Identifiointiprosessi
|
|
- Satu Sipilä
- 6 vuotta sitten
- Katselukertoja:
Transkriptio
1 Identifiointiprosessi Koesnnittel, identifiointikoe Mittastlosten / datan esikäsittely Ei-parametriset menetelmät: - transientti-, korrelaatio-, taajs-, Forier- ja spektraalianalyysi => askel-, implssi- ja taajsvaste, ajatksia esim. kertalvista Parametrien estimointi mallirakenteen (rakenneparametrit) valinta Mallin arviointi: - simlointi, navat, erilaiset vasteet, jne... Mallin validointi: - parametrien merkitsevyys, residaalianalyysi, jne...
2 Identifiointikokeen snnittel ja mittastlosten esikäsittely Hyvä koe tottaa paljon informaatiota systeemistä Snnittelongelmia: mitä signaaleja mitataan? sisäänmenon / herätteen valinta sopiva näytteenottoväli Mittastlosten käsittely: keskiarvots, trendien poistaminen korkeataajisten häiriöiden sodattaminen (laskostminen) jako estimointi- ja validointidataan mittasten lotettavs onko delleennäytteistäminen tarpeen?
3 Persajatksia Millä tahansa menetelmällä totett parametriestimaatti kvaa systeemiä parhaalla mahdollisella tavalla identifiointikokeen oloshteissa Malli antaa systeemin täydellisen kvaksen jos 1. Mallin parametrointi sallii sen ja malli on rakenteellisesti identifioitva 2. Identifiointikoe on onnistnt Parametriestimaatin kovarianssi riipp käänteisesti ennsteen gradientista => pieni kovarianssi jos ennste on herkkä parametrille Valitse y ja s.e. y^ on mahdollissimman herkkä θ:n shteen
4 Näytteenottovälin valinta Korkea näytteenottotaajs vs. systeemin dynamiikka => liian paljon dataa Matala näytteenottotaajs vs. systeemin dynamiikka => liian vähän dataa Parempi liikaa kin liian vähän dataa Onko käytännössä mahdollista? Pekalosääntöjä: Sopiva näytteenottotaajs on noin 10 X kiinnostava taajskaista Askelvaste => 5-8 näytettä nosaikana Alksi liikaa dataa => voidaan delleennäytteistää
5 Sisäänmenon valinta 1/2 Sisäänmeno (t) herättää systeemin Esim. (t)=asinωt antaa tietoa (vahvists & vaiheklma) vain yhdestä taajdesta => harvoin riittävä (t):n oltava siis taajssisällöltään rikas Hyvä signaali on esim. satnnaisesti 2 arvon välillä vaihteleva signaali sisältää kaikkia taajksia, taajspainots voidaan valita säätämällä vaihtotodennäköisyyttä lineaarisille malleille arvot valitaan toiminta-aleen ääripäistä epälineaarisille malleille oltava seita tasoja (myös linearisoinnin arvionti)
6 Sisäänmenon valinta 2/2 Taajssisällön ohjenorana taajstlos (kirja 9.48): Pääosa signaalin energiasta niillä taajksilla joilla mallille haltaan hyvä soritskyky Ajats aikatasossa: :n sisällettävä niin nopeita vaihtelja, että systeemin lyhimmät mielenkiintoiset aikavakiot heräävät vakio pidempiä aikoja => staattisen vahvistksen selvittäminen, myös sopivan näytteenottovälin selvittäminen Useita aikavakioita systeemissä => jodtaan priorisoimaan Vaihtoehto satnnaiselle signaalille PBS (Psedoandom Binary Seqence Deterministinen signaali pitkällä periodilla
7 Yhteenveto näköklmista 2-tasoiset signaalit ovat sein sopivia lineaaristen systeemien identifiointiin Sisäänmenon energiasisältö oltava mallintamisen kannalta tärkeillä taajksilla, esim. Boden diagrammin taitekohdat Sisäänmenon herätettävä hitaimmat ja nopeimmat mielenkiintoiset moodit
8 Signaalin jatkvasti herättävyys määritelmiä taajstasossa Määritelmä: Signaali (t) (spektri Φ (ω)) on jatkvasti herättävä (persistently exciting, p.e.) astetta / kertalka n Φ (ω) >0 ainakin n:ssä pisteessä välillä (-π,π) (ol. t=1) Määritelmä: (t) on jatkvasti herättävä, jos Φ (ω) >0 melkein kaikkialla välillä (-π,π) äärelliset lineaariset sotimet eivät vaikta jatkvasti herättävyyteen
9 Määritelmä aikatasossa (t) p.e. astetta n atokovarianssimatriisi (vtr. Wiener- Hopfin yhtälö) n = (0) M (1) ( n 1) ( n 2) ( n 1) ( n 2) on ei-singlaarinen Yksikköimplssi: p.e. astetta 0 Yksikköaskel : p.e. astetta 1 Siniaalto: voidaan osoittaa, että Asinω 0 t:n spektri on A 2 /4[δ(ω-ω 0 )+δ(ω+ω 0 )] => p.e. astetta 2 Valkoinen kohina: n =λi n-1 => p.e. (seras: kaikki AMAprosessien lostlot p.e. PBS: p.e. astetta M, M = jakson pits (1) (0) M O K M (0)
10 Käytännöllinen tlos Olkoon kohinaisen systeemin siirtofnktio G(q,θ) motoa B(q,θ)/F(q,θ) ja olkoot polynomien astelvt n b ja n f. => Polynomien kertoimet voidaan estimoida sisäänmenolla (t), joka on jatkvasti herättävä vähintään astetta n b + n f Pekalosääntö: Kertalka n olevan systeemin parametrien identifiointiin tarvitaan signaali joka on p.e. vähintään astetta 2n
11 Sljetn silmkan systeemien identifiointi Käytännössä toimivien prosessien säätöä ei voida identifioinnin ajaksi keskeyttää Sisäänmeno määräytyy ainakin osin lostlosta Köyhdyttää sisäänmenoa => hankalksia Pekalosääntöjä: Vältä yksinkertaisia säätimiä, vähennä säätöä jos mahdollista Korrelaatio- ja spektraalianalyysi ei toimi takaisinkytketyssä järjestelmässä!! Parametriset ennstevirhemenetelmät sositeltavampia eferenssisignaali sisäänmenoksi!
