مراحل کلی شناسایی سیستم
فرآیند شناسایی سیستم، صرفنظر از نوع مدل انتخابی، سه گام اصلی دارد:
۱. طراحی آزمایش و جمعآوری داده
سیگنال ورودی باید بهگونهای انتخاب شود که حاوی اطلاعات کافی برای تحریک تمام دینامیکهای سیستم باشد — رایجترین انتخاب، سیگنال شبهتصادفی دوسطحی (PRBS) است. برای سیستمهای غیرخطی معمولاً از سیگنال چندسطحی (APRBS) استفاده میشود، چون PRBS دوسطحی برای تحریک رفتار غیرخطی کافی نیست.
۲. انتخاب ساختار مدل و تخمین پارامتر
بسته به دانش موجود از سیستم، مدل سفید جعبه (مبتنی بر فیزیک)، خاکستری جعبه یا سیاه جعبه (مبتنی صرفاً بر داده) انتخاب میشود. سپس پارامترهای مدل با روشهای حداقل مربعات، حداکثر درستنمایی یا بیزی تخمین زده میشوند.
۳. اعتبارسنجی مدل
مدل نهایی با دادههای جدید (خارج از مجموعه آموزش) مقایسه میشود؛ معیارهایی مانند خطای میانگین مربعات، Fit Percentage و اعتبارسنجی متقاطع نشان میدهند آیا مدل برای هدف کاربردی مناسب است یا خیر.
روشهای پارامتری شناسایی سیستم خطی
مدل ARX (AutoRegressive with eXogenous input)
سادهترین و پرکاربردترین ساختار خطی است که خروجی را بر اساس ترکیب خطی خروجیهای گذشته و ورودیهای گذشته تخمین میزند. تخمین پارامترهای آن با حداقل مربعات خطی انجام میشود و محاسباتی سریع و پایدار دارد، اما فرض میکند نویز مستقیماً از طریق دینامیک سیستم عبور میکند — فرضی که همیشه واقعی نیست.
مدل ARMAX (ARX + Moving Average)
نسخه توسعهیافته ARX است که یک جمله میانگین متحرک به مدل نویز اضافه میکند و امکان توصیف دقیقتر اغتشاشات رنگی (Colored Noise) را فراهم میکند. تخمین آن با رگرسیون شبهخطی (Pseudo-linear Regression) و بهصورت تکراری انجام میشود.
مدل OE (Output-Error)
در این ساختار، نویز فقط روی خروجی اندازهگیریشده اثر میگذارد، نه روی دینامیک داخلی سیستم — مناسب مواردی که هدف اصلی، تخمین دقیق تابع تبدیل سیستم است و نه مدلسازی دقیق نویز.
مدل Box-Jenkins (BJ)
کاملترین ساختار پارامتری کلاسیک است که دینامیک سیستم و مدل نویز را کاملاً مستقل از هم پارامتری میکند — انعطافپذیری بالاتر با هزینه پیچیدگی محاسباتی بیشتر در تخمین.
روشهای ناپارامتری و فضای حالت
شناسایی زیرفضا (Subspace / N4SID)
بهجای پارامتریسازی صریح، مستقیماً ماتریسهای فضای حالت سیستم را از دادههای ورودی-خروجی با ابزارهای جبر خطی (تجزیه SVD) استخراج میکند — بدون نیاز به تخمین غیرخطی تکراری، بهخصوص برای سیستمهای چندمتغیره (MIMO) کارآمد است.
تحلیل طیفی و پاسخ فرکانسی (Spectral / Frequency Response)
مدل سیستم را بدون فرض ساختار پارامتری خاص، مستقیماً بهصورت پاسخ فرکانسی یا پاسخ ضربه تخمین میزند — مفید برای شناخت اولیه رفتار سیستم پیش از انتخاب ساختار پارامتری.
شناسایی سیستمهای غیرخطی
مدل NARX و Hammerstein-Wiener
برای سیستمهایی که رفتار غیرخطی قابل توجهی دارند (مانند اکثر سیستمهای مکانیکی و صنعتی واقعی)، مدلهای NARX (نسخه غیرخطی ARX) و ساختار Hammerstein-Wiener (ترکیب بلوکهای خطی و غیرخطی ایستا) به کار میروند.
شناسایی مبتنی بر شبکه عصبی
وقتی رابطه ورودی-خروجی بهقدری پیچیده است که ساختارهای کلاسیک پاسخگو نیستند، شبکههای عصبی بهعنوان تقریبگر عمومی غیرخطی برای مدلسازی رفتار سیستم به کار گرفته میشوند.
شناسایی بلادرنگ و بازگشتی (Recursive/Online)
حداقل مربعات بازگشتی (RLS)
پارامترهای مدل را بهصورت آنلاین و گامبهگام، همزمان با ورود داده جدید، بهروزرسانی میکند — مناسب سیستمهایی که پارامترشان با زمان تغییر میکند یا نیاز به شناسایی در حین اجرا (Real-time) دارند. با افزودن ضریب فراموشی (Forgetting Factor)، میتوان وزن دادههای قدیمیتر را کاهش داد تا مدل نسبت به تغییرات اخیر حساستر بماند.
متغیرهای ابزاری بازگشتی (RIV)
نسخه بازگشتی روش متغیرهای ابزاری است که در حضور نویز همبسته با ورودی، تخمین بدون بایاستری نسبت به RLS ساده ارائه میدهد.
ابزارهای MATLAB برای شناسایی سیستم
پیادهسازی پروژههای شناسایی سیستم در متلبی با استفاده از این ابزارهای تخصصی انجام میشود:
- System Identification Toolbox — شامل توابع arx، armax، oe، bj، ssest، tfest و n4sid برای تخمین انواع مدل
- Nonlinear ARX و Hammerstein-Wiener Estimators — برای سیستمهای غیرخطی (nlarx)
- Optimization Toolbox — برای تخمینهای مبتنی بر کمینهسازی تابع هزینه سفارشی
- Simulink — تولید سیگنال تحریک (PRBS/APRBS) و شبیهسازی حلقه بسته با مدل شناساییشده
- Deep Learning Toolbox — برای شناسایی سیستم مبتنی بر شبکه عصبی در موارد بسیار غیرخطی
