Professional Documents
Culture Documents
Ước lượng&nhận dạng PDF
Ước lượng&nhận dạng PDF
BÀI GIẢNG
NỘI DUNG
1
Tài liệu tham khảo
2
1.1. KN về ước lượng và nhận dạng (1)
Hệ thống tổng quát
r(t) e(t) u(t) y(t)
Gc G
Nhận dạng là phương pháp xây dựng mô hình toán học của
hệ thống/đối tượng dựa vào dữ liệu vào ra quan sát được
6
3
1.1. KN về ước lượng và nhận dạng (3)
Quá trình nhận dạng:
4 công đoạn
Thu thập dữ liệu
Chọn cấu trúc mô hình
Ước lượng tham số
Đánh giá mô hình
4
1.2. Ứng dụng
Y ( s ) bm s m + ... + b1s + b0
G ( s) = =
Tính ổn định U ( s ) an s n + ... + a1s + a0
Đáp ứng tần số
Im 20
Bode Diagr am
x -20
Re -40 1.2
x o -60
1
x -80
0
0.8
Amplitude
-45
Phase (deg)
0.6
-90
-135 0.4
-180
10
-2
10
-1
10
0 1
10 10
2 0.2
Frequency (rad/sec)
0
0 2 4 6 8 10 12
Time (sec)
10
5
1.3. Mô tả toán học của đối tượng (2)
Hệ gián đoạn
(*) fs>2 fmax (đ.lý Nyquist) và fs = (6 đến 25)fBCL [4]. Với fBCL là băng thông
của hệ kín 11
Ước lượng
MÔ HÌNH
GIÁN ĐOẠN
Nhận dạng
12
6
1.3. Mô tả toán học của đối tượng (4)
Hệ gián đoạn
y(k ) → Y ( z ) Y ( z) b z −1 + ... + bm z − m
−1 G( z) = = 1 −1
y (k − 1) → z Y ( z ) U ( z ) 1 + a1 z + ... + an z − n
q∼z
Toán tử q [4]
• q ∼ z trong miền Z
Y ( q) b1q −1 + ... + bnb q − nb
• y(k-d) = q-dy(k) trong G ( q) = =
miền thời gian U ( q) 1 + a1q −1 + ... + an a q − na
z = e sTs
2π
ωs = 2π f s =
Ts 14
7
1.3. Mô tả toán học của đối tượng (5)
Tính chất hệ gián đoạn
Y ( z) b1 z −1 + ... + bnb z − nb
G( z ) = =
U ( z ) 1 + a1 z −1 + ... + ana z − nb
Tính ổn định
9
Bode Diagram
8
20
15
7
10
Magnitude ( dB)
5 6
Amplitude
0
5
-5
- 10
4
- 15
3
- 20
0
2
- 45
1
Phase (deg)
- 90
0
0 20 40 60 80 100 120
Time (sec)
- 135
- 180
-2 -1 0 1 2
10 10 10 10 10
Frequency (r ad/sec)
10
G ( s) = 2
s + s +1
16
8
1.4. Biến ngẫu nhiên (1)
Biến ngẫu nhiên là biến có giá trị ngẫu nhiên, không thể dự
đoán trước
Ví dụ: nhiễu đo lường trong nhận dạng
Hàm phân phối xác suất của biến ngẫu nhiên, (probability
distribution function) FX(x) được định nghĩa như sau:
17
( x −µ ) 2
1 −
2σ 2
f X (x) = e −∞ < x < ∞
σ 2π
18
9
1.4. Biến ngẫu nhiên (3)
Kỳ vọng(expediction): là giá trị trung bình của biến ngẫu nhiên, ký
hiệu E[X]
1 N
E [ X ] = lim ∑ x(t ) = µ
N →∞ N
t =1
Phương sai (variance): là giá trị trung bình bình phương, ký hiệu
Var(X)
Var(X) = E[(X- µ)2] = σ2
σ gọi là độ lệch chuẩn (standard deviation)
19
20
10
1.4. Biến ngẫu nhiên (5)
Bài tập
Tạo biến ngẫu nhiên trong Matlab
- Phân phối đều
- Phân phối gaussian
1. Tính toán các thông số của biến ngẫu nhiên
2. Phân tích ảnh hưởng chiều dài của biến
21
11
Phần 2
Ước lượng thông số
NỘI DUNG
1
2.1. Thuật toán bình phương tối thiểu (1)
Bài toán y(t): giá trị đo lường
tại thời điểm t, chứa
u(t) HỆ THỐNG y(t) thành phần nhiễu
SISO
Tham số θ
Đến thời điểm N, thu được dữ liệu: {u(1) …. u(N) y(1) … y(N)}
Quan hệ tín hiệu vào ra được biểu diễn bởi
y(t) = ϕT(t) θ
3
Bình phương
Yêu cầu đặt ra: xác định sao cho: tối thiểu
2
2.1. Thuật toán bình phương tối thiểu (3)
Xác định như thế nào?
