La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Commencer avec System Identification Toolbox
System Identification Toolbox™ propose des fonctions MATLAB®, des blocs Simulink® et une application de modélisation de système dynamique, d’analyse de séries temporelles et de prévision. Vous pouvez découvrir des relations dynamiques entre les variables mesurées afin de créer des fonctions de transfert, des modèles de processus, ainsi que des modèles de représentation d'état en temps continu ou discret, tout en utilisant des données du domaine temporel ou fréquentiel. Vous pouvez prévoir des séries temporelles en utilisant des modèles AR, ARMA, et d'autres techniques de modélisation autorégressives linéaires et non-linéaires.
La toolbox vous permet d'estimer la dynamique de systèmes non linéaires en utilisant des modèles Hammerstein-Wiener et ARX non linéaires avec des techniques de Machine Learning telles que les processus gaussiens (GP), les machines à vecteurs de support (SVM) et d'autres représentations. Vous pouvez également créer des modèles neuronaux d’équations différentielles ordinaires (ODE) en utilisant le Deep Learning pour capturer la dynamique des systèmes non linéaires. La toolbox vous permet de réaliser une identification de système de type boîte grise afin d'estimer les paramètres d'un modèle défini par l'utilisateur. Vous pouvez intégrer les modèles identifiés dans Simulink afin d'effectuer des simulations rapides pour le design de systèmes de contrôle et les applications de diagnostic et de pronostic.
Vous pouvez estimer les états et les paramètres en ligne en utilisant des filtres de Kalman étendus ou sans parfum et des filtres à particules pour le contrôle adaptatif, la détection de panne, et les applications à capteurs virtuels. La toolbox vous permet de générer du code C/C++ pour les algorithmes d’estimation en ligne afin de cibler des dispositifs embarqués.
Tutoriels
- Identification de modèles linéaires à l’aide de l’application System Identification
Identification de modèles boîte noire linéaires à partir de données à entrée unique/sortie unique (SISO) avec l’application System Identification.
- Identification de modèles linéaires avec l'interface en lignes de commande
Identification de modèles linéaires à partir de données à entrées multiples/sortie unique (MISO) en utilisant les commandes de System Identification Toolbox.
- Identification de fonctions de transfert d’ordre inférieur (modèles de processus) avec l’application System Identification
Identification de fonctions de transfert à temps continu à partir de données à entrée unique/sortie unique (SISO) avec l’application.
- 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.
- Identification de modèles boîte noire non linéaires avec l’application System Identification
Identification de modèles boîte noire non linéaires à partir de données à entrée unique/sortie unique (SISO) avec l’application System Identification.
À propos de l’identification de systèmes
- Présentation de l'identification de système
L'identification de système est une méthodologie pour construire des modèles mathématiques de systèmes dynamiques en utilisant les mesures sur les signaux d’entrée et de sortie d'un système.
- Workflow d’identification de système
Résumé des tâches typiques dans le workflow d’identification de système.
- 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.
- Estimation de modèles avec des données du domaine fréquentiel
Présentation de l’identification dans le domaine fréquentiel pour la 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.
Vidéos
Identification de systèmes, partie 1 : Qu’est-ce que l’identification de systèmes ?
L'identification de systèmes est le processus qui consiste à recourir aux données plutôt qu'à la physique pour développer un modèle de système dynamique. Découvrez ce qu'est l'identification de systèmes et ce qu'elle apporte dans le contexte d'ensemble.
Identification de systèmes, partie 2 : Identification de systèmes linéaires
Découvrez comment utiliser l'identification de systèmes pour ajuster et valider un modèle linéaire en fonction de données corrompues par du bruit et des perturbations externes.
Identification de systèmes, partie 3 : Identification de systèmes non linéaires
Découvrez l'identification de systèmes non linéaires en étudiant l'un des nombreux modèles possibles : un modèle ARX non linéaire.
Identification de systèmes, partie 4 : identification en ligne et récursive de systèmes
Découvrez l'identification en ligne de systèmes. Ces algorithmes estiment les paramètres et les états d'un modèle au fur et à mesure que de nouvelles données sont mesurées et disponibles en temps réel ou quasi réel.
