Математические модели динамических систем и процессов. Непрерывные и дискретные модели

Введение..................................................................................................... 3

1. Модель межотраслевого баланса............................................ 4

1. 1. Динамическая модель Леонтьева.................................................... 7

1. 2. Построение динамической модели Леонтьева............................. 12

2. Модель Неймана............................................................................... 16

Заключение............................................................................................. 20

Cписок литературы............................................................................. 21

Динамические модели экономики - модели, описывающие экономику в развитии (в отличие от статических, характеризующих ее состояние в определенный момент). Модель является динамической, если, как минимум, одна ее переменная относится к периоду времени, отличному от времени, к которому отнесены другие переменные.

В общем виде динамические модели экономики сводятся к описанию следующих экономических явлений: начального состояния экономики, технологических способов производства (каждый “способ” говорит о том, что из набора ресурсов x можно в течение единицы времени произвести набор продуктов y), а также критерия оптимальности.

Математическое описание динамических моделей экономики производится с помощью систем дифференциальных уравнений (в моделях с непрерывным временем), разностных уравнений (в моделях с дискретным временем), а также систем обыкновенных алгебраических уравнений.

С помощью динамических моделей решаются, в частности, следующие задачи планирования и прогнозирования экономических процессов: определение траектории экономической системы, ее состояний в заданные моменты времени, анализ системы на устойчивость, анализ структурных сдвигов.

С точки зрения теоретического анализа большое значение приобрела динамическая модель фон Неймана. Что же касается практического применения динамических моделей экономики, то оно находится еще в начальной стадии: расчеты по модели, хотя бы сколько-нибудь приближающейся к реальности, чрезвычайно сложны. Но развитие в этом направлении продолжается. Используются, в частности, многоотраслевые (многосекторные) динамические модели развития экономики, к которым относятся динамические модели межотраслевого баланса, а также производственная функция, теория экономического роста.

Межотраслевое моделирование является частью макроэкономического

моделирования и служит для анализа и оценки состояния общего экономического равновесия национальной экономики. Национальная

экономика в межотраслевом балансе представлена рядом чистых отраслей,

связанных между собой финансовыми потоками от реализации продукции,

работ и услуг. Чистые отрасли – это условные отрасли, представляющие

производство одного или нескольких однородных продуктов.

Динамические модели межотраслевого баланса - частный случай динамических моделей экономики; основаны на принципе межотраслевого баланса, в который дополнительно вводятся уравнения, характеризующие изменения межотраслевых связей во времени на основе отдельных показателей: напр., капитальных вложений и основных фондов (что позволяет создать преемственность между балансами отдельных периодов).

Основные предположения модели межотраслевого баланса:

· каждая отрасль выпускает ровно один продукт

· каждый продукт выпускается ровно одной отраслью

Число продуктов равно числу отраслей

Измерять интенсивность работы отрасли можно объёмом выпуска соответствующего продукта

· затраты любого продукта в каждой отрасли прямо пропорциональны её интенсивности

Межотраслевой баланс представляет собой экономико-математическую модель, образуемую перекрестным наложением строк и колонок таблицы, то есть балансов распределения продукции и затрат на ее производство, увязанных по итогам. Главные показатели здесь – коэффициенты полных и прямых затрат.

Динамическая модель межотраслевого баланса характеризует производственные связи народного хозяйства на ряд лет, отражает процесс воспроизводства в динамике. По модели межотраслевого баланса выполняются два типа расчетов: первый тип, когда по заданному уровню конечного потребления рассчитывается сбалансированный объем производства и распределения продукции; второй тип, включающий смешанные расчеты, когда по заданным объемам производства по одним отраслям (продуктам) и заданному конечному потреблению в других отраслях рассчитывается баланс производства и распределения продукции в полном объеме.

Наибольшее распространение получила матричная экономико-математическая модель межотраслевого баланса. Она представляет собой прямоугольную таблицу (матрицу), элементы которой отражают связи экономических объектов. Количественные значения этих объектов вычисляются по установленным в теории матриц правилам. В матричной модели отражается структура затрат на производство и распределение продукции и вновь созданной стоимости.

Таблица межотраслевого баланса производства и распределения

продукции,работ и услуг

В первом квадранте отражены данные о взаимных поставках продукции,

работ, услуг между отраслями. Первый квадрант называется квадрантом

промежуточного потребления и характеризует промежуточное потребление

(затраты) или промежуточный спрос отраслей при производстве продукции,

работ, услуг:

X ij – стоимость продукции i -й отрасли, поставленной в j -ю отрасль в

течение года, или стоимость продукции i -й отрасли, потребленной j -й

отраслью в течение года;

i -я строка – промежуточное потребление продукции i -й отрасли всеми

отраслями;

j -й столбец – потребление (затраты) в j -й отрасли продукции всех

отраслей при производстве своей продукции;

X i – стоимость валового продукта, произведенного i -й отраслью в

течение года.

Второй квадрант называется квадрантом конечного использования

(потребления) или конечного спроса. В нем представлено конечное использование продукции отраслей, распределенное на конечное потребление (С i ), инвестиции (I i ), экспорт (E i ) и импорт (M i ), сальдо во внешней торговле (E i – M i ). Конечное потребление включает потребление домашних хозяйств (населения), государства и некоммерческих организаций.

Третий квадрант называется квадрантом добавленной стоимости. В нем

представлена добавленная стоимость, присоединенная в отраслях к затратам

продукции других отраслей при производстве продукции, работ, услуг.

Добавленная стоимость, произведенная в отраслях народного хозяйства,

включает: оплату труда (V j ), амортизацию (потребление основного капитала)

(C j ), чистый доход (m j ). Четвертый квадрант не заполняется.

В состав отраслей в МОБ входят отрасли материального производства:

промышленность (энергетика, машиностроение, легкая и пищевая

промышленность, строительство, сельское хозяйство) и отрасли

нематериальных услуг (жилищно-коммунальное хозяйство, банковская сфера, здравоохранение, образование, наука и др.). В реальный межотраслевой баланс входит около 30 отраслей. Межотраслевой баланс за прошедший год называется отчетным межотраслевым балансом.

Межотраслевой баланс известен в науке и практике как метод “затраты – выпуск”, разработанный В.В. Леонтьевым. Этот метод сводится к решению системы линейных уравнений, где параметрами являются коэффициенты затрат на производство продукции. Коэффициенты выражают отношения между секторами экономики (коэффициенты текущих материальных затрат), они устойчивы и поддаются прогнозированию. Решение системы уравнений позволяет определить, какими должны быть выпуск и затраты в каждой отрасли, чтобы обеспечить производство конечного продукта заданного объема и структуры. Для этого составляется таблица межотраслевых потоков товаров. Неизвестными выступают выпуск и затраты товаров, произведенных и использованных в каждой отрасли. Их исчисление с помощью коэффициентов и означает объемы производства, обеспечивающие общее равновесие. В случае выявления диспропорции с учетом заказов потребителей, в том числе и государственных, составляется план-матрица выпуска всех видов материальных благ и затрат на их производство.

Метод “затраты – выпуск” стал универсальным способом прогнозирования и планирования в условиях, как рыночной, так и директивной экономики. Он применяется в системе ООН, в США и других странах для прогнозирования и планирования экономики, структуры производства, межотраслевых связей.

