ducky_duck3108
New Member
Download miễn phí Tài liệu system identification toolbox tiếng việt
Xử lý mô hình mẫu là phương pháp phổ biến cho các hệ thống rời rạc trong công nghiệp, ứng dụng trong nhiều môi trường khác nhau. Bằng phương pháp này ta còn có thể xác định thời gian trễ của hệ thống, làm rõ được các thông số vật lý của hệ.
System Identìication Toolbox cung cấp rất nhiều mô hình mẫu, theo thời gian, theo tần số với số điểm cực khác nhau, có thể thêm khâu tích phân, thêm hay bỏ thờì gian trễ, điểm không. Trong toolbox này ta cócác mô hình bậc 1, 2 hay 3 với nhiều điểm cực thực hay ảo.
Trước khi sử dụng Toolbox cần chuẩn bị dữ liệu ( theo các cách đã trình bày). Các bước sử dụngToolbox
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí
Tóm tắt nội dung tài liệu:
A. Đặt vấn đềNhận dạng đối là một trong những bước đầu tiên và quan trọng để thực hiện quá
trình thiết kế điều khiển cho đối tượng. Sau khi thu thập được dữ liệu vào ra theo thời
gian hay là phổ tín hiệu của đối tượng nhiệm vụ của việc nhận dạng đối tượng là tìm
mô hình toán học, hàm truyền đạt thích hợp mô tả gần đúng nhất đối tượng thực. Để
dễ dàng cho quá trình nhận dạng thì trong matlab có toolbox : system identification
toolbox để giúp chúng ta thực hiện dễ dàng trực quan , nhanh chóng. Tuy nhiên để sử
dụng tốt công cụ này chúng ta cần hiểu rõ các phương pháp nhận dạng, phạm vi
sử dụng và ưu nhược điểm của từng phương pháp cộng với khả năng về phân tích hệ
thống thông qua các đặc tính thu được. Để giúp cho quá trình tìm hiểu về toolbox này
ở đây chúng tui sẽ giới thiệu cho các bạn các bước làm cơ bản để thực hiện quá trình
nhận dạng. Với mong muốn rằng các bạn có thể sử dụng nó để hiểu được trình tự nhận
dạng trong matlab. Và chúng tui hy vọng rằng sẽ thực hiện tìm hiểu thật cụ thể về
toolbox này trong thời gian tới.
1
B. Các bước thực hiện nhận dạng bằng system identification toolbox
I. Chuẩn bị dữ liệu để nhận dạng :
1. Dữ liệu được nhập trực tiếp từ cửa sổ matlab
ta nhập giá trị vào u1,y1 rồi lưu nó vào trong file .mat
>>u1= [1.2;1.3;…];
>>y1=[3;6;;..];
>>save identdata u1 y1
2. Dữ liệu lưu trong exel
Để đọc dữ liệu từ trong exel ta dùng lệnh xlsread
A=xlsread(‘path\file.xls’,1,’A1:A10’)
A= xlsread(‘path\file.xls’,2)
A=xlsread(‘path\file.xls’)
Trong đó các đặc tính path\file.xls là đường dẫn đến file exel chứa số liệu mình cần lấy ví
dụ :C:\Documents and Settings\phong\My Documents\identdata.xls
1 có nghĩa là sheet 1 trong exel
A1:A10 mình giới hạn số liệu cần lấy để khảo sát từ A1:A10
Để sử dụng có hiệu quả mình phải biết được đặc điểm của dữ liệu lưu trong exel. Ví dụ như
trong exel với tên file và đường dẫn của nó là : C:\Documents and Settings\phong\My
Documents\identdata.xls
nếu A2:B6 sẽ lấy ra ma trận từ cột A2 đến B6
Để lấy dữ liệu tín hiệu vào ra với cột A là tín hiệu vào u1 và cột B
là tín hiệu ra y1 ta dùng đoạn lệnh
>> X=xlsread('C:\Documents and Settings\phong\My
Documents\identdata.xls',1);
>> u1=X
,1);>> y1=X
,2);Và để dùng để mô phỏng ta phải lưu giá trị u1,y1 vào file
identdata.mat để sử dụng ta dùng lệnh
>> save identdata u1 y1
3. Nếu dữ liệu lưu trong text
2
C = textscan(fid, 'format')
C = textscan(fid, 'format', N)
C = textscan(fid, 'format', param,
value,...)
C = textscan(fid, 'format', N, param,
value,...)
C = textscan(str, ...)
[C, position] = textscan(...)
Fid là tên file cũng như xlsread ta cần có cả đường dẫn của nó. Phần format thì tham khảo
bảng định dạng dữ liệu sau.
3
Có thể tham khảo các hàm sau : dlmread , dlmwrite, csvread, csvwrite
II. Các loại dữ liệu cho việc mô phỏng
Gõ ident vào workpace của matlab
4
1. Time-DomainData dữ liệu trong miền thời gian
Sau đó vào Import data > Time domain
data
Input : biến vào
Output :biến ra
Data name : là tên là tên file chứa dữ liệu vào/ra
(session.mat)
Starting time : nhập 0 nếu muốn khảo sát tại thời gian
gốc
Sampling interval : khoảng thời gian lấy mẫu.
