Identificazione di modelli non lineari
Utilizzare l'identificazione di modelli non lineari quando un modello lineare non cattura completamente la dinamica del sistema. È possibile identificare i modelli non lineari nell'app System Identification o dalla riga di comando. System Identification Toolbox™ consente di creare e stimare quattro strutture di modelli non lineari:
Modelli ARX non lineari: rappresentare le non linearità del sistema utilizzando oggetti di mappatura dinamica non lineare come le reti wavelet, di partizione ad albero e le reti sigmoidee.
Modelli Hammerstein-Wiener: stimare le non linearità statiche in un sistema altrimenti lineare.
Modelli grey-box non lineari: rappresentare il sistema non lineare utilizzando equazioni differenziali ordinarie o di differenza (ODE) con parametri non noti.
Modelli stato-spazio neurali: utilizzare le reti neurali per rappresentare le funzioni che definiscono la realizzazione dello stato-spazio non lineare del sistema.
L'identificazione di modelli non lineari richiede la presenza di dati nel dominio del tempo con campionamento uniforme.. I dati possono avere uno o più canali di input e di output. È inoltre possibile modellare i dati delle serie temporali utilizzando modelli ARX non lineari e modelli grey-box non lineari. Per ulteriori informazioni, vedere About Identified Nonlinear Models.
È possibile utilizzare i modelli identificati per simulare e prevedere l'output del modello dalla riga di comando, nell'app o in Simulink®. Se si dispone di Control System Toolbox™, è inoltre possibile linearizzare il modello e utilizzarlo per la progettazione di sistemi di controllo. Per ulteriori informazioni, vedere Linear Approximation of Nonlinear Black-Box Models.
Categorie
- Nozioni di base sull'identificazione di modelli non lineari
Modelli non lineari identificati, modellazione black-box e regolarizzazione
- Modelli ARX non lineari
Comportamento non lineare modellato utilizzando reti dinamiche, come la rete sigmoidea e la rete wavelet
- Modelli Hammerstein-Wiener
Connessione di sistemi dinamici lineari con non linearità statiche, come la saturazione e la zona morta
- Modelli grey-box non lineari
Stimare i coefficienti di equazioni non lineari differenziali, di differenza e stato-spazio
- Modelli stato-spazio neurali
Utilizzare le reti neurali per rappresentare le funzioni che definiscono la realizzazione dello stato-spazio non lineare del sistema
- Modellazione di ordine ridotto
Ridurre la complessità computazionale dei modelli creando surrogati accurati
Esempi in primo piano
Nonlinear Modeling of a Magneto-Rheological Fluid Damper
Nonlinear black-box modeling of the dynamic behavior of a magneto-rheological fluid damper, using Nonlinear ARX and Hammerstein-Weiner models.
A Tutorial on Identification of Nonlinear ARX and Hammerstein-Wiener Models
Identify single-input-single-output (SISO) nonlinear black box models using measured input-output data.
Motorized Camera - Multi-Input Multi-Output Nonlinear ARX and Hammerstein-Wiener Models
Estimate multi-input multi-output (MIMO) nonlinear black box models from data.
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.
Reduced Order Modeling of Electric Vehicle Battery System Using Neural State-Space Model
A reduced order modeling (ROM) workflow, where you use deep learning to obtain a low-order nonlinear state-space model that serves as a surrogate for a high-fidelity battery model. The low-order model takes the current (charge or discharge) and state of charge (SOC) as inputs and predicts voltage and temperature of an electric vehicle (EV) battery module while the battery is being cooled by an edge-cooled plate with a coolant at a constant flow rate. You train the low-order model and deploy it in Simulink® to compare it against the high-fidelity model.
