Identifikácia leteckých systémov

Vytváranie modelov na základe výsledkov pozorovania a štúdium ich vlastností je v podstate hlavnou náplňou vedy. Modely („hypotézy“, „zákony prírody“, „paradigmy“ atď.) môžu byť viac-menej formalizované, ale všetky majú tú hlavnú vlastnosť, že spájajú pozorovania do určitého všeobecného obrazu. Riešenie problému konštrukcie matematických modelov dynamických systémov na základe pozorovaných údajov o ich správaní je predmetom teórie identifikácie, ktorá sa tak stáva prvkom všeobecnej vedeckej metodológie. A keďže sme obklopení dynamickými systémami, metódy identifikácie systémov majú široké uplatnenie. Účelom tejto časti je: poskytnúť minimálnu predstavu o dostupných metódach identifikácie, ich zdôvodnení, vlastnostiach a aplikáciách.

Dynamické systémy

Voľne povedané, systém je objekt, v ktorom dochádza k interakcii medzi rôznymi typmi premenných a vytvárajú sa pozorovateľné signály.

Pozorovateľné signály, ktoré nás zaujímajú, sa zvyčajne nazývajú výstupné signály. Všetky ostatné signály sa nazývajú vstupné signály a poruchy a poruchy sa dajú rozdeliť do dvoch tried: tie, ktoré sa merajú priamo, a tie, ktoré sa dajú posúdiť len nepriamo podľa vplyvu, ktorý majú na výstupný signál.

Obr. 3.2 Pohyb lode v horizontále Obr. 3.3 Systém dynamiky riadenia

rovina (δ-príkaz do volantu, ovládanie (δ-vstupný signál, ψ-výstup

ψ - uhol kurzu) signál, υ - nemerané rušenie)

Ryža. 3.4. Vstupno-výstupné údaje pre systém dynamiky riadenia lode (interval medzi meraniami -10 s.)

Príklad Dynamika riadenia lode.

Pohyb plavidla nastáva pôsobením ťažnej sily lodnej skrutky a závisí od polohy kormidiel, sily a smeru vetra a vĺn. Pozri obr. 3.2. Za podproblém môžeme považovať najmä problém závislosti kurzu lode (smeru pohybu provy) od polohy kormidiel pri konštantnej ťažnej sile. Tento systém je znázornený na obr. 3.3. Záznamy pozorovacích údajov sú znázornené na obr. 3.4. Dĺžka pozorovacieho intervalu bola 25 minút, merania sa robili každých 10 s.

Postup identifikácie systému. Tri hlavné zložky

Vytváranie modelov z pozorovacích údajov zahŕňa tri hlavné komponenty.

1. Údaje.

2. Mnoho kandidátskych modelov.

3. Pravidlo na hodnotenie miery zhody testovaného modelu s údajmi z pozorovania
Vyjadrime sa ku každej z týchto zložiek.

1. Údaje z pozorovania. Vstupno-výstupné dáta sa niekedy zaznamenávajú počas cielených identifikačných experimentov, kedy môže užívateľ určiť zoznam a momenty merania signálov a niektoré vstupné signály môžu byť ovládateľné. Problém plánovania experimentu
Súdruh teda je, že berúc do úvahy možné obmedzenia,
vyberte najinformatívnejšie údaje o signáloch systému. V niektorých prípadoch
V niektorých prípadoch môže byť používateľ zbavený možnosti ovplyvniť priebeh experimentu a
musí vychádzať z bežných prevádzkových údajov.

2. Veľa modelov. Vytvorí sa súbor kandidátskych modelov
stanovením skupiny modelov, v rámci ktorej budeme hľadať
najvhodnejší. To je nepochybne najdôležitejšie a zároveň najdôležitejšie
ťažká časť postupu identifikácie. Práve v tomto štádiu je znalosť formálneho
vlastnosti modelov musia byť kombinované s apriórnymi znalosťami, inžinierstvom
umenie a intuícia. Mnohé modely sú niekedy výsledkom opatrnosti
pevné modelovanie, po ktorom na základe zákonov fyziky a iných spoľahlivých
znalostí sa vytvorí model, ktorý zahŕňa fyzikálne parametre s ešte neurčenými
ny hodnoty. Ďalšou možnosťou je, že bez akéhokoľvek fyzického
Kto je dôvodom na používanie štandardných lineárnych modelov. Veľa z nich
modely, v ktorých sa parametre považujú predovšetkým za variabilné
prostriedky na prispôsobenie modelov dostupným údajom a neodrážajú fyziku procesu,
volal čierna krabica. Mnoho modelov s prispôsobiteľnými parametrami,
schopné fyzikálnej interpretácie sú tzv šedé boxy.

