‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬

‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫پرسش ‪:1‬‬

‫الف‪ -‬شناسایی با استفاده از پاسخ ضربه‪:‬‬

‫پاسخ سیستم به ضربه به همراه نویز سفید گوسی عبارت خواهد بود از‪:‬‬

‫شکل ‪ -1‬ورودی ضربه به همراه نویز و پاسخ سیستم‬

‫در نمودار فوق ورودی ضربه به همراه نویز سفید گوسی و نیز خروجی سیستم نمایش داده شده است‪ .‬در حالت کلی‬
‫توانایی شناسایی سیستم با استفاده از پاسخ ورودی ضربه وجود دارد‪ .‬اما با وجود نویز دقت شناسایی کم خواهد شد و در‬
‫صورت وجود نویز قوی این امکان از بین خواهد رفت‪ .‬برای شناسایی باید از سیگنال باال تبدیل الپالس گرفت که این کار‬
‫عمال قابل انجام نیست‪.‬‬

‫‪1‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫ب‪ -‬شناسایی با استفاده از پاسخ پله‪:‬‬

‫با استفاده از کد نمودار زیر برای ورودی پله واحد به همراه نویز سفید گوسی‪ ،‬نتیجه خواهد شد‪:‬‬

‫پاسخ سیستم به تابع پله واحد‬

‫برای مدل زیر‪:‬‬

‫𝑠𝜏‪𝐾. 𝑒 −‬‬
‫= )𝑠(𝐺‬
‫𝑠𝑇 ‪1 +‬‬
‫با استفاده از نمودار باال پارامترهای زیر حاصل میشوند‪ K( :‬اندازه خط قرمز‪ 𝜏 ،‬محل برخورد خط مشکی و محور افقی و‬
‫‪ T‬اختالف زمانی محل برخورد خط مشکی و محل برخورد خطوط میباشند)‬

‫‪𝐾 = −0.2 𝑇 = −0.15 𝜏 = 1.55‬‬

‫نویز با واریانس باالتر سبب نام فهوم شدن پاسخ سیستم شده و امکان شناسایی را از بین میبرد‪ .‬به شکل زیر توجه‬
‫فرمایید‪:‬‬

‫‪2‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫پاسخ سیستم با نویز سفید با دامنه بزرگ‬

‫‪3‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫ج‪ -‬شناسایی مدل دو قطبی‪:‬‬

‫با رسم نمودار پاسخ پله سیستم متوجه نوسانی بودن آن می شویم که به همین دلیل برای شبیه سازی باید از‬
‫مدل نوسانی که صورت کلی آن به شکل رو به رو می باشد استفاده کنیم‪:‬‬

‫پاسخ سیستم به تحریک پله واحد به همراه نویز سفید گوسی‬

‫مدل چنین است‪:‬‬

‫‪𝐾𝜔𝑛2‬‬
‫=𝐺‬
‫‪𝑠 2 + 2𝜁𝜔𝑛 𝑠 + 𝜔𝑛2‬‬
‫مجهوالت از این روابط به دست میآیند‪:‬‬
‫𝜁𝜋‪−‬‬
‫( ‪𝑀𝑝 = exp‬‬ ‫)‬
‫‪√1 − 𝜁 2‬‬
‫𝜋𝐾‬
‫= 𝑖𝑡‬
‫‪𝜔𝑛 √1 − 𝜁 2‬‬

‫‪4‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫𝜁 ‪𝜋 − 𝑐𝑜𝑠 −1‬‬
‫= 𝑖𝑡‬
‫‪𝜔𝑛 √1 − 𝜁 2‬‬

‫پارامترهای شناسایی‬

‫بر این اساس خواهیم داشت‪:‬‬

‫‪𝜁 = 0.23 𝜔𝑛 = 1.859 𝐾 = 0.145‬‬

‫در نمودار زیر پاسخ و نتیجه شناسایی مقایسه شده اند‪:‬‬
‫‪0.5‬‬
‫=𝐺‬
‫‪𝑠2‬‬ ‫‪+ 0.855𝑠 + 3.456‬‬

‫‪5‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫مقایسه نتایج پاسخ سیستم اصلی و سیستم حاصل از شناسایی‬

‫‪6‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫د – سیستم دو قطبی با تاخیر‬

‫مانند بخش قبل داریم‪:‬‬

‫ورودی پله واحد به همراه نویز و پاسخ سیستم‬

‫مدل سیستم چنین است‪:‬‬

‫𝑠𝜏‪𝐾𝜔02 . 𝑒 −‬‬
‫=𝐺‬
‫‪𝑠 2 + 2𝜁𝜔0 𝑠 + 𝜔02‬‬
‫به این ترتیب و با توجه به خطوط روی نمودار خواهیم داشت‪:‬‬
‫𝜋‪2‬‬ ‫𝜋‪2‬‬
‫= ‪𝜁 = 0.253 𝜔0‬‬ ‫=‬ ‫‪= 1.472 𝜏 = 0.175‬‬ ‫‪𝐾 = −0.315‬‬
‫‪𝑇√1 − 𝜁 2‬‬ ‫‪2 × 2.2 × 0.97‬‬

