La traduction de cette page n'est pas à jour. Cliquez ici pour voir la dernière version en anglais.
Identification de modèles linéaires
Utilisez l'identification des modèles linéaires lorsqu'un modèle linéaire est suffisant pour capturer complètement la dynamique de votre système. Vous pouvez identifier les modèles linéaires dans l'application System Identification ou au niveau de la ligne de commande. System Identification Toolbox™ vous permet de créer et d'estimer quatre types généraux de modèles linéaires.
Modèles paramétriques : estimez les paramètres dans des structures telles que des modèles de fonction de transfert, des modèles linéaires de représentation d'état, des modèles polynomiaux et des modèles de processus.
Modèles de réponse en fréquence : estimez les modèles spectraux avec une analyse spectrale.
Modèles de corrélation : procédez à une estimation non paramétrique des modèles de réponse impulsionnelle avec une analyse de corrélation.
Modèles linéaires de type boîte grise : estimez les coefficients d'équations différentielles ordinaires ou d'équations aux différences arbitraires en intégrant des informations sur le système que vous obtenez à partir de connaissances préalables ou que vous pouvez déduire de principes physiques.
L'identification de modèles linéaires nécessite des données dans le domaine fréquentiel ou temporel, échantillonnées de manière uniforme. Vos données peuvent présenter un ou plusieurs canaux d'entrée et de sortie. Pour plus d’informations, consultez About Identified Linear Models. Vous pouvez également modéliser des données de séries temporelles qui contiennent un seul canal de sortie et aucun canal d'entrée, à l'aide de structures de modèles paramétriques, telles que AR et ARMA.
Vous pouvez utiliser les modèles identifiés pour simuler et prédire la sortie de modèle au niveau de la ligne de commande, dans l’application ou dans Simulink®.
Catégories
- Principes de base de l’identification de modèles linéaires
Informations essentielles pour l'identification de modèles linéaires, la sélection de structures de modèles adaptées, la construction et la modification de structures d'objets de modèles, et l'utilisation de l'estimation régularisée
- Modèles de processus
Modèles de fonction de transfert d'ordre faible avec gain statique, constante de temps et retard en entrée/sortie
- Modèles polynomiaux d’entrée-sortie
Modèles polynomiaux d’entrée-sortie, y compris les structures de modèles ARX, ARMAX, erreur de sortie et Box Jenkins
- Modèles de représentation d'état
Modèles de représentation d'état avec paramétrages libres, canoniques et structurés. Modèles ARMAX et erreur de sortie (OE) équivalents
- Modèles de fonction de transfert
Modèles de fonction de transfert
- Modèles type boîte grise linéaires
Estimer les coefficients d’équations différentielles et aux différences linéaires et d’équations de représentation d’état
- Modèles de réponse en fréquence
Modèles de réponse en fréquence obtenus avec une analyse spectrale
- Modèles de corrélation
Modèles de réponse impulsionnelle obtenus avec une analyse de corrélation
Sélection d՚exemples
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.
