简化高阶植物模型
这个例子展示了如何使用鲁棒控制工具箱™通过更简单的低阶模型来近似高阶工厂模型。
简介
鲁棒控制工具箱提供了处理大型模型的工具,例如:
高阶植物:工厂的详细第一性原理或有限元模型往往具有高阶。通常,为了仿真或控制设计的目的,我们希望简化这样的模型。
高阶控制器:鲁棒控制技术通常产生高阶控制器。这是常见的,例如,当我们使用频率加权函数来塑造开环响应时。我们希望简化这样的控制器来实现。
为了控制目的,在交叉频率附近有一个精确的模型通常就足够了。对于仿真来说,捕捉激励信号频率范围内的基本动态就足够了。这意味着通常可以找到高阶模型的低阶近似。鲁棒控制工具箱提供了各种模型缩减算法,以最适合您的要求和您的模型特征。
模型简化过程
模型缩减任务通常包括以下步骤:
从模型的时域或频域响应中分析模型的重要特征
一步
或波德
例如。通过绘制原始模型的Hankel奇异值(
hankelsv
),以确定哪些模式(状态)可以在不牺牲关键特性的情况下被丢弃。选择一个约简算法。工具箱中可用的一些减少方法有:
balancmr
,bstmr
,schurmr
,hankelmr
,中心
我们可以通过顶层接口轻松访问这些算法减少
.这些方法采用了原始模型和简化模型之间不同的“接近度”度量。选择取决于应用程序。让我们分别试一试,看看它们各自的优点。
验证:我们通过将简化模型的动态与原始模型进行比较来验证我们的结果。如果结果不令人满意,我们可能需要调整约简参数(模型顺序、算法、误差界限等的选择)。
例:建筑物刚体运动模型
在本例中,我们将简化方法应用于洛杉矶大学医院的建筑模型。该模型取自于Y. Chahlaoui和P.V. Dooren的《SLICOT工作笔记2002-2》,“线性时不变动力系统模型约简的基准示例集”。它有八层楼,每层都有三个自由度——两个位移和一个旋转。我们使用48状态模型表示这些位移中的任何一个的输入-输出关系,其中每个状态表示一个位移或其变化率(速度)。
让我们加载例子中的数据:
负载buildingData.mat
研究植物动态
首先分析模型的频响:
波德(G)网格在
图1:用波德图分析频率响应
从模型的频率响应可以看出,系统的基本动态在3 ~ 50弧度/秒的频率范围内。震级在极低频和高频范围内都下降。我们的目标是找到一个低阶模型,将该频率范围内的信息内容保持在可接受的精度水平。
计算汉克尔奇异值
为了理解模型的哪些状态可以被安全丢弃,看看模型的Hankel奇异值:
hsv_add = hankelsv(G);标题栏(hsv_add) (模型的汉克尔奇异值(G));包含(“州数”) ylabel (“奇异值(\sigma_i)”) line([10.5 10.5],[0 1.5e-3],“颜色”,“r”,“线型”,“——”,“线宽”1)文本(6日,1.6 e - 3,“10个主要州。”)
图2:模型的汉克尔奇异值(G)。
汉克尔奇异值图表明该系统有四个主要模态。然而,其余模态的贡献仍然很大。我们将在10个状态处画一条线,丢弃剩下的状态,以找到一个10阶简化模型Gr
这最接近原来的系统G
.
使用加法误差界执行模型约简
这个函数减少
是工具箱中可用的所有模型缩减例程的门户。我们将使用默认的平方根平衡截断('balancmr')选项减少
作为第一步。该方法使用了一个“加法”误差限来减少,这意味着它试图在各个频率上保持绝对近似误差均匀地小。
计算10阶约简模型(默认使用balancmr方法)[Gr_add,info_add] = reduce(G,10);现在比较原始模型G和简化模型Gr_add波德(G,“b”Gr_add,“r”网格)在标题(比较原始模型(G)和简化模型(Gr\_add))传说(“G - 48州原版”,“Gr\_add - 10个州减少”,“位置”,“东北”)
图3:比较原始模型(G)和简化模型(Gr_add)
使用乘法误差界执行模型约简
从图3的波德图可以看出,简化模型很好地捕捉了30 rad/s以下的共振,但在低频区域(<2 rad/s)的匹配很差。此外,简化模型不能完全捕捉30-50 rad/s频率范围内的动态。对低频大误差的一个可能解释是模型在这些频率上的增益相对较低。因此,即使在这些频率上的较大误差对总体误差的贡献也很小。
为了解决这个问题,我们可以尝试一种乘法误差方法,例如bstmr
.该算法强调相对误差而不是绝对误差。由于相对比较在增益接近零时不起作用,我们需要添加一个最小增益阈值,例如通过添加馈通增益D
我们原来的模型。假设我们不关心增益低于-100 dB时的误差,我们可以将馈通设置为1e-5。
Gg = g;GG.D = 1e-5;
现在,让我们看看乘法(相对)误差的奇异值(使用的'mult'选项)hankelsv
)
