Układ stochastyczny

Niniejszy artykuł jest częścią cyklu teoria sterowania.

Klasy układów układy statyczne - układy dynamiczne układy liniowe - układy nieliniowe układy stacjonarne - układy niestacjonarne układy deterministyczne - układy stochastyczne układy o parametrach skupionych - układy o parametrach rozłożonych uklady ciągłe - układy dyskretne więcej... Wybrane typy regulacji regulacja stałowartościowa regulacja nadążna regulacja optymalna regulacja adaptacyjna więcej... Metody klasyczne opis typu wejście-wyjście transmitancja charakterystyki czasowe charakterystyki częstotliwościowe linie pierwiastkowe stabilność regulacja PID Nowoczesna teoria sterowania równania stanu - stan układu sterowalność - przesuwanie biegunów regulator liniowo-kwadratowy obserwowalność - obserwator stanu filtr Kalmana regulator LQG sterowanie predykcyjne krzepkość - H-nieskończoność Inne zagadnienia identyfikacja systemów Dziedziny powiązane teoria układów dynamicznych przetwarzanie sygnałów sztuczna inteligencja teoria decyzji metody numeryczne Perspektywa historyczna historia automatyki teoretycy sterowania

pokaż • dyskusja •

Sterowanie stochastyczne - gałąź teorii sterowania, która zajmuje się zagadnieniami występowania niepewności w układach regulacji. Przeciwieństwem układów stochastycznych są układy deterministyczne (czyli takie, w których niepewność nie występuje).

Opis sygnałów oraz układów stochastycznych

W układach stochastycznych są wielkości przypadkowe (losowe). Projektant układu zakłada, przyjmując punkt widzenia prawdopodobieństwa subiektywnego Bayes'a, że szum losowy ze znanym rozkładem prawdopodobieństwa ma wpływ na zmiany stanu układu oraz na obserwacje regulatorów (zob. też zakłócenia).

Do (parametrycznych) modeli wejściowo-wyjściowym dla procesów stochastycznych należą model AR, model MA, model ARX oraz model ARMAX.

Klasyczne równania stanu dla przypadku układu stochastycznego, przybierają postać:

gdzie dodatkowo ujęte zostały wektory zakłóceń stochastycznych (wektory szumu): - wektor szumu przetwarzania, - wektor szumu pomiarowego.

Estymacja w układach stochastycznych

W kontekście sygnałów oraz układów stochastycznych stosuje się estymację (zob. też teoria estymacji, estymator, regresja) w tym: filtrację (zob. filtr Wienera oraz filtr Kalmana), predykcję oraz wygładzanie.

W ogólnym przypadku zagadnienie estymacji zmiennych stanu w stochastycznych układach, wedle kalmanowskiej teorii filtracji da się sformułować w następujący sposób. Należy określić estymatę wektora stanu (lub wyjść) w chwili na podstawie przetwarzania danych pomiarowych wedle wzoru:

gdzie jest macierzowym operatorem liniowym.

W zależności od występujących relacji pomiędzy wartościami zmiennych stanu w chwilach czasowych oraz w problemie estymacji wyróżnia się zagadnienia:

• filtracji, jeżeli - filtracja oznacza estymowanie wartości stanu w bieżącej chwili oraz bywa wykorzystana jako działający w czasie rzeczywistym filtr sygnałów przy przetwarzaniu sygnałów zniekształconych szumem albo jako estymator stanu dla uzyskania informacji o nie mierzonych wielkościach.
• predykcji, jeżeli - predykcja oznacza estymowanie wartości stanu w przyszłej chwili oraz bywa wykorzystana do predykcji zarówno wielkości wejściowych, jak oraz stanu dla przykładu w sterowaniu predykcyjnym (zob. też przyczynowość).
• wygładzania, jeżeli - wygładzanie oznacza estymowanie wartości stanu w pewnej uprzedniej chwili z wykorzystaniem obserwacji zebranych do chwili bieżącej oraz bywa wykorzystane w przetwarzaniu sygnałów po zebraniu obserwacji.

Zagadnienia estymacji stanu nie trzeba mylić z zagadnieniem estymacji parametrów (typowym dla identyfikacji systemów, występującym także w kontekście sterowania adaptacyjnego).