В динамических моделях отражается процесс развития экономики. В них

производственные капитальные вложения выделяются из состава конечной

продукции, исследуется их структура и влияние на рост объема производства.

Схема динамического межотраслевого баланса представлена в таблице

Таблица содержит две матрицы. Элементы второй матрицы показывают, какое количество продукции i -й отрасли направлено в текущем периоде в j -ю отрасль в качестве производственных капитальных вложений в основные и оборотные средства.

В динамической схеме конечный продукт у i включает продукцию i- й отрасли, идущую в личное и общественное потребление, накопление

непроизводственной сферы, незавершенное строительство, на экспорт. Все

показатели даны в стоимостной форме.

В таблице выполняются следующие балансовые соотношения:

Межотраслевые потоки капитальных вложений относятся к периоду

(t- 1,t ). Динамика задается дополнительными соотношениями:

Экономический смысл коэффициентов ϕ ij = Кij /ΔХj следующий: они

показывают, какое количество продукции i -й отрасли должно быть вложено в

j -ю отрасль для увеличения выпуска ее продукции на единицу в

рассматриваемых единицах измерения. Коэффициенты ϕ ij называются

коэффициентами капитальных вложений или коэффициентами приростной

фондоемкости. Систему уравнений (1) с учетом (2) можно записать как:

Представим (3) в матричном виде:

(4)

Из (4) следует, что

Модель (3) называется дискретной динамической моделью межотраслевого баланса Леонтьева. Система уравнений (3) представляет собой систему линейных разностных уравнений 1-го порядка. Для исследования данной модели надо задать в начальный момент времени векторы X (0 ) и Y (t ) для t = 1, 2, …, T. Решением модели будут значения векторов X (t ), K (t ), t = 1, 2, …, T.

Условием разрешимости системы (3) относительно вектора Х (t ) является требование det (E − A − Ф ) ≠ 0

В данной модели предполагается, что прирост продукции в периоде

(t – 1, t ) обусловлен капиталовложениями, произведенными в том же периоде.

Для коротких периодов это предположение нереально, т.к. существуют

отставания во времени (временные лаги) между вложением средств в

производственные фонды и приростом выпуска продукции. Модели,

учитывающие лаги капитальных вложений, образуют особую группу

динамических моделей межотраслевого баланса.

Если перейти к непрерывному времени, то уравнения (3) перепишутся в виде системы дифференциальных уравнений 1-го порядка с постоянными коэффициентами:

(6)

Для ее решения помимо матриц коэффициентов текущих прямых

материальных затрат A = (a ij ) и коэффициентов капитальных затрат Ф = (ϕij )

необходимо знать уровни валового выпуска в начальный момент времени

t = 0 (x (0)) и закон изменения величин конечного продукта y (t ) на отрезке .

Решением системы уравнений (6) будут значения вектор-функции x (t )

на отрезке . Условием разрешимости системы (6) является det Ф ≠ 0 .

Более общей динамической межотраслевой моделью является модель,

учитывающая производственные мощности отраслей. Она представлена ниже в виде следующих соотношений:

(7)

(9)

Состояние экономики в году t характеризуется в динамике следующими

переменными:

Х t – вектор-столбец валовых выпусков отраслей;

v t –вектор ввода отраслевых мощностей;

γ − диагональная матрица выбытия мощностей;

x t – вектор-столбец отраслевых мощностей (максимально возможных выпусков);

l t = (l 1 , l 2 ,..., l n )t вектор трудоемкости отраслевых производств, может зависеть от времени;

L t – объем трудовых ресурсов в экономике.

Время в модели дискретно и изменяется через промежутки, равные году

(t = 1, 2, …, T ). Коэффициенты матрицы прямых затрат А = ║аij║ и матрицы

капиталоемкости прироста производственных мощностей Ф = ║фij║ могут

зависеть от времени. Экзогенно заданы вектор-функция Y t и числовая функция L t . Решением модели являются векторы Х t и x t , удовлетворяющие системе неравенств (7)-(10).

Неравенства (7) показывают, что вектор валового продукта X t должен

обеспечивать текущие производственные затраты AХ t , затраты продукции на

ввод производственных мощностей ФV t и на непроизводственное потребление Y t. Неравенства (8) ограничивают валовые выпуски отраслей наличными мощностями, неравенства (9) представляют собой отраслевые балансы изменения производственных мощностей с учетом их выбытия и ввода, неравенства (10) показывают, что общая занятость ограничена имеющимися трудовыми ресурсами.

Определим величины, характеризующие изменения валового выпуска 5 отраслей по 7 временным интервалам.

Теперь воспроизведем матрицу D. Коэффициент d ij матрицы D равен количе­ству продукции отрасли i, необходимой для увеличения на единицу (в стоимост­ном выражении) фонда отрасли j. Коэффициенты d ij именуются ко­эффициентами капиталоемкости приростов ОПФ.

Построим матрицу К коэффициентов капитальных затрат или капи­тальных коэффициентов.

Теперь определим

Пусть Ф 0 =0,

(Матрица А - матрица прямых затрат)

Итак, мы имеем первый вектор

Аналогичным образом получаются таблицы для t = 2, 3, 4, 5, 6.

В модели Неймана представлены n продуктов и m способов их

производства. Каждый j- й способ задается вектор-столбцом затрат продуктов

a j и вектор-столбцом выпусков продуктов b j в расчете на единицу

интенсивности процесса:

(1)

Это означает, что при единичных интенсивностях j -го производственного процесса потребляется вектор продуктов a j и производится продуктов b j . Векторы (1) рассматриваются в натуральных единицах или в постоянных ценах.

Из векторов затрат и выпуска образуются матрицы затрат А и выпусков

В с неотрицательными коэффициентами затрат a ij и выпусков b ij :

Матрицы А и В обладают следующими свойствами:

1) a ij ≥0 ,b ij ≥0,т.е. все элементы матриц неотрицательны;

2) что означает: в каждом из m способов

производства потребляется хотя бы один продукт;

3) что означает: каждый продукт

производится хотя бы одним способом производства;

Таким образом, каждый столбец матрицы А и каждая строка матрицы В

должны иметь по крайней мере один положительный элемент.

Через Х (t ) обозначим вектор-столбец интенсивностей

Тогда AX (t ) – вектор затрат, BX (t ) – вектор выпусков при заданном

векторе Х (t ) интенсивностей процессов.

Модель Неймана является обобщением динамической модели

межотраслевого баланса Леонтьева, поскольку допускает производство одного продукта несколькими способами производства, и совпадает с ней, если В = Е.

В модели Неймана имеют место следующие соотношения:

(2)

Соотношения (2) означают, что при производстве продукции в году

(t + 1) расходуется продукция, произведенная в году t.

Вектор p (t )=(p 1 (t ), p 2 (t ),..., p n (t ))≥0 называется вектором цен

продуктов, произведенных в году t , если он удовлетворяет следующим соотношениям:

(3)

Если коэффициенты матриц А и В – стоимостные величины в постоянных ценах, то р (t ) будет вектором индексов цен.

Первое векторное неравенство в (3) означает, что стоимость выпуска

продукции для каждого технологического способа производства в году t + 1 не может быть больше стоимости затрат в ценах года t.

Из (2) и (3) следует, что имеют место следующие соотношения:

(4)

Первое соотношение в (4) означает, что цена i -го продукта в году t равна нулю, если его выпуск в году t будет больше его затрат в году (t + 1).