12 Datan esikäsittely Koe soritett, data kerätty => datan esikäsittely ennen identifiointia Piirrä kva: trendit, ajatminen otlierit edstavan datasetin valinta - jako estimointi- ja validointidataan Keskiarvota / poista trendi tarvittaessa Alipäästösodats laskostmisen estämiseksi Poista otlierit! Neliöllinen hyvyyskriteeri painottaa otliereita
13 Esisodats Parametriestimointi voidaan tlkita taajsvasteen sovittamiseksi erään taajsnormin (kirja 9.49) mielessä Esisodatetaan (t) ja y(t) L(q):lla => taajsnormiin tlee komponentti L(e iω ) 2 mkaan valitaan L(.) kaistapäästösodattimeksi => voidaan jälkikäteen valita sovitksessa painotettavat taajdet! Hom. AX-mallin kohinarakenne 1/A(q) eli taajsnormi 9.49 painottaa korkeita taajksia tämä ei ole välttämättä toivottavaa eräs menetelmä: sovitetaan AX-malli => Â, esisodatetaan 1/Â:lla, sovitetaan destaan AX-malli
Identifiointiprosessi
Identifiointiprosessi Identifiointiprosessi Ohjauksen valinta jatkuvasti herättävyys Käytännön koenäkökulmia Mallirakenteen valinta Mallin validointi Identifiointi mallinnustyökaluna Tavoitteena hyvä malli
LisätiedotDynaamisten systeemien identifiointi 1/2
Dynaamisten systeemien identifiointi 1/2 Mallin rakentaminen mittausten avulla Epäparametriset menetelmät: tuloksena malli, joka ei perustu parametreille impulssi-, askel- tai taajusvaste siirtofunktion
LisätiedotParametristen mallien identifiointiprosessi
Parametristen mallien identifiointiprosessi Koesuunnittelu Identifiointikoe Epäparametriset menetelmät Datan esikäsittely Mallirakenteen valinta Parametrien estimointi Mallin validointi Mallin käyttö &
LisätiedotMissä mennään. systeemi. identifiointi. mallikandidaatti. validointi. malli. (fysikaalinen) mallintaminen. mallin mallin käyttötarkoitus, reunaehdot
Missä mennään systeemi mallin mallin käyttötarkoitus, reunaehdot käyttö- (fysikaalinen) mallintaminen luonnonlait yms. yms. identifiointi kokeita kokeita + päättely päättely vertailu mallikandidaatti validointi
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotParametristen mallien identifiointiprosessi
Parametristen mallien identifiointiprosessi Koesuunnittelu Identifiointikoe Epäparametriset menetelmät Datan esikäsittely Mallirakenteen valinta Parametrien estimointi Mallin validointi Mallin käyttö &
LisätiedotIdentifiointiprosessi
Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi
LisätiedotIdentifiointiprosessi
Identifiointiprosessi Koesuunnittelu Identifiointikoe Datan esikäsittely Mallirakenteen valinta Parametrien estimointi Diagnostiset testit Mallin validointi Mallin käyttö & ylläpito Identifiointi- ja simulointiohjelmistoja
LisätiedotMat Systeemien identifiointi, aihepiirit 1/4
, aihepiirit 1/4 Dynaamisten systeemien matemaattinen mallintaminen ja analyysi Matlab (System Identification Toolbox), Simulink 1. Matemaattinen mallintaminen: Mallintamisen ja mallin määritelmät Fysikaalinen
LisätiedotSignaalimallit: sisältö
Signaalimallit: sisältö Motivaationa häiriöiden kuvaaminen ja rekonstruointi Signaalien kuvaaminen aikatasossa, determinisitinen vs. stokastinen Signaalien kuvaaminen taajuustasossa Fourier-muunnos Deterministisen
LisätiedotIdentifiointiprosessi II
Identifiointiprosessi II Kertaus: informaatiokriteerit ja selittäjien testaaminen Mallin validointi Filosofisia mallinnusnäkökulmia Informaatiokriteerit Hyvyyskriteerin optimiarvo vs. parametrien lukumäärä
LisätiedotTaajuus-, Fourier- ja spektraalianalyysi
Taajuus-, Fourier- ja spektraalianalyysi Impulssi- ja askelvastetekniikat sekä korrelaatioanalyysi tähtäävät impulssivasteen mallintamiseen aikataso Taajuus- Fourier- ja spektraalianalyysi tähtäävät systeemin
LisätiedotTaajuus-, Fourier- ja spektraalianalyysi
Taajuus-, Fourier- ja spektraalianalyysi Transientti- ja korrelaatioanalyysi tähtäävät impulssivasteen (askelvasteen) mallintamiseen Kuvaus aikatasossa Taajuus- Fourier- ja spektraalianalyysi tähtäävät
LisätiedotTaajuus-, Fourier- ja spektraalianalyysi
