Вы находитесь на странице: 1из 160

ФЕДЕРАЛЬНОЕ АГЕНТСТВО ПО ОБРАЗОВАНИЮ

МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ ИНДУСТРИАЛЬНЫЙ


УНИВЕРСИТЕТ

Н.Н. Карабутов

СТРУКТУРНАЯ
ИДЕНТИФИКАЦИЯ
СИСТЕМ
Анализ динамических структур

МГИУ 2008
УДК 517.05:005
ББК 22.161
К21

Рецензенты:
Ю.Г. Ионов, профессор кафедры проблемы управления МИРЭА,
доктор технических наук

Карабутов Н.Н.
К21 Структурная идентификация систем: Анализ динамических
структур. — М.: МГИУ, 2008. – 160 с.

ISBN 978-5-2760-1752-5

Рассмотрены вопросы структурной идентификации динамических


систем на основе анализа наблюдаемых информационных портретов в ус-
ловиях неопределенности. Предложены методы оценки состояния равно-
весия динамической системы. Описаны процедуры нахождения собствен-
ных чисел динамической системы. На основе информационного синтеза
разработан метод оценки нелинейной структуры системы без применения
методов параметрического оценивания. Предложены методы структурной
идентификации статических объектов. Изложены процедуры оценки об-
ласти параметрических ограничений в условиях априорной неопределен-
ности.
Будет полезна всем, кто занимается вопросами синтеза систем автома-
тического управления, а также студентам и специалистам, изучающим
проблемы экономического анализа на основе применения информацион-
ных технологий, эконометрический и технический анализ и его примене-
ние в экономических информационных системах.

УДК 517.05:005
ББК 22.161

ISBN 978-5-2760-1752-5 © Карабутов Н.Н., 2008


© МИРЭА, 2008
Оглавление
Предисловие.............................................................................................................................. 5
Введение.................................................................................................................................... 7
Глава 1. ПРОБЛЕМА ИДЕНТИФИКАЦИИ СИСТЕМ.................................... 10
1.1. Подходы и методы идентификации ........................................................................ 10
1.2. Параметрические модели динамических систем ................................................... 13
1.2.1. Безынерционные динамические модели..................................................................16
1.2.2. Инерционные динамические модели .......................................................................17
1.2.3. Окрестностные системы............................................................................................20
1.3. Критерии идентификации ........................................................................................ 21
1.4. Методы выбора структуры модели ......................................................................... 22
Глава 2. НАБЛЮДАЕМЫЕ ИНФОРМАЦИОННЫЕ ПОРТРЕТЫ .............. 27
2.1. Основные понятия и определения ........................................................................... 27
2.2. Примеры наблюдаемых информационных портретов .......................................... 30
2.3. Применение индексов для определения структуры динамической системы...... 36
2.3.1. Индекс особой точки и его свойства........................................................................37
2.3.2. Применение индекса в задачах структурной идентификации
с помощью НИП .......................................................................................................39
2.4. Определение особой точки по наблюдаемому информационному портрету ..... 41
Глава 3. СТРУКТУРНАЯ ИДЕНТИФИКАЦИЯ ДИНАМИЧЕСКИХ
СИСТЕМ..................................................................................................... 44
3.1. Коэффициент структурности динамической системы .......................................... 45
3.2. Определение порядка линейной динамической системы на основе анализа
коэффициента структурности.................................................................................. 47
3.3. Определение типа особой точки динамической системы .................................... 51
3.3.1. Постановка задачи .....................................................................................................52
3.3.2. Модели и подходы к решению задачи .....................................................................52
3.3.3. Критерии оценки типа точки состояния равновесия..............................................55
3.3.4. Примеры идентификации состояния равновесия ...................................................57
3.3.5. Применение характеристических показателей Ляпунова
для оценки состояния равновесия...........................................................................61
3.3.6. О связи характеристического показателя Ляпунова и коэффициента
структурности. Оценка собственных чисел системы............................................62
3.4. Оценка структуры нелинейной динамической системы ....................................... 69
3.4.1. Постановка задачи .....................................................................................................70
3.4.2. Подход к идентификации класса нелинейностей ...................................................70
3.4.3. Выбор информационного подмножества в I N для идентификации
функции χ = ϕ ( y ) ....................................................................................................73
3.4.4. Структурная идентификация функции χ ...............................................................74
3.4.5. Примеры .....................................................................................................................76
3.5. Получение параметрических ограничений в условиях неопределенности......... 81
3.5.1. Постановка задачи .....................................................................................................82
3.5.2. Подход и модели для получения параметрических ограничений .........................83
3.5.3. Выбор порога в алгоритме классификации (3.53) ..................................................85
3.5.4. Адаптивные алгоритмы оценивания параметров T- и B-систем ...........................87
3.5.5. Свойства адаптивной системы..................................................................................88
3.6. Заключение .................................................................................................................. 9
Глава 4. СТРУКТУРНАЯ ИДЕНТИФИКАЦИЯ СТАТИЧЕСКИХ
СИСТЕМ.................................................................................................................... 96
4.1. Плоскость, секущая наблюдаемый информационный портрет............................ 96
4.2. Выбор информативных переменных системы с помощью секущих ................. 102
4.3. Нахождение коэффициента структурности статических объектов.................... 106
4.3.1. Оценка коэффициента структурности ...................................................................106
4.3.2. Об информационном аспекте оценки коэффициента структурности.................111
4.4. Оценка нелинейных параметров модели на основе анализа НИП..................... 113
4.5. Поле структур для статической системы на множестве секущих...................... 123
4.6. Оценка области параметрических ограничений
в условиях неопределенности ............................................................................... 128
4.6.1. Оценка области параметрических ограничений, заданной в виде
интервала изменения параметров .........................................................................128
4.6.2. Адаптивный алгоритм определения параметров области Ω A ............................138
4.6.3. Оценка области параметрических ограничений, заданной в виде
ограничения на норму изменения параметров ....................................................139
4.6.4. Получение параметрических ограничений на основе анализа НИП ..................149
4.7. Заключение .............................................................................................................. 151
Библиографический список.......................................................................................................

4
Предисловие

Вопросы идентификации процессов и явлений занимают од-


но из центральных мест в современной теории управления и при-
нятия решений.
Основу теории построения математических моделей (иден-
тификации) составляет информационно-алгоритмический под-
ход. В условиях априорной неопределенности информационная
составляющая начинает играть доминирующую роль, так как от
ее анализа во многом зависит применение тех или иных алгорит-
мических процедур, а также методов формализации, позволяю-
щих синтезировать математическое описание для исследуемого
объекта.
Прежде чем применять методы параметрической идентифи-
кации, необходимо определить структуру модели. Это одна из
основных проблем теории идентификации. Как правило, в боль-
шинстве работ по синтезу математических моделей структура по-
стулируется априори с точностью до некоторого множества неиз-
вестных параметров. В дальнейшем это множество является ос-
новным объектом исследования. Это не означает, что методам
идентификации структурной идентификации не уделялось вни-
мания. Доминирующим подходом при выборе структуры являет-
ся статистический подход и решение принимается на заданном
классе моделей-претендентов. Но какие-либо формализованные
подходы и методы, позволяющие выбрать структуру модели на
основе доступного для наблюдения информационного множества
объекта, отсутствуют. Это объясняется тем, что некоторые эле-
менты структуры модели не поддаются адекватной математиче-
ской трактовке. Поэтому структурное множество часто сужают
до таких математических категорий и объектов, которые можно
описать на существующем математическом языке и, следова-
тельно, задать на классе функций из заданного множества.
Наиболее сложной и наименее изученной является проблема
оценки структуры нелинейных систем. Если для класса регресси-
онных моделей предложен ряд методов, основанных на статисти-
ческом подходе, то для динамических систем какие-либо форма-

5
лизованные процедуры отсутствуют.
В данной книге разрабатывается подход к структурной иден-
тификации статических и динамических систем в условиях неоп-
ределенности, основанный на методологии информационного
синтеза системы "объект + среда". Для этого строится динамиче-
ская структура — наблюдаемый информационный портрет — и
по ней принимается решение как о классе моделей, так и приме-
нении соответствующих методов анализа информации и приня-
тия решений. Выбор структуры модели — задача многокритери-
ального принятия решения. Производной от наблюдаемого ин-
формационного портрета является коэффициент структурности,
получение и анализ которого обеспечивает принятие решения о
структурных свойствах системы. С помощью метода секущих на-
блюдаемого информационного портрета строится поле структур
статического объекта.
Некоторые из изложенных подходов легли в основу лекций,
которые автор читал студентам Московского государственного
института радиотехники, электроники и автоматики (техническо-
го университета). Ряд алгоритмов применялся при чтении дисци-
плин “Информационные технологии в экономике” и “Информа-
ционные технологии управления”в Московском государственном
индустриальном университете.

6
Введение

При решении задач управления, изучении новых процессов,


анализе экономических систем широко применяются математи-
ческие модели. Выбор структуры модели диктуется как условия-
ми реализации, так и требованием адекватности. Построения мо-
дели — это чисто интуитивный процесс, сводящийся к формиро-
ванию структуры модели с последующей настройкой ее парамет-
ров. Настройка или определение параметров реализуется на ос-
нове применения регулярных математических методов. В усло-
виях априорной неопределенности интуиция является одной из
составляющих процесса принятия решения о структуре модели.
На первый план выходит анализ данных с целью получения до-
полнительных структурных свойств данных, отражающих те или
иные характерные черты системы. Одно из направлений, позво-
ляющих получить дополнительную информацию о структуре
объекта, основано на анализе наблюдаемых информационных
портретов — динамических структур, заданных в пространстве
"вход-выход".
Целью данной книги является разработка методов и алгорит-
мов структурной идентификации в условиях неопределенности
на основе информационного синтеза и анализа динамических
структур — наблюдаемых информационных портретов, отра-
жающих свойства объекта в пространстве "вход-выход".
Книга состоит из четырех глав. В первой главе дается обзор
методов и подходов к проблеме идентификации в условиях неоп-
ределенности.
Вторая глава посвящена построению и анализу динамических
структур в системах идентификации. Эти структуры получили
название наблюдаемого информационного портрета (НИП). Ча-
стным случаем НИП является фазовый портрет, который приме-
няется для анализа систем не выше второго порядка при полной
наблюдаемости переменных состояния и известной модели. Вве-
дено понятие коэффициента структурности. Для анализа струк-
турных свойств системы на основе НИП использовано понятие
индекса.

7
Третья глава посвящена структурной идентификации дина-
мических систем на основе анализа информационных портретов,
которые могут быть как наблюдаемыми, так и виртуальными, от-
ражающими состояние системы идентификация на данном этапе
информационного синтеза. Для принятия предварительного ре-
шения о структурных свойствах системы используется коэффи-
циент структурности.
Описан метод нахождения порядка модели, основанный на
минимизации ширины интервала изменения коэффициента
структурности. Предложен метод идентификации типа точки
равновесия динамический системы на основе анализа НИП. Он
не требует построения математической модели динамической
системы. Показано, что для реализации предлагаемого подхода
можно использовать класс статических моделей. Причем эти мо-
дели должны иметь динамическую спецификацию по входу и
служат для оценки вынужденного движения системы. Предложе-
ны способы выделения свободного движения системы и критерии
оценки типа точки состояния равновесия на его основе.
Приводится метод определения структуры модели, описы-
вающей нелинейную часть системы. Показана связь между ха-
рактеристическими числами Ляпунова и коэффициентом струк-
турности системы. Предложен адаптивный алгоритм оценки
спектра собственных чисел линейной части динамической систе-
мы на основе специальным образом сформированного информа-
ционного множества. В заключение изложен подход к определе-
нию параметрических ограничений в условиях неопределеннос-
ти.
В четвертой главе дается развитие идей, изложенных в треть-
ей главе, на статические системы. Предложен способ выбора ин-
формативных переменных на основе применения секущих на-
блюдаемого информационного портрета. В отличие от динамиче-
ских систем проблема нахождения коэффициента структурности
для статических систем является более сложной. Локальный ко-
эффициент структурности является текущей оценкой параметра
модели при соответствующем элементе вектора входа системы.
Введено понятие информационной мощности сигнала. Показано,
что применение многошаговой процедуры нахождения коэффи-
циента структурности приводит к расходованию информацион-
8
ной мощности объекта.
Предложен метод информационного синтеза структуры не-
линейных статических систем в условиях неопределенности на
основе анализа наблюдаемого информационного портрета. Ин-
формационный синтез позволяет выделить некоторое подмноже-
ство данных, которое содержит информацию о нелинейных свой-
ствах системы. Предложены критерии и алгоритмы принятия ре-
шений о структуре модели. Для случая нелинейностей, относя-
щихся к классу степенных функций, разработан метод выпрямле-
ния информационного портрета, который позволяет подобрать
показатель степени. Данный метод применим только к "управ-
ляемым" моделям, то есть моделям, которые содержат параметр,
который можно изменять таким образом, чтобы выполнялось за-
данное целевое условие.
Для статических систем, описываемых более общим классов
нелинейных функций, предложен подход, основанный на по-
строении поля структур на множестве секущих. Показано, что
нелинейной системе соответствует линейное поле структур. Для
принятия решения о структуре исследуемой модели введено сек-
торное условие. Заключительная часть главы содержит результа-
ты по оценке области параметрических ограничений в условиях
неопределенности. Показано, что для идентификации области па-
раметрических ограничений пригодны не все векторные нормы.
Изложен способ получения параметрических ограничений на ос-
нове анализа наблюдаемого информационного портрета. Работо-
способность практически всех изложенных процедур и методов
подтверждается результатами моделирования.
В заключение хотелось бы отметить, что в силу многообра-
зия существующих подходов и методов к проблеме идентифика-
ции в условиях неопределенности новые задачи могут возникать
во многом благодаря анализу информационного множества сис-
темы. Это направление еще не получило должного развития, но
учитывая прогресс в информационных и математических техно-
логиях, позволяющих автоматизировать процесс предварительно-
го анализа данных, может появиться возможность расширения
рамок оценивания структурных параметров и характеристик дан-
ных, а, следовательно, и самой изучаемой системы.

9
Глава 1. ПРОБЛЕМА ИДЕНТИФИКАЦИИ СИСТЕМ

Решение задачи построения матема-


тических моделей динамических систем
по данным наблюдения за их поведением
составляет предмет теории идентифика-
ции, которая тем самым становится эле-
ментом общей научной методологии.
Льюнг Л. Идентификация систем.

1.1. Подходы и методы идентификации

Идентификация системы сводится к определению структуры


и параметров модели по наблюдаемым данным (входу и выходу
объекта) и имеющейся априорной информации. Все существую-
щие подходы к идентификации можно разбить на две группы —
статистические и множественно-функциональные (детерминиро-
ванные). Указанные классы различаются учетом природы возму-
щений (помех), действующих на систему, и получаемыми оцен-
ками. На этапе создания теории идентификации преобладал ста-
тистический подход к задаче оценивания параметров. В рамках
этого подхода постулировалась структура модели объекта, а от-
носительно всех неопределенных факторов и помех предполага-
лось, что они носят случайный характер [6, 12, 13, 35, 51, 56, 69].
Модели действующих возмущений и помех задавались в виде за-
кона распределения, а большинство применяемых алгоритмов
основывалось на методе наименьших квадратов. Реализация этих
подходов и процедур в системах управления требовала привлече-
ния мощных вычислительных средств, разработки стабильных
методов оценки вероятностных характеристик возмущений. Но
несмотря на это стохастический подход к проблеме идентифика-
ции применялся и в дальнейшем в связи с развитием и примене-
нием адаптивных методов идентификации. В рамках рассматри-
ваемого подхода структура модели постулировалась априори. Та-
кое же состояние проблемы структурной идентификацией сохра-
нилось до настоящего времени. Несмотря на большое разнообра-
зие алгоритмов и методов идентификации, так и не удалось пред-

10
ложить какие-либо процедуры регулярного синтеза структуры
модели [50]. Основные подходы к выбору структуры по-
прежнему основываются на интуиции исследователя и методе
перебора претендентов из заданного класса моделей. Объясняет-
ся такая ситуация сложностью и разнообразием объектов управ-
ления, плохой изученностью процессов, протекающих в объекте.
Для оценки параметров модели на основе данных, получен-
ных в процессе нормальной эксплуатации, использовались мето-
ды ретроспективной идентификации [6, 12, 13, 35, 51, 56, 59, 69],
а немного позже в связи с повышением требований к качеству
управления и развитием средств вычислительной техники и ав-
томатизации стали применяться настраиваемые модели [12, 56,
71, 77].
В условиях априорной неопределенности для управления
объектами широко применяются системы с непрямым адаптив-
ным управлением, так как позволяют обеспечить высокое качест-
во функционирования. Основным звеном таких систем является
блок идентификации. В зависимости от свойств объекта и требо-
ваний, предъявляемых к системе, могут применяться как методы
ретроспективной, стратегической идентификации (модель опре-
деляется вне контура управления), так и подходы, основанные на
текущей или оперативной идентификации [24, 50, 56, 59, 66]. Не-
смотря на обилие публикаций можно выделить лишь несколько
подходов к адаптивному параметрическому оцениванию. В ос-
новном это методы наименьших квадратов, стохастической ап-
проксимации и их модификации, а так же различные градиентные
алгоритмы. При решении практических задач теории управления
теоретические предпосылки, лежащие в основе указанных мето-
дов, как правило, не выполнялись и поэтому эффективность мно-
гих процедур идентификации была невысокой. Неучет реальных
свойств приводил, в частности, к потере свойств оптимальности,
замедлению или ухудшению скорости сходимости [66]. Поэтому
в теории идентификации остро встала проблема обеспечения гру-
бости применяемых алгоритмов и методов, непосредственно свя-
занная с учетом ограничений и условий функционирования сис-
темы «объект + среда». Это был следующий этап развития стати-
стического направления развития методов параметрического
оценивания.
11
Для решения проблемы робастности (грубости) адаптивных
алгоритмов было предложено ряд подходов [14, 53, 65, 66], кото-
рые в последующем составили основу нового научного направ-
ления — информационной теории идентификации. Указанное
направление базировалось на учете априорной информации о
среде в виде задания класса наименее благоприятных распреде-
лений помехи. Такой подход не позволяет полностью учесть ре-
альные условия функционирования объекта. Кроме того, в этом
случае возникают трудности, связанные с оценкой качества рабо-
ты алгоритмов идентификации по конечным выборкам. Получен-
ные алгоритмы являются нелинейными относительно ошибки
оценивания. Если же ограничения на помеху носят нестатистиче-
ский характер, или известна дополнительная информация о вхо-
де, выходе или параметрах объекта, то предлагаемая методология
является неработоспособной.
Существует целый класс объектов управления, для которых
априори задавать класс наименее благоприятных распределений
возмущений и помех не представляется возможным, а сама зада-
ча оценивания не вкладывается в схему стохастической аппрок-
симации. Это замечание справедливо и для ряда стохастических
задач управления [7]. В этом случае для возмущения или помехи
задают гарантированные оценки [39, 40, 61, 67, 81]
ξ (t ) ∈ Gξ , (1.1)

где ξ (t ) ∈ R q — помеха, G ξ — некоторое замкнутое множество с


известным уравнением границ.
Такой подход к заданию класса возмущений применим к про-
цессам, имеющим как статистическую, так и нестатистическую
природу, а оценка (1.1) является более реалистичной, чем задание
вероятностных характеристик в условиях априорной неопреде-
ленности.
Для решения задач параметрической идентификации при не-
статистической трактовке возмущений и помех ξ (t ) может при-
меняться несколько подходов. Они различаются классом полу-
чаемых оценок для параметров объекта и условно могут быть
разделены на две группы. Первая группа ориентирована на полу-
чение точечных оценок параметров с помощью адаптивных ме-
тодов [27, 36, 37, 70]. Наиболее общие результаты в рамках дан-
12
ного подхода получены А.А. Крассовским [36, 37]. Им предложе-
на схема синтеза системы адаптивной идентификации непрерыв-
ного объекта исходя из условия оптимизации критерия обобщен-
ной работы и получен общий вид алгоритма параметрического
оценивания. Этот алгоритм описывается функциональным рядом
и в таком виден нереализуем. Если взять к нему первое прибли-
жение, то получим класс градиентных алгоритмов, использую-
щих функцию чувствительности.
Другая группа методов использует функционально-множест-
венные подходы (минимаксный, игровой, теоретико-множес-
твенный, многозначный, интервальный) [39, 40, 41, 62, 68] и на-
правлена на получение множественных оценок параметров объ-
екта вида
Aˆ (t ) ∈ G ,
A

содержащих истинные значения искомого вектора параметров.


G A представляет собой некоторое априори неизвестное ограни-
ченное множество, которое может определяться в процессе иден-
тификации. Получаемые в этом случае оценки принято называть
эллипсоидальными или гарантированными. Чаще всего множест-
во G A является замкнутым и для него определяются или задаются
априори уравнения границ.

1.2. Параметрические модели динамических систем

Параметрический подход является доминирующим в теории


идентификации [6, 12, 13, 27, 35, 51, 56, 69, 71]. Естественно, что
параметрические модели применяются в адаптивных системах
идентификации и управления. Широкое распространение пара-
метрического подхода объясняется, во-первых, самим развитием
теории автоматического управления, во-вторых, попыткой опи-
сать в виде моделей физические процессы, протекающие в объек-
те, в-третьих, алгоритмизацией исследуемых процессов.
Введение параметров в модель позволяет отразить структуру,
организацию элементов в объекте, их взаимосвязь. О работоспо-
собности объекта прежде всего судят по пределам изменения его

13
параметров. И, наконец, только благодаря параметрическому
представлению удалось решить задачу управления в условиях
неопределенности.
Параметрический подход неразрывно связан с методами по-
строения и реализации моделей, зависящих от параметров. Как
правило, математическая модель строится для описания каких-
либо процессов, протекающих в объекте, или изучения явлений
различной природы. В теории автоматического управления мате-
матические модели отражают причинно-следственные связи ме-
жду наблюдаемыми переменными в пространстве «вход-выход».
ξ(t )
Y (t )
U (t )
Объект ~
Y (t )
управления
Y1 (t )

Рис. 1.1. Блок-схема объекта управления

Объект, рассматриваемый с точки зрения вход-выходных со-


отношний, обычно представляется в виде, показанном на рис. 1.1.
~
Здесь Y (t ) вектор наблюдаемых переменных, который для боль-
шинства объектов управления можно записать в виде [58]
~
Y (t ) = Y (t ) U Y1 (t ) ,
где Y (t ) ∈ R n — непосредственный выход объекта, Y1 (t ) ∈ R l —
вектор косвенных переменных, по которым можно судить о со-
стоянии объекта,
Y1 (t ) = Y1 (Y , t ) .
Пространство входных переменных также можно разбить на
два подмножества: управляющих переменных U (t ) ∈ R k и пере-
менных ξ (t ) ∈ R q (возмущений), изменяющихся по независимым
от нас и в общем случае априори неизвестным причинам. ξ (t )
отражает влияние внешней среды на объект и может носить слу-
чайный характер. Некоторые переменные из ξ (t ) поддаются кон-
тролю (контролируемые возмущения) и используются для реше-
ния задач управления, другие являются вредными и по отноше-
14
нию к объекту могут рассматриваться как шум. В задачах иден-
тификации предполагается, что влияние среды на объект прояв-
ляется в виде некоторого шума (помехи).
Причинно-следственные связи в объекте на множестве экс-
периментальных данных I э = { Y (t ), U (t ) t ∈ J } можно описать с
помощью математической модели
X& (t ) = F1 ( X , A1 ,U , t ,τ ),
(1.2)
Y (t ) = F ( X , A,U , ξ , t ),
где X (t ) ∈ R m — вектор состояния, τ ∈ J — некоторый интервал
времени (временная задержка), F , F1 — нелинейные операторы,
структура которых известна с точностью до векторов неизвест-
ных параметров A1 (t ) , A(t ) , принадлежащих ограниченной, но
априори неизвестной области G A ⊆ Rυ . Векторы A1 (t ) , A(t ) мо-
гут быть постоянными или изменяться с течением времен t ∈ J
неизвестным образом. Вектор X (t ) в данной записи характеризу-
ет внутренней состояние объекта, а Y (t ) является выходом.
Уравнение (1.2) представляет общую запись процессов, про-
текающих в объекте, в параметрической форме. Из (1.2) можно
получить различные виды параметрических представлений за
счет изменения или преобразования аргументов или вида опера-
торов F , F1 . Данное представление справедливо как для динами-
ческих, так и статических объектов. Для динамических объектов
из (1.2) можно получить модель в пространстве состояний. При
этом первое уравнение описывает эволюцию внутреннего со-
стояния объекта (модель состояния), а второе — процесс измере-
ния (модель наблюдения). Рассмотрим некоторые частные случаи
уравнения (1.2), которые соответствуют часто применяемым па-
раметрическим моделям в системах управления.
Наиболее общим классом параметрических моделей являют-
ся динамические, которые можно разделить [10] на безынерци-
онные и инерционные. Предлагаемая классификация основана на
анализе и использовании информации I э , наблюдаемой на неко-
тором интервале J = [t0 , t к ] и наиболее полно соответствует про-
блеме идентификации. Обычно к динамическим относят модели,
описывающие процессы, обладающие свойством инерционности.
15
Под инерционностью понимают реакцию объекта на входное
воздействие. В такой трактовке понятие инерционности (дина-
мизма) ассоциируется с парой (U , Y ) объекта. Безынерционные
динамические модели включают в себя еще одну переменную —
время, которое в некоторых случаях может выступать и как вход-
ная переменная, и как переменная, отражающая предысторию
объекта. Учитывая приведенные рассуждения, динамическую
модель можно представить следующим образом.
Введем переменную τ ∈ J = [t0 , t к ] и будем полагать, что
t0 ≤ τ ≤ t . Тогда из уравнения (1.2) можно получить динамиче-
ское представление в пространстве {U , Y }
Y (t ) = F ( A, Y (τ 1 ), U (τ 2 ), ξ (τ 3 ),τ i ∈ [tτ i , t ], i = 1,3 ) , (1.3)
где tτ i ≥ t0 .
Из (1.3) видно, что динамические свойства объекта могут оп-
ределяться как собственно его внутренней структурой, так и ди-
намическими свойствами входа U (t ) и помехи ξ (t ) . Рассмотрим
некоторые частные случаи (1.3).

1.2.1. Безынерционные динамические модели

1.2.1.1. Модель тренда. Широко применяется в задачах про-


гнозирования и сглаживания временных рядов [6, 45]. Для случая
Y (t ) = y (t ) , y ∈ R модель записывается в виде
y (t ) = F ( A, t ) + ξ (t ) , (1.4)
где ξ (t ) ∈ R — случайный процесс, F ( A, t ) — известная с точно-
стью до вектора параметров A функция времени.
Модель (1.4) может быть как линейной, так и нелинейной по
A , а время t непрерывным или дискретным.
1.2.1.2. Регрессионная модель. Имеет вид
y (t ) = F ( A,U , t ) + ξ (t ) , (1.5)
y (t ) = F ( A1 ,U (τ 2 ,τ 2 ∈ [tτ 2 , t ]) + ξ (τ 3 ,τ 3 ∈ [tτ 3 , t ]) , (1.6)

16
где A, A1 — векторы параметров, U (t ) — вектор входа (управ-
ления), ξ (t ) — случайное возмущение.
Модель (1.6) является обобщением статической регрессион-
ной модели (1.5). Уравнение (1.6) при ξ (t ) = 0 и дискретном t
получило название модели скользящего среднего [10], а при
ξ (t ) ≠ 0 представляет собой модель скользящего среднего с ди-
намической спецификацией для стохастической части [49].
Как и в (1.4), так и (1.6) предполагается, что структура опера-
тора F (⋅) задана с точностью до вектора неизвестных параметров
A1 . Поэтому все выше сказанное в пункте 1.2.1.1 относительно
свойств F (⋅) справедливо и в этом случае.
Таким образом, безынерционные динамические модели (1.6)
характеризуются временным распределением (лагом) перемен-
ных U (t ), ξ (t ) .
Уравнение (1.5) используется в системах управления стати-
ческими объектами [51, 56].

1.2.2. Инерционные динамические модели

Из всего разнообразия динамических моделей с «памятью»


[12, 35, 56] рассмотрим только те, которые имеют параметриче-
ское представление. Основным представителем этого класса
уравнений являются модели, описываемые обыкновенными диф-
ференциальными уравнениями. Последние могут быть линейны-
ми или нелинейными как по параметрам, так и переменным; ста-
ционарными и нестационарными по A , одномерными и много-
мерными; стохастическими, если вектор A(t ) или ξ (t ) носят слу-
чайный характер, и детерминированными.
Множество динамических процессов в объектах управления
можно описать с помощью дифференциального уравнения с од-
ним входом и выходом
a0 y ( m ) + a1 y ( m−1) + K + a m y = b0 u ( k ) + b1u ( k −1) + K + bk u + ξ . (1.7)
Из (1.7) можно получить операторное представление объекта
через передаточную функцию.
От уравнения (1.7) нетрудно перейти к конечно-разностному

17
представлению. Полагая t = nτ , где n = 0,1,K , τ — интервал съе-
ма данных, и вводя оператор z сдвига назад
zy( n ) = y ( n − 1) ,
получим
D y ( z ) y ( n ) = Du ( z )u( n ) + ξ ( n ) , (1.8)

где D y ( z ) = a0 z m + a1 z m−1 + K + a m , Du ( z ) = b0 z k + b1 z k −1 + K + b1 .
Если ξ (n ) случайная последовательность, то (1.8) представ-
ляет собой уравнение авторегрессии-скользящего среднего, а при
Du ( z ) = 1 — модель скользящего среднего. В общем случае урав-
нение авторегрессии-скользящего среднего с динамической спе-
цификацией для ξ (n ) имеет вид (1.3).
Уравнения (1.7) - (1.8) можно записать в матричной форме (в
форме Коши или в пространстве состояний). Такое представле-
ние в связи с применением в системах управления средств вы-
числительной техники в настоящее время является общеприня-
тым. Для линейного стационарного объекта уравнение в про-
странстве состояний имеет вид
X& = AX + BU + ξ ,
(1.9)
Y = CX + DU + ζ ,
где X ∈ R m — вектор состояния, A ∈ R m × m — матрица состоя-
ния, U ∈ R k — вектор входа, Y ∈ R n — вектор выхода, B ∈ R m × k ,
C ∈ R n × m , D ∈ R n × k , ζ ∈ R n — ненаблюдаемый вектор ошибок
измерения, ξ ∈ R m — вектор помех.
Матрицы A, B, C , D параметризованы с точностью до некото-
рых векторов AA , AB , AC , AD . Первое уравнение в (1.9) называ-
ют уравнением состояния, а второе — уравнением измерения
(наблюдения). В задачах идентификации матрица D обычно яв-
ляется нулевой.
Аналогичные модели состояния могут быть получены для
нестационарных, нелинейных и дискретных объектов. Если ξ (t )
является белым шумом, то первое уравнение в (1.9) можно рас-
сматривать как стохастическое дифференциальное уравнение в
форме Ито [64].
18
Реализация моделей в пространстве состояний связана с не-
обходимостью оценки ненаблюдаемых компонентов вектора
X (t ) на множестве I э . Часто это сказывается на процессе синтеза
и свойствах алгоритмов адаптации и управления. Для преодоле-
ния указанных трудностей применяются модели с обобщенным
входом (наблюдатели). В этом случае уравнение (1.9) приводится
к так называемой идентификационной форме [78], позволяющей
использовать информацию о входе и выходе объекта. Для объек-
та с одним входом u(t ) и выходом y (t ) модель с обобщенным
входом записывается в виде [27, 78, 79]
y& = AT [ P1T y u ]T ,
(1.10)
P&1 = [ Λ +& Λ ] P1 + [ M 1T y M 2T u ]T ,
где P = [ y P1T u ]T — вектор обобщенного входа, P1 (t ) = P1 ( y , u , t ) ,
Λ ∈ R ( m −1) ×( m −1) — диагональная устойчивая матрица, M i ∈ R m−1
( i = 1, 2 ) — вектор с постоянными параметрами, выбираемый так,
чтобы пара ( Λ , M i ) была наблюдаемой, +& — знак прямой суммы
матриц, A ∈ R 2 m — вектор параметров.
Уравнению (1.10) соответствует одно из представлений объ-
екта в пространстве состояний, получившее название неявной
идентификационной формы. В общем виде уравнение (1.10) мо-
жет содержать вектор обратной связи, зависящий от P(t ) . В этом
случае можно получить каноническое (явное) идентификацион-
ное представление в пространстве состояний [78]. В дискретном
случае (1.10) соответствует разностное уравнение с обобщенным
входом. В общем случае дискретные модели с обобщенным вхо-
дом можно привести к (1.5).
Рассмотренные уравнения являются основой настраиваемых
моделей, применяемых в системах идентификации и управления.
Настраиваемая модель должна в каждый момент времени t выра-
батывать прогноз выходной величины объекта на основе текуще-
го множества экспериментальных данных. Поэтому настраивае-
мую (адаптивную) модель часто называют прогнозирующей.
Близость параметров модели к параметрам объекта служит при-
знаком правильной (адекватной) работы модели.