Второе соотношение (4) означает, что j -й технологический процесс в году t не будет применяться (интенсивность равна нулю), если стоимость затрат по нему в году t больше стоимости его выпуска в году (t + 1).

Определение. Векторы Х (t ) и p (t ), t = 1, 2, …, T называются траекторией

сбалансированного роста в модели Неймана, если они удовлетворяют

условиям:

(5)

Здесь λ − темп, ρ − норма процента сбалансированного роста.

Из (5) следует, что в состоянии сбалансированного роста значения компонент вектора Х (t ) пропорционально возрастают, а вектора p (t ) снижаются. При этом имеют место соотношения:

(6)

где Х (0) и р (0) – начальные значения векторов в году t = 0.

Из (5), (6) следует, что на траектории сбалансированного роста должны выполняться соотношения.

(7)

Вопрос о существовании траекторий сбалансированного роста решается

следующими теоремами.

Первая теорема Неймана . Если матрицы А и В удовлетворяют

свойствам 1-3, то система неравенств (7) имеет решение X (t), p (t),λ ,ρ ,

т.е. в модели Неймана существуют траектории сбалансированного роста.

Вторая теорема Неймана. Существует решение X * (t ), p * (t ),λ * ,ρ *

системы (7), у которого будет максимальный темп роста λ * ≥λ и

минимальная норма процента ρ * ≤ ρ по сравнению с другими решениями.

При этом выполняется соотношение:

(8)

Данное решение называется магистралью , или траекторией

максимального сбалансированного роста в модели Неймана.

Модель Неймана является невычислимой, чисто теоретической моделью. Выход к практическим результатам осуществляется через динамическую модель В. Леонтьева, являющуюся частным случаем модели Неймана. Цены, полученные на основе динамического баланса, обладают свойствами цен модели Неймана. Модель Леонтьева использует данные динамического межотраслевого баланса. На основе динамического баланса также возможно построение неймановского луча максимального сбалансированного роста экономики и вычисление цен, соответствующих этому лучу, которые отражают альтернативную стоимость. Отличие динамической межотраслевой модели от модели Неймана состоит в том, что она базируется на предположении, что в каждой отрасли возможен один и только один производственный процесс. Таким образом, выбор решения по каждой отрасли сводится лишь к определению интенсивности производственного способа.

В заключение отметим, что с помощью межотраслевого баланса решают

следующие задачи:

1. По таблице межотраслевого баланса найти матрицу прямых и полных затрат.

2. Задав вектор конечной продукции, определить вектор валовой продукции.

3. Задав вектор валовой продукции, определить вектор конечной продукции.

4. При новых значениях добавленной стоимости найти индексы цен и построить новую таблицу межотраслевого баланса.

5. Найти векторы валового выпуска, добавленной стоимости, затрат,

доли затрат и добавленной стоимости в валовом продукте, межотраслевые

поставки продукции, составить таблицу межотраслевого баланса.

Аналитический метод «затраты-выпуск» наполнил практическим содержанием теорию общего экономического равновесия, он способствовал усовершенствованию математического аппарата. Метод Леонтьева отличает ясность и простота, универсальность и глобальность, другими словами пригодность для экономики отдельных стран и регионов, для мирового хозяйства в целом.

Модель Леонтьева "Затраты-выпуск" строится на основе схемы межотраслевого баланса в предположении о том, что каждая отрасль выпускает один и только свой продукт с использованием продуктов остальных отраслей и посредством линейной технологии. Она помогает анализировать перетоки товаров между отраслями и отвечает на вопрос: можно ли в условиях данной технологии удовлетворить конечный спрос населения на товары?

Магистральная траектория - это луч Неймана. Основным вопросом магистральной теории является анализ близости траекторий оптимизационных моделей к соответствующим магистралям. Оптимальные траектории в динамических моделях Леонтьева и Неймана обладают такими свойствами при выполнении некоторых дополнительных условий.

1. Колемаев В.А. "Экономико-математическое моделирование" ЮНИТИ-ДАНА, 2005 295 с.

2. Поттосина С. А., ЖуравлевВ. А. " Экономико-математические модели и методы" Учебное пособие для студентов экономических специальностей, 2003. – 94 с.

3. Экономико-математические модели и методы / Под общей ред. А.В. Кузнецова. – Мн.: БГЭУ, 2000.

4. http://slovari.yandex.ru/dict/lopatnikov/article/lop/lop-0879.htm

5. http://www.sseu.ru/edumat/v_mat/course2/razd10_2/par10_4k2.htm

Информатика, кибернетика и программирование

Модели применяемые в управлении. Типы моделей. Масштаб времени динамических моделей. Непрерывные модели динамических систем. Уравнения состояния. Нелинейные системы. Численное моделирование динамических систем. Проблема слишком большого шага. Дискретные модели динам

Модели, применяемые в управлении. Типы моделей. Масштаб времени динамических моделей . Непрерывные модели динамических систем . Уравнения состояния. Нелинейные системы. Численное моделирование динамических систем. Проблема слишком большого шага. Дискретные модели динамических систем. Управляемость, оценка и наблюдаемость. Нечеткие системы

Модель процесса — основа управления. Любая стратегия управления базируется на некотором понимании того, как физический процесс реагирует на входной сигнал. Поэтому умение анализировать и моделировать динамику системы является основной предпосылкой для успешного управления.

Типы моделей

Существует много способов описания систем с помощью моделей. Конкретный выбор зависит от предварительно имеющейся информации, возможностей собирать данные о процессе по мере его развития и, что важнее всего, от цели моделирования. В отличие от науки, где целью моделирования является глубокое проникновение в суть системы, модель в инженерном смысле считается адекватной, если соответствующие процессы управления работают предсказуемым образом, т. е. имеется устойчивый выход с малыми отклонениями от заданного значения, воспроизводимость отклика на входной сигнал и т. д

1. Непрерывное во времени (аналоговое) описание . Система описывается линейными или нелинейными дифференциальными уравнениями баланса массы, энергии, сил или моментов. Во многих случаях нелинейные уравнения можно линеаризовать и тем самым упростить работу с ними.
2. Дискретное во времени описание (sampled time description ). Физические свойства описываются линейными или нелинейными разностными уравнениями. Такой подход означает, что информация о системе доступна только в определенные, дискретные, моменты времени. Этот тип описания в действительности почти неизбежен при цифровом управлении потому, что компьютеры, базирующиеся на наиболее распространенной архитектуре фон Неймана (von Neumann ), выполняют инструкции последовательно. Определение интервала дискретизации, т. е. периодичности обновления или пересчета данных, является наиболее важным элементом такого моделирования.
3. Модели систем, основанных на дискретных событиях (discrete events model ) или на последовательности событий (sequencing system ). Пример управления последовательностью событий был приведен в разделе 2.2.1. При таком описании входные и выходные величины системы дискретны во времени и обычно являются бинарными сигналами типа "включено/выключено". Многие системы управления последовательностью можно описать как системы очередей и моделировать так называемыми марковскими цепями или марковскими процессами.
4. Модели систем с неопределенностями (system with uncertainties ). Как на сами управляемые системы, так и на измерения часто влияют нежелательные шумы и возмущения. В одних случаях возмущения и неполные знания о техническом процессе можно интерпретировать статистически. В других — факторы неопределенности вместо количественных характеристик можно описывать лингвистическими и логическими выражениями. Пример такого описания — правила экспертных систем "если-то-иначе". Еще одно средство описания неопределенностей — так называемая нечеткая (fuzzy ) алгебра.

