Modellbildung und Simulation

Modellieren-Simulieren-Optimieren

Die Methoden der Modellbildung und Simulation haben in den letzten Jahren zwei Schwerpunktbereiche erfolgreich belegt. Der erste Schwerpunktbereich, das eigentliche Grundgebiet der Modellbildung und Simulation, beschäftigt sich mit dem Entwurf und der Optimierung von komplexen technisch/physikalischen Versuchsanlagen oder Prototypen, ist deren Umsetzung i.d.R. doch mit einem erheblichen materiellen und zeitlichen Aufwand verbunden. Es bietet sich daher an, den Auslegungs- und Optimierungszyklus von Anlagen in zwei unterschiedliche Entwicklungsschritte zu untergliedern, wobei im ersten Schritt ein möglichst einfaches Systemmodell in Form mathematischer Gleichungen entwickelt wird, um die Gesetzmäßigkeiten des dem Anlagenverhalten zu Grunde liegenden Prozesses möglichst geschlossen zu beschreiben bzw. realitätsnah zu simulieren. Im zweiten Entwicklungsschritt fließen die so gewonnen Erkenntnisse in die finite Anlagen- oder Prototypenauslegung ein. Konkret sind es fünf Aufgabenfelder, die durch diesen Vorgehensansatz unterstützt werden:

- Anlagen auslegen und optimieren Anlagen und Prozesse werden mittels des Modellbildungszyklus computergestützt optimiert.

- Schneller entwickeln Mittels einer optimierten Versuchsplanung wird eruiert, welche Prozessparameter relevanten Einfluss auf einen Prozess haben.

- Scale-up, scale-down Problematik Mittels des Modellbildungszyklus werden scale-up und scale-down Problematiken gelöst.

- Kausalitäten erkennen Um Datensätze aus eigenen Versuchen oder Messkampagnen der industriellen Praxis auszuwerten, werden Zusammenhänge erkannt, um eine Aufklärung bisher nicht beschreibbarer Phänomene zu ermöglichen.

- Gezielter regeln Die Regelantwort auf sich verändernde Prozessbedingungen ist oft mit einem hohen Zeitverzug behaftet. Hier dient der Modellbildungszyklus dazu, eine Vorausberechnung des Anlagenverhaltens im Sinne eines prädiktiven Reglers zu realisieren.

Neben diesem etablierten Ansatz wurde in den letzten Jahren ein völlig neuer Weg der Modellbildung und Simulation zur Umsetzungsreife entwickelt, die "implizite Modellbildung". Ihr Kern ist es, auf der Grundlage von erhobenen Datensätzen durch sich selbstorganisierende Systeme wie neuronale Netze implizite Modelle auszulegen, die dann zur Steuerung und Regelung, Detektion, Klassifikation, Identifikation, Datamining oder der Auslegung von Führungssystemen verwendet werden können. Der immense Vorteil dieser Systeme liegt darin, dass zur Umsetzung der oben aufgeführten Aufgabenfelder keine expliziten mathematischen Ansätze zur Prozessbeschreibung mehr definiert werden müssen; oft sogar das Problem des Umgangs mit unsteten Prozessübergängen gelöst werden kann.

Diesem neuen Ansatz folgend belegt die Abteilung Modellbildung und Simulation in den letzten Jahren die folgenden speziellen Aufgabengabenfelder:

Aufgabenspezifisches Design und Realisierung von neuronal basierten prädiktiven Reglern für Prozesssteuerungen und Roboter. Mittels datenbasierter impliziter Modelle werden Prozesse oder Maschinen situationsspezifisch gesteuert und geregelt. Durch die spezielle Form ihrer Modellarchitektur agieren sie prädiktiv, mittels lernbarer Strukturen adaptiv bezüglich Alterungs-, Aufgaben- oder generelle Systemveränderungen.

Neuronal basierte Klassifikatoren / Identifikatoren für militärische und zivile Anwendungen Bedingt durch strukturelle Problemadaptivität und ihre hohe Robustheit gegenüber Störeinflüssen finden softcomputingbasierte Algorithmen speziell in den Bereichen:

- akustische Mustererkennung / Objektidentifikation / Szenenanalyse - optische Mustererkennung / Objektdetektion / Objektbewertung /
- Szenenanalyse allgemeine Informationsdetektion und
- Informationsraumanalyse Szenenanalyse von elektromagnetischen Signalen.