Documente Academic
Documente Profesional
Documente Cultură
Introducere
n numeroase aplicaii semnalele i perturbaiile recepionate de sistemul automat sunt aleatoare, spre deosebire de semnalele deterministe, cum sunt semnalele de tip treapt, ramp sau funciile sinusoidale, luate n consideraie n analiza anterioar. Aceste semnale i perturbaii, care sunt funcii aleatoare n timp, pot fi descrise doar prin metode statistice. n sistemele de control automat i comunicaii, problemele pot fi clasificate ca fiind de 2 tipuri: - predicia semnalelor aleatoare; - separarea semnalelor aleatoare de zgomot. Aceste probleme mai sunt cunoscute ca probleme de predicie i filtrare n procese aleatoare. Problemele de predicie i filtrare pentru sistemele continue au fost tratate de N. Wiener. Criteriul utilizat de Wiener a fost eroarea ptratic medie. n proiectarea sistemelor automate cu semnale aleatoare, obiectivul principal l constituie crearea unui sistem optim care va conduce la o eroare medie minim a erorii ntre ieirea actual i ieirea dorit. Eroarea ptratic medie poate s nu fie criteriul ideal
133
pentru toate sistemele automate. Totui acest criteriu conduce la aanumita ecuaie integral Wiener-Hopf, care poate fi rezolvat prin factorizare spectral. Mai mult, dac minimizarea erorii ptratice medii este utilizat drept criteriu de proiectare, semnalele i perturbaiile aleatoare sunt descrise prin funciile lor de corelaie i densitate spectral. Dei acest teorie s-a dovedit a fi valoroas n analiza i proiectarea sistemelor supuse semnalelor i perturbaiilor aleatoare, aplicaiile practice ale acesteia sunt adesea limitate. Cea mai important dintre aceste limitri este aceea c aparatul matematic necesar este complex i generalizri importante, ca aceea pentru sisteme nestaionare i neliniare, necesit noi calcule. Kalman a prezentat la nceputul anilor '60 o nou abordare a problemei de predicie i filtrare introducnd filtrul Kalman. n esen, Kalman a rezolvat aceeai problem, dar artnd c rezultatele de baz obinute de Wiener pot fi obinute ntr-o manier mai simpl i unitar. n contrast cu transformrile Fourier, ecuaiile integrale i funciile de densitate spectral folosite n teoria filtrului Wiener, teoria filtrului Kalman folosete conceptul variabilelor de stare ale sistemelor dinamice liniare. Deci filtrul Wiener i filtrul Kalman constituie dou abordri contrastante. Aplicaiile filtrelor Wiener i Kalman n proiectarea sistemelor automate discrete vor fi discutate n continuare. De asemenea, este prezentat o comparaie ntre cele dou metode.
aleatoare poate fi discret sau continu, n coresponden cu spaiul eantioanelor (discret sau continuu). n general, valorile unei variabile aleatoare pot fi reale sau complexe i variabilele multiple sunt reprezentate prin vectori. - Funcia densitate de probabilitate. Funcia densitate de probabilitate, notat p(), descrie caracteristicile probabilistice ale unei variabile aleatoare. Prin definiie, probabilitatea ca o variabil aleatoare x s se situeze ntr-un interval infinitezimal (, +] este:
Pr( < x + ) = p ( ) d
(11.1)
p( x)dx.
(11.2)
Cnd variabilele aleatoare reprezint eantioane ale unui semnal aleator sau ale unui proces aleator care este o funcie de timp, funcia densitate de probabilitate de ordine diferite poate fi definit convenional. Funcia densitate de probabilitate de ordinul 1 p() poate fi scris ca p(, t1), ceea ce indic probabilitatea c variabila aleatoare x se situeaz ntre i + la momentul t = t1. Funcia densitate de probabilitate de ordinul 2, p(1, t1;2, t2), indic probabilitatea ca variabila aleatoare x s se situeze ntre 1 i 1+1 la t1 i s situeze ntre 2 i 2+2 la t2. Funciile densitate de probabilitate de ordine superioar pot fi definite similar. - Funcia distribuie de probabilitate. Funcia distribuie de probabilitate, P(, t), este definit ca probabilitatea ca o variabil aleatoare x s fie mai mic dect o valoare la momentul t. Deci
P(, t ) = Pr[ x( t ) ] =
P( x, t )dt.
(11.3)
Dac P(, t) posed o derivat de ordinul 1 n raport cu , funcia distribuie de probabilitate este legat de funcia densitate de probabilitate prin:
P(, t ) = dP ( , t ) d
(11.4)
(11.5) (11.6)
135
i
P ( , t ) = Pr[ x ( t ) ] = 1.
- Abordarea n timp i abordarea din punct de vedere al ansamblului. n general, proprietile statistice ale unui semnal pot fi msurate n dou moduri: din punct de vedere al timpului i din punct de vedere al ansamblului. n primul caz, msurtorile unui semnal aleator au loc ncepnd cu un moment t1. n cea de-a doua abordare, msurtorile unui numr de semnale aleatoare, cu caracteristici similare, ncep simultan la momentul t1. Deci abordarea n timp implic efectuarea de msurtori ale ieirii unui generator de semnal aleator pe un interval de timp, n timp ce cea de-a doua abordare face uz de msurtorile ieirilor unui numr de generatoare de semnal aleator, cu caracteristici statistice similare, la un moment de timp dat. - Procese staionare i ergodice. Dac ntr-un proces aleator, proprietile statistice ale procesului sunt constante i independente fa de originea timpului fa de care sunt msurate, procesul este numit staionar n raport cu timpul. n abordarea n timp, dac msurtorile unui semnal aleator, efectuate ncepnd de la t1 produc rezultate identice cu msurtorile fcute ncepnd cu momentul t2 , sau orice alt moment, procesul este staionar. n abordarea din punct de vedere al ansamblului, un proces este definit ca staionar n timp dac proprietile statistice msurate ale unui numr mare de semnale aleatoare provenite din surse identice sunt aceleai, cu privire la timpul la care msurtorile sunt fcute. Un proces aleator este numit ergodic dac proprietile statistice sunt identice din punct de vedere al rezultatelor msurtorilor efectuate prin cele dou abordri. Definiia implic deci c un proces ergodic este ntotdeauna staionar, pe cnd nu toate procesele staionare sunt ergodice. - Moment i medie. Moment, medie, valoare ateptat, speran matematic sunt sinonime n literatura ce trateaz procesele aleatoare. Momentul n al unei variabile aleatoare x(t) este definit ca media statistic a lui x(t) la puterea n:
m n = av[ x n ( t )] = E[ x n ( t )] = x n ( t ) = x n ( t ) =
+ n
x ( t ) p( x, t ) dx
(11.7)
unde p(x,t) este funcia densitate de probabilitate a lui x. Ecuaia (11.7) furnizeaz media valorii lui x(t) din punct de vedere al ansamblului. Poate fi calculat i o medie din punct de vedere al timpului:
x ( t ) = lim 1 x ( t )dt. 2 T T T
T
(11.8)
E[ x 2 ( t )] = x 2 ( t ) = lim
1 x 2 ( t )dt T 2 T T
(11.9)
i reprezint valoarea ptratic medie a lui x(t). Deci, dac x(t) reprezint eroarea ntr-un sistem de control automat, ecuaia (11.9) furnizeaz eroarea ptratic medie. - Funcii de corelaie. Funciile de corelaie sau covarian sunt msuri ale dependenei statistice a unui semnal aleator fa de altul sau fa de surse. Dac x(t) i y(t) sunt dou semnale aleatoare, funcia de intercorelaie dintre x i y este definit ca:
xy ( t1, t 2 ) =
+ +
(11.10)
Aceast relaie indic c funcia de intercorelaie dintre x i y este egal cu media lui x i y. Dac x i y sunt staionare, funcia densitate de probabilitate nu depinde de originea timpului. Deci funcia de intercorelaie dat n (11.9) este independent de t1 i poate fi scris ca:
xy ( ) = E[ x( t ) y( t + )] =
T + +
xyp( x, y, )dxdy =
(11.11)
1 = lim x( t ) y( t + )d. T 2T T
Dac procesul este ergodic, relaiile (11.10) i (11.11) sunt echivalente. Dac x(t) = y(t), sau numai un singur semnal aleator este considerat, corelaia este dat prin funcia de autocorelaie i este definit prin:
xx ( ) = E[ x( t ) x( t + )] = lim 1 x( t ) x( t + )dt 2 T T T
T
(11.12)
sau
xx () =
+
p( x , )dx.