Масштаб времени динамических моделей

Масштаб времени — одна из наиболее важных характеристик динамического процесса. Большинство технических систем и производств включают в себя несколько процессов, существенно отличающихся временем реакции. Поэтому при описании процесса важно выбрать масштаб времени, который соответствует поставленной цели.

Проиллюстрируем это на примере промышленного производства. Задачи управления можно разбить на несколько уровней. События на уровне станков происходят за доли секунды, как, например, при управлении манипулятором робота или инструментом станка. На следующем, более высоком уровне управления, на уровне участка, цель — синхронизация различных механизмов, например решение, когда робот должен переместить деталь между двумя станками. Масштаб времени здесь уже имеет порядок от секунд до минут. На уровне участка предполагается, что задача управления конкретным станком уже решена на более низком уровне. Масштаб времени на уровне участка определяется задачами снабжения станка заготовками, определения, свободен ли робот, чтобы захватить новую деталь, и т. д. На еще более высоком уровне планируется производство в целом, т. е. что производить и с какими конкретными характеристиками. Решение таких проблем может занимать дни или недели, и по сравнению с этим динамика одного станка рассматривается как одномоментная.

Моделирование динамических систем

Существуют как хорошо известные и давно изученные процессы, так и процессы, о которых известно очень мало и которые трудно поддаются количественному описанию. Например, динамика самолетов и ядерных реакторов изучалась очень тщательно, и существуют достаточно точные, хотя и очень сложные модели этих процессов. Есть процессы, которые трудно описать количественно. Например, лабораторный процесс ферментации микроорганизмов одного типа в четко определенной питательной среде можно описать весьма точно. В отличие от этого, процесс биологической очистки сточных вод содержит сложную смесь организмов в среде, трудно поддающейся описанию. Такой процесс только частично можно описать обычными количественными моделями. Когда количественных моделей недостаточно или они слишком сложны, для описания процессов применяют семантические (лингвистические) модели. Другие примеры частично изученных процессов — производство металла, разделение жидких и твердых субстанций, многие биохимические процессы и работа печей кругового обжига.

Для процессов, параметры которых изменяются во времени, характерны свои специфические проблемы. Например, в биологической системе добавление нового субстрата в процесс может вызвать мутацию микроорганизмов, которая приведет к значительному изменению динамики всего процесса.

Как правило, моделирование сложной системы представляет собой трудный, дорогой и требующий много времени процесс, особенно если необходима экспериментальная проверка. В принципе, существуют два способа разработки модели. При физическом подходе модель формируется исходя из физических соотношений и уравнений баланса. Другой способ построения динамической модели основан на экспериментальных данных. В технический процесс вносятся возмущения в виде различных типов входных сигналов, а затем выполняется анализ серий входных и выходных данных с помощью процедуры, которая называется идентификацией параметров . Если анализ выполняется в реальном времени, т. е. со скоростью, сопоставимой со скоростью протекания процесса, то такая процедура называется рекурсивной оценкой .

На практике обычно применяется комбинирование физического моделирования и идентификации параметров. При более глубоком изучении основных свойств процесса становится проще получить точное динамическое описание. Однако даже тщательно разработанные модели, основанные на физическом подходе, требуют экспериментальной проверки.

Параметры многих процессов и систем изменяются не только во времени, но и в пространстве, например концентрация жидкости в баке. Физический баланс таких систем описывается уравнениями в частных производных. В системах управления процессами эти уравнения обычно аппроксимируются конечными разностями по пространственным переменным для того, чтобы система описывалась обыкновенными дифференциальными уравнениями

Непрерывные модели динамических систем. Уравнения состояния

Дифференциальные уравнения, описывающие физический процесс, всегда можно преобразовать к системе обыкновенных дифференциальных уравнений первого порядка. В этом случае говорят, что это описание в виде уравнений состояния или в пространстве состояний . Главное преимущество такой формы записи в том, что для решения этих уравнений можно использовать численные методы. Кроме того, четко прослеживается физическая сущность процесса, в частности связь между внутренними переменными и внешними входным и выходным сигналами. Аналогично, изучение систем управления с более чем одним входом и выходом, проще в форме уравнений состояния. Основой математического аппарата для моделей в пространстве состояний служит, главным образом, линейная алгебра — векторная и матричная нотации значительно упрощают описание. Однако методы линейной алгебры не требуются, чтобы получить основные представления о динамике системы.

Уравнения состояния представляют собой практичный и удобный способ описания динамических систем. Состоянием называется набор всех переменных — так называемых переменных состояния , производные первого порядка от, которых входят в уравнения описания динамической системы. Концепция уравнений состояния имеет фундаментальное значение. Если известны текущее состояние системы (переменные состояния) и входные сигналы, то можно предсказать ее дальнейшее поведение. При этом предысторию, т.е. как было достигнуто текущее состояние, знать не нужно. Другими словами, состояние — это минимальное количество информации о системе, которое необходимо, чтобы предсказать ее будущее поведение.

Состояние х можно представить как вектор-столбец, компоненты которого — переменные состояния

Непосредственно измерить все переменные состояния можно в редких случаях, т. е. существуют внутренние переменные, за которыми не удается следить с помощью датчиков. Поэтому описание в пространстве состояний называют также внутренним описанием . Выходные величины — измерения, обозначаются через y 1 , у 2 ,..., у р и составляют вектор у

В общем случае число датчиков р, связанных с техническим процессом, меньше числа переменных состояния п. Поэтому вычисление х по у — нетривиальная задача.

На любую техническую систему влияют входные сигналы двух типов — сигналы,которые можно изменять вручную или автоматически какими-либо техническими средствами, и сигналы, которыми управлять невозможно. Сигналы первого типа называются управляющими сигналами или переменными управления U 1 , U 2 составляют вектор U

Входные сигналы второго типа могут влиять на систему, но не поддаются управлению. Величина этих сигналов отражает влияние внешней среды на систему, например изменение (возмущение) нагрузки, вызванное температурой, радиацией, нежелательным магнитным воздействием ("наводками") и т. п. Все эти сигналы обозначаются вектором v

Целью системы управления является вычисление на основе имеющихся измерений у таких управляющих сигналов и, чтобы, несмотря на влияние возмущений v , техническая система выполняла поставленные задачи. Управляемую систему можно представить в виде блок-схемы (рис. 3.13), на которой показаны управляющие сигналы, возмущения и выходные переменные

Рис. 2.1 Блок-схема управляемой системы

Область применения линейных моделей

Существуют динамические явления, которые нельзя описать линейными дифференциальными уравнениями с постоянными коэффициентами. Рассмотрим влияние нелинейности на примерах. Системы, описываемые ниже, ведут себя как линейные при малых значениях входных сигналов, а при больших — появляется нелинейность.

Ограничения сигнала

В реальных условиях все сигналы ограничены. Во многих технических системах в качестве конечных управляющих элементов используются клапаны. Поскольку клапан не может быть открыт больше, чем на 100 %, рассчитанный математически сигнал управления иногда просто нельзя реализовать (рис. 2.2). Это вызывает определенные трудности в управлении.

