Selbstoptimierende Systeme des Maschinenbaus Definitionen ... · ge der Definition der Selbstoptimierung als abstraktes Prinzip bilden. An-schließend werden Merkmale zur Klassifikation

Selbstoptimierende Systeme desMaschinenbaus

Definitionen und Konzepte

Ursula Frank Holger Giese Florian KleinOliver Oberschelp Andreas Schmidt Bernd Schulz

Henner Vocking Katrin Witting

Dieses Buch ist im Sonderforschungsbereich 614 – Selbstoptimierende Systeme des Ma-

schinenbaus, Universitat Paderborn – entstanden und wurde auf seine Veranlassung unter

Verwendung der ihm von der Deutschen Forschungsgemeinschaft zur Verfugung gestellten

Mittel veroffentlicht.

Vorwort

Moderne maschinenbauliche Erzeugnisse beruhen auf dem engen Zusammenwirken vonMechanik, Elektronik, Regelungstechnik und Softwaretechnik, was durch den Begriff Me-chatronik zum Ausdruck kommt. Ein wesentlicher Treiber dieser Entwicklung ist die Infor-mationstechnik, die sich fortsetzt und kunftig Maschinen mit einer inharenten Teilintelligenzermoglichen wird. Diese Perspektive bezeichnen wir als Selbstoptimierung. Unter Selbst-optimierung eines technischen Systems wird die endogene Anderung der Ziele des Sys-tems auf veranderte Umfeldbedingungen und die daraus resultierende zielkonforme auto-nome Anpassung der Parameter und ggf. der Struktur und somit des Verhaltens diesesSystems verstanden. Damit geht Selbstoptimierung uber die bekannten Regel- und Adap-tionsstrategien wesentlich hinaus; Selbstoptimierung ermoglicht handlungsfahige Systememit inharenter

”Intelligenz“, die in der Lage sind, selbststandig und flexibel auf veranderte

Betriebsbedingungen zu reagieren.

Der im Juli 2002 gestartete Sonderforschungsbereich 614”Selbstoptimierende Systeme des

Maschinenbaus“ verfolgt die langfristige Zielsetzung, das Wirkparadigma der Selbstoptimie-rung fur den Maschinenbau zu erschließen und ein Instrumentarium zur Entwicklung derar-tiger Systeme zu schaffen.

Wahrend es viele Beispiele fur den Nutzen der Mechatronik gibt, zeichnen sich die Nutzen-potentiale der Selbstoptimierung von maschinenbaulichen Systemen erst in groben Kon-turen ab. Offensichtlich ist Phantasie gefragt, Maschinen mit inharenter Teilintelligenz zudefinieren. Eine wesentliche Voraussetzung zur Bewaltigung dieser Herausforderung ist diewissenschaftliche Durchdringung und die ingenieurmaßige Aufbereitung des Wirkparadig-mas der Selbstoptimierung.

Diese Herausforderung motivierte ein Team, bestehend aus Dipl.-Wirt.-Ing. Ursula Frank,Dr. rer. nat. Holger Giese, Florian Klein, MScIS, Dipl.-Ing. Oliver Oberschelp, Dipl.-Wirt.-Ing.Andreas Schmidt, Dipl.-Ing. Bernd Schulz, Dipl.-Math. Henner Vocking und Dipl.-Math. Ka-trin Witting, einen grundlegenden Beitrag fur die Gestaltung der Forschungsarbeiten in demSonderforschungsbereich 614 zu leisten. Dies ist aus Sicht der Mitglieder des Sonderfor-schungsbereichs 614 gut gelungen. Im Namen der Mitglieder danke ich dem Team fur dasvorbildliche Engagement und die geleistete Arbeit. Frau Frank verdient unseren besonde-ren Respekt; sie hat neben der konzeptionellen Arbeit und der Betreuung ihrer einjahrigenZwillinge zusammen mit Herrn Klein die Redaktionsarbeit geleistet. Ihnen gebuhrt unser be-sonderer Dank. Zudem danken wir Dr.-Ing. Norbert Frohleke, Dr. rer. nat. Rainer Feldmannund Dipl.-Wirt.-Inf. Matthias Tichy fur ihre wertvollen Kommentare und Beitrage bei der Er-arbeitung dieses Buches.

Paderborn 2004

Prof. Dr.-Ing. Jurgen Gausemeier

Sprecher des Sonderforschungsbereichs 614

”Selbstoptimierende Systeme des Maschinenbaus“

und Herausgeber

Inhaltsverzeichnis

1 Einfuhrung und Motivation 111.1 Ziel und Ausrichtung dieses Buches . . . . . . . . . . . . . 111.2 Ein domanenubergreifendes Paradigma . . . . . . . . . . . 111.3 Aufbau des Buches . . . . . . . . . . . . . . . . . . . . . . . 12

2 Definition der Selbstoptimierung 152.1 Grundlegende Begriffe . . . . . . . . . . . . . . . . . . . . . 152.2 Definition der Selbstoptimierung . . . . . . . . . . . . . . . 222.3 Merkmale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.3.1 Formen der Optimierung . . . . . . . . . . . . . . . 292.3.2 Zeitkonzept . . . . . . . . . . . . . . . . . . . . . . . 332.3.3 Sicherheitsaspekte . . . . . . . . . . . . . . . . . . . 342.3.4 Verteilungskonzepte fur Multiagentensysteme . . . . 362.3.5 Zusammenfassung . . . . . . . . . . . . . . . . . . . 42

3 Entwicklung selbstoptimierender Systeme 433.1 Architektur . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.1.1 Operator-Controller-Modul (OCM) . . . . . . . . . . 443.1.2 Komposition . . . . . . . . . . . . . . . . . . . . . . 503.1.3 Verhaltensanpassung . . . . . . . . . . . . . . . . . 51

3.2 Entwurf mit Losungsmustern . . . . . . . . . . . . . . . . . 543.2.1 Begriffsdefinitionen . . . . . . . . . . . . . . . . . . . 553.2.2 Losungsmuster in der Produktentwicklung . . . . . . 583.2.3 Wesentliche Losungsmusterklassen . . . . . . . . . 603.2.4 Anwendung . . . . . . . . . . . . . . . . . . . . . . . 66

4 Abgrenzung zu verwandten Themen 754.1 Regelungstechnik . . . . . . . . . . . . . . . . . . . . . . . 76

4.1.1 Adaptive Regelungen . . . . . . . . . . . . . . . . . 764.1.2 Fortgeschrittene Regelungstechnik . . . . . . . . . . 78

4.2 Informatik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 804.2.1 Agententheorie . . . . . . . . . . . . . . . . . . . . . 80

8 Inhaltsverzeichnis

4.2.2 Kunstliche Intelligenz . . . . . . . . . . . . . . . . . 824.2.3 Sonstige Forschungsprojekte . . . . . . . . . . . . . 86

5 Anwendungsbeispiele 895.1 Antriebs-Bremsmodul . . . . . . . . . . . . . . . . . . . . . 91

5.1.1 Optimierungsaufgaben . . . . . . . . . . . . . . . . 915.1.2 Ablauf der Selbstoptimierung . . . . . . . . . . . . . 935.1.3 Einordnung . . . . . . . . . . . . . . . . . . . . . . . 95

5.2 Energiemanagement . . . . . . . . . . . . . . . . . . . . . . 985.2.1 Optimierungsaufgabe . . . . . . . . . . . . . . . . . 995.2.2 Ablauf der Selbstoptimierung . . . . . . . . . . . . . 1005.2.3 Einordnung . . . . . . . . . . . . . . . . . . . . . . . 101

5.3 Feder- und Neigemodul . . . . . . . . . . . . . . . . . . . . 1035.3.1 Optimierungsaufgaben . . . . . . . . . . . . . . . . 1035.3.2 Ablauf der Selbstoptimierung . . . . . . . . . . . . . 1045.3.3 Einordnung . . . . . . . . . . . . . . . . . . . . . . . 105

5.4 Konvoisimulation . . . . . . . . . . . . . . . . . . . . . . . . 1075.4.1 Optimierungsaufgaben . . . . . . . . . . . . . . . . 1075.4.2 Ablauf der Selbstoptimierung . . . . . . . . . . . . . 1085.4.3 Einordnung . . . . . . . . . . . . . . . . . . . . . . . 109

6 Zusammenfassung 111

Literaturverzeichnis 114

Index 121Glossar Deutsch – Englisch . . . . . . . . . . . . . . . . . . . . . 128Glossar Englisch – Deutsch . . . . . . . . . . . . . . . . . . . . . 131

Inhaltsverzeichnis 9

Kapitel 1

Einfuhrung und Motivation

1.1 Ziel und Ausrichtung dieses Buches

Der Sonderforschungsbereich 614 – Selbstoptimierende Systeme desMaschinenbaus der Universitat Paderborn beschaftigt sich mit der Erfor-schung des Paradigmas der Selbstoptimierung und der Entwicklung tech-nischer Systeme, die dieses Paradigma umsetzen. SelbstoptimierendeSysteme besitzen die charakteristische Fahigkeit, flexibel auf sich andern-de Umweltbedingungen, Eingriffe des Benutzers oder Einwirkungen desSystems zu reagieren, um autonom ihr Verhalten zu optimieren.

Ziel dieses Buches ist es, den Begriff Selbstoptimierung und damit ver-bundener Konzepte vorzustellen, wie sie im Sonderforschungsbereich614 eingesetzt werden. Es fasst damit die Ergebnisse der Diskussionder Interessengruppe Selbstoptimierung zusammen, in der Vertreter alleram Sonderforschungsbereich 614 beteiligten Fachrichtungen gemeinsameine fachubergreifend einheitliche Terminologie erarbeitet und Potentialeder Selbstoptimierung ausgelotet haben. Erganzend werden grundlegen-de Konzepte zur praktischen Umsetzung der dargelegten Prinzipien um-rissen und die Konzepte der Selbstoptimierung durch Beispiele illustriert.

1.2 Ein dom anenubergreifendes Paradigma

Selbstoptimierende mechatronische Systeme basieren auf komplexenReglersystemen, deren Funktionalitat durch zusatzliche Informationsver-arbeitung und Optimierungsverfahren noch erweitert wird. Besondere Be-deutung gewinnt dabei die Vernetzung solcher Reglersysteme, um kol-laborative und emergente Selbstoptimierung zu unterstutzen. Auf loka-

12 1 Einfuhrung und Motivation

ler Ebene mussen neben den modell- und verhaltensbasierten Optimie-rungsverfahren auch Techniken fur die Rekonfiguration zur Laufzeit durchgeeignete Entwurfsmethoden integriert werden. Eine wesentliche Her-ausforderung ergibt sich zusatzlich aus dem sicherheitskritischen Cha-rakter der Systeme, der bedingt, dass der Verbund aus Software undtechnischem System ein vorhersagbar korrektes Verhalten zeigen muss –trotz Vernetzung, Rekonfiguration und der Integration von Techniken derkunstlichen Intelligenz.

Selbstoptimierung und damit zusammenhangende Aspekte und Frage-stellungen werden in den Domanen Maschinenbau, Regelungstechnik,Elektrotechnik und Informatik, aber auch verwandten Domanen wie Bio-logie, Chemie, Psychologie oder Volkswirtschaftslehre thematisiert. DieDomanen verwenden dabei jedoch jeweils eigene Terminologien. Glei-che Begriffe sind oft abweichend belegt, wahrend gleichzeitig identischeSachverhalte unterschiedlich ausgedruckt werden. Ziel dieses Buches istes, die Selbstoptimierung in eine einheitliche Begriffswelt einzuordnen,von ahnlichen Ansatzen abzugrenzen und Gemeinsamkeiten aufzuzei-gen. Das Buch hat nicht den Anspruch auf Vollstandigkeit, sondern bringtnur so weit wie fur die Arbeiten im Sonderforschungsbereich 614 notigeine Ordnung in die Begriffswelt.

1.3 Aufbau des Buches

Im zweiten Kapitel werden zunachst grundlegende Begriffe wie System,Struktur, Verhalten, Parameter und Ziel eingefuhrt, die dann die Grundla-ge der Definition der Selbstoptimierung als abstraktes Prinzip bilden. An-schließend werden Merkmale zur Klassifikation selbstoptimierender Sys-teme vorgeschlagen.

Das dritte Kapitel beschaftigt sich mit der Frage, wie ein selbstoptimieren-des System effizient entworfen und sicher technisch umgesetzt werdenkann. Dazu wird mit dem Operator-Controller-Modul (OCM) eine mogli-che Architektur fur selbstoptimierende mechatronische Systeme erlautert.Hierbei handelt es sich um ein Strukturierungs- und Entwurfskonzeptfur rekonfigurierbare Reglersysteme mit Schwerpunkt auf der Gliederungder inneren Funktionen. Anschließend wird aufgezeigt, wie mit Hilfe vonLosungsmustern (z.B. Wirkprinzipien, Muster der Softwaretechnik oderWirkmuster zur Selbstoptimierung) der grundlegende Aufbau und dieFunktionsweise selbstoptimierender Systeme durch Wiederverwendungbewahrter Losungsansatze entworfen werden kann.

1.3 Aufbau des Buches 13

Das vierte Kapitel gibt einen Uberblick zu verwandten Arbeiten und grenztdiese von den Arbeiten im Sonderforschungsbereich 614 ab. Dabei wirdaufgezeigt, welche Themen der verwandten Arbeiten fur den Sonderfor-schungsbereich 614 wichtig sind und welche dieser Themen in welcherArt und Weise berucksichtigt werden.

Im funften Kapitel werden schließlich als Anwendungsbeispiele die De-monstratoren, die im Sonderforschungsbereich 614 entstanden sind, vor-gestellt. Fur das Antriebs-/Bremsmodul, das Energiemanagement, dasFeder-Neige-Modul und die Konvoifahrt wird jeweils umrissen, wie Selbst-optimierung in dem System eingesetzt wird, wie sie ablauft und wie sieunter Verwendung der oben vorgeschlagenen Merkmale klassifiziert wer-den kann.

Das letzte Kapitel fasst die wichtigsten Ergebnisse zusammen.

Kapitel 2

Definition der Selbstoptimierung

2.1 Grundlegende Begriffe

In diesem Kapitel sollen als Basis fur die Definition der Selbstoptimie-rung in Kapitel 2.2 grundlegende Begriffe definiert werden. Ausgehendvon dem Systembegriff werden fur selbstoptimierende Systeme wichtigeAspekte wie Parameter, Verhalten, Struktur und Ziele erlautert.

Ein System (system) ist eine in einem betrachteten Zusammenhang ge- System

gebene Anordnung von Elementen, die miteinander in Wechselwirkungstehen. Diese Anordnung wird aufgrund bestimmter Vorgaben gegenuberihrer Umgebung abgegrenzt (in Anlehnung an DIN 19226 [DIN94]).

BeziehungElement

AusgangEingang Systemgrenze

Systemumgebung

Abbildung 2.1: Definition des Begriffs System

16 2 Definition der Selbstoptimierung

Ein System besteht aus Elementen (element) (Teilen / Komponenten /Element

Gebilden), welche wiederum als System betrachtet werden konnen (sie-he Abbildung 2.1). Elemente sind durch Beziehungen (relation) mitein-Beziehung

ander oder mit Elementen der Systemumgebung verbunden. Dabei wirdzwischen gerichteten und ungerichteten Beziehungen unterschieden. Ge-richtete Beziehungen zwischen Systemelementen und Elementen derSystemumgebung werden als Eingang (input) bzw. Ausgang (output)Eingang

Ausgang bezeichnet.

Bei den Beziehungen kann es sich beispielsweise um Informationsfluss-beziehungen, Lagebeziehungen, Wirkzusammenhange aber auch umMaterialflussbeziehungen handeln. Die Elemente eines Systems und de-ren Beziehungen zueinander beschreiben als Ganzes die Struktur (struc-Struktur

ture) des Systems (gegliederter Aufbau, Gefuge, Anordnungen). Das Sys-tem wird durch eine Systemgrenze (system border) (Hullflache) von derSystemgrenze

Systemumgebung abgegrenzt. Die Systemgrenze muss nicht physischsichtbar sein, es kann sich hier auch um gedankliche Grenzen handeln.Je nach Betrachtungsstandpunkt kann sie unterschiedlich verlaufen. Un-ter Systemumgebung (environment) werden Systeme oder ElementeSystemumgebung

verstanden, die außerhalb der Systemgrenze liegen und Einfluss auf dasSystem nehmen. Die Umwelt, der Benutzer oder andere technische Sys-teme sind beispielsweise Systeme der Systemumgebung.

Systemparameter (parameter) beschreiben die Eigenschaften einesSystemparameter

Systems bzw. seiner Elemente und Beziehungen. Ihre gemeinsame Aus-pragung zu einem definierten Zeitpunkt wird als Zustand (state)1 desZustand

Systems bezeichnet. Der Zustand des Systems beinhaltet auch den Zu-stand seiner Elemente.

Das Verhalten (behavior) eines Systems wird durch dessen Eingangs-Verhalten

und Ausgangsgroßentupel in einem bestimmten Zustand beschrieben. ImBereich Maschinenbau ist dabei zur detaillierten Verhaltensbeschreibungdie Verwendung von Funktionsstrukturen gebrauchlich. Eine FunktionFunktion

(function) ist dort als allgemeiner und gewollter Zusammenhang zwi-schen Eingang und Ausgang eines Systems mit dem Ziel, eine Aufga-be zu erfullen [PB97] bzw. als losungsneutral beschriebene Beziehungzwischen Eingangs-, Ausgangs- und Zustandsgroßen [VDI93] definiert.Funktionen beschreiben die Fahigkeiten bzw. das benotigte reaktive Ver-halten eines Systems, drucken also eine passive Sicht auf das Systemver-halten aus. Aus Sicht der Informationsverarbeitung wird Systemverhaltendurch eine Menge von Prozessen, die als eine Abfolge von Aktivit atenAktivitat

1Der Begriff Zustand ist hier nicht gleichbedeutend mit den Begriffen Zustandsgroße oderZustandsvariable.

2.1 Grundlegende Begriffe 17

(activity) verstanden werden, beschrieben. Eine Aktivitat ist ein konkre-ter, von einem Systemelement durchgefuhrter Prozessschritt (z.B.

”Re-

gelfehler bestimmen“ oder”Sensordaten einlesen“). Im Gegensatz zum

Zusammenspiel der Funktionen in einer Wirkstruktur ist die Abfolge derAktivitaten keinen naturlichen Gesetzmaßigkeiten unterworfen und ergibtsich daher nicht rein reaktiv, sondern muss aktiv gesteuert werden. Beieiner Betrachtung auf Systemebene konnen verschiedene Aktivitaten ein-zelner Elemente zu einer Aktion (joint action) zusammengefasst werden Aktion

(z.B.”Regeln“). Der Aktionsbegriff wird hier im Sinne eines

”gemeinsa-

men, gezielten Vorgehens“ [Dud00] verstanden. Die Aktion ist somit eineAbstraktion, die eine Beschreibung des Gesamtvorgehens des Systemserlaubt, ohne im Detail darauf einzugehen, welche Schritte von welchenElementen durchgefuhrt werden. Ist einem System eine Funktion zuge-ordnet, so kann die Erfullung dieser Funktion durch eine Aktion ausge-druckt werden. Es wird zwischen einmaligen und wiederkehrenden Aktio-nen unterschieden.

Ausgewahlte Aspekte eines Systems oder eines Systemprozesses wer-den durch Modelle dargestellt. Modelle (model) sind Abstraktionen und Modell

Vereinfachungen der Realitat. Entsprechend des Modellierungszweckswerden die interessierenden Aspekte durch ein anderes beschreibendesoder physikalisches System, d.h. durch ein Modell, abgebildet. Es wirdaus der Anwendung bekannter Gesetzmaßigkeiten, einer Identifikationoder auch getroffener Annahmen gewonnen. Das gewahlte Modell mussdie interessierenden Aspekte des Systems hinreichend genau abbilden.

Nachfolgend werden die Aspekte Einflusse auf das System, Ziele desSystems sowie Struktur-, Verhaltens- und Parameteranpassungenvertieft, da sie bei selbstoptimierenden Systemen eine besonders wich-tige Rolle spielen.

Einflusse (influence) auf das System konnen von Systemen aus der Sys- Einfluss

temumgebung (Umwelt und Benutzer), von anderen technischen Syste-men z.B. aus anderen Hierarchieebenen sowie von dem System selbstausgehen. Einflusse konnen den Zweck des Systems unterstutzen, be-hindern oder verhindern. Zweckbehindernde bzw. zweckverhinderndeEinflusse sind Storgroßen. Weiterhin kann zwischen unstrukturierten,nicht vorhersehbaren, nicht geplanten Einflussen und gezielten, geplan-ten Einflussen auf das System unterschieden werden. Letztere werdenals Vorgaben bezeichnet. Einflusse aus der Umwelt, z.B. starker Windoder Glatteis sind unstrukturiert und oftmals nicht vorhersagbar. Haufigbe- bzw. verhindern sie den Zweck des Systems. Der Benutzer gibt demSystem Ziele vor, die das System erfullen soll. Bei einem Transportsys-


Umwelt

Zielsystem

Verhalten

Technisches System (z.B. Fahrwerk)

z.B. Veränderungendes Fahrweges

Z1.1 Z1.2 Z2.1 Z2.2 Z2.3

Z1 Z2

Z

Benutzer Systemz.B. geänderteBenutzungsmuster

z.B. aufgrundvon Verschleiß

Einflüsse auf das technische System

MathematischsymbolischeBeschreibungdes Verhaltens

Struktur Parameter

m:= 10c := 15

fachbezogene Repräsenation der Struktur

-t

anweisungsbezogeneVerarbeitung durch datentechnische Beschreibung

-

Abbildung 2.2: Die Aspekte Einflusse, Ziele, Verhalten, Struktur und Pa-rameter eines selbstoptimierenden Systems

tem konnten dieses beispielsweise der Zielbahnhof, die gewunschte Fahr-dauer oder der gewunschte Komfort sein. Vorgaben konnen auch vonanderen technischen Systemen, mit denen das betrachtete System di-rekt in Beziehung steht, erfolgen. Besteht z.B. ein Transportsystem u.a.aus einem Fahrwerk, einem Antriebsmodul und einem Energiemanage-mentmodul, kann das Energiemanagementmodul den anderen Moduleneine bestimmte Energiemenge zuteilen. Neben den zweckunterstutzen-den Einflussen konnen von dem Benutzer oder von anderen technischenSystemen Storgroßen auf das System einwirken. Einflusse durch dasSystem selbst werden als innere (endogene) Einflusse bezeichnet. Ver-schleiß oder der Bruch einer Feder sind hierfur Beispiele. Neben den Ein-flussen auf das System kann es auch zu Nebenwirkungen als ungewoll-te Ausgangsgroßen aus dem System auf Umwelt, Benutzer und anderetechnische Systeme kommen (in Abbildung 2.2 nicht dargestellt).


Ein selbstoptimierendes System soll sich entsprechend seines Zielsys-tems (system of objectives) (Zielvorgaben) verhalten. Unter einem Ziel- Zielsystem

system wird hier ganz allgemein eine Menge zueinander in Beziehungstehender Ziele verstanden.

Ziele (objectives) formulieren das geforderte, gewunschte oder zu ver- Ziele

meidende Verhalten eines Systems. Dabei wird zwischen externen,inharenten und internen Zielen unterschieden.

Externe Ziele werden von außen durch den Menschen, die Umwelt oder externe Ziele

andere technische Systeme an das System herangetragen. Beispielswei-se wunscht der Insasse eines Shuttles einen hohen Komfort bei niedrigenKosten, oder das im Shuttle fur die Energieversorgung zustandige Modulgibt dem Feder-Neige-Modul als Ziel einen minimalen Energieverbrauchvor.

Inharente Ziele spiegeln den Entwurfszweck des Systems wider und si- inharente Ziele

chern seine Grundfunktionalitat. Sie werden wahrend der Produktentwick-lung festgelegt und dem System vorgegeben. Beispiele fur inharente Zie-le sind beispielsweise im Antriebsmodul eines Shuttles das Sichern derGrundfunktionen Antreiben und Bremsen sowie geringer Verschleiß undein hoher Wirkungsgrad.

Interne Ziele sind jene Ziele, die zu einem konkreten Zeitpunkt von einem interne Ziele

System verfolgt werden. Im Gegensatz zu den erstgenannten Zielkatego-rien unterliegen sie der Kontrolle des Systems und konnen durch Ge-nerierung, Auswahl oder Gewichtung externer und inharenter Ziele oderAnpassung existierender interner Ziele eigenstandig festgelegt werden.Hoher Komfort und minimaler Energieverbrauch sind Beispiele fur inter-ne Ziele des Feder-Neige-Moduls, wenn das System im Normalbetrieb istund keine Einschrankungen vorliegen.

Wo im Weiteren – insbesondere in Verbindung mit Optimierung und An-passung – von den Zielen eines Systems gesprochen wird, bezieht sichdies auf die internen Ziele, sofern nicht explizit anderes angegeben ist.Die verschiedenen Zielklassen werden im Kapitel 2.3.1 noch genauer be-trachtet werden.

Veranderungen als Reaktion auf wechselnde Einflusse spielen fur selbst-optimierende Systeme eine zentrale Rolle. Im Weiteren werden ziel-gerichtete, willentliche Veranderungen als Anpassungen (adaptation) Anpassung

bezeichnet, wahrend der allgemeinere Begriff Anderungen (variation) Anderung

zusatzlich auch extern verursachte und unwillkurliche Veranderungen,z.B. durch Verschleiss, mit einschließt.


System/Systemelement

Hinzufügbares Systemelement

Immer bestehende Beziehung

Konfigurierbare Beziehung

P Parameteränderung möglich

Legende

PP

P

Hierarchie-stufe 1

Hierarchie-stufe 3

Hierarchie-stufe 2

Strukturanpassungz.B. durch Hinzu-fügen des graumarkierten Elementesund der entsprechen-den Beziehungen

Parameter-anpassungz.B. “Änderungeines Regelpa-rameters”

Verhaltens-anpassungdurch Struktur-oder Parameter-änderung auf dernächst tieferenHierachiestufe

Verhaltens-anpassungdes Elementesdurch Struktur-oder Parameter-änderung auf dernächst tieferenHierachiestufe

Abbildung 2.3: Struktur-, Verhaltens- und Parameteranderung einesselbstoptimierenden Systems

Aufgrund von Einflussen kann es zunachst zu Zielanpassungen (objecti-Zielanpassung

ve adaptation) kommen. Dies bedeutet, dass beispielsweise die Gewich-tung der Ziele verandert wird, neue Ziele hinzukommen oder vorhande-ne Ziele nicht mehr verfolgt werden. Als Folge einer Zielanderung wirdauch das Verhalten des Systems zielkonform verandert. Die notwendigeVerhaltensanpassung wird durch Parameter- oder Strukturanpassungenerzielt (siehe Abbildung 2.3).


Unter einer Parameteranpassung (parameter adaptation) wird die An- Parameteranpassung

passung eines Systemparameters verstanden, z.B. das Andern einesRegelparameters. Strukturanpassungen (structural adaptation) betref- Strukturanpassung

fen die Anordnung und Beziehungen der Elemente eines Systems. Beistrukturellen Anpassungen wird zwischen Rekonfiguration (reconfigura- Rekonfiguration

tion), bei der die Beziehungen einer festen Menge von verfugbaren Ele-menten verandert wird, und Kompositionaler Anpassung (compositio- kompositionale

Anpassungnal adaptation)[MSKC04], bei der neue Elemente in die bisherige Struk-tur integriert bzw. Elemente aus der Struktur herausgenommen werden,unterschieden. In Abbildung 2.3 ist beispielhaft eine Strukturanpassungdargestellt, in deren Rahmen bisher nicht genutzte Elemente und ent-sprechende Beziehungen aktiviert und nicht mehr benotigte Beziehungendeaktiviert werden. Da lediglich auf vorhandene Elemente des Systemszuruckgegriffen wird und die Menge der das System konstituierenden Ele-mente gleich bleibt, handelt es sich dabei um ein Beispiel fur Rekonfigu-ration. Eine Verhaltensanpassung (behavior adaptation) der Elemente Verhaltensanpassung

wird durch eine Struktur- oder Parameteranpassung der Elemente auf dernachst tieferen Hierarchieebene erreicht.

Verhaltensanpassung

Parameteranpassung Strukturanpassung

Kompositionale Anpassung Rekonfiguration

Abbildung 2.4: Arten der verwendeten Verhaltensanpassungen

Abbildung 2.4 stellt nochmals uberblicksartig die Klassifikation der ver-wendeten Anpassungsbegriffe dar.


2.2 Definition der Selbstoptimierung

Definition 1 In einem System findet genau dann SelbstoptimierungSelbstoptimierung

(self-optimization) statt, wenn durch das Zusammenwirken der enthal-tenen Elemente die folgenden drei Aktionen wiederkehrend ausgefuhrtwerden:

1. Analyse der Ist-Situation

2. Bestimmung der Systemziele

3. Anpassung des Systemverhaltens

Fur die Selbstoptimierung ist wesentlich, dass Ziele durch das Systemsituationsbedingt festgelegt oder angepasst werden. Ein System, in demnur die erste und dritte, nicht aber die zweite Aktion durchgefuhrt werden,enthalt somit keine Selbstoptimierung.

Die in der ersten Aktion betrachtete Ist-Situation (current situation) um-Ist-Situation

fasst den Zustand (state) des Systems selbst sowie alle moglichen Be-obachtungen (observations) uber seine Umgebung. Dabei konnen Beob-achtungen auch indirekt durch Kommunikation mit anderen Systemen ge-wonnen werden. Der Zustand eines Systems beinhaltet weiterhin eventu-ell gespeicherte zuruckliegende Beobachtungen. Ein wesentlicher Aspektder Analyse ist die Prufung des Erfullungsgrades der verfolgten Ziele.

Bei der Zielbestimmung (determination of objectives) in der zweiten Akti-Zielbestimmung

on konnen die neuen Ziele des Systems durch Auswahl, Anpassung oderGenerierung dieser gewonnen werden. Hierbei verstehen wir unter Aus-wahl (selection) die Selektion einer Alternative aus einer fest vorgegebe-nen, diskreten, endlichen Menge von moglichen Zielen. Eine Anpassung(adaptation) von Zielen dagegen beschreibt die graduelle Veranderungbestehender Ziele. Von Generierung (generation) der Ziele sprechen wirdagagen dann, wenn diese unabhangig von den bisher bekannten neuerzeugt werden.

Die Anpassung des Systemverhaltens (system behavior) ist, wie in Ab-Systemverhalten

schnitt 2.1 beschrieben, durch die drei Aspekte Parameter, Struktur, undVerhalten bestimmt. In der dritten Aktion wird die abschließende Ruckwir-kung des Selbstoptimierungskreislaufes durch Anpassung des System-verhaltens beschrieben. Die einzelnen Falle der Anpassung konnen jenachdem, auf welcher Ebene eines mechatronischen Systems wir uns

2.2 Definition der Selbstoptimierung 23

befinden2, sehr unterschiedlich ausfallen. Auch die Domane, in der dieAnpassung umgesetzt wird, spielt hierbei eine wesentliche Rolle.

Optimierung im engeren Sinne, also die explizite Anwendung eines Opti-mierungsalgorithmus, kann dabei sowohl im Rahmen der zweiten Aktionzur Bestimmung geeigneter Ziele als auch in der dritten Aktion zur Ermitt-lung moglichst gunstiger zielkonformer Anpassungen stattfinden.

Zwischen den einzelnen Aktionen werden lediglich kausale Beziehungenin Form notwendiger Informationsflusse vorausgesetzt. Die Ergebnisseder Analyse der Ist-Situation bilden die Grundlage der Zielbestimmung,und der Anpassungsschritt hangt wiederum von den dort bestimmten Zie-len ab. Ferner bestehen naturgemaß Wirkzusammenhange zwischen denvorgenommenen Anpassungen und der in Folge wahrgenommenen Ist-Situation.

Systemebene

Subsystemebene

Subsubsystemebene

System

Selbstoptimierungbeteiligt

assungder Systemziele

An

Anp

.

.

Legende

Abbildung 2.5: Systemstruktur auf verschiedenen Abstraktionsebenen

2Wir grenzen bei der Beschreibung mechatronischer Systeme drei hierarchische Ebe-nen begrifflich voneinander ab: Mechatronische Funktionsmodule (MFM) (mechatronicfunction module (MFM)), die als Baugruppen in Autonome Mechatronische Systeme(AMS) (autonomous mechatronic system (AMS)) eingehen, die sich wiederum zu Vernetz-ten Mechatronischen Systemen (VMS) (connected mechatronic system (CMS)) organi-sieren konnen.


Systemebene

Subsystemebene

Subsubsystemebene

System



An

Anp

.

.

Legende

Abbildung 2.6: Nicht selbstoptimierendes System mit einem selbstopti-mierenden Subsystem

Der verwendete Systembegriff erlaubt abhangig vom jeweiligen Betrach-tungszweck ein flexibles Ziehen der Systemgrenzen. Beim Entwurf einerAnwendung ist es jedoch zweckmaßig, die Grenzen der zur Beschrei-bung verwendeten Systeme und Elemente verbindlich festzulegen. Im Be-reich der Informationsverarbeitung wird die Definition von festen System-grenzen zur Strukturierung des Entwurfs bewusst als Mittel zur Komple-xitatsreduktion eingesetzt. Die nachfolgenden Definitionen klassifizierenvor dem Hintergrund einer solchen konkreten Festlegung verschiedeneKonstellationen von Systemen und Systemelementen (siehe Abbildung2.5). Dabei ist zu beachten, dass Systemelemente prinzipiell auch immerselbst wieder synonym als Subsysteme verstanden werden konnen, be-sonders wenn von der gewahlten Abstraktion die interne Struktur in Formenthaltener Elemente erfasst wird. Jedes Element kann somit in seinerEigenschaft als System auch ein eigenes Zielsystem besitzen.

Lauft ein Selbstoptimierungsprozess ausschließlich gekapselt in denGrenzen eines einzelnen Subsystems ab, so findet innerhalb des uber-geordneten Systems zwar zweifellos Selbstoptimierung statt, das Systemware jedoch dennoch gemaß Definition 1 nicht als selbstoptimierend zubezeichnen (siehe Abbildung 2.6).


Systemebene

Subsystemebene

Subsubsystemebene

System



An

Anp

.

.

