System Identification Toolbox

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

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.

Introduction à System Identification Toolbox

Application System Identification

Utilisez l'application System Identification pour estimer de façon interactive les modèles linéaires et non linéaires de votre système. Effectuez l'importation et le prétraitement de données dans les domaines temporel et fréquentiel. Identifiez et comparez les modèles, analysez leurs propriétés et validez les modèles sur des jeux de données de test.

Importer et manipuler des jeux de données (3:24)

Documentation | Exemples

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.

Documentation | Exemples

Capture d'écran composée de l'application System Identification, sa fenêtre de configuration ARX non linéaire, et d'un tracé des sorties mesurées et simulées.

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.

Documentation | Exemples

Identification de systèmes non linéaires basée sur l'IA

Combinez les techniques de Machine Learning et de Deep Learning avec des modèles Hammerstein-Wiener et ARX non linéaires pour décrire la dynamique non linéaire de votre système. Utilisez les machines à vecteurs de support (SVM), les ensembles d'arbres, les processus gaussiens et les réseaux à propagation avant disponibles dans Statistics and Machine Learning Toolbox™ et Deep Learning Toolbox™ pour représenter les non-linéarités. Vous pouvez aussi créer des modèles de représentation d'état non linéaires basés sur le Deep Learning avec des ODE neuronales.

Modélisation d'ordre réduit avec une approche neuronale pour la représentation d'état (3:10)

Documentation | Exemples

Modèle boîte grise linéaire d'un moteur DC.

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.

Documentation | Exemples

Tracé de la réponse prévue pour un modèle de séries temporelles d'un four à induction, avec le niveau de confiance associé à la prévision.

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.

Documentation | Exemples

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.

Documentation | Exemples

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.

Réglage de contrôleur PID basé sur des données d'entrée-sortie mesurées (3:52)

Documentation | Exemples

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.

Documentation | Exemples

Ressources produits :

Documentation Exemples Vidéos Configuration requise Notes de version Fonctions Blocs Articles techniques

« 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. »
Hiroshi Katoh, Nissan Motor Corporation

Voir d'autres témoignages de clients