System Identification Toolbox
Cree modelos de sistemas dinámicos lineales y no lineales a partir de datos de E/S
Have questions? Contact Sales.
System Identification Toolbox ofrece funciones de MATLAB, bloques de Simulink y una app para modelado de sistemas dinámicos, análisis de series temporales y predicción. Puede aprender relaciones dinámicas entre variables medidas para crear funciones de transferencia, modelos de procesos y modelos de espacio de estados en tiempo continuo o discreto mientras utiliza datos del dominio del tiempo o de la frecuencia. Puede predecir series temporales utilizando AR, ARMA y otras técnicas de modelado autorregresivo lineal y no lineal.
La toolbox permite estimar la dinámica de sistemas no lineales utilizando modelos Hammerstein-Wiener y ARX no lineales con técnicas de Machine Learning tales como proceso gaussiano (GP), máquina de vectores de soporte (SVM) y otras representaciones. Si prefiere, puede crear modelos de ecuaciones diferenciales ordinarias (EDO) neuronales utilizando Deep Learning para capturar la dinámica de sistemas no lineales. Con esta toolbox. puede realizar identificación de sistemas de caja gris para estimar los parámetros de un modelo definido por el usuario. Puede integrar los modelos identificados en Simulink para realizar simulaciones rápidas y activar aplicaciones de diseño de control, diagnóstico y pronóstico.
Puede realizar estimación de parámetros y estados online utilizando filtros de Kalman extendidos o unscented, y filtros de partículas para aplicaciones de control adaptativo, detección de anomalías y sensores virtual. También puede generar código C/C++ para algoritmos de estimación online destinado a dispositivos integrados.
Estime modelos con apps interactivas
Utilice aplicaciones interactivas para estimar, analizar, comparar y validar modelos dinámicos a partir de datos medidos. Cree y compare modelos lineales, no lineales y de Deep Learning mediante flujos de trabajo automatizados, y exporte los modelos a Simulink para integrarlos en sistemas más grandes.
identificación de sistemas lineales
Estime modelos lineales a partir de datos medidos de los dominios del tiempo o la frecuencia para aplicaciones de diseño de control, simulación de sistemas y predicción. Cree funciones de transferencia, modelos de procesos, modelos de espacio de estados y modelos polinómicos en tiempo continuo o discreto. Estime modelos de respuesta en frecuencia utilizando análisis del espectro. Calcule y visualice el efecto de incertidumbres de parámetros en la respuesta de los modelos en los dominios del tiempo y la frecuencia.
identificación de sistemas no lineales
Estime modelos Hammerstein-Wiener y ARX no lineales para capturar la dinámica no lineal de un sistema. Utilice modelos ARX no lineales para combinar modelos autorregresivos con no linealidades dinámicas representadas por redes de wavelets, particiones de árbol y redes sigmoides. Asimismo, especifique regresores para capturar la física de un sistema, o seleccione automáticamente un subconjunto óptimo de regresores para modelos ARX no lineales. Utilice modelos Hammerstein-Wiener para estimar las no linealidades de entrada y salida de un sistema lineal.
Identificación de sistemas no lineales basada en IA
Cree modelos de espacio de estados basados en Deep Learning utilizando EDO neuronales para aprender el comportamiento del sistema no lineal directamente de los datos. Combine técnicas de Machine Learning y Deep Learning con estructuras ARX y Hammerstein-Wiener no lineales, y utilice redes neuronales autoconfigurables, conjuntos de árboles y procesos gaussianos disponibles en Statistics and Machine Learning Toolbox™ y Deep Learning Toolbox™ para representar no linealidades.
Identificación de sistemas de caja gris
Modele un sistema utilizando ecuaciones diferenciales lineales o no lineales, ecuaciones de diferencias o un sistema de espacio de estados. Estime los parámetros especificados de un modelo de caja gris a partir de los datos de E/S medidos para capturar la dinámica de un sistema.
Modelos de series temporales
Estime modelos de series temporales o señales para ajustar datos medidos de un sistema. Realice predicciones de series temporales utilizando modelos lineales como AR, ARMA y ARIMA, y modelos de espacio de estados o modelos no lineales como ARX no lineal.
Estimación online
Estime el modelo de un sistema en tiempo real utilizando algoritmos recursivos que actualicen los parámetros del modelo cuando haya nuevos datos disponibles. Estime los estados del sistema utilizando filtros de Kalman lineales, extendidos o unscented, así como filtros de partículas.
Diseño de sistemas de control y Simulink
Utilice modelos estimados como modelos de planta para diseñar y ajustar controladores con Control System Toolbox. Implemente modelos estimados, estimadores de estados y modelos recursivos en Simulink utilizando bloques integrados para análisis de sistemas, modelado de sensores virtuales, modelado de orden reducido y diseño de control.