‫در نمودار زیر پاسخ و نتیجه شناسایی مقایسه شده اند‪:‬‬

‫𝑠‪−0.315. 𝑒 −0.175‬‬
‫‪𝐺= 2‬‬
‫‪𝑠 + 0.744𝑠 + 2.167‬‬

‫‪7‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫پاسخ سیستم و پاسخ سیستم شناسایی شده‬

‫‪8‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫پرسش ‪:2‬‬

‫در این پرسش باید به کمک تحلیل همبستگی مدل سیستم را پیدا کنیم‪ .‬برای این منظور با توجه به رابطه ای‬
‫که برای ‪ h‬در زیر آمده است‪ ،‬کافیست ماتریس های 𝑢𝑅 و 𝑢𝑦𝑅 را بدست آورده و ‪ 𝑅𝑢−1‬را حساب کرده و در‬
‫رابطه جایگذاری کرده تا به ‪ h‬برسیم ‪:‬‬

‫𝑢𝑦𝑅 × ‪ℎ = 𝑅𝑢−1‬‬
‫و نیز داریم‪:‬‬
‫)𝜏‪𝑁−max (0,‬‬
‫‪1‬‬
‫= )𝜏( 𝑢̂𝑟‬ ‫∑‬ ‫)𝑡(𝑢)𝜏 ‪𝑢(𝑡 +‬‬
‫𝑁‬
‫)𝜏‪𝑡=1−min (0,‬‬

‫)𝜏‪𝑁−max (0,‬‬
‫‪1‬‬
‫= )𝜏( 𝑢𝑦̂𝑟‬ ‫∑‬ ‫)𝑡(𝑢)𝜏 ‪𝑦(𝑡 +‬‬
‫𝑁‬
‫)𝜏‪𝑡=1−min (0,‬‬

‫و رابطه زیر بین ماتریسهای مذکور برقرار است‪:‬‬

‫‪9‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫‪ – 1‬سیگنال ورودی پله‬

‫‪H_hat‬‬

‫‪10‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫سیگنال خروجی‬

‫‪11‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫‪ -2‬ورودی سینوسی‬

‫‪H_hat‬‬

‫‪12‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫سیگنال خروجی‬

‫‪13‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫‪ -3‬سیگنال ورودی کسینوسی ترکیبی‬

‫‪H_hat‬‬

‫‪14‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫سیگنال خروجی‬

‫‪15‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫‪ -4‬سیگنال ورودی نویز سفید‬

‫‪H_hat‬‬

‫‪16‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫سیگنال خروجی‬

‫‪ -5‬مقایسه نتایج‬

‫برای مقایسه مدل های مختلف در قسمت قبل آنها را در یک نمودار رسم کرده و بررسی می کنیم‪ .‬پاسخ ضربه‬
‫سیستم را با در نظر گرفتن تمامی ورودی ها در کنار هم رسم کردیم و پاسخ پالس سیستم نیز که شبیه ترین‬
‫سیگنال به ضربه است را نیز در کنار آنها رسم کردیم که مشاهده می شود نزدیک ترین پاسخ به پاسخ پالس همان‬
‫پله واحد می باشد‪.‬‬

‫‪17‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫پاسخ کلیه ورودی ها در کنار هم‬

‫‪18‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫پرسش ‪:3‬‬

‫‪ -1‬تحلیل حوزه فرکانس مبنا‬

‫برای رسم نمودار اندازه و زاویه باید در فرکانس های مختلف ورودی دهیم و اندازه و زاویه را برای آن فرکانس خاص رسم‬
‫کنیم‪ .‬نمودارها به شکل زیر خواهند بود‪:‬‬

‫خروجی فرکانسی‬

‫همانطور که انتظار می رفت از تحلیل فرکانسی پایه نمی توان زاویه را بدست آورد و تخمین مناسبی داشت‪.‬‬

‫‪ -2‬تحلیل فرکانسی بهبود یافته‬

‫برای تحلیل فرکانسی بهبود یافته نیز نمودار های اندازه و زاویه به صورت زیر در میآیند‪:‬‬

‫‪19‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫تحلیل فرکانسی بهبود یافته‬

‫‪20‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫‪ -3‬نتایج سیستمهای قبل به همراه نویز‬

‫نتایج قسمت ‪ 1‬با نویز‬

‫نتایج قسمت ‪ 2‬به همراه نویز‬

‫‪21‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫از مقایسه ی نمودار های تحلیل فرکانسی پایه و بهبود یافته در حضور نویز به وضوح پیداست که تحلیل فرکانسی بهبود‬
‫یافته تخمین بهتری از سیستم ارائه می دهد‪.‬‬

