Jump to ContentJump to Main Navigation
Show Summary Details
More options …

at - Automatisierungstechnik

Methoden und Anwendungen der Steuerungs-, Regelungs- und Informationstechnik

[AT - Automation Technology: Methods and Applications of Control, Regulation, and Information Technology
]

Editor-in-Chief: Jumar, Ulrich


IMPACT FACTOR 2018: 0.500

CiteScore 2018: 0.60

SCImago Journal Rank (SJR) 2018: 0.211
Source Normalized Impact per Paper (SNIP) 2018: 0.532

Print
ISSN
0178-2312
See all formats and pricing
More options …
Volume 67, Issue 8

Issues

Gaußprozessregression zur Modellierung zeitvarianter Systeme

Gaussian process regression for modeling of time-varying systems

M. Sc. Daniel Bergmann
  • Corresponding author
  • Institut für Mess-, Regel- und Mikrotechnik, Universität Ulm, Albert-Einstein-Allee 41, D-89081 Ulm, Deutschland
  • Email
  • Other articles by this author:
  • De Gruyter OnlineGoogle Scholar
/ Prof. Dr.-Ing. Knut Graichen
  • Lehrstuhl für Regelungstechnik, Friedrich-Alexander-Universität Erlangen-Nürnberg, Cauerstraße 7, D-91058 Erlangen, Deutschland
  • Email
  • Other articles by this author:
  • De Gruyter OnlineGoogle Scholar
Published Online: 2019-07-31 | DOI: https://doi.org/10.1515/auto-2019-0015

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.

Schlagwörter: Gaußprozessregression; datenbasierte Modellbildungsverfahren; zeitvariante Systemidentifikation

Keywords: Gaussian process regression; data based modeling; time-varying system identification

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).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.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.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.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.Google Scholar

  • 6.

    Marco F. Huber. “Recursive Gaussian process: On-line regression and learning”. In: Pattern Recognition Letters 45 (2014), S. 85–91.Web of ScienceCrossrefGoogle 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.Google Scholar

  • 8.

    Ken Perlin. “Improving noise”. In: ACM Transactions on Graphics (TOG). Bd. 21. 3. ACM. 2002, S. 681–682.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.Web of ScienceCrossrefGoogle Scholar

  • 10.

    Carl Edward Rasmussen and Christopher Williams. Gaussian Processes for Machine Learning, Bd. 1. MIT Press Cambridge, 2006.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.Google Scholar

  • 12.

    Frank Rosenblatt. Principles of neurodynamics. perceptrons and the theory of brain mechanisms, Technical report. Cornell Aeronautical Lab Inc. Buffalo NY, 1961.Google Scholar

  • 13.

    Hans-Rudolf Schwarz und Norbert Köckler. Numerische Mathematik. Springer-Verlag, 2013.Google Scholar

  • 14.

    Aleksandr Filippovich Timan, Theory of approximation of functions of a real variable. Bd. 34. Elsevier, 2014.Google Scholar

  • 15.

    Max A. Woodbury. “Inverting modified matrices”. Memorandum Report 42.106 (1950), S. 336.Google Scholar

About the article

M. Sc. Daniel Bergmann

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

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.


Received: 2019-02-07

Accepted: 2019-05-29

Published Online: 2019-07-31

Published in Print: 2019-08-27


Citation Information: at - Automatisierungstechnik, Volume 67, Issue 8, Pages 637–647, ISSN (Online) 2196-677X, ISSN (Print) 0178-2312, DOI: https://doi.org/10.1515/auto-2019-0015.

Export Citation

© 2019 Walter de Gruyter GmbH, Berlin/Boston.Get Permission

Comments (0)

Please log in or register to comment.
Log in