WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 7 | 8 || 10 |

Область существенных частот (н,в) - это та часть желаемой частотной характеристики, которая в основном определяет качество системы. Т.е. поведение частотной характеристики вне этой области уже не оказывает заметного влияния.

Область существенных частот.

Диапазон ЛАЧХ: [+26дб. -16дб. ];

уровень +26дб. соответствует усилению K=20 и соответствующей установившейся ошибке eуст=С0 = 1/(1+К) 0.05, т.е. нижняя частота области существенных частот определяется статической точностью eуст 0.05 при ступенчатом входном воздействии. Левее частоты н ЛАЧХ не ниже +26дб, если не требуется астатизма, либо имеет наклон в зависимости от порядка астатизма.

уровень -16дб. соответствует малости влияния высокочастотных составляющих переходного процесса на уровне 10%.

наклон ЛАЧХ в области существенных частот должен быть - 20дб./дек.

На диаграмме Солодовникова по горизонтали отложена второстепенная величина Рмах/ Р0, которая в настоящее время используется редко, а по вертикальным осям отложены %, tпп и с.

Типичный вид ВЧХ P(). Диаграммы Солодовникова.

P(w) 50 % *c 5tпп * 40 4tпп Pmax 30 3tпп P0 20 2tпп монотонное убывание Р() 10 tпп 1 1.1 1.2 1.3 1.4 Pmax/P Рис. 17.4 Рис. 17.Использовать диаграммы Солодовникова можно по-разному. Обычно применяется такая методика. Уточняют, какие показатели качества могут быть сформулированы заказчиком, и остальные параметры, необходимые для построения корректирующего устройства, определяют по диаграммам Солодовникова. По графикам можно, например, определить при заданном перерегулировании и времени переходного процесса частоту среза системы: (%, tпп) с, n, A,. Причём последние три параметра обеспечиваются автоматически.

Тогда алгоритм синтеза САУ может быть, например, таким:

Исходно заданы %, tпп.

По диаграммам определяем с (точнее, выражение с через tпп).

Строим область существенных частот, что даёт нам основную часть желаемой ЛАЧХ. Достраиваем высокочастотную часть произвольно и низкочастотную часть, исходя из требуемого порядка астатизма.

Синтезируем последовательное корректирующее звено, обеспечивающее такую ЛАЧХ.

Использование методики Солодовникова гарантирует показатели качества замкнутой системы и запасы устойчивости по амплитуде на уровне A%=200 (коэффициент усиления может быть увеличен в два раза), и по фазе на уровне =35.

• Лекция 18.

Случайные процессы в САУ. Линейная оптимальная фильтрация.

В реальных системах чаще всего имеются помехи (возмущения), действующие в каналах передачи информации. К этому добавляется также неточное знание некоторых параметров системы управления. Часто не имеется никакой, кроме статистической, информации об этих факторах. Это заставляет считать эти параметры случайными величинами, возможно даже с заранее неизвестными законами распределения. Так возникает задача управления в условиях неопределенности, то есть теория стохастических систем управления. Здесь имеются два аспекта:

управление в условиях неопределенности;

задача фильтрации, то есть задача борьбы с помехами.

Замечание: В общую постановку задачи фильтрации входит также и рассматриваемая ниже задача наблюдения.

Модели случайных сигналов в САУ.

Случайные сигналы будем считать случайными процессами, т.е. функциями времени, принимающими случайные значения. В каждый момент времени, значение случайного процесса есть случайная величина x(t). Имеются следующие характеристики этой случайной величины в момент времени t:

p(x,t) -плотность вероятности в момент t.

Реализация случайного процесса Математическое ожидание:

+ M (t) = x(t)p(x, t)dx;

(18.1) x Дисперсия:

+ D (t) = x (x(t) - Mx(t))2 p(x, t)dx; (18.2) М(t) и D(t) характеризуют значение x(t) в от- Рис. 18.1 дельные моменты времени.

Для описания статистической взаимосвязи значений x(t) в разные моменты времени вводятся:

Корреляционная функция сигнала x(t):

Kx(t1,t2) = M[(x(t1) - Mx(t1))(x(t2) - Mx(t2))];

(18.3) Взаимная корреляционная функция сигналов x(t) и y(t):

Kxy(t1, t2) = M[(x(t1) - Mx (t1))(y(t2) - My(t2))];

(18.4) Отметим, что Kx(t,t) = Dx(t), т.е. при t1=t2=t это есть дисперсия в момент времени t.

Стационарным случайным процессом называется такой случайный процесс, для которого корреляционная функция, на самом деле, зависит не от абсолютных значений t1 и t2, а только от их разности. Это просто означает, что статистическая связь между значениями случайного процесса в различные моменты времени определяется лишь расстоянием между этими моментами времени, но не самим значением времени. Дисперсия и математическое ожидание для стационарного случайного процесса являются константами. Стационарный случайный процесс для САУ не меняет своих статистических характеристик за время жизни системы.

