SylabUZ
| Course name | System Modelling and Identification |
| Course ID | 11.9-WE-AiRD-MiI |
| Faculty | Faculty of Computer Science, Electrical Engineering and Automatics |
| Field of study | Automatic Control and Robotics / Computer Control Systems |
| Education profile | academic |
| Level of studies | Second-cycle studies leading to MSc degree |
| Beginning semester | summer term 2016/2017 |
| Semester | 1 |
| ECTS credits to win | 6 |
| Course type | obligatory |
| Teaching language | polish |
| Author of syllabus |
|
| The class form | Hours per semester (full-time) | Hours per week (full-time) | Hours per semester (part-time) | Hours per week (part-time) | Form of assignment |
| Lecture | 30 | 2 | 18 | 1,2 | Exam |
| Laboratory | 30 | 2 | 18 | 1,2 | Credit with grade |
Zapoznanie studentów z podstawowymi metodami konstruowania modeli na podstawie wiedzy strukturalnej i pomiarów
Ukształtowanie podstawowych umiejętności w zakresie stosowania nieparametrycznych metod identyfikacji
Ukształtowanie podstawowych umiejętności w zakresie stosowania parametrycznych metod identyfikacji
Sygnały i systemy dynamiczne
Wprowadzenie. Obiekty i modele, zastosowania modeli. Identyfikacja systemów i modelowanie matematyczne. Równoważność modeli, kryteria równoważności modeli. Estymacja parametrów. Definicje błędu identyfikacji. Konstruowanie modeli na podstawie wiedzy strukturalnej i pomiarów. Algorytm identyfikacji systemu.
Nieparametryczne metody identyfikacji. Analiza przebiegów przejściowych. Metody częstotliwościowe. Metody korelacyjne. Analiza widmowa.
Metoda najmniejszych kwadratów. Statyczny model liniowy. Zadanie minimalizacji sumy kwadratów błędów. Rozwiązanie układu równań normalnych. Analiza estymatora metody najmniejszych kwadratów. Najlepszy liniowy estymator nieobciążony. Przedziały ufności ocen parametrów. Złożoność modeli. Triangularyzacja ortogonalna. Algorytm rekurencyjny metody najmniejszych kwadratów.
Modele systemów dynamicznych. Klasyfikacja modeli. Ogólna struktura modelu liniowego. Modele AR, MA, ARMA, FIR, ARX, ARMAX, OE, model Boxa-Jenkinsa. Modele systemów o wielu wejściach i wielu wyjściach. Modele nieliniowe. Modele Wienera i Hammersteina. Modele Volterry i Kolmogorova-Gabora. Modele w przestrzeni stanów. Wybór struktury modelu.
Sygnały wejściowe. Charakterystyki sygnałów deterministycznych. Charakterystyki sygnałów stochastycznych. Sygnały wejściowe stosowane w zadaniach identyfikacji. Warunek trwałego pobudzania.
Metoda błędu predykcji. Symulacja i predykcja. Predyktory optymalne. Estymacja parametrów modelu ARX metodą najmniejszych kwadratów. Estymacja parametrów metodą błędu predykcji. Problem zgodności ocen parametrów. Metoda zmiennych instrumentalnych. Algorytm identyfikacji metodą zmiennych instrumentalnych. Wybór zmiennych instrumentalnych.
Rekurencyjne metody estymacji parametrów. Ogólna charakterystyka rekurencyjnych algorytmów identyfikacji. Rekurencyjna metoda najmniejszych kwadratów. Zapominanie wykładnicze. Rekurencyjna metoda zmiennych instrumentalnych. Rekurencyjna metoda błędu predykcji. Adaptacja parametrów regulatora samonastrajającego.
Identyfikacja systemów w układzie zamkniętym. Warunki identyfikowalności systemów objętych sprzężeniem zwrotnym. Metody bezpośrednie. Metody pośrednie. Wpływ sprzężenia zwrotnego na dokładność estymacji.
Identyfikacja systemów metodami podprzestrzeni. Modele systemu deterministycznego i systemu stochastycznego w przestrzeni stanów. Identyfikacja systemu deterministycznego. Identyfikacja systemu stochastycznego.
wykład: wykład konwencjonalny
laboratorium: ćwiczenia laboratoryjne
| Outcome description | Outcome symbols | Methods of verification | The class form |
Wykład – warunkiem zaliczenia jest uzyskanie pozytywnej oceny z egzaminu przeprowadzonego w formie pisemnej lub ustnej
Laboratorium – warunkiem zaliczenia jest uzyskanie pozytywnych ocen ze wszystkich ćwiczeń laboratoryjnych, przewidzianych do realizacji w ramach programu laboratorium
Na ocenę z przedmiotu składa się ocena z laboratorium (50%) i z egzaminu (50%). Warunkiem zaliczenia przedmiotu są pozytywne oceny z laboratorium i egzaminu.
1. E. Bielinska, J. Figwer, J. Kasprzyk, T. Legierski, Z. Ogonowski, M. Pawełczyk, Identyfikacja procesów. Praca zbiorowa pod red. J. Kasprzyka. Wyd. Politechniki Slaskiej, Gliwice, 2002
2. K. Janiszowski, Identyfikacja modeli parametrycznych w przykładach. Wyd. EXIT, Warszawa, 2002
3. L. Ljung, System identification. Theory for the User. Prentice Hall, Upper Saddle River, 1999
4. O. Nelles, Nonlinear System Identification. From Classical Approaches to Neural Networks and Fuzzy models. Springer, New York, Berlin, Heidelberg, 2001
5. T. Söderström, P. Stoica, Identyfikacja systemów. Wydawnictwo Naukowe PWN, Warszawa, 1997
1. M. Norgaard, O. Ravn, N.K. Poulsen, L.K. Hansen, Neural Networks for Modelling and Control of Dynamic Systems. Springer, London, 2000
2. P. van Overschee, B. de Moor, Subspace Identification for Linear Systems. Kluwer Academic Publishers, Boston/Londom/Dordrecht, 1996
Modified by dr hab. inż. Andrzej Janczak, prof. UZ (last modification: 12-09-2016 13:41)