(11.13)
Cteva din proprietile importante ale funciilor de corelaie sunt date n continuare fr demonstraie: 1. xx ( ) este o funcie par, i.e. xx ( ) = xx ( ). 2. xx ( ) xx ( 0). 3. xy ( ) = yx ( ).
137
4. xx (0) = E[ x 2 ( t )] = valoarea medie ptratic a lui x. Un proces aleator x(t) se numete independent sau necorelat dac:
E[ x( t 1 ) x( t 2 )] = Ex( t 1 )]E[ x( t 2 )] ( t 1 t 2 ).
(11.14)
(11.15)
procesul este de medie zero i necorelat. - Matricea de covarian. n cazul sistemelor multivariabile, x(t) este un vector.
x ( t ) = [ x1 ( t ) x2 ( t ) ........ x n ( t )]'.
(11.16)
(11.17)
Pentru cazul scalar, covariana unei variabile aleatoare este definit astfel:
cov[ x ( t )] = E[{x ( t1 ) E[ x ( t1 )]}{x ( t 2 E[ x ( t 2 )]}].
(11.22)
- Funcia de densitate spectral. Funciile de corelaie definite anterior furnizeaz descrierea unui semnal aleator n domeniul timpului. Pe de alt parte este de dorit s putem caracteriza semnalele aleatoare n termenii caracteristicilor de frecven. Dac funciile de
138
corelaie sunt privite din punct de vedere al timpului, este natural s considerm transformata Laplace a funciilor xx ( ) i xy ( ). Funciile de densitate spectral sunt definite astfel:
xx (s) =
+
xx ()e s d
(11.23)
xy (s) =
xy ()e s d.
(11.24)
Din proprietile importante ale funciilor de densitate spectral cteva sunt enumerate mai jos. 1. xx ( j ) este o funcie par, deci xx ( j ) = xx ( j ) . 2. xy ( j) = yx ( j). 3. Dac x(t) i y(t) sunt semnalele de intrare i ieire ale unui sistem liniar, avnd funcia de transfer G(s), funciile de densitate spectral ale lui x(t) i y(t) satisfac relaia:
yy ( s) = G ( s) G ( s) xx ( s).
(11.25)
= rr ( kT).
(11.26)
Ultima relaie arat c funcia de autocorelaie a unei secvene aleatoare staionare r(nT) poate fi obinut prin eantionarea funciei de autocorelaie rr ( ) a procesului ergodic continuu r(t). Presupunnd
139
funcia de autocorelaie a unui proces r(t) ca fiind cea din Fig.11.1.a, funcia de autocorelaie a lui r(nT), rn rn ( kT ) poate fi obinut prin eantionarea lui rr () cu un eantionor ideal. Funcia de autocorelaie a lui r(nT) poate fi scris i ca o medie n timp:
rn rn ( kT ) = lim
N 1 r ( nT) r ( nT + kT). N 2 N + 1 n = N
(11.27)
rr ()
Fig. 11.1. a) Funcia de autocorelaie a lui r(t); b). eantionarea funciei de autocorelaie rr (); c). funcia de autocorelaie a lui r(nT), rn rn ( kT ) Deoarece r(nT) este ergodic, relaiile (11.26) i (11.27) sunt echivalente. Dac se consider semnalul eantionat o succesiune de impulsuri unitare modulate n aplitudine, putem scrie:
r * (t ) =
+
m=
r(mT)(t mT).
(11.28)
(11.29)
(11.30)
140
(11.31)
(11.32)
- Funcia de densitate spectral. Ca i n cazul continuu funcia de densitate spectral a unui semnal eantionat r*(t) este definit ca transformata Laplace sau transformata z a funciei de autocorelaie a lui r*(t):
r *r * = L[ r *r * ( )] = 1 + r r ( kT) ( kT) e s d. T n n
(11.33)
r *r * (s) =
1 + r r ( kT)eskT T k = n n
(11.34)
(11.35)
(11.36)
Pentru a arta c r*r* ( z ) poate fi obinut cu ajutorul tabelelor de transformate z, ecuaia (11.36) este rescris ca:
r *r * ( z ) =
1 0 k k rr ( kT) z + rr ( kT) z rr (0) T k =0 k =
(11.37)
sau
r*r* (z) =
1 rr (kT)z k + rr (kT)z k rr (0) T k =0 k =0
(11.38)
141
r *r * ( z) =
(11.39)
z = z 1
(11.40)
Exemplul urmtor arat cum funcia de densitate spectral a unui proces aleator staionar poate fi obinut cu ajutorul ecuaiei (11.39) i a tabelelor cu transformate z. Exemplul 11.1. Presupunnd funcia de densitate spectral a unui proces aleator staionar dat, rr (s)= 36/(36-s2), s se calculeze funcia de densitate spectral discret r*r* (z). Cu ajutorul ecuaiei (11.39) rezult:
rr ( s) = [ rr ( s)]+ + [ rr ( s)] = 3 3 + . 6+s 6s
(11.41)
(11.42)
1 2j
c + j c j
[ rr (s)] + ds =
1 2j
c + j c j
3 ds = 3. 6+s
cc ( s) = G ( s) G ( s) r*r* ( s)
(11.44) (11.45)
i
c*c* (z) = G (z)G (z 1 ) r*r* (z).
c.