Với
Nếu = (na+nb)
Đặt
3
2.2. Thuật toán RLS (1)
Thuật toán LS: xử lý dữ liệu offline.
Có thể ước lượng online?
( )
θˆ(t ) = f θˆ(t − 1) ?
Viết dưới dạng đệ quy
θˆ(t ) = PB ˆ ( T ˆ
t t = θ ( t − 1) + K t y ( t ) − ϕ ( t ) θ ( t − 1) )
Hệ số hiệu chỉnh
Sai số dự báo
Prediction error
Recursive
Least
Square
4
2.2. Thuật toán RLS (3)
Bài tập 2.2
- Tính và vẽ tham số ước lượng hồi quy từ dữ liệu data1b.
- So sánh kết quả với phương pháp xử lý offline.
- Khảo sát ảnh hưởng của các giá trị đầu
10
5
2.3. Bộ lọc Kalman (1)
Dự báo trạng thái dùng bộ quan sát
Một hệ gián đoạn xác định, biểu diễn dưới dạng phương
trình trạng thái, có dạng:
xt +1 = At xt + Bt ut
xt ∈ R nx1 , ut ∈ R rx1 , yt ∈ R lx1
yt = H t xt
Nếu biết trước các ma trận tham số của mô hình At, Bt, Ht,
điều kiện đầu và tín hiệu vào -> mô phỏng và dự báo
trạng thái và tín hiệu ra.
Tham số sai
-> dự báo sai
trạng thái và ngõ ra
11
Thực tế:
y nhiễu ->
dự báo sai
Thành phần
hiệu chỉnh
xˆt +1 = At xˆt + Bt ut + Lt ( yt − yˆ t )
yˆ t = H t xˆt 12
6
2.3. Bộ lọc Kalman (3)
Mô hình hóa không gian trạng thái của quá trình
ngẫu nhiên
Hệ thống thực tế: nhiễu tác động lên biến trạng thái và tín hiệu
đo lường
xt +1 = At xt + Bt ut + Gt wt xt +1 = At xt + Gt wt
yt = H t xt + vt y t = H t xt + vt
13
BỘ LỌC KALMAN
Giả sử:
→ min
14
7
2.3. Bộ lọc Kalman (5)
Hệ số khuếch đại bộ lọc Kalman
+ Bu(t-1)
Online 15
Offline/online
−1
Kt = Pt t −1H tT H t Pt t −1H tT + Rt
Hiệu chỉnh
(
xˆt = xˆt t −1 + K t yt − H t xˆt t −1 )
Pt = ( I − Kt H t ) Pt t −1
Online 16
Offline/online
8
2.3. Bộ lọc Kalman (7)
Bài tập 2.3
Cho dữ liệu data2_PTTT của mạch điện RLC, biết các ma trận
trạng thái là:
A=[-R/L -1/L;1/C 0];
B=[1/L 0];
H=[0 1];
Với R=100; L=0.1; C=0.05; Ts= 0.1s.
