Научная статья на тему 'Экстраполяция в линейных дискретных системах с неизвестным возмущением'

Экстраполяция в линейных дискретных системах с неизвестным возмущением Текст научной статьи по специальности «Математика»

CC BY
240
60
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ДИСКРЕТНАЯ ЛИНЕЙНАЯ СИСТЕМА / ЭКСТРАПОЛЯТОР / НЕИЗВЕСТНЫЕ ВОЗМУЩЕНИЯ / DISCRETE LINEAR SYSTEM / EXTRAPOLATOR / UNKNOWN PERTURBATIONS

Аннотация научной статьи по математике, автор научной работы — Смагин Сергей Валерьевич

Рассматривается алгоритм синтеза оптимального экстраполятора, определяющего оценку вектора состояния на один такт вперед для дискретной линейной динамической системы с аддитивными возмущениями, содержащими неизвестную постоянную составляющую. Приводятся результаты вычислительного эксперимента.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по математике , автор научной работы — Смагин Сергей Валерьевич

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

The algorithm of synthesis of optimal extrapolator defining estimator of a state vector of the discrete linear dynamic system with additive perturbations, containing unknown constant term, is considered. The algorithm does not use the estimation of unknown perturbations. Analytical expression for optimal filter transition coefficients is obtained. The algorithm is constructed on the base of the expansion of state space and exceptions unknown perturbations from object model. Unlike classical Kalman extrapolator, the proposed extrapolator uses the recurrent estimators, constructed on two previous steps. The results of simulation are presented.

Текст научной работы на тему «Экстраполяция в линейных дискретных системах с неизвестным возмущением»

ВЕСТНИК ТОМСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА

2010 Управление, вычислительная техника и информатика № 2(11)

УДК 681.5

С.В.Смагин

ЭКСТРАПОЛЯЦИЯ В ЛИНЕЙНЫХ ДИСКРЕТНЫХ СИСТЕМАХ С НЕИЗВЕСТНЫМ ВОЗМУЩЕНИЕМ

Рассматривается алгоритм синтеза оптимального экстраполятора, определяющего оценку вектора состояния на один такт вперед для дискретной линейной динамической системы с аддитивными возмущениями, содержащими неизвестную постоянную составляющую. Приводятся результаты вычислительного эксперимента.

Ключевые слова: дискретная линейная система, экстраполятор, неизвестные возмущения.

Известные методы фильтрации и экстраполяции базируются на алгоритмах, использующих оценки неизвестного возмущения [1 - 7]. В настоящей работе для дискретного объекта с неизвестной постоянной составляющей возмущений предлагается метод оптимальной экстраполяции, не использующий оценки неизвестного возмущения. Метод базируется на преобразовании модели и сведении к задаче линейной калмановской экстраполяции [8]. Результаты настоящей статьи обобщают [9] на случай решения задач экстраполяции.

1. Постановка задачи

Рассматривается дискретная система, которая описывается следующими разностными уравнениями:

x(k +1) = A(k)x(k) + f + q(k), x(0) = x0 , (1)

где x(k) є Rn - вектор состояния; A(k) - nxn-матрица; f - неизвестный постоянный вектор; q(k) - белая гауссовская случайная последовательность с характери-

стиками

M{q(k)} = 0, M{q(k)qT (j)} = Q(k)5^ .

Канал наблюдений имеет вид

y (k) = S (k) x(k) + v(k), (2)

где y(k) є Rl - вектор измерений; S(k) - матрица размерности I x n ; v(k) - гауссовская случайная последовательность ошибок измерений с характеристиками M{v(k)} = 0 , M{q(k)vT (j)} = 0 , M{v(k)vT (j)} = V(k)5t] .

Случайный вектор x0 и процесс (q(k), v(k)) независимы:

M{x(0)} = x0, M {(x(0) -x0)(x(0) -^)T} = P0.

Для системы (1) и канала наблюдений (2) требуется построить экстраполятор, вычисляющий оценку вектора состояния на один такт вперед, не использующий оценки неизвестной постоянной составляющей возмущений.

2. Экстраполяция в дискретных системах

Для решения задачи проводится преобразование дискретной системы (1). Для этого исключается постоянная составляющая возмущений f из описания объекта посредством вычитания из уравнения (1) такого же уравнения, но со сдвигом на один такт:

x(k +1) = (А(*) + En)x(k) - A(k -1)x(k -1) + q(*) - q(k -1). (3)

Расширение пространства состояния системы осуществляется посредством добавления к уравнению (3) тождества x(k) = x(k). Тогда система представляется в векторно-матричной форме

х(*+1) = )х(*)+q(*), х(0) = х0, (4)

где А(*) - (2п х 2п )-матрица и вектор д (*) имеют следующую блочную структуру: М*) = (Л<« + Еп -А(0 - 1), щи) = (^^ - ») . (5)

Вектор Х0 = (х+ х+ )т в (4) имеет характеристики

М{Х(0)} = Х0, м {(Х0 -Х0ХХ0 -Х0)т} = Р0 .