Legende

Abbildung 2.7: Selbstoptimierung erfordert Anpassung von Zielen

Von einem selbstoptimierenden System (self-optimizing system) spre- selbstoptimierendesSystemchen wir nur dort, wo auch tatsachlich Ziele, die dem betrachteten System

direkt zugeordnet werden konnen, einer Anpassung unterliegen (sieheAbbildung 2.7).

Verlauft der wiederkehrende Prozess der Selbstoptimierung dergestalt,dass die Aktivitaten, von denen die drei notwendigen Aktionen Analyse,Zielbestimmung und Anpassung umgesetzt werden, von den Elementeneines einzelnen, isolierten Systems durchgefuhrt werden, so sprechenwir bei diesem System von einem individuell selbstoptimierenden Sys- individuell selbstopti-

mierendes Systemtem (individually self-optimizing system). Falls das System Subsystememit eigenem Zielsystem enthalt, mussen diese fur die Selbstoptimierungirrelevant sein, d.h. sie durfen nicht an den entsprechenden Aktivitatenbeteiligt sein (siehe Abbildung 2.8). Einfache reglungstechnische Kompo-nenten auf der Ebene der MFM oder Ansatze aus der klassischen KI miteiner zentralistisch gepragten Inferenzkomponente sind typische Beispie-le fur entsprechende Systeme.

Enthalt ein selbstoptimierendes System Subsysteme mit eigenen Zielen,die am Prozess der Selbstoptimierung beteiligt sind, so sprechen wir voneinem zusammengesetzten selbstoptimierenden System (composed zusammengesetztes

selbstoptimierendesSystem


Systemebene

Subsystemebene

Subsubsystemebene

System



An

Anp

.

.

Legende

Abbildung 2.8: Individuell selbstoptimierendes System

self-optimizing system) (siehe Abbildung 2.9). Dies kann bedeuten, dasseinzelne Subsysteme fur bestimmte Aktionen verantwortlich sind; es istaber gleichermaßen moglich, dass die Aktivitaten einer einzelnen Akti-on auf verschiedene zielbehaftete Subsysteme verteilt sind. Beispiele furentsprechende Systeme sind AMS und VMS, die per Definition zusam-mengesetzt sind.

Dieser Unterscheidung kommt beim Entwurf eines Systems eine großepraktische Bedeutung zu. Da die Subsysteme eines zusammengesetztenSystems selbst wieder eigene Ziele besitzen, sind in der Regel komple-xere Koordinationsmechanismen notwendig. Zusammengesetzte selbst-optimierende Systeme bieten bezuglich ihrer inneren Struktur ein wei-tes Spektrum von Moglichkeiten: Die Subsysteme selbst konnen sowohlselbstoptimierend als auch nicht-selbstoptimierend sein. Sie konnen mit-einander kooperieren, konkurrieren oder hierarchische Strukturen bilden.Die Selbstoptimierung, deren Aktionen verteilt auf verschiedene Subsys-teme ablaufen, kann zentral koordiniert werden, kann aber auch einfachdas Ergebnis der dezentral organisierten Interaktionen sein. Im letzterenFall sprechen wir von emergentem Verhalten (emergence), da sich dasEmergenz

selbstoptimierende Verhalten auf Systemebene allein aus dem lokalen


Systemebene

Subsystemebene

Subsubsystemebene

System



An

Anp

.

.

Legende

Abbildung 2.9: Zusammengesetztes selbstoptimierendes System

Zusammenspiel der Elemente ergibt. Eine nahere Betrachtung moglicherKoordinationsstrategien findet sich im Rahmen des Klassifikationssche-mas fur verschiedene Formen der Selbstoptimierung im Abschnitt 2.3.

Die selbstandige Festlegung der verfolgten Ziele ist ein essentielles Kenn-zeichen von Autonomie. Die konkrete Verfolgung dieser Ziele geschiehtproaktiv durch die vorgenommenen Anpassungen am Systemverhalten.Die bestandige Analyse der Ist-Situation sorgt fur angemessene Reak-tionen auf Anderungen der Umweltsituation, indem sie den Zielbestim-mungsprozess beeinflusst und eine Ruckkopplung zum Anpassungspro-zess herstellt. Damit erfullen selbstoptimierende Systeme per Definitiondie Forderung nach Autonomie (autonomy), Proaktivitat (proactivity) undReaktivitat (reactivity), wie sie durch den schwachen Agentenbegriff schwacher

Agentenbegriff(weak notion of agency) nach Jennings und Wooldridge [WJ95, Woo00]formuliert werden. Das letze Kriterium, die Fahigkeit zur sozialen Interak-tion, ist nur auf die Selbstoptimierung zusammengesetzter Systeme sinn-voll anwendbar, dort aber durch die Forderung nach einer koordiniertenAnpassung der Ziele fur die Gesamtheit des Systems ebenfalls per Defi-nition gegeben.


Selbstoptimierende Systeme konnen somit aus informationstechnischerSicht generell als Agenten interpretiert werden. Wir bezeichnen da-her selbstoptimierende elektronische, mechanische oder informations-technische Systeme sowie Hierarchien solcher Systeme synonym alsAgenten (agent), wann immer diese Metapher dem Verstandnis dien-Agent

lich ist oder eine Anlehnung an die Erkenntnisse der Agentenforschungnutzlich erscheint. In diesem Sinne kann ein aus mehreren selbstop-timierenden Systemen bestehendes zusammengesetztes System alsMultiagentensystem (multi-agent system) verstanden werden, in demMultiagentensystem

verschiedene Agenten in Kooperation oder Konkurrenz zueinander han-deln.

2.3 Merkmale 29

2.3 Merkmale

Selbstoptimierung wurde bewusst in Definition 1 als allgemeines Prinzipdefiniert, das in vielen verschiedenen konkreten Auspragungen angewen-det werden kann. Die Definition der Selbstoptimierung fordert das Vorhan-densein der drei Aktionen Analyse der Ist-Situation , Bestimmung derZiele und Anpassung des Verhaltens , lasst aber große Spielraume beider Ausgestaltung der einzelnen Aktionen.

Im Folgenden werden verschiedene Dimensionen der Selbstoptimierungherausgestellt, die einen ersten Schritt bei dem Versuch, die ganze Band-breite denkbarer Ansatze zur Selbstoptimierung zu erfassen, darstellensollen. Orientiert an verschiedenen, nicht notwendigerweise orthogona-len Achsen werden mogliche Merkmalsauspragungen angegeben, an-hand derer sich konkrete Anwendungen einordnen lassen. Der aufge-spannte Rahmen soll als ein nutzliches Werkzeug zur Einordnung zukunf-tiger Anwendungen dienen, erhebt dabei aber nicht den Anspruch, einerschopfendes Klassifikationsschema fur alle erdenklichen Spielarten derSelbstoptimierung darzustellen.

2.3.1 Formen der Optimierung

Der Prozess der Selbstoptimierung kann sehr unterschiedliche Formenannehmen. Wesentliche Faktoren sind dabei die Ziele des Systems unddie Optimierungsverfahren, die zu ihrer Erreichung angewendet werden.

Optimierungsziele

Die endogene Zielanderung in der Form von Generierung , Auswahl oderAnpassung wurde im Abschnitt 2.2 als Charakteristikum der Selbstopti-mierung herausgestellt. Daher kommt dem Zielsystem (system of objec- Zielsystem

tives) eines selbstoptimierenden Systems eine entscheidende Bedeutungzu.

Das Zielsystem kann als Zielvektor (objective vector), also als einfache Zielvektor

Menge von Zielen, realisiert sein. Haufig werden zwischen den Zielen je-doch Ordnungsbeziehungen bestehen, so dass von einer Zielhierarchie Zielhierarchie

(objective hierarchy) gesprochen werden kann. Zwei typische Ordnungs-kriterien sind hier zum einen die Priorisierung der Ziele, also eine Hierar-


chisierung der Ziele nach ihrer Wichtigkeit, und zum anderen die Dekom-position, also eine Untergliederung von Zielen in die enthaltenen Teilziele.Wechselseitige Abhangigkeiten zwischen Zielen, etwa ob bestimmte Zie-le oder Teilmengen von Zielen komplementar oder kontrar sind, sind inder Regel nicht mehr durch Hierarchien zu beschreiben, sondern erzeu-gen ein komplexes Netz von Beziehungen, das durch einen ZielgraphenZielgraph

(objective graph) beschrieben werden kann.

Das Zielsystem eines selbstoptimierenden Systems besteht aus seineninternen Zielen (internal objectives). Dies sind die von dem Systeminterne Ziele

selbst verfolgten Ziele, die seiner Kontrolle unterliegen und im Zuge ei-ner Zielanpassung verandert werden konnen. Ihnen gegenuber stehendie externen und die inharenten Ziele, die auf ein System einwirken, sei-ner Kontrolle aber entzogen sind. Als externe Ziele (external objectives)externe Ziele

werden die Ziele anderer Systeme, eines Benutzers oder der Umwelt be-zeichnet. Die inh arenten Ziele (inherent objectives) spiegeln dagegeninharente Ziele

den Entwurfszweck des Systems wider und werden ihm durch den Ent-wickler eingepflanzt. Sie finden sich zwar oft nur implizit in der Wirkstruk-tur des Systems und den zugrundeliegenden Modellen wieder, sind aberimmer dann fur die Selbstoptimierung von Bedeutung, wenn der System-zweck explizit im Optimierungsprozess berucksichtigt werden muss3 oderSicherheitsrestriktionen vorliegen.

Bezuglich der Herkunft der internen Ziele konnen zwei Falle unterschie-den werden. Externe und inharente Ziele konnen als angeeignete Zie-angeeignete Ziele

le (appropriated objectives) von außen in das System der internen Zie-le ubernommen werden. Welche der an es herangetragenen Ziele einSystem in sein internes Zielsystem aufnimmt und welche Prioritat es ih-nen beimisst, ist anwendungsspezifisch. Es ist denkbar, dass bestimm-te Ziele, etwa externe Ziele hierarchisch ubergeordneter Systeme odersicherheitskritische inharente Ziele, unverandert und mit hoher Prioritatubernommen werden mussen; genauso konnte ein System diesbezuglichauch vollig freie Hand haben. Ein wichtiges im Sonderforschungbereichverfolgtes Forschungsziel ist es, hier Richtlinien fur geeignete Losungenherauszuarbeiten. Den angeeigneten Zielen stehen die generierten Zie-generierte Ziele

le (generated objectives) gegenuber. Dies sind all jene internen Ziele, dieeben nicht von außen ubernommen, sondern vom System selbst durchAnpassung, Inferenz, Berechnung oder zufalliges Ausprobieren neu ge-neriert wurden.

3Etwa wenn einem uber seine Ziele rasonierenden System auch die Ausfuhrung seinereigentlichen Funktion (z.B. Fortbewegung) explizit als Ziel mitgegeben werden muss, umzu verhindern, dass die Verfolgung eines nachgeordneten Ziels (Energieoptimierung) denSystemzweck vereitelt (Stillstand ist energieoptimal).

2.3 Merkmale 31

Die Ziele eines Zielsystems lassen sich bezuglich ihres Inhalts noch zahl-reichen weiteren Klassifikationen unterwerfen. Hier seien lediglich dreiweitere, fur besonders praktisch relevant erachtete Achsen vorgeschla-gen: Quantitative Ziele (quantitative objectives) werden durch einen nu- quantitative Ziele

merischen Zielwert beschrieben, wahrend qualitative Ziele (qualitative qualitative Ziele

objectives) kategorisch oder durch ein logisches Pradikat formuliert wer-den. Harte Ziele (hard objectives) sind unabanderlich und konnen nur harte Ziele

zur Ganze oder gar nicht erfullt werden. Weiche Ziele (soft objectives) weiche Ziele

sind anpassbar, so dass auch bei ihrer Verletzung ein, wenn auch mitder Starke der Abweichung abnehmender, Nutzen entsteht. Schließlichkonnen Ziele obligatorisch (mandatory objectives), d.h. durch das Sys- obligatorische Ziele

tem unbedingt zu erfullen, oder fakultativ (facultative objectives), d.h. nur fakultative Ziele

moglichst, aber nicht zwangslaufig, einzuhalten, sein.

Denen im Rahmen einer modellbasierten Optimierung durchgefuhrtenmathematischen Optimierungsverfahren liegt ein enger gefasster als deroben formulierte Zielbegriff zugrunde. Der mathematische Zielbegriff be-zieht sich ausschließlich auf quantitative, anpassbare Ziele, die in Ziel-funktionen (z.B. Minimierung des Energiebedarfs) umgesetzt werdenkonnen. Alle anderen Ziele eines Systems gehen dabei in Nebenbedin-gungen (z.B.

”sei um 17 Uhr in Paderborn “) der mathematischen Opti-

mierung uber.

Optimierungsverfahren

Die eigentlichen Optimierungsschritte konnen modellbasiert, verhaltens-basiert oder in kombinierter Form durchgefuhrt werden.

Eine modellbasierte Optimierung (model-based optimization) erfolgt al- modellbasierteOptimierunggorithmisch auf Grundlage ausformulierter mathematischer Modelle. Es

existieren detaillierte System- und Umweltmodelle und symbolisch ma-thematische Formalisierungen physikalischer Effekte. Zur Beschreibungder physikalischen Sachverhalte erfolgt eine Verknupfung von Systemzu-stand und Umgebungssituation mit einem Modell. Die Optimierung erfolgtmittels dieses physikalisch realistischen Modells der Regelstrecke mit Hil-fe von Anregungs- und Bewertungsmodellen. Neu ermittelte Parameterwerden in den Regler uberblendet, nachdem sie verifiziert wurden.

Die verhaltensbasierte Optimierung (behavior-based optimization) verhaltensbasierteOptimierungpasst das Systemverhalten an, ohne dabei auf explizite Modelle zuruckzu-

greifen. Aufgrund vorheriger Erfahrungen versucht das System, aus einerAuswahl moglicher Verhaltensweisen die jeweils gunstigste auszuwahlen,


wobei etwa Techniken des fallbasierten Schließens zum Einsatz kommenkonnen. Sie arbeitet kognitiv, da Modelle uber das System und / oderdie Umwelt entweder gar nicht vorhanden oder aufgrund der vielfaltigenmoglichen Einflussgroßen nicht realistisch abbildbar sind. Daher werdenin einer Situationsanalyse Veranderungen des Systems und der Umweltwahrend des Betriebes wahrgenommen und analysiert. Aus der Wissens-basis des Systemelements wird ein Reiz-Reaktionsverhalten selektiert,das in ahnlichen Situationen bereits erfolgreich angewendet wurde. MitHilfe dieses Reiz-Reaktions-Verhaltens werden Stellgroßen berechnet,denen das Systemelement folgen soll. Neue Erfahrungen, die das Sys-temelement durch die Anwendung der Stellgroßen erlebt hat, erweiternseine Wissensbasis.

Kombinierte Optimierungsverfahren (composite methods) setzen bei-kombinierte Verfahren

de Herangehensweisen parallel ein, etwa zur verhaltensbasierten Aus-wahl eines Verhaltensmusters, dessen Parameter dann modellbasiert an-gepasst werden konnen.

Im Rahmen des Sonderforschungsbereich 614 kommt dabei einigen Ver-fahren eine besondere Rolle zu. Im Bereich der modellbasierten Optimie-rung existieren Ansatze zur Optimierung mehrerer Zielfunktionen und zurOptimierung nichtkooperativer Agentensysteme, fur die verhaltensbasier-te Optimierung sind die Verfahren des Case-Based Reasoning (CBR) vonherausragender Bedeutung.

Im Zusammenhang mit der Abwagung zwischen mehreren Zielen ist dieMehrzieloptimierung (MZO) ein wichtiges mathematisches Hilfsmittel.Mehrzieloptimierung

Dabei werden mehrere Zielfunktionen gleichzeitig betrachtet und opti-miert, die als mathematische Funktionen vorliegen mussen (d.h. fi(x) =yi, x ∈ Rn, yi ∈ R fur i = 1, . . . , k, wobei optimale x-Werte bestimmtwerden sollen). Da diese Zielfunktionen typischerweise konfliktar sind,besteht die Losung eines Mehrzieloptimierungsproblems aus der Mengeder optimalen Kompromisse, der sogenannten Paretomenge. Beispielefur solche Zielfunktionen sind bei der Optimierung der Arbeitspunktsteue-rung des Linearmotors zwei konfliktare Wirkungsgrade oder im Falle derOptimierung eines aktiven Federbeins

”Komfort“ und

”Sicherheit“. Wurde

die globale Paretomenge (z.B. wie in [DSH04] beschrieben) berechnet,so kann anhand weiterer problemabhangiger Kriterien geschickt selbst-optimierend auf der Paretomenge gewandert werden (Decision Making).Somit konnen die aktuellen Systemeinstellungen jeweils in optimaler Artund Weise der jeweiligen Situation angepasst werden. Hat das Systemeine hierarchische Struktur, konnen auf jeder Ebene mehrere Zielfunk-tionen, die gleichzeitig optimiert werden sollen, auftreten. Ziele hoherer

2.3 Merkmale 33

Ebenen konnen auch als Nebenbedingungen in unterliegende Ebeneneinfließen.

Besteht ein System aus mehreren eigenstandigen, selbstoptimierenden nichtkooperativesSystemAgenten, kann sich die Situation ergeben, dass der Nutzen eines Agenten

vom Verhalten aller, oder zumindest einiger anderer, Agenten abhangt. Indiesem Szenario haben die Agenten private Ziele, wahrend das Gesamt-system ein globales Ziel hat. Die Agenten sind eigennutzig, indem siedurch ihr Verhalten versuchen ihre privaten Zielfunktionen zu optimieren.Eine zentrale Kontrolle wurde dagegen versuchen die Zielfunktion desGesamtsystems zu optimieren und eine global optimale Losung zu fin-den. Nash Equilibrien sind stabile Zustande eines Systems eigennutzigerAgenten. Sie sind dadurch charakterisiert, dass in einem Nash Equilibri-um kein Agent seine Zielfunktion dadurch steigern kann, dass er unilate-ral von seinem Verhalten im Nash Equilibrium abweicht. Es ist bekannt,dass Nash Equilibrien nicht automatisch global optimale Losungen sind.In Systemen dieser Art stellt sich fur den Systemdesigner das Problem,die privaten Zielfunktionen so zu formulieren, dass von den eigennutzigenAgenten im Sinne der globalen Zielfunktion moglichst gute Nash Equili-brien angestrebt werden. Fur einen Systemadministrator, der die privatenZielfunktionen nicht beeinflussen kann, stellt sich das Problem, Regel-werke zu finden, die die Agenten dazu bewegen, diese Regeln einzuhal-ten und dadurch im Sinne der globalen Zielfunktion moglichst gute NashEquilibrien anzustreben.

2.3.2 Zeitkonzept

Die Schritte des Selbstoptimierungsprozesses konnen mit unterschied-lichen Perioden und Geschwindigkeiten durchlaufen werden. Selbstop-timierung kann als standiger, zeitnaher Vorgang oder nur phasenweisestattfinden. Dabei konnen die einzelnen Schritte in unterschiedlichem Ma-ße zeitkritisch oder keinen festen Reaktionszeiten unterworfen sein.

Zeitpunkt der Selbstoptimierung

Selbstoptimierung kann kontinuierlich (continuously) im regularen Be- kontinuierlich

trieb vorgenommen werden. Sie kann aber auch nur phasenweise zu be-stimmten Zeitpunkten stattfinden. Denkbar ist hier etwa, dass die Selbst-optimierung zeitgesteuert (time-triggered), also regelmaßig nach Ab- zeitgesteuert

lauf eines bestimmten Zeitintervalls, angestoßen wird. Weiterhin kann die


Selbstoptimierung zustandsgesteuert (state-dependent) nur dann statt-zustandsgesteuert

finden, wenn das System bestimmte Zustande annimmt, die ihrem pro-blemlosen und ungestorten Ablauf besonders forderlich sind oder abereine sofortige Reevaluation der Ziele akut notwendig erscheinen las-sen. Zuletzt kann die Selbstoptimierung auch ereignisgesteuert (event-ereignisgesteuert

triggered) ausgelost werden, ublicherweise ebenfalls, weil die betreffen-den Ereignisse eine Neuorientierung der bisherigen Strategie bedingenkonnen. Als Spezialfall der beiden vorhergehenden Varianten kann einelebenszyklusgesteuerte (life-cycle-dependent) Selbstoptimierung ange-lebenszyklusgesteuert

sehen werden, die etwa wahrend der Inbetriebnahme oder in Wartungs-zyklen, also nicht eingebettet in den laufenden Betrieb des Systems, statt-findet. Diese Form der Selbstoptimierung tritt haufig bei hierarchischenSystemen auf, in denen spezialisierte Wartungs- oder Optimierungsagen-ten flexibel verschiedene Optimierungsaufgaben ubernehmen konnen.

Zeitliche Anforderungen an die Selbstoptimierung

Bezuglich des Ablaufes der Selbstoptimierung kann hinsichtlich der ge-gebenen Echtzeitanforderungen (real-time) unterschieden werden. HarteEchtzeit (hard real-time) liegt vor, wenn die positive Wirkung der Selbst-harte Echtzeit

optimierung streng an die Einhaltung eines bestimmten Zeitfensters ge-koppelt ist. Fuhrt der Optimierungsprozess zu einem Verfehlen diesesZeitfensters, konnen negative oder moglicherweise fatale Konsequenzenentstehen. Bei weicher Echtzeit (soft real-time) tritt eine positive Wir-weiche Echtzeit

kung ein, wenn die geforderte Zeitigkeit im uberwiegenden Fall gegebenist. Verfehlen des Zeitfensters fuhrt nur zu einer begrenzten Verschlech-terung des Optimierungsergebnisses bzw. lediglich zum Ausbleiben posi-tiver Effekte. Tritt ein positiver Effekt unabhangig von einem bestimmtenZeithorizont ein, fuhrt jede tatsachlich vorgenommene, also in endlicherZeit abgeschlossene, Optimierung zu einer Verbesserung. Die Selbstop-timierung unterliegt somit so schwachen Zeitrestriktionen, dass von ei-nem nicht zeitkritischen (no real-time requirements) Prozess, der kei-nicht zeitkritisch

nen Echtzeitanforderungen unterliegt, gesprochen werden kann.

2.3.3 Sicherheitsaspekte

Sicherheitsaspekte spielen in selbstoptimierenden Systemen des Maschi-nenbaus eine herausragende Rolle und schlagen sich daher an vielenStellen im Entwurfsprozess nieder. An dieser Stelle sollen spezifische

2.3 Merkmale 35

technische und konzeptionelle Ansatze betrachtet werden, um Ausfalleund unerwunschtes Verhalten zum einen schon im Entstehen zu verhin-dern und zum anderen zeitnah zu erkennen, um entsprechende Maßnah-men ergreifen zu konnen. Generell ist anzustreben, dass mechatronischeSysteme fail-safe (fail-safe) sind, d.h. bei Ausfall eines sicherheitskriti- fail-safe

schen Elements in einen sicheren Zustand uberfuhrt werden, bzw. fail- fail-operational

operational (fail-operational) sind, d.h. auch bei Ausfallen eine notwendi-ge Mindestfunktionalitat bewahren, wenn, wie etwa bei einem in der Luftbefindlichen Flugzeug, kein trivial sicherer Zustand existiert.

Aufgrund der zentralen Rolle, die die Informationsverarbeitung in selbst-optimierenden Systemen einnimmt, ist die Qualitat der verwendeten Soft-ware von entscheidender Bedeutung fur die Sicherheit des Systems. DaSoftware selbst keinem Verschleiß unterworfen ist und moderne Hard-ware extrem zuverlassig arbeitet, hangt ihre Zuverlassigkeit entschei-dend von einer korrekten Konzeption und Implementierung der Softwa-re ab. Aufgrund der hohen Komplexitat der betrachteten Systeme, diedurch Parallelitat, Verteilung und Nichtdeterminismus gepragt sind, istKorrektheit ein nichttriviales Ziel, das nur durch einen angepassten Ent-wicklungsprozess erreicht werden kann. In Abhangigkeit von der Sicher-heitsrelevanz, der Risikoklasse und der Komplexitat des Systems konnenbeim Entwicklungsprozess unterschiedliche Formalisierungsniveaus ein-gesetzt werden, die von partiellen Modellen und informellen Tests bis zueiner vollstandigen, semantisch prazisen Modellierung der Anforderun-gen und des Systems mit anschließender formaler Verifikation reichen.Schon fruhzeitig konnen Gefahrenanalysen und probabilistische Model-le potentielle Probleme enthullen, denen durch den gezielten Einsatzbewahrter Prinzipien, Techniken und Entwurfsmuster begegnet werdenkann, die die Vorhersagbarkeit, Zuverlassigkeit und Fehlertoleranz desSystems erhohen.

Inharente Sicherheit

Den konzeptionell einfachsten Ansatz stellt dabei die inh arente Sicher- inharente Sicherheit

heit (inherent safety) dar. Beim Ausfall eines Elements gelangt das Sys-tem von selbst, ohne Anwendung weiterer Hilfsmittel in einen sicherenZustand. Fur ein selbstoptimierendes System bedeutet dies konkret, dasses bei einem Totalausfall des Selbstoptimierungsprozesses dennoch auf-grund nicht-selbstoptimierender Elemente, etwa klassischer Reglerkom-ponenten, stabil in einem sicheren Zustand verbleibt.


Kontrollierte Sicherheit

Im Kontext der Selbstoptimierung hat der Ansatz der kontrollierten Si-cherheit eine herausragende Bedeutung. Eine Uberwachung des Selbst-kontrollierte Sicherheit

optimierungsprozesses stellt sicher, dass das System nicht in einen un-erwunschten Zustand gerat oder dort verbleibt. So konnen etwa im Sin-ne eines Sanity Checks offensichtlich unsinnige oder schadliche Aktio-nen erkannt und verhindert werden. Ein unuberwachtes System (un-unuberwacht

supervised) ist nur in unkritischen Fallen vertretbar, jedoch auch unty-pisch. Selbstoptimierung impliziert ja gerade eine Uberprufung des ei-genen Zustandes und der eigenen Ziele, so dass ein gewisses Maß anSelbstreflexion quasi als Voraussetzung anzusehen ist. In welchem Aus-maß sich ein System dabei intern uberwacht (internal supervision), kannintern uberwacht

allerdings variieren. Zudem konnen bestimmte Messgroßen dem Systemselbst uberhaupt nicht zuganglich sein. Daher ist denkbar, dass es zusatz-lich extern uberwacht (external supervision) wird, was gleichzeitig zu ei-extern uberwacht

ner Entkoppelung sicherheitskritischer Aspekte beitragt.

Redundanz

Die Zuverlassigkeit eines Systems kann durch eine redundante Ausle-gung in vielen Fallen erhoht werden. Keine Redundanz (no redundancy)keine Redundanz

ist nur in nichtkritischen Bereichen oder wenn der Selbstoptimierungspro-zess extrem zuverlassig arbeitet empfehlenswert. Ist das verwendete Op-timierungsverfahren theoretisch zuverlassig, kann durch die Verwendungmehrerer es implementierender Systeme, also homogene Redundanzhomogene

Redundanz (homogenuous redundancy), die Ausfallwahrscheinlichkeit verringert wer-den. Haufig wird allerdings auf heterogene Redundanz (heterogenousheterogene

Redundanz redundancy) zuruckgegriffen werden, bei der entweder mehrere selbst-optimierende Module parallel ausgefuhrt werden oder aber einem selbst-optimierenden Regler ein als theoretisch zuverlassig bekannter klassi-scher Regler zur Seite gestellt wird, um stets auf eine sichere Alternativezuruckfallen zu konnen.

2.3.4 Verteilungskonzepte fur Multiagentensysteme

Eine besondere Klasse selbstoptimierender Systeme stellen solche zu-sammengesetzten Systeme dar, in denen mehrere klar getrennte Sub-systeme verteilt Selbstoptimierung betreiben. Wie oben begrundet wor-

2.3 Merkmale 37

den ist, werden diese hier in Anlehnung an die umfangreiche diesbezugli-che Literatur als Multiagentensysteme (MAS), in denen mehrere Agentengemeinsame oder divergente Optimierungsziele verfolgen, interpretiert.

Typisierung

Multiagentensysteme (multi-agent system) lassen sich anhand dreierweitgehend unabhangiger Dimensionen grob klassifizieren (siehe Abbil-dung 2.10). Auch wenn die vorgeschlagene Typisierung nur ausgewahlteAspekte eines MAS beleuchtet, so stellt sie dennoch bereits einige Ei-genschaften von grundlegender Bedeutung heraus, die eine erste Ein-ordnung und Identifikation verwandter Ansatze erlauben.

OptimierendeEntität

Mot

ivat

ion

Angepasste

Entität

Isoliert

Kollektiv

Altruistis

ch

Egoistisch

LokalGlobal

Abbildung 2.10: Drei Dimensionen zur Klassifikation

Die erste Dimension betrifft die optimierende Entit at (optimizing entity) optimierende Entitat

und unterscheidet zwischen isolierter (Typ I) und kollektiver (Typ K) Opti-mierung.

Bei isolierter Optimierung (isolated optimization) fuhren die Agenten isolierte Optimierung

Optimierungsverfahren lokal, ohne diesbezugliche Interaktion mit an-deren Agenten, aus. Zentraloptimierung durch einen hochentwickeltenAgenten, der auf Grundlage einer Analyse des Gesamtsystems einen op-


timalen Plan zu entwickeln versucht, ist ein typisches Beispiel fur isolierteOptimierung. Nichtkooperative Agenten, die quasi als Einzelkampfer ver-suchen, ohne Absprache mit anderen ihre eigenen Ziele zu optimieren,fallen ebenfalls in diese Klasse.

Kollekive Optimierung (collective optimization) findet dagegen in Koope-kollekive Optimierung

ration zwischen mehreren Agenten statt und bietet Raum fur eine Vielzahlweiterer Unterklassifizierungen. Relevant ist etwa, ob die Zusammenset-zung und Große des Kollektivs sowie die Art und Verteilung der Rollen dy-namisch oder statisch sind. Weiterhin bedingt Kooperation notwendiger-weise Kommunikation, sei es nun direkt oder nur indirekt durch Verande-rungen der Umgebung. Der gesamte Bereich der Algorithmen zur verteil-ten Problemlosung fallt unter den Begriff der kollektiven Optimierung.

Die zweite Dimension betrifft die angepasste Entit at (manipulated enti-angepasste Entitat

ty), also quasi die Stellgroße, die verandert wird, und beschreibt, welcheMoglichkeiten die Agenten uberhaupt zur Umsetzung ihrer Entscheidun-gen haben. Hierbei wird zwischen lokalen (Typ L) und globalen (Typ G)Anpassungen unterschieden.

Lokale Anpassungen (local adaptation) kann ein Agent direkt an sichlokale Anpassung

selbst oder seiner unmittelbaren Umwelt vornehmen. Anderungen amAgenten selbst wirken direkt, etwa als Umparametrisierungen oder Ziel-vektoranderungen wie bereits fur Einzelagenten beschrieben, Anderun-gen an der Umwelt manifestieren sich zwar auch direkt, etwa wenn derverantwortliche Agent eine Weiche umstellt, wirken sich oft aber nur indi-rekt und durch scheinbar chaotische, kumulative Effekte auf das Gesamt-system aus.

Globale Anpassungen (global adaptation) wirken sich auf das Verhaltenglobale Anpassung

auf Systemebene aus, entweder indirekt durch die Anderung von Um-weltparametern oder Anreizsystemen, oder direkter durch die Einfuhrungoder Anderung von Verhaltensregeln. Globale Anderungen konnen ent-weder unmittelbar wirken und daher genau vorhersagbare Auswirkungenhaben, oder auf emergentes Verhalten abzielen und nur einen Rahmenabstecken, in dem sich das konkrete Verhalten dynamisch entwickelt.

Die letzte Dimension betrifft die Motivation (motivation), aus der herausMotivation

die Agenten handeln. In Anlehnung an die in der Multiagentenforschunggebrauchliche Terminologie wird hierbei zwischen egoistischen (Typ E)und altruistischen (Typ A) Agenten unterschieden (vgl. z.B. [Fer01]).

Egoistische Agenten (egoistic agent) verfolgen ihre lokalen Ziele auchegoistischer Agent

in Konkurrenz zu anderen Agenten, wie sie etwa in Marktmodellen auftritt.

2.3 Merkmale 39

Im Gegensatz dazu sind altruistische Agenten (altruistic agent) bereit, altruistischer Agent

die eigenen Ziele zugunsten des Wohls des Gesamtsystems gegebe-nenfalls zuruckzustellen.4 Diese Unterscheidung ist beim Entwurf einesMultiagentensystems von weitreichender Bedeutung, da sich viele Kon-sequenzen daraus ableiten, etwa ob davon ausgegangen werden kann,dass Agenten kooperieren, die Wahrheit sagen oder sich an gegebe-ne Regeln halten. Beide Typen erfordern im Fall von Zielkonflikten ent-sprechende Losungsstrategien, die Fairness zu garantieren helfen. Sys-teme egoistischer Agenten sind jedoch in ihrem Entwurf komplexer, dasie mogliches Fehlverhalten berucksichtigen mussen. Zudem konnen siein der Regel nur suboptimale Equilibrien erreichen, wahrend altruistischeAgenten im Prinzip das theoretische Optimum erreichen konnen. Aller-dings ist die Annahme egoistischen Verhalten, besonders in offenen Sys-temen, in der Regel realistischer.5

Exemplarische Beispiele fur entsprechende Typisierungen sind Schwarm-verhalten [KE01], wo durch einfache Interaktion lokales Verhalten ange-passt und dadurch ein gemeinsames Navigationsziel erreicht wird (TypKLA, Abbildung 2.11), oder ein zentraler Optimierer, der versucht, Regelnfestzulegen, die eine Population egoistischer Agenten in ein moglichstgunstiges Nash-Gleichgewicht fuhren (Typ IGE, Abbildung 2.12).

4Altruismus oder Selbstlosigkeit ist hier fallbezogen zu verstehen, also in dem Sinn, dassein Agent, der durchaus auch eigene Ziele verfolgt, zu selbstlosen Handlungen bereit ist,in denen er diese zuruckstellt. Der Begriff impliziert nicht, dass ein Agent grundsatzlichselbstlos bis zur Selbstaufgabe sein muss.