Tín hiệu đo lường và biến trạng thái bị nhiễu.
1. Hãy ước lượng biến trạng thái của hệ thống bằng bộ lọc
Kalman.
2. Đánh giá sai số dự báo.
17
e(t)
18
9
2.4. Lựa chọn mô hình (2)
Mô hình ARX (Auto-Regressive eXternal Input model)
u(t) y(t)
B ( q)
G(q) =
A(q)
Với
A(q ) = 1 + a1q −1 + ... + ana q − na H ( q) =
1
A(q )
B(q ) = b1q −1 + ... + bnb q − nb
e(t)
19
10
2.4. Lựa chọn mô hình (4)
Mô hình OE (Output Error) Nhiễu độc lập
e(t) với quá trình
u(t) y0(t) y(t)
B(q)
G(q) =
F (q)
Với
B (q) = b1q −1 + ... + bnb q − nb
F (q) = 1 + f1q −1 + ... + f n f q − na
u(t) y(t)
B
G=
F
Với C
B ( q) = b1q −1 + ... + bnb q − nb H=
D
C (q ) = 1 + c1q −1 + ... + cnc q − nd e(t)
D( q) = 1 + d1q −1 + ... + d nd q − nc
F ( q ) = 1 + f1q −1 + ... + f n f q − na
22
11
2.5. Dự báo tín hiệu ra (1)
Bộ dự báo (predictor) cho mô hình tuyến tính
Dạng tổng quát của tín hiệu ra:
y (t ) = G (q )u (t ) + H (q )e(t )
Từ dữ liệu đến thời điểm (t-1) -> ŷ(t)?
H (q) − 1 1 ∞
1 − H −1 (q ) =
H (q )
= ∑
H ( q) l =1
hl q − l
23
Suy ra
y (t ) = yˆ (t , θ ) + e(t ) e(t ) = y (t ) − yˆ (t ,θ )
yˆ (t , θ ) = ϕ T (t )θ
12
2.5. Dự báo tín hiệu ra (2)
yˆ(t , θ ) = 1 − H −1 ( q ) y (t ) + H −1 ( q)G ( q)u (t ) = ϕ T (t )θ
u(t) y(t)
B (q )
G( q) = yˆ (t ) = ϕ T (t )θ ?
A(q)
H ( q) =
1
A(q)
(
1 − H −1 (q ) = 1 − A(q) = − a1q −1 + ... + ana q − na )
− nb
H −1 (q )G (q ) = B(q) = b1q −1 + ... + bnb q
e(t)
T
Đặt θ = a1 , a2 ,..., an , b1 ,..., bn
a b
T
suy ra ϕ (t ) = [ − y (t − 1),..., − y (t − na ), u (t − 1),..., u(t − nb )]
25
u(t) y(t)
G(q) =
B(q) A(q ) B( q )
A(q ) yˆ(t , θ ) = 1 − y (t ) + C (q ) u (t )
C (q )
H (q ) =
C (q ) ⇔ C(q) yˆ(t,θ ) = [C(q) − A(q)] y(t) + B(q)u(t)
A(q )
⇔ yˆ(t,θ ) = [C(q) − A(q)] y(t) + B(q)u(t) +[1−C(q)]yˆ(t,θ )
e(t)
⇔ yˆ(t,θ ) = [1− A(q)] y(t) + B(q)u(t) +[C(q) −1][y(t) − yˆ(t,θ )]
Đặt
ε (t ) = y (t ) − yˆ (t , θ ) sai số dự báo
θ = [a1 ,..., an , b1 ,..., bn , c1 ,..., cn ]T
a b c
26
13
2.5. Dự báo tín hiệu ra (4)
Bộ dự báo cho mô hình OE
B(q)
e(t) yˆ(t ,θ ) = u (t )
F (q)
u(t) y0(t) y(t)
B(q)
G(q) =
F (q)
⇔ F (q ) yˆ (t ,θ ) = B(q )u (t )
⇔ yˆ (t , θ ) = B(q )u (t ) + [1 − F (q )]yˆ (t ,θ )
B( q )
Đặt w(t )=yˆ (t , θ )= u (t ) , ta có
F (q )
( ) (
⇒ yˆ(t ,θ ) = b1q −1 + ... + bnb q − nb u (t ) − f1q −1 + ... + f n f q
−nf
) w(t )
Đưa về dạng yˆ(t , θ ) = ϕ (t )θ
T
T
ϕ (t ) = u (t − 1),...,u (t − nb ),-w(t − 1),..., − w(t − n f )
27
ϕ ( k ) = [u (t − 1),..., u (t − nb ), ε (t − 1),..., ε (t − nc ),
- v (t − 1),..., -v (t − nd ), -w(t − 1),..., - w(t − n f )]T
28
14
2.4. Lựa chọn mô hình (6)
Bài tập 2.4
Cho dữ liệu data 3.
