|
Die wahrscheinlichkeitstheoretische Inferenz beschreibt das Problem der Schätzung der Zustände und Parameter eines Systems aus unvollständigen und verrauschten Messdaten. Anwendungsbeispiele sind u.a. Filter für Regelungskonzepte,
Fehlerdiagnose, Trägheitsnavigation, u.v.m.. Wählt man einen statistischen, rekursiven Ansatz zur Lösung des Problems, so ist diese durch die Rekursive Bayes'sche Schätztheorie gegeben, welche für die meisten praxisrelevanten
Anwendungen nicht exakt lösbar ist. Das Spektrum an Näherungslösungen ist umfangreich und unübersichtlich. Die hohe Anzahl an Algorithmen und der Mangel an einer praxisorientierten Bewertungsmethode erschweren die Auswahl eines
geeigneten Filters und inspirierten dieses Projekt. In vorliegender Dissertation wird ein Zugang vorgestellt, der dazu beitragen soll, den Entscheidungsprozess zu objektivieren. Die Praxiseignung der vorgestellten Methode wird am Beispiel der
modellgestützten Diagnose eines Dieselpartikelfilters nachgewiesen.
|