- •Объект асутп
- •1. Классификационные признаки асутп сушильной установи:
- •2.2. Преимущества использования сетей
- •2.3. Архитектура сетей
- •Построение асутп на базе концепции открытых систем Особенности асутп
- •Работа сети
- •3.3. Взаимодействие уровней модели osi
- •3.4. Описание уровней модели osi
- •У р о в е н ь №2. Канальный уровень(Date link)
- •У р о в е н ь 3. Сетевой уровень (Network)
- •У р о в е н ь 4. Транспортный уровень (Transport)
- •У р о в е н ь 5. Сеансовый уровень (Session)
- •У р о в е н ь 6. Представительский уровень (Presentation)
- •У р о в е н ь 7. Прикладной уровень (Application)
- •Передача данных
- •Типы, разрядность и быстродействие шин пк
- •Сравнение кабелей
- •Работа протоколов
- •Стеки протоколов
- •Модель osi и уровни протоколов
- •Сетевые архитектуры
- •Адрес назначения и исходный адрес
- •Контрольная последовательность кадра
- •Характеристика топологии 10 Base 2
- •К современным локальным сетям Производительность
- •Надежность и безопасность
- •Расширяемость имасштабируемость
- •Прозрачность
- •Поддержка разных видов трафика
- •Управляемость
- •Совместимость
- •Функциональные задачи асутп Классы асу тп
- •Назначение алгоритмов контроля
- •Аналитическая градуировка и коррекция показаний датчиков
- •Фильтрация и сглаживание
- •. Интерполяция и экстраполяция
- •Статистическая обработка экспериментальных данных
- •. Методы определения функций корреляции
- •Контроль достоверности исходной информации
- •Проверка выполнения неравенств
- •Задачи характеризации
- •Архитектура асутп Задачи проектирования
- •Место программируемого контроллера в асу предприятия
- •Классификация плк
- •Мощный плк
- •Адекватность функционально-технологической структуре объекта
- •Линейки контроллеров от основных производителей
- •Специализированные модули контроллеров для асутп
- •Системы противоаварийной защиты
- •В асутп
- •Необходимость применения
- •Противоаварийной защиты
- •Назначение системы паз в асутп
- •Обеспечение системы паз
- •Обеспечение надежности в системе паз
. Интерполяция и экстраполяция
Интерполяция– построение приближенного или точного аналитического выражения функциональной зависимости, когда о ней известны только соотношения между аргументом и соответствующими значениями функции в конечном ряде точек ― имеет следующие применения в АСУТП:
линеаризация и интерполяция сигналов датчиков;
формирование непрерывно изменяющегося сигнала по коэффициенту временного полинома или числовой программе в системах программного регулирования;
получение аналитического выражения статической (обычно в виде квадратичной формы от входных воздействий) или динамической (обычно в виде дробно-рациональной передаточной функции) характеристик по экспериментально полученным точкам в задачах идентификации и характеризации;
получение аналитического выражения корреляционных функций или спектральных плотностей при статистической обработке данных;
переход от одной формы математического описания к другой в задачах характеризации;
интерполяция таблиц, номограмм, диаграмм, хранящихся в памяти ЭВМ, для определения каких-либо параметров, например, параметров ПИД-регулятора по номограммам.
Для интерполирования функции по точным значениям применяют интерполяционные формулы:
― при линейной интерполяции значения функции fв точке (xi < x < xi+1) берется равным
(x) =]; (9.3.19)
― при интерполировании по Лагранжу, когда известны значения функции в mточкахx1…xm, образуется многочлен степени (m– 1):
L(x)=(x) =f(x); (9.3.20)
― при интерполировании по Ньютону, когда известны значения функции в m точках x1…xm, расположенных на равных расстояниях друг от друга, образуется многочлен:
Pm-1(x) =f(x)=f(x1) + , (9.3.21)
где t= ;
.
Задача интерполяции при наличии помех измерений называется задачей сглаживания.
Экстраполяция– распространение результатов, полученных из наблюдений над одной частью явления, на другую его часть, недоступную для наблюдения. Имеет следующее применение в АСУТП:
повышение качества управления (быстродействия, устойчивости и т.п.), обычно – за счет введения в закон управления производных;
предсказание (прогнозирование) возмущающих воздействий или возмущающего движения при создании оптимальных систем комбинированного типа, содержащих две составляющих управления, из которых одна является функцией текущего состояния, а вторая – функцией предсказанного возмущения;
предсказание положения в стационарной точке в задачах планирования экстремальных экспериментов или экстремального регулирования для ускорения процесса поиска;
предсказание аварийных ситуаций и редко измеряемых переменных, когда для управления процессом требуется более частый опрос переменных, чем реально возможный.
Рассмотрим постановку задачи экстраполяции в условиях помех. Пусть последовательность измерений в дискретные моменты опроса имеет вид
yi = xi + ξ,i = 1,2,…
где xi – регулярная составляющая;
ξ– случайная помеха измерения с нулевым средним и дисперсией;
i – моменты опроса.
Будем искать регулярную составляющую (временную модель измеряемой переменной) в одном из следующих видов:
xi =– полиноминальная модель;
xi =– экспоненциальная модель; (9.3.22)
xi =– тригонометрическая модель.
В качестве критерия предсказания обычно выбирают среднеквадратичную ошибку (СКО) между предсказанным на k тактов (обычно k = 1) и фактическими значениями:
έ2 = M{(xi+1 – yi+k)2}→ min (9.3.23)
{aj}
Эта задача решается в несколько этапов:
выбирается интервал наблюдения (или количество исходных для предсказания замеров);
по критерию минимума СКО вычисляются оценки коэффициентов {aj}, обеспечивающие наилучшую интерполяцию исходных замеров принятой моделью (эту процедуру называют сглаживанием);
модель процесса с найденным коэффициентом используют для предсказания.
Количество исходных точек не может быть ниже порядка mмодели. При их равенстве коэффициенты находятся однозначно изmуравнений, однако точность здесь невысока из-за наличия помех. Обычно используют существенно большее число измерений, при этом избыточную информацию используют для повышения точности предсказания. Интервал между замерами берут равным (0,10…0,25)Тэ.
В большинстве случаев предсказание можно осуществлять и без построения временной модели переменной. Применяют следующие алгоритмы предсказания:
– ступенчатую аппроксимацию, когда предсказываемое значение переменной совпадает с ее величиной ( при сглаженной помехе) в последней точке замера (этот метод не требует никаких вычислений, однако его погрешность максимальна по сравнению с другими алгоритмами) – дисперсия ошибки предсказания на время Δtдля эргодического процесса равна:
έ2 = 2[Ry(0) - Ry(Δt)] +, (9.3.24)
где Ry – корреляционная функция процессаy(t).
Наилучшие результаты дает дискретный фильтр-экстраполятор Калмана-Бьюси. Однако здесь требуются наиболее трудоемкие вычисления. Для стационарных процессов близкие к максимально достижимым результатам дает фильтр Винера:
xi+k = , (9.3.25)
где m– память фильтра,
{aj} – коэффициенты, настраиваемые по критерию минимума СКВ предсказания.