Module HSBI-SID-2069 System identification

Die Studierenden verstehen und erklären die Prinzipien und Schritte der datenbasierten Modellierung. Sie kennen die Grundlagen der Modellbildung und beschreiben die einzelnen Schritte dieses Prozesses detailliert. Darüber hinaus unterscheiden und klassifizieren sie parametrische und nichtparametrische, statische und dynamische sowie zeitkontinuierliche und zeitdiskrete Modelle, indem sie verschiedene Modelltypen identifizieren und richtig zuordnen. Die Studierenden planen und führen den Prozess der Systemidentifikation von der Datenerfassung bis zum fertigen Modell durch. Sie erstellen sowohl vollfaktorielle als auch teilfaktorielle Versuchspläne und wählen Test- und Anregungssignale adäquat aus, um effektive Versuchspläne zu entwerfen. Sie entwerfen und implementieren modellbasierte (D-optimale) und modellfreie (raumfüllende) Versuchspläne. Sie wählen und wenden lineare und nichtlineare Modellierungsansätze in Abhängigkeit des zu modellierenden Prozesses an. Die Studierenden beschreiben die Methode der kleinsten Quadrate sowie rekursive Schätzverfahren zur Parameterbestimmung und programmieren diese in Grundzügen. Darüber hinaus beurteilen sie die Güte von Modellen, indem sie die Qualität und Genauigkeit der erstellten Modelle analysieren und bewerten. Die Studierenden erklären und wenden lokal affine Modelle bzw. lokale Modellnetze sowie Gaußsche Prozessmodelle und Kernelmethoden an, indem sie die theoretischen Grundlagen dieser Methoden verstehen und praktisch umsetzen. Sie wenden die erlernten Methoden in praktischen Anwendungen an und setzen entsprechende Softwarewerkzeuge effektiv ein, indem sie theoretisches Wissen in die Praxis übertragen.

• Einführung und Überblick in die datenbasierte Modellierung
• Modellklassen: Parametrische und nichtparametrische Modelle, statische und dynamische
• Modelle, zeitkontinuierliche und zeitdiskrete Modelle
• Einführung in den Identifikationsprozess und die Versuchsplanung
• Lineare und nichtlineare Modellansätze
• Methode der kleinsten Quadrate, rekursive Schätzverfahren
• Schätzung statischer und dynamischer Modelle, Identifikation nichtparametrischer und parametrischer Modelle
• Vollfaktorielle und teilfaktorielle Versuchspläne, Test- und Anregungssignale
• Modellgestützte (D-optimale) und modellfreie (raumfüllende) Versuchsplanung
• Bewertungskriterien, Validierung und Konfidenz (Unsicherheitsanalyse)
• Kreuzvalidierung und Modellauswahl
• Schätzung lokal affiner Modelle bzw. lokaler Modellnetze
• Gaußsche Prozessmodelle und Kernelmethoden.
• Praktische Anwendung der Methoden und Einsatz von Rechenwerkzeugen

—

—