Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1.

Slides:



Advertisements
Podobne prezentacje
Wzmacniacz operacyjny
Advertisements

Etapy modelowania matematycznego
Etapy modelowania matematycznego
Temat 2: Podstawy programowania Algorytmy – 1 z 2 _________________________________________________________________________________________________________________.
Proces doboru próby. Badana populacja – (zbiorowość generalna, populacja generalna) ogół rzeczywistych jednostek, o których chcemy uzyskać informacje.
© IEn Gdańsk 2011 Wpływ dużej generacji wiatrowej w Niemczech na pracę PSE Zachód Robert Jankowski Andrzej Kąkol Bogdan Sobczak Instytut Energetyki Oddział.
© IEn Gdańsk 2011 Technika fazorów synchronicznych Łukasz Kajda Instytut Energetyki Oddział Gdańsk Zakład OGA Gdańsk r.
Blok I: PODSTAWY TECHNIKI Lekcja 7: Charakterystyka pojęć: energia, praca, moc, sprawność, wydajność maszyn (1 godz.) 1. Energia mechaniczna 2. Praca 3.
Równowaga chemiczna - odwracalność reakcji chemicznych
Ekonometria WYKŁAD 10 Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych.
Plan Czym się zajmiemy: 1.Bilans przepływów międzygałęziowych 2.Model Leontiefa.
Ekonometria stosowana WYKŁAD 4 Piotr Ciżkowicz Katedra Międzynarodowych Studiów Porównawczych.
Jak złożyć wniosek ? (GWA) Regionalny Program Operacyjny Województwa Pomorskiego na lata
Tworzenie odwołania zewnętrznego (łącza) do zakresu komórek w innym skoroszycie Możliwości efektywnego stosowania odwołań zewnętrznych Odwołania zewnętrzne.
Stężenia Określają wzajemne ilości substancji wymieszanych ze sobą. Gdy substancje tworzą jednolite fazy to nazywa się je roztworami (np. roztwór cukru.
Wyszukiwanie informacji w Internecie. Czym jest wyszukiwarka? INTERNET ZASOBY ZAINDEKSOWANE PRZEZ WYSZUKIWARKI Wyszukiwarka to mechanizm, który za pomocą.
Umowy Partnerskie w projektach zbiór najważniejszych składników Uwaga! Poniżej znajdują się jedynie praktyczne wskazówki dotyczące tworzenia umów. Dokładne.
Rozliczanie kosztów działalności pomocniczej
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania 1 Metody optymalizacji - Energetyka 2015/2016 Metody programowania liniowego.
© Matematyczne modelowanie procesów biotechnologicznych - laboratorium, Studium Magisterskie Wydział Chemiczny Politechniki Wrocławskiej, Kierunek Biotechnologia,
ZASTOSOWANIE FUNKCJI WYKŁADNICZEJ I LOGARYTMICZNEJ DO OPISU RUCHU DRGAJĄCEGO Agnieszka Wlocka Agnieszka Szota.
MIESZACZE CZĘSTOTLIWOŚCI. Przeznaczenie – odbiorniki, nadajniki, syntezery częstotliwości Podstawowy parametr mieszacza = konduktancja (nachylenie) przemiany.
I.Efekty II.Procesy III.Funkcjonowanie szkoły IV.Zarządzanie szkołą.
Niepewności pomiarowe. Pomiary fizyczne. Pomiar fizyczny polega na porównywaniu wielkości mierzonej z przyjętym wzorcem, czyli jednostką. Rodzaje pomiarów.
Cel analizy statystycznej. „Człowiek –najlepsza inwestycja”
Sytuacje problemowe w Grupach Partnerskich na podstawie materiałów dla FPŚ.
Przemiany energii w ruchu harmonicznym. Rezonans mechaniczny Wyk. Agata Niezgoda Projekt współfinansowany przez Unię Europejską w ramach Europejskiego.
Modelowanie i podstawy identyfikacji 2015/2016Identyfikacja – metoda najmniejszych kwadratów  Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii.
Ryzyko a stopa zwrotu. Standardowe narzędzia inwestowania Analiza fundamentalna – ocena kondycji i perspektyw rozwoju podmiotu emitującego papiery wartościowe.
EWALUACJA PROJEKTU WSPÓŁFINANSOWANEGO ZE ŚRODKÓW UNII EUROPEJSKIE J „Wyrównywanie dysproporcji w dostępie do przedszkoli dzieci z terenów wiejskich, w.
Podstawowe pojęcia termodynamiki chemicznej -Układ i otoczenie, składniki otoczenia -Podział układów, fazy układu, parametry stanu układu, funkcja stanu,
