|
Dr.-Ing. Olaf Jaeckel
|
Forschungsinteressen und Arbeitsgebiete
Bisherige Tätigkeiten
Während meines Forschungsstudiums am Institut für Elektrotechnik der Humboldt-Universität zu Berlin sammelte ich Erfahrungen auf dem Gebiet der rechnergestützten Meß- und Prüftechnik. Der Schwerpunkt meiner Arbeit lag auf dem Gebiet der statistischen Datenauswertung für Qualitätssicherungszwecke. Es wurden u.a. Verteilungsanalysen und -simulationen für nichtnormalverteilte Qualitätsmerkmale durchgeführt.Automatische Strukturadaption mathematischer Modelle
Eines der schwierigsten Probleme bei der Steuerung und Optimierung technischer Prozesse besteht im Auffinden eines geeigneten Prozeßmodells, welches den quantitativen Zusammenhang zwischen der interessierenden Zielgröße und einer Vielzahl von Prozeßparametern wiedergibt. Moderne verfahrens- und fertigungstechnische Prozesse sind zunehmend durch ähnliche Merkmale gekennzeichnet wie viele Systeme im nichttechnischen Bereich. Hierzu gehören das Vorliegen einer großen Anzahl von Einflußgrößen mit unbekannten Wechselwirkungen, ein oft stark nichtlineares Systemverhalten und die Einwirkung stochastischer Störungen. Unter derartigen Bedingungen ist eine deduktive Modellbildung auf der Basis einer fundierten theoretischen Systemanalyse oft nicht durchführbar bzw. erweist sich für die eigentliche Aufgabenstellung (Steuerung, Optimierung, Prognose) als unzureichend. Als eine mögliche Alternative bietet sich hier die auf A.G. Ivachnenko zurückgehende Methode der heuristischen Selbstorganisation mathematischer Modelle an. Diese ermöglicht es, lediglich auf der Basis vorliegender Prozeßbeobachtungen sowie aufgabenabhängig vorzugebender Selektionskriterien ein Modell eines Systems mit a priori nicht bekannter Struktur automatisch zu erstellen. Dabei werden sowohl die Parameter als auch die Struktur dieses Modells in einem iterativen Prozeß vom Rechnerprogramm ermittelt. Eine spezielle Klasse der parametrischen Selbstorganisationsalgorithmen bilden die Algorithmen mit gruppenweiser Behandlung der Daten (GMDH - Group Method of Data Handling), welche polynomiale Prozeßmodelle erstellen. GMDH-Algorithmen kombinieren den von künstlichen neuronalen Netzen bekannten konnektionistischen Ansatz mit dem klassischen Verfahren der Regression. Als Netzknoten werden sehr einfache Elementarmodelle (meist Polynome zweiten Grades in nur zwei Variablen) verwendet. Das Gesamtmodell entsteht über mehrere Iterationsstufen (Generationen) durch Paarkombination der Modelle der jeweils vorhergehenden Stufe. In der ersten Generation werden die Einflußgrößen selbst verwendet. Im Rahmen meiner Dissertation wurde ein GMDH-Algorithmus untersucht und weiterentwickelt, welcher bereits auf der Ebene der Elementarmodelle eine Strukturoptimierung vornimmt. Insbesondere zeichnet sich der verbesserte Algorithmus dadurch aus, daß das Auftreten kollinearer Modellvarianten, welches in klassischen GMDH-Algorithmen ein großes Problem darstellt, explizit vermieden wird. Das Verfahren wurde bereits erfolgreich zur Modellierung unterschiedlicher technologischer Datensätze (Benetzungskraftmessungen, Fertigung optischer Schmelzkoppler) eingesetzt.Künftiges Aufgabengebiet
Im Rahmen eines Projektes werde ich an der Entwicklung von Kalibrieralgorithmen für laserinduzierte Atomemissionsspektrometer arbeiten. Dabei werden vorrangig evolutionäre Algorithmen zum Einsatz kommen.Kurzbiographie
- geb. 11. März 1965
- 1979-1983 Erweiterte Oberschule
- 1986-1991 Studium an der Humboldt-Universität zu Berlin in der Fachrichtung Elektroniktechnologie
- 1997 Promotion am Institut für Elektrotechnik der Humboldt-Universität
- seit Januar 1999 wissenschaftlicher Mitarbeiter bei der GFaI
Sonstige Interessen:
Wissenschaftlich bin ich an allem interessiert, was mit Strukturbildungsprozessen in Natur und Technik zusammenhängt. Meine Hobbys sind Gitarre und Schach.© GFaI 1994-2005 Kontakt: Dr. H.-M. Voigt
