מושגים מקדימים

פרק 1

מבוא: למה רקע מקדים חשוב?

זיהוי מערכות הוא תחום אינטר־דיסציפלינרי שעומד על מספר תחומים מתמטיים והנדסיים. ניתן לחקור אותו בכמה רמות: מהיישום המעשי בלבד (להריץ את arx ב־MATLAB ולקבל מודל), ועד להבנה תיאורטית עמוקה של מה שקורה תחת המכסה. הבחירה ביניהן תלויה בכם, אבל הניסיון מלמד שגם המהנדסים המעשיים ביותר מרוויחים מהבנת הרקע התיאורטי.

המטרה של פרק זה היא לסקור את הנושאים המקדימים הדרושים לפני תחילת הלימוד הרציני של זיהוי מערכות. עבור כל נושא נתאר מה צריך לדעת, מה החשיבות שלו בזיהוי, ואיפה ניתן ללמוד עוד. אל תצפו לכיסוי מלא – זוהי מפת דרכים, לא ספר לימוד.

הרעיון המרכזי

לא צריך לשלוט בכל הנושאים המקדימים ברמה גבוהה לפני שמתחילים ללמוד זיהוי. אבל כן כדאי שתהיה היכרות עם הרעיונות והכלים. כך, כשתפגשו אותם בהקשר של זיהוי, תוכלו להתמקד בהבנת היישום ולא להתחיל מאפס. ההמלצה שלנו: עברו על הפרק הזה, וכשתיתקלו בנושא שלא מוכר לכם, חזרו וצללו לעומק לפני שממשיכים.

מפת התחומים

זיהוי מערכות נשען על שש קבוצות תחומים מרכזיות. כל אחת חיונית להבנת היבט שונה של התהליך:

אלגברה ליניארית

מטריצות, וקטורים, היפוך, פירוקים. הבסיס לכל אמידה ולשיטות נומריות.

מערכות LTI

ליניאריות, אינווריאנטיות בזמן, יציבות, תגובות. השפה של המודלים.

תחום התדר

טרנספורם פורייה, לפלאס ו־Z. תיאור מערכות בתדר, פילטרים, רוחב פס.

הסתברות וסטטיסטיקה

משתנים אקראיים, התפלגויות, אומדנים. הבסיס לטיפול ברעש.

אופטימיזציה

מזעור פונקציות, ריבועים פחותים, גרדיאנט. הליבה של אמידת פרמטרים.

תורת הבקרה

מבוא לבקרה ליניארית, פונקציית תמסורת, יציבות בלולאה סגורה.

פרק 2

אלגברה ליניארית

אלגברה ליניארית היא שפת היסוד של זיהוי מערכות. כל אמידת פרמטרים, כל פתרון של מערכת משוואות, וכל ניתוח של מודל – כולם נשענים על מטריצות, וקטורים ופעולות אלגבריות.

נושאים חיוניים

נושא	חשיבות בזיהוי
וקטורים ומטריצות	וקטור הפרמטרים $\theta$ , מטריצת הרגרסורים $\Phi$
היפוך מטריצה	פתרון Least Squares: $\hat{\theta}=(\Phi^{T}\Phi)^{-1}\Phi^{T}Y$
נורמות	מדידת שגיאת חיזוי, מרחק בין מודלים
מטריצות סינגולריות	זיהוי בעיות התנייה כשהקלט אינו עשיר
ערכים עצמיים ווקטורים עצמיים	ניתוח יציבות במרחב מצב, פירוק PCA
פירוק SVD	שיטות זיהוי תת־מרחביות (subspace) כמו N4SID
פירוק QR	פתרון נומרי יציב של ריבועים פחותים
פסאודו־הפכי (Pseudo-Inverse)	טיפול במערכות לא הפיכות או מותנות גרוע

נורמות וקטוריות

הנורמה האוקלידית ( $L_{2}$ ) היא הנפוצה ביותר בזיהוי מערכות, כי היא מובילה לפתרון הריבועים הפחותים:

\lVert x\rVert_{2}=\sqrt{\sum_{i=1}^{n}x_{i}^{2}}

נורמות אחרות כמו $L_{1}$ (סכום הערכים המוחלטים) ו־ $L_{\infty}$ (הערך המוחלט הגדול ביותר) שימושיות באמידה חזקה (Robust Estimation) ובחיפוש לאחר אומדנים שמטפלים בחריגים.

