System Identification Toolbox
System Identification Toolbox™ fornisce funzioni MATLAB®, blocchi Simulink® e app per la modellazione di sistemi dinamici, l’analisi di serie temporali e la previsione. È possibile apprendere le relazioni dinamiche tra variabili misurate per creare funzioni di trasferimento, modelli di processo e modelli nello stato degli spazi, sia a tempo continuo sia a tempo discreto, utilizzando dati nel dominio del tempo o dati nel dominio della frequenza. È possibile prevedere serie temporali utilizzando AR, ARMA o altre tecniche di modellazione autoregressiva lineare o non lineare.
La toolbox consente di stimare la dinamica del sistema non lineare utilizzando i modelli Hammerstein-Wiener e ARX non lineare con tecniche di Machine Learning, come i processi gaussiani (GP), macchine a vettori di supporto (SVM) e altre rappresentazioni. In alternativa, si possono creare modelli di equazioni differenziali ordinarie neurali (ODE) utilizzando il Deep Learning per acquisire la dinamica del sistema non lineare. La toolbox consente di eseguire l’identificazione del sistema grey-box per la stima dei parametri di un modello definito dall’utente. È possibile integrare i modelli identificati in Simulink per eseguire simulazioni rapide, atte a consentire la progettazione di controllo e le applicazioni diagnostiche e prognostiche.
Si possono eseguire stime online dei parametri e dello stato utilizzando il filtro di Kalman esteso o inodore e i filtri antiparticolato per applicazioni di controllo adattivo, rilevamento guasti e soft sensing. La toolbox consente di generare codice C/C++ per algoritmi di stima online destinati ai dispositivi integrati.
Come iniziare con System Identification Toolbox
Impara le nozioni di base di System Identification Toolbox
Preparazione dei dati
Tracciare, analizzare, invertire la tendenza e filtrare i dati nel dominio del tempo e della frequenza, generare e importare dati
Identificazione di modelli lineari
Identificare i modelli a risposta impulsiva, risposta in frequenza e parametrici, come i modelli lineari stato-spazio e i modelli di funzione di trasferimento
Identificazione di modelli non lineari
Identificare modelli ARX, Hammerstein-Wiener, grey-box e stato-spazio neurali non lineari
Stima del modello grey-box
Stimare i coefficienti di equazioni lineari e non lineari differenziali, di differenza e stato-spazio
Validazione del modello
Paragonare il modello con l'output misurato, l'analisi residua e i grafici di risposta con i limiti di confidenza
Analisi del modello
Discretizzare i modelli, convertire i modelli in altri tipi, linearizzare i modelli non lineari, simulare e prevedere l'output
Analisi delle serie temporali
Analizzare i dati delle serie temporali identificando i modelli lineari e non lineari, come i modelli AR, ARMA, stato-spazio e grey-box, eseguendo l'analisi spettrale e prevedendo gli output dei modelli
Stima online
Stimare i parametri e gli stati del modello durante il funzionamento del sistema, generare codice e distribuire su target embedded