Taajuus-, Fourier- ja spektraalianalyysi Transientti- ja korrelaatioanalyysi tähtäävät impulssivasteen (askelvasteen) mallintamiseen Taajuus- Fourier- ja spektraalianalyysi tähtäävät systeemin taajuusominaisuuksien
LisätiedotSignaalit ja järjestelmät aika- ja taajuusalueissa
Signaalit ja järjestelmät aika- ja taajuusalueissa Signaalit aika ja taajuusalueissa Muunnokset aika ja taajuusalueiden välillä Fourier sarja (jaksollinen signaali) Fourier muunnos (jaksoton signaali)
LisätiedotSaSun VK1-tenttikysymyksiä 2019 Enso Ikonen, Älykkäät koneet ja järjestelmät (IMS),
SaSun VK1-tenttikysymyksiä 2019 Enso Ikonen, Älykkäät koneet ja järjestelmät (IMS), 5.2.2019 Tentin arvosteluperusteita: o Kurssin alku on osin kertausta SäAn ja prosessidynamiikkakursseista, jotka oletetaan
LisätiedotOsatentti
Osatentti 2.8.205 Nimi: Opiskelijanumero: Ohjeet: Vastaa kysymyspaperiin ja kysymyksille varattuun tilaan. Laskin ei ole sallittu. Tenttikaavasto jaetaan. Kaavastoon EI merkintöjä. Palauta kaavasto tämän
LisätiedotTEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Mat Systeemien Identifiointi. 4. harjoitus
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.4129 Systeemien Identifiointi 4. harjoitus 1. a) Laske valkoisen kohinan spektraalitiheys. b) Tarkastellaan ARMA-prosessia C(q 1 )y = D(q 1 )e,
Lisätiedot6.5.2 Tapering-menetelmä
6.5.2 Tapering-menetelmä Määritelmä 6.7. Tapering on spektrin estimointimenetelmä, jossa estimaattori on muotoa f m (ω) = 1 m ( ) k w 2π m Γ(k)e ikω, k= m missä Γ on otosautokovarianssifunktio ja ikkunafunktio
LisätiedotDynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II
Dynaamisten systeemien teoriaa Systeemianalyysilaboratorio II 15.11.2017 Vakiot, sisäänmenot, ulostulot ja häiriöt Mallin vakiot Systeemiparametrit annettuja vakioita, joita ei muuteta; esim. painovoiman
Lisätiedot4.0.2 Kuinka hyvä ennuste on?
Luonteva ennuste on käyttää yhtälöä (4.0.1), jolloin estimaattori on muotoa X t = c + φ 1 X t 1 + + φ p X t p ja estimointivirheen varianssi on σ 2. X t }{{} todellinen arvo Xt }{{} esimaattori = ε t Esimerkki
Lisätiedotx = x x 2 + 2y + 3 y = x + 2y f 2 (x, y) = 0. f 2 f 1
Matematiikan K/P syksy Laskharjoits 9 Mallivastakset Tehtävän differentiaaliyhtälösysteemi: x = x x + y + y = x + y Merkitään f (x, y) = x x + y + ja f (x, y) = x + y Kriittisessä pisteessä f (x, y) =
LisätiedotSäätötekniikkaa. Säätöongelma: Hae (mahdollisesti ulostulon avulla) ohjaus, joka saa systeemin toimimaan halutulla tavalla
Säätötekniikkaa Säätöongelma: Hae (mahdollisesti ulostulon avulla) ohjaus, joka saa systeemin toimimaan halutulla tavalla servo-ongelma: ulostulon seurattava referenssisignaalia mahdollisimman tarkasti,
LisätiedotNumeeriset menetelmät TIEA381. Luento 5. Kirsi Valjus. Jyväskylän yliopisto. Luento 5 () Numeeriset menetelmät / 28
Numeeriset menetelmät TIEA381 Luento 5 Kirsi Valjus Jyväskylän yliopisto Luento 5 () Numeeriset menetelmät 3.4.2013 1 / 28 Luennon 5 sisältö Luku 4: Ominaisarvotehtävistä Potenssiinkorotusmenetelmä QR-menetelmä
LisätiedotSÄÄTÖJÄRJESTELMIEN SUUNNITTELU
ENSO IKONEN PYOSYS 1 SÄÄTÖJÄRJESTELMIEN SUUNNITTELU Enso Ikonen professori säätö- ja systeemitekniikka http://cc.oulu.fi/~iko Oulun yliopisto Älykkäät koneet ja järjestelmät / systeemitekniikka Jan 019
LisätiedotY (s) = G(s)(W (s) W 0 (s)). Tarkastellaan nyt tilannetta v(t) = 0, kun t < 3 ja v(t) = 1, kun t > 3. u(t) = K p y(t) K I
Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan systeemianalyysin laitos Mat-2.429 Systeemien Identifiointi 6. harjoituksen ratkaisut. Laplace-tasossa saadaan annetulle venttiilille W (s) W (s)
LisätiedotSäätötekniikkaa. Säätöongelma: Hae (mahdollisesti ulostulon avulla) ohjaus, joka saa systeemin toimimaan halutulla tavalla
Säätötekniikkaa Säätöongelma: Hae (mahdollisesti ulostulon avulla) ohjaus, joka saa systeemin toimimaan halutulla tavalla servo-ongelma: ulostulon seurattava referenssisignaalia mahdollisimman tarkasti,
LisätiedotTehtävä 1. Vaihtoehtotehtävät.
