Identifikation linearer Modelle
Sie können eine lineare Modellidentifikation verwenden, wenn sich Ihre Systemdynamik mithilfe eines linearen Modells vollständig erfassen lässt. Sie können lineare Modelle in der App System Identification oder über die Befehlszeile identifizieren. Mit System Identification Toolbox™ können Sie vier allgemeine Typen von linearen Modellen erstellen und schätzen.
Parametrische Modelle – Schätzen von Parametern in Strukturen wie Transferfunktionsmodellen, linearen Zustandsraummodellen, polynomialen Modellen und Prozessmodellen.
Frequenzgangmodelle – Schätzen von Spektralmodellen mithilfe von Spektralanalyse.
Korrelationsmodelle – Nicht-parametrische Schätzung von Impulsantwort-Modellen mithilfe von Korrelationsanalyse.
Lineare Grey-Box-Modelle – Schätzen von Koeffizienten beliebiger gewöhnlicher Differenzial- oder Differenzgleichungen unter Einbindung von Systeminformationen, die Sie aus früherem Wissen erlangen oder aus physikalischen Prinzipien ableiten können.
Die Identifikation linearer Modelle benötigt Frequenzdomänendaten oder einheitlich abgetastete Zeitdomänendaten. Ihre Daten können über einen oder mehrere Eingangs- und Ausgangskanäle verfügen. Weitere Informationen finden Sie unter About Identified Linear Models. Zudem können Sie mithilfe von parametrischen Modellstrukturen wie AR und ARMA Zeitreihendaten modellieren, die einen einzigen Ausgangskanal und keinen Eingangskanal umfassen.
Mit den identifizierten Modellen können Sie den Modellausgang über die Befehlszeile, in der App oder in Simulink® simulieren und prognostizieren.
Kategorien
- Grundlagen zur Identifikation linearer Modelle
Wesentliche Informationen zur Identifikation linearer Modelle, Auswählen geeigneter Modellstrukturen, Erstellen und Verändern von Modellobjekt-Strukturen und Verwenden einer regularisierten Schätzung
- Prozessmodelle
Transferfunktionsmodelle niedriger Ordnung mit statischem Verstärkungsfaktor, Zeitkonstanten und Eingangs-/Ausgangs-Verzögerungen
- Eingangs-/Ausgangs-Polynommodelle
Eingangs-/Ausgangs-Polynommodelle einschließlich ARX-, ARMAX-, Ausgangsfehler- oder Box-Jenkins-Modellstrukturen
- Zustandsraummodelle
Zustandsraummodelle mit freier, kanonischer und strukturierter Parametrisierung, äquivalente ARMAX- und Ausgangsfehlermodelle
- Transferfunktionsmodelle
Transferfunktionsmodelle
- Lineare Grey-Box-Modelle
Schätzen von Koeffizienten linearer Differenzial-, Differenz- und Zustandsraumgleichungen
- Frequenzgangmodelle
Mithilfe von Spektralanalyse erstellte Frequenzgangmodelle
- Korrelationsmodelle
Mithilfe von Korrelationsanalyse erstellte Impulsantwortmodelle
Enthaltene Beispiele
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.
