Identifikation nicht linearer Modelle
Sie können eine nicht lineare Modellidentifikation verwenden, wenn sich Ihre Systemdynamik mithilfe eines linearen Modells nicht vollständig erfassen lässt. Sie können nicht lineare Modelle in der System Identification-App oder über die Befehlszeile identifizieren. Mit System Identification Toolbox™ können Sie vier nicht lineare Modellstrukturen erstellen und schätzen:
Nicht lineare ARX-Modelle – Sie können Nichtlinearitäten in Ihrem System mit dynamischen nicht linearen Mapping-Objekten wie Wavelet Networks, Tree Partitioning und Sigmoid Networks darstellen.
Hammerstein-Wiener-Modelle – Mit diesen Modellen können Sie statische Nichtlinearitäten in einem ansonsten linearen System schätzen.
Nicht lineare Grey-Box-Modelle – Mit gewöhnlichen Differenzial- oder Differenzgleichungen mit unbekannten Parametern können Sie Ihr nicht lineares System darstellen.
Neuronale Zustandsraummodelle – Verwenden Sie neuronale Netzwerke, um die Funktionen darzustellen, die die nicht lineare Zustandsraum-Realisierung Ihres Systems definieren.
Die Identifikation nicht linearer Modelle benötigt einheitlich abgetastete Zeitdomänendaten. Ihre Daten können über einen oder mehrere Eingangs- und Ausgangskanäle verfügen. Zudem können Sie Zeitreihendaten mithilfe von Nicht linearen ARX-Modellen und nicht linearen Grey-Box-Modellen modellieren. Weitere Informationen finden Sie unter About Identified Nonlinear Models.
Mit den identifizierten Modellen können Sie den Modellausgang über die Befehlszeile, in der App oder in Simulink® simulieren und prognostizieren. Mit Control System Toolbox™ können Sie zudem Ihr Modell linearisieren und für den Regelungssystem-Entwurf verwenden. Weitere Informationen finden Sie unter Linear Approximation of Nonlinear Black-Box Models.
Kategorien
- Grundlagen zur Identifikation nicht linearer Modelle
Identifizierte nicht lineare Modelle, Black-Box-Modellierung und Regularisierung
- Nichtlineare ARX-Modelle
Nicht lineares Verhalten, modelliert mithilfe von dynamischen Netzwerken wie Sigmoid und Wavelet
- Hammerstein-Wiener-Modelle
Verbindung linearer dynamischer Systeme mit statischen Nichtlinearitäten wie Sättigung und Totzone
- Nicht lineare Grey-Box-Modelle
Schätzen von Koeffizienten nichtlinearer Differenzial-, Differenz- und Zustandsraumgleichungen
- Neuronale Zustandsraummodelle
Verwenden Sie neuronale Netzwerke, um die Funktionen darzustellen, die die nicht lineare Zustandsraum-Realisierung Ihres Systems definieren
- Modellierung mit reduzierter Ordnung
Reduzieren der rechnerischen Komplexität von Modellen durch Erstellen präziser Surrogate
Enthaltene Beispiele
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.
Generate NARMAX Models
Generate NARMAX models using the available model structures and their training algorithms by preparing a finite-horizon prediction algorithm. The available model structures include nonlinear ARX, grey-box, and neural state-space models. For more information on the model structures, see NARMAX Model Identification.
