System Identification Toolbox

Creazione di modelli di sistemi dinamici lineari e non lineari a partire da dati misurati di input e output

 

System Identification Toolbox™ fornisce funzioni MATLAB® , blocchi Simulink® e un’applicazione per la costruzione di modelli matematici di sistemi dinamici da dati di input-output misurati. Consente inoltre di creare e utilizzare modelli di sistemi dinamici che non sono facilmente modellati sulla base di principi primi e specifiche. È possibile utilizzare dati di input-output nel dominio del tempo e della frequenza per identificare funzioni di trasferimento a tempo continuo e a tempo discreto, modelli di elaborazione e modelli stato-spazio. Il toolbox fornisce inoltre algoritmi per la stima dei parametri online embedded.

Il toolbox fornisce tecniche di identificazione quali la massima verosimiglianza, la minimizzazione degli errori di previsione (PEM) e l’identificazione di sistemi di sottospazio. Per rappresentare le dinamiche di sistemi non lineari, è possibile stimare i modelli Hammerstein-Wiener e i modelli ARX non lineari con le non linearità della rete sigmoidea, della rete wavelet e della partizione ad albero. Il toolbox esegue l’identificazione di sistemi grey-box per la stima dei parametri di un modello definito dall’utente. È possibile utilizzare il modello identificato per la previsione della risposta del sistema e per la modellazione degli impianti in Simulink. Il toolbox supporta inoltre la modellazione di dati di serie storiche e la previsione di serie storiche.

Per iniziare:

App System Identification

Stima in modo interattivo i modelli lineari e non lineari del tuo sistema utilizzando dati di input-output misurati.

Importazione e pre-elaborazione di dati

Importa dati misurati nel dominio del tempo e della frequenza. Oltre a ricostruire i dati mancanti, è possibile pre-elaborare i dati eseguendo operazioni quali eliminazione del trend, filtraggio e ricampionamento.

Stima e convalida dei modelli

Identifica modelli lineari e non lineari da dati di input-output misurati. È possibile mettere a confronto i modelli identificati, analizzarne le proprietà, calcolare i limiti di confidenza e convalidarli a confronto con set di dati di test.

Identificazione di modelli lineari

Stima modelli lineari dai dati misurati per applicazioni come la progettazione di controller.

Funzioni di trasferimento e modelli di elaborazione

Stima funzioni di trasferimento a tempo discreto o continuo multi-input e multi-output con un numero specificato di poli e zeri. È possibile specificare il ritardo di trasporto o consentire al toolbox di determinarlo automaticamente.

Modelli polinomiali e stato-spazio

Determina l’ordine ottimale dei modelli e stima i modelli stato-spazio del tuo sistema. Stima anche i modelli polinomiali ARX, ARMAX, Box-Jenkins e Output-Error.

Modelli di risposta all’impulso e in frequenza

Utilizza l’analisi spettrale e di correlazione per stimare i modelli del sistema sulla base dei dati nel domino del tempo e della frequenza. I dati di risposta in frequenza possono anche essere ottenuti da un modello Simulink tramite Simulink Control Design.

Stima online

Utilizza i modelli di stima online per applicazioni quali controllo adattivo, rilevamento di guasti e soft sensing. È possibile distribuire questi modelli per l’esecuzione in tempo reale su dispositivi embedded utilizzando dati in tempo reale.

Stima dei parametri con modelli ricorsivi

Stima un modello del tuo sistema in tempo reale utilizzando modelli ricorsivi in grado di aggiornare i propri parametri quando si aggiungono nuovi dati. È possibile implementare questi modelli utilizzando i blocchi Simulink integrati. Genera codice C/C++ dai blocchi utilizzando Simulink Coder™ per eseguire il targeting di dispositivi embedded.

Stima dello stato con i filtri di Kalman

Stima gli stati del sistema sulla base dei dati in tempo reale utilizzando i filtri di Kalman lineari, estesi o unscented oltre ai filtri particellari. È possibile implementare questi algoritmi utilizzando i blocchi Simulink integrati. Genera codice C/C++ dai blocchi utilizzando Simulink Coder™ per eseguire il targeting di dispositivi embedded.

Progettazione di sistemi di controllo e Simulink

Implementa i modelli stimati in Simulink utilizzando i blocchi integrati. È possibile utilizzare i modelli stimati per rappresentare modelli di impianti durante la progettazione di controller in MATLAB e Simulink.

Integrazione con Simulink

Implementa modelli stimati, stimatori di stato e modelli ricorsivi in Simulink utilizzando i blocchi integrati. Utilizzando questi blocchi è possibile eseguire attività di analisi di sistema e progettazione di controllo.

Progettazione di un controller

Utilizza i modelli stimati per la progettazione e la regolazione di controller con Control System Toolbox. Utilizza la funzionalità di identificazione del sistema nell’app PID Tuner per stimare le dinamiche dell’impianto lineare da dati misurati o da modelli Simulink con discontinuità. 

Identificazione di modelli non lineari

Stima modelli in grado di rappresentare le non linearità nel tuo sistema.

Modelli ARX non lineari

Modella i tuoi sistemi combinando i modelli autoaggressivi con le non linearità rappresentate dalle reti wavelet, dalla partizione ad albero, dalle reti sigmoidali e neurali (con Deep Learning Toolbox™).

Modello ARX non lineare stimato con non linearità wavelet.

Modelli Hammerstein-Wiener

Stima distorsioni non lineari statiche presenti nell’input e nell’output di un sistema che altrimenti sarebbe lineare. Ad esempio, è possibile stimare i livelli di saturazione che incidono sulla corrente in ingresso che aziona un motore CC.

Identificazione di modelli grey-box

Costruisci modelli grey-box rappresentati da una serie di equazioni con una mescolanza di parametri noti ed incogniti. In seguito, utilizza i dati di test misurati per stimare tali parametri e acquisire le dinamiche del proprio sistema senza modificare la struttura del modello.

Modelli grey-box lineari

Modella il tuo sistema lineare utilizzando equazioni differenziali, equazioni di differenza o un sistema stato-spazio. Stima i parametri dei modelli specificati come la lunghezza e la massa di un pendolo o la resistenza e la costante della forza controelettromotrice di un motore in base ai dati di input-output misurati.

 Modello grey-box lineare di un motore CC.

Modello grey-box non lineare

Modella il tuo sistema utilizzando equazioni differenziali non lineari o equazioni di differenza. Stima i parametri dei modelli specificati in base ai dati di input-output misurati.

Un modello grey-box non lineare rappresenta meglio un sistema a due serbatoi rispetto a un modello lineare.

Modelli di serie storiche

Analizza dati di serie storiche identificando modelli AR, ARMA, stato-spazio e altri modelli lineari e non lineari.

Modelli di serie storiche

Stima modelli di serie storiche per adattare i dati misurati dal tuo sistema. Quindi, prevedi i valori futuri del modello di serie storiche per anticipare il comportamento del tuo sistema.

I modelli di serie storiche possono essere utilizzati per prevedere le condizioni delle apparecchiature.

Funzionalità recenti

Attività in Live Editor

Miglioramento della precisione dei modelli di elaborazione e stato-spazio stimati applicando pre-filtri di ponderazione alla funzione di perdita

Attività in Live Editor

Esecuzione interattiva di attività di identificazione dei modelli di elaborazione e stato-spazio e generazione di codice MATLAB in un live script

Residui per i filtri di Kalman estesi e unscented

Calcolo di residui e covarianti residue delle previsioni del filtro

Consulta le note di rilascio per ulteriori informazioni su queste caratteristiche e sulle funzioni corrispondenti.