Fig.11.2 a) Sistemul discret n bucl deschis cu intrare aleatoare; b) Schem bloc ce prezint legtura ntre funciile de densitate spectral n sistemul discret; c) Schema bloc ce prezint relaiile n z ntre funciile de densitate spectral ale sistemului discret. Mai mult, cnd r*r* ( ) este semnal de intrare, ieirea sistemului descris prin G(s) este r*c ( ) , funcia de intercorelaie ntre semnalul discret r*(t) i ieirea continu c(t). Utiliznd produsul de convoluie
+
g() r*r* ( )d =
g()d lim
1 0 r * (t )r * [t + ( )]dt. T0 2T0 T0
lim
(11.46)
Pentru a arta c:
cc ( s) = G ( s) r*c ( s)
(11.47)
(11.48)
Atunci, dac semnalul de intrare n sistem este cr* ( ) , ieirea lui G(s) este:
+
g()cr* ( )d =
g()d lim
care este cc ( ). Din relaiile (11.48) i (11.49) rezult ecuaia (11.44). Ecuaia (11.45) se poate deduce n 2 pai. Mai nti se demonstreaz c :
r*c* ( z ) = G ( z ) r*r* ( z )
(11.50)
i apoi se arat c:
c*c* (z) = G (z 1 ) r*c* (z).
(11.51)
Tabelul 11.1 conine o comparaie a descrierii statistice a sistemelor continue i discrete. Pn acum ne-am limitat la obinerea relaiilor de corelaie ntre semnalele aceluiai sistem. n metoda de proiectare ce va fi prezentat n urmtoarele seciuni ale acestui capitol este necesar funcia de intercorelaie dintre dou semnale ce aparin unor sisteme diferite. Funciile de densitate spectral c1c2 (z) si c1c2 (s) vor fi exprimate n funcie de funciile de transfer i densitile spectrale ale altor semnale. Similar cu modul n care au fost demonstrate relaiile (11.44) i (11.45) se poate arta c:
c1c2 (z) = G1 (z 1 ) r1r2 (z) = G1 (z 1 )G 2 (z) r1r2 (z)
(11.52)
i
c2c1 (z) = c1c2 (z 1 ) = G 2 (z 1 ) r2r1 (z) = G1 (z)G 2 (z 1 ) r2r1 (z)
(11.53)
144
De asemenea, funcia de densitate spectral a dou ieiri c1 (t) i c2 (t) poate fi scris ca:
c1c2 (s) = G1 (s)G 2 (s)
*r* (s). r1 2
(11.54).
u(t) + r(t) +
S(t)
S*(t)
M(s)
C(t) T
r(t)
r*(t)
Md (s)
Fig.11.3. Schema bloc pentru proiectarea erorii ptratice medii minime Obiectivul proiectrii este de a determina funcia de transfer M(z) care s minimizeze eroarea ptratic medie discret e2 ( kT ) cnd sistemului i se aplic la intrare un semnal aleator r(t) i este afectat de zgomot sau perturbaii aleatoare u(t). Pentru nceput se va considera cazul n care zgomotul este nul, u(t)=0, i se va determina legtura dintre eroarea ptratic medie i funciile de corelaie i densitate spectral. Secvena erorii e(kT) este definit ca n fig.11.3. Eroarea ptratic medie este dat de:
2 e 2 ( kT) = [C d ( kT) C( kT)] 2 = C 2 d ( kT) C d ( kT)C( kT) C( kT)C d ( kT) + C ( kT). (11.55)
innd cont c:
e2 ( kT) = ee ( 0) = lim
N 1 e2 ( kT) N 2 N + 1 k = N
(11.56)
Sisteme continue
145
Sisteme discrete
Proces aleator ergodic r(t) sau R(s) r(nT), r*(t), R*(s) sau R(z) Funcii de corelaie
rr ( ) = lim 1 0 r ( t ) r ( t + )d T0 2T0 T0
T
rr (kT) = lim
N 1 r(nT)r(nT + kT) N 2N + 1 n = N T0
1 + rr (kT)( kT) T k =
T0
r * (t)r * (t + )dt
Densitate spectral
rr (s) =
+
rr ( )e
Relaii intrare-ieire
rr() rr (s)
C(z)=G(z)R(z) C*(s)=G*(s)R*(s)
cc () cc (s)
r*r* () r*r*(s) rr(kT) rr (z) G(s) r*c() r*c (s) G(-s) cc () cc (s)
cc ( s) = G ( s) G ( s) rr ( s)
z) G(s)
cc ( z ) = G ( z ) G ( z1 ) rr ( z )
c*c* ( j) = G * ( j) r*r* ( j)
Tabelul 11.1. Corespondena ntre proprietile statistice ale sistemelor continue i discrete i
Cd ( kT) C ( kT ) = cd c ( 0) = lim
N 1 Cd ( kT ) C ( kT ) N 2 N + 1 k = N
(11.57) (11.58)
(11.59) (11.60)
146
cd c ( z ) = M ( z ) Md ( z1 ) rr ( z ) ccd ( z ) = M ( z1 ) Md ( z ) rr ( z ).
(11.61) (11.62)
Obiectivul este de a determina funcia de transfer M(z) astfel nct eroarea ptratic medie e 2 (nT) s fie minim.
rn (t)
Fig. 11.4. Sistemul automat discret ce este proiectat n sensul erorii ptratice medii minime
147
Cu M(z) se noteaz funcia de transfer n bucl nchis a sistemului care va fi optimizat n sensul minimizrii erorii ptratice medii i cu Md (z) se noteaz funcia de transfer dorit a acestui sistem. G(s) reprezint funcia de transfer a prii fixate. D*(s) sau D(z). Semnalul de intrare r(t) conine o component util rs(t) i o a doua component reprezentnd zgomotul rn(t). Att semnalul de intrare ct i zgomotul sunt presupuse a fi funcii ale unor procese staionare. Ieirea sistemului conine, de asemenea, dou componente: una datorat semnalului rn(t) i alta datorat semnalului rs(t). Eroarea este definit astfel:
e ( t ) = Cd ( t ) C( t ) = Cd ( t ) Cs ( t ) Cn ( t ).
(11.64)
Deoarece semnalul r(t)-c(t) este ealonat, se insereaz un eantion fictiv la intrarea sistemului M, ceea ce face ca ntregul sistem s poat fi reprezentat prin schema bloc echivalent din figura 11.4. Eroarea sistemului este:
e ( nT) = Cd ( nT) c ( nT) = Cd ( nT) Cs ( nT) Cn ( nT).
(11.65)
innd cont de relaiile dintre eroarea ptratic medie i funciile de densitate spectral discrete, putem scrie:
2 (nT) + C2 (nT) + C2 (nT) + C (nT)C (nT) + C (nT)C (nT) e 2 (nT) = Cd s n n s s n
Cd (nT)Cs (nT) Cs (nT)Cd (nT) Cd (nT)Cn (nT) Cn (nT)Cd (nT) = = 1 1 1 [eez 1dz = ee (z)z 1dz = [c c (z) + cscs (z) + 2j 2j 2j d d
(11.66)
+ cncn (z) + cncs (z) + cscn (z) cdcs (z) cscd (z) cdcn (z) cncd (z)]z 1dz.
e2 (nT) =
+ M(z)M(z 1) M(z)Md (z1) rsrn (z) + M(z)M(z1) M(z 1)Md (z) rnrs (z) + + M(z)M(z 1)rnrn (z) z 1dz.