• Ước lượng tham số của mô hình với các kiểu mô hình khác
nhau.
• Đánh giá việc lựa chọn mô hình đối với kết quả ước lượng.
• Dự báo tín hiệu ra và sai số dự báo khi sử dụng các mô
hình đã chọn
29
15
Phần 3
Nhận dạng hệ thống
NỘI DUNG
1
3.1. Nhận dạng mô hình không tham số (1)
2.5
Hộp y(t)
2
u(t) đen
Amp litude
1.5
Mô ym(t) 1
hình 0.5
0
0 1 2 3 4 5 6
Time (sec )
So sánh hàm quá độ của y(t) và ym(t) => tham số mô hình hệ liên tục
n
Y ( s ) bnb s b + ... + b1s + b0
G( s) = = na
U ( s ) ana s + ... + a1s + a0
Kết luận 1
1. Nếu h(+0) = 0 thì na > nb. Nếu không, na = nb
2. Nếu dh(+0)/dt=0 thì na - nb > 1. Ngược lại, nếu thì na = nb + 1.
3. Nếu h(∞) = ∞ thì a0 = 0 hay trong G(s) có một khâu tích phân
nối tiếp
4. Nếu h(∞) = 0 thì b0= 0 hay trong G(s) có một vi phân nối tiếp
5. Nếu h(∞) ≠ 0 thì a0 ≠ 0 và b0 ≠ 0. Hệ số khuếch đại tĩnh của
đối tượng lúc này là dcgain K= b0/a0.
2
3.1. Nhận dạng mô hình không tham số (3)
Kết luận 2
Giả sử mô hình của đối tượng được biểu diễn bởi hàm truyền
đạt:
G( s) = K
(1 + T s ) ... (1 + T s )(1 + T s ) ..
'
nb 2
'
1
'
(1 + T s ) ... (1 + T s )(1 + T s )
na 2 1
Tna > Tn'b , Tna −1 > Tn'b −1 ,..., Tna − nb −1 > T1'
Kết luận 4
Nếu h(t) có m điểm cực trị, trong đó điểm cực đại nằm trên đường
h(∞) = K và điểm cực tiểu nằm dưới đường h(∞) = K thì những
tham số của mô hình là những số thực và tồn tại m chỉ số trong
khoảng [1,2,…,nb] để có m bất đẳng thức trong kết luận 2 không
thoả mãn.
Kết luận 5
Nếu h(t) có vô số điểm cực trị cách đều nhau, trong đó điểm
cực đại nằm trên đường h(∞) = K và điểm cực tiểu nằm
dưới đường h(∞) = K thì mô hình có các điểm cực là
những giá trị phức.