19
1.2.3. Окрестностные системы

Для описания сложных процессов и явлений могут применя-


ются окрестностные системы [5, 34]. Общее представление окре-
стностных систем имеет вид
X [ a ] = Φ( X [O X [ a ]], U [OU [ a ]]),
(1.11)
Y [ a ] = Ψ (OY [ a ]),
где U [ a ] ∈ R m , X [ a ] ∈ R n , Y [ a ] ∈ R q — вход, состояние и выход
системы в узле a , O X [ a ], Ou [ a ], OY [ a ] — окрестности по входу,
состоянию и выходу системы в узле a .
Система (1.11) может иметь следующие разновидности.
Уравнение
Φ X ( X [O x [ a ]) = ΦU (U [Ou [ a ]]),
описывает класс симметричных систем, а
F (Φ X ( X [O x [ a ]]), ΦU (U [Ou [ a ]]) = 0
класс смешанных систем.
В развернутом виде линейная симметричная и смешанная
системы имеет вид

α
∑ Ω[ a ,α ] X [α ] = ∑ Ξ[ a , β ]U [ β ] ,
∈O X [ a ] β ∈OU [ a ]

α
∑ Ω[ a ,α ] X [α ] + ∑ Ξ[ a , β ]U [ β ] = 0 ,
∈O X [ a ] β ∈OU [ a ]

где Ω[ a ,α ] ∈ R c×n , Ξ[ a , β ] ∈ R c×m — постоянные матрицы,


(α , β ) ∈ A — множество значений аргумента, # A = N , # — мощ-
ность множества. В общем случае предполагается, что
O X [ a ] ≠ OU [ a ] ≠ OY [ a ] .

20
1.3. Критерии идентификации

Выбор критерия идентификации — один из важнейших эта-


пов решения задачи оптимизации. В системах идентификации
применяется множество критериев, причем в зависимости от
подхода к задаче идентификации они могут структурно отличать-
ся [12, 13, 51, 56, 69].
При статистическом подходе наиболее часто применяется
квадратичный критерий средних потерь от ошибки прогнозиро-
вания, так как он позволяет получить в аналитическом виде алго-
ритм адаптации. Такие критерии является особенно важным при
решении задач идентификации, сводящихся к получению беспо-
исковых алгоритмов параметрического оценивания.
Выбор критерия идентификации основывается на предпочте-
ниях исследователя и отражает область его математических вку-
сов. Основное при выборе критерия — это возможность оценки
качества аппроксимации (адекватности) модели процессов, про-
текающих в объекте. Кроме квадратичного функционала могут
применяться также и другие виды нелинейных функционалов от
ошибки прогнозирования (модульный, показательный, мини-
максный и пр.).
В информационной теории идентификации учет дополни-
тельной априорной информации приводит к формированию кри-
терия — функции потерь — в виде функционала, зависящего от
наименее благоприятного распределения помехи. В [66] показа-
но, что оптимальная функция потерь в данном случае равна лога-
рифмической функции правдоподобия с обратным знаком. При
таком выборе оценки параметров объекта обладают максималь-
ной асимптотической скоростью сходимости.
При функционально-множественном подходе также может
применяться большое разнообразие критериев, отмеченных вы-
ше. Здесь доминирующим является квадратичный критерий или
квадратичная форма от ошибки прогнозирования [27, 39, 62, 81].
Для уменьшения влияния внешних возмущений в функционал
могут вводиться различные взвешивающие функции.
Задача выбора критерия идентификации, наиболее полно
21
учитывающего реальные условия функционирования объекта,
практически не ставилась. В [66] при формировании функции по-
терь учитывалось влияние среды за счет задания статистических
характеристик помехи. В работе [27] предложен функционал, ко-
торый позволяет учесть ограничения, накладываемые на объект.
Для этого в критерий вводится функция, в обобщенном виде
(функциональное ограничение) отражающая априорные и апо-
стериорные сведения о системе «объект + среда». Тем самым на
этапе формирования критерия в него закладывается структура
синтезируемого алгоритма. Другой подход к синтезу алгоритмов
параметрического оценивания основан на применении стандарт-
ного квадратичного критерия (локального) [25], а структура про-
цедуры идентификации формируется на этапе учета имеющейся
информации (априорной или предварительно обработанной), ис-
ходя из условия устойчивости системы.
Итак, несмотря на разнообразие критериев, применяемых в
системах идентификации, отсутствуют какие-либо рекомендации
по их выбору.

1.4. Методы выбора структуры модели

Структурная идентификация сводится к выбору математиче-


ской модели, описывающей процессы в исследуемом объекте.
Каких-либо формализованных процедур априорного выбора
структуры модели до настоящего времени не существует. Объяс-
няется это тем, что [27]:
1) в системах управления используются математические
модели, отражающие наиболее существенные стороны
протекающих процессов. Поэтому в системах идентифи-
кации доминирует концепция черного ящика;
2) попытка использовать физические законы для описания
природы процессов может существенно усложнить про-
цедуру получения математического описания. Поэтому
выбор структуры математической модели может превра-
титься в нереализуемую мечту, так как потребуется опи-
сывать процессы, которые не нашли отражения в физи-
ческих законах или имеют очень сложное математиче-
22
ское представление;
3) идентификация новых (недостаточно изученных) объек-
тов базируется только на концепции черного ящика, а
это, в свою очередь, приводит к появлению априорной
неопределенности, которую необходимо каким-то обра-
зом преодолевать;
4) любой реальный объект всегда связан с внешней средой
и поэтому на этапе выбора структуры модели необходи-
мо учитывать реальные ограничения. Это существенно
влияет на сам подход к получению математического
описания. Математическая модель должна быть конкре-
тизирована только до того уровня, какой допускает
имеющееся информационное множество системы.
Так, в [54] отмечается, что «в настоящее время отсутствует
общепризнанная методология структурной идентификации. При-
чина, по-видимому, заключается в том, что в среде специалистов
существует два различных дисциплинарных образа структурной
идентификации. На концептуальном уровне все специалисты со-
гласны, что интуиция и жизненный опыт… играют существен-
ную роль. На уровне же конкретного теоретического исследова-
ния основные… усилия направлены на структуризацию и абсо-
лютную формализацию данного процесса».
Следует заметить, что в силу исторических обстоятельств
доминирующую роль в теории идентификации занимают стати-
стические методы. С помощью этих методов [56, 69, 77] удалось
решить такие задачи структурной идентификации как выбор наи-
более существенных переменных, оценка степени нелинейности
объекта, выбор шага дискретизации съема экспериментальных
данных и другие, т. е. таких проблем, которые позволяют более
обоснованно подходить к выбору структуры модели.
В [6] предлагается теоретико-эмпирический подход к выбору
структуры модели. Сначала на основе априорной информации об
изучаемом процессе или объекте формируется предполагаемая
структура модели. Затем на основе экспериментальных данных
выполняется проверка модели на адекватность и в случае неудов-
летворительных результатов в нее вносятся структурные измене-
ния или выполняется адаптация ее параметров. Это общеприня-
тый подход к выбору структуры.
23
В [77] приводится процедура, которая детализирует подход,
предложенный в [6], с учетом дополнительной априорной ин-
формации о системе "объект + среда". Процедура включает в себя
выбор типа модели (нелинейная, линейная и т. п.), определение
порядка модели. Далее следует произвести параметризацию мо-
дели, которая для класса линейных моделей сводится к заданию
множества передаточных функций и модели описания шума.
Так как какие-либо формализованные процедуры предложить
очень сложно в силу отмеченных выше причин, то для получения
структуры модели обычно применяются переборные методы на
заданном априори классе моделей. Такой подход является доми-
нирующим. Он так же составляет основу метода группового уче-
та аргументов [15].
Применение переборных процедур требует принятия реше-
ния об останове процедуры структурной идентификации. Сейчас
наиболее разработаны методы структурной идентификации для
линейных по параметрам моделей. Выбор критерия зависит от
типа возмущений, действующих на объект, и целей, которые пре-
следуются при идентификации. Наиболее часто применяют сле-
дующие функционалы, учитывающие адекватность модели и ее
порядок.
1. Информационный критерий Акаике (AIC) [77]
1 k
AIC ( k ) = − LN ( e, X , Aˆ ) + , (1.12)
N N
где k — порядок модели; LN ( e, X , Aˆ ) — логарифмическая функ-
ция правдоподобия, зависящая от ошибки предсказания выхода
системы с помощью модели e , X ∈ R m — вектор обобщенного
входа, Aˆ ∈ R k — вектора параметров модели.
Этот критерий существенно ограничивает рост сложности
модели за счет наличия аддитивного члена k / N . Проблема при-
менения критерия AIC состоит в том, что в практических задачах
функция распределения помехи неизвестна. Если помеха имеет
нормальное распределение, то из (1.12) получаем критерий Мал-
лоуза [77]

24
1 ⎛1 ⎞ k
N
1 1
AIC ( k ) = + ln 2π + ln⎜
2 2 2 ⎜⎝ N ∑
n =1
en2 ( Aˆ ) ⎟ + ,
⎟ N

где en ∈ R — ошибка прогнозирования выхода системы, n —
номер измерения, N — длина выборки экспериментальных дан-
ных.
2. Критерий Байеса-Шварца (BSC) [9]
ln N 1
BSC = k + ln e 2 ( Aˆ ) .
2 2
Он применяется при больших выборках экспериментальных дан-
ных.
3. Критерий энтропии модели [72]
BSC = k + ln e 2 ( Aˆ ) .
4. Критерий остаточной суммы квадратов ошибок модели
(RSS) [77]. Он имеет вид
N N
RSS = ∑
n =1
en2 = ∑( y
n =1
n − yˆ n )2 ,

где ŷ n — выход модели.


Величина RSS не может служить критерием для выбора
структуры, поскольку при увеличении сложности модели проис-
ходит все более точное приближение к выходным данным, что
допустимо только при отсутствии возмущений. Однако при за-
данных характеристиках шума могут применяться производные
этого критерия. В частности, если помеха имеет нормальное рас-
пределение, то могут приняться скорректированный RSS -
критерий и статистика Фишера. На критерии остаточной суммы
квадратов ошибок модели основан функционал финальной ошиб-
ка прогнозирования [77]
N +k
FRE ( k ) = RSS ( k ) ,
N −k
который в отличие от приведенных выше критериев не требует
дополнительной информации о свойствах помехи.
Для идентификации порядка динамической системы кроме

25
описанных выше подходов и критериев могут применяться мето-
ды, основанные на анализе автокорреляционной функции [6, 56],
информационной матрицы [73], на статистических методах и
процедурах параметрического оценивания [49, 77]. Это так назы-
ваемые неявные методы определения порядка. В [19] предложен
явный метод нахождения порядка динамической системы на ос-
нове решения некоторого неравенства, полученного на основе
соотношения для ранга матрицы состояния системы.
Из приведенного краткого обзора методов структурной иден-
тификации следует, что наиболее полно эта проблема разработа-
на для класса регрессионных моделей. В основном все процедуры
и методы выбора структуры базируются на проверке статистиче-
ских гипотез и применении различных статистических критериев.
Каких-либо более менее формальных процедур до настоящего
времени так предложено и не было. С чем это связано, было от-
мечено в начале этого параграфа. Пожалуй, разработка более ме-
нее формализованных методов и процедур все-таки требует при-
влечения априорной информации. В случае принятия решений в
условиях неопределенности необходимую дополнительную ин-
формации о структурных свойствах системы можно получить
только на основе анализа имеющегося множества эксперимен-
тальных данных.
Следует заметить, что были также предприняты попытки вве-
сти критерии для оценки степени нелинейности объекта, процес-
сы в котором описываются регрессионными уравнениями. Для
формирования критерия предлагается использоваться аналоги F -
статистики. Такой подход, в частности применял Б. Закс. Правда
применение статистических критериев требует предварительной
группировки данных, а, следовательно, и задания структуры мо-
дели.

26
Глава 2. НАБЛЮДАЕМЫЕ ИНФОРМАЦИОННЫЕ
ПОРТРЕТЫ

Структура разбиения пространства на


фазовые траектории называется фазовым
портретом рассматриваемой динамиче-
ской системы. С геометрической точки
зрения под структурой разбиения фазово-
го пространства на траектории понимает-
ся геометрическая картина взаимораспо-
ложения фазовых траекторий в простран-
стве Ф. Следует отметить, что полное
описание фазового портрета для произ-
вольной динамической системы пред-
ставляет собою очень сложную и до сих
пор нерешенную проблему.
Бутенин Н.В., Неймарк Ю.И., Фуфа-
ев Н.Л. Введение в теорию нелинейных
колебаний.

Дается определение динамической структуры в системах


идентификации — наблюдаемого информационного портрета.
Приводятся примеры наблюдаемого информационного портрета
в пространстве "вход-выход". Показана связь рассматриваемых
информационных отображений с задачами структурной иденти-
фикации. В качестве одного из подходов к предварительной
оценке структуры динамической системы рассматривается при-
менение теории индексов.

2.1. Основные понятия и определения

Рассмотрим систему
X& = F ( X ,U , A, t ),
(2.1)
Y = FY ( X ,U , A1, t ),
где U ∈ ΩU ⊂ U ⊆ R m — вход, Y ∈ Y ⊂ R n — выход системы,
X ∈ X ⊆ Rq — вектор состояния, Y ⊆ X ⊆ Rn , A ∈ R q× p ,

27
A1 ∈ R n×q — матрица параметров, F : R q × R m × J → R q — глад-
кая непрерывно дифференцируемая по X и A вектор-функция,
t ∈ J , FY : R q × R m × J → R n — функция, задающая способ фор-
мирования выхода системы.
К множеству I э будем относить не сами векторы U (t ) и Y (t ) ,
~ ~
а их наблюдаемые (измеряемые) аналоги U (t ) , Y (t ) , которые по-
лучаются в результате применения операторов fU , f Y :

fU : U × J → R m , fY : Y × J → R n , (2.2)

отражающих ошибки измерения. Операторы fU ∈ NU , fY ∈ N Y


определены на множествах NU , N Y , характеризующих неопреде-
ленность процесса измерения. В зависимости от доступности
процесса наблюдения множества NU и N Y могут иметь как не-
четкую (гиперобъемную — гиперкуб, гиперцилиндр) природу, так
и статистическую. Все определяется подходом к решению задачи
идентификации.
Обозначим через Ξ ( t ′; t ′ ≥ t0 ; X (t0 ); U (⋅) ∈ ΩU ) множество
достижимости системы (2.1), то есть совокупность траекторий,
реализованных к моменту времени t ′ ∈ J из начального состоя-
ния X (t0 ) под воздействием входа U (⋅) ∈ ΩU . Множеству Ξ в
пространстве выхода (наблюдаемости) Y ⊆ R n соответствует не-
которое подмножество достижимости Ξ Y ⊆ Ξ , структура которо-
го в силу наложения множеств NU , N Y и включения Y ⊆ X мо-
жет значительно отличаться от Ξ:
Ξ Y = FY (Ξ ) × N Y ⊆ Ξ .
В [41] под информационным множеством системы понимает-
ся множество
~
IΞ = Ξ(t ′; t ′ ≥ t0 ; X (t0 ); U (⋅) ∈ ΩU ) , (2.3)

то есть совокупность всех траекторий системы (2.1) на множестве


~
доступных для измерения входов U (⋅) ∈ ΩU . Таким образом
IΞ ⊆ X ⊂ X .

28
В системах идентификации обычно используется множество
I э . В силу применения операторов (2.2) получим множество на-
блюдения (измерений)
~ ~ ~ ~ ~
I э = I(U ,Y ) = {U ∈ R m ,Y ∈ R n | U (t ) = fU (U , t ) ,
~ , (2.4)
Y (t ) = fY (Y , t ) ∀(t ∈ J ) }
В дальнейшем в отличие от [41] (2.4) будем называть наблюдае-
мым информационным множеством системы (2.1) [31, 32]. Сле-
дует заметить, что множества I э и
I(U ,Y ) = {U ∈ R m ,Y ∈ R n U (t ) , Y (t ) ∀(t ∈ J ) }
имеют одинаковую мощность и определены в одном и том же
пространстве U × Y , но в силу наличия множеств неопределенно-
сти NU , N Y , которые преобразуют множество I(U ,Y ) в I э , имеют
разную структуру [27]
~ ~
I э = I(U ,Y ) = I(U ,Y ) × N U × N Y . (2.5)
Соотношение (2.5) показывает, что, несмотря на то, что мно-
~ ~
жества I (U ,Y ) и I (U ,Y ) имеют одну и туже область определения
J , их области значений не совпадают:
rng( I э ) ≠ rng( I(U ,Y )) .
Представим множество (2.4) в виде
~ ~ ~ ~
I э = I(U ,Y ) = I(U ) U I(Y ) ∀t ∈ J .

Определим бинарное отношение Γ между множествами U и


Y системы (2.1): Γ ⊂ U × Y . Назовем это множество портретом
системы (2.1) в пространстве U × Y . Множество Γ является до-
полнением множества Ξ при проектировании его на U × Y . Соот-
ветствующий фазовый портрет системы (2.1) представим в виде
ΓP ⊂ X \ Y × Y ∀U (⋅) ∈ ΩU . (2.6)

Расширенным фазовым портретом системы будем называть


отображение
ΓP ⊂ X × U (∀U (⋅) ∈ ΩU ) & (∀t ∈ J ) .

29
Определение 2.1 [27, 30]. Рассмотрим наблюдаемое инфор-
~ ~
мационное множество I(U ,Y ) (2.4) системы (2.1), определенное в
пространстве U × Y . Тогда наблюдаемым информационным
портретом системы (2.1) назовем бинарное отношение
~ ~
Γo = Γo ( I э ) ⊂ I(U ) × I( Y ) . (2.7)
Из (2.7) следует, что Γ ⊆ Γo и dom( ΓP ) = rng( Γ ) , то есть ме-
жду ними существует структурное соответствие. Наблюдаемый
информационный портрет в отличие от фазового выходного
портрета позволяет выявить новые свойства системы (2.1), кото-
рые дополняют динамическое множество Ξ и позволяют опреде-
лить ряд новых характеристик, полезных в процессе решения за-
дачи структурной идентификации.

2.2. Примеры наблюдаемых информационных


портретов

Рассмотрим систему
⎡ x&1 ⎤ ⎡ a1 (t ) 1 ⎤ ⎡ x1 ⎤ ⎡b1 ⎤
⎢ x& ⎥ = ⎢a (t ) − α ⎥ ⎢ x ⎥ + ⎢b ⎥ u, (2.8)
⎣ 2⎦ ⎣ 2 ⎦⎣ 2⎦ ⎣ 2⎦
y = x1 ,
где
u(t ) = 2,5 + 0,25 sin(2πωu t) , a1 (t ) = −1,97 + 0,2 sin(2πω1 t) ,
b2 = 1,2 , b1 = 1,5 , a 2 (t ) = −0,9 + 0,18 sin(2πω2 t) .
Портреты ΓP и Γo системы (2.8) показаны на рис. 2.1. Как и
следовало ожидать, множества ΓP и Γo имеют различные струк-
туры, что объясняется, прежде всего, внутренними свойствами
системы (2.8). Поэтому на фазовой плоскости (рис. 2.1а) траекто-
рия имеет более сложный вид. Видно, что процессы в системе
носят колебательный характер.
Для стационарной линейной системы (2.8) ( ω1 = 0, ω2 = 0 )
множества ΓP и Γo структурно изоморфны (рис. 2.2).

30
1,2
x2

1,0

0,8

0,6

0,4

x1
0,2
1,8 2,0 2,2 2,4 2,6 2,8
а)

2,8
u
2,7

2,6

2,5

2,4

2,3

x1
2,2
1,8 2,0 2,2 2,4 2,6 2,8
б)

Рис. 2.1. Фазовый и наблюдаемый информационный портреты для


нестационарной системы (2.8): а) — фазовый портрет, б) —
наблюдаемый информационный портрет

31
1,0
x2
0,9

0,8

0,7

x1
0,6
2,0 2,2 2,4 2,6
а)

2,8
u

2,6

t
2,4

x1
2,2
2,0 2,2 2,4 2,6
б)

Рис. 2.2. Множества ΓP и Γo для стационарной системы: а) —


фазовый портрет, б) — наблюдаемый информационный портрет

Сравнивая рис. 2.1, 2.2, можно отметить, что изменение пара-


метров системы (2.8) приводят к эффекту "умножения частоты".

32
с
1,8 2,0 2,2 2,4 x1 2,6
1,1 1,2
с
x2
нс
x2 1,0
нестационарная 0,9
система
0,9
ωi → 0
0,8
стационарная 0,6
система
0,7

0,6 0,3
1,8 2,0 2,2 2,4 2,6 нс
x1
а)

2,525

2,500

2,475
x1
1,8 2,0 2,2 2,4
б)

Рис. 2.3. Множества ΓP и Γo для стационарной и нестационарной


системы с постоянным входом: а) — фазовый портрет, б) —
наблюдаемый информационный портрет

Естественно, что выходной информационный портрет позво-


ляет не всегда раскрыть новые структурные свойства системы.
Так, если на систему (2.8) действует постоянное возмущение u ,
то множество Γo является неинформативным (рис. 2.3б), несмот-
ря на то, что кривая ΓP может иметь сложный вид (рис. 2.3а) в
зависимости от того, являются ли параметры стационарными или
зависят от времени (см. (2.8)). Важно отметить, что при u = const
система (2.8) неидентифицируема на основе множества I э , что и
33
отражает рис. 2.3б (связь с частотным богатством входа [27]).
Информационный портрет системы в трехмерном пространстве
при u = const показан на рис. 2.4.
Диаграмма на рис. 2.3б отражает только диапазон изменения
выхода системы, скрывая при этом внутреннюю структуру про-
цессов. На рис. 2.3а показаны выходные фазовые портреты сис-
темы (2.8) для двух предельных случаев, когда параметры явля-
ются нестационарными (множества ΓPнс ) и стационарными (мно-
жества ΓPс ). Видно, что переход
aiнс (t ) → aiс (i = 1, 2)
ωi → 0

приводит к деформации границ множества ΓPнс и трансформации


его в ΓPс . В структурном плане деформация приводит к превра-
щению матриц состояния A нс (t ) → Ac при ωi → 0 .

2,5
Γo
2,4
y
2,3

2,2

2,1
2,0 1,0
0,8
2,3
2,4 0,6 x2
2,5
2,6 0,4
u 2,7

Рис. 2.4. Информационный портрет системы (2.8) с u = const

Рассмотрим теперь нелинейный вариант системы (2.8)


⎡ x&1 ⎤ ⎡ a1 (t ) 1 ⎤ ⎡ x1 ⎤ ⎡b1 ⎤ ⎡κ ⋅ sign( x2 )⎤
= +
⎢ x& ⎥ ⎢a (t ) − α ⎥ ⎢ x ⎥ ⎢b ⎥ u + ⎢ 0 ⎥,
⎣ 2⎦ ⎣ 2 ⎦⎣ 2⎦ ⎣ 2⎦ ⎣ ⎦ (2.9)
y = x1 ,
где κ > 0.
34
Соответствующие портреты ΓP и Γo системы (2.9) показаны
на рис. 2.5, а наблюдаемый информационный портрет в про-
странстве { t , u, x1 } — на рис. 2.6.

1,4

x2 1,2

1,0

0,8

0,6

0,4

0,2

0,0

-0,2
1,8 2,0 2,2 2,4 2,6 2,8
x1
а)

2,8

u
2,7

2,6

2,5

2,4

2,3

2,2
1,8 2,0 2,2 2,4 2,6 2,8
x1 б)

Рис. 2.5. Множества ΓP и Γo нестационарной нелинейной системы


(2.9): а) — фазовый портрет, б) — наблюдаемый информационный
портрет
35
Из рис. 2.1, 2.5 видно, что нелинейная структура системы
приводит к изменению как множества ΓP (ср. рис. 2.5а и 2.1а),
так и Γo (ср. рис. 2.5б и 2.1б). В данном случае эти изменения
проявляются при переходе фазовой траектории из одного состоя-
ния в другое, когда начинает сказываться нелинейности в систе-
ме.
Итак, из приведенных примеров видно, что наблюдаемый
информационный портрет отражает структуру системы в про-
странстве U × Y и, в принципе, может использоваться в процессе
решения задачи структурной идентификации.

2,7
x1

2,4

2,1

0 2,8
50
100 2,4 u
t
150

Рис. 2.6. Наблюдаемая траектория системы (2.9) в пространстве


{U ,Y , J }

2.3. Применение индексов для определения


структуры динамической системы

Из приведенных выше примеров видно, что наблюдаемый


информационный портрет можно использовать для принятия
предварительного решения о некоторых структурных свойствах
динамической системы. В последующих главах будет показано,
как на основе анализа НИП можно оценить такие параметры мо-
дели как порядок, линейность и нелинейность системы, а также
36
выбрать информативные параметры. К структурным характери-
стикам системы, отражающим качество ее работы, можно отне-
сти также особые точки в фазовом пространстве. До настоящего
времени на идентификационном уровне задача оценки типа осо-
бой точки в условиях неопределенности не ставилась. Первые
попытки ее решения предприняты в [28, 32]. В [28] для решения
указанной задачи применялся информационный синтез, основан-
ный на анализе информационных портретов. Методы, реализую-
щие данный подход, будут изложены в следующей главе. В [27,
32] дается применение индексов для предварительной оценки
структуры динамической системы. Кроме этого с помощью ин-
декса можно легко решить проблему идентифицируемости сис-
темы на основе НИП.
Возникает естественный вопрос: можно ли по наблюдаемому
информационному портрету судить об особых точках (корнях)
динамической системы. Как было показано в параграфе 2.2, НИП
является трансформацией фазового портрета системы, и, естест-
венно, по нему можно делать некоторые заключения о свойствах
системы.

2.3.1. Индекс особой точки и его свойства

Рассмотрим векторное поле V, заданное на ориентированной


евклидовой плоскости П и порождаемое динамической системой
X& = F ( X , t ) ,
где X ∈ R m , t ∈ J ⊆ R , F : R m × J → R m — гладкая вектор-фун-
кция.
Полю V на евклидовой плоскости
Γ
Π соответствует некоторая замкнутая
кривая Γ (фазовый портрет). Тогда Π
индекс ind ( Γ, V ) [44] — это деленная
на 2π вариация поля V вдоль кривой
Γ. Другими словами, индекс — это
количество оборотов векторного поля
V при обходе кривой Γ (рис. 2.7) в по- Рис. 2.7. Кривая индекса
ложительном направлении. Число обо-
37
ротов берется со знаком плюс, если вектор вращается в направ-
лении ориентации плоскости, и со знаком минус, если в противо-
положном направлении. Приведем некоторые определения и
свойства индекса, следуя [1].
Обозначим через D ⊆ Π область плоскости Π с координата-
ми ( x1 , x2 ) , S 1 окружность на П. Зададим отображение области
D ′ = D \ D0 на окружность S 1

F( X )
Γ : D ' → S 1 , Γ( X ) = , X ∈ R2 ,
|| F ( X ) ||
где D0 — области с особыми точками поля, || ⋅ || — евклидова нор-
ма. Это отображение является гладким. Тогда справедливо сле-
дующее [1]
Определение 2.2. Индексом ориентированной замкнутой
кривой Γ : D' → S 1 называется интеграл
f1 f 2 df1 − f1df 2
dϕ = d arctg = ( fi ( X ) ∈ F ( X ) )
f2 f12 + f 22
по кривой Γ, деленный на 2π ,
1
ind ( Γ ) =

∫ dϕ .
Γ

Итак, индекс связан только с замкнутыми кривыми (фазовы-


ми портретами).
Индекс обладает следующими свойствами [1].
1°. При непрерывной деформации замкнутой кривой ее ин-
декс не меняется, пока кривая не проходит через особые точки.
2°. Индекс кривой не меняется при непрерывной деформации
векторного поля, если только при этом на кривой во все время
деформации нет особых точек.
Определение 2.3. Индекс какой-нибудь достаточно малой
положительно ориентированной окружности с центром в изоли-
рованной особой точке векторного поля называется индексом
особой точки.

38
Определение 2.4. Особая точка векторного поля называется
простой, если оператор линейной части поля в этой точке не вы-
рожден.
К простым точкам на плоскости относят узлы, седла, фокусы,
центры. Индексы простых особых точек равны ± 1 .
Если кривая Γ состоит из нескольких кривых γ 1 , γ 2 , …, то
ind Γ = ind ∑γ
i
i .

Пусть на плоскости Π задано векторное поле, не имеющее


особых точек на кривой S , которая ограничивает компактную
область D . В области D имеется конечное число особых точек.
Тогда справедливы следующие теоремы 1, 2 [1].
Теорема 2.1. Индекс кривой S равен сумме индексов особых
точек поля, лежащих внутри D .
Теорема 2.2. Если индекс кривой S отличен от нуля, то
внутри ограниченной ею области D есть хотя бы одна особая
точка.

2.3.2. Применение индекса в задачах структурной


идентификации с помощью НИП

Условимся считать поворот векторного поля положительным,


если вектор поля совпадает с направлением изменения времени.
Следует отметить, что индекс применяется в фазовом простран-
стве, а наблюдаемый информационный портрет строится в вы-
ходном пространстве системы. Поэтому напрямую перенести ре-
зультаты анализа на основе использования индекса не всегда
корректно. Покажем на примере линейной динамической систе-
мы с одним входом и одним выходом, что такой перенос возмо-
жен [27].
Рассмотрим линейную динамическую систему
X& = AX + Bu,
(2.10)
y = CT X ,
где u ∈ R , y ∈ R — вход и выход системы, X ∈ R q — вектор со-
стояния, A ∈ R q×q , B ∈ R q , C ∈ R q .
39
Для выхода системы (2.10) получаем
t


y (t ) = C T e A( t −t0 ) X (t0 ) + C T e A( t −τ ) Bu(τ )dτ .
t0
(2.11)

~
Представим вектор X в виде X = [ y X T ]T . Тогда для
~
X ∈ R q −1 получим
t
~ ~ ~

A ( t −t0 ) A ( t −τ )
X (t ) = e X (t0 ) + e Bu(τ )dτ , (2.12)
t0
~
где e A ( t −t0 ) — матрица размерности ( q − 1) × q .
Так как уравнение (2.12) является линейным относительно
~
u(t ) , то u(t ) можно выразить через X (t ) . Поэтому u можно ис-
пользовать в качестве новой (виртуальной) фазовой переменной.
~
В силу того, что dim u < dim X , переход от пространства R q к
пространству R 2 (в рассматриваемом случае) в общем случае
может привести к потере некоторых фазовых свойств системы.
Так как отношение Ψ : R q → R 2 переводит одно фазовое про-
странство в другое, то в полученном виртуальном фазовом (вы-
ходном) пространстве также можно применять понятие индекса.
Рассмотрим линейную динамическую систему S ( A,B,C )
(2.10). Так как y ∈ R и u ∈ R , то можно ограничиться рассмотре-
нием наблюдаемого информационного портрета на евклидовой
плоскости Ε. Пусть P — множество кусочно-непрерывных функ-
ций.
Утверждение 2.1. Если кривая Γo наблюдаемого информаци-
онного портрета является замкнутой и ее индекс отличен от
нуля, то она содержит хотя бы одну особую точку системы
(2.10).
Доказательство утверждения 2.1 немедленно следует из ото-
бражения Ψ : R q → R 2 , понятия индекса и теоремы 2.2.
Теорема 2.3. Если u ∉ P и является постоянным, а матрица
A ∈ R q ×q гурвицевой, то система S структурно и параметриче-
ски неидентифицируема на множестве I э .
40
Доказательство теоремы 2.3. Предположим, что Γo содер-
жит особые точки системы S . Так как u = const , то все особые
точки расположены на прямой (в случае R 2 ) или плоскости, ко-
торая проецируется на евклидовую плоскость Ε в виде прямой в
случае q > 2 . Γo является незамкнутой кривой (прямой линией)
и, следовательно, в процессе преобразования она стягивается в
точку, индекс которой равен нулю. 
Теорема 2.3 содержит доказательство того факта, что для по-
лучения параметров (а, значит, и структуры) системы на задан-
ном классе моделей необходимо, чтобы вход u ∈ P , то есть обла-
дал свойством частотного богатства. Если же u ∉ P , то структура
системы является «скрытой» для наблюдателя (стянута в пря-
мую) (см. рис. 2.3).
Теорема 2.4. Если кривая Γo на плоскости Ε является замк-
нутой и ее индекс отличен от нуля, то для порядка системы S
справедливо неравенство q ≥ ind Γo .
Доказательство теоремы 2.4 непосредственно следует из ут-
верждения 2.1 и того факта, что особые точки системы опреде-
ляются корнями матрицы A системы (2.10).

