آموزش جعبه ابزار شناسایی سیستم در متلب - پارت یکم - شناسایی سیستم‌ها

مشاهده کامل آموزش جعبه ابزار شناسایی سیستم در متلب https://fdrs.ir/aprt31 در دنیای مدرن امروزی، اغلب، دینامیک تحلیلی از سیستم‌های صنعتی وجود ندارد و یا اینکه معادلات تحلیلی خیلی پیچیده می‌شوند و قابل استفاده نیستند، لذا باید با انجام یک سری آزمایش‌های تجربی و ثبت‌ داده‌های ورودی و خروجی سیستم، مدل‌سازی را انجام داد. منظور از مدل‌سازی یا شناسایی سیستم این است که یک مدل دینامیکی مشخصی تعریف شود که به بهترین شکل بتواند داده‌های تجربی را برازش کند. تولباکس شناسایی سیستم‌ها (System Identification Toolbox)، توابع و بلوک‌های سیمولینک متعددی را در نرم‌افزار قدرتمند متلب (MATLAB) برای رسیدن به این هدف در اختیار ما قرار داده است. در برخی از کاربردها داده‌های حوزه زمان و در برخی دیگر از سیستم‌ها، داده‌های فرکانسی وجود دارند. در برخی از کاربردها لازم است سیستم گسسته و در برخی دیگر سیستم پیوسته تقریب زده شود. به همین صورت در برخی کاربردها لازم است سیستم خطی و در برخی دیگرسیستم غیر خطی به فرم فضای حالت تقریب زده شود. برای همه این اهداف و اهداف مشابه می‌توان از تولباکس شناسایی سیستم‌ها در متلب استفاده کرد. برخی از مهمترین الگوریتم‌های شناسایی در تولباکس عبارتند از: Maximum Likelihood, Prediction Error Minimization و Least Square. برای شناسایی سیستم‌های غیر خطی مدل‌ Hammerstein-Wiener و مدل‌های ARX غیر خطی با هسته‌ شبکه Wavelet و شبکه Sigmoid در دسترس است. همچنین این تولباکس می‌تواند پارامترهای سیستم تعریف ‌شده توسط کاربر را نیز بهینه‌سازی کند. بنابراین با شناسایی سیستم‌ها می‌توان به آنالیز سیستم و پیش‌بینی رفتار آینده آن پرداخت. هدف از این فرادرس این است که به صورت کاربردی به آموزش تولباکس شناسایی سیستم‌ها در متلب بپردازیم و روش‌های مختلف شناسایی خطی، غیر خطی، حوزه زمان، حوزه فرکانس، تابع تبدیل، فضای حالت، پیوسته، گسسته و را از طریق مثال‌های کاربردی مورد بررسی قرار دهیم.

• #تحصیلات_و_یادگیری
• #مهندسی
• #مهندسی_برق
• #مهندسی_کنترل
• #سیستم_کنترل_خطی
• #کنترل_بهینه