GP-basierte Verfahren zum Design virtueller Sensoren

Virtuelle Sensoren stellen einen zentralen Bestandteil in vielen modernen Kontroll- und Diagnosesystemen dar und ihre Bedeutung nimmt kontinuierlich zu. Beim Design von virtuellen Sensoren werden Modelle benötigt; falls keine physikalischen Modelle mit ausreichender Präzision vorhanden sind, muss die Modellierung aufgrund von Daten erfolgen. In diesem Fall werden meist universelle Vorhersagemethoden (wie künstliche neuronale Netze) eingesetzt, wobei die Grenzen solcher Ansätze weithin bekannt sind und meist damit in Zusammenhang stehen, dass universelle Vorhersagemodelle zwar den Informationsgehalt organisieren, nicht jedoch die zugrunde liegenden Muster, was eine klassische Data-Mining Anwendung darstellt. Angesichts dieser Tatsachen wird im vorliegenden Antrag vorgeschlagen, selbst-adaptive evolutionäre Algorithmen (basierend auf der Forschung von Dr. Michael Affenzeller von der Johannes Kepler Universität Linz) in Kombination mit dem methodologischen Framework für Strukturidentifikation (entwickelt von Prof. del Re vom Institut für Design und Regelung mechatronischer Systeme der Johannes Kepler Universität Linz) zu verwenden. Die Zielsetzung besteht nun darin, unter schwerpunktmäßiger Betrachtung von Motoremissionen automatisiert Modelle virtueller Sensoren zu erstellen, indem strukturelle Schemata in den Daten identifiziert sowie primär analytische Modelle hergeleitet werden. Zwei zentrale Bestandteile sind bei diesem Ansatz hervorzuheben: Einer besteht in der selbstadaptiven Steuerung des Selektionsdrucks, wodurch eine dynamische und robuste Formulierung von Testhypothesen im Gegensatz zur klassischen a priori Aufstellung von Testlisten möglich wird. Das zweite Schlüsselelement besteht in einer Informationsextraktion in der Datenvorverarbeitung mittels statistischer Methoden und Expertenwissen, die es erlaubt, sich durch Dimensionsreduktion auf die signifikanten Daten konzentrieren zu können. Der erstgenannte Schwerpunkt ist sehr generisch wohingegen der zweite auf die jeweilige Anwendung anzupassen ist Erste Erfahrungen im Rahmen eines strategischen Projektes haben gezeigt, dass mit dieser Methode überraschend gute Ergebnisse erzielt werden können (als Benchmark wurden die NOx Emissionen eines Diesel-Motors verwendet; aktuelle Versuche beschäftigen sich mit Russdaten). Es bedarf jedoch noch weiterer Arbeit, um die praktische Eignung des Verfahrens zu steigern. Insbesondere gilt es, die Rechengeschwindigkeit und -genauigkeit zu erhöhen sowie das Risiko verfrühter Konvergenz zu verringern, bevor anwendungsnahe Projekte gestartet werden können. Um eine erfolgreiche Umsetzung zu ermöglichen, wird das Projekt auf drei Institutionen aufgeteilt: 1. Dr. Affenzeller ist der Antragsteller. Er und sein Team werden die Verfahren weiterentwickeln. 2. Prof. del Re und sein Team sind für die Anwendung und den Einsatz zuständig, was auch die Datenvorverarbeitung inkludiert. 3. Dr. Steinmaurer und das LCM (Linz Center of Competence in Mechatronics) stellen die Daten sowie eine praktische Bewertung der erzielten Ergebnisse.