TY - THES AB - In der vorliegenden Arbeit werden neue Verfahren zur experimentellen, datenbasierten Modellbildung (Identifikation) und zur Versuchsplanung nichtlinearer Systeme mit Hilfe von lokalen Modellnetzen vorgestellt. Die aus dieser Arbeit 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 werden 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 wird eine Strategie vorgestellt, 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’ (HILOMOT) 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 vorgestellten Algorithmen werden 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. AU - Hartmann, Benjamin DA - 2013 KW - Systemidentifikation KW - Nichtlineare Systemidentifikation KW - Lokale Modellnetze KW - Inkrementelle Baumkonstruktion KW - Achsenschräge Partitionierung KW - Aktives Lernen KW - nonlinear system identification KW - local model networks KW - incremental tree-construction KW - axes-oblique partitioning KW - design of experiments LA - ger PY - 2013 TI - Lokale Modellnetze zur Identifikation und Versuchsplanung nichtlinearer Systeme TT - Local model networks for identification and experimental design of nonlinear systems UR - https://nbn-resolving.org/urn:nbn:de:hbz:467-7865 Y2 - 2024-12-26T22:27:04 ER -