כלל מעשי

בכל פעם שתפגשו נוסחה אלגברית של זיהוי, כדאי לזהות את הממדים של המטריצות והוקטורים. אם משהו לא מסתדר ממדית, יש שגיאה. בדיקת ממדים היא הכלי הראשון והפשוט לאיתור בעיות באלגוריתמים.

פרק 3

מערכות ליניאריות

רוב המודלים בזיהוי מערכות נשענים על תורת המערכות הליניאריות האינווריאנטיות בזמן (LTI – Linear Time-Invariant). הכרת המסגרת המתמטית הזו היא תנאי הכרחי להבנת המודלים השונים.

שתי התכונות המגדירות

ליניאריות

עיקרון העל־הצבה: התגובה לסכום קלטים שווה לסכום התגובות. זה מה שמאפשר לפרק קלטים מורכבים לרכיבים ולנתח כל אחד בנפרד.

אינווריאנטיות בזמן

תכונות המערכת אינן משתנות לאורך הזמן. ניסוי שנעשה היום יתן את אותה תוצאה כמו ניסוי שיעשה מחר.

שיטות תיאור

ישנן מספר שיטות מקבילות לתאר מערכת LTI, כל אחת עם יתרונותיה:

שיטת תיאור	תחום	חשיבות בזיהוי
משוואת הפרשים / משוואה דיפרנציאלית	זמן	הצורה הבסיסית של מודל ARX, ARMAX
תגובת הלם	זמן	תיאור מלא של המערכת, בסיס למודל FIR
פונקציית תמסורת	תדר/Z	צורה קומפקטית, ניתוח קטבים ואפסים
תגובה תדרית	תדר	בסיס לדיאגרמת בודה, זיהוי לא־פרמטרי
מרחב מצב	זמן	בסיס לזיהוי תת־מרחבי ולמערכות MIMO

המעבר בין הצורות השונות הוא חלק מרכזי בתורת המערכות. כל צורה חושפת תכונה אחרת של המערכת: משוואת הפרשים מראה את הקשר הזמני המיידי, פונקציית תמסורת חושפת את הקטבים והאפסים, ותגובה תדרית מראה את ההתנהגות בתדרים שונים.

קלט־פלט יחידי לעומת מרובה (SISO/MIMO)

מערכות SISO (קלט יחיד פלט יחיד) הן הצורה הפשוטה ביותר ומספיקות ללימוד הרעיונות הבסיסיים. מערכות MIMO (קלטים ופלטים מרובים) מורכבות יותר ודורשות אלגברה ליניארית מתקדמת יותר. רוב הזיהוי הקלאסי מתחיל מ־SISO ומתרחב ל־MIMO רק לאחר ביסוס.

פרק 4

יציבות מערכות

יציבות היא תכונה הכרחית של כל מודל שימושי. מערכת לא יציבה אינה ניתנת לשליטה, לסימולציה או לחיזוי – הפלט שלה גדל ללא גבול גם לקלטים סבירים.

הגדרת BIBO

מערכת היא יציבה במובן BIBO (Bounded-Input Bounded-Output) אם לכל קלט חסום, הפלט גם הוא חסום. זוהי ההגדרה הסטנדרטית בזיהוי מערכות ובבקרה.

|u(k)|\leq M_{u}<\infty\Rightarrow|y(k)|\leq M_{y}<\infty

קריטריונים מעשיים

למזלנו, לא צריך לבדוק את הגדרת BIBO ישירות. ישנם קריטריונים פשוטים שמספיקים לקבוע יציבות:

זמן רציף

המערכת יציבה אם ורק אם כל הקטבים שלה נמצאים בחצי המישור השמאלי – כלומר, בעלי חלק ממשי שלילי.

זמן בדיד

המערכת יציבה אם ורק אם כל הקטבים שלה נמצאים בתוך מעגל היחידה במישור Z – כלומר, $|p_{i}|<1$ .

קריטריון תגובת ההלם

המערכת יציבה אם תגובת ההלם שלה מסכמת באופן מוחלט: $\sum_{k=0}^{\infty}|h(k)|<\infty$ .

