Reduktion von Speckle-Drop-Outs in der Laser-Doppler-Vibrometrie ...
Reduktion von Speckle-Drop-Outs in der Laser-Doppler-Vibrometrie ... Reduktion von Speckle-Drop-Outs in der Laser-Doppler-Vibrometrie ...
Reduktion von Speckle-Drop-Outs in der Laser-Doppler-Vibrometrie mithilfe von Regler-betriebenen adaptiven Optiken vom Fachbereich Elektrotechnik, Informationstechnik, Medientechnik der Bergischen Universität Wuppertal genehmigte DISSERTATION zur Erlangung des akademischen Grades eines Doktor-Ingenieurs von Sascha Paul Mayer, M.Sc. aus Schwelm Tag der mündlichen Prüfung: 17. Mai 2013 Referent: Univ.-Prof. Dr.-Ing. Bernd Tibken Korreferent: appl. Prof. Dr.-Ing. Rainer Möller
- Seite 2 und 3: Diese Dissertation kann wie folgt z
- Seite 4 und 5: Inhaltsverzeichnis II 5.2 Zugehöri
- Seite 6 und 7: Abbildungsverzeichnis IV Abbildungs
- Seite 8 und 9: Abbildungsverzeichnis VI 8.4 Vierte
- Seite 10 und 11: Algorithmenverzeichnis 1 Algorithme
- Seite 12 und 13: 1 Einleitung 3 nen und Güter dank
- Seite 14 und 15: 1 Einleitung 5 1.2 Stand der Forsch
- Seite 16 und 17: 2 Historische Entwicklung der Laser
- Seite 18 und 19: 2 Historische Entwicklung der Laser
- Seite 20 und 21: 2 Historische Entwicklung der Laser
- Seite 22 und 23: 2 Historische Entwicklung der Laser
- Seite 24 und 25: 2 Historische Entwicklung der Laser
- Seite 26 und 27: 3 Analyse und Modellbildung Da ein
- Seite 28 und 29: 3 Analyse und Modellbildung 19 Koor
- Seite 30 und 31: 3 Analyse und Modellbildung 21 Durc
- Seite 32 und 33: 3 Analyse und Modellbildung 23 Abbi
- Seite 34 und 35: 3 Analyse und Modellbildung 25 0 bi
- Seite 36 und 37: 4 Approximation durch radiale Basis
- Seite 38 und 39: 4 Approximation durch radiale Basis
- Seite 40 und 41: 4 Approximation durch radiale Basis
- Seite 42 und 43: 4 Approximation durch radiale Basis
- Seite 44 und 45: 4 Approximation durch radiale Basis
- Seite 46 und 47: 5 Statische Optimierung des Signalp
- Seite 48 und 49: 5 Statische Optimierung des Signalp
- Seite 50 und 51: 5 Statische Optimierung des Signalp
<strong>Reduktion</strong> <strong>von</strong> <strong>Speckle</strong>-<strong>Drop</strong>-<strong>Outs</strong> <strong>in</strong> <strong>der</strong><br />
<strong>Laser</strong>-<strong>Doppler</strong>-<strong>Vibrometrie</strong> mithilfe <strong>von</strong> Regler-betriebenen<br />
adaptiven Optiken<br />
vom Fachbereich<br />
Elektrotechnik, Informationstechnik, Medientechnik<br />
<strong>der</strong> Bergischen Universität Wuppertal<br />
genehmigte<br />
DISSERTATION<br />
zur Erlangung des akademischen Grades<br />
e<strong>in</strong>es Doktor-Ingenieurs<br />
<strong>von</strong><br />
Sascha Paul Mayer, M.Sc.<br />
aus Schwelm<br />
Tag <strong>der</strong> mündlichen Prüfung: 17. Mai 2013<br />
Referent:<br />
Univ.-Prof. Dr.-Ing. Bernd Tibken<br />
Korreferent:<br />
appl. Prof. Dr.-Ing. Ra<strong>in</strong>er Möller
Diese Dissertation kann wie folgt zitiert werden:<br />
urn:nbn:de:hbz:468-20130719-113252-8<br />
[http://nbn-resolv<strong>in</strong>g.de/urn/resolver.pl?urn=urn:nbn:de:hbz:468-20130719-113252-8]
Inhaltsverzeichnis<br />
I<br />
Inhaltsverzeichnis<br />
1 E<strong>in</strong>leitung 2<br />
1.1 Problemstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3<br />
1.2 Stand <strong>der</strong> Forschung und Technik . . . . . . . . . . . . . . . . . . . . . . . 5<br />
1.3 Weiterer Aufbau dieser Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . 5<br />
2 Historische Entwicklung <strong>der</strong> <strong>Laser</strong>technik und <strong>Vibrometrie</strong> 7<br />
2.1 <strong>Laser</strong> . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8<br />
2.2 <strong>Laser</strong><strong>in</strong>terferometrie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9<br />
2.3 Vibrometer mit SLM-basierten Aktor . . . . . . . . . . . . . . . . . . . . . 11<br />
2.4 Spatial Light Modulator (SLM) auf LCoS Basis . . . . . . . . . . . . . . . 13<br />
2.5 Vibrometer mit Membranspiegel als Aktor . . . . . . . . . . . . . . . . . . 15<br />
3 Analyse und Modellbildung 17<br />
3.1 Beschreibung <strong>von</strong> Abbildungsfehlern über Zernike-Polynome . . . . . . . . 18<br />
3.2 Lösung <strong>der</strong> homogenen Wellengleichung im Messprozess . . . . . . . . . . . 19<br />
3.3 Grenzen <strong>der</strong> analytischen Untersuchungen . . . . . . . . . . . . . . . . . . 22<br />
3.4 Herleitung <strong>der</strong> Signalgüte . . . . . . . . . . . . . . . . . . . . . . . . . . . 22<br />
3.5 Signalstärke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24<br />
3.6 Gütefunktion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25<br />
4 Approximation durch radiale Basisfunktionen 26<br />
4.1 Interpolation am Beispiel Himmelblau-Funktion . . . . . . . . . . . . . . . 28<br />
4.2 Herleitung des Gradienten und <strong>der</strong> Hesse-Matrix . . . . . . . . . . . . . . . 29<br />
4.3 Herleitung des Gradienten . . . . . . . . . . . . . . . . . . . . . . . . . . . 29<br />
4.4 Herleitung <strong>der</strong> Hesse-Matrix . . . . . . . . . . . . . . . . . . . . . . . . . . 30<br />
4.5 Gaußsche Funktion als radiale Basisfunktion . . . . . . . . . . . . . . . . . 31<br />
4.6 Beispiele zur Interpolation mit <strong>der</strong> Gaußschen Funktion als radiale Basisfunktion<br />
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33<br />
5 Statische Optimierung des Signalpegels 37<br />
5.1 Pareto-Optimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Inhaltsverzeichnis<br />
II<br />
5.2 Zugehörige M<strong>in</strong>imierungsaufgabe . . . . . . . . . . . . . . . . . . . . . . . 38<br />
5.3 Angepasster DIRECT-Algorithmus . . . . . . . . . . . . . . . . . . . . . . 39<br />
5.4 Shubert-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39<br />
5.5 DIRECT-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42<br />
5.6 Verschiebung <strong>der</strong> Evaluationspunkte . . . . . . . . . . . . . . . . . . . . . 43<br />
5.7 Drittelung <strong>der</strong> Such<strong>in</strong>tervalle . . . . . . . . . . . . . . . . . . . . . . . . . . 44<br />
5.8 Suchschritt: Ermittlung potentiell optimaler Kandidaten . . . . . . . . . . 45<br />
5.9 Abbruchkriterium . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49<br />
5.10 Erweiterung auf den R n . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50<br />
5.11 Der Algorithmus im Überblick . . . . . . . . . . . . . . . . . . . . . . . . . 50<br />
5.12 Hybri<strong>der</strong> DIRECT-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . 51<br />
5.13 Anpassung <strong>der</strong> Datenstruktur . . . . . . . . . . . . . . . . . . . . . . . . . 52<br />
5.14 Such-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55<br />
5.15 Adaptierter Such-Schritt im DIRECT . . . . . . . . . . . . . . . . . . . . . 56<br />
5.16 Optimierung mit e<strong>in</strong>em Gradientenverfahren . . . . . . . . . . . . . . . . . 58<br />
5.17 Optimierung mit Methoden zweiter Ordnung . . . . . . . . . . . . . . . . . 58<br />
5.18 Laufzeitanalyse des Hybrid-DIRECT . . . . . . . . . . . . . . . . . . . . . 59<br />
6 Experimentelle Parameterbestimmung und Tests am realen System 64<br />
6.1 Bestimmung des Gewichtsfaktors γ . . . . . . . . . . . . . . . . . . . . . . 64<br />
6.2 Totzeit des Vibrometers mit SLM . . . . . . . . . . . . . . . . . . . . . . . 65<br />
6.3 Wertebereiche <strong>der</strong> Zernike-Koeffizienten . . . . . . . . . . . . . . . . . . . . 66<br />
6.4 Experimentelle Bestimmung <strong>der</strong> Wertebereiche . . . . . . . . . . . . . . . . 66<br />
6.5 <strong>Reduktion</strong> <strong>von</strong> Messfehlern im Optimierer . . . . . . . . . . . . . . . . . . 70<br />
6.6 Verifikation am Vibrometer . . . . . . . . . . . . . . . . . . . . . . . . . . 71<br />
6.7 Resultate <strong>der</strong> Optimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . 72<br />
7 Quadratische Approximation und Optimierung 75<br />
7.1 Talyor-Reihenentwicklung . . . . . . . . . . . . . . . . . . . . . . . . . . . 75<br />
7.2 Quadratische Approximation . . . . . . . . . . . . . . . . . . . . . . . . . . 76<br />
7.3 Optimierung <strong>der</strong> <strong>in</strong>terpolierten Funktion f qn (c) . . . . . . . . . . . . . . . 79<br />
7.4 Bestimmung <strong>der</strong> optimalen Schrittweite . . . . . . . . . . . . . . . . . . . 80<br />
7.5 Abstiegsverfahren mit optimaler Schrittweite . . . . . . . . . . . . . . . . . 82<br />
7.6 Wahl <strong>der</strong> Stützstellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83<br />
7.7 Berücksichtigung <strong>von</strong> Messungenauigkeiten . . . . . . . . . . . . . . . . . . 89<br />
8 Entwurf e<strong>in</strong>es Extremwertreglers 91<br />
8.1 Reglerentwurf mithilfe e<strong>in</strong>er sukzessiven quadratischen Interpolation (SQI) 92<br />
8.2 Sukzessive parabolische Interpolation (SPI) . . . . . . . . . . . . . . . . . . 93<br />
8.3 Quadratische Interpolation (QI) . . . . . . . . . . . . . . . . . . . . . . . . 95<br />
8.4 Sukzessive quadratische Interpolation . . . . . . . . . . . . . . . . . . . . . 97<br />
8.5 Beispiel zum Fallback-Modus . . . . . . . . . . . . . . . . . . . . . . . . . 100
Inhaltsverzeichnis<br />
III<br />
8.6 Beispiel zur quadratischen Approximation . . . . . . . . . . . . . . . . . . 105<br />
8.7 Beispiel <strong>der</strong> quadratischen Approximation bei rauschbehafteter Zielfunktion<br />
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106<br />
8.8 Validierung des Regler-Konzepts . . . . . . . . . . . . . . . . . . . . . . . 109<br />
8.9 Regler-Verifizierung bei Nutzung <strong>von</strong> Doppel- und E<strong>in</strong>zelparameter . . . . 110<br />
8.10 Regler-Verifizierung bei Nutzung komb<strong>in</strong>ierter Parameter . . . . . . . . . . 114<br />
8.11 Erfassung <strong>von</strong> Vibrationen mit geregeltem Vibrometer . . . . . . . . . . . 120<br />
9 Fazit und Ausblick 123<br />
Literaturverzeichnis 124
Abbildungsverzeichnis<br />
IV<br />
Abbildungsverzeichnis<br />
2.1 Von E<strong>in</strong>ste<strong>in</strong> 1916 postulierten Übergänge am Beispiel e<strong>in</strong>es Wasserstoffatoms 8<br />
2.2 Schematische Darstellung des Aufbaus e<strong>in</strong>es <strong>Laser</strong>s . . . . . . . . . . . . . 9<br />
2.3 Michelson-Interferometer . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10<br />
2.4 Interferenzmuster auf dem Detektorschirm . . . . . . . . . . . . . . . . . . 10<br />
2.5 Mach-Zehn<strong>der</strong>-Pr<strong>in</strong>zip e<strong>in</strong>es <strong>Laser</strong>-<strong>Doppler</strong>-Vibrometers, angelehnt an [52,<br />
85] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11<br />
2.6 Modell des genutzten Vibrometers . . . . . . . . . . . . . . . . . . . . . . . 12<br />
2.7 Wirkpr<strong>in</strong>zip des SLM, nach [31] . . . . . . . . . . . . . . . . . . . . . . . . 13<br />
2.8 Beispiel e<strong>in</strong>es SLM-Musters . . . . . . . . . . . . . . . . . . . . . . . . . . 14<br />
2.9 OKO Tech Membran-Spiegel MMDM 15 mm 37 Kanäle, aus [20] . . . . . . 15<br />
2.10 Anschluss-Plat<strong>in</strong>e OKO Tech MMDM 15 mm 37 Kanäle, nach [20] . . . . . 16<br />
3.1 Schema des Messprozesses . . . . . . . . . . . . . . . . . . . . . . . . . . . 17<br />
3.2 Beispiel e<strong>in</strong>iger Zernike-Polynome, entnommen aus [61] . . . . . . . . . . . 19<br />
3.3 Schema <strong>der</strong> beugungsbegrenzten Wellenausbreitung . . . . . . . . . . . . . 20<br />
3.4 Signalgüte über Betrag e<strong>in</strong>es Vektors . . . . . . . . . . . . . . . . . . . . . 23<br />
3.5 Verformung des Spots durch E<strong>in</strong>schreiben <strong>von</strong> Aberration auf das SLM . . 24<br />
4.1 Approximation <strong>der</strong> Himmelblau-Funktion mit 20 - 100 Stützstellen . . . . 28<br />
4.2 Auswirkung des Strukturparameter θ auf die Interpolation . . . . . . . . . 33<br />
4.3 Die Himmelblau-Funktion verglichen mit verschiedenen Interpolationsmethoden,<br />
entnommen aus [2] . . . . . . . . . . . . . . . . . . . . . . . . . . . 34<br />
4.4 Die Rastrig<strong>in</strong>-Funktion verglichen mit verschiedenen Interpolationsmethoden,<br />
entnommen aus [2] . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35<br />
4.5 E<strong>in</strong>e zufällig generierte 2D-Funktion, entnommen aus [2] . . . . . . . . . . 36<br />
5.1 Initialer Schritt des Shubert-Algorithmus . . . . . . . . . . . . . . . . . . . 40<br />
5.2 Shubert-Algorithmus, Schritt 1 - 2 . . . . . . . . . . . . . . . . . . . . . . . 41<br />
5.3 Shubert-Algorithmus, Schritt 3 - 4 . . . . . . . . . . . . . . . . . . . . . . . 41<br />
5.4 Initialer Schritt des DIRECT-Algorithmus . . . . . . . . . . . . . . . . . . 44<br />
5.5 1D-DIRECT nach e<strong>in</strong>er Teilung . . . . . . . . . . . . . . . . . . . . . . . . 45
Abbildungsverzeichnis<br />
V<br />
5.6 1D-DIRECT nach drei Teilungen . . . . . . . . . . . . . . . . . . . . . . . 45<br />
5.7 Beispiel für die Erfüllung <strong>der</strong> Ungleichungen (5.11) und (5.12) . . . . . . . 46<br />
5.8 Verschiebung <strong>der</strong> Intervalle zur Ord<strong>in</strong>ate . . . . . . . . . . . . . . . . . . . 46<br />
5.9 Konvexe Hülle nach mehreren Iterationsschritten . . . . . . . . . . . . . . 47<br />
5.10 DIRECT-Datenstruktur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48<br />
5.11 UML-Aktivitätsdiagramm DIRECT-Algorithmus . . . . . . . . . . . . . . 51<br />
5.12 Element mitten <strong>in</strong> Liste gesucht . . . . . . . . . . . . . . . . . . . . . . . . 53<br />
5.13 Drittelung e<strong>in</strong>es Intervalls <strong>in</strong> 2D . . . . . . . . . . . . . . . . . . . . . . . . 53<br />
5.14 Suchbaum für adaptierte Suche . . . . . . . . . . . . . . . . . . . . . . . . 54<br />
5.15 Suchbaum mit zugehörigen Listenelementen . . . . . . . . . . . . . . . . . 55<br />
5.16 Interface: SearchNode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55<br />
5.17 UML-Aktivitätsdiagramm hybrid DIRECT . . . . . . . . . . . . . . . . . . 57<br />
5.18 Newton-Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59<br />
5.19 Beispiel <strong>der</strong> Suche im Optimierungsalgorithmus anhand <strong>der</strong> 2-dimensionalen<br />
Rosenbrock Funktion, entnommen aus [2] . . . . . . . . . . . . . . . . . . . 60<br />
5.20 Laufzeitanalyse anhand <strong>der</strong> 7-dimensionalen Rosenbrock-Funktion . . . . . 61<br />
5.21 Laufzeitanalyse anhand <strong>der</strong> 2-dimensionalen Himmelblau-Funktion . . . . . 61<br />
5.22 Laufzeitanalyse anhand <strong>der</strong> 4-dimensionalen elliptische Funktion . . . . . . 62<br />
5.23 Laufzeitanalyse anhand <strong>der</strong> 7-dimensionalen elliptische Funktion . . . . . . 62<br />
5.24 Laufzeitanalyse anhand <strong>der</strong> 4-dimensionalen Rastrig<strong>in</strong>-Funktion . . . . . . 62<br />
6.1 Experimentelle Bestimmung <strong>von</strong> γ . . . . . . . . . . . . . . . . . . . . . . 65<br />
6.2 Latenzanalyse am SLM-basierten Vibrometer . . . . . . . . . . . . . . . . . 66<br />
6.3 Ergebnis <strong>der</strong> Messungen für Astigma X . . . . . . . . . . . . . . . . . . . . 68<br />
6.4 Ergebnis <strong>der</strong> Messungen für Astigma Y . . . . . . . . . . . . . . . . . . . . 68<br />
6.5 Ergebnis <strong>der</strong> Messungen für Coma X . . . . . . . . . . . . . . . . . . . . . 69<br />
6.6 Ergebnis <strong>der</strong> Messungen für Coma Y . . . . . . . . . . . . . . . . . . . . . 69<br />
6.7 Ergebnis <strong>der</strong> Messungen für die sphärische Aberration . . . . . . . . . . . . 70<br />
6.8 Gegenüberstellung Kalman-Filter vs. Mittelwertbildung . . . . . . . . . . . 71<br />
6.9 Skizze Messaufbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72<br />
6.10 Aufbau am Institut für technische Optik (ITO) Stuttgart . . . . . . . . . . 72<br />
6.11 Auswertung des ersten (blau) und des zweiten (rot gestrichelt) Durchlaufs . 73<br />
6.12 Auswertung des dritten (rot) und vierten (grün gestrichelt) Durchlaufs . . 73<br />
7.1 Def<strong>in</strong>ition Umgebung (l<strong>in</strong>ks 1d, rechts 2d) . . . . . . . . . . . . . . . . . . 84<br />
7.2 Beispiel zur Verteilung <strong>der</strong> Stützstellen . . . . . . . . . . . . . . . . . . . . 86<br />
7.3 Fehlerhafte Interpolation bei zu kle<strong>in</strong>em Radius ρ . . . . . . . . . . . . . . 90<br />
7.4 Verbesserter Radius ρ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90<br />
8.1 Standard-Regelkreis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91<br />
8.2 Strom-Spannungskennl<strong>in</strong>ie e<strong>in</strong>es Solarkollektor-Arrays nach [43] . . . . . . 92<br />
8.3 Erster Iterationsschritt <strong>der</strong> sukzessiven parabolischen Interpolation . . . . 93
Abbildungsverzeichnis<br />
VI<br />
8.4 Vierter Iterationsschritt <strong>der</strong> sukzessiven parabolischen Interpolation . . . . 94<br />
8.5 System mit quadratischer Interpolation . . . . . . . . . . . . . . . . . . . . 96<br />
8.6 Initialisierung sowie Iterationsschritte e<strong>in</strong>s und zwei des Algorithmus . . . 100<br />
8.7 Iterationsschritte 3 - 5 des Algorithmus . . . . . . . . . . . . . . . . . . . . 101<br />
8.8 Iterationsschritte 7 - 10 des Algorithmus . . . . . . . . . . . . . . . . . . . 102<br />
8.9 12 Iterationsschritte auf <strong>der</strong> sich lateral bewegenden Himmelblau-Funktion 103<br />
8.10 150 Iterationsschritte am Beispiel <strong>der</strong> Himmelblau-Funktion . . . . . . . . 105<br />
8.11 Auswertung <strong>der</strong> 150 Iterationsschritte . . . . . . . . . . . . . . . . . . . . . 106<br />
8.12 Verlauf <strong>von</strong> ρ (t · R (c)) für t = 0, ..., 3 mit Schrittweite ∆t = 0, 0612 . . . . 108<br />
8.13 300 Iterationsschritte am Beispiel <strong>der</strong> Himmelblau-Funktion mit t = 2<br />
(zusätzliches additives Rauschen) . . . . . . . . . . . . . . . . . . . . . . . 108<br />
8.14 Auswertung <strong>der</strong> 300 Iterationsschritte (zusätzliches additives Rauschen) . . 109<br />
8.15 Grafische Benutzeroberfläche zur Regler-Validierung . . . . . . . . . . . . . 110<br />
8.16 Auswertung des Reglers für Doppelparameter X-Y” ”<br />
. . . . . . . . . . . . 112<br />
8.17 Auswertung des Reglers für Doppelparameter Astigma X-Astigma Y” ”<br />
. . 112<br />
8.18 Auswertung des Reglers für Doppelparameter Coma X-Coma Y” . . . . . 113<br />
”<br />
8.19 Auswertung des Reglers für Parameter sphärische Aberration” ”<br />
. . . . . . 113<br />
8.20 Auswertung X-Y-Coma X-Coma Y . . . . . . . . . . . . . . . . . . . . . . 115<br />
8.21 Auswertung X-Y-Astigma X-Astigma Y . . . . . . . . . . . . . . . . . . . 115<br />
8.22 Auswertung X-Y-spärische Aberration . . . . . . . . . . . . . . . . . . . . 116<br />
8.23 Auswertung Astigma X-Astigma Y-Coma X-Coma Y . . . . . . . . . . . . 116<br />
8.24 Auswertung Astigma X-Astigma Y-sphärische Aberration . . . . . . . . . . 117<br />
8.25 Auswertung X-Y-Astigma X-Astigma Y-Coma X-Coma Y . . . . . . . . . 117<br />
8.26 Auswertung Astigma X-Astigma Y-Coma X-Coma Y-spährische Aberration 118<br />
8.27 Auswertung X-Y-Coma X-ComaY-sphärische Aberration . . . . . . . . . . 118<br />
8.28 Auswertung X-Y-Astigma X-Astigma Y-sphärische Aberration . . . . . . . 119<br />
8.29 Auswertung X-Y-Astigma X-Astigma Y-Coma X-Coma Y-sphärische Aberration<br />
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119<br />
8.30 Verlauf des Signalpegels während <strong>der</strong> Schw<strong>in</strong>gungsmessung . . . . . . . . . 121<br />
8.31 Messung an gekrümmter Oberfläche mit s<strong>in</strong>usförmiger Anregung bei 600 Hz 122
Tabellenverzeichnis<br />
VII<br />
Tabellenverzeichnis<br />
2.1 Spezifikationen des LCOSSLM X10468-06 . . . . . . . . . . . . . . . . . . 14<br />
3.1 Übersicht über genutzte Zernike-Polynome . . . . . . . . . . . . . . . . . . 18<br />
4.1 Gebräuchliche radiale Basisfunktionen, entlehnt an [53] . . . . . . . . . . . 32<br />
5.1 Übersicht <strong>der</strong> Optimierer . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38<br />
5.2 Abbruchkriterien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50<br />
5.3 Testfunktionen zur Evaluierung des Hybrid-DIRECT-Algorithmus . . . . . 60<br />
5.4 Ergebnisse <strong>der</strong> Laufzeituntersuchung . . . . . . . . . . . . . . . . . . . . . 63<br />
6.1 Experimentell ermittelte Wertebereiche <strong>der</strong> Zernike-Koeffizienten . . . . . . 70<br />
7.1 Verteilung <strong>der</strong> Stützstellen . . . . . . . . . . . . . . . . . . . . . . . . . . . 84<br />
7.2 Aufteilung <strong>der</strong> Stützstellen, abhängig <strong>von</strong> <strong>der</strong> Anzahl <strong>der</strong> Dimensionen . . 85<br />
8.1 Bestimmung des Schätzwerts ĉ . . . . . . . . . . . . . . . . . . . . . . . . . 98<br />
8.2 Übersicht über die ersten 12 Iterationsschritte des Algorithmus . . . . . . . 104<br />
8.3 Übersicht <strong>der</strong> betrachteten Parameter und Zuordnung <strong>der</strong> Auswertung . . 111<br />
8.4 Parameterkom<strong>in</strong>ationen und Zuordnung <strong>der</strong> Auswertung . . . . . . . . . . 114<br />
8.5 Auswertung <strong>der</strong> komb<strong>in</strong>ierten Parameter . . . . . . . . . . . . . . . . . . . 120
Algorithmenverzeichnis 1<br />
Algorithmenverzeichnis<br />
