Методы статистического анализа линейных динамических систем
К содержанию 4. Методы статистического анализа линейных динамических систем
4.1.Особенности математического описания
линейных систем
Будем рассматривать линейные динамические системы вида:
(4.1)
где xÎ En - n-мерный вектор фазовых переменных; uÎ Em - m-мерный вектор управляющих воздействий (детерминированный); x Î Ek - k-мерный вектор случайных возмущений с заданными главными вероятностными характеристиками Mx (t), Rx (t1,t2); x0Î En - n-мерный вектор случайных начальных условий с заданными главными вероятностными характеристиками MX0, KX0; A(t) - матрица размера nxn, B(t) - матрица размера nxm, D(t) - матрица размера nxk.
Если матрицы A(t), B(t), D(t) не изменяются во времени, то система (4.1) называется линейной стационарной системой. В этом случае ее удобно описывать с помощью матричных передаточных функций
(4.2)
где s - аргумент Лапласа; Wxu(s) - матрица передаточных функций, связывающих вход u с выходом x; Wxx (s) - матрица передаточных функций, связывающих вход x с выходом x.
Решение системы (4.1) можно представить в квадратурах с помощью формулы Коши на основании свойства суперпозиции линейных систем [2]
, (4.3)
где Gxu(t,s) = Ф(t,s)B(s), Gxx (t,s) = Ф(t,s)D(s) - матрицы весовых функций, преобразования по Лапласу которых приводят к матрицам передаточных функций Wxu(s), Wxx (s), соответственно; Ф(t,t0) - матрица фундаментальных решений, которая описывается матричным дифференциальным уравнением
(4.4)
где E - единичная матрица размера nxn.
Матрица фундаментальных решений для аргументов t и t0 может быть выражена через промежуточные моменты времени t=tn< tn-< : < t1< t0 :
где D t=ti+1- ti - малый временной интервал разбиения, на котором исходная линейная система может рассматриваться как стационарная.
В выражении (4.3) каждое слагаемое определяет вклад в формирование выходной переменной x(t) соответственно начального состояния системы, управляющих и возмущающих воздействий.
4.2. Метод весовых функций
Применяется для отыскания главных вероятностных характеристик выхода линейных динамических систем вида (4.1) [2], [3].
Определив математическое ожидание для решения (4.3), записанного в квадратурах, получим
. (4.4)
Далее легко находится центрированный случайный процесс D x(t) :
, (4.5)
Так как из определения матричной корреляционной функции следует, что
, (4.6)
то с учетом (4.5) для случая независимости начальных условий x0 от случайных возмущений x (t) можно окончательно записать
. (4.7)
Для вычисления матричной ковариационной функции Kх(t) в выражении (4.7) необходимо использовать условие t1= t2= t. Выражения (4.4) и (4.7) описывают аналитическое решение задачи статического анализа для линейной нестационарной системы. Запишем решения задачи статис-тического анализа для нескольких частных случаев.
1).Пусть в постановке задачи (4.1) x (t) - векторный нестационарный 'белый шум', матричная корреляционная функция которого записывается в виде:
где N(t) - матрица интенсивности векторного 'белого шума'.
Тогда выражение для KX(t) можно записать, используя свойство фильтрации d -функции , в более простом виде :
(4.8)
2).Рассмотрим случай стационарной устойчивой линейной системы (4.1), в которой отсутствуют управляющие воздействия . Тогда A=const, D=const и (достаточное условие устойчивости).
Пусть x (t) - стационарный векторный случайный процесс, т.е. Mx =const, Rx (t )=Nd t .
