Идентификация как метод построения моделей

Построение моделей опирается в основном на данные наблюдений. Существует два способа (а также их комбинации) формирования математических моделей.

В первом способе исследуемая система расчленяется на такие подсистемы, свойства которых очевидны из ранее накопленного опыта. По существу, это означает, что мы опираемся на известные законы природы и другие надежные соотношения, основанные на ранее проведенных экспериментальных исследованиях. Формальное математическое объединение этих подсистем становится моделью всей системы. Такой подход называется моделированием или аналитическим методом построения моделей. В его рамках проведение натурного эксперимента не обязательно. Конкретный вид процедуры моделирования сильно зависит от прикладной задачи и часто определяется традиционными и специфическими средствами из рассматриваемой прикладной области. Основной прием сводится к структуризации процесса в виде блок-схемы, блоки которой состоят из более простых элементов. Процесс восстановления системы по этим простым блокам чаще всего выполняется с помощью ЭВМ и приводит не к математической, а к машинной модели системы.

В другом способе построения моделей непосредственно используются экспериментальные данные. В этом случае ведётся регистрация входных и выходных сигналов системы, и модель формируется в результате обработки соответствующих данных. Этот способ называется идентификацией.

Задача идентификации. Задача идентификации формулируется следующим образом: по результатам наблюдений за входными и выходными переменными объекта построить оптимальную в некотором смысле его модель. При этом объект находится в нормальном режиме функционирования (т. е. в обстановке случайных возмущений и помех). Иными словами, если объект описывается некоторым неизвестным оператором , то имея измеренные значения входа и выхода необходимо построить оценку оператора объекта, оптимальную в смысле некоторого критерия.

Рис.4.2 иллюстрирует взаимодействие

идентифицируемого объекта со средой. Это взаимодействие происходит по каналам и . По каналу среда воздействует на объект, а по каналу объект воздействует на среду. Задача идентификации сводится к определению оператора модели , связывающего вход и выход объекта

(4.6)

Так как часто отсутствует модель среды, воздействующей на объект, то его вход естественно рассматривать как случайную функцию времени , статистические свойства которой в общем случае неизвестны. Однако известны наблюдения входа и выхода объекта, т.е. реализации функций и . На объект могут воздействовать ненаблюдаемые факторы , которые рассматриваются как случайные помехи.

Пусть — наблюдения входа объекта, а — соответствующие им наблюдения его выхода в дискретные моменты времени . Эти наблюдения связаны неизвестным оператором объекта , т.е. . Задача идентификации заключается в построении (синтезе) модельного оператора , т.е. в получении оценки по наблюдениям в дискретные моменты времени (в общем случае реализации x_i(t), y_i(t) — непрерывны).

Таким образом, идентификация — это синтез оптимального модельного оператора исследуемого объекта с использованием результатов наблюдений за его входными и выходными переменными.

Классификация видов идентификации. В соответствии с современной теорией можно предложить следующую классификацию видов идентификации:

1) по конечному результату идентификации:

– структурная;

– параметрическая;

2) по способу изучения объекта идентификации:

– активная;

– пассивная;

3) по типу идентифицируемой модели:

– линейная и нелинейная;

– детерминированная и стохастическая;

– с непрерывным и дискретным временем;

– стационарная и нестационарная;

– одномерная и многомерная;

– статическая и динамическая;

– с сосредоточенными и распределёнными параметрами.

Успех идентификации объекта существенно зависит от соотношения двух факторов: объема априорной информации о структуре объекта и объема измерительной информации. Априорные сведения помогают определить структуру модели, т.е. ее вид (число входов и выходов, характер связи между ними). Эту процедуру называют идентификацией в широком смысле, или структурной идентификацией.

При структурной идентификации объем априорной информации об объекте весьма ограничен. Поэтому необходимо решить следующие задачи:

- выделение объекта из среды;

- задание класса моделей (см. п.3 классификации);

- определение характера связи между входом и выходом модели объекта;

- определение рационального числа информативных переменных (входов и выходов объекта), учитываемых в модели;

- определение возможности представления модели с требуемой точностью в классе линейных операторов и другие.

Структура модели ещё не сама модель, и для определения ее параметров необходимо располагать измерениями. Задачу определения параметров модели по наблюдениям работы объекта при заданной структуре модели называют идентификацией в узком смысле или параметрической идентификацией. Например, известна система уравнений, описывающая некоторый объект. Необходимо определить только коэффициенты уравнений.

При активном способе идентификации реализация входа формируется самим исследователем путем подачи на вход объекта испытательного сигнала желаемой формы (скачкообразного сигнала, импульсного сигнала, сигнала в виде гармонических, прямоугольных, трапецеидальных, треугольных колебаний и др.). Реализацией выхода объекта является его реакция на испытательный сигнал. При этом в современной теории идентификации широко применяются методы оптимального планирования эксперимента.

При пассивном способе идентификации в качестве реализаций входа и выхода объекта принимают естественные их изменения в процессе нормального функционирования объекта.

Критерии качества идентификации. Формирование критерия качества, характеризующего адекватность модели реальному объекту, является одним из основных этапов идентификации.

Пусть реальный объект описывается оператором т.е. , который нельзя найти точно, но можно сделать его оценку. Применяя некоторый алгоритм идентификации (АИ), необходимо построить модель с оптимальным оператором , достаточно близким к .

Но близость операторов непосредственно оценить трудно или просто невозможно, тем более что часто об операторе объекта мало известно. В связи с этим естественно оценивать близость операторов F₀ и F по их реакциям на одно и то же входное воздействие , т.е. по выходам объекта:

и модели , где — ненаблюдаемое возмущение (рис.4.3)

В общем случае и могут быть как детерминированными, так и случайными функциями времени.

Оптимальный оператор модели ищется в смысле некоторого критерия, связанного с выходами и . С этой целью вводится понятие функции потерь (функции невязки ), которая в любой фиксированный момент времени зависит от выходов объекта и модели и не зависит от оператора. Эта скалярная неотрицательная функция векторных аргументов — выходов объекта и модели. В процессе идентификации эта функция минимизируется.

Для ряда практических задач наиболее естественной, а иногда и единственно возможной является оценка эффективности идентификации по максимально возможному на рабочем отрезке времени отклонению. Тогда проблема идентификации является по существу задачей минимизации максимального отклонения (детерминированный случай):

(4.7)

При наличии случайных возмущений и шумов, действующих на объект, в качестве критерия выбирается не само отклонение, которое так же является случайным, а его математическое ожидание (стохастический случай):

(4.8)

Значение критериев (1.7) и (1.8) едва ли оспоримо, однако в практических расчётах они почти не используются. Это связано с недостаточной разработанностью аналитических приёмов минимизации.

Наиболее часто функция потерь используется в виде квадрата отклонения:

; (4.9)

. (4.10)

В случае наличия непрерывных реализаций входа и выхода объекта в течение интервала времени :

. (4.11)

Если реализации входа и выхода объекта получены в дискретные моменты времени , тогда:

. (4.12)

В отдельных практических задачах автоматического управления в качестве мер сравнения можно принимать различные характеристики (временные, частотные и т.д.) объекта и модели. Критерием идентификации в этом случае является рассогласование этих характеристик. Однако, если модель используется в самонастраивающейся системе автоматического управления, настройка модели по динамическим характеристикам требует наличие измерителей динамических характеристик объекта и модели, что приводит к конструктивному усложнению САУ и уменьшению быстродействия контуров самонастройки. Поэтому приведенные выше критерии, использующие информацию о выходах объекта и модели, более предпочтительны.