Dokument 1.pdf - Universität Siegen
Dokument 1.pdf - Universität Siegen
Dokument 1.pdf - Universität Siegen
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
4 Signalverarbeitungsverfahren zur Verbesserung der Schadenslokalisation 79<br />
Gleichzeitig wird eine Minimierung der benötigten Rechenzeit bei der Erstellung der<br />
Schadenskarten angestrebt.<br />
Einteilung der DoE-Verfahren<br />
Nach [ISERMANN 2003] können die DoE-Methoden in zwei Kategorien eingeteilt werden:<br />
klassische, geometrische Versuchspläne und optimale Versuchspläne. Im ersteren Fall erfolgt<br />
die Verteilung der Daten im Eingangsraum nach einem vorgegebenen Muster ohne jede<br />
Berücksichtigung des Ausgangswertes. Bekannte Strategien sind z.B. unter den Stichworten<br />
vollständige faktorielle, fraktionell faktorielle oder zentral-zusammengesetzte Versuchspläne<br />
bekannt. Bei den optimalen Versuchsplänen folgt die Datenverteilung der Minimierung der<br />
Varianz des Modellausgangs, der Modellparameter oder ähnlichen Größen. Dafür muss eine<br />
Modellstruktur angenommen werden, die den Zusammenhang zwischen den Eingangsgrößen<br />
und dem Ausgang korrekt beschreibt. Typische Verfahren sind beispielsweise unter den<br />
Begriffen D-, bzw. V-Optimalität bekannt. Die klassischen, geometrischen Versuchspläne<br />
sind universell einsetzbar. Die Daten werden problemunabhängig nach einem bestimmten<br />
Schema, z.B. bei dem vollständig faktoriellen Versuchsplan mit einem Gitteransatz, im<br />
Eingangsraum verteilt. Weil sie keinerlei Strukturinformationen über den (vermuteten)<br />
Zusammenhang zwischen den Eingangsgrößen und dem Ausgang in die Versuchsplanung<br />
einfließen lassen, können sie auch nicht besonders effektiv sein. Dieser Nachteil soll durch<br />
optimale Versuchspläne vermieden werden. Wichtigster Vertreter ist hierbei der D-optimale<br />
Versuchsplan, welcher in mehreren Veröffentlichungen favorisiert wird, siehe z.B. [KUDER<br />
und KRUSE 2000; WASCHATZ et al. 2000]. Bei diesem Verfahren wird zunächst die<br />
Regressionsmatrix X in Gestalt eines Polynommodells aufgestellt und dann die Determinante<br />
der Kovarianzmatrix als approximatives Maß der Modellvarianz minimiert:<br />
T<br />
−1 →<br />
det(( X X ) ) min.<br />
(4.14)<br />
Eine Vielzahl der optimalen DoE-Techniken haben gemeinsam, dass durch eine geeignete<br />
Wahl der Messdaten, der Varianzfehler entweder bei den Modellparametern oder bei dem<br />
Prozessausgang minimiert wird. Der Biasfehler, welcher die Modellierung der<br />
Nichtlinearitäten bewertet, bleibt an dieser Stelle unberücksichtigt, vergleiche Kapitel 7 in<br />
[NELLES 2001]. Daher sind die optimalen Versuchspläne nur dann sinnvoll, wenn der<br />
Varianzfehleranteil am gesamten Modellfehler groß und der Biasfehleranteil vernachlässigbar<br />
klein ist. Eine weitere Unterteilung kann in aktive und passive Verfahren erfolgen, siehe<br />
Abbildung 4.6. Während die Modellbildung bei den passiven Verfahren über den gesamten