Обработка данных при построении модели объекта управления
Начнем процедуру построения аналитической модели технического объекта управления (ТОУ) – сушилки. В сушилку подводится шликер, где он распыляется. Инжекционные горелки создают высокую температуру в зоне распыления материала. Распыленные частицы, теряя влагу, уже в виде порошка собираются в днище сушилки, откуда поступают непосредственно с бункера над прессами. Основная задача системы регулирования состоит в поддержании характеристик продукта (влажность шликера) в заданных пределах. При этом, необходимость организации процесса автоматического регулирования обусловлена и наличием также случайных возмущений (т. е. неотвратимых в реальной обстановке факторов), воздействие которых может привести к нарушению технологического процесса и отклонению характеристик продукта от заданных значений. В частности, к таким возмущениям могут относиться случайные изменения интенсивности подачи шликера в сушилку, или случайные изменения качества топлива в горелках и т. д. Эти изменения необходимо учесть при построении модели ТОУ (сушилки). Теоретически задача будет сводиться к изучению поведение ТОУ с учетем воздействии на него и этих случайных факторов. Как было отмечено выше, аналитическая модель сложных ТОУ может быть построена на основе массива входных и выходных данных, полученных в результате физического эксперимента, проведенного над ТОУ. При этом необходимо учитывать и воздействие случайных факторов, поэтому при проведении физического эксперимента случайное воздействие должно быть смоделировано. Для дальнейших вычислений будем использовать статистические данные, полученные при изучении теплового объекта, и содержащиеся в файле project 4, который включает массив данных, состоящий из 159 значений входного параметра – расход газа, выраженный в м3/час и 159 значений выходного параметра – температуры в объекте в градусах Цельсия. Для проведения модельного эксперимента и формирования массива входных и выходных данных об объекте автоматизации следует в Simulink построить S-модель установки для снятия массивов входных и выходных данных, изображенную на рис. 2. 0.
Рис. 2.0. S-модель объекта автоматизации Набрать в блоке Transfer Fcn передаточную функцию составляющей компоненты объекта автоматизации своего варианта и запустить моделирование. Перед запуском моделирования в раскрывающемся меню Simulation следует открыть окно Configuration Parameters и установить Stop time равным 999 (или набрать 999 непосредственно в окне модели). Для загрузки файла в рабочую среду Workspace системы MATLAB необходимо в режиме командной строки выполнить следующую команду: >> load project4 В результате выполнения команды в рабочей области Workspace появится массив входных переменных u2 и массив выходных переменных y2. Интервал дискретизации (промежутки времени, через которые производились измерения входных и выходных величин) в ходе эксперимента был принят равным 0. 08 с, который необходимо указать дополнительно в командной строке: >> ts=0.08 Этот массив данных при использовании в дальнейшем в пакете System Identification Toolbox необходимо объединить в единый файл, содержащий необходимую информацию о входных и выходных параметрах объекта, их значениях и единицах измерения. Для объединения исходных данных в единый файл dan. m пользуются командой: >> dan=iddata(y2,u2,ts). Результат выполнения команды комментируется следующей фразой MATLAB: Time domain data set with 1097 samples. Sampling interval: 0.08 Outputs Unit (if specified) y1 Inputs Unit (if specified) u1 Сформированный файл dan. m указывает, что он содержит результаты 1097 измерений с интервалом дискретизации 0. 08 с. Входными переменными является массив u1, а выходным параметром – y1. Для наглядности сформированного файла необходимо в его структуру ввести обозначения входных и выходных данных c указанием размерностей параметров: >> dan.outputn='температура'; >> dan.inputn='расход газа'; >> dan.inputUnit='м3/ч'; >> dan.outputUnit='гр.С 100' В конечном итоге сформированный файл данных dan.m имеет следующий вид: Time domain data set with 1097 samples. Sampling interval: 0.08 Outputs Unit (if specified) температура гр.С 100 Inputs Unit (if specified) расход газа м3/ч Полную информацию о файле dan.m можно получить воспользовавшись командой: >> get(dan) Результат выполнения команды комментируется следующей фразой MATLAB: ans = Domain: 'Time' Name: [] OutputData: [1097x1 double] y: 'Same as OutputData' OutputName: {'температура'} OutputUnit: {'гр.С 100'} InputData: [1097x1 double] u: 'Same as InputData' InputName: {'расход газа'} InputUnit: {'м3/ч'} Period: Inf InterSample: 'zoh' Ts: 0.0800 Tstart: [] SamplingInstants: [1097x0 double] TimeUnit: '' ExperimentName: 'Exp1' Notes: [] UserData: [] ExperimentName: 'Exp1' Notes: [] UserData: [] Для графического представления данных используется команда plot (dan), либо команда idplot (datta), однако в последнем случае графики не будут содержать информации о названии переменных и их размерностях. Исходные данные с использованием команды plot (dan) приведены на рис. 2. 1. >> plot(dan) Для дальнейшего использования полученных исходных данных необходимо провести предварительную обработку этих данных с цель удаления тренда (постоянной соста вляющей) из набора данных и если необходимо отфильтровать данные с помощью имеющихся средств в пакете System Identification Toolbox. Для удаления тренда пользуются функцией dtrend: >> zdan=dtrend(dan) Исполнение функции приведет к появлению в командной строке записи: Time domain data set with 1097 samples. Sampling interval: 0.08
Outputs Unit (if specified) температура гр.С 100
Inputs Unit (if specified) расход газа м3/ч
а в рабочей области Workspace системы MATLAB файла zdan.
Получен новый файл zdan.m, в котором отсутствует постоянная составляющая сигналов (рис. 2. 2 получен после выполнения команды: >> plot(zdan)). Файл в дальнейшем будет использован для построения моделей ТОУ.
Кроме указанной команды удаления тренда в пакете System Identification Toolbox имеются другие функции обработки данных эксперимента, которые приведены в описании пакета System Identification Toolbox. Применение этих функций производится в тех случаях, когда проведен предварительный анализ ТОУ и определены возможные помехи либо некоторые другие динамические характеристики, либо появляется необходимость изменить интервал дискретизации в случае повышенной погрешности представления модели ТОУ в ходе параметрического оценивания ТОУ. Следующим этапом идентификации является определение статистических и частотных характеристик массивов исходных данных.
Популярное: Почему люди поддаются рекламе?: Только не надо искать ответы в качестве или количестве рекламы... Как распознать напряжение: Говоря о мышечном напряжении, мы в первую очередь имеем в виду мускулы, прикрепленные к костям ... Почему человек чувствует себя несчастным?: Для начала определим, что такое несчастье. Несчастьем мы будем считать психологическое состояние... Модели организации как закрытой, открытой, частично открытой системы: Закрытая система имеет жесткие фиксированные границы, ее действия относительно независимы... ©2015-2024 megaobuchalka.ru Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. (332)
|
Почему 1285321 студент выбрали МегаОбучалку... Система поиска информации Мобильная версия сайта Удобная навигация Нет шокирующей рекламы |