חשיבות בזיהוי

לאחר אמידת מודל, חיוני לבדוק את היציבות שלו. מודל לא יציב אינו שמיש – אם הקטבים שלו מחוץ למעגל היחידה, סימולציה תייצר פלטים מתבדרים גם אם המערכת האמיתית יציבה. ב־MATLAB, פונקציית isstable בודקת זאת אוטומטית.

פרק 5

תגובת זמן

תגובת הזמן של מערכת היא הפלט שלה כפונקציה של הזמן עבור קלט מסוים. שתי התגובות החשובות ביותר הן תגובת ההלם ותגובת המדרגה.

תגובות סטנדרטיות

סוג תגובה	קלט	שימוש בזיהוי
תגובת הלם $$h(k)$$	הלם יחידה $\delta(k)$	תיאור מלא של המערכת, בסיס למודל FIR
תגובת מדרגה $$s(k)$$	מדרגה $$u(k)=1$$	פשוטה למדידה, מספקת מדדים מעשיים
תגובת רמפה	$$u(k)=k$$	בדיקת התנהגות באינטגרטורים
תגובה לסינוס	$u(k)=A\sin(\omega k)$	בסיס לתגובה תדרית

מאפיינים מרכזיים של תגובת מדרגה

גבר במצב יציב

הערך אליו מתכנס הפלט לאחר זמן רב. נותן את היחס בין הקלט והפלט במצב סטטי.

קבוע זמן

הזמן עד שהפלט מגיע ל־63% מערכו הסופי. מתאר את מהירות המערכת.

זמן עלייה

הזמן מ־10% ל־90% מהערך הסופי. מאפיין נוסף של מהירות תגובה.

חריגה (Overshoot)

עד כמה הפלט עובר את הערך הסופי. מאפיין מערכות עם דעיכה אוסילטורית.

זמן התייצבות

הזמן עד שהפלט נשאר בתוך טווח של ±2% מהערך הסופי.

השהיה (Dead Time)

הזמן בין הפעלת הקלט לבין תחילת תגובת הפלט. בזיהוי זה $n_{k}$ .

פרק 6

תחום התדר

תחום התדר הוא דרך משלימה לתאר אותות ומערכות. במקום להסתכל על איך האות משתנה לאורך הזמן, מסתכלים על אילו תדרים הוא מכיל. זוהי פרספקטיבה עוצמתית שלעתים חושפת תכונות שאינן ברורות בתחום הזמן.

טרנספורם פורייה

טרנספורם פורייה ממיר אות מתחום הזמן לתחום התדר. עבור אות בדיד:

X(e^{j\omega})=\sum_{k=-\infty}^{\infty}x(k)e^{-j\omega k}

התוצאה היא פונקציה מרוכבת של התדר $\omega$ . הגודל $|X(e^{j\omega})|$ אומר עד כמה התדר נוכח באות, והפאזה אומרת מתי הוא נוכח. בפועל, נשתמש ב־DFT (Discrete Fourier Transform) וב־FFT לחישוב יעיל של הטרנספורם.

מושגים בסיסיים בתחום התדר

ספקטרום הספק

$\Phi_{x}(\omega)=|X(e^{j\omega})|^{2}$ . מתאר את חלוקת ההספק בתדרים. שטוח לרעש לבן, לא שטוח לרעש צבוע.

תגובה תדרית

$G(e^{j\omega})$ . מתאר איך המערכת מגיבה לסינוסים בתדרים שונים. בסיס לדיאגרמת בודה.

רוחב פס (Bandwidth)

טווח התדרים שבו המערכת "מעבירה" את הקלט (גודל מעל 3dB מתחת לגבר ה־DC). מתאר את מהירות המערכת.

תדר חתך

התדר שמעליו ההגבר יורד משמעותית. גבול בין "מועבר" ל"דחוי" של המערכת.

דיאגרמת בודה

דיאגרמת בודה היא ויזואליזציה סטנדרטית של תגובה תדרית. שני גרפים: גודל בדציבלים ( $20\log_{10}|G|$ ) ופאזה במעלות, שניהם כפונקציה של תדר בסקאלה לוגריתמית. דיאגרמת בודה חושפת ביעילות: רוחב פס, תהודות, יחס דעיכה, וזמן השהיה.

למה תחום התדר חשוב בזיהוי?

