор температуры будет реагировать соответственно.
В противоположность этому нечеткая логика работает, преобразуя жесткие двоичные переменные "горячо/холодно", "быстро/медленно", "открыто/закрыто" в мягкие градации с изменяемой степенью принадлежности "тепло/прохладно", "довольно быстро/несколько медленно". Температура 20 °С может означать одновременно и "тепло", и "прохладно". Такие градации игнорируются обычной логикой, но служат краеугольным камнем нечеткой логики. Степень членства определяется доверием { confidence ) или уверенностью { certainty ) (выражается числом от 0 до 1), что конкретный элемент принадлежит нечеткому множеству.
Нечеткие системы вырабатывают свои решения на основе входной информации в форме лингвистических переменных, т. е. терминов обычного языка, например "горячо", "медленно" или "темно". Эти переменные обрабатываются правилами "если-то-иначе",и в результате формируется один или более выводов в зависимости от того, какие утверждения истинны. Вывод каждого правила взвешивается в соответствии с доверием или степенью принадлежности его входных значений.
Существует некоторая аналогия между правилами "если-то" искусственного интеллекта и нечеткой логикой, хотя искусственный интеллект есть процесс обработки символов, а нечеткая логика нет. В искусственном интеллекте нейронная сеть есть совокупность данных и выводов в виде специальных структур. Каждой входной величине назначается относительный, дискретный весовой коэффициент. Взвешенные данные точно определенным способом формируют сеть для принятия решений. В отличие от этого в нечеткой логике весовые функции непрерывно определены на множестве значений принадлежности.
Нечеткая логика часто имеет дело с переменными, которые скорее наблюдаются, чем измеряются. Управление на основе нечеткой логики имеет еще одно существенное отличие по сравнению с традиционным. Последнее основано на математической модели системы, которая предполагает наличие детальных знаний о соответствующих переменных. Моделирование на основе нечеткой логики имеет дело с отношениями вход/выход, в которых собраны вместе многие параметры. При таком управлении замена большого диапазона значений на меньшее количество градаций принадлежности помогает сократить число переменных, которыми должен оперировать регулятор. Соответственно, требуется меньшее число правил, поскольку надо оценивать меньше параметров, и во многих случаях регулятор на базе нечеткой логики может вырабатывать решения быстрее, чем экспертная система на основе правил "если-то". На экспериментальных прототипах было показано, что нечеткая логика является хорошим инструментом при недостаточных объемах информации.
Автоматический регулятор скорости поезда служит простой иллюстрацией приложений нечеткой логики. Критерием для регулятора является оптимизация времени пути при известных ограничениях. Входными данными являются текущие скорость, ускорение и расстояние до места назначения, на основе которых регулятор управляет мощностью двигателя
Функция принадлежности присваивает измеряемым величинам лингвистические значения. В приведенном случае ускорение имеет значение "торможение" из-за крутого подъема. Скорость принадлежит к множеству "медленно" (вес 0.8) и "слишком медленно" (вес 0.2), а расстояние имеет значение "очень близко к месту назначения" с весом 0.65 и "близко" с весом 0.35
Несколько правил могут дать представление о логике управления:
Какое правило должно быть выбрано? Выход также имеет степень доверия, которая зависит от степени доверия (т. е. веса) входных данных. Окончательный выбор в рассматриваемом примере "слегка увеличить" мощность. Даже если скорость имеет значение "слишком медленно", то поезд уже близок к месту назначения.
Нет гарантии, что нечеткая логика может успешно справляться со сложными системами. Регулятор на базе нечеткой логики является практически оценкой состояния системы, которая не основана на конкретной модели. Доказать устойчивость такого регулятора очень сложно.