3. Určenie modelu „najlepšej“ zostavy na základe pozorovacích údajov.
Táto časť je v skutočnosti spôsob identifikácie. Hodnotenie kvality modelu súvisí s
spravidla so štúdiom správania modelov v procese ich využitia na reprodukciu
produkty nameraných údajov.

Potvrdenie modelu. Výsledkom všetkých troch etáp identifikačnej procedúry je, aspoň v implicitnej forme, konkrétny model: jeden z mnohých a taký, ktorý v súlade so zvoleným kritériom najlepšie reprodukuje pozorovacie dáta.

Zostáva skontrolovať, či je model „dostatočne dobrý“, t.j. či model plní svoj účel. Tieto testy sú známe ako postupy overovania modelov. Patria sem rôzne postupy hodnotenia zhody modelov s pozorovanými údajmi, apriórnymi informáciami a stanoveným aplikačným cieľom. Nízka výkonnosť modelu na každom z týchto komponentov spôsobuje, že model odmietame, zatiaľ čo dobrý výkon vytvára určitý stupeň dôvery v model. Model nikdy nemožno považovať za konečný a pravdivý popis systému. Možno to skôr považovať za spôsob, ako primerane dobre opísať tie aspekty správania systému, ktoré nás najviac zaujímajú.

Identifikačný obvod systému. Postup identifikácie systému generuje nasledujúcu prirodzenú logiku činnosti: (1) zbierať údaje; (2) vyberte sadu

modely; (3) vyberte najlepší model z tejto sady. Avšak celkom

Ryža. 3.5. Systém identifikácie obvod

je pravdepodobné, že prvý takto nájdený model neprejde testom vo fáze potvrdenia. Potom sa musíte vrátiť a skontrolovať rôzne kroky postupu. Existuje niekoľko dôvodov pre nedokonalosť modelov:

Numerická metóda neumožňuje nájsť najlepší model podľa zvoleného kritéria;

Kritérium bolo zvolené zle;

Mnohé modely sa ukázali ako neúplné v tom zmysle, že v tomto mnoho
Vo všeobecnosti neexistuje žiadny „dostatočne dobrý“ popis systému;

Mnohé údaje z pozorovania neboli dostatočne informatívne
zabezpečiť výber dobrých modelov.

Hlavnou vecou v identifikačných aplikáciách je v podstate iteračné opätovné
riešenie všetkých týchto otázok, najmä tretej, na základe apriórnych informácií a
výsledky predchádzajúcich pokusov. Pozri obr. 3.5.

Parametrická identifikácia objektov.

Pri konštrukcii modelov zložitých technických systémov je jednoduchosť matematického popisu niekedy nemenej dôležitá ako univerzálnosť modelu a jeho primeranosť vo všetkých prevádzkových podmienkach objektu.

V skutočnom experimente, keď a priori informácie o skúmanom systéme, procesoch v ňom prebiehajúcich a prevádzkových poruchách často nestačia na odôvodnenie výberu identifikačného algoritmu a typu vytváraného modelu, je vhodné problém vyriešiť. v triede lineárnych modelov využívajúcich „hrubé“ odhadovacie algoritmy.

Použitie identifikačných algoritmov založených na metóde najmenších štvorcov v porovnaní s inými kladie minimálne obmedzenia a umožňuje získať spoľahlivé odhady v širokej škále podmienok.

Popis lineárnych systémov.

Keďže spracovanie signálov v počítači prebieha diskrétne, odporúča sa opísať lineárne systémy a signály založené na Z– premeny. V tomto prípade sú nepretržité procesy a odozva systému vzorkované s krokom hodín T0. (Pozri obrázok 3.6).

k = t/To

Prechod na diskrétny čas k=t/To umožňuje opísať správanie lineárneho systému pomocou diferenčnej rovnice.

Použitie konceptu Z– operátor, kde je súvislý odkaz znázornený celkom jednoducho.

Všeobecná forma:

alebo (späť) v časovej doméne:

Späť v časovej oblasti:

Diferenciálna rovnica systému:

Kde τ je čisté oneskorenie.