ההבדלים בין מודלים שונים מתבטאים בבירור בתחום התדר. שני מודלים יכולים להיראות דומים בתחום הזמן אך שונים בתחום התדר. בנוסף, רוב המערכות עובדות בתחום תדרים מסוים – ידיעת התחום הזה עוזרת לבחור סדר מודל ולעצב ניסוי זיהוי.

פרק 7

טרנספורם לפלאס וטרנספורם Z

טרנספורמי לפלאס ו־Z הם הכלים האלגבריים החשובים ביותר בתורת המערכות. הם הופכים משוואות דיפרנציאליות (או הפרשים) למשוואות אלגבריות פשוטות, ומאפשרים ניתוח מערכות בצורה אלגנטית.

טרנספורם לפלאס (זמן רציף)

X(s)=\mathcal{L}\{x(t)\}=\int_{0}^{\infty}x(t)e^{-st}\,dt

המשתנה $$s$$ הוא משתנה מרוכב, $s=\sigma+j\omega$ . הציר הדמיוני ( $s=j\omega$ ) מתאים לטרנספורם פורייה. חצי המישור השמאלי ( $\sigma<0$ ) הוא אזור היציבות.

טרנספורם Z (זמן בדיד)

X(z)=\mathcal{Z}\{x(k)\}=\sum_{k=-\infty}^{\infty}x(k)z^{-k}

המשתנה $$z$$ הוא משתנה מרוכב, $z=re^{j\omega}$ . מעגל היחידה ( $$|z|=1$$ ) מתאים לטרנספורם פורייה הבדיד. תוך מעגל היחידה ( $$|z|<1$$ ) הוא אזור היציבות.

תכונות עיקריות

תכונה	בזמן	בתחום הטרנספורם
ליניאריות	$$ax(t)+by(t)$$	$$aX(s)+bY(s)$$
נגזרת/השהייה	$\dot{x}(t)$ / $$x(k-1)$$	$$sX(s)$$ / $z^{-1}X(z)$
אינטגרל/סכימה	$\int x(t)\,dt$	$$X(s)/s$$
קונבולוציה	$$x(t)*y(t)$$	$$X(s)Y(s)$$
משפט הערך הסופי	$\lim_{t\to\infty}x(t)$	$\lim_{s\to 0}sX(s)$

הקשר לזיהוי

בזיהוי מערכות, נעבוד בעיקר בזמן בדיד עם טרנספורם Z או עם אופרטור ההשהייה $q^{-1}$ . פולינומים כמו $A(q^{-1})$ , $B(q^{-1})$ ו־ $C(q^{-1})$ הם הצורה הקנונית של מודלים פרמטריים. ידע בסיסי בטרנספורם לפלאס יעזור להבין את הקשר עם המערכת הרציפה המקורית, אם קיימת.

פרק 8

הסתברות וסטטיסטיקה

רעש הוא חלק בלתי נפרד של זיהוי מערכות. הבנת התכונות הסטטיסטיות של הרעש, ויכולת לאמוד פרמטרים בנוכחות אי־ודאות, הן יכולות חיוניות לכל מי שעוסק בתחום.

נושאי יסוד בהסתברות

משתנה אקראי

ערך מספרי שתוצאתו לא וודאית. מאופיין על ידי פונקציית התפלגות ופרמטרים סטטיסטיים.

תוחלת ושונות

$$E[X]$$ – הערך הצפוי, ו־ $\text{Var}(X)$ – מדד הפיזור. שני הפרמטרים הראשוניים של כל משתנה אקראי.

התפלגות נורמלית

ההתפלגות הנפוצה ביותר. בזיהוי מערכות לרוב מניחים שהרעש גאוסיאני, מה שמבסס תכונות אופטימליות של אומדנים.

קורלציה ועצמאות

קורלציה מודדת תלות ליניארית בין משתנים. בזיהוי, נשתמש בה לבדיקת שאריות ואיכות מודלים.