А также другие работы, которые могут Вас заинтересовать |
|||
| 178. | Общая теория психологии. Классификация основных понятий | 282 KB | |
| Принцип детерминизма, место психологии в системе наук, понятие о сознании и самосознании. Теория личности Альфреда Адлера. Закономерности зарождения, развития и формирования личности. Операциональная концепция интеллекта. | |||
| 179. | Математические модели электрических, гидравлических и пневматических рулевых приводов | 398.92 KB | |
| Анализ статической и динамических характеристик типового рулевого привода с помощью математической модели привода, составленной в системе программирования Матлаб. Изучение устройства, принципа работы и математических моделей рулевых приводов. | |||
| 180. | Исторический очерк истории России конца ХІХ начала ХХІ столетия | 371.5 KB | |
| Причины, характер, движущие силы и особенности революции 1905 – 1907 гг. основные события и итоги революции. Сущность новой экономической политики, ее значение и причины свертывания. Изменение международной обстановки после II мировой войны. | |||
| 181. | Инструментальные средства разработки электронных учебно-методических материалов | 1.18 MB | |
| Инструментальные средства разработки ЭУММ. Сравнение различных типов инструментальных средств разработки. Выработка критериев сравнения инструментальных средств. Learning Content Development System - Community Version. IBM Workplace Collaborative Learning Authoring Tool. | |||
| 182. | Разработка телевизионных систем защиты территорий и помещений | 768.5 KB | |
| Функции систем физической защиты. Обнаружение и распознавание объектов. Классификация и параметры телевизионных камер. Работа телевизионной системы в составе СФЗ. Разработки и реализации адекватных мер защиты. | |||
| 183. | Общая социология. Конспект лекций | 678.5 KB | |
| Понятие, предмет, объект и метод социологии. Структура и уровни социологического знания. Эмиль Дюркгейм и его теория общественного развития. Культура как объект изучения социологии. Общественное мнение и социальные стереотипы как результаты массовой коммуникации. | |||
| 184. | Построение аналитических моделей алгоритмов и оценка их сложности | 770.51 KB | |
| Описание формальной модели алгоритма на основе рекурсивных функций. Описание аналитической модели алгоритма в виде элементарных машин Тьюринга и композиции МТ. Протоколы работы машины Тьюринга. Разработка аналитической модели алгоритма с использованием нормальных алгоритмов Маркова. | |||
| 185. | Информационные технологии в страховой деятельности | 67 KB | |
| Эффективное управление страховым бизнесом в связи с увеличением масштабов страхования требует создания информационных систем страховой деятельности (ИС СД). Автономные автоматизированные рабочие места. Комплекс взаимосвязанных АРМ, функционирующих на единой информационной базе. | |||
| 186. | Аудит підприємства ТОВ «ВСТ» | 3.77 MB | |
| Аудит товарно-матеріальних цінностей на підприємстві ТОВ «ВСТ». Аудит грошових коштів на підприємстві ТОВ «ВСТ». Аудит розрахункових операцій та поточних зобовязань на підприємстві ТОВ «ВСТ». Аудит праці та її оплата на підприємстві ТОВ «ВСТ». Аудит розрахунків з Фондами соціального страхування на підприємстві ТОВ «ВСТ»... | |||
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Развитие нейросетей, микросистемотехники, нанотехнологии внесло много существенно нового в методы моделирования процессов и систем, что дало также эффективный инструмент для предварительного решения задач проектирования в математическом виде на моделях и их численном исследовании на компьютерах. Применение моделирования особенно эффективно при исследовании проектируемых систем с целью изучения и прогнозировании различных явлений и процессов в этих системах. Приближение к реальным условиям работы проектируемых систем осуществляется при стохастическом моделировании, когда к условиям моделирования добавляются случайные изменения параметров системы, возмущения и шумы измерений физических величин.
В приборостроении актуально моделирование задач управления, получения, передачи и преобразования информации. При этом современные модели везде для описания процессов и систем используют дифференциальные уравнения и линейные матричные преобразования.
Развитие современных методов моделирования создало предпосылки для создания и исследования высокоэффективных систем, которые, как правило, ориентированы на цифровые алгоритмы обработки информации, с применением современных микропроцессоров, нейрокомпьютеров, процессоров с нечеткой логикой и других современных технологических достижений.
1 . Теоретическая часть
Динамические системы - системы, под действием внешних и внутренних сил изменяющие во времени свои состояния. Представления о динамических системах возникли как обобщение понятия механической системы, поведение которой описывается законами динамики Ньютона. В современной науке понятие динамической системы охватывает системы практически любой природы: физические, химические, биологические, экономические, социальные и др. При этом системы характеризуются различной внутренней организацией жестко-детерминированные, стохастические, нелинейные, системы с элементами самоорганизации, самоорганизующиеся.
Важнейшим свойством динамических систем является их устойчивость, т. е. сохранение системой своей базовой структуры и основных выполняемых функций в течение определенного времени и при относительно небольших и разнообразных внешних воздействиях и внутренних возмущениях. Устойчивость есть внутреннее свойство систем, а не результат внешнего воздействия. Представления же о развитии этих систем отражают такие изменения их структурной организации, которые ведут к более эффективному выполнению системой своих основных функций. Качественные перестройки систем анализируются в теории катастроф, которая рассматривается как ветвь общей теории динамических систем.