(11.67)
(11.68)
Obiectivul sintezei este de a determina funcia M(z) astfel nct eroarea ptratic medie s fie minim. Dac M(z) optim este determinat, funcia de transfer a regulatorului numeric rezult:
148
D ( z) =
M ( z) . G ( z)(1 M ( z))
(11.69)
Metoda de sintez este n esen o extensie a teoriei proiectrii optimale dezvoltat de N. Wiener i A. Kalmogorov. Principiul de proiectare se bazeaz pe aplicarea calculului variaiei integralei din ecuaia (11.67). Dac M(z) este o funcie de transfer optim, e2 ( nT) trebuie s fie minim. nlocuind optimul M(z) cu o funcie M(z)=(z) unde este un parametru i (z) este o funcie arbitrar, dar realizabil, n z, va crete eroarea ptratic medie discret e2 ( nT) + e2 ( nT) , unde e2 ( nT) este variaia lui e2 ( nT) . Deci, o condiie necesar ca e2 ( nT) s fie minim este ca:
e 2 (nT )
=0
= 0.
(11.70)
Pentru a ne asigura c e2 ( nT) este un minim, derivata a doua a 0. nlocuind -1 -1 -1 M(z)+(z) i M(z ) + (z ) n loc de M(z) i M(z ), ecuaia (11.67) devine:
e 2 (nT) + e 2 (nT) = e 2 (nT) + 1 (z){[M(z 1 ) M d (z 1 )] rsrs (z) + 2j + [M(z 1 ) M d (z 1 )] rsrn (z) + M(z 1 ) rn rs (z) + M(z 1 ) rn rs (z)}z 1dz + 1 + (z 1 ){[M(z) + M d (z)] rsrs (z) +M(z) rsrn (z) + M(z) rn rs (z) + (11.71) 2j 1 + M(z) rn rn (z) M d (z) rn rs (z)}z 1dz + { rsrs (z) + rsrn (z) rn rs (z) + 2j + rn rn (z)}z 1dz.
e2 ( nT) trebuie s fie pozitiv, n raport cu , cnd =
(11.72)
+ rn rs ( z)]}z 1dz = 0
149
unde
rr ( z ) = rsrs ( z ) + rsrn ( z ) + rn rs ( z ) + rn rn ( z ).
(11.73)
Dac ecuaia (11.72) este satisfcut M(z) este optim. nainte de a obine M(z) optim din ecuaia (11.72), aceasta trebuie modificat. Deoarece rr ( z ) este o funcie par, presupunem rr ( z ) factorizat n dou pri, una avnd poli i zerouri n interiorul cercului de raz unitar, cealalt avnd poli i zerouri n afara cercului de raz unitar. Deci rr ( z ) poate fi scris ca: (11.74) rr ( z ) = + rr ( z ) rr ( z ). Ecuaia (11.73) poate fi rescris astfel:
M d (z 1 ) rs rs (z) + rsrn (z) 1 + 1 ( z ) ( z ) M ( z ) ( z ) rr rr + 2j rr (z) M d (z) rsrs (z) + rn rs (z) 1 1 + ( z ) ( z ) M (z ) rr (z) rr 2j rr (z )
] 1 z dz +
] 1 z dz = 0
(11.75)
] z 1
rr ( z )
] = F (z) = [F (z)]
2 2
+ [F1 (z)]
(11.76)
M d ( z) rsrs ( z) + rn rs ( z) rr ( z)
] = F (z) = [F (z)]
+ [ F2 ( z)]
(11.77)
unde [ F1 ( z )]+ i [ F2 ( z )]+ sunt funcii cu singularitile numai n interiorul cercului de raz unitar, iar [ F1 ( z )] i [ F2 ( z )] sunt funcii cu singularitile n afara cercului de raz unitar. nlocuind ultimele dou ecuaii n (11.75) rezult:
1 1 1 ( z) + rr ( z) M ( z ) rr ( z) z [ F1 ( z)] + [ F1 ( z)] dz + 2 j 1 + 1 ( z 1 ) rr ( z) M ( z) rr ( z) z [ F2 ( z)] + [ F2 ( z)] dz = 0. 2 j
(11.78)
M(z) i (z) sunt funcii ce au polii n interiorul cercului de raz unitar din motive de stabilitate. Deci M(z-1) i (z-1) sunt funcii cu polii n afara cercului de raz unitar. n acest caz:
150
1 ( z) + rr ( z)[ F1 ( z)] + dz = 0 2 j
(11.79)
i
1 ( z 1 ) rr ( z)[ F2 ( z ) ] dz = 0 2 j
(11.80)
(11.81)
Dac M(z) este ntr-adevr funcia de transfer a sistemului optim, ecuaia (11.81) trebuie s fie satisfcut pentru (z) arbitrar. Deci termenii din paranteze trebuie s fie nuli. Funcia de transfer optimal este dat de:
M ( z) = z[ F2 ( z)] + M d ( z ) r r ( z) + r r ( z) ss ns = + z rr ( z) rr ( z)
z + rr ( z)
(11.82)
M(z) fiind determinat, funcia de transfer a regulatorului numeric, D(z), se obine cu ecuaia (11.69). Proprietile sistemului optimal sunt determinate n ntregime de sistemul Md(z) i de spectrele rsrs (z), rn rs (z), rsrn (z) i rn rn (z) ale semnalului i zgomotului. n eventualitatea c nu exist zgomot,
rn rs ( z ) = rsrn ( z ) = rn rn ( z ) = 0
i
rsrs ( z ) = rr ( z ) = + rr ( z ) rr ( z )
(11.83)
i ecuaia (11.82) furnizeaz M(z)=Md(z) iar eroarea e(t) este ntotdeauna nul. Exemplul 11.2 Fie sistemul prezentat n figura 11.4. Se consider:
G ( s) = 1 2 rsrs = s( s + 1) 1 s2 rn rn ( s) = 1 ( zgomot alb) T = 1s
151
S se proiecteze controler digital care s minimizeze n sensul erorii discrete ptratice medii eroarea cnd Md(s) = e-Ts.
