System Identification Toolbox
Créer des modèles de systèmes dynamiques linéaires et non linéaires à partir de données d'entrée-sortie
Have questions? Contact Sales.
System Identification Toolbox propose des fonctions MATLAB, des blocs Simulink, ainsi qu'une application pour la modélisation des systèmes dynamiques, l'analyse de séries temporelles et la 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) neuronaux 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 capteur virtuel. La toolbox vous permet de générer du code C/C++ pour les algorithmes d'estimation en ligne afin de cibler des équipements embarqués.
Estimation de modèles avec applications interactives
Utilisez des applications interactives pour estimer, analyser, comparer et valider des modèles dynamiques à partir de données mesurées. Créez et comparez des modèles linéaires, non linéaires et de Deep Learning à l'aide de workflows automatisés, et exportez les modèles vers Simulink pour leur intégration dans des systèmes plus vastes.
Identification de systèmes linéaires
Estimez les modèles linéaires à partir de données mesurées dans les domaines temporel ou fréquentiel pour des applications telles que le design de systèmes de contrôle, la simulation de systèmes et la prévision. Créez des fonctions de transfert, des modèles de processus, des modèles de représentation d’état et des modèles polynomiaux, en temps continu ou discret. Estimez les modèles de réponse en fréquence avec l'analyse spectrale. Calculez et visualisez l'effet des incertitudes au niveau des paramètres sur la réponse du modèle dans les domaines temporel et fréquentiel.
Identification de systèmes non linéaires
Estimez des modèles Hammerstein-Wiener et ARX non linéaires pour capturer la dynamique non linéaire de votre système. Utilisez des modèles ARX non linéaires pour combiner des modèles autorégressifs avec des non-linéarités dynamiques représentées par des réseaux d'ondelettes, du partitionnement d'arbres et des réseaux sigmoïdes. De plus, vous pouvez spécifier les variables explicatives pour capturer la physique de votre système ou sélectionner automatiquement un sous-ensemble optimal de variables explicatives pour les modèles ARX non linéaires. Utilisez des modèles Hammerstein-Wiener pour estimer les non-linéarités à l'entrée et à la sortie d'un système autrement linéaire.
Identification de systèmes non linéaires basée sur l'IA
Créez des modèles de représentation d'état basés sur le Deep Learning, en utilisant des équations différentielles ordinaires neuronales, pour apprendre le comportement non linéaire d’un système directement à partir des données. Combinez des techniques de Machine Learning et de Deep Learning avec des structures non linéaires ARX et Hammerstein-Wiener, et utilisez des réseaux de neurones auto-configurables, des ensembles d'arbres et des processus gaussiens disponibles dans Statistics and Machine Learning Toolbox™ et Deep Learning Toolbox™, pour représenter les non-linéarités.
Identification de systèmes boîte grise
Modélisez votre système en utilisant des équations différentielles linéaires ou non linéaires, des équations aux différences ou un système à représentation d'état. Estimez les paramètres spécifiés de votre modèle boîte grise à partir des données d'entrée-sortie mesurées pour capturer la dynamique de votre système.
Modèles de séries temporelles
Estimez des modèles de séries temporelles ou de signaux pour les ajuster aux données mesurées de votre système. Effectuez des prévisions de séries temporelles en utilisant des modèles linéaires comme AR, ARMA, ARIMA, et des modèles de représentation d'état ou des modèles non linéaires tels que les modèles ARX non linéaires.
Estimation en ligne
Estimez un modèle de votre système en temps réel avec des algorithmes récursifs mettant à jour ses paramètres au fur et à mesure de la disponibilité de nouvelles données. Estimez les états des systèmes avec des filtres de Kalman linéaires, étendus ou sans parfum ainsi que des filtres à particules.
Design de systèmes de contrôle et Simulink
Utilisez vos modèles estimés en tant que modèles de systèmes physiques pour le design et le réglage des contrôleurs avec Control System Toolbox. Implémentez les modèles estimés, les estimateurs d'état et les modèles récursifs dans Simulink en utilisant des blocs prédéfinis pour l'analyse du système, la modélisation de capteurs virtuels, la modélisation d'ordre réduit et le design de systèmes de contrôle.
Déploiement
Utilisez la génération de code afin de déployer les modèles estimés, les estimateurs d'état et les modèles récursifs pour des applications telles que la détection de panne en ligne, la modélisation d'ordre réduit (ROM), les diagnostics et les pronostics. Générez du code C/C++ avec Simulink Coder et du texte structuré IEC 61131-3 avec Simulink PLC Coder pour les modèles implémentés dans Simulink. Utilisez MATLAB Coder pour générer du code C/C++ dans MATLAB. Vous pouvez aussi utiliser MATLAB Compiler pour générer des applications autonomes.
