主要内容

故障诊断模型估计

关于故障诊断模型

在验证过程中，模型可能表现出不期望的特征或与验证数据不太匹配。

使用这些部分中的提示来帮助提高您的模型性能。一些特征，如低信噪比，变化的系统属性，或非平稳扰动，可以产生一个良好的模型拟合是不可能的数据。

型号顺序过高或过低

模型输出图中的不合适可能是错误模型顺序的结果。在选择模型结构和模型顺序时，系统识别在很大程度上是一个试错过程。理想情况下，您需要能够充分捕获系统动态的最低阶模型。高阶模型的计算成本较高，参数不确定性较大。

中所描述的估计模型顺序开始初步步骤-估计模型订单和输入延迟．使用建议的顺序作为起点，以估计不同模型结构的最低可能顺序。在每次估计之后，监视模型输出和剩余分析图，然后为下一次估计调整您的设置。

当低阶模型与验证数据拟合不佳时，估计高阶模型以查看拟合是否改善。例如，如果模型输出图显示四阶模型给出较差的结果，则估计八阶模型。当高阶模型改善拟合时，您可以得出结论，高阶线性模型对于您的应用程序可能已经足够了。

使用独立的数据集来验证你的模型。如果你使用相同的数据集进行估计和验证，拟合总是随着模型阶数的增加而提高，并且有过拟合的风险。然而，如果你使用一个独立的数据集来验证你的模型，如果模型的阶数太高，拟合最终会恶化。

系统中存在大量噪声

系统中的大量噪声可能导致模型拟合不佳。当出现以下情况时，表明存在此类噪声:

  • 状态空间模型比ARX模型产生更好的拟合。虽然状态空间结构对噪声建模具有足够的灵活性，但ARX结构无法独立地对噪声和系统动力学建模。下面的ARX模型方程说明了这一点一个将动态项和噪声项结合在一起，出现在两者的分母中:

    y ＝ B 一个 u + 1 一个 e

  • 残差分析图显示了非零滞后时残差的显著自相关。有关残留分析的详细信息，请参阅残留分析页面。

为了更仔细地对噪声建模，可以使用ARMAX或Box-Jenkins模型结构，两者都使用不同的多项式对噪声和动力学项进行建模。

不稳定模型

不稳定线性模型

您可以测试是否a线性模型是不稳定的是通过检查模型的极点零点图，这是在极点和零点图．离散时间模型和连续时间模型的极点值稳定阈值不同，如下所示:

  • 对于稳定的连续时间模型，极点的实部小于0。

  • 对于稳定的离散时间模型，极点的大小小于1。

请注意

估计数据中的线性趋势可能导致确定的线性模型不稳定。然而，去趋势并不能保证模型的稳定性。

如果你的模型是不稳定的，但你相信你的系统是稳定的，你可以。

  • 估算期间的力稳定性-设置焦点对保证模型稳定的值的估计选项。这种设置会导致模型质量降低。

  • 允许一些不稳定性-设置稳定性阈值高级估计选项，以允许误差范围:

    • 对于连续时间模型，设置的值Advanced.StabilityThreshold.s．如果最右边的极点在的左边，则该模型被认为是稳定的年代．

    • 对于离散时间模型，设置的值Advanced.StabilityThreshold.z．如果所有的极点都在一个半径为的圆内，则认为该模型是稳定的z它以原点为中心。

欲了解更多有关焦点而且先进。StabilityThreshold，请参阅创建估计选项集的各种命令，例如tfestOptions，ssestOptions,procestOptions．

不稳定非线性模型

测试是否非线性模型不稳定时，将模拟模型输出绘制在验证数据之上。如果模拟输出与实测输出有偏差，则模型是不稳定的。然而，模型输出与实测输出之间的一致性并不能保证稳定性。

当一个不稳定的模型是可以的

在某些情况下，不稳定的模型仍然有用。例如，如果您的系统在没有控制器的情况下是不稳定的，您可以使用您的模型进行控制设计。在这种情况下，您可以将不稳定模型导入Simulink金宝app®或控制系统工具箱™产品。下载188bet金宝搏

缺少输入变量

如果建模噪声和尝试不同的模型结构和顺序仍然导致较差的拟合，尝试添加更多可以影响输出的输入。输入不需要是控制信号。任何可测量的信号都可以被认为是输入，包括可测量的干扰。

在输入数据中包含额外的测量信号，并重新估计模型。

系统的非线性

如果线性模型显示与验证数据的拟合较差，则考虑系统中是否存在非线性效应。

您可以通过对输入信号进行简单的转换来对非线性建模，从而使问题在新变量中成为线性的。例如，在以电力作为驱动刺激的加热过程中，您可以将电压和电流测量相乘，以创建电源输入信号。

如果您的问题足够复杂，并且您对系统没有物理上的了解，请尝试将非线性黑盒模型拟合到您的数据，请参见关于已识别的非线性模型．

非线性估计器产生较差的拟合

对于非线性ARX和Hammerstein-Wiener模型，当非线性估计器具有不正确的复杂度时，模型输出图不显示出良好的拟合。

类指定分段线性网络、小波网络、sigmoid网络和自定义网络的复杂度NumberOfUnits非线性估计量性质。单位数越高，非线性估计量越复杂。当使用神经网络时，使用网络对象的参数指定复杂度。有关更多信息，请参阅深度学习工具箱™文档。

为了选择合适的非线性估计器复杂度，首先验证低复杂度模型的输出。接下来，增加模型的复杂性并再次验证输出。当非线性估计量过于复杂时，模型拟合降低。这种性能下降只有在使用独立的估计和验证数据集时才可见

相关的话题