Отметим, что в рассмотренной модели (4) процесс д (*) не является белой гауссовской последовательностью, процессы д (*) и д (* -1) будут коррелированы:

Q(k), если у = *,

2 (* -1), если у = * -1,

0, если 0 < у < * -1,

м{д (к) qт (])} =

где )=(>+ы -■> 0), -1)=[-2'(0 -■> 0

Представим канал наблюдений для расширенной системы (4) в виде

у(*) = 5 (*) Х (*) + у(*), (6)

где 5 (*) = (5 (*) 0).

В качестве уравнения для вычисления оценки прогноза вектора состояния для расширенной системы выберем уравнение, по своей структуре совпадающее с экстраполятором Калмана:

Х(* +1) = А(к) Х(к) + К (к)(у (*) - 5 (*) Х(к)), Х(0) = Х0. (7)

Учитывая (4) - (7), получим следующее уравнение для ошибки

е(*) = Х(*) - Х(*):

е(* +1) = (!(*) - К(*)5(*))е(*) + К(*)у(*) - д (*). (8)

Матрица Р(*) = М{е(*)ет (*)} определится из следующего разностного уравнения:

Р(* +1) = М{е(* + 1)ет (* +1)} = (!(*) - К(*)5(*))Р(*)(!(*) - К(*)5(*))т +

+к(*у (*)к + (*)+2(*) - (!(*) - к(*)5(*щ (*) - 2е+ (*)(!(*) - к(*)5(*))+,

Р (0) = Р0, (9)

где 2е(*) = М{е(*)д + (*)}. Для вычисления 2е(*) необходимо уравнение (8) представить в виде

е(*) = (А(* -1) - к(* -1)5(* -1))е(* -1)+к(* -1)у(* -1) - д(* -1).

Тогда

2>е (*) = М{е(*)дт (*)} = (!(* -1) - К(* -1)5(* - 1))М{е(* - 1)дт (*)} +

+К(* - 1)М{у(* - 1)д + (*)} - М{д(* - 1)д + (*)}. (10)

В силу того, что в (10) два первых слагаемых равны нулю, получим

2е (*) = -2 (*).

Окончательно, учитывая (9), получим уравнение

Р(*+1) = М{е(*+1)е+ (*+1)} = А*) - к(*)5(*))р(*)(’!(*) - к(*)5(*))+ +

+к(*V(*)кт (*)+2(*) + А*) - к(*)5(*))2(*)+2(*) - к(*)5(*))т,

Р (0) = Р0, ()

Оптимизируемый критерий, характеризующий точностные характеристики экстраполятора, зададим в виде

3 (* +1) = ир (* +1). (12)

Оптимальные коэффициенты передачи фильтра К(*) определяются из условия

3 (* +1)

dK (*)

= 0. (13)

Учитывая (12) и правую часть уравнения (11), применяя правила матричного дифференцирования следа от матрицы [10], получим из условия (13) уравнение для определения матрицы К(*):

(5(*)Р (*)5т (*) + V(*))К (*) - (А(*)Р (*)5т (*) + 2(*)5т (*)) = 0 . (14)

Решение уравнения (14) относительно К(*) дает следующую формулу:

К (*) = (!(*) Р (*) + 2(*)) 5 (* )т (5 (*) р (*) 5 (* )т + V (* ))-1. (15)

Конечный результат сформулируем в виде теоремы, учитывая блочную структуру матрицы Р (*):

Р (*) = ( ) Рт (*)1, (16)

I Р2(° ) Р3(* ) ^

а также блочные структуры матриц А(*), 5(*), Q(k), 2(*).

Теорема. Пусть процесс с неизвестным постоянным возмущением определяется уравнениями (1), модель канала наблюдений задается соотношением (2) при переменных матрицах А, 2, V, 5 . Тогда оптимальный алгоритм экстраполяции определится разностными уравнениями

х(* +1) = (А(*) + Еп)Х(*) - А(* -1)Х(* -1) + К1 (*)(у(*) - 5(0)х(*)) (17)

с начальными условиями для экстраполятора

Х(0) = х0 , Х(1) = М{х(1)} = х1.