Prenosová funkcia má teda tvar:

Trochu teórie

Tento systém diferenciálnych rovníc je charakterizovaný svojimi parametrami. V našom prípade je a, b, c A d. Môžu byť statické alebo dynamické.

Čo znamenajú tieto koeficienty?

Vo vzťahu k reálnym fyzikálnym dynamickým systémom majú tieto koeficienty diferenciálnej rovnice špecifickú fyzikálnu súvislosť. Napríklad v systéme orientácie a stabilizácie kozmickej lode môžu tieto koeficienty zohrávať rôznu úlohu: koeficient statickej stability kozmickej lode, koeficient účinnosti palubného riadenia, koeficient schopnosti meniť trajektóriu atď. Čítaj viac.

Úloha pozorovania a merania

Aby bol systém identifikovateľný, musí byť pozorovateľný. To znamená, že poradie matice pozorovateľnosti sa musí rovnať poradiu systému. Prečítajte si viac o pozorovateľnosti.

Pozorovanie procesov vyskytujúcich sa v objekte prebieha takto:

• pri- vektor sledovaných parametrov;
• H- matica prepojenia medzi stavovými parametrami a sledovanými parametrami;

Viac o vektoroch a matriciach

Dynamický systém, ktorý sme opísali vyššie, môže byť reprezentovaný vo forme vektorovej matice:
Kde:

- interferenčná zložka.

Ako vidíme, chyba merania môže byť aditívna (v prvom prípade) alebo multiplikatívna (v druhom prípade)

Problém s identifikáciou

Je vidieť, že parametre sú rovnaké b = 1, c = 0,0225 A d = -0,3. Parameter a pre nás neznámy. Skúsme to odhadnúť pomocou metódy najmenších štvorcov.

Úloha je nasledovná: na základe dostupných vzorových pozorovacích údajov výstupných signálov s intervalom vzorkovania Δt je potrebné odhadnúť hodnoty parametra, ktorý zabezpečuje minimálnu hodnotu funkčného nesúladu medzi modelom a skutočnými údajmi.

Kde je nesúlad, definovaný ako rozdiel medzi výstupom skúmaného objektu a reakciou vypočítanou z matematického modelu objektu.

Rozpor pozostáva z nepresností v štruktúre modelu, chýb merania a nezapočítaných interakcií medzi prostredím a objektom. Bez ohľadu na povahu chýb, ktoré sa vyskytnú, metóda najmenších štvorcov minimalizuje súčet kvadratického rezídua pre diskrétne hodnoty. OLS v zásade nevyžaduje žiadne a priori informácie o hluku. Ale aby získané odhady mali požadované vlastnosti, budeme predpokladať, že šum je náhodný proces, akým je napríklad biely šum.

Odhad najmenších štvorcov minimalizujúci kritérium J, sa zistí z podmienky existencie minimálneho funkčného:

Dôležitou vlastnosťou odhadov OLS je existencia iba jedného lokálneho minima, ktoré sa zhoduje s globálnym. Preto je hodnotenie jedinečné. Jeho hodnota je určená zo stavu extrému funkcionálu J:

To znamená, že je potrebné brať deriváciu funkcionálu s ohľadom na a a nastavte ju na nulu.

Upozorňujeme, že ide o „namerané“ hodnoty fázových súradníc a (alebo) a sú fázové súradnice a (alebo) vypočítané z matematického modelu objektu. Ale v modeli objektu, prezentovanom vo forme systému diferenciálnych rovníc, nie sú explicitne vyjadrené. Aby sme sa zbavili tohto šialenstva, je potrebné vyriešiť tento systém diferenciálnych rovníc s danými počiatočnými podmienkami.

Môžete to vyriešiť manuálne alebo pomocou akéhokoľvek softvéru. Riešenie v MatLab bude ukázané nižšie. Výsledkom by mal byť systém algebraických rovníc pre každý časový okamih:

Kde môžem získať tieto „namerané“ hodnoty fázových súradníc?

Vo všeobecnosti sú tieto hodnoty prevzaté z experimentu. Ale keďže sme nevykonali žiadny experiment, vezmeme tieto hodnoty z numerického riešenia nášho systému diferenciálnych rovníc pomocou metódy Runge-Kutta 4-5 rádov. Vyberieme parameter

Riešenie nájdeme pomocou vstavaných funkcií balíka MatLab. Čítaj viac. Riešenie pomocou tejto metódy je uvedené nižšie.