Bezpieczeństwo i zdrowie w pracy dotyczy każdego. Jest dobre dla ciebie. Dobre dla firmy. Partnerstwo dla prewencji Co badanie ESENER może nam powiedzieć.
Badania elastooptyczne Politechnika Rzeszowska Katedra Samolotów i Silników Lotniczych Ćwiczenia Laboratoryjne z Wytrzymałości Materiałów Temat ćwiczenia:
EWALUACJA JAKO ISTOTNY ELEMENT PROJEKTÓW SYSTEMOWYCH Sonia Rzeczkowska.
Zmienne losowe Zmienne losowe oznacza się dużymi literami alfabetu łacińskiego, na przykład X, Y, Z. Natomiast wartości jakie one przyjmują odpowiednio.
OPTYMALNY CEL I PODSTAWY ROZWOJU SZKOŁY. PRZEDE WSZYSTKIM DZISIEJSZA SZKOŁA POWINNA PRZYGOTOWYWAĆ DO ŻYCIA W DRUGIEJ POŁOWIE XXI WIEKU.
Jak sobie z nim radzić ?.
Analiza tendencji centralnej „Człowiek – najlepsza inwestycja”
Funkcja liniowa Przygotował: Kajetan Leszczyński Niepubliczne Gimnazjum Przy Młodzieżowym Ośrodku Wychowawczym Księży Orionistów W Warszawie Ul. Barska.
© Prof. Antoni Kozioł, Wydział Chemiczny Politechniki Wrocławskiej MATEMATYCZNE MODELOWANIE PROCESÓW BIOTECHNOLOGICZNYCH Prezentacja – 4 Matematyczne opracowywanie.
STATYSTYKA – kurs podstawowy wykład 10 dr Dorota Węziak-Białowolska Instytut Statystyki i Demografii.
Zarządzanie systemami dystrybucji
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modelowanie rozmyte – podstawy,
1 Organizacje a kontrakt psychologiczny We współczesnym świecie człowiek otoczony jest szeregiem kontraktowych zobowiązań. To pewien rodzaj powiązań, zależności,
KOSZTY W UJĘCIU ZARZĄDCZYM. POJĘCIE KOSZTU Koszt stanowi wyrażone w pieniądzu celowe zużycie majątku trwałego i obrotowego, usług obcych, nakładów pracy.
Metody Analizy Danych Doświadczalnych Wykład 9 ”Estymacja parametryczna”
Finansowanie wybranych działań w parkach narodowych przy udziale środków funduszu leśnego - zakres merytoryczny Warszawa, 06 kwietnia 2016 r.
Skuteczności i koszty windykacji polubownej Wyniki badań zrealizowanych w ramach grantu Narodowego Centrum Nauki „Ocena poziomu rzeczywistej.
BADANIA STATYSTYCZNE. WARUNKI BADANIA STATYSTYCZNEGO musi dotyczyć zbiorowościstatystycznej musi określać prawidłowościcharakteryzujące całą zbiorowość.
WEZ 1 Wyniki egzaminu zawodowego absolwentów techników i szkół policealnych październik 2006 r.
Wieloaspektowa analiza czasowo- kosztowa projektów ze szczególnym uwzględnieniem kryterium jakości rozwiązań projektowych AUTOR: ANNA MARCINKOWSKA PROMOTOR:
Optymalna wielkość produkcji przedsiębiorstwa działającego w doskonałej konkurencji (analiza krótkookresowa) Przypomnijmy założenia modelu doskonałej.
WEZ 1 Wyniki egzaminu zawodowego absolwentów techników i szkół policealnych październik 2006 r.
Metody sztucznej inteligencji - Technologie rozmyte i neuronowe 2015/2016 Perceptrony proste nieliniowe i wielowarstwowe © Kazimierz Duzinkiewicz, dr hab.
Definiowanie i planowanie zadań typu P 1.  Planowanie zadań typu P  Zadania typu P to zadania unikalne służące zwykle dokonaniu jednorazowej, konkretnej.
Zasada równości szans kobiet i mężczyzn (w oparciu o standard minimum) Olsztyn, 6 czerwca 2016r.
1 Definiowanie i planowanie zadań budżetowych typu B.
 Przedziałem otwartym ( a;b ) nazywamy zbiór liczb rzeczywistych x spełniających układ nierówności x a, co krócej zapisujemy a
O PARADOKSIE BRAESSA Zbigniew Świtalski Paweł Skałecki Wydział Matematyki, Informatyki i Ekonometrii Uniwersytet Zielonogórski Zakopane 2016.
MATEMATYCZNE MODELOWANIE PROCESÓW BIOTECHNOLOGICZNYCH
Liczby pierwsze.
Podstawy automatyki I Wykład /2016
Zgłoszenie do konkursu
Zgłoszenie do konkursu
Wyrównanie sieci swobodnych
Zgłoszenia do nagrody specjalnej Najlepszy praCCodawca
Program na dziś Wprowadzenie Logika prezentacji i artykułu
Zapis prezentacji:

