System Identification Toolbox

Cree modelos de sistemas dinámicos lineales y no lineales a partir de datos de entrada-salida

System Identification Toolbox™ proporciona funciones de MATLAB®, bloques de Simulink® y una app para el modelado de sistemas dinámicos, análisis y pronóstico de series temporales. Puede aprender a usar relaciones dinámicas entre variables medidas para crear funciones de transferencia, modelos de proceso y modelos de espacio de estados tanto en tiempo continuo como discreto al mismo tiempo que usa datos del dominio del tiempo o la frecuencia. Puede pronosticar series temporales usando AR, ARMA y otras técnicas de modelado autorregresivas lineales y no lineales.

La toolbox permite estimar dinámicas de sistema no lineales utilizando modelos Hammerstein-Wiener y ARX no lineales con técnicas de machine learning como procesos gausianos (GP), máquinas de vectores de soporte (SVM) y otras representaciones. Como alternativa, puede crear modelos de ecuación diferencial ordinaria (EDO) neuronales utilizando deep learning para capturar dinámicas de sistema no lineales. La toolbox permite realizar la identificación de sistemas de caja gris para estimar parámetros de un modelo definido por el usuario. Puede integrar modelos identificados en Simulink para simulaciones rápidas que habiliten aplicaciones de diseño de control de diagnóstico y pronóstico.

Puede realizar la estimación de parámetros y estados online utilizando filtros de Kalman unscented o extendidos y filtros de partículas para aplicaciones de control adaptativo, detección de anomalías y sensores virtuales. La toolbox permite generar código C/C++ para algoritmos de estimación online a fin de dirigirse a dispositivos integrados.

Introducción a System Identification Toolbox

Aprender los aspectos básicos de System Identification Toolbox

Preparación de datos

Represente, analice, elimine tendencias, filtre datos en los dominios del tiempo y la frecuencia, genere e importe datos

Identificar modelos lineales

Identifique modelos de respuesta al impulso, respuesta en frecuencia y paramétricos, como modelos de espacio de estados y de función de transferencia lineales

Identificar modelos no lineales

Identifique modelos ARX, Hammerstein-Wiener, de caja gris y de espacio de estados neuronales no lineales

Estimación de modelos de caja gris

Realice la estimación de coeficientes de ecuaciones diferenciales, de diferencias o en espacio de estados lineales y no lineales

Validación de modelos

Compare un modelo con la salida medida, el análisis de valores residuales y las gráficas de respuesta con intervalos de confianza

Análisis de modelos

Discretice modelos, convierta modelos a otros tipos, linealice modelos no lineales, simule y realice predicciones de salidas

Análisis de series temporales

Analice datos de series temporales identificando modelos lineales y no lineales como modelos AR, ARMA, de espacio de estados y de caja gris, realizando análisis del espectro y pronosticando salidas de modelo

Estimación online

Realice la estimación de parámetros y estados del modelo durante el funcionamiento del sistema, genere código e impleméntelo en plataformas objetivo integradas