- •Регрессионные модели идентификации: понятия о регрессии, парная и множественная регрессия, ошибка идентификации.
- •Численные методы оптимизации.
- •Недостатки:
- •6. Диагностирование линейных оу методом комплементарного сигнала. Постановка задачи, аналитический расчет кс.
- •8 Дифференциальные модели од: метод малого параметра, условия работоспособности.
- •10. Составить булеву матрицу для конкретной функциональной модели.
- •01111 – Х1(в1) – неисправный элемент в1; 10111 – х2(в2) – неисправен в2;и т.Д.
- •5 Столбец можно исключить
- •Проверка центрированности остаточного ряда
- •Проверка независимости (некоррелированности) элементов остаточного ряда.
- •12. Построение тестов: формулирование задачи, множество проверок, составление булевой матрицы, нахождение элементарных тестов на примере булевой матрицы.
- •01111 – Х1(в1) – неисправный элемент в1; 10111 – х2(в2) – неисправен в2;и т.Д.
- •5 Столбец можно исключить
8 Дифференциальные модели од: метод малого параметра, условия работоспособности.
Дифференциальные модели ОД В ряде случаев в качестве диагностируемой модели можно рассмотреть характеристическое уравнение и анализируемое изменение коэффициентов или полюсов этого уравнения.
Условия работоспособности в области коэффициентов уравнения могут быть получены методом малого параметра. Пусть ОД описывается ДУ n-го порядка
, (1) f(t) – известная правая часть,
(1) – неоднородное ЛДУ. Полагая f(t)=0, переходим к однородному ДУ. Заменяя производные на оператор дифференцирования р, получим характеристическое уравнение (2)
Коэффициенты этого уравнения, которые описывают работу объекта в начале эксплуатации, называют номинальными коэффициентами, полюса уравнения обозначают . В результате старения элементов в процессе эксплуатации изменяются коэффициенты характеристического уравнения, и на каком-то этапе уравнение преобразуется в (3) (3) где - значения коэффициентов, соответствующие стареющим элементам, -- изменения коэффициентов относительно номинальных значений. Уравнение (3) будет иметь и др. полюсы в результате изменения коэффициентов :
-- функция изменения Будем считать, что изменения не очень большие, тогда полюсы уравнения (3) разложим в ряд Тейлора в окрестности номинальных коэффициентов (в окрестности полюсов ) и ограничимся линейной моделью ряда, т.е. первыми двумя членами:
, (4) -- вектор.
Т.о., если условия работоспособности объекта задать ограничением на перемещение корней характеристического уравнения
, то в области коэффициентов изменение можно определить из условия
Оценка коэффициентов ДУ (или характеристического полинома ПФ) осуществляется одним из методов идентификации.
Пример Объект описывается ПФ
Характеристическое уравнение: , где
Известны параметры системы
Тогда , и корни характеристического уравнения:
Предполагая, что изменяются параметры и , получим уравнение:
(5)
Находим полный дифференциал характеристического уравнения:
Получаем
(6)
Вычислим входящие в правые части (6) величины
Тогда
Т.о., соотношение (4) принимает вид:
В комплексной плоскости условия работоспособности объекта определяются допустимыми перемещениями полюсов
,
а в области коэффициентов необходимо соблюдение условий
9. Нелинейные регрессионные модели, приведение нелинейных моделей к линейным
Нелинейные регрессионные модели часто описывают наблюдаемый выход объекта более точно, чем линейные. Нелинейные модели можно разбить на 2 класса:
регрессии нелинейные относительно включенных объясняющих переменных (факторов), но линейные по оцениваемым параметрам.
В качестве примера нелинейная парная регрессия:
– один вход и среднее значение выхода.
; и т.д.
регрессии, нелинейные по оцениваемым параметрам:
– степенная функция;
– помехоустойчивая функция;
– экспоненциальная функция и т.п.
Для нелинейных моделей первого класса путем введения новых переменных нелинейные модели приводят к линейным:
– линейный двухфакторный.
Для второго класса два подкласса (модели, приводящие к линейным в результате преобразований, и модели, не приводящие к линейным).
– степенная регрессия.
Логарифмируем обе части по основанию :
.
Вводим переменные: .
Получаем линейную регрессию: , коэффициенты определяются в виде МНК – оценок.
Т.к. осуществляются нелинейные преобразования, то оценки являются несмещенными. Нелинейные модели, не приводимые к линейным используют численные методы нахождения оценок коэффициентов регрессии. На основании наблюдений формируются невязки:
, где .
Квадратичный критерий идентификации:
(27)
Если вид нелинейной регрессии известен, то задача получения модели сводится к определению коэффициентов регрессии, т.е. задача идентификации сводится к задаче параметрической идентификации, которая заключается в таком выборе векторов оценок коэффициентов регрессии , при котором критерий идентификации достигал бы . Т.е. приходим к задаче оптимизации без ограничений (на оценки коэффициентов регрессии никаких ограничений не накладывается). Для решения подобных задач используется, как правило, численные методы оптимизации.