AnyMath 文档
Notebook

电驱动模型参数的评估

建模通常涉及一种情况,即描述物体行为的定律是已知的,但方程中包含的一些参数仍然不确定。 在本例中,分阶段考虑基于实验数据估计电驱动模型的未知参数的过程。

连接必要的软件包

安装必要的软件包:

In [ ]:
import Pkg
Pkg.add(["Interpolations","NLopt"])

我们将连接必要的软件包:

In [ ]:
using DataFrames, Plots,Interpolations, NLopt, MATLAB

电驱动模型

考虑"motor_pe"电驱动模型,其图示如下图所示。 它由控制器,放大器和带负载的电动机组成。 模型的输入是控制负载位置的信号,输出是负载位置。
image_2.png

要运行模型的模拟,我们需要指定以下参数的值:

  • J1 -电机转子的惯性, ;
  • J2 -负载的惯性, ;
  • k -柔性轴的刚性, ;
  • Km -电机常数, ;
  • Ka -放大器的增益因子, ;
  • b1 -电机轴承的阻尼系数, ;
  • b2 -承重阻尼系数, ;
  • b12 -软轴的阻尼系数, .

这些参数中的一些是已知的,可以从技术文档或专门程序(例如,计算机辅助设计系统—CAD)获得,包括放大器的增益,负载的惯性矩和电动机的转子。 其他参数可以通过直接测量来确定,例如柔性轴的刚度。 让我们介绍包含已知参数值的变量。:

In [ ]:
J1 = 1.00e-6; 
J2 = 1.35e-7;    
k = 0.001;      
Km = 16.4e-3;   
Ka = 1.3/2.5; 

然而,阻尼系数不能通过直接测量来确定;它们必须根据整个系统行为的实验数据间接估计。 因此,我们将设置这些参数的近似值。:

In [ ]:
b1 = 1e-5;      
b2 = 1e-5;     
b12 = 1e-5;

上传测量结果

让我们从"motor_data"实验数据文件下载测量信号的值。 在tdata向量中,我们将写入进行测量的时间点的值,在udata向量中—表示指定负载位置的输入信号,在ydata向量中-对应于测量负载位置的输出信号。:

In [ ]:
data=read_matfile("$(@__DIR__)/motor_data.mat")
pa_input_voltage = jvector(data["pa_input_voltage"])
pa_output_voltage = jvector(data["pa_output_voltage"])
tdata = jvector(data["tdata"]) 
udata = jvector(data["udata"]) 
ydata = jvector(data["ydata"]);

让我们绘制测量信号:

In [ ]:
gr()
input = plot(tdata, udata, title = "入口处", xlabel="t, c",legend=false)
output_measure = plot(tdata, ydata, title = "出口;出口", xlabel="t, c", legend=false)
plot(output_measure,input,layout = (2, 1))
Out[0]:
No description has been provided for this image

模拟和测量结果的比较

为了比较建模和实验测量的结果,需要向模型提供输入信号并登记其输出数据。
创建类型的变量 WorkspaceArray 以传送输入信号 udata 到模型中。 应该注意的是,矢量必须用作输入信号的时间值。 tdata.

In [ ]:
udata_workspace = WorkspaceArray("udata_workspace", DataFrame(time = tdata, value = udata));

使用预设加载位置块(在下图中以黄色突出显示),输入信号 udata_workspace 传输到控制器的输入端。 输出信号load_position使用日志记录进行记录,其值在仿真完成后变为可用。 Set load position块和load_position信号对应于真实系统的输入和输出数据采集点。
image_2.png

让我们打开"motor_pe"模型,运行其模拟,然后构建一个显示实验和模拟结果的图表。:

In [ ]:
model = engee.load("motor_pe.engee")
logout = engee.run(model, verbose=false)
output = plot(tdata, ydata, title = "出口;出口", xlabel="t, c", label = "实验", legend=true)
plot!(logout["load_position"].time, logout["load_position"].value, label = "模拟仿真", linewidth=2)
plot(output,input,layout = (2, 1))
Out[0]:
No description has been provided for this image

从图中可以看到,真实系统和模型的动态不匹配。 这表明需要对未知参数进行更精确的调整。 b1, b2, b12.

