Modellierung mit reduzierter Ordnung
Reduzieren der rechnerischen Komplexität von Modellen durch Erstellen präziser Surrogate
Die Modellierung reduzierter Ordnung ist eine Technik zum Reduzieren der rechnerischen Komplexität oder Speicherplatz-Anforderungen eines Modells, wobei die erwartete Treue innerhalb eines akzeptablen Fehlerbereichs gewahrt bleibt. Die Arbeit mit einem Surrogat-Modell niedriger Ordnung kann die Analyse und den Regelungsentwurf vereinfachen.
Themen
Grundlagen zur Modellierung mit reduzierter Ordnung
- Reduced Order Modeling
Reduce computational complexity of models by creating accurate surrogates.
Datengestützte Methoden
- Nonlinear ARX Model of SI Engine Torque Dynamics
This example describes modeling the nonlinear torque dynamics of a spark-ignition (SI) engine as a nonlinear ARX model. - Hammerstein-Wiener Model of SI Engine Torque Dynamics
This example describes modeling the nonlinear torque dynamics of a spark-ignition (SI) engine as a Hammerstein-Wiener model. - Neural State-Space Model of SI Engine Torque Dynamics
This example describes reduced order modeling (ROM) of the nonlinear torque dynamics of a spark-ignition (SI) engine using a neural state-space model. - Reduced Order Modeling of Electric Vehicle Battery System Using Neural State-Space Model
This example shows 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.
Linearisierungsbasierte Methode
- Specify Linearization for Model Components Using System Identification (Simulink Control Design)
You can use System Identification Toolbox™ software to identify a linear system for a model component that does not linearize well, and use the identified system to specify its linearization. - Reduced Order Modeling of a Nonlinear Dynamical System as an Identified Linear Parameter Varying Model
Identify a linear parameter varying reduced order model of a cascade of nonlinear mass-spring-damper systems.