אמידה סטטיסטית

אמידה היא לב הזיהוי המערכות. נדרש ידע בסיסי במושגים הבאים:

מושג	פירוש	חשיבות בזיהוי
אומדן (Estimator)	פונקציה שמחשבת ערך מנתונים	כל מודל זיהוי הוא בעצם אומדן
הטיה (Bias)	הפרש בין תוחלת האומדן לערך האמיתי	מטרה לעיתים: אומדן לא מוטה
שונות האומדן	פיזור האומדן סביב התוחלת שלו	מודד את אמינות האמידה
עקביות (Consistency)	התכנסות לערך האמיתי כש־ $N\to\infty$	תכונה רצויה של אומדנים טובים
יעילות (Efficiency)	שונות מינימלית בהשוואה לאומדנים אחרים	מסומן על ידי גבול קרמר־ראו
נראות מקסימלית (ML)	בחירת פרמטרים שממקסמים את הנראות	שיטת אמידה אופטימלית בגבולות תאורטיים

רווח סמך וחישוב שגיאה

בכל אמידה, חיוני לדעת לא רק את הערך אלא גם את אי־הוודאות שלו. רווחי סמך (Confidence Intervals) מספקים טווח סביר של ערכים. ב־MATLAB, פונקציות הזיהוי כמו arx ו־armax מחזירות גם את שגיאות התקן של הפרמטרים.

פרק 9

תהליכים סטוכסטיים

תהליך סטוכסטי הוא רצף של משתנים אקראיים – הצורה הטבעית לתאר רעש ותהליכים אקראיים שמתפתחים לאורך הזמן. בזיהוי מערכות, התהליך הסטוכסטי המרכזי הוא הרעש שמופעל על המערכת.

הגדרות בסיסיות

תהליך סטוכסטי $\{X(k)\}$ הוא רצף משתנים אקראיים המאופיינים על ידי:

פונקציית התוחלת

$\mu_{X}(k)=E[X(k)]$ . במקרה הסטציונרי, התוחלת קבועה ולא תלויה בזמן.

פונקציית האוטוקורלציה

$R_{X}(\tau)=E[X(k)X(k+\tau)]$ . מודדת תלות בין דגימות בעיכובים שונים.

ספקטרום הספק

טרנספורם פורייה של פונקציית האוטוקורלציה. מתאר את חלוקת ההספק בתדרים.

תהליכים חשובים בזיהוי

תהליך	תכונות	הופעה בזיהוי
רעש לבן (White Noise)	אוטוקורלציה אפסית, ספקטרום שטוח	הנחת היסוד של רוב מודלי הזיהוי
רעש צבוע (Colored Noise)	אוטוקורלציה לא אפסית, ספקטרום לא שטוח	נדרש ARMAX או BJ לתיאור
רעש גאוסיאני	התפלגות נורמלית בכל זמן	ההנחה הסטנדרטית למשפטי אמידה
תהליך MA(q)	ממוצע נע מסדר $$q$$	פולינום $$C$$ במודל ARMAX
תהליך AR(p)	אוטו־רגרסיבי מסדר $$p$$	פולינום $$A$$ במודלים
תהליך ARMA(p,q)	שילוב של AR ו־MA	בסיס למודל הרעש ב־ARMAX

סטציונריות וארגודיות

סטציונריות אומרת שהתכונות הסטטיסטיות של התהליך לא משתנות לאורך הזמן. ארגודיות אומרת שניתן לחשב תכונות סטטיסטיות מתוך דגימה אחת ארוכה (במקום לחזור על הניסוי פעמים רבות). שתי תכונות אלה הן הנחות יסוד של רוב אלגוריתמי הזיהוי.

פרק 10

אופטימיזציה ומזעור שגיאה

אמידת פרמטרים בזיהוי מערכות היא בעצם בעיית אופטימיזציה: מציאת הפרמטרים שממזערים פונקציית מחיר (לרוב סכום ריבועי שגיאות). ידע בסיסי באופטימיזציה הוא חיוני להבנת איך פועלים האלגוריתמים.

שיטת הריבועים הפחותים (Least Squares)

השיטה הקלאסית ביותר. ממזערת את סכום ריבועי השגיאות:

\hat{\theta}=\arg\min_{\theta}\sum_{k=1}^{N}(y(k)-\hat{y}(k,\theta))^{2}

עבור מודלים ליניאריים בפרמטרים (כמו ARX), ישנו פתרון אנליטי סגור:

\hat{\theta}=(\Phi^{T}\Phi)^{-1}\Phi^{T}Y

אופטימיזציה איטרטיבית

עבור מודלים שאינם ליניאריים בפרמטרים (כמו ARMAX), נדרשת אופטימיזציה איטרטיבית. השיטות הנפוצות:

גרדיאנט יורד

צעד בכיוון הנגדי לגרדיאנט. פשוטה אך לעיתים איטית. בסיסית לכל השיטות המתקדמות.

