Erste Schritte mit der System Identification Toolbox
Die System Identification Toolbox™ stellt MATLAB®-Funktionen, Simulink®-Blöcke und eine App für die dynamische Systemmodellierung, für Zeitreihenanalysen und für Prognosen zur Verfügung. Sie können dynamische Beziehungen zwischen gemessenen Variablen erkennen, um zeitkontinuierliche oder zeitdiskrete Transferfunktionen, Prozessmodelle und Zustandsraummodelle zu erstellen, während Sie Zeit- oder Frequenzdomänendaten verwenden. Sie können mithilfe von AR, ARMA und anderen linearen sowie nicht linearen autoregressiven Modellierungstechniken Zeitreihendaten vorhersagen.
Die Toolbox ermöglicht Ihnen die Schätzung nicht linearer Systemdynamik mithilfe von Hammerstein-Wiener- und nichtlinearen ARX-Modellen mit Machine-Learning-Techniken wie Gaußschen Prozessen (GP), Support Vector Machines (SVM) und anderen Darstellungen. Alternativ können Sie neuronale Ordinary-Differential-Equation(ODE)-Modelle (gewöhnliche Differenzengleichungsmodelle) erstellen, um mithilfe von Deep Learning nicht lineare Systemdynamiken zu erfassen. Die Toolbox ermöglicht Ihnen die Ausführung einer Grey-Box-Systemidentifikation zum Schätzen von Parametern eines benutzerdefinierten Modells. Für schnelle Simulationen können Sie identifizierte Modelle in Simulink integrieren, um Anwendungen für Steuerungsentwicklung, Diagnosen und Vorhersagen erstellen zu können.
Sie können Online-Schätzungen für Parameter und Zustände ausführen und dafür erweiterte oder unscented Kalman-Filter und Partikelfilter für adaptive Steuerungs-, Fehlererkennungs- und Softsensoranwendungen verwenden. Mit der Toolbox können Sie Code in den Programmiersprachen C/C++ für Online-Schätzalgorithmen erstellen, um sie auf Embedded-Geräten zu implementieren.
Tutorials
- Identifizieren linearer Modelle mithilfe der App „System Identification“
Identifizieren Sie lineare Black-Box-Modelle anhand von Single-Input/Single-Output-(SISO-)Daten mithilfe der App „System Identification“.
- Identifizieren linearer Modelle mithilfe der Befehlszeile
Sie können mithilfe der Befehle der System Identification Toolbox lineare Modelle anhand von Multiple-Input/Single-Output-(MISO-)Daten identifizieren.
- Identifizieren von Transferfunktionen niedriger Ordnung (Prozessmodelle) mithilfe der App „System Identification“
Identifizieren Sie mithilfe der App zeitkontinuierliche Transferfunktionen anhand von Single-Input/Single-Output-(SISO-)Daten.
- Estimate Continuous-Time Grey-Box Model for Heat Diffusion
This example shows how to estimate the heat conductivity and the heat-transfer coefficient of a continuous-time grey-box model for a heated-rod system.
- Identifizieren nichtlinearer Black-Box-Modelle mithilfe der App „System Identification“
Identifizieren Sie nichtlineare Black-Box-Modelle anhand von Single-Input/Single-Output-(SISO-)Daten mithilfe der App „System Identification“.
Über Systemidentifikation
- Überblick über die Systemidentifikation
Die Systemidentifikation ist eine Methodik zum Erstellen mathematischer Modelle dynamischer Systeme mithilfe von Messungen der Eingangs- und Ausgangssignale des Systems.
- Workflow für die Systemidentifikation
Zusammenfassung typischer Aufgaben im Workflow für die Systemidentifikation.
- Supported Data
System Identification Toolbox software supports estimation of linear models from both time- and frequency-domain data.
- Supported Continuous- and Discrete-Time Models
Types of continuous-time and discrete-time models you can estimate from time- and frequency-domain data.
- Schätzen von Modellen mithilfe von Frequenzdomänendaten
Überblick über die Frequenzdomänenidentifikation in der Toolbox.
- Working with System Identification App
Working with System Identification App.
- What Is Online Estimation?
Estimate states and parameters of a system in real-time.
Videos
Systemidentifikation Teil 1: Was ist Systemidentifikation?
Bei der Systemidentifikation werden Daten statt Physik verwendet, um ein Modell eines dynamischen Systems zu entwickeln. Erfahren Sie mehr über die Systemidentifikation und ihre Verwendung in einem größeren Kontext.
Systemidentifikation Teil 2: Identifikation linearer Systeme
Erlernen Sie, wie Sie mithilfe von Systemidentifikation ein lineares Modell an ein durch Rauschen und externe Störungen beschädigtes Modell anpassen und validieren können.
Systemidentifikation Teil 3: Identifikation nichtlinearer Systeme
Erfahren Sie mehr über die nichtlineare Systemidentifikation, indem Sie eine der zahlreichen möglichen Modelloptionen, ein nichtlineares ARX-Modell, betrachten.
Systemidentifikation Teil 4: Online- und rekursive Systemidentifikation
Erfahren Sie mehr über die Online-Systemidentifikation. Diese Algorithmen schätzen die Parameter und Zustände eines Modells, wenn neue Daten erfasst und in Echtzeit oder nahezu Echtzeit bereitgestellt werden.