Сразу заметим, что введённые понятия, конечно, могут быть обобщены на случай многомерных - векторных сигналов.

Итак, для стационарных случайных Типичный график корреляционной функции.

процессов:

K(t1,t2) = K(t1 -t2) = K().

Для стационарного процесса математическое ожидание и дисперсия также не зависят от времени. Корреляционная функция, математическое ожидание, дисперсия могут быть определены экспериментально. Этим вопросом занимается математическая статистика.

Рис. 18. Будем считать, что в САУ помехи могут быть в двух основных местах: в канале управления и в измерителе.

W V Uзад(p) e(p) U(p) X(p) Y(p) Регулятор Объект (-) Wooc(p) Рис. 18.W - помеха в канале управления. К управлению добавляется помеха.

V - помеха в канале измерения. Выходной сигнал измеряется с помехой.

Задача фильтрации - максимально возможное подавление обеих помех.

Возможен также случай косвенного измерения выходного сигнала. Тогда к задаче фильтрации добавляется ещё задача наблюдения.

Задача наблюдения - восстановление сигнала по результатам косвенных измерений.

В теории доказывается, что решение задачи наблюдения может быть получено в ходе решения задачи фильтрации.

Для того чтобы точнее сформулировать и решить задачу фильтрации, введём дополнительно понятие спектральной плотности случайного процесса.

Спектральная плотность S() стационарного случайного процесса, есть интеграл (преобразование) Фурье от корреляционной функции K().

Соответственно, корреляционная функция K() есть обратное преобразование Фурье + спектральной плотности S().

S() =Ф(K())= K()e- jd;

(18.5) Спектральная плотность случай-ного + K() =Ф-1(S())= S()e+ jd; процесса описывает разло-жение мощности процесса по гармоническим составляющим.

Уже известно (18.2-4), что дисперсия стационарного случайного процесса равна значению корреляционной функции в 0: D=K(0). Поэтому можно выразить дисперсию через интеграл от спектральной плотности, это фактически означает, что дисперсия есть суммарная мощность случайного процесса, распределённая по частоте.

+ D =K(0) = (18.6) S()d;

Дисперсия имеет размерность (и смысл) квадрата случайной величины. По этой причине рассматривается величина - интенсивность, или среднеквадратиR = D ческое значение (отклонение).

R имеет размерность самой величины и смысл среднего разброса случайной величины вокруг математического ожидания M.

Чтобы интеграл (18.6) был сходящимся, надо, чтобы спектральная плотность убывала с увеличением частоты достаточно быстро.

Аналогично можно дать определение взаимной спектральной плотности двух процессов x(t) и y(t), выраженной через взаимную корреляционную функцию Kxy():

(18.7) + Sxy () = Ф(K ()) = K ()e- jd;

xy xy Если рассмотреть сигнал с бесконечным равномерным спектром, то ему будет соот- ветствовать корреляционная функция в виде -функции:

S() = N =const; K() = N/2•(); D = K(0) =. (18.8) Эти три уравнения описывают “белый шум” с интенсивностью N. Ясно, что такой сигнал не может быть физически реализован в силу бесконечной мощности, однако, имеет привлекательное свойство - его значения в разные моменты времени совершенно не связаны между собой. Как бы в каждый момент времени имеется независимая случайная величина. Цена этой абстракции - нереализуемость такого процесса.

Можно, однако, реализовать сколь угодно близкий к этому случайный процесс, называемый "розовым шумом". Формально розовый шум получается при пропускании белого шума через любое реальное звено. При этом ограничивается спектр сигнала, так как никакое реальное звено не может пропускать бесконечную полосу частот. В результате, у реального розового шума может быть сколь угодно широкий, но неизбежно убывающий спектр, а его корреляционная функция может очень быстро убывать, что означает малую связь значений процесса в разные моменты времени.

Связь между скоростями убывания корреляционной функции и спектра.

Рис. 18. Ясно, что этот белый шум является очень тяжелой помехой. Если уметь бороться с такой помехой, "с остальными помехами должно быть проще".

В общем случае, при прохождении некоторого блока с передаточной функцией W(p) спектральная функция преобразуется так:

Su() Sy() W(p) Sy()=|W(j)|2 * Su(); (18.9) Рис. 18.В частном случае для белого шума с единой спектральной плотностью:

Su()=1 |W(j|W(p) Sy()=|W(j)|2; (18.10) Рис. 18.Такой блок называют "формирователем". При заданной спектральной плотности выходного сигнала легко можно вычислить передаточную функцию "формирующего фильтра", который выработает необходимый спектр из стандартного (единичного) белого шума:

S()=|W(j)|2= W(j)•W(-j)=(j)•(-j) - процедура факторизации S().