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania1 Modelowanie i podstawy identyfikacji - studia stacjonarne Wykład /2016 Kazimierz Duzinkiewicz, dr hab. Inż. Katedra Inżynierii Systemów Sterowania Metodyka modelowania matematycznego

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania2 Etapy modelowania matematycznego Pomiędzy poszczególnymi etapami modelowania występują interakcje – proces modelowania nie jest procesem o szeregowej strukturze W procesie modelowania matematycznego można wyróżnić kilka podstawowych etapów:  Sformułowanie celów i założeń modelowania  Budowa bazy wiedzy i bazy danych o modelowanym systemie  Wybór kategorii modelu  Określenie struktury modelu; budowa modelu  Identyfikacja modelu  Algorytmizacja obliczeń z modelem  Weryfikacja modelu

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania3 Zastosowanie Sprzężenia pomiędzy etapami budowy modelu matematycznego Problem rozwiązywany z pomocą modelowania matematycznego Cele i założenia modelowania Baza wiedzy Baza danych  Teorie  Prawa  Wiedza empiryczna  Hipotezy  Dane eksperymentalne  Kategoria modelu  Struktura modelu  Identyfikacja modelu  Algorytmizacja modelu  Weryfikacja modelu Model zweryfikowany

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania4 Dlaczego jasne określenie celu modelowania jest ważne? 1.ma to bezpośredni wpływ na przebieg i treści procesu modelowania – różne cele implikują różne problemy jakie trzeba rozwiązać przy modelowaniu; 2.modelowanie jest najczęściej działalnością interdyscyplinarną – określenie celu musi być jasne dla wszystkich biorących udział w modelowaniu; 3.po zbudowaniu modelu musimy ocenić, na ile zadowalająco postawiony cel został osiągnięty Określenie celów modelowania

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania5 Cele ogólne modelowania systemów  Opis i wyjaśnienie mechanizmów działania systemu – model poznawczy  Przewidywanie zachowania się systemu przy różnorodnych warunkach oddziaływania otoczenia na system – model prognostyczny, predykcyjny  Wybór odpowiednich oddziaływań wejściowych, spełniających określone warunki i zapewniających pożądane reakcje wyjściowe – model decyzyjny, wyznaczania sterowań  w szczególności wybór oddziaływań optymalnych w sensie wybranego kryterium - model optymalizacyjny  Wybór struktury lub parametrów systemu mającego spełniać określone zadania – model projektowy, normatywny

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania6 Założenia modelu (wybrane)  Granice pomiędzy systemem a otoczeniem, zmienne wejściowe i wyjściowe,....  Skala czasowa modelu,....  Dokładność zgodności modelu systemu z systemem rzeczywistym,....  Warunki stosowalności modelu,....

