Практика 1 — 4 вопроса
1. Что означают SISO и MIMO и для чего модели в пространстве состояний используются в MPC? [1]
2. Как связаны передаточная функция и дифференциальное уравнение, как перейти к системе уравнений и обеспечить заданный коэффициент усиления? [1]
3. Как устроена модель в пространстве состояний, что обозначают её переменные и матрицы и как выполнить дискретизацию и моделирование разомкнутой системы? [1]
4. Как записывается закон П-регулирования и моделируется замкнутая система с П-регулятором и моделью объекта в пространстве состояний? [1]
Практика 2 — 5 основных вопросов
1. Как объяснить колебания экспериментальных данных недостаточным порядком полинома или шумом, к чему приводит каждый подход и какой выбрать? [2]
2. Как выразить регрессионные остатки через данные и коэффициенты модели и записать критерий МНК в скалярной и векторной формах? [2]
3. Чем МНК-оценки коэффициентов отличаются от истинных значений и должны ли они совпадать? [2]
4. Чем различаются вектор коэффициентов регрессии и вектор его МНК-оценок? [2]
5. Как решается задача минимизации критерия МНК и выводится формула оценок коэффициентов регрессии? [2]
Практика 2 — 3 старых вопроса по планированию эксперимента
1. Какие факторы вызывают разброс напора при одинаковом расходе насоса и чем обоснованы его случайность и нормальная модель шума, если привести хотя бы три причины? [2]
2. Как записать вероятностную модель выборки до измерений в скалярной и векторной формах, указав её составляющие, размерности и структуру факторов для линейной и полиномиальной зависимостей? [2]
3. Как получить МНК-оценки по экспериментальным данным, объяснить смысл остатков и критерия качества, интерпретировать их графики и вывести нормальные уравнения? [2]
Практика 3 — 4 вопроса
1. Чем отличается оптимизация с ограничениями от оптимизации без них и к каким видам относятся рассматриваемые задачи МНК, ОМНК, ММНК и квадратичного программирования? [3]
2. Как записываются и решаются задачи МНК, ОМНК и ММНК, задаются веса относительных ошибок и априорные коэффициенты и выполняется переход между этими методами? [3]
3. Как формулируется задача квадратичного программирования с ограничениями-неравенствами, чем она отличается от задач МНК и когда квадратичная форма имеет минимум или максимум? [3]
4. Как представить ММНК с априорными границами коэффициентов как квадратичную задачу и объяснить различия между безусловным, усечённым и точным ограниченным решениями? [3]
Практика 4 — 5 вопросов
1. Как MPC выбирает оптимальную последовательность управления и как объяснить смысл, размерности и графическую интерпретацию слагаемых критерия на примере системы 2 на 2? [4]
2. Как вывести векторный прогноз, определить структуру и размерности матриц, выразить критерий MPC через управление и получить решение по аналогии с ММНК? [4]
3. Зачем MPC рассчитывает последовательность воздействий, применяет только первое и пересчитывает прогноз на каждом шаге и как получить состояние объекта по измерениям? [4]
4. Как выбирать горизонт прогноза и веса MPC с учётом их влияния на переходный процесс, статическую ошибку, перерегулирование, затраты на управление и связь с АКР? [4]
5. Как MPC работает при несовпадении модели с объектом, чем различаются модель процесса и прогнозирующая модель, что означает программное управление и чем MPC отличается от АКР? [4]