G h 0 G ( z) = 0.005z . ( z 1)( z 0,905)
Deoarece ordinul numrtorului este mai mare dect a numitorului, funcia de transfer obinut nu este realizabil. Aceasta este o dificultate obinuit a proiectrii filtrului Wiener cnd configuraia sistemului este fix. Pentru a depi aceast dificultate, se poate obine o soluie suboptimal fie adugnd un pol lui M(z) n
152
origine sau ndeprtnd zeroul care poate fi considerat departe de polii i zerourile dominante. n cazul concret al sistemului considerat, se poate renuna la zeroul z = - 2,62 din M(z). Deci, M(z) poate fi considerat de forma:
M ( z) = 0,724 . z 0,268
De remarcat c modificarea lui M(z) este fcut pstrnd comportarea acestuia pentru z = 1. Funcia de transfer a controlerului digital suboptimal este acum de forma:
D( z) = 145( z 1)( z 0,905) . z( z 0,992)
Substituind M(z) i celelalte funcii cunoscute ale sistemului suboptimal n ecuaia (11.67), eroarea ptratic medie a sistemului suboptimal este:
e 2 ( nT) = 116 , .
Dificultatea cu privire la realizabilitatea fizic a controlerului poate fi translat n termenii transformatei z ecuaiei (11.82). Deci, o soluie suboptimal pentru M(z) se poate obine modificnd ecuaia (11.82) astfel:
M d (z) rsrs (z ) + rn rs (z ) 1 M(z) = . + (z) rr rr (z)
153
2. Teoria filtrului Wiener clasic este aplicabil numai sistemelor monovariabile. Dei generalizarea n cazul multivariabil a fost fcut pentru cazuri izolate, aceasta implic noi calcule i procedura care rezult este complicat. 3. Teoria filtrului Wiener este aplicabil numai la procese aleatoare staionare. Dei exist extensii ale acestei teorii pentru procese nestaionare, generalizarea implic calcule complicate i, n consecin, dificulti de implementare. Teoria filtrului Kalman introduce un nou punct de vedere asupra problemelor de predicie, interpolare i filtrare. Se va arta n continuare c aceast teorie elimin o bun parte din dificultile enumerate la filtrul Wiener. Concret, metoda introdus de Kalman prezint urmtoarele avantaje: 1. Sistemele dinamice liniare sunt descrise de variabilele de stare i ecuaiile de stare. Aceasta reprezint o metod modern de reprezentare a sistemelor i conduce la implementri mai simple pe maini de calcul. 2. Teoria filtrului Kalman trateaz procesele aleatoare staionare i nestaionare monovariabile i multivariabile, ntr-o manier unificat. 3. Problema este abordat din punctul de vedere al probabilitii condiionate. Astfel generalizarea ecuaiilor filtrului Kalman se obine cu uurin. Toate datele statistice necesare sunt prezentate ntr-o form mult mai simpl fa de filtrul Wiener 4. O clas mai general de criterii pot fi utilizate n cazul filtrului Kalman. Filtrul Wiener clasic admite numai criteriul erorii ptratice medii.
semnalului util x(t) la un moment de timp t = tj, dispunnd de c(), t0 tk , msurat sau observat. n funcie de momentul tj pot fi definite urmtoarele trei cazuri: tj < tk interpolare tj = tk filtrare tj > tk predicie. Deoarece suntem interesai de sistemele discrete, problema filtrului Kalman poate fi formulat astfel: fiind dat c(t) = x(t) + w(t), unde msurtorile vectorului aleator c(t) sunt fcute la momentele t0,t1,...,tk s se gseasc filtrul Kalman care va produce cea mai bun estimare a semnalului x(tj), (tj tk sau tj < tk). De remarcat faptul c problema a fost formulat n termenii sistemelor multivariabile. Va fi pus n eviden faptul c formularea problemei n acest mod este avantajoas pentru sistemele discrete, n special din punctul de vedere al utilizrii calculatorului numeric. Cazul sistemelor continue poate fi abordat considernd incrementul de timp infinitezimal mic. Deoarece ecuaiile filtrului Kalman sunt suficiente pentru a trata toate cele trei cazuri, interpolare, filtrare i predicie, n continuare ne vom referi la problama filtrului Kalman ca estimare, iar filtrul optim ca la un estimator optim.
r(t)
u(t) +
_ +
r(t)
e(t)
_ +
e(t)
M d ( s) = e s M d ( s) = 1 M d ( s) = e s
M d ( s) = e s M d ( s) = 1 M d ( s) = e s
(a)
(b)
Fig.11.5 a) filtrul Wiener, b) filtrul Kalman innd cont de faptul c c(t) reprezint vectorul ieirilor observabile i x(t) vectorul strilor procesului liniar, rezult c filtrul Kalman d o soluie pentru vectorul estimat al strilor procesului, care include strile inaccesibile ale procesului. Schema bloc a estimatorului cu filtru Kalman este dat n fig.11.5.b. Similitudinea dintre filtrul Wiener i filtrul Kalman este ilustrat de cele dou scheme bloc din fig.11.5.
155
(11.84)
pentru a descrie probabilitatea ca variabila aleatoare xi(t) s fie mai mic sau egal dect valoarea i simultan pentru i = 1, n , la momentul tk, dispunnd de msurtorile c(t0), c(t1),...,c(tk) ale lui c(t). Expresia funciei de distribuie de speran condiionat dat prin ecuaia (11.84) este o estimare statistic a variabilei x(tj). S-a exprimat estimarea (t j t k ) care este presupus a fi un vector constant, cu statistic prin x elementele cunoscute, dac c(t0), c(t1),...,c(tk) sunt cunoscute. (t j t k ) poate fi diferit de variabila aleatoare n general estimarea x x(tj), care este necunoscut. Se definete eroarea (t) sau pierderea datorat inacurateii estimrii prin
t j tk . ( t j ) = x ( t j ) x
(11.85)
De asemenea, este firesc s definim criteriu al erorii sau o funcie de pierdere L() la fel ca L()=' folosit la filtrarea Wiener. Este recunoscut faptul c funcia de pierdere n cazul filtrului Kalman poate aparine unei clase largi de funcii. Totui, aceasta necesit ca procesele x(t) i w(t) s fie gaussiene. Necesitatea distribuiei gaussiene poate fi ridicat dac estimarea optimal este restricionat la a fi o funcie liniar de variabil aleatoare observat i L()='. Esenialul pentru metoda filtrului Kalman este observaia c minimizarea mediei lui L() este echivalent cu minimizarea speranei condiionate. Acest lucru va fi demonstrat n continuare. Fiind dat o variabil aleatoare vectorial c(t)=x(t)+w(t), cu notaiile explicitate anterior, i msurtorile vectorului aleator, c(t0), c(t1),...,c(tk), se dorete s se gseasc cea mai bun estimare a lui x(t) la t=tj, (tj tk sau t > tk) pe baza cunotinelor obinute din valorile msurate ale variabilei aleatoare.
156
( t t k ) i funcia S considerm estimarea lui x(t) la t=tj, notat cu x de pierdere utilizat ', unde eroarea este definit astfel:
( t j t k ). ( t j ) = x ( t j ) x
(11.86)
msurtorile c(t0), c(t1),...c(tk), astfel nct valorile funciei de pierdere '(tj)(tj)s fie minim.
