پروژه شناسایی سیستم ها

پروژه شناسایی سیستم ها

شناسایی سیستم به روش

• rx
• rx max
• oe
• Bj
• pe 

بخشی از گزارش:

شناسایی سیستم مدل ARX:

برای این که بتوانیم داده های مورد نیاز برای شناسایی سیستم را ایجاد کنیم لازم است آن ها را به فرم مناسب تبدیل کنیم یکی از فرم های قابل قبول iddata می باشد….

پیوست

معرفی جعبه ابزار شناسایی سیستم

تولباکس System Identification به شما اجازه ایجاد مدل های ریاضی برای سیستم های پویا، با استفاده از داده های اندازه گیری شده ورودی – خروجی را می دهد. این روش مبتنی بر داده، به شما کمک می کند تا بتوانید سیستم هایی را که با استفاده از اصول و مشخصات پایه قابلیت مدل سازی ندارند، نظیر فرایند های شیمیایی و دینامیک های موتوری توصیف کنید. همچنین به شما اجازه ساده سازی مدل هایی نظیر مدل های عنصر محدود و دینامیک پرواز را با برازش مدل های ساده تر به پاسخ شبیه سازی شده آنها می دهد. مدل های بدست آمده از این جعبه ابزار برای شبیه سازی، پیش بینی و طراحی سیستم های کنترلی با استفاده از SIMULINK، جعبه ابزار Control System، جعبه ابزار Model predictive Controlمناسب هستند.

تولباکس شناسایی سیستم به شما اجازه پردازش مدل های خطی و غیر خطی به داده ها را می دهد که فرایندی است که با نام مدل سازی جعبه سیاه شناخته می شود. ساختار های مدلی ممکن شامل مدل های فرایندی مرتبه ی پایین، توابع تبدیل، مدل های فضای حالت، مدل های خطی با حالت های غیر خطی در ورودی ها و خروجی ها و مدل های و خود کاهنده غیر خطی هستند اگر شما یک مدل ریاضی از دینامیک های سیستم دارید، می توانید پارامتر های آن را برای انطباق بیشتر با داده ها ی آزمایشی تنظیم کنید که به این کار مدل سازی جعبه ی خاکستری گفته می شود.

ویژگی های اصلی جعبه ابزار شناسایی سیستم

• شناسایی مدل های خطی و غیر خطی از داده های محدوده زمانی و فرکانسی
• ساده سازی شناسایی مدل های زمان پیوسته مرتبه اول، دوم و سوم
• تحلیل داده های اندازه گیری شده و تعیین نیاز به پیش پردازش، وجود پس خور یا حالت غیر خطی
• فراهم آوردن ابزار های پردازش داده برای فیلتر، بازسازی داده های مفقود و مواردی از این دست
• فراهم آوردن بلوک های SIMULINK برای شبیه سازی مدل های شناسایی شده و امکان تبادل داده با فضای کار MATLAB
• فراهم آوردن واسطی برای استفاده از مدل های خطی در Control System Toolbox