System Identification Toolbox

Créer des modèles de systèmes dynamiques linéaires et non linéaires à partir de données d'entrée-sortie mesurées

System Identification Toolbox™ propose des fonctions MATLAB^®, des blocs Simulink^® et une application destinée au développement de modèles mathématiques de systèmes dynamiques à partir de données d'entrée-sortie mesurées. Il vous permet de créer et d'utiliser des systèmes dynamiques difficiles à modéliser, à partir de premiers principes ou de premières spécifications. Vous pouvez utiliser des données d'entrée-sortie dans les domaines temporels et fréquentiels afin d'identifier des fonctions de transfert à temps continu et discret, des modèles de processus et des modèles de représentations d’état. La toolbox propose aussi des algorithmes pour réaliser des estimations de paramètres en ligne.

La toolbox propose des techniques d'identification comme la vraisemblance maximale, les schémas de minimisation d'erreur de prédiction (PEM) et la méthode des sous-espaces. Pour représenter la dynamique d'un système non linéaire, vous pouvez estimer les modèles de Hammerstein-Wiener et les modèles ARX non linéaires avec un réseau à ondelettes, du partitionnement d'arbre et des non-linéarités d'un réseau sigmoïde. La toolbox exécute une identification système de type boîte grise afin d'estimer les paramètres d'un modèle défini par l'utilisateur. Vous pouvez utiliser le modèle identifié pour prédire la réponse du système et modéliser un système dans Simulink. La toolbox vous permet également de modéliser des données de séries temporelles et de réaliser leur prédiction.

En savoir plus:

Application System Identification
Identification de modèles linéaires
Estimation en ligne
Simulink et la conception de systèmes de contrôle
Identification de modèles non linéaires
Identification de modèles boîte grise
Modèles de séries temporelles

Introduction à System Identification Toolbox

Application System Identification

Estimer de manière interactive des modèles linéaires et non linéaires de votre système en utilisant des données d'entrée-sortie mesurées.

Importation et prétraitement des données

Importez des données mesurées dans les domaines temporels et fréquentiels. Vous pouvez prétraiter les données avec des opérations comme l'annulation de tendance, le filtrage, le rééchantillonnage et la reconstruction des données manquantes.

Prétraiter les données (1:42)

Contrôle guidé par les données : acquisition des données (4:30)

Extraire et modéliser des segments de données spécifiques

Fonctions de prétraitement des données

Importer et manipuler des jeux de données

Estimation et validation des modèles

Identifiez des modèles linéaires et non linéaires à partir de données d'entrée-sortie mesurées. Vous pouvez comparer les modèles identifiés, analyser leurs propriétés, calculer leurs intervalles de confiance et les valider en les comparant à des jeux de données test.

Introduction à l'identification de systèmes (45:55)

Estimer et valider des modèles (1:21)

Analyse de résidus des modèles estimés

Analyse des incertitudes des modèles estimés

Présentation de System Identification Toolbox

Identification de modèles linéaires

Estimer des modèles linéaires à partir de vos données mesurées pour des applications comme la conception de contrôleurs.

Fonctions de transfert et modèles de processus

Estimez des fonctions de transfert entrées multiples sorties multiples (MIMO) à temps continu ou discret, avec un nombre spécifié de pôles et de zéros. Vous pouvez indiquer le retard de transfert ou laisser la toolbox le déterminer automatiquement.

Estimer des modèles de fonction de transfert pour un convertisseur Boost

Estimer des modèles de processus

Estimer des modèles pour les systèmes MIMO

Estimer des fonctions de transfert et des modèles de processus

Modèles polynomiaux et à représentations d'état

Déterminez l'ordre optimal des modèles et estimez les modèles à représentations d'état de votre système. Vous pouvez également estimer des modèles polynomiaux de type ARX, ARMAX, Box-Jenkins ou à erreur de sortie.

