Detail předmětu
Modelování a identifikace
FEKT-MPC-MIDAk. rok: 2021/2022
Předmět je zaměřen na:
- metody identifikace dynamických systémů
- postupy při neparametrické a zejména při parametrické identifikaci
- on-line a off-line identifikaci
- spektrální estimaci, ocenění vlivu šumu a poruch při identifikaci
Jazyk výuky
čeština
Počet kreditů
6
Garant předmětu
Zajišťuje ústav
Výsledky učení předmětu
Absolvent předmětu je schopen
- používat neparametrické metody identifikace
- zvolit vhodný typ vstupního signálu pro identifikaci
- naprogramovat a použít základní metodu nejmenších čtverců
- vysvětlit, jak vzniká posunutí odhadu a jak se dá odstranit
- používat postupy pro zvýšení kvality identifikace při praktickém použití
- využívat univerzálního programového vybavení MATLAB-Simulink a jeho toolboxů pro identifikaci dynamických systémů
- používat neparametrické metody identifikace
- zvolit vhodný typ vstupního signálu pro identifikaci
- naprogramovat a použít základní metodu nejmenších čtverců
- vysvětlit, jak vzniká posunutí odhadu a jak se dá odstranit
- používat postupy pro zvýšení kvality identifikace při praktickém použití
- využívat univerzálního programového vybavení MATLAB-Simulink a jeho toolboxů pro identifikaci dynamických systémů
Prerekvizity
Jsou požadovány znalosti na úrovni bakalářského studia.
Plánované vzdělávací činnosti a výukové metody
Metody vyučování závisejí na způsobu výuky a jsou popsány článkem 7 Studijního a zkušebního řádu VUT. Podklady k přednáškám a ke cvičení jsou pro studenty dostupné z webových stránek předmětu. Student odevzdává jeden samostatný projekt.
Způsob a kritéria hodnocení
Numerická cvičení- Max 15 bodů.
Individuální projekt - Max. 15 bodů.
Závěrečná zkouška - Max. 70 bodů.
Individuální projekt - Max. 15 bodů.
Závěrečná zkouška - Max. 70 bodů.
Osnovy výuky
1. Úvod do problematiky identifikace dynamických systémů
2. Neparametrické metody identifikace, korelační metody, získávání frekvenční charakteristiky.
3. Vstupní signály, stupeň persistentního buzení, binární pseudonáhodná posloupnost.
4. Metoda nejmenších čtverců, odvození metody, geometrický význam, vlastnosti.
5. Modely dynamických systémů. ARX, ARMAX, ARARX, obecný model, pseudolineární regrese.
6. Rekurzivní MNČ. Numericky stabilní metody založené na odmocninové filtraci.
7. Metody pomocných proměnných. Metoda se zpožděnými pozorováními, metoda s pomocným modelem.
8. Metody založené na vybělení chyby predikce. Identifikace šumového modelu.
9. Praktické poznámky k identifikaci. Předzpracování signálů.
10. Identifikace pomocí neuronových sítí a fuzzy modelování.
11. Další přístupy k identifikaci.
12. Identifikace nelineárních dynamických systémů.
13. Zopakování poznatků.
2. Neparametrické metody identifikace, korelační metody, získávání frekvenční charakteristiky.
3. Vstupní signály, stupeň persistentního buzení, binární pseudonáhodná posloupnost.
4. Metoda nejmenších čtverců, odvození metody, geometrický význam, vlastnosti.
5. Modely dynamických systémů. ARX, ARMAX, ARARX, obecný model, pseudolineární regrese.
6. Rekurzivní MNČ. Numericky stabilní metody založené na odmocninové filtraci.
7. Metody pomocných proměnných. Metoda se zpožděnými pozorováními, metoda s pomocným modelem.
8. Metody založené na vybělení chyby predikce. Identifikace šumového modelu.
9. Praktické poznámky k identifikaci. Předzpracování signálů.
10. Identifikace pomocí neuronových sítí a fuzzy modelování.
11. Další přístupy k identifikaci.
12. Identifikace nelineárních dynamických systémů.
13. Zopakování poznatků.
Učební cíle
Seznámit posluchače se základními technikami používanými pro identifikaci dynamických systémů a s jejich možnými úskalími. Získat představu o vlivu šumu působícího na soustavu na výsledky identifikace.
Vymezení kontrolované výuky a způsob jejího provádění a formy nahrazování zameškané výuky
Vymezení kontrolované výuky a způsob jejího provádění stanoví každoročně aktualizovaná vyhláška garanta předmětu.
