Identyfikacja modeli Wienera metodami czestotliwosciowymi
Transkrypt
Identyfikacja modeli Wienera metodami czestotliwosciowymi
IDENTYFIKACJA MODELI WIENERA METODAMI CZĘSTOTLIWOŚCIOWYMI Opracowanie: Anna Zamora Promotor: dr hab. inż. Jarosław Figwer Prof. Pol. Śl. MODELE WIENERA MODELE WIENERA Modele obiektów nieliniowych Modele nierozłączne Modele rozłączne Modele Wienera Modele Hammersteina MODELE WIENERA Model Wienera u(i) H(z-1) yL(i) y(i) f2(yL) Model Hammersteina u(i) y(i) H(z-1) f1(u) Model Hammersteina - Wienera u(i) f1(u) H(z-1) yL(i) y(i) f2(yL) MODELE WIENERA Definicja: Modelem Wienera nazywamy model nieliniowy, w którym wyróżniamy dynamiczną część liniową i następującą po niej statyczną część nieliniową. MODELE WIENERA Metody identyfikacji modeli Wienera: - stochastyczne bazujące na rozłączności problemów identyfikacji części liniowej i nieliniowej przy założeniu białości pobudzenia; - zwiększania liczby parametrów w celu uzyskania problemu liniowego + dowolna metoda estymacji liniowej; - korelacyjne opierające się na zależności, że kwadrat korelacji wzajemnej wyjścia z wejściem jest wprost proporcjonalny do korelacji drugiego rzędu między tymi sygnałami; - iteracyjne polegające na identyfikacji na zmianę części liniowej i nieliniowej przy parametrach drugiej traktowanych jako stałe współczynniki. TWIERDZENIE BUSSGAGA TWIERDZENIE BUSSGAGA Założenia: - sygnały φ(t) i ψ(t) są generowane przez stacjonarny proces losowy, a ich amplitudy mogą być traktowane jako zmienne losowe X oraz Y - zmienne losowe X oraz Y mają rozkład normalny 1 − x2 2 p( x) = e 2π - zerową wartość oczekiwaną E{x} = +∞ ∫ x p( x) dx = 0 1 −y p( y) = e 2π E{y} = −∞ 2 2 +∞ ∫ y p( y) dy = 0 −∞ - jednostkową wariancję +∞ { } ∫x E x2 = −∞ +∞ 2 p ( x) dx = 1 { } ∫y E y2 = −∞ 2 p ( y ) dy = 1 TWIERDZENIE BUSSGAGA Twierdzenie: Stosunek dwu funkcji korelacji wzajemnej sygnałów gaussowskich φ(t) oraz ψ(t) przed i po tym jak jeden z nich uległ nieliniowemu zakłóceniu amplitudy jest stały: Rφ Ψ (τ ) = kV ⋅ Rφψ (τ ) TWIERDZENIE BUSSGAGA Oznaczenia: - funkcja korelacji wzajemnej między sygnałami φ(t) oraz ψ(t) Rφψ (τ ) = E {φ (t )ψ (t − τ )} - funkcja korelacji wzajemnej między sygnałami φ(t) oraz Ψ(t) RφΨ (τ ) = E{{φ (t )Ψ (t − τ )}} - nieliniowa funkcja V:R→R Ψ (t ) = V (ψ (t )) POSTULAT POSTULAT Twierdzenie Bussganga dla niezakłóconego modelu Wienera: RyL y (τ ) = c ⋅ Ryy (τ ) gdzie c – stały współczynnik. u(i) H(z-1) yL(i) y(i) f(yL) POSTULAT Z twierdzenia Bussganga wynika, że identyfikacja części liniowej w postaci charakterystyki amplitudowo-fazowej w dziedzinie częstotliwości metodą korelogramową może być przeprowadzona na podstawie znajomości sygnału wyjściowego z elementu nieliniowego (bez znajomości sygnału wewnętrznego yL(i) ), myląc się co najwyżej co do wartości wzmocnienia statycznego. IDENTYFIKACJA MODELI WIENERA W DZIEDZINIE CZĘSTOTLIWOŚCI STRUKTURA IDENTYFIKOWANEGO MODELU v(i) u(i) -d z B(z-1) -1 A(z ) yL(i) y(i) f(yL) - model Wienera – SISO - część dynamiczną liniową opisuje dyskretna −1 transmitancja postaci: ( ) B z −d z ( ) A z −1 - część nieliniową opisuje funkcja f(yL(i)) - sygnał wejściowy u(i) jest białym szumem o rozkładzie normalnym i zerowej