使用优化估计参数

有必要定义这样的参数值 b1, b2, b21,其中由负载位置单元记录的模型的输出信号与测量数据尽可能紧密地对应 ydata.

为此,我们将测量和模拟输出信号之间的平方误差之和最小化。 误差被计算为测量输出信号的值之间的差 ydata 和load_position模型在向量指定的时间点的输出信号 tdata. 为了最大限度地减少平方误差的总和,我们使用了一种可用的优化算法。

重要的是要注意估计的参数 b1, b2, b21 它们必须是变量(显示在工作区中)并在模型中使用。 在此示例中,它们涉及motor_pe/Electric Motor和load/State-Space块。

In [ ]:
# @markdown#模型参数的估计
# @markdown##要开始评估模型参数,请输入:
# @markdown###模型名称:
# 打开模型
model_name = "motor_pe" # @param {type:"string"}
if model_name in [m.name for m in engee.get_all_models()] # 检查将模型加载到内核的条件
    model = engee.open(model_name) # 打开模型
    model = engee.gcm() 
else
    @error "Модель $model_name не открыта."
end
# @markdown###登录(FromWorkspace类型块):
input_name = "Заданное положение нагрузки" # @param {type:"string"}
input_path = engee.find_system(model; depth=0, blockparams=["BlockType" => "FromWorkspace","BlockName"=>input_name])
# @markdown###输入值:
input_data = [tdata udata] # @param {type:"raw"}
typeof(input_data) === Matrix{Float64} || throw(ArgumentError("Входной сигнал должен быть матрицей содержащей числа типа Float64."))
size(input_data,2) == 2 || throw(ArgumentError("Входной сигнал должен иметь 2 столбца - время и значения сигнала."))

isempty(engee.find_system(model; depth=0, blockparams=["BlockType" => "FromWorkspace","BlockName"=>input_name])) && throw(ArgumentError("Блока $input_name не существует в корневой системе модели $(model.name)."))
pe_udata_workspace = WorkspaceArray("pe_udata_workspace", DataFrame(time = input_data[:,1], value = input_data[:,2]));
engee.set_param!("$(model.name)/$input_name", "VariableName" =>"pe_udata_workspace") 

# @markdown###输出(可记录信号):
output_name = "load_position" # @param {type:"string"}
output_name in keys(engee.run(model, verbose=false)) || throw(ArgumentError("Сигнал $output_name не найден среди логируемых сигналов."))

# @markdown###输出信号的值:
output_data = [tdata ydata] # @param {type:"raw"}
typeof(output_data) === Matrix{Float64} || throw(ArgumentError("Выходной сигнал должен быть матрицей, содержащей числа типа Float64."))
size(output_data,2) == 2 || throw(ArgumentError("Выходной сигнал должен иметь 2 колонки - время и значения сигнала."))

# @markdown###被评估参数的名称:
# 创建变量、其初始值和约束的向量
p_names = ["b1","b2","b21"] # @param {type:"raw"}
p_names isa Vector{String} || throw(ArgumentError("Названия параметров должны быть введены в виде вектора строк."))
parametrs_number = length(p_names)
parametrs_number>0 || throw(ArgumentError("Количество параметров должно быть больше нуля."))

# @markdown###初始参数值:
p_0 = [1e-5, 1e-5, 1e-5] # @param {type:"raw"}
p_0 isa Vector{Float64} || throw(ArgumentError("Начальные значения парметров должны быть вектором, содержащим числа типа Float64."))
parametrs_number==length(p_0) || throw(ArgumentError("Количество начальных значений и парметров должно совпадать."))

# @markdown###参数值下界:
p_lower_bounds = [0.0, 0.0, 0.0] # @param {type:"raw"}
p_lower_bounds isa Vector{Float64} || throw(ArgumentError("Нижняя граница значений параметров должна быть вектором, содержащим числа типа Float64."))
parametrs_number==length(p_lower_bounds) || throw(ArgumentError("Количество значений нижней границы и парметров должно совпадать."))

