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.

¿Qué es System Identification Toolbox?

App System Identification

Realice la estimación de modelos lineales y no lineales de su sistema de forma interactiva utilizando datos de entrada-salida medidos.

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.

Preprocesamiento de datos (1:42)

Control basado en los datos: adquisición de datos (4:30)

Extracción y modelado de segmentos de datos específicos

Funciones para preprocesar datos

Importación y manipulación de conjuntos de datos

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.

Introducción a la identificación de sistemas (45:55)

Estimación y validación de modelos (1:21)

Análisis residual de modelos estimados

Análisis de incertidumbre de modelos estimados

Introducción a System Identification Toolbox

Identificación de modelos lineales

Estime modelos lineales a partir de los datos medidos para aplicaciones como el diseño de controladores.

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.

Estimación de modelos de función de transferencia para un convertidor boost

Estimación de modelos de procesos

Estimación de modelos para sistemas MIMO

Estimación de funciones de transferencia y modelos de procesos

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.

Visión general de los modelos de espacio de estados

Visión general de los modelos polinómicos

Estimación de órdenes de modelos y retardos de entrada

Uso de la estimación de espacio de estados para reducir el orden de los modelos

Estimación de modelos de espacio de estados y polinómicos

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 modelos mediante datos del dominio de la frecuencia

Estimación de retardos en un sistema mediante el cálculo de la respuesta a impulso

Modal Analysis of a Flexible Flying Wing Aircraft

Análisis modal de una aeronave de alas flexibles

Uso de filtros de ponderación para mejorar la identificación en el dominio de la frecuencia

Mejoras en la identificación en el dominio de la frecuencia

Estimación online

Utilice modelos de estimación online para aplicaciones tales como control adaptativo, detección de fallos y sensores virtuales. Puede desplegar estos modelos para que se ejecuten en tiempo real en dispositivos embebidos utilizando datos en tiempo real.

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 parámetros online con Simulink (2:39)

Comandos de estimación de parámetros online (1:58)

Estimación de parámetros online/offline

Estimación de modelos no lineales recursivos de motores de combustión interna

Detección de fallos online para un motor de CC

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.

Explicación de los filtros de Kalman, parte 3: un estimador de estados óptimo (6:42)

Estimación de los estados de un sistema no lineal con sensores multitasa

Generación de código C/C++ para la estimación de estados con un filtro de Kalman

Estimación de estados en Simulink con filtros de partículas

Explicación de los filtros de Kalman, parte 1: ¿por qué utilizar filtros de Kalman?

Diseño de sistemas de control y Simulink

Implemente modelos estimados en Simulink mediante bloques integrados. Puede utilizar los modelos estimados para representar modelos de planta al diseñar controladores en MATLAB y Simulink.

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.

Simulación de un modelo lineal identificado en Simulink

Simulación de un modelo no lineal identificado en Simulink

Implementación de modelos ARMAX online en Simulink

Implementación de filtros de Kalman en Simulink

Control basado en los datos: diseño e implementación de controladores

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.

Ajuste de un controlador PID para un modelo con discontinuidades (5:40)

Estimación de los estados de un sistema no lineal con sensores multitasa (21:45)

Control basado en los datos: identificación de sistemas (4:12)

Estimación de estados en Simulink con filtros de partículas

Ajuste de un controlador PID a partir de datos de entrada-salida medidos

Identificación de modelos no lineales

Estime modelos que pueden capturar no linealidades en su sistema.

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™). 

Estimación de modelos ARX no lineales de un sistema amortiguador de fluidos

Estimación de modelos ARX no lineales mediante regresores personalizados

Identificación de modelos ARX no lineales de un sistema de cámara motorizado

Validación de modelos ARX no lineales

Estimación de modelos ARX no lineales

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.

¿Qué son los modelos de Hammerstein-Wiener?

Identificación de modelos de Hammerstein-Wiener no lineales de un sistema de dos tanques

Estimación de modelos de Hammerstein-Wiener de un sistema de acelerador de motor

Validación de modelos de Hammerstein-Wiener

Estimación de modelos de caja negra no lineales

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.

Estimación de modelos lineales de caja gris

Modelado de un sistema de difusión de calor

Modelado de un motor de CC

Modelado de la fricción en un péndulo

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.

Estimación de modelos no lineales de caja gris

Modelado de un brazo robótico industrial

Modelado de un reactor de tanque agitado continuo

Modelado de un sistema de dinámica de vehículo

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

Analice datos de series temporales identificando modelos AR, ARMA, de espacio de estados y otros modelos lineales y no lineales.

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.

Estimación de la corriente de un transformador utilizando modelos autorregresivos

Predicción de series temporales multivariantes

Predicción de fallos en un horno utilizando modelos de series temporales

Estimación de modelos ARIMA