Optymalne sterowanie stochastyczne

W przypadku sterowania optymalnego sterowanie stochastyczne prowadzi do zaprojektowanie regulatora optymalnego, który będzie wykonywał pożądane zadanie sterowania przy minimalnym średnim koszcie pomimo obecności szumu. Najlepiej przebadaną formułą sterowania stochastycznego jest zapewne sterowanie liniowo-kwadratowe-Gaussa (ang. LQG, Linear-quadratic-Gaussian). Model przyjęty w tym sterowaniu jest liniowy, funkcję celu wyznacza wartość oczekiwana formy kwadratowej a (dodatkowe) zakłócenia posiadają charakter szumu o rozkładzie Gaussa.

Zasadnicze spostrzeżenie dla zcentralizowanych systemów czasu dyskretnego znane jest jako własność niewątpliwej równoważności (tzw. zasada równoważności, ang. certainty equivalence) oraz stanowi, że rozwiązanie dla sterowania optymalnego w takim przypadku jest takie same, jakie uzyskano by przy nieobecności (dodatkowych) zakłóceń. Własność ta ma zastosowanie do wszystkich układów, które są liniowe oraz kwadratowe, a założenie o rozkładzie Gaussa dopuszcza na przyjęcie formuł sterowania optymalnego (opartych na zasadzie równoważności), które są liniowymi funkcjami obserwacji regulatorów. Własność ta nie odnosi się jednak do układów sterowania zdecentralizowanego, na co wskazał Witsenhausen w swoim kontrprzykładzie (tzw. kontrprzykład Witsenhausena). Jakiekolwiek odejście od przyjętych założeń (nieliniowe równie stanu, niekwadratowa funkcja celu albo niepewność (szum) w parametrach mnożących modelu) sprawia, że własność niewątpliwej równorzędności nie jest spełniona. W przypadku dyskretnym z niepewnymi wartościami parametrów macierzy przejścia i/lub macierzy odpowiedzi równań stanu, ale ciągle z liniowym równaniem stanu oraz z kwadratową funkcją celu, da się jednak otrzymać macierzowe równanie Riccatiego, które da się iterować do każdego okresu rozwiązania. Przypadek czasu dyskretnego z niekwadratową funkcją strat ale tylko z dodatkowymi zakłóceniami także bywa obsłużony, ale jest to bardziej skomplikowane.

Rys historyczny

 Osobny artykuł: Historia automatyki.

Metody stochastyczne wprowadzono do teorii sterowania oraz telekomunikacji w okresie II wojny światowej. Badania układów stochastycznych podjęto w związku z pracami nad sterowaniem ogniem artyleryjskim. Norbert Wiener z MIT chciał posiadać swój wkład w działania wojenne oraz zaproponował, że zajmie się problemem przewidywania przyszłej pozycji samolotu. Propozycja ta opierała się na uogólnionej analizie harmonicznej – pracy jaką wykonał w latach 20. (publikacja z 1931 roku). Nad implementacją swojego systemu predykcji pracował z John’em Bigelow’em. Pracując z metodami dziedziny częstotliwości, opracował statystycznie optymalny filtr dla ciągłych sygnałów stacjonarnych (tzw. Filtr Wienera), który polepszał stosunek sygnału do szumu w systemach komunikacji. Efektem tych prac było opracowanie elektronicznego systemu do predykcji. Ostatecznie Wiener był zawiedziony albowiem system przyniósł jednynie marginalne polepszenie (mniej niż 10 procent) w stosunku do systemu opracowanego przez Laboratoria Bella. Po wykonaniu swych prac Wiener przygotował raport Ekstrapolacja, interpolacja oraz wygładzanie stacjonarnych ciągów czasowych w zastosowaniach inżynieryjnych (The Extrapolation, Interpolation and Smoothing of Stationary Time Series with Engineering Appllications, OSRD Report 370, 1 lutego 1942) znany też jako żółte niebezpieczeństwo (ang. yellow peril) z uwagi na jego żółte okładki oraz niebywale trudną matematykę. Praca Wienera była ostatecznie opublikowana w ogólnodostępnej literaturze w 1949 roku.