6
3
3.1. Nhận dạng mô hình không tham số (5)
80
9
8 70
7 60
6
50
Amp litud e
Amp litud e
5
40
4
30
3
2 20
1 10
0
0 2 4 6 8 10 12 0
0 1 2 3 4 5 6 7 8 9 10
Time (sec)
Time (sec )
K Kω02
Mô hình PT2 G ( s ) = Mô hình G( s) = 2
(T2 s + 1)(T1s + 1) s + 2ξω0 s + ω02
dao động bậc 2
St ep Response St ep Response
2 12
1.8
10
1.6
1.4 8
1.2
Amp litud e
Amp litude
1 6
0.8
4
0.6
0.4
2
0.2
0
0 1 2 3 4 5 6
0
0 2 4 6 8 10 12
7
Time (sec ) Time (sec )
4
3.2. Nhận dạng mô hình có tham số (2)
Tín hiệu kích thích dùng trong nhận dạng
Trong nhận dạng, khi ε (t ) = y (t ) − yˆ (t ) = 0 ⇔ θˆ( N ) ≡ θ0 ?
θ0 là giá trị thật của mô hình
Ví dụ: xét một mô hình gián đoạn cần nhận dạng của đối tượng
y (t ) = −a1 y (t − 1) + b1u (t − 1)
Giả sử mô hình thực hiện nhận dạng như sau :
yˆ (t ) = −aˆ1 y(t − 1) + bˆ1u(t − 1)
Nếu các tham số thỏa mãn quan hệ sau :
b1 bˆ
= 1 ⇔ K = Kˆ (dcgain)
1 + a1 1 + aˆ1
Khi u(t)=const:
b1
y (t ) t →∞ = u
1 + a1
⇒ ε (t ) = y (t ) − yˆ (t ) = 0 ∀a1 ≠ aˆ1 , b1 ≠ bˆ1
bˆ1
yˆ(t ) t →∞ = u 9
1 + aˆ1
20
3.5
Mag nitud e (dB )
3 -20
-40
2.5
Amplitude
-60
2 -80
0
1.5
-45
Phase (de g)
1 -90
0.5 -1 35
0 -1 80
0 1 2 3 4
0 0. 5 1 1.5 2 2.5 10 10 10 10 10
Freq uency (rad /s ec )
Time (sec)
Để nhận dạng được tất cả các tham số, tín hiệu kích thích
phải mang tần số ω ≠ 0
n +n
Nếu (na+nb) lẻ: p≥ A B Kích thích
p 2
∑
u(t ) = sin ωiTst
nA + nB + 1
“chặt”
i =1 Nếu (na+nb) chẵn p ≥ 10
2
5
3.2. Nhận dạng mô hình có tham số (4)
Chuỗi nhị phân ngẫu nhiên PRBS (Pseudo-random
Binary Signal)
Theo [1], (
N θˆN − θ 0 ) hội tụ về phân phối Gaussian
12
6
3.2. Nhận dạng mô hình có tham số (6)
Lựa chọn mô hình
e(t)
13
7
3.2. Nhận dạng mô hình có tham số (8)
Đánh giá kết quả nhận dạng
- Cấu trúc đơn giản
- Sai số dự báo bé nhất
- Độ chính xác của mô hình (matlab)
N
∑ε 2
(t )
fit = 1 − t =1 *100% y = E [Y ]
N
∑ ( y (t ) − y )
2
t =1
15
Nhập dữ liệu: Import data -> Time domain data -> Tên biến trong workspace
Xuất kết quả: Chọn mô hình đưa vào worspace ->
[Num,Den]=tfdata(idpoly_name,’v’)
16
8
3.4. Ứng dụng (1)
Điều khiển thích nghi
18
9
3.4. Ứng dụng (3)
Chẩn đoán thay đổi thông số
y (t ) + a1 y (t − 1) + a2 y (t − 2) + a3 y (t − 3) = b1u (t − 1) + b2u(t − 2)
Nếu ước lượng tất cả các tham số -> Khó phát hiện thay đổi
y (t ) + a3 y (t − 3) − b1u(t − 1) + b2u(t − 2) = − a1 y (t − 1) − a2 y (t − 2)
⇔ y% (t ) = − a1 y (t − 1) − a2 y (t − 2)
⇔ y% (t ) = ϕ T (t )θ
19
10