4.1 Berechnung des Gradienten . . . . . . . . . . . . . . . . . . . . . . . . . . 30<br />
4.2 Berechnung <strong>der</strong> Hesse-Matrix . . . . . . . . . . . . . . . . . . . . . . . . . 31<br />
5.1 Shubert-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42<br />
5.2 Bestimmung potentiell optimaler Kandidaten (POK) . . . . . . . . . . . . 49<br />
5.3 Adaptierte Suche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56<br />
7.1 Quadratische Approximation . . . . . . . . . . . . . . . . . . . . . . . . . . 79<br />
7.2 Quadratische Optimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . 83<br />
7.3 Haupt-Algorithmus zur Aufteilung <strong>der</strong> Stützstellen . . . . . . . . . . . . . 87<br />
7.4 Berechnung <strong>von</strong> ∆; Fall 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 88<br />
7.5 Berechnung <strong>von</strong> ∆c; Fall 1 und 3 . . . . . . . . . . . . . . . . . . . . . . . 88<br />
7.6 Berechnung <strong>von</strong> ∆ Φ ; Fall 2 und 3 . . . . . . . . . . . . . . . . . . . . . . . 89<br />
8.1 Sukzessive parabolische Interpolation . . . . . . . . . . . . . . . . . . . . . 94<br />
8.2 Extremwertregelung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
1<br />
E<strong>in</strong>leitung<br />
Durch stetige Fortschritte <strong>in</strong> Forschung und Technik werden immer bessere Messverfahren<br />
benötigt, um physikalische Größen, wie zum Beispiel Zeit, Entfernung, Temperatur und<br />
elektrischen Strom, deutlich exakter zu erfassen. Aber auch abgeleitete Größen, wie beispielsweise<br />
Geschw<strong>in</strong>digkeit, Beschleunigung o<strong>der</strong> Position spielen <strong>in</strong> vielen technischen<br />
Applikation e<strong>in</strong>e bedeutende Rolle. So können solche Verfahren dem Schutz <strong>von</strong> Mensch<br />
und Material <strong>in</strong> sicherheitskritischen Umgebungen dienen. Man denke dabei an Beschleunigungssensoren,<br />
die <strong>in</strong> Airbags verbaut s<strong>in</strong>d, an Kollisionswarngeräte <strong>in</strong> Flugzeugen, die<br />
über Radar die Entfernung zu e<strong>in</strong>em Objekt messen o<strong>der</strong> die Überwachung <strong>der</strong> Temperatur<br />
<strong>in</strong> e<strong>in</strong>em Kernreaktor, die Aufschluss über die Kernreaktion erlaubt. Aber auch<br />
<strong>in</strong> <strong>der</strong> Forschung, Entwicklung und Produktion s<strong>in</strong>d solche Messverfahren <strong>von</strong> immenser<br />
Bedeutung. So wird bei <strong>der</strong> Produktion <strong>von</strong> Bandstahl die Länge des Stahls im laufenden<br />
Betrieb per <strong>Laser</strong> gemessen [71] und somit die Qualität gesichert. Für den LHC 1 wurden<br />
mit dem ATLAS-Experiment [1] sogar völlig neue Messtechniken entwickelt, um unentdeckten<br />
Teilchen wie dem Higgs-Boson auf die Spur zu kommen. Entwickelt sich e<strong>in</strong>e<br />
Technologie weiter, müssen die benötigten Messverfahren schritt-haltend verbessert und<br />
erweitert o<strong>der</strong> sogar neue Methoden erdacht werden.<br />
E<strong>in</strong> Beispiel für e<strong>in</strong> uraltes Verfahren zur Zeitmessung s<strong>in</strong>d astronomische Beobachtungen,<br />
welche die Maya [78] schon vor Christi Geburt nutzten, um den richtigen Tag zur Aussaat<br />
o<strong>der</strong> Ernte zu berechnen. Dazu musste <strong>der</strong> Stand <strong>der</strong> Sterne, <strong>der</strong> Mondzyklen o<strong>der</strong> <strong>der</strong><br />
Sonnenstand zur Sommer- beziehungsweise W<strong>in</strong>tersonnenwende <strong>in</strong> E<strong>in</strong>klang mit dem Kalen<strong>der</strong><br />
gebracht werden. E<strong>in</strong> wesentlich weiter entwickeltes Mess<strong>in</strong>strument, welches sich<br />
auch <strong>der</strong> Sterne bedient, ist <strong>der</strong> Sextant [50]. Er wurde <strong>in</strong> <strong>der</strong> Seefahrt als Navigationshilfe<br />
zur Positions- und Kursbestimmung genutzt. Bei richtiger Handhabung konnte die<br />
Position mit e<strong>in</strong>er Genauigkeit <strong>von</strong> ca. 2 km bestimmt werden.<br />
Die Entwicklung des Flugzeugs durch die Gebrü<strong>der</strong> Wright zu Beg<strong>in</strong>n des 20. Jahrhun<strong>der</strong>ts<br />
verhalfen dem Transportwesen zu e<strong>in</strong>em Technologiesprung. Seither können Perso-<br />
1 Large Hadron Colli<strong>der</strong>
1 E<strong>in</strong>leitung 3<br />
nen und Güter dank dieser Errungenschaft sowohl über dem See- als auch dem Luftweg<br />
beför<strong>der</strong>t werden. Der Personenverkehr über längere Distanzen erfolgt dabei heutzutage<br />
maßgeblich per Flugzeug. Anfangs wurden noch Versuche unternommen, Sextanten <strong>in</strong> <strong>der</strong><br />
Luftfahrt [21] zur Positions- und Kursbestimmung zu verwenden. Man erkannte jedoch<br />
schnell, dass Messungen mit dieser Methode aufgrund <strong>der</strong> hohen Relativgeschw<strong>in</strong>digkeit<br />
e<strong>in</strong>es Luftfahrzeugs schlechter verwertet werden konnten. Der Technologiesprung erfor<strong>der</strong>te<br />
daher e<strong>in</strong>e verbesserte Methode zur Positionsbestimmung. Etwa zur gleichen Zeit<br />
beschäftigte sich Fre<strong>der</strong>ick Augustus Kolster mit Verfahren zur Ortung über Radiowellen<br />
[13]. 1913 begann er, die wichtigsten US-amerikanischen Leuchttürme mit Langwellensen<strong>der</strong><br />
auszustatten. Da sie Dauersignale abstrahlen und angepeilt werden können, werden<br />
sie auch als Funkfeuer bezeichnet. E<strong>in</strong> <strong>von</strong> ihm entwickelter Peilempfänger [13] benötigte<br />
zwei Funkfeuer um über e<strong>in</strong>e Kreuzpeilung die Position bestimmen zu können. Während<br />
des ersten Weltkriegs wurde diese Technik zur Positionsbestimmung exklusiv vom Militär<br />
verwendet. Später fand <strong>der</strong> Kolster-Radiokompass auch E<strong>in</strong>zug <strong>in</strong> die zivile Schiffund<br />
Luftfahrt, was erheblich zur Sicherheit <strong>der</strong> Reisenden beitrug. Heutzutage werden<br />
GPS 2 -Empfänger [87] genutzt, die Funksignal <strong>von</strong> Satelliten auswerten, um die Position<br />
auf maximal 10 m genau zu bestimmen.<br />
1.1 Problemstellung<br />
E<strong>in</strong>e Messaufgabe, die <strong>in</strong> <strong>der</strong> Forschung und Entwicklung häufig zum E<strong>in</strong>satz kommt,<br />
ist die Erfassung <strong>von</strong> Oberflächenschw<strong>in</strong>gungen. Diese s<strong>in</strong>d <strong>von</strong> großer Bedeutung, da<br />
sie Aufschluss über das dynamische Verhalten <strong>von</strong> Systemen liefern können. Auch zur<br />
Verifikation <strong>von</strong> Modellrechnungen, die die Stabilität untersuchen, werden sie genutzt.<br />
Schw<strong>in</strong>gungen können über verschiedene Methoden erfasst werden. So werden zum Beispiel<br />
Dehnungsmessstreifen [41] an Strukturen angebracht, um Aufschluss über das dynamische<br />
Schw<strong>in</strong>gverhalten unter Belastung zu erhalten. S<strong>in</strong>d die Strukturen groß, so ist<br />
die aufgebrachte Masse durch die Sensoren vernachlässigbar. Beispielsweise können Dehnungsmessstreifen<br />
an Brücken o<strong>der</strong> Gebäuden angebracht werden, um Untersuchungen<br />
zur Stabilität durchzuführen. Wird e<strong>in</strong>e Brücke durch W<strong>in</strong>dböen erfasst und schw<strong>in</strong>gt<br />
sich diese bis zur Eigenfrequenz auf, so kann das im schlimmsten Fall zum E<strong>in</strong>sturz <strong>der</strong><br />
gesamten Konstruktion führen. Dies ist 1940 im US-Bundesstaat Wash<strong>in</strong>gton mit <strong>der</strong><br />
Tacoma-Norrows-Brücke [5] geschehen.<br />
Werden die Strukturen kle<strong>in</strong>er, so muss das vorhandene Messverfahren entwe<strong>der</strong> angepasst<br />
o<strong>der</strong> durch e<strong>in</strong> neues ersetzt werden. Bef<strong>in</strong>det man sich noch im makroskopischen Bereich,<br />
können m<strong>in</strong>iaturisierte Dehnungsmessstreifen o<strong>der</strong> Sensoren, die auf den piezoelektrischen<br />
Effekt [60] beruhen, genutzt werden. Verlässt man h<strong>in</strong>gegen den makroskopischen Bereich,<br />
s<strong>in</strong>d aufgebrachte Massen nicht mehr vernachlässigbar. Es müssen Messverfahren angewendet<br />
werden, die die Aufgabe berührungslos übernehmen. Im weitesten S<strong>in</strong>n kann das<br />
2 Global Position<strong>in</strong>g System
1 E<strong>in</strong>leitung 4<br />
Beamform<strong>in</strong>g [66] zur berührungslosen Schw<strong>in</strong>gungsanalyse genutzt werden. Dabei handelt<br />
es sich um mehrere Mikrofone, die zu e<strong>in</strong>em Array zusammen geschaltet werden. Da<br />
die Mikrofone Schalldruckereignisse messen, können Frequenzen außerhalb ihrer Dynamik<br />
nicht mehr erfasst werden. Weiterh<strong>in</strong> muss das zu erfassende Signal über e<strong>in</strong>e h<strong>in</strong>reichend<br />
große Amplitude verfügen, um überhaupt durch das Mikrofon aufgenommen werden zu<br />
können. Schw<strong>in</strong>gungen im nicht hörbaren Bereich s<strong>in</strong>d aber häufig die Auslöser für Instabilitäten<br />
o<strong>der</strong> geben e<strong>in</strong>en H<strong>in</strong>weis auf strukturelle Fehler.<br />
Diese Arbeit befasst sich mit <strong>der</strong> Verbesserung e<strong>in</strong>es Messverfahrens zur Analyse <strong>von</strong><br />
Oberflächenschw<strong>in</strong>gungen, das auf <strong>der</strong> Interferometrie [35] beruht und als <strong>Vibrometrie</strong> bezeichnet<br />
wird. E<strong>in</strong> <strong>Laser</strong>-<strong>Doppler</strong>-Vibrometer kann das Schw<strong>in</strong>gverhalten <strong>von</strong> Oberflächen<br />
berührungslos erfassen [70]. So können auch Strukturen im Sub-Millimeterbereich noch sicher<br />
vermessen werden. Durch die Nutzung e<strong>in</strong>es <strong>Laser</strong>s müssen zudem ke<strong>in</strong>e zusätzlichen<br />
Massen auf das Messobjekt aufgebracht werden. Selbst große Strukturen, wie Eisenbahnbrücken,<br />
können mit entsprechen<strong>der</strong> Technologie ohne das Aufbr<strong>in</strong>gen <strong>von</strong> Sensoren aus<br />
<strong>der</strong> Ferne” vermessen werden. Vibrometer können wesentlich ökonomischer e<strong>in</strong>gesetzt<br />
”<br />
werden, da diese nicht fest mit dem Messobjekt verbaut werden. Dazu muss jedoch die<br />
Messstelle durch den <strong>Laser</strong>strahl erreichbar se<strong>in</strong>. So ist die Betriebsschw<strong>in</strong>gungsanalyse<br />
[65] <strong>in</strong> <strong>der</strong> Entwicklung e<strong>in</strong> häufig genutztes Mittel, um beispielsweise das Schw<strong>in</strong>gverhalten<br />
<strong>von</strong> Bauteilen im Betrieb zu untersuchen. Auch werden Vibrometer <strong>in</strong> <strong>der</strong> Luft- und<br />
Raumfahrt sowie <strong>der</strong> Automobil<strong>in</strong>dustrie e<strong>in</strong>gesetzt. Darüber h<strong>in</strong>aus gibt es noch etliche<br />
E<strong>in</strong>satzmöglichkeiten, die hier aber nicht weiter aufgeführt werden sollen.<br />
E<strong>in</strong> E<strong>in</strong>flussfaktor <strong>der</strong> sich bei Messungen im Freifeld auf die Lichtleistung auswirken kann,<br />
ist <strong>der</strong> Schlieren-Effekt” <strong>der</strong> Luft. Dieser wird durch unterschiedliche Luftdrücke verursacht,<br />
die Luft <strong>von</strong> Gebieten mit hohem Druck zu Gebieten mit niedrigen Druck strömen<br />
”<br />
lässt. Durchquert e<strong>in</strong> <strong>Laser</strong>strahl Bereiche unterschiedlicher Dichten, wird die Phasenlage<br />
<strong>der</strong> elektromagnetischen Welle auf dem zu messenden Objekt bee<strong>in</strong>flusst. Durch Interferenzersche<strong>in</strong>ungen<br />
wirkt sich dies auf die Stärke des Signals aus, das am Photodetektor<br />
e<strong>in</strong>es Vibrometers abgegriffen wird. Auch können Rauigkeiten im Bereich <strong>der</strong> Wellenlänge<br />
des genutzten <strong>Laser</strong>s zu Interferenzersche<strong>in</strong>ungen führen, die den Signalpegel am Detekor<br />
dämpfen. Dies wird im Allgeme<strong>in</strong>en auch als <strong>Speckle</strong>-<strong>Drop</strong>out bezeichnet.<br />
Ziel dieser Arbeit ist es, solche <strong>Speckle</strong>-<strong>Drop</strong>outs durch geeignete Optimierungsverfahren<br />
zu reduzieren, so dass Messungen auch unter den vorab genannten Bed<strong>in</strong>gungen möglich<br />
werden. Darauf aufbauend ist e<strong>in</strong> Regelungskonzept entwickelt worden, das den optimalen<br />
Arbeitspunkt bei sich än<strong>der</strong>nden Umweltbed<strong>in</strong>gungen nachführt. In e<strong>in</strong>em Forschungprojekt,<br />
welches zusammen mit den Firmen Polytec GmbH, Bosch GmbH, Cont<strong>in</strong>ental AG,<br />
<strong>der</strong> Universität Stuttgart und <strong>der</strong> Bergischen Universität Wuppertal bearbeitet wurde, ist<br />
e<strong>in</strong> neues Vibrometer entwickelt worden, welches über e<strong>in</strong>e adaptive Optik verfügt. Mit<br />
<strong>der</strong> adaptiven Optik wird sowohl die Position des <strong>Laser</strong>-Spots als auch die Phasenlage <strong>der</strong><br />
kohärenten <strong>Laser</strong>welle modifiziert. Somit fungiert sie als Aktor, um gezielt nach e<strong>in</strong>em<br />
optimalen Arbeitspunkt zu suchen, diesen über e<strong>in</strong>en Regler zu halten und nachzuführen.
1 E<strong>in</strong>leitung 5<br />
1.2 Stand <strong>der</strong> Forschung und Technik<br />
Wird e<strong>in</strong> <strong>Laser</strong>-Vibrometer zur Schw<strong>in</strong>gungsanalyse e<strong>in</strong>gesetzt, so können verschiedene<br />
Techniken verwendet werden um <strong>Speckle</strong>-<strong>Drop</strong>outs zu reduzieren. Die e<strong>in</strong>fachste Methode<br />
ist <strong>der</strong> Wechsel des Messpunktes auf dem zu analysierenden Objekt. Da aber nicht<br />
immer die Möglichkeit besteht den Messpunkt zu verschieben, muss auf an<strong>der</strong>e Verfahren<br />
zurück gegriffen werden. Um die Reflektivität e<strong>in</strong>es Messpunktes zu verbessern, können<br />
retroreflektierende Folien aufgebracht werden. Dies ist jedoch mit e<strong>in</strong>er Verän<strong>der</strong>ung des<br />
zu messenden Objekts verbunden, so dass fehlerhafte Messungen durch die verän<strong>der</strong>te<br />
Dynamik zu erwarten s<strong>in</strong>d. Daher wurde für Scann<strong>in</strong>g-Vibrometer e<strong>in</strong>e Heuristik entwickelt<br />
[73], die den Bereich um den Messpunkt kreisförmig abtasten. Die Messungen mit<br />
dem besten S<strong>in</strong>gal-zu-Rausch-Verhältnis fließen dann <strong>in</strong> die Auswertung mit e<strong>in</strong>.<br />
In <strong>der</strong> vorliegenden Arbeit wurde zunächst das Vibrometer mit adaptiver Optik analysiert.<br />
Die Ergebnisse haben gezeigt, dass e<strong>in</strong> ableitungsfreier Optimierungsalgorithmus benötigt<br />
wird. Der aussichtsreichste Kandidat, <strong>der</strong> DIRECT-Algorithmus [45], wird als Optimierer<br />
genutzt. Um die Laufzeit des Optimierers zu verbessern wurde dieser um e<strong>in</strong>en Schätzer<br />
erweitert. Aus den gemessenen Werten wird e<strong>in</strong> Modell nach [46] <strong>in</strong>terpoliert und darauf<br />
optimiert. Das Optimum des Modells fließt als Schätzung <strong>in</strong> den DIRECT-Algorithmus<br />
e<strong>in</strong>. Die Idee <strong>der</strong> parallelen hybriden Optimierung ist dabei nicht neu. In [29] wurde<br />
<strong>der</strong> DIRECT-Algorithmus erweitert, so dass lokale Optimierungsalgorithmen <strong>in</strong> die Suchheuristik<br />
des DIRECT-Algorithmus <strong>in</strong>tegrierbar waren. Im vorliegenden Fall wurde <strong>der</strong><br />
DIRECT-Algorithmus um e<strong>in</strong>e Strategie erweitert, die zusätzlich e<strong>in</strong>e globale Suche auf<br />
Basis e<strong>in</strong>er Interpolation über radiale Basisfunktion [10, 30, 39, 53, 74, 82, 86] ermöglicht.<br />
In [54] wird e<strong>in</strong>e Methode präsentiert, die DC 3 -Programm<strong>in</strong>g nutzt um den DIRECT-<br />
Algorithmus um e<strong>in</strong>e globale ableitungsfreie Optimierung zu erweitern. Diese Methodik<br />
steht aber nur für die radiale Basisfunktion <strong>der</strong> Form Φ (r) = r 3 zur Verfügung. Um die<br />
Struktur <strong>der</strong> zu <strong>in</strong>terpolierenden Funktion besser zu berücksichtigen, konnte diese radiale<br />
Basisfunktion nicht genutzt werden, so dass e<strong>in</strong> alternativer Ansatz zu untersuchen war.<br />
1.3 Weiterer Aufbau dieser Arbeit<br />
In Kapitel 2 wird auf die historische Entwicklung des <strong>Laser</strong>s bis h<strong>in</strong> zum <strong>Laser</strong>-Vibrometer<br />
mit adaptiver Optik e<strong>in</strong>gegangen ohne <strong>in</strong> die zugehörigen Theorien mathematisch e<strong>in</strong>zusteigen.<br />
Es soll dem Leser lediglich e<strong>in</strong>en Überblick über die Entwicklung bis zum heutigen<br />
Tage verschaffen. Für tiefergehende Studien s<strong>in</strong>d die entsprechenden Literaturquellen zu<br />
konsultieren. Kapitel 3 befasst sich mit <strong>der</strong> Analyse des neu entwickelten Vibrometers mit<br />
adaptiver Optik. Zunächst wird dort gezeigt, dass e<strong>in</strong>e Beschreibung des Systems analytisch<br />
nicht möglich ist. Daher wird im zweiten Teil des Kapitels e<strong>in</strong> Modell <strong>in</strong> Form e<strong>in</strong>er<br />
3 Difference of Convex functions
1 E<strong>in</strong>leitung 6<br />
Kostenfunktion hergeleitet, die später durch e<strong>in</strong>en gradienten-freien Optimierungsalgorithmus<br />
m<strong>in</strong>imiert werden kann. In Vorbereitung auf den später vorgestellten Optimierer<br />
wird <strong>in</strong> Kapitel 4 e<strong>in</strong> Verfahren zur Interpolation <strong>von</strong> nichtl<strong>in</strong>earen multivariaten Funktionen<br />
vorgestellt. Die Interpolation basiert auf <strong>der</strong> Nutzung <strong>von</strong> radialen Basisfunktion<br />
und setzt die Kenntnis e<strong>in</strong>iger Stützstellen mit den zugehörigen Funktionswerten voraus.<br />
Am Ende dieses Kapitels werden e<strong>in</strong>ige Interpolationstechniken über verschiedene<br />
Benchmark-Funktionen mite<strong>in</strong>an<strong>der</strong> verglichen. Im darauf folgenden Kapitel 5 wird <strong>der</strong><br />
DIRECT-Algorithmus als gradienten-freie direct search”-Methode vorgestellt. Dazu wird<br />
”<br />
<strong>der</strong> Shubert-Algorithmus hergeleitet, an e<strong>in</strong>igen Stellen modifiziert und auf den DIRECT-<br />
Algorithmus erweitert. Um das Laufzeitverhalten des klassischen DIRECT-Algorithmus<br />
weiter zu verbessern, erfolgt die Erweiterung e<strong>in</strong>er auf statistischen Methoden (Interpolation<br />
mittels radialer Basisfunktionen) basierenden Technik zur Schätzung e<strong>in</strong>es optimalen<br />
Arbeitspunkts. Die Schätzung fließt <strong>in</strong> den DIRECT-Algorithmus mit e<strong>in</strong>, so dass beide zu<br />
e<strong>in</strong>em hybriden Algorithmus zusammen gefasst werden. Der Algorithmus wird als Hybrid-<br />
DIRECT bezeichnet. Abschließend werden e<strong>in</strong>ige Benchmark-Tests am Hybrid-DIRECT<br />
durchgeführt und mit dem klassischen DIRECT-Algorithmus verglichen. Der entwickelte<br />
Hybrid-DIRECT wurde am realen System evaluiert, was <strong>in</strong> Kapitel 6 dokumentiert<br />
ist. Dazu wurden zunächst gültige Parameter ermittelt, um s<strong>in</strong>nvolle Ergebnisse aus <strong>der</strong><br />
Optimierung mit dem Hybrid-DIRECT zu erhalten. Danach wird exemplarisch an zwei<br />
Beispielen gezeigt, welche Verbesserung im realen System durch e<strong>in</strong>e Vorab-Optimierung<br />
erzielt werden können. Der Optimierer maximiert den Signalpegel nur e<strong>in</strong>malig, wobei<br />
zeitliche Än<strong>der</strong>ungen des gefundenen Arbeitspunktes nicht berücksichtigt werden. Daher<br />
wird <strong>in</strong> den letzten beiden Kapiteln die Herleitung und Umsetzung e<strong>in</strong>es Extremwert-<br />
Reglers beschrieben. Ausgehend <strong>von</strong> e<strong>in</strong>em Arbeitspunkt, <strong>der</strong> vorab durch e<strong>in</strong>en Optimierer<br />
ermittelt worden ist, folgt <strong>der</strong> Regler dem optimalen Arbeitspunkt falls dieser sich<br />
über die Zeit verän<strong>der</strong>t. In Kapitel 7 werden die theoretischen Grundlagen des Reglers<br />
vorgestellt, während dessen <strong>der</strong> Regler-Algorithmus <strong>in</strong> Kapitel 8 entwickelt und verifiziert<br />
wird. Um das Verhalten des Reglers <strong>in</strong> realer Umgebung zu zeigen, wurde exemplarisch e<strong>in</strong><br />
Messaufbau genutzt, <strong>in</strong> dem Spektralmessungen mit und ohne Regler durchgeführt und<br />
anschließend ausgewertet wurden. E<strong>in</strong> Fazit und Ausblick schließt diese Arbeit ab. Dort<br />
wird noch e<strong>in</strong>mal auf den Kern <strong>der</strong> Entwicklung, die erzielten Ergebnisse und zukünftige<br />
Forschungs- und Entwicklungsmöglichkeiten e<strong>in</strong>gegangen.