Vue d'ensemble des modèles à représentations d'état

Vue d'ensemble des modèles polynomiaux

Estimer des ordres de modèles et des retards d'entrée

Utiliser l'estimation de la représentation d'état pour réduire l'ordre d'un modèle

Estimer des modèles polynomiaux et à représentations d'état

Modèles de réponse en fréquence et impulsionnelle

Utilisez l'analyse spectrale et l'analyse de corrélation pour estimer les modèles de votre système à partir des données dans les domaines temporels et fréquentiels. Les données des réponses fréquentielles peuvent également être obtenues à partir d'un modèle Simulink en utilisant Simulink Control Design.

Estimer les modèles avec les données du domaine fréquentiel

Estimer des retards dans un système par le calcul de la réponse impulsionnelle

Modal Analysis of a Flexible Flying Wing Aircraft

Analyse modale d'une aile volante souple

Utiliser des filtres de pondération pour améliorer l'identification dans le domaine fréquentiel

Améliorations de l'identification dans le domaine fréquentiel

Estimation en ligne

Utiliser des modèles d'estimation en ligne pour des applications comme le contrôle adaptatif, la détection de pannes et la technologie de capteur virtuel. Vous pouvez déployer ces modèles pour qu'ils fonctionnent en temps réel sur des dispositifs embarqués en utilisant des données réelles.

Estimation de paramètres avec des modèles récursifs

Estimez un modèle de votre système en temps réel en utilisant des modèles récursifs mettant à jour leurs paramètres à mesure que de nouvelles données arrivent. Vous pouvez implémenter ces modèles en utilisant des blocs Simulink intégrés. Ciblez du hardware embarqué en générant du code C/C++ à partir des blocs avec Simulink Coder™.

Estimation de paramètres en ligne avec Simulink (2:39)

Commandes d'estimation de paramètres en ligne (1:58)

Comparaison de l'estimation de paramètres en ligne ou hors ligne

Estimer des modèles non linéaires récursifs de moteurs à combustion interne

Détection en ligne de pannes pour un moteur à courant continu

Estimation d'états avec les filtres de Kalman

Estimez les états des systèmes à partir de données temps réel avec des filtres de Kalman linéaires, étendus (extended) ou sans parfum (unscented) ainsi que des filtres à particules. Vous pouvez implémenter ces algorithmes en utilisant des blocs Simulink intégrés. Ciblez du hardware embarqué en générant du code C/C++ à partir des blocs avec Simulink Coder™.

Comprendre les filtres de Kalman, partie 3 : un estimateur d'états optimal (6:42)

Estimer les états d'un système non linéaire avec des capteurs multi-échantillonnés

Générer du code C/C++ pour l'estimation d'états avec un filtre de Kalman

Estimation d'états dans Simulink avec des filtres à particules

Comprendre les filtres de Kalman, partie 1 : pourquoi utiliser les filtres de Kalman ?

Simulink et la conception de systèmes de contrôle

Implémenter des modèles estimés dans Simulink avec des blocs intégrés. Vous pouvez utiliser les modèles estimés pour représenter des modèles de processus lors de la conception des contrôleurs dans MATLAB et Simulink.

Intégration avec Simulink

Implémentez des modèles estimés, des estimateurs d'état et des modèles récursifs dans Simulink avec des blocs intégrés. Vous pouvez réaliser des tâches d'analyse de systèmes et de conception de systèmes de contrôle en utilisant ces blocs.

Simuler un modèle linéaire identifié dans Simulink

Simuler un modèle non linéaire identifié dans Simulink

Implémenter des modèles en ligne ARMAX dans Simulink

Implémenter des filtres de Kalman dans Simulink

Contrôle guidé par les données : design et implémentation d'un contrôleur

Conception de contrôleurs

Utilisez les modèles que vous avez estimés pour la conception et le réglage des contrôleurs avec Control System Toolbox. Utilisez la fonctionnalité d'identification de système dans l'application PID Tuner pour estimer la dynamique du processus physique linéaire à partir de données mesurées ou de modèles Simulink comportant des discontinuités.