Развитие представлений о динамических системах связано с переходом к познанию все более сложных систем. При этом особую роль приобретает изучение динамики внутренних свойств систем. В случае механических систем действие внутренних факторов сводилось к силам инерции. По мере усложнения систем возрастает значение внутренних факторов. На первый план выходят проблемы изучения источников внутренней активности систем и природы их целенаправленного функционирования и поведения.
Математической моделью динамической системы принято называть совокупность математических символов, однозначно определяющих развитие процессов в системе, т.е. ее движение. При этом в зависимости от используемых символов различают аналитические и графоаналитические модели. Аналитические модели строятся с помощью буквенных символов, в то время как графоаналитические допускают применение графических обозначений.
В зависимости от типа сигналов различаются непрерывные и дискретные модели систем. В зависимости от используемых операторов - линейные и нелинейные, а также временные и частотные модели. К временным относятся модели, в которых аргументом является (непрерывное или дискретное) время. Это дифференциальные и разностные уравнения, записанные в явном виде или в операторной форме. Частотные модели предусматривают использование операторов, аргументом которых является частота соответствующего сигнала, т.е. операторы Лапласа, Фурье и т.д.
В современной математике используется представление динамических процессов и систем дифференциальными уравнениями в пространстве состояний. Такое описание процессов и систем позволяет легко проводить их цифровое моделирование, используя конечно-разностное представление и проектировать универсальные алгоритмы обработки информации с целью дальнейшего оптимального оценивания параметров систем и процессов. Оптимальные оценки необходимы для организации управления в системах автоматического управления современными методами, а в информационно-измерительных системах для получения достоверных данных об измеряемых физических величинах, для прогнозирования поведения исследуемых явлений и систем, повышения отказоустойчивости обработки информации. Одним из методов получения математической модели системы или процесса является идентификация.
Идентификацией динамической системы называется получение или уточнение по экспериментальным данным математической модели (числовых параметров) этой системы или процесса, выраженной посредством того или иного математического аппарата.
Используются следующие основные математические модели в пространстве состояний.
Непрерывная детерминированно-стохастическая динамическая система (ДС) - это система, описываемая линейными дифференциальными уравнениями состояния первого порядка и линейным уравнение выхода. В матричном виде:
X"(t)=A*Х(t)+B*U(t)+D*V(t), Y(t)=CX(t),
где Х"(t) - n-мерный вектор состояния системы; V(t) - r-мерный вектор гауссовских шумов с нулевым средним и корреляционной матрицей
E=Q(t)
моделирование матричный фазовый траектория
(Е - оператор математического ожидания); Y(t) - m-мерный вектор выхода; A, B, D - матрицы состояния (матрицы коэффициентов); С - матрица линейного преобразования размера m x n.
Дискретная детерминированно-стохастическая динамическая система (ДС) - это система, описываемая разностными уравнениями первого порядка состояния и дискретным уравнением выхода. Матричный вид соответствует уравнениям:
Х(k+1)=F*Х(k)+G*U(k)+T*V(k), Y(k)=CX(k),
где F, G, T, - переходные матрицы. Матрицы F, G, T вычисляются через A, B, D в виде:
F=I+A*y*dt, G=y*B*dt, T=y*D*dt,
где I - единичная матрица; dt - период дискретности системы (процесса). Период дискретности dt выбирается исходя из полосы пропускания ДС в соответствии с импульсной теоремой.
Детерминированной является ДС, у которой отсутствуют шумы возмущения и нет стохастических процессов (или всеми этими факторами можно пренебречь). У чисто стохастической ДС отсутствует детерминированный вектор входных сигналов. Детерминировано-стохастическая система содержит как детерминированные воздействия, так и стохастические процессы.
Объектами наблюдения динамических систем являются: информационные процессы (ИП), объекты управления (ОУ), датчики первичной информации (ДПИ), исполнительные устройства (ИУ). Первичной моделью объекта наблюдения типа ИП является спектральная или корреляционная функция. Первичной моделью объекта наблюдения типа ОУ, ДПИ и ИУ является дифференциальное уравнение (или эквивалентная передаточная функция), связывающая вход и выход.
