x = ( θ θ ia y = ( ) x.

Samankaltaiset tiedostot
v AB q(t) = q(t) v AB p(t) v B V B ṗ(t) = q(t) v AB Φ(t, τ) = e A(t τ). e A = I + A + A2 2! + A3 = exp(a D (t τ)) (I + A N (t τ)), A N = =

Y (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

Mat Dynaaminen optimointi, mallivastaukset, kierros 1

Kohdeyleisö: toisen vuoden teekkari

TEKNILLINEN KORKEAKOULU Systeemianalyysin laboratorio. Mat Systeemien Identifiointi. 4. harjoitus

3.1 Lineaarikuvaukset. MS-A0004/A0006 Matriisilaskenta. 3.1 Lineaarikuvaukset. 3.1 Lineaarikuvaukset

ẋ(t) = s x (t) + f x y(t) u x x(t) ẏ(t) = s y (t) + f y x(t) u y y(t),

Harjoitus 6: Simulink - Säätöteoria. Syksy Mat Sovelletun matematiikan tietokonetyöt 1

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Mat Dynaaminen optimointi, mallivastaukset, kierros Vaimennetun heilurin tilanyhtälöt on esitetty luennolla: θ = g sin θ r θ

Y (z) = z-muunnos on lineaarinen kuten Laplace-muunnoskin

MS-C1340 Lineaarialgebra ja

Dynaamisten systeemien teoriaa. Systeemianalyysilaboratorio II

2.5. Matriisin avaruudet ja tunnusluvut

Matriisi-vektori-kertolasku, lineaariset yhtälöryhmät

Yhtälöryhmä matriisimuodossa. MS-A0007 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

8. kierros. 1. Lähipäivä

Inversio-ongelmien laskennallinen peruskurssi Luento 2

MS-A0004/A0006 Matriisilaskenta

Matematiikka B2 - TUDI

BM20A5800 Funktiot, lineaarialgebra ja vektorit Harjoitus 5, Syksy 2015

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16

Paikannuksen matematiikka MAT

Ortogonaaliset matriisit, määritelmä 1

Harjoitustyö 3. Heiluri-vaunusysteemin parametrien estimointi

Kun järjestelmää kuvataan operaattorilla T, sisäänmenoa muuttujalla u ja ulostuloa muuttujalla y, voidaan kirjoittaa. y T u.

b 1. b m ) + ( 2b Ax) + (b b)

MS-C1340 Lineaarialgebra ja

Yhtälöryhmä matriisimuodossa. MS-A0004/A0006 Matriisilaskenta. Tarkastellaan esimerkkinä lineaarista yhtälöparia. 2x1 x 2 = 1 x 1 + x 2 = 5.

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Talousmatematiikan perusteet: Luento 11. Lineaarikuvaus Matriisin aste Käänteismatriisi

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

DI matematiikan opettajaksi: Täydennyskurssi, kevät 2010 Luentorunkoa ja harjoituksia viikolle 13: ti klo 13:00-15:30 ja to 1.4.

Neliömatriisi A on ortogonaalinen (eli ortogonaalimatriisi), jos sen alkiot ovat reaalisia ja

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Lineaarikuvausten. Lineaarikuvaus. Lineaarikuvauksia. Ydin. Matriisin ydin. aiheita. Aiheet. Lineaarikuvaus. Lineaarikuvauksen matriisi

Insinöörimatematiikka D

Aalto-yliopiston perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

3 Lineaariset yhtälöryhmät ja Gaussin eliminointimenetelmä

Lineaarialgebra II, MATH.1240 Matti laaksonen, Lassi Lilleberg

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

5 Differentiaaliyhtälöryhmät

Matriisien tulo. Matriisit ja lineaarinen yhtälöryhmä

Matematiikka B2 - Avoin yliopisto

Dynaamiset regressiomallit

Lineaarialgebra ja differentiaaliyhtälöt Laskuharjoitus 1 / vko 44

Yleistä. Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

6 MATRIISIN DIAGONALISOINTI

1 Matriisit ja lineaariset yhtälöryhmät

6. Luennon sisältö. Lineaarisen optimoinnin duaaliteoriaa

Talousmatematiikan perusteet: Luento 10. Lineaarikuvaus Matriisin aste Determinantti Käänteismatriisi

BM20A5840 Usean muuttujan funktiot ja sarjat Harjoitus 7, Kevät 2018

MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.