Спектральная плотность вещественного сигнала всегда является чётной функцией, поэтому допускает такую факторизацию.

Белый шум, прошедший через линейную систему, является розовым.

Также имеется простая связь между взаимными спектральной плотностью входного и выходного сигналов и спектральной плотностью входного сигнала:

Su() Suy() W(p) Suy()=W(j) * Su(); (18.11) Рис. 18.Фильтрация помех.

Теперь перейдём собственно к постановке и решению задачи фильтрации, понимаемой нами, как задача борьбы с помехами в САУ. Будем при этом решать задачу как оптимальную, то есть искать условия наибольшего подавления помех. Помехи будем считать случайными процессами с известными корреляционными функциями или (что эквивалентно) с известными спектральными характеристиками.

• Фильтр Винера (Норберт Винер).

Задача - построить устройство-фильтр в виде передаточной функции, максимально возможно подавляющее аддитивную случайную помеху. При этом полезный сигнал также считается случайным процессом. Возможность эффективной фильтрации зависит от того, как перекрываются спектры полезного сигнала и помехи, но не только от этого. Важна ещё и степень статистической связи между ними, которая описывается взаимной спектральной плотностью или взаимной корреляционной функцией.

Рис. 18. Предполагаются известными:

спектральная плотность полезного сигнала Sx(), а также их взаимная спектральная плотность Sxv(), либо, что эквивалентно:

соответствующие корреляционные функции Kx(), Kxv().

V(p) X(p) X+V (p) X Wф(p) e(t)=x(t)- x (18.12) (t);

x Рис. 18.Случайный процесс e(t)=x(t)- (t) называется ошибкой фильтрации. Его "малость" могла бы означать хорошее качество фильтрации, однако, для случайной величины понятие "малость" не имеет обычного смысла. Вместо этого используют малость дисперсии De, как меры мощности сигнала e(t).

Оптимальная передаточная функция фильтра ищется из условия:

Demin. (18.13) Отметим, что важным предположением является стационарность случайных сигналов и отсутствие дополнительной информации о сигналах, при наличии которой фильтрацию можно было бы улучшить.

Имеются формулы, позволяющие получить передаточную функцию оптимального фильтра Винера, наилучшим образом решающую задачу:

K+(p) Sxv() W(p)= ; гдеSx()=(j)(-j); K(j)= ; K(p)=K+(p)+K-(p);

:

(18.14) ф (p) (-j) здесь: К+(p) - устойчивые элементарные дроби в разложении К(p).

Рассмотренный фильтр Винера описывает процедуру стационарной фильтрации при стационарных случайных процессах. При этом не учитываются, например, переходные процессы при заданном начальном состоянии системы. Фильтр Винера может быть обобщён на более сложные случаи (многомерных сигналов, нестационарных процессов и т.п.), но наиболее полным образом теория и задача линейной фильтрации реализуется в так называемом фильтре Калмана, то есть в многомерном, нестационарнм линейном оптимальном фильтре в пространстве состояний.

Конечно, фильтр Винера оказывается частным случаем фильтра Калмана, именно - установившимся режимом фильтра Калмана при стационарных помехах, представленным в виде передаточной функции.

• Фильтр Калмана (Ричард Калман 1961г.).

Постановка задачи: Имеется многомерная нестационарная линейная система, в которой имеются помехи W – в канале управления и V – в канале измерения. Кроме того, состояние объекта непосредственно недоступно измерению, а лишь косвенно с помехой V.

Нестационарный объект с помехами, косвенным измерением и фильтром Калмана.

Рис. 18.Пусть известны, возможно, нестационарные уравнения объекта (82). Здесь матрицы уравнений из-за нестационарности могут зависеть от времени. Имеются помехи w и v и косвенное измерение y(t) состояния x(t) объекта.

• x ( ) = A t) x t) + B( )u (t + w ; -уравнение состояния объекта.

(18.15) t ( ( t ) y (t) = C( t)x (t ) + v; -уравнение косвенного измерения состояния.

Будем строить фильтр, как динамическую систему аналогичного (82) вида относительно сигнала оценки состояния z(t):

• z( t) = F (t )x( t)+ B(t )u( t ) +K (t ) y (t); -уравнение оценки состояния. (18.16) Матрицы F(t) и K(t) подлежат определению. Матрица В(t) выбрана из условия компенсации управляющего воздействия. В самом деле, при такой матрице сигнал ошибки не будет явно зависеть от управления (87), то есть разделяются задачи управления и фильтрации (фильтрация не зависит от управления).

Pages:     | 1 |   ...   | 7 | 8 || 10 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.