5In diesem Zusammenhang sei angemerkt, dass die Mathematik keine entsprechende

”moralische“ Unterscheidung kennt, da aus spieltheoretischer Sicht Agenten prinzipiell ei-

gennutzig sind und eine Maximierung ihrer Zielfunktion anstreben. Altruistisches Verhaltenergibt sich in diesem Kontext dadurch, dass die Zielfunktion des Agenten solchermaßengestaltet ist, dass eben dieses Verhalten fur den Agenten selbst optimal erscheint (etwaweil der Gesamtnutzen in die Zielfunktion direkt einfließt). Dennoch sind auch in der Spiel-theorie auf der Ebene der Zielfunktionen Unterscheidungen relevant, die den oben aus derDifferenzierung zwischen egoistischen und altruistischen Agenten heraus motivierten ver-gleichbar sind: etwa zwischen selfish routing und globally optimal routing , zwischenden Systemnutzen einbeziehenden und nur den Agenten selbst beachtenden Zielfunktio-nen oder abhangig von der Bewertung des Nutzens von Aufrichtigkeit. Nur wenn keinerleiAbhangigkeiten zwischen den Zielen der einzelnen Agenten bestehen, wird die Unterschei-dung zwischen Egoismus und Altruismus irrelevant – dann liegt allerdings auch kein spiel-theoretisches Problem mehr vor.

In der Spieltheorie spielt haufig die Differenzierung zwischen kooperativen und nichtko-operativen Agenten eine wichtige Rolle. Da diese sich wiederum auf die verwendete Ziel-funktion zuruckfuhren lasst und auch ein rein egoistischer Agent zur Kooperation bereit seinkann, wenn es ihm selbst nutzlich ist, ist diese Unterscheidung von der oben betrachtetenFrage nach einer egoistischen oder altruistischen Motivation weitgehend entkoppelt und worelevant als eigene Dimension zu betrachten.



Mot

ivat

ion

Angepasste

Entität

Isoliert

Kollektiv

Altruistis

ch

Egoistisch

LokalGlobal

K

L

A

Abbildung 2.11: Einordnung von Schwarmintelligenz


Mot

ivat

ion

Angepasste

Entität

Isoliert

I

G

E

Kollektiv

Altruistis

ch

Egoistisch

LokalGlobal

Abbildung 2.12: Einordnung eines spieltheoretischen Ansatzes

2.3 Merkmale 41

Struktur

Die Struktur eines MAS kann in unterschiedlichem Maße dynamisch sein.Es ist auf den drei Ebenen der Agenteninstanzen, der Agententypen undder ubernommenen Rollen zwischen statischen, geschlossenen und offe-nen Systemen zu unterscheiden. Ein auf Instanzebene statisches Sys- statisches System

tem (static system) besteht aus einer eindeutigen Menge von konkretenAgenten, die sich zur Laufzeit nicht andert. In einem geschlossenenSystem (closed system) liegt die maximale Menge der teilnehmenden geschlossenes

SystemAgenten zwar eindeutig fest, die konkrete Zusammensetzung kann sichaber dynamisch andern, es findet also Rekonfiguration statt. Ein offenes offenes System

System (open system) erlaubt es neuen Instanzen (instance), dem Sys- Instanz

tem beizutreten, sodass kompositionale Anpassung moglich ist. Mogli-cherweise werden in den letzteren Fallen Anforderungen formuliert, dassbestimmte Instanzen zwingend vorhanden sein mussen.

Fur auf Instanzebene offene und eingeschrankt auch fur geschlosseneSysteme stellt sich die Frage nach der Typebene, also den Klassen, zu de-nen die Agenteninstanzen gehoren durfen. Auch hier kann unterschiedenwerden zwischen Systemen, in denen nur ganz bestimmte, nur in einerObermenge enthaltene oder beliebige Typen (type) vorkommen durfen. Typ

Unabhangig von den vorhergehenden Aspekten konnen in einem SystemRollen (role) existieren, die einem Agenten jeweils eine bestimmte Men- Rolle

ge von Verhaltensmustern vorschreiben. Die Agenten in einem Systemkonnen entweder feste Rollen spielen, bestimmte Rollen aus einer Lis-te unterstutzter Rollen ubernehmen oder frei aus den verfugbaren Rollenauswahlen, wobei wiederum bestimmte Rahmenbedingungen, etwa dasVorhandensein oder die Eindeutigkeit bestimmter Rollen, definiert werdenkonnen.


2.3.5 Zusammenfassung

Abschließend soll nochmals ein Uberblick uber die verschiedenen Merk-malsdimensionen gegeben werden.

Erstes Trennungskriterium ist die Unterscheidung zwischen individuellerund zusammengesetzter Selbstoptimierung.

Bezuglich der Form der Optimierung wird hinsichtlich der von derForm der Optimierung

Selbstoptimierung betroffenen Ziele und den zu ihrer Bestimmung undErreichung verwendeten modellbasierten, verhaltensbasierten und hybri-den Optimierungsmethoden unterschieden.

Hinsichtlich Zeitpunkt und Ablauf wird unterschieden, wann die Selbst-Zeitpunkt und Ablauf

optimierung durchgefuhrt wird und welchen Echtzeitanforderungen sieunterworfen ist.

Die Sicherheitsaspekte betreffen zum einen die Sicherheitsanforderun-Sicherheitsaspekte

gen an ein System, und zum anderen Maßnahmen wie Redundanz undUberwachung des Systemverhaltens zu ihrer Erfullung.

Die Typisierung und Struktur von Multiagentensystemen beschreibt dieTypisierung undStruktur verschiedenen Formen des Zusammenspiels mehrerer Agenten und die

Dynamik der Systemstruktur.

Kapitel 3

Entwicklung selbstoptimierender Systeme

Im vorhergehenden Kapitel wurde Selbstoptimierung als abstraktes Prin-zip definiert; charakteristische Merkmale selbstoptimierender Systemewurden beschrieben und klassifiziert. Dabei wurde bereits deutlich, dassSelbstoptimierung in der Regel zu erheblich komplexeren Systemen fuhrtund daher besondere Anforderungen an die Entwurfsmethodik stellt.Wie also konnen sichere und zuverlassige selbstoptimierende Systemeschnell und kosteneffizient entwickelt werden?

Im Folgenden werden Ansatze zur Losung dieses Problems vorgeschla-gen. Dabei wird zum einen das Problem der Strukturierung der Informa-tionsverarbeitung selbstoptimierender Systeme naher betrachtet, da einegeeignete Architektur entscheidend fur die Sicherheit und Beherrschbar-keit des Systems ist. Zum anderen wird der Einsatz von Mustern als Mittelzur Wiederverwendung erfolgreicher Losungen diskutiert. Dabei werdeninsbesondere Wirkmuster der Selbstoptimierung als Hilfsmittel zur Konzi-pierung und Koordinationsmuster als Formalismus zu ihrer softwaretech-nischen Umsetzung vorgestellt.

3.1 Architektur

Komplexe mechatronische Systeme, und damit in besonderem Maßeselbstoptimierende Systeme, werden erst durch eine konsequente Struk-turierung der regelnden Informationsverarbeitung beherrschbar. Insoweitstellt die Existenz einer geeigneten Architektur eine wesentliche Voraus-setzung fur die Realisierbarkeit selbstoptimierender Systeme dar.

Bereits in der aktuellen Generation mechatronischer Systemen brachtedie erweiterte Funktionalitat softwarebasierter Reglersysteme auch eine

44 3 Entwicklung selbstoptimierender Systeme

deutliche Erhohung des Anteils der durch Software verursachten Fehlermit sich. Mit weiter zunehmender Komplexitat der Informationsverarbei-tung ist mit einer deutlichen Zunahme dieser Probleme zu rechnen, wenndem nicht durch eine klare Systemstrukturierung mit geeigneter Software-unterstutzung, Codegenerierung und automatischen Verifikationsverfah-ren entgegengewirkt wird.

Dies gilt umso mehr fur selbstoptimierende Systeme, in denen verander-liche Umwelteinflusse und Veranderungen im eigenen Verhalten bei derRegelung berucksichtigt werden, wobei insbesondere die Rekonfigurationvon Regelungskomponenten von zentraler Bedeutung ist. Der sicherheits-kritische Charakter mechatronischer Systeme [Sto96] fuhrt dazu, dassdie Probleme einer Integration kognitiver Fahigkeiten (etwa durch die Ver-wendung von Techniken der kunstlichen Intelligenz) und der Vernetzungrekonfigurierbarer Subsysteme noch verscharft werden. Ein systemati-sches Strukturierungskonzept mit geeigneten Entwurfstechniken ist hierzwingend erforderlich.

Im Folgenden wird ein solches Strukturierungskonzept fur die Informa-tionsverarbeitung intelligenter mechatronischer Systeme vorgestellt, dasin [HOG04, OHG04] detailliert beschrieben wird. Zentral ist dabei derAnsatz zur Handhabung von Strukturveranderungen, die eine Grund-voraussetzung dynamisch veranderbarer Systeme im Allgemeinen undder Selbstoptimierung im Speziellen sind. Die konkrete Umsetzung die-ses Konzeptes ist das Operator-Controller-Modul (Operator-Controller-Operator-Controller-

Modul (OCM) Module) (OCM), das als Grundlage fur eine strukturierte Realisierungselbstoptimierender Systeme dienen kann.

3.1.1 Operator-Controller-Modul (OCM)

Die Informationsverarbeitung eines mechatronischen Systems muss eineVielzahl von Funktionen erfullen: quasi-kontinuierlich arbeitender Rege-lungscode regelt die Bewegungen der Strecke, Fehleranalyse-Softwareuberwacht die Strecke auf auftretende Fehlfunktionen, Adaptionsalgorith-men passen die Regelung an veranderte Umgebungszustande an, unter-schiedliche Systeme werden vernetzt – um nur einige der Funktionen zunennen.

Diese unterschiedlichen Aufgaben greifen mehr oder weniger direkt aufdie Aktoren der Strecke zu. Abbildung 3.1 schlagt eine neue, aus prak-tischer Erfahrung mit Anwendungen erwachsene Struktur fur die Infor-mationsverarbeitung eines mechatronischen Funktionsmoduls vor, wel-

3.1 Architektur 45

che die in [NR98] und [Nau00] vorgestellten Ansatze aufgreift und mitVorstellungen aus [HBN01] und [OHKK02] verbindet.

Grundsatzlich orientiert sich die OCM-Einteilung an der Art des Durch-griffs auf das technische System:

• Auf der untersten Ebene des OCM liegt der Controller (control- Controller

ler). Dieser innerste Regelkreis verarbeitet in direkter Wirkkettedie Messsignale, ermittelt Stellsignale und gibt diese aus. Er wirddaher als motorischer Kreis bezeichnet werden. Die Software-Verarbeitung auf dieser Ebene arbeitet quasi-kontinuierlich, d. h.Messwerte werden kontinuierlich eingelesen, verarbeitet und unterharten Echtzeitbedingungen wieder ausgegeben. Dabei kann sichder Controller aus mehreren Reglern zusammensetzen, zwischendenen umgeschaltet werden kann. Diese Umschaltung erfolgt dabeiin einem Schritt; Uberblendungsmechanismen u. a. sind wiederumin einem eigenen Reglerelement zusammengefasst.

• Der reflektorische Operator (reflective operator) uberwacht und reflektorischerOperatorsteuert den Controller. Er greift dabei nicht direkt auf die Akto-

rik des Systems zu, sondern modifiziert den Controller, indem erParameter- oder Strukturanderungen initiiert. Bei Strukturanderun-gen – wie beispielsweise Rekonfigurationen – werden nicht nurdie Regler ausgetauscht, sondern es werden auch entsprechendeKontroll- bzw. Signalflusse im Controller umgeschaltet. Kombinatio-nen aus Reglern, Schaltelementen und zugehorigen Kontroll- bzw.Signalflussen werden als Controllerkonfigurationen bezeichnet. InAbbildung 3.1 sind Controllerkonfigurationen im Controller durch dieBlocke A, B und C angedeutet. Die Konfigurationssteuerung – reali-siert durch eine Zustandsmaschine – definiert, bei welchem Sys-temzustand welche Konfigurationen gultig ist sowie wie und un-ter welchen Bedingungen zwischen den Konfiguration umgeschaltetwird. In welcher Reihenfolge und unter welchen Zeitrestriktionen derRekonfigurationsprozess durchgefuhrt wird, wird durch eine Ablauf-steuerung bestimmt und kontrolliert. Eine weitere wichtige Funktiondes reflektorischen Operators ist die kontinuierliche Zustandsuber-wachung des Controllers, z.B. durch Watch-Dogs. Watch-Dogs er-warten zu bestimmten Zeitpunkten einen Wert von dem zu uber-wachenden System. Bleibt dieser Wert aus, veranlassen sie eineentsprechende Notfall-Routine. Diese Notfall-Routine schaltet bei-spielsweise die Selbstoptimierung aus und veranlasst das System,nach klassischen Verfahren zu arbeiten. Die Implementierung desreflektorischen Operators arbeitet uberwiegend ereignisorientiert.


Han

dlu

ng

seb

en

eP

lan

un

gseb

en

e

Überwachung

Ablauf-steuerung

C

B

A

Reflektorischer Operator

Controller

Operator-Controller-Modul (OCM)

...Konfigurations-

steuerung

Notfall

We

ich

eE

ch

tzeit

Hart

eE

ch

tzeit

Strecke

Modellbasierte Selbstoptimierung

Verhaltensbasierte Selbstoptimierung

Kognitive InformationsverarbeitungKognitiver Operator

Kognitiver Kreis

Reflektorischer Kreis

Motorischer Kreis

ReflektorischeInformationsverarbeitung

Motorische Informationsverarbeitung

Konfigurationen

A C

B

Abbildung 3.1: Struktur des Operator-Controller-Moduls

3.1 Architektur 47

Die enge Verknupfung mit dem Controller erfordert eine Abarbei-tung in harter Echtzeit. Als Verbindungselement zur kognitiven Ebe-ne des OCM bietet der reflektorische Operator ein Interface zwi-schen den nicht echtzeitfahigen bzw. mit weicher Echtzeit arbeiten-den Elementen und dem Controller. Er filtert die ankommenden Si-gnale und bringt sie in die unterlagerten Ebenen ein. Der reflek-torische Operator ist weiterhin fur die Echtzeitkommunikation zwi-schen mehreren OCMs verantwortlich, die gemeinsam ein zusam-mengesetztes selbstoptimierendes System bilden, wie es etwa in[GTB+03] beschrieben wird.

• Die oberste Ebene des OCM bildet der kognitive Operator (co- kognitiver Operator

gnitive operator). Abbildung 3.2 stellt diese detaillierter dar. Aufdieser Ebene kann das System durch Anwendung vielfaltiger Me-thoden (etwa Lernverfahren, modellbasierte Optimierungsverfah-ren oder den Einsatz wissensbasierter Systeme) Wissen uber sichund die Umgebung zur Verbesserung des eigenen Verhaltens nut-zen. Der Schwerpunkt liegt hier auf den kognitiven Fahigkeiten zurDurchfuhrung einer individuellen Selbstoptimierung. ModellbasierteVerfahren erlauben eine vorausschauende und vom realen Systemzeitlich entkoppelte Optimierung, wahrend verhaltensbasierte Op-timierung Funktionen zur Planung und zur Bewertung der aktuel-len Zielvorgaben liefert (siehe [OHKK02] und [HO03]). Wahrend so-wohl Controller als auch reflektorischer Operator harten Echtzeitan-forderungen unterliegen, kann der kognitive Operator auch asyn-chron zur Realzeit arbeiten. Dabei ist aber selbstverstandlich aucheine Antwort innerhalb eines gewissen Zeitfensters erforderlich, dadie Selbstoptimierung aufgrund veranderter Umgebungsbedingun-gen sonst zu keinen verwertbaren Ergebnissen kame. Der kognitiveOperator unterliegt folglich weicher Echtzeit.

Zusammenfassend lassen sich zwei deutliche Trennungsebenen erken-nen: Einerseits zerfallt die Informationsverarbeitung in einen direkt auf dasSystem wirkenden und in einen nur indirekt darauf wirkenden Kreis. Die-se Einteilung entspricht der Einteilung in Operator und Controller. Ande-rerseits lasst sich nach harter und weicher Echtzeitanforderung trennen.Diese Einteilung fuhrt zu einer Trennung zwischen kognitivem Operatoreinerseits und reflektorischem Operator und Controller andererseits. Dadie Wahl der Trennungsebene von der Aufgabenstellung abhangt, wurdenhier drei einzelne Elemente vorgesehen.

In der Informatik gibt es eine Reihe unterschiedlicher Einteilungen, dieAhnlichkeiten mit der hier vorgestellten Systematik haben. So spricht


Han

dlu

ng

seb

en

eP

lan

un

gseb

en

e

Reflektorischer Operator

Controller

Operator-Controller-Modul (OCM)W

eic

he

Ech

tzeit

Hart

eE

ch

tzeit

Strecke

Verhaltensbasierte Selbstoptimierung

Kognitive Informationsverarbeitung

Umgebungs-einflüsse

ZielvorgabePlanverfolgung

Entscheidungsfindung

Planung/Bewertung

Situationsanalyse Kommunikation

Kognitiver Operator

mathematisch/physikalisches Modell

Anre-gung

SystemBewer-

tung

Con-troller

Opti-mierer

Kognitiver Kreis

Reflektorischer Kreis

Motorischer Kreis

Reflektorische Informa-tionsverarbeitung

Motorische Informationsverarbeitung

Modellbasierte Selbstoptimierung

Abbildung 3.2: Der kognitive Operator des Operator-Controller-Moduls

3.1 Architektur 49

Schmidt in [MS04] von einer Einteilung fur Verhaltenssteuerungen, die derhier vorgestellten Einteilung in motorische, reflektorische und kognitive In-formationsverarbeitung sehr nahe kommt, jedoch fur Anwendungen desMaschinenbaus weniger geeignet erscheint. Dabei wird zwischen reakti-ver, deliberativer und reflexiver Ebene unterschieden. Die reaktive Ebeneentspricht naherungsweise einer Kombination aus den hier vorgestelltenEbenen Controller und reflektorischer Operator; deliberative und reflexiveEbene finden sich in der kognitiven Ebene wieder.

Das Operator-Controller-Modul (OCM) weist weiterhin Parallelen zu be-kannten MAS-Schichtenarchitekturen auf. Seine Architektur kann als ei-ne vertikale Schichtung mit entkoppelter 2 Phasen-Architektur fur den In-formationsfluss der Wahrnehmung aufgefasst werden. Die SubsumptionArchitekture von Brooks [Bro91] fuhrte zuerst eine hierarchische Strukturaus reprasentationslosen, rein reaktiven Schichten ein, die aufbauend aufder untersten Schicht, die lediglich reflexartiges Verhalten hervorbringt,durch Uberlagerung, Verstarkung und Inhibition hohere, komplexere Ver-haltensweisen zu erzeugen in der Lage ist.

Die TouringMachine Architektur [Fer92] arbeitet nicht reprasentationslos,nimmt aber den Gedanken einer reaktiven Schicht auf, die durch abstrak-tere, kognitive Schichten erganzt wird. Das OCM lasst sich zu dieserArchitektur wie folgt in Beziehung stellen: Der Controller entspricht derreaktiven Schicht, der reflektorische Operator der Planungsschicht, wo-bei er zusatzlich die Aufgabe ubernimmt, das Verhalten der Schichtengeeignet zu kontrollieren, und der kognitive Operator reflektiert wie dieModellierungsschicht der TouringMachines mittels model-basierter oderverhaltens-basierter Verfahren uber die aktuelle Situation.

Da die Schichten des OCMs gewissen strukturellen Einschrankungengenugen mussen, ermoglicht die OCM Architektur im Gegensatz zu ubli-chen Agentenarchitekturen die benotigten Vorhersagen uber kritischeVerhaltensaspekte (Stabilitat, Zeitinkonsistenzen, Verklemmungen) desSystems, damit ein sicherer Betrieb des Systems gewahrleistet werdenkann (siehe Kapitel 3.1.3).

Im Rahmen der OCM-Architektur konnen die drei Aktionen der Selbstop-timierung – Ist-Analyse, Zielbestimmung und Verhaltensanpassung – aufvielfaltige Art und Weise durchgefuhrt werden. Wenn die selbstoptimie-rende Anpassung Echtzeitanforderungen genugen muss, werden in ei-nem individuell selbstoptimierenden System alle drei Aktionen im reflekto-rischen Operator durchgefuhrt. Systeme, die die Selbstoptimierung nichtin Echtzeit durchfuhren mussen, konnen hier aufwandigere Verfahren ein-setzen, die im kognitiven Operator angesiedelt werden. Die Verhaltensan-


passung erfolgt in diesem Fall indirekt unter Vermittlung durch den reflek-torischen Operator, der die Anweisungen zur Verhaltensanpassung aufgeeignete Weise mit dem Echtzeitablauf des Controllers synchronisierenmuss. Daneben konnen innerhalb eines einzelnen OCM auch Mischfor-men auftreten, bei denen die beiden beschriebenen Formen der Selbst-optimierung parallel und zueinander asynchron ablaufen. Bei zusammen-gesetzten selbstoptimierenden Systemen, die mehrere OCMs umfassen,kann die notwendige Kommunikation wiederum uber den reflektorischenoder den kognitiven Operator stattfinden. Echtzeitschranken konnen al-lerdings nur garantiert werden, wenn die Koordination uber die reflektori-schen Operatoren realisiert wird.

3.1.2 Komposition

Systeme sind neben der Hierarchie auch durch den sich fur jede Konfigu-ration ergebenden Wirkfluss gekennzeichnet. Der Wirkfluss der Elementedes Integrationsmodells kann uber Ereigniskanale, diskrete Signalkanaleoder quasi-kontinuierliche Signalkanale erfolgen und ist im Interesse ei-ner moglichst allgemeinen Darstellung hier nicht im Modell mit aufgefuhrt.Dieser Wirkfluss fuhrt im Weiteren zu gerichteten und bidirektionalen Ver-bindungen zwischen den Ein- und Ausgangen der Subsysteme.

Ein OCM reprasentiert beim Entwurf selbstoptimierender mechatroni-scher Systeme jeweils einem System, also einer zusammenhangendenMenge von eindeutig zugeordneten Elementen. Ein hierarchisches Ge-samtsystem entspricht dementsprechend einem Baum von OCM. Die Ein-ordnung in die verschiedenen Bestandteile des OCM ist nur dann einewohlstrukturierte Architektur, wenn die folgenden Regeln gelten:

• Alle Elemente, die direkt uber Signale im Wirkfluss auf einen Ak-tor des OCM oder untergeordneter OCM Einfluss haben, – und nurdiese – mussen dem Controller des OCM zugeordnet sein.

• Fur die Trennung in reflektorischen Operator und kognitiven Opera-tor muss des Weiteren gelten, dass der kognitive Operator nur er-eignisgesteuert auf den reflektorischen Operator und gar nicht aufden Controller einwirken kann und der reflektorische Operator im-mer auch ohne agierenden kognitiven Operator insoweit autonomhandlungsfahig bleiben muss, dass sein Verhalten ausreichend furden sicheren Betrieb des OCM ist.

3.1 Architektur 51

• Fur die Verbindungen zwischen den Bestandteilen der verschiede-nen OCM muss daruber hinaus gelten, dass Controller nur mit Con-trollern des ubergeordneten und der untergeordneten OCM verbun-den sind und reaktive Operatoren nur mit den reaktiven Operatorendes ubergeordneten und der untergeordneten reaktiven Operato-ren. Fur die kognitiven Operatoren ist eine ahnliche Struktur sinn-voll, aber nicht zwingend erforderlich.

Die oben beschriebene Einschrankung auf wohlstrukturierte Architektu-ren garantiert, dass die Entkopplung zwischen Controller und reflektori-schem Operator sowie zwischen reflektorischem und kognitivem Operatorder in Abschnitt 3.1.1 ausgefuhrten Architektur entsprechen und es somitzu keinem unuberwachten, direkten Zugriff der kognitiven Funktionen aufden Controller kommen kann.

3.1.3 Verhaltensanpassung

Im Rahmen dieser Architektur kann nun sicher das Verhalten des Sys-tems angepasst werden, wobei neben den hier besonders herausgeho-benen Strukturanpassungen auch eine einfach Anpassung von System-parametern moglich ist.

Parameteranpassung

Zunachst ist innerhalb des Controllers weiterhin eine Parameteranpas-sung in harter Echtzeit im Sinne einer klassischen adaptiven Regelungdenkbar. Interessanter ist in Zusammenhang mit der OCM-Architektur je-doch die Moglichkeit, aus dem reflektorischen Operator heraus die Pa-rameter des Controllers anzupassen. Da diese Anpassungen ebenfallsin harter Echtzeit ablaufen, ist trotz der Verwendung potentiell komplexerAnpassungsregeln auch hier eine rechtzeitige und sichere Reaktion aufsich andernde Einflusse garantiert. Weiterhin kann der kognitive Operatordie Parameter des reflektorischen Operators beeinflussen und das ver-wendete Regelsystem anpassen, wahrend ihm der direkte Durchgriff aufden Controller aber prinzipiell verwehrt ist. Konzepte zur Beschreibungentsprechender Parameteranpassungen sind in [GBK+03] beschrieben.


Rekonfiguration

Der sicherheitskritische Charakter mechatronischer Systeme [Sto96] be-dingt, dass nur solche rekonfigurierbaren Systeme adaquat sind, die ei-ner wohlstrukturierten Architektur genugen und ein vorhersagbar sicheresVerhalten zeigen. Uber die Wohlstrukturiertheit hinaus sind die folgendenEigenschaften zu betrachten:

1. Eine Konfiguration ist strukturell korrekt, wenn keine unverbundenenEingange oder Ausgange existieren. Ist dies nicht der Fall, konnendie kontinuierliche Auswertung oder fehlende Ereignisse zu undefi-niertem Verhalten fuhren. Sind alle Konfigurationen, die sich durchKombination aus den einzelnen, durch die Zustande der Elementebeschriebenen Teilkonfigurationen ergeben, strukturell korrekt, sosprechen wir von allgemein korrekter Rekonfiguration (generical-allgemein korrekte

Rekonfiguration ly correct reconfiguration). Sind dagegen nur die durch die Interak-tion des Systems konkret erreichbaren Konfigurationen strukturellkorrekt, so sprechen wir nur von spezifisch korrekter Rekonfigu-spezifisch korrekte

Rekonfiguration ration (specifically correct reconfiguration).

2. Die durch den Wirkfluss beschriebene, kontinuierliche Regelungdurch die Controller muss fur alle erreichbaren Konfigurationen undjeden moglichen Ubergang zwischen ihnen die notwendige rege-lungstechnische Stabilitat aufweisen.

3. Das uber Ereignisse und diskrete Signale gekoppelte Echtzeitver-halten der reflektiven Operatoren, welches das Notfallverhalten (failsafe und/oder fail operational) einschließt, muss korrekt arbeiten,d.h. es muss notwendige Sicherheitseigenschaften erfullen undnachweislich frei von Verklemmungen sein.

Wahrend das Problem (1) im Wesentlichen durch eine entsprechen-de Komponentenarchitektur mit diskreten und kontinuierlichen Anteilengelost werden kann [BGO04], stellen die Probleme (2) und (3) eineim Allgemeinen kaum losbare Herausforderung dar. Durch Ausnutzungder spezifischen Einschrankungen mechatronischer Systeme konnte furProblem (3) bereits eine erste Losung mittels kompositionalen Model-checkings [GTB+03] entwickelt werden. Ein Losungsansatz, der das aus(1) und (3) kombinierte Gesamtproblem behandelt, wird in [GBSO04] be-schrieben. Fur Problem (2) werden zur Zeit im Wesentlichen Uberblend-techniken [Voc03] sowie Ansatze zum Model-checking hybrider Systemeuntersucht.

3.1 Architektur 53

Kompositionale Anpassung

Neben den im letzen Abschnitt behandelten Strukturveranderungen durchRekonfiguration ist auch eine kompositionale Anpassung denkbar, bei kompositionale

Anpassungder uber das Ein- und Ausblenden vorhandener Elemente einer Hierar-chie hinaus auch der Zusammenschluss vorher nicht in einer festen Hier-archie angeordneter Elemente moglich ist.

Fur die hier betrachteten technischen Systeme ist ein derart flexibles Vor-gehen nur dann akzeptabel, wenn dabei nicht die vorhersagbare Sicher-heit des Systems leidet. Im Sonderforschungsbereich 614 werden des-wegen die folgenden zwei Varianten fur die Modellierung solcher dynami-schen Strukturveranderungen betrachtet:

1. Dynamische Strukturveranderungen fur nicht hierarchische Syste-me, die nur uber Nachrichten auf der Ebene diskreten Echtzeitver-haltens gekoppelt werden.

2. Dynamische Strukturveranderungen fur spontan etablierte quasi-kontinuierliche hierarchische Systeme, die zur Laufzeit aus hierar-chischen Teilsystemen kombiniert werden.

Fur den ersten Fall wurde im Rahmen des Sonderforschungsbereich 614bereits ein UML-basierter Entwurfsansatz entwickelt, der mittels Kom-ponenten und Koordinationsmustern die kompositionale Verifikation derEchtzeitkoordination fur beliebige Strukturen erlaubt [GTB+03], wenn die-se syntaktisch korrekt aus Komponenten und Koordinationsmustern zu-sammengesetzt sind.

Als Losung fur den zweiten Fall sollen quasi-kontinuierliche hierarchischeSysteme mittels diskreter Echtzeitkoordination spontan, aber sicher eta-bliert werden. Dazu muss die Rekonfiguration mehrerer OCM so koordi-niert werden, dass ihre kontinuierlichen Schnittstellen synchronisiert undauf zueinander kompatible Varianten umschalten, um undefinierte Ein-gabewerte zu vermeiden. Auf Grundlage der Verfahren fur rein diskreteSysteme kann dann korrektes Echtzeitverhalten verifiziert werden.


3.2 Entwurf mit L osungsmustern

Fur die effiziente Entwicklung selbstoptimierender Systeme spielt die Be-herrschung des komplexen Zusammenspiels zwischen den drei Aktionender Selbstoptimierung eine zentrale Rolle. Hier ist schon in den fruhenPhasen des Entwicklungsprozesses eine systematische Unterstutzungdurch geeignete Hilfsmittel notwendig.

In der Produktentwicklung treten haufig Probleme auf, die zuvor bereitserfolgreich gelost worden sind. In der Architektur wurde in diesem Zu-sammenhang die Idee formuliert [AIS+77], dass sich der Kern einerLosung fur ein spezifisches Problem als Muster (pattern) beschreibenMuster

lasst, das in analogen Problemsituationen herangezogen werden kann,um wiederkehrende Probleme nicht jedes Mal von Grund auf neu losenzu mussen. Dieser Gedanke wurde in die Domane der Informationsver-arbeitung ubertragen und dort durch das Konzept des EntwurfsmustersEntwurfsmuster

(design pattern) [GHJV95] systematisiert. Das gemeinsame Prinzip ist,dass jeweils ein spezifisches Problem und die charakteristischen Elemen-te moglicher Losungen und ihr Zusammenwirken, also Struktur und Ver-halten der Losungen, in verallgemeinerter Form formal beschrieben wer-den. Mit den Wirkprinzipien existiert im Maschinenbau und in der Elek-Wirkprinzip

trotechnik ein ahnliches Konzept. Beschreibungen dieser Art bezeichnenwir im Weiteren als Losungsmuster (solution pattern), wobei wir verein-Losungsmuster

fachend auch Muster als Synonym verwenden.

Die hier vorgestellten Wirkmuster zur Selbstoptimierung (WMSO) sol-Wirkmuster zurSelbstoptimierung len dem Entwickler helfen, vorauszudenken, wie die charakteristischen

Aktionen der Selbstoptimierung – Analyse der Ist-Situation, Bestimmungder Systemziele und Anpassung des Systemverhaltens – im System um-gesetzt werden konnen. Dabei sind einerseits konkrete Losungsmusterfur Struktur und Ablauf des gesamten Selbstoptimierungsprozesses vonInteresse, die abstraktere Konzepte wie die im vorherigen Kapitel be-schriebene individuelle und zusammengesetzte Selbstoptimierung um-setzen. Gleichzeitig bietet es sich an, auch bei den informationsverar-beitenden Prozessen im Rahmen der einzelnen Aktionen der Selbstopti-mierung auf wiederverwendbaren Losungsmustern aufzubauen. Der neueingefuhrte Begriff des Wirkmusters zur Selbstoptimierung (siehe auch[GFG+05]) soll diese beiden Arten von Losungsmustern zusammenfas-sen.

Im Weiteren werden zuerst das verwendete Vokabular eingefuhrt und dieverschiedenen Musterbegriffe genauer definiert und zueinander in Bezie-

3.2 Entwurf mit Losungsmustern 55

Wirkprinzip

des Maschinenbaus

Muster der Soft-

waretechnik(insb. Koordinationsmuster)

Wirkprinzip(Basis physi-

kalische Effekte)

Systemelement Systemelement Systemelement Systemelement

Konstrukte der Wirkstruktur

Bauteil Bauteil BauteilSoftware-

komponente

Software-

komponente

Software-

komponente

Konstrukte der Baustruktur Konstrukte der Komponentenstruktur

zu

neh

men

de

Ko

nkre

tisie

run

g

Lösungsmuster

Wirkmuster zur

Selbstoptimierung

Wirkmuster der

Regelungstechnik

Wirkprinzip

der Elektrotechnik

Muster der Informa-

tionsverarbeitung

Abbildung 3.3: Klassifizierung von Losungsmustern

hung gesetzt. Danach wird gezeigt, wie Losungsmuster wahrend der Pro-duktentwicklung zur Bestimmung und Konkretisierung des grundlegen-den Aufbaus und der Funktionsweise selbstoptimierender Systeme einge-setzt werden konnen. Anschließend werden die wichtigsten Musterklas-sen ausfuhrlich vorgestellt. Abschließend wird anhand des Anwendungs-szenarios

”Kooperatives Lernen beim Befahren einer Strecke“ die Ver-

wendung von Wirkmustern zur Selbstoptimierung und ihre Umsetzung insoftwaretechnische Koordinationsmuster (coordination pattern) exem- Koordinationsmuster

plarisch vorgefuhrt.