# @markdown###参数值的上限:
p_upper_bounds = [1e-3,1e-3,1e-3] # @param {type:"raw"}
p_upper_bounds isa Vector{Float64} || throw(ArgumentError("Верхняя граница значений параметров должна быть вектором, содержащим числа типа Float64."))
parametrs_number==length(p_0) || throw(ArgumentError("Количество начальных значений и парметров должно совпадать."))

# @markdown##优化设置:
# @markdown###优化算法(算法名称开头的"G"表示是全局的,"L"是局部的)
algoritm = :G_MLSL # @param [:GN_DIRECT,:GN_DIRECT_L,:GN_DIRECT_L_RAND,:GN_CRS2_LM,:G_MLSL,:GN_AGS,:GN_ISRES,:GN_ESCH,:LN_COBYLA,:LN_BOBYQA,:LN_PRAXIS,:LN_NELDERMEAD,:LN_SBPLX] {type:"raw"}
# @markdown###辅助算法(仅适用于:G_MLSL)
local_algoritm = :LN_COBYLA # @param [:LN_COBYLA,:LN_BOBYQA,:LN_PRAXIS,:LN_NELDERMEAD,:LN_SBPLX] {type:"raw"}
# 配置优化参数
# @markdown###最小相对步长变化
xtol_rel = 1.0e-1 # @param {type:"number"}
xtol_rel>0 || throw(ArgumentError("Минимальное относительное изменение шага должно быть положительным."))
# @markdown###最小绝对步长变化
xtol_abs = 1.0e-1 # @param {type:"number"}
xtol_rel>0 || throw(ArgumentError("Минимальное абсолютное изменение шага должно быть больше положительным."))
# @markdown###目标函数的最小相对变化
ftol_rel = 1.0e-1 # @param {type:"number"}
xtol_rel>0 || throw(ArgumentError("Минимальное относительное изменение целевой функции должно быть положительным."))
# @markdown###目标函数的最小绝对变化
ftol_abs = 1.0e-1 # @param {type:"number"}
xtol_rel>0 || throw(ArgumentError("Минимальное абсолютное изменение целевой функции должно быть положительным."))
# @markdown###目标函数的最大估计数
maxeval = 30 # @param {type:"integer"}
xtol_rel>0 || throw(ArgumentError("Максимальное количество оценок целевой функции быть больше нуля."))

# @markdown##显示参数评估结果
# @markdown###实测数据和仿真结果图:
compare = true # @param {type:"boolean"}
# @markdown###实测数据与仿真结果之间的误差图:
reside = true # @param {type:"boolean"}
# @markdown###参数估计图:
variables = true # @param {type:"boolean"}
# @markdown###目标函数值图:
objective = true # @param {type:"boolean"}

# 比较模型输出和测量数据的图形
function compare_plot(model, output_name::String, tdata::Vector{Float64}, udata::Vector{Float64}, ydata::Vector{Float64})
    logout = engee.run(model, verbose=false)
    out_plot = plot(
        logout[output_name].time, 
        logout[output_name].value, 
        label="模拟仿真", 
        title = "出口;出口", 
        xlabel="t,与", 
        legend=:bottomright,
        linewidth=3
        )
    plot!(out_plot, tdata, ydata, label="实验")
    in_plot = plot(tdata, udata, title = "入口处", xlabel="t, c", legend = false)
    p = plot(out_plot,in_plot,layout = (2, 1), plot_title="Эксперимент и моделирование")
end

# 差异附表
function residual_plot(model, output_name::String, tdata::Vector{Float64}, ydata::Vector{Float64})
    logout = engee.run(model, verbose=false)
    nearest = interpolate((logout[output_name].time,), logout[output_name].value, Gridded(Constant()))
    residals = ydata .- nearest.(tdata)
    reside = plot(tdata, residals, title = "错误", xlabel="t,与", legend = false)
end