Základní literatura
Ljung, L.: System Identification, Theory for the User, Prentice Hall, 1999 (EN)
Soderstrom, T., Stoica, P.: System Identification. Prentice Hall International, 1989 (EN)
Soderstrom, T., Stoica, P.: System Identification. Prentice Hall International, 1989 (EN)
Doporučená literatura
Fikar, M., Mikleš, J.: Identifikácia systémov. STU Bratislava 1999 (SK)
Isemrann, R., Munchhof, M. : Identification of Dynamic Systems - An Introduction with Applications. Springer 978-540-78878-2, 2011. (EN)
Noskievič, P.: Modelování a identifikace systémů. Montanex Ostrava 1999 (CS)
Šimandl, M.: Identifikace systémů a filtrace. Západočeská univerzita v Plzni, 2001, ISBN 80-7082-170-1. (CS)
Isemrann, R., Munchhof, M. : Identification of Dynamic Systems - An Introduction with Applications. Springer 978-540-78878-2, 2011. (EN)
Noskievič, P.: Modelování a identifikace systémů. Montanex Ostrava 1999 (CS)
Šimandl, M.: Identifikace systémů a filtrace. Západočeská univerzita v Plzni, 2001, ISBN 80-7082-170-1. (CS)
Elearning
eLearning: aktuální otevřený kurz
Zařazení předmětu ve studijních plánech
Typ (způsob) výuky
Přednáška
26 hod., nepovinná
Vyučující / Lektor
Osnova
1. Úvod do problematiky identifikace dynamických systémů
2. Neparametrické metody identifikace, korelační metody, získávání frekvenční charakteristiky.
3. Vstupní signály, stupeň persistentního buzení, binární pseudonáhodná posloupnost.
4. Metoda nejmenších čtverců, odvození metody, geometrický význam, vlastnosti.
5. Modely dynamických systémů. ARX, ARMAX, ARARX, obecný model, pseudolineární regrese.
6. Rekurzivní MNČ. Numericky stabilní metody založené na odmocninové filtraci.
7. Metody pomocných proměnných. Metoda se zpožděnými pozorováními, metoda s pomocným modelem.
8. Metody založené na vybělení chyby predikce. Identifikace šumového modelu.
9. Praktické poznámky k identifikaci. Předzpracování signálů.
10. Identifikace pomocí neuronových sítí a fuzzy modelování.
11. Další přístupy k identifikaci.
12. Identifikace nelineárních dynamických systémů.
13. Zopakování poznatků.
2. Neparametrické metody identifikace, korelační metody, získávání frekvenční charakteristiky.
3. Vstupní signály, stupeň persistentního buzení, binární pseudonáhodná posloupnost.
4. Metoda nejmenších čtverců, odvození metody, geometrický význam, vlastnosti.
5. Modely dynamických systémů. ARX, ARMAX, ARARX, obecný model, pseudolineární regrese.
6. Rekurzivní MNČ. Numericky stabilní metody založené na odmocninové filtraci.
7. Metody pomocných proměnných. Metoda se zpožděnými pozorováními, metoda s pomocným modelem.
8. Metody založené na vybělení chyby predikce. Identifikace šumového modelu.
9. Praktické poznámky k identifikaci. Předzpracování signálů.
10. Identifikace pomocí neuronových sítí a fuzzy modelování.
11. Další přístupy k identifikaci.
12. Identifikace nelineárních dynamických systémů.
13. Zopakování poznatků.
Cvičení na počítači
26 hod., povinná
Vyučující / Lektor
Osnova
1. Lehký úvod do identifikace.
2. Identifikace parametrů z přechodové a impulsové charakteristiky.
3. Identifikace za pomocí korelačních metod, frekvenční analýza.
4. Spektrální analýza.
5. Vstupní signály pro identifikaci, Metoda nejmenších čtverců.
6. Průběžná metoda nejmenších čtverců.
7. Metody pomocných proměnných.
8. System Identification Toolbox.
9. Metody identifikace založené na vybělení chyby predikce.
10. Vylepšená frekvenční analýza, identifikace parametrů PMSM motoru.
11. Identifikace pomocí metody nejmenších čtverců.
12. Test + práce na projektu.
13. Reálná úloha - DC motor.
2. Identifikace parametrů z přechodové a impulsové charakteristiky.
3. Identifikace za pomocí korelačních metod, frekvenční analýza.
4. Spektrální analýza.
5. Vstupní signály pro identifikaci, Metoda nejmenších čtverců.
6. Průběžná metoda nejmenších čtverců.
7. Metody pomocných proměnných.
8. System Identification Toolbox.
9. Metody identifikace založené na vybělení chyby predikce.
10. Vylepšená frekvenční analýza, identifikace parametrů PMSM motoru.
11. Identifikace pomocí metody nejmenších čtverců.
12. Test + práce na projektu.
13. Reálná úloha - DC motor.
Elearning
eLearning: aktuální otevřený kurz