% označuje typ premenných
syms x(t) y(t) a
% rieši systém za daných počiatočných podmienok
S = dsolve(diff(x) == a*x + 1*y,"x(0)=20", diff(y) == 0,0225*x - 0,3*y,"y(0)=20") ;
% volíme riešenie prvej fázovej súradnice, keďže je v jej rovnici
% obsahuje požadovaný parameter a
x(t) = S.x;
% nájdeme parciálnu deriváciu prvej rovnice vzhľadom na parameter a (in
% podľa metódy najmenších štvorcov)
f=diff(x(t),"a");
% Teraz si výsledný výraz trochu zjednodušíme
S1=simplify(f);
% nastaví premennú t na pole hodnôt T
t=T;
% nájdeme výrazy obsahujúce parameter a pre každý časový okamih
SS=eval(S1);
% je teraz v slučke a do každého výrazu nahrádza hodnotu „namerané“.
% prvej fázovej súradnice určíme parameter a pre každý moment
% času T. Hodnoty „nameranej“ fázovej súradnice berieme z riešenia SDE
% pomocou metódy 4. rádu Runge-Kutta
pre i=2:81
SSS(i)=rozlúštiť(SS(i)==X(i,l),a);
koniec
ist=nuly(dĺžka(T),1);
ist(1:dĺžka(T))=-0,7;
obrázok; plot(T,SSS,"b--",T,ist,"r-");
legenda("odhad parametra a","skutocna hodnota");
mriežka zapnutá;

Na grafe modrý bodkovanýčiara označuje odhad parametra a červená pevná látkačiara priamo označuje „skutočnú“ hodnotu parametra modelu. Vidíme, že približne po 3,5 sekundách sa proces stabilizuje. Malý nesúlad medzi odhadom parametra a „skutočnou“ hodnotou je spôsobený chybami pri riešení systému diferenciálnych rovníc metódou Runge-Kutta.

Parametrická identifikácia lineárnych objektov

Účel prednášky:

Štúdium metód parametrickej identifikácie lineárnych objektov (statických a dynamických deterministických objektov).

Za lineárne objekty považujeme alebo objekty, ktoré pri dostatočnej miere priblíženia možno zameniť za lineárne. V parametrickom prípade je model definovaný súborom parametrov, ktoré je potrebné vyhodnotiť počas procesu identifikácie. Aby sme pochopili postup na minimalizáciu zvyškového funkcionálu, uvažujme najprv o statickom deterministickom prípade.

14.1 Statické deterministické lineárne modely

Model lineárneho závodu s n vstupmi a m výstupmi má jedinečnú štruktúru a je opísaný systémom lineárnych algebraických rovníc

m(n+1) sú identifikované koeficienty c ij, i =1,..., m; j = 0,…, n.

Vo vektorovej forme má tento systém tvar

Kde X = (X 1 , X 2, ,…, X n ) - vchod; Y = (r 1 , r 2, ,…, r n ) - VÝCHOD; Co = (cio, ..., cm0);

Informácie o objekte môžu byť vyjadrené vo forme (X j , Y j k ), k =1,…,m, .

C0 a C sú identifikované.

Uvažujme prípad n>1, m=1. Prípad m>1 sa redukuje na m-násobné opakovanie posudzovaného prípadu.

takže, alebo

(n+1) neznáme koeficienty podliehajú odhadu na základe informácií (X j , Y j ), j =1,…,N, kde X j =(x 1 j, x 2 j, …, x nj) - j-e stav vstupu, Y j – reakcia na tento vstup.

Zvyčajným prístupom k riešeniu tohto problému je porovnávanie výstupov objektu a modelu

, (14.1)

Získali sme N rovníc s (n+1) neznámymi (systém identifikačných rovníc). Tento systém má unikátne riešenie v prípade hodnosti matice

(14.2)

To je možné, ak sa nájde (n+1) lineárne nezávislých riadkov tejto matice. Preto z N párov treba vybrať (n+1) lineárne nezávislý riadok:

V tomto prípade riešenie (14.1) určuje presnú hodnotu identifikovaných parametrov (ak je objekt skutočne lineárny).

Táto metóda však nevyužíva všetky pôvodné informácie. Využime to. Predstavme si rozpor:

kde je lokálny nesúlad (na i-tom páre).

Problém odhadu parametrov C možno teraz znázorniť ako problém minimalizácie rezidua (14.3), teda redukovaný na sústavu lineárnych algebraických rovníc:

(14.4)

Determinant tohto systému sa nerovná nule, ak sa poradie (14.2) rovná (n+1).

