Modélisation d’ordre réduit
La modélisation d’ordre réduit est une technique permettant de réduire la complexité de calcul ou les exigences de stockage d’un modèle tout en préservant la fidélité attendue avec une marge d’erreur satisfaisante. L’utilisation d’un modèle d’ordre réduit simplifie l’analyse et le design de systèmes de contrôle.
Il est possible de créer des modèles d’ordre réduit (ROM) de sous-systèmes modélisés dans Simulink, notamment de modèles de simulation tiers d’ordre complet et haute-fidélité. Vous pouvez utiliser de tels modèles 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.
Pour créer un modèle d’ordre réduit d’un modèle Simulink ou d’un sous-système du modèle en suivant un workflow d’UI, installez Reduced Order Modeling Support Package. Pour plus d’informations, consultez Reduced Order Modeling Support Package sur File Exchange.
Rubriques
Fondamentaux de la modélisation d’ordre réduit
- Reduced Order Modeling Overview (System Identification Toolbox)
Reduce computational complexity of models by creating accurate surrogates.
Méthodes basées sur les données
- Reduced Order Modeling of Electric Vehicle Battery System Using Neural State-Space Model (System Identification Toolbox)
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 (System Identification Toolbox)
In this example, you replace a hydraulic cavitation cycle model in Simulink with a surrogate nonlinear ARX (NLARX) model to facilitate faster simulation. - Physical System Modeling Using LSTM Network in Simulink (Deep Learning Toolbox)
This example shows how to create a reduced order model (ROM) that acts as a virtual sensor in a Simulink® model using a long short-term memory (LSTM) neural network.
Méthodes basées sur la linéarisation
- LPV Approximation of Boost Converter Model (Simulink Control Design)
Approximate a nonlinear Simscape™ Electrical™ model using a linear parameter varying model. - Reduce Model Order Using Model Reducer App (Control System Toolbox)
Interactively reduce model order while preserving important dynamics. - Sparse Modal Truncation of Linearized Structural Beam Model (Control System Toolbox)
Compute a low-order approximation of a sparse state-space model obtained from linearizing a structural beam model. (depuis R2023b) - 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 (System Identification Toolbox)
Identify a linear parameter varying reduced order model of a cascade of nonlinear mass-spring-damper systems. - Approximate Nonlinear Behavior Using Array of LTI Systems (Simulink Control Design)
You can use linear parameter varying models to approximate the dynamics of nonlinear systems.
Méthodes basées sur la physique
- Model an Excavator Dipper Arm as a Flexible Body (Simscape Multibody)
Use the Reduced Order Flexible Solid block to model a deformable body of arbitrary geometry. Start with the CAD geometry of the body, produce a finite-element mesh, and generate reduced-order data to use with the block. - Improve Simulation Speed of Power Electronics Systems with Reduced Order Modeling (Simscape Electrical)
This example shows how to enhance the model simulation speed of an electro-thermal DC-DC step-down converter by converting a high-fidelity switch to a reduced order model (ROM) switch. (depuis R2024b)
Informations connexes
- Modélisation d'ordre réduit (System Identification Toolbox)
- Page de présentation de la modélisation d’ordre réduit