Sau đó kích vào more trên cửa sổ Import data
Sau đó để đặt thêm tên biến đơn vị biến ta click vào More (đặc tính chung của các quá trình
thực hiện vào dữ liệu)
5
InterSample : Lựa chọn phương pháp chuyển từ liên tục sang rời rạc (zoh, foh,bl )
Period : là thời gian khảo sát.ở đây mình chọn là inf
Channel Names
• Input : nhập tên của tín hiệu vào (ở đây là power)
• Output: nhập tên của tín hiệu ra (ở đây là temperat ure)
Physical Units of Variables (Đơn vị vật lý của các tín hiệu vào/ra)
• Input : tương ứng đây sẽ là W
• Output: tương ứng là độ C
2. Frequency-Domain Data dữ liệu trong miền tần số
6
Các dạng của dữ liệu :
a. Freq.Function(Complex)
• Freq.Func.: nhập tên biến chứa dữ liệu hay biểu thức của đáp ứng tần số
G ( exp(jw))
• Frequency : nhập tên biến chứa mảng tần số khảo sát; định dạng của nó là vector cột
• Frequency unit : đơn vị tần số (Hz hay rad/s)
b. Amplitudeand Phase Frequency-Response Data
Thì các đặc tính cần cài đặt là biên độ, pha, và tần số ở đây là các biến có giá trị là các
vector.
7
III. Các mô hình nhận dạng
I. Nhân dạng tham số mô hình ARMA ( Autoregressive moving average):
1.1. Lý thuyết:
Mô hình ARMA là mô hình rời rạc, nhận dạng mô hình ARMA là phương pháp nhận dạng tham số K, a
, b cho mô hình rời rạc
1
1
1
1
1 ...( )( )
( ) 1 ...
nb
nb
na
na
b z b zY zG z K
U z a z a z
− −
− −
+ + +
= =
+ + +
(1)
Trên cở sở quan sát, đo tín hiệu vào u(t) và ra y(t) sao cho sai lệch giữa mô hình và đối tượng là nhỏ nhất.
Với những điều kiện mô tả sai lệch khác nhau sẽ có các phương pháp nhận dạng khác nhau.
Các phương pháp này được chia làm 2 loại chính:
- Loại nhận dạng chủ động ( active). Tín hiệu đầu vào u(t) được chọn là tín hiệu ồn trắng có giá trị
mật độ phổ bằng 1, tức là:
mu=0 và Su(w)=1
8
- Loại nhận dạng bị động (passive).
Đặc biệt, khi nb=0 thì mô hình trở thành:
1
1
( ) 1( )
( ) 1 ... nana
Y zG z K
U z a z a z− −
= =
+ + +
(2) và được gọi là mô hình AR (Autoregressive) của đối
tượng.
Khi na=0 thì mô hình trở thành:
1
11 ...( )( )
( ) 1
nb
nbb z b zY zG z K
U z
− −+ + +
= = (3) có tên gọi là mô hình MA (Moving average).
Chuyển (1) sang miền thời gian, ta có mô hình tương đương sang sai phân:
1 1
( )
na nb
n k n k n k n k
k k
y a y K u b u
− −
= =
+ = +∑ ∑
Hoàn toàn tương tự, dạng thời gian của mô hình AR là:
1
na
n k n k n
k
y a y Ku
−
=
+ =∑
của mô hình MA là:
1
( )
nb
n n k n k
k
y K u b u
−
=
= + ∑
Để đơn giản trong quá trình nhận dạng ta có thuật toán:
- Chuyển bài toán nhận dạng bị động sang bài toán nhận dạng chủ động.
- Nhận dạng từng khâu AR và MA trong mô hình ARMA.
1.2. Linear parametric models .
1. Trong System Identification Tool GUI, kiểm tra dữ liệu đã được nhập vào chưa. Nếu sử dụng một
dạng dữ liệu khác ta có thể thay thế một mô hình mẫu tính toán khác. Kiểm tra dữ liệu trong
Working Data.
2. Chọn Estimate > Linear parametric models để mở hộp Linear Parametric Models, nếu hộp này
chưa được mở.
3. Trong hộp Linear Parametric Models chọn By Initial Model từ danh sách Structure.
4. Nhập tên mẫu trong trường Initial model, nhấn Enter. Tên này phải là tên của mẫu trong Model
Board trong System Identification Tool GUI hay là biến trong MATLAB Workspace.
5. Thay đổi thuật toán cài đặt, hiển thị trong Linear Parametric Models nếu cần thiết.
6. Chọn Estimate để lọc mẫu.
7. Chuẩn hoá mẫu mới này.
Để tiếp tục lọc mẫu chọn Continue iter.
9
2. Spectral models:
2.1. Lý thuyết:
Giống như h(t), thông qua g(t) ta luôn có được u(t) và do đó g(t) cũng có thể được xem như một mô hình
không tham số của đối tượng.
Việc nhận dạng mô hình không tham số sẽ đồng nghĩa với việc nhận dạng hàm quá độ h(t) hay hàm trọng
lượng g(t). Một trong những phương pháp nhận dạng mô hình không tham số đơn giản là xác định hàm
quá độ h(t) bằng cách kích thích đối tượng với tín hiệu Heaviside tại đầu vào rồi đo tín hiệu đầu ra. Từ
g(t) ta cũng có thể suy ra h(t) do đó b