System Identification Toolbox
Creazione di modelli di sistemi dinamici lineari e non lineari a partire da dati di input e output
Have questions? Contact Sales.
System Identification Toolbox mette a disposizione funzioni MATLAB, blocchi Simulink e un’app per la modellazione di sistemi dinamici, l’analisi di serie storiche e la realizzazione di previsioni. È possibile scoprire i rapporti dinamici tra variabili misurate per creare funzioni di trasferimento, modelli di processo e modelli nello spazio degli stati, nel tempo continuo o discreto utilizzando dati nel dominio del tempo o della frequenza. È possibile prevedere serie storiche con AR, ARMA e altre tecniche di modellazione autoregressiva lineare e non lineare.
Il toolbox consente di stimare la dinamica di sistemi non lineari usando modelli Hammerstein-Wiener e ARX non lineari con le tecniche di Machine Learning come i processi gaussiani (GP), le macchine a vettori di supporto (SVM, dall’inglese support vector machine) e altre rappresentazioni. In alternativa, è possibile creare modelli di equazioni differenziali ordinarie (ODE) neurali usando il Deep Learning per catturare la dinamica di sistemi non lineari. Il toolbox consente di eseguire l’identificazione di sistemi grey-box per la stima dei parametri di un modello definito dall’utente. È possibile integrare i modelli identificati in Simulink per effettuare simulazioni rapide in modo da abilitare applicazioni per la progettazione dei sistemi di controllo e di diagnostica e prognostica.
È possibile effettuare una stima degli stati e dei parametri online usando filtri di Kalman estesi o unscented e filtri particellari per applicazioni di controllo adattivo, rilevamento guasti e soft sensing. Il toolbox consente di generare codice C/C++ per algoritmi di stima online per specifici dispositivi embedded.
Stima dei modelli tramite app interattive
Utilizza applicazioni interattive per stimare, analizzare, confrontare e validare modelli dinamici a partire da dati misurati. Crea e confronta modelli lineari, non lineari e di Deep Learning utilizzando workflow automatizzati ed esporta i modelli in Simulink per l'integrazione in sistemi più complessi.
Identificazione di sistemi lineari
Stima modelli lineari a partire da dati misurati nel dominio del tempo e della frequenza per applicazioni quali la progettazione di sistemi di controllo, la simulazione di sistemi e la realizzazione di previsioni. Crea funzioni di trasferimento, modelli di processo, modelli nello spazio degli stati e modelli polinomiali nel tempo continuo o discreto. Stima i modelli di risposta in frequenza usando l’analisi spettrale. Calcola e visualizza l’effetto delle incertezze dei parametri sulla risposta del modello nel dominio del tempo e in quello della frequenza.
Identificazione di sistemi non lineari
Stima modelli Hammerstein-Wiener e ARX non lineari per catturare la dinamica non lineare del tuo modello. Usa i modelli ARX non lineari per combinare modelli autoregressivi con non linearità dinamiche rappresentate tramite una rete wavelet, di partizione ad albero e sigmoidea. In più, specifica i regressori per acquisire la fisica del tuo sistema oppure seleziona automaticamente un sottogruppo ottimale di regressori per i modelli ARX non lineari. Usa i modelli Hammerstein-Wiener per stimare le non linearità di input e output di un sistema altrimenti lineare.
Identificazione di sistemi non lineari basati sull’IA
Crea modelli di spazio di stato basati sul Deep Learning utilizzando equazioni differenziali ordinarie neurali per apprendere il comportamento del sistema non lineare direttamente dai dati. Integra tecniche di Machine Learning e Deep Learning con strutture ARX non lineari e Hammerstein-Wiener, sfruttando reti neurali auto-configuranti, ensemble di alberi e processi Gaussiani presenti in Statistics and Machine Learning Toolbox™ e Deep Learning Toolbox™ per modellare le non linearità
Identificazione di sistemi grey-box
Modella il tuo sistema utilizzando equazioni differenziali lineari e non lineari, equazioni alle differenze o un sistema nello spazio degli stati. Stima parametri specifici del tuo modello grey-box a partire da dati di input-output misurati per catturare la dinamica del tuo sistema.
Modelli di serie storiche
Stima i modelli di serie storiche o di segnali in modo che si adattino ai dati misurati dal tuo sistema. Fai previsioni sulle serie storiche usando modelli lineari come i modelli AR, ARMA, ARIMA e nello spazio degli stati oppure usando modelli non lineari come ARX non lineare.