hsv_mult = hankelsv(GG,“乘”);标题栏(hsv_mult) (模型的乘性误差奇异值(G));包含(“州数”) ylabel (“奇异值(\sigma_i)”)
图4:模型的乘性误差奇异值(G)
26阶模型看起来很有希望,但为了与之前的结果进行比较,让我们坚持使用10阶缩减。
%使用bstmr算法选项进行模型缩减[Gr_mult,info_mult] = reduce(GG,10,“算法”,“英国”);现在将原始模型G与简化模型Gr_mult进行比较波德(G, Gr_add Gr_mult,{1飞行,1 e4}),网格在标题(比较原始(G)和简化模型(Gr\_add和Gr\_mult))传说(“G - 48州原版”,Gr \ _add (balancmr)”,Gr \ _mult (bstmr)”,“位置”,“东北”)
图5:比较原始模型(G)和简化模型(Gr_add和Gr_mult)
原始模型和简化模型之间的拟合在乘法误差方法下要好得多,即使在低频下也是如此。我们可以通过比较阶跃响应来确认这一点:
步骤(G, Gr_add Gr_mult 15)%步骤响应直到15秒传奇(“G: 48州原版”,'Gr\_add: 10-state (balancmr)','Gr\_mult: 10-state (bstmr)')
图6:三种模型的阶跃响应
验证结果
所有算法都提供了近似误差的边界。对于加法误差方法balancmr
时,近似误差由误差模型的峰值(最大)增益来测量G-Greduced
所有频率。这个峰值增益也被称为误差模型的h -∞范数。加法误差算法的误差界如下:
其中和是所有丢弃的汉克尔奇异值G
(第11至48项hsv_add
).我们可以通过比较不等式的两边来验证这个边界是满足的:
规范(G-Gr_add正)实际误差%
Ans = 6.0251e-04
%理论边界(存储在INFO的ErrorBound字段中)% struct返回|reduce|)info_add。Err或Bound
Ans = 0.0047
对于乘法误差方法,如bstmr
时,近似误差由相对误差模型的跨频率峰值增益来测量G \ (G-Greduced)
.误差范围是这样的
总和在哪里乘法计算汉克尔奇异值hankelsv (G,“乘”)
.同样,我们可以比较简化模型的这些边界Gr_mult
规范(GG \ (GG-Gr_mult)、正)实际误差%
Ans = 0.5949
%理论界info_mult。ErrorBound
Ans = 546.1730
画出相对误差以作确认
bodemag (GG \ (GG-Gr_mult){1飞行,1 e3})网格在文本(0.1,-50,峰值增益:-4.6 dB(59%)在17.2 rad/s)标题(原始模型(G)与简化模型(Gr\_mult)的相对误差)
图7:原始模型(G)与简化模型(Gr_mult)的相对误差
从上面的相对误差图来看,17.2 rad/s的相对误差高达59%,这可能超出了我们愿意接受的范围。
选择与期望精度水平兼容的最低阶
提高的准确性Gr_mult
我们需要增加订货量。要达到至少5%的相对精度,我们能得到的最低阶数是多少?这个函数减少
可以自动选择符合我们期望精度的最低阶模型。
指定最大5%的近似误差[Gred,info] = reduce(GG,“ErrorType”,“乘”,“MaxError”, 0.05);大小(gre)
具有1个输出、1个输入和35个状态的状态空间模型。
算法选择了一个34个状态的简化模型gre考试
.将实际误差与理论界进行比较:
规范(GG \ (GG-Gred)、正)
Ans = 0.0068
信息。Err或Bound
Ans = 0.0342
看看相对误差大小作为频率的函数。更高的精度是以更大的模型订单为代价的(从10到34)。请注意,实际的最大误差为0.6%,远小于5%的目标。这种差异是函数的结果bstmr
使用误差范围而不是实际误差来选择顺序。
bodemag (GG \ (GG-Gred) {1 1 e3})网格在文本(-75,峰值增益:73.8 rad/s时-43.3 dB (0.6%))标题(原始模型(G)与简化模型(Gred)之间的相对误差)
图8:原始模型(G)与简化模型(Gred)的相对误差
比较波德反应
波德(G, gre,{1飞行,1 e4})网格在传奇(“G - 48州原版”,“格雷德-减少34个州”)
图9:48态原始模型和34态简化模型的博德图
最后,比较了原模型和简化模型的阶跃响应。它们实际上难以区分。
步骤(G,“b”gre考试,“r——”15)%步骤响应直到15秒传奇(“G: 48州原版”,Gred: 34-state (bstmr))文本(5 4的军医,'最大相对误差<0.05')
图10:48态原始模型和34态简化模型的阶跃响应图