2<br />
Historische Entwicklung <strong>der</strong><br />
<strong>Laser</strong>technik und <strong>Vibrometrie</strong><br />
Anfang des 20. Jahrhun<strong>der</strong>ts revolutionierte Albert E<strong>in</strong>ste<strong>in</strong> das physikalische Weltbild<br />
mit se<strong>in</strong>en wohl wichtigsten Veröffentlichungen, <strong>der</strong> allgeme<strong>in</strong>en und <strong>der</strong> speziellen Relativitätstheorie<br />
[16, 17]. Lei<strong>der</strong> bleibt se<strong>in</strong>e Forschung im Bereich <strong>der</strong> Quantenphysik [15, 18]<br />
außerhalb naturwissenschaftlicher beziehungsweise physikalischer Fachkreise häufig unbeachtet,<br />
obwohl auf Grund dieser E<strong>in</strong>ste<strong>in</strong> 1921 den Nobelpreis für Physik erhielt.<br />
In Untersuchungen zur Verteilung <strong>der</strong> thermischen Energie E e<strong>in</strong>es schwarzen Körpers,<br />
welche sich proportional zur Frequenz ν <strong>der</strong> Wärmestrahlung verhält, fand Planck 1900<br />
heraus [69], dass nur Energieniveaus angenommen werden können, die e<strong>in</strong> Vielfaches <strong>von</strong><br />
E<br />
betragen. Planck bezeichnete E als Wirkungsquantum h, es gilt somit E = hν.<br />
ν ν<br />
E<strong>in</strong>ste<strong>in</strong> wie<strong>der</strong>um erkannte, dass <strong>der</strong> <strong>von</strong> ihm untersuchte photoelektrische Effekt, also<br />
die Wechselwirkung <strong>von</strong> Materie und Licht, durch Quantisierung <strong>der</strong> Energie E des Lichts<br />
beschrieben werden kann und führte die Quantisierung <strong>in</strong> ”<br />
Lichtpakete“ e<strong>in</strong>, die später<br />
auch als Photonen bezeichnet wurden. Wird e<strong>in</strong> Photon <strong>von</strong> e<strong>in</strong>em Elektron absorbiert,<br />
so erhöht sich das Energieniveau des Atoms. Da jedes Atom energetisch e<strong>in</strong>en möglichst<br />
niedrigen Zustand anstrebt, wird die durch das Elektron absorbierte Energie nach e<strong>in</strong>er<br />
gewissen Zeitspanne wie<strong>der</strong> abgegeben (emittiert). Die Emission kann dabei entwe<strong>der</strong><br />
spontan o<strong>der</strong> stimuliert (<strong>in</strong>duziert) erfolgen. In Abbildung 2.1a) wird e<strong>in</strong> Photon mit<br />
<strong>der</strong> Energie hν durch das Atom absorbiert, so dass das Elektron auf e<strong>in</strong>e höhere Schale<br />
und somit e<strong>in</strong> höheres Energieniveau spr<strong>in</strong>gt. In <strong>der</strong> darauf folgenden Darstellung 2.1b)<br />
fällt das Elektron spontan auf die energetisch niedrigere Bahn zurück und emittiert e<strong>in</strong><br />
Lichtquant (Photon). Alternativ kann die Emission auch durch e<strong>in</strong> weiteres Lichtquant<br />
angeregt beziehungsweise stimuliert werden (Abbildung 2.1c) ).<br />
Betrachtet man nun e<strong>in</strong> Medium <strong>in</strong> dem sich die Atome (o<strong>der</strong> auch Moleküle) <strong>in</strong> e<strong>in</strong>em<br />
angeregten Zustand bef<strong>in</strong>den, so können durch stimulierte Emission zusätzliche Photo-
2 Historische Entwicklung <strong>der</strong> <strong>Laser</strong>technik und <strong>Vibrometrie</strong> 8<br />
a) Absorption b) spontane Emission c) stimulierte Emission<br />
Abbildung 2.1: Von E<strong>in</strong>ste<strong>in</strong> 1916 postulierten Übergänge am Beispiel e<strong>in</strong>es Wasserstoffatoms<br />
nen aus dem angeregtem Zustand gelöst werden. Diese haben anschließend den gleichen<br />
Energiebetrag wie das stimulierende Photon. Dies führt dazu, dass Polarisation, Phase<br />
und Ausbreitungsrichtung <strong>der</strong> gelösten Photonen identisch s<strong>in</strong>d. Es bildet sich somit e<strong>in</strong><br />
kohärenter Wellenzug aus. Medien, die diese Eigenschaft besitzen, werden auch als aktive<br />
Medien bezeichnet und verfügen über e<strong>in</strong>e Besetzungs<strong>in</strong>version im angeregten Zustand.<br />
Das heißt, es existieren statistisch mehr Atome im angeregten als im energetisch niedrigen<br />
Zustand. Bewegt sich nun e<strong>in</strong> Photon durch e<strong>in</strong> solches Medium ohne absorbiert zu<br />
werden, wird es law<strong>in</strong>enartig Photonen aus dem aktiven Medium lösen. Typische Medien<br />
s<strong>in</strong>d zum Beispiel Wasserstoff, Ammoniak o<strong>der</strong> Rub<strong>in</strong> [44].<br />
Die <strong>von</strong> E<strong>in</strong>ste<strong>in</strong> vorgestellte Quantentheorie <strong>der</strong> Strahlung [18] wurde nach und nach<br />
aufgegriffen und <strong>in</strong> technischen Anwendungen umgesetzt. So stellte Joseph Weber 1953<br />
an <strong>der</strong> University of Maryland erstmals die theoretischen Grundlagen für e<strong>in</strong>en Mikrowellenverstärker<br />
vor [47], wobei ihm E<strong>in</strong>ste<strong>in</strong>’s veröffentlichen Ergebnisse als Ausgangsbasis<br />
dienten. Er erkannte, dass sich e<strong>in</strong> Mikrowellenverstärker mithilfe <strong>von</strong> aktiven Substanzen<br />
realisieren ließe, die sich nicht im thermodynamischen Gleichgewicht bef<strong>in</strong>den. Im<br />
Jahre 1954/55 bauten unter an<strong>der</strong>em Gordon, Zeiger und Towens e<strong>in</strong>en solchen Mikrowellenverstärker<br />
[6]. Sie bezeichneten den Verstärker als MASER, was für: Microwave<br />
”<br />
Amplification by Stimulated Emission of Radiation“ steht und das Wirkpr<strong>in</strong>zip <strong>in</strong> se<strong>in</strong>er<br />
Gesamtheit zusammenfasst.<br />
Später wurde <strong>von</strong> mehreren Wissenschaftlern untersucht [19], ob das Konzept des Masers<br />
<strong>in</strong> das sichtbare Spektrum übertragbar sei. Letztendlich wurde das Konzept 1960 <strong>von</strong><br />
Theodore Maiman umgesetzt [35]. Zunächst wurde er als optischer Maser und später als<br />
<strong>Laser</strong> 1 bezeichnet.<br />
2.1 <strong>Laser</strong><br />
Ähnlich dem Pr<strong>in</strong>zip e<strong>in</strong>es elektronischen Signalverstärkers f<strong>in</strong>det e<strong>in</strong>e Rückkopplung des<br />
Signals (hier das Licht) über Resonatoren (Spiegel) statt. Dazu werden zwei Spiegel parallel<br />
zue<strong>in</strong>an<strong>der</strong> aufgestellt, so dass das Licht zwischen diesen beiden Spiegeln reflektiert<br />
1 Light Amplification by Stimulated Emission of Radiation
2 Historische Entwicklung <strong>der</strong> <strong>Laser</strong>technik und <strong>Vibrometrie</strong> 9<br />
Abbildung 2.2: Schematische Darstellung des Aufbaus e<strong>in</strong>es <strong>Laser</strong>s<br />
wird. Zwischen den Spiegeln bef<strong>in</strong>det sich das aktive Medium, welches durch stetige Energiezufuhr<br />
(zum Beispiel mit e<strong>in</strong>er Gasentladungsröhre) auf e<strong>in</strong>em energetisch hohem Niveau<br />
gehalten wird. Spontan emittierende Lichtquanten lösen weitere Photonen aus dem<br />
aktiven Medium und setzen so e<strong>in</strong>e Kettenreaktion zwischen den Spiegeln <strong>in</strong> Gang. Damit<br />
das verstärkte Licht genutzt werden kann, muss e<strong>in</strong> Spiegel teilweise durchlässig se<strong>in</strong>. Abbildung<br />
2.2 zeigt dazu den schematischen Aufbau e<strong>in</strong>es durch Maiman [19] entworfenen<br />
<strong>Laser</strong>s.<br />
Mo<strong>der</strong>ne <strong>Laser</strong> verfügen über e<strong>in</strong>e Kohärenzlänge <strong>von</strong> mehreren Kilometern mit e<strong>in</strong>er<br />
Divergenz <strong>von</strong> wenigen mrad. Dies ermöglicht e<strong>in</strong>e Vielzahl <strong>von</strong> technischen Anwendungen;<br />
die Bekannteste ist wohl die Auslesung e<strong>in</strong>er Compact Disc. Die <strong>Laser</strong>technik ist<br />
darüber h<strong>in</strong>aus e<strong>in</strong> fester Bestandteil <strong>in</strong> Forschung und Entwicklung und auch im <strong>in</strong>dustriellen<br />
Bereich nicht mehr wegzudenken. E<strong>in</strong> <strong>Laser</strong> kann sowohl zum schneiden, bohren,<br />
gravieren o<strong>der</strong> operieren als auch <strong>in</strong> <strong>der</strong> Messtechnik e<strong>in</strong>gesetzt werden. Auf <strong>Laser</strong>scannern<br />
basierende Systeme können zum Beispiel die Echtheit <strong>von</strong> Produkten überprüfen<br />
[25], Entfernungen messen o<strong>der</strong> Oberflächenschw<strong>in</strong>gungen analysieren. Es existieren noch<br />
etliche weitere Anwendungsmöglichkeiten, die hier aber nicht weiter aufgeführt werden<br />
sollen. E<strong>in</strong> Spezialgebiet <strong>der</strong> berührungslosen Analyse <strong>von</strong> Oberflächenschw<strong>in</strong>gungen soll<br />
im Folgenden aber weiter betrachtet werden.<br />
2.2 <strong>Laser</strong><strong>in</strong>terferometrie<br />
Ende des 17. Jahrhun<strong>der</strong>ts formulierte Christian Huygens die Wellentheorie des Lichts<br />
[12], <strong>in</strong> <strong>der</strong> <strong>der</strong> Lichtäther als Ausbreitungsmedium diente. Ähnlich <strong>der</strong> Ausbreitung <strong>von</strong><br />
Schallwellen, kann die Wellentheorie Reflexion und Brechung <strong>von</strong> Licht <strong>in</strong> unterschiedlichen<br />
Medien erklären. Obwohl heutzutage bekannt ist, dass ke<strong>in</strong> Äther zur Ausbreitung<br />
<strong>von</strong> elektromagnetischen Wellen benötigt wird, taucht dieser im Sprachgebrauch immer<br />
wie<strong>der</strong> auf. So sprechen beispielsweise Funkamateure <strong>von</strong> <strong>in</strong> den Äther geschickt“, wenn<br />
”<br />
sie Funkbotschaften gesendet haben.<br />
Um dem (Licht-)Äther systematisch auf die Spur zu kommen unternahm Michelson im<br />
19. Jahrhun<strong>der</strong>t e<strong>in</strong>ige Versuche, die letztendlich im Michelson-Morley-Experiment [35]
2 Historische Entwicklung <strong>der</strong> <strong>Laser</strong>technik und <strong>Vibrometrie</strong> 10<br />
mündeten. Da Michelson zu dem damaligen Zeitpunkt noch ke<strong>in</strong>en <strong>Laser</strong> zur Verfügung<br />
hatte, diente e<strong>in</strong>e Entladungslampe als kohärente Lichtquelle. In mo<strong>der</strong>nen Aufbauten<br />
werden defokussierte <strong>Laser</strong> als Lichtquelle genutzt. Abbildung 2.3 zeigt den schematischen<br />
Aufbau des homodynen Michelson-Interferometers. Von <strong>der</strong> Lichtquelle ausgehend,<br />
trifft das Licht auf e<strong>in</strong>en Strahlteiler, <strong>der</strong> das Licht auf Spiegel 1 und Spiegel 2 verteilt.<br />
Diese werfen das Licht auf den Strahlteiler zurück, so dass auf <strong>der</strong> Detektorfläche die<br />
Überlagerung bei<strong>der</strong> Lichtbündel erfasst werden kann. Während <strong>der</strong> Spiegel 1 fest montiert<br />
ist, kann <strong>der</strong> Spiegel 2 auf e<strong>in</strong>en Haltearm mit e<strong>in</strong>em Freiheitsgrad <strong>in</strong> Richtung<br />
Strahlteiler bewegt werden.<br />
Abbildung 2.3: Michelson-Interferometer<br />
Durch die Superposition <strong>der</strong> beiden Wellen entsteht e<strong>in</strong> charakteristisches Interferenzmuster,<br />
welches <strong>in</strong> Abbildung 2.4 zu sehen ist. Die roten R<strong>in</strong>ge entstehen durch konstruktive<br />
Interferenz und werden auch als Maxima bezeichnet, während die M<strong>in</strong>ima durch destruktive<br />
Interferenz gebildet werden. Wird <strong>der</strong> Spiegel 2 auf dem Haltearm bewegt, so wechseln<br />
sich M<strong>in</strong>ima und Maxima ab. Mit Kenntnis <strong>der</strong> Wellenlänge <strong>der</strong> genutzten Lichtquelle<br />
kann die Wegän<strong>der</strong>ung durch Abzählen <strong>der</strong> Wechsel zwischen zwei M<strong>in</strong>ima bestimmt<br />
werden. Die Wegän<strong>der</strong>ung zwischen zwei nebene<strong>in</strong>an<strong>der</strong> liegenden M<strong>in</strong>ima ist abhängig<br />
<strong>von</strong> <strong>der</strong> Wellenlänge λ und beträgt bei e<strong>in</strong>em roten <strong>Laser</strong> (633 nm) λ = 316, 5 nm.<br />
2<br />
Abbildung 2.4: Interferenzmuster auf dem Detektorschirm
2 Historische Entwicklung <strong>der</strong> <strong>Laser</strong>technik und <strong>Vibrometrie</strong> 11<br />
Abbildung 2.5: Mach-Zehn<strong>der</strong>-Pr<strong>in</strong>zip e<strong>in</strong>es <strong>Laser</strong>-<strong>Doppler</strong>-Vibrometers, angelehnt an [52, 85]<br />
Mo<strong>der</strong>ne <strong>Laser</strong>-<strong>Doppler</strong>-Vibrometer werden als hetrodyne Interferometer aufgebaut. Abbildung<br />
2.5 zeigt den Aufbau e<strong>in</strong>es <strong>Laser</strong>-<strong>Doppler</strong>-Vibrometers nach dem Mach-Zehn<strong>der</strong>-<br />
Pr<strong>in</strong>zip [35, 58]. Dazu wird e<strong>in</strong> <strong>Laser</strong>strahl mit <strong>der</strong> Frequenz f 0 <strong>in</strong> e<strong>in</strong>en Messstrahl und<br />
e<strong>in</strong>en Referenzstrahl am Strahlteiler 1 aufgeteilt. Der Messstrahl wird über e<strong>in</strong>en akustooptischen<br />
Modulator (Bragg-Zelle) um die Frequenz f b verschoben. Das am Messobjekt<br />
reflektierte Licht ist jetzt über den <strong>Doppler</strong>-Effekt mit e<strong>in</strong>er Frequenzverschiebung f d<br />
behaftet, die proportional zur Schw<strong>in</strong>ggeschw<strong>in</strong>digkeit v (t) des Messobjektes ist. Dieses<br />
Lichtsignal wird dann über den Strahlteiler 2 auf den Strahlteiler 3 umgelenkt, so dass<br />
sich h<strong>in</strong>ter dem Strahlteiler 3 das Referenz- und Messstrahl überlagern. Misst man nun am<br />
Photodetektor das Spannungssignal, so erhält man e<strong>in</strong> frequenzmoduliertes (FM) Signal<br />
mit <strong>der</strong> Trägerfrequenz f b . Da die Trägerfrequenz bekannt ist, kann das Signal demoduliert<br />
und ausgewertet werden. Möchte <strong>der</strong> Leser tiefer <strong>in</strong> die Thematik e<strong>in</strong>steigen, so wird<br />
hier auf [4, 14, 35, 58] verwiesen.<br />
2.3 Vibrometer mit SLM-basierten Aktor<br />
Das Testmuster des genutzten Vibrometers wurde <strong>von</strong> <strong>der</strong> Firma Polytec GmbH und<br />
dem Institut für Technische Optik (ITO) <strong>der</strong> Universität Stuttgart entwickelt. Es basiert<br />
auf dem <strong>von</strong> Polytec gebauten Industry Vibration Sensor IVS-300, e<strong>in</strong>em <strong>Laser</strong>-<strong>Doppler</strong>-<br />
Vibrometer. Die Ansteuer- und Auswerteelektronik ist zusammen mit den optischen Komponenten<br />
<strong>in</strong> e<strong>in</strong>em Gehäuse zu e<strong>in</strong>em SLM 2 -basierten Scann<strong>in</strong>g-Vibrometer verbaut. In<br />
Abbildung 2.6 ist e<strong>in</strong> CAD 3 -Modell des Testmusters dargestellt. Um den kompakten Aufbau<br />
zu ermöglichen, wurde <strong>der</strong> Strahlengang über e<strong>in</strong>en Umlenkspiegel auf das SLM<br />
geführt. Das SLM ist <strong>der</strong> eigentliche Aktor im System, <strong>der</strong> über das E<strong>in</strong>schreiben <strong>von</strong><br />
speziellen Computer-generierten Hologrammen (CGH) die Phaseneigenschaften des defokussierten<br />
kohärenten Lichts des IVS-300 <strong>der</strong>art modifiziert, dass <strong>der</strong> <strong>Laser</strong>-Spot gezielt<br />
auf bestimmte Positionen fokussiert werden kann und somit das ”<br />
Scannen” <strong>von</strong> e<strong>in</strong>zelnen<br />
2 Spatial Light Modulator<br />
3 Computer Aided Design
2 Historische Entwicklung <strong>der</strong> <strong>Laser</strong>technik und <strong>Vibrometrie</strong> 12<br />
Messpunkten ermöglicht. Die technischen Grundlagen dazu wurden am ITO entwickelt<br />
und <strong>in</strong> [89] vorgestellt. Zur Ansteuerung des SLM wurde e<strong>in</strong>e auf CUDA [77] basierende<br />
Schnittstelle implementiert, die den Zugriff auf das SLM über die HDMI-Schnittstelle<br />
e<strong>in</strong>es entsprechend ausgestatteten Laptops ermöglicht.<br />
Abbildung 2.6: Modell des genutzten Vibrometers<br />
Das vom SLM modifizierte Strahlenbündel wird über e<strong>in</strong> Teleskop nach außen geführt.<br />
Zusätzlich ist im Strahlengang des Teleskops e<strong>in</strong>e Blende montiert, um Beugungsersche<strong>in</strong>ungen<br />
höherer Ordnung zu unterdrücken und somit daraus resultierende Störe<strong>in</strong>flüsse<br />
zu reduzieren. Sensorseitig ist e<strong>in</strong> Datenerfassungssystem <strong>von</strong> National Instruments verbaut.<br />
Das NI-DAQ USB-6210 [67] greift dazu direkt den Signalpegel am Photodetektor<br />
des Vibrometers ab, und dieser ist e<strong>in</strong> Maß für die e<strong>in</strong>gefallene Lichtleistung. Er ist proportional<br />
zur Lichtleistung, wobei e<strong>in</strong>e Steigerung des Signalpegels um 0, 5 V mit e<strong>in</strong>er<br />
Verbesserung <strong>von</strong> 3 dB (Faktor 2) <strong>der</strong> Lichtleistung e<strong>in</strong>her geht. Das NI-DAQ USB-6210<br />
ermöglicht e<strong>in</strong>e maximale Messwerterfassung <strong>von</strong> 250kS/s pro Kanal. Weiterh<strong>in</strong> ist im<br />
Testmuster e<strong>in</strong>e Kamera verbaut, die aber für diese Arbeit nicht relevant war. In <strong>der</strong> <strong>von</strong><br />
Polytec entwickelten Software PSV 8.7 wird die Kamera genutzt um Messpunkte auf dem<br />
Messobjekt zu positionieren und die Position zu verifizieren.
2 Historische Entwicklung <strong>der</strong> <strong>Laser</strong>technik und <strong>Vibrometrie</strong> 13<br />
Abbildung 2.7: Wirkpr<strong>in</strong>zip des SLM, nach [31]<br />
2.4 Spatial Light Modulator (SLM) auf LCoS Basis<br />
Bei dem <strong>in</strong> Abbildung 2.6 verbauten SLM handelt es sich um das LCOSSLM X10468 Series<br />
<strong>von</strong> Hamamatsu [31]. Technisch betrachtet, handelt es sich um e<strong>in</strong>zeln ansteuerbare<br />
Flüssigkristalle, die mit e<strong>in</strong>er Ansteuerelektronik auf CMOS-Basis verbunden und auf e<strong>in</strong><br />
Siliziumsubstrat aufgebracht s<strong>in</strong>d. Die Flüssigkristalle modulieren das Licht nur <strong>in</strong> ihrer<br />
Phasenlage mit e<strong>in</strong>em Shift <strong>von</strong> 0 bis 2π; Intensität und Polarisation des Lichts bleiben<br />
dabei unverän<strong>der</strong>t. Die Ansteuerelektronik ermöglicht dabei das Ausrichten jedes e<strong>in</strong>zelnen<br />
Flüssigkristalls. Abbildung 2.7 zeigt das Wirkpr<strong>in</strong>zip des SLM. In Tabelle 2.1 s<strong>in</strong>d<br />
die Spezifikation, entnommen aus [31], aufgelistet. Es verfügt über e<strong>in</strong>en DVI-Anschluss,<br />
das auch über HDMI angesprochen werden kann. Weiterh<strong>in</strong> ist die Bildwie<strong>der</strong>holungsrate<br />
mit 60 Hz angegeben.