ניוטון

משתמשת בנגזרת השנייה (הסיאן). מהירה יותר אך יקרה חישובית ודורשת חישוב מטריצת ההסיאן.

גאוס־ניוטון

קירוב של ניוטון לבעיות ריבועים פחותים. שיטה מועדפת לאמידה ב־ARMAX.

לבנברג־מרקרדט

שילוב של גרדיאנט יורד וגאוס־ניוטון. יציב יותר ומתכנס גם בנקודות התחלה רחוקות.

אתגרים באופטימיזציה

מינימום מקומי

אופטימיזציה איטרטיבית עלולה להיתקע במינימום מקומי במקום להגיע למינימום הגלובלי. הפתרון: אתחול חכם ובדיקה מנקודות שונות.

אי־התכנסות

האלגוריתם לא מתקרב לפתרון. סיבות נפוצות: אתחול גרוע, פונקציה לא חלקה, או בחירת אלגוריתם לא מתאים.

התנייה גרועה (Ill-Conditioning)

כאשר ערכי הסינגולריים של מטריצת הרגרסורים פרוסים מאוד, האמידה רגישה לרעש מספרי. נדרשות שיטות נומריות יציבות.

פרק 11

שיטות נומריות

זיהוי מערכות מתבצע במחשב, ומחשבים עובדים עם מספרים בעלי דיוק סופי. שיטות נומריות מבטיחות שהתוצאות יישארו מדויקות גם בנוכחות שגיאות עיגול ובעיות התנייה.

נושאים חשובים

פירוק QR

שיטה יציבה לפתרון מערכות ריבועים פחותים, ללא חישוב מפורש של $(\Phi^{T}\Phi)^{-1}$ .

פירוק SVD

פירוק לערכים סינגולריים. בסיס לטיפול במטריצות לא הפיכות ולשיטות תת־מרחביות.

מספר התנייה

מודד עד כמה מערכת רגישה לרעש מספרי. ערכים גבוהים מאוד מצביעים על בעיה בנתונים.

פתרון נומרי לעומת אנליטי

לרוב הפתרון הנומרי (\ ב־MATLAB) יציב יותר מהפתרון האנליטי (inv).

טיפ מעשי ב־MATLAB

כלל הזהב

לעולם אל תכתבו theta = inv(Phi'*Phi)*Phi'*Y. במקום זה, השתמשו ב־theta = Phi\Y. הפעולה השנייה משתמשת בפירוק QR יציב נומרית, בעוד שהראשונה מחשבת היפוך מטריצה במפורש – פעולה שעלולה להיות לא יציבה. ההבדל קריטי במערכות מותנות גרוע.

פרק 12

רקע מתורת הבקרה

זיהוי מערכות הוא לעיתים קרובות שלב מקדים לתכנון בקר. רקע בסיסי בתורת הבקרה הוא חיוני להבנת מטרות הזיהוי ולשימוש המעשי במודלים שמתקבלים.

נושאי יסוד מבקרה

נושא	תיאור	הקשר לזיהוי
פונקציית תמסורת	תיאור אלגברי של מערכת LTI	הצורה הקנונית של מודלי זיהוי
קטבים ואפסים	שורשי המכנה והמונה	קובעים יציבות ודינמיקה של מודל מזוהה
לולאה פתוחה ולולאה סגורה	בלי או עם משוב	משפיע על שיטת הזיהוי המתאימה
בקר PID	בקר פרופורציונלי־אינטגרלי־דיפרנציאלי	שימוש מרכזי במודלים מזוהים
בקרת MPC	בקרה מבוססת מודל חזוי	דורשת מודל מזוהה איכותי
תכנון תדרי	בודה, ניקויסט, מקומות שורש	שיטות תכנון שעובדות עם מודלים מזוהים
מרחב מצב	תיאור פנימי של מערכת עם $$A,B,C,D$$	בסיס לזיהוי תת־מרחבי ובקרה מודרנית

לולאה סגורה וזיהוי

זיהוי בלולאה סגורה הוא נושא מתקדם בפני עצמו. כאשר המערכת פועלת תחת בקר פעיל, הקלט אינו עצמאי אלא תלוי ברעש דרך הבקר. זה גורם לאומדנים להיות מוטים אם לא משתמשים בשיטות מתאימות. הכרת מבנה הלולאה הסגורה חיונית להבנת האתגר.

