故障诊断模型估计
关于故障诊断模型
在验证期间,模型可以表现出不良的特征或一个贫穷的适合验证数据。
使用这些部分中的技巧,以帮助改善你的模型的性能。一些特性,如低信噪比、不同的系统属性,或不稳定扰动,可以产生数据的一个好的模型是不可能的。
模型顺序是过高或过低
一个贫穷与模型输出的情节可以一个不正确的模型秩序的结果。系统识别在很大程度上是一个试错过程在选择模型结构和模型。理想情况下,您想要最低的系统动力学模型,该模型充分捕捉。高阶模型是更昂贵的大参数计算和结果的不确定性。
首先估计模型中描述初步的步骤——估计模型和输入订单延误。使用建议的顺序作为出发点来估计最低的订单有不同的模型结构。每次评估后,监控模型输出和残留分析情节,然后调整你设置下一个估计。
当一个低阶模型的验证数据不佳,估计高阶模型是否适合改善。例如,如果模型输出图显示一个四阶模型给可怜的结果,估计一个eighth-order模型。当高阶模型提高了健康,你可以得出这样的结论:高阶线性模型可能满足您的应用程序。
使用一个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评估和验证,符合总是提高你增加过度拟合的模型秩序和风险。然而,如果你使用一个独立的数据集验证模型,适合最终恶化如果模型订单太高了。
系统中大量的噪音
系统中大量噪声会导致糟糕的模型。这种噪声的存在时表示:
产生一个状态空间模型更好的选择比一个ARX模型。而非整数结构有足够的灵活性来模型噪声,ARX结构无法独立噪声和系统动力学模型。显示以下ARX模型方程一个夫妻的动力和噪音方面出现在分母上的:
残差分析情节显示明显的残差的自相关零滞后。关于残留分析的更多信息,请参阅主题上残留分析页面。
模型噪声更仔细,使用一个ARMAX或Box-Jenkins模型结构,这两个使用不同的多项式模型噪声和动力学条件。
不稳定模型
不稳定的线性模型
你可以测试是否线性模型不稳定是通过检查模型的pole-zero情节,描述的是哪一个杆和零块。杆的稳定性阈值值不同离散和连续时间模型,如下:
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,杆的大小小于1。
请注意
线性趋势估计数据可以导致识别线性模型不稳定。然而,消除趋势模型并不能保证稳定性。
如果您的模型是不稳定的,但你相信你的系统是稳定的,可以。
力稳定评估-设置
焦点估计选项值,保证一个稳定的模式。这个设置会导致减少模型质量。允许一些不稳定,先进稳定阈值估计选项设置为允许误差:
对于连续时间模型,设置的值
Advanced.StabilityThreshold.s。模型被认为是稳定的,如果杆最右侧的左边年代。对于离散时间模型,设置的值
Advanced.StabilityThreshold.z。模型被认为是稳定的,如果所有的波兰人在一个圆的半径z这是集中在原点。
更多信息焦点和Advanced.StabilityThreshold,请参阅创建评估选择的各种命令集,如tfestOptions,ssestOptions,procestOptions。
不稳定的非线性模型
为了测试一个非线性模型是不稳定的,画出模拟模型输出的验证数据。如果模拟输出与测量输出,该模型是不稳定的。然而,模型输出和测量输出之间的协议并不能保证稳定性。
当一个不稳定的模型就可以了
在某些情况下,一个不稳定的模型仍然是有用的。例如,如果您的系统是不稳定的控制器,你可以用你的模型控制设计。在这种情况下,你可以不稳定模型导入仿真软件金宝app®或控制系统工具箱™产品。下载188bet金宝搏
失踪的输入变量
如果建模噪声和尝试不同的模型结构和订单仍然在一个贫穷的结果符合,尝试添加更多的输入,会影响输出。不需要输入控制信号。任何可测量的信号可以被认为是一个输入,包括可衡量的干扰。
包括额外的测量信号输入数据和估计模型。
系统的非线性
如果一个线性模型显示了一个可怜的适合验证数据,系统中考虑非线性效应是否存在。
您可以通过执行一个简单的模型的非线性转换的输入信号,使新变量的线性问题。例如,在一个加热过程与电力驱动的刺激,你可以用创建一个电源输入电压和电流测量信号。
如果你的问题是足够复杂,你没有物理洞察系统,尝试拟合非线性黑箱模型到你的数据,看看关于确定非线性模型。
非线性估计产生大小不合适
对非线性ARX和Hammerstein-Wiener模型,模型输出图不显示适合当非线性估计错误的复杂性。
指定piece-wise-linear的复杂性、小波、乙状结肠和自定义网络使用NumberOfUnits非线性估计财产。更多的单位表示一个更复杂的非线性估计量。当使用神经网络,使用网络的参数指定复杂对象。有关更多信息,请参见深度学习工具箱™文档。
要选择适当的非线性估计的复杂性,首先验证低的输出模型。接下来,增加模型的复杂性和再验证输出。该模型适合降解当非线性估计变得太复杂。性能的降低可见如果使用独立的评估和验证数据集