2 Historische Entwicklung <strong>der</strong> <strong>Laser</strong>technik und <strong>Vibrometrie</strong> 14<br />
Parameter X10468 series -06 Unit<br />
Input Signal Digital Video Interface (DVI) -<br />
DVI signal format SVGA (800×600 pixels) -<br />
DVI frame rate 60 Hz<br />
Number of <strong>in</strong>put levels 256 (8 bits) levels<br />
Effective area 16×12 mm<br />
Maximum spatial resolution 25 lp/mm<br />
Fill factor 95 %<br />
Typical response time (rise) 20 ms<br />
Typical response time (fall) 45 ms<br />
Readout light wavelength 650 ± 50 nm<br />
Typical light utilization efficiency 90 %<br />
Input voltage (AC) 100 to 230 (50 Hz / 60 Hz) V<br />
Power consumption 50 VA<br />
Weight (Head) Approx. 450 g<br />
Weight (Controller <strong>in</strong>clud<strong>in</strong>g cables) Approx. 4100 g<br />
Tabelle 2.1: Spezifikationen des LCOSSLM X10468-06<br />
Dies ist für weitere Analysen <strong>der</strong> Latenz im SLM-basierten Vibrometer <strong>von</strong> Bedeutung.<br />
Auf dem SLM bef<strong>in</strong>den sich 800×600 Bildpunkte, die dem SVGA 4 -Standard entsprechen.<br />
Jedes Pixel ist mit 8 Bit codiert und kann somit Werte <strong>von</strong> 0 - 255 annehmen, was e<strong>in</strong>er<br />
Phasenverschiebung <strong>von</strong> 0 bis 2π mit e<strong>in</strong>er Schrittweite <strong>von</strong> 0, 025 rad entspricht. Die<br />
e<strong>in</strong>geschriebenen Muster s<strong>in</strong>d auf dem SLM mit dem bloßen Auge zwar nicht erkennbar,<br />
können aber als Grauwertbild visualisiert werden. Abbildung 2.8 zeigt e<strong>in</strong> Muster, dass<br />
den <strong>Laser</strong> bei 2m fokussiert, wenn es <strong>in</strong> das SLM e<strong>in</strong>geschrieben ist.<br />
4 Super Video Graphic Array<br />
Abbildung 2.8: Beispiel e<strong>in</strong>es SLM-Musters
2 Historische Entwicklung <strong>der</strong> <strong>Laser</strong>technik und <strong>Vibrometrie</strong> 15<br />
Das Muster basiert auf Zernike-Polynome, die <strong>in</strong> Kapitel 3 detailliert beschrieben s<strong>in</strong>d.<br />
Zunächst muss die Aussage genügen, dass durch die Nutzung <strong>der</strong> Zernike-Polynome e<strong>in</strong>e<br />
Parameter-<strong>Reduktion</strong> <strong>von</strong> 800 × 600 = 480.000 verän<strong>der</strong>barer Parameter (hier: Anzahl<br />
<strong>der</strong> Pixel auf dem SLM) auf maximal sieben Parameter vorgenommen wird.<br />
2.5 Vibrometer mit Membranspiegel als Aktor<br />
Anstelle des SLM wurde als alternativer Aktor e<strong>in</strong> Membranspiegel getestet. Es handelte<br />
sich dabei um e<strong>in</strong>en <strong>von</strong> OKO Tech gefertigten MMDM 5 mit 15 mm Durchmesser. Vorteil<br />
dieses Stellglieds ist die hohe E<strong>in</strong>schreibgeschw<strong>in</strong>digkeit <strong>von</strong> 250 Hz. Das E<strong>in</strong>schreiben <strong>der</strong><br />
Muster ist somit ≈ 4 mal schneller als das <strong>in</strong> Abschnitt 2.4 vorgestellte SLM. Der Spiegel<br />
besteht aus e<strong>in</strong>er reflektiven Siliziumnitrid-Membran, die über 37 Elektroden aufgespannt<br />
ist. Wird e<strong>in</strong>e Spannung an die Elektroden angelegt, wird <strong>der</strong> darüber liegende Teil <strong>der</strong><br />
Membran zur Elektrode h<strong>in</strong> verformt. In Abbildung 2.9 ist <strong>der</strong> Spiegel <strong>in</strong>klusive Gehäuse<br />
abgebildet. Da die Membran nur mit e<strong>in</strong>en Abstand <strong>von</strong> wenigen µm über <strong>der</strong> Elektronik<br />
montiert ist, ist sie extrem empf<strong>in</strong>dlich gegenüber externen Kräften.<br />
Abbildung 2.9: OKO Tech Membran-Spiegel MMDM 15 mm 37 Kanäle, aus [20]<br />
Zu hoher Außendruck kann zu Stitch<strong>in</strong>g führen; die Membran klebt an <strong>der</strong> Elektrode<br />
fest und löst sich aufgrund <strong>von</strong> Kapillarkräfte nicht mehr selbständig ab. Die hohe Empf<strong>in</strong>dlichkeit<br />
ist e<strong>in</strong>er <strong>der</strong> Nachteile e<strong>in</strong>es Membran-Spiegels dieser Bauart. Abbildung 2.10<br />
zeigt das Array aus Ansteuer-Elektroden, über die <strong>der</strong> Spiegel aufgespannt ist. Die Elektroden<br />
(1 - 37) werden über die Spannungsversorgung mit 150 bis 300 V betrieben, die<br />
durch e<strong>in</strong>en spezielle Verstärkere<strong>in</strong>heit geliefert werden muss, um Spannungsspitzen zu<br />
vermeiden. Durch Spannungsspitzen können Teile <strong>der</strong> Membran <strong>der</strong>art verformt werden,<br />
so dass sie die Elektrode berührt. Das wie<strong>der</strong>um verursacht, wie oben schon erwähnt, e<strong>in</strong><br />
Stitch<strong>in</strong>g <strong>der</strong> Membran.<br />
5 Micro Mach<strong>in</strong>ed Device Mirror
2 Historische Entwicklung <strong>der</strong> <strong>Laser</strong>technik und <strong>Vibrometrie</strong> 16<br />
Abbildung 2.10: Anschluss-Plat<strong>in</strong>e OKO Tech MMDM 15 mm 37 Kanäle, nach [20]<br />
Für e<strong>in</strong>en robusten Betrieb <strong>in</strong> rauen Industrieumgebungen ist dieser Aktor also eher ungeeignet.<br />
Dennoch wurden e<strong>in</strong>ige Experimente mit dieser adaptiven Optik durchgeführt,<br />
um die technische Nutzbarkeit zu prüfen.
3<br />
Analyse und Modellbildung<br />
Da e<strong>in</strong> erster Optimierungsansatz über alle Grauwerte e<strong>in</strong>es jeden Pixels <strong>in</strong> dem SLM<br />
[89] zu 480.000 Optimierungsvariablen führen würde, wurde <strong>in</strong> dieser Arbeit e<strong>in</strong> Ansatz<br />
über die Modifikation <strong>von</strong> Zernike-Polynomen [59] genutzt. Dabei handelt es sich im Wesentlichen<br />
um e<strong>in</strong>e Variable-<strong>Reduktion</strong>, da über entsprechende Polynome die Werte aller<br />
Pixel des SLM implizit berechnet werden. Unter dieser Annahme wurde <strong>der</strong> Messprozess<br />
mathematisch analysiert. Der Messprozess kann wie <strong>in</strong> Abbildung 3.1 gezeigt vere<strong>in</strong>facht<br />
dargestellt werden.<br />
Abbildung 3.1: Schema des Messprozesses
3 Analyse und Modellbildung 18<br />
3.1 Beschreibung <strong>von</strong> Abbildungsfehlern über<br />
Zernike-Polynome<br />
In optischen Systemen können Abbildungsfehler über die Summe <strong>von</strong> gewichteten Zernike-<br />
Polynomen Φ (c, ρ, ϕ) [59] beschrieben werden. Sie stellen damit die Wellenfront e<strong>in</strong>er sich<br />
ausbreitenden Welle dar. Zernike-Polynome s<strong>in</strong>d orthogonale Polynome, die <strong>in</strong> gerade und<br />
ungerade Polynome unterteilt s<strong>in</strong>d. In Polarkoord<strong>in</strong>aten s<strong>in</strong>d diese durch<br />
⎧<br />
⎨<br />
Zn m (ρ, ϕ) =<br />
⎩<br />
Rn<br />
n−2m (ρ) cos (mϕ)<br />
Rn<br />
n−2m (ρ) s<strong>in</strong> (mϕ)<br />
n − 2m ≤ 0<br />
n − 2m > 0<br />
mit n, m ∈ N (3.1)<br />
def<strong>in</strong>iert, wobei Rn<br />
n−2m (ρ) den vom Radius ρ abhängigen und ϕ den azimutalen Anteil<br />
darstellen. Der Radius-abhängige Anteil <strong>in</strong> Gleichung (3.1) ist se<strong>in</strong>erseits def<strong>in</strong>iert als<br />
R n−2m<br />
n =<br />
m∑<br />
(−1) s (n − s)!<br />
s! (m − s)! (n − m − s)! ρn−2s . (3.2)<br />
s=0<br />
Daraus ergibt sich die Zernike-Dekomposition, die als Summe <strong>der</strong> gewichteten Zernike-<br />
Polynome mit dem zugehörigen Zernike-Koeffizienten c mn mit<br />
Φ (c, ρ, ϕ) =<br />
k∑<br />
n=0m=0<br />
n∑<br />
c mn · Zn m (ρ, ϕ) (3.3)<br />
bestimmt ist. Die Koeffizienten c mn gewichten <strong>in</strong> Gleichung (3.3) die jeweiligen Zernike-<br />
Polynome, zu denen sie e<strong>in</strong>deutig zugeordnet s<strong>in</strong>d. Fasst man die Koeffizienten zu e<strong>in</strong>em<br />
Vektor c zusammen, so erhält man c = (c oo , . . . , c mn ) T ∈ R nc , mit n c : Anzahl <strong>der</strong> genutzten<br />
Zernike-Polynome. Die Koeffizienten <strong>der</strong> nicht genutzten Polynome werden auf<br />
c ij = 0, mit i, j ∈ N gesetzt und nicht <strong>in</strong> den Vektor c aufgenommen. Tabelle 3.1 zeigt<br />
die genutzten Zernike-Polynome. Nun kann die Phase e<strong>in</strong>er homogenen Wellenfront am<br />
Ausgangspunkt über gewichtete und summierte Zernike-Polynome beschrieben werden.<br />
# n m Name Polarkoord<strong>in</strong>aten kartesische Koord<strong>in</strong>aten<br />
1 1 0 Tilt X ρ · s<strong>in</strong> (ϕ) x<br />
2 1 1 Tilt Y ρ · cos (ϕ) y<br />
3 2 0 Astigma X ρ 2 · s<strong>in</strong> (2ϕ) 2x 2 − 1<br />
4 2 2 Astigma Y ρ 2 · cos (2ϕ) 2xy<br />
5 3 1 Coma X (3ρ 3 − 2ρ) · s<strong>in</strong> (ϕ) 3 (x 2 + y 2 ) x − 2x<br />
6 3 2 Coma Y (3ρ 3 − 2ρ) · cos (ϕ) 3 (x 2 + y 2 ) y − 2y<br />
7 4 0 sphär. Aberration 6ρ 4 − 6ρ 2 + 1 6 (x 2 + y 2 ) 2 − 6 (x 2 + y 2 ) + 1<br />
Tabelle 3.1: Übersicht über genutzte Zernike-Polynome<br />
Da die Gleichung (3.3) <strong>in</strong> Polarkoord<strong>in</strong>aten, aber später Gleichung (3.8) <strong>in</strong> kartesischen
3 Analyse und Modellbildung 19<br />
Koord<strong>in</strong>aten vorliegt, muss Gleichung (3.3) zunächst <strong>in</strong> kartesische Koord<strong>in</strong>aten transformiert<br />
werden. Mit den Transformationsvorschriften aus [11] erhält man die Phasenfunktion<br />
k∑ n∑<br />
Φ (c, x, y) = c mn · Zn m (x, y) (3.4)<br />
n=0m=0<br />
<strong>in</strong> kartesischen Koord<strong>in</strong>aten (siehe auch Tabelle 3.1). Beispielhaft s<strong>in</strong>d <strong>in</strong> Abbildung 3.2<br />
e<strong>in</strong>ige Zernike-Polynome grafisch dargestellt, mit <strong>der</strong> die Phasenlage e<strong>in</strong>er Welle beschrieben<br />
wird.<br />
Abbildung 3.2: Beispiel e<strong>in</strong>iger Zernike-Polynome, entnommen aus [61]<br />
3.2 Lösung <strong>der</strong> homogenen Wellengleichung im<br />
Messprozess<br />
Die allgeme<strong>in</strong>e Lösung <strong>der</strong> homogenen Wellengleichung wurde <strong>in</strong> [26] aus den Maxwell’schen<br />
Gleichungen hergeleitet. Sie ist gegeben durch<br />
E (z, t) = E 0 · e j(kz−ωt+ϕ) (3.5)<br />
und def<strong>in</strong>iert die Welle <strong>der</strong> kohärenten Lichtquelle <strong>in</strong> Abbildung 3.1 mit e<strong>in</strong>er Amplitude<br />
E 0 , <strong>der</strong> Ausbreitungsrichtung z, <strong>der</strong> Wellenzahl k = 2π , <strong>der</strong> W<strong>in</strong>kelgeschw<strong>in</strong>digkeit ω<br />
λ<br />
und <strong>der</strong> komplexen Phase ϕ. Zunächst wird untersucht, ob e<strong>in</strong>e Zielfunktion analytisch<br />
berechenbar ist. Dazu sollte die Intensitätsverteilung <strong>in</strong> <strong>der</strong> Blende (siehe Aufbau des<br />
Vibrometers <strong>in</strong> Abschnitt 2.3) als Maß für die Signalstärke dienen. Allgeme<strong>in</strong> bekannt ist,
3 Analyse und Modellbildung 20<br />
Abbildung 3.3: Schema <strong>der</strong> beugungsbegrenzten Wellenausbreitung<br />
dass die Intensität I (z, t) e<strong>in</strong>er Welle proportional zum Quadrat ihrer Amplitude, mit<br />
I (z, t) ∝ E (z, t) · E (z, t) ∗ , (3.6)<br />
ist. Um die Intensitätsverteilung herzuleiten, muss die Modulation <strong>der</strong> Phasenfront <strong>der</strong><br />
Welle durch die adaptive Optik berücksichtigt werden. Dazu wird die komplexe Phase ϕ <strong>in</strong><br />
Gleichung (3.5) mit <strong>der</strong> durch die Optik modulierte und über die Zernike-Dekomposition<br />
beschriebene Phasenterm Φ (c, x, y) aus Gleichung (3.4) mit<br />
ϕ = Φ (c, x, y) (3.7)<br />
ersetzt, wobei <strong>der</strong> Vektor c die Zernike-Koeffizienten enthält. Die xy-Ebene bildet hierbei<br />
die Phasenebene und steht später senkrecht zur Ausbreitungsrichtung. Wird nun die Phasenlage<br />
ϕ durch Gleichung (3.7) ersetzt, so erhält man e<strong>in</strong>e durch die adaptive Optik modifizierte<br />
Welle, die ke<strong>in</strong>e Flächen gleicher Phase mehr bildet. Die xy-Ebene repräsentiert<br />
nun die Phasenebene, so dass die modifizierte Wellengleichung mit<br />
E ad.Optik (c, x, y, z, t) = E 0 · e j(kz−wt+Φ(c,x,y)) (3.8)<br />
gegeben ist. Zur Berechnung muss, wie <strong>in</strong> Abbildung 3.3 gezeigt, die h<strong>in</strong>- und rücklaufende<br />
Welle berücksichtigt werden. Dabei ist die rücklaufende Welle mit e<strong>in</strong>em Phasenversatz<br />
r (x, y) behaftet, <strong>der</strong> stochastisch <strong>in</strong> <strong>der</strong> xy-Ebene als gleichverteilt angenommen wird.<br />
Der Phasenversatz wird e<strong>in</strong>erseits durch Rauigkeiten <strong>der</strong> Oberfläche des Messobjekts hervorgerufen,<br />
an<strong>der</strong>erseits ist er abhängig <strong>von</strong> Zeitpunkt und dem aktuell betrachteten Ort.<br />
Zur Vere<strong>in</strong>fachung wurde die Reflexion an <strong>der</strong> Grenzfläche als ideal angenommen. Die<br />
Überlagerung <strong>der</strong> Wellen ergibt sich, <strong>in</strong>dem die h<strong>in</strong>- und e<strong>in</strong>e rücklaufende Welle summiert<br />
werden. Somit erhält man e<strong>in</strong>en Zusammenhang für die überlagerten homogenen<br />
ebenen Wellen <strong>in</strong> <strong>der</strong> Form<br />
E h<strong>in</strong>,rück (x, y, z, c, t) = E 0 · e<br />
} j(kz−ωt+Φ(c,x,y)) + E<br />
{{ } 0 · e −j(kz+ωt−Φ(c,x,y)−r(x,y)) . (3.9)<br />
} {{ }<br />
=E h<strong>in</strong> (x,y,z,c,t)<br />
=E rück (x,y,z,c,t)
3 Analyse und Modellbildung 21<br />
Durch die Ersetzung <strong>von</strong> ϕ aus Gleichung (3.7) handelt es sich bei <strong>der</strong> Welle nicht mehr<br />
um e<strong>in</strong>e homogene ebene Welle. Da zusätzlich Beugungsersche<strong>in</strong>ungen an <strong>der</strong> Blende<br />
berücksichtig werden müssen, wird im weiteren Verlauf die Auslenkung E obj (x ′ , y ′ ) auf<br />
dem Objekt über das Fraunhofer’sche Beugungs<strong>in</strong>tegral [35] berechnet. Nach dem <strong>von</strong><br />
Huygens aufgestellten Gesetz [12] ist je<strong>der</strong> Punkt <strong>in</strong> <strong>der</strong> Blende Ausgangspunkt e<strong>in</strong>er<br />
Elementarwelle E EW (c, ⃗r, x, y, t), gegeben mit<br />
Die Amplitude e<strong>in</strong>es Punktes (x ′ y ′ z ′ ) T<br />
E EW (c, ⃗r, x, y, t) = E 0<br />
|⃗r| ej(⃗ k⃗r−ωt+Φ(c,x,y)) . (3.10)<br />
auf e<strong>in</strong>em Messobjekt, welches sich h<strong>in</strong>ter e<strong>in</strong>er<br />
Apertur bef<strong>in</strong>det (siehe Abbildung 3.3) wird ermittelt, <strong>in</strong>dem die Amplituden aller<br />
Elementarwellen E EW (c, ⃗r, x, y, t) <strong>in</strong> <strong>der</strong> Blende berücksichtigt werden. Hieraus folgt <strong>der</strong><br />
Zusammenhang<br />
E obj (x ′ , y ′ ) =<br />
∫∫<br />
E 0<br />
|⃗r| · ej(⃗ k⃗r−ωt+Φ(c,x,y))<br />
} {{ }<br />
Apertur<br />
Amplitude e<strong>in</strong>er e<strong>in</strong>zelnen Elementarwelle<br />
dxdy, (3.11)<br />
( ) T<br />
wobei |⃗r| die Distanz zwischen <strong>der</strong> <strong>in</strong>itialen Elementarwelle und dem Punkt x ′ y ′ z ′<br />
auf dem Objekt ist. Mit Hilfe des Satzes <strong>von</strong> Pythagoras ist <strong>der</strong> Zusammenhang<br />
⃗r 2 = (x − x ′ ) 2 + (y − y ′ ) 2 + (z ′ ) 2 = x ′2 + y ′2 + z ′2 − 2xx ′ − 2yy ′ + x 2 + y 2<br />
= r ′2 − 2xx ′ − 2yy ′ + x 2 + y 2 (3.12)<br />
und somit<br />
|⃗r| =<br />
√<br />
∣r ⃗ ∣ ∣∣ ′ · 1 − 2 (xx′ + yy ′ )<br />
|⃗r ′ | 2 + x2 + y 2<br />
|⃗r ′ | 2 (3.13)<br />
gegeben. Unter <strong>der</strong> Annahme, dass die Blendenöffnung kle<strong>in</strong> im Verhältnis zu z ′ ist, ergibt<br />
sich für den Term <strong>in</strong> Gleichung (3.13) x2 +y 2<br />
≈ 0, so dass die Abschätzung<br />
⃗r ≈<br />
|⃗r| 2<br />
√<br />
∣r ⃗ ∣ ∣∣ ′ · 1 − 2 (xx′ + yy ′ )<br />
|⃗r ′ | 2 + x2 + y 2<br />
|⃗r ′ | 2<br />
<strong>in</strong> Gleichung (3.11) e<strong>in</strong>gesetzt schlussendlich zu<br />
E obj (x ′ , y ′ ) = E 0<br />
|⃗r| · ej(⃗ k| ⃗ r ′ |−ωt) ·<br />
≈<br />
∣r ⃗ ∣ (<br />
)<br />
∣∣ ′ · 1 − xx′ + yy ′<br />
|⃗r ′ | 2<br />
grad(Φ(c,x,y))>1⇒analytisch nicht lösbar<br />
{ }} {<br />
(3.14)<br />
∫∫<br />
( )<br />
)<br />
−j<br />
(⃗ xx ′ + yy ′<br />
E k − Φ (c, x, y)<br />
0<br />
|⃗r| · e |⃗r ′ |<br />
dxdy, (3.15)<br />
}<br />
Apertur<br />
{{ }<br />
h<strong>in</strong>laufende Welle<br />
führt. Für die rücklaufende Welle muss ähnlich verfahren werden. An Gleichung (3.15)<br />
ist e<strong>in</strong>deutig zu erkennen, dass e<strong>in</strong> analytischer Ausdruck für die Superposition <strong>der</strong> h<strong>in</strong>-
3 Analyse und Modellbildung 22<br />
und rücklaufenden Welle nicht gefunden werden kann, da grad (Φ (c, x, y)) > 1 ist. Möchte<br />
man die Intensität am Detektor nach Gleichung (3.6) berechnen, so müsste <strong>der</strong> gesamte<br />
Ausdruck <strong>von</strong> h<strong>in</strong>- und rücklaufen<strong>der</strong> Welle noch zusätzlich quadriert werden, was den<br />
Komplexitätsgrad <strong>der</strong> zu lösenden Gleichung noch weiter erhöhen würde.<br />
3.3 Grenzen <strong>der</strong> analytischen Untersuchungen<br />
Das Ergebnis <strong>der</strong> Analyse ergab, dass e<strong>in</strong>e geschlossene analytische Darstellung <strong>in</strong> Form<br />
<strong>von</strong> Systemgleichungen aufgrund <strong>der</strong> hohen Komplexität des Messprozesses nicht möglich<br />
ist. Gleichung (3.15) ist analytisch nicht mehr lösbar. Trotzdem muss e<strong>in</strong>e h<strong>in</strong>reichend<br />
gute Gütefunktion identifiziert werden, die <strong>in</strong> e<strong>in</strong>em Optimierungsalgorithmus genutzt<br />
werden kann, so dass das Auff<strong>in</strong>den des globalen M<strong>in</strong>imums zu e<strong>in</strong>er erheblichen Verbesserung<br />
des Signalpegels führt. Die ab Abschnitt 3.4 hergeleitete Gütefunktion beruht auf<br />
<strong>der</strong> Variation <strong>von</strong> Zernike-Koeffizienten, die entsprechende Zernike-Polynome gewichten<br />
und damit e<strong>in</strong>e gezielte Bee<strong>in</strong>flussung des <strong>Laser</strong>-Spots <strong>in</strong> Größe und Form ermöglichen.<br />
Die Optimierung <strong>der</strong> Gütefunktion muss dann über sogenannte ableitungsfreie Optimierungsalgorithmen<br />
erfolgen.<br />
3.4 Herleitung <strong>der</strong> Signalgüte<br />
Die adaptive Optik erlaubt über den Parameter c aus Gleichung (3.4) die Variation <strong>von</strong><br />
Position, Form und Phasenlage des Messspots. E<strong>in</strong>e Bed<strong>in</strong>gung, die sich direkt aus dem<br />
Messprozess ergibt ist, dass sich <strong>der</strong> <strong>Laser</strong>-Spot exakt auf <strong>der</strong> Position bef<strong>in</strong>det, die vorab<br />
e<strong>in</strong>gestellt wurde. Weiterh<strong>in</strong> soll <strong>der</strong> Spot so wenig wie möglich <strong>in</strong> se<strong>in</strong>er Form verän<strong>der</strong>t<br />
werden.<br />
Um den Signalpegel verbessern zu können, müssen jedoch m<strong>in</strong>imale Variationen <strong>in</strong> Form<br />
und Position zugelassen werden. Daraus kann zunächst e<strong>in</strong> Gütekriterium für die Position<br />
im R 2 hergeleitet werden, welches <strong>in</strong> <strong>der</strong> Abbildung 3.4 für ⃗c ∈ R 2 veranschaulicht und<br />
später auf die Verformung des Spots im R n erweitert wird.