E ' ( t j )( t j ) c( t 0 ), c( t1 ),..., c( t k ) =
[[
)] [
)]
(11.87)
] [ ] ' ( t j t k ) x ( t j ) c( t 0 ), c( t1 ),..., c( t k )] E[x ' ( t j ) x ( t j t k ) c( t 0 ), c( t1 ),..., c( t k )] + E[x ' (t j t k )x ( t j t k ) c( t 0 ), c( t1 ),..., c( t k )]. + E[x
Deoarece
(t j t k ) x
(11.88)
este
un
vector
constant
cunoscut,
dac
(11.89)
(11.90)
= E x ( t j ) c( t 0 ), c( t1 ),..., c( t k ) .
(t j t k ) = E x ' ( t j ) c( t 0 ), c( t1 ),..., c( t k ) x (t j t k ) x = E x ( t j ) c( t 0 ), c( t1 ),..., c( t k )
(11.91)
si
157
x 1 (t j t k ) 1 (t j t k ) x n 2 2 (t j t k ) x 2 (t j t k ) x ' (t j t k )x ( t j t k ) = x 1 (t j t k ) = 2x ( t j t k ). (11.92) x M M i =1 x ( t t ) x ( t t ) n j k n j k
Rezult:
0 (t j t k ) = 0 2E x ( t j ) c( t 0 ), c( t1 ),..., c( t k ) + 2x
(11.93)
sau
0 ( t j t k ) = E x ( t j ) c( t 0 ), c( t1 ),..., c( t k ) x
(11.94)
adic am artat c estimarea lui x(t) n sensul erorii ptratice medii minime este sperana condiionat a lui x(t).
Aix( ti )
unde Ai este o matrice n x n cu coeficieni constani, formeaz un spaiu vectorial, notat (tj). n mod simular se poate defini un spaiu vectorial generat de setul de vectori
i=0
Bic ( t i )
notatC(tk). Matricele Bi au dimensiunea nxp i elementele constante. Dac k j, spaiul vectorial C(tk) este un subspaiu vectorial (tj). S considerm acum c vectorul aleator x(tj) este compus din 2 componente astfel
x (t j ) = x (t j t k ) + ~ x(t j t k ) 158
(11.95)
unde x ( t j t k ) este proiecia ortogonal a lui x(tk) pe subspaiul C(tk) i deci membru al C(tk). Se va arta c proiecia ortogonal x ( t j t k ) este acel vector din C(tk) care minimizeaz funcia de pierdere definit n ecuaia (11.87). Fie y un vector oarecare nx1 din spaiul vectorial C(tk). Vom alctui sperana condiionat:
E x ( t j ) y ' x ( t j ) y c( t 0 ), c( t1 ),..., c( t k ) .
{[
][
(11.96)
(11.97)
x ( t j t k ) este Deoarece x ( t j t k ) y este un vector ce aparine C(tk) i ~ ortogonal la C(tk) i, deci, i la x ( t j t k ) y , ultima ecuaie poate fi rescris astfel:
E x ( t j ) y ' x ( t j ) y c( t 0 ), c( t1 ),..., c( t k ) = =E~ x ' ( t j t k )~ x ( t j t k ) + x ( t j t k ) y ' x ( t j t k ) y c( t 0 ), c( t1 ),..., c( t k )} = =E~ x ' ( t t )~ x ( t t ) c( t ), c( t ),..., c( t ) +
{[
][
] [
(11.98)
Este evident c minimizarea funciei pierdere din ecuaia (11.98) 0 ( t j t k ) i deci funcia de pierdere minim este: are loc cnd y = x ( t j t k ) = x
0 t j t k ' x(t j ) x 0 t j t k c( t 0 ), c( t1 ),..., c( t k ) = E x(t j ) x 0' x
( )] [ ( )] 0 (t j t k )c( t 0 ), c( t1 ),..., c( t k )} = E{ (t j t k )x .
{[
(11.99)
Aceasta demonstreaz c estimarea optimal a pierderii ptratice minime este proiecia ortogonal a lui x(tj) pe subspaiul creat de x (t j t k ) reprezint "eroarea de vectorii c(t0),c(t1),...,c(tk). Componenta ~ estimare". Pe baza celor expuse n ultimile dou seciuni, rezultatele obinute pot fi prezentate sintetic astfel: 0 (t j t k ) = estimarea optimal a lui x(tj) pe baza a x c(t0),c(t1),...,c(tk) dai = E[x(tj)c(t0),c(t1),...,c(tk)] = sperana condiionat c(t0),c(t1),...,c(tk) dai
159
lui
x(tj),
pentru
(11.100) (11.101)
unde x(k) = vectorul strilor, de dimensiune n x 1 c(k) = vectorul ieirilor, de dimensiune p x 1 m(k) = vectorul intrrilor, de dimensiune r x 1 w(k) = vectorul zgomot, de dimensiune p x 1. Se observ c ecuaiile sistemului sunt scrise pentru cazul general al sistemelor variante n timp. Pentru cazul invariant (k+1,k) i (k+1,k) devin (1) i (1), iar D(k) devine de asemenea o matrice constant. Se presupune c liniile matricei D(k) sunt lineare independente. Pentru simplitate perioada de eantionare T a fost omis n toate relaiile anterioare. Se presupune c m(k) i w(k) sunt vectori aleatori independeni cu valoare medie nul i necorelate, ceea ce nseamn: E[m(k)] = 0 E[w(k)] = 0 E[m'(k)w(k)] = 0. Mai mult, componentele lui m(k) i w(k) se presupune a fi constante pe durata perioadei de eantionare. mi(k) = mik = constant kT t < (k+1)T (11.103) (11.102)
wj(k) = wjk = constant kT t < (k+1)T (11.104) Matricele de covarian ale lui m(k) i w(k) sunt definite astfel: E[m(k)m'(k)] = cov[m(k)] = Q(k) E[w(k)w'(k)] = cov[w(k)] = R(k) Q(k) i R(k) sunt matrice simetrice semipozitiv definite. (11.105) (11.106)
160
Problema estimrii Kalman se pune n felul urmtor: fiind dat un sistem discret descris de ecuaiile (100)-(101) i msurtorile o ( j k ) unde: c(t0),c(t1),...,c(tk), s se gseasc vectorul de stare optimal x
o ( j k ) = E x ( j k ) c(0), c(1),..., c( k ) x
(11.107)
care minimizeaz funcia de pierdere ptratic din ecuaia (11.87). Vectorul erorii este definit astfel:
( j k ) ( j k sau j > k ) ( j) = x ( j) x
(11.108)
Soluia estimatorului poate fi determinat utiliznd relaiile dintre estimarea optimal, sperana condiionat i proiecia ortogonal. Estimarea optimal a lui x(t) la t = jT, dispunnd de c(t) pentru t = 0, kT poate fi descris ca
o ( j k ) = x ( j k ) = E x ( j) c(0), c(1),..., c( k ) x
(11.109)
S presupunem c spaiul vectorial descris de vectorii c(0),c(1),...,c(k-1) este notat cu C(k-1). Atunci ecuaia (11.109) poate fi scris ca:
o ( j k ) = E x ( j) C(k ) = E x ( j) C( k 1), C( k ) x
] [
(11.110)
(11.111)
unde c ( k k 1) este proiecia ortogonal a lui c(k) pe spaiul vectorial C(k-1) i ~ c (k k 1) este componenta ortogonal la C(k-1). Deoarece
c ( k k 1) este n C(k-1) i, prin definiie, poate fi exprimat ca o
(11.112)
innd cont i de faptul c ~ c ( k k 1) este ortogonal la orice vector C(k-1). Ecuaia (112) este echivalent cu:
o ( j k) = x o ( j k 1) + E[ x ( j) ~ x c (k k 1)].
