Identificar modelos lineales
Utilice la identificación de modelos lineales cuando un modelo lineal es suficiente para capturar por completo la dinámica del sistema. Puede identificar modelos lineales en la app System Identification o en la línea de comandos. System Identification Toolbox™ permite crear y estimar cuatro tipos generales de modelos lineales.
Modelos paramétricos: estime parámetros en estructuras como modelos de función de transferencia, modelos de espacio de estados lineales, modelos polinomiales y modelos de proceso.
Modelos de respuesta en frecuencia: estime modelos espectrales utilizando el análisis del espectro.
Modelos de correlación: realice la estimación no paramétrica de modelos de respuesta al impulso utilizando el análisis de correlación.
Modelos de caja gris lineales: estime los coeficientes de ecuaciones diferenciales o de diferencias ordinarias arbitrarias, incorporando información de sistema que se conoce previamente o que se puede deducir de los principios de la física.
La identificación de modelos lineales requiere datos del dominio de la frecuencia o del dominio del tiempo muestreados de manera uniforme. Los datos pueden tener uno o más canales de entrada y salida. Para obtener más información, consulte About Identified Linear Models. También puede modelar datos de series temporales, que contienen un único canal de salida y ningún canal de entrada, utilizando estructuras de modelo paramétrico como AR y ARMA.
Puede utilizar los modelos identificados para simular y predecir salidas de modelo en la línea de comandos, en la app o en Simulink®.
Categorías
- Conceptos básicos de la identificación de modelos lineales
Información esencial para identificar modelos lineales, seleccionar estructuras de modelo adecuadas, construir y modificar estructuras de objetos de modelo y utilizar estimación regularizada
- Modelos de proceso
Modelos de función de transferencia de orden inferior con ganancia estática, constante de tiempo y retardo de entrada/salida
- Modelos polinomiales de entrada-salida
Modelos polinomiales de entrada-salida, incluidas estructuras de modelo ARX, ARMAX, salida-error y Box-Jenkins
- Modelos de espacio de estados
Modelos de espacio de estados con parametrizaciones libres, canónicas y estructuradas; modelos ARMAX y salida-error (OE) equivalentes
- Modelos de función de transferencia
Modelos de función de transferencia
- Modelos de caja gris lineales
Realice la estimación de coeficientes de ecuaciones diferenciales, de diferencias o en espacio de estados lineales
- Modelos de respuesta en frecuencia
Modelos de respuesta en frecuencia obtenidos utilizando el análisis del espectro
- Modelos de correlación
Modelos de respuesta al impulso obtenidos usando el análisis de correlación
Ejemplos destacados
Glass Tube Manufacturing Process
Linear model identification of a glass tube manufacturing process.
Estimating Transfer Function Models for a Heat Exchanger
Estimate a transfer function from measured signal data.
Estimating Transfer Function Models for a Boost Converter
Estimate a transfer function from frequency response data.
Modal Analysis of a Flexible Flying Wing Aircraft
Computation of bending modes of a flexible wing aircraft.
Comparison of Various Model Identification Methods
Several identification methods available in System Identification Toolbox.
Estimating Continuous-Time Models Using Simulink Data
Illustrates how models simulated in Simulink® can be identified using System Identification Toolbox™. The example describes how to deal with continuous-time systems and delays, as well as the importance of the intersample behavior of the input.
Linear Approximation of Complex Systems by Identification
Obtain linear approximations of a complex, nonlinear system by means of linear model identification.
Analyze Data in Multivariable Systems and Identify Models
Collect MIMO data, estimate and compare models, and view corresponding model responses.
Use LSTM Network for Linear System Identification
Use Long Short-Term Memory (LSTM) neural networks to estimate a linear system and compares this approach to transfer-function estimation.