3 Analyse und Modellbildung 23<br />
Abbildung 3.4: Signalgüte über Betrag e<strong>in</strong>es Vektors<br />
Abweichungen <strong>von</strong> <strong>der</strong> ursprünglichen Position (x 0, y 0 )werden direkt mit <strong>der</strong> Länge des<br />
Vektors ⃗c ∈ R 2 verknüpft. Je größer <strong>der</strong> Betrag <strong>von</strong> Vektor ⃗c ist, desto schlechter ist<br />
die gefundene Güte <strong>in</strong> Bezug auf die Positionierung. In Abbildung 3.4 hat <strong>der</strong> Vektor ⃗c 1<br />
offensichtlich e<strong>in</strong>e höhere Güte als ⃗c 2 . Mit<br />
∆x = ˜x − x 0 (3.16)<br />
gilt dann für die euklidische Länge des Vektors ⃗c<br />
∆y = ỹ − y 0 (3.17)<br />
(<br />
‖⃗c‖ 2<br />
=<br />
∥<br />
∆x<br />
∆y<br />
)∥ ∥∥∥∥2<br />
=<br />
√<br />
(∆x) 2 + (∆y) 2 . (3.18)<br />
Wenn nun ‖⃗c‖ 2<br />
= 0 gilt, so ist die Signalgüte maximal, womit sich e<strong>in</strong>e M<strong>in</strong>imierungsaufgabe<br />
für die Signalgüte ergibt. Möchte man die Signalgüte auf die Zernike-Koeffizienten<br />
höherer Ordnung erweitern, so ist <strong>der</strong> Zusammenhang schnell über die Verformung des<br />
Spots zu verdeutlichen. Dazu zeigt Abbildung 3.5 qualitativ die Verformung e<strong>in</strong>es beliebigen<br />
Koeffizient c 3 höherer Ordnung <strong>in</strong> <strong>der</strong> Fokusebene.
3 Analyse und Modellbildung 24<br />
Abbildung 3.5: Verformung des Spots durch E<strong>in</strong>schreiben <strong>von</strong> Aberration auf das SLM<br />
Je größer e<strong>in</strong> Zernike-Koeffizient c mn , mn ≠ 10, mn ≠ 11 betragsmäßig wird, desto mehr<br />
nimmt die Verformung des Spots zu. Auch hier ist das M<strong>in</strong>imum allgeme<strong>in</strong> bei c mn = 0 zu<br />
suchen. Deshalb kann, analog zu e<strong>in</strong>em Vektor ⃗c ∈ R 2 , die Verformung über den Betrag des<br />
Vektors c ∈ R n berücksichtigt werden. E<strong>in</strong>e Normierung <strong>der</strong> E<strong>in</strong>zelkomponenten bezogen<br />
auf e<strong>in</strong>en Maximalwert je<strong>der</strong> e<strong>in</strong>zelnen Komponente <strong>von</strong> c erreicht man durch<br />
∆c i,normiert =<br />
∆c i<br />
max {∆c i } . (3.19)<br />
In Abschnitt 6.3 werden die experimentell ermittelten Maximalwerte vorgestellt. Dort<br />
werden untere und obere Schranken (c i , c i ) angegeben, die für e<strong>in</strong>en e<strong>in</strong>zelnen Koeffizienten<br />
c i gelten. Das betragsmäßige Maximum max {|∆c i | , |∆c i |} dieser Schranken wird zur<br />
Normierung genutzt. Man erhält daher<br />
Für ‖∆c normiert ‖ 2<br />
gilt somit<br />
∆c i,normiert =<br />
∆c i<br />
max {|∆c i | , |∆c i |} . (3.20)<br />
∑<br />
‖∆c normiert ‖ 2<br />
= √ n (<br />
) 2<br />
∆c i<br />
. (3.21)<br />
max {|∆c i | , |∆c i |}<br />
i=1<br />
Gleichung (3.21) hat e<strong>in</strong>en Wertebereich <strong>von</strong> ‖∆c normiert ‖ = [0, √ n]. Für die Signalgüte soll<br />
<strong>der</strong> Wertebereich auf [0, 1] <strong>in</strong> <strong>der</strong> später def<strong>in</strong>ierten Pareto-Optimierung <strong>in</strong> Gleichung (5.3)<br />
reduziert werden. Damit ist β (c) geben durch<br />
n∑ (<br />
√<br />
i=1<br />
β (c) =<br />
∆c i<br />
max{|∆c i |,|∆c i |}<br />
n<br />
) 2<br />
. (3.22)<br />
3.5 Signalstärke<br />
Die Signalstärke ˜α (c) <strong>in</strong> [V ] wird im Vibrometer über e<strong>in</strong>em Detektorboard messtechnisch<br />
erfasst. Sie ist proportional zur e<strong>in</strong>fallenden Licht<strong>in</strong>tensität und kann Spannungswerte <strong>von</strong>
3 Analyse und Modellbildung 25<br />
0 bis 5V annehmen. Um mit e<strong>in</strong>em Gewichtungsfaktor γ aus Gleichung (5.3) zwischen<br />
<strong>der</strong> Signalgüte und <strong>der</strong> Signalstärke zu gewichten, muss auch die Signalstärke normiert<br />
werden. Ferner soll <strong>der</strong> spätere Optimierer die Pareto-Gleichung (Gütefunktion) m<strong>in</strong>imieren.<br />
Dies wird erreicht, <strong>in</strong>dem die normierte Signalstärke auf <strong>der</strong> Abszisse um x = 0, 5<br />
gespiegelt wird.<br />
α (c) = 1 −<br />
˜α (c)<br />
max {˜α (c)}<br />
(3.23)<br />
3.6 Gütefunktion<br />
Das Berechnen <strong>der</strong> Quadratwurzel ist rechenaufwendiger als die Optimierung über das<br />
Quadrat <strong>der</strong> Wurzel. Wird die Gleichung (3.22) und Gleichung (3.23) quadriert, so ergibt<br />
sich die Kostenfunktion zu<br />
⎛ n∑ (<br />
(<br />
) 2<br />
˜α (c)<br />
z (c) = 1 −<br />
· γ + ⎜ i=1<br />
max {˜α (c)} ⎝<br />
∆c i<br />
max{|∆c i |,|∆c i |}<br />
n<br />
) 2<br />
⎞<br />
⎟<br />
⎠ · (1 − γ) . (3.24)<br />
Für alle weiteren Untersuchungen stellt diese Gütefunktion die Grundlage dar. E<strong>in</strong>erseits<br />
wird sie im Kapitel 5 als Zielfunktion genutzt. An<strong>der</strong>erseits wird sie <strong>in</strong> <strong>der</strong> Erweiterung<br />
des Optimierungsalgorithmus über das <strong>in</strong> Kapitel 4 vorgestellte Interpolationsverfahren<br />
approximiert. Die Approximation stellt e<strong>in</strong> Modell <strong>der</strong> Gleichung (3.24) dar und ist mit<br />
Verfahren, die sich <strong>der</strong> Gradienten und Hesse-Matrizen bedienen, optimierbar.
4<br />
Approximation durch radiale<br />
Basisfunktionen<br />
Zur Verbesserung des Laufzeitverhaltens wurde e<strong>in</strong> hybrides Verfahren entwickelt, welches<br />
den DIRECT-Algorithmus aus Kapitel 5 um e<strong>in</strong>e Interpolation mittels radiale Basisfunktionen<br />
(RBF) [82] erweitert. Sie stellt e<strong>in</strong>e Methode zur Interpolation <strong>von</strong> Funktionen zur<br />
Verfügung, die analytisch berechnet und optimiert werden können. Auf Grundlage <strong>der</strong><br />
RBF können Annahmen über den Verlauf <strong>der</strong> Kostenfunktion, <strong>in</strong>sbeson<strong>der</strong>e <strong>der</strong> Extrema,<br />
getroffen werden. Um diese <strong>in</strong> e<strong>in</strong>em vorgegebenen Zeitraum ermitteln zu können,<br />
wurde <strong>in</strong> [2] e<strong>in</strong> Optimierungsalgorithmus auf Basis <strong>von</strong> schwarmähnlich arbeitenden lokalen<br />
Optimierern entwickelt.<br />
Möchte man e<strong>in</strong>e multivariate Funktion f : R n → R mit k paarweise verschiedenen<br />
Stützstellen ˆx k ∈ ˆX und den zugehörigen Funktionswerten ˆf k = f (ˆx k) ∈ ˆF , 1 ≤ k ≤ m<br />
approximieren, so führt dies nach [82] auf das Interpolationsproblem mit <strong>der</strong> Interpolierenden<br />
k<br />
f<strong>in</strong>de e<strong>in</strong> s f (x) ∈ T mit s f<br />
(ˆx ) = ˆf k . (4.1)<br />
Dabei sei T <strong>der</strong> Raum <strong>von</strong> Funktionen mit s : R n → R <strong>der</strong> Interpolanten, die die<br />
Bed<strong>in</strong>gungen <strong>in</strong> Gleichung (4.1) erfüllen. In e<strong>in</strong>schlägiger Literatur [10, 39, 72, 74, 82,<br />
86] wurden RBF untersucht, die e<strong>in</strong> solches Interpolationsproblem lösen. E<strong>in</strong> radiales<br />
Basispolynom ist gegeben durch<br />
r (x) =<br />
m∑<br />
λ k Φ (∥ ∥x − ˆx k∥ ∥ ) , x ∈ R n (4.2)<br />
k=1<br />
wobei Φ (∥ ∥ x − ˆx<br />
k ∥ ∥ ) e<strong>in</strong>e radiale Basisfunktion ist und Φ : R + → R abbildet. λ =<br />
(λ 1 , ..., λ m ) ∈ R m müssen hierbei bestimmt werden, um das Interpolationsproblem zu<br />
lösen. Enthält das zu <strong>in</strong>terpolierende Problem l<strong>in</strong>eare Abhängigkeiten ist es notwendig,
4 Approximation durch radiale Basisfunktionen 27<br />
die Gleichung (4.2) um e<strong>in</strong> <strong>in</strong> x l<strong>in</strong>eares Polynom p (x) zu erweitern. Mit Gleichung (4.2)<br />
führt dies zur Interpolante<br />
s f (x) =<br />
m∑<br />
λ k Φ (∥ ∥ ∥ x − ˆx<br />
k ) + γ RBF · p (x) . (4.3)<br />
k=1<br />
Wenn die Interpolationsbed<strong>in</strong>gungen über alle ˆX<br />
f i =<br />
m∑<br />
λ k Φ (∥ ∥ˆx i − ˆx k∥ ∥ ) + γ RBF · p (ˆx i) (4.4)<br />
k=1<br />
erfüllt s<strong>in</strong>d und die Parameter λ und γ RBF e<strong>in</strong>deutig bestimmt werden können, ist die<br />
Interpolante s f (x) e<strong>in</strong>deutig. In Matrix-Schreibweise erhält man den <strong>in</strong> Gleichung (4.4)<br />
beschriebenen Zusammenhang mit<br />
[<br />
Φ<br />
P<br />
P 0<br />
]<br />
·<br />
[<br />
] [<br />
λ ˆF<br />
=<br />
γ RBF 0<br />
]<br />
, (4.5)<br />
wobei die Matrix Φ ∈ R m×m def<strong>in</strong>iert ist als<br />
⎡<br />
Φ (‖ˆx 1 − ˆx 1 ‖) Φ (‖ˆx 1 − ˆx 2 ‖) . . . Φ (‖ˆx 1 − ˆx m ‖)<br />
Φ (‖ˆx<br />
Φ =<br />
2 − ˆx 1 ‖) Φ (‖ˆx 2 − ˆx 2 ‖) . . . Φ (‖ˆx 2 − ˆx m ‖)<br />
⎢<br />
.<br />
⎣ .<br />
. .. .<br />
Φ (‖ˆx m − ˆx 1 ‖) Φ (‖ˆx m − ˆx 2 ‖) . . . Φ (‖ˆx m − ˆx m ‖)<br />
⎤<br />
⎥<br />
⎦<br />
(4.6)<br />
und <strong>der</strong> Vektor P ∈ R m gegeben ist als<br />
(<br />
P = p (ˆx 1 ) p (ˆx 2 ) . . . p (ˆx m )<br />
) T<br />
. (4.7)<br />
Das resultierende l<strong>in</strong>eare Gleichungssystem zur Bestimmung <strong>von</strong> λ und γ<br />
ist lösbar, wenn<br />
[<br />
Φ<br />
P<br />
P 0<br />
]<br />
[<br />
] [<br />
λ<br />
=<br />
γ RBF<br />
<strong>in</strong>vertierbar ist.<br />
Φ<br />
P<br />
P T 0<br />
] −1 [ ˆF<br />
0<br />
]<br />
(4.8)<br />
Während <strong>der</strong> Optimierung <strong>der</strong> Signalstärke des Vibrometers fließen die Messwerte α (c)<br />
über die Kostenfunktion aus Gleichung (3.24) <strong>in</strong> die Bewertung des optimalen Signalpegels<br />
α ⋆ e<strong>in</strong>. Die Funktionsauswertung f = z (c) ist somit abhängig <strong>von</strong> den gewählten<br />
Koeffizienten c <strong>der</strong> Zernike-Polynome, so dass f (α (c) , β (c)) = z (c) gilt. Die schon bekannten<br />
ˆF<br />
)<br />
= z<br />
(Ĉ mit den zusammen gefassten Stützstellen ˆX = Ĉ = ( ĉ 1 , ..., ĉ k) T<br />
werden genutzt, um e<strong>in</strong>e (Hyper-)Oberfläche im R n mittels RBF zu approximieren und<br />
anschließend wird das M<strong>in</strong>imum <strong>der</strong> (Hyper-)Oberfläche bestimmt.
4 Approximation durch radiale Basisfunktionen 28<br />
4.1 Interpolation am Beispiel Himmelblau-Funktion<br />
In dem folgenden Beispiel wurde die Himmelblau-Funktion, die durch<br />
f (x) = ( x 2 1 + x 2 − 11 ) 2<br />
+<br />
(<br />
x1 + x 2 2 − 7 ) 2<br />
, (4.9)<br />
gegeben ist, mit <strong>der</strong> radialen Basisfunktion und <strong>der</strong> Gleichung (4.3)<br />
Φ (‖r‖) = r 3 (4.10)<br />
approximiert. Dazu wurden die Parameter λ und γ über die Gleichung (4.8) bestimmt.<br />
Die Stützstellen ˆX wurden stochastisch gleichverteilt zufällig gewählt und die zugehörigen<br />
Funktionsevaluationen ˆF mit <strong>der</strong> Gleichung (4.9) bestimmt. Zum Vergleich wurde e<strong>in</strong>e<br />
unterschiedliche Anzahl Stützstellen erzeugt. Die Abbildungen <strong>in</strong> 4.1 zeigen die grafische<br />
Auswertung <strong>der</strong> Approximation.<br />
20 Stützstellen 40 Stützstellen<br />
80 Stützstellen 100 Stützstellen<br />
Abbildung 4.1: Approximation <strong>der</strong> Himmelblau-Funktion mit 20 - 100 Stützstellen<br />
Die 4 M<strong>in</strong>ima <strong>der</strong> Funktion s<strong>in</strong>d ab 20 Stützstellen schon sehr ausgeprägt erkennbar. Die<br />
Oberfläche mit <strong>der</strong> rötlich geprägten Farbpalette ist dabei <strong>der</strong> Verlauf <strong>der</strong> Orig<strong>in</strong>alfunktion,<br />
die bläuliche Oberfläche <strong>der</strong> Verlauf <strong>der</strong> Interpolante.
4 Approximation durch radiale Basisfunktionen 29<br />
4.2 Herleitung des Gradienten und <strong>der</strong> Hesse-Matrix<br />
Die Funktion s f (x) auf <strong>der</strong> Basis <strong>von</strong> radialen Basispolynome soll genutzt werden, um<br />
die Zielfunktion f (x) zu approximieren und im späteren Verlauf zu m<strong>in</strong>imieren. Um das<br />
Konvergenz-Verhalten <strong>in</strong> e<strong>in</strong>em Optimierungsalgorithmus zu verbessern, s<strong>in</strong>d Methoden<br />
1. und 2. Ordnung beson<strong>der</strong>s geeignet. Diese erfor<strong>der</strong>n Informationen über Gradienten und<br />
Hesse-Matrizen. Auf Basis <strong>der</strong> <strong>in</strong> Gleichung (4.10) gegebenen Funktion wird das System<br />
approximiert.<br />
4.3 Herleitung des Gradienten<br />
Mit Φ (∥ ∥ x − ˆx<br />
k ∥ ∥ ) = ∥ ∥ x − ˆx<br />
k ∥ ∥ 3 gilt für die i-te Komponente des Gradienten<br />
(<br />
∂s f (x) ∑ m<br />
∂ ∥<br />
= λ k ·<br />
∥ )<br />
∥x − ˆx<br />
k 3 ∂p (x)<br />
+ γ RBF · . (4.11)<br />
∂x i ∂x i ∂x i<br />
k=1<br />
Die euklidische Norm ∥ ∥ x − ˆx<br />
k ∥ ∥ <strong>in</strong> Gleichung (4.11) kann auch als<br />
∥<br />
∥x − ˆx k∥ √ (x1 )<br />
∥ = − ˆx k 2 ( )<br />
1 + x2 − ˆx k 2<br />
2 + · · · + (xn − ˆx k n) 2 =<br />
geschrieben werden. So erhält man für den Term<br />
Zusammenhang<br />
∂<br />
∂x i<br />
∥ ∥ x − ˆx k∥ ∥ 3 =<br />
⎛<br />
∂<br />
∑<br />
⎝√ n (<br />
xi − ˆx k i<br />
∂x i<br />
⇔<br />
i=1<br />
⎞3<br />
) 2<br />
⎠<br />
∑<br />
√ n ( )<br />
xi − ˆx k 2<br />
i (4.12)<br />
i=1<br />
∥ ∥ ∂ ∥x<br />
∂x i<br />
− ˆx<br />
k 3 aus Gleichung (4.11) den<br />
⎛<br />
∑<br />
= 3 ⎝√ n (<br />
xi − ˆx k i<br />
i=1<br />
⎞<br />
) 2<br />
⎠ · (x )<br />
i − ˆx k i<br />
∂ ∥ ∥ ∥x − ˆx<br />
k 3 = 3 · ∥∥ ∥ ( )<br />
x − ˆx<br />
k · xi − ˆx k i . (4.13)<br />
∂x i<br />
Die i-te Komponente des Gradienten ergibt sich somit zu<br />
( m<br />
∂s f (x)<br />
= 3 ∑ k ·<br />
∂x i<br />
k=1λ ∥∥x − ˆx k∥ ∥ · (x ) )<br />
i − ˆx k ∂p (x)<br />
i + γ RBF · . (4.14)<br />
∂x i<br />
Der folgende Algorithmus 4.1 beschreibt die Berechnung des Gradienten. Da die euklidische<br />
Norm <strong>der</strong> Differenz zwischen Funktionswert und Stützstelle ∥ ∥ x − ˆx<br />
k ∥ ∥ nur k-mal<br />
berechnet werden muss, kann dies vorab geschehen. In diesem Zuge wird die Konstante<br />
3λ k direkt <strong>in</strong> die Berechnung mit e<strong>in</strong>bezogen. Der Vektor dx ∈ R n ist <strong>in</strong> Anlehnung an<br />
e<strong>in</strong>en C++-Vektor notiert.