2.4. Определение особой точки по наблюдаемому


информационному портрету

Рассмотрим способы определения положения особой точки.


Большинство аналитических методов основано на дифференци-
ровании отображения Γo и анализе свойств получаемых произ-
водных [52]. Так, если кривая, заданная на плоскости ( x, y ) , опи-
сывается уравнением
F ( x, y ) = 0 ,
где x ∈ R , y ∈ R , то особая точка N 0 определяется из следующей
системы уравнений
∂ ∂
F ( x, y ) = 0 , F ( x, y ) = 0 . (2.13)
дx дy
41
Так как (2.13) имеет место не тождественно, а лишь в рас-
сматриваемой точке N 0 , то вторые частные производные могут в
этой точке не обращаться в нуль. Если же в N 0 имеет место одно
из равенств
Fxx = Fxy = Fyy = 0 ,
а также справедливо (2.13), то N 0 принято называть двойной осо-
бой точкой. Аналогичным образом вводится понятие тройной
особой точки.
Возможен случай, когда в малой окрестности точки
N 0 ( x0 , y0 ) отсутствуют другие какие-либо точки, принадлежа-
щие кривой Γo . В этом случае точка N 0 называется изолирован-
ной. Пример такой точки показаны на рис. 2.8. Для фазового
портрета такая точка соответствует комплексному спектру σ ( λ )
собственных чисел системы и классифицируется как центр.

u'
-0,4 -0,2 0,0 0,2 0,4
1,6 60
y ks(u',y')
40
ks(u',y') t
1,2 0 20
S(N0 )

0
0
N0
0,8 -20
y
N0 -40
γy
0,4 -60
1,0 1,5 2,0
u

Рис. 2.8. Особая точка наблюдаемого информационного портрета

Так как отображение Γo строится на основе множества I э , то


неизвестно его аналитическое описание и изложенным подходом
воспользоваться нельзя. Но можно применить численное диффе-

42
ренцирование для определения наличия особой точки. Так, на
рис. 2.8 приведен пример определения особой точки для НИП,
показанного на рис. 16. На рис. 2.8 использованы следующие
обозначения: u ′ = du / dt , k s' = k s (u ′, y' ) = y ′ / u ′ — коэффициент
структурности системы (2.8) на множестве {u ′, y' } . Так как k s' за-
висит от y ′ и u ′ , то его обращение в нуль может свидетельство-
вать о наличии особой точки в системе.
Из рис. 2.8 видно, что точка N 00 (0; 0) на плоскости (u ′, k s' ) яв-
ляется центром (узлом) некоторого подмножества S ( N 00 ) , в кото-
ром происходит изменение направления движения в системе. На
плоскости (u, y ) N 00 (0; 0) соответствует точка N 0 (1,5; 0,768) , ко-
ординаты которой равны медиане переменных u, y . Так как ото-
бражение h : M f → M o в общем случае не является гомеомор-
физмом, то в отображении Γo не удается сохранить все свойства,
присущие фазовому многообразию M f . Это связано с тем, что
для наблюдаемого многообразия M o справедливо условие:
deg M f ≤ deg M o . Поэтому перенос классификации особых точек
системы из фазового пространства на наблюдаемое пространство
является некорректным.

43
Глава 3. СТРУКТУРНАЯ ИДЕНТИФИКАЦИЯ ДИНАМИ-
ЧЕСКИХ СИСТЕМ

Математическое понятие структуры


неотделимо от понятий «множество»,
«элемент», «отношение», «операция» и т.
д.
Эбелинг В. Образование структур
при необратимых процессах.
Нелинейность всепроникающа и вез-
десуща, многолика и неисчерпаемо мно-
гообразна. Она повсюду: в большом и
малом, в явлениях быстротечных и для-
щихся эпохи… Нелинейность — понятие
емкое, с множеством оттенков и града-
ций. Нелинейность эффекта или явления
означает одно, нелинейность теории —
другое.
Данилов Ю.А. Нелинейность.
Излагаются методы структурной идентификации динамиче-
ских систем на основе анализа информационных портретов, ко-
торые могут быть как наблюдаемыми, так и виртуальными, отра-
жающими состояние системы идентификация на данном этапе
информационного синтеза. Вводится понятие коэффициента
структурности системы. Описывается процедура нахождения по-
рядка модели, основанная на оценке ширины интервала измене-
ния коэффициента структурности. Предложен алгоритм иденти-
фикации типа точки равновесия динамический системы на основе
наблюдаемого информационного множества. Приводится проце-
дура оценки структуры модели, описывающей нелинейную часть
системы. Показана связь между характеристическими числами
Ляпунова и коэффициентом структурности системы. Предложен
адаптивный алгоритм оценки спектра собственных чисел линей-
ной части динамической системы на основе специальным обра-
зом сформированного информационного множества. В заключе-
ние изложен подход к определению параметрических ограниче-
ний в условиях неопределенности.

44
3.1. Коэффициент структурности динамической
системы

Так как предметом теории идентификации является исследо-


ванием связей «вход-выход» системы, то на множестве I э введем
коэффициент структурности, который является оценкой струк-
турных свойств системы. Для динамической системы (2.1) с од-
ним входом u ∈ R и выходом y ∈ R он имеет вид
y (t )
k s (t ) = . (3.1)
u (t )
Из (3.1) следует, что k s (t ) является текущей оценкой коэф-
фициента при переменной u для каждого момента времени. Сле-
довательно, коэффициент структурности можно использовать в
качестве критерия стационарности системы, а при некоторой мо-
дификации и в качестве критерия оценивания порядка математи-
ческой модели.
2,8
y 2,6
u, ks 2,4 u
2,2
y
2,0
1,8
нс
ks
1,0
с
ks
0,9

0,8
t
0 25 50 75 100 125 150

Рис. 3.1. Временные диаграммы изменения наблюдаемого


информационного множества и k s системы (2.8)

На рис. 3.1 приведен пример изменения коэффициента струк-


турности k s (t ) для системы (2.8) с нестационарными и постоян-
ными параметрами. k s в каждый момент времени можно рас-
сматривать как статический коэффициент передачи системы. Для
45
нестационарной системы он лежит в диапазоне [0.8; 1.02]. Рис.
3.1 (в верхней части) отражает также изменение элементов на-
блюдаемого информационного множества во времени.
На рис. 3.2 показано изменение элементов множества I э и
коэффициента k s для нелинейной системы (2.9). Из рисунка вид-
но, что система является нестационарной и нелинейной, причем
нелинейность проявляется только при смене знака производной
y ∈ R . Это наводит на мысль о наличии в системе нелинейности
(релейного типа).
Если y ∈ R n , u ∈ R m , то можно вычислять коэффициенты
структурности для каждого канала "вход-выход"
yi ( t )
k sij (t ) = , i = 1, n , j = 1, m .
u j (t )

2,8
y, u 2,6
ks 2,4 u
2,2 y
2,0
1,8

1,2
1,1
1,0
ks
0,9
0,8 t
50 60 70 80 90 100

Рис. 3.2. Временные диаграммы изменения наблюдаемого


информационного множества и k s системы (2.9)

В некоторых случаях, например, при получении параметри-


ческих ограничений, можно ввести интегрированный коэффици-
ент структурности
|| y (t ) ||
k sI (t ) = ∀t ∈ J ,
|| u(t ) ||
где || ⋅ || — евклидова норма.
46
Изложенный подход можно распространить на статические
объекты. Более подробно об этом речь пойдет в главе 4. Для ста-
тических объектов коэффициент структурности можно использо-
вать в качестве предварительной оценки параметров модели.
Изложим метод оценки порядка модели динамической сис-
темы на основе анализа изменения коэффициента структурности.

3.2. Определение порядка линейной динамической


системы на основе анализа коэффициента
структурности

Известно, что порядок динамической системы определяется


его линейной частью, поэтому коэффициент структурности k s
можно использовать в качестве критерия структурной идентифи-
кации. Так как анализ наблюдаемого информационного портрета
выполняется в пространстве наблюдаемых переменных, то коэф-
фициент структурности k s носит обобщенный характер и в об-
щем случае не позволяет судить о структурных свойствах дина-
мической системы. Это, в свою очередь, требует привлечения но-
вых подходов к анализу имеющейся информации. Ниже излага-
ется метод оценки порядка модели [30], основанный на расшире-
нии входного пространства системы путем введения вспомога-
тельных переменных, которые позволяют учитывать динамиче-
ские свойства системы.
Рассмотрим систему [78]
~
X& = A X + Bu,
(3.2)
T
y =C X,
где u ∈ R , y ∈ R — вход и выход системы, X ∈ R m , B ∈ R m ,
C ∈ Rm ,
~ ⎡ HT ⎤ m×m
A = ⎢ A1 ⎥∈R ,
⎣ Λ ⎦
A1 ∈ R m — вектор параметров, H ∈ R m−1 , Λ ∈ R ( m−1)×( m−1) , пара
( H , Λ ) является управляемой, спектр σ ( λ ) собственных чисел
матрицы Λ лежит в левой полуплоскости.
47
Систему (3.2) можно привести к следующей выходной форме
с обобщенным входом [27, 78]
y& = AT P , (3.3)
где A ∈ R 2 m — вектор параметров, A = A( A1 , B ) , P ∈ R 2 m — обоб-
щенный вход, P = [ y PyT u PuT ]T , Py ( u ) ∈ R m−1 — вектор, получен-
ный путем пропускания переменных y, u через вспомогательную
устойчивую систему.
Для системы (3.3) известно множество экспериментальных
данных
I э = { y ( t ), u (t ) t ∈ J } . (3.4)
На основе (3.4) и НИП определяется коэффициент структур-
ности
y (t )
k s (t ) = . (3.5)
u(t )
Назовем

D k s = max ks (t ) − min ks (t ) (3.6)


t∈I э t∈I э

шириной интервала изменения коэффициента k s .


Ставится задача: на основе анализа множества I э необходи-
мо найти порядок m системы (3.2) таким образом, чтобы мини-
мизировать ширину интервала изменения коэффициента k s
min D ks → m* . (3.7)
m

Для системы (3.3) порядок системы понимается как число m ,


соответствующее размерности вектора W = [ y PyT ]T .
При решении практических задач вместо (3.7) можно потре-
бовать выполнения более слабого условия
D ks ≤ Δ D ,
где Δ D < ∞ — некоторая величина, которая обычно задается ис-
ходя из конструктивных соображений.

48
Так как dim u < dim P , то вычисление k s на основе (3.4) мо-
жет привести к неполноте учета структурных (динамических)
свойств системы. Учитывая это, предлагается следующий алго-
ритм определения m [30].
1. Для ∀t ∈ J на основе (3.4) вычислить величину коэффици-
ента структурности k s и по нему найти ширину D ks согласно
(3.6). Обозначить i = 0 , d i =| D ks | , m = 1 , pi (t ) = u(t ) .
2. Положить i = i + 1 и сгенерировать вспомогательные пере-
менные pui и p yi путем решения системы с нулевыми начальны-
ми условиями
⎧⎪ p& ui (t ) = −α i pui (t ) + u(t ),
⎨ (3.8)
⎪⎩ p& yi (t ) = −α i p yi (t ) + y (t ),
где α i > 0 .
3. Сформировать сигнал
pi (t ) = pi −1 (t ) + pui (t ) + p yi (t ) (3.9)

и для него определить коэффициент структурности k si


y (t )
k si (t ) = (3.10)
pi (t )
и ширину d i .
4. Сравнить d i −1 и d i . Если ( d i < d i −1 ) & ( d i ≤ Δ D ) , то поло-
жить m = m + 1 и закончить процедуру. В противном случае пе-
рейти к шагу 2.
Пример определения порядка модели для стационарной сис-
темы (3.4) показан на рис. 3.3. Здесь использованы следующие
обозначения: k s1 вычисляется согласно (3.5),
y (t ) y (t )
k s2 (t ) = , k s2* (t ) = .
u (t ) + pu (t ) + p y (t ) pu ( t ) + p y ( t )
Ширины интервалов изменения коэффициентов структурно-
сти, соответственно, равны d1 = 0.183 ; d 2 = 0.05 ; d 2* = 0.026 .
На основе полученных результатов можно сделать вывод о
том, что для идентификации системы (3.4) можно применить ли-
49
нейную динамическую модель второго порядка со структурой
вектора P(t ) , соответствующей коэффициенту k s2* .

1,0

ks
0,8
d1=0,183 1 2
ks ks
0,6

0,4

0,2
2*
d2=0,05 ks d2=0,026

0,0
0 5 10 15 20 25 30
t

Рис. 3.3. Интервал изменения коэффициента структурности

Если система является нелинейной, то следует выполнить


процедуру кластеризации множества I э ∀t ∈ J
I э = I lэ U I nэ
с тем, чтобы выделить подмножество данных I lэ , позволяющее
идентифицировать линейную часть системы. На множестве I lэ
можно реализовать описанный выше алгоритм.
Замечание. Так как коэффициент структурности k s содержит
динамическую составляющую и переменная pi (t ) , используемая
в (3.10), в реальных системах представляет собой взвешенную
комбинацию сигналов pui (t ), p yi (t ) , то вместо
min D ks → 0
m

в алгоритме используется более слабое условие


D ks ≤ Δ D ,
которое учитывает специфику системы.
Итак, справедлива следующая
50
Теорема 3.1. Рассмотрим систему (3.3) с обобщенным вхо-
дом. Для нее известно информационное множество I э (3.4). Если
существует такое значение m* ∈ Z , которое обеспечивает вы-
полнение условия
⎛⎜ min D → 0 ⎞⎟ ∨ (D ≤ Δ ) ,
⎝ m ks ⎠ ks D

где D ks ( k si , m) определяется согласно (3.6), k si — коэффициент


структурности, определяемый согласно (3.9), (3.10), Z — мно-
жество целых чисел, то m* = m можно использовать в качестве
оценки порядка системы (3.3).

3.3. Определение типа особой точки


динамической системы

При анализе качества динамических систем большое внима-


ние уделяется вопросам устойчивости. Для этого часто применя-
ют метод фазовой плоскости, позволяющий исследовать поведе-
ние системы вблизи особой точки (состояния равновесия). Эта
задача хорошо исследована для систем второго порядка в случае,
когда известна математическая модель [3]. Обычно определяются
корни характеристического уравнения, по которым делается за-
ключение о типе особой точки. Вопрос существенно усложняется
при учете нелинейных членов. Для принятия решения в этом слу-
чае применяют различные косвенные методы, основанные на
оценке индекса особой точки, теореме Пуанкаре-Бендиксона и
другие. В условиях неопределенности, когда отсутствует матема-
тическое описание, применение указанных методов требует про-
ведения предварительной идентификации системы. Такой подход
связан с решением ряда проблем.
Ниже предлагается приближенный метод оценки типа со-
стояния равновесия динамической системы [18] на основе анали-
за информационного множества I э , который сводится к иденти-
фикации частного решения системы с целью выделения общего
решения при некотором начальном состоянии. При этом собст-
венные числа динамической системы не оцениваются. Задача ре-
шается на классе статических моделей.
51
3.3.1. Постановка задачи

Рассматривается линейная динамическая система


X& = AX + BU ,
(3.11)
Y = CX + DU ,
где X ∈ R m — вектор состояния, U ∈ R k , Y ∈ R n — вход и выход
системы, A ∈ R m×m , B ∈ R m×k , C ∈ R n×m , D ∈ R n × k .
Для (3.11) имеется экспериментальная информация
I э = {Y (t ), U (t ), t ∈ J = [t0 , t1 ] } . (3.12)
Решение системы (3.11) имеет вид
X (t ) = X (t0 ,U , t ) (3.13)
где X — оператор, однозначно определяемый матрицами A, B .
Учитывая (3.12), из (3.13) получаем решение системы (3.11)
при X 0 = X (t0 )
X (t ) = X g (t ) + X q (t ) , (3.14)
где X q (t ) — частное решение с U ∈ I э , X g (t ) — общее решение
с U (t ) = 0 при неизвестном X 0 ∈ I э . Обозначим через X g ( X 0 , t )
общее решение (3.11) с X 0 = X 0 (Y0 ) ∈ I э .
Задача состоит в нахождении оценки общего решения
X g (t ) = X g ( X q , X 0 , t ) на множестве I э и принятии решения о со-
стоянии равновесия.

3.3.2. Модели и подходы к решению задачи

Процедура решения задачи основана на реализации двух эта-


пов: идентификации решения X q (t ) и последующем определении
X g (t ) как функции от X q (t ) . На классе динамических систем
(3.11) выделение частного решения в условиях неопределенности
является непростой задачей. Для разделения решений в (3.14)
проще всего X q (t ) идентифицировать на классе статических мо-
делей, то есть искать зависимость X q (t ) = X q (U , t ) . Структура

52
модели для оценивания X q (t ) во многом зависит от частотного
спектра выхода Y (t ) . Кроме этого, модель должна компенсиро-
вать динамическое запаздывание, присущее системе (3.11).
Изложим метод решения задачи на примере системы (3.11)
второго порядка с одним входом и выходом. Обозначим y = Y ;
u = U , D y (ω ) , Du (ω ) — частотные спектры сигналов u, y . Пусть
|| y (t ) || < ∞ , || u(t ) || < ∞ . Предположим, что D y (ω ) = Du (ω ) , то есть
система (3.11) является линейной и стационарной. Действитель-
ные части корней характеристического уравнения системы (3.11)
λi в силу сделанных предположений будут отрицательными:
Re λi ≤ 0 i = 1, 2 .
Предположим, что I э можно представить в виде
I э = I эq ( J q ) U I эg ( J g ) , (3.15)

где J q U J g = J ⊆ R , I qэ , I эg — множества, содержащие информа-


цию о X q и X g .
На множестве I qэ ( J q ) будем оценивать частное решение сис-
темы (3.11). Так как x1 = y ∈ R , то для получения компоненты
x2 = x&1 вектора X ∈ R 2 воспользуемся операцией дифференци-
рования переменной y . Обозначим x2 = y& .
Утверждение 3.1. Для идентификации X q (t ) на множестве
I qэ можно применить модель
Xˆ q (t ) = Aˆ qW (t ) ∀t ∈ J q , (3.16)

где Aˆ q ∈ R 2 ×2 — матрица параметров модели, W = [u u ′]T .


Доказательство утверждения непосредственно следует из то-
го, что сигнал u ′(t ) относительно u(t ) имеет фазовый сдвиг и за
счет подбора элементов матрицы Âq можно обеспечить компен-
сацию временного запаздывания, присущего (3.11).
Модель (3.16) можно рассматривать как секущую наблюдае-
мого информационного портрета. Более подробно этот вопрос
освещается в следующей главе.
53
На основе модели (3.16) на множестве I эg определяем оценку
частного решения Xˆ q (t ) системы. Затем, зная Xˆ q (t ) , находим
оценку общего решения
Xˆ g (t ) = X (t ) − Xˆ q (t ) ∀t ∈ J g ,

где Xˆ g (t ) = [ yˆ g (t ) yˆ& g (t )]T .


После получения вектора X̂ g строим отображение (инфор-
мационный портрет) Γg ⊂ { yˆ g }×{ yˆ& g } на фазовой плоскости и оп-
ределяем тип точки состояния равновесия.
Если множество I э не удается представить в виде (3.15), то
предварительную оценку типа особой точки системы (3.11) мож-
но получить следующим образом. Найдем частую производную
T
∂X ⎡ ∂y ∂xˆ 2 ⎤ T
Fg = =⎢ = [ f f ] .
∂u ⎣ ∂u ∂u ⎥⎦
1 2

Построим отображение ΓgF ⊂ { f1}×{ f 2 } , которое назовем F-


характеристикой системы (3.11). Для линейной системы (3.11)
вектор Fg равен
t


Fg = e A( t −τ ) Bdτ .
t0
(3.17)

и в зависимости от спектра σ = {λ1 , λ2 } может содержать как экс-


поненты, так и вековые члены и синусоиды. Для удобства (3.17)
будем называть F-системой.
Определение. Будем говорить, что поведение двух динами-
ческих систем качественно совпадает на фазовой плоскости, если
они имеют один и тот же тип состояния равновесия.
Теорема 3.2. Для системы (3.11) отображение ΓgF качест-
венно совпадает с Γg .
Доказательство 3.2. Fg является вектором состояния систе-
мы (3.17) с входом u(t ) = 1 и нулевыми начальными условиями.
Системы (3.11) и (3.17) имеют одинаковый спектр собственных
54
чисел. Отсюда следует утверждение теоремы.ƒ
Различие между системами (3.11) и (3.17) состоит в следую-
щем.
1. Для (3.11) неизвестны начальные условия, а для (3.17) они
являются нулевыми. Это отличие отражается на начальном этапе
изменения отображений ΓgF , Γg .
2. Так как для системы (3.11) получена оценка общего реше-
ния, то для определения соответствующих результатов для F-
системы необходимо применить описанный выше подход.
3. Следует правильно выбрать интервал для представления
отображения ΓgF .
Итак, предложено два подхода к оценке типа состояния рав-
новесия динамической системы. Один из них основан на иденти-
фикации частного решения системы на классе статических моде-
лей, а второй — на определении F-характеристики системы.

3.3.3. Критерии оценки типа точки состояния


равновесия

Выше был изложен подход к оценке типа точки состояния


покоя на основе выделения свободной составляющей решения и
анализа ее поведения для системы второго порядка. Приведем
приближенные критерии оценки точки состояния равновесия на
основе анализа результатов идентификации, так как они не тре-
бует знания отображения Γg .
Пусть в результате идентификации получено информацион-
ное множество
I ˆ = { Xˆ g (t ) t ∈ J g } .
Xg

Необходимо на основе анализа I X̂ принять решение о типе


g
состояния равновесия.
Известно [57], что для кривой, описываемой уравнением
f ( v, z ) = 0 , условие существования особой точки M 0 ( v0 , z0 ) име-
ет вид

55
f ( v0 , z0 ) = 0,
∂ ∂ (3.18)
f ( v, z ) = 0, f ( v, z ) = 0.
∂v ∂z
Эти условия не является необходимым. Оно позволяет определять
только состояние равновесия для простейших динамических сис-
тем. К ним, в частности, можно отнести узел.
Для систем второго порядка кривая на фазовой плоскости
(отображение Γg ) описывается в параметрической форме, то есть
Xˆ g = Ψ (t ) . Тогда условие существования особой точки
M 0 ( yˆ g0 , yˆ& g0 ) записывается следующим образом

Ψ (t 0 ) = 0, Ψ ′(t 0 ) = 0 , (3.19)
где yˆ g0 = yˆ g (t∗ ) , yˆ& g0 = yˆ& g (t∗ ) , t∗ > t0 — момент времени, для кото-
рого выполняется (3.18).
1. Критерий определения устойчивого узла (КУ). Если век-
тор Xˆ g (t ) является гладкой функцией для почти всех ∀t ∈ J g , а
его производная Xˆ g′ (t ) непрерывно убывает и для некоторого
t∗ ∈ J g
Xˆ g′ (t∗ ) = 0 , Xˆ g (t∗ ) = 0 , (3.20)
то система (3.11) с m = 2 имеет устойчивый узел.
Первое условие (3.20) несколько ослабляет (3.19), так как
операция численного дифференцирования очень чувствительна к
ошибкам. Второе условие (3.20) непосредственно следует из оп-
ределения особой точки.
Примечание. Так как задача решается на множестве I X̂ , то
g
в качестве точки M 0 можно взять начало координат на фазовой
плоскости.
2. Критерий определения устойчивого фокуса (КФ). Если
вектор Xˆ g (t ) является гладкой функцией для почти всех t ∈ J g , а
его производная Xˆ g′ (t ) непрерывно убывает и при достаточно
больших (t∗ > t0 ) ∈ J g

56
Xˆ g′ (t∗ ) → 0 , Xˆ g (t∗ ) ∈ OM 0 , (3.21)
где OM 0 — окрестность точки M 0 , то система (3.11) имеет со-
стояние равновесия устойчивый фокус.
В данном случае условия (3.20) не выполняется. В силу пред-
положения об убывании вектор Xˆ g′ (t ) может достичь точки O
только при достаточно больших значениях, то есть при t → ∞ .
Если при этом выполняется включение Xˆ g (t∗ ) ∈ OM 0 , то получа-
ем все признаки наличия особой точки, которая в отличие от
(3.20) является устойчивым фокусом.
3. Критерий определения центра (КЦ). Если векторы
Xˆ g (t ) , Xˆ g′ (t ) являются гладкими функциями для почти всех
t ∈ Jg и
|| Xˆ g (t ) || ≥ α g , || Xˆ g′ (t ) || ≥ β g ∀t ∈ J g , (3.22)
где α g > 0 , β g > 0 , || ⋅ || — норма вектора, то система (3.11) имеет
состояние равновесия центр.

3.3.4. Примеры идентификации состояния равновесия

Рассмотрим линейную систему (3.11) второго порядка с си-


нусоидальным входом. Применим разработанный выше подход к
идентификации состояния равновесия. Рис. 3.4 отражает резуль-
таты идентификации типа особой точки системы, когда собст-
венные числа λ1 = −1, λ 2 = −3 . На рис. 3.4а показана реакция сис-
темы (3.11) на начальные условия при u(t ) = 0 , а на рис. 3.4б при-
веден фазовый портрет (3.11). На фазовой плоскости ( yˆ g , y&ˆ g )
(рис. 3.4в) представлена оценка свободного движения системы
(3.11) с помощью предложенной выше процедуры идентифика-
ции общего решения. Из рисунка следует, что системе соответст-
вует устойчивый узел.

57
1
1 y′ 1,0 y′g эталон
б) yˆ ′g
0,5 0,8 0
yg
-1 0 1 2 3
0
0 1 2 3 y 0,6
-1
-0,5 0,4
фазовый
-1
портрет 0,2 -2 а)
0,0
-0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 ŷ g
-0,2 Γg

-0,4 t↑
-0,6 оценка свободного
-0,8
движение
в)

Рис. 3.4. Результаты идентификации типа состояния равновесия для


линейной стационарной динамической системы второго порядка

2
2 f1, f2
f2 1 f1

0 t
1 0 4 8 12 16 20
-1 f2

-2
0 f1
-3,0 -1,5 0,0 1,5 3,0 4,5

ΓgF
-1

-2

Рис. 3.5. F-характеристика линейной динамической системы второго


порядка с λi < 0

58
На рис. 3.5 показана F-характеристика системы (3.17), кото-
рая также подтверждает сделанный вывод о типе особой точки.

y' 5
г) y′g 3
фазовый
портрет
2,5 yˆ g′ 3
1,5
y
-3 -2 -1 00 1 2 3 0
2 -1 0 1 2 3
-2,5
эталон -1,5 yg
-5 а)
1 Γg -3

ŷ g
0
-1,5 -1,0 -0,5 0,0 0,5 1,0 1,5
30
3
-1 f2 б)
y НИП 15
2
f1
1 -2
0
-30 -15 0 15 30
0
в) ΓgF
u -3 -15
-1
2 4 6 8
-30

Рис. 3.6. Результаты идентификации состояния равновесия для


линейной стационарной динамической системы второго порядка с
мнимыми корнями

3 фазовый
0,50
yˆ g′ y′g реакция на
y'1,5 портрет 2 начальные условия

0 а)-1 0 yg
0 1 2 0 1 2 3
-1,5 y 0,25
-2
г) эталон
-3
-4

0,00
ŷ g
-0,2 -0,1 0,0 0,1 0,2
2
y в)
1,5 НИП
10
f2
-0,25 5
1
0

0,5
Γg -4 -2 0 2

ΓgF -5
f1
-10
0 -0,50
2,5 5 7,5 б) -15
u

Рис. 3.7. Идентификация состояния равновесия для линейной


стационарной динамической системы второго порядка с
комплексными корнями
59
На рис. 3.6 приведены результаты идентификации системы
второго порядка с мнимыми корнями. Рис. 3.6а отражает фазовый
портрет системы, полученный на основе анализа наблюдаемого
множества I э ; рис. 3.6в — наблюдаемый информационный порт-
рет (НИП) для рассматриваемой системы, а рис. 3.6б — F-харак-
теристику системы. Из рисунка видно, что оба способа дают одну
и ту же оценку состояния равновесия — это центр.

8
2
d
yˆ g′ КФ
dt 4
1 КЦ d
M0 yˆ g
0 dt
0
-4 -3 -2 -1 0 1 2
-4
-1
-8
-2 КУ
-12
-3
-16
-4
-0,8 -0,6 -0,4 -0,2 0,0 0,2 0,4

Рис. 3.8. Результаты применения критериев (3.20) - (3.22)

Рис. 3.7 отражает результаты оценивания точки состояния


равновесия для системы второго порядка с комплексными корня-
ми с действительными отрицательными частями. Система имеет
устойчивый фокус.
Рис. 3.8 отражает применение критериев (3.20) - (3.22) для
случая данных, представленных на рис. 3.4.
Результаты моделирования подтверждают, что показатели
Ляпунова можно применять для принятия решения о типе точки
состояния покоя.
Итак, результаты моделирования подтверждают работоспо-
собность предложенных подходов к оценке качественного пове-
дения линейной динамической системы. Данный подход спра-
ведлив для системы m -го порядка. Естественно, что здесь суще-
ствует ряд проблем, требующих своего дальнейшего развития и
решения. В первую очередь это относится к первому подходу.
60
Так как производные приходится находить численными метода-
ми, то точность этих методов может сказаться на результатах
идентификации.

3.3.5. Применение характеристических показателей


Ляпунова для оценки состояния равновесия

Характеристические показатели Ляпунова [47] являются кри-


терием устойчивости системы и для действительной функции
h(t ) определяются следующим образом
ln | h(t ) |
χ [ h] = lim , (3.23)
t →∞ t
где lim — верхний предел.
t→∞
Известно [47], что характеристические показатели χi
(i = 1, m) ненулевого решения системы (3.11) совпадают с дейст-
вительными частями собственных чисел λi матрицы A .
Воспользуемся характеристическими показателями для опре-
деления типа точки равновесия системы (3.11). Пусть известна
оценка общего решения X g (t ) ∀t ∈ J g системы (3.11). Как и вы-
ше предполагаем, что система является устойчивой. Применяя
(3.23) к yˆ g (t ) , получим
ln | yˆ g (t ) |
χ [ yˆ g ] = lim , (3.24)
t →t t
где t ∈ J g — максимальное значение (верхняя грань) на интерва-
ле J g .
Если предел (3.24) существует, то χ [ yˆ g ] можно считать
оценкой максимального собственного числа матрицы A . Таким
образом, число χ [ yˆ g ] является оценкой степени устойчивости
системы (3.11). Если m = 2 , то для y&ˆ получаем
g

ln | yˆ& g |
χ [ y&ˆ g ] = lim .
t →t t

61
На основе чисел χ [ yˆ g ] , χ [ yˆ& g ] делается заключение о типе
точки равновесия системы. Для повышения точности вычисления
показателей можно воспользоваться методами идентификации.

3.3.6. О связи характеристического показателя


Ляпунова и коэффициента структурности. Оценка
собственных чисел системы

Вычислим для системы (3.11) показатель


μ [ yˆ g ] = ln | yˆ g (t ) | ∀t ∈ J g ⊂ J g ,
где J g = [t0 , t ] определяется в соответствии с (3.24).
Рассмотрим теперь систему с входом t и выходом μ [ yˆ g ] . Для
оценки структурных свойств этой системы можно ввести коэф-
фициент структурности
μ [ yˆ g ]
k s (t , yˆ g ) = , (3.25)
t
который в силу выбора интервала J g совпадает с показателем
χ [ yˆ g ] (3.24).
Итак, установлена связь между характеристическим показа-
телем Ляпунова χ [ yˆ g ] и коэффициентом структурности k s (t , yˆ g )
на информационном множестве
I μ = {t ∈ J g , μ[ yˆ g (t )]} .
Рассмотрим множество
I g ( yˆ g , t ) = { yˆ g (t ) t ∈ J g } = I Xˆ \ { y&ˆ g (t ) t ∈ J g } ,
g

содержащее данные об изменении переменной ŷ g на интервале


J g . Будем считать, что спектр системы (3.11) σ ( λ ) содержит ве-
щественные отрицательные числа.
Ставится задача: на основе анализа множеств I μ , I g оценить
спектр σ ( λ ) собственных чисел матрицы A системы (3.11).
Решение задачи распадается на следующие подзадачи:

62
1) оценка размерности спектр σ ( λ ) ;
2) определение интервала изменения собственных чисел мат-
рицы A ;
3) оценка λi ∈ σ (λ ) .

