Автоматизация питающего бункера чесальной машины

Обработка массива данных с помощью пакета System Identification Toolbox предполагает следующие этапы:

1. обработка и преобразование данных с целью создания файла данных;

2. непараметрическое оценивание данных с целью предварительного определения основных характеристик ТОУ;

3. параметрическое оценивание данных с целью создания различных видов моделей с тета-формате;

4. задание ст

руктуры модели;

5. изменение и уточнение структуры модели (если это необходимо);

6. проверка адекватности и сравнение различных видов моделей с целью выбора наилучшей;

7. преобразование модели тета-формата в вид удобный для дальнейшего использования при анализе и синтезе системы управления.

В результате проведенного эксперимента был получен массив данных состоящий из 2 тысяч значений входного параметра (скорость вытягивающей пары, м/с) и 2 тысяч значений выходного параметра (линейная плотность, ктекс). Интервал дискретизации равен 2.5 (ts=2.5). Для загрузки в рабочую область MATLAB массива данных необходимо выполнить команду:

>> load datta

После выполнения команды в рабочей области появились массив входных переменных u и массив выходного параметра y.

Интервал дискретизации указывается дополнительно:

>> ts=2.5

ts = 2.5

Для объединения исходных данных в единый файл воспользуемся командой:

>> dan=iddata(y(951:1050),u(951:1050),ts)

Time domain data set with 100 samples.

Sampling interval: 2.5

Outputs Unit (if specified)

y1

Inputs Unit (if specified)

u1

Сформированный файл указывает, что он содержит результаты 100 измерений с интервалом дискретизации 2.5 с. Входными переменными является массив u, а выходным параметром y.

Для наглядности сформированного файла необходимо в его структуру ввести обозначения входных и выходных данных, а также их размерностей:

>> set(dan,'InputName','Скорость вятягивающей пары','OutputName','Линейная плотность')

>> set(dan,'InputUnit','м/с','OutputUnit','ктекс')

Для просмотра полной информации о полученном файле воспользуемся командой:

>> get(dan)

ans =

Domain: 'Time'

Name: []

OutputData: [100x1 double]

y: 'Same as OutputData'

OutputName: {'Линейная плотность'}

OutputUnit: {'ктекс'}

InputData: [100x1 double]

u: 'Same as InputData'

InputName: {'Скорость вятягивающей пары'}

InputUnit: {'м/с'}

Period: Inf

InterSample: 'zoh'

Ts: 2.5000

Tstart: []

SamplingInstants: [100x0 double]

TimeUnit: ''

ExperimentName: 'Exp1'

Notes: []

UserData: []

Для графического представления данных воспользуемся командой:

>> plot(dan)

Рисунок 2.1.1 Графическое представление исходных данных

Для дальнейшего использования полученных исходных данных необходимо провести предварительную обработку этих данных с целью удаления тренда из набора данных и если необходимо отфильтровать данные с помощью имеющихся средств в пакете System Identification Toolbox. Данные операции проведем в графическом интерфейсе System Identification Toolbox, который запускается из командной строки командой:

>> ident

Opening ident . done.

В результате выполнения этой команды появляется диалоговое окно показанное на рисунке 2.1.2. На начальной стадии идентификации с использованием графического интерфейса после проведения эксперемента необходимо сформировать файл данных, в нашем примере таким файлом является dan.

В левом верхнем углу окна выберем в раскрывающемся списке Data вариант Import. Это приведет к открытию диалогового окна показанного на рисунке 2.1.3.

В поле окна Data Format for Signals выбираем IDDATA object. В поле Iddata вводим название нашего файла dan (см. рисунок 2.1.3)

Рисунок 2.1.3 Окно параметров импорта

Запустим режим быстрого старта, для чего в падающем меню Operations выберем Quick Start (см. рисунок 2.1.4).

Рисунок 2.1.4 Импорт файла данных выполнен

Во время выполнения этого режима производится:

· Удаление тренда из массива экспериментальных данных;

· Формирование усеченных массивов данных с именами dande и dandv для построения моделей.

Рисунок 2.1.5 Завершен импорт и преобразование данных

После проведения предварительной обработки данных можно приступить к нахождению оценки модели.

В предложенном списке Estimate выбираем Parametric models (см. рисунок 2.1.6), данный выбор приведет к открытию диалогового окна задания структуры модели (см. рисунок 2.1.7).

Рисунок 2.1.6 Выбираем параметрические модели

Получим параметрические модели из предложенного списка (ARX, ARMAX, OE, BJ, State Space см. рисунок 2.1.7), оценка производится нажатием кнопки Estimate. Существует возможность изменить параметры модели в редакторе Order Editor. Воспользуемся значениями по умолчанию, за исключением ARX и State Space, у которых параметры выберем, нажав кнопку Order Selection.

Рисунок 2.1.7 Окно выбора структуры моделей

После того как были получены все 5 моделей объекта управления (см. рисунок 2.1.8), можно приступит к выбору одной из них, которая будет использоваться далее для получения передаточной функции ТОУ.

Рисунок 2.1.8 Получены 5 моделей ТОУ

Для выбора модели следует пользоваться средствами которые предоставляет System Identification Toolbox:

· Transient resp (переходная характеристика);

· Frequency resp (частотные характеристики);

· Zeros and poles (графики нулей и полюсов);

· Noise spectrum(графики спектров шумов).

Выбор отображаемых на этих графиках моделей осуществляется выделением соответствующих в окне списка моделей.

Для анализа модели ТОУ возьмем модель n4s3, для чего перетащим ее на иконку To Workspace, при этом модель n4s3 появится в рабочем пространстве MATLAB.

Полученная модель представлена в так называемом тета – формате и является дискретной. Для преобразования модели из тета - формата в вид удобный для дальнейшего использования в пакете System Identification Toolbox имеются специальные функции.

Преобразуем модель тета-формата многомерного объекта в вектор передаточных функций, связанных с выбранным входом:

>> [n,d]=th2tf(n4s3)

 Скачать реферат