4 Approximation durch radiale Basisfunktionen 30<br />
Algorithmus 4.1 Berechnung des Gradienten<br />
E<strong>in</strong>gangsdaten: x, ˆX, λ<br />
Initialisiere dx[i] := γ · ∂p(x)<br />
∂x i<br />
für k = 1 bis m {<br />
berechne t := 3λ k · ∥∥ ∥ x − ˆx<br />
k für i = 1 bis n {<br />
dx [i] = dx [i] + t · (x )<br />
i − ˆx k i<br />
}<br />
}<br />
Ausgangsdaten: dx<br />
Der Aufwand <strong>der</strong> Initialisierung beträgt ∝ O (n). Die eigentliche Berechnung hat e<strong>in</strong>en<br />
Aufwand ∝ O (n · m). Mit m ≫ n ergibt sich <strong>der</strong> Gesamtaufwand zu ∝ O (m) und ist<br />
somit proportional abhängig <strong>von</strong> <strong>der</strong> Anzahl <strong>der</strong> Stützstellen ˆx k .<br />
4.4 Herleitung <strong>der</strong> Hesse-Matrix<br />
Für die Hesse-Matrix <strong>der</strong> Gleichung (4.3) mit Φ (‖r‖) = r 3 sei <strong>der</strong> Zusammenhang gegeben<br />
durch<br />
[(<br />
∂ 2 s f (x)<br />
= ∂ · ∂s f (x)<br />
= ∂<br />
m<br />
3 ∑ k ·<br />
∂x i ∂x j ∂x j ∂x i ∂x j<br />
k=1λ ∥∥ ∥ ( ) ) ]<br />
x − ˆx<br />
k · xi − ˆx k ∂p (x)<br />
i + γ · . (4.15)<br />
∂x i<br />
Da p (x) l<strong>in</strong>ear <strong>in</strong> x ist erhält man ∂p(x)<br />
∂x i<br />
:= const. Daraus ergibt sich, dass ∂2 p(x)<br />
∂x i ∂x j<br />
= 0<br />
gilt. Für die weitere Betrachtung ist <strong>in</strong> 2 Fälle zu unterscheiden. Zunächst sollen die<br />
Komponenten bestimmt werden, für die i ≠ j gilt. Da nach ∂x j differenziert wird, ist<br />
( )<br />
xi − ˆx k i als Konstante anzunehmen. Für diesen Fall ist die Hesse-Matrix def<strong>in</strong>iert als<br />
m<br />
∂ 2 s f (x)<br />
= 3 ∑ λ k · (x )<br />
i − ˆx k ∂ (∥ ∥<br />
i · ∥x − ˆx<br />
k ) ∀ i ≠ j<br />
∂x i ∂x j<br />
∂x j<br />
k=1<br />
m<br />
⇔ = 3 ∑ ( ) ( )<br />
xi − ˆx k i · xj − ˆx k j<br />
k ·<br />
∀ i ≠ j.<br />
k=1λ<br />
‖x − ˆx k ‖<br />
(4.16)<br />
Im Fall i = j muss ( x i − ˆx k i<br />
)<br />
jedoch bei <strong>der</strong> Differenzierung geson<strong>der</strong>t betrachtet werden,<br />
da ( x i − ˆx k i<br />
)<br />
=<br />
(<br />
xj − ˆx k j<br />
)<br />
. Daraus folgt<br />
∂ 2 m<br />
s f (x)<br />
= 3 ∑ ∂ (∥<br />
k ·<br />
∂x i ∂x j<br />
k=1λ ∥ ( )) ∥x − ˆx<br />
k · xi − ˆx k i ∀ i = j<br />
∂x i<br />
⇔ ∂2 m<br />
s f (x)<br />
= 3 ∑ ( )<br />
xi − ˆx k 2 ∥ ∥<br />
i + ∥x − ˆx<br />
k 2<br />
∂x 2 k ·<br />
∀ i = j.<br />
i k=1λ<br />
‖x − ˆx k ‖<br />
(4.17)<br />
Die im Algorithmus genutzte Matrix ddx ∈ R n×n ist <strong>in</strong> Anlehnung an den C++-Stil mit
4 Approximation durch radiale Basisfunktionen 31<br />
Klammer-Operatoren notiert. Die Berechnung <strong>der</strong> Hesse-Matrix wird im folgenden Algorithmus<br />
4.2 beschrieben. Unter Ausnutzung <strong>der</strong> Eigenschaft ∂2 s f (x)<br />
) T<br />
braucht<br />
∂x 2 =<br />
(<br />
∂ 2 s f (x)<br />
∂x 2<br />
<strong>der</strong> Wert ddx[i][j] = ddx[j][i] nur e<strong>in</strong>mal berechnet werden. Daher läuft die zweite Schleife<br />
<strong>in</strong> Algorithmus 4.2 über alle n, die dritte Schleife jedoch nur über i − 1 Elemente.<br />
Algorithmus 4.2 Berechnung <strong>der</strong> Hesse-Matrix<br />
E<strong>in</strong>gangsdaten: x, ˆX, λ<br />
Initialisierung <strong>der</strong> Matrix ∂2 s f (x)<br />
∂x i ∂x j<br />
:= ddx [i] [j] = 0<br />
für k = 1 bis m {<br />
berechne t 1 := ∥ ∥ x − ˆx<br />
k berechne t 2 :=<br />
λ k<br />
‖x−ˆx k ‖ = λ k<br />
t2<br />
für i = 1 bis n {<br />
für j = 1 bis i − 1 {<br />
ddx[i][j] = ddx[i][j] + t 2 · (x ) ( )<br />
i − ˆx k i · xj − ˆx k j<br />
wenn k = m {<br />
ddx[j][i] = ddx[i][j]<br />
}<br />
}<br />
( (xi ) )<br />
ddx[i][i] = ddx[i][i] + t 2 · − ˆx k 2<br />
i + t<br />
2<br />
1<br />
}<br />
}<br />
Ausgangsdaten: ddx<br />
Der Aufwand für die Berechnung <strong>von</strong> t 1 ist ∝ O (n). Da dies m-mal berechnet werden<br />
muss, ergibt sich dafür e<strong>in</strong> Aufwand <strong>von</strong> ∝ O (n · m). Weiterh<strong>in</strong> werden <strong>in</strong> den<br />
verschachtelten Schleifen n2 Operationen durchgeführt und haben somit e<strong>in</strong>en Aufwand<br />
2<br />
∝ O (n 2 ). Da auch dies m-mal durchgeführt wird, ergibt sich e<strong>in</strong> Gesamtaufwand <strong>von</strong><br />
∝ O (n · m) + O (m · n 2 ). Für m ≫ n gilt für den ersten Term weiterh<strong>in</strong> e<strong>in</strong> abgeschätzter<br />
Aufwand <strong>von</strong> ∝ O (m). Für den zweiten Term müsste gelten m ≫ n 2 . Aus <strong>der</strong> Anwendung<br />
ergibt sich, dass die Anzahl <strong>der</strong> Stützstellen auf m ≤ 100 beschränkt s<strong>in</strong>d. Die Anzahl <strong>der</strong><br />
Dimensionen n ist mit 2 ≤ n ≤ 7 festgelegt. Im Worst-Case gilt m ≫ n 2 nicht, so dass<br />
<strong>der</strong> Gesamtaufwand letztlich auf ∝ O (m · n 2 ) abgeschätzt werden muss.<br />
4.5 Gaußsche Funktion als radiale Basisfunktion<br />
Zu Testzwecken ist e<strong>in</strong> Optimierungsalgorithmus implementiert worden, <strong>der</strong> <strong>von</strong> Hansen<br />
entwickelt und <strong>in</strong> [32] präsentiert wurde. Er nutzt Intervall-arithmetische Operatoren<br />
(beispielsweise <strong>in</strong> INTLAB [76] und filib++ implementiert [56]), um e<strong>in</strong>e obere und untere<br />
Abschätzung des Funktionswerts auf e<strong>in</strong>em auszuwertenden Intervall zu bestimmen.<br />
Er bedient sich <strong>der</strong> automatischen Differentiation [28], so dass Gradienten und Hesse-
4 Approximation durch radiale Basisfunktionen 32<br />
Matrizen <strong>der</strong> auszuwertenden Punkte per Operatorüberladung während <strong>der</strong> Evaluierung<br />
automatisch generiert werden. Da die Intervall-arithmetische Überladung <strong>in</strong> <strong>der</strong> automatisch<br />
Differentiation für jede Stützstelle die Hesse-Matrix berechnet, führte dies bei vielen<br />
Stützstellen (> 50) zu mehr als 100.000 arithmetischen Operationen pro Optimierung. E<strong>in</strong>e<br />
Analyse ergab, dass m<strong>in</strong>destens 7 · 7 · 50 = 2450 arithmetischen Operationen durch die<br />
Addition <strong>der</strong> e<strong>in</strong>zelnen Terme <strong>in</strong> <strong>der</strong> 4.3 vorgenommen werden müssen. Bei 50 Iterationen<br />
im Optimierungsalgorithmus entspricht das <strong>in</strong>sgesamt 122.500 arithmetischen Operationen.<br />
Die Bestimmung benötigte <strong>in</strong> Testläufen 300 ms um e<strong>in</strong> brauchbares M<strong>in</strong>imum zu<br />
bestimmen. Deshalb wurde dieser Weg zugunsten alternativer radialer Basisfunktionen<br />
aufgegeben.<br />
Die <strong>in</strong> Gleichung (4.10) genutzte radiale Basisfunktion (RBF) ist e<strong>in</strong>e <strong>von</strong> mehreren<br />
möglichen Kandidaten für e<strong>in</strong>e radiale Basisfunktion. Weitere nach [53] gebräuchliche<br />
radiale Basisfunktionen s<strong>in</strong>d die <strong>in</strong> Tabelle 4.1 aufgelisteten. Die Verwendung <strong>von</strong> Gaußschen<br />
Funktionen als radiale Basisfunktion wurden zudem <strong>in</strong> [46] untersucht.<br />
Bezeichnung<br />
Funktion<br />
Stückweise polynomiale Funktion Φ (r) = |r| n , n ungerade<br />
Th<strong>in</strong> Plate Spl<strong>in</strong>e<br />
Φ (c) = |r|<br />
√<br />
n · ln (|r|) , n gerade<br />
Multiquadratische Funktion Φ (c) = 1 + (εr) 2<br />
Inverse multiquadratische Funktion<br />
1<br />
Φ (c) = √<br />
1+(εr) 2<br />
Inverse quadratische Funktion Φ (c) = 1<br />
1+(εr) 2<br />
Gaußsche Funktion<br />
Φ (c) = e −θr2<br />
Tabelle 4.1: Gebräuchliche radiale Basisfunktionen, entlehnt an [53]<br />
Im Gegensatz zur <strong>der</strong> <strong>in</strong> Gleichung (4.10) genutzten Funktion existiert für die Gaußsche<br />
Funktion nach [10] e<strong>in</strong>e e<strong>in</strong>deutige Interpolation. Ferner kann mit <strong>der</strong> Maximum-<br />
Likelihood-Methode [55] <strong>der</strong> Strukturparameter Θ optimal bestimmt werden, so dass die<br />
Interpolation auf die Oberflächengegebenheiten optimal angepasst wird.<br />
Die Interpolation mit <strong>der</strong> gaußschen Funktion als radiale Basisfunktion und <strong>der</strong>en Optimierung<br />
wurde <strong>in</strong> [2] thematisiert. Die Ergebnisse aus [2] flossen unmittelbar <strong>in</strong> diese e<strong>in</strong>,<br />
da sie thematisch mite<strong>in</strong>an<strong>der</strong> verbunden s<strong>in</strong>d. Deshalb sei für weiterführende Studien,<br />
<strong>in</strong>sbeson<strong>der</strong>e die Herleitung des Gradienten, <strong>der</strong> Hesse-Matrix sowie <strong>der</strong> genutzten Optimierungsmethoden<br />
auf diese Arbeit verwiesen. Dennoch sollen zur Veranschaulichungen<br />
examplarisch zwei Beispiele aus [2] im folgenden Abschnitt diskutiert werden.
4 Approximation durch radiale Basisfunktionen 33<br />
4.6 Beispiele zur Interpolation mit <strong>der</strong> Gaußschen<br />
Funktion als radiale Basisfunktion<br />
Der Strukturparameter θ ist e<strong>in</strong> Maß für die Frequenz <strong>der</strong> Welligkeit <strong>der</strong> zu approximierenden<br />
Funktion. Betrachtet man anhand des Beispiels <strong>der</strong> <strong>in</strong> Abbildung 4.2 approximierten<br />
SI-Funktion, so ist zu erkennen, dass e<strong>in</strong> zu kle<strong>in</strong> gewähltes θ zu e<strong>in</strong>er schnell auf den<br />
Mittelwert <strong>der</strong> SI-Funktion konvergierenden Interpolante führt. H<strong>in</strong>gegen, wird θ zu groß<br />
gewählt, divergiert die Interpolante an den Rän<strong>der</strong>n des betrachteten Intervalls.<br />
Abbildung 4.2: Auswirkung des Strukturparameter θ auf die Interpolation<br />
Dieses (Optimierungs-)Problem wird mit <strong>der</strong> Maximum-Likelihood-Methode gelöst. E<strong>in</strong>e<br />
optimale Strukturbreite θ ist e<strong>in</strong>e notwendige Bed<strong>in</strong>gung um h<strong>in</strong>reichend gute Resultate<br />
für das Optimum des <strong>in</strong>terpolierten Modells zu erhalten. In den folgenden Abbildungen<br />
4.3 hat wie<strong>der</strong>um die Himmelblau-Funktion als Benchmark gedient. Die zur Approximation<br />
zufällig generierten 20 Stützstellen s<strong>in</strong>d jeweils mit e<strong>in</strong>em Kreuz gekennzeichnet. Es<br />
wurden drei verschiedene Interpolationsmethoden verglichen. Zusätzlich ist <strong>in</strong> Abbildung<br />
4.3a) die Orig<strong>in</strong>alfunktion dargestellt. Die polynomiale Approximation nutzte e<strong>in</strong> Polynom<br />
fünften Grades. Die Anzahl <strong>der</strong> Stützstellen waren <strong>in</strong> diesem Falle ausreichend, um<br />
die Orig<strong>in</strong>alfunktion (Polynom vierten Grades) exakt zu approximieren. Die polynomiale<br />
Approximation war somit an das Interpolationsproblem angepasst. H<strong>in</strong>gegen lieferte die<br />
Approximation Qubic Spl<strong>in</strong>es schlechtere Ergebnisse. Die Interpolation über die radialen<br />
Basispolyfunktionen konnte die vier M<strong>in</strong>ima <strong>der</strong> Orig<strong>in</strong>alfunktion gut abbilden. Um die
4 Approximation durch radiale Basisfunktionen 34<br />
volle Leistungsfähigkeit <strong>der</strong> Interpolation zu zeigen, bedarf es jedoch e<strong>in</strong>es Beispiels mit<br />
wesentlich mehr Extrema. In den Abbildungen 4.4 wird nun die 2D-Rastrig<strong>in</strong>-Funktion<br />
(siehe Tabelle 5.3) als Benchmark genutzt. Sie verfügt durch e<strong>in</strong>en trigonometrischen Term<br />
über e<strong>in</strong>e Vielzahl <strong>von</strong> M<strong>in</strong>ima und Maxima. Oben l<strong>in</strong>ks ist wie<strong>der</strong> die Orig<strong>in</strong>alfunktion<br />
abgebildet. Rechts daneben bef<strong>in</strong>det sich die Approximation mit <strong>der</strong> radiale Basisfunktion.<br />
Zur Interpolation wurden 300 Stützstellen wie<strong>der</strong> zufällig generiert. Man erkennt,<br />
a) Orig<strong>in</strong>al b) Approximation mit RBF<br />
c) Approximation mit Qubic Spl<strong>in</strong>es d) polynomiale Approximation<br />
Abbildung 4.3: Die Himmelblau-Funktion verglichen mit verschiedenen Interpolationsmethoden,<br />
entnommen aus [2]
4 Approximation durch radiale Basisfunktionen 35<br />
a) Orig<strong>in</strong>al b) Approximation mit RBF<br />
c) Approximation mit Qubic Spl<strong>in</strong>es d) polynomiale Approximation<br />
Abbildung 4.4: Die Rastrig<strong>in</strong>-Funktion verglichen mit verschiedenen Interpolationsmethoden,<br />
entnommen aus [2]<br />
dass die Orig<strong>in</strong>alfunktion über RBF gut approximiert werden konnte. Nur an den Rän<strong>der</strong>n<br />
des Bereichs, wo zu wenig Informationen über den Funktionsverlauf durch Stützstellen zur<br />
Verfügung gestellt wurden, kommt es zu Fehlern <strong>in</strong> <strong>der</strong> Approximation. Die polynomiale<br />
Interpolation <strong>der</strong> Stützstellen konnte die Rastrig<strong>in</strong>-Funktion gar nicht mehr approximieren.<br />
Dies ergibt sich alle<strong>in</strong> schon aus <strong>der</strong> Struktur e<strong>in</strong>es Polynoms vierten Grades. Dieses<br />
Ergebnis war also zu erwarten. Überraschen<strong>der</strong>weise konnte die abschnittsweise kubische<br />
Interpolation über Qubic Spl<strong>in</strong>es jedoch die Orig<strong>in</strong>alfunktion nicht <strong>in</strong> <strong>der</strong> benötigten<br />
Qualität abbilden. Abschließend soll noch e<strong>in</strong> Beispiel aus [2] diskutiert werden, welches<br />
e<strong>in</strong>e Funktion mit zufällig generierter Topologie darstellt. Während die Rastr<strong>in</strong>g-Funktion<br />
durch den trigonometrischen Term noch über e<strong>in</strong>e regelmäßige Topologie verfügt, ist die<br />
Topologie und somit die Struktur <strong>der</strong> Funktion <strong>in</strong> Abbildung 4.5 völlig zufällig. Durch<br />
die Optimierung des Strukturparameters θ konnte die RBF-Interpolation auch <strong>in</strong> diesem<br />
Fall e<strong>in</strong>e sehr gute Approximation <strong>der</strong> Orig<strong>in</strong>alfunktion zur Verfügung stellen.
4 Approximation durch radiale Basisfunktionen 36<br />
a) Orig<strong>in</strong>al b) Approximation mit RBF<br />
Abbildung 4.5: E<strong>in</strong>e zufällig generierte 2D-Funktion, entnommen aus [2]<br />
Zur Interpolation standen 100 Stützstellen mit zugehörigen Funktionswert zur Verfügung.<br />
Alle M<strong>in</strong>ima und Maxima s<strong>in</strong>d <strong>in</strong> <strong>der</strong> Approximation nicht nur angedeutet zu erkennen,<br />
son<strong>der</strong>n so stark ausgeprägt, dass e<strong>in</strong>e Optimierung auf <strong>der</strong> Interpolante zu e<strong>in</strong>em h<strong>in</strong>reichend<br />
guten Schätzwert führt, <strong>der</strong> im DIRECT-Algorithmus als zusätzlichen Kandidat<br />
für die Auswertung genutzt werden kann.
5<br />
Statische Optimierung des<br />
Signalpegels<br />
Gegeben sei e<strong>in</strong>e stetig differenzierbare, nach unten beschränkte Funktion f (c). Die Suche<br />
nach e<strong>in</strong>em M<strong>in</strong>imalwert <strong>der</strong> Funktion kann als Optimierungsaufgabe <strong>der</strong> Form<br />
f ⋆ = m<strong>in</strong><br />
c∈S f (c) , S ⊆ Rn (5.1)<br />
geschrieben werden. Dabei wird f ⋆ als Optimalwert und <strong>der</strong> zugehörige Parametersatz<br />
c ⋆ als Lösung <strong>der</strong> Optimierung bezeichnet, so dass f ⋆ = f (c ⋆ ) gilt. Üblicherweise kann<br />
die Optimierungsaufgabe nicht analytisch gelöst werden (z.B. nichtl<strong>in</strong>eare Funktionen),<br />
so dass man auf numerische Verfahren angewiesen ist. Um diese Aufgabe numerisch zu<br />
lösen, stehen verschieden Algorithmen, die <strong>in</strong> diesem Zusammenhang als Optimierer bezeichnet<br />
werden, zur Verfügung. Diese werden über verschiedene Kriterien klassifiziert.<br />
Tabelle 5.1 stellt e<strong>in</strong>e Übersicht über die wichtigsten Optimierer dar, ist jedoch ke<strong>in</strong>eswegs<br />
als vollständig zu betrachten. Das Verfahren zur Signalpegeloptimierung führt zu<br />
e<strong>in</strong>em nichtl<strong>in</strong>earen Optimierungsproblem, welches determ<strong>in</strong>istisch (<strong>in</strong> fest vorgegebener<br />
Zeit bzw. mit fest vorgegebener Anzahl Iteration) gelöst werden muss. Es wird nach e<strong>in</strong>em<br />
Parametersatz ĉ gesucht, <strong>der</strong> das Problem h<strong>in</strong>reichend gut löst. Die h<strong>in</strong>reichende Bed<strong>in</strong>gung<br />
dafür ist über den Signalpegel α (ĉ) abzuleiten, <strong>der</strong> e<strong>in</strong>en bestimmten Schwellwert<br />
α m<strong>in</strong><br />
überschreiten soll. Es soll somit<br />
α (ĉ) > α m<strong>in</strong> (5.2)<br />
gelten. Des weiteren stehen ke<strong>in</strong>e mathematischen Modelle zur Verfügung, die das System<br />
analytisch beschreiben würden. Dies führt zu e<strong>in</strong>em ableitungsfreien, sample-basierten<br />
Optimierer, <strong>der</strong> <strong>in</strong> e<strong>in</strong>em Suchgebiet S ⊆ R n global optimiert. Da das Konvergenzver-
5 Statische Optimierung des Signalpegels 38<br />
Algorithmus nichtl<strong>in</strong>ear global/lokal determ. ableitungsfrei<br />
√<br />
√<br />
Genetic optimization<br />
global X<br />
√<br />
√<br />
Simulated anneal<strong>in</strong>g<br />
global X<br />
√<br />
√<br />
√<br />
Lipschitz<br />
global<br />
√<br />
√<br />
√<br />
DIRECT<br />
global<br />
√<br />
√<br />
Innere-Punkt-Methoden X global<br />
√<br />
Subgradienten (konvex) X lokal<br />
X<br />
√<br />
konjugierte Gradienten X lokal<br />
X<br />
√<br />
√<br />
√<br />
Nel<strong>der</strong>-Mead<br />
lokal<br />
√<br />
√<br />
Abstiegsverfahren<br />
lokal<br />
X<br />
√<br />
√<br />
Trust-Region-Verfahren<br />
lokal<br />
X<br />
√<br />
√<br />
Intervall-Verfahren<br />
global<br />
X<br />
Tabelle 5.1: Übersicht <strong>der</strong> Optimierer<br />
halten des DIRECT 1 -Algorithmus erheblich besser als des Lipschitz-Optimierers ist, fiel<br />
letztendlich die Wahl auf diesen.<br />
5.1 Pareto-Optimierung<br />
Die Anfor<strong>der</strong>ungen, die <strong>in</strong> dieser Arbeit an die Position des Messspots gestellt werden,<br />
erfor<strong>der</strong>n e<strong>in</strong>e optimale Abwägung <strong>von</strong> Signalgüte zu Signalstärke. Diese Aufgabe kann<br />
<strong>von</strong> e<strong>in</strong>er Pareto-Optimierung gelöst werden. Allgeme<strong>in</strong> kann e<strong>in</strong>e prozentuale Gewichtung<br />
zwischen zwei Optimierungszielen über<br />
z (c, γ) = α (c) · γ + β (c) · (1 − γ) , c ∈ S ⊆ R n (5.3)<br />
beschrieben werden. Dabei soll sowohl nach α (c) als auch nach β (c) optimiert werden.<br />
Über den Faktor γ ∈ [0, 1] wird festgelegt, wie stark die beiden Funktion α (c) und<br />
β (c) gewichtet werden sollen. Im Gegensatz zu e<strong>in</strong>er allgeme<strong>in</strong>en Pareto-Optimierung<br />
wird <strong>in</strong> dieser Arbeit e<strong>in</strong> optimales γ experimentell ermittelt und bei den weiteren Optimierungsläufen<br />
als konstant angenommen. Abhängig <strong>von</strong> <strong>der</strong> späteren Applikation muss<br />
dieses γ <strong>in</strong> e<strong>in</strong>er Kalibrierung e<strong>in</strong>malig bestimmt werden.<br />
5.2 Zugehörige M<strong>in</strong>imierungsaufgabe<br />
Die Optimierung erfolgt über die Gütefunktion aus Gleichung (3.24), die schon <strong>in</strong> <strong>der</strong> <strong>in</strong><br />
Gleichung (5.3) vorgegebenen Form vorliegt. Die resultierende Optimierungsaufgabe ist<br />
nun gegeben als<br />
1 DIvid<strong>in</strong>g RECTangles<br />
c ⋆ = arg m<strong>in</strong> {z (c, γ)} , (5.4)<br />
c ∈ S,γ ∈ [0,1]
5 Statische Optimierung des Signalpegels 39<br />
und liefert den optimalen Parametersatz c ⋆ , dass das Argument des M<strong>in</strong>imum z ⋆<br />
Kostenfunktion z (c ⋆ , γ) , γ ∈ [0, 1] darstellt.<br />
<strong>der</strong><br />
5.3 Angepasster DIRECT-Algorithmus<br />
Der DIRECT-Algorithmus ist e<strong>in</strong> globaler Optimierungsalgorithmus, <strong>der</strong> ohne jegliche<br />
Information über die zu optimierende Zielfunktion auskommt. Er wurde <strong>von</strong> Jones, Perttunen<br />
und Stuckman entwickelt, <strong>in</strong> [45] vorgestellt und zählt zu den sample-basierten<br />