Основная трудность, не позволяющая применить в данном


случае метод наименьших квадратов, связана с аппроксимацией
yˆ g (t ) на классе функций {eλi t , i = 1, n} , которые нелинейным об-
разом зависят от λi .
Рассмотрим каждую из подзадач. Решение задачи 1 может
быть получено с помощью теоремы 3.1 на основе анализа множе-
ства I э системы (3.11).
Для нахождения интервала изменения собственных чисел
матрицы A (задача 2) воспользуемся следующим подходом.
Найдем максимальное и минимальное значения коэффициен-
та структурности k s (t , yˆ g ) (3.25) на интервале J g
κ min = min k s (t , yˆ g ) , κ max = max k s (t , yˆ g ) .
t∈J g t∈J g

Пусть собственные числа матрицы A расположены в порядке


убывания, т. е.
λ1 > λ2 > K > λm .
Положим λˆ1,0 = κ max , λˆn,0 = κ min (смысл второго индекса бу-
дет ясен из дальнейшего изложения). Оставшимся m − 2 числам
λ j ( j = 2, m − 1) присвоим значения из внутреннего интервала J g .
Для оценки правильности сделанного распределения частот для
каждого λˆi ,0 (i = 1, m) ∀t ∈ J g сформируем множество
λˆ t
I i ( λˆi ,0 ) = {e i ,0 , t ∈ J g } .
λˆi ,0t
Найдем степень взаимосвязи между ϑi (t ) = e и yˆ g (t ) на
интервале J g . Для этого воспользуемся коэффициентом взаим-
ной корреляции rϑ2i , yˆ g . Если окажется, что

rϑ2j , yˆ g ≥ δ i , (3.26)
63
где δ i > 0 — заданная величина, то сделанное распределение для
λˆi ,0 принимается. В противном случае значение λˆi ,0 корректиру-
ется. Для этого можно воспользоваться алгоритмом, описанным в
[23, 27].
В результате получаем начальную оценку для спектра σ 0 ( λ )
частот матрицы A .
Для оценки общего эффекта от получено спектра σ 0 (λ ) по-
ступим следующим образом. Разобьем временной интервал
[t0 , t ] = J g на n подинтервалов tn = nτ с шагом τ . На каждом ша-
λˆ1,0 t n λˆ2 ,0 t n λˆm ,0 t n T
ге сформируем вектор Fn0 = [ e e Ke ] , Fn0 ∈ R m . За-
метим, что вектор Fn0 зависит от начального распределения
σ 0 (λ ) . Обозначим вектор собственных чисел матрицы A через
Λ 0 . Введем модель
ηn = H 0T Fn0 = H 0T Fn0 ( Λˆ 0 )
и найдем вектор параметров модели H 0 ∈ R m из условия
H 0 = arg min Q( ηn , yˆ g ,n ) , (3.27)
H 0 , tn∈J g

где Q(η n , yˆ g ,n ) = 0,5(η n − yˆ g ,n ) 2 .


Итак, в результате решения задачи 2 получено начальное
приближение {H 0 , Λ 0 } для параметрического множества
H n = {Hˆ n , Λˆ n } . Для определения оценки спектра σ ( λ ) системы
(3.11) применим адаптивную модель
ηˆn = Hˆ nT−1 Fn ( Λˆ n−1 ) = Hˆ nT−1 Fn , ( Hˆ 0 , Λˆ 0 ) ∈ H 0 . (3.28)

Теперь решение задачи 3 сводится к нахождению такого ал-


горитма адаптации множества H n модели (3.28) на основе анали-
за информационного множества { yˆ g ,n , tn ∈ J g } , чтобы минимизи-
ровать критерий V (ηˆn , yˆ g ,n ) = 0,5(ηˆn − yˆ g ,n ) 2 при заданном на-
чальном приближении для H n , определяемом из условия (3.27).
Для синтеза алгоритма адаптации воспользуемся прямым ме-
тодом Ляпунова с функцией Vn = 0,5en2 = 0,5(ηˆn − yˆ g , n )2 . Пользу-
64
ясь методом ϕ -алгоритмов [27], получим

⎡ Hˆ n ⎤ ⎡ Hˆ n−1 ⎤ ⎡I m 0 ⎤ ⎡ Fn ⎤
⎢ ⎥=⎢ ⎥ − Γen ⎢ , (3.29)
⎣⎢Λˆ n ⎦⎥ ⎣⎢Λˆ n−1 ⎦⎥ ⎣0 t n D( Hˆ n−1 )⎥⎦ ⎢⎣ Fn ⎥⎦

где Γ ∈ R 2 m×2 m — диагональная матрица с γ ii > 0 , D( Hˆ n ) ∈ R m×m


— диагональная матрица от вектора Ĥ n , I m ∈ R m×m — единичная
матрица,
λˆ t λˆ t λˆ t
Fn = Fn ( Λˆ n −1 ) = [ e 1, n −1 n e 2, n −1 n K e m, n −1 n ]T .

Лемма 3.1. Уравнение для ошибки прогнозирования en имеет


вид
en = ΔH nT−1 Fn + ε n , (3.30)
где ε n = yˆ g , n I T ( FnΔ − I ) , I ∈ R m — единичный вектор,
Δλ1, n −1t n Δλ2 , n −1t n Δλm , n −1t n T
FnΔ = [ e e Ke ] .

Доказательство леммы 3.1. Запишем уравнение для ошибки


en

en = Hˆ nT−1 Fn ( Λˆ n −1 ) − yˆ g , n = ΔH nT−1Fn H T + δFn ,


где
δFn = Fn ( Λˆ n −1 ) − Fn ( Λ ) , Fn ( Λ ) = [ eλ1t n eλ2tn Keλmt n ]T ,
ΔH n −1 = Hˆ n −1 − H .
После несложных преобразований приходим к (3.30).ƒ
Как и следовало ожидать, ошибка en зависит от вектора па-
раметрической невязки [ ΔH nT ΔΛTn ]T .
Запишем уравнение для параметрической невязки векторов
Ĥ n , Λ̂ n . Для упрощения анализа второго уравнения в (3.29) раз-
ложим вектор Fn в ряд, ограничиваясь линейными членами. То-
гда после несложных преобразований получим

65
⎡ ΔH n ⎤ ⎡ I m 0 ⎤ ⎡ΔH n −1 ⎤
⎢ΔΛ ⎥ ⎢ 0 A ⎥ ⎢ΔΛ ⎥ −
=
⎣ n⎦ ⎣ Λ,n ⎦ ⎣ n −1 ⎦
, (3.31)
⎡Im 0 ⎤ ⎡ Fn ⎤
( ΓH +& ΓΛ )en ⎢ ⎥⎢ ⎥
⎣ 0 t n D( Hˆ n −1 )⎦ ⎣ Fn ⎦
где ΓH ∈ R m × m , ΓΛ ∈ R m×m — диагональные матрицы, +& — знак
прямой суммы матриц, AΛ ,n = I m − ΓΛ en D( Hˆ n−1 )t n , AΛ ,n ∈ R m×m .
Свойства алгоритма (3.29), (3.31) следуют из следующего ут-
верждения.
Теорема 3.3. Алгоритм (3.31) сходится, если: а)
|| AΛ ,n || ≤ d Λ ≤ 1 ∀n > 0 ; б) существует такое cΛ ≥ 0 , что
en ΔΛTn−1 AΛT ,n D ( Fn ( Λ ))ΓΛ Hˆ n−1 ≥ cΛ en2 ; в) cΛ ≥ 0,5γ~Λ2 || Fn ( Λ ) ||2 d H2 t n
∀n > 0 , где 0 < d < ∞ , γ~ — максимальное собственное число
H Λ
2
матриц ΓΛ ; г) en ε n ≥ 1 ≥ cε ≥ 0 ; д) матрица ΓH выбирает-
cε en ,
ся так, чтобы
γ~H2 max || Fn ||2 ≤ 2γ H (1 − cε ) , (3.32)
n

где γ~H — максимальное собственное число матриц ΓH .


Доказательство теоремы 3.3. Рассмотрим первое уравнение
в (3.31). На его движениях введем функцию Ляпунова
VnH = ΔH nT ΔH n . Тогда

VnH = VnH−1 − 2en ΔH nT ΓH Fn + en FnT ΓH2 Fn . (3.33)

Так как ΔH nT−1ΓH Fn ≥ γ H ΔH nT−1Fn , где γ H — минимальное


собственное число матрицы ΓH , и существует такое cε ≥ 0 , что
выполняется условие г) теоремы 3.3, то правую часть (3.33) мож-
но привести к виду

VnH ≤ VnH−1 − 2γ en2 + 2γ H cε en2 + en2γ~H2 || Fn ||2 . (3.34)


Тогда алгоритм для оценки вектора H будет сходиться, если
выполняется (3.32).
Рассмотрим второе уравнение (3.31). Вводя функцию Ляпу-

66
нова VnΛ = ΔΛTn ΔLn , получаем
VnΛ = ΔΛTn −1 AΛ , n ΔΛ n −1 − 2en tn ΔΛTn −1 AΛ , n D( Hˆ n −1 )ΓΛ Fn +
(3.35)
+ en2 FnT ( Λ )ΓΛ2 D 2 ( Hˆ n −1 ) Fn tn2 .
Пусть || AΛ ,n || ≤ d Λ ≤ 1 . Тогда
ΔΛTn−1 AΛ ,n ΔΛ n−1 ≤ d ΛVnΛ−1 .
Вектор Fn (Λ ) в силу устойчивости системы (3.11) является
исчезающим при n → ∞ . Как следует из первой части доказа-
тельства теоремы 3.3, алгоритм оценки вектора H является схо-
дящимся в силу выполнения (3.32) и, следовательно, || Hˆ n −1 ||≤ d H ,
( d H < ∞ ) . Тогда можно указать такое cΛ ≥ 0 , что выполняется
условие б) теоремы 3.3. (3.35) можно привести в виду
V Λ ≤ d V Λ − 2c e2t + e2γ~ 2 || F ( Λ ) ||2 d 2 t 2 .
n Λ n −1 Λ n n n Λ n H n

Для сходимости алгоритм оценки вектора Λ необходимо,


чтобы выполнялось условие в) теоремы 3.3
γ~ 2 || F ( Λ ) ||2 d 2 t ≤ 2c .ƒ
Λ n H n Λ

-0,6
k s ( t , yˆ g )
-0,9

-1,2

-1,5

-1,8

-2,1 t
0 1 2 3 4 5 6 7

Рис. 3.9. Изменение коэффициента структурности k s (t,yˆ g )

Пример. Рассмотрим систему из §3.3.4. Для нее получено


множество I g , на основе которого определен коэффициент струк-
турности k s (t , yˆ g ) (рис. 3.9). Необходимо оценить спектр систе-
67
мы.
Для k s (t , yˆ g ) получены оценки κ min = −2,7 , κ max = −0,82 . По-
ложим λˆ1,0 = κ max , λˆ2,0 = κ min . Коэффициенты взаимосвязи rϑ2 , yˆ i g
− λˆi ,0t
для переменных ϑi (t ) = e , i = 1, 2 равны: rϑ21 , yˆ g = 0,95 ,
rϑ22 , yˆ g = 0,93 . Параметр δ i в (3.26) равнялся 0,85. Для вектора H 0
путем решения задачи (3.27) была получена следующая оценка:
H 0 = [ −0,43 1,06]T . Множество H 0 служило ориентиром для вы-
бора начальных приближений для Hˆ n , Λ̂ n .
-0,7 -1,00 0,6
hˆ1,n λ̂2,n N Δ2 H
hˆ2,n
-0,8 λ̂2,n
-1,05 n N Δ2 H
0,4
-0,9
-1,10
-1,0
0,2
-1,15
-1,1

opt
-1,2 -1,20 0,0
0,75 0,90 1,05 1,20 hˆ2,n
n

Рис. 3.10. Результаты настройки вектора Λ̂ n

0,6 100
η̂ n eff n ,% eff n ,%
yˆ g ,n
0,4 98
yˆ g ,n

η̂ n
0,2 96

0,0 94 yˆ g ,n
0,0 0,2 0,4 0,6

Рис. 3.11. Результаты оценки адекватности модели

Результаты работы адаптивного алгоритма (3.29) показаны на


рис. 3.10. 3.11. Рис. 3.10 в обобщенном виде отражает результаты
работы адаптивного алгоритма в пространстве настраиваемых
68
параметров. В частности, на нем приведены линии уровня для
функции нормы параметрической невязки N Δ2 H =|| [ ΔH nT ΔΛTn ] ||2
на плоскости ( hˆ2,n , λˆ2, n ) и показано изменение самой функции
N Δ2 H . Здесь же представлены портреты, отражающие зависимо-
сти λˆ2,n = λˆ2,n ( hˆ2,n ) и hˆ1, n = hˆ1, n ( hˆ2,n ) . Истинные значения векто-
ров H , Λ равнялись
T
H = [1,29 − 0,7]T , Λ = [ −1 − 3] .
Рис. 3.11 отражает адекватность полученной модели. Он со-
держит информационные портреты на плоскости ( yˆ g , n ,ηˆn ) и
( yˆ g ,n , eff n ) , где переменная eff n отражает отношение выходов мо-
дели и объекта. Из рисунка видно, что выходы практически неот-
личимы, а коэффициент детерминированности модели равен 0,99.

3.4. Оценка структуры нелинейной динамической


системы

В настоящее время при выборе структуры модели нелиней-


ной динамической системы обычно используются переборные
методы [46, 50] на заданном классе функций-претендентов, по-
стулируемых априори. Эта процедура очень трудоемка и требует
определенной квалификации от специалиста, выполняющего под-
бор модели. Все известные методы структурной идентификации
[60] развиваются в рамках данной концепции. В [56] для опреде-
ления степени нелинейности объекта применялись корреляцион-
ный и дисперсионный анализ.
Ниже излагается метод структурной идентификации динами-
ческих объектов, основанный на подходе, получившем название
информационного синтеза [20,27] и позволяющем выделить вспо-
могательное подмножество из информации I э , на основе которо-
го принимается решение о классе нелинейностей и ее структуре.

69
3.4.1. Постановка задачи

Рассматривается динамическая система


X& = F ( X ,U , A, t ),
(3.36)
Y = FY ( X ,U , A, t ),
где U ∈ ΩU ⊂ U ⊆ R m , Y ∈ Y ⊂ R n — измеряемые вход и выход
системы, X ∈ X ⊆ R q — вектор состояния, Y ⊆ X ⊆ R n ,
F : R q × R m × J → R q — гладкая непрерывно дифференцируемая
по X и A вектор-функция, A ∈ R q × q — матрица параметров,
t ∈ J , FY : R q × R m × J → R n — функция, задающая способ фор-
мирования выхода системы.
Для (3.36) известно множество измеряемых данных, наблю-
даемых на временном интервале J ,
~ ~ ~ ~ ~
I э = I(U ,Y ) = {U ∈ R m ,Y ∈ R n | U (t ) = sU (U , t ) ,
~ , (3.37)
Y (t ) =sY (Y , t ) t ∈ J }
где операторы sU ∈ NU , sY ∈ N Y определены на множествах NU ,
N Y , характеризующих неопределенность процесса измерения,
sU : U × J → R m , sY : Y × J → R n .
В зависимости от доступности процесса измерения множества
NU и N Y могут иметь как нечеткую (гиперобъемную — гипер-
куб, гиперцилиндр) природу, так и статистическую. Все опреде-
ляется подходом к решению задачи идентификации.
Необходимо на основе анализа и обработки множества I э
принять решение о структуре оператора F в (3.36).

3.4.2. Подход к идентификации класса нелинейностей

Изложим подход к структурной идентификации для частного


случая системы (3.36) с выделенной линейной частью
X& = AX + ϕ ( y ) I + Bu,
(3.38)
y = CT X ,

70
где u ∈ R , y ∈ R — вход и выход системы, A ∈ R q × q , B ∈ R q ,
I ∈ R q , C ∈ R q — постоянные матрицы соответствующих раз-
мерностей, ϕ ( y ) — некоторая скалярная нелинейная функция.
Относительно структуры функции χ = ϕ ( y ) могут делаться
различные предположения. Все они определяются уровнем неоп-
ределенности априорной информации. В частности, в условиях
полной априорной определенности могут применяться методы,
основанные на тех или иных разновидностях линеаризации [38,
55, 17]. При исследовании абсолютной устойчивости нелинейных
систем относительно нелинейности делается следующее предпо-
ложение [63]
χ ∈ Fϕ = {ϕ (ξ )ξ ≥ ξ 2 , ξ ≠ 0, ϕ (0) = 0} ,
где ξ ∈ R — вход нелинейного элемента. Обычно предполагают,
что ζ является линейной комбинацией переменных состояния,
то есть вектора X . Часто для аппроксимации функции χ исполь-
зуется так называемое секторное условие, то есть определяется
сектор, ограниченный двумя прямыми, между которыми может
лежать искомая нелинейная функция
χ ∈ Fϕ = {γ 1ξ 2 ≤ ϕ (ξ )ξ ≤ γ 2ξ 2 , ξ ≠ 0,
, (3.39)
ϕ (0) = 0, γ 1 ≥ 0,γ 2 < ∞}
Из (3.38) и (3.39) следует, что чаще всего в системах управ-
ления применяются статические нелинейности. Отсюда можно
сделать вывод, что для оценки функции ϕ следует применять мо-
дели, описываемые статическими (алгебраическими) уравнения-
ми. Для идентификации данного класса моделей необходимо по-
лучить соответствующее подмножество информационного мно-
жества I э или его преобразованный аналог.
Предположим, что множество I э для (3.38) имеет вид
I э = {u ( t ), y ( t ) t ∈ J = [ t0 , tk ]} , (3.40)
то есть переменные u, y измеряются без помех. В случае наличия
неопределенности в процессе измерения множества I э . Необхо-
димо выполнить процедуру предварительной обработки его эле-
ментов [27].
71
Ставится задача: необходимо на основе обработки множества
(3.40) оценить функцию ϕ ( y ) , принадлежащую классу Fϕ (3.39).
Для решения задачи предлагается использовать процедуру
информационного синтеза, основанную на реализации следую-
щих шагов.
1. Выделение линейной составляющей в (3.38).
2. Формирование вспомогательного множества данных I N ,
содержащего информацию о нелинейной составляющей в (3.38).
3. Разработка алгоритма идентификации функции ϕ на мно-
жестве I N .
Так как информация о функции ϕ ( y ) содержится в ненаблю-
даемых переменных системы (3.38), то необходимо получить
оценку этих компонент вектора X . В частности, применим к вы-
ходу y (t ) операцию дифференцирования и обозначим получен-
ную переменную через x1 . Учет x1 приводит к расширению ин-
формационного множества I э : I enl = {I э , x1} .
Для реализации первого шага предлагаемой процедуры необ-
ходимо выделить подмножество данных I g ⊂ I enl , соответствую-
щее частному решению системы (3.38) (установившемуся со-
стоянию). Это множество формируется путем исключения дан-
ных Itr , содержащих информацию о переходном процессе в сис-
теме, то есть I g = Ient \ Itr . Для выделения линейной составляю-
щей из x1 применим математическую модель
xˆ1l (t ) = H T [1 u(t ) y (t )]T , (3.41)
где H ∈ R 3 — вектор параметров модели.
Вектор H ищется так, чтобы минимизировать квадратичный
критерий Q( e) = 0,5e2
min Q( e) e = xˆ1 − x1 → H opt .
H

На основе полученной модели (3.41) ∀t ∈ I g находим про-


гноз для переменной x1 и формируем ошибку eN (t ) = xˆ1 (t ) − x1 (t ) ,
которая зависит от нелинейности в системе (3.38). В результате
получаем множество I N = { y (t ), eN (t ) t ∈ J g }, которое будет ис-
пользоваться на втором этапе информационного синтеза.
72
3.4.3. Выбор информационного подмножества в I N
для идентификации функции χ = ϕ ( y )
Задача выделения подмножества Iϕ ⊆ I N , позволяющего од-
нозначно идентифицировать функцию χ = ϕ ( y ) , является нетри-
виальной и во многом зависит от имеющейся априорной инфор-
мации. В условиях неопределенности она сводится к выделению
такого интервала изменения переменной y ∈ I y ⊂ Iϕ ⊆ I N , на ко-
тором четко проявляются характерные особенности изменения
функции χ .
Изложим процедуру решения рассматриваемой задачи, осно-
ванную на анализе особенностей изменения траектории перемен-
ной eN . В качестве первичных характеристик, позволяющих при-
нимать решение, используется информационный портрет (ото-
бражение) Γϕ ⊆ { y} ×{eN } на плоскости ( y , eN ) , являющийся в
данном случае разновидностью наблюдаемого информационного
портрета, или коэффициент структурности для рассматриваемой
на данном уровне системы
e (t )
k s (t ) = N t ∈ JN .
y (t )
На основе анализа указанных траекторий выделяется сово-
купность подмножеств (кандидатов) I yj ( j = 1, s ) , среди которых
могут содержаться подмножества, не связанные с особенностями
нелинейной функции. Под особенностями функции будем пони-
мать потерю непрерывности на некотором интервале I yj , а также
появления точек перегибы, экстремумов и прочее. Все эти при-
знаки (особенности) являются свидетельством нелинейности ис-
следуемой функции. В этом смысле будет использоваться поня-
тие информативности множества I yj . Чтобы отличить это понятие
от общепринятого понятия информативности, будем называть его
ϕ -информативностью.
Утверждение 3.2. Если на некотором интервале I yj функции
⎛ j de (t ) ⎞ ⎛ dk (t ) ⎞
⎜ μe (t ) = N ⎟ ∨ ⎜ μ kjs (t ) = s ⎟ ∀j = 1, s . (3.42)
⎝ dy ⎠ ⎝ dy ⎠
73
теряют свойство непрерывности и в их поведении появляются
особенности, то этот интервал можно рассматривать как ϕ -
информативный.
Доказательство утверждения непосредственно следует из
анализа поведения функции, а заключение о наличии у нее тех
или иных особенностях делается на основе анализа производных.
Это утверждение не охватывает некоторые классы нелиней-
ных функций. Но в условиях априорной неопределенности такой
подход является единственно разумным.
На основе анализа изменения показателей (3.42) на каждом
из временных интервалов J yj из рассмотрения исключаются не-
информативные подмножества I yj , а оставшиеся включаются в
состав Iϕ
v
Iϕ = U Iϕl ( Ily ) , v ≤ s.
l
Итак, сформировано информационное множество Iϕ ⊆ I N ,
позволяющее перейти к структурной идентификации функции
χ = ϕ ( y) .
Замечание. При анализе изменения Γϕ или k s могут поя-
виться "ложные" (неинформативные) множества I yj , которые
должны проверяться с помощью параметров (3.42) (см. §3.4.5).

3.4.4. Структурная идентификация функции χ

Построим сужение информационного портрета Γϕ на множе-


стве Iϕ и на основе его анализа сделаем предварительное заклю-
чение о классе Fϕ . Для этого рассмотрим сектор S = (γ 1 y ,γ 2 y ) и
зададимся подмножеством функций {ϕ apo,i , i = 1, n} ∈ S ⊂ Fϕ в
(3.38). Очень часто выбор элементов ϕ apo,i удается сделать до-
вольно точно даже в условиях неопределенности. Учитывая ус-
ловия, в которых проводятся измерения и формируется множест-
во I э , для проверки сделанного предположения относительно
класса Fϕ применим модель
74
eˆ N ,i (t ) = α iϕˆ i ( y , t ) + β i , ( y , t ) ∈ Iϕ , i = 1, m , (3.43)
где eˆ N ,i ∈ R — выход модели, α i , β i — параметры модели,
ϕˆi = ϕ apo,i ∈ Fϕ . В результате получим множество моделей
M (Fϕ ) .
Подберем параметры каждой mi (ϕˆ i ) ∈ M (Fϕ ) модели (3.43)
таким образом, чтобы минимизировать квадратичный критерий
Q(ε i ) = 0,5ε i2 = 0,5( eˆ N ,i − eN ) 2

min Q(ε i ) → (α iopt , β iopt ) . (3.44)


α i , βi

Для каждой из mi (ϕˆi ) моделей найдем величину критерия


Q(ε i ) и коэффициент взаимной корреляции ri (коэффициент де-
терминации). Оставим только те из моделей (3.43), для которых
справедливо условие
( ri ≥ δ r ) & (Q(ε i ) ≤ δ Q ) ,
где 0 < δ r ≤ 1 — заданное число (порог), δ Q ≥ 0 .
В итоге получим уточнение класса Fϕ∗ ⊆ Fϕ и множество мо-
делей M (Fϕ∗ ) ⊆ M (Fϕ ) (3.43).
Для принятия окончательного решения относительно опти-
мальной структуры функции ϕˆ opt ∈ Fϕ∗ с помощью каждой из
mk (ϕˆ k* ) ∈ M (Fϕ∗ ) ( k = 1, k * , k * = # M (Fϕ∗ ) — мощность множества
M (Fϕ∗ ) ) моделей находим прогноз для вспомогательной пере-
менной eN на множестве I N или для ∀x1 ∈ I g и оставляем только
ту из моделей m(ϕˆ opt ) ∈ M (Fϕ∗ ) , которая дает минимальное зна-
чение ошибки прогнозирования
min Q(ε i ) → m(ϕˆ opt ) .
mk (ϕˆk* )∈M (Fϕ∗ )

На этом заканчивается решение задачи структурной иденти-


фикации. Возможны также некоторые модификации изложенного
метода принятия решений.

75
3.4.5. Примеры

Рассмотрим динамическую систему второго порядка


&x& + a1 x& + a2 x + ϕ ( x ) = u , y = x , (3.45)
где a1 = 4 , a 2 = 3 , ϕ ( x ) = | x | , u(t ) = 2 sin(0,1πt ) .
На рис. 3.12 показаны фазовые портреты системы (3.45) для
линейного и нелинейного случаев. Здесь же приведен наблюдае-
мый информационный портрет Γo нелинейной системы. Из ри-
сунка видно, что влияние нелинейности начинает проявляться
при пересечении y оси ординат, т. е. при смене знака переменной
y.

1,0 2,50
y'
u
0,5
Γο 1,25

0,0 y
-1,25 0,00 1,25 2,50
0,00
-0,5 y N′
yl′
-1,0 -1,25

-1,5 -2,50

Рис. 3.12. Информационные портреты системы (3.45)

Система (3.45) интегрировалась с шагом 0,2 сек и было сфор-


мировано множество I ent , включающее в себя данные I э (3.40) и
значения x1 = x& , Множество I ent содержало массив из 200 точек.
Для выделения линейной составляющей из I ent было исключено
подмножество Itr со значениями, лежащими на временном ин-
тервале [0; 7,8 ] c. На множестве I g с помощью метода наимень-
ших квадратов была получена модель (3.41) с вектором парамет-
ров H = [0,085 0,226 - 0,577]T . Коэффициент детерминированно-
сти равнялся 0,92. Из полученных результатов можно сделать
вывод о том, что процессы в системе носят нелинейный характер.
76
После исключения линейной составляющей из x1 было сфор-
мировано множество I N , на основе которого был построен ин-
формационный портрет на плоскости ( y , eN ) (рис. 3.13а).
0,12
eN

0,06 eN
S

0,00
-0,6 -0,3 0,0 0,3 0,6 0,9 y

-0,06

Iϕ2
-0,12 Iϕ1 а)

0,50
μe

0,25

Iϕ3
0,00 y
2
-0,5 0,0 Iϕ 0,5 1,0
Iϕ1
Iϕ4 -0,25

б)

-0,50

Рис. 3.13. Результаты информационного анализа множества I N : а —


информационный портрет системы (3.45) в пространстве ( y,eN ) , б —
изменение параметра μe (t )

Целью анализа портрета являлось выделение подмножества


Iϕ . На рис. 3.13а показан сектор S , определяющий класс нели-
нейных функций Fϕ , и четыре участка траектории Iϕ1 , Iϕ2 , кото-
рым соответствуют подмножества (I1ϕ , Iϕ2 ) ⊂ I N . Из рисунка сле-
дует, что для описания нелинейности можно использовать функ-
цию нахождения модуля от y (t ) . На рисунке показаны также два
77
участка Iϕ3 , Iϕ4 , которые также следует исключить, так как на этих
участках траектория достигает локальных экстремумов (рис.
3.13а) и при дифференцировании это может приводить к боль-
шим скачкам, но они не отражают особенности функции ϕ ( y ) .
Для принятия решения об ϕ -информативности множеств
I1ϕ , Iϕ2 вычислялся показатель μ e (t ) (3.42) (рис. 3.13б). Из
рис. 3.13б видно, что множество Iϕ2 можно исключить из анали-
за.

0,08
eN
êN 0,04

0,00
-0,6 -0,4 -0,2 0,0 0,2 0,4 0,6 0,8 1,0 y
-0,04

-0,08 eˆ No (ϕˆ 2 )
eN
-0,12 eˆNo (ϕˆ1 ) б)

eN -0,08
-0,16
eˆN ,1 , eˆN ,2

-0,09 eN

eˆN ,1
-0,10

eˆN ,2
-0,11 а)

-0,12
-0,11 -0,10 -0,09 -0,08 y

Рис. 3.14. Информационные портреты системы структурной


идентификации с моделью (3.43) в пространстве { y,eN ,eˆN,i }: а) —
результаты идентификации на множестве I1ϕ , б) — адекватность
выходов модели на множестве I N
На множестве I1ϕ , заданном на временном интервале
[11,2; 12,4] с, строилась модель (3.43) с ϕˆ1 ( y , t ) = | y (t ) | . Коэффи-
78
циент детерминированности R 2 равнялся 0,92. Адекватность по-
лученной модели (3.43) показана на рис. 3.14. Здесь приведен
также выход модели (3.43) с ϕˆ 2 ( y , t ) = y 2 (t ) . Коэффициент R 2 для
статической модели (3.43) с нелинейностью ϕ̂1 на множестве I N
равнялся 0,92, а с нелинейностью ϕ̂ 2 — 0,87. В среднем точность
первой модели в 3 раза выше, чем второй, что подтверждает рис.
3.14б.
На рис. 3.15 приведены результаты структурной идентифи-
кации системы (3.45) с ϕ ( x ) = ϕ s ( x ) = sign( x ) , где sign(x ) — зна-
ковая функция. Из рис. 3.15 видно, что в начале траекторий I1ϕ ,
Iϕ2 переменная eN (пунктирная линия) претерпевает резкий ска-
чек, что является характерным для идеальных релейных нели-
нейностей типа sign(x ) . Поэтому в (3.43) ϕˆ1 ( x ) = sign( x ) . Коэф-
фициент детерминированности R 2 = 0,92 . Здесь же показан вы-
ход модели (3.43) eˆ N ,1 .

0,3 eN

eN eˆN ,1
0,2
eˆN ,1
0,1
Iϕ2
0,0 y
-1,0 -0,5 0,0 0,5 1,0
Iϕ1
-0,1

-0,2

-0,3

Рис. 3.15. Результаты идентификации нелинейности в системе (3.45)


с ϕ ( x ) = sign( x )
Гипотезу о наличии в системе двух множеств ϕ -информатив-
ности I1ϕ , Iϕ2 подтверждает также изменение коэффициента
структурности k s (eN , y ) (рис. 3.16).
79
В качестве кандидата была опробована также функция
ϕˆ 2 ( x ) = 3 x , для которой коэффициент R 2 равнялся 0,97, то есть
на множестве I1ϕ модель (3.43) с ϕˆ 2 ( x ) лучше аппроксимирует
данные, чем модель с ϕˆ1 ( x ) .
Для принятия решения об оптимальной структуре функции
ϕ ( x ) проводилось прогнозирование переменной x1 на множестве
I g , где модель с ϕˆ1 ( x ) на участках с неявно выраженными нели-
нейностями показала практически идеальное прогнозирование
значений x1 (рис. 3.17).

4
k s ( eN , y )
-0,2 -0,1 0,0 0,1 0,2
0 y

-4 ks
0 y
-1 0 1
-8
-8

-12

Iϕ2 Iϕ1 -16


-16

Рис. 3.16. Изменение коэффициента структурности k s ( eN ,y ) в


системе (3.45) с ϕ ( x ) = sign( x )

Итак, предложен подход к структурной идентификации не-


линейных динамических систем с одним входом и выходом на
основе обработки доступного информационного множества I э .
На основе методологии информационного синтеза разработана
процедура выделения вспомогательного множества данных, со-
держащих информацию о нелинейных свойствах системы. Пред-
ложен способ классификации полученного множества с целью
формирования информативных подмножеств, позволяющих при-
нять решение о структуре неизвестной нелинейной функции и
провести оценивание ее параметров. Описана процедура выбора
80
оптимальной структуры нелинейной функции. Результаты моде-
лирования подтверждают эффективность изложенного подхода.
Следует иметь виду, что информационный синтез предъявляет
определенные требования к владению методами анализа, выделе-
ния и классификации информации. Именно формирование необ-
ходимого информационного множество на данном этапе анализа
позволяет, в конечном счете, свести задачу к некоторой стан-
дартной процедуре оценивания. В этом проявляется действие
принципа информационной полноты [27] на заданном информа-
ционном множестве I э , которое доступно на априорном уровне
постановки задачи идентификации.

