Zusammenfassung
Die Kombination von unterschiedlichen Modellierungsansätzen wird schon seit längerer Zeit betrachtet – vor allem um sogenannte Grey-Box-Modelle zu erstellen. Im Rahmen der Digitalisierung von Produktionen entstehen jedoch bedingt durch eine größere Datenbasis neue Möglichkeiten im Bereich der Modellbildung. Dieser Beitrag befasst sich daher mit einem Konzept, Modelle unterschiedlicher Produktlebenszyklusphasen sowie unterschiedlichen Typs miteinander zu kombinieren. Diese Modellkombination soll einen Mehrwert für den Betreiber darstellen, indem dieser detaillierte Simulationsmodelle während des Betriebs als Entscheidungsunterstützung verwenden kann. Zunächst werden die unterschiedlichen Modellierungsansätze sowie deren Kombination eingeführt. Daraufhin wird ein Konzept für das Training und die Betriebsphase der Modelle beschrieben. Abschließend wird das Potential des Ansatzes am Beispiel der thermischen Zustandsüberwachung einer Asynchronmaschine dargestellt.
Abstract
The combination of different modeling approaches has been applied to create so-called Grey-Box-Models for a few decades. But due to increasing data availability provided by IoT devices, new possibilities regarding data-driven modeling arise. The purpose of this article is to develop a concept which is able to combine data-driven models created during operation with such respective theoretical models created during the design phase. The model combination should result in an added value for the operator at shop floor in the shape of real-time-capable simulation models. Initially, the different modeling methods as well as the way they can be combined are introduced. Afterwards, a concept for training and operation will be presented. The article ends with the example of thermal condition monitoring of an asynchronous motor demonstrating the potential of the approach.
About the authors
Christoph Bergs startete im Oktober 2016 als externer Doktorand am Institut für Industrielle Informationstechnik am Karlsruher Institut für Technologie. Seine Forschungsinteressen liegen dabei auf der Automatisierung, Modellierung und Simulation dynamischer Systeme mit besonderem Fokus auf deren industrieller Anwendung.
Michael Heizmann ist Professor und Institutsleiter des Instituts für Industrielle Informationstechnik am Karlsruher Institut für Technologie. Seine Forschungsgebiete beinhalten Machine Vision, Bildverarbeitung, Bild- und Informationsfusion, Messtechnik sowie deren Anwendungen in der Industrie.
Literatur
1. Naji Al-Messabi, Cindy Goh and Yun Li, Grey-Box Modeling for Photo-Voltaic Power Systems Using Dynamic Neural-Networks, in: 2017 Ninth Annual IEEE Green Technologies Conference (GreenTech), pp. 267–270, IEEE, 2017.10.1109/GreenTech.2017.45Search in Google Scholar
2. Alireza Hosseini, Milad Oshaghi and Sebastian Engell, IEEE International Conference on Control Applications (CCA), 2013; part of 2013 IEEE Multi-Conference on Systems and Control (MSC 2013), 28–30 Aug. 2013, Hyderabad, India IEEE, Piscataway, NJ, 2013.Search in Google Scholar
3. Jie Chen, Yibing Li and Fang Ye, Uncertain information fusion for gearbox fault diagnosis based on BP neural network and DS evidence theory, in: 2016 12th World Congress on Intelligent Control and Automation (WCICA), pp. 1372–1376, IEEE, 2016.10.1109/WCICA.2016.7578248Search in Google Scholar
4. M. Giselle Fernández-Godino, Chanyoung Park, Nam-Ho Kim and Raphael T. Haftka, Review of multi-fidelity models.Search in Google Scholar
5. Michael Heizmann and Fernando Puente León, Modellbildung in der Mess- und Automatisierungstechnik, tm – Technisches Messen 83(2) (2015), 63–65.10.1515/teme-2015-0126Search in Google Scholar
6. Petr Kadlec, Bogdan Gabrys and Sibylle Strandt, Data-driven Soft Sensors in the process industry, Computers & Chemical Engineering 33(4) (2009), 795–814.10.1016/j.compchemeng.2008.12.012Search in Google Scholar
7. Richárd Kicsiny, Grey-box model for pipe temperature based on linear regression, International Journal of Heat and Mass Transfer 107 (2017), 13–20.10.1016/j.ijheatmasstransfer.2016.11.033Search in Google Scholar
8. Krzysztof Kolanowski, Aleksandra Świetlicka, Rafał Kapela, Janusz Pochmara and Andrzej Rybarczyk, Multisensor data fusion using Elman neural networks, Applied Mathematics and Computation 319 (2018), 236–244.10.1016/j.amc.2017.02.031Search in Google Scholar
9. Andreas Kroll, Computational Intelligence: Eine Einführung in Probleme, Methoden und technische Anwendungen, Oldenbourg, München, 2013.10.1524/9783486737424Search in Google Scholar
10. Jan Lunze, Künstliche Intelligenz für Ingenieure: Methoden zur Lösung ingenieurtechnischer Probleme mit Hilfe von Regeln, logischen Formeln und Bayesnetzen, 3., überarbeitete auflage ed, De Gruyter Studium, 2016.10.1515/9783110448979Search in Google Scholar
11. Mihály Németh-Csóka, Thermisches Management elektrischer Maschinen: Messung, Modell und Energieoptimierung, Springer Vieweg, Wiesbaden, 2018.10.1007/978-3-658-20133-3Search in Google Scholar
12. Christian Pohlandt und Marcus Geimer, Thermische Modelle elektrischer Antriebsmaschinen unter dynamischen Lastanforderungen, LANDTECHNIK 70(4) (2015) 97–112.Search in Google Scholar
13. Heinrich Ruser und Fernando Puente León, Informationsfusion in der Messtechnik – Überblick und Taxonomie, Informationsfusion in der Mess- und Sensortechnik (Jürgen Beyerer, Fernando Puente León and Klaus-Dieter Sommer, eds.), Universitätsverlag Karlsruhe, Karlsruhe, 2007, pp. 1–20.Search in Google Scholar
14. Moritz von Stosch, Rui Oliveira, Joana Peres and Sebastião Feyo de Azevedo, Hybrid semi-parametric modeling in process systems engineering: Past, present and future, Computers & Chemical Engineering 60 (2014), 86–101.10.1016/j.compchemeng.2013.08.008Search in Google Scholar
15. Björn Wolff, Jan Kühnert, Elke Lorenz, Oliver Kramer and Detlev Heinemann, Comparing support vector regression for PV power forecasting to a physical modeling approach using measurement, numerical weather prediction, and cloud motion data, Solar Energy 135 (2016), 197–208.10.1016/j.solener.2016.05.051Search in Google Scholar
16. Qi Zhou, Yan Wang, Seung-Kyum Choi, Ping Jiang, Xinyu Shao and Jiexiang Hu, A sequential multi-fidelity metamodeling approach for data regression, Knowledge-Based Systems 134 (2017), 199–212.10.1016/j.knosys.2017.07.033Search in Google Scholar
© 2019 Walter de Gruyter GmbH, Berlin/Boston