3.2.1 Begriffsdefinitionen

Die unterschiedlichen Musterbegriffe sollen nun gegeneinander abge-grenzt und in einer hierarchischen Struktur eingeordnet werden. Abbil-dung 3.3 stellt uberblicksartig die Begriffe dar, die im Folgenden genauerdefiniert werden:

Wirkprinzipien sind Losungsmuster des Maschinenbaus und der Elek- Wirkprinzip

trotechnik entsprechend der Definition nach Pahl/Beitz [PB97], d.h. siebeschreiben den Zusammenhang von physikalischem Effekt und stoffli-chen und geometrischen Merkmalen (Wirkgeometrie, Wirkbewegung undWerkstoff).


Als Muster der Softwaretechnik bezeichnen wir Problem/Losungs-Muster derSoftwaretechnik Paare, welche erprobtes Software-Engineering-Wissen fur neue Problem-

kontexte anwendbar machen. Die Losungsbeschreibung besteht aus ei-ner Struktur, sowie dem partiellen Verhalten der einzelnen Strukturele-mente.

Wirkmuster der Regelungstechnik beschreiben, wie eine RegelstreckeWirkmuster derRegelungstechnik nachgebildet und beeinflusst oder Großen einer Strecke gemessen oder

beobachtet werden konnen.

Wirkmuster zur Selbstoptimierung (WMSO) erfullen Funktionen zurWirkmuster zurSelbstoptimierung Selbstoptimierung wie autonomes Planen, Kooperieren, Handeln und

Lernen. Das Spektrum der WMSO umfasst den gesamten Selbstoptimie-rungsprozess (Analyse der Ist-Situation, Anpassung der Systemziele, An-passung des Systemverhaltens) oder nur Teile davon.

In der Entwicklung selbstoptimierender Syteme des Maschinenbaus wirdSelbstoptimierung zu einem großen Teil durch die Informationsverarbei-tung realisiert. Unter dem allgemeinen Begriff Muster der Informations-Muster

der Informations-verarbeitung verarbeitung fassen wir daher Wirkmuster der Regelungstechnik, Wirk-

muster zur Selbstoptimierung sowie Muster der Softwaretechnik zusam-men.

Gestaltbehaftete Systemelemente werden wahrend der Produktentwick-lung zu gestaltbehafteten Bauteilen konkretisiert und zu Baugruppen ag-Bauteil

gregiert. Bauteile und Baugruppen sind Entitaten der Baustruktur1. Dierechnerinterne Reprasentation eines Bauteils bzw. einer Baugruppe be-steht aus unterschiedlichen Aspekten wie Verhalten und Gestalt.

Nach [Szy99] ist eine Softwarekomponente (software component) einSoftwarekomponente

zusammenhangendes Softwareelement mit spezifizierten Schnittstellen.Ein Softwaresystem wird bei der Systemkomposition durch Zusammen-setzen von Softwarekomponenten erstellt. Softwaretechnische System-elemente werden wahrend der Konzipierung definiert und in den folgen-den Prozessschritten zu Softwarekomponenten konkretisiert.

Ein Systemelement reprasentiert einen Teil eines Systems, der nochSystemelement

nicht endgultig ausgepragt ist. Es kann ein oder mehrere Losungsmus-ter umsetzen. Systemelemente werden zur Modellierung der Wirkstruk-

1Baustruktur: In Anlehnung an Pahl/Beitz [PB97] handelt es sich um den Bauzusammen-hang eines maschinenbaulichen Systems, d.h. um die Anordnung der gestaltbehaftetenBauteile im Raum und ihre logische Aggregation zu Baugruppen und Erzeugnissen. Die-se Aggregation kann nach unterschiedlichen Gesichtspunkten wie Funktionalitat, Montage,Service etc. erfolgen.


tur2 verwendet. Wahrend der Produktentwicklung werden die System-elemente konkretisiert und konnen zu Modulen, Bauteilen/Baugruppenoder Softwarekomponenten zusammengefasst werden. Die rechnerinter-ne Reprasentation eines Systemelements besteht aus unterschiedlichenAspekten wie Verhalten und Gestalt. Wahrend der Produktentwicklungweisen die Aspekte unterschiedliche Konkretisierungen auf, die den Pha-sen des Entwicklungsprozesses entsprechen. Der Aspekt Gestalt enthaltzunachst grobe Festlegungen fur die Bestimmung der Prinziplosung3 undspater weitergehende Festlegungen fur die Bestimmung der Baustruk-tur. Der Aspekt Verhalten weist fur den Fall von Software beispielsweisefur die fruhen Entwicklungsphasen Zustands- und Interaktionsdiagrammeund fur die spatere Entwicklungsphase Code auf.

Ein Losungselement ist eine realisierte und bewahrte Losung zur Losungselement

Erfullung einer oder mehrerer Funktion/-en. Dabei handelt es sich im All-gemeinen um ein Modul, ein Bauteil, eine Baugruppe oder eine Software-komponente, das/die auf einem oder mehreren Losungsmustern (Wirk-prinzip, Softwaremuster, Wirkmuster der Regelungstechnik oder Wirk-muster zur Selbstoptimierung) beruht. Bauteile bzw. Baugruppen sind ge-staltbehaftete Losungselemente und Teil der Baustruktur. Rein software-technische Losungselemente bestehen aus Softwarekomponenten undsind Teil der Komponentenstruktur4. Module sind in der Regel eine Kom-bination aus Baugruppen und Softwarekomponenten. Die rechnerinterneReprasentation eines Losungselementes besteht aus unterschiedlichenAspekten wie Verhalten und Gestalt.

Losungsmuster werden wahrend der Produktentwicklung zur Er-arbeitung von Produktkonzepten, Entwurfen und deren Realisie-rung/Implementierung eingesetzt, d.h. Losungsmuster resultieren letzt-endlich in Bauteilen und Softwarekomponenten. Wirkprinzipien werdendurch Bauteile und Muster der Informationsverarbeitung in der Regeldurch Softwarekomponenten umgesetzt, wobei in Ausnahmefallen ein

2Wirkstruktur: Sie bildet die Losungsmuster reprasentierenden Systemelemente, derenEigenschaften sowie die Beziehungen der Systemelemente zueinander ab. Sie beschreibtden grundsatzlichen Aufbau und die Wirkungsweise des zu entwickelnden Systems.

3Prinziplosung (synon. prinzipielle Losung): Grundsatzliche Losung fur eine Entwick-lungsaufgabe, die Festlegungen zur physikalischen Wirkungsweise und zur Art und An-ordnung der Komponenten trifft, ohne diese aber im Detail zu definieren [PB97]. Ba-sis fur die Prinziplosung ist die Wirkstruktur, die eine Kombination von Losungsmus-tern/Systemelementen zur Beschreibung einer Losung ist. Haufig wird die Wirkstruktur umerste Berechnungen und grobe Festlegungen der Geometrie erganzt, damit die prinzipielleLosung deutlich genug erkennbar wird.

4Komponentenstruktur: Nach Oestereich [Oes98] handelt es sich um das Gefuge derKomponenten (bzw. synonym Softwarekomponenten), das mit einem Komponentendia-gramm dargestellt wird.


Wirkmuster der Regelungstechnik auch durch mechanische Regler (z.B.Fliehkraftregler) realisiert werden kann. Moderne technische Systemedes Maschinenbaus, etwa ein mechatronisches Funktionsmodul, beruhenauf einer Kombination aus physikalischen Effekten und Informationsver-arbeitung. Entsprechend bestehen sie aus einer Baustruktur und einerKomponentenstruktur. Diese beiden Strukturen gehen aus der Wirkstruk-tur hervor. Zur Modellierung der Wirkstruktur haben wir das KonstruktSystemelement eingefuhrt. Systemelemente bilden im Zuge der Konkre-tisierung einen Zwischenschritt zwischen Losungsmustern und Bauteilenbzw. Softwarekomponenten. Die Beziehungen zwischen den Konstruktenzweier Konkretisierungsebenen haben den Typ n:m. Es ist wahrend derProduktentwicklung ein grundsatzliches Ziel, auf realisierte und bewahr-te Losungen zuruckzugreifen. Diese bezeichnen wir als Losungselemen-te. Haufig werden Losungselemente auch als Katalogteile, Zulieferkom-ponenten etc. bezeichnet. Losungselemente konnen Bauteile wie Stan-dardgehause oder Kugellager, Softwarekomponenten oder eine Kombi-nation aus Bauteilen und Softwarekomponenten wie intelligente Motorenmit Steuerung sein.

3.2.2 Losungsmuster in der Produktentwicklung

Der Einsatz der unter dem Oberbegriff Losungsmuster vorgestellten Kon-strukte und ihr Zusammenwirken wird in Abbildung 3.4 veranschaulicht.Hier sind wichtige wahrend der Konzipierung5 zu entwickelnde und in denfolgenden Phasen zu konkretisierende Partialmodelle6 entsprechend ih-res Konkretisierungsgrads bzgl. der Systembeschreibung aufgefuhrt. Eswerden u.a. die Funktionshierarchie und die Wirkstruktur eines Systemsentwickelt, sowie Teile der Baustruktur und ggf. Ausschnitte der Kompo-nentenstruktur vorausgedacht. In den anschließenden Entwicklungspha-sen werden auf Basis der Wirkstruktur die Baustruktur und die Kompo-nentenstruktur konkretisiert.

5Die Konzipierung ist eine Phase im Produktentwicklungsprozess. Hier werden die we-sentlichen Weichenstellungen fur das Produkt getroffen: In einem iterativen Prozess wirddie Wirkstruktur, d.h. die aus den Losungsmustern konkretisierten Systemelemente sowiederen Zusammenwirken, und die grobe Baustruktur, d.h. die Gestalt der einzelnen Elementeund deren raumliche Anordnung, festgelegt. Das Verhalten des Systems wird durch Ablauf-und Anpassungsprozesse beschrieben, inkl. der ausgewahlten Konzepte der Selbstoptimie-rung. Das Resultat ist die Prinziplosung.

6Partialmodelle sind verschiedene Sichten auf das zu entwickelnde System. Wahrendder Phase Konzipierung sind die Beschreibungen weniger konkret als in den folgendenPhasen Grobgestaltung, Reglerentwurf, Integration der Informationsverarbeitung, virtuellesPrototyping und Ausarbeitung.


Den Anfangspunkt markiert die Funktionshierarchie, die primar aus derAnalyse der Anforderungen entsteht. Fur die einzelnen Funktionen wer-den Losungen ermittelt. Dies konnen Wirkprinzipien, Softwaremuster,Wirkmuster der Regelungstechnik, WMSO oder – wenn bekannt – auchLosungselemente sein.

Kraft über-

tragen

Last

tragen

Kraft er-

zeugen

Funktionshierarchie Wirkstruktur Baustruktur

Gelenk

Zylinder

Balken

LE Hydraulikzylinder

Parameter

selektieren

Wissens-

basis

ReglerWMSO Wissens-

nutzung

WP

Zylinder

WP Balken

WP

Gelenk

Oberträger

Unterträger

Hydraulik-

zylinder

Komponentenstruktur

Regler

Wissens-

basis

Legende

Funktion

Lösungsmuster

Systemelement

Komponente

logische Gruppe

Energiefluss

Informationsfluss

Erfüllungsbeziehung

zunehmende Konkretisierung

SM Verteiltes

WissenRegler

Zugehörigkeitsbeziehung

Abbildung 3.4: Konstrukte zur Beschreibung der Partialmodelle Funkti-onshierarchie, Wirkstruktur, Baustruktur und Komponentenstruktur

Die Losungsmuster werden zu Systemelementen konkretisiert. Die Ver-knupfung der Systemelemente mit Energie-, Stoff-, und Informations-flussen fuhrt zur Wirkstruktur. Bereits bekannte Losungselemente werdenin der Wirkstruktur als Systemelemente behandelt. Mit der Auswahl geeig-neter Losungsmuster und Losungselemente sowie deren Umsetzung inSystemelemente und deren Beziehungen ergibt sich Schritt fur Schritt dieWirkstruktur. Gleichzeitig entstehen Vorstellungen uber die Gestalt desSystems. Dazu werden gestaltbehaftete Systemelemente zu Bauteilenkonkretisiert und unter Berucksichtigung gestaltbestimmender Anforde-rungen im Raum positioniert. So konnen Angaben uber Anzahl, Form, La-ge, Anordnung sowie Art der Wirkflachen und der Wirkorte des selbstop-timierenden Systems gemacht werden. Daraus entsteht die Baustruktur.Parallel dazu werden die Systemelemente zur Informationsverarbeitungmodelliert, zu Softwarekomponenten zusammengefasst und in Kompo-nentendiagrammen dargestellt. Dabei werden in der Wirkstruktur Anwen-dungsmoglichkeiten fur Softwaremuster identifiziert. Ein Identifizierungs-kriterium ist die Nutzung eines WMSO zur Erarbeitung der Wirkstruktur.


Die durch ein WMSO semiformal spezifizierten informationstechnischenStrukturen und Verhaltensbeschreibungen werden durch Softwaremusterkonkretisiert und domanenspezifisch beschrieben. Die Softwaremusterwerden durch bereits existierende oder neu zu entwickelnde Software-komponenten umgesetzt. Mit Hilfe von Verteilungsdiagrammen kann ei-ne Zuordnung von Komponenten auf Hardware-Einheiten (Bauteile derBaustruktur) beschrieben werden.

3.2.3 Wesentliche L osungsmusterklassen

Im Folgenden werden Wirkprinzipien, Muster der Informationsverarbei-tung und hier insbesondere WMSO naher erlautert.

Wirkprinzipien

Muster bzw. Losungsmuster des Maschinenbaus und der Elektrotechniksind Wirkprinzipien entsprechend der Definition nach Pahl/Beitz, d.h. siebeschreiben den Zusammenhang vom physikalischen Effekt sowie geo-metrischen und stofflichen Merkmalen (Wirkgeometrie, Wirkbewegungund Werkstoff) [PB97]. Klassische Wirkprinzipien aus dem Bereich Ma-schinenbau sind beispielsweise auf Reibung basierende Passungen oderauf dem Hebeleffekt beruhende Seilwinden. Beispiele fur Wirkprinzipienaus dem Bereich Elektrotechnik sind Kondensatoren und Elektromoto-ren, die die physikalischen Effekte elektrisches Feld und Lorentzkraft nut-zen. Abbildung 3.5 enthalt einige Beispiele fur Wirkprinzipien der DomaneElektrotechnik.

Muster der Informationsverarbeitung

In der Entwicklung selbstoptimierender Syteme des Maschinenbaus wirdSelbstoptimierung zu einem großen Teil durch die Informationsverarbei-tung realisiert. Wirkmuster der Regelungstechnik, Wirkmuster zur Selbst-optimierung sowie Muster der Softwaretechnik fassen wir unter dem allge-meinen Begriff Muster der Informationsverarbeitung zusammen. Die-Muster

der Informations-verarbeitung se Aufteilung ist nicht disjunkt, da zum Beispiel ein Feedback-Controller

sowohl als Architekturmuster in der Softwaretechnik als auch als Wirk-muster der Regelungstechnik bekannt ist. Die unterschiedlichen Muster-begriffe unterscheiden sich auch hinsichtlich der Nutzungsphase und dem


N S

Q1 Q2+ -

B,I l

F

�l

I

�Q

Teilfunktionen Physikal. Effekte

(lösungsneutral)

Wirkprinzipien

für eine Teilfunktion

(Phys. Effekte sowie geometrische

und stoffliche Merkmale)

Lösungselemente

(Basieren auf Wirkprizipien,

aber die Merkmale sind mit

konkreten Werten belegt)

Elektrisches Feld

Lorentzkraft

Dotierung

Elna-Kondensator ROA 851626

C=100µF

U=25VEnergie

speichern

WaWb

Q=U·、r·、0·A·d

+

+

+

+

+

+

-

-

-

-

-

-

(Transistor

Gatter

FPGA)

Signal

schalten

S1 Sout

S2

Energie

wandeln

We Wm

+++++

+++

+ ++

+++++

+++

+ ++

- - ---

---

- --

- - ---

---

- --

Kollektor

Basis

Emitter

A

d

Elektromotor C40

7000U/min.

XILINX XCS10XL (FPGA)

10K Gates

PLCC Package

18$

ACT Logikmodul

、r

U

F = I · (l x B)

Abbildung 3.5: Beispiele fur Wirkprinzipien der Domane Elektrotechnik

Abstraktionsgrad. Wirkmuster zur Selbstoptimierung werden auf einer ab-strakteren Ebene beschrieben und typischerweise in den fruhen Phasenbei der Beschreibung der Wirkstruktur genutzt, wahrend Wirkmuster derRegelungstechnik und Muster der Softwaretechnik eher spater genutztwerden und weniger abstrakt beschrieben werden. Unter einem Muster Muster der

Softwaretechnikder Softwaretechnik verstehen wir ein Problem/Losungs-Paar, welcheserprobtes Software-Engineering-Wissen fur neue Problemkontexte an-wendbar macht. Die Losungsbeschreibung besteht aus einer Struktur, so-wie dem partiellen Verhalten der einzelnen Strukturelemente. Es enthaltHinweise, wie es in neuen Situationen genutzt und umgesetzt werdenkann. Ferner wird erklart, welcher Nutzen erzielt werden kann und welcheKompromisse dabei eingegangen werden mussen. Eine Softwarekompo-nente kann ein oder mehrere Muster umsetzen. Dabei wird die Software-komponente mit einem oder mehreren Elementen aus dem Muster in Be-ziehung gesetzt und ubernimmt das partielle Verhalten dieser Elemente.In der Softwaretechnik existieren Muster fur verschiedenste Einsatzzwe-cke [Ris00]. Die Softwaretechnik kategorisiert Muster haufig nach dembetrachteten Abstraktionsgrad (z.B. Architekturmuster, Idiome etc.) oderZweck (Analysemuster, Entwurfsmuster, Koordinationsmuster etc.).

Entwurfsmuster nach [GHJV95] bestehen aus den grundlegenden Ele-menten: Name, Problembeschreibung, abstrakte Losung und Implemen-tierungsvarianten. Die abstrakte Losung setzt sich dabei aus einer Struk-


turbeschreibung der beteiligten Klassen (Participants) sowie einer Be-schreibung des jeweiligen Teilverhaltens (Collaborations) dieser Klassenzusammen. Entwurfsmuster sind aufgrund der abstrakten Losung beimEntwurf beliebiger Software nutzbar. Die Spezifizierung der Entwurfsmus-ter erfolgt mit Spezifikationstechniken wie der UML (Unified ModellingLanguage).

Bisherige Spezifikationen von Mustern der Softwaretechnik sind furden Entwurf selbstoptimierender Systeme mit hohen Anforderungenbezuglich Sicherheit und Echtzeitverhalten nicht ausreichend. Insbeson-dere muss hier sichergestellt werden, dass das Koordinationsverhaltenim reflektorischen Operator keine Fehler aufweist. Ein Fehler im reflekto-rischen Operator bzgl. der Koordination kann zu Unfallen fuhren, wahrendein Fehler im kognitiven Operator nur zu schlechterem, weniger opti-malen Verhalten fuhren kann. Fur die Entwicklung der Software desreflektorischen Operators haben wir Koordinationsmuster (coordinati-Koordinationsmuster

on pattern) entwickelt, die diesen besonderen Anforderungen genugen[GTB+03], [BTG04]. Demnach beschreiben Koordinationsmuster das par-tielle Teilverhalten mehrere Elemente bzgl. einer bestimmten Koordinati-on. Die Struktur eines Koordinationsmusters besteht aus mehreren Rol-len, die uber Konnektoren miteinander verbunden sind, sowie den zuverifizierenden Sicherheitseigenschaften. Des Weiteren wird jeder Rolleein Verhalten in Form von Real-Time-Statecharts zugeordnet [GTB+03],[BTG04]. Dieses Koordinationsverhalten wird mittels formaler Methodenbzgl. Sicherheitseigenschaften verifiziert und nach erfolgreicher Verifikati-on in einer Musterbibliothek abgelegt. Spater beim Entwurf der Software-komponente des reflektorischen Operators werden passende Koordinati-onsmuster aus der Bibliothek entnommen und wiederverwendet. Hierbeikann das Verhalten speziell fur den Anwendungsfall in engen Grenzen,die nicht die Sicherheit einschranken, angepasst werden. Diese Anpas-sung des Verhaltens nennt man Verfeinerung. Das informationstechni-sche System besteht demnach aus einer Komposition von Softwarekom-ponenten, die Systemelemente aus der Wirkstruktur und Softwaremusterumsetzen. Softwarekomponenten lassen sich analog zu den Losungsele-menten der Mechanik und Elektrotechnik in verschiedenen Systemumge-bungen einsetzen und wieder verwenden. In Abbildung 3.6 wird das Koor-dinationsmuster

”Verteilte Wissensnutzung“ und dessen Anwendung bei

der Entwicklung des reflektorischen Operators eines Shuttles dargestellt.

Auch in der Domane Regelungstechnik gibt es Losungsmuster, nach de-ren Prinzip Teilfunktionen erfullt werden (Abbildung 3.6). Diese bezeich-nen wir als Wirkmuster der Regelungstechnik . Sie beschreiben wieWirkmuster der

Regelungstechnik eine Regelstrecke nachgebildet, beeinflusst oder Großen einer Strecke


Teilfunktionen Muster der Informationsverarbeitung

für eine Teilfunktion

Lösungselemente /

Softwarekomponenten

(Basieren auf Lösungsmustern, aber

die Werte sind konkret ausgeprägt)

Wissen nutzen Koordinationsmuster „Verteilte

Wissensnutzung“

Größe beeinflussen Wirkmuster der Regelungstechnik „Regelung“ • P-Regler

• PI-Regler (para.)

• PD-Regler (n. para.)

• Riccatti-Regler

• Allg. Zustandsregler

Vorgabebahn bestimmen Wirkmuster zur Selbstoptimierung „Erfahrung

nutzen“

Trajektorien mit Hilfe von

Erfahrungswissen bestimmen

Regelung Strecke

+ -

fragen

antworten

Wissens-

träger

Wissens-

nutzer

Strecken-

abschnitt yStrecken-

abschnitt x

Wissens-

basis

Wissens-

basis

LW

oàà

Streckenabschnitt

.��ro��

Fahrzeug

.

VerteilteWissensnutzung

WN

LokalerWissensträger

Wissensnutzer


Abbildung 3.6: Beispiele fur Muster der Informationsverarbeitung

gemessen oder beobachtet werden konnen. Losungselemente wie der P-Regler oder der Ricatti-Regler basieren auf dem Wirkmuster

”Regelung“

und Losungselemente wie der Kalman-Filter auf dem Wirkmuster”Beob-

achter“.

Wirkmuster zur Selbstoptimierung

Wirkmuster zur Selbstoptimierung (WMSO) erfullen Funktionen zurSelbstoptimierung7 wie autonomes Planen, Kooperieren, Handeln undLernen. WMSO stellen Schemata zur Verfugung, mit deren Hilfe die Wirk-struktur und insbesondere das Verhalten des selbstoptimierenden Sys-tems spezifiziert werden konnen. In Anlehnung an die Entwurfsmuster derSoftwaretechnik beinhaltet das WMSO die Bestandteile (Aspekte) Prin-zipbeschreibung, Anwendungsszenario, Struktur, Verhalten und Verfah-ren (Abbildung 3.7). WMSO beschreiben die genannten Aspekte semi-formal. Sie werden mit Hilfe der Spezifikationstechnik zur Beschreibung

7Neben klassischen maschinenbaulichen Funktionen”Kraft ubertragen“ oder

”Energie

wandeln“ werden neuartige Funktionen wie autonomes Planen, Kooperieren, Handeln oderLernen – so genannte Funktionen zur Selbstoptimierung – zur Beschreibung der Funktiona-litat selbstoptimierender Systeme genutzt.


der Prinziplosung selbstoptimierender Systeme8 modelliert, so dass eindomanenubergreifendes Verstandnis des WMSO erreicht wird [GFSV04],[GFRS04]. Sie unterstutzen in der domanenubergreifenden Phase Kon-zipierung das Finden von Losungen fur den grundlegenden Aufbau unddie Funktionsweise des Systems sowie die Umsetzung dessen in einePrinziplosung. Softwaremuster konkretisieren die in den WMSO enthal-tenen softwarespezifischen Strukturen sowie Verhaltensbeschreibungen.WMSO umfassen den gesamten Selbstoptimierungsprozess (Analyse derIst-Situation, Bestimmung der Systemziele, Anpassung des Systemver-haltens) oder nur Teile davon. Wesentlich ist, dass Zustandsubergangedes Systems durch das in einem WMSO spezifizierte autonome, intelli-gente Verhalten ausgelost, unterstutzt und/oder durchgefuhrt werden. ImFolgenden werden die Bestandteile von WMSO erlautert.

Wirkmuster zur

Selbstoptimierung

VerfahrenUmsetzung des Verhaltens mittels

modell- oder verhaltensbasierter

Verfahren wie Mehrzieloptimierung,

Case-Based Reasoning, Neuro-Fuzzy

Schließen oder Reinforcement Learning

StrukturBeteiligte Systemelemente und ihr

Zusammenwirken (Ausschnitt aus

Wirkstruktur)

A

PrinzipbeschreibungAllgemeinverständliche, prägnante

Beschreibung als Auswahlhilfe

fragen

antworten

Wissens-

träger

Wissens-

nutzer

Case-Based Reasoning

Wissens-

basis

Historische

Lösung

Angepasste

Lösung

Aktuelles

Problem

CBR-

Prozess

VerhaltenBeschreibung des

Selbstoptimierungsprozesses, insbesondere

der Zustandsübergänge

SollIstAnpassungsprozess

Wissen

anfragenStrecke

explorieren

Erfahrung

teilen

AnwendungsszenarioAnwendungen, in denen das WMSO

bereits erfolgreich eingesetzt worden ist.

Strecken-

abschnitt yStrecken-

abschnitt x

Wissens-

basis

Wissens-

basis

Wissens-

nutzer

Wissens-

träger

Wissens-

speicher

Wissens-

Ontologie

Abbildung 3.7: Bestandteile eines Wirkmusters zur Selbstoptimierung mitbeispielhafter Auspragung

Die Prinzipbeschreibung charakterisiert den grundlegenden Gedanken,Prinzipbeschreibung

der hinter dem Wirkmuster steht. Sie dient dazu, dem Entwickler ohneweitere formale Detaillierung einen intuitiven Zugang zum Wirkmuster zuermoglichen.

8Die Spezifikation der Prinziplosung eines s.o. Systems fuhrt zu einem koharenten Sys-tem von den sieben Partialmodellen Anforderungen, Umfeld, Ziele, Funktionen, Wirkstruktur,Gestalt und Anwendungsszenarien sowie einem Set von n Partialmodellen, die das Verhal-ten beschreiben.


Ein Anwendungsszenario spiegelt eine Situation wieder, in denen das Anwendungsszenario

Wirkmuster in der Vergangenheit bereits erfolgreich eingesetzt wurde.Diese Szenarien sollen dem Entwickler bei der Selektion eines fur diejeweilige Aufgabe relevanten Wirkmusters helfen.

Der Aspekt Struktur beschreibt, welche Systemelemente grundsatzlich Struktur

zur Umsetzung des WMSO notwendig sind, sowie welche Beziehungendie Systemelemente zueinander haben. Diese Struktur dient als Schemafur einen Ausschnitt der Wirkstruktur des zu entwickelnden Systems. DieSystemelemente nehmen im Kontext des betrachteten WMSO jeweils ei-ne fur dieses WMSO spezifische Rolle ein. Die Struktur wird mit der imSonderforschungsbereich entwickelten semiformalen Spezifikationstech-nik zur Beschreibung der Wirkstruktur modelliert [GFRS04].

Der Aspekt Verhalten beschreibt das grundsatzlich zu erzielende Verhalten

(Gesamtsystem-)Verhalten, d.h. die Selbstoptimierungsprozesse oderTeile davon. Es geht also um die Modellierung des autonomen, in-telligenten Verhaltens, das den Zustandsubergang auslost, unterstutztund/oder durchfuhrt. Bei der Modellierung eines Zustandsubergangs wirdaufgezeigt, wie sich ein System von einem gegebenen Ist-Zustand mitHilfe eines bestimmten Verfahrens in einen gewunschten Soll-Zustanduberfuhren lasst. Den Zustanden sind jeweils ein Zielsystem, eine Wirk-struktur und Parameter zugeordnet. Neben dem rein physikalischen Zu-stand – z.B. Zylinder A ist um 10 cm ausgefahren oder Zylinder A ist mitVentil 1 verbunden – besitzt ein selbstoptimierendes System auch men-tale Zustande9 – beispielsweise Wissen uber die Auspragung des aktuel-len Zielsystems oder Vorstellungen des Systems uber sein Umfeld. Diesementalen Zustande konnen sich ebenfalls wahrend des Betriebes einesselbstoptimierenden Systems andern, z.B. kann das System aufgrundneuer Sensordaten oder aufgrund von Erfahrungsaustausch mit ande-ren selbstoptimierenden Systemen neue Vorstellungen uber das Umfeldbekommen. Somit beinhalten selbstoptimierende Systeme physikalischeund mentale Zustandsubergange, die durch Anpassungsprozesse be-schrieben werden. Da wir von verteilten Systemen ausgehen, kann einAnpassungsprozess zum einen zwischen verschiedenen Systemen statt-finden. Ein solcher systemexterner Anpassungsprozess kann z.B. durchKollaboration und Kommunikation erreicht werden. Zum anderen kann einAnpassungsprozess auch innerhalb eines Systems zwischen Systemele-menten ablaufen. Hierbei handelt es sich um einen systeminternen An-passungsprozess, der z.B. durch Rekonfiguration realisiert werden kann.

9Der Begriff des mentalen Zustandes wird auf dem Gebiet der Epistemologie und Kunst-lichen Intelligenz (KI) genutzt, um die Abbildung von Denkprozessen wie Planen und Pro-blemlosen zu modellieren, siehe u.a. [MA02] [RN03]


Verfahren dienen zur Umsetzung der Selbstoptimierungsprozesse, ins-Verfahren

besondere der Anpassung von Zielen und Verhalten (als Folge vonParameter- und ggf. Strukturanpassungen). Sie konnen verhaltens- odermodellbasiert sein. Beispiele von Verfahren sind Mehrzieloptimierung zurBestimmung von Zielen, Neuro-Fuzzy Regelschließen zur Anpassung in-terner Ziele und Case-Based Planning zur erfahrungsunterstutzten Ver-haltensanpassung.

Ein WMSO kann den gesamten Selbstoptimierungsprozess oder nur Teiledavon schematisch beschreiben. Folgendes Beispiel zeigt auf, wie durchmehrere WMSO ein Selbstoptimierungsprozess spezifiziert und autono-mes intelligentes Verhalten erreicht werden kann. Dazu stellt Abbildung3.8 exemplarisch einen Selbstoptimierungsprozess vor und zeigt auf, anwelchen Stellen in dem Prozess WMSO zum Einsatz kommen konnenund ein autonomes, intelligentes Verhalten zur Durchfuhrung eines Zu-standsubergangs realisieren. Wahrend der Situationsanalyse werden Er-kenntnisse uber das Umfeld erlangt. Bei unzureichend bekanntem Um-feld kann das System mit Hilfe des WMSO ”

Exploration“ dieses erkun-den. Aus den Einflussen auf das System und den aktuellen Zielen kannmit Hilfe des WMSO ”

Schließen“ auf interne Ziele geschlossen werden(Zielinterpretation). Die so bestimmten Ziele zusammen mit der Zielkon-sistenzmatrix ergeben eine in der aktuellen Situation gultige Zielagenda.Aus der Zielagenda wird eine zeitliche Anordnung der zu verfolgendenZiele gewonnen und in einem Ziel-Schedule dargestellt. Zu einem be-stimmten Zeitpunkt sind gewisse vom System verfolgte Ziele aktiv. Eshandelt sich entsprechend unserer Systematik um interne Ziele. Diesebilden das Zielsystem. Im Schritt der Verhaltensanpassung wird zunachstaus dem Zielsystem ein zu erreichender Sollzustand abgeleitet. Die Be-stimmung des Sollzustandes kann beispielsweise ebenfalls mit Hilfe desWMSO ”

Schließen“ erfolgen. Danach wird der Anpassungsprozess - d.h.der Weg vom Ist-Zustand zum Soll-Zustand - ermittelt. Die Ermittlung desAnpassungsprozesses kann z.B. auf dem WMSO ”

Planen“ beruhen. Da-bei werden Teilplane, die bereits in der Vergangenheit in ahnlichen An-passungsprozessen genutzt wurden, wiederverwendet. Dieses Beispielzeigt auf, wie intelligentes, autonomes Verhalten durch die Kombinationmehrerer WMSO erreicht werden kann.

3.2.4 Anwendung

Der Einsatz von Losungsmustern wird im Folgenden anhand des An-wendungsszenarios

”Kooperatives Lernen beim Befahren einer Strecke“


Zielinterpretation

Z1 Z2 Z3

E1

E2 X

E3 X

Z1 Z2 Z3

Z1 X +

Z2 + - +

Z3 +

Z1

Z2

Z3

Zielagenda

Ziele (Zi…Znd)

Ziel-

Schedule t

Zielsystem

Z1

Z2

Z3

t

Zielagenda

Einflüsse

Umwelt

Benutzer

System

Wirkstruktur

Wissen

Erfahrungs-

wissen

Zustandsänderung

S4

Bestimmung des

Sollzustands

Sollzustand (Si)

Wissen

Erfahrungs-

wissenEinflüsse

Ziele

Ziele Wissen

WMSO

SchließenWMSO

Exploration

VerhaltensanpassungZielbestimmungSituationsanalyse

Z4 Z3

Z5

Z1 Z2

Z6

Fahrwerk Fahrwerk

Zylinder ZylinderRegler

W-LanAufbau

Einflüsse

k12

k45

k25

k34

k13

k14

k15

k24 S5

S4S3

S1

S1

WMSO

Planen

WissenZ1

Z2

Z3

Zustand

S4

k12

k45

k25

k34

k13

k14

k15

k24 S5

S4S3

S1

S1

WMSO

Schließen

Abbildung 3.8: Beispiel eines Selbstoptimierungsprozesses und Darstel-lung, wie intelligentes, autonomes Verhalten durch die Kombination meh-rerer WMSO erreicht werden kann.

naher erlautert. Beim Befahren eines Streckenabschnitts verfolgt einShuttle das externe Ziel, einen hohen Komfort fur die Insassen bereitzu-stellen, das gegen seine inharenten Ziele, geringer Energieverbrauch undVerschleiß, abgewogen werden muss. Der Komfort hangt von den Bewe-gungen des Shuttleaufbaus und den dabei wirkenden Beschleunigungenab, die durch entsprechende Kompensation minimiert werden sollen. Dieklassische Regelung verwendet zur Dampfung der Aufbaubewegungeneinen

”Skyhook“-Ansatz, bei dem das aktive Feder-Neige-Modul sich so

an das Gleisprofil anpasst, dass der Aufbau sich auf einer fest vorgege-benen geglatteten Bahn bewegt. Bei klassischen Losungen konnen je-doch im laufenden Betrieb in der einmal eingestellten Vorgabebahn keineauftretenden Anderungen des Gleisprofils berucksichtigt werden, wie siesich etwa durch eine Abnutzung der Gleise durch wiederholtes Befahrenmittelfristig zwangslaufig ergeben. Ziel einer selbstoptimierenden Losungist es, den Fahrzeugen im laufenden Betrieb aktuelle erfahrungsbasierteVorgabebahnen zur Verfugung zu stellen und diesen Ansatz durch Ko-operation effizient und wirtschaftlich zu machen.