-0,150
x1
x̂1 xˆ1 (ϕˆ1 )
x1
xˆ1 (ϕˆ 2 )
-0,175

-0,200

-0,225 x1
-0,20 -0,16 -0,12

Рис. 3.17. Прогнозирование переменной x1 с помощью модели


(3.43) с различными нелинейностями

3.5. Получение параметрических ограничений в


условиях неопределенности

Учет параметрических ограничений в задачах идентифика-


ции неразрывно связан с проблемой робастности. Обычно при
синтезе адаптивных систем используются параметрические огра-
ничения, полученные на основе анализа априорной информации
[74-76, 82]. Такой же подход применяется при задании ограниче-
ний на структурные возмущения в системе. В условиях априор-
81
ной неопределенности такая информация, как правило, отсутст-
вует. Проблеме получения апостериорных параметрических ог-
раничений в условиях неопределенности уделялось большое
внимание в работах по гарантированному оцениванию [40], исхо-
дя из информации о возмущениях. В [21, 26, 27] предложен метод
синтеза моделей для оценки параметрических ограничений в ус-
ловиях неопределенности на основе нахождения мажорирующих
решений для динамической системы [48], который в отличие от
[40] не требует данных о неконтролируемых возмущениях.
Ниже рассматривается задача формирования параметриче-
ских ограничений и ограничений на неопределенность для не-
прерывной нестационарной динамической системы с обобщен-
ным входом на основе адаптивного подхода и развития результа-
тов, полученных в [22, 27].

3.5.1. Постановка задачи

Рассматривается непрерывная динамическая система, описы-


ваемая в пространстве “вход-выход” системой уравнений
y& (t ) = AT (t ) P(t ) - f (t , y , r , A), (3.46)
P&v (t ) = K v Pv (t ) + Hv(t ), v = y , r , (3.47)
где r ∈ R , y ∈ R — вход и выход системы; P ∈ R 2 m — обобщен-
ный вход, P(t ) = [ y (t ) PyT (t ) r (t ) PrT (t )]T , Py ∈ R m −1 , Pr ∈ R m −1 ;
A ∈ G A ⊆ R 2 m — вектор параметров, принадлежащий ограничен-
ной, но априори неизвестная области G A ; H ∈ R ( m−1) — извест-
ный вектор; K v ∈ R 2( m −1)×2( m −1) — гурвицева матрица; f (t , y , r , A)
— неопределенность. Пара ( K v , H ) является управляемой.
Предполагается, что при | r (t ) | ≤ ∞ | f (⋅) | ≤ β ∀t ≥ t0 , где
β ≥ 0 . Передаточная функция системы (3.46), (3.47) является по-
ложительной действительной.
Введение обобщенного входа P(t ) (его еще называют регрес-
сионным) связано с приведением динамической системы m -го
порядка к идентификационной форме (неминимальная реализа-
ция) относительно выхода y ∈ R . P(t ) включает в себя как сам
82
вход r (t ) , так и выход системы y (t ) и их преобразования
Py (t ), Pr (t ) , полученные в результате пропускания y (t ) и r (t ) че-
рез систему (3.47). Отсюда название вектора P(t ) .
Для системы (3.46), (3.47) известна информация
I э = { y (t ), r (t ) t ∈ J } ,
где J — интервал наблюдения.
Ставится задача: на основе анализа информации I э о функ-
ционировании системы (3.46), (3.47) найти оценки для области
G A и верхнюю границу для числа β .

3.5.2. Подход и модели для получения


параметрических ограничений

Известно, что решение уравнения (3.46) имеет вид [48]


t


y (t ) = ϕ (t , t0 ) y (t0 ) + ϕ (t , s )( AT ( s ) P( s ) − f ( s ))ds,
t0
(3.48)

где ϕ (t , t0 ) — переходная функция. Дискретный аналог уравнения


(3.48):
( n +1)τ
y n+1 = ϕ (( n + 1)τ , nτ ) y n + ∫

ϕ ( nΔt , s )( AT ( s ) P( s ) − f ( s ))ds, (3.49)

где τ ≥ 0 — интервал дискретизации, y n = y ( nτ ) . Из (3.49) полу-


чаем оценку
| yn +1 | ≤ ϕ (( n + 1)τ , nτ ) | yn | +
( n +1)τ
(3.50)


ϕ ( nτ , s ) ( || A( s ) |||| P( s ) || + | f ( s ) | )ds,

где || P(t ) || — норма вектора P(t ) в соответствующем простран-


стве.
Неравенство (3.50) давно известно [48] и широко применяет-
ся в теоретических исследованиях. Одним из достоинств оценки
(3.50) является то, что она связывает между собой элементы
83
множества I э , вектор A(t ) и неопределенность f (t ) . Поэтому в
дальнейшем область G A будем представлять в виде
G A = { A ∈ R 2 m | α b ≤ || A(t ) || ≤ α t ∀t ≥ t0 } , (3.51)
где α b = inf || A(t ) ||, α t = sup || A(t ) || являются границами области
t t
G A . Из допущений, сделанных в разделе 3.5.1 относительно сис-
темы (3.46), (3.47), следует, что α t < ∞ .
Неравенство (3.50) затруднительно применять для идентифи-
кации границ области G A . Поставим в соответствие (3.50) неко-
торое уравнение, которое позволяло бы использовать элементы
множества I э или их преобразования. Воспользуемся идеей ма-
жорирующих уравнений (верхних и нижних), которые применя-
ются в теории устойчивости для построения систем сравнения
[48]. Впервые эта идея для рассматриваемой задачи была пред-
ложена в [40].
Прежде чем приводить мажорирующие уравнения, получим
множество I s на основе преобразования элементов множества I э .
Для каждого t ≥ t∗ > t0 будем определять функции
ϑ (t ) = | y (t ) |, ρ (t ) = || P(t ) || .
В результате получим множество I s = {ϑ (t ), ρ (t ) t ∈ J }. Выделим
в I s два подмножества
It U Ib ⊆ I s , (3.52)
где I t содержит “верхнее” значение функции ϑ (t ) и соответст-
вующие им ρ (t ) для заданного t , I b — “нижние” значения,
It I Ib = ∅ .
Для классификации множества I s на два подмножества It и
I b введем некоторое число (порог) ε > 0 , которое можно выби-
рать как на основе анализа априорной информации I а , так и оп-
ределять в результате обработки множества I s (в условиях неоп-
ределенности). Тогда алгоритм формирования множеств I t , I b
примет вид

84
{ ϑt (i ) := ϑ (t ), ρt (i ) := ρ (t ) }∈ It , если ϑ (t ) ≥ ε ,
∀t ≥ t∗ , (3.53)
{ϑb ( j ) := ϑ (t ), ρb ( j ) := ρ (t ) }∈ Ib, если ϑ (t ) < ε ,
где i = 1, mt , j = 1, mb ; mt , mb — соответственно мощность мно-
жеств I t , I b ; t∗ — момент начала классификации функций ϑ (t ) ,
ρ (t ) ; := — знак присвоения.
Из процедуры (3.53) следует, что mt + mb <# I s , где # I s —
мощность множества I s , что и отражает (3.53).
Предположим, что τ является достаточно малым и ϕ (⋅) = κ ,
κ = const . Тогда верхнее решение (T-решение) неравенства (3.50)
с учетом (3.51) и (3.53) запишем в виде
ϑt , n +1 = κ tϑt , n + bt (α t ρ t , n + β t ), (3.54)
( n +1)τ
где
n
∫τϕ (nτ , s)ds = b . Аналогично получаем нижнее решение:
t

ϑb,n+1 = κ bϑb,n + bb (α b ρ b,n + β b ). (3.55)


В дальнейшем для удобства ссылки (3.54) и (3.55) будем со-
ответственно называть T- и B-системой.
Итак, задача получения параметрических ограничений G A
для (3.46), (3.47) сведена к оценке параметров T- и B-системы.
Прежде, чем переходить к синтезу адаптивных алгоритмов, опи-
шем процедуру получения порога. Изложенная процедура реали-
зует алгоритмы адаптивного интервального оценивания.

3.5.3. Выбор порога в алгоритме классификации (3.53)

Выражение (3.53) представляет собой детерминированный


аналог стохастического алгоритма классификации [43], где ε рас-
сматривается как выборочное среднее стационарного случайного
процесса. В изложенной выше постановке ε можно трактовать
как сглаженное значение процесса ϑ (t ) , поэтому ε = ε (t ) . Так как
система (3.46), (3.47) является детерминированной, то подход,
предложенный в [43], не применим.

85
Предлагаемая ниже процедура определения функции ε (t ) ос-
нована на многократном сглаживании сигналов [22, 27]. Сначала
находится предварительная оценка ε 1 (t ) порога ε (t ) путем про-
пускания сигнала ϑ (t ) через сглаживающий фильтр
ε 1 (t ) = Fε (t ,ϑ ) ,
где Fε — оператор сглаживания.
Для принятия решения о применении ε 1 (t ) в качестве поро-
говой функции в алгоритме (3.53) необходимо ввести некоторый
критерий. Для этого сформируем функцию ξ (t ) = ϑ (t ) − ε 1 (t ) , ко-
торую пропустим через сглаживающий фильтр с оператором Fς .
В результате получим сигнал ζ (t ) = Fς (t ,ξ ) , который представля-
ет собой ошибку работы фильтра Fε (t,ϑ ) (в статистической тео-
рии в качестве критерия применяют вероятность ложных тревог).
Далее определяем величину χ = max | ζ (t ) | и проверяем условие
t
(критерий):
χ ≤ δε , (3.56)
где δ ε ≥ 0 — некоторое число.
Если условие (3.56) выполняется, то полагаем ε (t ) = ε 1 (t ) , в
противном случае производим коррекцию функции ε 1 (t ) . Введем
переменную
⎧0, χ ≤ δ ε ,
ω=⎨
⎩1, χ > δ ε .
Тогда для ε (t ) получим
ε (t ) = ε 1 (t ) + ωζ (t ).
Заметим, что при неудачном выборе фильтра Fε (t,ϑ ) или
Fς (t ,ξ ) описанная процедура может повторяться до тех пор, пока
не будет выполняться (3.56).
Замечание. Описанная процедура определения порога может
применяться для оценки математического ожидания нестацио-
нарных стохастических процессов.

86
Рис. 3.18. Схема системы идентификации параметрических
ограничений

Схема системы идентификации параметрических ограниче-


ний показана на рис. 3.18.

3.5.4. Адаптивные алгоритмы оценивания


параметров T- и B-систем

Для идентификации параметров T-системы применим модель


ϑˆt , n +1 = κˆt , nϑˆt , n + bt (αˆ t , n ρ t , n + βˆt , n ), (3.57)
где ϑˆt , n +1 ∈ R — прогноз выхода T-системы; bt = τ ; αˆ t , n , βˆt , n —
оценки параметров T-системы.
Заметим, что это одна из возможных моделей для оценки ог-
раничений. Выбор ее структуры обусловлен упрощением реали-
зации и необходимостью обеспечения мажорирующих свойств.
Так как априори число κ t в (3.54) неизвестно, то предлагается
получать его значение в процессе адаптации.
Запишем уравнение для ошибки прогнозирования выхода T -
системы:
et , n +1 = ϑˆt ,n +1 − ϑt ,n +1 = κˆt , n et , n + δκ t ,nϑt ,n +
, (3.58)
bt (δα t , n ρ t , n + δβt , n )

87
где δα t , n = αˆ t , n − α t . Обозначим Cˆ t , n = [ κˆt , n αˆ t , n βˆt , n ]T . Тогда для
настройки вектора параметров модели (3.57) применим алгоритм
Cˆ t , n +1 = Cˆ t , n − Γt et , n +1 Dt , n , (3.59)
где Dt , n = [ϑˆt , n ρ t , n 1]T , Γt ∈ R 3 — диагональная матрица с
γ ii > 0 .
Оценивать параметры B-системы будем с помощью модели
ϑˆb,n+1 = κˆb,nϑˆb,n + bb (αˆ b,n ρ b,n + βˆb,n ) . (3.60)
Алгоритм адаптации вектора Cˆ b, n имеет вид
Cˆ b, n +1 = Cˆ b, n − Γb eb, n +1Db, n , (3.61)
где Cˆ b, n , Db, n и Γb имеют тот же смысл, что и соответствующие
векторы в (3.59).
Правило останова адаптивных алгоритмов имеет вид
| eq , n +1 | ≤ ε q ,

где q = t , b , ε q ≥ 0 .

3.5.5. Свойства адаптивной системы

Так как T- и B-системы описываются уравнениями, имеющи-


ми одинаковую структуру, то в дальнейшем будем рассматривать
систему

en +1 = κˆen + δCnT Fn , (3.62)

δCn +1 = δCn − Γn en +1Fn , (3.63)


где Fn = WDn , W = diag(1 b b ) .
Сначала приведем общий результат для системы (3.62),
(3.63). Предположим, что вектор Fn ∈ R 3 принадлежит множест-
ву P3 ( Fn ,ψ 0 ,ψ 1 ) , т.е. удовлетворяет условиям леммы идентифи-
цируемости [21] с числами 0 < ψ 0 < ψ 1 < ∞ :

88
Fn ∈ P3 ( Fn ,ψ 0 ,ψ 1 ) = { Fn ∈ R 3 |
,
ψ0 < 3 3 det( Ln ) ≤ Sp ( Ln ) ≤ 3λ3 ( Ln ) < ψ 1 ∀n ∈ 0 }
где Ln = Fn FnT ; det( Ln ) , λ3 ( Ln ) — соответственно определитель и
максимальное собственное число матрицы Ln ; Sp( Ln ) — след
матрицы Ln .
Пусть Vn = en2 , VnΔ =|| δC n ||2 , Γn = γ n I 3 , γ n > 0 , I 3 ∈ R 3 — еди-
ничная матрица,
γ opt = arg min(VnΔ+1 − VnΔ ) .
n γn

Тогда для системы (3.62), (3.63) справедлива [21]


Теорема 3.4. Пусть выполняются условия: а) 0 < κˆ < 1 ; б)
Fn ∈ P3 ( Fn ,ψ 0 ,ψ 1 ) ; в) sgn en +1 = sgn ( δC nT Fn ) ; г) параметр γ n яв-
ляется таким, что 0 ≤ γ n ≤ 2γ 0 , где γ 0 — некоторое число. То-
гда все траектории системы (3.62), (3.63) ограничены и справед-
ливы оценки
VnΔ+1 ≤ υ n V0Δ , (3.64)

2n υ n − κˆ 2 n Δ
Vn +1 ≤ κˆ V0 + μψ 1 V0 , (3.65)
υ − κˆ 2
где υ = 1 − ψ 0 /ψ 1 , μ = 1 + 2κˆ 2 / θ , θ = 1 − κˆ 2 .
Для системы (3.62), (3.63) вектор Fn ∉ P3 ( Fn ,ψ 0 ,ψ 1 ) , поэтому
условия теоремы не выполняются. Представим вектор Fn в виде:
Fn = [ F1T, n b]T .
Сделаем следующие допущения относительно системы
(3.62), (3.63).

1. Fn = [ F1T, n b]T , F1, n ∈ R 2 и F1, n ∈ P2 ( F1, n ,ψ 01 ,ψ 11 ) .


2. Γn = γ 1 I 2 +& γ 2 , где +& — знак прямой суммы матриц, γ 1 , γ 2
удовлетворяют условию г) теоремы.
3. Свойства системы (3.62), (3.63) исследуются при γ 1opt , γ 2opt ,
определяемых из условия:

89
(γ 1opt ,γ 2opt ) = arg min(VnΔ+1 − VnΔ ) . (3.66)
γ 1 ,γ 2

Представим VnΔ в виде


VnΔ = V1Δ, n + V2Δ, n ,

где V1Δ, n = || δC1, n ||2 = δκ n2 + δα n2 , V2Δ, n = δβ n2 .


Следствие из теоремы 4.1. При допущениях 1-3 для системы
(3.62), (3.63) справедливы оценки
V1Δ, n +1 ≤ υ1n V1Δ,0 , (3.67)
V2Δ, n +1 ≤ V2Δ,0 , (3.68)
υ1n − κˆ 2 n Δ
2n
Vn+1 ≤ κˆ V0 + 2 μ ψ 11 V + 2 μ κˆ 2( n−1) V2Δ,0 ,
2 1,0
(3.69)
υ1 − κˆ
где υ1 = 1 − ψ 01 /ψ 11 .

Из следствия следует, что в силу невыполнения условия


Fn ∈ P3 ( Fn ,ψ 0 ,ψ 1 ) применение алгоритма (3.63) с оптимальной
матрицей Γn , удовлетворяющей условию (3.66), приводит к огра-
ниченности решений { en , δCn } системы (3.62), (3.63), но сходи-
мость обеспечивается только по части переменных, а именно по
вектору δC1, n ⊂ δC n . Величина ошибки δβ n определяется только
выбором начальных условий β̂ 0 . Поэтому в случае сужения мно-
жества P3 ( Fn ,ψ 0 ,ψ 1 ) до P2 ( F1,n ,ψ 01 ,ψ 11 ) необходимо применять
алгоритм (3.63) с матрицей Γn , элементы которой отличаются от
оптимальных значений, полученных из условия (3.66). Так, при
γ 1 = μ1γ 1opt , γ 2 = μ 2γ 2opt для VnΔ справедлива оценка
VnΔ ≤ (1 − η ( 2 μ1 − μ12 )) n V1Δ,0 + ( μ 2 − 1) 2 n V2Δ,0 , (3.70)
где η = 1 − ψ 01 /ψ 11 . Ограничения на μ1 , μ 2 нетрудно получить из
(3.70).
Пример. Рассматривается динамическая система (3.46), (3.47)
второго порядка с A(t ) = [ a1 (t ) a 2 (t ) a3 a 4 ]T ; a3 = 1.5; a4 = 1.2 ,

90
a1 (t ) = −2 + 0.5 sin 0,9t; a2 (t ) = 1 + 0.2 sin t . Вход и неопределен-
ность имеют вид:
r (t ) = 2.5 + 0.7 sin(3πt + 0.7) + 0.5 sin(0.5πt − 2.3) ,
t t

∫ ∫
f (t ) = A& T (τ ) MP(τ )dτ = a& 2 (τ ) p y (τ )dτ .
t0 t0

Для настройки параметров моделей применялись алгоритмы


(3.59), (3.61) с матрицами
Γ1 Γ2
Γt = , Γb = ,
|| Dt ||2 || Db ||2
где || Db ||2 — евклидова норма вектора Db ,
Γ1 = diag(0.35 0.35 0.0094) , Γ2 = diag(0.26 0.26 0.013) .
Порог ε (t ) определялся на основе анализа множества I s . Со-
ответствующие результаты приведены на рис. 3.19, 3.20.
6,5
ϑ, ε
6,0 ϑ
5,5
ε ε
1,reg
5,0

4,5 ε 1,const
ε1
4,0

3,5

3,0
2 4 6 8 10 12 14
t, с

Рис. 3.19. Определение пороговой функции после применения


фильтра Fε c различной структурой

Рис. 3.19 отражает работу низкочастотных фильтров Fε с раз-


личной структурой по сглаживанию процесса ϑ (t ) : ε 1 — выход
фильтра первого порядка с бесконечной импульсной характери-
стикой (БИХ); ε — результат коррекции ε 1 на основе результа-
тов сглаживания функции ξ (t ) = ϑ (t ) − ε 1 (t ) с помощью фильтра

91
Fς ; применение сглаживающих фильтров с конечной импульсной
характеристикой (КИХ): ε 1, reg — выход фильтра с регрессионной
структурой, ε 1, const — выход фильтра, параметры которого выби-
рались на основе обработки вариационного ряда процесса ϑ (t ) .
2,0
ξ 1 ,ζ1
ξ 1
1,5
ξ 2 ,ζ2
1,0
ζ1
0,5

0,0
ζ2
-0,5

-1,0 ξ2

-1,5

-2,0
2 4 6 8 10 12 14
t, с

Рис. 3.20. Изменение ошибки определения пороговой функции ε (t )


для фильтра с бесконечной импульсной характеристикой

6,00
α^ t
5,75
α^ b
интервал
5,50 изменения α^
t

5,25
интервал α t
изменения α^
b ^
3,75
α t

α b
3,50
α^
b

3,25
0,00 1,25 2,50 3,75 5,00 6,25 7,50 8,75

t, с

Рис .3.21. Настройка параметров αˆ t ,αˆ b моделей (3.57), (3.60)

На рис. 3.20 приведены результаты определения ошибки ра-


боты низкочастотного фильтра c БИХ с помощью фильтра с КИХ
92
Fς , имеющего регрессионную структуру. Величина δ ε в (3.56)
равнялась 0.25. Так как функция ς 1 (t ) = Fς (t , ξ1 ) не удовлетворяла
условию (3.56), то была осуществлена коррекция ε 1 (t ) в соответ-
ствии с алгоритмом, приведенным в разделе 3.5.3. Результирую-
щая функция порога ε (t ) показана на рис. 3.19. Рис. 3.20 отража-
ет также изменение ошибки ς 2 (t ) = Fς (t , ξ 2 ) определения порога
ε (t ) , полученной с помощью регрессионного фильтра.
0,0055
^ ^
β t
0,0050 β t
β
t 0,0045
β t
0,0040

интервал
0,001 изменения β t

0,000
0 1 2 3 4 5 6 7 8
t, с

Рис. 3.22. Оценка параметра β t c помощью модели (3.57)


Результаты идентификации параметров T- и B-систем пред-
ставлены на рис. 3.21-3.24. Для идентификации использовались
данные I t , I b , полученные в результате классификации множест-
ва I s с применением фильтра с КИХ, параметры которого опре-
делялись на основе обработки вариационного ряда ϑ (t ) .
Рис. 3.21, 3.22 отражают результаты настройки параметров
αˆ t ( b ) , β̂ t моделей (3.57), (3.60). Здесь же показаны интервальные
области изменения параметров T- и B-моделей. Они определены
на основе анализа оценок αˆ t , αˆ b , βˆt , на интервале [tν , tν k ] , где
ν = t, b . В некоторой степени эти области являются детерминиро-
ванным аналогом доверительных интервалов, применяемых в
теории вероятности.
93
Итак, предложен подход к оценке параметрических ограни-
чений и ограничений на неопределенность в условиях неопреде-
ленности. Получены модели и адаптивные алгоритмы для иден-
тификации верхней и нижней границ области параметрических
ограничений. Исследованы свойства адаптивной системы при не-
соблюдении условия возбуждения для информационной матрицы
системы (3.46), (3.47).

κ^ t 0,9
κ^b κ^ t

0,8
κ^
b

0,7

0,6

0,5
0,0 1,5 3,0 4,5 6,0 7,5
t, с
Рис. 3.23. Настройка параметров κˆ t , κˆ b

6 ^
15 ϑ b
et , %
eb , % 5
ϑ b
0
et
-15 4
eb

^
-30 ϑ b
3
ϑ b
-45 2

-60
1

-75
0
0 1 2 3 4 5 6 7 8
t, с
Рис. 3.24. Изменение ошибки идентификации T- и B-систем и
выходов B-системы и B-модели
94
3.6. Заключение

Излажены методы структурной идентификации динамиче-


ских систем на основе анализа информационных портретов, ко-
торые могут быть как наблюдаемыми, так и виртуальными, отра-
жающими состояние системы идентификация на данном этапе
информационного синтеза. С помощью коэффициента структур-
ности делается предварительное заключение о структурных свой-
ствах системы. Описан метод нахождения порядка модели, осно-
ванный на оценке ширины интервала изменения коэффициента
структурности.
Предложен метод идентификации типа точки равновесия ди-
намический системы на основе наблюдаемого информационного
множества. Он не требует построения математической модели
динамической системы. Показано, что для реализации предла-
гаемого подхода можно использовать класс статических моделей.
Причем эти модели должны иметь динамическую спецификацию
по входу и служат для оценки вынужденного движения системы.
Предложены способы выделения свободного движения системы
и критерии оценки типа точки состояния равновесия на его осно-
ве.
Приводится метод оценки структуры модели, описывающей
нелинейную часть системы. Показана связь между характеристи-
ческими числами Ляпунова и коэффициентом структурности сис-
темы. Предложен адаптивный алгоритм оценки спектра собст-
венных чисел линейной части динамической системы на основе
специальным образом сформированного информационного мно-
жества. В заключение изложен подход к определению парамет-
рических ограничений в условиях неопределенности.

95
Глава 4. СТРУКТУРНАЯ ИДЕНТИФИКАЦИЯ
СТАТИЧЕСКИХ СИСТЕМ

Пытайтесь найти закономерности в


вещах и событиях. Практически невоз-
можно понять и предсказать все структу-
ры и процессы. Однако чем больше мы
знаем, тем лучшие решения можем при-
нять.
Маркус А.

Рассматриваются вопросы структурной идентификации сис-


тем, описываемых алгебраическими уравнениями (статическими
моделями). Изложен подход к определению коэффициента струк-
турности системы. Предложен способ выбора информативных
параметров на основе анализа наблюдаемого информационного
портрета. Описаны алгоритмы оценки структуры нелинейной
статической системы на основе анализа коэффициента структур-
ности. Изложены процедуры определения области параметриче-
ских ограничений в условиях неопределенности. В заключение
приведены алгоритмы оценки структуры нелинейной статической
системы на основе анализа наблюдаемого информационного
портрета.

4.1. Плоскость, секущая наблюдаемый


информационный портрет

При анализе периодических движений динамических систем


может применяться секущая поверхность. С помощью секущей
поверхности проводятся исследования грубости свойств динами-
ческой системы. Понятие секущей поверхности было введено
А. Пуанкаре [80]. Г.Д. Биркгоф [4] предложил условия существо-
вания секущей поверхности, которые были уточнены и теорети-
чески обоснованы Е.А. Барбашиным [2]. Приведем основные по-
нятия, относящиеся к рассматриваемой тематике, следуя [2].
Секущей поверхностью динамической системы назовем замк-
нутое множество F фазового пространства, обладающее тем

96
свойством, что всякая траектория проходит через F и все точки F
при подходящем выборе времени t возвращаются периодически
в F через одинаковый для всех точек промежуток времени.
Дадим более строгое определение секущей поверхности.
На n -мерном компактном связном и ориентируемом много-
образии M класса Cs с локальными координатами x1 ,K, xn рас-
смотрим систему n дифференциальных уравнений
dxi
= X i ( x1 ,K, xn ), i = 1, n , (4.1)
dt
где правые части трактуются как компоненты некоторого контра-
вариантного векторного поля класса Cr . Будем предполагать, что
3 ≤ r ≤ s − 1 . При указанных ограничениях через каждую точку
многообразия M проходит одна траектория системы (4.1) и все
траектории этой системы продолжаемы на всем протяжении вре-
мени − ∞ < t < ∞ , что следует из компактности многообразия M .
Рассмотрим линейную дифференциальную форму
n
ω= ∑ P dx ,
i =1
i i (4.2)

где величины Pi трактуются как компоненты некоторого ковари-


антного векторного поля класса Cm . Предположим, что m = r − 1 .
Дифференциальную форму (4.2) назовем замкнутой, если ее
внешняя производная равна нулю. Это требование эквивалентно
условию
∂pi ∂pk
=
∂xk ∂xi
всюду на M .
Дифференциальная форма (4.2) гомологична нулю, если она
является полным дифференциалом некоторой скалярной функ-
ции.
n
Выражение ω& = ∑PX
i =1
i
i называется производной формы ω

по времени, и очевидно, оно имеет инвариантный характер в том


смысле, что не зависит от системы координат.
Дифференциальная форма ω допустима, если ее производ-
ная по времени является допустимой функцией. Допустимой
97
функцией считается всюду положительная непрерывная скаляр-
ная функция, определенная на M .
Определение 4.1. Замкнутое множество F ∈ M назовем се-
кущей поверхностью, если после некоторой замены времени
t


τ = ϕ ( f ( p, ξ ))dξ ,
t0

где ϕ ( p ) — допустимая функция, можно указать такое число T ,


что любая дуга { f ( p, t ), t0 ≤ t < T } будет в точности один раз пе-
ресекать F.
Динамические системы, обладающие секущей поверхностью,
называют гармонизуемыми.
Условия существования секущей поверхности приведены в
следующих теоремах [2].
Теорема 4.1. Если динамическая система класса Cr облада-
ет замкнутой допустимой формой класса Cr −1 , то она имеет
секущую поверхность класса Cr .
Заметим, что принадлежность секущей поверхности к классу
Cr означает существование функции класса Cr , для которой дан-
ная поверхность является поверхностью уровня без критических
точек.
Теорема 4.2. Если динамическая система класса Cr имеет
секущую поверхность (хотя бы и не гладкую), то она обладает
замкнутой допустимой дифференциальной формой класса Cr −1 .

Распространение изложенного выше способа нахождения се-


кущей поверхности в системах идентификации затруднительно,
так как он основан на задании векторного поля (4.1) и нахожде-
нии на основе него формы (4.2). Поэтому ниже предлагается под-
ход к построению секущей плоскости (прямой) наблюдаемого
информационного портрета [27], позволяющей делать заключе-
ние о структурных свойствах системы.
Рассмотрим систему, описываемую уравнением
y (t ) = f (t , U ) , (4.3)

98
где y ∈ R — выход системы, U ∈ R m — вход, f ∈ F f — функция
из заданного класса F f .
О системе имеется данные, содержащиеся в информацион-
ном множестве I э :

I э = { y ∈ R, W ∈ R k | y(t ), W (t ) t ∈ J } , (4.4)

где W ∈ R k — вектор доступных измерению входов, U ⊆ W , J


— интервал наблюдения за объектом.
На основе информации I э получен наблюдаемый информа-
ционный портрет
Γo = Γo ( I э ) ⇔ Γo ⊂ I( y ) × I(W ) , (4.5)
где I( y ) ⊂ I э , I(W ) ⊂ I э .
Рассмотрим проекцию Γo на плоскость { y , wi }, т. е. сужение
отображения Γo : Γowi ⊂ Γo w ∈W . В результате получим траекто-
i
рию движения системы, заданную графиком
γ wi : I( y ) → I( wi ∈W ) (рис. 4.1).
Примечание. В зависимости от целей анализа в Γo может
изменяться область определения и область значений.
Рассмотрим зависимость wi = wi ( y ) и аппроксимируем ее
линейной моделью, т. е. получим оценку изменения переменной
wi (t ) в среднем:
γ wi : wi = wi ( y ) = a 0,i + a1,i y , (4.6)
где a 0,i , a1,i — некоторые числа.
График зависимости (4.6) обозначим через γ wi и отложим его
на плоскости { y , wi } (рис. 4.1). Назовем прямую γ wi секущей гра-
фик γ wi .
Обобщая введенное выше определение, плоскостью Γo , се-
кущей наблюдаемый информационный портрет Γo , будем назы-
вать зависимость
Γo : y = AT [1 W T ]T ,

99
где A ∈ R m +1 .

wi
γ wi
ϕ γy

γ wi

0 y

Рис. 4.1. Наблюдаемый информационный портрет

Такой подход к нахождению секущей плоскости основан на


информационном множестве I э и не требует для ее построения
никакой дополнительной информации.

360
_ _
γw , y
_i γw γw
wi 270 3
3

_
w3
180

γw
_ 2

90
w2 _
γw γw _
_
1
w1 γw
_ 1 2
y
y
0 _ y
5 10 15 y 20 25 30

Рис. 4.2. Секущие проекции наблюдаемого информационного


портрета
Рассмотрим сужение Γowi (i = 1, m) НИП Γo на евклидовой
плоскости Ε и добавим к нему (рис. 4.2) секущие γ wi . Отложим
на полученной диаграмме средние значения переменных wi , y .
Теорема 4.3 [29]. Пусть на евклидовой плоскость Ε с коор-
динатами ( y , wi ) построено отображение Γo ⊆ y × W или его
100
сужение Γowi ⊂ Γo w ∈W , где wi ∈ W ∈ R k , k > 1 , y ∈ R . Пусть
i
также на плоскости Ε построены секущие
γ wi = ai y + bi , (4.7)

где − ∞ < ai < ∞ , − ∞ < bi < ∞ , i = 1, m . Тогда прямая y = y пере-


секает секущие γ wi в точках wi = wi и выполняется следующее
условие
~ ~
a~i wi + bi = a~ j w j + b j , i , j = 1, k , i ≠ j , (4.8)
~
где a~i = ai−1 , bi = −bi / ai , y и wi — средние значения соответст-
вующих переменных.
Доказательство теоремы 4.3. Секущая γ wi является средним
значением wi (t ) , полученным путем усреднения wi (t ) на множе-
стве { y (t ) t ∈ J } . Поэтому она является оценкой wi — величины,
полученной путем усреднения wi (t ) на множестве J . Полагая
γ wi = wi и решая (4.7) относительно y , получим
y = ai wi + bi , (4.9)

где ai = ai−1 , bi = −bi / ai .


Так как y является постоянной величиной, то из (4.9) немед-
ленно следует (4.8). Теорема 4.3 доказана.ƒ
Примечание. Рис. 4.2 отражает наблюдаемый информацион-
ный портрет процесса очистки сточных вод [27, 29].
Из (4.8) следует, что wi (t ) можно выразить через w j (t ) . При
этом полученная случайная величина w ~ (t ) будет оценкой w (t ) в
i i
среднем. В силу этого соотношение (4.8) будем называть Сw -
сечением НИП. Нетрудно показать, что для случайной величины
w~ (t ) будет справедливо равенство
i
~ }= w ,
M {wi,n i

где M {} — знак математического ожидания.


