järjestelmäidentifikaatiossa

Järjestelmäidentifikaatio on menetelmä, jolla rakennetaan matemaattinen malli dynaamisesta järjestelmästä sen syötteen ja vasteen perusteella. Tavoitteena on kuvailla, miten järjestelmä reagoi erilaisiin syötteisiin, ja tuottaa malli, jota voidaan käyttää simulointiin, ennustamiseen sekä ohjauksen suunnitteluun.

Aineisto koostuu mittauksista, joissa järjestelmän syöte ja vaste tallennetaan ajanhetkittäin. Data voi olla lineaarista tai epälineaarista, ja kohina sekä mittausvirheet vaikuttavat estimointiin. Ennen tunnistusta käytetään usein esikäsittelyä, kuten suodattamista, trendinpoistoa ja normalisointia.

Mallien rakenne jaetaan parametreihin sekä ei-parametrisiin malleihin ja lineariteetin mukaan lineaarisiin ja epälineaarisiin malleihin. Yleisimmät lineaariset mallit ovat lineaarinen aika-variantti malli sekä tilamalli (tila-avaruusmalli). Mallia voidaan tarkastella mustan laatikon tai valkoisen laatikon periaattein, jolloin fysikaalinen tieto on joko osa mallia tai ei.

Estimointimenetelmät jakautuvat usein prediction error -menetelmiin (PEM), pienimmän neliön menetelmiin sekä maksimaalisen todennäköisyyden menetelmiin. Lisäksi käytetään instrumenttimuuttujamenetelmiä ja subspace-identifikaatiota suurten järjestelmien mallintamiseen sekä Bayesian- tai muita tilastollisia lähestymistapoja.

Prosessi etenee seuraavasti: tavoitteen määrittäminen, mittaus- ja esikäsittelyaineiston kerääminen, mallirakenteen valinta, parametrien estimaatio, mallin validointi (käyttö- ja testaus) sekä käyttöönotto ja jatkuva päivitys.

Sovelluksia ovat automaatio ja ohjausjärjestelmien suunnittelu, mallipohjainen ennustaminen sekä järjestelmän monitorointi. Haasteita ovat datan laatu ja kohina, muuttuva dynamiikka, sovitetun rakenteen oikeellisuus sekä yli- tai aliopetuksen riski, erityisesti pienillä dataseteillä.