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania7 Wiedza aprioryczna  Doświadczenie  Istniejące modele  Literatura (fakty, zjawiska, teorie,...) Dane  Istniejące dane  Nowe dane zbierane dla celów budowy modelu Zbieranie informacji o modelowanym systemie

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania8 Wybór kategorii modelu powinien brać pod uwagę:  cel modelowania,  przewidywane warunki w jakich model będzie wykorzystywany (zakres warunków pracy, charakter wejść, komunikacja w innymi elementami systemu sterowania,...,  koszty budowy modelu,  dostępną informację Wybór kategorii modelu – krótki przegląd

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania9 Kategorie modeli Powszechnie stosowana klasyfikacja modeli systemów: Alternatywy dla klasyfikowania modeli systemów  NIEPARAMETRYCZNE lub PARAMETRYCZNE Modele nieparametryczne systemu to modele dane w postaci wykresu, funkcji itp., które niekonieczne opisane być mogą za pomocą skończonej liczby parametrów (danych) Modele parametryczne systemu to modele w których dla pełnego opisu elementu potrzebna jest znajomość na pewno skończonej liczby parametrów (współczynników)

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania10 Przykładami modeli nieparametrycznych są: -charakterystyki czasowe elementu – modelem jest sygnał wyjściowy wywołany odpowiednim sygnałem wejściowym; -charakterystyka częstotliwościowe elementu liniowego – modelem jest zależność amplitudy i fazy sygnału wyjściowego od częstotliwości sinusoidalnego sygnału wejściowego; Przykładami modeli parametrycznych są: -równania różniczkowe wejście – wyjście elementu; -równania stanu i równania wyjścia elementu; -równania algebraiczne

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania11 Rozważać będziemy głównie modele o skończonej liczbie parametrów, opisywane np. równaniami algebraicznymi, różniczkowymi i różnicowymi - czyli modele parametryczne

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania12  FENOMENOLOGICZNE (white – box) lub BEHAWIORALNE (black-box) Modele budowane w oparciu o zasady zachowania lub równania równowagi (dla masy, momentów, energii,...) Modele fenomenologiczne (lub oparte o wiedzę): Struktura modelu pozostaje w zasadniczym związku ze strukturą procesów a parametry modelu posiadają fizykalną interpretację Cecha:

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania13 Modele behawioralne – modele budowane w oparciu o zebrane dane pomiarowe, modele które jedynie aproksymują obserwowane zachowanie się systemu, nie wymagając w tym celu żadnej wiedzy a priori o procesach generujących te dane Struktura modelu nie musi pozostawać w żadnym zasadniczym związku ze strukturą procesów a parametry nie posiadają żadnej fizykalnej interpretacji Cecha:

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania14 Rozważać będziemy zarówno modele fenomenologiczne (white-box) jak i modele behawioralne (black-box)

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania15  STATYCZNE lub DYNAMICZNE Systemy statyczne składają się z elementów zdolnych co najwyżej przekazywać energię, masę, informację bez strat lub ze stratami – dają się opisywać m.in. za pomocą układów równań algebraicznych – ciągłych lub dyskretnych Systemy dynamiczne zawierają elementy zdolne gromadzić i oddawać energię, masę, informację – mogą być opisywane m.in. za pomocą układów równań różniczkowych lub różnicowych Jeżeli interesują nas jedynie stany równowagi systemu dynamicznego, w których dany system może się znajdować, to możemy ograniczyć się dla takiego systemu dynamicznego do modelu statycznego

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania16 Rozważać będziemy głównie modele dynamiczne

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania17  LINIOWE lub NIELINIOWE Będziemy rozróżniali dwa rodzaje liniowości: (i) liniowość względem wejść (LI - linear in its inputs), (ii) liniowość względem parametrów (LP – linear in its parameters) Niech będzie w chwili t wyjściem modelu o parametrach p, jeżeli wejście zostało przyłożone przy zerowych warunkach początkowych

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania18 Struktura modelu będzie nazywana liniową względem parametrów (LP) jeżeli jego wyjście spełnia warunek liniowości względem jego parametrów, t.j. Struktura modelu będzie nazywana liniową względem wejść (LI) jeżeli jego wyjście spełnia warunek liniowości względem jego wejść, t.j.

