Что именно Вас смущает? Этот метод придумал не я, это один из известных эмпирических методов.
только зачем ПИД? в бытовом и ПИ достаточно
Не спорю. Но «бытовые» системы бывают разные. Где-то вообще можно обойтись двухпозиционным регулированием, где-то нужен ПИД.
«…относительно характеристического уравнения системы …»
Я специально написал последний абзац, дабы упредить подобные комментарии.
Если для Вас проще решать данную задачу через синтез (что, безусловно, есть более правильный путь) – значит данный метод Вам не нужен. Но, ИМХО он будет полезен многим посетителям данного ресурса.
Тогда уж так – выкидываем все фильтры и ПИДы. Берем перцептрон, на входы подключаем датчики, на выходы – двигатели. Готово. Теперь осталось научить нейросеть летать :)
Ну, если вы собираете мнения, позволю высказаться.
Я думаю, что тон статьи выбран правильно, то что предлагает uni ( АЧХ, КЧХ, имп. хар-ку, перех. хар-ку) тоже хорошо, но это взорвет мозг начинающего эмбеддера :)
Единственное, ИМХО, вы слишком быстро перешли к реализации (оптимизированной реализации), она не так наглядна как мат. модель фильтра. Как по мне, теорию и расчет лучше показывать на базовой мат. модели, а потом показать как можно оптимизировать реализацию (избавиться от операций с плавающей точкой, заменить деление сдвигом).
Боюсь, что ничего не получится. Алгоритмы, которые используют нейросети, предполагают, что между входом и выходом есть некая зависимость.
Например, классическое использование нейросети – классификатор. Например, распознавание отдельных букв на изображении. На вход подается изображение, на выходе учитель говорит, какой букве алфавита оно соответствует. Алгоритм обучение пересчитывает веса связей внутри сети, и таким образом внутри сети формируется «правило», для классификации данного изображения. Между входом (изображением) и выходом (букой алфавита) есть четкая взаимосвязь, мы не можем ее описать математически, но она есть, и нейросеть в процессе обучения «находит» эту связь и «запоминает» ее в виде передаточных коэффициентов внутренних связей между нейронами.
Ну, это не модель, это симуляция работы ПИД на некой, очень идеализированной, системе. Я так понял, что роль системы у вас выполняет сумматор, который складывает все управляющие воздействия с ПИД, и эта сумма считается текущим состоянием системы. Но на практике таких систем практически не существует (например, в вашей схеме присутствует индуктивность, только за счет которой, система будет вести себя по-другому).
Но даже при такой симуляции, у вас как-то странно ПИД реагирует на коэффициент Д. Как правильно заметил amaora, дифф. составляющая «тормозит» управляющее воздействие при выходе на рабочий режим, она наоборот должна бороться с перерегулированием.
Вот смотрите, для дискретных регуляторов дифф составляющую вычисляют как Kd(E(n) – E(n – 1)).
E(n) – текущее значение рассогласования (ошибки), E(n – 1) – значение рассогласования на предыдущем шаге. Когда регулятор выводит систему на заданный режим, с каждым шагом рассогласование уменьшается. То есть E(n) < E(n – 1) и соответственно разность (E(n) – E(n – 1)) будет отрицательной. Соответственно, вклад дифф. составляющей в управляющее воздействие тоже будет отрицательной (в таком режиме дифф. составляющая уменьшает выходное воздействие, «тормозит» регулятор и помогает избежать перерегулирования).
Не понятно, почему у вас она вызывает перерегулирование (ну, теоретически, такое может быть при большом коэффициенте интегральной составляющей).
А вы, часом, в реализации ПИД E(n) и E(n – 1) местами не перепутали?
Не похоже на резонанс, слишком низкая частота, чтобы конструкция на ней резонировала. Бороться с вибрацией «механическими» методами можно, но я пока хочу выжать максимум из мат. обработки сигнала.
А вырезать этот шум еще более низкочастотным фильтром нельзя?
Более низкочастотный фильтр даст большую задержку в канале обратной связи – а это плохо.
Но пока у меня проблема в другом — я не могу избавиться от низкочастотных шумов с акселерометра. Из-за этих шумов (b*u) вносит погрешность в расчетное значение угла (порядка 3 градусов).
То есть, на неподвижном (стоящем на земле) коптере, при оборотах двигателей чуть ниже взлетных, я вижу, как вычисленный угол плавает с амплитудой в 3 градуса и периодом в 0.5 – 2 сек. При выключенных двигателях точность измерения составляет порядка десятых градуса, что вполне приемлемо.