Kem-9.47 Prosessiautomaation perusteet Tentti.4. Tehtävä. Vaihtoehtotehtävät. Oikea vastaus +,5p, väärä vastaus -,5p ja ei vastausta p Maksimi +5,p ja minimi p TÄMÄ PAPERI TÄYTYY EHDOTTOMASTI PALAUTTAA
LisätiedotHavaitsevan tähtitieteen peruskurssi I. Datan käsittely. Jyri Lehtinen. kevät Helsingin yliopisto, Fysiikan laitos
Datan käsittely Helsingin yliopisto, Fysiikan laitos kevät 2013 3. Datan käsittely Luennon sisältö: Havaintovirheet tähtitieteessä Korrelaatio Funktion sovitus Aikasarja-analyysi 3.1 Havaintovirheet Satunnaiset
Lisätiedote ax, kun x > 0 f(x) = 0, kun x < 0, 0, kun x > 0 e ax, kun x < 0 e (a iω)x dx = a+iω = 1 a 2 +ω 2. e ax, x > 0 e ax, x < 0,
Harjoitus 5 1. Olkoot a > 0. Laske vaimenevan pulssin e ax, kun x > 0 fx) = 0, kun x < 0, ja voimistuvan pulssin gx) = konvoluution g f Fourier-muunnos. 0, kun x > 0 e ax, kun x < 0 apa 1: Konvoluution
Lisätiedot3. kierros. 2. Lähipäivä
3. kierros. Lähipäivä Viikon aihe (viikko /) Takaisinkytketyt vahvistimet Takaisinkytkentä, suljettu säätöluuppi Nyquistin kriteeri, stabiilisuus Taajuusanalyysi, Boden ja Nyquistin diagrammit Systeemin
LisätiedotOsatentti
Osatentti 3 1.4.016 Nimi: Opiskelijanumero: Ohjeet: Kirjoita vastaukset paperissa annettuun tilaan. Lisävastaustilaa on paperin lopussa. Käytä selvää käsialaa. Laskin EI ole sallittu. Tenttikaavasto jaetaan.
Lisätiedot2. kierros. 2. Lähipäivä
2. kierros 2. Lähipäivä Viikon aihe Vahvistimet, kohina, lineaarisuus Siirtofunktiot, tilaesitys Tavoitteet: tietää Yhden navan vasteen ekvivalentti kohinakaistaleveys Vastuksen terminen kohina Termit
LisätiedotΣ on numeroituvasti ääretön. Todistus. Muodostetaan bijektio f : N Σ seuraavasti. Olkoon
17 Nmeroitat ja linmeroitat jokot Määritelmä 110 Jokko X on nmeroitasti ääretön, jos on olemassa bijektio f : N X Jokko on nmeroita, jos se on äärellinen tai nmeroitasti ääretön Jokko, joka ei ole nmeroita
LisätiedotLuento 8. Suodattimien käyttötarkoitus
Luento 8 Lineaarinen suodatus Ideaaliset alipäästö, ylipäästö ja kaistanpäästösuodattimet Käytännölliset suodattimet 8..006 Suodattimien käyttötarkoitus Signaalikaistan ulkopuolisen kohinan ja häiriöiden
LisätiedotSäätötekniikan matematiikan verkkokurssi, Matlab tehtäviä ja vastauksia 29.7.2002
Matlab tehtäviä 1. Muodosta seuraavasta differentiaaliyhtälöstä siirtofuntio. Tämä differentiaaliyhtälö saattaisi kuvata esimerkiksi yksinkertaista vaimennettua jousi-massa systeemiä, johon on liitetty
LisätiedotKKT: log p i v 1 + v 2 x i = 0, i = 1,...,n.
TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio Mat-2.139 Optimointioppi Kimmo Berg 7. harjoitus - ratkaisut 1. Oletetaan aluksi, että epäyhtälöt eivät ole aktiivisia p i > 0. Tässä tapauksess KKTehdot
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 7 Ti 27.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 7 Ti 27.9.2011 p. 1/39 p. 1/39 Interpolointi Ei tunneta funktion f : R R lauseketta, mutta tiedetään funktion
Lisätiedot6.2.3 Spektrikertymäfunktio
ja prosessin (I + θl + + θl q )ε t spektritiheysfunktio on Lemman 6. ja Esimerkin 6.4 nojalla σ π 1 + θ 1e iω + + θ q e iqω. Koska viivepolynomien avulla määritellyt prosessit yhtyvät, niin myös niiden
Lisätiedot8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH
8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH Osa aikasarjoista kehittyy hyvin erityyppisesti erilaisissa tilanteissa. Esimerkiksi pörssikurssien epävakaus keskittyy usein lyhyisiin
LisätiedotMaximum likelihood-estimointi Alkeet
Maximum likelihood-estimointi Alkeet Keijo Ruotsalainen Oulun yliopisto, Teknillinen tiedekunta Matematiikan jaos Maximum likelihood-estimointi p.1/20 Maximum Likelihood-estimointi satunnaismuuttujan X
Lisätiedot5 Differentiaaliyhtälöryhmät
5 Differentiaaliyhtälöryhmät 5.1 Taustaa ja teoriaa Differentiaaliyhtälöryhmiä tarvitaan useissa sovelluksissa. Toinen motivaatio yhtälöryhmien käytölle: Korkeamman asteen differentiaaliyhtälöt y (n) =
Lisätiedot8. kierros. 1. Lähipäivä
8. kierros 1. Lähipäivä Viikon aihe Tilaestimointi Tilasäätö Saavutettavuus, ohjattavuus Tarkkailtavuus, havaittavuus Mitoitus Kontaktiopetusta: 8 tuntia Kotitehtäviä: 4 tuntia Tavoitteet: tietää Saavutettavuus
LisätiedotBM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018
BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018 Tehtävä 8 on tällä kertaa pakollinen. Aloittakaapa siitä. 1. Kun tässä tehtävässä sanotaan sopii mahdollisimman hyvin, sillä tarkoitetaan
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin
Lisätiedot4. Fourier-analyysin sovelletuksia. Funktion (signaalin) f(t) näytteistäminen tapahtuu kertomalla funktio näytteenottosignaalilla
4.1 Näytteenottolause 4. Fourier-analyysin sovelletuksia Näyttenottosignaali (t) = k= δ(t kt). T on näytteenottoväli, ja ω T = 1 T on näyttenottotaajuus. Funktion (signaalin) f(t) näytteistäminen tapahtuu
LisätiedotMiten osoitetaan joukot samoiksi?
Miten osoitetaan joukot samoiksi? Määritelmä 1 Joukot A ja B ovat samat, jos A B ja B A. Tällöin merkitään A = B. Kun todistetaan, että A = B, on päättelyssä kaksi vaihetta: (i) osoitetaan, että A B, ts.
Lisätiedot1 PID-taajuusvastesuunnittelun esimerkki
Enso Ikonen, Oulun yliopisto, systeemitekniikan laboratorio 2/23 Säätöjärjestelmien suunnittelu 23 PID-taajuusvastesuunnittelun esimerkki Tehtävänä on suunnitella säätö prosessille ( ) = = ( +)( 2 + )
LisätiedotTehtävä 4.7 Tarkastellaan hiukkasta, joka on pakotettu liikkumaan toruksen pinnalla.
Tehtävä.7 Tarkastellaan hiukkasta, joka on pakotettu liikkumaan toruksen pinnalla. x = (a + b cos(θ)) cos(ψ) y = (a + b cos(θ)) sin(ψ) = b sin(θ), a > b, θ π, ψ π Figure. Toruksen hajoituskuva Oletetaan,
LisätiedotAvaruuden R n aliavaruus
Avaruuden R n aliavaruus 1 / 41 Aliavaruus Esimerkki 1 Kuva: Suora on suljettu yhteenlaskun ja skalaarilla kertomisen suhteen. 2 / 41 Esimerkki 2 Kuva: Suora ei ole suljettu yhteenlaskun ja skalaarilla
LisätiedotNumeeriset menetelmät TIEA381. Luento 6. Kirsi Valjus. Jyväskylän yliopisto. Luento 6 () Numeeriset menetelmät / 33
Numeeriset menetelmät TIEA381 Luento 6 Kirsi Valjus Jyväskylän yliopisto Luento 6 () Numeeriset menetelmät 4.4.2013 1 / 33 Luennon 6 sisältö Interpolointi ja approksimointi Polynomi-interpolaatio: Vandermonden
LisätiedotKanta ja dimensio 1 / 23
1 / 23 Kuten ollaan huomattu, saman aliavaruuden voi virittää eri määrä vektoreita. Seuraavaksi määritellään mahdollisimman pieni vektorijoukko, joka virittää aliavaruuden. Jokainen aliavaruuden alkio
LisätiedotOsafaktorikokeet. Heliövaara 1
Osafaktorikokeet Heliövaara 1 Osafaktorikokeet Kun faktorien määrä 2 k -faktorikokeessa kasvaa, tarvittavien havaintojen määrä voi ylittää kokeentekijän resurssit. Myös estimoitavien korkean asteen yhdysvaikutustermien
LisätiedotBatch means -menetelmä
S-38.148 Tietoverkkojen simulointi / Tulosten keruu ja analyysi 1(9) Batch means -menetelmä Batch means -menetelmää käytetään hyvin yleisesti Simulointi suoritetaan tässä yhtenä pitkänä ajona olkoon simuloinnin
LisätiedotPYRY LAMPINEN 2DOF PID -SÄÄDINTEN MODUULIKOKOELMA
PYRY LAMPINEN 2DOF PID -SÄÄDINTEN MODUULIKOKOELMA Kandidaatintö Tarkastaja: DI Veli-Pekka Prhönen Tarkastaja ja aihe hvakstt I TIIVISTELMÄ PYRY LAMPINEN: 2DOF PID -säädinten modlikokoelma Tampereen teknillinen
LisätiedotMat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ
Mat-48 Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ L ẋ = x ẋ = g L sin x rx Epälineaarisen systeemin tasapainotiloja voidaan
Lisätiedot4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä
1 Laaja matematiikka 5 Kevät 010 4. Ensimmäisen ja toisen kertaluvun differentiaaliyhtälöistä Yksi tavallisimmista luonnontieteissä ja tekniikassa esiintyvistä matemaattisista malleista on differentiaaliyhtälö.
