Gaußprozessregression zur Modellierung zeitvarianter Systeme
-
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.
und
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.
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.2019.8796016Suche 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. 3025–3031.10.1109/CDC.2018.8619471Suche 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.Suche 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.Suche 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.Suche 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.2014.03.004Suche 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.1996.574356Suche in Google Scholar
8. Ken Perlin. “Improving noise”. In: ACM Transactions on Graphics (TOG). Bd. 21. 3. ACM. 2002, S. 681–682.10.1145/566654.566636Suche 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.2010.2066984Suche 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/3206.001.0001Suche 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.Suche 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/AD0256582Suche in Google Scholar
13. Hans-Rudolf Schwarz und Norbert Köckler. Numerische Mathematik. Springer-Verlag, 2013.Suche in Google Scholar
14. Aleksandr Filippovich Timan, Theory of approximation of functions of a real variable. Bd. 34. Elsevier, 2014.Suche in Google Scholar
15. Max A. Woodbury. “Inverting modified matrices”. Memorandum Report 42.106 (1950), S. 336.Suche in Google Scholar
© 2019 Walter de Gruyter GmbH, Berlin/Boston
Artikel in diesem Heft
- Frontmatter
- Editorial
- Ausgewählte Beiträge der GMA-Fachausschüsse 1.30 und 1.40
- Methoden
- Flachheitsbasierte algebraische Fehlerdiagnose für einen Euler-Bernoulli-Balken mittels Modulationsfunktionen
- Gaußprozessregression zur Modellierung zeitvarianter Systeme
- Anwendungen
- A comparison of second-order model order reduction methods for an artificial fishtail
- Methoden
- Verschlüsselte Regelung in der Cloud – Stand der Technik und offene Probleme
- Anwendungen
- Beobachterentwurf für ein Einzelradfahrwerk eines neuartigen Schienenfahrzeugs
- Tracking control of a heavy chain system
Artikel in diesem Heft
- Frontmatter
- Editorial
- Ausgewählte Beiträge der GMA-Fachausschüsse 1.30 und 1.40
- Methoden
- Flachheitsbasierte algebraische Fehlerdiagnose für einen Euler-Bernoulli-Balken mittels Modulationsfunktionen
- Gaußprozessregression zur Modellierung zeitvarianter Systeme
- Anwendungen
- A comparison of second-order model order reduction methods for an artificial fishtail
- Methoden
- Verschlüsselte Regelung in der Cloud – Stand der Technik und offene Probleme
- Anwendungen
- Beobachterentwurf für ein Einzelradfahrwerk eines neuartigen Schienenfahrzeugs
- Tracking control of a heavy chain system