Итак, одним из возможных направлений использования се-
кущих в системах идентификации является оценка и генерация

101
входов системы, имеющих заданное значение математического
ожидания. Второе направление позволяет осуществить выбор
информативных переменных.

4.2. Выбор информативных переменных системы


с помощью секущих

Рассмотрим систему (4.3). Пусть для нее известно информа-


ционное множество (4.4) и построено сужение Γowi наблюдаемого
информационного портрета (рис. 4.1). На этой же плоскости при-
веден график тождественного отношения γ y : I( y ) → I( y ) .
Ставится задача: исходя из наблюдаемого информационного
портрета (4.5) и множества I э (4.4) отобрать кортеж информа-
тивных входов U ∈ W , который можно использовать для по-
строения модели для объекта (4.3).
В теории идентификации для решения данной задачи исполь-
зуется корреляционный анализ [56]. В качестве критерия отбора
применяется коэффициент взаимной корреляции.
Найдем среднеквадратичное отклонение для переменной wi :
n
1
σ wi =
n ∑ [w (t ) − M {w }]
j =1
i j i
2
, (4.10)

n
1
σ wi ( y ) =
n ∑ [w (t ) − w ( y )]
j =1
i j i j
2
, (4.11)

где t j ∈ J — дискретный момент съема данных ( j = 1, n ) ; M {wi }


— математическое ожидание, получаемое стандартным путем,
принятым в математической статистике [8]; wi ( y j ) — оценка ма-
тематического ожидания, полученная с помощью модели (4.6).
Введем величины
a 1,i − 1 σ wi ( y )
μ= , υγ w = , (4.12)
1 + a1,i i σ wi

102
где μ = tgϕ — тангенс угол между прямыми γ y и γ wi [16]
(рис. 4.1).
Тогда степень взаимосвязи между переменными y и wi мож-
но оценить с помощью следующего показателя (коэффициент
взаимосвязи)
π y , wi = sgn( μ )υγ w , (4.13)
i

где sgn( μ ) — знаковая функция


⎧ 1, μ > 0,
sgn( μ ) = ⎨
⎩− 1, μ < 0.
Параметр μ отражает влияние wi на переменную y в (3.11):
если μ > 0 , то увеличение wi приводит к росту y ; если μ < 0 , то
увеличение wi приводит к уменьшению y . Величина υγ w харак-
i
теризует степень взаимосвязи. Для π y, wi справедлива следующая
[27]
Лемма 4.1.
π y , wi = ry , wi , (4.14)
где ry , wi — коэффициент взаимной корреляции между y и wi .
Доказательство леммы 4.1. Рассмотрим квадрат коэффици-
ента взаимной корреляции ry , wi [56]
2
1 ⎛ n ⎞
ry2, wi =
n 2σ 2yσ w2 i

⎜ ∑ [ y (t j ) − M { y}][ w(t j ) − M {w}] ⎟ .

⎝ j =1 ⎠
Воспользуемся неравенством ( zl ) 2 ≤ z 2l 2 и формулой
n
1
σ 2y =
n ∑[ y(t ) − M { y}] .
j =1
j
2

Тогда для ry2, wi получим

103
n т
1
ry2, wi ≤
n 2σ 2yσ w2 i

j =1
[ y (t j ) − M { y}] 2

j =1
[ w(t j ) − M {w}]2 =
(4.15)
т
1
= ∑ [w(t ) − M {w}] .
nσ w2 i j =1
j
2

Так как M {w} = wi ( y ) , то (4.15) преобразуем к виду


т
1
ry2, wi ≤ ∑ [w(t ) − w ( y(t ))] .
nσ w2 i j =1
j i j
2

Учитывая (4.10), получим ry2, wi ≤ π γ2w . Из последнего нера-


i
венства следует утверждение леммы. ƒ
Замечание 1. В (4.13) вместо sgn( μ ) можно использовать
sgn( a1,i ) , так как именно sgn( a1,i ) определяет величину угла ϕ .
Лемма 4.1 устанавливает непротиворечивость полученных
оценок ранее применяемым критериям [56] по выбору информа-
тивных переменных.
Пример. Рассмотрим процесс очистки сточных вод и его
влияние на эвтрофирование водоемов [34]. Он характеризуется
множеством переменных W . Наибольшее влияние на качество
очистки оказывает наличие таких элементов в сточных водах как
азот, фосфор, железо и другие. В качестве выходной переменной
можно использовать прозрачность воды. Обозначим через y —
прозрачность воды, w1 — содержание азота аммонийного, w2 —
содержание азота нитратов, w3 — содержание фосфора фосфа-
тов.
На основе измерений сформировано информационное мно-
жество I э и построен НИП Γo , проекции которого показаны на
рис. 4.2.
Полученные для рассматриваемых переменных коэффициен-
ты взаимной корреляции приведены в табл. 4.1.
Для нахождения коэффициента π γ w отобразим проекцию Γo ,
i
например, на плоскости ( y , w3 ) (рис. 4.3). Уравнение (4.6) имеет
вид: w3 = 1,05 + 0,045 y . Из этого уравнения и рис. 4.3 видно, что
угол между прямыми γ y и γ w3 является острым и равен ϕ = 42,4 o

104
( μ = 0,91) . Коэффициент взаимосвязи π y , w3 = 0,77 и совпадает со
значением, приведенным в табл. 4.1.
Таблица 4.1
Значение коэффициентов ry , wi и π y , wi
wi ry , wi π y , wi
w1 –0.79 –0.79
w2 0.9 0.9
w3 0.77 0.77

Аналогично определяются коэффициенты взаимосвязи для


других переменных. Примеры проекций НИП показаны на
рис. 4.2. Описанная процедура реализована в Microsoft Excel, так
как в нем наиболее просто можно добавлять секущие к имею-
щимся диаграммам и получать модель (4.6).

3 33
w3 y
γ w3

2 22
γ w3

1 11

γy

0 0
5 10 15 20 25 30 35 y

Рис. 4.3. Проекция НИП на плоскость ( y , w3 )

Замечание 2. Если переменные y и wi разделить на их сред-


неквадратические отклонения, то коэффициенты a1,i в (4.6) будут
совпадать с π y , wi (4.13).

105
4.3. Нахождение коэффициента структурности
статических объектов

4.3.1. Оценка коэффициента структурности


Пусть объект описывается уравнением
yn = AnT U n + ξ n , (4.16)

где y n ∈ R — выход, U n ∈ R m — вход, An ∈ R m — вектор пара-


метров, n — дискретное время, ξn — ограниченная помеха, дей-
ствующая на выходе объекта.
Для (4.16) известна измерительная информация
I э ( N ) = { y n , U n , n ∈ [0, N ], N < ∞} , (4.17)
на основе которой получен наблюдаемый информационный порт-
рет Γo ⊆ U × y .
Необходимо, исходя анализа информационного множества I э
(4.17) и отображения Γo , оценить коэффициент структурности k s
для системы (4.16).

6
yn

4
y(u3)
y(u2)
2

y(u1)
-2 ui,n
-1,50 -0,75 0,00 0,75 1,50 2,25

Рис. 4.4. Проекции наблюдаемого информационного портрета


статического объекта (4.16)

106
6
yn
γ ( y , u1 )
γ ( y , u1 )
4

2 yn

0 а)

-2
-1 0 1 2 3 u1,n

1,5
y1
1,0
γ ( y1 , u 3 )
0,5
y1
0,0

-0,5

-1,0 γ ( y1 , u 3 ) б)
-1,5

-2,0
-2 -1 0 1 2 u3,n

0,6
y2,n
γ ( y2 ,u2 )
0,4 γ ( y2 ,u2 )

0,2

0,0 y2

-0,2 в)

-0,4
0,8 1,2 1,6 2,0 2,4 u2,n

Рис. 4.5. Проекция НИП объекта (4.16)

Основная трудность, не позволяющая распространить изло-


женный в §3.2 подход, состоит в оценке влияния элементов век-
тора U n на выход yn . Какие-либо интегрированные критерии для
коэффициента k s предложить очень сложно. Поэтому, как и §3.2,

107
будем исходить из анализа наблюдаемого информационного
портрета. Предлагаемый метод, основанный на получении ло-
кальных k s (ui ) = k s (ui , n ∈ U n ) , рассмотрим на примере объекта
(4.16) с An = [ 2 0,4 0,8]T . В качестве U n используется вектор не-
зависимых случайных величин с конечным математическим ожи-
данием и дисперсией. Множество I э имеет вид (4.17).
Пример НИП показан на рис. 4.4. Соответствующие коэффи-
циенты взаимосвязи (взаимной корреляции) равны: π y ,u1 = 0,95 ,
π y ,u 2 = 0,2 , π y ,u3 = 0,6 .
Метод оценки коэффициента структурности состоит в сле-
дующем. Построим сужение (проекцию) Γo на плоскости (u1 , y ) .
Проведем секущую γ ( y , u1 ) = f (u1 ) , где отношение f (u1 ) задано
на классе линейных по u1 функций. Тогда для γ ( y , u1 ) получим
(рис. 4.5а)
γ ( y , u1 ) = 2.19u1 + 0.74 . (4.18)
Выполним трансформацию НИП Γo

Γo1 ⊆ U \ u1 × ( y − γ ( y , u1 )) .

Рассмотрим сужение Γo1 на плоскость (u3 , y1 ) , где


y1 = y − γ ( y , u1 ) , и построим секущую (рис. 4.5б)
γ ( y1, u3 ) = 0.79u3 + 0.34 . (4.19)
Следует заметить, что коэффициенты при u1 , u3 в (4.18),
(4.19) практически совпадают с соответствующими элементами
a1 , a3 вектора An , то есть их можно рассматривать в качестве ло-
кальных коэффициентов структурности k s (ui ) по соответствую-
щим каналам.
Выполняя дальнейшую трансформацию Γo1 , получаем ото-
бражение (рис. 4.5в)
Γo2 ⊆ U \ (u1 , u3 ) × ( y1 − γ ( y1 , u3 )) , (4.20)
которое аппроксимируем секущей γ ( y2 , u2 ) = 0.38u2 + 0.542 , где
y2 = y1 − γ ( y1 , u3 ) . В результате получим ks (u2 ) = 0.38 .

108
Описанную процедуру можно продолжить, если dim U > 3 .
Теперь следует оценить адекватность полученных значений
k s . В качестве критерия адекватности можно использовать коэф-
фициенты взаимосвязи. Можно также эту степень отразить на
информационном уровне, построив наблюдаемый информацион-
ный портрет на соответствующем множестве. Так, коэффициенты
взаимосвязи между y и γ 1,3 = γ ( y , u1 ) + γ ( y , u3 ) равна 0.99. При
указанных k s (u1 ) , k s (u3 ) кривая γ 1,3 совпадает с yn (см. γ y на
рис. 4.6). Что касается переменной u2 , то коэффициент структур-
ности k s (u2 ) также можно считать постоянным, но коэффициент
взаимосвязи π y ,u2 является низким и эту переменную можно ис-
ключить из (4.16).
Покажем, что k s (u2 ) является постоянным, то есть система
(4.16) линейна по u2 . Для этого найдем секущую для отображе-
ния (4.20). Рассмотрим систему, показанную на рис. 4.7.

6,0
yn
γ 4,5
γ ( y , u1 )
3,0

1,5 γ ( y , u1 ) + γ ( y1 , u3 )

0,0
γy
-1,5 yn
-2 0 2 4 6 8

Рис. 4.6. Информационный портрет в пространстве ( y, γ )

Рис. 4.7. Представление объекта для определения стационарности


k s ( u2 )

109
Для исключения смещения добавим к y2 величину 0.54. Най-
дем коэффициент структурности k s (u2 ) как отношение выходы
объекта к его входу.
Результаты представим в виде информационного портрета с
отображением Γks ( u2 ) ⊆ u2 × k s (u2 ) на плоскости (u2 , k s (u2 ))
(рис. 4.8). Построим секущую γ ks ( u2 ) = γ ( k s (u2 ), u2 )

γ ks ( u2 ) = a 2s ,0 + a 2s ,1 u2 . (4.21)

Если окажется, что ширина интервала D( γ ks ( u2 ) ) изменения


секущей γ ks ( u2 )
D( γ ks ( u2 ) ) ≤ ε u2 ,

где ε u2 ≥ 0 — некоторое малое число, то систему (4.16) можно


линейной по u2 .
Результаты идентификации показаны на рис. 4.8. Секущая
(4.21) описывается уравнением
γ k s ( u2 ) = 0.39 − 0.005u2 ,
из которого следует вывод о линейности системы (4.16) по u2 .

0,8
ks(u2)

0,6
ks(u2)
γ k s ( u2 ) = 0,39 − 0,005u 2
0,4

0,2
1 2 3 u2,n

Рис. 4.8. Оценка коэффициента структурности k s (u2 )

110
Изложенный подход можно распространить на случай иден-
тификации коэффициента структурности по другим входам.
Итак, справедлива следующая
Теорема 4.4. Пусть после i -й трансформации (4.20) наблю-
даемого информационного портрета Γo системы (4.16) получена
секущая γ ( yi , ui ) = ai ,0 + ai ,1ui , где ui ∈ U , yi ∈ R — переменная,
вычисляемая согласно выражению
yi = yi −1 − γ ( yi −1 , ui −1 ) , i = 1, m − 1 , y0 = y .
Тогда система (4.16) будет линейной по входу ui , если ширина
интервала D( γ ks ( ui ) ) изменения секущей γ ks ( ui ) не превышает не-
которой заданной величины ε ui ≥ 0 .
Итак, предложен подход к оценке коэффициента структурно-
сти для статических объектов, основанный на определении секу-
щих НИП. В первом приближении в качестве локальных k s (ui )
для объекта (4.16) можно использовать соответствующие пара-
метры в уравнениях секущих наблюдаемого информационного
портрета Γo .

4.3.2. Об информационном аспекте оценки


коэффициента структурности
Введем показатели, позволяющие оценить возможности ин-
формационных множеств, при которых возможно решение задачи
идентификации коэффициента структурности.
Пусть для объекта (4.16) известно информационное множе-
ство I э (4.17). Рассмотрим переменную yn , заданную на времен-
ном интервале n ∈ [0, N ] . Назовем величину
N
1
Ξy =
N ∑y
i =1
2
i

информационной мощностью или средней энергией сигнала yn .


Аналогичные показатели вычислим для переменных y1, n , y2, n ,
введенных в §4.3.1 и получаемых в процессе трансформации на-
блюдаемого информационного портрета объекта (4.16).

111
В соответствии с физическими концепциями трансформация
наблюдаемого информационного портрета Γo к Γo1 и Γo2 должна
приводить к потере энергии и, следовательно, ухудшению про-
цесса идентификации. Соответствующие значения для рассмат-
риваемых переменных представлены в табл. 4.1.
Таблица 4.1
Значения средней энергией для объекта (4.16)
yn y1, n y 2, n
Ξ yi 9.898 0.967 0.02
Из таблицы видно, что после оценивания коэффициента
структурности k s (u1 ) энергия переменной y1, n по отношению к
yn уменьшилась на 90%, а для y2, n она составляет всего 0.2%. Но
так как y2, n является функцией от y1, n , то это отношение между
рассматриваемыми переменными равно 2.1%. И, как показывают
результаты моделирования, имеющейся информационной мощ-
ности достаточно для выполнения процедуры идентификации.
Итак, можно сделать вывод о том, что многоступенчатый
процесс идентификации, к которому относится определение ко-
эффициента структурности для объекта (4.16), приводит к расхо-
дованию информационной мощности объекта, и, следовательно,
существует предел значения Ξ yi -мощности, ниже которого при-
менение процедур идентификации является неэффективным. В
отличие от шенноновской или фишеровской информации, кото-
рую очень трудно вычислять в условиях априорной неопределен-
ности, Ξ yi -мощность достаточно легко вычисляется и может
служить интегрированной мерой информационных возможностей
множества I э системы идентификации. Следует заметить, что
здесь речь не идет о возможностях параметрического оценивания
на информационном множестве I э , так как для этого использу-
ются другие показатели [27].

112
4.4. Оценка нелинейных параметров модели на
основе анализа НИП

Подходы к оценке структуры модели динамической системы


на основе анализа НИП рассматривались в [27, 30]. Непосредст-
венный перенос этих результатов на статические объекты за-
труднен, так как он не учитывает специфику, присущую данному
классу систем. В первую очередь это связано с анализом системы
на множестве входов, что существенно усложняет процесс полу-
чения и анализа коэффициента структурности. Кроме этого, для
статических объектов не удается разбить информационное мно-
жество системы I э на два подмножества I l и I n , содержащие
данные о линейной и нелинейной части системы, что не позволя-
ет распространить предложенный подход на данный класс объек-
тов.
Дадим постановку задачи. Рассматривается объект
y n = AT U n + f (U , n ) , (4.22)

где U n ∈ R , yn ∈ R — вход и выход объекта, f : R k × J N → R —


нелинейная функция, A ∈ Ω A ⊂ R k — вектор параметров, при-
надлежащий ограниченной, но априори неизвестной области Ω A ,
n ∈ J N — дискретное время.
Для (4.22) известно множество экспериментальных данных
I э = I э ( y ,U ) = { y n , U n n ∈ J N = [0, N ]}
и соответствующее ему отображение Γo .
Необходимо на основе анализа множества I э и отображения
Γo определить структуру функции f (U , n ) .
Так как для рассматриваемого класса систем (4.22) не удается
выделить множество I n ⊆ I э , то для определения вида функции
f (U , n ) воспользуемся процедурой, которая сводится к реализа-
ции следующих шагов [29, 33].
1. Применяем теорему 4.4 к k s (ui ) (i = 1, k ) и оцениваем сте-
пень линейности системы (4.22). Если хотя для одного ui условие

113
линейности не выполняется, то переходим к шагу 2. В противном
случае работа процедуры заканчивается.
2. Формируем вспомогательный сигнал s ∈ R в виде линей-
ной комбинации элементов вектора U n

sn = I T U n ,

где I ∈ R k — единичный вектор, sn ∈ S ⊂ R .


3. Находим линейную модель
yˆ s , n = a s sn . (4.23)
Для этого можно построить виртуальный наблюдаемый ин-
формационный портрет Γo = γ ys = S × Y и затем провести секу-
щую γ y ( s ) , которая в данном случае будет совпадать с yˆ s , n .
4. Определяем ошибку прогнозирования es , n = yn − yˆ s , n . es
является нелинейной функцией от элементов вектора U n
es , n = es (U , n ) .
5. Для определения зависимости переменной es от ui ∈ U на-
ходим коэффициенты взаимной корреляции reui . Если получен-
ные значения reui окажутся несущественными, то систему (4.22)
можно считать линейной. В противном случае необходимо ис-
кать зависимости между es и ui в виде eˆs = f e (ui , u j ) . Для этого
следует перейти в шагу 6.
На данном этапе возникает проблема выбора критерия для
оценки степени взаимосвязи между es и ês . Будем предполагать,
что f e (ui ) имеет вид

eˆs = f e (ui ) = λα uiα , (4.24)


где λα < ∞ , α < ∞ . В общем случае можно положить

eˆs = f e (ui , u j ) = λαβ uiα u βj ( β < ∞, λαβ < ∞ ). (4.25)


В условиях априорной неопределенности в качестве критерия
принятия решения о структуре функции f e можно использовать
значения первых двух статистических моментов переменной es .

114
6. Подбираем параметры α и λα < ∞ в (4.24) или α , β и λαβ
в (4.25) таким образом, чтобы минимизировать невязку между
статистическими моментами переменной es и ее оценкой ês

min ( M {es } − M {eˆs })2 → (α * , λ*α ),


α , λα
2 * * *
(4.26)
min ( M {es } − M {eˆs }) → (α , β , λαβ ),
α , β , λαβ

где M ( es ) — статистический момент es .


Пример 1. Рассмотрим объект
y n = AT U n + bu2α,n + ξ n , (4.27)

где U ∈ R 3 , A = [0,3 − 0,4 1]T , элементы ui ∈ U являются нор-


мально распределенными случайными процессами с конечной
дисперсией, b = 0,5 , α = 0,3 , ξ ∈ R — помеха с нулевым средним
и конечной дисперсией.
На основе результатов §4.3.1 находим коэффициенты струк-
турности k s (ui ) и оцениваем для них величину ширины интерва-
ла D( γ ks ( ui ) ) изменения секущей γ ks ( ui ) . Соответствующие ре-
зультаты представлены в табл. 4.2.
Из таблицы следует, что по переменной u2 объект (4.27) не
является линейным и, следовательно, к нему следует применить
описанную выше процедуру.
Таблица 4.2
Интервал изменения ширины коэффициента структурности k s (ui )
для объекта (4.27)

переменная u1 u2 u3
D( γ ks ( ui ) )
0,03 0,15 0,05
Для оценки степени нелинейности объекта (4.27) сначала
формируем сигнал sn , а затем реализуем шаг 3. Для a s в (4.23)
получаем оценку aˆ s = 0,33 . Соответствующий виртуальный НИП
и секущая γ ys = yˆ s (t ) показан на рис. 4.9. Для es определяем ма-
тематическое ожидание и среднее квадратическое отклонение:

115
es = 0.01 , σ s = 0.27 .
После реализации шага 5 можно сделать вывод о том, что
наибольший reui достигается для u2 . Он равен reu2 = −0.63 . На
шаге 6 решаем задачу идентификации сигнала es с помощью мо-
дели (4.24) на информационном множестве {es ,n , U n ∀n ∈ J N } .
Результаты идентификации показаны на рис. 4.10. Из рис. 4.10
следует, что минимальное значение критериев (4.26) достигается
при aˆ s = 0.33 . При этом eˆs = 0.02 , σˆ s = 0.28 . Значения статисти-
ческих моментов для ошибки es обозначены кругами.

2,4
y
2,0 y
ŷ s

1,6

1,2
ŷ s
0,8

0,4 s
3 4 5 6

Рис. 4.9. Информационный портрет системы (4.27) на множестве


{ y , s}

1,0
es , eˆs σ̂ s
σ s , σˆ s
0,5
σs

0,0
es
-0,5

ês
α̂
-1,0
0,0 0,2 0,33 0,4 0,6 0,8

Рис. 4.10. Результат идентификации параметра α в (4.27)


116
Оценки информационной мощности Ξ для переменных yn и
es , n , соответственно, равны
Ξ yn = 2.35 , Ξ es ,n = 0.07 .

Из этих результатов следует, что степень нелинейности сис-


темы (4.27) по переменной u2, n является невысокой, так как от-
носительная мощность переменной es , n составляет всего лишь
3% от Ξ yn .
Пример 2. Рассмотрим объект
y n = AT U n + bf n + ξ n , (4.28)

где b = 0,25 , A = [0,3 − 0,4 1]T , f n = u1, n u3, n . Необходимо оценить


структуру функции f n .

es , eˆs 0,6
reui
σ s , σˆ s 0,5
reui
0,4 σs

0,3 решение

0,2 σ̂ s
ês
0,1
es
0,0

-0,1
u1u3 u2u3 u1u2 u1u3(oбъект)

Рис. 4.11. Оценка степени нелинейности объекта (4.28)

Применим описанный выше алгоритм. Для ошибки es , n по-


лучаем: es = −0.01 , σ s = 0.347 . Соответствующие статистические
оценки для ês в случае нелинейности u1 (t )u3 (t ) равны:
eˆs = −0.013 , σˆ s = 0.2 . Остальные результаты приведены на
рис. 4.11. В качестве вспомогательного критерия на рис. 4.11
приведены значения коэффициентов взаимной корреляции reui .

117
Стрелками на рис. 4.11 показаны результаты принятия решения
по выбору структуры объекта (4.28). На рис. 4.12 приведен ин-
формационный портрет, показывающий изменение коэффициен-
та структурности k s ( y , s, n ) = y n / sn . Из рисунка видно, что сис-
тема (4.28) при данном подходе к идентификации не является ли-
нейной.

0,5
ks(y, s)
γ y (ks )
0,4
ks(y, s)
0,3

0,2
γ y (ks )

0,1

0,0 y
0,0 0,5 1,0 1,5 2,0 2,5

Рис. 4.12. Коэффициент структурности системы (4.28) на множестве


{k s ( y, s ), y}
Замечание. Величины полученных коэффициентов корреля-
ции объясняются применением “грубой” идентификации на шаге
3.
Итак, приведенные примеры подтверждают работоспособ-
ность предложенного алгоритма оценки степени нелинейности
статической системы.
Изложим еще один подход к оценке нелинейности системы
(4.22). Предположим, что функция f e (ui ) принадлежит классу

f e ∈ F = { f ∈ R | f : R × J N → R, f ( x ) = x d , d ≠ 0, d < ∞} .

Пусть после исключения линейной составляющей sn = I T U n


сформировано вторичное информационное множество
I e = {en , ui , n n ∈ J N = [0, N ]}
для системы (4.22). На основе анализа I e определим коэффици-
ент структурности

118
en
k s ( e, ui , α , n ) = ,
uiα, n
где α < ∞ .
Построим информационный портрет Γe на плоскости
( k s ( e, ui ), en ) . К Γe добавим секущую γ ks ( ui ,e ) = a e,0 + a e,1k s ( e, ui ) .
Воспользуемся методом выпрямления отображения Γe , т. е. бу-
дем подбирать параметр α в k s ( e, ui , n ) таким образом, чтобы ко-
эффициент детерминации rγ2 для секущей γ k s ( ui , e ) был не меньше
δ r > 0 , где δ r задается на основе анализа Γe и γ k s ( ui , e ) . В качест-
ве второго критерия выбора α будем использовать условие
max uiα,n ≤ 1 + δ α ,
n

где δ α > 0 — заданная константа.


Утверждение 4.1. Пусть функция f e ∈ F и построено ото-
бражение
Γe ⊂ k s ( e, ui ,α , n ) × en ,
а параметр α < ∞ выбирается так, чтобы
( rγ2 ≥ δ r ) & ( max uiα,n ≤ 1 + δ α ) ,
n

где rγ2 — коэффициент детерминации для секущей γ ks ( ui ,e ) ото-


бражения Γe , δ r > 0 , δ α > 0 . Тогда для прогнозирования пере-
менной en на информационном множестве I e можно применить
модель eˆn = aˆuiα, n , где â подбирается из условия
aˆ = arg min( en − aˆuiα,n ) 2 .

Доказательство утверждения 4.1. Построим информацион-


ный портрет Γe на плоскости ( k s , e , en ) , где k s , e = k s ( e, ui ,α , n ) .
Проведем секущую γ ks ( ui ,e ) = a e k s ,e + be , где a e , be определяются
из условия
( a e , be ) = arg min( en − γ ks ( ui ,e ) ) 2 .
ae ,be

119
Подберем параметр α так, чтобы коэффициент детермина-
ции rγ2 был не меньше некоторой заданной величины δ r > 0 . Вы-
бор α будем осуществлять из условия
( rγ2 ≥ δ r ) & ( max | ui , n |α ≤ 1 + δ α ) ,
n

где δ α > 0 .
Учитывая структуру отображения Γe и выбор параметра α ,
получаем требуемое утверждение.ƒ
Результаты применения утверждения 4.1 для идентификации
объекта (4.27) показаны на рис. 4.13, 4.14. Из рис. 4.13 видно, что
параметр α в (4.27) можно выбрать равным 0.3, что согласуется с
результатами, приведенными на рис. 4.10, так как в этом случае
получаем максимальное значение коэффициент взаимной корре-
ляции re2eˆ = −0.621 . Это же подтверждает и значение rγ2 . Кроме
критериев re2ê и rγ2 для принятия решения, как указывалось выше,
используется значение математического ожидания ên для прогно-
за ên .

-0,600 1,00 0,20


rγ2
re2ê eˆs , n
-0,605
rγ2 0,99 0,15

-0,610
0,97 0,10
-0,615
re2ê
0,96 0,05
-0,620 eˆs , n

-0,625 0,95 0,00


0,25 0,30 0,35 0,40 0,45 0,50 0,55 0,60 α̂

Рис. 4.13. Результаты идентификации нелинейной составляющей в


(4.27)

На рис. 4.14 показано действие предложенной процедуры


выпрямления информационного портрета, где кружочек соответ-
ствует αˆ = 0.3 , а квадратик — αˆ = 1 . Из рисунка следует, что при
120
αˆ = 0.3 значения es , n практически совпадают с секущей
γ ks ( ui ,0.3,e ) (см. рис. 4.13).

0,6
es, n
0,4

0,2

0,0

-0,2
γ ks ( ui ,0.3, e )
-0,4

-0,6 γ ks ( ui , e )
-0,8 k s,e
-0,75 -0,50 -0,25 0,00 0,25 0,50 0,75

Рис. 4.14. Результаты работы метода выпрямления при различных α̂


Процедура выпрямления применима только к так называе-
мым "управляемым" моделям, под которыми понимаются модели,
уравнения которых содержат некоторый параметр (в рассмотрен-
ном выше примере это α ), который необходимо подобрать таким
образом, чтобы выполнялись условия ( rγ2 ≥ δ r ) , max uiα,n ≤ 1 + δα .
n
Это значит, что необходимо управлять параметром α таким об-
разом, чтобы секущая γ k s ( ui ,e ) имела величину rγ2 , принадлежа-
щую некоторой заданной области. Именно наличие управляемого
параметра ограничивает область применимости предложенного
подхода.
Пример 3. Рассматривается трехкомпонентная система рав-
новесия сталеплавильного процесса Fe-N-С [11], где Fe, N, С —
соответственно железо, азот, углерод1. На основе теоретических
предположений концентрация азота x[ N ] может быть описана
следующим уравнением2
x[ N ] = kp{ N }ψ [ N ]ψ [vC ] ,

1
Данная задача по оценке структуры модели была предложена автору д.т.н.
А.Я. Стомахиным.
2
Уравнение предложено А.Г. Пономаренко.

121
где p{N } — парциальное давление атомарного азота, ψ [ N ] ,ψ [ C ] —
некоторые известные функции, зависящие от концентрации эле-
ментов трехкомпонентной системы и других технологических
параметров, k, v — неотрицательные константы. Необходимо
оценить параметр v .
Для выбора параметра v применялся метод выпрямления. Ре-
зультаты представлены на рис. 4.15. Коэффициент структурности
определялся следующим образом
x[ N ]
k s (v) = .
p{ N }ψ [ N ]ψ [vC ]

0,0020 4
x[ N ] e,%
e
0,0015 2

0,0010 0
x[ N ]

0,0005 -2

0,0000 -4 k s (v )
0,2 0,4 0,6 0,8 1,0

Рис. 4.15. Подбор параметра v

На рисунке прямая с треугольником соответствует секущей


γ ks ( 0.3) , прямая с кружочком — секущей γ ks (1) , через e обозначе-
на относительная ошибка прогнозирования x[ N ] с v = 0.3 . Коэф-
фициент смешанной корреляции для γ ks ( 0.3) и γ ks (1) , соответст-
венно, равны 0.99, 0.95.
Что касается идентификации других видов нелинейностей
для рассматриваемых статических систем, то для формализации
процедур их оценивания необходимо применять нетрадиционные
подходы, один из которых был предложен выше. Еще один под-
ход к оценке структуры статических систем излагается в сле-
дующем параграфе. Он основан на введении понятия поля струк-
122
тур.

