- •Предисловие
- •Введение
- •Глава 1. Основные понятия теории управления
- •1.1. Объект управления
- •1.2. Управляющая система
- •1.3. Система управления
- •Глава 2. Разработка управляющих систем
- •2.1. Анализ характеристик объекта управления
- •2.2. Выбор управляющих параметров
- •2.3. Надежность управляющих систем
- •Глава 3. Автоматизация массообменных процессов
- •3.1. Ректификация
- •Хладо-носитель
- •Хладо-носитель
- •2 Дистил- лят а б
- •3.2. Абсорбция
- •3.3. Адсорбция
- •3.4. Сушка
- •Глава 4. Автоматизированные системы управления
- •4.1. Общая характеристика асутп
- •4.2. Назначение, цель, функции и состав асутп
- •4.3. Структура комплекса технических средств асутп
- •4.4. Общесистемная документация и оперативный персонал
- •4.5. Асутп нефтепереработки и нефтехимии
- •4.6. Техническое обеспечение распределенных асутп
- •4.7. Применение распределенных асутп
- •Глава 5. Идентификация технологических процессов
- •5.1. Понятие об идентификации
- •5.2. Общие сведения о математических моделях
- •5.3. Постановка задачи идентификации
- •5.4. Основные характеристики (функции) систем
- •5.5. Оценка адекватности математической модели
- •5.6. Математические модели многостадийных объектов
- •Глава 6. Оптимизация технологических процессов
- •6.1. Характеристика методов оптимизации
- •6.2. Особенности оптимизационных задач управления
- •6.3. Оптимизация технологических процессов
- •6.4. Оптимальное управление системами ректификации
- •6.5. Адаптивное управление технологическими процессами
- •Глава 7. Оптимизация производства этилена
- •7.1. Производство этилена как объект управления
- •7.2. Задачи управления установками
- •7.3. Структура подсистемы оптимизации отделения пиролиза
- •7.4. Выбор математической модели пиролизной печи
- •Ориентировочная ранжировка параметров
- •7.5. Корректировка коэффициентов адаптивной модели
- •Приложение а функциональные схемы автоматизации
- •Приложение б идентификация систем в среде matlab
- •1. Основные характеристики (функции) систем
- •2. Теоретические модели объектов
- •Приложение в задачи и методы оптимизации
- •Задачи оптимизации
- •Приложение г задачи линейного программирования
- •Библиографический список
5.5. Оценка адекватности математической модели
Математические модели могут быть познавательными, нацеленными на изучение сущности процессов и явлений, протекающих в объекте, а также информационными, предназначенными для решения задач управления. Решение задачи управления технологическим объектом возможно и без точного знания механизма протекающих в нем физико-химических превращений. Более того, чем сложнее математическая модель, тем более сомнительна возможность успешного ее использования для решения задач управления.
Таким образом, учитывая чрезвычайно сложный стохастический характер реальных технологических объектов, можно заключить, что построение полностью изоморфных им математических моделей практически едва ли возможно, а для решения задач управления и не является необходимым. На практике приходится обычно ограничиваться неизоморфными или так называемыми гомоморфными моделями, которые несколько упрощенно отражают наиболее существенные стороны функционирования объекта. При этом важным является вопрос о выборе уровня гомоморфизма, т. е. уровня приближения к действительности, при котором еще можно достигнуть достоверных результатов.
Вполне приемлемой для решения задачи управления была бы математическая модель, включающая подконтрольные оператору переменные, оказывающие значимое влияние на выходную переменную, и такая, что при любом сочетании входных контролируемых и управляющих переменных выход модели был бы в некотором смысле близок к выходу объекта. При этом желательно, чтобы параметры модели могли быть оценены наиболее дешевым и простым способом, т. е. чтобы построение модели не требовало проведения дорогостоящих экспериментов, специального оборудования и т. п.
В общем случае оценивание параметров модели заданной структуры проводится путем минимизации выбранного критерия качества модели (чаще всего – среднего квадрата рассогласования выходов объекта и его постулируемой модели). Существует несколько возможных подходов к такому оцениванию, выбор среди которых для данного вида модели определяется по наименьшей вычислительной трудоемкости.
Так, оценки коэффициентов полиномов регрессионных моделей могут быть получены в результате дисперсионного анализа, основанного на вычислении отношения дисперсии отклонения (суммы квадратов отклонений выборочных средних, предсказываемых моделью, от эмпирической линии регрессии) к дисперсии рассеяния, вызванного экспериментальной погрешностью. Сравнение вычисленного отношения с табличным значением F-критерия Фишера позволяет либо принять гипотезу адекватности модели, либо ее отвергнуть.
Оценки коэффициентов полиномов других параметрических моделей могут быть найдены в результате решения оптимизационной задачи, возникающей после применения корреляционного, спектрального и других методов. Нахождение такого решения, как правило, численными методами нелинейной оптимизации, достаточно трудоемко. Заметим однако, что надежные алгоритмы оценивания параметров широко распространены и в настоящее время содержатся во многих пакетах прикладных программ [25].