Optimierungsalgorithmen. Im Gegensatz zu stochastischen Verfahren, wie zum Beispiel<br />
die Monte-Carlo-Methode [7], wird das M<strong>in</strong>imum heuristisch bestimmt. Voraussetzung<br />
ist lediglich, dass die zu optimierende Zielfunktion Lipschitz-stetig ist. Dies ist <strong>in</strong> den<br />
überwiegenden Fällen technischer Anwendungen gegeben, auch wenn für diese ke<strong>in</strong>e geschlossenen<br />
mathematischen Systembeschreibungen existieren. Der DIRECT-Algorithmus<br />
ist e<strong>in</strong>e Weiterentwicklung <strong>der</strong> Lipschitz-Optimierung die im Shubert-Algorithmus [79] implementiert<br />
wurde. Um den DIRECT-Algorithmus verstehen zu können, folgt im nächsten<br />
Abschnitt e<strong>in</strong>e kurze E<strong>in</strong>führung <strong>in</strong> den Shubert-Algorithmus.<br />
5.4 Shubert-Algorithmus<br />
Gegeben sei die M<strong>in</strong>imierungsaufgabe aus Gleichung (5.4) mit c ∈ S = [c, c] ⊆ R und<br />
γ konstant. Weiterh<strong>in</strong> sei angenommen, dass z (c, γ = const.) := z (c) Lipschitz-stetig ist.<br />
Dann kann e<strong>in</strong>e Lipschitz-Konstante<br />
{ }<br />
|z (c) − z (c ′ )|<br />
K L ≥ max<br />
, ∀ c, c ′ ∈ [c, c] (5.5)<br />
c − c ′<br />
def<strong>in</strong>iert werden. Alle {∣ kont<strong>in</strong>uierlichen, }<br />
zweifach stetigen und differenzierbaren Funktionen<br />
∣∣ dz(c)<br />
z (c), für die sup<br />
dc<br />
∣ existiert, erfüllen die Gleichung (5.5) und werden Lipschitzkont<strong>in</strong>uierlich<br />
genannt. Die Konstante K L aus Gleichung (5.5) def<strong>in</strong>iert dann die größte<br />
absolute Steigung zwischen zwei beliebigen Punkten auf dem Intervall [c, c]. Mit dieser<br />
Konstante kann über zwei l<strong>in</strong>eare Ungleichungen<br />
z (c) ≥ z (c) − K L · (c − c) , (5.6)<br />
z (c) ≥ z (c) + K L · (c − c) (5.7)<br />
e<strong>in</strong>e untere Schranke c m<strong>in</strong> für z (c) def<strong>in</strong>iert werden. Für das M<strong>in</strong>imum c ⋆ ist sie durch den<br />
Schnittpunkt <strong>der</strong> Gleichungen (5.6) und (5.7) gegeben als<br />
c m<strong>in</strong> = c + c<br />
2<br />
+<br />
z (c) − z (c)<br />
2 · K L<br />
, (5.8)
5 Statische Optimierung des Signalpegels 40<br />
y m<strong>in</strong> = K L · c + c<br />
2<br />
+<br />
z (c) + z (c)<br />
. (5.9)<br />
2<br />
Abbildung 5.1 zeigt e<strong>in</strong> Beispiel für den <strong>in</strong>itialen Schritt des Shubert-Algorithmus.<br />
Abbildung 5.1: Initialer Schritt des Shubert-Algorithmus<br />
Im Verlauf des Algorithmus wird das anfängliche Suchgebiet S = [c, c] <strong>in</strong> mehrere Teilgebiete<br />
Ω i = [ c i , c i] ⋃<br />
mit i ∈ [1, . . . , m] und m Ω i = S aufgeteilt, die <strong>in</strong> e<strong>in</strong>er Liste<br />
L = {(y 0 m<strong>in</strong>, [c 0 , c 0 ]) , . . . , (y m m<strong>in</strong>, [c m , c m ])} abgespeichert werden. Dazu wird das Intervall<br />
mit dem kle<strong>in</strong>sten y m<strong>in</strong> aus L entnommen und im M<strong>in</strong>imum c i m<strong>in</strong> geteilt, so dass<br />
[<br />
c i , c i] = [c i , c i m<strong>in</strong>] ∪ [c i m<strong>in</strong>, c] gilt. Um die Ungleichungen für die neuen Intervalle aufstellen<br />
zu können, muss wie<strong>der</strong>um <strong>der</strong> Punkt z (c i m<strong>in</strong>) evaluiert werden. Jetzt kann e<strong>in</strong>e untere<br />
Schranke y m<strong>in</strong> für jedes <strong>der</strong> neuen Intervalle bestimmt und die neuen Intervalle nach y m<strong>in</strong><br />
mit y 0 m<strong>in</strong> ≤ y 1 m<strong>in</strong> ≤ ... ≤ y m m<strong>in</strong> aufsteigend sortiert <strong>in</strong> L e<strong>in</strong>gefügt werden. Die globale untere<br />
Schranke ist dann gegeben durch das erste Listenelement y = ym<strong>in</strong><br />
0 aus <strong>der</strong> Liste<br />
L und liefert den Schätzwert ẑ = y zu z ⋆ . Die obere Schranke y wird im ersten Schritt<br />
mit y = max {z (c) , z (z)} <strong>in</strong>itialisiert und <strong>in</strong> je<strong>der</strong> Iteration mit y = max {z (c i m<strong>in</strong>) , y}<br />
aktualisiert. Diese Schritte werden solange wie<strong>der</strong>holt, bis e<strong>in</strong> vorher def<strong>in</strong>iertes Abbruchkriterium<br />
erfüllt wurde.<br />
i=1
5 Statische Optimierung des Signalpegels 41<br />
a) <strong>in</strong>itialer Schritt b) zweiter Schritt<br />
Abbildung 5.2: Shubert-Algorithmus, Schritt 1 - 2<br />
Die Abbildungen 5.2 und 5.3 verdeutlicht die ersten vier Schritte des Shubert-Algorithmus.<br />
c) dritter Schritt d) vierter Schritt<br />
Abbildung 5.3: Shubert-Algorithmus, Schritt 3 - 4
5 Statische Optimierung des Signalpegels 42<br />
Algorithmus 5.1 Shubert-Algorithmus<br />
E<strong>in</strong>gangsdaten: K L , S, ε<br />
Evaluiere z 1 = z (c) und z 2 = z (c)<br />
Initialisiere z 0 = [z 1 , z 2 ]<br />
Berechne c m<strong>in</strong> = c+c + z(c)−z(c)<br />
2 2·K L<br />
\\ siehe Gleichung (5.8)<br />
Berechne ym<strong>in</strong> 0 = K L · c+c + z 1+z 2<br />
\\ siehe Gleichung (5.9)<br />
2 2<br />
Initialisiere y = m<strong>in</strong> {z 1 , z 2 }<br />
Initialisiere y = y m<strong>in</strong><br />
Initialisiere L = {(y m<strong>in</strong> , S, z)} = {(ym<strong>in</strong>, 0 c, z 0 )} = {l 0 }<br />
solange y − y > ε {<br />
entnehme erstes Element l = l 0 aus L<br />
ym<strong>in</strong> 0 = l1, 0 c 0 = l2, 0 z 0 = l3<br />
0<br />
c m<strong>in</strong> = c0 +c 0<br />
+ z(c0 )−z(c 0 )<br />
2 2·K L<br />
c 1 = [c 0 , c m<strong>in</strong> ]<br />
c 2 = [c m<strong>in</strong> , c 0 ]<br />
z 1 =z1 0 und z 2 = z2<br />
0<br />
Evaluiere zm<strong>in</strong> 0 = z (c m<strong>in</strong> )<br />
Berechne y1,m<strong>in</strong> 0 = K L · c0 +c m<strong>in</strong><br />
+ z 1+zm<strong>in</strong><br />
0<br />
2 2<br />
Berechne y2,m<strong>in</strong> 0 = K L · cm<strong>in</strong>+c0 + z0 m<strong>in</strong> +z 2<br />
2 2<br />
Aktualisiere obere Schranke y = m<strong>in</strong> {zm<strong>in</strong>, 0 y}<br />
Aktualisiere untere Schranke y = max { }<br />
y, y1,m<strong>in</strong>, 0 y2,m<strong>in</strong><br />
0<br />
Sortiere ( y1,m<strong>in</strong>, 0 c 1 , [z 1 , zm<strong>in</strong>] ) 0 und ( y2,m<strong>in</strong>, 0 c 2 , [zm<strong>in</strong>, 0 z 2 ] ) <strong>in</strong> Liste L e<strong>in</strong><br />
Entferne alle Elemente aus L für die ym<strong>in</strong> i > y gilt<br />
}<br />
Ausgangsdaten: y, y, L<br />
Der Pseudo-Code <strong>in</strong> Algorithmus 5.1 implementiert den nach Shubert benannten Lipschitz-Optimierer.<br />
In <strong>der</strong> letzten Code-Zeile werden alle Elemente aus <strong>der</strong> Liste entfernt<br />
für <strong>der</strong>en untere Abschätzung ym<strong>in</strong> i > y gilt. E<strong>in</strong>e Abschätzung y max (hier nicht implementiert)<br />
kann analog zu Gleichung (5.9) berechnet werden, so dass weitere Listenelemente<br />
aus <strong>der</strong> Liste entfernt und nicht weiter betrachtet werden müssten. Wie schon <strong>in</strong> [24, 45]<br />
analysiert weist <strong>der</strong> Shubert-Algorithmus drei Nachteile auf. Erstens muss die zu optimierende<br />
Zielfunktion bekannt se<strong>in</strong>. Weiterh<strong>in</strong> konvergiert <strong>der</strong> Algorithmus für sehr große<br />
Lipschitz-Konstanten extrem langsam. Zudem werden <strong>in</strong> n Dimensionen 2 n Funktionsauswertungen<br />
pro Suchschritt benötigt. Diese Probleme werden im DIRECT-Algorithmus<br />
weitestgehend gelöst.<br />
5.5 DIRECT-Algorithmus<br />
Da <strong>der</strong> DIRECT-Algorithmus <strong>in</strong> mehreren Publikationen ausführlich beschrieben worden<br />
ist, soll <strong>in</strong> den folgenden Abschnitten <strong>der</strong> Algorithmus für Zielfunktionen z : R → R<br />
beispielhaft gezeigt werden. Für weiterführende Studien sei auf [24, 45] verwiesen. Es sei
5 Statische Optimierung des Signalpegels 43<br />
γ konstant, so dass wie<strong>der</strong> z (c, γ = const.) = z (c) gilt. Darüber h<strong>in</strong>aus ist c ∈ S = [c, c] ⊆<br />
R.<br />
5.6 Verschiebung <strong>der</strong> Evaluationspunkte<br />
Die Heuristik des Shubert-Algorithmus aus dem voran gegangenen Abschnitt 5.4 wird<br />
<strong>der</strong>art verän<strong>der</strong>t, dass die Funktionsevaluationen <strong>von</strong> z (c) und z (c) am Rand des Suchgebiets<br />
S = [c, c] ersetzt werden. An ihrer Stelle wird nun e<strong>in</strong>e Evaluation z (č) <strong>in</strong> <strong>der</strong><br />
Mitte des Suchgebiets<br />
č = c + c<br />
2<br />
(5.10)<br />
vorgenommen und so die Anzahl <strong>der</strong> Evaluierungen reduziert. Durch die Verschiebung des<br />
aktuell auszuwertenden Punktes <strong>in</strong> die Mitte des Intervalls müssen die Gleichung (5.6)<br />
und Gleichung (5.7) angepasst werden. Die Lipschitz-Konstante K L wird dabei noch als<br />
bekannt angenommen. Mit den Ungleichungen<br />
z (c) ≥ z (č) − K L · (c − č) , ∀ c ∈ [č, c] (5.11)<br />
z (c) ≥ z (č) + K L · (c − č) , ∀ c ∈ [c, č] (5.12)<br />
kann wie<strong>der</strong> e<strong>in</strong>e untere Abschätzung ẑ DIR = y m<strong>in</strong> des M<strong>in</strong>imums z ⋆ für z (c) auf dem<br />
Intervall S = [c, c] def<strong>in</strong>iert werden. Die Abschätzung erfolgt am Rand des Intervalls über<br />
die Gleichung<br />
y m<strong>in</strong> = z (č) − K L · c − c<br />
2 . (5.13)<br />
Abbildung 5.4 verdeutlicht die Än<strong>der</strong>ungen, die sich durch Verschiebung <strong>der</strong> Funktionsauswertung<br />
am Rand <strong>in</strong> die Mitte des Intervalls ergeben.
5 Statische Optimierung des Signalpegels 44<br />
Abbildung 5.4: Initialer Schritt des DIRECT-Algorithmus<br />
5.7 Drittelung <strong>der</strong> Such<strong>in</strong>tervalle<br />
Durch die Verschiebung <strong>der</strong> Funktionsauswertung <strong>in</strong> den Mittelpunkt bietet sich nun e<strong>in</strong>e<br />
Heuristik an, die das Such<strong>in</strong>tervall [c, c] drittelt, so dass<br />
[c, c] =<br />
[<br />
c, 2c + c ] [ 2c + c<br />
∪ , 2c + c ] [ ] 2c + c<br />
∪ , c<br />
3 3 3 3<br />
(5.14)<br />
gilt. Da gemäß Gleichung (5.14) das mittlere Intervall schon im Mittelpunkt evaluiert ist,<br />
muss nur noch die Auswertung im Mittelpunkt <strong>der</strong> beiden neuen Teil<strong>in</strong>tervall durchgeführt<br />
werden. Ausblickend auf den R n müssen für e<strong>in</strong>en Iterationsschritt daher nur noch 2n<br />
Funktionsauswertungen vorgenommen werden, um den nächsten Schätzwert ẑ DIR für das<br />
M<strong>in</strong>imum z ⋆ zu bestimmen. Abbildung 5.5 zeigt den Algorithmus nach diesem Schritt.<br />
Der nächste Kandidat zur Teilung ist das Intervall mit dem niedrigsten y m<strong>in</strong> . Dies ist <strong>in</strong><br />
Abbildung 5.5 das mittlere Intervall.
5 Statische Optimierung des Signalpegels 45<br />
Abbildung 5.5: 1D-DIRECT nach e<strong>in</strong>er Teilung<br />
Jedoch wird jetzt e<strong>in</strong> Algorithmus benötigt, <strong>der</strong> die nächsten optimalen Kandidaten zur<br />
Drittelung <strong>in</strong> kle<strong>in</strong>ere Intervalle bestimmt. E<strong>in</strong>e adäquate Heuristik wurde wie<strong>der</strong>um <strong>in</strong><br />
[45] präsentiert.<br />
Für die folgenden Betrachtungen wird angenommen, dass das Start-Intervall (auch als<br />
Suchgebiet bezeichnet) S = [c, c] mehrfach <strong>in</strong> m ∈ N + Sub<strong>in</strong>tervalle Ω i = [ c i , c i] , i ∈<br />
[1, ..., m] aufgeteilt und die Sub<strong>in</strong>tervalle im zugehörigen Mittelpunkt č i ausgewertet wurden.<br />
In Abbildung 5.6 wird e<strong>in</strong>e Momentaufnahme nach drei Teilungen gezeigt.<br />
Abbildung 5.6: 1D-DIRECT nach drei Teilungen<br />
5.8 Suchschritt: Ermittlung potentiell optimaler<br />
Kandidaten<br />
Um e<strong>in</strong> Kriterium für die nächsten zu untersuchenden Kandidaten herzuleiten, werden die<br />
Mittelpunkte verschoben, so dass sie e<strong>in</strong>e halbe Intervallbreite <strong>von</strong> <strong>der</strong> Ord<strong>in</strong>ate entfernt<br />
s<strong>in</strong>d. Dies hat den Vorteil, dass die zugehörigen y i m<strong>in</strong> direkt an <strong>der</strong> Achse abgelesen werden<br />
können. Im nächsten Schritt wird die Abhängigkeit <strong>von</strong> K L elim<strong>in</strong>iert, <strong>in</strong>dem das K L<br />
generisch aus den Messwerten ermittelt wird. Nimmt man nun die Momentaufnahme nach<br />
drei Teilungen, so ergibt sich genau e<strong>in</strong> generisches K L . Zunächst werden dem Graph <strong>in</strong><br />
Abbildung 5.6 vier mögliche Geraden (rot und blau) h<strong>in</strong>zugefügt, die die Gleichungen
5 Statische Optimierung des Signalpegels 46<br />
g 1 (c) = z (č 1 ) + K L · (c − č 1 ) und g 2 (c) = z (č 1 ) − K L · (c − č 1 ) mit unterschiedlichen K L<br />
repräsentieren.<br />
Abbildung 5.7: Beispiel für die Erfüllung <strong>der</strong> Ungleichungen (5.11) und (5.12)<br />
An den blauen Geraden ist zu erkennen, das die Steigung K L <strong>der</strong> Bed<strong>in</strong>gung <strong>in</strong> Gleichung<br />
(5.5) nicht genügt, da nicht alle Punkte <strong>der</strong> Teilkurve im betrachteten Intervall<br />
über diesen Geraden liegen. Das gewählte K L ist somit ke<strong>in</strong>e gültige Lipschitz-Konstante.<br />
Insbeson<strong>der</strong>e ist zu erkennen, dass bei Verlängerung <strong>der</strong> blauen Gerade (gestrichelt) noch<br />
nicht e<strong>in</strong>mal alle ausgewerteten Mittelpunkte <strong>der</strong> Sub-Intervalle Ω i oberhalb dieser liegen.<br />
Dies muss jedoch durch die Lipschitz-Bed<strong>in</strong>gung aus <strong>der</strong> Ungleichung (5.5) sichergestellt<br />
se<strong>in</strong>. Daraus lässt sich ableiten, dass alle ausgewerteten Mittelpunkte über o<strong>der</strong> auf e<strong>in</strong>er<br />
Geraden mit e<strong>in</strong>er geeigneten Steigung K L liegen müssen. Die Steigungen <strong>der</strong> roten Geraden<br />
h<strong>in</strong>gegen nutzen e<strong>in</strong>e gültige Konstante K L für die Funktion z (c). Die schwarzen<br />
Geraden nutzen weiterh<strong>in</strong> e<strong>in</strong> analytisch bestimmtes K L .<br />
Abbildung 5.8 zeigt grafisch, wie dieses K L ermittelt werden kann. Die Mittelpunkte<br />
<strong>der</strong> Sub-Intervalle Ω i s<strong>in</strong>d jetzt mit e<strong>in</strong>em Abstand <strong>von</strong> e<strong>in</strong>er halben Intervallbreite zur<br />
Ord<strong>in</strong>ate h<strong>in</strong> verschoben. Die Darstellung wird auch als Transformationsgraf bezeichnet.<br />
Betrachtet man alle möglichen Geraden zwischen zwei beliebigen Punkten, so können<br />
die Punkte nur <strong>in</strong> e<strong>in</strong>em Fall (rote Gerade) über o<strong>der</strong> auf e<strong>in</strong>er entsprechenden Geraden<br />
platziert werden.<br />
Abbildung 5.8: Verschiebung <strong>der</strong> Intervalle zur Ord<strong>in</strong>ate
5 Statische Optimierung des Signalpegels 47<br />
Erhöht sich die Anzahl <strong>der</strong> Iterationen und somit die Anzahl <strong>der</strong> ausgewerteten Punkte,<br />
stehen mehrere Kandidaten zur Auswahl zur Verfügung. Bei genauerer Analyse bilden<br />
diese Kandidaten e<strong>in</strong>e untere konvexe Hülle mit positiver Steigung und erfüllen die Bed<strong>in</strong>gungen<br />
aus den Ungleichungen (5.11) und (5.12). Im Transformationsgraf <strong>in</strong> Abbildung 5.9<br />
wird gezeigt, wie e<strong>in</strong>e konvexe Hülle nach mehreren Iterationsschritten aussehen könnte.<br />
Dort sieht man, dass mehrere generische K L <strong>in</strong> Frage kommen können (rot gestrichelte<br />
L<strong>in</strong>ien). Alle Intervalle Ω i , <strong>der</strong>en Funktionsauswertung am Mittelpunkt z (č i ) auf <strong>der</strong><br />
unteren konvexen Hülle liegen und Anfangs- o<strong>der</strong> Endpunkt e<strong>in</strong>er Geraden mit positiver<br />
Steigung darstellen, liefern mit dem zugehörigen K L nach Gleichung (5.13) jeweils e<strong>in</strong>e<br />
gültige untere Abschätzung y m<strong>in</strong> für das M<strong>in</strong>imum z ⋆ . Sie s<strong>in</strong>d somit potentiell optimale<br />
Kandidaten (POK) für den nächsten Iterationsschritt.<br />
Abbildung 5.9: Konvexe Hülle nach mehreren Iterationsschritten<br />
Der Zusammenhang <strong>von</strong> K Ljk für das Intervall-Paar ( Ω j , Ω k) , j, k ∈ [1, ..., m] kann somit<br />
mathematisch mit<br />
K Ljk = 2 ·<br />
z (č j ) − z ( č k)<br />
(<br />
c j − c j) − ( c k − ck) (5.15)<br />
formuliert werden. E<strong>in</strong> Intervall z (č j ) ist genau dann e<strong>in</strong> potentiell optimaler Kandidat,<br />
wenn e<strong>in</strong>e zugehörige Steigung K Ljk<br />
existiert, so dass<br />
z ( č j) − K Ljk · č j ≤ z ( č i) − K Ljk · č i (5.16)<br />
mit i, j, k = 1, ..., m gilt. Aus Gleichung (5.16) ist <strong>der</strong> Algorithmus 5.2 zur Bestimmung<br />
<strong>der</strong> potentiellen Kandidaten ableitbar. E<strong>in</strong> Iterationsschritt be<strong>in</strong>haltet dann die Untersuchung<br />
aller Kandidaten, die die Ungleichung (5.16) erfüllen. Die nun zu untersuchenden<br />
Sub<strong>in</strong>tervalle werden sukzessive analog zu Gleichung (5.14) geteilt. Da das Auff<strong>in</strong>den <strong>der</strong><br />
potentiell optimalen Kandidaten auf <strong>der</strong> Untersuchung e<strong>in</strong>er konvexen Hülle basiert, bietet<br />
es sich an, die Intervalle <strong>in</strong> e<strong>in</strong>er speziellen Datenstruktur zu speichern. Dazu werden<br />
die Sub-Intervalle Ω i = c i mit <strong>der</strong> zugehörigen Funktionsauswertung z (č i ) <strong>in</strong> e<strong>in</strong>em Tupel
5 Statische Optimierung des Signalpegels 48<br />
(z (č i ) , c i ) zusammen gefasst und <strong>der</strong> Intervallgröße<br />
σ i = ci − c i<br />
2<br />
(5.17)<br />
nach sortiert. Nach mehreren Iterationsschritten existieren verschiedene Intervalle die gleiche<br />
Intervallgröße σ i besitzen. Diese werden nach dem Funktionswert z (č i ) <strong>in</strong> e<strong>in</strong>e aufsteigend<br />
sortierte Liste L σi e<strong>in</strong>sortiert. Die Listene<strong>in</strong>träge <strong>in</strong> L σ zeigen wie<strong>der</strong>um auf die<br />
Listen L σi , wobei diese nach <strong>der</strong> Intervallgröße σ i aufsteigend sortiert ist. Abbildung 5.10<br />
zeigt e<strong>in</strong> Beispiel für e<strong>in</strong>e solche Listenstruktur.<br />
Abbildung 5.10: DIRECT-Datenstruktur<br />
Die Indizes <strong>in</strong> Abbildung 5.10 s<strong>in</strong>d nun wie folgt zu <strong>in</strong>terpretieren. Es existieren i = 1, ...n<br />
unterschiedliche Intervallgrößen. Das Intervall c j i<br />
σ i<br />
bef<strong>in</strong>det sich <strong>in</strong> <strong>der</strong> Liste <strong>in</strong> <strong>der</strong> alle<br />
Intervalle die Intervallgröße σ i aufweisen, wobei j i = 1, ..., m i gilt und die Liste also m i<br />
Elemente besitzt. Da <strong>in</strong> diesen Listen nach z ( )<br />
č j (č1 )<br />
i<br />
σ i aufsteigend sortiert wurde und z σi<br />
das Element mit dem kle<strong>in</strong>sten Funktionswert darstellt, werden für die konvexe Hülle nur<br />
die ersten Elemente je<strong>der</strong> z ( č j i<br />
σ i<br />
)<br />
-sortierten Liste benötigt. Ab jetzt wird angenommen,<br />
dass das K L nicht mehr bekannt ist. Es wird somit ke<strong>in</strong>e analytische Beschreibung <strong>der</strong><br />
Funktion z (c) mehr benötigt. Ohne e<strong>in</strong> bekanntes K L kann aber ke<strong>in</strong>e untere Abschätzung<br />
y m<strong>in</strong> mehr bestimmt werden. Die Lösung c ⋆ wird daher im DIRECT-Algorithmus mit dem<br />
M<strong>in</strong>imum<br />
ĉ DIR = arg m<strong>in</strong> { z ( č j i<br />
σ i<br />
)}<br />
(5.18)<br />
<strong>der</strong> bis dah<strong>in</strong> evaluierten Stellen geschätzt. Die geschätzte Lösung ĉ DIR und <strong>der</strong> zugehörige<br />
Funktionswert ẑ DIR = z (ĉ DIR ) werden <strong>in</strong> jedem Iterationsschritt aktualisiert. Für i → ∞<br />
konvergiert <strong>der</strong> DIRECT-Algorithmus nach [45] aufgrund <strong>der</strong> Heuristik gegen die gesuchte<br />
Lösung. Der Konvergenzbeweis kann <strong>in</strong> <strong>der</strong> angegebenen Literaturstelle nachvollzogen<br />
werden.