Réglage d'un contrôleur PID pour un modèle comportant des discontinuités (5:40)

Estimer les états d'un système non linéaire avec des capteurs multi-cadences (21:45)

Contrôle guidé par les données : identification de système (4:12)

Estimation d'états dans Simulink avec des filtres à particules

Réglage d’un contrôleur PID en tenant compte des données d'entrée-sortie mesurées

Identification de modèles non linéaires

Estimer des modèles qui capturent les non-linéarités dans votre système.

Modèles ARX non linéaires

Modélisez vos systèmes en combinant les modèles autorégressifs avec des non-linéarités représentées par des réseaux d'ondelettes, des partitionnements d'arbre, des réseaux sigmoïdes et des réseaux de neurones (avec Deep Learning Toolbox™). 

Estimer des modèles ARX non linéaires d'un système d'amortisseur à fluide

Estimer des modèles ARX non linéaires avec des régressions personnalisées

Identifier des modèles ARX non linéaires d'un système de caméra motorisée

Valider des modèles ARX non linéaires

Estimation de modèles ARX non linéaires

Modèles Hammerstein-Wiener

Estimez les distorsions non linéaires statiques présentes à l'entrée et à la sortie d'un système autrement linéaire. Vous pouvez, par exemple, estimer les niveaux de saturation affectant le courant d'entrée d'un moteur à courant continu.

Introduction aux modèles Hammerstein-Wiener

Identifier des modèles Hammerstein-Wiener non linéaires d'un système à deux réservoirs

Estimer des modèles Hammerstein-Wiener d'un boitier papillon de moteur

Valider des modèles Hammerstein-Wiener

Estimation des modèles boîte noire non linéaires

Identification de modèles boîte grise

Élaborer des modèles boîte grise représentés par un ensemble d'équations combinant des paramètres connus et inconnus. Les données test mesurées peuvent être ensuite utilisées pour estimer ces paramètres et capturer la dynamique de votre système sans changer la structure de modèle.

Modèles boîte grise linéaires

Modélisez votre système linéaire avec des équations différentielles, des équations aux différences ou un système à représentations d'état. Estimez les paramètres d'un modèle spécifié comme la masse et la longueur pendulaires, ou la résistance du moteur et la constante de force contre-électromotrice à partir de données d'entrée-sortie mesurées.

Estimer des modèles boîte grise linéaires

Modéliser un système de diffusion de chaleur

Modéliser un moteur à courant continu

Modéliser le frottement dans un pendule

Modèle boîte grise linéaire d'un moteur à courant continu.

Modèles boîte grise non linéaires

Modélisez votre système avec des équations non linéaires, différentielles ou aux différences. Estimez les paramètres d'un modèle spécifié à partir de données d'entrée-sortie mesurées.

Estimer des modèles boîte grise non linéaires

Modéliser un bras robotique industriel

Modéliser un réacteur à réservoir sous agitation continue

Modéliser un système de dynamique de véhicule

Un modèle boîte grise non linéaire représente mieux un système à deux réservoirs qu'un modèle linéaire.

Modèles de séries temporelles

Analyser les données de séries temporelles en identifiant des modèles AR, ARMA, à représentations d'état, ainsi que d'autres modèles linéaires et non linéaires.

Modèles de séries temporelles

Estimez les modèles de séries temporelles à ajuster aux données mesurées issues de votre système. Vous pourrez ensuite prévoir les valeurs futures d'un modèle de séries temporelles afin d'anticiper le comportement de votre système.

Estimer le courant d’un transformateur avec des modèles autorégressifs

Prévoir des séries temporelles multivariées

Prédiction des pannes d’un fourneau avec des modèles de séries temporelles

Estimer des modèles ARIMA