Обработка и преобразование данных

В принятом примере ТОУ в результате проведенного эксперимента был получен массив данных, состоящий из 1000 значений входного параметра – электрической мощности нагревателей в кВт и 1000 значений выходного параметра – температуры в объекте в градусах Цельсия. Интервал дискретизации (промежутки времени, через которые производились измерения входных и выходных величин) в ходе эксперимента был принят равным 0.1 с. Этот массив данных при использовании в дальнейшем в пакете System Identification Toolbox необходимо объединить в единый файл, содержащий необходимую информацию о входных и выходных параметрах объекта, их значениях и размерностях измерения. Для этого загрузим в рабочую область MATLAB исходные данные для составления файла данных с помощью команды:

>> load datta

В результате выполнения команды в рабочей области появились массив входных переменных u и массив выходного параметра y. Интервал дискретизации указывается дополнительно:

>> ts=0.1;

Для объединения исходных данных в единый файл пользуются командой:

>> dan=iddata(y,u,ts)

Результат выполнения команды комментируется следующей фразой MATLAB:

Time domain data set with 1000 samples.

Sampling interval: 0.1

 

Outputs Unit (if specified)

y1

 

Inputs Unit (if specified)

u1

Сформированный файл указывает, что он содержит результаты 1000 измерений с интервалом дискретизации 0.1 с. Входными переменными является массив u 1, а выходным параметром – y 1.

Для наглядности сформированного файла необходимо в его структуру ввести обозначения входных и выходных данных:

>> set(dan,'InputName','Мощноcть','OutputName','Температура');

Данная команда эквивалентна командам:

>> dan.outputn = 'Температура';

>> dan.inputn = 'Мощноcть';

Для указания размерностей параметров файла данных необходимо воспользоваться командами:

>> dan.inputUnit = 'кВт';

>> dan.outputUnit = 'град Ц';

В конечном итоге сформированный файл данных dan.m имеет следующий вид:

 

Time domain data set with 1000 samples.

Sampling interval: 0.1

 

Outputs Unit (if specified)

Температура град Ц

 

Inputs Unit (if specified)

Мощноcть кВт

 

Полную информацию о файле dan.m можно получить воспользовавшись командой:

 

>> get (dan);

 

ans =

 

Domain: 'Time'

Name: []

OutputData: [1000x1 double]

y: 'Same as OutputData'

OutputName: {'Температура'}

OutputUnit: {'град Ц'}

InputData: [1000x1 double]

u: 'Same as InputData'

InputName: {'Мощноcть'}

InputUnit: {'кВт'}

Period: Inf

InterSample: 'zoh'

Ts: 0.1000

Tstart: []

SamplingInstants: [1000x0 double]

TimeUnit: ''

 

ExperimentName: 'Exp1'

Notes: []

UserData: []

 

 

Для графического представления данных можно воспользоваться командой plot (dan), либо командой idplot (datta), однако в последнем случае графики не будут содержать информации о названии переменных и их размерностях. Исходные данные с использование команды plot (dan) приведены на рис. 4.1.

 

б) Рис. 4.1. Исходные данные для идентификации ТОУ:

а) во всем временном интервале; б) на интервале времени от 0 до 10 с.

 

Для дальнейшего использования полученных исходных данных необходимо провести предварительную обработку этих данных с цель удаления тренда из набора данных и если необходимо отфильтровать данные с помощью имеющихся средств в пакете System Identification Toolbox.

Для удаления тренда пользуются функцией:

>> zdan = dtrend (dan);

В результате этого получен новый файл zdan.m, в котором отсутствует постоянная составляющая сигналов. Этот файл в дальнейшем будет нами использован для построения моделей ТОУ. Кроме указанной команды удаления тренда в пакете System Identification Toolbox имеются другие функции обработки данных эксперимента, которые приведены в описании пакета System Identification Toolbox.

Применение этих функций производится в тех случаях, когда проведен предварительный анализ ТОУ и определены возможные помехи либо некоторые другие динамические характеристики, либо появляется необходимость изменить интервал дискретизации в случае повышенной погрешности представления модели ТОУ в ходе параметрического оценивания его.

Следующим этапом идентификации является непараметрическое оценивание исходных данных.