Modélisation d'ordre réduit
La modélisation d’ordre réduit est une technique permettant de réduire la complexité computationnelle ou les exigences de stockage d’un modèle tout en préservant la fidélité attendue avec une marge d’erreur satisfaisante. Le recours à un modèle d’ordre réduit peut simplifier le design et l’analyse de systèmes de contrôle.
Il est possible de créer des modèles d’ordre réduit (ROM) de sous-systèmes modélisés dans Simulink®, notamment des modèles de simulation tiers d’ordre complet et haute-fidélité. Vous pouvez également créer des ROM avec des données existantes dans le domaine temporel.
Après avoir collecté les données d’entrée/sortie de ROM requises, vous pouvez entraîner un ROM d’un type de modèle disponible dans la System Identification Toolbox, notamment ARX non linéaire, Hammerstein-Wiener et NSS (modèle neuronal de représentation d’état). Vous pouvez utiliser le ROM ainsi créé pour la simulation desktop au niveau système, les tests Hardware-in-the-Loop (HIL), le design de systèmes de contrôle et la modélisation de capteurs virtuels.
L’application Reduced Order Modeler propose un workflow d’UI pour la création de ROM. Pour utiliser cette application, installez le support package Reduced Order Modeler for MATLAB® en suivant les instructions de Obtenir et gérer des modules complémentaires.
Applications
| Reduced Order Modeler | Create reduced order models based on Simulink models, subsystems within models, or simulation data (depuis R2025b) |
Rubriques
Principes de base de la modélisation d’ordre réduit
- Reduced Order Modeling Overview
Reduce computational complexity of models by creating accurate surrogates.
Méthodes basées sur les données utilisant un workflow d’UI
- Reduced Order Model of a Jet Engine Turbine Blade
Create a ROM of a jet engine turbine blade, using the long short-term memory (LSTM) and NSS model types. - Reduced Order Model of an Airframe
Create a ROM of an airframe modeled in Simulink, using the NSS model type. - Reduced Order Modeling of Battery Electric Vehicle Thermal Management System
Create a static ROM of an electric vehicle thermal management system, using the multilayer perceptron (MLP) model type. - Reduced Order Modeling of Subsystems in Engine Model
Create a ROM of the Induction and Combustion subsystems in the Simulink modelenginespeed, using the nonlinear ARX model type. - Reduced Order Model of a Jet Engine Turbine Blade from Data
Create a ROM from data generated by a high-fidelity model, using the NSS model type.
Méthodes basées sur les données utilisant un workflow en ligne de commande
- 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. - Surrogate Modeling Using Gaussian Process-Based NLARX Model
In this example, you replace a hydraulic cavitation cycle model in Simulink with a surrogate nonlinear ARX (NLARX) model to facilitate faster simulation.
Méthodes reposant sur la linéarisation
- 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.