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania19 Struktura modelu będzie nazywana afiniczną względem parametrów (AP – affine in its parameters) jeżeli jego wyjście spełnia warunek gdzie jest LP

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania20 Rozważać będziemy głównie modele liniowe

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania21  Z CZASEM CIĄGŁYM lub Z CZASEM DYSKRETNYM Modele z czasem ciągłym Najczęściej badane przez nas procesy ewoluują w czasem ciągłym – stąd naturalna tendencja do stosowania modeli opisywanych równaniami różniczkowymi, w szczególności różniczkowymi modelami w przestrzeni stanu Przykład

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania22 Modele z czasem dyskretnym Model w przestrzeni stanu z czasem dyskretnym ma postać gdzie t jest całkowitoliczbowym indeksem czasu, który odpowiada czasowi rzeczywistemu t·T, jeżeli rozważany system z czasem ciągłym jest próbkowany z okresem T Wprowadzenie techniki komputerowej (cyfrowej) zainicjowało stosowanie dla systemów czasu ciągłego aproksymacji ich działania za pomocą modeli z czasem dyskretnym Przykład

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania23 Rozważać będziemy zarówno modele z czasem ciągłym i z czasem dyskretnym

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania24  DETERMINISTYCZNE lub NIEDETERMINISTYCZNE W modelach systemów deterministycznych zmienna i współczynnikom przypisywane są określone wartości, w modelach systemów niedeterministycznych co najmniej jedna zmienna lub współczynnik ma niepewne wartości

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania25  O PARAMETRACH SKUPIONYCH lub ROZPROSZONYCH Opis systemów ciągłych o parametrach skupionych będzie zawierał równania różniczkowe zwyczajne, natomiast o parametrach rozproszonych musi zawierać równania różniczkowe cząstkowe

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania26  ZMIENNE W CZASIE lub NIEZMIENNE W CZASIE (NIESTACJONARNE LUB STACJONARNE) W modelach systemów niestacjonarnych co najmniej niektóre współczynniki (parametry modelu) są funkcjami czasu, w modelach systemów stacjonarnych są stałe

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania27 Budowa modelu matematycznego Przetworzenie całej istotnej z punktu widzenia celów modelowania wiedzy i danych o systemie w niesprzeczny układ symboli i operatorów matematycznych Praktyczne wymagania jakie musimy starać się spełnić przy budowie modelu:  zgodność z modelowanym systemem w zakresie interesujących nas właściwości, zależności  łatwość użytkowania modelu zgodnie z przeznaczeniem Stąd:  wstępna koncepcja budowy modelu matematycznego powinna zawierać zbiór hipotez wyróżniających to, co jest istotne dla celów modelowania i powinno znaleźć odbicie w modelu, od tego co należy odrzucić

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania28 Identyfikacja modelu matematycznego Identyfikację modelu przeprowadzamy, gdy: wiedza teoretyczna o systemie nie wystarcza do nadania modelowi postaci umożliwiającej wykonanie w oparciu o ten model obliczeń; nie wystarcza do określenia niektórych lub wszystkich współczynników tego modelu Identyfikacja modelu (parametrów modelu) to: wyznaczenie ocen statystycznych (lub innych) – estymatorów wartości nieznanych parametrów drogą odpowiedniego przetworzenia danych eksperymentalnych (pomiarowych, doświadczalnych)