Lisätiedot1. Annettu siirtofunktio on siis G(s) ja vastaava systeemi on stabiili. Heräte (sisäänmeno) on u(t) = A sin(ωt), jonka Laplace-muunnos on
Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Mat-419 Systeemien Identifiointi 8 harjoituksen ratkaisut 1 Annettu siirtofunktio on siis G(s) ja vastaava systeemi
Lisätiedotx = ( θ θ ia y = ( ) x.
Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan systeemianalyysin laitos Mat-2429 Systeemien Identifiointi 5 harjoituksen ratkaisut Esitetään ensin systeemi tilayhtälömuodossa Tiloiksi valitaan
LisätiedotNumeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35
Numeeriset menetelmät TIEA381 Luento 8 Kirsi Valjus Jyväskylän yliopisto Luento 8 () Numeeriset menetelmät 11.4.2013 1 / 35 Luennon 8 sisältö Interpolointi ja approksimointi Funktion approksimointi Tasainen
Lisätiedot1 Kertaus. Lineaarinen optimointitehtävä on muotoa:
1 Kertaus Lineaarinen optimointitehtävä on muotoa: min c 1 x 1 + c 2 x 2 + + c n x n kun a 11 x 1 + a 12 x 2 + + a 1n x n b 1 a 21 x 1 + a 22 x 2 + + a 2n x n b 2 (11) a m1 x 1 + a m2 x 2 + + a mn x n
LisätiedotTASON YHTÄLÖT. Tason esitystapoja ovat: vektoriyhtälö, parametriesitys (2 parametria), normaalimuotoinen yhtälö ja koordinaattiyhtälö.
TSON YHTÄLÖT VEKTORIT, M4 Jokainen seuraavista määrää avaruuden tason yksikäsitteisesti: - kolme tason pistettä, jotka eivät ole samalla suoralla, - yksi piste ja pisteen ulkopuolinen suora, - yksi piste
LisätiedotNumeeriset menetelmät
Numeeriset menetelmät Luento 6 To 22.9.2011 Timo Männikkö Numeeriset menetelmät Syksy 2011 Luento 6 To 22.9.2011 p. 1/38 p. 1/38 Ominaisarvotehtävät Monet sovellukset johtavat ominaisarvotehtäviin Yksi
LisätiedotMatriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit
Matriisilaskenta Luento 16: Matriisin ominaisarvot ja ominaisvektorit Antti Rasila 2016 Ominaisarvot ja ominaisvektorit 1/5 Määritelmä Skalaari λ C on matriisin A C n n ominaisarvo ja vektori v C n sitä
LisätiedotYmpyrän yhtälö
Ympyrän yhtälö ANALYYTTINEN GEOMETRIA MAA4 On melko selvää, että origokeskisen ja r-säteisen ympyrän yhtälö voidaan esittää muodossa x 2 + y 2 = r 2. Vastaavalla tavalla muodostetaan ympyrän yhtälö, jonka
LisätiedotMATLAB harjoituksia RST-säädöstä (5h)
Digitaalinen säätöteoria MATLAB harjoituksia RST-säädöstä (5h) Enso Ikonen Oulun yliopisto, systeemitekniikan laboratorio November 25, 2008 Harjoituskerran sisältö kertausta (15 min) Napojensijoittelu
LisätiedotAikatason vaste vs. siirtofunktio Tehtävä
Aikatason vaste vs. siirtofunktio Tehtävä Millainen toisen kertaluvun siirtofunktio vastaa systeemiä jonka ylitys on 10% ja asettumisaika 4 min? Y s X s = 2 n s 2 2 2 n s n M p =e t r 1.8 n t s 4.6 n 1
LisätiedotMarkov-ketjut pitkällä aikavälillä
2A Markov-ketjut pitkällä aikavälillä Tämän harjoituksen tavoitteena on oppia lukemaan siirtymämatriisista tai siirtymäkaaviosta, milloin Markov-ketju on yhtenäinen ja jaksoton; oppia tunnistamaan, milloin
LisätiedotKompleksiluvut signaalin taajuusjakauman arvioinnissa
Kompleksiluvut signaalin taajuusjakauman arvioinnissa Vierailuluento IMA-kurssilla Heikki Huttunen Lehtori, TkT Signaalinkäsittely, TTY heikki.huttunen@tut.fi Department of Signal Processing Fourier-muunnos
Lisätiedot805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)
805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) Tavoitteet (teoria): Hallita multinormaalijakauman määritelmä. Ymmärtää likelihood-funktion ja todennäköisyystiheysfunktion ero. Oppia kirjoittamaan
Lisätiedot2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio. 2.2 Gaussin eliminaatio
x = x 2 = 5/2 x 3 = 2 eli Ratkaisu on siis x = (x x 2 x 3 ) = ( 5/2 2) (Tarkista sijoittamalla!) 5/2 2 Tämä piste on alkuperäisten tasojen ainoa leikkauspiste Se on myös piste/vektori jonka matriisi A
