Online-Schätzung von Modellungenauigkeiten zur automatischen Modelladaption unter Beibehaltung einer physikalisch-technischen Interpretierbarkeit

Ziel dieser Arbeit ist die Entwicklung eines modellbasierten Beobachters für eingangsaffine, nichtlineare Systeme, der trotz Modellungenauigkeiten eine hohe Schätzgüte erzielt und zusätzlich eine parametrische, physikalisch interpretierbare Darstellung dieser ermöglicht. Diese soll zur automatisierten Verbesserung des Modells verwendet werden. Die vorliegende Arbeit analysiert sowohl Techniken der hybriden Systemidentifikation wie physikalisch motivierte neuronale Netze, als auch Methoden zur Kompensation von Modellungenauigkeiten im Beobachterentwurf. Basierend auf der Analyse wird ein neuartiger, modellbasierter Beobachter entworfen, der Systemzustände und Modellungenauigkeiten gleichzeitig schätzt und insbesondere eine parametrische, physikalisch interpretierbare Darstellung der Ungenauigkeiten erzielt. Diese besteht aus einer Linearkombination von physikalisch interpretierbaren Funktionen, deren dazugehörige, dünnbesetzt modellierte Parameter mithilfe eines augmentierten Zustands parallel zu den Systemzuständen geschätzt werden. Das Novum dieser Arbeit stellt somit die echtzeitfähige Schätzung von Zuständen und Modellungenauigkeiten in physikalisch-technischer Form dar, auf deren Grundlage ein Konzept zur automatisierten Modelladaption umgesetzt wird. Die Applikation der neuartigen Methode ist in der Situation auftretender Systemveränderungen besonders vorteilhaft, da diese zur Laufzeit durch den augmentierten Beobachter geschätzt und identifiziert werden können.

---

The aim of this thesis is the development of a model-based observer for input-affine, nonlinear systems that achieves a high estimation quality despite model inaccuracies. By additionally providing a parametric, physically interpretable representation of the model inaccuracies, an automated improvement of the model should be enabled. This thesis analyzes techniques of hybrid system identification such as physics-guided neural networks, as well as methods for compensating model inaccuracies within the observer design. Based on this analysis, a novel model-based observer is designed, which estimates states and model inaccuracies jointly and, in particular, obtains a parametric, physically interpretable representation of the inaccuracies. This consists of a linear combination of physically interpretable functions, whose associated parameters are modeled sparse and estimated in parallel to the system’s states using an augmented state. The novelty of this thesis is thus the real-time capability to jointly estimate states and model inaccuracies in a physical-technical manner, on the basis of which an automated model adaption can be carried out. The application of the new methodology is particularly advantageous in the situation of occurring system changes since these can be estimated and identified at run time by the augmented observer.