System Identification Toolbox
Cree modelos de sistemas dinámicos lineales y no lineales a partir de datos de entrada-salida medidos
System Identification Toolbox™ proporciona funciones de MATLAB®, bloques de Simulink® y una app para crear modelos matemáticos de sistemas dinámicos a partir de datos de entrada-salida medidos. Permite crear y utilizar modelos de sistemas dinámicos que no se pueden modelar fácilmente a partir de especificaciones o principios básicos. Puede usar datos de entrada y salida del dominio del tiempo y el dominio de la frecuencia para identificar funciones de transferencia de tiempo continuo y tiempo discreto, modelos de procesos y modelos de espacio de estados. Esta toolbox también proporciona algoritmos para la estimación de parámetros online embebidos.
La toolbox proporciona técnicas de identificación tales como máxima verosimilitud, minimización de errores de predicción (PEM) e identificación de sistemas subespaciales. Para representar la dinámica de un sistema no lineal, puede estimar los modelos de Hammerstein-Wiener y los modelos ARX no lineales con no linealidades de redes sigmoideas, redes de wavelets y particiones de árbol. La toolbox realiza la identificación de sistemas de caja gris para estimar los parámetros de un modelo definido por el usuario. Puede utilizar el modelo identificado para la predicción de la respuesta del sistema y el modelado de planta en Simulink. La toolbox también soporta el modelado de datos de series temporales y la predicción de series temporales.
Cómo empezar:
Importación y preprocesamiento de datos
Importe datos medidos del dominio del tiempo y el dominio de la frecuencia. Puede preprocesar los datos realizando operaciones tales como eliminar tendencias, filtrar, volver a muestrear, así como reconstruir datos ausentes.
Estimación y validación de modelos
Identifique modelos lineales y no lineales a partir de datos de entrada-salida medidos. Puede comparar los modelos identificados, analizar sus propiedades, calcular sus límites de confianza y validarlos con respecto a conjuntos de datos de prueba.
Funciones de transferencia y modelos de procesos
Estime funciones de transferencia de tiempo continuo o discreto con varias entradas y salidas con un número especificado de polos y ceros. Puede especificar el retardo de transporte o dejar que la toolbox lo determine automáticamente.
Modelos de espacio de estados y polinómicos
Determine el orden óptimo de los modelos y estime modelos de espacio de estados de su sistema. También puede estimar modelos polinómicos ARX, ARMAX, Box-Jenkins y de errores de salida.
Modelos de respuesta en frecuencia y respuesta a impulso
Utilice análisis espectrales y de correlación para estimar modelos de su sistema a partir de datos del dominio de la frecuencia y el dominio del tiempo. Los datos de respuesta en frecuencia también se pueden obtener de un modelo de Simulink con Simulink Control Design.
Estimación de parámetros con modelos recursivos
Estime un modelo de su sistema en tiempo real utilizando modelos recursivos que actualizan sus parámetros a medida que llegan nuevos datos. Puede implementar estos modelos mediante bloques de Simulink integrados. Genere código C/C++ a partir de los bloques mediante Simulink Coder™ para la implementación en dispositivos embebidos.
Estimación de estados con filtros de Kalman
Estime los estados del sistema a partir de datos en tiempo real mediante filtros de Kalman lineales, extendidos o unscented, así como filtros de partículas. Puede implementar estos algoritmos mediante bloques de Simulink integrados. Genere código C/C++ a partir de los bloques mediante Simulink Coder™ para la implementación en dispositivos embebidos.
Integración con Simulink
Implemente modelos estimados, estimadores de estados y modelos recursivos en Simulink mediante bloques integrados. Con estos bloques, puede realizar tareas de análisis de sistemas y diseño de sistemas de control.
Diseño de controladores
Utilice los modelos que ha estimado para diseñar y ajustar controladores con Control System Toolbox. Utilice la funcionalidad de identificación de sistemas de la app PID Tuner para estimar la dinámica de planta lineal a partir de datos medidos o modelos de Simulink con discontinuidades.
Modelos ARX no lineales
Modele sus sistemas combinando modelos autorregresivos con no linealidades representadas por redes de wavelets, particiones de árbol, redes sigmoideas y redes neuronales (con Deep Learning Toolbox™).
Modelo ARX no lineal estimado con no linealidad de wavelet.
Modelos de Hammerstein-Wiener
Estime las distorsiones estáticas no lineales presentes en la entrada y la salida de un sistema por lo demás lineal. Por ejemplo, se pueden estimar los niveles de saturación que afectan a la corriente de entrada que hace funcionar un motor de CC.
Identificación de modelos de caja gris
Cree modelos de caja gris representados por un conjunto de ecuaciones con una combinación de parámetros conocidos y desconocidos. A continuación, puede utilizar los datos de prueba medidos para estimar estos parámetros y capturar la dinámica de su sistema sin cambiar la estructura del modelo.
Modelos lineales de caja gris
Modele su sistema lineal utilizando ecuaciones diferenciales, ecuaciones de diferencias o un sistema de espacio de estados. Estime los parámetros especificados del modelo, tales como la masa y la longitud del péndulo o la resistencia del motor y la constante de fuerza contraelectromotriz a partir de los datos de entrada-salida medidos.
Modelo lineal de caja gris de un motor de CC.
Modelos no lineales de caja gris
Modele su sistema usando ecuaciones diferenciales no lineales o ecuaciones de diferencias. Estime los parámetros del modelo especificados a partir de los datos de entrada-salida medidos.
Un sistema de dos tanques se representa mejor con un modelo no lineal de caja gris que con un modelo lineal.
Modelos de series temporales
Estime modelos de series temporales para adaptarse a los datos medidos de su sistema. A continuación, puede pronosticar los valores futuros del modelo de serie temporal para predecir cómo se comportará su sistema.
Los modelos de series temporales se pueden utilizar para predecir el estado del equipamiento.
Tareas de Live Editor
Mejore la precisión de los modelos de espacio de estados y de procesos estimados aplicando prefiltros de ponderación a la función de pérdida.
Tareas de Live Editor
Realice de forma interactiva tareas de identificación de modelos de espacio de estados y de procesos, y genere código de MATLAB en un script en tiempo real.
Valores residuales para filtros de Kalman extendidos y unscented
Calcule los valores residuales y las covarianzas residuales de las predicciones del filtro.
Consulte las notas de la versión para obtener detalles sobre estas funcionalidades y las funciones correspondientes.