LisätiedotSÄÄTÖJÄRJESTELMIEN SUUNNITTELU
ENSO IKONEN PYOSYS 1 SÄÄTÖJÄRJESTELMIEN SUUNNITTELU Enso Ikonen professori säätö- ja systeemitekniikka http://cc.oulu.fi/~iko Oulun yliopisto Teknillinen tiedekunta Systeemitekniikan laboratorio Jan 2019
LisätiedotWiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia
Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia { z(t k+1 ) = z(t k ) + ɛ(t k ) t t k+1 = t k + t, k = 0,..., N, missä ɛ(t i ), ɛ(t j ), i j ovat toisistaan riippumattomia siten, että
LisätiedotMatematiikan tukikurssi
Matematiikan tukikurssi Kurssikerta 6 1 Korkolaskentaa Oletetaan, että korkoaste on r Jos esimerkiksi r = 0, 02, niin korko on 2 prosenttia Tätä korkoastetta käytettään diskonttaamaan tulevia tuloja ja
LisätiedotLukujonot Z-muunnos Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt. Z-muunnos. 5. joulukuuta Z-muunnos
Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt 5. joulukuuta 2016 Lukujonot Z-muunnoksen ominaisuuksia Z-käänteismuunnos Differenssiyhtälöt Lukujonot Lukujonot Z-muunnoksen ominaisuuksia
LisätiedotSÄÄTÖJÄRJESTELMIEN SUUNNITTELU
ENSO IKONEN PYOSYS 1 SÄÄTÖJÄRJESTELMIEN SUUNNITTELU Enso Ikonen professori säätö- ja systeemitekniikka http://cc.oulu.fi/~iko Oulun yliopisto Älykkäät koneet ja järjestelmät helmikuu 2019 ENSO IKONEN PYOSYS
LisätiedotHarjoitus (15min) Prosessia P säädetään yksikkötakaisinkytkennässä säätimellä C (s+1)(s+0.02) 50s+1
ENSO IKONEN PYOSYS Harjoitus (15min) Prosessia P säädetään yksikkötakaisinkytkennässä säätimellä C. 1 P(s) = -----------------(s+1)(s+0.02) C(s) = 50s+1 --------50s Piirrä vasteet asetusarvosta. Kommentoi
LisätiedotDiskriminanttianalyysi I
Diskriminanttianalyysi I 12.4-12.5 Aira Hast 24.11.2010 Sisältö LDA:n kertaus LDA:n yleistäminen FDA FDA:n ja muiden menetelmien vertaaminen Estimaattien laskeminen Johdanto Lineaarinen diskriminanttianalyysi
LisätiedotKeskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)
Mat-.3 Koesuunnittelu ja tilastolliset mallit kevät Keskipisteen lisääminen k -faktorikokeeseen (ks. Montgomery 9-6) Esim (Montg. ex. 9-, 6-): Tutkitaan kemiallisen prosessin saannon Y riippuvuutta faktoreista
LisätiedotTalousmatematiikan perusteet: Luento 13. Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 13 Rajoittamaton optimointi Hessen matriisi Ominaisarvot ja vektorit Ääriarvon laadun tarkastelu Viime luennolla Aloimme tarkastella yleisiä, usean muuttujan funktioita
LisätiedotInsinöörimatematiikka D
Insinöörimatematiikka D M. Hirvensalo mikhirve@utu.fi V. Junnila viljun@utu.fi A. Lepistö alepisto@utu.fi Matematiikan ja tilastotieteen laitos Turun yliopisto 2016 M. Hirvensalo V. Junnila A. Lepistö
LisätiedotHarha mallin arvioinnissa
Esitelmä 12 Antti Toppila sivu 1/18 Optimointiopin seminaari Syksy 2010 Harha mallin arvioinnissa Antti Toppila 13.10.2010 Esitelmä 12 Antti Toppila sivu 2/18 Optimointiopin seminaari Syksy 2010 Sisältö
LisätiedotTaajuustason tekniikat: Boden ja Nyquistin diagrammit, kompensaattorien suunnittelu. Vinkit 1 a
ELEC-C3 Säätötekniikka 9. laskuharjoitus Taajuustason tekniikat: Boden ja Nyquistin diagrammit, kompensaattorien suunnittelu Vinkit a 3. Vaiheenjättökompensaattorin siirtofunktio: ( ) s W LAG s, a. s Vahvistus
LisätiedotTietokoneavusteinen säätösuunnittelu (TASSU)
Ohjeita ja esimerkkejä kurssin 470463A näyttökoetta varten Tietokoneavusteinen säätösuunnittelu (TASSU) Enso Ikonen 9/2006 Oulun yliopisto, Prosessi- ja ympäristötekniikan osasto, systeemitekniikan laboratorio
LisätiedotDifferentiaali- ja integraalilaskenta 2 (CHEM) MS-A0207 Hakula/Vuojamo Kurssitentti, 12.2, 2018, arvosteluperusteet
ifferentiaali- ja integraalilaskenta 2 (CHEM) MS-A27 Hakula/Vuojamo Kurssitentti, 2.2, 28, arvosteluperusteet T Moniosaisten tehtävien osien painoarvo on sama ellei muuta ole erikseen osoitettu. Kokeessa