Wirkmuster zur Selbstoptimierung

Dieses Anwendungsszenario wird wahrend der Produktentwicklung wiefolgt ausgearbeitet: Ausgangspunkt ist die Funktion

”Vorgabebahn be-

stimmen“ (Abbildung 3.9). Hierzu wird das WMSO ”Erfahrung nutzen“ aus-

gewahlt. Die Auswahl wird durch die im WMSO beschriebenen Prinzipbe-schreibungen und Anwendungsszenarien unterstutzt. Entsprechend demAspekt Struktur sind zur Umsetzung des WMSO mindestens ein Wissen-strager und ein Wissensnutzer notwendig. In der Wirkstruktur wird festge-legt, dass fur dieses Anwendungsszenario Shuttle Sh2 der Wissensnut-zer und andere Shuttles sowie Streckenabschnitte Wissenstrager sind.Mit dem Aspekt Verhalten wird ein Zustandsubergang beschrieben. DerZustandsubergang wird durch die Aktivitaten

”Wissen anfragen“,

”Stre-

cke explorieren“ und”Erfahrung teilen“ erreicht. In diesem Fall handelt es

sich um einen mentalen Zustandswechsel, der durch einen Zuwachs anWissen gekennzeichent ist, d.h das Shuttle Sh2 wechselt aufgrund desZugriffs auf Erfahrungen anderer seinen Zustand. Als Verfahren zur Um-setzung des Anpassungsprozesses wird Case-Based Reasoning vorge-schlagen. Dieses Verfahren erlaubt die multikriterielle Suche nach ahn-lichen Problemstellungen sowie die Anpassung historischer Losungenan die aktuelle Situation. So gestaltet sich die Verhaltensanpassung vonShuttle Sh2 derart, dass das Wissen von Shuttle Sh1 in Form einer inder Vergangenheit erfolgreich eingesetzten Vorgabebahn - Zustand S0 -fur die aktuelle Situation als Ausgangsbasis fur die angestrebte Explorati-on eines optimalen Bahnverlaufs genutzt wird. Dieser Explorationsschrittmundet in den Soll-Zustanden S1 bzw. S2. Auf die semiformale Spezifika-tion des Verhaltens von Sh2 und das zu nutzende Verfahren werden in derWirkstruktur durch Verweise hingewiesen. Analog werden zu allen Funk-tionen der Funktionshierarchie Losungsmuster ermittelt und diese durchSystemelemente und deren Beziehungen in der Wirkstruktur umgesetzt.Auf diese Weise wird Schritt fur Schritt die Wirkstruktur erstellt, aus dersich wiederum die Baustruktur des Systems und die Struktur der Informa-tionsverarbeitung ergeben.

Koordinationsmuster

Zur softwaretechnischen Umsetzung des WMSO ”Erfahrung nutzen“

mussen zuerst die informationstechnisch relevanten Systemelemente ex-trahiert und eine geeignete Komponentenstruktur sowie das zugehori-ge Verhaltensmodell abgeleitet und formalisiert werden. Das so gewon-nene allgemeine Koordinationsmuster kann dann im Anschluss oder im


Verhalten

anpassen

Funktionshierarchie Wirkstruktur

lernenVorgabebahn

bestimmen

Streckenprofil

ermitteln

Erfahrung

nutzen

Wirkstruktur Strecke befahren� (Ausschnitt)

Verhalten

Shuttle Sh1(Wissensträger)

Shuttle Sh2(Wissensnutzer)

Verhalten

(Aktivität Strecke explorieren)

S0

S1

S2Sh1

Sh2

Legende

Funktion

Lösungsmuster

Menge von System-

elementen

logische Gruppe

Informationsfluss

Erfüllungsbeziehung

Verweise auf

Systemelemente/

Wirkstruktur

Methoden

Verhalten

Muster

Struktur (Ausschnitt)

Wissens-

träger

Wissens-

nutzer

Verfahren

Shuttles

Prinzipbeschreibung

Prinzipbeschreibung

Streckenabschnitte

Abschnitt y(Wissensträger)

Abschnitt x(Wissensträger)

zunehmende Konkretisierung

Case-Based Reasoning

Wissens-

basis

Historische

Lösung

Angepasste

Lösung

Aktuelles

Problem

CBR-

Prozess

fragen

antworten

Wissens-

träger

Wissens-

nutzer

SollIstAnpassungsprozess

Wissen

anfragenStrecke

explorieren

Erfahrung

teilen

Abbildung 3.9: Von der Funktion uber das Wirkmuster zur Wirkstruktur

Rahmen einer spateren Wiederverwendung zur Modellierung konkreterSysteme verwendet werden. Zur Identifikation der beteiligten Elementewerden die Interaktionen im Rahmen des Wirkmusters zunachst durchErstellen eines oder mehrerer grundlegender Ablaufszenarien dokumen-tiert. Die Szenarie beschreiben in idealisierter Form die vorgesehenenAblaufe und die daran beteiligten Rollen. Um eine weitgehende Wieder-verwendung der Koordinationsmuster zu erlauben, wird dabei moglichstvon fallspezifischen Details abstrahiert und ein allgemeingultiges Prinzipextrahiert.

Zur Realisierung des selbstoptimierenden Ansatzes zur Regelung desFahrzeugaufbaus wird die Vorgabebahn als mathematische Funktion(Trajektorie) kodiert, deren Parameter im laufenden Betrieb variiert wer-den konnen, um sie an das reale Gleisprofil oder eine geanderte Gewich-tung der Ziele anpassen zu konnen. Die verwendete Vorgabebahn soll indiesem Fall auf Erfahrungswissen basieren. Dazu werden Informationenuber Storungen in der Gleislage eines Streckenabschnitts, uber gemach-te Erfahrungen der Shuttles bzgl. einzustellender Parameter und des da-mit erzielten Komforts vom Streckenabschnitt gesammelt und nachfolgen-den Shuttles zur Verfugung gestellt. Zur Realisierung dieser Idee sollfolgender verteilter Selbstoptimierungsprozess stattfinden: Shuttle Sh1analysiert seinen gegenwartigen Status bezuglich Zielgewichtung, Zula-


dung und Energiereserven (Ist-Analyse/1) und ubermittelt diese Daten anden Steuerungsrechner des Streckenabschnitts. Auf Basis des verfugba-ren Erfahrungswissens berechnet dieser nun einen geeigneten Zielkom-promiss und eine entsprechend optimierte Trajektorie (Zielanpassung),die an das Shuttle ubermittelt wird. Das Shuttle passt die Vorgabebahnfur das Feder-Neige-Modul entsprechend an (Verhaltensanpassung) unddurchfahrt den Streckenabschnitt. Die dabei gewonnenen Erfahrungen,insbesondere der mit der verwendeten Trajektorie erzielte Komfort undEnergieverbrauch, werden erfasst, analysiert und an den Streckenab-schnitt zuruckubermittelt (Ist-Analyse/2). Der Streckenabschnitt nimmt dieErfahrungen in seine Wissensbasis auf und verwendet sie im Rahmen derZielanpassung fur nachfolgende Shuttles. Der Selbstoptimierungsprozessbei der Durchfahrt baut auf einer verteilten Ist-Analyse auf: der aktuel-len Selbstanalyse des Shuttles (Ist-Analyse/1) und den Auswertungen dervorhergehenden Shuttles (Ist-Analyse/2).

Das UML-Sequenzdiagramm in Abbildung 3.10 beschreibt das generi-sche Szenario

”Verteilte Wissensnutzung“, das aus dem obigen Konzept

extrahiert worden ist: Ein”Lokaler Wissenstrager“ verfugt uber Erfah-

rungswissen hinsichtlich eines”Erfahrungsgegenstandes“. Ein

”Wissens-

nutzer“ stellt eine seiner gegenwartigen Situation angepasste Anfrage anden Wissenstrager, der auf Basis der Anfrage und seines Erfahrungswis-sens eine optimierte Antwort zuruckliefert. Der Wissensnutzer nutzt dieseAntwort im Rahmen seiner Interaktion mit dem Erfahrungsgegenstand,analysiert die Ergebnisse und schickt seine Erfahrungen an den lokalenWissenstrager zuruck, um sie auch anderen Wissensnutzern verfugbarzu machen.

Das UML-Diagramm in Abbildung 3.10 ist zum besseren Verstandnismit Anmerkungen in fetter, kursiver Schrift versehen, um die abstraktenSchritte des Ablaufes (Anfrage, Exploration, Lernen etc.) deutlich her-auszustellen. Die numerierten Kreise bezeichnen die drei Aktionen derSelbstoptimierung, Ist-Analyse (1), Zielanpassung (2) und Verhaltensan-passung (3). Wie bereits erwahnt findet aufgrund der verteilten Naturdes Selbstoptimierungsprozesses die Ist-Analyse an zwei Stellen statt:zunachst als Teil des unmittelbar ablaufenden Selbstoptimierungsprozes-ses, abschließend als Teil nachfolgender Selbstoptimierungsprozesse beider spateren Nutzung durch weitere Wissensnutzer.

Auf Basis des Sequenzdiagramms wird nun ein Koordinationsmuster”Ver-

teilte Wissensnutzung“ abgeleitet, das die Interaktion zwischen LokalemWissenstrager und Wissensnutzer regelt. Es beschreibt exakt die Ver-haltensanforderungen an die beiden Rollen, wobei auch Echtzeitaspekte


: LokalerWissensträger

: Erfahrungs-gegenstand

erfrageVorgabe()

nutze()

sendeErfahrung()

Exploration

Verhaltensanpassung

Ist-Analyse

adaptiere()

bewerte()

verarbeiteErfahrung()

Wissensnachfrage

: Wissensnutzer

Rolle

Aktivität

Nachricht

: Role

Legende

ZielanpassungadaptiereVorgabe()

Lernen

Ist-AnalyseprüfeStatus()

sendeVorgabe()

Abbildung 3.10: Das grundlegende Szenario als Sequenzdiagramm

erfasst werden konnen. Abbildung 3.11 stellt die Struktur des Koordina-tionsmusters dar. Die beteiligten Rollen sind durch einen Konnektor ver-bunden, der den Kommunikationskanal zwischen ihnen symbolisiert; siesind ferner konzeptionell durch das Koordinationsmuster verbunden, dasdie Kommunikation auf diesem Kanal spezifiziert.

Komponente

Koordinationsmuster

Rolle

: Role

Legende

LokalerWissensträger

Wissensnutzer


Name

Abbildung 3.11: Formalisierung des Wissensaustausches als Koordinati-onsmuster

Ausgehend von der Wirkstruktur und unter Verwendung des Koordinati-onsmusters kann nun ein Komponentendiagramm entwickelt werden. Ab-bildung 3.12 zeigt einen Teil des Komponentendiagramms, namlich dieKomponenten

”Fahrzeug“ und

”Streckenabschnitt“. Deren Verhalten wird


partiell durch das abstrakte Koordinationsmuster”Verteilte Wissensnut-

zung“ beschrieben, das hier konkret zum Austausch der optimierten Vor-gabekurven zwischen dem Shuttle und dem Steuerrechner des Strecken-abschnitts genutzt wird. Das Fahrzeug ubernimmt die Rolle des Wissens-nutzers, der Streckenabschnitt fungiert als Lokaler Wissenstrager.

LW

<<ro>>

Streckenabschnitt

.<<ro>>

Fahrzeug

.


WN

Komponente

Koordinationsmuster

Rolle

: Role

Legende

Name

Abbildung 3.12: Ausschnitt aus dem entsprechenden Komponentendia-gramm

Das geforderte Verhalten fur die beiden Rollen wird in Form von Real-Time Statecharts spezifiziert. Da der Schwerpunkt der Koordinationsmus-ter auf der prazisen Beschreibung einer sicheren Interaktion zwischenKomponenten liegt, wird dabei von lokalem Verhalten, das fur den Ver-lauf der Kommunikation nicht relevant ist, weitgehend abstrahiert. Daherwerden im Beispiel in Abbildung 3.13 konzeptionell wesentliche Schrittewie Bewertung, Zielanpassung oder Lernen nicht explizit erfasst, sondernfließen nur als nichtdeterministisches Verhalten im Rahmen entsprechen-der Zeitschranken in den Statechart ein. Die Wissensnutzer-Rolle (Fahr-zeug) fragt die Wissenstrager-Rolle (Streckenabschnitt) nach einer Vor-gabekurve. Wenn bis zum Erreichen einer Zeitschranke keine Antwortvorliegt, nimmt das Fahrzeug zur Kenntnis, dass keine Kurve verfugbarist, und wechselt auf einen robusten Regler, der ohne Vorgabekurve aus-kommt. Erhalt das Fahrzeug hingegen die gewunschten Informationen,nutzt es sie zum Befahren des Streckenabschnitts und schickt die gewon-nen Erfahrungen an den Streckenabschnitt zuruck. Der Streckenabschnitt(Registry-Rolle) wartet im Wesentlichen auf Anfragen von Fahrzeugenund neue Erfahrungen, die ihm zugesendet werden.

Beim domanenspezifischen Entwurf des reflektorischen Operators wer-den die beschriebenen Koordinationsmuster nun konkret genutzt. Im vor-liegenden Beispiel wird das Koordinationsmuster zweimal angewendet,damit das zu entwerfende Fahrzeug als Wissensnutzer mit zwei Strecken-abschnitten - dem aktuellen befahrenen und dem nachfolgenden - als lo-kalen Wissenstragern gleichzeitig kommunizieren kann, so dass schonbei der Einfahrt in den Streckenabschnitt die Vorgabekurve vorliegenkann. Das Verhalten des Fahrzeugs setzt sich daher aus zwei verfeinertenShuttle-Rollen zusammen und wird um zusatzliche interne Kommunikati-


Zustand

Legende

Zustand

Startzustand

Zustandsübergang

wartenNutze

Wissen

/ lw.erfrageVorgabe

after(20) lw.sendeVorgabe(zRef) /

/ lw.sendeErfahrung(ex)

Lokaler Wissensträger

aktiv

wn.erfrageVorgabe / wn.sendeVorgabe(zRef)

Wissensnutzer

wn.sendeErfahrung(ex) /

Kein Wissen

verfügbar

Abbildung 3.13: Verhalten der Rollen Registry und Shuttle

on erweitert (Abbildung 3.14). Zudem enthalt das dargestellte Statecharthybrides Verhalten zur Beschreibung der Reglerumschaltung fur den Fall,dass keine Vorgabekurve verfugbar ist und auf den robusten Regler ge-wechselt werden muss [GBSO04].


storage:Storage

:Sensor[On]:BC[Reference] :Sensor[On]:BC[Absolute]

:Sensor[Off]:BC[Robust] :BC[Robust] :Sensor[Off]

when(nextSegment)noData? /

when(nextSegment)data(Vector zRef)?

[q < 0.9]

[q < 0.9]

eo.safeEnergy

waitApplyRef

when(!storage.isEmpty())/ data(Vector zRef)!

after(20)

/ registry.requestInfo

RefNotAvailable /storage.add(zRef)

registry.sendInfo(zRef)

when(sectionFinished()) / registry.sendExperience(ex)

waitApplyRef

when(!storage.isEmpty())/ data(Vector zRef)!

after(20)

/ registry.requestInfo

RefNotAvailable /storage.add(zRef)

registry.sendInfo(zRef)

when(sectionFinished()) / registry.sendExperience(ex)

when(nextSegment)data(Vector zRef)? /

AbsAvailableAllAvailable

when(nextSegment)data(Vector zRef)? /

do: q = watchDog.determineQuality()

do: q = watchDog.determineQuality()

RefAvailable NoneAvailabledata(Vector zRef)?

noData?

eo.safeEnergy

eo.resume

eo.resume

dd da

db

dc

Abbildung 3.14: Struktur des Agentenbasierten Shuttle-Systems

Kapitel 4

Abgrenzung zu verwandten Themen

Wie schon einleitend dargelegt wurde, ist die Selbstoptimierung eindomanenubergreifend relevantes Prinzip. Die allgemeine Frage, wie Sys-teme selbststandiger, intelligenter und anpassungsfahiger und dadurchleistungsfahiger, effizienter, vielseitiger und robuster gemacht werdenkonnen, wird mit unterschiedlichen Schwerpunkten in vielen verschiede-nen Fachgebieten beforscht.

Ziel dieses Kapitels ist es, einen Uberblick uber Themen zu liefern, dieden vorgestellten Konzepten und Techniken, insbesondere naturlich demhier definierten Begriff der Selbstoptimierung, inhaltlich nahestehen. Da-bei sollen jeweils entsprechende Forschungsprojekte vorgestellt und vonden Arbeiten im Sonderforschungsbereich 614 abgegrenzt werden. Auf-grund ihrer grundlegenden Bedeutung fur mechatronische Systeme wirdzunachst die Domane Regelungstechnik betrachtet; daran schließt sichdie Domane Informatik an, in der Multiagentensysteme, kunstliche Intelli-genz und eine Auswahl interdisziplinarer Arbeiten eingeordnet sind.

Der Begriff”Selbstoptimierung“ selbst findet sowohl im wissenschaftlichen

als auch im nichtwissenschaftlichen Bereich eine zunehmende Verbrei-tung und wird verstandlicherweise haufig abweichend von der hier vorge-schlagenen Definition verwendet. Gerade im Marketingbereich werden oftProdukte als selbstoptimierend angepriesen, die auf klassischen, rein ad-aptiven Reglern basieren. Auch in der Forschung wird Selbstoptimierungzum Teil fundamental anders definiert, etwa als Eigenschaft eines Sys-tems, aus einer geschickt gewahlten Ausgangskonfiguration

”von selbst“

in einen optimalen Zustand zu streben [Sko00].

Die nachfolgende Zusammenstellung orientiert sich daher primar an Kon-zepten, nicht an Begrifflichkeiten. Die Darstellung ist notwendigerweisestark selektiv und erhebt keinen Anspruch auf Vollstandigkeit, da dasSpektrum aktueller Arbeiten, zu denen Bezuge hergestellt werden konn-

76 4 Abgrenzung zu verwandten Themen

ten, dafur zu breit ist. Da die Selbstoptimierung ein noch junges und dy-namisches Forschungsthema ist, kann an dieser Stelle auch nur eine Mo-mentaufnahme des Forschungsstandes geboten werden.

4.1 Regelungstechnik

4.1.1 Adaptive Regelungen

Es existiert in der Literatur keine einheitliche Definition zum Begriff der ad-aptiven Regelung. Weitgehende Einigkeit besteht hinsichtlich der Aussa-ge: Systeme mit adaptiven Regelungen passen ihr Verhalten sich andern-den Eigenschaften und Messwerten eines zu regelnden Prozesses an.Adaptive Regelungen passen sich also selbstandig an eine veranderteUmgebung an. Dabei werden feste, schon bei der Implementierung be-kannte Adaptionsvorschriften eingesetzt. In der Literatur [ILM92] werdenfolgende Hauptklassen von adaptiven Regelungen unterschieden:

• Beim Feedforward Adaptive Controller (z.B. Gain Scheduling)Feedforward AdaptiveController sind die Auswirkungen von messbaren Einflussen auf das zu re-

gelnde System bekannt. Die gemessenen Einflusse werden direktzur Adaption der Reglerparameter verwendet.

Adaptions-mechanismus

Controller Prozess

-

w(k) u(k) y(k)

z(k)

Legende

Mess- und Stellgrößen

Adaptionsgrößen

w(k): Systemeingangsgrößen (Sollgrößen)

u(k): Reglerausgangsgrößen (Stellgrößen)

y(k): Systemausgangsgrößen (Messgrößen)

z(k): Einflüsse auf das System

Legende


Adaptionsgrößen




z(k): Einflüsse auf das System/Störgrößen

Abbildung 4.1: Feedforward Adaptive Controller [ILM92]

4.1 Regelungstechnik 77

• Der Feedback Adaptive Controller beobachtet Systemanderun- Feedback AdaptiveControllergen durch Messungen von Sytemein- und Ausgangen. Der Adapti-

onsmechanismus passt die Reglerparameter an die beobachtetenAnderungen an.

Adaptions-mechanismus

Controller Prozess

-

w(k) u(k) y(k)

x(k)

Legende


Adaptionsgrößen




x(k): Systemzustände (Zustandsgrößen)

Legende


Adaptionsgrößen

w(k)



)

Abbildung 4.2: Feedback Adaptive Controller [ILM92]

Ein spezieller Feedback Adaptive Controller ist der Model Iden- Model IdentificationAdaptive Controllertification Adaptive Controller (MIAC), der auch

”self-optimizing

controller“ genannt wird. Die Vorgehensweise des Adaptionsprozes-ses in diesen Controllern kommt unserem Verstandnis von Selbst-optimierung schon sehr nah. Der wesentliche Unterschied bestehtjedoch darin, dass nach unserem Verstandnis Selbstoptimierungzusatzlich den Schritt der Anpassung der Ziele enthalt.

Parameter-bestimmung

Prozess-Modell

Prozess

-

w(k) u(k) y(k)

Prozess-identifikation

Controller

Controller-parameter

Legende


Adaptionsgrößen




Legende


Adaptionsgrößen




Abbildung 4.3: Model Identification Adaptive Controller (MIAC)oder

”self-optimizing controller“ [ILM92]


• Selbsteinstellende Regelungen konnen als Sonderform der ad-selbsteinstellendeRegelung aptiven Reglung verstanden werden. So wird bei den selbsteinstel-

lenden Reglern zunachst automatisiert die Regelungsstrecke cha-rakterisiert bzw. identifiziert und anschließend eine entsprechendeReglerdimensionierung durchgefuhrt. Ahnlich wie bei den adapti-ven Regelungsverfahren sind die Dimensionierungsvorschriften apriori bekannt, konnen aber abhangig von der Charakterisierungvariieren. Einfache selbsteinstellende Regelungen beruhen auf denoben genannten automatisierten Ablaufen. Weitergehende Ansatzenutzen auch wissensbasierte Systeme, die sowohl Simulations- alsauch Erfahrungswissen beinhalten. Selbsteinstellende Regelungenhaben besonders fur die Inbetriebnahme eines Systems eine großeBedeutung und sind bereits in vielen Serienprodukten zu finden.

Abgrenzung zum Sonderforschungsbereich 614 und Bedeutung in-nerhalb der Regelungstechnik

Adaptive Regelungsverfahren zeichnen sich besonders dadurch aus,dass sie ein klar definiertes vorherbestimmtes Verhalten annehmen undsich dadurch an eine Umwelt- und Anforderungssituation anpassen. Ad-aptive Regelungskonzepte haben besonders dann eine wesentliche Be-deutung, wenn es um optimale Regelung bezuglich fester Vorgaben undZiele geht.Adaptive Verfahren stellen eine wesentliche Basis fur selbstoptimierendeSysteme dar. Die Erweiterung zur Selbstoptimierung kann als Anpassungvon Adaptionsvorschriften verstanden werden.

4.1.2 Fortgeschrittene Regelungstechnik

Einige wesentliche Forschungsprojekte

Ausgehend von den klassischen Methoden der Regelungstechnik wurdenund werden eine Vielzahl von fortgeschrittenen regelungstechnischenVerfahren entwickelt. Hier werden einige Forschungsprogramme genannt,die in einigen Teilaspekten wichtige Impulse fur die Arbeiten im Sonder-forschungsbereich 614 liefern konnen.

Im DFG-Schwerpunktprogramm KONDISK”Analyse und Synthese

kontinuierlich-diskreter Systeme“ wurden wichtige Grundlagen fur das

4.1 Regelungstechnik 79

Verstandnis gemischter Systeme mit zeitkontinuierlichen und ereignisdis-kreten Komponenten erarbeitet z.B. [AL98], [Bus02], [CL99]. Die Entwick-lung der Methoden in diesem Bereich halt an und ist noch keinesfallsabgeschlossen.

Die Verfahren zum Entwurf robuster Regelungssysteme unter anderemmittels H-Infinity- Methodik, z.B. [PUS00], [Dul00] haben mittlerweileeinen guten Stand erreicht und werden mehr und mehr in Anwendungentatsachlich eingesetzt. Mit Hilfe von Verfahren der Modellreduktion gelingtes, passable Reglerordnungen zu erreichen. Der Einsatz robuster Rege-lungsverfahren ist auch im Kontext der Selbstoptimierung als erganzen-des Verfahren fur einzelne Komponenten angezeigt, wo ein Optimierungs-vorgang oder eine Adaption zu aufwandig erscheint oder zu geringen Nut-zen verspricht.

Der Bereich der nichtlinearen Regelungen zeichnet sich weiterhin durchgroße Methodenvielfalt aus. In den letzten Jahren gelangen aber im Be-reich der flachheitsbasierten Regelungen Fortschritte sowohl in der Me-thodik als auch diese in Anwendungen erfolgreich umzusetzen ([HZ04b],[HZ04a]).

Die Konstruktion von kausalen Ruckfuhrreglern fur optimale Steuerungennichtlinearer Systeme (optimales Kontrollproblem) verzeichnet deutlicheFortschritte. Mittlerweile existieren numerische Verfahren, die direkt auchden unendlichen Zeithorizont behandeln, z.B. [KB94], [GW99], [GJ04].

In dem vom US Defense Advanced Research Projets Agency und USAir Force Research Laboratory durchgefuhrten Forschungsprogramm

”Software-Enabled Control“ wurden erhebliche Anstrengungen unternom-

men, verschiedenste Methoden der Steuerungs- und Regelungstechnik,der Systemmodellierung, -identifikation und -uberwachung und der Op-timierung in einen Gesamtzusammenhang einzubetten, wobei insbeson-dere Fragen des Software-Entwurfsprozesses eine große Rolle spielen[SB03]. Die Anwendungen dieses Forschungsprogramms liegen meist inder Avionik. Dennoch sind die Ergebnisse fur diesen Sonderforschungs-bereich von großem Interesse.

Abgrenzung zum Sonderforschungsbereich 614

Die hier vorgestellten Forschungsprojekte beschaftigen sich mit der Ent-wicklung neuer regelungstechnischer Verfahren, die teilweise auch imSonderforschungsbereich 614 Anwendung finden. Im Sonderforschungs-


bereich liegt der Schwerpunkt allerdings mehr auf der Anpassung dieserVerfahren und ihrer strukturierten Anwendung auf reale mechatronischeSysteme.

4.2 Informatik

4.2.1 Agententheorie

Die Agententheorie bietet ein machtiges Abstraktionskonzept fur den Ent-wurf komplexer Softwaresysteme. Durch die Verwendung von Agenten,aktiven Komponenten mit einer gewissen Verhaltensautonomie, soll einenoch starkere Kapselung erreicht und die Konstruktion intelligenter Sys-teme mit dynamischen Interaktionsmustern vereinfacht werden.

Es existiert bislang keine einheitliche Theorie der Agentenorientierung.Die verbreiteteste Definition des Agentenbegriffs stammt von Jenningsund Wooldridge, die zwischen dem schwachen Agentenbegriff (weakschwacher

Agentenbegriff notion of agency), der Autonomie, Proaktivitat, Reaktivitat und soziale In-teraktion voraussetzt, und dem starken Agentenbegriff (strong notion ofstarker

Agentenbegriff agency), der zusatzlich die Verwendung von Techniken der KunstlichenIntelligenz erfordert, unterscheiden (siehe [WJ95, Woo00]).

Wichtige Forschungsgegenstande der Agentenforschung sind zum einenmodale Logik, Agentenkommunikationssprachen und Wissensreprasen-tation, zum anderen die Erweiterung objektorientierter Entwurfs- und Mo-dellierungstechniken und der Entwurf geeigneter Softwarearchitekturen.


Die Agentenorientierung ist ein grundlegendes Konzept mit Anspruch aufeine der Objektorientierung vergleichbaren allgemeinen Anwendbarkeit,wenn auch mit nicht annahernd demselben Reifegrad. Dementsprechendwird die Agentenmetapher in zahlreichen, sehr diversen Projekten alsStrukturierungsmittel angewendet. Gleichzeitig existieren in diesem nochrelativ jungen Forschungsgebiet zahlreiche Projekte, die grundlegendeKonzepte, Architekturen oder Modellierungsmethoden der Agentenorien-tierung erforschen und weiterentwickeln. Beispiele fur aktuelle Enwurfs-methodologien sind z.B. Gaia [WJK00] oder Tropos [GKMP04], wobei je-

4.2 Informatik 81

de ihre spezifischen Einschrankungen besitzt. Mit Agent UML [OPB00]strebt eine Gruppe von Forschern einen Standard zur Modellierung vonAgentensystemen an. Die FIPA1 versucht, im Bereich der Agentenkom-munikationssprachen einen Standard zu etablieren.

Aufgrund der Vielfaltigkeit der Anwendungsgebiete und in Ermangelungeiner anerkannten standardisierten grundlegenden Theorie und Metho-de der Agentenorientierung vermischen sich die beiden Aspekte in Pro-jekten haufig, da erst geeignete Konzepte und Modellierungsmethodenfur den jeweiligen Verwendungszweck entwickelt werden. So werden et-wa im DFG-SPP 1083 der Wirtschaftsinformatik

”Intelligente Software-

agenten und betriebswirtschaftliche Anwendungsszenarien“ sowohl dietheoretischen und methodischen Grundlagen der Agententechnologie alsauch deren betriebswirtschaftlichen Anwendungen erforscht. In vielenForschungsprojekten wird die Agentenmetapher inzwischen aber auchlediglich als etabliertes Losungskonzept fur komplexe Koordinationspro-bleme genutzt, etwa im DFG-SPP 1103

”Vernetzt-kooperative Planungs-

prozesse im Konstruktiven Ingenieurbau“.


In der Literatur zu Multiagentensystemen lassen sich zahllose Beispie-le fur selbstoptimierendes Verhalten finden, z.B. besonders deutlich inden Bereichen Schwarmintelligenz oder Artificial Life. Auch beinhaltetdie, in der durch die Forschung im Bereich kunstliche Intelligenz ge-pragten Agententheorie außerst einflussreiche, BDI-Logik (Belief-Desire-Intention) [RG91] explizit mit dem Desire-Konstrukt ein Beschreibungs-mittel zur Reflektion uber Ziele, die dann in operationale Ziele in Formvon Intentions umgesetzt werden konnen. Zwar spielt hier der Anpas-sungsschritt haufig eine untergeordnete Rolle, formal erfullen entspre-chende Systeme aber in der Regel die Anforderungen aus der Definitionder Selbstoptimierung.

Wie in der Definition begrundet wurde, kann jedes selbstoptimierendeSystem als Agent gesehen werden. Der Umkehrschluss gilt hingegennicht: es existieren zahlreiche Multiagentensysteme, die nicht selbstop-timierend im Sinne der obigen Definition sind, da keine Reflektion uberZiele stattfindet.

1http://www.fipa.org


Die inhaltliche Abgrenzung zu anderen Forschungsprojekten liegt primarin der Einbettung der Agenten in mechatronische Systeme. Dies erfordertdie Entwicklung von angepassten, vollig neuartigen Entwurfstechniken,die die abstrakte aber prazise Modellierung selbstoptimierenden Verhal-tens unterstutzen und die Moglichkeit zur Verifikation sicherheitskritischenVerhaltens erlauben.

Auf der Ebene der Architekturen ergeben sich – aufgrund des Agenten-charakters selbstoptimierender Systeme nicht uberraschende – Paralle-len zwischen klassischen Agentenarchitekturen und dem Aufbau selbst-optimierender Systeme. Agentensysteme werden in der Regel als Zusam-menspiel zwischen einem Agenten und seiner Umwelt beschrieben, indem der Agent letztere uber seine Sensoren wahrnimmt, aufgrund der ge-wonnenen Information Entscheidungen trifft und anschließend uber seineEffektoren wieder auf seine Umgebung zuruckwirkt [Woo02]. Dieser Zy-klus findet sich in vergleichbarer Form auch in der Definition der Selbstop-timierung mit ihrer Abfolge aus Erfassung des Ist-Zustandes (Sensorik),Zielanpassung (Reflektion) und Verhaltensanpassung (Effektorik).

