POZNÁMKY K
PŘEDMĚTU PROJEKT
Ing. Ivo Bukovský, Ph.D.
http://www.fsid.cvut.cz/~bukovsky/
Obsah
KOMENTÁŘE
K MODELOVÁNÍ A ANALÝZE SYSTÉMŮ
1.1 Teoretická
část (umělá data)
1.2 Praktická
část (reálná data)
2.1 Teoretická
část (umělá data)
2.2 Praktická
část (reálná data)
2.2.1 Analýza dat systému se šumem snímačů
2.2.2 Analýza provozních dat parní turbíny
2.2.3 Analýza provozních dat práškového
kotle
Obrázky
Obr. 1: Příklad statického prediktivního modelu s měřenou vstupní veličinou u a vektorem parametrů modelu w.
Obr. 2: Příklad statického prediktivního modelu s měřenou vstupní veličinou u a měřenou modelovanou veličinou yr na vstupu a vektorem parametrů modelu w.
Obr. 3: Příklad dynamického prediktivního modelu s měřenou vstupními veličinou u a historií výstupní (modelované) veličiny y .
Obr. 4: Reálnější příklad dynamického prediktivního modelu s měřenou modelovanou veličinou yr na vstupu a se zpětnými vazbami s výstupní (modelovanou) veličinou y ( pro model je měřením dostupná jediná veličina a to jen ta modelovaná).
Obr. 5: Obecné schema komplikovaného statického modelu s vektorem měřených vstupních veličin u a historií měřené (reálné) výstupní (modelované) veličiny yr , x označuje vstupní vektor do modelu.
Obr. 6: Obecné schema dynamického modelu s externími vstupními veličinami u a zpětnými vazbami od výstupu y.
Model na Obr. 5 počítá budoucí hodnotu výstupní (modelované) veličiny statickou funkcí (1)
, (1)
kde W je matice nebo vektor parametrů modelu, které je třeba nalézt analýzou a optimalizací a x je vektor všech vstupů do modelu.
Analýza by měla vést k optimálnímu (nebo alespoň vyhovujícímu modelu, tj. konfiguraci x a ns ,viz. předchozí obrázky )
Analýzou zde pro naše účely rozumíme :
§ vždy dvěma veličinami
§ časově posunutými dvěma veličinami
§ časově posunutými instancemi jedné veličiny
§ dvěma veličinami
§ více než dvěma veličinami najednou
§ časově posunutými veličinami
§ časově posunutými instancemi jedné veličiny
o konfiguraci vstupů modelu
o architektuře modelu (nelinearity,...)
o vzorkování
o zpracování dat (odfiltrováním šumu,...)
o ...
Návrh optimálního modelu komplikovaného systému je
většinou synergií výše uvedených analýz
a. Volba periody vzorkování
b. Korelační analýza dvou signálů (lineární závislost)
c. Vzájemná informace dvou signálů (nelineární závislost)
d. Informační obsah signálu(entropie)
e. Autokorelační funkce(periodicity v signálu, posouzení šumu)
f. Fourierova transformace (periodicity v signálu, posouzení šumu)
g. Výkonová spektrální hustota(periodicity v signálu, posouzení šumu)
h. Rekurentní graf (periodicity v signálu, posouzení šumu)
i. Neurčitosti v přiřazení vstupů k výstupům (metoda falešných sousedů)
j.
(
k.
PCA –
metoda redukce počtu vstupních proměnných
Námět pro návrh modelu
Analyzujte měřená data
s ohledem na body a metody a.–k. (viz výše) a vyvoďte závěry pro návrh modelu
ve smyslu Obr. 1–Obr. 6.
(upřesnění při hodině)
Výstup: referát za skupinu min 30 stran,
zhodnocení dílčích analýz, výsledný komentář, závěr, obrázky, vlastní text
minimálně 10 stran dokumentace, komentářů výsledků, dílčích závěrů (a. –k.) a
výsledné zhodnocení návrhu modelu + 10 minutová prezentace výsledků (min. 10
slajdů).
Korelační analýza (Matlab, Dataplore)
Vzájemná informace (Matlab, Dataplore)
…
Korelační analýza (Matlab, Dataplore)
Vzájemná informace (Matlab, Dataplore)
…
Korelační analýza (Matlab, Dataplore)
Vzájemná informace (Matlab, Dataplore)
…
Korelační analýza (Matlab, Dataplore)
Vzájemná informace (Matlab, Dataplore)
…
Software