System Identification Toolbox

ACTUALIZACIÓN IMPORTANTE

 

System Identification Toolbox

Cree modelos de sistemas dinámicos lineales y no lineales a partir de datos de E/S

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.

App System Identification

Utilice la app System Identification para estimar interactivamente modelos lineales y no lineales de un sistema. Importe y preprocese datos de los dominios del tiempo y la frecuencia. Identifique y compare modelos, analice sus propiedades, y valídelos con respecto a conjuntos de datos de prueba.

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

Combine técnicas de Machine Learning y Deep Learning con modelos Hammerstein-Wiener y ARX no lineales para describir la dinámica no lineal de un sistema. Con Statistics and Machine Learning Toolbox™ y Deep Learning Toolbox™, puede utilizar máquinas de vectores de soporte (SVM), ensembles de árboles, procesos gaussianos y redes prealimentadas para representar no linealidades. Asimismo, cree modelos de espacio de estados no lineales basados en Deep Learning utilizando EDO neuronales.

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.

"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".

Hiroshi Katoh, Nissan Motor Corporation