еретинів оцінки середнього значення процесу (перетину з червоною лінією в ТЕП1 для X1 і потім для X2)
Для X1 отримав 35 перетинів. Інтервал кореляції: t=2 * 240/35=13,71 [с].
рис.5.7. Статистичні характеристика ТЕП 1 (мат. Очікування) для Х2
Для X2 отримав 35 перетину. T=2 * 240/35=13,71 [c]
Тоді вийшов інтервал дискретизації? t=13.71/10=1.371
Для нашого інтервалу діскрітізаціі знімемо інформаційний режим для 150 значень і розрахуємо автокореляцію для і при даному інтервалі кореляції.
Ріс.5.8.Експерімент з інтервалом дискретизації рівним 1.371
рис.5.9. Розрахунок статистичних характеристик
Ріс.5.10. Автокорреляционная функція для? T=1,37
З графіка видно, що автокореляційної функції для Х2 практично входить в допустимий діапазон (5%), автокореляційна функція для Х1 входить в нього, але різко підвищується, що говорить про те, що незабаром вона може вийти з нього.
Тому перерахуємо інтервал дискретизації, змінивши кількість ординат n=15.
Тепер знову знімаємо інформаційний режим для 150 значень при вибраному інтервалі дискретизації, рівному 0.91. І наведемо графік автокореляційної функції (Рис. 5.10)
Ріс.5.11. Автокорреляционная функція для? T=0,91
За даним графіка можна зробити висновок, що Х1 входить в допустимі 5%, у свою чергу Х2 в неї не входить.
Перерахуємо інтервал дискретизації для n=5.
? t=2.74
Тепер знову знімаємо інформаційний режим для 150 значень при вибраному інтервалі дискретизації, рівному 2.74. І наведемо графік автокореляційної функції (Рис. 5.11).
На графіку чітко видно, що автокореляційні функції ні для Х1, ні для Х2 не входять до допустимі 5%.
рис.5.12. Автокорреляционная функція для? T=2.74
Знімемо 150 значень в інформаційному режимі з інтервалом дискретизації? t=1.7, а потім побудуємо автокорреляционную функцію.
Ріс.5.13. Автокорреляционная функція для? T=1.7
З графіка видно, що змінна Х2 потрапила в допустимий інтервал.
Висновок: при кількості ординат n=15 і? t=0,91 ми домоглися, що наша автокореляційна функція входить в допустимий інтервал для Х1 (Рис. 5.9). На рис. 5.13 продемонстрований графік автокореляційної функції з? T=1.7, з якого ясно видно, що ми домоглися, щоб змінна Х2 також входила в аш допустимий п'ятивідсотковий інтервал.
6. Побудова регресійної моделі
Побудуємо рівняння регресії для нашого об'єкта
Побудова регресійної моделі потрібно для аналізу та синтезу нашої системи оптимального управління ТП. Розглянемо детерміновані рівняння нашої системи. Як і було представлено раніше наше рівняння - поліном першого порядку з невідомими поки коефіцієнтами перед вхідними змінними, що стоять в рівняннях.
Для вирішення завдання проведемо пасивний експеримент, тобто знімемо дані входу-виходу в режимі НЕ без керуючого зміни вхідних змінних з інтервалом дискретизації, розрахованим виходячи зі співвідношення:. У нашому випадку ми взяли? T=25, а кількість точок знімання даних 15. Одержаний графік наведено нижче (Мал. 6.1):
Рис.6.1. Проведення пасивного режиму
Використовуючи програму для знаходження коефіцієнтів регресійного рівняння, знайдемо коефіцієнти в рівнянні для Y1. Зауважимо, що всі коефіцієнти вийшли значущими.
1. Рівняння регресії для Y1.
Вийшло рівняння для Y1:
Y1=0.53451 * X1 + 0.25341 * X2 + 0.69663 * U1 + 0.62886 * U2 + 2.8867
Розглянувши коефіцієнт множинної кореляції (0,999), можна зробити висновок, що наше рівняння регресійної моделі точно описує ТОУ.
Аналогічно знайдемо коефіцієнти для рівняння з Y2. Знову ж зауважимо на значимість всіх коефіцієнтів.
. Рівняння регресії для Y2.
Вийшло рівняння для Y2:
Y2=0.37462 * X1 + 0.27464 * X2 + 0.55207 * U1 + 0.46926 * U2 - 1.0808
Розглянувши коефіцієнт множинної кореляції (0,999), можна зробити висновок, що наше рівняння регресійної моделі точно описує ТОУ.
хімічний реактор управління регресійний
7. Визначення оптимального режиму функціонування технологічного ОУ
Визначення оптимального режиму функціонування - важлива і...