(11.113)
Dac j = k + 1, aceasta reprezint problema estimrii lui x(k+1). Ultima ecuaie devine:
o (k + 1 k ) = x o (k + 1 k 1) + E[ x (k + 1) ~ x c (k k + 1)].
(11.114)
o (k + 1 k 1) = E[x (k + 1 k 1)] = x = E[(k + 1, k )x (k) + (k + 1, k )m(k) c(k 1)] = (k k1)+(k + 1), k )m (k k 1). = (k + 1, k ) x
o o
(11.115)
Deoarece m(k) este necorelat pentru valori succesive ale timpului (k , k 1) = 0 i astfel ecuaia (11.115) devine: m
o
o (k + 1 k 1) = (k + 1, k ) x o (k k 1). x
(11.116)
Similar:
E (k k 1) = D(k ) x (k, k 1) + w (k k 1).
(11.117)
(11.118)
(11.119)
(11.120)
Revenind la ecuaia (11.114), ultimul termen al acestei ecuaii poate fi scris astfel:
E[ x (k + 1)~ c (k k 1)] = (k )~ c (k k 1)
(11.121)
unde (k) este o matrice n x p care reprezint dependena liniar a lui E[ x (k + 1) ~ c (k k 1)] de ~ c (k k 1) . Pentru un proces aleator gaussian se poate arta c:
1 (k ) = {cov x (k + 1), ~ c (k k 1) }{cov ~ c (k k 1) } .
(11.122)
(11.123)
(11.124)
Cu notaia
162
(k + 1, k ) = (k + 1, k ) (k )D(k )
(11.125)
(11.126)
Dispunnd de matricea (k), ecuaia (11.126) ne d expresia pentru calculul estimrii optimale x(k+1) avnd c(0), c(1),...,c(k). De remarcat faptul c ecuaia (11.126) are aceeai form cu ecuaia de stare a sistemului (11.100). De aceea, dac estimarea optimal iniial xo(0-1) = xo(0) i valoarea iniial a ieirii c(0) sunt cunoscute, ecuaia (11.126) furnizeaz o relaie recursiv pentru calculul estimrii optimale a lui x(k) pentru orice k 1. n continuare se va gsi o expresie explicit pentru (k). Vectorul x(k+1) este reprezentat ca:
x (k + 1) = x k + 1 ~ c (k k 1) + ~ x k + 1~ c (k k 1)
] [
(11.127)
(11.128)
Deoarece ~ x k + 1~ c ( k k 1)
]
[
(11.129)
x ( k + 1 k 1) este proiecia ortogonal a lui x(k+1) pe subspaiul C(k-1), iar ~ x (k + 1 k 1) este ortogonal la C(k-1). Deoarece x (k + 1 k 1) este n C(k-1) i ~ c (k k 1)
Vectorul
x (k + 1) = x (k + 1 k 1) + ~ x (k + 1 k 1),
unde
(11.130)
(11.131)
163
(11.132)
sau
~ c (k k 1) = D(k )~ x (k k 1) + w (k ).
(11.133)
(11.134)
Dup simplificare, innd cont c x(k), m(k) i w(k) sunt independente unele de altele rezult:
(k + 1, k )E ~ x (k k 1)~ x ' (k k 1)D' (k ) ~ ~ (k ){D(k )E x (k k 1)x ' (k k 1) D' (k ) + E[w (k ) w ' (k )]} = 0.
[ [
(11.135)
(11.136)
(11.137)
(11.138)
unde matricea D(k)P(k)D'(k) este inversabil oricare ar fi P(k) pozitiv definit (deoarece s-a considerat c toate rndurile lui (k) sunt independente). Expresia lui (k) n ecuaia (11.138) conine funciile cunoscute (k+1,K), D(k) i R(k). Matricea P(k) poate fi scris astfel: din ecuaia (11.136)
P(k + 1) = E[~ x (k + 1 k )~ x ' ( k + 1 k )]
(11.139)
unde
~ x (k + 1 k ) = x (k + 1) x (k + 1 k ),
(11.140)
(11.141)
(11.142)
(11.143)
(11.144)
unde Q(k) i R(k) sunt covariantele lui m(k), respectiv w(k). Variabilele (k+1,k) i (k) pot fi eliminate din ultima ecuaie folosind ecuaiile (11.125) i (11.138). Din ecuaia (11.144) se obine
P(k + 1) = (k + 1, k )P(k ) ' (k + 1, k ) (k )D(k )P(k ) ' (k + 1, k ) + + (k + 1, k )Q(k )' (k + 1, k ).
(11.145)
(11.146)
Aceast ecuaie este o ecuaie diferenial neliniar (ecuaia Riccati) a crei soluie general este dificil de obinut. Aceast ecuaie ar fi liniar dac D(k) este inversabil i R(k) = 0. Atunci soluia este trivial cnd toate componentele lui x(k) sunt observabile i
P(k + 1) = (k + 1, k )Q(k )' (k + 1, k ).
(11.147)
Revenind la ecuaia (11.146), aceasta a fost obinut folosind ecuaiile (11.105) i (11.136) i faptul c x(k), m(k) i w(k) sunt necorelate. Este evident c ecuaia (11.145) reprezint o relaie recursiv din care P(k) poate fi obinut dac valoarea iniial P(0) este cunoscut. Pentru k = 0, relaia (11.136) furnizeaz
P(0) = E[~ x (0 1)~ x ' (0 1)].
(11.148)
(11.149)
165
Deoarece observarea procesului ncepe la t = 0, nu exist posibilitatea de a estima x(0) din c(-1) i deci x (0 1) = 0. Atunci
~ x (0 1) = x (0)
(11.150)
(11.151)
Problema filtrului Kalman propus n acest capitol este rezolvat. Ecuaiile cheie i procedura sunt prezentate pe scurt n continuare. 1). Estimarea optimal a lui x(k+1), fiind cunoscute c(0), c(1),...,c(k) este dat de ecuaia (11.124)
o ( k + 1 k ) = [ ( k + 1, k ) (k ) D( k )]x o ( k k 1) + ( k )c( k ). x
(11.152)
(11.153)
Urmtoarele matrice trebuiesc cunoscute iniial: R(k) = cov[w(k)] Q(k) = cov[m(k)] P(0) = cov[x(0)]. (11.154) (11.155) (11.156)
Matricea P(k) trebuie s fie pozitiv definit pentru k = 0,1,2,... . Structura filtrului Kalman este prezentat n schema bloc din figura 11.6.