פרק 13

כלים ב־MATLAB

MATLAB הוא הכלי הסטנדרטי לזיהוי מערכות, וההיכרות עם הפונקציות הבסיסיות שלו היא תנאי הכרחי לעבודה מעשית.

פונקציות חיוניות לפי תחום

% ===== Linear Algebra =====

x = A\b; % Solve linear system (stable)

[Q, R] = qr(A); % QR decomposition

[U, S, V] = svd(A); % SVD decomposition

cn = cond(A); % Condition number

e = eig(A); % Eigenvalues

% ===== Linear Systems =====

sys = tf(num, den, Ts); % Transfer function

sys = ss(A, B, C, D, Ts); % State space

p = pole(sys); % Poles

z = zero(sys); % Zeros

isstable(sys); % Stability check

% ===== Time Response =====

impulse(sys); % Impulse response

step(sys); % Step response

lsim(sys, u, t); % Custom input simulation

% ===== Frequency Domain =====

bode(sys); % Bode plot

nyquist(sys); % Nyquist plot

X = fft(x); % Fast Fourier Transform

[Pxx, f] = pwelch(x, [], [], [], fs); % Power spectrum

% ===== Probability and Statistics =====

e = randn(N, 1); % Gaussian white noise

m = mean(x); % Sample mean

s = std(x); % Standard deviation

R = xcorr(x, 'coeff'); % Autocorrelation

R = xcorr(x, y, 'coeff'); % Cross-correlation

% ===== Optimization =====

x = fminsearch(@cost, x0); % Nelder-Mead

x = lsqnonlin(@residual, x0); % Nonlinear LS

x = fminunc(@cost, x0); % Quasi-Newton

% ===== System Identification Toolbox =====

data = iddata(y, u, Ts); % Data object

m_arx = arx(data, [na nb nk]);

m_armax = armax(data, [na nb nc nk]);

compare(data, m_arx); % Compare model to data

resid(data, m_arx); % Residual analysis

טולבוקסים מומלצים

לזיהוי מערכות יעיל ב־MATLAB, מומלץ להתקין את הטולבוקסים הבאים: System Identification Toolbox (חיוני), Control System Toolbox (לתורת הבקרה), Signal Processing Toolbox (לעיבוד אותות), ו־ Statistics and Machine Learning Toolbox (לניתוח סטטיסטי מתקדם).

פרק 14

רשימת בדיקה: האם אני מוכן לזיהוי מערכות?

לפני שצוללים לתוך לימוד מודלי ARX, ARMAX וכו', בדקו את הרשימה הבאה. אם אחד מהפריטים אינו מוכר לכם, השקיעו זמן בלמידה שלו לפני שממשיכים.

1. אתם מבינים מהי מטריצה ואיך פועלת הכפלת מטריצות.

2. אתם יודעים לפתור מערכת משוואות ליניארית.

3. מכירים ערכים עצמיים וכיצד לחשבם.

4. מכירים את עיקרון העל־הצבה (Superposition).

5. מבינים יציבות במובן BIBO.

6. יודעים לזהות תגובת מדרגה ותגובת הלם.

7. מבינים מה זו פונקציית תמסורת.

8. מכירים את תחום התדר ואת דיאגרמת בודה.

9. יודעים מה זה טרנספורם לפלאס וטרנספורם Z.

10. מכירים את ההגדרות של תוחלת ושונות.

11. מבינים מה זה רעש לבן.

12. מכירים את שיטת הריבועים הפחותים.

13. יודעים לעבוד בסיסית ב־MATLAB.

14. מכירים מושגי בקרה בסיסיים (PID, לולאה סגורה).

חוסר ידע אינו מכשול

אם אתם נוקטים בכמה מהפריטים – אל תיפלו ברוח. ניתן ללמוד את הנושאים האלה במקביל ללימוד זיהוי מערכות, אם כי זה ידרוש יותר עבודה. הדרך המומלצת היא לסקור את הרקע הזה לפני שמתחילים, ולחזור אליו לפי הצורך.