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania29 Identyfikacja modelu matematycznego – c.d. Wyróżniamy identyfikację:  bierną, czynną  jednorazową, bieżącą (okresową, ciągłą Identyfikacja:  bierna – polega na gromadzeniu danych doświadczalnych (pomiarowych) podczas normalnej pracy systemu, a następnie przetworzenie jej odpowiednimi metodami w celu wyznaczenia estymatorów nieznanych parametrów  czynna – polega na odpowiednim zaplanowaniu (plan oddziaływań wejściowych systemu) i przeprowadzeniu eksperymentu identyfikacyjnego, którego wyniki służą następnie do wyznaczenia odpowiednimi metodami estymatorów nieznanych parametrów

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania30 Identyfikacja:  jednorazowa – system o parametrach stacjonarnych  bieżąca (okresowa, ciągła) – system o parametrach niestacjonarnych Identyfikacja modelu matematycznego – c.d. Jeżeli kilka struktur rywalizuje do opisu tych samych danych, ich dobroć będzie również porównywana z pomocą kryterium Parametry modelu muszą być dobrane zgodnie z pewnym kryterium, zwykle przez optymalizację tego kryterium

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania31 Jak budujemy kryterium? Różnica pomiędzy wyjściami systemu i modelu jest nazywana błędem wyjścia Błąd wyjścia jest argumentem wszystkich kryteriów jakości modelu

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania32 Najczęściej chcemy, aby błąd wyjścia był jak najbliższy zeru – to prowadzi do problemu definicji funkcji kryterialnej służącej porównywaniu dobroci rywalizujących modeli. Zwykle przyjmowana jest funkcja skalarna (funkcjonał) j parametrów i ewentualnie struktury i nazywana funkcją kosztów Zwykle funkcja ta jest minimalizowana Model M(p 1 ) jest wówczas lepszy od modelu M(p 2 ) w sensie kryterium związanego z funkcjonałem j, jeżeli lub w ogólniejszej sytuacji Model M 1 (p 1 ) jest wówczas lepszy od modelu M 2 (p 2 ) w sensie kryterium związanego z funkcjonałem j, jeżeli

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania33 Algorytmizacja obliczeń Najczęściej spotykane zadania obliczeniowe przy stosowaniu modeli matematycznych:  rozwiązywanie równań  rozwiązywanie nierówności  rozwiązywanie zadań optymalizacyjnych  przetwarzanie wyrażeń matematycznych

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania34 Weryfikacja modelu matematycznego Weryfikacja modelu to porównanie wyników modelowania z:  z systemem rzeczywistym, lub  z modelem wzorcowego z punktu widzenia ich zgodności z wiedzą teoretyczną lub z wynikami badań doświadczalnych Uwaga: Weryfikacja jest integralnie związana z każdym z poprzednich etapów modelowania – powinna być realizowana nie tylko po zakończeniu poprzednich etapów, lecz także w trakcie ich realizacji

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania35 Przystępując do weryfikacji należy ustalić kryteria, które będą stosowane dla oceny zgodności (ustalenia przyczyn niezgodności) Wyróżnia się dwie grupy kryteriów:  wewnętrzne  zewnętrzne Weryfikacja modelu matematycznego – c.d.

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania36 Kryteria wewnętrzne – dotyczą tzw. wewnętrznych cech modelu Należą do tych kryteriów:  zgodność formalna – brak sprzeczności koncepcyjnych, logicznych i matematycznych  zgodność algorytmiczna – poprawność użytych operatorów, algorytmów zapewniająca efektywne wykonywanie obliczeń z wymaganą dokładnością Weryfikacja modelu matematycznego – c.d.

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania37 Weryfikacja modelu matematycznego – c.d. Kryteria zewnętrzne – dotyczą celów modelowania i zgodności modelu z wynikami badań eksperymentalnych Należą do tych kryteriów:  zgodność heurystyczna – dotyczy walorów badawczych modelu: możliwości interpretacji za jego pomocą określonych zjawisk zachodzących w systemie, sprawdzenia postawionych hipotez, formułowania nowych zadań badawczych  zgodność pragmatyczna – dotyczy bezpośredniej zgodności wyników z modelu systemu z danymi z systemu rzeczywistego; stwierdzenie tej zgodności wymaga przede wszystkim porównania wielkości wyjściowych z modelu i z systemu rzeczywistego