Я не могу понять, откуда этот низкочастотный шум с частой 0.5 – 2 Гц. То, что двигатели дают вибрацию – это понятно и прогнозируемо, но это вибрация высокочастотная, легко обрезается ФНЧ. А вот откуда берутся низкочастотные шумы в акселерометре – для меня загадка.
Я так понимаю, речь идет о источнике тока для гальваники?
Если да, то зачем вам такие жесткие требования к регулятору (в частности, ко времени переходного процесса)? На сколько я понимаю, при гальванике внешние воздействия минимальны. Или я ошибаюсь?
Или даже изменения коэффициентов ПИД будет достаточно
Изменение коефициентов ПИД – саамы простой вариант, но он не всегда возможен. С аналогичной проблемой я столкнулся на коптере. Из-за низкочастотных шумов получаемых с акселерометра (вызванных, в свою очередь, вибрацией двигателей и резонансом конструкции) данные приходится сильно фильтровать. Это, в свою очередь, вносит большую задержку в обратную связь. Задержка проявляется как перерегулирование.
Если уменьшать коэффициенты регулятора (увеличивать время переходного процесса) то коптер становится нестабильным, и с большой вероятностью столкнется с землей раньше, чем регулятор сможет его выровнять.
еще бы прикинуть как задержка вызванная фильтрацией повлияет на PID-регулятор
Насколько я понимаю, ничего страшного не будет, в том случае, ели задержка в обратной связи намного меньше времени переходного процесса (естественно эту задержку нужно учитывать при синтезе регулятора).
На практике, такая задержка встречается достаточно часто, например реальные термодатчики обладют «тепловой инерционностью» и вносят задержку в обратную связь.
А вот если у вас жесткие требования ко времени переходного процесса, и задержка соизмерима с этим временем – то появляются определенные проблемы. В таких случаях используют предикаторы (пытаются предсказать значение измеряемой величины).
ТАУ я изучал достаточно давно, так что могу ошибаться.
Ведь там участвуют не разнесенные во времени значения одной величины
Не совсем так. Возможно, я не понятно это описал в статье, но для внесения коррекции мы используем предыдущее значение скорректированного угла (см. шаг 4 алгоритма).
Rx = (1 — w) * Rх + w * Gx
что эквивалентно
Rx(n) = (1 — w) * Rх(n — 1) + w * Gx
artjom прав, возможно, проблема действительно связанна с реализацией malloc().
Дело в том, что FreeRTOS использует динамическое выделение памяти для выделения памяти под стек каждого потока (а также для буферов очередей и т д.). Для выделения памяти, ОС использует функцию void *pvPortMalloc( size_t xWantedSize ).
Есть несколько готовых реализаций данной функции, они лежат в подкаталоге «\FreeRTOS\Source\portable\MemMang\» и называются соответственно heap_1.c, heap_2.c, heap_3.c.
heap_1.c и heap_2.c – это самостоятельная (независимая) реализация pvPortMalloc, а вот heap_3.c реализует pvPortMalloc() через вызов стандартной malloc().
Соответственно, если у вас подключен к проекту heap_3.c, то Вы должны обеспечить реализацию malloc() (а _sbrk(), на которую у вас ругается линкер – это часть реализации malloc()).
Не спорю. Но «бытовые» системы бывают разные. Где-то вообще можно обойтись двухпозиционным регулированием, где-то нужен ПИД.
Я специально написал последний абзац, дабы упредить подобные комментарии.
Если для Вас проще решать данную задачу через синтез (что, безусловно, есть более правильный путь) – значит данный метод Вам не нужен. Но, ИМХО он будет полезен многим посетителям данного ресурса.
Тогда уж так – выкидываем все фильтры и ПИДы. Берем перцептрон, на входы подключаем датчики, на выходы – двигатели. Готово. Теперь осталось научить нейросеть летать :)
Я думаю, что тон статьи выбран правильно, то что предлагает uni ( АЧХ, КЧХ, имп. хар-ку, перех. хар-ку) тоже хорошо, но это взорвет мозг начинающего эмбеддера :)
Единственное, ИМХО, вы слишком быстро перешли к реализации (оптимизированной реализации), она не так наглядна как мат. модель фильтра. Как по мне, теорию и расчет лучше показывать на базовой мат. модели, а потом показать как можно оптимизировать реализацию (избавиться от операций с плавающей точкой, заменить деление сдвигом).
Это сугубо мое мнение, не сочтите за критику :)
Например, классическое использование нейросети – классификатор. Например, распознавание отдельных букв на изображении. На вход подается изображение, на выходе учитель говорит, какой букве алфавита оно соответствует. Алгоритм обучение пересчитывает веса связей внутри сети, и таким образом внутри сети формируется «правило», для классификации данного изображения. Между входом (изображением) и выходом (букой алфавита) есть четкая взаимосвязь, мы не можем ее описать математически, но она есть, и нейросеть в процессе обучения «находит» эту связь и «запоминает» ее в виде передаточных коэффициентов внутренних связей между нейронами.