Другой пример ограничения сигнала — ток ротора электрического двигателя. Ток должен быть ограничен, иначе двигатель сгорит. Соответственно, система управления двигателем не может быть линейной, особенно при больших ускорениях и моментах, когда ток тоже должен быть большим

Рис.2.2 Выходной сигнал исполнительного механизма с ограничениями

Нелинейные системы

Описанные системы являются нелинейными, но при некоторых допущениях их можно аппроксимировать линейными уравнениями. Другие типы нелинейностей нельзя свести к линейному описанию. Наиболее часто встречающийся пример — релейные системы. Реле вырабатывают бинарные сигналы типа "включено/ выключено"; идеальное реле для любого положительного входного сигнала имеет фиксированный положительный выход и, соответственно, фиксированный отрицательный выход при любом отрицательном входе. Очевидно, что в такой системе не выполняется принцип суперпозиции

Примеры систем с существенными нелинейностями:

1. различные виды реле (с зоной нечувствительности, гистерезисом и т. д.);
2. клапаны (зоны нечувствительности, насыщение);
3. нелинейные деформации механических пружин;
4. падение давления в сужении трубы;
5. силы трения;
6. аэродинамическое сопротивление;
7. свойства пара;
8. двигатели постоянного тока с последовательной обмоткой возбуждения (момент — функция квадрата тока роторной цепи);

двигатели переменного тока

Нелинейные системы можно описать в следующем виде

где определены п переменных состояния и г входов, или в компактной векторной форме

Численное моделирование динамических систем

Для решения нелинейных дифференциальных уравнений в большинстве случаев используются численные методы. Основной метод решения дифференциальных уравнений — аппроксимация производных по времени простыми разностными уравнениями. Этот метод называется аппроксимацией Эйлера с восходящими разностями

Если известны начальные условия х(0), то можно рассчитать состояния х(t + h ), х(t +2 h ), х(t +3 h ),..., которые являются приближениями точного решения в моменты времени t + h , t +2 h , t +3 h и т.д. Здесь очень важно выбрать шаг { step ) интегрирования h , который, в принципе, должен быть как можно меньше, однако на практике выбирается некая компромиссная величина. Слишком маленький шаг приведет к неоправданно большому времени вычислений (которое, естественно, еще серьезно зависит от сложности вычислений, типа уравнений, числа переменных и мощности процессора). С другой стороны, слишком большое значение h вызывает проблемы сходимости решения и приводит к нежелательным результатам. Эффект неправильно выбранного шага может оказаться очень существенным, особенно если моделируемая система включает в себя и быстрые, и медленные динамические процессы.

Проблема слишком большого шага

Для иллюстрации проблемы слишком большого шага рассмотрим простую систему, описываемую уравнением первого порядка

где х(0) = 1 и а > 0. Уравнение имеет аналитическое решение

С другой стороны, дифференциальное уравнение можно решить численно методом Эйлера. При аппроксимации производной конечной разностью

На рис. 2.3. показано, что происходит при различных значениях шага h . В общем случае для больших значений h — таких, что h > 2/а, решение х будет иметь колебательный характер с изменением знака и ростом амплитуды. Проблема возникновения колебаний из-за слишком большого шага интегрирования называется численной неустойчивостью. Эта неустойчивость не имеет ничего общего с самой системой и вызвана только слишком грубой аппроксимацией при вычислении решения.

Существует много методов численного интегрирования, каждый из которых имеет свои достоинства и недостатки; наибольшее распространение получили методы Рунге-Кутта. Большинство методов интегрирования допускают варьируемую величину шага, которая выбирается автоматически, чтобы удовлетворить наперед заданному критерию погрешности

Дискретные модели динамических систем

Цифровая ЭВМ не может обрабатывать постоянно меняющиеся аналоговые данные. Соответственно, и сбор данных, и выработка управляющих сигналов происходят только в определенные моменты времени. Ситуация принципиально не меняется при повышении скорости процессора. Более быстрый процессор работает по тому же принципу, что и более медленный, — он просто обрабатывает больше данных за тот же интервал времени, но данные при этом остаются дискретными.

Ниже излагается модель физического процесса, пригодная для приложений компьютерного управления. В соответствии с рассматриваемой моделью измеряемые данные процесса собираются через регулярные интервалы времени. Эти интервалы не обязательно должны быть одинаковыми, однако описание дискретной динамической модели становится проще при постоянном интервале. Данный процесс называется выборкой, дискретизацией { sampling ) или квантованием, длина интервала — временем (периодом, интервалом) выборки, дискретизации { sampling time ) или квантования. Другое упрощение, используемое при разработке дискретно-временных моделей процессов, состоит в том, что измеряемые данные и сигналы управления остаются постоянными в течение интервала выборки. Фактически таким же образом работают схемы выборки и хранения интерфейса компьютера.

Описание в пространстве состояний

Нелинейный процесс можно аппроксимировать разностным уравнением

где h — интервал выборки kh — его порядковый номер; f (x , u ) — производная по времени вектора состояния системы х. Аппроксимация справедлива, если h достаточно мал, и производная "гладкая". Разностное уравнение по существу такое же, что и при численном моделировании. Линейная система с постоянными коэффициентами в дискретном виде представляется следующим образом

В матричных обозначениях это можно записать

Для линейной или линеаризированной системы аппроксимация не обязательна. Поскольку линейные дифференциальные уравнения можно решить аналитически, соответствующие уравнения для дискретного представления можно получить из решения. Предполагается, что сигнал управления u (t ) остается постоянным между моментами выборки, т. е. система включает в себя схему удержания. Дискретную модель можно записать в матричном виде

где Ф — матрица размерностью п x п, а Г — матрица размерностью п x l . Связь между матрицами А и В и матрицами Ф и Г следующая

где I — единичная матрица.

Преобразование между матрицами для непрерывной и дискретной моделей можно выполнить с использованием стандартных программ. Аппроксимация конечными разностями стремится к точному решению при малых значениях интервала выборки h . Поскольку измерения происходят периодически, то уравнение для дискретной модели справедливо только в моменты выборки

Решение уравнений дискретной модели на цифровой ЭВМ получается довольно просто: решения х(kh ) в последовательные моменты времени вычисляются шаг за шагом на основе разностных уравнений

Управляемость, оценка и наблюдаемость

Каждая техническая система обладает несколькими фундаментальными характеристиками, которые требуют особого внимания.

Управляемость (controllability ) — это характеристика системы, которая показывает, имеет ли система достаточное количество регулируемых параметров для того, чтобы управлять ею требуемым образом. Грубо говоря, система является управляемой, если можно подобрать такие управляющие воздействия и, чтобы система достигла заданного состояния х. Только тогда, когда система управляема, ее полюса (или собственные числа) можно произвольно перемещать с помощью обратной связи.

Если процесс неуправляем, это означает, что части системы физически отсоединены от управляющих сигналов .

Управляющие сигналы влияют на каждую переменную состояния по отдельности. В управляемой системе все элементы матрицы В — ненулевые, в противном случае переменные состояния, соответствующие нулевым элементам матрицы В, не могут регулироваться сигналами управления. Значения таких переменных будут определяться только свойствами системы.