Niezależnie od tych prac w 1941 Andriej Nikołajewicz Kołmogorow zaprezentował teorię dla dyskretnych stacjonarnych procesów stochastycznych (odpowiednik pomysłu Wienera dla sygnałów dyskretnych). Dlatego powstała teoria filtracji optymalnej nazywana jest zwykle teorią Wienera-Kołmogorowa a wyżej wpomniany filtr nazywany jest filtem Wienera-Kołmogorowa. Wiener oraz Kołmogorow byli więc prekursorami stochastycznego ujęcia filtracji – w swych najwcześniejszych pracach zdefiniowali pojęcie procesu (sygnału) losowego (stochastycznego) charakteryzującego się pewnymi własnościami statystycznymi. Proces losowy o tych właściwościach nazywa się stacjonarnym oraz dla takiego procesu Wiener oraz Kołmogorow wykazali istnienie związków pomiędzy właściwościami statystycznymi sygnału użytecznego oraz szumu a ich charakterystykami częstotliwościowymi. Wykazali więc związek z klasyczną teorią filtracji.

W 1960 roku Rudolf Kalman oraz jego współpracownicy pracujący w Stanach Zjednoczonych, opublikowali trzy najistotniejsze artykuły. Pierwszy z nich (Kalman oraz Bertram 1960) przedstawił szerszej publice żywotną pracę Lapunowa w kontekście sterowania układami nieliniowymi z wykorzystaniem metod dziedziny czasu. W kolejny artykule Kalman przedyskutował sterowanie optymalne, przedstawiając równania dla projektowania układów z wykorzystaniem regulatora liniowo-kwadratowego (ang. LQR czyli Linear-quadratic regulator). W trzecim z artykułów Kalman opisał filtrację optymalną oraz teorię estymacji przedstawiając równania dyskretnego filtru Kalmana. Odpowiednik filtru Kalmana dla układów ciągłych opracowany stał się w 1961 roku (Kalman and Bucy 1961).

Początkowo, związek pomiędzy teorią Wienera oraz Kołmogorowa oraz Kalmana wydawał się wątpliwy, albowiem wcześniejszą teorię opracowano w dziedzinie częstotliwości, a późniejszą – w dziedzinie czasu. Istnieje jednakże pomiędzy nimi nader podstawowy związek, wynikający chociażby z faktu, że procesy stacjonarne są szczególnym przypadkiem niestacjonarnych. W chwili obecnej da się łatwo wykazać, że teoria Wienera oraz Kołmogorowa jest szczególnym przypadkiem teorii Kalmana.

Obie teorie rozwinęły się, by sprostać potrzebom chwili, wynikającym z rozwoju techniki. Warto nadmienić, że możliwości realizacji obu rodzajów filtrów były dostosowane do istniejących warunków technologicznych. Filtry Wienera realizowano przy użyciu wzmacniaczy oraz elementów niezmiennych w czasie, takich jak np. oporniki oraz kondensatory; z tym że filtry Kalmana buduje się z zastosowaniem cyfrowych układów scalonych.

W teorii sterowania Kalman sformalizował pojęcie optymalności przez minimalizację bardzo ogólnej kwadratowej uogólniającej funkcji energii. Na polu teorii estymacji wprowadził pojęcia stochastyczne, które zastosowane zostały do niestacjonarnych układów zmiennych w czasie, dostarczając w ten sposób rozwiązanie rekursywne, filtr Kalmana, dla metody najmniejszych kwadratów po raz pierwszy użytej przez Carla Friedricha Gaussa do estymacji orbit planet. Filtr Kalmana stanowi naturalne rozszerzenie filtru Wienera dla niestacjonarnych układów stochastycznych.

Sprawdź też

• zmienna losowa, proces stochastyczny, wartość oczekiwana, proces ergodyczny, autokorelacja, autokowariancja, widmowa gęstość mocy

Bibliografia

• Sanjoy K. Mitter, Filtering and Stochastic Control: A Historical Perspective, czerwiec 1996, IEEE Control Systems Magazine

Linki zewnętrzne

Answers.com