PT2 mit Totzeit in scipy simulieren

[Basti (Gast)]

Moin,

kennt sich jemand mit scipy aus? Möchte gern einen geschlossenen 
Regelkreis simulieren. Dies gelingt mir auch, aber ich lasse für jeden 
Zeitschritt das komplette System bei 0 neu simulieren. Also lsim mit den 
kompletten Vektoren neu berechnen.

Ich könnte jetzt etwas mehr Geschwindigkeit gebrauchen und wollte 
schauen, dass ich die DGL auch schrittweise lösen kann.

Bei lsim kann ich die Startbedingung der internen State-Vektoren 
übergeben (X0) jedoch weicht das System in einem Test stark ab.

Hier mal das minimal Beispiel von lsim; als zweiten Weg versucht in 
einer Schleife zu berechnen.
Kann mir jemand sagen wo mein Denkfehler liegt? Oder sollte ich noch 
weiter "unten" ansetzen und einfach selbst RK4 Integrator aufrufen?! Hat 
evtl. jemand ein Beispiel?

from scipy import signal
import numpy as np
import matplotlib.pyplot as plt

system = signal.lti([[0., 1.], [0., 0.]], [[0.], [1.]], [[1., 0.]], 0.)
t = np.linspace(0, 5)
u = np.ones_like(t)
tout, y, x = signal.lsim(system, u, t)

t = np.linspace(0, 5)
yges = []
x0 = [0., 0.]
for i in range(0, len(t) - 1):
    tout, ya, x0 = signal.lsim(system, u[i:i+2], t[i:i+2], x0[-1])
    yges.append(ya[-1])
    
plt.plot(t, y)
plt.plot(t[0:len(t) - 1], yges)
plt.show()

Danke,

Basti

[Pandur S. (jetztnicht)]

Wie macht man eine Verzoegerung um N diskrete Zeitschritte ..

wow .. ist das schwierig.

Arrays schon gehabt ? Scheint so...

Uebernimm mal.

[Basti (Gast)]

Moin,

da hat man mich wohl falsch verstanden... die Totzeit ist auch kein 
Problem, es geht um die Einzelschritte in der Loop...
Meine Überschrift ist hierzu recht verwirrend. Eigentlich steht da nur, 
was schon geht... was ich nun brauche ist mehr Speed...

Habe jedoch noch einen Hinweis gefunden:

https://www.youtube.com/watch?v=6ivdfKfGp4k

Mit python-control habe ich es nun hinbekommen:

from scipy import signal
import numpy as np
import matplotlib.pyplot as plt
import control

system = signal.lti([[0., 1.], [0., 0.]], [[0.], [1.]], [[1., 0.]], 0.)
state_space = control.StateSpace([[0., 1.], [0., 0.]], [[0.], [1.]], [[1., 0.]], 0.)
t = np.linspace(0, 5)
u = np.ones_like(t)
tout, y, x = signal.lsim(system, u, t)

yges = []
x0 = np.zeros(len(state_space.pole()))
dt = t[1] - t[0]
for i, t_i in enumerate(t):
    tout, ya, x0 = control.forced_response(state_space, [t_i-dt, t_i], [u[i], u[i]], X0=x0)
    x0 = np.squeeze(x0[:,-1])
    yges.append(np.squeeze(ya[:-1]))
    
plt.plot(t, y)
plt.plot(t, yges)
plt.show()

Interessant ist, dass control.forced_response initial mit einer 
negativen Zeit aufgerufen wird, was lsim nicht erlaubt. Das Ergebnis ist 
aber exakt gleich...

Vielleicht hangel ich mich hier weiter...

[Pandur S. (jetztnicht)]

Ist halt schwierig zu beurteilen wo die Zeit vergeht wenn das Programm 
nur aus ein paar Libraryaufrufen besteht.