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，模型可能会显示出不希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，变化的系统性质，或非平稳干扰，可能产生的数据是不可能的良好模型拟合。

模型订单过高或过低

模型输出图的不合适可能是模型顺序不正确的结果。在选择模型结构和模型顺序时，系统辨识在很大程度上是一个试错过程。理想情况下，您需要能够充分捕捉系统动态的最低阶模型。高阶模型的计算成本较高，导致参数的不确定性较大。

首先估计模型顺序，如中所述初步步骤-估计模型订单和输入延迟．使用建议的顺序作为起点，估计最低可能的顺序与不同的模型结构。在每次估计之后，监视模型输出和残留分析图，然后为下一次估计调整您的设置。

当低阶模型与验证数据的拟合度很差时，估计一个高阶模型，看看拟合度是否提高。例如，如果模型输出图显示四阶模型给出的结果很差，那么估计一个八阶模型。当高阶模型改善了拟合性时，您可以得出结论，高阶线性模型对您的应用程序可能已经足够了。

使用独立的数据集来验证您的模型。如果您使用相同的数据集进行估计和验证，当您增加模型顺序时，拟合总是会改善，并且您有过拟合的风险。但是，如果使用独立数据集来验证模型，如果模型顺序太高，拟合最终会恶化。

系统中存在大量噪声

系统中的大量噪声会导致模型拟合不佳。这种噪音的存在是在以下情况下表示的:

  • 状态空间模型比ARX模型产生更好的拟合。状态空间结构对噪声建模具有足够的灵活性，而ARX结构无法独立地对噪声和系统动力学建模。下面的ARX模型方程表明一个通过出现在两者的分母中，将动力学项和噪声项结合起来:

    y ＝ B 一个 u + 1 一个 e

  • 残差分析图显示在非零滞后时残差具有显著的自相关性。有关残留分析的更多信息，请参阅残留分析页面。

为了更仔细地建模噪声，使用ARMAX或Box-Jenkins模型结构，两者都使用不同的多项式建模噪声和动力学项。

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零图，在极零图．离散时间模型和连续时间模型极点值的稳定阈值不同，分别为:

  • 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，磁极的大小小于1。

请注意

估计数据的线性趋势可能导致识别的线性模型不稳定。然而，模型去趋势并不能保证稳定性。

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-设置焦点估计选项，以保证模型稳定的值。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，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，这个模型就被认为是稳定的年代．

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

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背离，则模型不稳定。然而，模型输出和测量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，不稳定的模型仍然是有用的。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到Simulink中金宝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，请尝试添加更多可能影响输出的输入。输入不需要是控制信号。任何可测量的信号都可视为输入，包括可测量的干扰。

在输入数据中包含额外的测量信号，并再次估计模型。

系统的非线性

如果线性模型与验证数据的拟合不佳，则应考虑系统中是否存在非线性效应。

您可以通过对输入信号执行一个简单的转换来对非线性进行建模，从而使问题在新变量中是线性的。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，以创建一个功率输入信号。

如果您的问题足够复杂，并且您对系统没有物理见解，请尝试将非线性黑箱模型拟合到您的数据中，参见关于辨识非线性模型．

非线性估计产生一个差的拟合

对于非线性ARX和Hammerstein-Wiener模型，当非线性估计量的复杂度不正确时，模型输出图不能很好地拟合。

参数指定分段线性、小波、sigmoid和自定义网络的复杂性NumberOfUnits非线性估计量的性质。单元数越多，表明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复杂度，首先验证一个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。只有在使用独立的评估和验证数据集时，才能看到这种性能下降

相关的话题