4.2.2 Kunstliche Intelligenz

Kunstliche Intelligenz (KI) zielt auf die Erzeugung intelligenten Verhal-Kunstliche Intelligenz

tens in technischen Systemen. Die Mitte der funfziger Jahre entstandeneDisziplin umfasst dabei sehr diverse Forschungsgebiete. Grob lassen sichvier Herangehensweisen unterscheiden: menschlich denken (think hum-anly), menschlich handeln (act humanly), rational denken (think rationally)und rational handeln (act rationally) [RN03]. Wahrend der erste Ansatz alsgescheitert anzusehen ist und die Nachbildung menschlichen Verhaltensheute vor allem im Bereich von Benutzerschnittstellen relevant ist, wurdenim Bereich des rationalen Denkens in den vergangenen Jahrzehntenerhebliche Fortschritte gemacht. Aufbauend auf der Tradition der klassi-schen Logik wurde die Pradikatenlogik mit entsprechenden Syllogismen,Inferenzstrategien, Heuristiken, Notationen und Wissensreprasentationenentwickelt. Sie fuhrt auf die sogenannten symbolischen Systeme (sym-symbolisches System

bolic system), in denen Wissen explizit modelliert und reprasentiert wird.Diese Ansatze sind sehr erfolgreich beim Losen komplexer Probleme ineinem abstrakten Kontext (z.B. Schach), stoßen aber theoretisch hinsicht-lich ihrer Berechenbarkeit und Verifizierbarkeit und praktisch beim Um-gang mit komplizierten Umweltsituationen an ihre Grenzen. Im Gegen-satz dazu beurteilt der Ansatz des rationalen Handelns die Intelligenzeines Programms im Sinne einer behavioristischen Perspektive nur nach

4.2 Informatik 83

seinem beobachtbaren Interaktionsverhalten und nicht nach seinen Ent-scheidungsprozessen. Welches Verhalten rational ist, wird dabei in Un-kenntnis der optimalen Losung empirisch anhand von Erfolgsquoten de-finiert. Diese Sichtweise fuhrt auf die subsymbolischen Systeme (sub- subsymbolisches

Systemsymbolic system), in denen Wissen uber die Umwelt nicht explizit durchSymbole kodiert ist. In diesem Kontext wurden neue empirische Verfah-ren vorgeschlagen, etwa

”naturanaloge“ Heuristiken wie neuronale Netze

oder genetische Algorithmen. Diese Ansatze stehen nicht im strikten Wi-derspruch zu symbolischen Systemen; so wird etwa die Kombination sub-symbolischer Lernverfahren zur Erzeugung einer Wissensbasis mit einemsymbolisch schließenden System untersucht [BKKN03]. Daneben entwi-ckelte sich ein Trend zur großeren Spezialisierung, generische Konzep-te mit umfassendem Anspruch traten in den Hintergrund und domanen-spezifisches Wissen gewann an Bedeutung. In diesem Zusammenhanggewannen auch verteilte Problemlosungsstrategien an Bedeutung, wobeihaufig dezentrale Systeme aus einfachen Komponenten ohne hochentwi-ckelte Intelligenz aufgebaut werden [Bro91].

Eine grundlegende Debatte dreht sich um die Frage, ob prinzipiell aufder Grundlage heutiger Rechnerarchitekturen Intelligenz auf menschli-chem Niveau emulierbar ist (Strong AI-Hypothese) oder nicht (Weak AI-Hypothese). Hier ist ein Paradigmenwechsel erkennbar, da viele aktuelleProjekte sich mit teilintelligenten Multiagentensystemen beschaftigen, dieeinfache Probleme in einer komplexen Umwelt losen konnen (z.B. Fuss-ball).

Das Ziel wissensbasierter Systeme ist es, die richtigen Informationenzur richtigen Zeit am richtigen Ort in der richtigen Qualitat zu den richti-gen Kosten verfugbar zu machen. Ein herausragender Aspekt wissens-basierter Systeme ist die Trennung von Fachbereichswissen und Pro-blemlosungswissen. Dabei kann das Wissen nach [Suh93] in drei Ka-tegorien aufgeteilt werden: Fachbereichswissen (Domanenwissen, sta-tisches Wissen) reprasentiert das Wissen uber die im Anwendungs-bereich verfugbaren Wissensobjekte. Problemspezifisches Wissen (Pro-blemlosungswissen, dynamisches Wissen) bezieht sich auf die konkretvorliegende Aufgabenstellung. Allgemeines Problemlosungswissen ver-knupft das Fachwissen mit dem problemspezifischen Wissen, z.B. durchStrategien, Anweisungen und Reihenfolgewissen.

Drei Hauptfunktionalitaten wissensbasierter Systeme lassen sich un-terscheiden: Wissensreprasentation, Wissensverarbeitung und Wis-sensableitung. Wissen kann je nach Einsatzzweck und Aufgabenstellungunterschiedlich reprasentiert werden, u.a. regelbasiert, fallbasiert, fra-


mebasiert, constraintbasiert, mit Hilfe von semantischen Netzen, Truth-Maintenance-System (TMS)-basiert, Blackboard-basiert und auf neuro-nalen Netzen basiert. Eine Sortierung und Klassifikation erfolgt durch Be-griffshierarchien wie Ontologien, Thesauri und Dictionaries. Die Verarbei-tung vorhandenen Wissens basiert im Wesentlichen auf verschiedenenSuchmethoden zur kontextsensitiven Bereitstellung des benotigten Wis-sens, z.B. Methoden zur blinden Suche, heuristische Suche, und Such-verfahren aus der Spieltheorie. Die Ableitung von neuem Wissen ausbestehendem Wissen kann nach den Prinzipien der Deduktion, der Ab-duktion oder der Induktion erfolgen. Bei der Deduktion wird ein Beweiseiner Aussage aus Axiomen durch formale Schlussfolgerungsverfahrengefuhrt. Die Abduktion versucht aus Kausalwissen und Beobachtungenauf neues Wissen zu schließen. Bei der Induktion werden Gesetzmaßig-keit aus vielen Einzelbeobachtungen abgeleitet und daraus neues Wissengeneriert.

Bei der regelbasierten Kodierung von Expertenwissen spielt die Theorieder unscharfen Mengen [Zad65] eine wichtige Rolle. Fuzzy Logic erlaubtes, unprazise naturlichsprachliche Aussagen formal zu erfassen und ausihnen Schlusse zu ziehen. Im Kontext mechatronischer Systeme wird sie,besonders im asiatischen Raum, fur intelligente Regler eingesetzt.

Vorausschauendes Verhalten ist eng mit der Erzeugung von Planen ver-bunden. Klassische Planungsmethoden sind fur den Einsatz im Kontextmechatronischer Systeme in der Regel nicht geeignet, da sie Echtzeit-und Sicherheitsanforderungen nicht berucksichtigen. Hier sind zum einenhierarchische Ansatze, die einen Aufgabengraphen in wiederverwendba-re primitive Aufgaben zerlegen, und zum anderen temporallogische Pla-nung, bei der Planungsziele mit temporallogischen Formeln als Gultig-keitskriterien annotiert werden konnen, von Interesse.


Das Projekt Fynesse 2 versucht, neuronale Netze mit Fuzzy-Systemenzu verbinden, die die Dynamik unbekannter Systeme ohne Vorwis-sen selbststandig erlernen konnen. Zur Erreichung eines vorgegebenenSteuerungsziels wird dazu das dynamische Verhalten der Regelungsstre-cke vom System analysiert. Der Ansatz ist jedoch nicht direkt auf sicher-heitskritische Systeme ubertragbar, da keine Entkoppelung zwischen denverwendeten Heuristiken und dem Regelungskreis vorliegt.

2http://www.info.uni-karlsruhe.de/spott/Dfg/fynesse.html

4.2 Informatik 85

Der Sonderforschungsbereich 531”Design und Management komple-

xer technischer Prozesse und Systeme mit Methoden der computationalIntelligence“ befasst sich mit Methoden der Computational Intelligence(CI), wobei unter anderem Fuzzy Logic, neuronale Netze und evolutionareAlgorithmen genutzt werden. Er betreibt vornehmlich mathematisch-theoretische Grundlagenforschung zur Verwendung und besonders derKombination dieser Verfahren.

Wissensbasierte Systeme werden in der Konstruktionstechnik zur Un-terstutzung der Entwicklung klassischer maschinenbaulicher Systemeeingesetzt. Dabei werden speziell die Phasen der Anforderungsmodel-lierung, der Funktionsmodellierung, der Prinzipmodellierung und der Ge-staltmodellierung sowie die Diagnose und Simulation mechatronischerSysteme durch entsprechende Systeme unterstutzt. ModCoDe und Wi-sent [WB02] bieten die Konzeption auf Basis von Wirkelementen undInformationsmanagement fur komplexe Entwicklungsprozesse, Scheme-builder Mechatronics [NPB03] und Goldfire Innovator (ehemals TechOp-timizer) [IMC] eine wissensbasierte Modellierung der Prinziplosung. EineEntwicklungssystematik fur wissensbasierte Diagnosesysteme bietet D3-Web [Pup98]; MOLTKE [KD93] ist ein fallbasiertes System fur die Dia-gnose technischer Systeme. Beispiele fur eine wissensbasierte Simulati-on sind The Multimodal Assembly Expert (MAX) und Concept Dynamics(CODY) der Arbeitsgruppe Wissensbasierte Systeme an der UniversitatBielefeld [KJLW03] und FluidSIM der Fachgruppe Wissensbasierte Sys-teme an der Universitat Paderborn, ein Simulator fur fluidische Systeme[SCH98]. Bislang sind jedoch keine Konzepte, Vorgehenssystematikenoder Werkzeuge bekannt, die die wissensbasierte Entwicklung von Sys-temen unterstutzen, die das Paradigma der Selbstoptimierung beinhalten– also insbesondere die wissensbasierte Modellierung intelligenten auto-nomen Verhaltens.


Selbstoptimierung kann selbst als Form kunstlicher Intelligenz angesehenwerden, da sie ein moglichst rationales Verhalten des Systems erzielensoll. Allerdings verlangt Selbstoptimierung zwar die Anpassung von Zie-len, ist aber insgesamt eher dem Bereich des ergebnisorientierten

”ra-

tionalen Handelns“ zuzuordnen und macht somit keine Aussagen uberinterne Prozesse. Somit ist sie auch neutral bezuglich der Verwendungvon Methoden der KI im engeren Sinne. Der Einsatz von Methoden einer

”starken KI“ wie symbolischer Logik ist moglich, z.B. auf der Ebene des


kognitiven Operators der vorgeschlagenen OCM-Architektur, jedoch nichtzwingend notwendig. Eine zusammengesetzte Selbstoptimierung kannMethoden der verteilten KI verwenden, gerade bezuglich der Kooperationteilintelligenter Subsysteme, unterliegt aber ebenfalls keinen Mindestan-forderungen bezuglich ihrer Intelligenz oder Komplexitat.

Andererseits geht die Selbstoptimierung mechatronischer Systeme durchdie durchgehende konzeptionelle Einbeziehung der mechanischen undregelungstechnischen Ebene deutlich uber den Betrachtungsgegenstandder KI hinaus. Ziel des Sonderforschungsbereich 614 ist die Umsetzungselbstoptimierenden, also in der Reaktion auf eine komplexe Umwelt in-telligenten, Verhaltens im Rahmen realer, sicherer, praxistauglicher me-chatronischer Systeme, wobei das Treffen intelligenter Entscheidungennur einen Aspekt des spezifischen Gesamtproblems darstellt.

4.2.3 Sonstige Forschungsprojekte

Autonomic Computing (AC) Architecture

Die Autonomic Computing Architecture Initiative [KC03] fokussiertsich auf Rechnersysteme. Dabei werden vier Aspekte des Selbstmana-gements (self-management) von Rechnersystemen unterschieden. DieSelbstkonfiguration (self-configuration) beschreibt die automatischeSelbstkonfiguration

Konfiguration von Komponenten des Systems und folgt so genann-ten high-level policies. Bei der Selbstoptimierung (self-optimization)Selbstoptimierung

suchen Komponenten und Systeme kontinuierlich Moglichkeiten, ihreeigene Leistung und Effizienz zu steigern. Die Selbstheilung (self-Selbstheilung

healing) umfasst Aspekte, bei denen Systeme automatisch Software-und Hardware-Probleme entdecken, diagnostizieren und reparieren.Schließlich wird durch den Selbstschutz (self-protection) erreicht, dassSelbstschutz

sich Systeme automatisch gegen Angriffe von außen verteidigen. DieseSysteme nutzen ein Fruhwarnsystem, um Systemfehlfunktionen fruhzeitigzu erkennen und einen systemweiten Ausfall zu vermeiden. Die darge-stellten Aspekte erscheinen im Rahmen des Sonderforschungsbereich614 insbesondere fur die Arbeiten in den Bereichen der Rekonfigurationund der Sicherheit wesentliche Impulse geben zu konnen.

Organic Computing (OC)

Aktuelle Projekte zum Organic Computing verfolgen ahnliche Zielewie die Autonomic Computing Architecture, setzen dabei jedoch aus

4.2 Informatik 87

Disziplinen wie Biologie, Verhaltensforschung, Psychologie, Informatikund Ingenieurwissenschaften kopierte naturanaloge Verfahren ein. Zudiesem Themenbereich existieren zwei unabhangige Forschungspro-jekte, die von der Europasischen Union und der DFG3 bzw. der GI unddem VDE4 gefordert werden, sowie ein Schwerpunktprogramm derDFG, das Anfang 2005 aufgenommen werden soll. Die Arbeiten sindwiederum fur den Sonderforschungsbereich von Interesse, wobei sienoch nicht die speziellen Bedurfnisse und scharferen Zeitrestriktionensicherheitskritischer mechatronischer Systeme berucksichtigen.

Self-Optimizing Software

Im Rahmen des DARPA Projektes zu Self-Adaptive Software wirdselbstadaptive Software wie folgt definiert ([DAR97], eigene Uberset-zung):

”Selbst-adaptive Software evaluiert ihr eigenes Verhalten und andert ihr

Verhalten, wenn absehbar ist, dass die Software ihren ursprunglichen Ein-satzzweck nicht erreicht oder wenn eine bessere Funktionalitat oder Leis-tung erreichbar zu sein scheint.“

Hinsichtlich der Arbeiten im Sonderforschungsbereich, ist besonders dieIdee hervorzuheben, Entscheidungen bezuglich des Verhaltens von Sys-temen vom Entwicklungszeitpunkt auf den Laufzeitpunkt zu verlagern.Dieses Paradigma wird durch mehrere Hypothesen untermauert. Es isteinfacher und oftmals effizienter, gewisse Entscheidungen so lange zuverschieben, bis ihre Notwendigkeit aus den dann vorherrschenden Be-dingungen offensichtlich wird. Es ist oftmals einfacher ein Programm zuerstellen, das seine Leistungen uberwacht und Fehler selbst behebt, alsein langes Programm zu schreiben, das versucht Fehler zu vermeiden.Dadurch, dass Entscheidungen zur Laufzeit gefallt werden, wenn mehr In-formationen uber die aktuelle Umwelt zur Verfugung stehen als zum Ent-wicklungszeitpunkt des Programms, wird es moglich, eine besser geeig-nete Vorgehensweise zum Erreichen der beabsichtigten Ziele zu wahlen.

Muster zur Selbstadaption (Self-Adaptive Patterns)

In [LRS03] werden Anforderungen zum Entdecken, Charakterisierenund Katalogisieren von Muster gestellt, die den Kern einer Methodefur Software-Adaptivitat bilden. Das Muster Indirekter Aufruf (indirect indirekter Aufruf

invocation) hat die Entkopplung vom Aufruf eines Dienstes und der

3http://www.organic-computing.org4http://www.gi-ev.de/download/VDE-ITG-GI-Positionspapier Organic Computing.pdf


Methode, die dieser Dienst zur Verfugung stellt zum Ziel. Bei dem MusterEntscheidungsbasierter Aufruf (decision theoretic invocation) ruftentscheidungs-

basierter Aufruf ein Diensteanforderer einen abstrakten parametrisierbaren Dienst auf.Ressourcen werden gegen Kosten zur Verfugung gestellt. Der Anfordererhat eine Nutzlichkeitsfunktion (utility function), mit der er sein Kosten-Nutzlichkeitsfunktion

Nutzen-Verhaltnis nach Aufruf des Dienstes bewertet. Das BlackboardMuster erlaubt einer Vielzahl verschiedener Wissensressourcen aufunterschiedlichem Abstraktionsniveau kooperativ Probleme zu losen.Des Weiteren werden noch Muster zur Selbstuberwachung (self-Selbstuberwachung

monitoring), Selbstdiagnose (self-diagnosis) und WiederherstellungSelbstdiagnose

Wiederherstellung (self-recovery) gefordert.


Die beschriebenen Ansatze beziehen sich meist auf Systeme in derSoftware- bzw. Computer-Hardware Domane. Es sind nur wenige Un-tersuchungen bekannt, in denen maschinenbauliche Systeme die Basisder Forschung sind [BWSG98]. Im Unterschied zu reinen softwaretech-nischen Systemen, besitzen jedoch maschinenbauliche Systeme beson-dere Anforderungen gerade in den Bereichen der Echtzeitfahigkeit undRekonfiguration, die von den beschriebenen Ansatzen konzeptionell nochgar nicht betrachtet werden.

Kapitel 5

Anwendungsbeispiele

Im Folgenden werden Anwendungsbeispiele fur Selbstoptimierung imoben definierten Sinn vorgestellt. Dazu erfolgt zunachst eine Beschrei-bung der Demonstratoren des Sonderforschungsbereich 614, wobei je-weils aufgezeigt wird, in welcher Weise die Prinzipien der Selbstoptimie-rung zum Tragen kommen. Die vorgestellten Demonstratoren werden an-schließend beispielhaft in den Rahmen der oben vorgeschlagenen Klas-sifikationen der Selbstoptimierung eingeordnet.

Bei den Demonstratoren handelt es sich um Prufstande und Simulations-modelle, die Untersuchungen an verschiedenen Teilfunktionen eines Li-nearmotor getriebenen Schienenfahrzeugs (Shuttles) ermoglichen. Abbil-dung 5.1 zeigt die vereinfachte Wirkstruktur eines Shuttles. Das Shutt-le besteht aus zwei Fahrmodulen, die jeweils ein Feder-Neigmodul, eineSpurfuhrungsmodul und ein Antriebsmodul enthalten. Diese Module rea-lisieren die Hauptfunktionen

”Antreiben und Bremsen“,

”Beeinflussen der

Aufbaudynamik“ und”Spur fuhren“. Hervorzuheben ist, dass die Funkti-

on”Antreiben und Bremsen“ nur in Kombination der Antriebsmodule ei-

nes Shuttles und eines Statorabschnittes der Strecke umgesetzt werdenkonnen. Ein weiteres wichtiges Element ist das Energieversorgungsmo-dul.

Die nachfolgende Darstellung soll die Prinzipien der Selbstoptimierung il-lustrieren und hat nicht die Aufgabe, die Demonstratoren zu dokumentie-ren. Sie verzichtet daher weitgehend auf detaillierte technische Beschrei-bungen. Diesbezugliche Details konnen den entsprechenden Publikatio-nen des Sonderforschungsbereichs entnommen werden.

90 5 Anwendungsbeispiele

Fahr

mod

ul 2

(Ach

se 2

)

Trag-struktur

Stator-abschnitt

Antriebs-modul 1

Energie-verorgungs-

modul

Spur-führungs-modul 1

Feder-/Neige-modul 1

Außenhaut

MFG-Streckenabschnitt

Fahrmodul 1(Achse 1)

Schienen-weg

Energiever-sorgung

MFG-Antrieb anreiben und bremsen

IL1.1 ,IL1.2 IL2.1 ,IL2.2

F1

F2

IS

FmFBeschl.

FWind

aV

X

PL1.1, PL1.2

PL2.1, PL2.2

MFG-Spur-führung

MFG-Feder-/Neigetechnik

Hydraulik-aggregat

phydr.

phydr.

PHydraulik

X „Position“

V*

P*L

(zur

Arb

eits

punk

t

steu

erun

g)

PSonstiges

Arbeitspunkt-steuerung

Regler der Längsdynamik

IL1.1* ,IL1.2*IL2.1* ,IL2.2*

F*

Mensch-Ma-schine-

Schnittstelle

F

F

F

Funkkom-munikation

Is* ,fs*

V

Stator-abschnitt

Stator-abschnitt

PS

Stator-abschnitt

Abschnitts-verwaltung

Is* ,fs*

Is* ,fs*

F

PS

PS

PS

FF

F

mSh.

Legende

xxx xx

xx

Element

logische Gruppe

Systemgrenze

Energiefluss

Informationsfluss

Stofffluss

Parameter

Einfluss

Erfassung einer Größe

Verknüpfung

Aggregation von n Beziehungen (hier n=2)

Shuttle

Verbindungs-punkt

FRoll

V*

Zielexx

X

Vor-gaben

Abbildung 5.1: Positionierung der Demonstratoren im Shuttle

5.1 Antriebs-Bremsmodul 91

5.1 Antriebs-Bremsmodul

Das Antriebs-Bremsmodul (AB-Modul) stellt eine zentrale Grundfunkti-on fur ein Fahrzeug zur Verfugung. Dabei hat das AB-Modul in dem furden Sonderforschungsbereich 614 gewahlten Demonstrator (ein Schie-nenfahrzeug mit einem doppelt gespeisten Linearantrieb) mehrere Funk-tionen. Neben den Hauptfunktionen des verschleißarmen Antreibens undBremsens besitzt das AB-Modul die Nebenfunktionen Energie zu ubert-ragen (von der Strecke zum Fahrzeug) sowie die Regelung der Nickbe-wegung der Einzelachse eines jeden Fahrmoduls. An dem Linearmotor-prufstand des AB-Moduls werden die im Sonderforschungsbereich 614entstandenen Strukturierungen fur die Selbstoptimierung wie auch diepraktische Anwendung von neuen Optimierungsstrategien und Algorith-men erprobt. Dabei kann auch die im Sonderforschungsbereich 614 ent-wickelte rekonfigurierbare Hardware zum Einsatz kommen.

Der Prufstand besteht aus einem Wagen, der durch zwei Lauferelemen-te uber einen mit Statorelementen ausgestatteten Schienenweg von ca.8 m Lange bewegt werden kann. Die Lauferelemente in Verbindung mitden Statorelementen stellen den Antrieb dar. Uber leistungselektronischeStellglieder, die Stromrichter, ist es moglich, gezielt Strom in den Antriebeinzupragen. So ergeben sich die erforderlichen Schub- und Normalkraftesowie die Energieubertragung im Antrieb. Um diese Vorgange zu regeln,ist auf dem Fahrzeug eine Echtzeitrecheneinheit installiert. Erganzend zudieser Hardware steht ein PC-System zur Verfugung, auf dem neben denOptimierungen auch Wissensbasen realisiert werden. Im Folgenden wer-den zwei Optimierungsaufgaben vorgestellt, die jeweils unterschiedlicheAspekte der Selbstoptimierung aufzeigen sollen.

5.1.1 Optimierungsaufgaben

Am Prufstand des AB-Moduls werden die beiden nachfolgend beschrie-benen Optimierungsaufgaben behandelt. Sie sind unabhangig voneinan-der und zeigen unterschiedliche Aspekte der Selbstoptimierung.

Beispiel: Fahrprofile

Die Grundfunktion, das Fahren von einem Ort zu einem anderen,kann auf sehr unterschiedliche Art realisiert werden. Bei Verwendungklassischer Ansatze werden die Beschleunigungs- und Bremsvorgange


einmal festgelegt und anschließend automatisch abgefahren. Dabeifindet keine Anpassung an unterschiedliche Gegebenheiten statt. Sollenallerdings unterschiedliche Maximalbeschleunigungen, Anforderungenan Komfort und Energieeffizienz berucksichtigt werden, dann ist eineAnpassung der Beschleunigungs- und Bremsprofile unumganglich.Eine Abwagung der unterschiedlichen Anforderungen kann mittelsOptimierung erfolgen. Es ergeben sich aus der Aufgabe, Fahren von Anach B, als Ergebnis Vorgaben fur Positions-, Geschwindigkeits- undBeschleunigungsverlaufe. Hierbei sind die Abhangigkeiten von maximalerzielbaren Schub- und Bremskraften sowie der zulassigen maximalenGeschwindigkeit zu berucksichtigen. Das Ziel

”Ankommen am Zielort“ ist

inharent und obligatorisch. Die Optimierungsziele Zeit-, Energiebedarfs-reduktion sowie Komforterhohung sind fakultativ. Insbesondere diesefakultativen, also wahlfreien, Optimierungsziele, konnen durch unter-schiedliche Gewichtung den selbstoptimierenden Aspekten Rechnungtragen. So kann beispielsweise eine Verschlechterung des Komfortszugunsten eines geringeren Energiebedarfs zugelassen werden. Dabeiliegt die Entscheidung, ob dieses Verhalten zulassig ist, bei einemubergeordneten Entscheidungstrager. Bei dieser Entscheidung konnenz.B. altruistische Optimierungsstrategien verfolgt werden. Aber auch dieobligatorischen Ziele verdeutlichen die selbstoptimierenden Aspekte.Eine zur Verfugung stehende Energiemenge wird als obligatorisches Zielaufgefasst. Ist diese Menge Energie fur ein auszufuhrendes Fahrmanoverunzureichend, so wird durch den Optimierer die benotigte Energiemengeso weit wie moglich minimiert. Andere Module konnen durch Ausloseneines Ereignisse ggf. dazu gebracht werden, auf Energie zu verzichten.Somit werden Ziele anderer Systeme durch diese Optimierung verandert.

Beispiel: Arbeitspunktsteuerung des Linearmotors

Ausgehend von der Tatsache, dass die erzeugten Krafte proportio-nal von dem Produkt der Laufer- und Statorstrome abhangen, ergibtsich die Frage, wie dieses Produkt aufzuteilen ist. Das Aufteilen diesesProduktes wird als Arbeitspunktsteuerung bezeichnet. Ferner wirddurch die Arbeitspunktsteuerung die Frequenz von Stator- bzw. Laufer-strom vorgegeben. Dabei gilt, dass die Differenz dieser Frequenzenvon der Fahrzeuggeschwindigkeit abhangt. Durch die Vorgabe derFrequenz und Strome lasst sich die Energieubertragung zwischenFahrzeug und Strecke maßgeblich beeinflussen. Daher ergibt sich fur dieArbeitspunktsteuerung die Aufgabe, die Vorgaben aus dem Energiema-nagement (die zu ubertragende Leistung) sowie die Vorgaben aus derGeschwindigkeitsregelung (die zu stellende Schubkraft) zu erfullen. AlsAbhangigkeiten sind insbesondere die Verluste im Linearmotor sowie die


Normalkrafte, die fur die Nickregelung bereitgestellt werden mussen, zuberucksichtigen. Ferner sind die zum Teil ortsabhangigen Motorparame-ter, wie z.B. der Luftspalt zwischen Laufer- und Statorelement, fur dieOptimierung relevant. Das Ergebnis stellt die Aufteilung der Strome sowiedie Vorgabe der Frequenz dar. Als obligatorische Optimierungszielegelten die zu erzielende Schubkraft sowie die zu ubertragende Leistung,wobei die Schubkraft aus Grunden der Sicherheit i. Allg. eine hoherePrioritat besitzt. Der Wirkungsgrad des AB-Moduls sowie der Strom-richternutzungsgrad sind als fakultative Optimierungsziele anzusehen.Da die Bereitstellung der Schubkraft z.B. bei Konvoifahrten als extremsicherheitskritisch anzusehen ist, sind fur diese Optimierungsaufgabenegoistische Optimierungsstrategien von großer Bedeutung. Bei dieserOptimierungsaufgabe kommen insbesondere durch das Zusammenspielmit dem Energiemanagement als auch der standigen Anpassung andie aktuellen Motorparameter die Prinzipien der Selbstoptimierung zumTragen.

5.1.2 Ablauf der Selbstoptimierung

Ausgehend von dem grundsatzlichen Ablauf der Selbstoptimierung, der inKapitel 2.2 beschrieben ist, erfolgt hier die Konkretisierung fur die beidenoben genannten Beispiele.


Fahrprofile werden ublicherweise vor einer Fahrt bzw. einem Fahr-manover bestimmt. Dabei wird davon ausgegangen, dass sich dieEinflusse auf das System wahrend des Manovers nicht andern.


Bei der Analyse der Situation werden zunachst die Komfort-und Zeitvorgaben des Benutzers erfasst. Aufgrund einer Abfrageder zur Verfugung stehenden Energie und Spitzenleistung wirdder Einfluss anderer Systeme bestimmt. Daruber hinaus wird dersystemeigene Parameter (aktuelle) Fahrzeugmasse identifiziert.Eine Erfassung der Umweltsituation, insbesondere von wahrschein-lichem Fahrtwind sowie von Hohenprofilen, ist zwar denkbar, jedochfur die Realisierung an einem ebenen Prufstand in einer Halle nichtsinnvoll.


2. Bestimmung von Zielen

Folgende Ziele sind inharent:

(a) minimaler Energiebedarf,

(b) geringer Verschleiß.

Aus der Analyse der Einflusse werden folgende Ziele bestimmt:

(a) maximal zulassige Werte fur Ruck und Beschleunigung,

(b) minimal erforderliche Durchschnittsgeschwindigkeit.


Die Anpassung des Systemverhaltens besteht in diesem Bei-spiel aus den Schritten:

(a) Bestimmung der Sollwertvorgaben fur Geschwindigkeit, Ort

(b) sowie der Vorgabe dieser Referenzprofile.



Da die Arbeitspunktsteuerung vollstandig in das System desShuttles eingebettet ist, erfolgen keine Vorgaben durch den Benut-zer. Die Umwelt beeinflusst die Arbeitspunktsteuerung nur indirektdurch die Veranderung der Parameter des Linearmotors (Luft-spalts). Einflusse anderer Systeme wirken sich durch die Vorgabeder zum Shuttle zu ubertragenden Leistung aus. Aus dem Systemselbst ergibt sich eine Beeinflussung durch die Veranderung desLauferwiderstands aufgrund von Erwarmung infolge des einge-pragten elektrischen Stroms. Storungen der Nickregelung durchAnregungen, die aus der Feder-Neigetechnik des Fahrzeugesherruhren, erfordern eine hinreichend große Stellreserve fur dieKraft bildenden Strome.


Als inharente Ziele gelten:

(a) der vom Energieversorgungsmodul geforderte Leistungsfluss,

(b) die geforderte Schubkraft


(c) sowie hoher Wirkungsgrad.

Ziele, die sich aus der Analyse der Ist-Situation ergeben sind:

(a) Bereitstellung der erforderlichen Stellreserve fur Schub- undNormalkrafte

(b) sowie eine geringe Laufertemperatur bzw. hohe Energieeffizi-enz im fahrzeugseitigen Teil des Antriebs.


Nach der Generierung der Ziele wird eine optimale Mengevon Arbeitspunkten bestimmt. Durch eine Entscheidungsfunktionwird aus dieser Menge die zu verwendende Einstellung ausgewahlt.Nachdem der Arbeitspunkt festgelegt ist, wird dieser den leistungs-elektronischen Stellgliedern auf der Strecke und im Fahrzeugvorgegeben.

5.1.3 Einordnung

Bei den beschriebenen Anwendungen der Selbstoptimierung wird davonausgegangen, dass das AB-Modul keine fur die Optimierungsaufgabe re-levanten selbstoptimierenden Subsysteme enthalt. Die Selbstoptimierungist daher als individuelle Selbstoptimierung einzustufen.

Form der Optimierung (zu Kapitel 2.3.1): Da fur die Optimierung ma- Form der Optimierung

thematische Modelle des Antriebs bzw. des Fahrzeuges genutzt werden,sind die hier vorgestellten Optimierungen als modellbasiert einzustufen.Durch den Einsatz einer ahnlichkeitsbasierten Suche in einer Wissens-basis, die insbesondere durch bereits optimierte Ergebnisse sowie Erfah-rungswissen gespeist wird, kommen verhaltensbasierte Prinzipien hinzu.Somit ergibt sich insgesamt eine kombinierte Optimierung. Die Vorteileder Kombination von modellbasierter und verhaltensbasierter Optimie-rung werden besonders aufgrund der geringen zur Verfugung stehendenReaktionszeiten im AB-Modul deutlich, da die Abfrage einer Wissensba-sis i. Allg. schneller ablauft als eine z.B. auf Simulationen basierende Op-timierung. Daruber hinaus kann das Erfahrungswissen eine wiederholteAnwendung von Optimierungsergebnissen, die aus unzureichenden Mo-dellen entstanden sind und den Erwartungen nicht entsprochen haben,verhindern.


Zeitpunkt und Ablauf (zu Kapitel 2.3.2): Die hier vorgestellten Optimie-Zeitpunkt und Ablauf

rungen sollen zu einer Verbesserung des Systemverhaltens wahrend derLaufzeit fuhren. Dabei wird davon ausgegangen, dass die Optimierungder Fahrprofile vor einem Beschleunigungs- bzw. Bremsmanover durch-gefuhrt wird. Es ergibt sich somit eine ereignisgesteuerte Optimierung. Imzweiten Beispiel ist aufgrund des ortsabhangigen Motorparameters Luft-spalt eine Optimierung erforderlich, die entweder standig (kontinuierlich)oder ereignisgesteuert ablauft. Im Falle einer signifikanten Abweichungdes aktuellen Luftspalts vom zuvor berucksichtigten Luftspalt kann ei-ne ereignisgesteuerte Optimierung ausgefuhrt werden. Beide genanntenOptimierungsaufgaben haben direkt Einfluss auf das Verhalten und dieSicherheit des Prufstandes. Es ist daher zwingend notwendig, dass alleEinstellungen, die aus den Optimierungsergebnissen folgen, uberwachtwerden. Diese Uberwachung sowie die Regelungen des Linearmotorssind unter harten Echtzeitbedingungen durchzufuhren. Die Optimierun-gen als solches konnen unter sehr weichen Echtzeitbedingungen erfol-gen. Wenn eine Optimierung abgeschlossen ist, kann das Ergebnis andie Echtzeitumgebung ubertragen und dort eingestellt werden. Das setztallerdings voraus, dass die Bedingungen, die der Optimierung zugrundegelegen haben, immer noch aktuell sind. Sind sie es nicht, so kann dasOptimierungsergebnis in einer Wissensbasis abgelegt werden und stehtso fur eine spatere Anwendung zur Verfugung. Sollte eine ahnliche Situa-tion mit vergleichbaren Bedingungen erneut auftreten, so kann durch dieAbfrage einer entsprechend organisierten Wissensbasis sehr schnell ei-ne naherungsweise optimale Losung zur Verfugung gestellt werden. Dieparallel ablaufende modellbasierte Optimierung verbessert uberdies dasSystemverhalten.