Riešenia sústav (14.1) a (14.4) sa zhodujú. Prečo používať túto zložitejšiu metódu, najmä keď (14.1) vyžaduje iba (n+1) bodov? Prečo zvyšokN – (n+1) bodov? Ak je objekt skutočne deterministický a lineárny, potom tieto body nie sú potrebné a druhá metóda by sa nemala používať. Je však možné, že objekt je takmer lineárny. Potom sa na základe dvoch bodov získa veľmi hrubý model. Zdá sa, že druhá metóda „narovnáva“ objekt.

Čo ak je poradie systému (14.4) menšie ako (n+1)? V tomto prípade:

1. Zopakujte merania (možno spočiatku neboli stavy systému dostatočne rôznorodé). Ak to znova nefunguje, zmeňte štruktúru modelu.

2. Znížte počet identifikovaných parametrov, to znamená vylúčte zohľadnenie jedného zo vstupov, napríklad toho, ktorý sa málo mení. A kým sa hodnosť (14.2) nezhoduje s jej rozmerom .

Metódy spektrálnej identifikácie sú založené na použití maticových operátorov. Tieto metódy sú ďalším vývojom frekvenčných metód a sú založené na expanzii objektových signálov do ortonormálnych funkcií, nie nevyhnutne harmonických. Výsledkom identifikácie je určenie jadra integrálnej rovnice objektu, ktorá sa v najjednoduchšom prípade lineárnych jednorozmerných systémov zhoduje s váhovou funkciou. Preto možno tieto metódy klasifikovať aj ako neparametrické metódy identifikácie.

Spektrálne metódy možno použiť na identifikáciu nestacionárnych systémov, ktorých parametre, a najmä jadro integrálnej rovnice, sa v čase menia.

Parametrická identifikácia

Parametrická identifikácia objektových modelov umožňuje okamžite nájsť hodnoty koeficientov objektového modelu z nameraných hodnôt riadených y a riadiacich u signálov objektu. Predpokladá sa, že štruktúra a poradie objektového modelu sú už známe. Namerané hodnoty y a u sú reprezentované ako časový rad, takže ako výsledok identifikácie sú parametre odhadnuté ARSS- objektové modely, prípadne parametre jeho funkcie diskrétneho prenosu. Poznať šance ARSS- model a jeho štruktúru je možné presunúť do spojitých štruktúrovaných modelov a modelov v stavovom priestore.

V problémoch s parametrickou identifikáciou sa používajú modely objektu so šumom merania, špecifikovaným prenosovými funkciami a štruktúrou. Vzhľadom na zadané poradie modelov je úlohou parametrickej identifikácie stochastického systému určiť odhady koeficientov polynómov modelu A, B, C a D na základe výsledkov vstupných meraní. u(t) a výstup y(t). Vlastnosti výsledných odhadov (konzistentnosť, nezaujatosť a účinnosť) závisia od charakteristík vonkajších porúch a spôsobu identifikácie, pričom významnú úlohu zohráva typ distribučného zákona vonkajších porúch.

Dôležitou výhodou metód parametrickej identifikácie je možnosť využitia rekurentných algoritmov, ktoré umožňujú priebežnú identifikáciu v reálnom čase pri nominálnych prevádzkových podmienkach objektu. Tieto výhody predurčili široké využitie metód parametrickej identifikácie v problémoch riadenia a automatizácie. Tieto metódy zahŕňajú: metódu najmenších štvorcov, metódu maximálnej pravdepodobnosti a metódu stochastickej aproximácie.

"Modelovanie systému"

1 Metódy parametrickej identifikácie riadiacich objektov.

2 Metódy štrukturálnej identifikácie riadiacich objektov.

3 Metódy matematického spracovania experimentálnych informácií (regresná analýza).

4 Metódy experimentálneho plánovania (úplný faktoriálny experiment).

5 Analytická metóda na zostavovanie matematických modelov založených na okamžitých bilanciách tokov hmoty a energie.

1 Metódy parametrickej identifikácie riadiacich objektov.

štrukturálne A parametrické identifikácia.

V štádiu parametrickej identifikácie sa vykoná experimentálne overenie modelu.

Účel parametrickej identifikácie: objasnenie (úprava) vnútorných parametrov, keď pomocou štrukturálnej identifikácie nie je možné dosiahnuť potrebnú primeranosť modelu k reálnemu objektu.

