System Identification Toolbox
Erstellen Sie lineare und nicht lineare dynamische Systemmodelle von gemessenen Eingangs- und Ausgangsdaten
Die System Identification Toolbox™ bietet MATLAB®-Funktionen, Simulink®-Blöcke und eine App zur Konstruktion mathematischer Modelle dynamischer Systeme aus gemessenen Eingabe- und Ausgabedaten. Mit der System Identification Toolbox können Sie Modelle von dynamischen Systemen erstellen und verwenden, die nur schwer aus ersten Prinzipien oder Spezifikationen modelliert werden können. Sie können Eingangs- und Ausgangsdaten aus der Zeit- und Frequenzdomäne verwenden, um zeitkontinuierliche und zeitdiskrete Übertragungsfunktionen, Prozessmodelle und Zustandsraummodelle zu entwickeln. Die Toolbox bietet außerdem Algorithmen zur eingebetteten Online-Parameterschätzung.
Sie stellt Identifikationstechniken wie Maximum-Likelihood, Vorhersagefehler-Minimierung (PEM), und Unterraum-basierte Systemidentifikation bereit. Um nicht lineare Systemdynamik darzustellen, können Sie Hammerstein-Wiener-Modelle und nicht lineare ARX-Modelle mit Wavelet-Netzwerk, Dreifach-Partition und Sigmoid-Netzwerk-Nichtlinearitäten abschätzen. Die Toolbox führt eine Grey-Box-Systemidentifikation zur Abschätzung der Parameter eines benutzerdefinierten Modells durch. Sie können das identifizierte Modell zur Vorhersage der Systemreaktion und zur Anlagenmodellierung in Simulink nutzen. Die Toolbox unterstützt außerdem die Modellerstellung von Zeitreihendaten und die Vorhersage von Zeitreihen.
Jetzt beginnen:
Datenimport und -vorverarbeitung
Importieren Sie gemessene Daten der Zeit- und Frequenzdomäne. Die Daten können durch Operationen wie Trendentfernung, Filtern und Resampling vorverarbeitet- und fehlende Daten rekonstruiert werden.
Modellschätzung und -validierung
Identifizieren Sie lineare und nicht lineare Modelle aus gemessenen Eingabe- und Ausgabedaten. Sie können identifizierte Modelle vergleichen, ihre Eigenschaften analysieren, ihre Vertrauensgrenzen berechnen und sie gegen Testdatensätze validieren.
Transferfunktionen und Prozessmodelle
Schätzen Sie kontinuierliche oder zeitdiskrete Multi-Input/Multi-Output-Transferfunktionen mit vorgegebener Zahl von Pol- und Nullstellen. Sie können die Transportverzögerung angeben oder diese automatisch von der Toolbox bestimmen lassen.
Zustandsraum- und Polynommodelle
Bestimmen Sie die optimale Modellordnung und schätzen Sie die Zustandsraummodelle Ihres Systems. Sie können auch ARX-, ARMAX-, Box-Jenkins- und Output-Error-Polynommodelle schätzen.
Frequenzgang- und Impulsantwort-Modelle
Verwenden Sie Spektral- und Korrelationsanalyse, um Modelle Ihres System aus Frequenz- und Zeitdomänendaten zu schätzen. Frequenzgangdaten können mit Simulink Control Design auch von einem Simulink-Modell bezogen werden.
Parameterschätzung mit rekursiven Modellen
Schätzen Sie ein Modell Ihres Systems in Echtzeit mittels rekursiven Modellen, die ihre Parameter aktualisieren, wenn neue Daten ankommen. Sie können diese Modelle mittels integrierter Simulink-Blöcke implementieren. Generieren Sie C/C++ Code aus den Blöcken mittels Simulink Coder™ für die Zielgruppe eingebetteter Geräte.
Zustandsschätzung mit Kalman-Filtern
Schätzen Sie Systemzustände aus Echtzeitdaten mittels linearer, erweiterter oder unscented Kalman-Filtern und Partikelfiltern. Sie können diese Algorithmen mittels integrierter Simulink-Blöcke implementieren. Generieren Sie C/C++ Code aus den Blöcken mittels Simulink Coder™ für die Zielgruppe eingebetteter Geräte.
Integration in Simulink
Implementieren Sie geschätzte Modelle, Zustandsschätzer und rekursive Modelle in Simulink mittels integrierter Blöcke. Sie können Systemanalyse- und Reglerentwurfsaufgaben mittels dieser Blöcke durchführen.
Reglerentwurf
Verwenden Sie die geschätzten Modelle für Entwurf und Feinabstimmung von Reglern mit der Control System Toolbox. Verwenden Sie Systemidentifikationsfunktionalität in der PID Tuner-App, um die lineare Anlagendynamik aus gemessenen Daten oder Simulink-Modellen mit Diskontinuitäten zu schätzen.
Nicht lineare ARX-Modelle
Modellieren Sie Ihre Systeme durch Kombination autoregressiver Modelle mit Nichtlinearitäten, die durch Wavelet-Netzwerke, Baumstrukturpartitionierung, Sigmoid-Netze und neuronale Netze (mit der Deep Learning Toolbox™) dargestellt werden.
Nichtlineare ARX-Modellschätzung
Hammerstein-Wiener-Modelle
Schätzen Sie statische nicht lineare Verzerrungen an Ein- und Ausgang eines ansonsten linearen Systems. Beispielsweise können Sie den Einfluss der Sättigungsstromstärke auf den Eingangsstrom eines Gleichstrommotors schätzen.
Grey-Box-Modellidentifikation
Erstellen Sie Grey-Box-Modelle, die durch einen Satz von Gleichungen mit einer Mischung bekannter und unbekannter Parameter dargestellt werden. Sie können dann mit den gemessenen Testdaten diese Parameter schätzen und die Dynamik Ihres Systems ohne Änderung der Modellstruktur erfassen.
Lineare Grey-Box-Modelle
Modellieren Sie Ihr lineares System mittels Differentialgleichungen, Differenzengleichungen oder eines Zustandsraumsystems. Schätzen Sie vorgegebene Modellparameter wie Pendelmasse und -länge oder Motorwiderstand und Gegen-EMF-Konstante aus gemessenen Eingabe- und Ausgabedaten.
Lineares Grey-Box-Modell eines Gleichstrommotors.
Nicht lineare Grey-Box-Modelle
Modellieren Sie Ihr System mittels nicht linearer Differentialgleichungen oder Differenzengleichungen. Schätzen Sie vorgegebene Modellparameter aus gemessenen Eingabe- und Ausgabedaten.
Ein Zweitanksystem wird besser durch ein nicht lineares Grey-Box-Modell als ein lineares Modell dargestellt.
Zeitreihenmodelle
Schätzen Sie Zeitreihenmodelle, um gemessene Daten aus Ihrem System anzupassen. Sie können dann zukünftige Werte des Zeitreihenmodells prognostizieren, um Voraussagen zum Verhalten Ihres Systems zu machen.
Zeitreihenmodelle können zur Vorhersage des Gerätezustands genutzt werden.