Управляемость линейной системы на базе непрерывной и дискретной модели можно проверить математическими методами. Однако никакие математические методы не могут заменить понимание физической природы процесса инженером-проектировщиком. Например, часто бывает, что некоторые параметры плохо управляемы, т. е. значения соответствующих коэффициентов Р, малы. И хотя формально система управляема, реальный регулятор, пригодный для практического использования, создать невозможно.

Оценка состояния на основе измерений

Вторая характеристика системы связана с измерениями и наблюдением. Позволяет ли имеющийся состав датчиков получить достаточную информацию о состоянии системы. Возможно ли косвенным образом вычислить весь текущий вектор состояния x { t ), если известны текущее и предыдущее значения выходного сигнала у(0).Эта характеристика называется наблюдаемостью .

В большинстве случаев состояние системы не измеряется непосредственно, т. е. число датчиков меньше числа переменных состояния. Однако часто важно знать полный вектор состояния х, даже если адекватные датчики не существуют или просто слишком дороги. При определенных условиях можно вычислить вектор состояния х на основе измерений у . В последующем х будет обозначать вычисленный вектор состояния, поскольку он может отличаться от реального.

Для вычисления неизмеряемых переменных состояния можно использовать процедуру оценки (estimator ), причем как для непрерывных, так и для дискретных моделей. Здесь рассмотрен алгоритм оценки для дискретной модели, поскольку его можно непосредственно применять в компьютерном управлении. Оценка состояния фактически является описанием технического процесса разностными уравнениями, в которые введен дополнительный член для корректировки оцениваемых переменных на основе измерений у

Матрица D в большинстве случаев — нулевая. Если система имеет только один датчик, тогда К является вектором, в противном случае — матрицей. При "отличной" оценке х и х совпадают и последнее слагаемое в уравнении равно нулю, так как у = С х. Оценка будет подчиняться тому же динамическому уравнению, что и истинный вектор состояния х. Поскольку х отличается от х, последнее слагаемое, т. е. разность между реальным измерением у и его оценкой С*х, используется для коррекции ошибки. Матрица К есть весовой коэффициент, определяющий качество оценки.

Нечеткие системы

Многие системы не только нелинейны и нестационарны (изменяются во времени), но и вообще плохо определены. Их нельзя смоделировать уравнениями или представить набором ясных логических правил типа "если-то-иначе". Для решения подобных задач американский ученый Лотфи А. Задех (Lotfi A . Zadeh ) разработал нечеткую логику { fuzzy logic ). Термин "нечеткая" фактически использован не совсем правильно, поскольку логика прочно базируется на математической теории.

Нечеткую логику можно рассматривать как методологию дискретного управления, имитирующую человеческое мышление, с использованием такого свойства, присущего всем физическим системам, как неточность. В традиционной логике и вычислительной технике используются детерминированные множества, т. е. всегда можно сказать, принадлежит ли элемент множеству или нет. Обычная — бинарная — логика оперирует только противоположными состояниями — "быстро/медленно", "открыто/закрыто", "горячо/холодно". В соответствии с этой логикой температуру 25 "С можно расценить как "горячо", а 24.9 °С — еще "холодно", и регулятор температуры будет реагировать соответственно.

В противоположность этому нечеткая логика работает, преобразуя жесткие двоичные переменные — "горячо/холодно", "быстро/медленно", "открыто/закрыто" — в мягкие градации с изменяемой степенью принадлежности — "тепло/прохладно", "довольно быстро/несколько медленно". Температура 20 °С может означать одновременно и "тепло", и "прохладно". Такие градации игнорируются обычной логикой, но служат краеугольным камнем нечеткой логики. Степень членства определяется доверием { confidence ) или уверенностью { certainty ) (выражается числом от 0 до 1), что конкретный элемент принадлежит нечеткому множеству.

Нечеткие системы вырабатывают свои решения на основе входной информации в форме лингвистических переменных, т. е. терминов обычного языка, например "горячо", "медленно" или "темно". Эти переменные обрабатываются правилами "если-то-иначе",и в результате формируется один или более выводов в зависимости от того, какие утверждения истинны. Вывод каждого правила взвешивается в соответствии с доверием или степенью принадлежности его входных значений.

Существует некоторая аналогия между правилами "если-то" искусственного интеллекта и нечеткой логикой, хотя искусственный интеллект есть процесс обработки символов, а нечеткая логика — нет. В искусственном интеллекте нейронная сеть есть совокупность данных и выводов в виде специальных структур. Каждой входной величине назначается относительный, дискретный весовой коэффициент. Взвешенные данные точно определенным способом формируют сеть для принятия решений. В отличие от этого в нечеткой логике весовые функции непрерывно определены на множестве значений принадлежности.

Нечеткая логика часто имеет дело с переменными, которые скорее наблюдаются, чем измеряются. Управление на основе нечеткой логики имеет еще одно существенное отличие по сравнению с традиционным. Последнее основано на математической модели системы, которая предполагает наличие детальных знаний о соответствующих переменных. Моделирование на основе нечеткой логики имеет дело с отношениями вход/выход, в которых собраны вместе многие параметры. При таком управлении замена большого диапазона значений на меньшее количество градаций принадлежности помогает сократить число переменных, которыми должен оперировать регулятор. Соответственно, требуется меньшее число правил, поскольку надо оценивать меньше параметров, и во многих случаях регулятор на базе нечеткой логики может вырабатывать решения быстрее, чем экспертная система на основе правил "если-то". На экспериментальных прототипах было показано, что нечеткая логика является хорошим инструментом при недостаточных объемах информации.

Автоматический регулятор скорости поезда служит простой иллюстрацией приложений нечеткой логики. Критерием для регулятора является оптимизация времени пути при известных ограничениях. Входными данными являются текущие скорость, ускорение и расстояние до места назначения, на основе которых регулятор управляет мощностью двигателя

Функция принадлежности присваивает измеряемым величинам лингвистические значения. В приведенном случае ускорение имеет значение "торможение" из-за крутого подъема. Скорость принадлежит к множеству "медленно" (вес 0.8) и "слишком медленно" (вес 0.2), а расстояние имеет значение "очень близко к месту назначения" с весом 0.65 и "близко" с весом 0.35

Несколько правил могут дать представление о логике управления:

1. если скорость имеет значение "слишком медленно", а ускорение — "торможение", то следует "существенно увеличить" мощность;
2. если скорость имеет значение "медленно", а ускорение — "торможение", то следует "слегка увеличить" мощность;
3. если расстояние имеет значение "близко", то следует "слегка снизить" мощность.

Какое правило должно быть выбрано? Выход также имеет степень доверия, которая зависит от степени доверия (т. е. веса) входных данных. Окончательный выбор в рассматриваемом примере — "слегка увеличить" мощность. Даже если скорость имеет значение "слишком медленно", то поезд уже близок к месту назначения.

Нет гарантии, что нечеткая логика может успешно справляться со сложными системами. Регулятор на базе нечеткой логики является практически оценкой состояния системы, которая не основана на конкретной модели. Доказать устойчивость такого регулятора очень сложно.

Создание некоторой универсальной модели, отвечающей различным аспектам ее применения, практически невозможно. Для получения информации, отражающей те или иные свойства управляемого объекта, необходима классификация моделей. В основе классификации лежат особенности оператора φ. Все многообразие объектов управления, исходя из временного и пространственного признаков, можно разделить на следующие классы: статические или динамические; линейные или нелинейные; непрерывные или дискретные во времени; стационарные или нестационарные; процессы, в ходе которых их параметры изменяются в пространстве, и процессы без пространственного изменения параметров. Так как математические моделии являются отражением соответствующих объектов, то для них характерны те же классы. Полное наименование модели может включать в себя совокупность перечисленных признаков. Эти признаки послужили основой названия соответствующих типов моделей.