Датчик первичной информации - это элемент устройства, преобразующий информацию о физической величине в сигнал, удобный для использования и обработки. Он задается дифференциальным уравнением или передаточной функцией. Передаточной функцией ДПИ является отношение преобразования Лапласа выходного процесса ДПИ к преобразованию Лапласа входного процесса при нулевых начальных условиях. Движением системы называется физический процесс изменения её переменных во времени и пространстве. Выходные переменные Y(t), управляющие входные воздействия U(t) и возмущающие входные воздействия V(t) рассматриваются в виде соответствующих векторов, которые записываются в виде столбцовых матриц:
1. 3 Моделирование непрерывной системы контроля
Система контроля предназначена для измерения и выдачи информации о контролируемом процессе h(t), который содержит среднюю (детерминированную) составляющую и стохастическую (случайную) g(t). Измерение происходит при воздействии аддитивных шумов n(t). Датчик, с помощью которого производятся измерения, является динамическим звеном (в данном случае второго порядка). Эквивалентная схема системы контроля представлена на рисунке 1
Рисунок 1 - Схема системы контроля
Случайная составляющая g(t) измеряемого процесса задана спектральной плотностью Sg(w); детерминированная - сигналом u(t); h(t)=g(t)+u(t) - полный информационный процесс; f(t)=h(t)+n(t) - измерение процесса h(t) c аддитивными шумами n(t) (задана спектральная плотность шума - Sn(w)); h(t) -выходной сигнал ДПИ (датчик первичной информации); W(S) - передаточная функция ДПИ. Детерминированное входное воздействие задано суммой ступенчатой и гармонической функций.
Для моделирования системы контроля в Matlab составляется схема моделирования, которая представлена на рисунке 2.
Рисунок 2 - Схема моделирования системы контроля
1.4 Математическое описание непрерывной системы контроля
Задана спектральная плотность контролируемого процесса:
Передаточная функция объекта наблюдения:
Интенсивность шумов измерений R=17 (при измерении выходного сигнала объекта наблюдения).
Путем факторизации из модели в виде спектральной плотности получим передаточную функцию формирующего фильтра входного процессора:
Матричная модель объекта наблюдения находится методом вспомогательной переменной. Уравнение состояния в данном случае:
Процесс h(t) на выходе объекта наблюдения вычисляется в матричном виде:
В данном примере получаем следующий вид матриц:
Матричная модель датчика:
Выход объекта наблюдения h=C 0 *X 0 .
Полное уравнение объекта контроля содержит уравнение состояния входного процесса и уравнение состояния объекта:
где матрицы A, B и D составляются на основе дифференциальных уравнений процесса и объекта контроля, которые имеют вид:
Или относительно полного вектора: :
Матрицы A, B, C, D в данном случае имеют следующий вид:
2 . Практическая часть
2.1 Выполнение задания 1
Алгоритм выполнения работы в среде Simulink.
1. Запускаем Matlab (версия R2012b) и выбираем в меню пункт «New > Simulink Model» (рисунок 3).
Рисунок 3 - Процесс создания новой модели в Simulink
2. Открываем библиотеку функциональных блоков "Simulink". Для этого кликнем левой кнопки мыши на панели управления по иконке "Simulink Library" (рисунок 4).
Рисунок 4 - Процесс создания новой модели в Simulink
3. В результате откроется меню библиотеки Simulink, главный вид которой представлен на рисунке 5.
Рисунок 5 - Главное окно "Simulink Library"
4. Извлекаем из библиотеки Simulink все необходимые функциональные блоки. Для этого воспользуемся поиском, в верхней панели окна "Simulink Lybrary Browser", который представлен на рисунке 6.
Рисунок 6 - Поиск блока в "Simulink Library"
5. Для моделирования непрерывной системы контроля нам будут необходимы следующие блоки:
Блоки "Sine Wave", "Step" и "Random number" с вкладки "Sources";
Три блока "Subsystem" и блок "Scope" с вкладки "Commonly Used Blocks";
Блок "Sum" с вкладки "Math Operations";
Блок "Fcn" с вкладки "User Define Function";
Блок "State-space" с вкладки "Continuous".
6. Cоберем схему верхнего уровня модели непрерывной системы контроля (рисунок 7), используя перечисленные в п.5 функциональные блоки:
Рисунок 7 - Схема верхнего уровня системы контроля
7. Рассмотрим более подробно блоки "Subsystem": "Object", "Sensor", "Filter".
