Software: FEM - Tutorial - Magnetfeld - Probabilistik - Kennfeld-Identifikation
Die Kraft- und Koppelfluss-Kennfelder eines E-Magneten kann man in Modellen zur System-Simulation als Ersatz-Modell für eine konkrete Wandler-Geometrie benutzen:
- Die Ergebnisse der Rastersuche kann man als Daten exportieren und die berechneten Abtaststellen der Felder als Stützstellen von 3D-Funktionsflächen in der System-Simulation verwenden. Aus diesen Stützstellen werden in der System-Simulation die Funktionswerte der Zwischenräume interpoliert.
- Die in der probabilistischen Simulation als Ersatzmodelle generierten Übertragungsfunktionen kann man auch direkt in Modelle der System-Simulation implementieren. Die Gewinnung von Ersatzmodellen nach diesem Prinzip wollen wir abschließend in diesem Übungskomplex durchführen.
Ausgehend vom Raster-Experiment Kennfeld-Berechnung konfigurieren wir nach dem Duplizieren ein Experiment Kennfeld-Identifikation.
Workflow
Wir werden die probabilistische Simulation benutzen, um über den gesamten Arbeitsbereich unseres E-Magneten die Antwortflächen für F(i,s) und Psi(i,s) bilden zu lassen:
- Die Toleranzen der Streu-Größen umfassen den gesamten Arbeitsbereich:
- #i.Toleranz=10 A
- #s.Toleranz= 4 mm
- Die Toleranz-Mittenwerte (Nennwerte und aktuellen Werte der Streu-Größen) sind so zu wählen, dass numerisch instabile Werte nahe Null vermieden werden:
- i.Startwert=5.01 A (i≥0.01 A)
- s.Startwert=2.02 mm (s≥0.02 mm)
- Die Gleichverteilung innerhalb der Streu-Bereiche gewährleistet eine gleichmäßige Abtastung, falls man eine Sample Methode verwendet.
Versuchsplanung
Wir werden das Experiment so konfigurieren, dass wir möglichst anschaulich erkennen, wie genau die approximierten Antwortflächen die wirklichen Übertragungsfunktionen des Modells abbilden:
- Grundlage für die Berechnung der Antwortfläche soll das Full Factorial Design sein, welches praktisch einer Rastersuche entspricht. Wir wählen dafür 6 Stufen, um die Anzahl der Modellberechnungen mit 36 gering zu halten.
- Ein virtueller Stichprobenumfang=10000 zeigt uns im 3D-Anthill-Plot qualitativ die Lage der real berechneten Stichprobe in Bezug zur approximierten Antwortfläche.
Approximation mit Polynom-Ansatz
- Wir verwenden zuerst die bereits genutzte polynomiale Approximation und beginnen mit der Approximationsordnung=1.
- Nach Abschluss der Simulation liegen die Antwortflächen als Funktionen im (i,s)-Raum vor.
- Schrittweises Erhöhen der Approximationsordnung mit anschließendem Neuberechnen der Antwortflächen und der virtuellen Stichprobe führt zu einer optimalen Anpassung der Antwortflächen, welche jedoch mit höhere Approximationsordnung wieder schlechter wird.
- Achtung: Ein Rücksetzen des Experiments mit erneuter Berechnung der realen Stichprobe ist dabei nicht erforderlich!
- Ein Drehen des 3D-Anthill-Plots zeigt deutlich die Lage der realen Modellwerte abseits der Antwortfläche. Besonders stark sind die Abweichungen bei der Kombination von minimalem Luftspalt mit minimalem Strom.
- Das Residuum-Plot zeigt quantitativ die Abbweichungen der realen Modellberechnungen von den identifizierten Antwortflächen. Bei der Magnetkraft liegt diese Abweichung überwiegend im Bereich von ca. 10%, was für ein Ersatzmodell häufig noch akzeptiert werden kann:
- Nicht akzeptabel ist jedoch, dass die Ersatzfunktionen im Bereich kleiner Ströme zu negativen Kraftwerten führen, was physikalisch nicht korrekt ist!
- Schlussfolgerung:
Polynom-Ansätze sind für die Bildung von globalen Ersatzmodellen bei nichtlinearem Übertragungsverhalten nicht besonders gut geeignet.
Approximation mit Gauss-Prozess
Der Gauss-Prozess, angewandt in der Geostatistik auch als Kriging bekannt, ist ein statistisches Verfahren, mit dem man Werte an Orten, für die keine Probe vorliegt, durch umliegende Messwerte interpolieren oder auch annähern kann.