Käänteismatriisi 1 / 14

Lineaarikombinaatio, lineaarinen riippuvuus/riippumattomuus

Aiheet. Kvadraattinen yhtälöryhmä. Kvadraattinen homogeeninen YR. Vapaa tai sidottu matriisi. Vapauden tutkiminen. Yhteenvetoa.

Ominaisarvo ja ominaisvektori

MS-A0003/A Matriisilaskenta Laskuharjoitus 6

Inversio-ongelmien laskennallinen peruskurssi Luento 3

1 Perusteita lineaarisista differentiaaliyhtälöistä

Värähdysliikkeet. q + f (q, q, t) = 0. q + f (q, q) = F (t) missä nopeusriippuvuus kuvaa vaimenemista ja F (t) on ulkoinen pakkovoima.

(s 2 + 9)(s 2 + 2s + 5) ] + s + 1. s 2 + 2s + 5. Tästä saadaan tehtävälle ratkaisu käänteismuuntamalla takaisin aikatasoon:

Harjoitus 4: Differentiaaliyhtälöt (Matlab) MS-C2107 Sovelletun matematiikan tietokonetyöt 1

MS-A0004/MS-A0006 Matriisilaskenta Laskuharjoitus 6 / vko 42

MS-A010{3,4,5} (ELEC*, ENG*) Differentiaali- ja integraalilaskenta 1 Luento 11: Lineaarinen differentiaaliyhtälö

Ominaisarvoon 4 liittyvät ominaisvektorit ovat yhtälön Ax = 4x eli yhtälöryhmän x 1 + 2x 2 + x 3 = 4x 1 3x 2 + x 3 = 4x 2 5x 2 x 3 = 4x 3.

X 2 = k 21X 1 + U 2 s + k 02 + k 12. (s + k 02 + k 12 )U 1 + k 12 U 2. s 2 + (k 01 + k 21 + k 02 + k 12 ) s + k

Lineaariset yhtälöryhmät ja matriisit

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi

Vapaus. Määritelmä. jos c 1 v 1 + c 2 v c k v k = 0 joillakin c 1,..., c k R, niin c 1 = 0, c 2 = 0,..., c k = 0.

Determinantit. Kaksirivinen determinantti. Aiheet. Kaksirivinen determinantti. Kaksirivinen determinantti. Kolmirivinen determinantti

5 OMINAISARVOT JA OMINAISVEKTORIT

Ratkaisuehdotukset LH 7 / vko 47

Matriisilaskenta, LH4, 2004, ratkaisut 1. Hae seuraavien R 4 :n aliavaruuksien dimensiot, jotka sisältävät vain

802118P Lineaarialgebra I (4 op)

Vakiokertoiminen lineaarinen normaaliryhmä

Inversio-ongelmien laskennallinen peruskurssi Luento 4

Numeeriset menetelmät TIEA381. Luento 8. Kirsi Valjus. Jyväskylän yliopisto. Luento 8 () Numeeriset menetelmät / 35

Osa IX. Z muunnos. Johdanto Diskreetit funktiot

4. Differentiaaliyhtälöryhmät 4.1. Ryhmän palauttaminen yhteen yhtälöön

Numeeriset menetelmät

Ratkaisuehdotukset LH 8 / vko 47

Numeeriset menetelmät TIEA381. Luento 12. Kirsi Valjus. Jyväskylän yliopisto. Luento 12 () Numeeriset menetelmät / 33

Vektorien virittämä aliavaruus

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

Insinöörimatematiikka D

[xk r k ] T Q[x k r k ] + u T k Ru k. }.