Sicherheitsaspekte (zu Kapitel 2.3.3): Obwohl jede Einzelachse uber einSicherheitsaspekte

eigenes AB-Modul verfugt, sind die Aktoren des Moduls nicht redundant.Daher ist es von entscheidender Bedeutung, einen Ausfall der Aktorenund damit eines AB-Moduls zu verhindern. Sollte eine Situation eintre-ten, die zu einem Ausfall fuhren konnte, so mussen unverzuglich Ge-genmaßnahmen ergriffen werden. So konnte beispielsweise eine thermi-sche Uberbeanspruchung eines Lauferelementes infolge unzulassig ho-her Lauferstrome zu irreversiblen Schaden und letztlich zum Ausfall desAktors fuhren. In einem solchen Fall ist der Strom zunachst zu begrenzenund falls erforderlich sogar abzuschalten. Dabei muss jedoch beachtetwerden, dass der Motor auch zum Bremsen genutzt wird. Somit muss ei-ne Grundfunktionalitat gegebenenfalls auch zulasten des Aktors erhaltenbleiben. Regler, die eine solche Grundfunktionalitat bereitstellen, mussenallerdings kein optimales Verhalten aufweisen. Diese Regler mussen le-diglich schnell und zuverlassig zum Einsatz gebracht werden konnen. Sie


sind daher heterogen redundant zu den Reglern des selbstoptimieren-den Systems zu realisieren. Diese Ruckfallebene muss im Falle des AB-Moduls ein fail-operation Verhalten ermoglichen. Fail-safe Verhalten ist furdas AB-Modul insbesondere bei Konvoifahrt unzureichend. Neben der in-ternen Uberwachung im AB-Modul kann eine externe Uberwachung dasVerhalten der beiden im Fahrzeug vorhandenen AB-Module auf Plausibi-litat prufen (kontrollierte Sicherheit).

Typisierung und Struktur (zu Kapitel 2.3.4): Die Ermittlung von opti- Typisierung undStrukturmalen Fahrprofilen ist in der mechatronischen Funktionsgruppe (MFG)

der Antriebs-Bremsmodule angeordnet. Durch die Vorgabe der Verlaufefur Beschleunigung, Geschwindigkeit und Ort wird das Verhalten des ge-samten Fahrzeugs verandert. Fur die Optimierungsstrategien dieser Auf-gabenstellung stehen altruistische Motive im Vordergrund. Im Gegensatzdazu muss die Optimierung der Arbeitspunkte aufgrund ihrer sicherheits-kritischen Eigenschaft weitestgehend egoistisch agieren. Da diese Opti-mierung in engem Verhaltnis zum Energiemanagement steht, hat sie soindirekt Auswirkungen auf das Gesamtfahrzeug. Die Anpassungen wer-den allerdings nur lokal wirksam. Die Anforderungen z.B. hinsichtlich deszeitlichen Rahmens, die an diese Optimierung gestellt werden, sind durchdie Nahe zur Aktorik festgelegt.


5.2 Energiemanagement

Hauptaufgabe des Energiemanagementmoduls (EM-Modul) ist die Bereit-stellung der insgesamt auf dem Shuttle benotigten elektrischen Leistung.Hierzu kann es durch Sollwertvorgaben an das AB-Modul die Leistungs-ubertragung zum Shuttle beeinflussen. Energie, die beispielsweise im AB-Modul beim Bremsen zuruckgewonnen oder zum Shuttle ubertragen wird,kann das EM-Modul wahlweise in zwei unterschiedliche Energiespeicher(Batterien und Doppelschichtkondensatoren) speichern. Dabei ergibt sichdie zu speichernde Leistung aus einer Leistungsbilanz, die neben derubertragenen Leistung auch die Verbraucher im Shuttle sowie die Verlus-te berucksichtigt. Sollten beide Energiespeicher vollstandig geladen seinund somit keine zusatzliche Leistung mehr aufnehmen konnen, so kanndas EM-Modul nicht speicherbare Leistung an einem Bremswiderstand inWarme umsetzen. Grundsatzlich ist diese Funktionalitat jedoch nicht Ge-genstand der Optimierung, sondern als automatische Sicherheitsfunktionrealisiert.

Im Abbildung 5.2 sind der prinzipielle Aufbau des EM-Moduls und dieRichtungen der Leistungsflusse dargestellt.

Grundsatzlich sind vier Leistungsflusse von Bedeutung. Leistungsflusszwischen:

1. Batterie und Zwischenkreis

2. Doppelschichtkondensatoren und Zwischenkreis

3. Zwischenkreis und Stromrichter des Linearantriebs

4. Zwischenkreis und ubrigen Verbrauchern z.B. Hydraulik

Dabei sind die ersten drei Leistungsflusse bidirektional und der letztge-nannte Leistungsfluss unidirektional.

Die Leistungsflusse zwischen Leistungszwischenkreis und Energiespei-cher sind unmittelbarer Gegenstand der Optimierungsaufgabe. Der Leis-tungsfluss zwischen Leistungszwischenkreis und Stromrichter des Linea-rantriebs ist fur das Energiemanagement indirekt Bestandteil der Optimie-rung, da hier lediglich Anforderungen fur die Arbeitspunksteuerung (siehe5.1) generiert werden, die deren OCM umsetzen soll. Daher beinhaltetdas Energiemanagement eine Optimierungsaufgabe, die sowohl direkt

5.2 Energiemanagement 99

550 - 750 V

Ni/Cd Batterie(6kW)

260 - 440 V

DC/DCUmrichter 1

DC/DCUmrichter 2

Doppelschicht-kondensator

Modul (145 F)

Kondensatorleistung

Batterieleistung

Antriebsleistung

Allg. Verbraucher

Zwischen-kreis

Leistungsfluss

21 - 42 V

Abbildung 5.2: Struktur des Energieversorgungsmoduls

auf Aktorik (die Umrichter der Energiespeicher) wirkt, als auch die Ver-kopplung mit einem anderen OCM (Arbeitspunksteuerung) berucksichti-gen muss. Der unidirektionale Leistungsfluss zu den Verbrauchern wiez.B. dem Hydraulikaggregat stellt eine Storgroße fur das Energiemana-gement dar, die es gilt, so gut wie moglich im Voraus zu schatzen undbei der Bestimmung der optimalen Ladezustande der Energiespeicher zuberucksichtigen.

5.2.1 Optimierungsaufgabe

Die Optimierungsaufgabe besteht darin, die optimalen Ladezustande derEnergiespeicher festzulegen und fruhzeitig sicherzustellen. Die Gewahr-leistung einer aus sicherheitstechnischer Sicht stets ausreichenden Leis-tungsversorgung ist obligatorisches Ziel. Hohe Energieeffizienz sowie ei-ne lange Lebensdauer der Energiespeicher sind als fakultative Ziele anzu-sehen. Aufgabe ist es, optimale Leistungsflusse von und zu den Energie-


speichern sowie die Leistungsubertragung zum Shuttle festzulegen. Dazuist eine moglichst genaue Kenntnis des zu erwartenden Leistungsbedarfsder Verbraucher und der maximal zum Shuttle ubertragbaren Leistungvon sehr großer Bedeutung. Hierbei spielen Kriterien wie Streckenpro-fil, Wirkungsgrade sowie die Lebensdauer der Energiespeicher eine ent-scheidende Rolle. Da diese Kriterien maßgeblich durch andere Modulebeeinflusst werden, ergibt sich eine starke Verkopplung mit diesen Mo-dulen. Insbesondere resultieren durch diese starke Verknupfung standigneue Anforderungen an das Energiemanagement, sodass eine standigeAnpassung der Betriebsstrategie unumganglich fur einen optimalen Be-trieb des Energiemanagements ist.


Der in Kapitel 2.2 beschriebene Ablauf der Selbstoptimierung stellt dieBasis fur eine effiziente Realisierung des Energiemanagements dar.Es ist erforderlich, in der Optimierung Schatzgroßen fur zukunftig aufdem Shuttle benotigte Leistung zu berucksichtigen. Diese Schatzun-gen bedurfen einer standigen Verbesserung, um Schatzfehler auch beiveranderlichen Einflussen klein zu halten. Daher gilt, dass auch die Op-timierung stets an die veranderlichen Einflusse angepasst werden muss.Fur das selbstoptimierende Energiemanagement werden die bekanntendrei Schritte wie folgt ausgefuhrt.


Die Analyse der Situation besteht aus einer moglichst aktuellen,jedoch weit vorausschauenden Leistungsbedarfsanalyse. Basis furdiese Analyse ist unter anderem das Streckenprofil, das Auswirkun-gen auf das fur den Komfort verantwortliche Hydrauliksystem desShuttles bzw. dessen Leistungsbedarf hat. Daruber hinaus ist dasStreckenprofil maßgeblich fur die maximal zum Shuttle ubertragbareLeistung. Neben diesen externen Einflussen mussen auch interneZustande des Energieversorgungsmoduls analysiert werden. Dazugehoren speziell die Ladezustande der Speicher, die aktuell zu er-wartende Lebensdauer der Energiespeicher sowie die Dringlichkeiteiner stationaren Wartung der Batterien.


Auf der Grundlage der im Schritt 1 durchgefuhrten Analyse derIst-Situation werden die Optimierungsziele bzw. deren Gewichtung

5.2 Energiemanagement 101

festgelegt. Ziele des Energiemanagements sind: Hohe Lebensdau-er der Energiespeicher – insbesondere der Batterien, geringe Ver-luste im Energieversorgungsmodul, niedrige Ladezustande, um ausdem Antrieb zuruckgewonnene Leistung aufzunehmen, hohe Lade-zustande, um unvorhergesehene Leistungsanforderungen deckenzu konnen sowie die Zwischenkreisspannung stets auf ein konstan-tes Niveau regeln zu konnen. Einige dieser Ziele sind gegenlaufig,sodass eine situationsabhangige Anpassung der Ziele erforderlichist.


Nachdem im Schritt 2 die aktuellen Anpassungsziele festgelegtsind, erfolgt eine Optimierung der Sollladezustande, die durch Va-riation der Leistungsflusse angepasst werden.

5.2.3 Einordnung

Da das zu optimierende Energiemanagement keine selbstoptimierendenSubsysteme enthalt, handelt es sich um individuelle Selbstoptimierung.

Form der Optimierung (zu Kapitel 2.3.1): Die Optimierung der Lade- Form der Optimierung

zustande wird im Wesentlichen durch mathematische Modelle der Batte-rielebensdauer sowie durch Modelle fur den Leistungsbedarf im Shuttlebestimmt. Daher ist die Optimierung im Rahmen des Energiemanage-ments als modellbasiert anzusehen. Durch den Einsatz einer Wissens-basis lassen sich die Modelle, insbesondere die der Batterielebensdauer,stetig verbessern. Dies fuhrt jedoch nicht zu einer verhaltensbasiertenSelbstoptimierung, wie sie in Kap. 2 beschrieben ist, da die Optimierungweiterhin modellbasiert erfolgt.

Zeitpunkt und Ablauf (zu Kapitel 2.3.2): Bei der hier vorgestellten Op- Zeitpunkt und Ablauf

timierung wird davon ausgegangen, dass die Ladezustande der Ener-giespeicher kontinuierlich an die aktuellen Einflusse angepasst werdenmussen. Abhangig von den Einflussen, wie z.B. die zu erwartende Le-bensdauer der Batterie oder das zu erwartende Streckenprofil, gilt es beider Optimierung die Ziele anzupassen.

Sicherheitsaspekte (zu Kapitel 2.3.3): Das Energieversorgungsmodul Sicherheitsaspekte

mit dem Energiemanagement stellt eine sehr zentrale Komponente imShuttle dar. Ein Versagen des Energiemanagements z.B. in Form einerunzureichenden Energieversorgung fur den Antrieb oder das Hydraulik-system des Shuttles fuhrt zwangslaufig zu nicht hinnehmbaren sicher-


heitskritischen Situationen. Da jedoch das Energieversorgungssystemnicht redundant vorhanden ist und es sich kaum extern uberwachen lasst,ist eine interne Uberwachung der Sicherheit erforderlich.

Typisierung und Struktur (zu Kapitel 2.3.4): Aufgrund der zentralen Be-Typisierung undStruktur deutung des Energiemanagements sowie dessen Relevanz bezuglich der

Sicherheit des gesamten Shuttles ist die Selbstoptimierung zunachst wei-testgehend egoistisch motiviert. Jedoch lasst sich gerade durch das Zu-sammenspiel des Energiemanagements mit den anderen Modulen imShuttle eine kollektive Optimierung realisieren. Durch die Kooperation mitanderen Modulen lassen sich insbesondere prazise Leistungsbedarfs-analysen erstellen. Anpassungen, die durch das Energiemanagementdurchgefuhrt werden, werden zwar nur lokal im Energieversorgungsmo-dul vorgenommen, wirken sich jedoch auf das Gesamtfahrzeug aus. DieAnforderungen z.B. hinsichtlich des zeitlichen Rahmens, die an diese Op-timierung gestellt werden, sind durch die Nahe zur Aktorik festgelegt.

5.3 Feder- und Neigemodul 103

5.3 Feder- und Neigemodul

Die beiden Feder- und Neigemodule der RailCab-Shuttles kontrollierendie Aufbaudynamik des Shuttles, also im Besonderen der Fahrgastzelle.Beim Durchfahren von Kurven sind sie daruber hinaus fur eine entspre-chende nach innen gerichtete Neigung verantwortlich. Ihre Hauptaufgabeliegt jedoch in der Erzielung eines hohen Fahrtkomforts, wobei als Ne-benbedingung eine hohe Energieeffizienz gefordert wird. Die Feder- undNeigemodule stehen dabei im engen Dialog mit der ubergeordneten Hier-archieebene des Shuttles, an die veranderte Betriebsbedingungen undAnforderungen mitgeteilt und von der veranderte Vorgaben entgegen-genommen werden. Die Vertikalbewegung und Horizontalbewegung inQuerrichtung eines Feder- und Neigemoduls konnen am entsprechendenPrufstand untersucht werden, an dem auch bereits eine klassische Re-gelung ausgelegt und erprobt wurde. Der Prufstand besteht im Wesentli-chen aus drei Hydraulikzylindern zur Beeinflussung der Aufbaumasse inVertikal- und Querrichtung, sowie drei Anregungszylindern, mit denen dieAnregung durch die Schiene simuliert werden kann. Die Aufbaumasse istuber zwei Luftfedern mit geringer Dampfung an die aktiven Hydraulikzy-linder gekoppelt. Zur Energieversorgung dient ein geregelter Elektromo-tor mit Pumpe und Speicher. So wird fur die gesamte Prufstandshydraulikein moglichst konstanter Versorgungsdruck gewahrleistet. Die Regelunglauft auf echtzeitfahiger Hardware, die sowohl die Druckreglung, die Auf-bauregelung mit unterlagerten Zylinder- und Ventilregelungen als auchdie Generierung der Anregung mit den unterlagerten Zylinder- und Ven-tilregelungen umfasst. Zur Uberwachung und zur Einflussnahme durchBenutzer steht zusatzlich ein Host-PC zur Verfugung, auf dem auch An-wendungen laufen konnten, die keinen harten Echtzeit-Bedingungen un-terliegen.


Der Feder-Neige-Prufstand soll dazu dienen, die innerhalb des Sonderfor-schungsbereich 614 erarbeiteten Verfahren und Mechanismen zur Selbst-optimierung anzuwenden und zu testen. Dazu kann einerseits entwickelteEchtzeithardware zusammen mit dem entsprechenden Echtzeitbetriebs-system zum Einsatz kommen, andererseits konnen auch die erarbeitetenOptimierungsstrategien zunachst auf der vorhandenen Echtzeithardwareund spater zusammen mit Reglerumschaltkonzepten auf der selbstentwi-ckelten Rapid-Prototyping-Hardware implementiert werden.


Ausgangspunkt fur die Selbstoptimierung ist, Informationen, die beim wie-derholten Befahren desselben Streckenabschnitts gesammelt werden, furnachfolgende Shuttles nutzbar zu machen. Durch das wiederholte Be-fahren entstehen Anderungen im Gleisprofil, die durch die Selbstoptimie-rung berucksichtigt werden sollen. Die klassische Regelung versucht, dieAufbaumasse gegenuber einer fest voreingestellten Bahn zu bedampfen(Skyhook). Diese Bahn kann durch eine parametrisierbare Funktion (wiez.B. Splines) dargestellt werden. So konnen die beschreibenden Para-meter abhangig vom jeweiligen Streckenprofil variiert werden, um durchdie so angepasste Bahn ein besseres Ergebnis zu erhalten. Die Ein-griffsmoglichkeiten sind dabei auf der einen Seite die vorgegebene Bahnselbst, auf der anderen Seite der Grad der Dampfung. Je hoher die Damp-fung gewahlt wird, desto besser folgt der Aufbau der vorgegebenen Bahn.Externes Ziel der Optimierung ist dabei ein moglichst hoher Komfort furdie Insassen des Shuttles. Ein moglichst niedriger Energieverbrauch furdie aktive Federung und niedriger Verschleiß sind inharente Ziele des Mo-duls.

Am Prufstand soll dieses Verfahren dadurch umgesetzt werden, dass einsich veranderndes Gleisprofil als Anregung mehrmals nacheinander ver-wendet wird. Die Bahn, gegenuber der die Aufbaumasse bedampft wird,erfahrt infolge einer Optimierung eine Anpassung an die aktuelle Situati-on. Die Optimierung verwendet zur Bestimmung der angepassten Bahnein mathematisch-physikalisches Modell des Shuttles und liefert fur dieFahrt des nachsten Shuttles, das am Prufstand durch erneutes Verwen-den des entsprechenden Gleisprofils simuliert wird, eine neue Bahn, mitder auf die sich andernden Umgebungseinflusse reagiert wurde.



Im ersten Schritt werden die fur einen bestimmten Streckenab-schnitt ermittelten Zielgroßen Komfort und Energieverbrauch be-stimmt, die sich aus der Anwendung der vorgegebenen Bahn mitder dazu eingestellten Dampfung des Aufbaus ergeben haben. DerKomfort ist dabei im Wesentlichen von der bewerteten Aufbaube-schleunigung abhangig, die uber am Aufbau befestigten Sensorengemessen wird. Fur die Bestimmung des Energieverbrauchs wirdein Modell der Hydraulikzylinder zusammen mit den gemessenenLangenanderungen verwendet. Weiterhin konnen andere Großen,wie z.B. die zur Verfugung stehende Energie, an dieser Stelle er-fasst werden, die fur die folgenden Schritte notwendig sind.

5.3 Feder- und Neigemodul 105


Abhangig von der Analyse der Ist-Situation werden nun die Ziele an-gepasst. Mit Hilfe eines Suchalgorithmus’ wird eine neue Bahn be-rechnet, die den Komfort fur den betrachteten Streckenabschnitt furnachfolgende Shuttles verbessern wurde. Diese Bahn dient als Ziel-vorgabe fur das nachste Befahren dieses Streckenabschnitts. An-dere zuvor erfasste Großen bestimmen, wie der Energieverbrauchzu berucksichtigen ist. Daraus ergibt sich das zu wahlende Damp-fungsmaß.


Die ermittelte Bahn sowie das gewahlte Dampfungsmaß werdenschließlich als Vorgabe fur die implementierte Regelung verwen-det. Dadurch wird das Systemverhalten an den aktuellen Verlaufder Gleise angepasst, indem neue Parameter fur die Bahnvorgabeund das Dampfungsmaß verwendet werden.

5.3.3 Einordnung

Nachfolgend wird das Feder- und Neigemodul hinsichtlich der oben ein-gefuhrten Dimensionen klassifiziert.

Form der Optimierung (zu Kapitel 2.3.1): Die optimalen Parameter fur Form der Optimierung

die vorzugebende Bahn werden mit Hilfe eines mathematischen Modellsberechnet. Dieser Teil ist also als modellbasiert zu bezeichnen. Fur dieWahl der Dampfung in Abhangigkeit von anderen Großen sowie fur dieAuswahl genau einer Vorgabebahn werden verhaltensbasierte Ansatzeauf Grundlage einer Wissensbasis eingesetzt. Insgesamt ergibt sich alsoein kombiniertes Optimierungsverfahren.

Zeitpunkt und Ablauf (zu Kapitel 2.3.2): Die Selbstoptimierung lauft in Zeitpunkt und Ablauf

diesem Beispiel ereignisgesteuert ab. Immer dann, wenn ein bestimmterStreckenabschnitt uberfahren wurde, wird eine neue Konfiguration fur dasnachste Befahren des Streckenabschnitts ermittelt. Dieser Teil der Selbst-optimierung unterliegt dabei weichen Echtzeitbedingungen. Liegt bei derDurchfahrt des nachsten Shuttles noch keine neue Konfiguration vor, wirdeine vorhandene Konfiguration verwendet, so dass hochstens positive Ef-fekte ausbleiben. Fatale Konsequenzen konnen sich wegen des verwen-deten Reglerkonzepts dadurch nicht ergeben.


Sicherheitsaspekte (zu Kapitel 2.3.3): Das Feder- und Neigemodul im-Sicherheitsaspekte

plementiert eine auf heterogener Redundanz basierende Losung, beider jederzeit auf eine Reglerkonfiguration zuruckgegriffen werden kann,die einen sicheren Systemzustand garantiert. Es uberwacht seinenAusfuhrungszustand selbsttatig intern. Allerdings werden sein Verhaltenund seine Energieeffizienz auch durch das ubergeordnete Shuttlesystemuberwacht, das ggf. mit korrigierenden Vorgaben eingreift. Diese Mecha-nismen werden ebenfalls am Prufstand implementiert.

Typisierung und Struktur (zu Kapitel 2.3.4): Das Feder- und Neigemo-Typisierung undStruktur dul ist eingebettet in das Gesamtsystem Shuttle als Teil eines Multiagen-

tensystems vom Typ KLA zu verstehen. Durch Kommunikation mit denhoheren Ebenen des Systems versucht das Modul kollektiv, eine im gege-benen Gesamtkontext optimale Verhaltensstrategie zu entwickeln. Anpas-sungen werden lokal an den kontrollierten Reglern vorgenommen. DasVerhalten ist verantwortlich im Bezug auf das Gesamtsystem und somitaltruistisch gepragt. Das Feder- und Neigemodul besteht aus einer fest-gelegten Kombination konkreter Agenten und ist somit auf Instanz- undTypebene statisch. Auch die von ihnen ubernommenen Rollen sind sta-tisch.

5.4 Konvoisimulation 107

5.4 Konvoisimulation

Mit Hilfe der Konvoisimulation sollen das Verhalten und die Wechselwir-kungen von mehreren Shuttles untersucht werden. Die einzelnen Shutt-les werden dabei durch bereits vorhandene Modelle aus der bisherigenArbeit abgebildet. Dazu wurde zunachst eine klassische Abstands- bzw.Positionsregelung entworfen und ausgelegt. Das so entstandene Modellvon mehreren Shuttles, die miteinander kommunizieren, kann in unter-schiedlichen Modellierungstiefen weiterverwendet werden, um verschie-dene Anwendungsfalle abzudecken. Das kann einerseits die Simulationvon wenigen relativ genau modellierten Shuttles bei der Durchfahrt durcheine Weiche sein, wobei eine optimale Bestimmung der Reihenfolge undmoglichst niedriger Energieverbrauch bei hohem Komfort interessieren.Auf der anderen Seite konnen aber auch viele sehr einfach gehalteneShuttlemodelle simuliert werden, um die Strategien der Selbstoptimierungauf Kommunikation und Logistik anwenden zu konnen. An dieser Stellesoll das Zusammenschließen von zwei Konvois an einer Weiche betrach-tet werden.


Auch bei der Simulation der Weichendurchfahrt und dem Zusam-menschließen zweier Konvois kommen die im Sonderforschungsbereich614 erarbeiteten Verfahren zum Einsatz. Fur die unterschiedlichen Auf-gaben, die dabei zu bewaltigen sind, werden sowohl verhaltens- als auchmodellbasierte Ansatze verfolgt.

Die eigentliche Optimierung kann in mehrere Abschnitte eingeteilt wer-den. Zunachst mussen die beiden Konvois in ausreichender Entfernungvon der Weiche erkennen, dass an der Weiche moglicherweise eine Kol-lision eintritt oder dass ein gemeinsamer Konvoi gebildet werden soll. Mitdiesen Informationen wird eine Reihenfolge der Shuttles in dem gemein-samen Konvoi ermittelt, die abhangig von gegebenen Anforderungen wieder Wunschgeschwindigkeit einzelner Shuttles und der daraus resultie-renden Sollgeschwindigkeit des Konvois optimiert wird.

Nachdem die Reihenfolge bestimmt ist, bleibt fur beide Konvois noch dieZeit bis zum tatsachlichen Einfahren in die Weiche, um ihre Position imgemeinsamen virtuellen Konvoi einzunehmen. Bei diesem Anfahren dererforderlichen Positionen sind Brems- und Beschleunigungsmanover not-


wendig. Diese Manover werden mit Hilfe eines modellbasierten Verfah-rens hinsichtlich Komfort und Energieverbrauch optimiert.

In einer Simulation sollen verschiedene Situationen der Weichendurch-fahrt untersucht und die entwickelten Losungsansatze zur Bestimmungder Reihenfolge und zum optimalen Einnehmen der erforderlichen Posi-tionen erprobt werden.



Zunachst werden alle erforderlichen Daten gesammelt und analy-siert. Dazu gehoren die Wunschgeschwindigkeiten und aktuellenPositionen der einzelnen Shuttles. Außerdem interessiert deren zurVerfugung stehende Energie. Abhangig davon, wie viele weitere In-formationen zur Verfugung stehen, konnen auch Aussagen uber einsinnvolles Auftrennen des gebildeten Konvois zu einem spaterenZeitpunkt oder das mogliche Bilden von weiteren Konvois an eineranderen Weiche mit einbezogen werden.


Abhangig von der Analyse der Ist-Situation werden nun die Zieleangepasst. Mit Hilfe eines Neuro-Fuzzy-Ansatzes und basierendauf Erfahrungswissen wird eine optimale Reihenfolge des virtuel-len Konvois gebildet. Diese ermittelte Reihenfolge dient wiederumals eine notwendige Zielvorgabe fur die Bestimmung der optimalenFahrmanover der einzelnen Shuttles. Weitere Ziele, wie die Minimie-rung des Energieverbrauchs beim Aufholen und Abbremsen und einmoglichst hohes Maß an Komfort, fließen bei dieser modellbasiertenOptimierung mit ein.


Nachdem auf die beschriebene Weise eine Reihenfolge bestimmtund entsprechende Fahrmanover fur die einzelnen Shuttles ermit-telt wurden, werden diese Manover im letzten Schritt den einzelnenFahrzeugen der Konvois ubermittelt, sodass sich bei der Weiche einneuer Konvoi zusammenschließen kann. Dieses Zusammenschlie-ßen erfolgt optimal hinsichtlich der gewahlten Ziele und es ergibtsich eine Reihenfolge, die optimal an die jeweils auftretende Aus-gangssituation angepasst ist.

5.4 Konvoisimulation 109

5.4.3 Einordnung

Nachfolgend wird die Simulation der Konvoibildung an einer Weiche hin-sichtlich der oben eingefuhrten Merkmale klassifiziert.

Form der Optimierung (zu Kapitel 2.3.1): Die Reihenfolge der einzelnen Form der Optimierung

Shuttles im sich ergebenden Konvoi wird mit Hilfe eines Neuro-Fuzzy-Ansatzes und unter Berucksichtigung von Erfahrungswissen bestimmt.Die Optimierung der Fahrmanover zum Erreichen der vorgegebenen Po-sition im Konvoi wird mit modellbasierten Techniken durchgefuhrt. Auchhier ergibt sich also ein kombiniertes Verfahren zur Selbstoptimierung.

Zeitpunkt und Ablauf (zu Kapitel 2.3.2): Die Selbstoptimierung lauft hier Zeitpunkt und Ablauf

ereignisgesteuert ab. Sobald erkannt wird, dass sich zwei Konvois an ei-ner Weiche treffen, werden die drei Schritte der Selbstoptimierung fur diekonkret auftretende Situation durchgefuhrt. Dabei unterliegt die Selbstop-timierung harten Echtzeitanforderungen. Die Reihenfolge und die Fahr-manover mussen rechtzeitig vorliegen, damit die Ergebnisse sinnvoll um-gesetzt werden konnen.

Sicherheitsaspekte (zu Kapitel 2.3.3): Auch das Konvoibilden an einer Sicherheitsaspekte

Weiche basiert auf heterogener Redundanz. Sollte zu einem kritischenZeitpunkt vor Erreichen der Weiche noch kein Ergebnis der Selbstopti-mierung vorliegen, muss auf eine klassische Regelung zur Bildung ei-nes Konvois zuruckgegriffen werden, bei der nicht alle Ziele optimal erfulltwerden, die aber das sichere kollisionsfreie Einscheren erlaubt. Da alleShuttlepositionen und Geschwindigkeiten fur die Optimierung erforderlichsind, werden automatisch alle relevanten Großen erfasst und konnen aufdiese Weise uberwacht werden.

Typisierung und Struktur (zu Kapitel 2.3.4): Betrachtet man als Sys- Typisierung undStrukturtem die Weiche mit den darauf zu fahrenden Konvois, so ergibt sich ein

Multiagentensystem vom Typ IGA. Ein ubergeordneter Agent analysiertalle Daten der beteiligten Shuttles, um damit das Gesamtsystem zu opti-mieren. Es findet also isolierte Optimierung statt. Da die Ergebnisse derOptimierung Auswirkungen auf das Verhalten des Gesamtsystems, alsobeider Konvois haben, handelt es sich um globale Anpassungen. Dabeistehen im Wesentlichen die Ziele des gesamten Konvois im Mittelpunkt,sodass durchaus akzeptiert wird, wenn einem einzelnen Shuttle ein sub-optimales Manover vorgegeben wird, wenn dadurch das Ergebnis desGesamtsystems verbessert wird. Die Shuttles handeln also altruistisch.Dabei muss fur die Optimierung von vornherein bekannt sein, wie vieleShuttles mit welchen Ist-Zustanden an der betrachteten Situation betei-


ligt sind. Deshalb kann man hier aus Sicht des betrachteten Selbstopti-mierungsprozesses von einem auf Instanzebene statischen System spre-chen.

Kapitel 6

Zusammenfassung

Der Sonderforschungsbereich 614 – Selbstoptimierende Systeme desMaschinenbaus der Universitat Paderborn beschaftigt sich mit der Er-forschung des Paradigmas der Selbstoptimierung und der Entwicklungtechnischer Systeme, die dieses Paradigma umsetzen. Als Basis fur eineeffektive domanenubergreifende Zusammenarbeit werden dabei ein ein-heitliches Verstandnis der grundlegenden Begriffe und eine gemeinsameAuffassung von Selbstoptimierung benotigt. Das vorliegende Buch solldazu einen Beitrag leisten.

Laut Definition 1 findet in einem System dann Selbstoptimierung statt,wenn durch das Zusammenwirken der enthaltenen Elemente die folgen-den drei Aktionen wiederkehrend ausgefuhrt werden:


2. Bestimmung der Systemziele


Fur die Selbstoptimierung ist wesentlich, dass Ziele durch das Systemsituationsbedingt festgelegt oder angepasst werden. Ein System, in demnur die erste und dritte, nicht aber die zweite Aktion durchgefuhrt werden,enthalt somit keine Selbstoptimierung. Ein selbstoptimierendes Systemliegt zudem nur dann vor, wenn auch tatsachlich Ziele, die dem betrach-teten System direkt zugeordnet werden konnen, einer Anpassung unter-liegen.

Es wird zwischen individuell selbstoptimierenden und zusammengesetztselbstoptimierenden Systemen unterschieden. Im ersten Fall verlauft der

112 6 Zusammenfassung

wiederkehrende Prozess der Selbstoptimierung dergestalt, dass die Ak-tivitaten, von denen die drei notwendigen Aktionen Analyse, Zielbestim-mung und Anpassung umgesetzt werden, von den Elementen eines ein-zelnen, isolierten Systems durchgefuhrt werden. Ein zusammengesetz-tes selbstoptimierendes System liegt dagegen vor, wenn ein selbstopti-mierendes System Subsysteme mit eigenen Zielen, die am Prozess derSelbstoptimierung beteiligt sind, enthalt.

Selbstoptimierende Systeme konnen bezuglich ihrer Optimierungsziele,der eingesetzten Optimierungsverfahren, dem Zeitpunkt der Selbstopti-mierung, den Anforderungen bezogen auf Echtzeit sowie der realisier-ten Sicherheitskonzepte charakterisiert werden. Eine besondere Klasseselbstoptimierender Systeme stellen solche zusammengesetzten Syste-me dar, in denen mehrere klar getrennte Subsysteme verteilt Selbstop-timierung betreiben. Diese Systeme werden als Multiagentensysteme, indenen mehrere Agenten gemeinsame oder divergente Optimierungszie-le verfolgen, interpretiert. In derartigen Systemen spielt das Verteilungs-konzept eine wesentliche Rolle, d.h. welches die angepassten Entitatenund welches die optimierenden Entitaten sind sowie welche Motivationdie Agenten zum Handeln veranlasst.

Selbstoptimierende mechatronische Systeme basieren auf komplexenReglersystemen, deren Funktionalitat durch zusatzliche Informations-verarbeitung noch erweitert wird. Besondere Bedeutung gewinnt dabeidie Vernetzung solcher Reglersysteme, um kollaborative und emergen-te Selbstoptimierung zu unterstutzen. Auf lokaler Ebene mussen nebenTechniken der kunstlichen Intelligenz (KI) auch Techniken fur die Rekon-figuration zur Laufzeit durch geeignete Entwurfsmethoden integriert wer-den. Eine wesentliche Herausforderung ergibt sich zusatzlich aus demsicherheitskritischen Charakter der Systeme, der bedingt, dass der Ver-bund aus Software und technischem System ein vorhersagbar korrektesVerhalten zeigen muss – trotz Vernetzung, Rekonfiguration und der Inte-gration von Techniken der kunstlichen Intelligenz. Durch eine konsequen-te Strukturierung der regelnden Informationsverarbeitung werden derartigkomplexe Systeme beherrschbar. Zur Strukturierung selbstoptimierenderSysteme wird in diesem Buch die Architektur des Operator-Controller-Moduls vorgestellt. Sie erleichtert es, komplexe Rekonfigurationen zu be-schreiben und ihre Korrektheit sicherzustellen.

Bei der Entwicklung selbstoptimierender Systeme mussen die fur dieSelbstoptimierung typischen Aktionen

”Analyse der Ist-Situation“,

”Be-

stimmung der Systemziele“ und”Anpassung des Systemverhaltens“ vor-

ausgedacht und im System umgesetzt werden. Hierbei helfen Wirkmuster

113

zur Selbstoptimierung (WMSO). Sie ermoglichen die Wiederverwendungerfolgreicher Losungen fur die genannten Aktionen, indem sie Schematafur den grundlegenden Aufbau und die Funktionsweise des selbstoptimie-renden Systems zur Verfugung stellen.