В зависимости от характера изучаемых процессов в системе все модели могут быть разделены на следующие виды:

Детерминированные модели – отображают детерминированные процессы, то есть процессы, в которых предполагается отсутствие всяких случайных воздействий.

Стохастические модели – отображают вероятностные процессы и события; в этом случае анализируется ряд реализаций случайного процесса, и оцениваются средние характеристики.

Стационарные и нестационарные модели. Модель называется стационарной, если вид оператора φ и его параметры p не изменяются во времени, то есть, когда справедливо

φ= φ, т.е. y= φ(p,x).

Если же параметры модели изменяются во времени, то модель является

параметрически нестационарной

Самый общий вид нестационарности – когда от времени зависит и вид функции. Тогда в запись функции добавляется еще один аргумент

Статические и динамические модели. В основе такого разделения типов моделей лежат особенности движения исследуемого объекта как материальной системы.

Говоря о моделях с позиций задач управления, надо отметить, что под пространством здесь понимается не геометрическое пространство, а пространство состояний – координат состояний выходных переменных у . Элементами вектора y являются обычно контролируемые технологические параметры (расход, давление, температура, влажность, вязкость и т.д.). Состав элементов вектораy для самого объекта может быть шире, чем для модели этого объекта, так как при моделировании требуется изучение только части свойств реальной системы. Движение объекта управления в пространстве состояний и во времени оценивается с помощью векторного процесса y(t).

Модель системы называется статической , если состояние системы не изменяется, то есть система находится в равновесии, но движение связано со статичным состоянием объекта, находящегося в равновесии. Математическое описание в статических моделях не включает время как переменную и состоит из алгебраических уравнений либо дифференциальных уравнений в случае объектов с распределенными параметрами. Статические модели обычно являются нелинейными. Они точно отражают состояние равновесия, вызванное переходом объекта от одного режима к другому.

Динамическая модель отражает изменение состояния объекта во времени. Математическое описание таких моделей обязательно включает производную во времени. Динамические модели используют дифференциальные уравнения. Точные решения этих уравненийизвестны только для некоторого класса дифференциальных уравнений. Чаще приходится прибегать к использованию численных методов, являющихся приближенными.

Для целей управления динамическую модель представляют в виде передаточной функции, связывающей входные и выходные переменные.

Линейные и нелинейные модели. Математически функция L(x) – линейна, если

L(λ 1 x 1 +λ 2 x 2)=λ 1 L(x 1)+λ 2 L(x 2).

Аналогично и для функций многих переменных. Линейной функции присуще использование только операций алгебраического сложения и умножения переменной на постоянный коэффициент. Если в выражении для оператора моделиесть нелинейные операции, то модель является нелинейной , в противном случае модель – линейна .

Модели с сосредоточенными и распределенными параметрами. Следует отметить, что с учетом введенной терминологии было бы корректнее в названии модели вместо слова «параметры» употреблять понятие «координата состояния». Однако это сложившееся название, которое часто встречается во всех работах по моделированию технологических процессов.

Если основные переменные процесса изменяются как во времени, так и в пространстве (или только в пространстве), то модели, описывающие такие процессы, называются моделями с распределенными параметрами. В этом случае вводится геометрическое пространство z=(z 1 ,z 2 ,z 3 ) и уравнения имеют вид:

y(z)=φ, p(z)=ψ.

Их математическое описание включает обычно дифференциальные уравнения в частных производных, либо обыкновенные дифференциальные уравнения в случае стационарных процессов с одной пространственной координатой.

Если можно пренебречь пространственной неравномерность значений координат состояний объекта, т.е. градиент , то соответствующая модель – модель с сосредоточенными параметрами. Для них масса и энергия как бы сосредоточены в одной точке.

Трехмерность пространства не всегда обязательна. Например, модель змеевика с нагреваемым рабочим телом и с тонкостенной оболочкой обычно исходит из одномерности объекта – учитывается только длина змеевика. В то же время процесс передачи тепла в ограниченный объем рабочего тела через толстую стенку может быть описан одномерной моделью, учитывающей только толщину оболочки и т.п. Для конкретных объектов форма соответствующих уравнений требует обоснований.

Модели непрерывные и дискретные во времени. Непрерывные модели отражают непрерывные процессы в системах. Модели, описывающие состояние объектов относительно времени как непрерывного аргумента – непрерывные (по времени):

y(t)=φ, p(t)=ψ.

Дискретные модели служат для описания процессов, которые предполагаются дискретными. Дискретная модель не может дать прогноз поведения объекта на интервале между дискретными отсчетами времени. Если введем квантование по времени с шагом ∆t, то рассматривается дискретная шкала , где i=0,1,2…- приобретает смысл относительного времени. И дискретная модель:

y(i)=φ; p(i)=ψ.

При правильном выборе шага ∆t можно ожидать от дискретной модели результата с наперед заданной точностью. При изменении ∆t должны быть пересчитаны и коэффициенты разностного уравнения.

Дискретно-непрерывные модели используются для случаев, когда хотят выделить наличие как дискретных, так и непрерывных процессов.

Требования, предъявляемые к математическим моделям: точность – свойство, отражающее степень совпадения предсказанных с помощью модели значений параметров объекта с их истинными значениями; экономичность затрат машинного времени; универсальность – применимость к анализу группы однотипных объектов.

(1)Системы и элементы систем

САУ - состоит из объекта управления, управления устройства взаимодействующих между собой (САП). Объект управления (ОУ) – устройство требуемое режим работы которого должен поддерживаться системой. Устройство управления – это устройство, осуществляющее воздействие на объект управления с целью поддерживания режима его работы. Система – это совокупность взаимодействующих между собой элементов. Свойство системы отличается от совокупности элементов, которые в нее входят. При анализе, синтезе систем используют математическое описание СУ. Существует 2 способа мат. описания системы уравления:1)классический – в этом случае все элементы системы описываются с помощью отдельных уравнений без учета взаимосвязи между элементами. 2)системный – в этом случае все элементы систем рассматриваются на конечное число подсистем, и рассматриваются с учетом взаимосвязи между элементом. Математическое описать систему можно 3 способами: 1)аналитический – с помощью диф. или линейных; 2)графический – диаграммы, графики; 3)табличный – график в таблице.

(2)Классификация САУ

Линейные системы – системы которые описываются линейным уравнением. Нелинейные системы – описываются нелинейными уравнениями, т.е. дифференциальными. Непрерывные системы – состояние, которое задано на всем непрерывном множестве. Дискретные системы – системы, значения выходной величины, которая существует или определена в конкретный момент времени . Непрерывно-дискретная система, у которой выходная величина на определенном участке представляет собой непрерывную величину, и на промежутке t 1 -t 2 представляет собой дискретную величину. Стационарные системы – системы, которые описываются уравнениями с постоянными параметрами (параметры не изменяются во времени). Нестационарные – описываются уравнениями с переменными параметрами. ССП – системы с сосредоточенными параметрами – системы, которые описываются обыкновенными диф.уравнениями в частных производных. Одномерные – системы, в которых выходная величина одна. Многомерные – имеют несколько выходных величин. Статические – без инерционные системы, т.е. постоянна во времени. Динамические – входная величина изменяется во времени, для таких величин характерен динамический процесс. Детерминированные – системы без внешних воздействий. Стохастические (вероятные или случайные) – для таких систем характерно несколько состояний и все она зависит от внешних воздействий.