Tilayhtälötekniikasta

Amazon.com: $130,00. Osia, jaetaan opetusmonisteissa

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

8 KANNAT JA ORTOGONAALISUUS. 8.1 Lineaarinen riippumattomuus. Vaasan yliopiston julkaisuja 151

3x + y + 2z = 5 e) 2x + 3y 2z = 3 x 2y + 4z = 1. x + y 2z + u + 3v = 1 b) 2x y + 2z + 2u + 6v = 2 3x + 2y 4z 3u 9v = 3. { 2x y = k 4x + 2y = h

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

Transkriptio:

Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan systeemianalyysin laitos Mat-2429 Systeemien Identifiointi 5 harjoituksen ratkaisut Esitetään ensin systeemi tilayhtälömuodossa Tiloiksi valitaan x ( θ θ ia T ulostulo y θ sekä sisäänmeno on u e a Näin saadaan ẋ ẋ 2 B x + u ẋ 3 K b R L L L y ( x Systeemi on siis lineaarinen aikainvariantti systeemi jolloin se voidaan kirjoittaa yleisesti matriisimuodossa ẋ(t Ax(t + Bu(t missä tilat x(t R n ohukset u(t R m A R n n sekä B R n m Tällainen systeemi on täydellisesti ohttava joss ohttavuusmatriisin (n mnmatriisi Q c ( B AB A 2 B A n B rangi (lineaarisesti riippumattomien pysty/vaakavektoreiden m äärä on n Intuitiivisesti täydellisesti ohttavuudessa on kysymys siitä että voidaanko systeemi ohta äärellisessä assa mielivaltaisesta alkutilasta mielivaltaiseen lopputilaan Lineaarisille järjestelmille tämä voidaan ekvivalentisti mieltää se voidaanko systeemi ohta äärellisessä assa origoon Tässä tehtävässä saadaan ohttavuusmatriisiksi Q c ( B AB A 2 B L [ B L + R L L R L 2 K b + R L 3 Tämän rangi on n 3 jos Tämä ehto on fysikaalisesti täytetty joten kone on käytännössä täydellisesti ohttava Kun systeemin ulostulona on y(t Cx(t niin tarkkailtavuusmatriisi yleisessä muodossa on Q o ( C A C [A n ] C L ]

jonka rangin tulee olla n jotta ulostulot olisivat tarkkailtavia ts jotta mittaustulosten y(t ohusten u(t avulla voidaan rekonstruoida systeemin alkutila x( Tässä tehtävässä jonka rangi on n 3 jos tarkkailtava Q o B mikä on fysikaalisesti OK järjestelmä on Valitaankin nyt ulostuloksi asennon sian nopeus jolloin C ( jolloin Q o B B 2 2 B 2 K b R jonka rangi on 2 eikä systeemi ole enää täydellisesti tarkkailtava Tämä on intuitiivisestikin selvää koska pelkän pyörimisnopeuden perusteella ei voida jäljittää pyörähdyskulmaa absoluuttisesti - vain pyörähdyskulman muutos voidaan jäljittää 2 Tässä tehtävässä ẋ 2 x 2 joten se elää omaa elämäänsä riippumatta ohuksesta u toisesta tilasta x joten systeemi ei ole täydellisesti täydellisesti ohttava Tässä tapauksessa ohttavuusmatriisi on jonka rangi on Q c ( Tehtävä on tyypillinen esimerkki tapauksesta jossa ohuksilla ei voida vaikuttaa kaikkiin tiloihin eikä systeemi siten ole täydellisesti ohttava Kuitenkin on olemassa tilo joista systeemi voidaan ohta origoon äärellisessä assa Nämä tilat saadaan konstruoitua ohttavuusmatriisin sarakkeiden lineaarikombinaationa Siten kaikki muotoa olevat tilat (eli x-akseli 3 Tässä tehtävässä nyt ( α + β A B ( ( ( ( α n 2 sekä m Tällöin ohttavuusmatriisi on Q c ( B AB ( 2

