Olyan adtalapú modellezési eljárások kifejlesztése, amik képesek a jelenlegi identifikációs eljárások statisztikai megbízhatóságát ötvözni a gépi tanuláson alapuló módszerek effektivitásával és flexibilitásával. Kiemelt cél, a teljes modellezési folyamat (toolchain) automatizálása az adatgyűjtéstől a verfikációig és a modellezésben mind a fizikai interpretálhatóság megőrzése, mind a nem ismert, fizikailag nehezen leírható, összefüggések és dinamikai sajátosságok feltérképezése.
Az autóipari, mechatronikai és vegyipari alkalmazásokban egyre inkább növekvő teljesítmény követelmények és a robbanásszerűen növekvő hardware komplexitás megköveteli, hogy az eddigi, főképp ideális generikus fizikai modellezést felváltsa egy adott eszköz egyedi specifikus dinamikáját megcélzó és annak változásaihoz alkalmazkodni tudó eljárások kifejlesztése. Az így létrejövő eljárások képesek egy digitális másolatot (digital twin) biztosítani az adott eszköz számára, ami messze túlmutat a jelenleg ezen név alatt futó adat összegzési és kezdetleges becslő és szimulációs eljárásokon alapuló technológiákon. Képesek a fizikai alap modell adaptációjára (mode augmentation). A nem ismert, fizikailag nehezen leírható, összefüggések és dinamikai sajátosságok feltérképezése a modellezési cél (pl. jövőbeli perdikció és hibák jóslása (prediction), karbantartás előre jelzése (predictive maintenance), szabályozó tervezés (modelling for control)) által megkívánt részletességgel.
A kutatás megcélozza a teljes modellezési lánc automatizálását:
adat gyűjtés és kísérlet tervezés,
modell struktúra választás,
modellezési kritériumok és célfüggvények megválasztása,
modell becslés,
a modell verfikációja a modellezési célok alapján.
Ahhoz, hogy ilyen mértékű automatizálás jöjjön létre és hogy a rendszer nem ismert de a modellezési cél alapján szükséges dinamikai leírását hatékonyan feltérképezzük, szükség van a jelenlegi identifikációs eljárások statisztikai megbízhatóságát ötvözni a gépi tanuláson alapuló módszerek effektivitásával és flexibilitásával.
A kutatás első fázisában a gépi tanulásban használt struktúrák mint például Gauss folyamatok, neurális hálózatok dinamikai becslésben való hatékony alkalmazását és azoknak fizikai modellekkel való ötvözését szükséges megvalósítani az ehhez szükséges elméleti reprezentációs és a statisztikai hatékonysághoz kapcsolódó problémák megoldásával.
A tanulási alapú modellezés batch-wise (offline) és folytonosan tanuló rekurzív formában (online) való kifejlesztése is fontos, ahol az utóbbiban a tanuló komponens révén a modell működés közben folyamatosan tanul, adaptálódik a változó működési körülményekhez. Lényeges kérdés a modell identifikáció szempontú analízise, identifikálhatósági kérdések vizsgálata, automatikus kísérlettervezési módszerek kidolgozása, amelyek önállóan képesek a rendszerrel együttműködni. Valamint lényeges a modellek megbízhatóságának becslése és a bizonytalansági tartományok rekurzív csökkentése újabb kísérletek automatikus tervezéssel, hogy a teljes modellezési lánc automatizálása megvalósuljon, így támogatván az autonóm rendszerek ipari alkalmazását.
Várható eredmények:
Öntanuló, fizikailag értelmezhető és adaptív modellezési algoritmusok és az ehhez kapcsolódó kísérlet tervezési és verfikációs eljárások kidolgozása, ezek implementációja valós rendszereken, az ipari alkalmazhatóság demonstrációja