Hallo zusammen! Ich habe ein mechanisches System mit einer Vielzahl von Sensoren (7 Stück). Um das System zu überwachen muss ich 3 Größen erfassen. Leider kann keiner der Sensoren die zu überwachenden Größen direkt erfassen, sondern jedes Signal ist eine Kombination aus verschiedenen Eingangssignalen. Kleines Beispiel mit dem Bild im Anhang: - Grünes Ausgangssignal ist das Graue Eingangssignal aber mit invertiertem AC-Anteil - Blaues Ausgangssignal lässt sich aus dem Orangenen und Schwarzen Eingangssignal bilden - Gelbes Ausgangssignal ist das Orangene Eingangssignal Leider sind die Zusammenhänge in der Realität viel komplexer und die Sensorwerte rauschen auch. Gut ist: Es ist ein Satz an "Trainingsdaten" vorhanden, bei dem ich sowohl Eingangs- als auch Ausgangswerte für alle Zustände habe! Welches Verfahren kann ich Anwenden um die Ausgangssignale aus einer Vielzahl von Eingangssignalen zu extrahieren? Eventuell reichen schon ein paar Stiwchworte, denn ich finde leider keinen Startpunkt. Ich habe bereits probiert, eine Matrix A [m*n] mit meinen Eingangssignalen [1*n] zu multiplizieren um auf die Ausgangssignale [m*1] zu kommen. Koeffizienten von A mittels Excel Solver bestimmt. Funktioniert leider nicht, da bspw. kein DC Anteil entfernt werden kann (eh klar). Ist eventuell ein Neuronales Netz richtig? Kalman Filter? Vielen Dank, Jake
Gleichungssystem der Abhängigkeiten aufstellen, Gauss-Algorithmus und die Lösungen in die Gleichungen einsetzen. Gleichungen später mit gemittelten Werten rechnen.
Besteht denn zwischen Ein- und Ausgang eine Dynamik? Also dass fuer den Ausgang nicht nur die aktuellen Eingangswerte massgeblich sind (dann muesste der Matrixansatz funktionieren), sondern auch die Historie in den Ausgangswert einfliesst. In diesem Fall muesstest du die Dynamik modellieren. Evtl. reicht auch ein grobes Modell, das mit redundanten Sensorwerten staendig korrigiert werden kann. Ein Stichwort waere vielleicht Beobachter (Regelungstechnik).
Hi und schon mal Danke für die ganzen Antworten! Analog OPA schrieb: > Gleichungssystem der Abhängigkeiten aufstellen, Gauss-Algorithmus und > die Lösungen in die Gleichungen einsetzen. Gleichungen später mit > gemittelten Werten rechnen. Genau das fällt mir eben schwierig! Manuell ein Gleichungssystem aufstellen geht für wenige Messwerte und "Arbeitspunkte" aber nicht für das komplexe System. Mach schrieb: > Besteht denn zwischen Ein- und Ausgang eine Dynamik? Also dass fuer den > Ausgang nicht nur die aktuellen Eingangswerte massgeblich sind (dann > muesste der Matrixansatz funktionieren), sondern auch die Historie in > den Ausgangswert einfliesst. Dynamik kann ich aktuell nicht genau sagen, denke aber schon. Beim Matrix-Ansatz sehe ich noch folgendes Problem: Nehmen wir an, ein fallender Eingangswert hat steigende Ausgangswerte zur Folge. Wertepaare beispielsweise: [code] Input Output 1 5 2 4 3 3 4 2 5 1 [\code] Mit einer reinen Multiplikation meiner Eingangsmatrix mit einer "Bearbeitungsmatrix" kann ich das doch unmöglich lösen? Mach schrieb: > Ein Stichwort waere vielleicht Beobachter (Regelungstechnik). Das ist schon einmal ein guter Ansatz, gefällt mir nach erster Recherche ganz gut. Wenn ich mir aber mal die grobe Struktur eines Beobachters anschaue (https://de.wikipedia.org/wiki/Beobachter_(Regelungstechnik) ) stelle ich fest, dass ich zwar gemessene Eingangsgrößen habe, aber keinerlei Messgrößen des Systems, aus denen ich einen Beobachterfehler bestimmen könnte. Oder reicht es, wenn ich das Modell des Observers mit meinen bekannten Trainingsdaten bestimme (da habe ich alle Messgrößen und kann einen Beobachterfehler bestimmen) und später nur noch das Modell ohne Feedback laufen lasse? Viele Grüße, Jake
naja, ein bisschen was über die mathematischen Zusammenhänge musst du schon wissen. Idealerweise hast du ein mathematisches Modell, das die hilft, diese Zusammenhänge darzustellen. Wenn du gar nichts weiß, gibt's auch Methoden. Aber die sind genauso schwer zum laufen zu kriegen, wie die Gleichungen aufzustellen und alles analytisch auszurechnen. Ohne weitere Informationen google: * LSTM ist aber vermutlich nicht das, was du sucht, sondern nur die generelle Lösung für ein zu generell spezifiziertes Problem.
Jo, mit Kalmanfilter liegst du goldrichtig für deine Problemstellung. Die Mathematik dahinter ist schon recht knusprig, jedoch ist es für einfachere Fälle auch keine Zauberkunst da reinzukommen. Das normale Kalmanfilter lässt sich verwenden, wenn sich dein System mit rein linearen Differentialgleichen beschreiben lässt. Sind nicht-lineare Gleichungen im Spiel könnte das "Unscented Kalman Filter" eine Option sein. Mir hat folgende Lektüre geholfen das Thema zu begreifen: "Kalman Filter for Beginners with MATLAB Examples" von Phil Kim (9781463648350) Grüße
Bitte melde dich an um einen Beitrag zu schreiben. Anmeldung ist kostenlos und dauert nur eine Minute.
Bestehender Account
Schon ein Account bei Google/GoogleMail? Keine Anmeldung erforderlich!
Mit Google-Account einloggen
Mit Google-Account einloggen
Noch kein Account? Hier anmelden.