Tensordekomposition qualitativer Modelle zur Fehlererkennung
Anwendung in der Gebäudeautomation
Solare Energie- und Systemforschung / Solar Energy and Systems Research
Thorsten Müller-Eping
Hrsg.: Fraunhofer ISE, Freiburg/Brsg.
2020, 252 S., zahlr., meist farb. Abb. u. Tab., Softcover
Karlsruhe, KIT, Diss., 2019
Fraunhofer Verlag
ISBN 978-3-8396-1628-4

zur Open Access Version

Inhalt
Diese Arbeit liefert einen Beitrag zur technischen Fehlererkennung auf Grundlage der Zustandsbeobachtung technischer Systeme durch qualitative Modelle. Als qualitatives Modell wird ein stochastischer Automat verwendet, mit dem das qualitative Verhalten eines Prozesses anhand diskreter Wahrscheinlichkeitsverteilungen beschrieben wird. Das Verhalten des Prozesses wird dabei nur näherungsweise abgebildet, wobei jedoch die grundlegende Systemdynamik erhalten bleibt. Stochastische Automaten und qualitative Modelle leiden dabei unter dem Problem, dass ihr Speicherbedarf mit einer steigenden Anzahl der abzubildenden Systemgrößen exponentiell ansteigt. Zur Lösung dieses Komplexitätsproblems wird ein neuer Ansatz verfolgt, bei dem die Übergangswahrscheinlichkeiten des stochastischen Automaten in Tensoren gespeichert werden. Dabei wird eine moderne Methode zur Modellreduktion vorgestellt, die auf der Dekomposition der multilinearen Tensorstruktur basiert. Die vorgestellten Algorithmen, welche auf der speicherreduzierten dekomponierten Tensorrepräsentation definiert sind, ermöglichen die effiziente Realisierung der qualitativen Fehlererkennung.

Verfügbare Formate