Матрица Кх(к) в (17) выражается по формуле

К (к) = [(А(к) - Еп) р (к) - А (к -1) р2 (к) - 0(к -1)] X х£ т (к)(£ (к) р1(к) £ (к )т + V (к ))-1, где матрица р1 (к) определяется из следующей системы уравнений:

р (к +1) = (А (к) - Еп - Кх (к) £ (к)) р (к)(А (к) - Еп - К! (к )£ (к))т -- А (к -1) Р2 (к)(А (к) - Еп - К (к) £ (к ))т - (А (к) - Еп - К1 (к) £ (к)) х х р1 (к) Ат (к -1) + А (к -1)р3 (к) Ат (к -1) + К1 (к V(к)К1т (к) +

-(А (к) - Еп - К (к)£(к))0(к -1) - 0(к -1)(А (к) - Еп - К (к)£(к))т +

В (19) - (22) начальные условия р10, р20, р30 являются соответствующими блоками матрицы Р0.

Доказательство строится на использовании формул (7), (11), (15), (16) и на блочном представлении матрицы К (к) в виде

Замечание. Задачу экстраполяции можно также рассмотреть для следующего канала наблюдений:

V (к) - случайная последовательность ошибок измерений с характеристиками: М{у(к)} = 0, М{д(к)ут(])} = 0,

+6(к) + 0(к -1), #(0) = До, р2 (к +1) = (Еп - К 2 (к) £ (к)) Рі (к )(Л(к) - Еп - К (£) £ (к ))т -

-(Еп - К 2 (к )£ (к)) рТ (к) Л (к -1) - (Еп - К 2 (к )£ (к ))0(к -1) + +К2 (к)¥(к)КТ (к), р2(0) = р2,о,

Рз (к +1) = (Еп - К 2 (к) £ (к)) р (к)(Еп - К 2 (к )£ (к ))т +

+К 2 (к V (к) К Т (к), рз(0) = рзо,

К 2(к) = р1(к )£ т (к)(£ (к) р1(к )£ (к )т + V (к ))-1.

_у(к) = £ (к)X (к) + V (к),

где

Ы(у(к)ут(])} = V(к)5г,;, V(к)

3. Результаты вычислительного эксперимента

Рассмотрим применение алгоритма экстраполяции для модели второго порядка вида (1), канала наблюдений (2) со следующими значениями параметров:

--(о! о1,); <?-(Т о!); --«;

*=а 1); «=(1;5); ^о-со» 1»

Результаты моделирования предложенного экстраполятора (17) и экстраполя-тора Калмана [8], не учитывающего наличие неизвестных возмущений, приведены на рис. 1.

x2(k),

Рис. 1. Результаты сравнения (1 - реализация процесса; 2 - реализации оценок экстраполяции, построенных по алгоритму (17); 3 - оценка, построенная с помощью экстраполятора Калмана, не учитывающего наличие неизвестных возмущений

Заключение

Разработан алгоритм синтеза дискретного оптимального экстраполятора для объекта, возмущения которого содержат неизвестную постоянную составляющую. Алгоритм построен на основе расширения пространства состояния и исключения из модели неизвестной составляющей. В отличие от классического экстраполятора Калмана, предложенный экстраполятор использует рекуррентные оценки, построенные на двух предыдущих тактах.

ЛИТЕРАТУРА

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

1. Astrom K., EykhoffP. System identification. A survey // Automatica. 1971. V. 7. P. 123 - 162.

2. FriedlandB. Treatment of bias in recursive filtering // IEEE Trans. on Automat. Contr. 1969. V. AC-14. P. 359 - 367.

3. Gillijns S., Moor B. Unbiased minimum-variance input and state estimation for linear discrete-time systems // Automatica. 2007. V. 43. P. 111 - 116.

4. Hou M., Patton R. Optimal filtering for systems with unknown inputs // IEEE Trans. on Automat. Contr. 1998. V. AC-43. P. 445 - 449.

5. Hsieh C.-S. A unified solution to unbiased minimum-variance estimation for systems with unknown inputs // Proc. 17th World Congress The International Federation of Automatic Control. Seoul. Korea. July 6 - 11, 2008. P. 14502 - 14509.

6. Hsieh C.-S. Robust two-stage Kalman filters for systems with unknown inputs // IEEE Trans. on Automat. Contr. 2000. V. AC-45. P. 2374 - 2378.

7. Пугачев В.С., Синицин И.Н. Стохастические дифференциальные уравнения. М.: Наука, 1990. 630 с.

8. Kalman R.E., Busy R. A new results in linear filtering and prediction theory // Trans. ASME J. Basic Engr. 1961. V. 83. P. 95 - 108.

9. Смагин С.В. Фильтрация в линейных дискретных системах с неизвестными возмущениями // Автометрия. 2009. Т. 45. № 6. C. 29 - 37.

10. Амосов А.А., Колпаков В.В. Скалярно-матричное дифференцирование и его применение к конструктивным задачам теории связи // Проблемы передачи информации. 1972. № 1. С. 3 - 15.

Смагин Сергей Валерьевич

Томский государственный университет

E-mail: ssv@fpmk.tsu.ru

Поступила в редакцию 15 декабря 2009 г.

i Надоели баннеры? Вы всегда можете отключить рекламу.