Der Gauss Prozess besteht aus einem globalen Modell f(x) und einem stochastischen Prozess Z(x), welcher die mögliche Abweichung von dem globalen Modell beschreibt:
- x ist ein m-dimensionaler Parametervektor.
- Y(x) ist der Ergebnisvektor für den Punkt x im Parameterraum.
- f(x) sind Polynome beliebiger Ordnung, welche zusammen mit den unbekannten Regressionskoeffizienten βi die Regressionsfunktion bilden.
- Z(x) ist ein stationärer stochastischer Prozess mit dem Mittelwert Null, der Varianz σ und der Covarianz R. Dieser Anteil des Gauss Prozesses beschreibt das 95% Erwartungsintervall für jeden Punkt x des Parameterraumes.
In dem englischen Wikipedia-Artikel zum Kriging wird das für die Interpolation einer eindimensionale Funktion sehr anschaulich dargestellt:
Die berechneten Grenzverläufe des Erwartungsintervalls werden wesentlich bestimmt durch das Erfahrungswissen in Hinblick auf den erwartenden Verlauf der zu interpolierenden Funktion zwischen den bekannten Werten der Stichproben-Exemplare. Diese Erwartung wird durch die Wahl einer geeigneten Covarianz-Funktion beschrieben:
- In OptiY sind unterschiedlichste Covarianz-Funktionen ímplementiert.
- Diese beschreiben den Verlauf des 95% Erwartungsintervalls zwischen den Stützstellen in Abhängig von deren Dichte.
- Wird näherungsweise eine möglichst glatter Verlauf für die zu interpolierende Ersatzfunktion erwartet, so ist dafür der Typ Square Exponential optimal geeignet:
- Der "Schlauch" des Erwartungsintervalls wird dabei (wie im obigen Bild) auch bei größeren Abständen zwischen den Stützstellen relativ schmal.
Über die Ordnung des globalen Modells kann man einen Kompromiss finden zwischen bester Anpassung der interpolierten Funktion an vorhandene Stützstellen und optimalem Verlauf zwischen diesen Stützstellen:
- Wie im vorherigen Abschnitt "Approximation mit Polynom-Ansatz" beschrieben, bestimmt die Approximationsordnung des globalen Modells f(x) die allgemeine Richtung (globale Anpassung) der Regressionsfunktion. Die dabei verbleibenden Residuen sind noch sehr groß.
- Der stochastische Prozess Z(x) hat dann die Aufgabe, diese verbleibenden Residuen mittels der Covarianz-Funktion (Normal- bzw. Gauss-Verteilung) zu eliminieren (lokale Anpassung).
- Wenn die Anzahl der Stützstellen bzw. die Daten genug groß ist, und man die verbleibenden Residuen statistisch auswertet, entsteht eine Normal-Verteilung (auch Gauss-Verteilung genannt) mit dem Mittelwert=0. Das ist die ursprüngliche Idee des Gauss-Prozesses.
- Wenn man die globale Anpassung mit einer zu hohen Ordnungen der Polynome durchführt, besitzt die Kurve mehr Freiheitsgrade als nötig. Das führt dann zu Welligkeiten zwischen den Stützstellen, weil dies durch keine Zwangsbedingungen verhindert wird.
- Der Rechenaufwand für die Berechnung des Ersatzmodells hängt davon ab, viele Stützstellen es gibt und wie schnell der interne Optimierer die optimalen Parameter für die Covarianz-Funktion findet.
Dieses Prinzip der Bildung von Ersatzmodellen (Antwortflächen) werden wir nun auf unser Kennfeld-Problem anwenden. Wir nutzen dafür das bereits konfigurierte Experiment Kennfeld-Identifikation ohne erneute Berechnung der Stichprobe:
- Wir wählen in der Versuchsvorbereitung zur Approximation den Gauss Prozess und beginnen mit der kleinsten Approximationsordnung=0.
- Als Covarianz-Funktion nutzen wir Square Exponential.
- Nach dem Neuberechnen der Antwortflächen
ergibt sich schon eine gute Approximationen für das F-Kennfeld. Die Approximation für das Psi-Kennfeld ist jedoch völlig unbrauchbar! - Das erkennt man auch deutlich nach dem Neuberechnen der virtuellen Stichprobe
im Anthill-Plot: - Die Approximationsordnung sollte man nun schrittweise erhöhen, bis sich keine weitere Verbesserung für die berechneten Antwortflächen mehr ergibt.
===>> Hier geht es bald weiter !!!
