Identificazione di modelli lineari
Utilizzare l'identificazione di modelli lineari quando un modello lineare è sufficiente per catturare completamente la dinamica del sistema. È possibile identificare i modelli lineari nell'app System Identification o dalla riga di comando. System Identification Toolbox™ consente di creare e stimare quattro tipi generali di modelli lineari.
Modelli parametrici: stimare i parametri in strutture, quali i modelli di funzione di trasferimento, i modelli lineari stato-spazio, i modelli polinomiali e i modelli di processo.
Modelli di risposta in frequenza: stimare modelli spettrali utilizzando l'analisi spettrale.
Modelli di correlazione: eseguire la stima non parametrica di modelli a risposta impulsiva utilizzando l'analisi di correlazione.
Modelli lineari grey-box: stimare i coefficienti di equazioni arbitrarie ordinarie differenziali o di differenza, incorporando informazioni sul sistema ottenute da conoscenze pregresse o deducibili da principi fisici.
L'identificazione del modello lineare richiede la presenza di dati nel dominio della frequenza o nel dominio del tempo con campionamento uniforme. I dati possono avere uno o più canali di input e di output. Per ulteriori informazioni, vedere About Identified Linear Models. Utilizzando strutture di modelli parametrici, come AR e ARMA, è inoltre possibile modellare i dati delle serie temporali, che contengono un singolo canale di output e nessun canale di input.
È possibile utilizzare i modelli identificati per simulare e prevedere l'output del modello dalla riga di comando, nell'app o in Simulink®.
Categorie
- Nozioni di base sull'identificazione di modelli lineari
Informazioni essenziali per l'identificazione di modelli lineari, la selezione di strutture adeguate del modello, la costruzione e la modifica di strutture dell'oggetto del modello e l'utilizzo della stima regolarizzata
- Modelli di processo
Modelli di funzione di trasferimento di ordine basso con guadagno statico, costante di tempo e ritardo di input/di output
- Modelli polinomiali di input-di output
Modelli polinomiali di input-di output, comprese le strutture dei modelli ARX, ARMAX, con errore in uscita e Box-Jenkins
- Modelli stato-spazio
Modelli stato-spazio con parametrizzazioni libere, canoniche e strutturate; modelli ARMAX equivalenti e modelli con errore in uscita (OE)
- Modelli di funzione di trasferimento
Modelli di funzione di trasferimento
- Modelli grey-box lineari
Stimare i coefficienti di equazioni lineari differenziali, di differenza e stato-spazio
- Modelli di risposta in frequenza
Modelli di risposta in frequenza ottenuti utilizzando l'analisi spettrale
- Modelli di correlazione
Modelli a risposta impulsiva ottenuti utilizzando l'analisi di correlazione
Esempi in primo piano
Glass Tube Manufacturing Process
Linear model identification of a glass tube manufacturing process.
Estimating Transfer Function Models for a Heat Exchanger
Estimate a transfer function from measured signal data.
Estimating Transfer Function Models for a Boost Converter
Estimate a transfer function from frequency response data.
Modal Analysis of a Flexible Flying Wing Aircraft
Computation of bending modes of a flexible wing aircraft.
Comparison of Various Model Identification Methods
Several identification methods available in System Identification Toolbox.
Estimating Continuous-Time Models Using Simulink Data
Illustrates how models simulated in Simulink® can be identified using System Identification Toolbox™. The example describes how to deal with continuous-time systems and delays, as well as the importance of the intersample behavior of the input.
Linear Approximation of Complex Systems by Identification
Obtain linear approximations of a complex, nonlinear system by means of linear model identification.
Analyze Data in Multivariable Systems and Identify Models
Collect MIMO data, estimate and compare models, and view corresponding model responses.
Use LSTM Network for Linear System Identification
Use Long Short-Term Memory (LSTM) neural networks to estimate a linear system and compares this approach to transfer-function estimation.
