Identifikation mit lokal linearen Modellen basierend auf achsenschrägen Unterteilungen des Eingangsraums

• Antragsteller: Professor Dr.-Ing. Oliver Nelles
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung von 2007 bis 2015
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 30594476

• Erstellungsjahr: 2013

Zusammenfassung der Projektergebnisse

Im Rahmen dieses DFG-Projekts wurden neue Verfahren zur experimentellen, datenbasierten Modellbildung (Identifikation) und zur Versuchsplanung nichtlinearer Systeme mit Hilfe von lokalen Modellnetzen entwickelt und implementiert. Die aus diesem Projekt hervorgehenden Algorithmen basieren einerseits auf einer detaillierten Analyse und Weiterentwicklung der linearen Optimierung lokal gewichteter, polynomialer Modelle hinsichtlich Parameterschätzung, Regularisierung, Validierung und Strukturselektion. Andererseits bedarf es nichtlinearer Optimierungsverfahren, um die Gültigkeitsgebiete der lokalen Modelle an den nichtlinearen Prozess anzupassen. Dazu wurden geeignete, heuristische Partitionierungsstrategien entwickelt, die durch sukzessive Unterteilung des Eingangsraums in der Lage sind, lokale Modellnetze effizient an die zugrunde liegenden Prozessdaten anzupassen. Dazu bedienen sich die untersuchten Verfahren achsenschräger Teilungsstrategien, welche sich durch eine flexible Partitionierung insbesondere für höherdimensionale Probleme eignen. Zudem wurde eine Strategie entwickelt und umgesetzt, bei der automatisch eine Abwägung stattfindet, ob das Modell entweder mit einer achsenschrägen Teilung flexibilisiert oder ob die Anzahl der zu selektierenden Regressoren der Teilmodelle erhöht werden soll. Die Partitionierung und die lokale Selektion der signifikanten Polynomterme erfolgen hierbei simultan. Darüber hinaus bietet die Umsetzung des neu entwickelten „Hierarchical Local Model Tree“- Algorithmus’ (H ILOMOT) als statistisches Versuchsplanungsverfahren neue Möglichkeiten für praktische Anwendungen. Neben einer Offline-Versuchsplanung können nichtlineare Prozesse, für die kein a priori-Wissen zur Verfügung steht, mit dem Algorithmus aktiv gelernt werden. Das aktive Lernverfahren ist in der Lage, online mit dem Prozess zu interagieren und den Anforderungen entsprechend die Messpunkte effizient zu platzieren. Die entwickelten Algorithmen wurden durch die Anwendung an realen Systemen verifiziert und deren Leistungsfähigkeit unter Beweis gestellt. Dazu zählt die Modellierung des Verbrauchs und der Emissionskenngrößen eines modernen Dieselmotors, die aktive Versuchsplanung im Rahmen eines Structural Health Monitoring-Systems und die adaptive Online- Versuchsplanung am Motorenprüfstand zur Kalibrierung eines Dieselmotors. Stichwörter: Experimentelle Modellbildung, Nichtlineare Systemidentifikation, Takagi-Sugeno Neuro-Fuzzy Systeme, Lokale Modellnetze, Inkrementelle Baumkonstruktion, Achsenschräge Partitionierung, Strukturselektion, Statistische Versuchsplanung, Aktives Lernen

Projektbezogene Publikationen (Auswahl)

• Comparison of Different Subset Selection Algorithms for Learning Local Model Networks with Higher Degree Polynomials. In IEEE International Conference on Control, Automation, Robotics and Vision (ICARCV), Singapur, Dezember 2010
  O. Bänfer, B. Hartmann, O. Nelles
  
• Multi-site Damage Localization in Anisotropic Plate-like Structures using an Active Guided Wave Structural Health Monitoring System. Smart materials and structures, 19, 2010
  J. Moll, R.T. Schulte, B. Hartmann, C.P. Fritzen, O. Nelles
  
• Hierarchical Local Model Trees for Design of Experiments in the Framework of Ultrasonic Structural Health Monitoring. In IEEE International Conference on Control Applications (CCA), Denver, USA, September 2011
  B. Hartmann, J. Moll, O. Nelles, C.P. Fritzen
  
• Model-based Design of Experiments based on Local Model Networks for Nonlinear Processes with Low Noise Levels. In American Control Conference (ACC), San Francisco, USA, Juli 2011
  B. Hartmann, T. Ebert, O. Nelles
  
• Nonlinear System Identification by Gustafson-Kessel Fuzzy Clustering and Supervised Local Model Network Learning for the Drug Absorption Spectra Process. IEEE Transactions on Neural Networks, 22(12):1941– 1951, 2011
  L. Teslic, B. Hartmann, O. Nelles, I. Škrjanc
  
• Supervised Hierarchical Clustering in Fuzzy Model Identification. IEEE Transactions on Fuzzy Systems, 19(6):1163, 2011
  B. Hartmann, O. Bänfer, O. Nelles, A. Sodja, L. Teslic, I. Škrjanc
  
• LMNtool – Toolbox zum automatischen Trainieren lokaler Modellnetze. In Workshop Computational Intelligence, Dortmund, Dezember 2012
  B. Hartmann, T. Ebert, T. Fischer, J. Belz, G. Kampmann, O. Nelles
  
• POLYMOT versus HILOMOT - A Comparison of Two Different Training Algorithms for Local Model Networks. In IFAC Symposium on System Identification (SYSID), Brüssel, Belgien, 2012
  O. Bänfer, B. Hartmann, O. Nelles
  
• Structure Trade-off Strategy for Local Model Networks. In IEEE International Conference on Control Applications (CCA), Dubrovnik, Kroatien, 2012
  B. Hartmann, O. Nelles
  
• Achsenschräg partitionierte lokale Modellnetze zur Motorkalibrierung. Design of Experiments (DoE) in Engine Development, Berlin, Juni 2013
  B. Hartmann, O. Nelles, W. Baumann
  
• Adaptive Versuchsplanung zur modellbasierten Applikation von Verbrennungsmotoren - Methodik. Design of Experiments (DoE) in Engine Development, Berlin, Juni 2013
  B. Hartmann, O. Nelles