jonka rangi on n 2 joten systeemi on täydellisesti ohttava Yksi esimerkkitulkinta systeemille on yksulotteinen autosysteemi jossa u on kaasun/rrun asento joka antaa autolle kiihtyvyyden ẋ 2 x on auton paikka yksiulotteisella ajoradalla Kokeile simuloida autosysteemiä Matlabilla ks las5t3m Yritä valita ohus siten että saat auton haluamaasi tilaan (analyyttisesti tämä tehtäisiin dynaamisen optimoinnin menetelmin! Tehdään nyt annettu lineaarimuunnos tilamuuttujille: ( α z x α β β josta saadaan x ( α β Siten uusilla tilamuuttujilla saadaan ( α ż(t ẋ(t β ( ( ( α α x(t + β β ( ( α z(t + β α β A z(t + B u(t z ( β α β α ( Tälle systeemille saadaan ohttavuusmatriisiksi z u(t (alkuperäisestä systeemistä u(t (lausumalla x z:n avulla Q c ( B A B ( α β jolla on edelleen n 2 lineaarisesti riippumatonta pysty (vaaka -vektoria kunhan α β Siten systeemi on edelleen ohttava 4 Harmoninen värähtelijä voidaan kuvata tkuva-aikaisena systeeminä yhtälöllä ( ( ( ( ẋ x + u(t ẋ 2 Nyt diskretoidaan tämä jolloin saadaan systeemi x 2 x(k + Ãx(k + Bu(k missä Ã eah B h eaτ Bdτ Eksponenttitermille pätee e Ah I + Ah 2 Merkitään lineaarisen diskreettiaikaisen systeemimme kerroinmatriise ( cos(ωh sin(ωh A sin(ωh cos(ωh B ( cos(ωh sin(ωh 3

Aikainvariantille diskreetille systeemille ohttavuusmatriisi n äyttää samalta kuin tkuva-aikaisellekin Siten tässä tehtävässä Q c ( B AB ( cos(ωh cos(2ωh + cos(ωh sin(ωh sin(2ωh sin(ωh Koska Q c on neliömatriisi voidaan sille laskea determinantti jonka avulla nähdään onko matriisi rangia n vai ei Nyt det(q c ( cos(ωh(sin(2ωh sin(ωh sin(ωh(cos(ωh cos(2ωh systeemi on täydellisesti ohttava jos tämä ei ole nolla Mikäli ωh nπ niin determinantiksi tulee nolla koska sin(nπ Tässä tehtävässä havaittavuusmatriisi ( Q o cos(ωh sin(ωh jonka determinantti on myös nolla kun ωh nπ koska sin(nπ jolloin systeemi ei ole tarkkailtava Oskillaattori on täydellisesti ohttava havaittava Näytteenotto kuitenkin voi hävittää sekä ohttavuuden että havaittavuuden silloin kun systeemi värähtelee näytteenottotaajuudella Tällaisia värähtelyjä kutsutaan piilovärähtelyiksi 5 a Nyt siis on haetaan parametria v (nopeus mallille y t v + e y 7 t 7 v + e 7 missä y i on kappaleen paikka mittauksessa i anhetkellä t i e i on mittaukseen sisältyvä virhetermi Malli voidaan kirjoittaa matriisimuodossa eli missä y tv + e y Ax + e y ( 2 3 4 2 8 T A ( 57 9 5 9 2 45 55 78 T Tehtävänä on nyt ratkaista paramteri x se virheiden neliösumma e T e minimoituu jolloin saadaan optimointitehtävä min(ax y T (Ax y x Tällaiselle tehtävälle voidaan ratkaisu esittää suljetussa muodossa ˆx (A T A A T y mikäli tarvittava käänteismatriisi on olemassa Numeerisen arvon tälle voit laskea Matlab-funktiolla las5t5m 4

b Nyt estimoidaan lisäksi alkutilaa y Tällöin tarkasteltava malli on y t v + y + e y 7 t 7 v + y + e 7 joka on matriisimuodossa y tv + y + e Merkitään jolloin eli y x ( v t t 7 y T y Ax + e x + e joten parametrin x PNS-estimaatti ˆx saadaan kuten a-kohdassa Numeeriset arvot voit laskea tällekin Matlabilla 5