(3)Воздействие на систему (переменные системы уравнения).

Задающее воздействие или входное воздействие х(t) – это воздействия которое планируется. Управляющее воздействие (U(t)) – воздействие обусловлено управляющим уравнением и оказывает влияние на субъекты управления. Возмущающие воздействия f(t) – воздействие не планируемое, т.е. случайное (параметры окружающей среды). Выходное у(t) – управляемое переменной, данная величина характеризует параметры объекты управления. Внутреннее x(t) – обусловлено влиянием одних систем на другие.

(4)Математические модели непрерывных динамических систем.

Прежде чем приступать к мат.модели САУ необходимо составить ее функциональную схему. В такой схеме каждому элементу САУ соответствует некоторый прямоугольник с обозначением данного конкретного элемента. Входное воздействие поступает на сумматор с учетом обработки ошибки из входного воздействия получается задающее воздействие g(t). Поступив на устройство управления вырабатывая управляющее воздействие u(t) и поступает на объект управления. В объекте управления с учетом внешнего воздействия j(t) вырабатывает выходная у(t). Ошибка регулирования, которая l(t) поступает на исполнительное устройство, которое предназначено для изменения состояний рассомасования. Данная система является замкнутой. Нижняя часть называется обратной связью, которая может быть и положительной и отрицательной. На следующем этапе составления математической модели функциональная схема преобразуется в структурную схему, которая состоит также из прямоугольников, но вместо обозначения элемента системы в него записывается уравнение состояния или работы данного звена. Структурная схема является математической моделью системы управления. Уравнения, которые описывают изменяющиеся во времени состояния системы или элемента называются уравнениями динамики. Чаще всего системы описываются с помощью диф.уравнений.

(5)Метод малых отклонений.

При исследовании нелинейной системы уравнений решение можно получить лишь в чистом виде, поэтому для получения аналитического решения нелинейных диф.уравнений используют линеализацию. Линеализация – замена нелинейных уравнений приближенными линейными уравнениями (метод малых отклонений). Рассмотрим некоторый элемент . Пусть между входной и выходной величиной осуществляются процессы, которые описываются нелинейным дифференциальным уравнением вида . Обозначим установившееся состояние объекта через х 0 , у 0 и отклонение от данного состояния х’ и у’. тогда входная величина будет представлена: х=х 0 +х’; y+y 0 +y’. В общем случае входная и выходная величины могут являться функциями времени, тогда выходная величина будет представлена: . В окрестностях точки х 0 , у 0 функцию F(x,y,t) разложим в ряд Тейлора: , где R – совокупность членов ряда, порядок производной которой выше первой. В случае, если отклонение от установившегося, значения малы можно получить (*), где . В том случае, если отклонение от установившегося состояния равны 0, уравнение будет выглядеть (**). Вычитая (**) из (*) получаем линейное диф.уравнение , которое называется уравнением в отклонениях. Это уравнение описывает состояние объекта управления при малых отклонениях.

(6)Метод решений диф.уравнений.

1)аналитический, получают решение в явном виде. На основе данного решения можно исследовать реакцию объекта на любые входные воздействия; 2)численный, решением уравнения является числовое решение при заданных начальных условиях; 3)качественный, используется в основном в теории управления и не имея решения в явном виде получают различные качественные оценки?????(время переходного процесса, полоса пропускания). Этапы решения диф.уравнений: 1)по исходному диф.уравнению составляют характеристическое уравнение системы; 2)находят корни характеристического уравнения; 3)записывают общие решения диф.уравнений и используя начальные условия определяют коэффициенты выходной величины; 4)к общему решению диф.уравнения прибавляют частное решение. Однако нахождение корней характеристического уравнения, порядок которого выше третьей степени аналитически не возможно, поэтому для нахождения корней используют численные методы, что усложняет исследование системы в целом.

Пример.

Пример.

Пример.

Пример. Модель S=gt2/2, 0 < t < 100 непрерывна на промежутке времени (0;100).

Пример.

a1x1 + a2x2 = S,

Детерминированные и стохастические модели

Модель детерминированная, если каждому входному набору параметров соответствует вполне определенный и однозначно определяемый набор выходных параметров; в противном случае - модель недетерминированная, стохастическая (вероятностная).

Пример. Приведенные выше физические модели - детерминированные. Если в модели S = gt2 / 2, 0 < t < 100 мы учли бы случайный параметр - порыв ветра с силой p при падении тела:

S(p) = g(p) t2 / 2, 0 < t < 100,

то мы получили бы стохастическую модель (уже не свободного) падения.

Функциональные, теоретико-множественные и логические модели

Модель функциональная, если она представима в виде системы каких- либо функциональных соотношений.

Модель теоретико-множественная, если она представима с помощью некоторых множеств и отношений принадлежности им и между ними.

Пример. Пусть задано множество

X = {Николай, Петр, Николаев, Петров, Елена, Екатерина, Михаил, Татьяна} и отношения:

Николай - супруг Елены,

Екатерина - супруга Петра,

Татьяна - дочь Николая и Елены,

Михаил - сын Петра и Екатерины,

семьи Михаила и Петра дружат друг с другом.

Тогда множество X и множество перечисленных отношений Y могут служить теоретико-множественной моделью двух дружественных семей.

Модель называется логической, если она представима предикатами, логическими функциями.

Например, совокупность логических функций вида:

z = x y x, p = x y

есть математическая логическая модель работы дискретного устройства.

Игровые модели

Модель игровая, если она описывает, реализует некоторую игровую ситуацию между участниками игры.

Пример. Пусть игрок 1 - добросовестный налоговый инспектор, а игрок 2 - недобросовестный налогоплательщик. Идет процесс (игра) по уклонению от налогов (с одной стороны) и по выявлению сокрытия уплаты налогов (с другой стороны). Игроки выбирают натуральные числа i и j (i, j n), которые можно отождествить, соответственно, со штрафом игрока 2 за неуплату налогов при обнаружении игроком 1 факта неуплаты и с временной выгодой игрока 2 от сокрытия налогов. Если в качестве модели взять матричную игру с матрицей выигрышей порядка n, то в ней каждый элемент определяется по правилу aij = |i - j|. Модель игры описывается этой матрицей и стратегией уклонения и поимки. Эта игра - антагонистическая.

Лингвистические модели

Модель называется языковой, лингвистической, если она представлена некоторым лингвистическим объектом, формализованной языковой системой или структурой.

Иногда такие модели называют вербальными, синтаксическими.

Например, правила дорожного движения - языковая, структурная модель движения транспорта и пешеходов на дорогах.

Пусть B - множество производящих основ существительных, C - множество суффиксов, P - прилагательных, b i – корень слова; "+" - операция конкатенации слов, ":=" - операция присваивания, "=>" - операция вывода (выводимости новых слов), Z - множество значений (смысловых) прилагательных.

Языковая модель M словообразования может быть представлена:

= + <с i >.