Despliegue
Utilice la generación de código para desplegar modelos estimados, estimadores de estados y modelos recursivos para aplicaciones tales como detección de anomalías online, modelado de orden reducido (ROM), y diagnóstico y pronóstico. Genere código C/C++ y texto estructurado de IEC 61131-3 utilizando Simulink Coder y Simulink PLC Coder, respectivamente, para modelos implementados en Simulink. Utilice MATLAB Coder para generar código C/C++ en MATLAB. Si prefiere, utilice MATLAB Compiler para generar aplicaciones independientes.
Recursos del producto:
"Con la mejora del rendimiento del sistema de control AFR existente con Optimization Toolbox y System Identification Toolbox, logramos reducir sustancialmente la producción de gases de escape. Como parte de un estudio de evaluación de desarrollo con un motor en desarrollo, descubrimos que, en ciertas condiciones, las emisiones de NOx y CO se reducían a la mitad o más".
Preguntas frecuentes sobre System Identification Toolbox
System Identification Toolbox proporciona funciones de MATLAB, bloques de Simulink y una app para crear modelos dinámicos lineales y no lineales a partir de datos de entrada/salida, lo que permite el análisis de series temporales y la predicción.
Puede crear funciones de transferencia, modelos de proceso, modelos en espacio de estados, modelos ARX no lineales, modelos Hammerstein-Wiener y modelos neural ODE en tiempo continuo o discreto utilizando datos en el dominio del tiempo o de la frecuencia.
El toolbox estima dinámicas no lineales mediante modelos Hammerstein-Wiener y ARX no lineales, aprovechando técnicas de machine learning como procesos gaussianos, Support Vector Machine (SVM) y ensamblados de árboles para representar las no linealidades. También admite el modelado en espacio de estados basado en deep learning mediante neural ODEs.
La identificación de sistemas de caja gris le permite modelar su sistema mediante ecuaciones diferenciales lineales o no lineales, ecuaciones en diferencias o sistemas en espacio de estados, y luego estimar parámetros especificados a partir de datos medidos de entrada/salida.
Sí. Puede integrar los modelos identificados en Simulink para simulaciones y usarlos como modelos de planta para diseñar y ajustar controladores con Control System Toolbox.
Sí. El toolbox permite la estimación en línea de parámetros y estados usando filtros de Kalman extendidos o Unscented y filtros de partículas para aplicaciones de control adaptativo, detección de fallos y sensado virtual.
Sí. Puede generar código C/C++ usando MATLAB Coder o Simulink Coder, y Structured Text conforme a IEC 61131-3 usando Simulink PLC Coder para aplicaciones como la detección de fallos en línea y diagnósticos.
La System Identification app le permite estimar de forma interactiva modelos lineales y no lineales importando y preprocesando datos en el dominio del tiempo y de la frecuencia, y luego identificando, comparando y validando modelos frente a conjuntos de datos de prueba.
El toolbox admite la importación de datos de respuesta en frecuencia (por ejemplo, mediciones del diagrama de Bode o datos FRF de ensayos modales) y el ajuste directo de funciones de transferencia o modelos en espacio de estados. También puede calcular estimaciones no paramétricas de la respuesta en frecuencia mediante métodos de análisis espectral y posteriormente refinarlas en modelos paramétricos.
Use técnicas de estimación en línea como filtros de Kalman extendidos, filtros de Kalman Unscented o filtros de partículas para estimar estados del sistema no medidos a partir de los datos de sensores disponibles. Estos sensores virtuales pueden reemplazar sensores físicos costosos o poco fiables y pueden desplegarse en hardware embebido mediante generación de código.
Use System Identification Toolbox cuando su sistema presente comportamiento dinámico temporal, cuando los conjuntos de datos sean limitados o costosos de recopilar, cuando se requiera interpretabilidad del modelo y análisis de estabilidad, o cuando el modelo deba integrarse con algoritmos de control o estimación como MPC o filtrado de Kalman. Los enfoques genéricos de machine learning suelen ser más adecuados para tareas predictivas con grandes volúmenes de datos donde se prioriza la precisión de caja negra sobre la interpretabilidad física, la estructura dinámica o el análisis orientado al control.
Sí. Use MATLAB Compiler para desplegar algoritmos de series temporales y modelado de sistemas como aplicaciones independientes, contenedores Docker o aplicaciones web. Para sistemas embebidos, genere código C/C++ usando MATLAB Coder o Simulink Coder para estimación en línea en tiempo real y detección de fallos.