Das Potenzial der Selbstoptimierung und die Umsetzung des Paradigmasder Selbstoptimierung wurde an ausgewahlten Beispielen wie der Vorga-be von Fahrprofilen, der Arbeitspunktsteuerung eines Linearmotors sowieder Vorgabe von Dampfungsmaßen verdeutlicht.

Literaturverzeichnis

[AIS+77] ALEXANDER, C.; ISHIKAWA, S.; SILVERSTEIN, M.; JACOBSON, M.;FIKSDAHL-KING, I.; ANGEL, S.: A Pattern Language. 1. Oxford Uni-versity Press, 1977

[AL98] ABEL, D.; LEMMER, K.: Theorie ereignisdiskreter Systeme. 1. Olden-bourg Verlag, Munchen, 1998

[BGO04] BURMESTER, Sven; GIESE, Holger; OBERSCHELP, Oliver: HybridUML Components for the Design of Complex Self-optimizing Mecha-tronic Systems. In: Proc. of 1st International Conference on Infor-matics in Control, Automation and Robotics (ICINCO 2004), Setubal,Portugal, IEEE, August 2004

[BKKN03] BORGELT, C.; KLAWONN, F.; KRUSE, R.; NAUCK, D.: Neuro-Fuzzy-Systeme – Von den Grundlagen kunstlicher Neuronaler Netze zuKopplung mit Fuzzy-Systemen. 3. vieweg, Wiesbaden, 2003

[Bro91] BROOKS, Rodney A.: Intelligence Without Reason. In: MYOPOULOS,John (Hrsg.); REITER, Ray (Hrsg.): Proceedings of the 12th Interna-tional Joint Conference on Artificial Intelligence (IJCAI-91), MorganKaufmann publishers Inc., San Mateo, CA, USA, 1991. – ISBN ISBN1–55860–160–0, S. 569–595

[BTG04] BURMESTER, Sven; TICHY, Matthias; GIESE, Holger: Modeling Re-configurable Mechatronic Systems with Mechatronic UML. In: Proc.of Model Driven Architecture: Foundations and Applications (MDAFA2004), Linkoping, Sweden, 2004

[Bus02] BUSS, M.: VDI-Fortschrittberichte: Methoden zur Regelung hybriderdynamischer Systeme. 1. VDI-Verlag, Dusseldorf, 2002

[BWSG98] BEINEKE, S.; WERTZ, H.; SCHUTTE, F.; GROTSTOLLEN, H.: Identifica-tion of Nonlinear Two-Mass Systems for Self-Commissioning SpeedControl of Electrical Drives. In: IECON 1998, Aachen, Deutschland,1998. – EU Projekt, AG Grotstollen

[CL99] CASSANDRAS, C.G.; LAORTUNE, S.L.: Introduction to Discrete-EventSystems. 1. Kluwer Academic Publishers, Dordrecht, 1999

116 Literaturverzeichnis

[DAR97] DARPA. Broad Agency Announcement (BAA) for Proposals in theArea of ”Self-Adaptive Software”. 1997

[DIN94] DIN 19226: Leittechnik, Regelungstechnik und Steuerungstechnik.Allgemeine Grundlagen. 1. 1994. – Teil 1

[DSH04] DELLNITZ, M.; SCHUTZE, O.; HESTERMEYER, T.: Covering ParetoSets by Multilevel Subdivision Techniques. In: Journal of Optimiza-tion, Theory and Applications (2004). – erscheint

[Dud00] DUDEN: Das Fremdworterbuch. 6. Dudenverlag, Mannheim, 2000

[Dul00] DULLERUD, G.E.: A course in robust control theory. 1. SpringerVerlag, Heidelberg, 2000

[Fer92] FERGUSON, I. A.: TouringMachines: Autonomous Agents with Attitu-des. In: IEEE Computer 25 (1992), Nr. 5, S. 51–55

[Fer01] FERBER, Jacques: Multiagentensysteme. 1. Addison-Wesley,Munchen u.a., 2001. – ISBN ISBN 3–8273–1679–0

[GBK+03] GIESE, Holger; BURMESTER, Sven; KLEIN, Florian; SCHILLING, Da-niela; TICHY, Matthias: Multi-Agent System Design for Safety-CriticalSelf-Optimizing Mechatronic Systems with UML. In: OOPSLA 2003- Second International Workshop on Agent-Oriented Methodologies,Anaheim, CA, USA, 2003, S. 21–32

[GBSO04] GIESE, Holger; BURMESTER, Sven; SCHAFER, Wilhelm; OBER-SCHELP, Oliver: Modular Design and Verification of Component-Based Mechatronic Systems with Online-Reconfiguration. In: Proc.of 12th ACM SIGSOFT Foundations of Software Engineering 2004(FSE 2004), Newport Beach, USA, ACM, November 2004

[GFG+05] GAUSEMEIER, J.; FRANK, U.; GIESE, H.; KLEIN, F.; SCHMIDT, A.;STEFFEN, D.; TICHY, M.: A Design Methodology for Self-OptimizingSystems. In: Automation, Assistance and Embedded Real Time Plat-forms for Transportation (AAET2005), Braunschweig, 2005. – zur Pu-blikation akzeptiert

[GFRS04] GAUSEMEIER, J.; FRANK, U.; REDENIUS, A.; STEFFEN, D.: Develop-ment of Self-Optimizing Systems. In: MechRob 2004 (IEEE), Mecha-tronics and Robotics 2004, 13.-15. September 2004, IEEE, Septem-ber 2004

[GFSV04] GAUSEMEIER, J.; FRANK, U.; SCHMIDT, A.; VOCKING, H.:Domanenubergreifende Spezifikation der Prinziplosung selbstop-timierender Systeme. In: 2. Gemeinsames Kolloquium Konstruktions-technik, 23./24. September 2004, 2004

[GHJV95] GAMMA, E.; HELM, R.; JOHNSON, R.; VLISSIDES, J.: Design Patterns:Elements of Reusable Object Oriented Software. 1. Addison-Wesley,Reading, MA, 1995

[GJ04] GRUNE, Lars; JUNGE, Oliver: A set oriented approach to optimal feed-back stabilization. In: Systems and Control Letters (2004). – erscheint


[GKMP04] GIORGINI, P.; KOLP, M.; MYLOPOULOS, J.; PISTORE, M.: The TroposMethodology: an overview. In: Methodologies And Software Enginee-ring For Agent Systems (2004)

[GTB+03] GIESE, H.; TICHY, M.; BURMESTER, S.; SCHAFER, W.; FLAKE, S.: To-wards the Compositional Verification of Real-Time UML Designs. In:Proc. of the European Software Engineering Conference (ESEC), Hel-sinki, Finland, ACM Press, September 2003, S. 38–47

[GW99] GRUNE, L.; WIRTH, F.: Feedback stabilization of discrete-time ho-mogeneous semi-linear systems. In: Systems & Control Letters 37(1999), S. 19–30

[HBN01] HESTERMEYER, T.; BECKER, M.; NEUENDORF, N.: NichtlineareABC-Regelungen mit Operator-Controller-Struktur, abgestimmt aufFuhrung und Storung der Straße. In: Driveability, Haus der Technik,Haus der Technik, Essen, 2001

[HO03] HESTERMEYER, T.; OBERSCHELP, O.: Selbstoptimierende Fahr-zeugregelung -Verhaltensbasierte Adaption. In: GAUSEMEIER, J.(Hrsg.); LUCKEL, J. (Hrsg.); WALLASCHEK, J. (Hrsg.): Intelligente Me-chatronische Systeme, HNI, Paderborn, 2003

[HOG04] HESTERMEYER, Thorsten; OBERSCHELP, Oliver; GIESE, Holger:Structured Information Processing For Self-optimizing MechatronicSystems. In: Proc. of 1st International Conference on Informatics inControl, Automation and Robotics (ICINCO 2004), Setubal, Portugal,IEEE, August 2004

[HZ04a] HAGENMEYER, V.; ZEITZ, M.: Flachheitsbasierter Entwurf von linearenund nichtlinearen Vorsteuerungen. In: at - Automatisierungstechnik 52(2004), S. 3–12

[HZ04b] HAGENMEYER, V.; ZEITZ, M.: Internal dynamics of flat nonlinear sys-tems with respect to a non-flat output. In: Systems & Control Letters52 (2004), S. 323–327

[ILM92] ISERMANN, R.; LACHMANN, K.-H.; MATKO, D.: Adaptive Control Sys-tems. 1. Prentice Hall, Herfordshire, 1992

[IMC] INVENTION MACHINE CORP., USA. Homepage zu Goldfire Innovator

[KB94] KREISSELMEIER, G.; BIRKHOLZER, T.: Numerical nonlinear regulatordesign. In: IEEE Transaction on Automatic Control 39 (1994), S. 33–46

[KC03] KEPHART, Jeffrey O.; CHESS, David M.: The Vision of AutonomicComputing. In: Computer 36 (2003), Nr. 1

[KD93] K.-D., Althoff: Eine fallbasierte Lernkomponente als integraler Be-standteil der MOLTKE-Werkbank zur Diagnose technischer Systeme.1. Akademische Verlagsgesellschaft Aka GmbH, Berlin, 1993

[KE01] KENNEDY, James; EBERHARDT, Russell C.: Swarm Intelligence. 1.Morgan Kaufmann publishers Inc., San Mateo, CA, USA, 2001. –ISBN ISBN 9–8102–2884–8


[KJLW03] KOPP, S.; JUNG, B.; LESSMANN, N.; WACHSMUTH, I.: Max - A Multi-modal Assistant in Virtual Reality Construction. In: KI-Kunstliche In-telligenz (2003), Nr. 4

[LRS03] LADDAGA, Robert; ROBERTSON, Paul; SHROBE, Howard: Results ofthe Second International Workshop on Self-adaptive Software. In:LADDAGA, Robert (Hrsg.); ROBERTSON, Paul (Hrsg.); SHROBE, Ho-ward (Hrsg.): The Second International Workshop on Self-AdaptiveSoftware (IWSAS 2001) Bd. 2614, Springer-Verlag, Berlin, 2003, S.281–290

[MA02] MEYSTEL, A.M.; ALBUS, J.S.: Intelligent Systems - Architecture, De-sign and Control. 1. John Wiley & Sons, Inc. New York, 2002 (WileySeries on Intelligent Systems)

[MS04] MARSISKE, H. A.; SCHMIDT, B.: Hunger, Wut und Mudigkeit - Softwa-reagenten mit Emotionen. In: c’t magazin fur computer technik (2004),February, S. 82ff

[MSKC04] MCKINLEY, Philip K.; SADJADI, Seyed M.; KASTEN, Eric P.; CHENG,Betty H.: Composing Adaptive Software. In: IEEE Computer 37(2004), July, Nr. 7

[Nau00] NAUMANN, R.: Modellierung und Verarbeitung vernetzter intelligentermechatronischer Systeme, MLaP, Universitat Paderborn, Diss., 2000

[NPB03] NAGY, Z.; PORTER, I.; BRADSHAW, A.: Schemebuilder: FromConceptual Design To Control Of Mechatronic Systems. In: Procee-dings of ICOM 2003, Loughborough University, 2003

[NR98] NAUMANN, R.; RASCHE, R.: Description and Simulation of Hybrid Me-chatronic Systems. In: International Workshop on Hybrid Systems:Computation and Control, Berkeley, CA, 1998

[Oes98] OESTEREICH, B.: Objektorientierte Softwareentwicklung. Analyse undDesign mit der United Modeling Language. 1. R. Oldenourg Verlag,Munchen, Wien, 1998

[OHG04] OBERSCHELP, O.; HESTERMEYER, T.; GIESE, H.: Strukturierte In-formationsverarbeitung fur selbstoptimierende mechatronische Sys-teme. In: Proc. of the Second Paderborner Workshop IntelligenteMechatronische Systeme, HNI, Paderborn, Germany, 2004 (HNI-Verlagsschriftenreihe 145), S. 43–56

[OHKK02] OBERSCHELP, O.; HESTERMEYER, T.; KLEINJOHANN, B.; KLEINJO-HANN, L.: Design of Self-Optimizing Agent-Based Controllers. In: CfPWorkshop 2002 - Agent-Based Simulation 3, Passau, 2002

[OPB00] ODELL, J.; PARUNAK, H.; BAUER, B.: Extending UML for Agents. In:WAGNER, G. (Hrsg.); LESPERANCE, Y. (Hrsg.); YU, E. (Hrsg.): Pro-ceedings of the Agent-Oriented Information Systems Workshop at the17th National conference on Artificial Intelligence, iCue Publishing,Austin, Texas, USA, 2000, S. 3–17

[PB97] PAHL, G.; BEITZ, W.: Konstruktionslehre - Methoden und Anwendung.Bd. 4. 1. Springer-Verlag, Berlin, Heidelberg, 1997


[Pup98] PUPPE, F.: Knowledge Reuse among Diagnostic Problem Solving Me-thods in the Shell-Kit D3. In: International Journal of Human-ComputerStudies 49 (1998), S. 627–649

[PUS00] PETERSEN, I.R.; UGRINOVSKII, V.A.; SAVKIN, A.V.: Robust ControlDesign Using H-infinity Methods. 1. Springer Verlag, Heidelberg, 2000

[RG91] RAO, Anand S.; GEORGEFF, Michael P.: Modeling Rational Agentswithin a BDI-Architecture. In: ALLEN, James (Hrsg.); FIKES, Richard(Hrsg.); SANDEWALL, Erik (Hrsg.): Proceedings of the 2nd Internatio-nal Conference on Principles of Knowledge Representation and Re-asoning (KR’91), Morgan Kaufmann publishers Inc.: San Mateo, CA,USA, 1991. – ISBN ISBN 1–55860–165–1, S. 473–484

[Ris00] RISING, Linda: The Pattern Almanac 2000. 1. Addison-Wesley, 2000(Software pattern Series). – ISBN ISBN 0–20161–567–3

[RN03] RUSSEL, S.; NORVIG, P.: Artificial Intelligence - A Modern Approach.2. Prentice Hall, Pearson Education, Inc., New Jersey, 2003 (Seriesin Artificial Intelligence)

[SB03] SAMAD, T.; BALAS, G.; BALAS, G. (Hrsg.): Software-Enabled Control -Information Technology for Dynamical Systems. 1. Wiley Interscience,2003

[SCH98] STEIN, B.; CURATOLO, D.; HOFFMANN, M.: Simulation in FluidSIM. In:SZCZERBICKA, H. (Hrsg.): Workshop Simulation in wissensbasiertenSystemen (SIWIS 98), Bremen Bd. 61, 1998

[Sko00] SKOGESTAD, S.: Plantwide Control: the Search for the Self-OptimizingControl Structure. In: Journal Process Control 10 (2000), Nr. 487

[Sto96] STOREY, Neil: Safety-Critical Computer Systems. 1. Addison-Wesley,Menlo Park, CA, 1996

[Suh93] SUHM, A.: Produktmodellierung in wissensbasierten Konstruktions-systemen auf der Basis von Losungsmustern. 1. Shaker Verlag Aa-chen, 1993

[Szy99] SZYPERSKI, C.: Component Software Beyond Object-Oriented Pro-gramming. 1. Addison-Wesley, 1999

[Voc03] VOCKING, H.: Multirate-Verfahren und Umschaltstrategien fur verteilteReglersysteme., MLaP, Universitat Paderborn, Diplomarbeit, 2003

[VDI93] VDI: VDI-Richtlinie 2221 - Methodik zum Entwickeln und Konstruierentechnischer Systeme und Produkte. 1. 1993

[WB02] WELP, E.G.; BLUDAU, C.: Wissensbasierte Modellierung mechatro-nischer Produktkonzepte mit ModCoDe und WISENT. In: 47. Inter-nationales Wissenschaftliches Kolloquium, Technische Universitat Il-menau, 2002

[WJ95] WOOLDRIDGE, Michael; JENNINGS, Nicholas R.: Agent Theories, Ar-chitectures, and Languages: a Survey. In: WOOLDRIDGE, Michael(Hrsg.); JENNINGS, Nicholas R. (Hrsg.): Intelligent Agents. SpringerVerlag, 1995, S. 1–22


[WJK00] WOOLDRIDGE, M.; JENNINGS, N.; KINNY, D.: The Gaia methodologyfor agent-oriented analysis and design. In: Journal of AutonomousAgents and Multi-Agent Systems 3 (2000), Nr. 3, S. 285–312

[Woo00] WOOLDRIDGE, Michael J.: Reasoning About Rational Agents (Intelli-gent Robotics and Autonomous Agents). 1. MIT Press, January 2000.– ISBN ISBN 0–26223–213–8

[Woo02] WOOLDRIDGE, Michael J.: An Introduction to MultiAgent Systems. 1.John Wiley and Sons, Ltd., Chichester, England, 2002. – ISBN ISBN0–471–49691–X

[Zad65] ZADEH, Lotfi A.: Fuzzy Sets. In: Information and Control (1965), Nr. 8

Index

AXAgent, 28

altruistischer, 39egoistischer, 38Multiagentensystem, 28, 37schwacher Agentenbegriff, 27, 80starker Agentenbegriff, 80

Aktion, 17Aktivitat, 17allgemein korrekte Rekonfiguration, 52altruistischer Agent, 39AMS (Autonomes Mechatronisches System), 26Analyse der Ist-Situation, 22, 54Anderung, 19angeeignete Ziele, 30angepasste Entitat, 38Anpassung, 19, 22, 29

globale, 38kompositionale, 21, 53lokale, 38Parameteranpassung, 21, 51Rekonfiguration, 21, 52Strukturanpassung, 21Verhaltensanpassung, 21, 51Zielanpassung, 20

Anpassung des Systemverhaltens, 22, 54Ausgang, 16Auswahl, 22, 29Autonomes Mechatronisches System (AMS), 23Autonomie, 27

XBXBaustruktur, 56Bauteil, 56Beobachtungen, 22Bestimmung der Systemziele, 22, 54Beziehung, 16

122 Index

XCXController, 45

XDXdiskretes Verhalten, 53Domanen

Elektrotechnik, 11Informatik, 11Maschinenbau, 11

dynamische Strukturveranderungendiskretes Verhalten, 53quasi-kontinuierliches Verhalten, 53

XEXEchtzeit, 34

harte, 34nicht zeitkritisch, 34weiche, 34

egoistischer Agent, 38Einfluss, 17Eingang, 16Element, 16Emergenz, 26Entwurfsmuster, 54ereignisgesteuert, 34extern uberwacht, 36externe Ziele, 19, 30

XFXfail-operational, 35fail-safe, 35fakultative Ziele, 31Feedback Adaptive Controller, 77Feedforward Adaptive Controller, 76Form der Optimierung, 95, 101, 105, 109Funktion, 16

XGXgenerierte Ziele, 30Generierung, 22, 29geschlossenes System, 41globale Anpassung, 38

X

Index 123

HXharte Echtzeit, 34harte Ziele, 31heterogene Redundanz, 36homogene Redundanz, 36

XIXindividuell selbstoptimierendes System, 25individuelle Selbstoptimierung, 25inharente Sicherheit, 35inharente Ziele, 19, 30Instanz, 41intern uberwacht, 36interne Ziele, 19, 30isolierte Optimierung, 37Ist-Situation, 22

XKXKunstliche Intelligenz, 82keine Redundanz, 36kognitiver Operator, 47kollekive Optimierung, 38kombinierte Verfahren, 32Komponentenstruktur, 57kompositionale Anpassung, 21, 53kontinuierlich, 33kontrollierte Sicherheit, 36Konzipierung, 58Koordinationsmuster, 55, 62

XLXLosungselement, 57Losungsmuster, 54lebenszyklusgesteuert, 34lokale Anpassung, 38

XMXMechatronisches Funktionsmodul (MFM), 23Mehrzieloptimierung, 32Merkmale, 29MFM (Mechatronisches Funktionsmodul), 25Model Identification Adaptive Controller, 77Modell, 17modellbasierte Optimierung, 31Motivation, 38

124 Index

Multiagentensystem, 28, 37Muster, 54

Entwurfsmuster, 54Koordinationsmuster, 55, 62Losungsmuster, 54Muster der Informationsverarbeitung, 56, 60Muster der Softwaretechnik, 56, 61Wirkmuster der Regelungstechnik, 56, 62Wirkmuster zur Selbstoptimierung, 54, 56Wirkprinzip, 54, 55, 60

Muster der Informationsverarbeitung, 56, 60Muster der Softwaretechnik, 56, 61

XNXnicht zeitkritisch, 34nichtkooperatives System, 33

XOXobligatorische Ziele, 31OCM, 44, 44offenes System, 41Operator-Controller-Modul, 44, 44

Controller, 45kognitiver Operator, 47reflektorischer Operator, 45

optimierende Entitat, 37Optimierung

isolierte, 37kollekive, 38kombinierte Verfahren, 32Mehrzieloptimierung, 32modellbasierte, 31verhaltensbasierte, 31

XPXParameteranpassung, 21, 51Partialmodelle, 58Prinziplosung, 57Proaktivitat, 27

XQXqualitative Ziele, 31quantitative Ziele, 31quasi-kontinuierliches Verhalten, 53

X

Index 125

RXReaktivitat, 27Redundanz

heterogene, 36homogene, 36keine, 36

reflektorischer Operator, 45Regelung

Feedback Adaptive Controller, 77Feedforward Adaptive Controller, 76selbsteinstellende, 78

Rekonfiguration, 21, 52allgemein korrekte, 52spezifisch korrekte, 52

Rolle, 41

XSXSanity Checks, 36schwacher Agentenbegriff, 27, 80Selbstuberwachung, 88Selbstdiagnose, 88selbsteinstellende Regelung, 78Selbstheilung, 86selbstoptimierendes System, 25Selbstoptimierung, 22, 86

Analyse der Ist-Situation, 22, 54Anpassung des Systemverhaltens, 22, 54Bestimmung der Systemziele, 22, 54individuelle, 25Merkmale, 29und Agenten, 27und Multiagentensysteme, 27zusammengesetzte, 25

Sicherheitfail-operational, 35fail-safe, 35inharente, 35kontrollierte, 36

Sicherheitsaspekte, 96, 101, 106, 109Softwarekomponente, 56spezifisch korrekte Rekonfiguration, 52starker Agentenbegriff, 80statisches System, 41Struktur, 16Strukturanpassung, 21subsymbolisches System, 83symbolisches System, 82System, 15

geschlossenes, 41individuell selbstoptimierendes, 25nichtkooperatives, 33

126 Index

offenes, 41selbstoptimierendes, 25statisches, 41subsymbolisches, 83symbolisches, 82zusammengesetztes selbstoptimierendes, 26, 28

Systemuberwachungextern uberwacht, 36intern uberwacht, 36unuberwacht, 36

Systemelement, 56Systemgrenze, 16Systemparameter, 16Systemumgebung, 16

XTXTyp, 41Typisierung und Struktur, 97, 102, 106, 109

XUXunuberwacht, 36

XVXVerhalten, 16

diskretes, 53quasi-kontinuierliches, 53

Verhaltensanpassung, 21, 51verhaltensbasierte Optimierung, 31Vernetztes Mechatronisches System (VMS), 23VMS (Vernetztes Mechatronisches System), 26

XWXweiche Echtzeit, 34weiche Ziele, 31Wiederherstellung, 88Wirkmuster der Regelungstechnik, 56, 62Wirkmuster zur Selbstoptimierung, 54, 56

Anwendungsszenario, 65Prinzipbeschreibung, 64Struktur, 65Verfahren, 66Verhalten, 65

Wirkprinzip, 54, 55, 60Wirkstruktur, 57

X

Index 127

ZXzeitgesteuert, 33Zeitpunkt der Selbstoptimierung

ereignisgesteuert, 34kontinuierlich, 33lebenszyklusgesteuert, 34zeitgesteuert, 33zustandsgesteuert, 34

Zeitpunkt und Ablauf, 96, 101, 105, 109Zielanpassung, 20Zielbestimmung, 22Ziele, 19

angeeignete, 30Anpassung, 22, 29Auswahl, 22, 29externe, 19, 30, 30fakultative, 31generierte, 30Generierung, 22, 29harte, 31inharente, 19, 30interne, 19, 30obligatorische, 31qualitative, 31quantitative, 31weiche, 31Zielgraph, 30Zielhierarchie, 29Zielsystem, 19, 29Zielvektor, 29

Zielgraph, 30Zielhierarchie, 29Zielsystem, 19, 29Zielvektor, 29zusammengesetzte Selbstoptimierung, 25zusammengesetztes selbstoptimierendes System, 26, 28Zustand, 16, 22zustandsgesteuert, 34

128 Index

XGlossar Deutsch – EnglischXAgent – agent, 28Aktion – joint action, 17Aktivitat – activity, 17allgemein korrekte Rekonfiguration – generically correct reconfiguration, 52altruistischer Agent – altruistic agent, 39AMS (Autonomes Mechatronisches System) – AMS (autonomous mechatronic system), 23angeeignete Ziele – appropriated objectives, 30angepasste Entitat – manipulated entity, 38Anpassung – adaptation, 19, 22Ausgang – output, 16Auswahl – selection, 22Autonomes Mechatronisches System (AMS) – autonomous mechatronic system (AMS), 23Autonomie – autonomy, 27Beobachtungen – observations, 22Beziehung – relation, 16Controller – controller, 45Echtzeit – real-time, 34egoistischer Agent – egoistic agent, 38Einfluss – influence, 17Eingang – input, 16Element – element, 16Emergenz – emergence, 26Entwurfsmuster – design pattern, 54ereignisgesteuert – event-triggered, 34extern uberwacht – external supervision, 36externe Ziele – external objectives, 30fail-operational – fail-operational, 35fail-safe – fail-safe, 35fakultative Ziele – facultative objectives, 31Funktion – function, 16generierte Ziele – generated objectives, 30Generierung – generation, 22geschlossenes System – closed system, 41globale Anpassung – global adaptation, 38harte Echtzeit – hard real-time, 34harte Ziele – hard objectives, 31heterogene Redundanz – heterogenous redundancy, 36homogene Redundanz – homogenuous redundancy, 36individuell selbstoptimierendes System – individually self-optimizing system, 25inharente Sicherheit – inherent safety, 35inharente Ziele – inherent objectives, 30Instanz – instance, 41intern uberwacht – internal supervision, 36interne Ziele – internal objectives, 30isolierte Optimierung – isolated optimization, 37Ist-Situation – current situation, 22keine Redundanz – no redundancy, 36kognitiver Operator – cognitive operator, 47kollekive Optimierung – collective optimization, 38kombinierte Verfahren – composite methods, 32kompositionale Anpassung – compositional adaptation, 21

Glossar Deutsch – Englisch 129

kontinuierlich – continuously, 33Koordinationsmuster – coordination pattern, 55, 62Losungsmuster – solution pattern, 54lebenszyklusgesteuert – life-cycle-dependent, 34lokale Anpassung – local adaptation, 38Mechatronisches Funktionsmodul (MFM) – mechatronic function module (MFM), 23MFM (Mechatronisches Funktionsmodul) – MFM (mechatronic function module), 23Modell – model, 17modellbasierte Optimierung – model-based optimization, 31Motivation – motivation, 38Multiagentensystem – multi-agent system, 28, 37Muster – pattern, 54nicht zeitkritisch – no real-time requirements, 34obligatorische Ziele – mandatory objectives, 31offenes System – open system, 41Operator-Controller-Modul – Operator-Controller-Module, 44optimierende Entitat – optimizing entity, 37Parameteranpassung – parameter adaptation, 21Proaktivitat – proactivity, 27qualitative Ziele – qualitative objectives, 31quantitative Ziele – quantitative objectives, 31Reaktivitat – reactivity, 27reflektorischer Operator – reflective operator, 45Rekonfiguration – reconfiguration, 21Rolle – role, 41schwacher Agentenbegriff – weak notion of agency, 27, 80Selbstuberwachung – self-monitoring, 88Selbstdiagnose – self-diagnosis, 88Selbstheilung – self-healing, 86selbstoptimierendes System – self-optimizing system, 25Selbstoptimierung – self-optimization, 22, 86Softwarekomponente – software component, 56spezifisch korrekte Rekonfiguration – specifically correct reconfiguration, 52starker Agentenbegriff – strong notion of agency, 80statisches System – static system, 41Struktur – structure, 16Strukturanpassung – structural adaptation, 21subsymbolisches System – subsymbolic system, 83symbolisches System – symbolic system, 82System – system, 15Systemgrenze – system border, 16Systemparameter – parameter, 16Systemumgebung – environment, 16Typ – type, 41unuberwacht – unsupervised, 36Verhalten – behavior, 16Verhaltensanpassung – behavior adaptation, 21verhaltensbasierte Optimierung – behavior-based optimization, 31Vernetztes Mechatronisches System (VMS) – connected mechatronic system (CMS), 23VMS (Vernetztes Mechatronisches System) – CMS (connected mechatronic system), 23weiche Echtzeit – soft real-time, 34weiche Ziele – soft objectives, 31Wiederherstellung – self-recovery, 88zeitgesteuert – time-triggered, 33

130 Index

Zielanpassung – objective adaptation, 20Zielbestimmung – determination of objectives, 22Ziele – objectives, 19Zielgraph – objective graph, 30Zielhierarchie – objective hierarchy, 29Zielsystem – system of objectives, 19, 29Zielvektor – objective vector, 29zusammengesetztes selbstoptimierendes System – composed self-optimizing system, 26Zustand – state, 16, 22zustandsgesteuert – state-dependent, 34

Glossar Englisch – Deutsch 131

XGlossar Englisch – DeutschXactivity – Aktivitat, 17adaptation – Anpassung, 19, 22agent – Agent, 28altruistic agent – altruistischer Agent, 39AMS (autonomous mechatronic system) – AMS (Autonomes Mechatronisches System), 23appropriated objectives – angeeignete Ziele, 30autonomous mechatronic system (AMS) – Autonomes Mechatronisches System (AMS), 23autonomy – Autonomie, 27behavior – Verhalten, 16behavior adaptation – Verhaltensanpassung, 21behavior-based optimization – verhaltensbasierte Optimierung, 31closed system – geschlossenes System, 41CMS (connected mechatronic system) – VMS (Vernetztes Mechatronisches System), 23cognitive operator – kognitiver Operator, 47collective optimization – kollekive Optimierung, 38composed self-optimizing system – zusammengesetztes selbstoptimierendes System, 26composite methods – kombinierte Verfahren, 32compositional adaptation – kompositionale Anpassung, 21connected mechatronic system (CMS) – Vernetztes Mechatronisches System (VMS), 23continuously – kontinuierlich, 33controller – Controller, 45coordination pattern – Koordinationsmuster, 55, 62current situation – Ist-Situation, 22design pattern – Entwurfsmuster, 54determination of objectives – Zielbestimmung, 22egoistic agent – egoistischer Agent, 38element – Element, 16emergence – Emergenz, 26environment – Systemumgebung, 16event-triggered – ereignisgesteuert, 34external objectives – externe Ziele, 30external supervision – extern uberwacht, 36facultative objectives – fakultative Ziele, 31fail-operational – fail-operational, 35fail-safe – fail-safe, 35function – Funktion, 16generated objectives – generierte Ziele, 30generation – Generierung, 22generically correct reconfiguration – allgemein korrekte Rekonfiguration, 52global adaptation – globale Anpassung, 38hard objectives – harte Ziele, 31hard real-time – harte Echtzeit, 34heterogenous redundancy – heterogene Redundanz, 36homogenuous redundancy – homogene Redundanz, 36individually self-optimizing system – individuell selbstoptimierendes System, 25influence – Einfluss, 17inherent objectives – inharente Ziele, 30inherent safety – inharente Sicherheit, 35input – Eingang, 16instance – Instanz, 41internal objectives – interne Ziele, 30

132 Index

internal supervision – intern uberwacht, 36isolated optimization – isolierte Optimierung, 37joint action – Aktion, 17life-cycle-dependent – lebenszyklusgesteuert, 34local adaptation – lokale Anpassung, 38mandatory objectives – obligatorische Ziele, 31manipulated entity – angepasste Entitat, 38mechatronic function module (MFM) – Mechatronisches Funktionsmodul (MFM), 23MFM (mechatronic function module) – MFM (Mechatronisches Funktionsmodul), 23model – Modell, 17model-based optimization – modellbasierte Optimierung, 31motivation – Motivation, 38multi-agent system – Multiagentensystem, 28, 37no real-time requirements – nicht zeitkritisch, 34no redundancy – keine Redundanz, 36objective adaptation – Zielanpassung, 20objective graph – Zielgraph, 30objective hierarchy – Zielhierarchie, 29objective vector – Zielvektor, 29objectives – Ziele, 19observations – Beobachtungen, 22open system – offenes System, 41Operator-Controller-Module – Operator-Controller-Modul, 44optimizing entity – optimierende Entitat, 37output – Ausgang, 16parameter – Systemparameter, 16parameter adaptation – Parameteranpassung, 21pattern – Muster, 54proactivity – Proaktivitat, 27qualitative objectives – qualitative Ziele, 31quantitative objectives – quantitative Ziele, 31reactivity – Reaktivitat, 27real-time – Echtzeit, 34reconfiguration – Rekonfiguration, 21reflective operator – reflektorischer Operator, 45relation – Beziehung, 16role – Rolle, 41selection – Auswahl, 22self-diagnosis – Selbstdiagnose, 88self-healing – Selbstheilung, 86self-monitoring – Selbstuberwachung, 88self-optimization – Selbstoptimierung, 22, 86self-optimizing system – selbstoptimierendes System, 25self-recovery – Wiederherstellung, 88soft objectives – weiche Ziele, 31soft real-time – weiche Echtzeit, 34software component – Softwarekomponente, 56solution pattern – Losungsmuster, 54specifically correct reconfiguration – spezifisch korrekte Rekonfiguration, 52state – Zustand, 16, 22state-dependent – zustandsgesteuert, 34static system – statisches System, 41strong notion of agency – starker Agentenbegriff, 80structural adaptation – Strukturanpassung, 21

Glossar Englisch – Deutsch 133

structure – Struktur, 16subsymbolic system – subsymbolisches System, 83symbolic system – symbolisches System, 82system – System, 15system border – Systemgrenze, 16system of objectives – Zielsystem, 19, 29time-triggered – zeitgesteuert, 33type – Typ, 41unsupervised – unuberwacht, 36weak notion of agency – schwacher Agentenbegriff, 27, 80

Documents

Selbstoptimierende Systeme des Maschinenbaus Definitionen ... · ge der Definition der Selbstoptimierung als abstraktes Prinzip bilden. An-schließend werden Merkmale zur Klassifikation