4.5. Поле структур для статической системы на


множестве секущих

Как отмечалось в предыдущем параграфе, задача структур-


ной идентификации статических систем требует применения не-
традиционных подходов, так как корреляционная теория позво-
ляют оценить только степень линейности, а дисперсионный ана-
лиз — степень нелинейности системы. Для рассматриваемого
класса систем очень сложно вскрыть существующие взаимосвязи,
так как они выражаются через интегрированный показатель —
выход системы. Здесь большую помощь могут оказать априорные
данные. В условиях априорной неопределенности дополнитель-
ную информацию может дать только информационный синтез
системы.
Для нелинейных динамических систем свойства можно оце-
нить по фазовому или наблюдаемому информационному портре-
ту. Для статических систем такого универсального графического
представления не существует. Задача еще более усложняется тем,
что в большинстве реальных систем информационное множество
носит нерегулярный характер, что не позволяет однозначно оце-
нить структуру системы по НИП. Несмотря на это, ниже излага-
ется подход к оценке нелинейности статической системы на ос-
нове метода секущих на примере одного частного случая нели-
нейности, хотя предлагаемый методология применима для любой
статической системы.
Рассматривается объект (4.22)
y n = AT U n + f (U , n ) ,
где f (⋅) — нелинейная функция вида
⎧ ul , n u j , n ∈ R | f : R × J N → R, ⎫
⎪ m p

f (U , n ) ∈ F = ⎨ ⎬,
⎪ f (U n ) = ∑∑ α lj ul , n u j , n , l ≠ j, 1 ≤ ( m, p ) < k ⎪
⎩ l j ⎭

123
y n ∈ Y ⊂ R , U n ∈ U ⊂ R — выход и вход объекта, A ∈ Ω A ⊂ R k
— вектор параметров, принадлежащий ограниченной, но априори
неизвестной области Ω A , α lj — некоторые числа, n ∈ J N — дис-
кретное время.
Для (4.22) известно множество экспериментальных данных
I э = I э ( y ,U ) = { y n , U n n ∈ J N = [0, N ]}
и соответствующее ему отображение Γo : U × y ∀n ∈ J N . Опреде-
лено сужение наблюдаемого информационного портрета
Γoui ⊂ Γo u ∈U ∀i = 1, k и для каждого Γoui построена секущая
i

γ ( y , ui ) = a 0,i + a 1,i ui ,n ,
где ( a 0,i , a 1,i ) ∈ R — некоторые вещественные числа.
Определены также секущие γ ( y , ul u j ) для ul u j ∈ F . Введем
множество секущих

Γ(U , y ) = {γ ( y , ui ),γ ( y , ul u j ), i = 1, k , (l , j ) ≥ 1} ,
заданное на I э .
Определение 4.2. Полем структур S S системы (4.22) будем
называть совокупность отображений γ ( y , ui ) ⊂ ui × y ∀i = 1, k ,
γ ( y , ul u j ) ⊂ ul u j × y ∃(l , j ) ≥ 1 на евклидовой плоскости Ε

S S = {γ ( y , ui ) ∀i = 1, k , γ ( y , ul u j ), l ≠ j , (l , j ) ≥ 1} .

Необходимо на основе анализа Γo построить поле структур


S S для (4.22) на множестве Γ(U , y ) .
Так как отображения Γo при k ≥ 2 не поддается наглядной
интерпретации, то, естественно, ограничиться его сужениями
Γoui ⊂ Γo u ∈U ∀i = 1, k , построенными на плоскости (ui , y ) . В ре-
i
зультате получим некоторое конечное множество отображений
uu
Γoui , Γo l j , которое представляет собой поле структур S S системы
(4.22) на плоскости Ε .

124
Так как рассматриваются секущие с различными областями
определения, то область определения поля S S на плоскости Ε
будет равна U dom(ui ) , а область значений S S будет совпадать с
i
областью значений отображения Γo
rng( S S ) = rng( Γo ) = rng( y ) .
uu
Построим отображения Γoui , Γo l j на плоскости Ε . Добавим к
ним элементы множества Γ(U , y ) . В дальнейшем ограничимся
только анализом свойств γ ( y , ui ) , γ ( y , ul u j ) .
Утверждение 4.2. Система (4.22) с нелинейностью
f (U , n ) ∈F имеет линейное поле структур S S .
Утверждение 4.2 немедленно следует из вида класса F и
структуры секущих γ ( y , ui ) , γ ( y , ul u j ) .
Рассмотрим сектор Sij , ограниченный секущими γ ( y , ui ) ,
γ ( y , u j ) . Эти секущие имеют угловые коэффициенты a 1,i , a 1, j .
Считаем, что a 1,i < a 1, j . Если окажется, что в этом секторе почти
наверное лежит секущая γ ( y , ul , u j ) , т. е. ее угловой коэффициент
принадлежит интервалу ( a 1,i , a 1, j ) , то составляющую ui u j ∈ F
можно включить в структуру модели для системы (4.22). Анало-
гичным образом осуществляется анализ всех кандидатов, априо-
ри входящих в f (U , n ) в (4.22).
С каждым элементом γ q ∈ Γ(U , y ) , q = 1, # Γ(U , y ) , где
# Γ(U , y ) — мощность множества Γ(U , y ) , будем ассоциировать
локальную структуры статической системы. Обозначим через
rϑ2q y коэффициент детерминации между ϑq и y,
ϑq = (uq| q =1,k , ul u j| q > k ) .
Определение 4.3. Будем говорить, что переменная ul u j коге-
рентна с y или имеет связь с y , если секущая γ ( y , ul , u j ) ∈ Sij
почти наверное. В этом случае Sij будем называть областью ко-
герентности переменной ul u j .

125
Для оценки тесноты связи введем коэффициент когерентно-
сти
ru2i y
Qij = .
ru2j y
Заметим, что Qij ≤ 1 и, в принципе, должен быть близким к
ru2i u j y . Если данное условие не выполняется, то это говорит о не-
когерентности рассматриваемой составляющей ui u j .
Пример поля структур S S для объекта, рассмотренного в
примере 2 из §4.4, показан на рис. 4.16.

y n 2,5
yn
γ ( y , ui ) γ 13
2,0 S13
γ3
γ1
γ2
S1 2
1,5 γ 12

γ 23
1,0
S 23

u i ,n
0,5
0 1 2 3 4 5 u l , n u j ,n

Рис. 4.16. Поле структур статического объекта


На рис. 4.16 обозначено γ i = γ ( y , ui ) . Там же приведен при-
мер сужения Γou1 (обозначение yn ). Из рисунка видно, что только
u1, n u3, n когерентна с yn . Остальные комбинации можно исклю-
чить. Q13 = 0.73 , что совпадает с ru21u3 y , Q12 = 0.18 , Q23 = 0.25 .
Приведенные результаты подтверждают выводы, сделанные в
§4.4.
Оценим уровень неопределенности, которая присуща введе-
нию указанных переменных в модель, исходя из поля структур,
показанного на рис. 4.16. Ширина секторов WS ( Sij ) , выраженная
в градусах, равна

126
WS ( S12 ) = 306 o , WS ( S13 ) = 25.7 o , WS ( S 23 ) = −280.6 o .
Зная ширину секторов и угловые коэффициенты a1,ij , нахо-
дим уровень неопределенности V (ui u j ) , связанный с оценкой не-
линейных составляющих:
V (u1u2 ) = 120% , V (u1u3 ) = 22% , V (u2 u3 ) = 82% .
Такие же значения получаются при использовании угловых ко-
эффициентов.
Из рис. 4.16 видно, что наибольший вклад в нелинейность
u1u3 вносит переменная u1 . Это же подтверждает и анализ отно-
шения информационных мощностей Ξ y / Ξ u1 и Ξ y / Ξ u1u3 . На ри-
сунке не приведены локальные структуры для случая
f (U , n ) = uid,ni , так как они не являются когерентными с y .
Из проведенного анализа видно, что введение составляющих
u1u2 , u2 u3 в модель приводит к ухудшению ее свойств, что под-
тверждает сделанные ранее выводы.
Изложенный подход является справедливым также для клас-
са нелинейностей

⎧ d
uld, nl u j , nj ∈ R | f : R × J N → R, ⎫
⎪⎪ ⎪⎪
f (U , n ) ∈ Fd = ⎨ m p
⎬,
⎪ f (U n ) =
⎪⎩ l
∑∑ j
dl d j
α lj ul , n u j , n , l ≠ j, 1 ≤ ( m, p ) < k ⎪
⎪⎭

где d j , d l — некоторые числа.


Итак, метод секущих позволяет проводить анализ структур-
ных свойств статической системы на основе построения поля
структур. Основным достоинством данного подхода является
возможность представления структуры системы на множестве
линейных функций (секущих). Это же касается и метода выпрям-
ления, изложенного в §4.4.
Учитывая линейность модели статической системы к элемен-
там класса Fd , поле структур может быть построено для любой
статической системы. На основе S S можно сделать заключение о

127
структуре статической системы в условиях неопределенности и
тем самым существенно сузить класс исследуемых моделей.
Поле структур может строиться и на множестве I e , т.е. мно-
жестве, получаемом после исключения линейной составляющей,
соттветсвующей вимртуальной переменной s = I TU .
Предлагаемый подход требует проведения дальнейшего ин-
формационного анализа и обобщения полученных результатов. В
частности, пока еще остается открытым вопрос покрытия поля
структур секущимы, соответстующими сечениям наблюдаемого
информационногой портрета на множестве нелиненйных входов
системы.

4.6. Оценка области параметрических


ограничений в условиях неопределенности

Задаче определения области параметрических ограничений


Ω A в условиях неопределенности практически не уделялось вни-
мания, несмотря на то, что она непосредственно связана с про-
блемой робастности адаптивных алгоритмов и процедурами ин-
тервального оценивания. Некоторые подходы к решению этой за-
дачи предложены в [27]. Там же описан способ получения пара-
метрических ограничений для системы (2.1) на основе анализа
НИП. В частности, для оценки области Ω A , заданной в виде не-
равенства сверху на норму вектора A(t ) , в [27] применялась ма-
жоритарная модель получения ограничений.
Ниже излагаются методы оценки области параметрических
ограничений при различных способах ее задания. При этом пред-
лагаемые подходы могут различаться как способами оценки, так
и получаемыми результатами.

4.6.1. Оценка области параметрических ограничений,


заданной в виде интервала изменения параметров
Ниже предлагается подход к оценке области Ω A , заданной в
виде
Ω A = { An ∈ R k |φb,i ≤ ai , n ≤ φt ,i , (φb,i ,φt ,i ) < ∞, ai , n ∈ An } , (4.29)
на основе анализа НИП и метода секущих.

128
Рассмотрим объект
y n = AnT U n , (4.30)

где A ∈ Ω A ⊂ R k — вектор параметров, принадлежащий ограни-


ченной области Ω A (4.29) с неизвестными параметрами
φb,i ∈ Φ b ∈ R k , φt ,i ∈ Φ t ∈ R k .
Для объекта (4.30) имеется информация I э = I э ( y n ,U n ) и по-
лучен наблюдаемый информационный портрет Γо .
Введем вектор Φ t = col(φt ,1 ,φt ,2 ,K,φt , k ) T , который мажори-
рует вектор An в (4.30). Рассмотрим частный случай области Ω A ,
соответствующей верхней границе области ограничений
Ω A,t = { An ∈ R k | ai ,n ≤ φt ,i , φt ,i < ∞, ai ,n ∈ An } .
Для оценки вектор Φ t ∈ Ω A, t можно применить математиче-
скую модель
ˆ Tt U n .
yˆ t , n = Φ (4.31)
Ставится задача: для объекта (4.30) на основе анализа данных
I э и отображения Γо получить оценки вектора Φ t в (4.29) с по-
мощью модели (4.31) таким образом, чтобы выполнялось условие
доминирования
yˆ t , n f y n для почти ∀n ≥ 0 . (4.32)
Под доминированием будем понимать выполнение неравен-
ства y n ≤ yˆ t , n для почти ∀n ∈ J N .
Для решения задачи может применяться несколько подходов.
Изложим один из них [33], основанный на проверке условия до-
минирования, используя в качестве вторичного критерия матема-
тическое ожидание исследуемых переменных.
Рассмотрим проекции НИП Γo на плоскости (ui , y ) и постро-
им секущие γ y (ui ) ∈ R

γ y (ui ) = ai ui + bi , i = 1, k (4.33)
со следующими областями определения и значений:

129
dom (γ y (ui )) ∈ J ui , rng(γ y (ui )) ∈ J y ,
где J ui ∈ R , J y ∈ R — интервалы изменения переменных ui , y ;
ai , bi — некоторые числа.
Полагаем φˆ = a и получаем приближенную оценку облас-
t , i ,0 i
ти Ω A,t
ˆ t ,0 } ,
Ω 0A,t = { An ∈ R k | An ≤ Φ

где Φˆ t ,0 = [φˆt ,1,0 φˆt ,2,0 Kφˆt , k ,0 ]T . Неравенство A ≤ Φ ˆ t ,0 понимается


как поэлементное.
Индекс 0 обозначает уровень подстройки вектора Φ̂ t модели
(4.31) и не совпадает с шагом изменения интервала J N .
Далее по модели (4.31) с Φ ˆ t ,0 находим прогноз yˆ t ,0, n выхода
объекта yn и величину коэффициента взаимной корреляции ryˆt ,0 y .
Проверяем условие доминирования
yˆ t ,0, n f y n .
Если оно выполняется для почти всех n , то полагаем
Ω A,t = Ω A,t ,0 и процесс определения области параметрических ог-
раничений на этом заканчиваем. В противном случае применяем
алгоритм коррекции области Ω A,t ,0 , который обеспечивает вы-
полнение условия доминирования.
Алгоритм коррекции состоит в следующем. Вычисляем ма-
тематические ожидания для yn и yˆ t ,0, n
y = M { y n } , yˆ t ,0 = M { yˆ t ,0,n }
и определяем величину
ˆ t ,0 .
ε t ,0 = y − yˆ t ,0 ∃Φ (4.34)
Лемма 4.3. ε t ,0 ≠ 0 .
Доказательство леммы 4.3. Так как вектор Φ ˆ t ,0 сформиро-
ван на основе секущих γ y (ui ) без учета других компонент векто-
ˆ t ,0 будет отличаться от вектора
ра U , то есть без U i = U \ ui , то Φ

130
Â* , который является МНК-оценкой, аппроксимирующей yn в
среднем на множестве IU = {U n n ∈ J N } . Отсюда следует утвер-
ждение леммы.ƒ
Величина ε 0 показывает насколько переменная yˆ t ,0, n “недо-
тягивает” до области доминирования над yn . Если ε t ,0 ≤ 0 , то
yˆ t ,0 f y п. н.
На основе ε 0 формируем множество поправок вектора Φ ˆ t ,0 .
Для этого находим величины
~ ε t ,0
φt ε,i , n = ∀n ∈ J N , (4.35)
ui , n
для которых определяем математические ожидания
ε ε
φt , i = M {φt ,i , n } . Далее формируем вектор поправок

ΔΦ t ,0 = [φtε,1 φtε,2 Kφtε, k ] T . (4.36)


Так как необходимо обеспечить условие доминирования, то
ˆ t ,0 по формуле
осуществляем коррекцию вектора Φ
ˆ t ,1 = Φ
Φ ˆ t ,0 + Γt ΔΦ t ,0 , (4.37)

где Γt ∈ R k × k — диагональная матрица с γ t ,ii > 0 , и с помощью


модели (4.31) определяем прогноз yˆ1, n для yn ∀n ∈ J N . Далее на-
ходим yˆ t ,1 и ryˆt ,1 y . Если окажется, что yˆ t ,1 ≥ y и

| ryyˆt ,1 − ryyˆt ,0 | ≤ Δ r , 0 < Δ r < ∞ ,

ˆ t ,1 ) и на этом процесс построения об-


то полагаем Ω A,t = Ω A,t (Φ
ласти параметрических ограничений заканчивается. В противном
случае адаптация вектора Φ̂ t должна продолжаться.
Утверждение 4.3. Если начальное значение вектора Φ̂ t оп-
ределяется на основе секущих (4.33), а его коррекция в уравнении
(4.31) осуществляется согласно (4.36), (4.37), то оценка области
параметрических ограничений
Ω A, t = { An ∈ R k | ai , n ≤ φt ,i , φt ,i < ∞, ai , n ∈ An } (4.38)

131
является допустимой, если выполняется условие доминирования
yˆ t ,1, n f y n для почти ∀n ∈ J n и
ryˆt ,1 y ∈ Ω r = {ryˆt ,1 y ∈ R | | ryˆt ,1 y − ryˆt ,0 y | ≤ Δ r , 0 < Δ r < ∞} . (4.39)

Доказательство утверждения 4.3. Из (4.36) следует, что


ΔΦ t ,0 = ΔΦ t ,0 (ε t ,0 ) и, следовательно, yˆ t ,1 = yˆ t ,1 (ε t ,0 ) . Учитывая
(4.34), получаем
y − y t ,0 y t ,0
y
yˆ t ,1 = yt ,0 + = + .
2 2 2
Из неравенства yt ,0 > 0,5 y следует условие yˆ t ,1 ≥ y , что и дока-
зывает утверждение 4.3.ƒ
Условие (4.39) накладывает ограничение на класс допусти-
мых моделей (4.31). За центр области Ω r принимается значение
ryˆt ,0 y .
Замечания. 1. В (4.35) вместо ε t ,0 можно использовать те-
кущее (по времени n ) значение невязки ε t ,0,n = y n − yˆ t ,0,n . 2. Если
процессы в системе носят стохастический характер, то для при-
нятия решения о доминировании следует установить допустимый
уровень доминирования (см. ниже).
Итак, в общем случае алгоритм адаптации вектора Φ̂ t, m мож-
но записать в виде
Φˆ t , m +1 = Φ
ˆ t , m + Γt ΔΦ t , m , (4.40)
где ΔΦˆ t , m = ΔΦ
ˆ t ,m ( n ) и формируется согласно изложенной выше
процедуре.
Для оценки качества работы системы идентификации пара-
метров области Ω A введем количественный критерий. Будем
считать, что yˆ t , n f y n почти на всем интервале J N , если вероят-
ность
Pf yˆt = P( yˆ t , n ≥ y n ) ≥ pf ∀n ∈ J N , (4.41)
где pf > 0 — заданная величина.
Определение 4.4. Вектор Φ ˆ t , m ∈ R k будем называть опти-
мальным, если он позволяет получить допустимую оценку облас-

132
ти параметрического оценивания Ω A, t и обеспечивает при этом
максимальное значение показателю Pf yˆt .
Утверждение 4.4. Выход модели (4.31) с вектором
Φˆ t , m ∈ R k , соответствующим оптимальной мажоритарной
оценке области Ω A, t (Φ ˆ t , m ) , имеет максимальную информацион-
ную мощность.
Доказательство утверждения 4.4. Рассмотрим допустимые
выходы модели (4.31), т. е. выходы, удовлетворяющие условиям
утверждения 4.1, а их показатель доминирования удовлетворяет
(4.41). Следовательно, оптимальной мажоритарной оценкой об-
ласти параметрических ограничений Ω A, t следует считать ту,
для которой
max P( yˆ t ,k ,n ≥ y n ) = Pf yˆt ( k* ) ∀n ∈ J N , (4.42)
k∈N m

где N m ⊆ Z ⊂ R — множество целых чисел, для которых выпол-


няется (4.41), k* ∈ N m — шаг итерации по Φ̂ t,m , для которой
справедливо (4.42). Из (4.42) немедленно следует утверждение.ƒ
Алгоритм (4.40) относится к классу конечно-сходящихся. Его
свойства следуют из следующей теоремы.
Теорема 4.5. Система идентификации (4.30), (4.31), (4.40) с
допустимым вектором параметров Φ ˆ t , m ∈ Ω A, t будет иметь ог-
раниченные траектории, если матрицы Γt ∈ R k × k в алгоритме
(4.31) удовлетворяет неравенству
λ2t ,max ( Γt ) 2(δAt ,m,n )T ΔΦ t ,m
≤ ,
λt ,min ( Γt ) || ΔΦ t ,m ||2
где λt ,min ( Γt ) , λt , max ( Γt ) — минимальное и максимальное собст-
венные числа матрицы Γt . Оптимальное значение матрицы Γt
имеет вид
Γt = D (δAt ,m,n )D −1 ( ΔΦ t ,m ) .
где D — оператор преобразования вектора δAt , m, n в диагональ-
ную матрицу.
133
Доказательство теоремы 4.5. Рассмотрим допустимые тра-
ектории модели (4.31), то есть траектории, полученные на основе
вектора Φ̂ t,m , удовлетворяющего условиям утверждения 4.1. За-
пишем уравнение для параметрической невязки. Из (4.40) полу-
чаем
δAt , m, n = δAt , m −1, n − Γt ΔΦ t , m , (4.43)

где δAt , m = An − Φ̂ t , m .
Рассмотрим функцию Ляпунова
VmΦ = || δAt , m, n ||2 =|| An − Φ
ˆ t , m ||2 .

Для первой разности VmΦ получим

ΔVmΦ,n = VmΦ,n − VmΦ−1,n = −2(δAt ,m,n )T Γt ΔΦ t ,m +


(4.44)
T
+ ( ΔΦ t ,m ) Γt2 ΔΦt ,m .

Для ΔVmΦ можно получить оценку

ΔVmΦ,n ≤ −2λt ,min ( Γt )(δAt ,m,n )T ΔΦ t ,m + λ2t ,max ( Γt ) || ΔΦ t ,m ||2 .


Для сходимости алгоритма (4.43) необходимо, чтобы матрица
Γt удовлетворяла условию

λ2t ,max ( Γt ) 2(δAt ,m,n )T ΔΦ t ,m


≤ . (4.45)
λt ,min ( Γt ) || ΔΦ t ,m ||2
Так как рассматриваются допустимые выходы модели (4.31),
то
sgn[(δAt ,m,n )T ΔΦ t ,m ] ≥ 0 , || ΔΦ t ,m ||< ∞
и, следовательно, существует ограниченная матрица Γt > 0 .
Найдем оптимальную матрицу Γt из условия максимального
убывания функции ΔVmΦ, n . Имеем

∂ΔVmΦ, n
= 0, (4.46)
∂Γt

134
где Γt ∈ R k — вектор с положительными элементами, Γt = D ( Γt ) ,
D — оператор преобразования вектора Γt в диагональную мат-
рицу.
Приведем правую часть (4.44) к виду
ΔVmΦ,n = −2 ΓtT D (δAt ,m,n )ΔΦ t ,m + ΓtT D 2 ( ΔΦ t ,m ) Γt . (4.47)
Подставляя (4.47) в (4.46) и выполняя операцию дифферен-
цирования, для матрицы Γt получим

Γt = D (δAt ,m,n )D −1 ( ΔΦ t ,m ) . (4.48)


Итак, оптимальная матрица Γt должна выбираться согласно
(4.48).
Нетрудно показать, что при таком выборе матрицы Γt оценки
вектора Φ̂ t, m будут ограниченными.
Рассмотрим ошибку доминирования em, n = y n − yˆ t , m, n . Вве-
дем функцию Ляпунова Vme, n = sgn(em, n ) . Для первой разности
Vme, n запишем

ΔVme, n = sgn(δAt , m, nU n ) − sgn(δAt , m, n −1U n −1 ) .


Если матрица Γt выбирается согласно (4.45) или (4.48), то с
помощью алгоритма (4.40) можно получить допустимые оценки
выхода модели (4.31) за исключением конечного числа точек. Это
значит, что при заданном m для выхода модели (4.31) с допусти-
мым вектором Φ̂ t, m для почти ∀n ΔVme, n = 0 . Относительная ве-
личина ошибок доминирования равна 1 − P( yˆ t , k , n ≥ y n ) .ƒ
Аналогично ищется минорирующая оценка для области Ω A
(4.30). В этом случае условие доминирования (4.32) записывается
в виде
yˆ b,n p y n для почти ∀n ≥ 0 ,
где yˆ b, n ∈ R — выход модели
ˆ Tb ,mU n
yˆ b,m,n = Φ (4.49)

135
ˆ b,m ∈ R k , настраиваемым с помощью ал-
с вектором параметров Φ
горитма
ˆ b , m +1 = Φ
Φ ˆ b, m − Γb ΔΦ
ˆ b, m .

ˆ b, m ∈ R k формируется согласно (4.35), (4.36)


Невязка вектора ΔΦ
с учетом замечания. В (4.49) Γb ∈ R k × k является диагональной
матрицей с γ b,ii > 0 .
Пример. Рассмотрим объект (4.31) с вектором параметров
A = [0.3 − 0.8 1]T и действующим на выходе аддитивным ограни-
ченным возмущением ξ n ∈ R , | ξ n | ≤ 0,3 . Вектор U ∈ R 3 имеет
такой же вид, как и в примере 1 из §4.4. Необходимо оценить об-
ласть параметрических ограничений (4.37).

0,945
rˆyˆt , y ˆ t ,0
Φ φˆt ,1,0 φˆt ,3,0
0,940

φˆt ,2,0 ˆ*
Φ t ,1
0,935
ˆ t ,1
Φ

0,930

A
0,925 φˆt ,1
0,25
-0,9
0,30
-0,8
0,35
-0,7
0,40
-0,6
0,45
-0,5
0,50
-0,4
φˆt ,2
0,6 0,7 0,8 0,9 1,0 1,1 φˆt ,3

Рис. 4.17. Оценивание вектора Φ

На рис. 4.17 показаны результаты идентификации вектора Φ t


для области Ω A,t с помощью системы (4.31), (4.35), (4.40). Здесь
приведен также вектор параметров An объекта (4.30). На основе
метода наименьших квадратов получена следующая оценка век-
тора A : Aˆn = [0.38 − 0.7 0.96]T Векторы Φ
ˆ t ,1 и Φ
ˆ *t ,1 получены с
помощью алгоритма (4.40) с Γt = 0.3I 3 и Γt = I 3 , где I 3 ∈ R 3×3 —
единичная матрица. Соответствующие значения ryˆt y равны
ryˆ t ,0 y = 0.94 , ryˆ t ,1 y = 0.935 , ryˆ*t ,1 y = 0.939 .

136
1,2 1,5
Pf1 yˆt
Pf0yˆt , Pf1 yˆ t Pf1*yˆt
1,0
0,8
Pf1*yˆt

0,5
0,4

Pf0yˆ t 0,0
0,0

-0,5 yn
1,6 1,8 2,0 2,2 2,4 2,6 2,8 3,0 3,2 3,4

Рис. 4.18. Доминирование переменной ŷ при различных значениях


вектора Φ̂ t
Согласно утверждение 4.3, полученные оценки являются до-
пустимыми. Для принятия окончательного решения находим по-
казатели доминирования с помощью (4.41). Для полученных оце-
нок они равны (рис. 4.18)
Pf yˆt ,0 = 8% , Pf yˆt ,1 = 55% , Pf*yˆt ,1 = 100% .
Эти же результаты подтверждает информационный портрет
(рис. 4.19) в пространстве ( y n , yˆ t ,n ) . Минорируюшая оценка для
Ω A имеет вид:
ˆ b = [0.36 − 0.81 0.915]T .
Φ
Итак, результаты моделирования подтверждают работоспо-
собность предложенного подхода.
4,0
yn 3,6 yˆ t ,1,n
yˆ t ,n yˆ t*,1,n
3,2

2,8 yn

2,4 yˆ t ,0,n
2,0

1,6

1,2 yn
1,6 2,0 2,4 2,8 3,2 3,6

Рис. 4.19. Оценки выхода модели (4.31) в пространстве ( y n , yˆ t ,n )

137
4.6.2. Адаптивный алгоритм определения
параметров области Ω A

Для настройки вектора Φ̂ t , n в (4.31) можно воспользоваться


адаптивным алгоритмом
⎧⎪Φ ˆ t , n − γ n {( yˆ n − y n )U n }, ( yˆ n p y n ) ∨ (ryˆy ∉ Ω r ),
ˆ t , n +1
Φ =⎨ (4.50)
⎪⎩ Φˆ t,n , ( ˆ
y n ) f y n ) ∧ (r yˆ y ∈ Ω r ),

где γ n ≥ 0 — параметр, обеспечивающий сходимость алгоритма.


Здесь встает вопрос о том, как определить принадлежность
выхода модели (4.31) области
Ω f = { y n ∈ R, yˆ n ∈ R | yˆ n f y n п.в. ∀n ∈ J N } .
Чисто визуально это сделать нетрудно, но для реализации (4.50)
нужен количественный критерий. В частности, для этого вос-
пользуемся показателем Pf yˆ t (4.41) на всем интервале J N .
Алгоритм (4.50) относится к классу конечно-сходящихся, а
(4.41) является условием принятия решения по оценке Ω A,t .
Сходимость алгоритма (4.50) следует из следующей теоремы
[33].
Теорема 4.6. Пусть вектор U n ∈ R k в (4.30) удовлетворяет
условию предельной невырожденности, а Φ ˆ t ,0 в (4.50) находится
с помощью секущих наблюдаемого информационного портрета.
Тогда алгоритм (4.50) позволяет получить допустимую оценку
вектора Φ ˆ t , n ∈ Ω A, t , обеспечивающую выполнение целевого нера-
венства yˆ n ≥ y n , если

γ n ≤ || U n ||−1 ,
а относительное число ошибок алгоритма на интервале J N рав-
но Pf yˆ = 1 − Pf yˆ .
Для статического объекта (4.30) с вектором A , рассмотрен-
ным в примере 3, результаты работы алгоритма (4.50) показаны
на рис. 4.20. За начальную оценку Φ̂ 0 вектора Φ в (4.31) прини-
малось значение Φ 0 , полученное в примере 3. Для рассматривае-
138
мого случая Pf yˆ = 0.77 , а pf полагалась равной 0,6. Оценки ко-
эффициентов взаимной корреляции ryyˆ 0 = 0.94 и ryyˆ = 0.939 по-
зволили сделать вывод о том, что полученное значение вектора Φ
является допустимой, так как ryyˆ ∈ Ω r .
Возможны также некоторые модификации (4.50). В частно-
сти, можно потребовать выполнения условия δ -доминирования
yˆ f y ⇔ ( yˆ − y ) ≥ δy [33].
δy

1,0
ϕ^
i 0,8 ϕ^3
0,6

0,4
ϕ^1
0,2
-0,4

-0,5

-0,6

-0,7 ϕ^2
-0,8
0 5 10 15 20 t

Рис. 4.20. Результаты работы адаптивного алгоритма (4.50)

4.6.3. Оценка области параметрических ограничений,


заданной в виде ограничения на норму изменения
параметров
Рассмотрим объект
yn = AnT U n + ξ n , (4.51)

где An ∈ R k — вектор, принадлежащий априори неизвестной об-


ласти

Ω A = { An ∈ R k | α b ≤ || An || ≤ α t , 0 ≤ (α b ,α t ) < ∞ } , (4.52)

U n ∈ R k — вектор входа, ξ n ∈ R — ограниченное возмущение,


действующее на выходе системы (1).

139
Для системы (4.51) получено информационное множество
I э = I э ( y n ,U n , J N ) .
Необходимо на основе анализа множества I э на заданном
классе структур системы (4.51) оценить параметры α b ,α t области
Ω A (4.52).
Рассматриваемая задача существенно отличается от поста-
новки, изложенной в предыдущем параграфе. Задание области
Ω A в виде (4.51) не позволяет применить предложенные ранее
подходы. Это объясняется прежде всего нелинейностью рассмат-
риваемой задачи как по параметрам, так и информационным пе-
ременным. Основным здесь является выбор подходящей вектор-
ной нормы, которая во многом зависит от свойств вектора U n и
его взаимосвязи с выходом yn . В зависимости от применяемой
нормы будут получаться различные оценки для области Ω A .
Приведем зависимости, связывающие между собой искомые па-
раметры [27].
В результате анализа I э ( J N ) можно получить множество I s
обобщенных характеристик экспериментальных данных
I s ( I э ) = { max || U n ||, min || U n ||, max | yn |,
n n n
. (4.53)
min | yn | ∀n ∈ J N }
n

Для выхода y n справедливо неравенство

| y n | = | AnT U n | ≤ || An || || U n || ∀n ≥ 0 .
Тогда для ∀n ≥ 0 получаем
max | y n | ≤ || An || max || U n || .
n n

Из этого неравенства следует оценка снизу для вектора An


max | y n |
n
|| An || ≥ . (4.54)
max || U n ||
n

Найдем оценку сверху для вектора параметров An . Для


∀n ∈ J N справедлива следующая цепочка неравенств

140
max | y n | ≥ min | AnT U n | ≥ || An || min || U n || .
n n n

Отсюда
max | y n |
n
|| An || ≤ . (4.55)
min || U n ||
n
Объединяя оценки (4.54) и (4.5), для нормы вектора An мож-
но записать
αˆ b ≤ || An || ≤ αˆ t , (4.56)
где
max | y n | max | y n |
αˆ b = n
, αˆ t = n
.
max || U n || min || U n ||
n n
Следует заметить, что оценка сверху для нормы вектора An
является завышенной. Это объясняется как применяемым подхо-
дом, так и действием на выходе возмущения ξ n . Поэтому ее сле-
дует уточнять в процессе идентификации. Если An и U n измеря-
ются с ошибками, то в (4.56) обходимо использовать их сглажен-
ные значения.
Воспользуемся в качестве нормы следующей функцией [42]
ρ ( X ) = max | xi | , xi ∈ X , X ∈ Rk . (4.57)
i

Нетрудно заметить, что применение ρ ( X ) к (4.56) позволяет


найти оценку для максимального по модулю элемента вектора
An .
Для принятия решения об адекватности полученных оценок
следует воспользоваться условием доминирования. Введем мо-
дель
ρˆ μ , n = αˆ μ ρ μ (U n ) n ∈ JN , (4.58)
где μ = t, b , ρˆ μ , n — мажоритарная или миноритарная оценка нор-
мы ρ ( y n ) , ρ μ (U n ) — соответствующие оценки для ρ (U n ) .
На основе (4.58) проверяется условие доминирования
ρˆ μ , n f ρ ( y n ) путем вычисления показателя Pf ρ̂ μ . Для достиже-

141
ния требуемого уровня доминирования в (4.41), как уже отмеча-
лось, потребуется коррекция полученных оценок в (4.56). Для
этого можно воспользоваться подходом, предложенным в § 4.6.1.
Следующий этап состоит в нахождении соответствия между α̂ μ и
соответствующим элементом вектора An . Для этого можно вос-
пользоваться установлением взаимосвязи между ρ (U n ) и | ui , n |
на всем интервале принятия решения J N .
Пример. Рассмотрим пример из §4.6.1 и найдем оценку об-
ласти Ω A для вектора параметров в случае действия возмущения
ξ n , | ξn | ≤ 0.3 .
Для вектора An на основе (4.56) и (4.57) получены оценки
αˆ t = 1.35 , αˆ b = 1.07 . Анализ показывает, что это оценки элемента
a3, n ∈ An . Они являются завышенными, так как ρ ( An ) = 1. При-
нимаем эти оценки за начальные, т. е. полагаем αˆ t ,0 = 1.35 ,
αˆ b,0 = 1.07 . Воспользуемся средними значениями ρ ( y n ) , ρ (U n )
на интервале J N . В этом случае оценки равны: αˆ t ,m = 1.01 ,
αˆ b,m = 0.86 . Применим к ρ ( y n ) процедуру скользящего среднего.
Тогда получим массив ρ s ( y n ) . Подставляя параметры ρ s ( y n ) в
(4.56), находим αˆ t , s = 1.14 , αˆ b, s = 0.9 . Результаты оценивания от-
ражает рис. 4.21.