Lisätiedotz muunnos ja sen soveltaminen LTI järjestelmien analysointiin
z muunnos ja sen soveltaminen LTI järjestelmien analysointiin muunnoksella (eng. transform) on vastaava asema diskreettiaikaisten signaalien ja LTI järjestelmien analyysissä kuin Laplace muunnoksella jatkuvaaikaisten
LisätiedotPakotettu vaimennettu harmoninen värähtelijä Resonanssi
Pakotettu vaimennettu harmoninen värähtelijä Resonanssi Tällä luennolla tavoitteena Mikä on pakkovoiman aiheuttama vaikutus vaimennettuun harmoniseen värähtelijään? Mikä on resonanssi? Kertaus: energian
LisätiedotSuodattimet. Suodatintyypit: Bessel Chebyshev Elliptinen Butterworth. Suodattimet samalla asteluvulla (amplitudivaste)
Suodattimet Suodatintyypit: Bessel Chebyshev Elliptinen Butterworth Suodattimet samalla asteluvulla (amplitudivaste) Kuvasta nähdään että elliptinen suodatin on terävin kaikista suodattimista, mutta sisältää
LisätiedotAgenda. Johdanto Säätäjiä. Mittaaminen. P-, I-,D-, PI-, PD-, ja PID-säätäjä Säätäjän valinta ja virittäminen
8. Luento: Laitteiston ohjaaminen Arto Salminen, arto.salminen@tut.fi Agenda Johdanto Säätäjiä P-, I-,D-, PI-, PD-, ja PID-säätäjä Säätäjän valinta ja virittäminen Mittaaminen Johdanto Tavoitteena: tunnistaa
LisätiedotYhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.
2. MS-A000 Matriisilaskenta 2. Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2..205 Tarkastellaan esimerkkinä lineaarista yhtälöparia { 2x x 2 = x x 2 =
LisätiedotSinin muotoinen signaali
Sinin muotoinen signaali Pekka Rantala.. Sini syntyy tasaisesta pyörimisestä Sini-signaali syntyy vakio-nopeudella pyörivän osoittimen y-suuntaisesta projektiosta. y u û α positiivinen pyörimissuunta x
LisätiedotLuento 9: Yhtälörajoitukset optimoinnissa
Luento 9: Yhtälörajoitukset optimoinnissa Lagrangen kerroin Oletetaan aluksi, että f, g : R R. Merkitään (x 1, x ) := (x, y) ja johdetaan Lagrangen kerroin λ tehtävälle min f(x, y) s.t. g(x, y) = 0 Olkoon
LisätiedotTalousmatematiikan perusteet: Luento 14. Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu
Talousmatematiikan perusteet: Luento 14 Rajoittamaton optimointi Hessen matriisi Ominaisarvot Ääriarvon laadun tarkastelu Luennolla 6 Tarkastelimme yhden muuttujan funktion f(x) rajoittamatonta optimointia
LisätiedotYleistä. Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos
Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos MS-E2129 Systeemien identifiointi 3. Harjoitustyö Heiluri-vaunusysteemin parametrien estimointi Yleistä Systeemianalyysin
LisätiedotPienimmän neliösumman menetelmä
Pienimmän neliösumman menetelmä Keijo Ruotsalainen Division of Mathematics Funktion sovitus Datapisteet (x 1,...,x n ) Annettu data y i = f(x i )+η i, missä f(x) on tuntematon funktio ja η i mittaukseen
LisätiedotVirheen kasautumislaki
Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain
LisätiedotHarjoitustyö 3. Heiluri-vaunusysteemin parametrien estimointi
Aalto-yliopiston perustieteiden korkeakoulu Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Harjoitustyö 3 Heiluri-vaunusysteemin parametrien estimointi Yleistä Systeemianalyysin laboratoriossa
Lisätiedot3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset
31 MS-A0004/A0006 Matriisilaskenta 3 Nuutti Hyvönen, c Riikka Kangaslampi Matematiikan ja systeemianalyysin laitos Aalto-yliopisto 2292015 Lineaariset yhtälöt ovat vektoreille luonnollisia yhtälöitä, joita
LisätiedotHäiriöteoriaa ja herkkyysanalyysiä. malleissa on usein pieniä/suuria parametreja. miten yksinkertaistetaan mallia kun parametri menee rajalle
Häiriöteoriaa ja herkkyysanalyysiä malleissa on usein pieniä/suuria parametreja miten yksinkertaistetaan mallia kun parametri menee rajalle jatkuvuus ja rajayhtälöt säännölliset ja epäsäännölliset häiriöt
Lisätiedot