# 变量更改时间表
function variable_plot(p_names::Vector{String}, parametrs_values)
    p_trace = plot(title = "参数值", xlabel="目标函数的估计数",)
    parametrs_values_m = mapreduce(permutedims, vcat, parametrs_values)
    for i in 1:n
        plot!(p_trace, 1:length(parametrs_values_m[:,i]), parametrs_values_m[:,i], markers=:auto, label = p_names[i])
    end
    return p_trace
end

n = parametrs_number

# 用于记录目标函数和变量值的向量
loss_function_vector = Vector{Float64}()
parametrs_values = Vector{Vector{Float64}}()

# 损失函数
function myfunc(x::Vector, grad::Vector, output_name::String, measure_time, measure_value, parametrs_name...)
    str = ""
    iterations_value = Vector{Float64}()
    for (value,p) in zip(x, parametrs_name)
        global parametr = Symbol(p)
        @eval(($parametr)=$(value))
        str = str*"$p = $value, "
        push!(iterations_value, value)
    end
    push!(parametrs_values, iterations_value)
    simulation_out = engee.run(model, verbose=false) |> x->collect(x[output_name])
    if measure_time[end]>simulation_out.time[end]  
        push!(simulation_out,[measure_time[end], simulation_out.time[end]])
    end
    nearest = interpolate(
        (simulation_out.time,), 
        simulation_out.value, 
        Gridded(Constant())
    )
    l = sum(abs2, measure_value .- nearest.(measure_time))
    str = "$(length(parametrs_values)). "*str*"loss = $l"
    println(str)
    push!(loss_function_vector, l)
    return l
end


opt = Opt(algoritm, n) # 无梯度算法
algoritm === :G_MLSL && NLopt.local_optimizer!(opt, Opt(local_algoritm, n))
opt.lower_bounds = p_lower_bounds
opt.upper_bounds = p_upper_bounds
opt.xtol_rel = xtol_rel
opt.xtol_abs = xtol_abs
opt.ftol_rel = ftol_rel
opt.ftol_abs = ftol_rel
opt.maxeval =  maxeval

opt.min_objective = (x,g) -> myfunc(x,g,output_name,output_data[:,1],output_data[:,2],p_names...)

(minf,minx,ret) = optimize(opt,p_0)
numevals = opt.numevals 

str = "\nРезультаты оценки:\n"
for (name, value) in zip(p_names, minx) 
    str = str*"$name = $value\n"
end
str = str*"\nЗначение целевой функции = $minf.\n\nОптимизация завершена после $numevals оценок целевой функции cо статусом: $ret.\n"
print(str)