Будем искать вероятностные характеристики вектора x(t) в установившемся режиме (после затухания переходного процесса). Чтобы в текущий момент времени наблюдался установившийся режим, удалим t0 в -¥ , тогда из соотношения (4.4) следует
. (4.9)
Переходя к новой переменной t =t-s, получаем
. (4.10)
С учетом взаимосвязи между матрицей передаточных функций WXx (s) и матрицей весовых функций Gxx (t ), выражающейся с помощью преобразования по Лапласу
в окончательном виде получим
. (4.11)
Аналогично найдем выражение для RX(t1, t2) :
. (4.12)
Введем новые переменные t 1=t1-s1, t 2=t2-s2, t =t-s.
Тогда (4.12) можно записать в виде
. (4.13)
На основании полученных результатов (4.11) и (4.13) можно сделать вывод, что в рассмотренном частном случае на выходе в установившемся режиме наблюдается стационарный случайный процесс.
Если входной случайный процесс является стационарным 'белым шумом', то, подставив в (4.13) Rx (t )=Nd t , получим окончательное выражение
. (4.13")
4.3 Метод корреляционных преобразований
Недостатком метода весовых функций является необходимость предварительного определения матриц весовых функций и последующего вычисления сложных интегралов.
В ряде практических задач принимается, что на вход подается векторный случайный процесс x (t) в виде нестационарного 'белого шума'. Тогда можно предложить иной подход к вычислению MX(t) и KX(t) (корреляционную функцию RX(t1, t2) в этом случае найти не удается) [2], [3].
Продифференцируем по времени (4.4) и (4.8). Тогда после преобразований с учетом (4.4) получим
, (4.14)
, (4.15)
где MX(t0)= MX0, KX(t0)= KX0.
Таким образом, исходная задача преобразована к задаче Коши, для решения которой существует много стандартных численных методов.
Для второго частного случая параграфа 4.2 системы диффе-ренциальных уравнений (4.14) и (4.15) преобразуются в системы алгебраических уравнений вида
(4.16)
(4.17)
Следует отметить, что определение Mx и Kx в обоих случаях осуществляется независимо друг от друга, причем из (4.16) MX можно найти аналитически
. (4.18)
4.4. Частотный метод анализа точности
стационарных линейных систем
Часто в практической деятельности требуется оценить точность выхода DX стационарной линейной системы, заданной своей передаточной функцией в установившемся режиме, если на вход подается стационарный случайный процесс (второй частный случай параграфа 4.2 в предположении одномерности линейной системы) [3].
Найдем спектральную плотность выхода системы, подставив соотношение (4.13), определяющее RX(t ),в выражение для спектральной плотности (1.63) :
.
Тогда получим
С учетом соотношений преобразования Фурье в окончательном виде можно записать
где Wxx (iw ), Wxx (-iw ) - частотная функция и сопряженная частотная функция соответственно исходной линейной системы.
Тогда можно найти дисперсию выходной переменной системы по соотношению (1.62) :
. (4.16)
Выражение (4.16) можно преобразовать к интегралу вида
, (4.17)
где ,
.
Интеграл In можно вычислить по соотношению
, (4.18)
где |Gn| - определитель матрицы Гурвица для многочлена m n, вычисляемый на основе матрицы Gn с элементами gm2=a2m-r ; m,r=1,2,:,n; |Сn| - определитель матрицы, полученной из матрицы Gn заменой ее первого столбца на b0, b1, :, bn-1. В справочнике [8] приведены аналитические выражения для интегралов In при n =1-16, например,
. (4.19)
Для иллюстрации применения частотного метода анализа точности найдем дисперсию выхода динамической системы, описывающейся уравнением
при условии подачи на вход экспоненциально коррелированного стационарного случайного процесса .
Ранее для экспоненциально коррелированного случайного процесса было найдено выражение спектральной плотности в виде .
Тогда
,
где,
Таким образом, a0=T; a1=Tl +1; a2=l ; b0=0; b1= 2K2Dl .
Выполнив элементарные преобразования с учетом соотношений (4.19), найдем окончательное выражение для дисперсии выхода системы
Заметили ошибку в тексте? Выделите ее мышкой и нажмите Ctrl+Enter