פרק 15

סיכום

זיהוי מערכות הוא תחום אינטר־דיסציפלינרי שעומד על מספר תחומים מתמטיים והנדסיים. השליטה ברקע המקדים – אלגברה ליניארית, מערכות ליניאריות, יציבות, תחום התדר, הסתברות וסטטיסטיקה, אופטימיזציה ובקרה – הופכת את הלמידה של החומר המתקדם לפשוטה ומובנת הרבה יותר.

אין צורך לשלוט בכל הנושאים האלה ברמה גבוהה לפני תחילת לימוד הזיהוי. הדרך המעשית היא להכיר את המושגים הבסיסיים, ולחזור לכל נושא לעומק כשנתקלים בו ברצינות. ההשקעה ברקע משתלמת לאורך כל הלמידה ובכל תחום היישום.

שמונה כללי האצבע של הנושאים המקדימים

1. אלגברה ליניארית היא שפת הזיהוי.

2. מערכות LTI הן מסגרת היסוד של המודלים.

3. יציבות = קטבים בתוך מעגל היחידה.

4. טרנספורמים מקלים על ניתוח מערכות.

5. רעש לבן הוא הנחת היסוד הסטטיסטית.

6. אמידה היא בעצם בעיית אופטימיזציה.

7. תמיד בדקו התנייה נומרית.

8. MATLAB הוא חבר טוב – למדו אותו היטב.

השלב הבא

עם הרקע המקדים מוכן, אתם מוכנים לצלול לתוך הזיהוי עצמו. נקודת ההתחלה הטבעית היא היכרות עם המושגים הבסיסיים של זיהוי מערכות, ומשם המעבר למודל ה־ARX – המודל הפשוט והבסיסי ביותר. לאחר מכן תוכלו להתקדם למודלים מתקדמים יותר כמו ARMAX, OE ו־Box-Jenkins.

מעבר למושגים בסיסיים

נושאים מקדימים – המדריך המקיף

מבוא: למה רקע מקדים חשוב?

הרעיון המרכזי

מפת התחומים

אלגברה ליניארית

מערכות LTI

תחום התדר

הסתברות וסטטיסטיקה

אופטימיזציה

תורת הבקרה

אלגברה ליניארית

נושאים חיוניים

נורמות וקטוריות

כלל מעשי

מערכות ליניאריות

שתי התכונות המגדירות

ליניאריות

אינווריאנטיות בזמן

שיטות תיאור

קלט־פלט יחידי לעומת מרובה (SISO/MIMO)

יציבות מערכות

הגדרת BIBO

קריטריונים מעשיים

זמן רציף

זמן בדיד

קריטריון תגובת ההלם

חשיבות בזיהוי

תגובת זמן

תגובות סטנדרטיות

מאפיינים מרכזיים של תגובת מדרגה

גבר במצב יציב

קבוע זמן

זמן עלייה

חריגה (Overshoot)

זמן התייצבות

השהיה (Dead Time)

תחום התדר

טרנספורם פורייה

מושגים בסיסיים בתחום התדר

ספקטרום הספק

תגובה תדרית

רוחב פס (Bandwidth)

תדר חתך

דיאגרמת בודה

למה תחום התדר חשוב בזיהוי?

טרנספורם לפלאס וטרנספורם Z

טרנספורם לפלאס (זמן רציף)

טרנספורם Z (זמן בדיד)

תכונות עיקריות

הקשר לזיהוי

הסתברות וסטטיסטיקה

נושאי יסוד בהסתברות

משתנה אקראי

תוחלת ושונות

התפלגות נורמלית

קורלציה ועצמאות

אמידה סטטיסטית

רווח סמך וחישוב שגיאה

תהליכים סטוכסטיים

הגדרות בסיסיות

פונקציית התוחלת

פונקציית האוטוקורלציה

ספקטרום הספק

תהליכים חשובים בזיהוי

סטציונריות וארגודיות

אופטימיזציה ומזעור שגיאה

שיטת הריבועים הפחותים (Least Squares)

אופטימיזציה איטרטיבית

גרדיאנט יורד

ניוטון

גאוס־ניוטון

לבנברג־מרקרדט

אתגרים באופטימיזציה

מינימום מקומי

אי־התכנסות

התנייה גרועה (Ill-Conditioning)

שיטות נומריות

נושאים חשובים

פירוק QR

פירוק SVD