Stima online
Stima un modello del tuo sistema in tempo reale utilizzando algoritmi ricorsivi in grado di aggiornare i parametri del modello man mano che nuovi dati diventano disponibili. Stima gli stati del sistema utilizzando i filtri di Kalman lineari, estesi o unscented oltre ai filtri particellari.
Progettazione di sistemi di controllo e Simulink
Usa i modelli stimati come modelli d’impianto per progettare e regolare i controller con Control System Toolbox. Implementa modelli stimati, stimatori di stato e modelli ricorsivi in Simulink usando i blocchi integrati per l’analisi dei sistemi, la modellazione di sensori virtuali, la modellazione di ordine ridotto e la progettazione di sistemi di controllo.
Distribuzione
Usa la generazione di codice per distribuire i modelli stimati, gli stimatori di stato e i modelli ricorsivi per applicazioni quali il rilevamento guasti online, la modellazione di ordine ridotto (ROM) e la diagnostica e prognostica. Genera codice C/C++ e testo strutturato conforme a IEC 61131-3 usando rispettivamente Simulink Coder e Simulink PLC Coder per i modelli implementati in Simulink. Usa MATLAB Coder per generare codice C/C++ in MATLAB. In alternativa, usa MATLAB Compiler per generare applicazioni standalone.
Risorse sui prodotti:
“Migliorando le prestazioni del nostro sistema di controllo esistente dell’AFR con Optimization Toolbox e System Identification Toolbox, abbiamo potuto ridurre in modo considerevole la produzione di gas di scarico. Nell’ambito del nostro studio di valutazione di sviluppo su un motore in fase di sviluppo, abbiamo riscontrato che, in determinate condizioni, le emissioni di NOx e CO si riducevano come minimo della metà.”
FAQ su System Identification Toolbox
System Identification Toolbox provides MATLAB functions, Simulink blocks, and an app for creating linear and nonlinear dynamic system models from input-output data, enabling time-series analysis and forecasting.
You can create transfer functions, process models, state-space models, nonlinear ARX models, Hammerstein-Wiener models, and neural ODE models in continuous or discrete time using time- or frequency-domain data.
The toolbox estimates nonlinear dynamics using Hammerstein-Wiener and Nonlinear ARX models, leveraging machine learning techniques such as Gaussian processes, support vector machines, and tree ensembles to represent nonlinearities. It also supports deep-learning-based state-space modeling using neural ODEs.
Grey-box system identification lets you model your system using linear or nonlinear differential equations, difference equations, or state-space systems, then estimate specified parameters from measured input-output data.
Yes, you can integrate identified models into Simulink for simulations and use them as plant models for designing and tuning controllers with Control System Toolbox.
Yes, the toolbox enables online parameter and state estimation using extended or unscented Kalman filters and particle filters for adaptive control, fault detection, and soft sensing applications.
Yes, you can generate C/C++ code using MATLAB Coder or Simulink Coder, and IEC 61131-3 Structured Text using Simulink PLC Coder for applications like online fault detection and diagnostics.
The System Identification app lets you interactively estimate linear and nonlinear models by importing and preprocessing time-domain and frequency-domain data, then identifying, comparing, and validating models against test data sets.
The toolbox supports importing frequency-response data (such as Bode plot measurements or FRF data from modal testing) and fitting transfer function or state-space models directly. You can also compute nonparametric frequency-response estimates using spectral analysis methods and then refine them into parametric models.
Use online estimation techniques like extended Kalman filters, unscented Kalman filters, or particle filters to estimate unmeasured system states from available sensor data. These virtual sensors can replace expensive or unreliable physical sensors and can be deployed to embedded hardware using code generation.
Use System Identification Toolbox when your system exhibits dynamic temporal behavior, when datasets are limited or expensive to collect, when model interpretability and stability analysis are required, or when the model must integrate with control or estimation algorithms like MPC or Kalman filtering. Generic machine learning approaches are often better suited for large-data predictive tasks where black-box accuracy is prioritized over physical interpretability, dynamical structure, or control-oriented analysis.
Yes. Use MATLAB Compiler to deploy time-series and system modeling algorithms as standalone applications, Docker containers, or web apps. For embedded systems, generate C/C++ code using MATLAB Coder or Simulink Coder for real-time online estimation and fault detection.