Datengetriebene Modellierung nichtlinearer Strecken mit Delaunay-Netzen

Nichtlineare Regelungen erfordern den Einsatz interpolierender Elemente zur Repräsentation von Streckenundloder Reglerverhalten. Künstliche Neuronale Netze haben sich als prinzipiell geeigneter Ansatz hierzu erwiesen, sind aber aufgrund ihres großen Ressourcenbedarfs ungeeignet für Applikationen, in denen nur einfache Rechnersysteme eingesetzt werden können. Dies ist bei Systemen in der Kraftfahrzeugtechnik der Fall. Delaunay-Netze, die in diesem Beitrag vorgestellt werden, stellen für niedrigdimensionale Problemstellungen eine Alternative dar. Es wird ein Algorithmus zur datengetriebenen Erstellung solcher Netze angegeben und in die aktuellen Arbeiten zur Generierungproblemangepaßter Modellstrukturen eingeordnet. Die mit dem vorgeschlagenen Verfahren erzielten Ergebnisse werden anhand eines vereinfachten Motormomentmodells erläutert.

Νonlinear control systems require internal representations of plant and ¡or controller characteristics. Basically, artificial neural networks are a promising approach for the approximation of these characteristics. However, due to their relatively high computational complexity or the required amount of storage capacity, neural networks are hardly applicable in low-cost real-time systems such as automotive control units. Delaunay networks are a computationally efficient alternative for function approximation on low-dimensional domains. The article at hand discusses this novel approach in detail and introduces an algorithm for automatic construction of these networks on the basis of measurement data. A model of steady-state engine torque characteristics is used to illustrate the proposed methods.