‫در ادامه برای نشان دادن تاثیر بازه¬ی انتگرال گیری یعنی ‪ T‬نمودار های مختلفی برای ضرایب مختلف ‪ T‬رسم می‬
‫کنیم‪ ،‬می بینیم که با افزایش ‪ T‬تخمین به مراتب بهتر می شود‪:‬‬

‫‪T=1‬‬

‫‪22‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫‪T=10‬‬

‫‪23‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫‪T=100‬‬

‫‪24‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫پرسش ‪:4‬‬

‫الف – تحلیل طیفی‬

‫طبق خواسته¬ی مسئله باید )‪ φ_yu (w‬و )‪ φ_u (w‬را رسم کنیم‪ .‬بدین منظور از روابط استخراج شده در کتاب که در‬
‫زیر آمده است‪ ،‬استفاده می کنیم‪:‬‬

‫همان طور که از روابط مشخص است برای اینکه بتوان از آنها استفاده کرد باید ‪ r_hat_u‬و ‪ r_hat_yu‬را بدست آورد‬
‫که در زیر رسم شده اند‪ .‬در ادامه و با محاسبه )‪ φ_yu (w‬و )‪ φ_u (w‬با استفاده از رابطه زیر‪:‬‬

‫مقدار ) 𝜔𝑖‪ 𝐻(𝑒 −‬را بدست آورده که شامل اندازه و زاویه می باشد و به کمک آن نمودار ‪ bode‬در انتها حاصل میشود‪:‬‬

‫‪25‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫‪26‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫ب‪ -‬تحلیل با استفاده از پنجره‬

‫در این قسمت می خواهیم با استفاده از دو پنجره ی ‪ %5‬و ‪ %15‬شبیه سازی را انجام دهیم‪ .‬از کد های قبل استفاده کرده‬
‫و فقط در قسمت محاسبه )‪ φ_yu (w‬و )‪ φ_u (w‬از روابط زیر استفاده می کنیم که در آن تابع وزنی )‪ w(τ‬نیز اضافه شده‬
‫است‪:‬‬

‫پس از اضافه کردن پنجره یا همان تابع وزنی و محاسبه مجدد )‪ φ_yu (w‬و )‪ φ_u (w‬و رسم آنها به نمودار های زیر‬
‫می رسیم‪:‬‬

‫نتایج ‪:%5‬‬

‫‪27‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫‪28‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫نتایج ‪:%15‬‬

‫‪29‬‬
‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫‪30‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫با مقایسه حالت بدون پنجره و با پنجره می بینیم که پنجره تاثیر مثبتی مبنی بر کم کردن خطای ‪ R‬هنگام محاسبه ‪، φ‬‬
‫داشته و نمودارهایی صاف تر به ما ارائه داده است‪ .‬اما با مقایسه پنجره ‪ %5‬و ‪ %15‬این نکته را باید توجه کرد که عرض پنجره‬
‫نباید زیاد کوچک شود زیرا باعث می شود تعداد کمی از داده های ‪ R‬تاثیر زیادی در محاسبه ‪ φ‬داشته باشند که این باعث‬
‫خطا می شود‪.‬‬

‫‪31‬‬
 ‫امیر محمود مهدوی ابهری‬ ‫شناسایی سیستمها – دکتر موسی آیتی‬
‫‪810601014‬‬ ‫شبیهسازی شماره ‪1‬‬

‫پرسش ‪:5‬‬
‫با توجه به چهار روش تحلیل باال می توان آنها را از نظر حجم محاسبات‪ ،‬دقت‪ ،‬مقاومت به نویز مقایسه کرد‪ .‬در این میان‬
‫تحلیل فرکانسی بهبود یافته و تحلیل همبستگی مقاومت مناسبی در برابر نویز دارند‪ .‬از نظر دقت نیز تحلیل فرکانسی بهبود‬
‫یافته و تحلیل طیفی و تحلیل همبستگی عملکرد خوبی نشان دادند‪ .‬ولی از نقطه نظر هزینه¬ی محاسباتی تحلیل فرکانسی‬
‫بهبود یافته هزینه زیاد عملیاتی دارد و این یک نکته¬ی منفی برای آن به حساب می آید‪ ،‬اما تحلیل همبستگی از این نظر‬
‫هزینه معقول تری را اضافه می¬کند‪ .‬برای جمع بندی می توان گفت اگر نویز زیادی وارد سیستم می شود می¬توان از‬
‫تحلیل فرکانسی بهبود یافته استفاده کرد‪ ،‬ولی اگر نویز شدیدی وجود ندارد تحلیل همبستگی می¬تواند انتخاب مناسب تری‬
‫باشد‪.‬‬

‫‪32‬‬