Používajú sa tieto kritériá: modulárne, kvadratické, exponenciálne, minimax, vážené kritériá. Úloha spočíva v odhade celkového nesúladu, ktorý slúži ako hlavné kritérium používané na identifikáciu modelu.

Ak relatívny kvadratický nesúlad nepresiahne 5% súčtu druhých mocnín experimentálnych hodnôt výstupného parametra objektu, potom sa model považuje za primeraný.

Parametrické metódy identifikácie

Metódy sa líšia v závislosti od modelu.

Modely sú:

1. Statické a dynamické.

2. Deterministické a stochastické.

3. Lineárne a nelineárne.

4. Nepretržité a diskrétne.

Identifikácia je rozdelená:

1. Aktívne a pasívne metódy.

2. Nepretržité a diskrétne.

Parametrická identifikácia pre statický deterministický modelr = F(X)

Objektový model je lineárny, má n vstupov, m výstupov a štruktúru opísanú sústavou rovníc, ktorá má vo vektorovej forme tvar:

Y = B 0 + BX.

Povedzme, že model má niekoľko vstupov a jeden výstup, obsahuje číslo k = n+ 1 neznáme parametre.

Uvažujme o metóde neadaptívnych krokov vo vzťahu k riešeniu tohto problému. Podstata metódy: výstupy objektu a modelu sú v každom z nich rovnaké n experimentov, výsledkom je systém z N identifikačné rovnice s n+1 neznámych, čo má jedinečné riešenie, ak je poradie matice rovné n+ 1..

Táto podmienka môže byť porušená, ak sa v niektorých experimentoch ukáže, že viacero faktorov je stabilizovaných, napríklad technológiou. Potom zvyšujú počet experimentov, aktívne zasahujú do chodu objektu, či znižujú počet identifikačných parametrov.

Ako identifikačné kritérium sa používa celkový nesúlad medzi modelom a objektom.

Zoberme si metódu adaptívneho kroku. Podstata metódy: hodnoty parametrov modelu sú spojené v dvoch po sebe nasledujúcich krokoch:

Kde J- adaptačný algoritmus.

Ako takýto algoritmus sa často používa metóda najstrmšieho zostupu.

Výhody metódy: schopnosť využívať aktuálne informácie.

Nevýhoda: sú problémy s konvergenciou adaptačného procesu.

Parametrická identifikácia nelineárnych modelov

Predpokladá sa, že štruktúra nelineárneho modelu je súčtom lineárnych a nelineárnych častí. V tomto ohľade je algoritmus podobný lineárnemu, len je potrebné vziať do úvahy nelinearitu modelu.

Objekt sa odráža ako funkcia F(X, B) s neznámymi parametrami B.

Neznáma funkcia objektu F 0 (X) je reprezentovaná ako známa funkcia s neznámymi parametrami Y = F(X, B). Na určenie neznámych parametrov B, porovnajte stav modelu a objektu pre každé z pozorovaní. Riešenie redukuje na problém minimalizácie celkového nesúladu:

2 Metódy štrukturálnej identifikácie riadiacich objektov.

Identifikácia objektov - konštrukcia optimálnych matematických modelov na základe implementácie ich vstupných a výstupných parametrov.

Identifikačná úloha: kvantitatívne posúdenie miery identity modelu k reálnemu objektu.

V závislosti od apriórnych (počiatočných) informácií o objekte existujú štrukturálne A parametrické identifikácia.

Predmetom štrukturálnej identifikácie je určenie typu funkcie Y teória týkajúca sa vstupných premenných X. Štrukturálna identifikácia zahŕňa: vyhlásenie o probléme; výber štruktúry modelu a jeho matematický popis; modelový výskum.

Úlohy odhalenia štruktúry objektu: 1) izolácia objektu od prostredia; 2) zoradenie vstupov a výstupov objektu podľa miery ich vplyvu na konečný cieľový ukazovateľ; 3) určenie racionálneho počtu vstupov a výstupov objektu zohľadnených v modeli; 4) určenie charakteru spojenia medzi vstupom a výstupom objektového modelu.

1) Výber objektu z prostredia je daný účelmi, na ktoré je model stavaný. Model je postavený tak, aby mal minimum prepojení s vonkajším prostredím. V závislosti od informácií o objekte sa vykoná prechod do zložitejšej podoby objektu. Ďalej sa objekt rozširuje pridaním časti prostredia a tento proces sa opakuje, kým sa efektívne nedosiahnu ciele manažmentu.