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania38 SYSTEM MODEL Zakłócenia Model zakłóceń Wielkości wejściowe Kryteria zgodności Wielkości wyjściowe Wynik weryfikacji Schemat weryfikowania zgodności pragmatycznej Weryfikacja modelu matematycznego – c.d. Uwaga:  Weryfikacja zgodności pragmatycznej modeli systemów nie istniejących, np. znajdujących się w stadium projektowania nie jest w zasadzie możliwa

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania39 Rodzaje zgodności pragmatycznej  model jest zgodny replikatywnie, jeżeli stwierdzono jego zgodność z systemem korzystając podczas weryfikacji z tych samych danych, na podstawie których dokonano identyfikacji modelu  model jest zgodny predykatywnie, jeżeli stwierdzono jego zgodność z systemem korzystając podczas weryfikacji z innych danych, niż te na podstawie których dokonano identyfikacji modelu; na podstawie danych zebranych w innych warunkach Weryfikacja modelu matematycznego – c.d.  model jest zgodny strukturalnie, jeżeli stwierdzono jego zgodność z systemem nie tylko dla wartości wielkości wyjściowych, ale stwierdzono też zgodność mechanizmów przetwarzania wielkości wejściowych w wyjściowe

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania40 Weryfikacja modelu matematycznego – c.d. ! Nie należy nigdy oczekiwać całkowitej zgodności wyjść modelu i systemu rzeczywistego O tym czy zaobserwowane różnice między wyjściami modelu i systemu pozwalają na jego użytkowanie, czy też nie, decydują wyniki testów zgodności – ich konkretna treść zależy od przeznaczenia modelu

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania41 Procedura weryfikacji pragmatycznej poza testami zgodności (w sensie odległości wyjść modelu i systemu) powinna przewidywać analizę wrażliwości Analiza wrażliwości polega na badaniu zmian wielkości (zmiennych) modelu przy zmianach samego modelu (głównie jego parametrów). Od dobrego modelu wymaga się, aby małe zmiany parametrów modelu wywoływały jedynie małe zmiany jego wielkości (zmiennych). Weryfikacja modelu matematycznego – c.d.

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania42 Ważność problemu analizy wrażliwości:  Model jest kompromisem pomiędzy wymaganą dokładnością a jego użytecznością i nakładem pracy na jego zbudowanie  Decyzje podejmowane, sterowania generowane w oparciu o model będą stosowane w systemie rzeczywistym Weryfikacja modelu matematycznego – c.d.

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania43 Pytanie pierwsze:  jak zmienią się skutki wypracowanej decyzji, wynik wygenerowanego sterowania jeżeli zastosujemy je w systemie rzeczywistym, a nie na modelu? Pytanie drugie:  jak zmienią się skutki wypracowanej decyzji, wynik wygenerowanego sterowania jeżeli zmienimy (na ogół nieznacznie) model do którego tę decyzję, to sterowanie stosujemy? Problem analizy wrażliwości - sformułowanie  Dana jest pewna decyzja, dane jest pewne sterowanie, które zastosowane do danego modelu dają określone skutki, wyniki sterowania Weryfikacja modelu matematycznego – c.d.

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania44 Miejsce komputera w procesie modelowania matematycznego Określenie celu modelowania, wybór kategorii modelu, określenie struktury modelu, wybór algorytmów System Eksperymentator Model matematyczny Komputer Wyniki Algorytmy identyfikacji, weryfikacji, obliczeń z modelem Dane do identyfikacji, weryfikacji, obliczeń z modelem Dane i wiedza o systemie Źródło danych Narzędzie przetwarzania danych w oparciu o określone algorytmy Przesłanki do akceptacji lub zmiany Zmiana/modyfikacja algorytmów Zmiana/modyfikacja modelu

Modelowanie i podstawy identyfikacji 2014/2015Metodyka modelowania matematycznego  Kazimierz Duzinkiewicz, dr hab. inż.Katedra Inżynierii Systemów Sterowania45 Dziękuję – koniec materiału prezentowanego podczas wykładu