8. Блок "Object" является объектом наблюдения системы и представляет собой динамическую систему, в которой содержится стохастический процесс (блок "State-Space") и датчик (блок "State-Space 1"). Функциональная схема динамической системы "Object" представлена на рисунке 8.
Рисунок 8 - Динамическая система "Object"
9. Настройка блоков уравнения состояния "State-Space" и "State-Space 1" представлена на рисунках 9 и 10 соответственно.
Рисунок 9 - Настройка параметров блока "State-Space"
Рисунок 10 - Настройка параметров блока "State-Space 1"
10. Функциональные блоки h(t)=C 0 X и g(u)=C g X, заданы функциями, представленными в окне параметров (рисунок 11).
Рисунок 11 - Настройка функциональных блоков h(t) и g(u)
11. Блок "Sensor" (датчик) производит измерение входного сигнала и представляет собой совокупность полезного сигнала h(t) и помехи n(t):
Модель датчика представлена на рисунке 12. Блок "Random Number" используется в качестве генератора белого шума с интенсивностью 0,4.
Рисунок 12 - Модель датчика (Sensor)
12. Блок "Filter" (фильтр) на основе измерений датчика выдает оценку выходного параметра объекта наблюдения - h^(t). Матрицы A, B, C соответствуют матрицам полной модели. Матрица С в блоке "State Space" - единичная. Модель фильтра представлена на рисунке 13.
Рисунок 13 - Модель фильтра (Filter)
Настройка параметров блока "State Space" и функционального блока f(u) представлена на рисунке 14.
Рисунок 14 - Настройка параметров блоков "State-Space" и "f(u)"
13. Результаты процессов системы регистрируются осциллографом (блок "Scope"). Произведем настройку параметров блока "Scope". Для этого кликнем правой кнопкой мыши по блоку и выберем в диалоговом окне пункт "Block Parametres" (параметры блока). Далее в области появившегося окна кликнем правой кнопкой мыши и выберем пункт "Axes properties" (рисунок 15). В появившемся диалоговом окне зададим область значений (Y) для каждого из трех графиков (рисунок 16).
Рисунок 15 - Настройка параметров блока "Scope"
Рисунок 16 - Настройка области значений Y
14. На панели инструментов Matlab в верхней части экрана можно настроить число рабочих тактов системы, по окончании которых работа Matlab прекратится. Настройка данного параметра представлена на рисунке 17.
Рисунок 17 - Настройка рабочих тактов системы
15. На этом настройка модели непрерывной системы контроля завершена. Далее запустим систему, кликнув левой кнопкой мыши по иконке "Run" на панели инструментов в верхней части экрана (рисунок 18).
Рисунок 18 - Запуск системы на выполнение
16. Результаты работы системы отражаются в блоке "Scope" и приведены на рисунке 19.
Рисунок 19 - Результаты работы системы
2.2 Выполнение задания 2
Колебания нелинейного осциллятора описываются следующим уравнением:
Используя данное дифференциальное уравнение, необходимо:
1. Создать модель механической системы;
2. Вычислить числовое значение координаты осциллятора в момент времени t=5 и вывести результат на display;
3. Построить графики зависимости координаты и скорости от времени;
4. Построить фазовую траекторию системы.
Запишем исходное уравнение в виде системы уравнений первого порядка.
Решим эту систему с помощью пакета Simulink, составляя блочную модель. Отдельным блоком в общей модели сформируем подмодель (блок Subsystem):
(библиотека Ports & Subsystems).
Подмодель -- это фрагмент модели, оформленный в виде отдельного блока. Использование подмодели при составлении модели имеет следующие положительные стороны:
1) уменьшает количество одновременно отображаемых блоков на экране, что облегчает восприятие модели;
2) позволяет создавать и отлаживать фрагменты модели по отдельности, что повышает технологичность создания модели;
3) дает возможность синхронизации параллельно работающих подсистем.
Используя созданную подмодель, значения и в основной модели связываем с соответствующими входами подмодели, а выход подмодели связываем с сумматором. Сигнал с выхода сумматора подаем на вход первого интегратора, замыкая цепь интегрирования.
В Simulink описанная процедура представлена на рисунках 20 и 21:
Рисунок 20 - Основная модель
Рисунок 21 - Подмодель
Если дважды щелкнуть мышью на блоке Scope (y(t)) в блок-схеме осциллятора, то появится графическое окно с графиком зависимости координаты y от времени. Результат показаний блока "Scope" представлен на рисунке 22.
