Die vorliegende Arbeit beschäftigt sich mit der Simulation von dynamischen Systemen unter Einsatz neuronaler Netze. Dafür wird eine Aufarbeitung der theoretischen Grundlagen vorgenommen, sowie Experimente zum Vergleich verschiedener Netzwerkarchitekturen und Trainingsmethoden angestellt. Weiters wird auf die relevanten Algorithmen und Details zur Implementierung eingegangen. Die Interpretation der Zustände eines dynamischen Systems als diskrete Folge erlaubt eine Black-Box-Modellierung, die eine einfache Umlegung der Eingangs-Ausgangs-Beziehung eines dynamischen Systems auf ein neuronales Netz ermöglicht. Die Erstellung ausgefeilter Simulationsmodelle von realen Systemen ist oft sehr zeit- und kostenintensiv, andererseits nimmt die Menge und Qualität von Messdaten stetig zu, was datenbasierte Modellierungsansätze zunehmend attraktiver macht. Zusätzlich profitiert das maschinelle Lernen von fortlaufenden Verbesserungen der relevanten Algorithmen, immer höherer Rechenleistung besonders im Hinblick auf Parallelisierbarkeit von Berechnungen auf modernen Grafikkarten sowie der Verbreitung von benutzerfreundlicher Software-Infrastruktur. Es ist im Allgemeinen unklar, welche Netzwerkarchitektur sich am besten eignet, um Problemstellungen dieser Art zu lösen. In dieser Arbeit wird auf Basis von experimentellen Resultaten untersucht, welche Netzwerkarchitektur, bei Bearbeitung eines ähnlichen Problems, eine gute Grundlage liefert. Um die Fähigkeiten der neuronalen Netze zu demonstrieren, werden diese mit synthetischen und mit Messdaten eines Pneumatikventils trainiert und anschließend mit professionellen Simulationsmodellen verglichen.
de
This thesis explores the use of artificial neural networks to model dynamical systems. Recent improvements in machine learning have renewed interest in using these approaches for various modelling tasks. The use of artificial neural networks is promising since it allows the modelling of systems with limited knowledge of the underlying dynamics or in cases where internal system states can’t be observed. This black-box modelling approach is especially suited for systems where a large amount of data is available, and could represent an alternative to state-of-the-art modelling techniques that are usually much more cost and time-intensive to develop. In the first part of the thesis, we will introduce different network architectures, analyze their strengths and weaknesses give an overview of the mathematical foundations of neural networks and describe the algorithms that were used during the training process. The next part is about the mathematical description of the types of dynamical systems we are considering and how their input-output relations are modelled. In this section, we will describe how neural networks are applied to model these systems. In the last section, we will look at a real dynamical system and conduct tests of the neural network architectures we described by implementing them and comparing the performance of networks trained with either synthetic data or with data taken from measurements with well-established modelling approaches. In this context, we will describe how training data can be generated what techniques were used in preprocessing and what amount of data is sufficient for training. As a final point, we will discuss our findings and use the obtained results to give recommendations for the types of network architectures and training strategies one should consider when attempting to model similar systems. This is especially important since there is no rigorous reasoning for which network architecture is best for a given task since in theory, the choice of network does not matter.
en
Weitere Information:
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
