Systemidentifikasjon

Systemidentifikasjon er en metode for å utvikle matematiske modeller av dynamiske systemer basert på observerte data. Målet er å beskrive hvordan systemets tilstand og utgang oppfører seg som funksjon av inn-input og tid, slik at modellen kan brukes til analyse, simulering, kontroll eller prediksjon. Modellene kan være svartboks, gråboks eller hvitboks avhengig av hvor mye fysisk forståelse som inngår i modellen.

Tilnærminger deles ofte inn i svartboks- og gråboks-/hvitboksmodeller. Svartboks bruker kun inn- og utdata og har liten eller ingen antakelse om den fysiske mekanismen. Gråboks kombinerer kjente fysiske lover eller konfigurasjoner med data-drevne komponenter. Hvitboks bygger i større grad på fullstendige fysiske eller førsteprinsips-modeller. Vanlige modelltyper inkluderer ARX, ARMAX og Box–Jenkins for tidsserier samt tilstandsrom- og state-space-modeller, der subspace-identifikasjon er en viktig teknikk.

Identifikasjonsprosessen består av flere trinn: innsamling og forbehandling av data, valg av modellstruktur, parameterestimering og validering. Parameterestimering kan gjøres med minste kvadraters metoder, maksimal sannsynlighet eller prediksjonsfeilbaserte metoder. For dynamiske tilstandsrom-modeller brukes ofte Kalman-filterbaserte teknikker.

Data bør være representative og av god kvalitet, med passende sampling og støyhåndtering. Modellens kvalitet vurderes gjennom prediksjonsnøyaktighet på uavhengige data og simulering mot observerte responser.

Anvendelser finnes i prosessindustri, automatisering, robotikk, kjøretøy, energisystemer og biomedisinske applikasjoner. Utfordringer inkluderer støy, ikke-stasjonære data, modellkompleksitet og risiko for overtilpasning.