- •Структура модели химико-технологических систем непрерывного действия
- •1.1. Общая характеристика
- •Модели технологических аппаратов
- •Модели структуры химико-технологических систем
- •2. Анализ статических режимов
- •2.1. Структурный анализ разомкнутых систем
- •2.2. Структурный анализ систем с рециклами
- •3. Динамические модели
- •3.1. Способы описания динамики химико-технологичсеких систем
- •3.2. Формирование моделей динамики систем из моделей аппаратов
- •4. Методы решения систем уравнений математической модели
- •4.1. Методы решения систем алгебраических уравнений
- •4.2. Методы решения совместных систем конечных и дифференциальных уравнений
- •5. Моделирование стохастических систем
- •6. Системы непрерывного моделирования
- •Литература
- •Часть 2. Математическое моделирование химико-технологических систем непрерывного действия
- •125047 Москва, Миусская пл., д.9
5. Моделирование стохастических систем
В рассмотренных ранее моделях динамики ХТС непрерывного действия предполагалось, что вход X(t), выход Y(t) и функциональный оператор At в модели Y(t)=AtX(t) являются детерминированными объектами. На практике обычно X(t) или (и) At, а, следовательно, Y(t), являются случайными.
Если динамическая система — детерминированная, а случайной величиной является вход X(t), то ее математическая модель имеет вид:
y(t) = M{Y(t)x(s); sT},
то есть представляется в виде условного математического ожидания Y(t) относительно совокупности значений входа x(s) для всех значений s, принадлежащих интервалу T.
Статическая модель стохастического объекта имеет вид
M{Yx } = f1(x),
где MYx — условное математическое ожидание Y относительно x;
f1(x) — детерминированная функция.
Модель линейного динамического объекта в виде импульсной переходной (весовой) функции g(t,s) имеет вид:
вместо используемой для детерминированной модели функции:
Если линейная система стационарна, то ее импульсная переходная функция имеет вид:
.
Стационарные объекты описываются однородными операторами. Оператор At также может быть случайным (стохастическим), например, случайными величинами являются коэффициенты дифференциального уравнения.
В отличие от детерминированных систем стохастические системы могут исследоваться только методами теории вероятностей.
Конкретный вид моделей стохастических объектов зависит от их класса, решаемой задачи (цели моделирования) и наличия априорной информации.
Рассмотрим сначала одномерный объект, который описывается оператором At ; пусть вход x(s) случаен и, следовательно, случаен выход Y(t). Пусть имеется возможность измерить вход x(s) и выход Y(t). Цель моделирования динамики системы состоит в идентификации оператора At , то есть оценке оператора At , которая может сводиться к оценке весовой функции, частотной характеристики или коэффициентов дифференциального уравнения. Оценка оператора At является характеристикой последнего. Она должна быть близка к оператору At в смысле некоторого критерия, то есть должно быть близко к y(t). Введем функцию, зависящую от Y(t) и Y*(t) и не зависящую от At . Тогда близость оператора к At понимается в смысле минимума математического ожидания сформированного критерия , называемого также функцией потерь, то есть
Математическое ожидание функции потерь называют средним риском. Необходимое условие минимума есть равенство нулю соответствующей частной производной, то есть
Очень часто в качестве функции потерь принимают среднее квадратичное отклонение, то есть
так как в этом случае получается минимальная ошибка оценки оператора At..
Таким образом, оператор условного математического ожидания (регрессии выходной переменной относительно входной) определяет оптимальный, в смысле среднего квадратичного отклонения, оператор объекта.
Для линейных объектов оптимизация заключается в умножении на входную величину ; тогда:
Вычислим математическое ожидание от обеих частей этого равенства:
Операторы M и коммутативны, так как объект линеен; тогда:
При нулевых математических ожиданиях M{X(t)}=0, M{Y(t)}=0 последнее равенство может быть записано в виде:
,
где
Kxx(,s) — автокорреляционная функция случайной функции X(t);
Kyx(t,) — взаимная корреляционная функция X(t) и Y(t);
T — интервал наблюдения.
Автокорреляционная функция характеризует статистическую близость значений функции X(t), а взаимная корреляционная функция — статистическую близость функций X(t) и Y(t); автокорреляционная и взаимная корреляционная функции являются характеристическими функциями стохастических объектов.
Весовая функция объекта определяется в результате решения интегрального уравнения:
Для стационарных и стационарно связанных случайных функций X(t) и Y(t) зависимость между взаимно корреляционной и автокорреляционной функциями примет вид:
а весовая функция определится из интегрального уравнения Винера-Хопфа*:
Тогда модель стационарного случайного объекта имеет вид:
где g()=0 при 0 (условие физической реализуемости системы).
Эта теория может быть легко экстраполирована на многомерные объекты, для которых оператор At устанавливает связь между векторными случайными функциями . По результатам измерениявыполняется оценкафункционального оператора At ; при этом полученное по модели значение выхода
должно быть близко к Y(t) объекта в смысле минимума критерия y(t),y*(t) — функции потерь:
где i — веса переменных yi(t), i = 1, ..., m.
Следовательно, оптимальная оценка означает поиск минимума математического ожидания M
Оптимальная оценка получается из множественной регрессии
Теория и методика моделирования стохастических ХТС изложены в [11].