工具箱的主要设计师是教授Lennart Ljung,是系统识别领域公认的领导者。
工具箱的主要设计师是教授Lennart Ljung,是系统识别领域公认的领导者。
当为识别模型准备数据,您需要指定诸如输入-输出通道名称、采样时间和采样间行为等信息。工具箱允许将此信息附加到数据,这有助于数据的可视化、域转换和各种预处理任务。
测量数据经常有偏移、缓慢漂移、异常值、缺失值和其他异常。工具箱通过执行如下操作来消除此类异常去趋势、过滤、重采样和重构的缺失数据。该工具箱可以分析识别数据的适宜性和上激励,反馈回路的存在,以及非线性的存在的持久性提供诊断。
工具箱估计冲动和频率响应直接从测量数据中获得。使用这些响应,您可以分析系统特性,如主要时间常数、输入延迟和谐振频率。您还可以在评估期间使用这些特征来配置参数模型。
参数模型,如传递函数或状态空间模型,使用少量的参数来捕获系统动力学。系统辨识工具箱从时间响应和频率响应数据估计模型参数及其不确定性。您可以使用时间响应和频率响应图来分析这些模型,例如步长、脉冲、波德图和零极点图。
系统识别工具箱帮助验证识别模型的精确性使用独立的测量数据集从一个真实的系统。对于给定的一组输入数据,工具箱计算已识别模型的输出,并让您将该输出与实际系统的测量输出进行比较。您还可以查看预测误差,并生成具有置信界限的时间响应和频率响应图,以可视化参数不确定性对模型响应的影响。
您可以直接使用已确定的线性模型控制系统工具箱功能分析和补偿设计,无需转换模型。
您还可以从控制系统工具箱中的PID Tuner应用程序中测量的输入-输出数据识别进程模型。您可以交互式地调整系统参数,如增益和极点位置,以匹配模型响应的测量输出。然后,系统识别工具箱可以使用这些参数值作为初始猜测,自动查找在模型和测量数据之间提供最佳拟合的参数值。一旦创建了进程模型,PID Tuner应用程序就会使用它来自动调整PID Controller增益。
您也可以使用系统识别工具箱金宝app仿真软件控制设计™,当整定PID控制器块增益时。如果金宝app一旦进程模型被创建,PID Tuner就会使用它来调整PID Controller块增益。
系统辨识工具箱提供金宝app块在线参数估计。在线参数估计的应用包括故障监测和自适应控制。
系统辨识工具箱,您可以执行两种类型的在线参数估计的:递归多项式模型估计和递归最小二乘估计。
递归多项式模型估计块估计离散时间,多项式模型的ARX或ARMAX结构的输入和输出数据提供作为输入到块。工具箱允许您指定模型的顺序并选择要使用的估计方法。
递归最小二乘估计块估计模型输入(回归量)映射到一个模型输出的模型的参数。该模型必须是回归量的线性组合,但它可以被用来描述非线性系统。
您可以使用在线参数估计块仿真和实现。在模拟使用这些模块可以验证的算法和选择适合您应用的最佳模型结构。
算法然后可以使用自动代码生成与被部署到嵌入目标金宝app仿真软件编码器™那嵌入式编码器®, 或者金宝appSimulink的PLC编码器™.
一种时间序列是一个或多个测量的输出通道与无测量的输入。系统辨识工具箱可以让你创建的时间序列数据模型,根据以前的预测未来信号值。您可以估算同时使用时域和频域数据的时间序列模型。
你可以用不同频率的循环分量来估计描述时间序列变化的时间序列谱。你也可以估计参数自回归(AR),自回归和移动平均(ARMA),ARIMA模型(ARIMA)和状态空间时间序列模型。