Ralf Zimmerschied, Home

Dr.-Ing. Ralf Zimmerschied

Arbeitsgebiet(e)

  • Identifikation nichtlinearer Prozesse mit dynamischen lokal-affinen Modellen

zur Liste

Aufgaben am IAT

  • Betreuung der Vorlesung “Regelungstechnik 1” (bis Sommersemester 2005)
  • Betreuung des Softwarepakets “LOLIMOT”
  • Verwaltung und Finanzen des Fachgebiets

Identifikation nichtlinearer dynamischer Prozesse am Beispiel des Verbrennungsmotors

Bei der Analyse, Optimierung, Diagnose sowie Steuerung und Regelung technischer Prozesse werden durch steigende Anforderungen zukünftig immer exaktere, dynamische Prozessmodelle benötigt. Neben einer hohen Modellgüte müssen die verwendeten Modelle allerdings weitere Eigenschaften aufweisen, um sie im industriellen Umfeld praktikabel einsetzen zu können. Zu nennen sind hier vor allem eine einfache Modellerstellung sowie eine gute Interpretierbarkeit des Modells.

Den letzten Punkt erfüllen die so genannten White-box Modelle, welche durch eine theoretische Modellbildung anhand physikalischer oder chemischer Gesetzmäßigkeiten entstanden sind, sehr gut. Aufgrund des in der Regel komplexen, nichtlinearen Prozessverhaltens, wie es beispielsweise der Verbrennungsmotor aufweist, sind White-box Modelle allerdings häufig nicht oder nur mit übermäßigem Aufwand zu erstellen.

Im Gegensatz dazu wird in diesem Projekt die experimentelle Modellbildung anhand von Messdaten (Identifikation) untersucht, welche mit geringerem Aufwand durchgeführt werden kann. Verwendet werden in diesem Fall universelle Modellstrukturen, deren Parameter anhand von gemessenen Ein-/Ausgangsdaten des Prozesses optimiert werden. Da die Modelle meist schwierig oder gar nicht interpretierbar sind, werden sie als Black-box Modelle bezeichnet.

Die eingesetzten nichtlinearen Modelle sind dabei äußerst vielfältig und teilweise auf spezielle Prozesse und Anwendungen zugeschnitten. Am häufigsten werden Neuro-Fuzzy Systeme, neuronale Netze sowie die im Bereich der Verbrennungsmotoren noch vorherrschenden Polynommodelle verwendet. Die Neuro-Fuzzy Systeme, zu denen auch das am Institut entwickelte LOLIMOT (LOcal LIear MOdel Tree) gehört, sind aufgrund ihrer Transparenz besonders geeignet. Sie beruhen auf einer Aufteilung des Modells in einfache, meist lineare Teilmodelle, welche durch Gaußglocken zu einem Gesamtmodell überlagert werden.

Die Transparenz erlaubt es, zusätzlich zu den Messdaten vorhandenes Expertenwissen in das Modell zu integrieren. Die Integration von Vorwissen, die zu einer besseren Modellgüte und so genannten Grey-box Modellen führt, ist für die anderen Modelltypen dagegen weitaus schwieriger. Trotz des Vorwissens hängt die Modellgüte aber immer noch größtenteils von den Messdaten selbst ab. Daher ist es entscheidend, den zu modellierenden Prozess mit geeigneten Anregungssignalen zu vermessen, welche speziell in Abhängigkeit des Prozesses, des Modelltyps sowie der späteren Anwendung zu entwerfen sind.

Im Rahmen dieses Projekts sollen unterschiedlichen Modelltypen, vor allem die erwähnten Neuro-Fuzzy Systeme, neuronale Netze und Polynome bezüglich ihrer Eignung zur Identifikation untersucht werden. Ein besonderer Augenmerk wird auf das Einbringen von Vorwissen sowie den Entwurf von Anregungssignalen gelegt, da beides einen signifikanten Einfluss auf die Modellgüte hat. Die Qualität der Modelle hängt weiterhin stark von den verwendeten Algorithmen zur Parameteroptimierung ab, vor allem bei den in der Realität immer verrauschten Messdaten. Es müssen deshalb in Abhängigkeit von Modellstruktur und Vorwissen geeignete Algorithmen implementiert werden.

Die untersuchten Modelle und Methoden sind allgemein und für eine große Klasse technischer Prozesse einsetzbar. Der Verbrennungsmotor wird jedoch aufgrund seiner industriellen Bedeutung als Beispielprozess gewählt. Weiterhin weist der Verbrennungsmotor, bedingt durch zusätzliche Stellgrößen wie variable Nockenverstellung, etc., ein immer komplexer werdendes nichtlineares Verhalten auf, wodurch er sich gut zum Test moderner Identifikationsverfahren eignet.