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 :
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.
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.
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.
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.
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.
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 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™.
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.
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.
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™).
Modèle ARX non linéaire estimé avec des non-linéarités en ondelettes.
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.
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.
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.
Un modèle boîte grise non linéaire représente mieux un système à deux réservoirs qu'un modèle linéaire.
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.
Modèles de séries temporelles pouvant être utilisés pour prédire l'état des équipements.
Tâches du Live Editor
Améliorez la précision des modèles de processus et de représentations d’état estimés en appliquant des préfiltres de pondération à la fonction de perte
Tâches du Live Editor
Effectuez de façon interactive des tâches d'identification de modèles de processus et de représentations d’état, et générez du code MATLAB dans un live script
Résidus pour filtres de Kalman étendus et sans parfum
Calculez les résidus et les covariances résiduelles de prédictions de ces filtres
Consultez les notes de version pour en savoir plus sur ces fonctionnalités et les fonctions correspondantes.