Рисунок 22 - Показания блока Scope
В данной модели для построения фазовой траектории системы используется блок -- графопостроитель, который строит график одного сигнала в функции другого (график вида Y(X)). Блок имеет два входа. Верхний вход предназначен для подачи сигнала, который является аргументом (X), нижний вход -- для подачи значений функции (Y). Зависимость X от Y представлена на рисунке 23.
Рисунок 23 - Зависимость X от Y
Анализ динамических процессов в системе на основе использования построенной аналитической модели. Моделирование с использованием пакета расширения Symbolic Math Tolbox. Построение модели в виде системы дифференциальных уравнений, записанных в форме Коши.
курсовая работа , добавлен 21.06.2015
Построение сигнального графа и структурной схемы системы управления. Расчет передаточной функции системы по формуле Мейсона. Анализ устойчивости по критерию Ляпунова. Синтез формирующего фильтра. Оценка качества эквивалентной схемы по переходной функции.
курсовая работа , добавлен 20.10.2013
Математические модели технических объектов и методы для их реализации. Анализ электрических процессов в цепи второго порядка с использованием систем компьютерной математики MathCAD и Scilab. Математические модели и моделирование технического объекта.
курсовая работа , добавлен 08.03.2016
Моделирование входного заданного сигнала, построение графика, амплитудного и фазового спектра. Моделирование шума с законом распределения вероятностей Рэлея, оценка дисперсии отсчетов шума и проверка адекватности модели шума по критерию Пирсона.
курсовая работа , добавлен 25.11.2011
Решение дифференциальных уравнений математической модели системы с гасителем и без гасителя. Статический расчет виброизоляции. Определение собственных частот системы, построение амплитудно-частотных характеристик и зависимости перемещений от времени.
контрольная работа , добавлен 22.12.2014
Схема блоков модели Карааслана, система дифференциальных уравнений, методы решения. Блоки и биохимические законы системы Солодянникова, переход между фазами. Моделирование патологий, графики экспериментов. Построение комплексной модели гемодинамики.
дипломная работа , добавлен 24.09.2012
Разработка проекта системы автоматического управления тележкой, движущейся в боковой плоскости. Описание и анализ непрерывной системы, создание ее математических моделей в пространстве состояний и модели "вход-выход". Построение графиков реакций объекта.
курсовая работа , добавлен 25.12.2010
Математическое моделирование задач коммерческой деятельности на примере моделирования процесса выбора товара. Методы и модели линейного программирования (определение ежедневного плана производства продукции, обеспечивающей максимальный доход от продажи).
контрольная работа , добавлен 16.02.2011
Некоторые математические вопросы теории обслуживания сложных систем. Организация обслуживания при ограниченной информации о надёжности системы. Алгоритмы безотказной работы системы и нахождение времени плановой предупредительной профилактики систем.
реферат , добавлен 19.06.2008
Операторы преобразования переменных, классы, способы построения и особенности структурных моделей систем управления. Линейные и нелинейные модели и характеристики систем управления, модели вход-выход, построение их временных и частотных характеристик.
(4)
и т.д. Для каждого конкретного значения n будем получать новую динамическую систему, в заданном приближении описывающую процесс колебаний физического маятника .
Рассмотрим динамические системы, моделируемые конечным числом обыкновенных дифференциальных уравнений . Применительно к таким системам сохранились представления и терминология, первоначально возникшие в механике. В рассматриваемом случае для определения динамической системы необходимо указать объект, допускающий описание состояния заданием величин x 1 , x 2 , ..., x N в некоторый момент времени t = t 0 . Величины x i могут принимать произвольные значения, причем двум различным наборам величин x i и отвечают два разных состояния. Закон эволюции динамической системы во времени записывается системой обыкновенных дифференциальных уравнений
Если рассматривать величины x 1 , x 2 , ..., x N как координаты точки x в N -мерном пространстве, то получается наглядное геометрическое представление состояния динамической системы в виде этой точки, которую называют изображающей , а чаще фазовой точкой , а пространство состояний — фазовым пространством динамической системы. Изменению состояния системы во времени отвечает движение фазовой точки вдоль некоторой линии, называемой фазовой траекторией . В фазовом пространстве системы уравнениями (5) определяется векторное поле скоростей, сопоставляющее каждой точке x выходящий из нее вектор скорости F (x ), компоненты которого даются правыми частями уравнений (5):
Динамическая система (5) может быть записана в векторной форме:
где F (x ) — вектор-функция размерности N .
