„Laboratórium 2 - 8. Mérés ellenőrző kérdései” változatai közötti eltérés
10. sor: | 10. sor: | ||
==3. Mit értünk állapot-visszacsatolás alatt? == | ==3. Mit értünk állapot-visszacsatolás alatt? == | ||
[[Fájl:Szabtech állapot-visszacsatolás ábra.JPG|400px]] | |||
Állapot-visszacsatolás alatt azt értjük, hogy a szabályozó kimenő jelét (a beavatkozó jelet) az állapotokból állítjuk elő. Lineáris állapot-visszacsatolás esetén folytonos időben <math>u(t)=-K\cdot x(t)</math>, diszkrét időben pedig <math>u(iT)=-K\cdot x(it)</math>, vagy röviden <math>u_i=-K\cdot x_i</math>, ahol T a mintavételi idő. Egyváltozós (SISO) rendszer esetén K sorvektor. | Állapot-visszacsatolás alatt azt értjük, hogy a szabályozó kimenő jelét (a beavatkozó jelet) az állapotokból állítjuk elő. Lineáris állapot-visszacsatolás esetén folytonos időben <math>u(t)=-K\cdot x(t)</math>, diszkrét időben pedig <math>u(iT)=-K\cdot x(it)</math>, vagy röviden <math>u_i=-K\cdot x_i</math>, ahol T a mintavételi idő. Egyváltozós (SISO) rendszer esetén K sorvektor. |
A lap 2014. február 6., 23:10-kori változata
1. Milyen identifikációs rendszermodelleket ismer?
AR, ARX, IV, ARMAX stb. Ezek a modellek a MATLAB System Identification (röviden IDENT) toolboxa segítségével identifikálhatók. ARX modell a klasszikus LS (least squares) becsléssel is identifikálható. A módszerek érzékenyek a jel és zaj korreláltságára, amelyen segédváltozók (IV) alkalmazásával lehet javítani. Az ARMAX modell már általánosabb zajstruktúrát alkalmaz, de identifikációja numerikusan bonyolultabb módszert igényel, nevezetesen a kvázi Newton-módszert. Lásd elméleti alapok.
2. Miért van szükség identifikációra?
Az identifikáció célja dinamikus modell nyerése az ismeretlen rendszerről, a szabályozástechnikában a szabályozott szakaszról. Dinamikus modell hiányában csak kísérletezéssel tudnánk egyszerű szabályozók paraméterbeállítását megkeresni. A dinamikus modell ismerete lehetővé teszi elméletileg megalapozott szabályozások tervezését, amely minimálissá teszi a reális folyamaton való kísérletezést. A modell jó, ha azonos bemenő jel mellett a kimenetén hasonlóan válaszol, mint az ismeretlen rendszer. A modellel szemben pótlólagos elvárásaink is lehetnek, mint például az, hogy az identifikációval kapott diszkrétidejű modellnek legyen folytonosidejű megfelelője. Ez a negatív valós pólusokkal áll kapcsolatban a z-tartományban.
3. Mit értünk állapot-visszacsatolás alatt?
Állapot-visszacsatolás alatt azt értjük, hogy a szabályozó kimenő jelét (a beavatkozó jelet) az állapotokból állítjuk elő. Lineáris állapot-visszacsatolás esetén folytonos időben , diszkrét időben pedig , vagy röviden , ahol T a mintavételi idő. Egyváltozós (SISO) rendszer esetén K sorvektor.
4. Mi lesz állapot-visszacsatolás esetén a zárt rendszer karakterisztikus egyenlete?
Folytonos időben a szakasz állapotegyenlete , a zárt rendszer állapotegyenlete, a zárt rendszer karakterisztikus egyenlete pedig xBKAx)(−=&))(det()(BKAsIsc−−=ϕ. Diszkrét időben a szakasz állapotegyenlete iiiuxxΓΦ+=+1, a zárt rendszer állapotegyenlete iixKx)(1ΓΦ−=+, a zárt rendszer állapotegyenlete pedig ))(()(KzIzcΓΦϕ−−=. A pólusáthelyezési feladatban előírjuk a zárt rendszer karakterisztikus egyenletét (ami ekvivalens a zárt rendszer pólusainak, azaz a velük megegyező sajátértékeknek az előírásával), és keressük az ehhez szükséges állapot-visszacsatolást. Vegyük észre az algebrai hasonlóságot a folytonosidejű és diszkrétidejű feladat esetén.