compare && display(compare_plot(model, output_name, input_data[:,1], input_data[:,2], output_data[:,2]))
println("")
reside && display(residual_plot(model, output_name, output_data[:,1], output_data[:,2]))
println("")
objective &&
    display(
        plot(1:numevals, loss_function_vector, title = "目标功能", xlabel="目标函数的估计数", legend = false, markers = :circle)
    )
println("")   
variables && display(variable_plot(p_names, parametrs_values))
println("")
1. b1 = 1.0e-5, b2 = 1.0e-5, b21 = 1.0e-5, loss = 131163.2887540543
2. b1 = 0.00042129156796609637, b2 = 0.0001388549111491948, b21 = 0.00026820318603994474, loss = 603468.7780001939
3. b1 = 0.0003553762405112313, b2 = 0.0003798108457121816, b21 = 0.000512887209368987, loss = 614893.4957088778
4. b1 = 0.0008082835815970666, b2 = 5.6455325296927654e-5, b21 = 0.0006708533954141649, loss = 605100.485177848
5. b1 = 0.00019251590525647854, b2 = 0.0009458991230097862, b21 = 0.0006315424151859726, loss = 615394.4066690244
6. b1 = 1.0e-5, b2 = 1.0e-5, b21 = 1.0e-5, loss = 131163.2887540543
7. b1 = 1.7500000000000002e-5, b2 = 1.0e-5, b21 = 1.0e-5, loss = 209221.61878551292
8. b1 = 1.0e-5, b2 = 1.7500000000000002e-5, b21 = 1.0e-5, loss = 208161.7876511638
9. b1 = 1.0e-5, b2 = 1.0e-5, b21 = 1.7500000000000002e-5, loss = 131163.2887540543
10. b1 = 4.660575198320843e-6, b2 = 4.733070838978989e-6, b21 = 1.0e-5, loss = 34003.99464283905
11. b1 = 8.470329472543003e-22, b2 = 1.6940658945086007e-21, b21 = 1.0e-5, loss = 26592.070070605747
12. b1 = 3.2487355184912022e-6, b2 = 2.0816681711721759e-22, b21 = 8.126976366701769e-6, loss = 5318.483821111458
13. b1 = 3.159138766157072e-6, b2 = 1.6132928326584313e-21, b21 = 4.3780468632339875e-6, loss = 5213.718258001723
14. b1 = 6.907644735263423e-6, b2 = 1.4571677198205197e-21, b21 = 4.272202640084758e-6, loss = 18773.09903792265
15. b1 = 1.2843838515077049e-6, b2 = 1.128474576789396e-36, b21 = 4.408362040918534e-6, loss = 11211.56421356133
16. b1 = 3.1591387661570723e-6, b2 = 6.314226320581347e-7, b21 = 4.3780468632339875e-6, loss = 5854.704219020841
17. b1 = 5.0331408497233005e-6, b2 = 0.0, b21 = 4.3168815888584465e-6, loss = 9721.443209286368
18. b1 = 4.096139807940186e-6, b2 = 0.0, b21 = 4.347464226046217e-6, loss = 6605.131199555274
19. b1 = 3.1558740030327797e-6, b2 = 1.6143061990385022e-21, b21 = 4.277576733299245e-6, loss = 5283.599069547135
20. b1 = 2.323527217024245e-6, b2 = 0.0, b21 = 4.803087554175263e-6, loss = 6096.148521317298
21. b1 = 2.880871606471125e-6, b2 = 2.6020852139651799e-23, b21 = 3.4827962626531693e-6, loss = 5241.365644792966
22. b1 = 3.6108253578913063e-6, b2 = 0.0, b21 = 4.25272413844909e-6, loss = 5663.868162772741
23. b1 = 2.937563588077814e-6, b2 = 3.2265856653168625e-21, b21 = 4.4544411109503256e-6, loss = 5274.899960128769
24. b1 = 3.1860433362031623e-6, b2 = 1.6116526510050095e-21, b21 = 4.406208499303296e-6, loss = 5247.156054409827
25. b1 = 3.137707490175435e-6, b2 = 2.6020852139651987e-23, b21 = 4.144653759148201e-6, loss = 5256.7638593533975
26. b1 = 3.1591387661570714e-6, b2 = 1.0336026984674575e-7, b21 = 4.3780468632339875e-6, loss = 5305.595047753606
27. b1 = 3.371394146001847e-6, b2 = 3.2265856653168625e-21, b21 = 4.477441502686777e-6, loss = 5375.470859753354
28. b1 = 3.2652664560794595e-6, b2 = 3.2265856653168625e-21, b21 = 4.427744182960382e-6, loss = 5283.371686285544
29. b1 = 3.103487872268651e-6, b2 = 0.0, b21 = 4.396382771951099e-6, loss = 5253.502820320646
30. b1 = 3.1641847304454216e-6, b2 = 3.2265856653168625e-21, b21 = 4.319670791222732e-6, loss = 5267.258290082376

Результаты оценки:
b1 = 3.159138766157072e-6
b2 = 1.6132928326584313e-21
b21 = 4.3780468632339875e-6

Значение целевой функции = 5213.718258001723.

Оптимизация завершена после 30 оценок целевой функции cо статусом: MAXEVAL_REACHED.
No description has been provided for this image

No description has been provided for this image

No description has been provided for this image

No description has been provided for this image

在完成所需的迭代次数后,获得了估计参数的以下值:

  • b1 =2.9731e-6为电机轴承的阻尼系数;
  • b2 =9.1799e-23-承重阻尼系数;
  • b12 =7.439e-6为软轴的阻尼系数。

仿真和实验结果的可视化比较表明,模型的动力学和真实系统的行为之间实现了相当准确的匹配。 您还可以通过选择适当的参数来构建其他图形,这将允许对结果进行更详细的分析。

参数估计的质量取决于以下因素:
-初始参数值的准确性;
-对参数值施加的限制;
-优化算法设置;
-估计参数的数量。

结果

在这个例子中,考虑了基于实验数据估计包括在电驱动模型的方程中的未知参数的可能性。 建立了一个比较仿真和实验结果的图,证明了它们的重合性,证实了所找到的参数值的正确性。