Необходимо уточнить взаимосвязь понятий числа степеней свободы и размерности фазового пространства динамической системы. Под числом степеней свободы понимается наименьшее число независимых координат, необходимых для однозначного определения состояния системы. Под координатами первоначально понимались именно пространственные переменные, характеризующие взаимное расположение тел и объектов. В то же время для однозначного решения соответствующих уравнений движения необходимо помимо координат задать соответствующие начальные значения импульсов или скоростей. В связи с этим система с n степенями свободы характеризуется фазовым пространством в два раза большей размерности (N = 2n ).
Если динамическая система задана уравнением (7), то постулируется, что каждому x (t 0) в фазовом пространстве ставится в соответствие состояние x (t ), t > t 0 , куда за время t - t 0 переместится фазовая точка, движущаяся в соответствии с уравнением (7). В операторной форме (7) можно записать в виде
x (t ) = T t x (t 0), (8)
где T t — закон (оператор) эволюции. Если этот оператор применить к начальному состоянию x (t 0), то мы получим x (t ), то есть состояние в момент времени t > t 0 . Так как x (t 0) и x (t ) принадлежат одному и тому же фазовому пространству динамической системы, то математики говорят в данной ситуации: оператор T t отображает фазовое пространство системы на себя. В соответствии с этим можно называть оператор T t оператором отображения или просто отображением.
Динамические системы можно классифицировать в зависимости от вида оператора отображения и структуры фазового пространства. Если оператор предусматривает исключительно линейные преобразования начального состояния, то он называется линейным. Линейный оператор обладает свойством суперпозиции: T [x (t ) + y (t )] = T x (t ) + T y (t ). Если оператор нелинейный, то и соответствующая динамическая система называется нелинейной . Различают непрерывные и дискретные операторы и соответственно системы с непрерывным и дискретным временем . Системы, для которых отображение x (t ) с помощью оператора T может быть определено для любых t > t 0 (непрерывно во времени), называют также потоками по аналогии со стационарным течением жидкости . Если оператор отображения определен на дискретном множестве значений времени, то соответствующие динамические системы называют каскадами или системами с дискретным временем.
Способы задания оператора отображения T также могут различаться. Оператор T можно задать в виде дифференциального или интегрального преобразования, в виде матрицы или таблицы, в виде графика или функции и т.д.
Важную группу динамических систем представляют системы, в которых возможны колебания. Колебательные системы с точки зрения их математических моделей разделяют на определенные классы. Различают линейные и нелинейные колебательные системы, сосредоточенные и распределенные, консервативные и диссипативные, автономные и неавтономные. Особый класс представляют так называемые автоколебательные системы. Основные свойства указанных систем подробно обсуждаются в работах по теории колебаний.
Создание некоторой универсальной модели, отвечающей различным аспектам ее применения, практически невозможно. Для получения информации, отражающей те или иные свойства управляемого объекта, необходима классификация моделей. В основе классификации лежат особенности оператора φ. Все многообразие объектов управления, исходя из временного и пространственного признаков, можно разделить на следующие классы: статические или динамические; линейные или нелинейные; непрерывные или дискретные во времени; стационарные или нестационарные; процессы, в ходе которых их параметры изменяются в пространстве, и процессы без пространственного изменения параметров. Так как математические моделии являются отражением соответствующих объектов, то для них характерны те же классы. Полное наименование модели может включать в себя совокупность перечисленных признаков. Эти признаки послужили основой названия соответствующих типов моделей.
В зависимости от характера изучаемых процессов в системе все модели могут быть разделены на следующие виды:
Детерминированные модели – отображают детерминированные процессы, то есть процессы, в которых предполагается отсутствие всяких случайных воздействий.
Стохастические модели – отображают вероятностные процессы и события; в этом случае анализируется ряд реализаций случайного процесса, и оцениваются средние характеристики.
Стационарные и нестационарные модели. Модель называется стационарной, если вид оператора φ и его параметры p не изменяются во времени, то есть, когда справедливо
φ= φ, т.е. y= φ(p,x).
Если же параметры модели изменяются во времени, то модель является
параметрически нестационарной
Самый общий вид нестационарности – когда от времени зависит и вид функции. Тогда в запись функции добавляется еще один аргумент
Статические и динамические модели. В основе такого разделения типов моделей лежат особенности движения исследуемого объекта как материальной системы.