166
m(k)
(k+1,k) (k+1,k)
x(k)
z-1
+
D(k)
w(k)
+
^ x(k+1,k)
Eroare de estimare
^ xo
~ c(k k-1)
(k)
z-1 (k+1,k)
D(k)
Fig.11.6 Schema bloc a filtrului Kalman Dei proiectarea filtrului Kalman a fost fcut pentru j = k + 1, ceea ce nseamn c x(k+1) este estimat pe baza valorilor lui c(0), c(1),...,c(k), rezultatul poate fi cu uurin extins pentru cazurile j = k+N, N=0,1,2,... . Pornind de la ecuaia:
o ( j k ) = E[ x ( j) c(k )] x
(11.157)
(11.158)
Exemplul 11.3. Se consider sistemul dat prin modelul din figura 11.7. Sistemul ales este un sistem discret de ordinul I, avnd la intrare secvena m(k).
167
r(k) + -
x1 (k+1)
z -1
w(k) + c(k) +
Filtru Kalman
^ x0 1 (k|k-1)
0,5
Fig.11.7 Modelul sistemului Problema este de a proiecta un filtru Kalman pentru estimarea optimal a strii x1(k), n sensul pierderilor ptratice minime, pe baza msurtorilor lui c(k). Ieirea msurat c(k) este afectat de zgomot w(k). Se consider semnalul de intrare i zgomotul ca fiind zgomot alb gaussian, astfel nct matricele de covarian pentru r(k) i w(k) sunt matrice constante, iar n cazul scalar sunt date ca fiind Q(k) = cov[r(k)] = 0,25 R(k) = cov[w(k)] = 0,5. Modelul dinamic al sistemului este dat de ecuaiile: x1(k+1) = x1(k)+ r(k) c(k) = Dx1(k) + w(k) unde = 0,5, = 0,1 i D = 1,0. Starea iniial este x1 (0) = 0. Substituind , i D n ecuaia (11.145) se obine: P(k+1) = P(k)' - (k)DP(k)' + Q(k)'=0,25[P(k)-(k)P(k)]+Q(k) unde (k) se obine din ecuaia (11.153).
P 2 (k ) 0,5P(k ) P(k + 1) = 0,25P(k ) + 0,25. + 0,25 = 0,25 P(k ) + 0,5 P(k ) + 0,5
Pornind de la P(0) = cov[x1(0)] = 0, valorile P(k), k = 1,2,... se determin cu ajutorul ultimei relaii P(1) = 0,25 P(4) = 0,2965 P(2) = 0,2917 P(3) = 0,2960 P(5) = 0,2970 .......
168
Valoarea final pentru P(k) este 0,312. Cu ajutorul acestora se pot calcula (k), k = 1,2,... (0) = 0 (1) = 0,167 (2) = 0,184 ..... (3) = 0,186 (4) = 0,187
Valoarea final pentru (k) este 0,188. Schema bloc a filtrului Kalman este prezentat n fig.11.8.
^ x0 1 (k+1,k) + + 0,5 z -1
r(k) + + (k)
Fig.11.8. Schema bloc a filtrului Kalman din exemplul numeric prezentat Se observ c acesta este un filtru variant n timp deoarece (k) i modific valorile la fiecare moment de eantionare. Este interesant de evaluat funcia de transfer a filtrului Kalman din fig.11.8. Se noteaz cu
0 1 x ( k + 1 k )( z )
0 1 (k + 1 k ) . transformata z a strii estimate x
Pentru valoarea staionar obinut pentru (k), ultima funcie de transfer devine
0 1 x (k k 1)(z) 0,188 = . C(z) z 0,312
169
n continuare s considerm filtrul Wiener pentru aceeai problem i s comparm rezultatul obinut cu cel obinut n cazul filtrului Kalman. Funcia de transfer a sistemului ales drept model este: Md(z) = 1. Schema bloc care ilustreaz principiul de proiectare a filtrului Wiener este prezentat n fig.11.9.
r(k) +
x1 (k+1) x1 (k) z -1 + -
0,5
Md (z) = 1
Fig.11.9. Schema bloc pentru proiectarea filtrului Wiener Densitile spectrale ale mrimii de intrare i zgomotului sunt: rr(z) = 0,25 i ww(z) = 0,5. Funcia de densitate spectral pentru x1(k) se deduce din ecuaia c*c* ( z ) = G ( z )G ( z 1 ) r*r* ( z ). Rezult:
x1x1 (z) =
z 1 1 0,5z
1
z 0,5z rr ( z) = 1 0,5z (z 0,5)(z 2) 0,5z 0,5( z 3,188)(z 0,312) + 0,5 = . (z 0,5)(z 2) (z 0,5)(z 2)
cc ( z) = x1x1 ( z) + ww ( z) =
unde
+ cc (z) =
cc (z) =
0,5 (2 0,3188) . z2
F2 (z) =
[F2 (z)]+ =
M(z) =
[F2 (z)]+
cc (z)
0,188 . z 0,312
Se observ c funcia de transfer obinut este funcia de transfer a filtrului Kalman proiectat anterior, n regim staionar.
Proces ^ 0 (k|k-1) x
B(N - k)
Filtru Kalman
Fig.11.10 Filtru Kalman pentru estimarea strilor n controlul optimal n acest caz vectorul comenzii este obinut din strile estimate ale procesului.
171
0 (k k 1) = B( N k)x 0 (k k 1). m
(11.159)
ntrebarea care se pune este dac aceast lege de reglare optimal bazat pe variabilele de stare estimate va mai minimiza indicele de performan ptratic. Aceast problem a fost rezolvat i rezultatul este cunoscut ca teorema separrii. Importana acestei teoreme const n aceea c problema de estimare i problema de optimizare pot fi tratate separat. nlocuind ecuaia (11.159) n (11.115) rezult:
0 ( k + 1 k 1) = (k + 1 k ) x 0 (k k 1) + (k + 1, k )B( N k ) x 0 (k k 1) = x (k k 1) = (k + 1 k ) + (k + 1, k )B( N k ) x
(11.160)
sau
0 (k + 1 k 1) = (k + 1, k) x 0 (k k 1) x
unde
(11.161)
(k + 1, k ) = (k + 1, k ) + (k + 1, k )B( N k ).
(11.162)
Se observ c n acest caz nu este necesar condiia ca E[m(k)] = 0 ca n cazul ecuaiei (11.33). Expresia care corespunde ecuaiei (11.126) este:
0 (k+1 k) = (k + 1, k) x 0 ( k + 1 k ) + (k)C(k ) x
unde
(k + 1, k ) = (k + 1, k ) (k )D(k )
(11.163)
(11.164)
Printr-o demonstraie similar cu cea prezentat n seciunea anterioar, se obin ecuaiile filtrului Kalman.
(11.165)
(11.166)
172