Jakubek, S., Hametner, C., Keuth, N., & Voigt, A. (2006). Neue Methoden für die dynamische Identifikation mit Neuro-Fuzzy Netzen. Automatisierungstechnik, 54(10), 486–494. https://doi.org/10.1524/auto.2006.54.10.486
Dieser Artikel behandelt die Identifikation nichtlinearer dynamischer Prozesse mit lokalen
Neuro-Fuzzy Netzen. Diese bieten den Vorteil, dass aufgrund ihrer Architektur die
M¨oglichkeit besteht, Prozesswissen bei der Modellbildung miteinzubinden. Es werden
L¨osungsans¨atze f¨ur zwei wesentliche Problemstellungen der dynamischen Identifikation
pr¨asentiert: Einerseits wird die Problematik verrauschter Ein- und Ausgangsdaten
behandelt, die bei der Parameterbestimmung mit herk¨ommlichen Regressionsmethoden zu
biasbehafteten Resultaten f¨uhrt. Als L¨osungsweg wird die Total Least Squares Methode
vorgestellt, und f¨ur die Anwendung in lokalen Neuro-Fuzzy Netzen adaptiert. Andererseits
wird eine Methode vorgestellt, mit der die Einhaltung von Station¨arpunkten erzwungen
werden kann, was wesentlich zur Verbesserung der station¨aren Genauigkeit des Modells
beitr¨agt. Resultate aus einem Praxisbeispiel illustrieren die Anwendbarkeit beider
Konzepte.
de
This article deals with the identification of nonlinear dynamic processes with local
Neuro-Fuzzy networks. These networks have the advantage that their architecture offers
the possibility to incorporate in-depth process know-how into the modeling procedure. The
article presents solution approaches for two major issues in dynamic identification: First,
the problem of noisy input- and output data is treated, which causes biased parameters
when conventional regression techniques are applied. As a possible solution, the concept of
Total Least Squares is presented and adapted for application in local Neuro Fuzzy
Networks. Second, a method for the enforcement of stationary gains is presented that
significantly improves the model precision during steady-state phases. Results from a
practical example illustrate the applicability of both concepts.