А у меня на входе случайный шум…
Но даже при такой симуляции, у вас как-то странно ПИД реагирует на коэффициент Д. Как правильно заметил amaora, дифф. составляющая «тормозит» управляющее воздействие при выходе на рабочий режим, она наоборот должна бороться с перерегулированием.
Вот смотрите, для дискретных регуляторов дифф составляющую вычисляют как Kd(E(n) – E(n – 1)).
E(n) – текущее значение рассогласования (ошибки), E(n – 1) – значение рассогласования на предыдущем шаге. Когда регулятор выводит систему на заданный режим, с каждым шагом рассогласование уменьшается. То есть E(n) < E(n – 1) и соответственно разность (E(n) – E(n – 1)) будет отрицательной. Соответственно, вклад дифф. составляющей в управляющее воздействие тоже будет отрицательной (в таком режиме дифф. составляющая уменьшает выходное воздействие, «тормозит» регулятор и помогает избежать перерегулирования).
Не понятно, почему у вас она вызывает перерегулирование (ну, теоретически, такое может быть при большом коэффициенте интегральной составляющей).
А вы, часом, в реализации ПИД E(n) и E(n – 1) местами не перепутали?
Более низкочастотный фильтр даст большую задержку в канале обратной связи – а это плохо.
Но пока у меня проблема в другом — я не могу избавиться от низкочастотных шумов с акселерометра. Из-за этих шумов (b*u) вносит погрешность в расчетное значение угла (порядка 3 градусов).
То есть, на неподвижном (стоящем на земле) коптере, при оборотах двигателей чуть ниже взлетных, я вижу, как вычисленный угол плавает с амплитудой в 3 градуса и периодом в 0.5 – 2 сек. При выключенных двигателях точность измерения составляет порядка десятых градуса, что вполне приемлемо.
Я не могу понять, откуда этот низкочастотный шум с частой 0.5 – 2 Гц. То, что двигатели дают вибрацию – это понятно и прогнозируемо, но это вибрация высокочастотная, легко обрезается ФНЧ. А вот откуда берутся низкочастотные шумы в акселерометре – для меня загадка.
Если да, то зачем вам такие жесткие требования к регулятору (в частности, ко времени переходного процесса)? На сколько я понимаю, при гальванике внешние воздействия минимальны. Или я ошибаюсь?
Изменение коефициентов ПИД – саамы простой вариант, но он не всегда возможен. С аналогичной проблемой я столкнулся на коптере. Из-за низкочастотных шумов получаемых с акселерометра (вызванных, в свою очередь, вибрацией двигателей и резонансом конструкции) данные приходится сильно фильтровать. Это, в свою очередь, вносит большую задержку в обратную связь. Задержка проявляется как перерегулирование.
Если уменьшать коэффициенты регулятора (увеличивать время переходного процесса) то коптер становится нестабильным, и с большой вероятностью столкнется с землей раньше, чем регулятор сможет его выровнять.
На практике, такая задержка встречается достаточно часто, например реальные термодатчики обладют «тепловой инерционностью» и вносят задержку в обратную связь.
А вот если у вас жесткие требования ко времени переходного процесса, и задержка соизмерима с этим временем – то появляются определенные проблемы. В таких случаях используют предикаторы (пытаются предсказать значение измеряемой величины).
ТАУ я изучал достаточно давно, так что могу ошибаться.
Не совсем так. Возможно, я не понятно это описал в статье, но для внесения коррекции мы используем предыдущее значение скорректированного угла (см. шаг 4 алгоритма).
Rx = (1 — w) * Rх + w * Gx
что эквивалентно
Rx(n) = (1 — w) * Rх(n — 1) + w * Gx
Дело в том, что FreeRTOS использует динамическое выделение памяти для выделения памяти под стек каждого потока (а также для буферов очередей и т д.). Для выделения памяти, ОС использует функцию void *pvPortMalloc( size_t xWantedSize ).
Есть несколько готовых реализаций данной функции, они лежат в подкаталоге «\FreeRTOS\Source\portable\MemMang\» и называются соответственно heap_1.c, heap_2.c, heap_3.c.
heap_1.c и heap_2.c – это самостоятельная (независимая) реализация pvPortMalloc, а вот heap_3.c реализует pvPortMalloc() через вызов стандартной malloc().
Соответственно, если у вас подключен к проекту heap_3.c, то Вы должны обеспечить реализацию malloc() (а _sbrk(), на которую у вас ругается линкер – это часть реализации malloc()).