Говоря о моделях с позиций задач управления, надо отметить, что под пространством здесь понимается не геометрическое пространство, а пространство состояний – координат состояний выходных переменных у . Элементами вектора y являются обычно контролируемые технологические параметры (расход, давление, температура, влажность, вязкость и т.д.). Состав элементов вектораy для самого объекта может быть шире, чем для модели этого объекта, так как при моделировании требуется изучение только части свойств реальной системы. Движение объекта управления в пространстве состояний и во времени оценивается с помощью векторного процесса y(t).
Модель системы называется статической , если состояние системы не изменяется, то есть система находится в равновесии, но движение связано со статичным состоянием объекта, находящегося в равновесии. Математическое описание в статических моделях не включает время как переменную и состоит из алгебраических уравнений либо дифференциальных уравнений в случае объектов с распределенными параметрами. Статические модели обычно являются нелинейными. Они точно отражают состояние равновесия, вызванное переходом объекта от одного режима к другому.
Динамическая модель отражает изменение состояния объекта во времени. Математическое описание таких моделей обязательно включает производную во времени. Динамические модели используют дифференциальные уравнения. Точные решения этих уравненийизвестны только для некоторого класса дифференциальных уравнений. Чаще приходится прибегать к использованию численных методов, являющихся приближенными.
Для целей управления динамическую модель представляют в виде передаточной функции, связывающей входные и выходные переменные.
Линейные и нелинейные модели. Математически функция L(x) – линейна, если
L(λ 1 x 1 +λ 2 x 2)=λ 1 L(x 1)+λ 2 L(x 2).
Аналогично и для функций многих переменных. Линейной функции присуще использование только операций алгебраического сложения и умножения переменной на постоянный коэффициент. Если в выражении для оператора моделиесть нелинейные операции, то модель является нелинейной , в противном случае модель – линейна .
Модели с сосредоточенными и распределенными параметрами. Следует отметить, что с учетом введенной терминологии было бы корректнее в названии модели вместо слова «параметры» употреблять понятие «координата состояния». Однако это сложившееся название, которое часто встречается во всех работах по моделированию технологических процессов.
Если основные переменные процесса изменяются как во времени, так и в пространстве (или только в пространстве), то модели, описывающие такие процессы, называются моделями с распределенными параметрами. В этом случае вводится геометрическое пространство z=(z 1 ,z 2 ,z 3 ) и уравнения имеют вид:
y(z)=φ, p(z)=ψ.
Их математическое описание включает обычно дифференциальные уравнения в частных производных, либо обыкновенные дифференциальные уравнения в случае стационарных процессов с одной пространственной координатой.
Если можно пренебречь пространственной неравномерность значений координат состояний объекта, т.е. градиент , то соответствующая модель – модель с сосредоточенными параметрами. Для них масса и энергия как бы сосредоточены в одной точке.
Трехмерность пространства не всегда обязательна. Например, модель змеевика с нагреваемым рабочим телом и с тонкостенной оболочкой обычно исходит из одномерности объекта – учитывается только длина змеевика. В то же время процесс передачи тепла в ограниченный объем рабочего тела через толстую стенку может быть описан одномерной моделью, учитывающей только толщину оболочки и т.п. Для конкретных объектов форма соответствующих уравнений требует обоснований.
Модели непрерывные и дискретные во времени. Непрерывные модели отражают непрерывные процессы в системах. Модели, описывающие состояние объектов относительно времени как непрерывного аргумента – непрерывные (по времени):
y(t)=φ, p(t)=ψ.
Дискретные модели служат для описания процессов, которые предполагаются дискретными. Дискретная модель не может дать прогноз поведения объекта на интервале между дискретными отсчетами времени. Если введем квантование по времени с шагом ∆t, то рассматривается дискретная шкала , где i=0,1,2…- приобретает смысл относительного времени. И дискретная модель:
y(i)=φ; p(i)=ψ.
При правильном выборе шага ∆t можно ожидать от дискретной модели результата с наперед заданной точностью. При изменении ∆t должны быть пересчитаны и коэффициенты разностного уравнения.
Дискретно-непрерывные модели используются для случаев, когда хотят выделить наличие как дискретных, так и непрерывных процессов.
Требования, предъявляемые к математическим моделям: точность – свойство, отражающее степень совпадения предсказанных с помощью модели значений параметров объекта с их истинными значениями; экономичность затрат машинного времени; универсальность – применимость к анализу группы однотипных объектов.