4,2
ρ ( yn )
ρ ( yˆ n ) 3,6 1

2
3,0
7 3
4
2,4
5

1,8 6

ρ ( yn )
1,2
1,5 2,0 2,5 3,0 3,5

Рис. 4.21. Информационный портрет, отображающий результаты


оценивания в пространстве ( ρ ( y n ), ( ρ ( yˆ n ))

142
3,5
ρ s ( yn ) ρ̂t, s

ρ ( y n ) 3,0 ρ s ( yn )
ρ ( yn )

2,5

ρ̂ b, s
2,0

1,5
ρ s ( yn )
2,0 2,2 2,4 2,6 2,8

Рис. 4.22. Информационный портрет, отображающий результаты


оценивания в пространстве ( ρ s ( y n ), ( ρ ( y n ))

На рисунке использованы следующие обозначения: 1 — вы-


ход модели с αˆ t ,0 , 2 — нижняя граница выхода модели с αˆ t ,0 , 3
— ρ ( y n ) , 4 — нижняя граница выхода модели с αˆ b ,0 , 5 — ниж-
няя граница выхода модели с α̂ t , s , 6 — нижняя граница выхода
модели с α̂ b , s , 7 — выход модели с αˆ b,0 . Результаты моделирова-
ния подтверждают, что для получения оценок области парамет-
рических ограничений следует применять процедуру сглажива-
ния выхода системы y n .
Рис. 4.22 отражает результаты оценивания на основе сгла-
женных данных. Здесь же приведены уровни для нормы ρ s ( y n )
— ρ̂ t , s , ρ̂ b, s , полученные на основе значений α̂ t , s и α̂ b, s .
Учитывая характер оценивания параметров области Ω A и ре-
зультаты моделирования, для принятия решения о доминирова-
нии траекторий модели (4.58) над ρ s ( y n ) вместо (4.41) будем ис-
пользовать следующие показатели
Pf ρˆt ,s = P( ρˆ t ,s ≥ ρ s ( y n )) ≥ pt f ∀n ∈ J N , (4.59)

Pf ρˆb ,s = P( ρˆ b ,s ≤ ρ s ( y n )) ≥ pbf ∀n ∈ J N , (4.60)

где pt f > 0 , pb f > 0 — некоторые заданные величины. Соответ-


ствующие величины равны Pf ρˆt ,s = 1 , Pf ρˆ b , s = 0.95 .

143
Результаты моделирования подтверждают сделанный выше
вывод о том, что оценки на основе (4.54)-(4.56) являются завы-
шенными.
Изложим два подхода к коррекции оценок (4.56). Первый
подход основан на анализе изменения коэффициента структурно-
сти [27]. Он будет изложен в следующем параграфе.
Для уточнения оценок можно применить адаптивный подход.
В этом случае в качестве критериев принятия решений будем
применять показатели (4.59), (4.60) и условие δ -доминирования
0 ≤ ρˆ t , n − ρ ( y n ) ≤ δ ρ , 0 ≤ ρ ( y n ) − ρˆ b, n ≤ δ ρ , (4.61)
где ρ̂ t ,n — выход модели (4.58), δ ρ ≥ 0 .
Для уменьшения чувствительности алгоритма к действию
возмущений условие (4.61) будем рассматривать относительно
усредненных значений переменных. В качестве начальных оце-
нок α̂ μ в (4.58) возьмем значения, полученные на основе (4.56).
Адаптивную модель запишем в виде
ρˆ μ , n = αˆ μ , n −1ρ (U n ) , μ = t, b . (4.62)
ϕ -алгоритм настройки параметра αˆ μ , n имеет вид

ρˆ μ , n = F ( ρˆ μ , n ) , (4.63)

⎧αˆ μ , n −1 − γ μ ( ρˆ μ , n − ρ ( yn ))ρ (U n ), s( μ )eμ ,n > δ y ,


αˆ μ ,n = ⎨ (4.64)
⎩ αˆ μ , n −1 , s ( μ ) eμ ,n ≤ δ y ,

где ρˆ μ , n — среднее значение выхода модели (4.62) на интервале


[0, n] , F — оператор усреднения (сглаживания),
eμ ,n = ρˆ μ , n − ρ ( yn ) ,
ρ ( y n ) — среднее значение ρ ( y n ) на всем интервале J N , γ μ ∈ R
— положительный параметр, обеспечивающий сходимость алго-
ритма,

⎧ 1, μ = t ,
s( μ ) = ⎨
⎩− 1, μ = b.

144
Процедуру (4.64) можно представить в следующем виде
αˆ = αˆ − γ~ ( ρˆ − ρ ( y ))ρ (U ),
μ ,n μ , n −1 μ μ ,n n n

⎧γ μ , s( μ )eμ , n > δ y , (4. 65)


γ~μ = ⎨
⎩ 0, s( μ )eμ , n ≤ δ y .
Обозначим через e μ , n ошибку прогнозирования
eμ ,n = ρˆ μ , n − ρ ( yn ) .

Теорема 4.7. Пусть | ξ n | ≤ υ . Тогда алгоритм (4.65) является


решением целевого неравенства s( μ )eμ ,n > δ y , если
2
0 < γ~μ ≤ 2 .
ϑ
Число ошибок алгоритма (4.65)
Δα μ2 ,0
m≤ ϑ2 ,
c 2δ y2

где c ≥ 1 , ϑ 2 = max ρ (U n ) .
n
Доказательство теоремы 4.7. Запишем алгоритм (4.65) от-
носительно невязки
Δα μ ,n = Δα μ ,n−1 − γ~μ ( ρˆ μ ,n − ρ ( y n ))ρ (U n ) , (4.66)
где Δα μ ,n = αˆ μ ,n − α μ .
Введем функцию Ляпунова Vμ ,n = Δα μ2 ,n . Для первой разно-
сти ΔVμ ,n = Vμ ,n − Vμ ,n−1 получаем

ΔVμ ,n = −2γ~μ ( ρˆ μ ,n − ρ ( y n ))Δα μ ,n−1 ρ (U n ) + γ~μ2 ( ρˆ μ ,n − ρ ( y n )) 2 ρ 2 (U n )


.
Пусть μ = t . Рассмотрим область, где выполняется условие
αˆ μ ,n ∈ G μ = {αˆ μ ,n ∈ R | ( ρˆ μ ,n − ρ ( y n )) > δ y } , (4.67)

145
Учитывая (4.67), ρˆ μ , n − ρ ( y n ) и Δα μ ,n−1 ρ (U n ) преобразуем к
виду
ρˆ μ ,n − ρ ( y n ) ≥ cδ y ,
Δα μ ,n−1 ρ (U n ) = ρˆ μ ,n − ρ ( y n ) + υ ≥ cδ y + υ ,

где c ≥ 1 . Тогда для ΔVμ , n

ΔVμ ,n ≤ −2γ~μ eμ ,n ( eμ ,n + υ n ) + γ~μ2eμ2 ,nϑ 2 ≤


(4.68)
≤ −2γ~μ eμ2 ,n + γ~μ2eμ2 ,nϑ 2 ,
где υ n =| ξ n | .
Алгоритм (4.56) будет сходиться при
2
0 < γ~μ ≤ 2 .
ϑ
В этом случае ΔVμ , n ≤ 0 . Найдем оптимальное значение γ~μ из
условия ∂ΔVμ ,n / ∂γ~μ = 0
1
γ~μopt = .
ϑ2
При таком выборе γ~μopt

eμ2 ,n c 2δ y2
ΔV μ ,n ≤ − 2
≤ −d , d = 2
.
ϑ ϑ
Так как рассматривается решение задачи на конечном интер-
вале J N , то для числа ошибок m алгоритма (4.65) получаем

Δα μ2 ,0
m≤ 2
ϑ2.
c δ y2
Аналогичным образом определяются оценки для случая
μ = b .ƒ

146
1,4
α̂ t,n
α̂ b,n
1,2

α̂ t,n
1,0

α̂ b,n

0,8
0 10 20 30 40 50 60
n

Рис. 4.23. Настройка параметров модели (4.62) с помощью


алгоритма (4.65)
Результаты работы алгоритма (4.65) оценки области парамет-
рических ограничений для системы, рассмотренной в примере,
показаны на рис. 4.23. В качестве начальных значений αˆ μ ,0 ис-
пользовались оценки, полученные на основе (4.56). Для опреде-
ления текущего усредненного значения выхода модели (4.62)
применялась процедура экспоненциального сглаживания.
Рис. 4.24 отражает условие доминирования выхода модели (4.62).
Полученные результаты подтверждают значения показателей
(4.59), (4.60), которые, соответственно, равны δ y = 0.2 ,
Pf ρˆt = 88% , Pf ρˆb = 63% . Параметр
⎧ 2, μ = t ,
c=⎨
⎩1.5, μ = b.
3,5
ρ ( yn ) ρ ( yn )
ρ̂ t,n 3,0 ρ̂ t,n

ρ̂ b,n
2,5
ρ̂ b,n
2,0

1,5 ρ ( yn )
1,5 2,0 2,5 3,0 3,5

Рис. 4.24. Результаты доминирования выхода модели (4.62) после


настройки ее параметров

147
Итак, для получения оценок области параметрических огра-
ничений Ω A использовалась норма (4.57). Очень часто для фор-
мирования ограничений применяют также нормы с функциями
[42]
n n
γ (X ) = ∑| x | ,
i =1
i h( X ) = ∑x
i =1
2
i (4.69)

Сравнение ρ ( X ) и функций (4.69) показывает, что


ρ ( X ) ≤ γ ( X ) , ρ ( X ) ≤ h( X ) .
Следовательно использование норм (4.69) для статической сис-
темы (4.51) приведет к получению заниженных (пессимистиче-
ских) оценок (4.56). Чтобы обойти эту проблему, поступим сле-
дующим образом. Возьмем в качестве исходной нормы функцию
ρ ( X ) и с помощью изложенных выше подходов получим оценки
(4.56). Для удобства обозначим их следующим образом
αˆ bρ ≤ || An || ≤ αˆ tρ , (4.70)
Сформируем множества
Gv = {k v ( X n ) ∀n ∈ J N } v = γ , h ,
где
v( X n )
kv ( X n ) = .
ρ( X n )
Будем искать такие αˆ bv ,αˆ tv , чтобы они позволяли покрыть
некоторую область, соответствующую среднему значению v( y n ) .
Для этого найдем средние значения k v ( X n )
N
1
υ v = kv ( X n ) =
N ∑k (X
n =1
v n ).

Тогда при использовании нормы v( X ) получаем следующие


оценки для области Ω A
αˆ bv ≤ v( An ) ≤ αˆ tv ,

148
αˆ bv = υ vαˆ bρ , αˆ tv = υ vαˆ tρ .
Применение полученных оценок для объекта, рассмотренно-
го в примере, дает:
а) при использовании нормы h( X ) αˆ bh = 1.17 , αˆ th = 1.38 .
Норма h( An ) для вектора параметров объекта равна 1.32;
б) при использовании нормы γ ( X ) αˆ bγ = 1.96 , αˆ th = 2.29 .
γ ( An ) = 2.1 .
Итак, выбор нормы для оценки области параметрических ог-
раничений требует предварительного анализа информационного
множества системы. Наиболее правдоподобные оценки дает при-
менение нормы ρ ( X ) . Использование норм γ ( X ) , h( X ) приво-
дит к получению пессимистических оценок. В случае применения
функций γ ( X ) , h( X ) предварительно необходимо находить
оценки (αˆ bρ , αˆ tρ ) ∈ Ω ρA , а затем, следуя изложенному выше, опре-
делять оценки для областей Ω γA или Ω hA .

4.6.4. Получение параметрических ограничений на


основе анализа НИП
Рассмотрим систему, описываемую псевдорегрессионным
уравнением, линейным относительно вектора параметров A ∈ R m ,
y n = AnT Pn , (4.71)

где P ∈ R m — обобщенный вход (регрессор), An принадлежит


ограниченной, но априори неизвестной области Ω A . Для системы
(4.69) известна экспериментальная информация
I э ( J ) = { y n , Pn n ∈ J N = [ 0, N ]} .
Необходимо на основе анализа множества I э ( J ) для системы
(4.71) определить оценку для области Ω A , заданной в виде (4.52).
Предлагаемая процедура нахождения области параметриче-
ских ограничений основана на уточнении полученных ранее оце-
нок (4.56) на основе анализа информационного портрета [27]. Для
этого осуществляется предварительный анализ информационного

149
множества I э и затем определяются обобщенные характеристики
I s ( I э ) (4.53) (рис. 4.25).

Рис. 4.25. Система получения текущих оценок нормы вектора


параметров объекта (4.71)

На основе множества I s ( I э ) формируются переменные


π y , n ∈ R , π P, n ∈ R , равные текущему значению нормы от yn , Pn
π y , n = | y n | , π P ,n = || Pn || ,
где || ⋅ || — некоторая норма вектора Pn .
Выходом системы (рис. 4.25) является переменная (коэффи-
циент структурности)
π y,n
κn = ,
π P, n
которая является текущей оценкой нормы вектора параметров
An . Возьмем в качестве α b, ks значение, лежащее в окрестности
среднего значения переменной такое κ n , что | κ n − α b | ≤ ε b , где
ε b — заданное положительное число.
Построим отображение ΓA : {π P ,n } ×{π y ,n } на евклидовой
плоскости Ε . Проведем секущую γ κ (π P , n ) = aγ π P , n , где aγ —
некоторое число. Найдем на плоскости Ε точку κ β пересечения
ΓA и γ κ , ближайшую к α b, ks . Определим в ее окрестности две
ближайшие точки, лежащие слева и справа от κ β на кривой ΓA ,
т. е. κ 1 , κ 2 . Найдем коэффициент коррекции как kπ = π P2 / π 1P .
Тогда в качестве α t можно взять оценку
α t ,ks = ρ t ,ks = kπ α b,ks .

150
1,2
ρ ( An )
α t, k s κn
κ1
α b, k s α t, k s
κn 1,0 κβ
ρ ( An ) γκ
α b, k s

0,8 αb κ2

π 1P π P2 π P,n
0,6
2,2 2,4 2,6 2,8 3,0 3,2

Рис. 4.26. Информационный портрет, отображающий результаты


оценивания параметров области ограничений на основе анализа
коэффициента структурности

Такой выбор точек κ 1 , κ 2 объясняется необходимостью по-


лучения оценок, близких к γ κ .
После нахождения оценок области Ω A следует проверить ус-
ловия доминирования и найти показатели (4.41).
Результаты определения оценок области Ω A (4.52) для сис-
темы, рассмотренной в примере в §4.6.3, показаны на рис. 4.26.

4.7. Заключение

Изложены методы структурной идентификации статических


систем, описываемых алгебраическими уравнениями. Предложен
способ выбора информативных переменных на основе примене-
ния секущих наблюдаемого информационного портрета. В отли-
чие от динамических систем проблема нахождения коэффициен-
та структурности для статических систем является более слож-
ной. Для ее решения применяется метод секущих. Локальный ко-
эффициент структурности является текущей оценкой параметра
модели при соответствующем элементе вектора входа системы.

151
Введено понятие информационной мощности сигнала ( Ξ y -
мощности). Показано, что применение многошаговой процедуры
нахождения коэффициента структурности приводит к расходова-
нию информационной мощности объекта. Существует предел
значения Ξ y k -мощности ( k — номер итерации), ниже которого
применение процедур идентификации является неэффективным.
Предложен метод информационного синтеза структуры не-
линейных статических систем в условиях неопределенности на
основе анализа наблюдаемого информационного портрета. Ин-
формационный синтез позволяет выделить некоторое подмноже-
ство данных, которое содержит информацию о нелинейных свой-
ствах системы. Предложены критерии и алгоритмы принятия ре-
шений о структуре модели. Для случая нелинейностей, относя-
щихся к классу степенных функций, разработан метод
выпрямления информационного портрета, который позволяет по-
добрать показатель степень. Данный метод применим только к
"управляемым" моделям, то есть моделям, которые содержат па-
раметр, который можно изменять таким образом, чтобы выпол-
нялось заданное целевое условие.
Для оценки структуры модели статической системы, нели-
нейная часть которой содержит произведения элементов вектора
входа системы, предложен метод, основанный на построении по-
ля структур на множестве секущих. Показано, что нелинейной
системе соответствует линейное поле структур. Для принятия
решения о структуре исследуемой модели введено секторное ус-
ловие, алгоритм построения которого изложен в работе. Сектор-
ное условие широко применяется для анализа свойств нелиней-
ных динамических систем. В задачах идентификации, насколько
известно автору, данное условие не применялось. Впервые такая
процедура была предложена в третьей главе данной книги. Было
показано, как секторное условие можно применить для оценки
структуры нелинейных динамических систем, не прибегая к за-
даче параметрической идентификации.
В данной главе секторное условие возникло благодаря введе-
нию поля структур и позволяет выделить ограничения (сектор),
которому должна удовлетворять секущая наблюдаемого инфор-
мационного портрета при соответствующем его сужении.
Заключительная часть главы посвящена проблеме оценки об-
152
ласти параметрических ограничений модели в условиях неопре-
деленности. Рассмотрены преимущества и недостатки векторных
норм, применяемых для описания области ограничений. Изложе-
ны алгоритмы оценки параметров области ограничений. Большое
место в предлагаемых алгоритмах занимают процедуры анализа
данных и принятия решений. Работоспособность практически
всех изложенных процедур и методов подтверждается результа-
тами моделирования.
В заключение хотелось бы сказать, что в силу многообразия
существующих подходов и методов к проблеме идентификации в
условиях неопределенности новые задачи могут возникать во
многом благодаря анализу информационного множества систе-
мы. Это направление еще не получило должного развития, но
учитывая прогресс в информационных и математических техно-
логиях, позволяющих автоматизировать процесс предварительно-
го анализа данных, может появиться возможность расширения
рамок оценивания структурных параметров и характеристик дан-
ных, а, следовательно, и самой изучаемой системы.

153
Библиографический список
1. Арнольд В. И. Обыкновенные дифференциальные уравне-
ния. — М.: Наука. 1971. — 240 с.
2. Барбашин Е.А. Метод сечений в теории динамических сис-
тем. — Минск: Наука и техника, 1979. — 120 с.
3. Баутин Н.Н., Леонтович Е.А. Методы и приемы качествен-
ного исследования динамических систем на плоскости. — М.:
Наука, 1990. — 486 с.
4. Биркгоф Д. Динамические системы. — Ижевск: Издатель-
ский дом «Удмуртский университет», 1999. — 408 с.
5. Блюмин С.Л., Шмырин А.М. Окрестностные системы. —
Липецк: ЛЭГИ, 2005. — 132 с.
6. Бокс Д., Дженкинс Г. Анализ временных рядов, прогноз и
управление. Вып. 1. — М.: Мир, 1974. — 406 с.
7. Бунич А. Л. Вырожденные задачи синтеза системы управле-
ния линейным дискретным объектом // Автоматика и телемехани-
ка. 2005. № 11. — С. 35–45.
8. Вентцель Е.С. Теория вероятности. — М.: Наука, 1964. —
596 с.
9. Вучков И., Бояджиева Л., Солаков Е. Прикладной регресси-
онный анализ / Пенр. с болг. — М.: Финансы и статистика, 1987.
— 239с.
10. Горский В. Г., Адлер Ю. П., Талалай А. М. Планирование
промышленных экспериментов. — М.: Металлургия, 1978. —
112 с.
11. Григорян В.А., Белянчиков Л.Н., Стомахин А.Я. Теорети-
ческие основы электросталеплавильных процессов. Издание 2-е,
переработанное и дополненное. — М.: Металлургия. 1987. – 272 с.
12. Гропп Д. Методы идентификации систем. — М.: Мир,
1975. — 302 с.
13. Дейч А. М. Методы идентификации динамических объек-
тов. — М.: Энергия, 1979. — 240 с.
14. Ершов А. А. Стабильные методы оценивания параметров
(обзор) // Автоматика и телемеханика. 1978. № 8. — С. 66-100.
15. Ивахненко А.Г., Мюллер И.А. Самоорганизация прогнози-
рующих моделей. — Киев: Техника, 1984. — 350 с.
16. Ильин В.А., Позняк Э.Г. Аналитическая геометрия. — М.:
154
Наука, 1971. — 271 с.
17. Казаков И. Е., Доступов Б. Г. Статистическая динамика не-
линейных автоматических систем. — М.: Физматгиз, 1962. —
278 с.
18. Карабутов Н.Н. Идентификация типа особой точки дина-
мической системы по данным “вход-выход” // Труды 2-й между-
народной конференции “Математическое моделирование соци-
альной и экономической динамики” (MMSED-2007). 20-22 июня
2007 года. Москва, Россия. — М.: РУДН, 2007. — С. 103-106.
19. Карабутов Н.Н. Определение порядка линейной динами-
ческой системы // Автоматика и телемеханика. 1991. № 4. — С.
180-183.
20. Карабутов Н.Н. Структурная идентификация статических
объектов // Фундаментальные физико-математические проблемы и
моделирование технико-технологических систем. Сб. науч. тру-
дов. Выпуск 10. — М.: Изд-во «Янус-К», 2007. — С. 168-175.
21. Карабутов Н. Н. Идентификация неопределенных систем.
I. Адаптивные пропорционально-интегральные алгоритмы с неоп-
ределенностью // Автоматика и телемеханика. 1997. № 9. —
C. 168–182.
22. Карабутов Н. Н. Идентификация неопределенных систем.
II. Получение параметрических ограничений // Автоматика и те-
лемеханика. 1999. № 8. — С. 85–95.
23. Карабутов Н. Н. Построение адаптивных наблюдателей
динамических объектов при наличии ограничений // Автоматика и
телемеханика. 1995. № 3. — С. 77–85.
24. Карабутов Н. Н., Пятецкий В. Е. Параметрическая иден-
тификация металлургических процессов: учет информационных
аспектов. — М.: Металлургия, 1992. — 144 с.
25. Карабутов Н. Н., Салыга В. И. Адаптивная идентифика-
ция объектов управления с анализом экспериментальных данных
// Адаптивные и экспертные системы в управлении. 5-й Ленин-
градский симпозиум по теории адаптивных систем. — Ленинград,
1991. — С. 100–102.
26. Карабутов Н. Н., Сполысов М. А. Разработке алгоритма
определения параметрических ограничений в условиях неопреде-
ленности // Труды межд. научно-технич. семинара «Современные
технологии в задачах управления и обработки информации».

155
Алушта. 1996. — М.: МАИ, 1996. — C. 124-125.
27. Карабутов Н.Н. Адаптивная идентификация систем: ин-
формационный синтез. — М.: УРРС, 2006. — 384 с.
28. Карабутов Н.Н. Идентификация типа особой точки дина-
мической системы по данным “вход-выход” // Труды 2-й между-
народной конференции “Математическое моделирование соци-
альной и экономической динамики” (MMSED-2007). 20-22 июня
2007 года. Москва, Россия. — М.: РУДН, 2007. — С. 103-106.
29. Карабутов Н.Н. Информационный синтез системы иден-
тификации объектов управления // Приборы и системы. Управле-
ния, контроль, диагностика. № 8, 2007. — С. 20–24.
30. Карабутов Н.Н. Наблюдаемые информационные портреты
и задача структурной идентификации //Труды VI Международной
Конференции «Идентификация систем и задачи управления»
SICPRO ’07. Москва 29 января-1 февраля 2007. — М.: Институт
проблем управления им. В.А. Трапезникова РАН. 2007. — С. 89-
115.
31. Карабутов Н.Н. Наблюдаемые информационные портреты
и их применение в задачах идентификации // Приборы и системы.
Управления, контроль, диагностика. 2006. № 2. С. 3-6. № 4. —
С. 34-36.
32. Карабутов Н.Н. Наблюдаемые информационные портре-
ты. Оценка структуры динамической системы с помощью индек-
сов // Приборы и системы. Управления, контроль, диагностика.
2006. № 7. — С. 30-34.
33. Карабутов Н.Н. Структурная идентификация статических
объектов // Фундаментальные физико-математические проблемы и
моделирование технико-технологических систем. Сб. науч. тру-
дов. Выпуск 10. — М.: Изд-во «Янус-К», 2007. — С. 168-175.
34. Карабутов Н.Н., Шмырин А.М. Окрестностные системы
идентификация и оценка состояния. — Липецк: ЛЭГИ, 2005. —
132 с.
35. Кашьяп Р. Л., Рао А. Р. Построение динамических стохас-
тических моделей по экспериментальным данным. — М.: Наука,
1983. — 389 с.
36. Красовский А. А. Оптимальные алгоритмы в задачах иден-
тификации с адаптивной моделью // Автоматика и телемеханика.
1975. № 12. — С. 75-82.

156
37. Красовский А. А., Буков В. Н., Шендрик В. С. Универсаль-
ные алгоритмы оптимального управления непрерывными процес-
сами. — М.: Наука, 1977. — 272 с.
38. Крылов Н. М., Боголюбов Н. Н. Введение в нелинейную
механику. — Киев: Изд-во АН УССР, 1937. — 345 с.
39. Кунцевич В. М., Лычак М. М. Синтез оптимальных и адап-
тивных систем управления. — Киев: Наукова думка, 1985. —
248 с.
40. Куржанский А. Б. Задача идентификации — теория гаран-
тированных оценок (обзор) // Автоматика и телемеханика. 1991.
№ 4. — С. 9–26.
41. Куржанский А. Б. Управление и наблюдение в условиях
неопределенности. — М.: Наука, 1977. — 392 с.
42. Ланкастер П. Теория матриц. — М.: Наука, 1973. — 280 с.
43. Левин Б. Р. Теоретические основы статистической радио-
техники. Кн. 3. — М.: Советское радио, 1976. — 257 с.
44. Лефшец С. Геометрическая теория дифференциальных
уравнений. — М.: ИЛ, 1961. — 388 с.
45. Лукашин Ю. П. Адаптивные методы краткосрочного про-
гнозирования. — М.: Статистика, 1974. — 254 с.
46. Льюнг Л. Идентификация систем. Теория для пользовате-
ля. — М.: Наука, 1991. — 432 с.
47. Ляпунов А.М. Общая задача об устойчивости движения. —
М.: Государственное изд-во технико-теоретической литературы,
1950. — 471 с.
48. Мартынюк А. А., Гутовски Р. Интегральные неравенства и
устойчивость движения. — Киев: Наукова думка, 1979. —272 с.
49. Пасаран М., Слейтер Л. Динамическая регрессия: Теория
и алгоритма. — М.: Финансы и статистика, 1984. — 310 с.
50. Перельман И.И. Методология выбора структуры модели
при идентификации объектов управления // Автоматика и телеме-
ханика. 1983. № 11. — С. 5-29.
51. Перельман И. И. Оперативная идентификация объектов
управления. — М.: Энергоиздат, 1982. — 272 с.
52. Погорелов А.В. Дифференциальная геометрия. — М.: Нау-
ка, 1974. — 176 с.
53. Поляк Б. Т., Цыпкин Я. З. Адаптивные алгоритмы оценива-
ния (сходимость, оптимальность, стабильность) // Автоматика и

157
телемеханика. 1979. № 3. — С. 71–84.
54. Прангишвили И. В., Лотоцкий В. А., Гинсберг К. С., Смо-
лянинов В. В. Идентификация систем и задачи управления: на пути
к современным системным технологиям // Проблемы управления.
2004. № 4. — С. 2-16.
55. Пугачев В. С. Основы автоматического управления. — М.:
Наука, 1968. — 387 с.
56. Райбман Н.С., Чадеев В.М. Построение моделей процессов
производства. — М.: Энергия, 1975. — 376 с.
57. Рашевский П.К. Курс дифференциальной геометрии. —
М.: Государс. издательство научно-технической литературы, 1950.
— 428 с.
58. Салыга В. И., Карабутов Н. Н. Идентификация и управле-
ние процессами в черной металлургии. — М.: Металлургия, 1986.
— 192 с.
59. Сейдж Э. П., Мелса Дж. Л. Идентификации систем управ-
ления. — М.: Наука, 1974. — 284 с.
60. Труды VI Международной конференции «Идентификация
систем и задачи управления» SICPRO’07. Москва, 29 января - 1
февраля 2007 г. — М.: Институт проблем управления им. В.А.
Трапезникова РАН, 2006. — 1768 с.
61. Фомин В. Н., Фрадков А. Л., Якубович В. А. Адаптивное
управление динамическими объектами. — М.: Наука, 1981. —
448 с.
62. Фурасов В. Д. Задачи гарантированной идентификации.
Дискретные системы. — М.: БИНОМ. Лаборатория знаний, 2005.
— 150 с.
63. Фурасов В. Д. Устойчивость движения, оценки и стабили-
зация. — М.: Наука, 1977. – 248 с.
64. Хасьминский Р. З. Устойчивость систем дифференциаль-
ных уравнений при случайных возмущениях параметров. — М.:
Наука, 1969. — 368 с.
65. Хубер П. Робастность в статистике. — М.: Мир, 1984. —
304 с.
66. Цыпкин Я. З. Основы информационной теории идентифи-
кации. — М.: Наука, 1995. — 336 с.
67. Черноусько Ф. Л. Оценивание фазового состояния дина-
мических систем. Метод эллипсоидов. — М.: Наука, 1988. —

158
320 с.
68. Шарый С. П. Оптимальное внешнее оценивание множеств
решений интервальных систем уравнений. Ч. 1 // Вычислительные
технологии. 2002. Т. 7. № 6. — С. 90-113.
69. Эйкхофф П. Основы идентификации систем управление.
— М.: Мир, 1975. — 648 с.
70. Якубович В. А. Метод рекуррентных целевых неравенств в
теории адаптивных систем // Вопросы кибернетики: Адаптивные
системы. — М.: Научн. совет по кибернетике АН СССР, 1976. —
С. 32–64.
71. Astrom J. K. J., Eykhoff P. System Identification — A survey //
Automatica. 1971. Vol. 7. № 2. — P. 123-162.
72. Crutchfield J.P., McNamara B.S. Equations of motion from a
data series // Complex Systems, 1987. V. 1. — P. 417-452.
73. Desrochers A., Mohseni S. On determining the structure of
non-linear systems // Int. J. Control. 1984. V. 40. N 5. — P. 923-938.
74. Kreisselmeier G. A robust indirect adaptive control approach //
Int. J. Control. 1986. Vol. 43. № 1. — P. 161–175.
75. Kreisselmeier G., Anderson B. Robust // IEEE Trans. Autom.
Control. 1987. Vol. AC-31. № 2. — P. 127-133.
76. Kreisselmeier G., Narendra K. Stable model reference adaptive
control in the presence of bounder disturbances // IEEE Trans. Autom.
Control. 1982. Vol. AC-27. № 6. — P. 1169–1175.
77. Ljung L. System Identification — Theory for the User. Prentice
Hall, Upper Saddle River, N. J. 2nd edition, 1999. — 499 p.
78. Narendra K. S., Kudva B. Stable adaptive schemes for system:
identification and control // IEEE Trans. on Syst., Man and Cybern.
1974. Vol. SMC-4. № 6. — P. 542-560.
79. Nuyan S., Carrol R. L. Minimal order arbitrarily fast adaptive
observer and identifies // IEEE Trans. Automat. Control. 1979. Vol.
AC-24. № 2. P. 496-499.
80. Poincare H. Les methodes nonvelles de mecanique celeste. —
Ganthier-Villars, 1899, T. 3. — 175 p.
81. Schweppe F. C. Uncertain dynamic system. New Jersey: Pren-
tic-Hall Inc., Englewood Cliff, 1973. — 210 p.
82. Tsakalis K., Ionnou P. A new indirect adaptive schemes for
time-varying plants // IEEE Trans. Autom. Control. 1990. Vol. AC-35.
№ 6. — P. 697-705.

159