Ressources produits :
« L'amélioration des performances de notre système de contrôle AFR existant avec Optimization Toolbox et System Identification Toolbox nous a permis de réduire considérablement la production de gaz d'échappement. Dans le cadre d'une étude d'évaluation sur un moteur en cours de développement, nous avons constaté que, dans certaines conditions, les émissions d'oxyde d'azote et de monoxyde de carbone étaient réduites de moitié ou plus. »
FAQ sur System Identification Toolbox
System Identification Toolbox fournit des fonctions MATLAB, des blocs Simulink et une app pour créer des modèles dynamiques linéaires et non linéaires à partir de données entrées-sorties, permettant l'analyse des séries temporelles et la prévision.
Vous pouvez créer des fonctions de transfert, des modèles de procédé, des modèles en espace d'état, des modèles ARX non linéaires, des modèles Hammerstein-Wiener et des modèles neural ODE en temps continu ou discret en utilisant des données dans le domaine temporel ou fréquentiel.
La toolbox estime les dynamiques non linéaires en utilisant des modèles Hammerstein-Wiener et des modèles ARX non linéaires, en tirant parti de techniques de machine learning telles que les processus gaussiens, les Support Vector Machine (SVM) et les ensembles d'arbres pour représenter les non-linéarités. Elle prend également en charge la modélisation en espace d'état basée sur le deep learning utilisant des neural ODEs.
L'identification boîte grise permet de modéliser un système à l'aide d'équations différentielles linéaires ou non linéaires, d'équations aux différences ou de systèmes en espace d'état, puis d'estimer des paramètres spécifiés à partir de données entrées-sorties mesurées.
Oui, vous pouvez intégrer les modèles identifiés dans Simulink pour des simulations et les utiliser comme modèles du procédé pour concevoir et régler des contrôleurs avec Control System Toolbox.
Oui, la toolbox permet l'estimation en ligne des paramètres et des états en utilisant des filtre de Kalman étendu ou filtre de Kalman non parfumé et des filtres particulaires pour le contrôle adaptatif, la détection de défauts et les applications de soft sensing.
Oui, vous pouvez générer du code C/C++ avec MATLAB Coder ou Simulink Coder, et du Structured Text IEC 61131-3 avec Simulink PLC Coder pour des applications telles que la détection de défauts en ligne et le diagnostic.
L'app System Identification permet d'estimer de manière interactive des modèles linéaires et non linéaires en important et en prétraitant des données temporelles et fréquentielles, puis en identifiant, comparant et validant les modèles par rapport à des jeux de données de test.
La toolbox permet d'importer des données de réponse en fréquence (par exemple des mesures issues d'un diagramme de Bode ou des données FRF issues d'essais modaux) et d'ajuster directement des fonctions de transfert ou des modèles en espace d'état. Vous pouvez également calculer des estimations non paramétriques de la réponse en fréquence en utilisant des méthodes d'analyse spectrale, puis les affiner en modèles paramétriques.
Utilisez des techniques d'estimation en ligne comme les filtre de Kalman étendu, filtre de Kalman non parfumé ou des filtres particulaires pour estimer des états du système non mesurés à partir des données des capteurs disponibles. Ces capteurs virtuels peuvent remplacer des capteurs physiques coûteux ou peu fiables et peuvent être déployés sur du matériel embarqué via la génération de code.
Utilisez System Identification Toolbox lorsque votre système présente un comportement dynamique temporel, lorsque les jeux de données sont limités ou coûteux à collecter, lorsque l'interprétabilité du modèle et l'analyse de stabilité sont nécessaires, ou lorsque le modèle doit s'intégrer à des algorithmes de contrôle ou d'estimation tels que MPC ou le filtrage de Kalman. Les approches génériques de machine learning sont souvent mieux adaptées aux tâches prédictives sur de grands jeux de données où la précision en boîte noire est privilégiée au détriment de l'interprétabilité physique, de la structure dynamique ou de l'analyse orientée contrôle.
Oui. Utilisez MATLAB Compiler pour déployer des algorithmes d'analyse de séries temporelles et de modélisation de systèmes en tant qu'applications autonomes, conteneurs Docker ou applications web. Pour les systèmes embarqués, générez du code C/C++ avec MATLAB Coder ou Simulink Coder pour l'estimation en ligne en temps réel et la détection de défauts.