wartości oczekiwanej ETAPY IDENTYFIKACJI Identyfikacja nieparametryczna charakterystyki amplitudowo - fazowej Wyznaczenie odpowiedzi impulsowej poprzez IFFT zidentyfikowanej transmitancji Wyznaczenie parametrycznej reprezentacji transmitancji dyskretnej Wyznaczenie oceny przebiegu sygnału wewnętrznego Aproksymacja charakterystyki statycznej elementu nieliniowego ETAPY IDENTYFIKACJI Identyfikacja charakterystyki amplitudowo – fazowej metodą korelogramową - założenie liniowości obiektu: ∞ y (i ) = ∑ u (i − k )h(k ) + v(i ) k =1 - estymator obciążony f. korelacji: N −τ 1 N Rˆuu (τ ) = ∑ u (i )u (i + τ ) N i =1 1 ˆ R (τ ) = N N uy N −τ ∑ u(i) y(i + τ ) i =1 - estymator gęstości widmowej mocy: SˆuuN (Ωk ) = T p M N − jΩkτ ˆ R ( τ ) e ∑ uu SˆuyN ( jΩk ) = T p τ =− M - estymator ch-ki ampl.-faz.: M N − jΩkτ ˆ R ( τ ) e ∑ uy τ =− M ˆ N ( jΩk ) S uy Hˆ N ( jΩk ) = N Sˆ (Ωk ) uu ETAPY IDENTYFIKACJI Wygładzanie oceny gęstości widmowej mocy - uśrednianie po zbiorze realizacji: S S 1 N Np 1 ˆ ˆ N Suu (Ωk ) = ∑ Si (Ωk ) Sˆuy ( jΩk ) = ∑ SˆiNp ( jΩk ) S i =1 S i =1 - wygładzanie częstotliwościowe: SˆuuN (Ωk ) = k+L 1 ˆ N (Ωm) S ∑ uu SˆuyN ( jΩk ) = 2 LS + 1 m = k − L - zastosowanie okna przesunięciowego: SˆuuN (Ωk ) = T p M N − jΩkτ ˆ w ( τ ) R ( τ ) e ∑ uu τ =− M SˆuyN ( jΩk ) = Tp M N − jΩkτ ˆ w ( τ ) R ( τ ) e ∑ uy τ =− M 1 k+L ˆ N ( jΩm) S ∑ uy 2 LS + 1 m = k − L ETAPY IDENTYFIKACJI Wygładzanie oceny charakterystyki amplitudowo - fazowej - uśrednianie po zbiorze realizacji: 1 N ˆ H ( jΩk ) = SH SH Np ′ ˆ H ∑ i ( jΩk ) i =1 - wygładzanie częstotliwościowe: Hˆ N ( jΩk ) = 1 k + LH ∑ Hˆ N ( jΩm) 2 LH + 1 m= k − LH ETAPY IDENTYFIKACJI Wyznaczenie odpowiedzi impulsowej poprzez IFFT zidentyfikowanej transmitancji 1 W −1 ˆ h(i ) = ∑ H ( jΩk )e jΩki W k =0 Wyznaczenie parametrycznej reprezentacji transmitancji dyskretnej - aproksymacja np. metodą iteracyjną zidentyfikowanej charakterystyki amplitudowo – fazowej transmitancją dyskretną o założonych stopniach nA i nB wielomianów A(z-1) i B(z-1). ETAPY IDENTYFIKACJI Identyfikacja przebiegu funkcji nieliniowej f (yL(i)) - odtworzenie sygnału wewnętrznego yL(i) na drodze filtracji wejścia u(i) przez zidentyfikowaną transmitancję dyskretną bądź poprzez jego splot z odpowiedzią impulsową h(i) - wykreślenie y(i) w funkcji yL(i) - aproksymacja uzyskanej charakterystyki statycznej części nieliniowej modelu NIEJEDNOZNACZNOŚĆ ROZWIĄZANIA ZADANIA IDENTYFIKACJI NIEJEDNOZNACZNOŚĆ ROZWIĄZANIA d(i) u(i) -1 H(z ) 1 /k k f(yL) y(i) + dwa różne modele i jednocześnie nierozróżnialne bez znajomości sygnału wewnętrznego d(i) u(i) H(z-1) yL(i) f(yL) + y(i) NIEJEDNOZNACZNOŚĆ ROZWIĄZANIA Rozwiązanie problemu niejednoznaczności Dla celów identyfikacji jak i symulacji przyjmujemy dodatkowe założenie o jednostkowej wariancji sygnału wewnętrznego yL(i). PRZYKŁAD PRZYKŁAD – ZAŁOŻENIA STRUKTURY - model dynamicznej części liniowej: y L (i ) = z −1 1 u (i ) −1 −2 1 − 1.5 z + 0.7 z - symulowane funkcje nieliniowe: 0.5 y L (i ) ; f1 ( y L (i )) = 2.0 y L (i ) ; − 0.5 ; f 2 ( y L (i )) = y L (i ) ; + 0.5 ; y L (i ) < 0 y L (i ) ≥ 0 y L (i ) + 0.5 ; f 3 ( y L (i )) = 0 ; y (i ) − 0.5 ; L y L (i ) ≤ 0.5 y L (i ) < 0.5 y L (i ) ≥ 0.5 f 4 ( y L (i )) = y L (i ) + 2 ⋅ y L (i ) + 0.5 ⋅ y L (i ) 2 3 y L (i ) ≤ 0.5 y L (i ) < 0.5 y L (i ) ≥ 0.5 PRZYKŁAD – PARAMETRY - ciąg przetwarzanych danych: N = 2048 - brak szumów pomiarowych: v(i) = 0 - brak wygładzania częstotliwościowego i wygładzania po realizacjach zarówno ocen gęstości widmowych mocy jak i oceny charakterystyki amplitudowo – fazowej - zastosowane okno przesunięciowe Bartletta – Hanna - liczba wyznaczanych ocen funkcji korelacji M = 128 - czas zaniknięcia warunku początkowego T = 1024 - liczba wyznaczanych punktów charakterystyki amplitudowo – fazowej W = 1024 tak, że częstotliwość podstawowa dyskretnej dziedziny częstotliwości (bin) Ω=2π/W PRZYKŁAD – korektor liniowy IDENTYFIKACJA NIEPARAMETRYCZNA PRZYKŁAD – korektor liniowy OCENY PARAMETRÓW DYNAMICZNEJ CZĘŚCI LINIOWEJ wielomian_A_symulacja = 1.0000 -0.5000 0.7000 wielomian_B_symulacja = 0 0.6847 wielomian_A_identyfikacja = 1.0000 -0.5020 0.6997 wielomian_B_identyfikacja = 0.0056 0.6830 PRZYKŁAD – korektor liniowy IDENTYFIKACJA PARAMETRYCZNA PRZYKŁAD – korektor liniowy WYKRES FUNKCJI y = f(yL(i)) PRZYKŁAD – korektor liniowy Dla przedziału {-3.2943,0} zaproksymowana funkcja: f(x) = 0.49814*x^1 - 0.00266 Dla przedziału {0,3.5013} zaproksymowana funkcja: f(x) = 2.0014*x^1 + 0.001468 PRZYKŁAD – nasycenie IDENTYFIKACJA NIEPARAMETRYCZNA PRZYKŁAD – nasycenie OCENY PARAMETRÓW DYNAMICZNEJ CZĘŚCI LINIOWEJ wielomian_A_symulacja = 1.0000 -0.5000 0.7000 wielomian_B_symulacja = 0 0.6648 wielomian_A_identyfikacja = 1.0000 -0.4835 0.6855 wielomian_B_identyfikacja = 0.0179 0.6744 PRZYKŁAD – nasycenie IDENTYFIKACJA PARAMETRYCZNA PRZYKŁAD – nasycenie WYKRES FUNKCJI y = f(yL(i)) PRZYKŁAD – nasycenie Dla przedziału {-3.5811,-0.5} zaproksymowana funkcja: f(x) = -0.49882*x^0 - 0.49882 Dla przedziału {-0.5,0.5} zaproksymowana funkcja: f(x) = 0.97846*x^1 + 0.0021797 Dla przedziału {0.5,2.9634} zaproksymowana funkcja: f(x) = 0.49914*x^0 + 0.49914 PRZYKŁAD – strefa nieczułości IDENTYFIKACJA NIEPARAMETRYCZNA PRZYKŁAD – strefa nieczułości OCENY PARAMETRÓW DYNAMICZNEJ CZĘŚCI LINIOWEJ wielomian_A_symulacja = 1.0000 -0.5000 0.7000 wielomian_B_symulacja = 0 0.6983 wielomian_A_identyfikacja = 1.0000 -0.4869 0.6857 wielomian_B_identyfikacja = 0.0162 0.7079 PRZYKŁAD – strefa nieczułości IDENTYFIKACJA PARAMETRYCZNA PRZYKŁAD – strefa nieczułości WYKRES FUNKCJI y = f(yL(i)) PRZYKŁAD – strefa nieczułości Dla przedziału {-3.6013,-0.5} zaproksymowana funkcja: f(x) = 0.9922*x^1 + 0.48601 Dla przedziału {-0.5,0.5} zaproksymowana funkcja: f(x) = -2.02e-005*x^0 - 2.02e-005 Dla przedziału {0.5,3.6763} zaproksymowana funkcja: f(x) = 0.99408*x^1 - 0.49075 PRZYKŁAD – funkcja wielomianowa IDENTYFIKACJA NIEPARAMETRYCZNA PRZYKŁAD – funkcja wielomianowa OCENY PARAMETRÓW DYNAMICZNEJ CZĘŚCI LINIOWEJ wielomian_A_symulacja = 1.0000 -0.5000 0.7000 wielomian_B_symulacja = 0 0.6969 wielomian_A_identyfikacja = 1.0000 -0.4826 0.6862 wielomian_B_identyfikacja = -0.0001 0.7111 PRZYKŁAD – funkcja wielomianowa IDENTYFIKACJA PARAMETRYCZNA PRZYKŁAD – funkcja wielomianowa WYKRES FUNKCJI y = f(yL(i)) PRZYKŁAD – funkcja wielomianowa Dla przedziału {-3.2787,3.592} zaproksymowana funkcja: f(x) = 0.5062*x^3 + 2.0029*x^2 + 0.98419*x^1 - 0.0031998