TAR3_20121016 04 Adaptívne MRC
Preber si túto prednášku so svojou AI
Skopíruj pripravený podklad a vlož ho do ChatGPT, Claude alebo inej AI — bude ťa učiť alebo skúšať len z tejto prednášky.
Zhrnutie prednášky
Prednáška rozširuje metódu MRC o adaptáciu, keď sú koeficienty riadeného procesu neznáme a parametre regulátora sa hľadajú ako časovo premenlivý vektor θ. Ich vývoj popisujú diferenciálne rovnice odvodené z Ljapunovovej teórie stability: θ' = −Γ·e₁·ω·sign(ρ), kde Γ je pozitívne definitná (typicky diagonálna) matica. Na príklade systému druhého rádu s modelom 1/(s+1) a polynómom s+2 sa ukazuje výpočet signálov ω₁, ω₂ a rovníc pre θ₁ až θ₄. Konvergencia parametrov vyžaduje dostatočne bohatú žiadanú hodnotu (identifikačnú výdatnosť). Implementácia v Simulinku sa robí dvoma spôsobmi: S-funkciou s príkazmi set_param na bloky zosilnenia (jednoduchšia schéma, ale pomalá simulácia), alebo S-funkciou obsahujúcou aj filtre ω₁, ω₂ (šesť spojitých stavov).
- - Pri adaptívnom MRC sú parametre regulátora neznáme a menia sa v čase ako vektor θ(t).
- - Adaptačný zákon z Ljapunovovej teórie: θ' = −Γ·e₁·ω·sign(ρ), kde Γ je pozitívne definitná diagonálna matica ladiacich zosilnení.
- - Potrebné je poznať znamienko vysokofrekvenčného zosilnenia a mať minimálne fázový proces (stabilný čitateľ).
- - Pomocné signály ω₁ a ω₂ sú výstupy filtrov 1/(s+2) z u a y.
- - Na konvergenciu parametrov musí byť žiadaná hodnota identifikačne výdatná aspoň štvrtého rádu.
- - Implementácia cez set_param je názorná, ale pomalá, lebo sa v každom kroku prestavujú štyri bloky zosilnenia.
- - Implementácia cez S-funkciu je v schéme jednoduchšia, ale funkcia musí sama počítať aj ω₁, ω₂, takže má šesť spojitých stavov.
Zhrnutie pripravené s pomocou AI z prepisu videa.
nechodím na prednášky