Zusammenfassung
Datenbasierte Modellbildungsverfahren haben auch für komplexe und hochdimensionale Systeme an Bedeutung gewonnen. Sie bieten den Vorteil einer deutlich verkürzten Entwicklungszeit im Vergleich zur physikalischen Modellierung. Der Nachteil vieler herkömmlicher Verfahren ist allerdings, dass selbst einfaches Wissen, wie etwa Extrapolationseigenschaften, nicht in der Modellgenerierung berücksichtigt werden können. Deshalb soll in diesem Beitrag eine Methodik vorgestellt werden, wie auf Basis der Gaußprozessregression solches Wissen auch für datenbasierte Verfahren genutzt werden kann. Desweiteren ist es in vielen physikalischen Systemen notwendig, dass die Modelle während der Laufzeit an individuell unterschiedliche Systeme angepasst werden können. Dazu wird ein Online-Adaptionsverfahren vorgestellt, welches die Unsicherheitsinformation des Gaußprozesses nutzt, um Änderungen im System zu detektieren und das Modell anzupassen.
Abstract
In recent times, data based methods have gained importance especially for complex and high dimensional systems due to a short development time compared to physical modeling. The disadvantage is however, that even simple knowledge such as extrapolation behaviour can in general not be considered during model generation. In this article, a modeling scheme based on Gaussian process regression is presented, which is able to incorporate such knowledge in the model. Moreover, in many systems an adaptation of the model to the individual system is necessary. To this end, an online adaptation scheme is presented, which uses the uncertainty information of the Gaussian process to detect changes in the model and incorporate them.
About the authors
M. Sc. Daniel Bergmann ist Mitarbeiter am Institut für Mess-, Regel- und Mikrotechnik der Universität Ulm. Hauptarbeitsgebiete: Modellbildung und Identifikation für regelungstechnische Anwendungen, Echtzeitfähige Lernverfahren, Modellbildung von Schwerlast-Dieselmotoren.
Prof. Dr.-Ing. Knut Graichen ist Leiter des Lehrstuhls für Regelungstechnik der Friedrich-Alexander-Universität Erlangen-Nürnberg. Hauptarbeitsgebiete: optimale und modellprädiktive Regelung, nichtlineare Steuerungs- und Regelungsverfahren, eingebettete Umsetzung von optimierungsbasierten Verfahren für mechatronische und vernetzte Systeme.
Literatur
1. D. Bergmann, R. Geiselhart and K. Graichen. “Modelling and control of a heavy-duty Diesel engine gas path with Gaussian process regression”. In: Proc. European Control Conference (angenommen) (2019).10.23919/ECC.2019.8796016Search in Google Scholar
2. D. Bergmann, M. Buchholz, J. Niemeyer, J. Remele and K. Graichen. “Gaussian process regression for nonlinear time-varying system identification”. In: Proc. Conference on Decision and Control (2018), S. 3025–3031.Search in Google Scholar
3. David S. Broomhead and David Lowe. Radial basis functions, multi-variable functional interpolation and adaptive networks. Technical report. Royal Signals and Radar Establishment Malvern (United Kingdom), 1988.Search in Google Scholar
4. Lehel Csató and Manfred Opper. “Sparse representation for Gaussian process models”. In: Advances in Neural Information Processing Systems, 2001, S. 444–450.Search in Google Scholar
5. Paul W. Goldberg, Christopher Williams and Christopher M. Bishop. “Regression with input-dependent noise: A Gaussian process treatment”. In: Advances in Neural Information Processing Systems. 1998. S. 493–499.Search in Google Scholar
6. Marco F. Huber. “Recursive Gaussian process: On-line regression and learning”. In: Pattern Recognition Letters 45 (2014), S. 85–91.10.1016/j.patrec.2014.03.004Search in Google Scholar
7. Oliver Nelles and Rolf Isermann. “Basis function networks for interpolation of local linear models”. In: Proc. 35th IEEE Conference on Decision and Control, 1996. Bd. 1, S. 470–475.10.1109/CDC.1996.574356Search in Google Scholar
8. Ken Perlin. “Improving noise”. In: ACM Transactions on Graphics (TOG). Bd. 21. 3. ACM. 2002, S. 681–682.10.1145/566654.566636Search in Google Scholar
9. Ananth Ranganathan, Ming-Hsuan Yang and Jeffrey Ho. “Online sparse Gaussian process regression and its applications”. In: IEEE Transactions on Image Processing 20.2 (2011), S. 391–404.10.1109/TIP.2010.2066984Search in Google Scholar PubMed
10. Carl Edward Rasmussen and Christopher Williams. Gaussian Processes for Machine Learning, Bd. 1. MIT Press Cambridge, 2006.10.7551/mitpress/3206.001.0001Search in Google Scholar
11. Jaakko Riihimäki and Aki Vehtari. “Gaussian processes with monotonicity information”. In: Proc. International Conference on Artificial Intelligence and Statistics. 2010, S. 645–652.Search in Google Scholar
12. Frank Rosenblatt. Principles of neurodynamics. perceptrons and the theory of brain mechanisms, Technical report. Cornell Aeronautical Lab Inc. Buffalo NY, 1961.10.21236/AD0256582Search in Google Scholar
13. Hans-Rudolf Schwarz und Norbert Köckler. Numerische Mathematik. Springer-Verlag, 2013.Search in Google Scholar
14. Aleksandr Filippovich Timan, Theory of approximation of functions of a real variable. Bd. 34. Elsevier, 2014.Search in Google Scholar
15. Max A. Woodbury. “Inverting modified matrices”. Memorandum Report 42.106 (1950), S. 336.Search in Google Scholar
© 2019 Walter de Gruyter GmbH, Berlin/Boston