5 Statische Optimierung des Signalpegels 49<br />
Algorithmus 5.2 Bestimmung potentiell optimaler Kandidaten (POK)<br />
E<strong>in</strong>gangsdaten: Listen L σi<br />
Initialisiere L tmp = L P O<br />
= ∅, p = 2 , aktuelle Steigung S = +∞<br />
Entnehme alle ersten Elemente ( z ( ) )<br />
c 1 σ i , c<br />
1<br />
σi<br />
aus Lσi und speichere sie <strong>in</strong><br />
L tmp als (z (c 1 i ) , c 1 )<br />
Entnehme erstes Element (z (c 1 1) , c 1 1) aus L σ , setze l = (z (c 1 1) , c 1 1)<br />
für j = 2 bis m {<br />
S = +∞<br />
für k = p bis m {<br />
entnehme nächstes Element r = (z (c 1 k ) , c1 k ) aus L<br />
und berechne die Steigung zwischen l und r<br />
mit S lr = z(c1 k)−z(c 1 k−1)<br />
σ k −σ k−1<br />
wenn S lr ≤ 0 {<br />
l = r, p = p + 1, unterbreche Schleife<br />
}<br />
sonst {<br />
wenn S lr < S {<br />
S =<br />
S lr , r ist nächstes Element auf konvexer Hülle e kh = r<br />
}<br />
}<br />
}<br />
wenn 0 < S < +∞ {<br />
füge l zu Liste L P O h<strong>in</strong>zu<br />
setze l = e kh und p = p + 1<br />
}<br />
}<br />
Füge letztes Element ( z ( ) )<br />
c 1 σ m , c<br />
1<br />
σm<br />
zu LP O h<strong>in</strong>zu.<br />
Ausgangsdaten: Liste L P O<br />
5.9 Abbruchkriterium<br />
Um den DIRECT-Algorithmus nach endlicher Zeit zu beenden, s<strong>in</strong>d e<strong>in</strong> o<strong>der</strong> mehrere<br />
Abbruchkriterien notwendig. Da es sich um e<strong>in</strong> Sample-basiertes Verfahren handelt<br />
können Abbruchkriterien die auf Gradienten beruhen nicht genutzt werden. Deshalb ersche<strong>in</strong>t<br />
es s<strong>in</strong>nvoll, den Algorithmus zum Beispiel nach e<strong>in</strong>er bestimmten Anzahl Iterationen<br />
o<strong>der</strong> nach e<strong>in</strong>er festgelegten Anzahl an Funktionsauswertungen abzubrechen.<br />
Zusätzlich wurde e<strong>in</strong> Abbruchkriterium e<strong>in</strong>geführt, welches den gemessenen Signalpegel<br />
l cur berücksichtigt, <strong>in</strong>dem er mit e<strong>in</strong>em M<strong>in</strong>dest-Signalpegel l m<strong>in</strong> verglichen wird. Die Abbruchkriterien<br />
können alle mite<strong>in</strong>an<strong>der</strong> nicht ausschließend disjunkt komb<strong>in</strong>iert werden.<br />
In <strong>der</strong> folgenden Tabelle 5.2 werden e<strong>in</strong>ige Abbruchkriterien vorgestellt.
5 Statische Optimierung des Signalpegels 50<br />
Kriterium<br />
n = n max<br />
s = s max<br />
Beschreibung<br />
Algorithmus hat die max. Anzahl Iterationen erreicht.<br />
Algorithmus hat die max. Anzahl Funktionsauswertungen<br />
erreicht.<br />
|ĉ DIR,cur − ĉ DIR,pre | < ε c Der Abstand zwischen dem aktuellen und dem vorherigen<br />
Parametersatz unterschreitet den Schwellwert ε c .<br />
|ẑ DIR,cur − ẑ DIR,pre | < ε z Die absolute Differenz <strong>der</strong> Funktionswerte des vorherigen<br />
∧<br />
l cur > l m<strong>in</strong> lcur = α (ĉ DIR,cur )<br />
und des aktuellen M<strong>in</strong>imums unterschreiten den<br />
Schwellwert ε z .<br />
Der M<strong>in</strong>dest-Signalpegel wurde mit den e<strong>in</strong>gestellten<br />
Zernike-Koeffizienten ĉ DIR,cur erreicht.<br />
Tabelle 5.2: Abbruchkriterien<br />
Das letzte Abbruchkriterium kann so modifiziert werden, dass noch e<strong>in</strong>e festgelegte Anzahl<br />
an Iterationen folgen, um e<strong>in</strong>en möglichen guten Abstieg <strong>in</strong> e<strong>in</strong> M<strong>in</strong>imum weiter zu<br />
verfolgen.<br />
5.10 Erweiterung auf den R n<br />
Da die zu untersuchenden Funktion z : R n → R abbildet, muss die Strategie <strong>der</strong> Teilung<br />
erweitert werden. Der Transformationsgraf wird dazu <strong>der</strong>art modifziert, dass nicht<br />
mehr die halbe Intervallbreite σ i aufgetragen wird, son<strong>der</strong>n e<strong>in</strong>en Parameter, <strong>der</strong> die<br />
Größe des n-dimensionalen Intervalls wi<strong>der</strong>spiegelt. Dies kann beispielsweise <strong>der</strong> Radius<br />
des betrachteten Intervalls se<strong>in</strong>. Die genutzte Listenstruktur, die Suche nach potentiell<br />
optimalen Kandidaten, etc. s<strong>in</strong>d schon <strong>in</strong> diesem Kapitel beschrieben, so dass e<strong>in</strong> Verweis<br />
auf entsprechende Literatur genügen soll. E<strong>in</strong>e gute Übersicht ist dazu <strong>in</strong> [24, 36, 45] zu<br />
f<strong>in</strong>den.<br />
5.11 Der Algorithmus im Überblick<br />
Nach Beendigung liefert <strong>der</strong> DIRECT-Algorithmus e<strong>in</strong>e Schätzung ĉ DIR zur Lösung c ⋆<br />
mit dem zugehörigen Funktionswert ẑ DIR . Zuletzt soll <strong>der</strong> Such- und Evaluationsschritt<br />
des Algorithmus nochmal als UML-Aktivitätsdiagramm 5.11 dargestellt werden. Diese<br />
Darstellung wird später aufgegriffen, um den Suchschritt mit e<strong>in</strong>er Heuristik zu erweitern,<br />
die auf <strong>der</strong> Optimierung radialer Basisfunktionen basiert.
5 Statische Optimierung des Signalpegels 51<br />
Abbildung 5.11: UML-Aktivitätsdiagramm DIRECT-Algorithmus<br />
5.12 Hybri<strong>der</strong> DIRECT-Algorithmus<br />
Aus <strong>der</strong> Systemanalyse des Vibrometers ergeben sich sofort e<strong>in</strong>ige physikalische Begrenzungen,<br />
die Latenzzeiten im System generieren. Dazu zählt <strong>in</strong> erster L<strong>in</strong>ie <strong>der</strong> Spatial-<br />
Light-Modulator (SLM), da dieser e<strong>in</strong>e feste Refresh-Rate besitzt. So kann zum Beispiel<br />
das SLM <strong>der</strong> Firma Hamamatsu nur mit e<strong>in</strong>er Frequenz <strong>von</strong> 60 Hz zwischen zwei Bil<strong>der</strong>n<br />
umschalten. Des weiteren entstehen durch die Auswerteelektronik zusätzliche Totzeiten<br />
im System. Die kumulierte Latenzzeit ist experimentell ermittelt worden (siehe Kapitel<br />
6) und liegt bei dem untersuchten Gerät mit Hamamatsu-SLM bei t ≈ 86 ms.
5 Statische Optimierung des Signalpegels 52<br />
Um den Algorithmus zu beschleunigen, kann die Totzeit zur Aufbereitung <strong>der</strong> schon vorhandenen<br />
Stützstellen genutzt werden. Dazu wird aus den Stützstellen e<strong>in</strong>e Interpolante<br />
über die Gleichung (4.3) berechnet. Die Interpolation erfolgt über die <strong>in</strong> Kapitel 4 e<strong>in</strong>geführte<br />
Approximation mithilfe <strong>von</strong> radialen Basispolynome. E<strong>in</strong> geeigneter Optimierer<br />
ermittelt e<strong>in</strong>e Schätzung ĉ RBP , die als potentiell optimaler Kandidat” (POK) <strong>in</strong> den<br />
”<br />
Suchschritt des DIRECT-Algorithmus e<strong>in</strong>fließt. Da <strong>der</strong> neue POK im gesamten Suchgebiet<br />
S disloziert se<strong>in</strong> kann, er jedoch e<strong>in</strong>em bestimmten Intervall zugeordnet werden muss,<br />
muss die Datenstruktur an die neuen Bed<strong>in</strong>gungen angepasst werden.<br />
5.13 Anpassung <strong>der</strong> Datenstruktur<br />
Die Zielfunktion z (c, γ) wird durch die Interpolante s z (c, γ) über die <strong>in</strong> Kapitel 4 vorgestellten<br />
radialen Basisfunktionen approximiert. Wie schon <strong>in</strong> Kapitel 4 beschrieben,<br />
werden die ausgewerteten Stützstellen z ( )<br />
č m i<br />
σ i <strong>in</strong> e<strong>in</strong>em Vektor Ẑ und die Punkte č m i<br />
σ i<br />
zu<br />
e<strong>in</strong>em Vektor Ĉ mit i = 1, ..., n und j = 1, ..., m i zusammen gefasst. Sie dienen als Eigangsdaten<br />
ˆX = Ĉ und ˆF = Ẑ für die Berechnung <strong>der</strong> Interpolationskoeffizienten λ, γ RBF,<br />
die mit dem LGS aus Gleichung 4.8 bestimmt werden. Die Optimierungsaufgabe<br />
ĉ RBF = arg m<strong>in</strong> (s z (c, γ)) (5.19)<br />
c∈S<br />
liefert dann e<strong>in</strong>e Schätzung ĉ RBF für die Lösung c ⋆ (siehe Gleichung 5.4) mit dem geschätzten<br />
Optimalwert ŝ z . Als nächste Fragestellung muss geklärt werden, <strong>in</strong> welchem<br />
Sub<strong>in</strong>tervall sich die gefundene Lösung bef<strong>in</strong>det. Die <strong>in</strong> Abbildung 5.10 gezeigte Datenstruktur<br />
muss dazu angepasst werden, da sich das gesuchte Intervall mitten <strong>in</strong> den Listen<br />
(siehe Abbildung 5.12) bef<strong>in</strong>den kann. Bei e<strong>in</strong>er l<strong>in</strong>earen Suche ist <strong>der</strong> Aufwand mit O (n)<br />
zu beziffern. Durch geschickte Wahl <strong>der</strong> Datenstruktur kann <strong>der</strong> Aufwand jedoch auf<br />
O (log (n)) reduziert werden.
5 Statische Optimierung des Signalpegels 53<br />
Abbildung 5.12: Element mitten <strong>in</strong> Liste gesucht<br />
Die Protokollierung <strong>der</strong> Teilungsoperation <strong>in</strong> e<strong>in</strong>em speziellen Suchbaum führt zu e<strong>in</strong>er<br />
solchen <strong>Reduktion</strong> des Suchaufwands. Dazu wird zunächst <strong>in</strong> Abbildung 5.13 die Teilungsoperation<br />
betrachtet. Der Suchbaum muss bei e<strong>in</strong>er Drittelung (Teilungsoperation,<br />
Branch-Schritt) somit drei Blätter pro Knoten besitzen. Der Knoten verfügt dann über die<br />
Information, wo sich welches Teil<strong>in</strong>tervall bef<strong>in</strong>det, so dass beg<strong>in</strong>nend vom Wurzelknoten<br />
die Teilungsoperation sukzessive zurück verfolgt werden können. Die Blätter zeigen auf<br />
das eigentliche Element <strong>in</strong> <strong>der</strong> doppelt sortierten Liste, so dass e<strong>in</strong> direkter Zugriff auf das<br />
Listenelement über den Suchbaum erfolgen kann. Softwaretechnisch s<strong>in</strong>d Blätter spezialisierte<br />
Knoten, die auf ke<strong>in</strong>e Knoten mehr zeigen und Informationen über das gesuchte<br />
Element enthalten.<br />
Abbildung 5.13: Drittelung e<strong>in</strong>es Intervalls <strong>in</strong> 2D
5 Statische Optimierung des Signalpegels 54<br />
Da <strong>der</strong> DIRECT-Algorithmus <strong>in</strong> se<strong>in</strong>em Suchschritt mit Hilfe <strong>der</strong> konvexen Hülle große<br />
Gebiete berücksichtigt, ist e<strong>in</strong> Suchbaum zu erwarten, <strong>der</strong> weitestgehend ausbalanciert<br />
ist. Somit erlangt man e<strong>in</strong>en Suchaufwand <strong>von</strong> ∝ O (log 3 (n)). Abbildung 5.14 stellt e<strong>in</strong>en<br />
Suchbaum mit e<strong>in</strong>er maximalen Baumtiefe <strong>von</strong> 2 dar.<br />
Abbildung 5.14: Suchbaum für adaptierte Suche<br />
Die Teilgebiete können über e<strong>in</strong>en solchen Baum unmittelbar mit e<strong>in</strong>em Blatt des Baumes<br />
assoziiert werden, so dass e<strong>in</strong>e direkte Verb<strong>in</strong>dung zu diesem Suchgebiet über e<strong>in</strong>en<br />
Zeiger im Blatt realisiert werden kann. Abbildung 5.15 zeigt den Zusammenhang zwischen<br />
verl<strong>in</strong>kten Blättern und den zugehörigen Teilgebieten. Dazu s<strong>in</strong>d zur Vere<strong>in</strong>fachung<br />
die ausgewerteten Funktionswerte z ( )<br />
č m i<br />
σ i und <strong>der</strong> dazu gehörige Parametersatz č<br />
m i<br />
σ i<br />
Zwei-Tupel ( z ( ) )<br />
č m i<br />
σ i , č<br />
m i<br />
σ i zusammen gefasst.<br />
als
5 Statische Optimierung des Signalpegels 55<br />
Abbildung 5.15: Suchbaum mit zugehörigen Listenelementen<br />
5.14 Such-Algorithmus<br />
Die auf dem Suchgebiet S durchgeführte Optimierung des DIRECT-Algorithmus nutzt<br />
Listenelemente ( z ( č m i<br />
σ i<br />
)<br />
, č<br />
m i<br />
σ i<br />
)<br />
, die <strong>in</strong> <strong>der</strong> C++-Klasse<br />
”<br />
DirData“ gespeichert werden. Diese<br />
Klasse kann über Vererbung mit e<strong>in</strong>er weiteren Schnittstelle (Interface) versehen werden.<br />
Abbildung 5.16 zeigt das UML-Klassendiagramm <strong>der</strong> realisierten Schnittstelle. Wird e<strong>in</strong>e<br />
Teilungsoperation durchgeführt, wird dies <strong>der</strong> Schnittstelle gemeldet und <strong>der</strong> Suchbaum<br />
aktualisiert. Die Knoten des Suchbaums werden mit k notiert.<br />
Abbildung 5.16: Interface: SearchNode
5 Statische Optimierung des Signalpegels 56<br />
Nachfolgende Knoten e<strong>in</strong>es Knoten k werden über k left , k center und k right notiert. Der<br />
Wurzelknoten wird mit k root bezeichnet. Der adaptierte Suchalgorithmus ist im folgenden<br />
Algorithmus 5.3 formuliert und liefert das Blatt des Suchbaums (und somit das Intervall),<br />
<strong>in</strong> dem sich die nach (5.19) geschätzte Lösung ĉ RBF bef<strong>in</strong>det.<br />
Algorithmus 5.3 Adaptierte Suche<br />
E<strong>in</strong>gangsdaten: k root , ĉ RBF<br />
aktueller Knoten k cur := k root<br />
c <strong>in</strong> Suchgebiet := false<br />
wenn gesuchter Punkt ĉ RBF im Suchgebiet S {<br />
c <strong>in</strong> Suchgebiet := true<br />
solange k cur ke<strong>in</strong> Blatt {<br />
wenn ĉ RBF ∈ k left<br />
}<br />
}<br />
k cur := k left<br />
cur<br />
}<br />
sonst {<br />
}<br />
cur {<br />
wenn ĉ RBF ∈ k center<br />
k cur := kcur<br />
center<br />
}<br />
sonst {<br />
}<br />
k cur := k right<br />
cur<br />
cur {<br />
Ausgangsdaten: k cur , c <strong>in</strong> Suchgebiet<br />
5.15 Adaptierter Such-Schritt im DIRECT<br />
Der <strong>in</strong> Algorithmus 5.3 vorgestellte Suchschritt soll um e<strong>in</strong>e Heuristik erweitert werden,<br />
die e<strong>in</strong>en weiteren potentiell optimalen Kandidaten auf Basis <strong>der</strong> radialen Basisfunktion<br />
ermittelt und diesen <strong>in</strong> den Evaluierungsschritt (siehe Abbildung 5.11) e<strong>in</strong>fließen lässt.<br />
Dazu wird aus den bekannten Stützstelle Ĉ und den zugehörigen Funktionsauswertungen<br />
Ẑ die Interpolation für s z (c) berechnet und das M<strong>in</strong>imum dieser Interpolanten bestimmt.<br />
Bef<strong>in</strong>det sich das Ergebnis <strong>der</strong> M<strong>in</strong>imierung ĉ RBF <strong>in</strong>nerhalb des Suchgebiets S, so wird<br />
das zugehörige Sub-Intervall ˜Ω ⊆ S <strong>in</strong> den DIRECT-Listen mit Algorithmus 5.3 gesucht<br />
und im Evaluierungsschritt gedrittelt. Ist e<strong>in</strong> ˜Ω gefunden, müssen noch die Lösungen des<br />
DIRECT-Algorithmus und <strong>der</strong> Optimierung aus den RBF abgeglichen werden. Wenn für<br />
das M<strong>in</strong>imum <strong>der</strong> Interpolation ŝ z < ẑ DIR gilt, so wird <strong>der</strong> Funktionswert z (ĉ RBF ) über<br />
e<strong>in</strong>e Messung bestimmt. Ist auch <strong>der</strong> reale Messwert z (ĉ RBF ) < ẑ DIR , wird diese Lösung<br />
als neues M<strong>in</strong>imum angenommen, so dass die Lösung des hybriden DIRECT-Algorithmus<br />
mit ẑ HDIR = z (ĉ RBF ) und ĉ HDIR = ĉ RBF gegeben ist. Ansonsten gilt ẑ HDIR = ẑ DIR und<br />
ĉ HDIR = ĉ DIR . Abbildung 5.17 zeigt die Erweiterung <strong>der</strong> Such-Heuristik.
5 Statische Optimierung des Signalpegels 57<br />
I<br />
Abbildung 5.17: UML-Aktivitätsdiagramm hybrid DIRECT
5 Statische Optimierung des Signalpegels 58<br />
5.16 Optimierung mit e<strong>in</strong>em Gradientenverfahren<br />
Im voran gegangenen Abschnitt wurde nur die E<strong>in</strong>b<strong>in</strong>dung <strong>der</strong> Optimierungsergebnisse<br />
aus Gleichung (5.19) diskutiert. Die hohe Anzahl an Optimierungsvariablen (aktuell maximal<br />
sieben) stellt beson<strong>der</strong>e Ansprüche an den Optimierer, weil e<strong>in</strong>e Lösung nach circa<br />
50 ms vorliegen muss. Da die Funktion z (c) durch s z (c) approximiert ist und s z (c) analytisch<br />
vorliegt, können Optimierungsverfahren zur Lösung genutzt werden, die Gradienten-<br />
Informationen ausnutzen (siehe Tabelle 5.1). Dadurch reduziert sich die Laufzeit bei <strong>der</strong><br />
Bestimmung des M<strong>in</strong>imums <strong>von</strong> s z (c). Allgeme<strong>in</strong> wird e<strong>in</strong> Punkt c ⋆ als stationärer Punkt<br />
genau dann bezeichnet, wenn<br />
g (c ⋆ ) = ∂f<br />
∂x (c⋆ ) = 0 (5.20)<br />
gilt. Dies wird als notwendiges Kriterium für e<strong>in</strong> Extremum bezeichnet. Da die Gleichung<br />
(5.20) im Allgeme<strong>in</strong>en e<strong>in</strong> nichtl<strong>in</strong>eares Gleichungssystem darstellt, ist dies analytisch<br />
meist nicht lösbar, so dass auf numerische Methoden, wie zum Beispiel das Filter-Trust-<br />
Region-Verfahren [48] , ausgewichen werden muss. Solche Verfahren benötigen neben dem<br />
Gradienten unter Umständen noch die Hesse-Matrix. Mit dem Gradienten e<strong>in</strong>es beliebigen<br />
Punktes ˜c kann e<strong>in</strong>e Abstiegsrichtung η def<strong>in</strong>iert werden, die <strong>in</strong> Abstiegsverfahren<br />
[23] o<strong>der</strong> dem Trust-Region-Verfahren [48] benötigt wird. Weiterh<strong>in</strong> können <strong>in</strong> Intervallarithmetischen<br />
Verfahren [32] Teilgebiete Ω i<br />
⊆ S aus dem Suchgebiet S ⊆ R n ausgeschlossen<br />
werden, wenn die notwendige Bed<strong>in</strong>gung nicht mehr erfüllt wird. Die Wahl und<br />
Implementierung e<strong>in</strong>es geeigneten schnell konvergierenden Verfahrens ist somit maßgeblich<br />
für die Laufzeit des gesamten Algorithmus. Dazu wurden <strong>in</strong> [2] Untersuchungen h<strong>in</strong>sichtlich<br />
<strong>der</strong> Konvergenz und Laufzeitverbesserung durchgeführt. Die Ergebnisse werden<br />
<strong>in</strong> Abschnitt 5.18 vorgestellt.<br />
5.17 Optimierung mit Methoden zweiter Ordnung<br />
Nicht nur Gradienten-Informationen können genutzt werden, um das Laufzeitverhalten<br />
zu verbessern. Die Hesse-Matrix<br />
H (c) = ∂2 f<br />
(c) (5.21)<br />
∂c2 <strong>von</strong> f (c) (entspricht <strong>der</strong> Jacobi-Matrix <strong>von</strong> g (c)) kann zur Überprüfung <strong>der</strong> h<strong>in</strong>reichenden<br />
Bed<strong>in</strong>gung<br />
H (c ⋆ ) > 0 (5.22)<br />
für das Vorliegen e<strong>in</strong>es M<strong>in</strong>imums bei c ⋆ genutzt werden. Weiterh<strong>in</strong> wird die Hesse-Matrix<br />
beispielsweise im Newton-Verfahren [23] benötigt, um die notwendige Bed<strong>in</strong>gung aus Gleichung<br />
(5.20) numerisch zu lösen. Das Newton-Verfahren für Funktionen g : R n → R n ist
5 Statische Optimierung des Signalpegels 59<br />
def<strong>in</strong>iert als<br />
c k+1 = N g (c k ) = c k − (H (c k )) −1 g (c k ) . (5.23)<br />
Dabei ist c n die k-te Näherungslösung für c ⋆ . Als Startlösung wird e<strong>in</strong> c 0 benötigt, welches<br />
das M<strong>in</strong>imum h<strong>in</strong>reichend gut approximiert. Das Iterationsverfahren konvergiert dabei<br />
im optimalen Fall asymptotisch mit quadratischer Ordnung. Für quadratische Funktionen<br />
wird das M<strong>in</strong>imum sogar <strong>in</strong> e<strong>in</strong>em Schritt erreicht. Es ist häufig Bestandteil <strong>von</strong><br />
nichtl<strong>in</strong>earen Optimierern, da Funktionsverläufe <strong>in</strong> <strong>der</strong> Nähe des M<strong>in</strong>imums gut durch<br />
quadratische Funktionen approximiert werden können. Abbildung 5.18 zeigt mit zwei Iterationsschritten<br />
exemplarisch die Anwendung des Newton-Verfahrens.<br />
Abbildung 5.18: Newton-Verfahren<br />
5.18 Laufzeitanalyse des Hybrid-DIRECT<br />
Zur globalen Optimierung <strong>der</strong> Interpolante auf Basis <strong>der</strong> radialen Basisfunktion wurde<br />
<strong>in</strong> [2] e<strong>in</strong> Algorithmus entwickelt, <strong>der</strong> e<strong>in</strong>en lokalen Optimierer mehrfach nutzt. Mehrere<br />
Optimierungsdurchläufe des lokalen Optimierers werden dort auch als Sucher bezeichnet.<br />
Dazu werden zunächst sche<strong>in</strong>bar beliebige Punkte im Suchraum S gewählt, die als Startpunkte<br />
für die Sucher dienen. Nun führt je<strong>der</strong> Sucher, beg<strong>in</strong>nend <strong>von</strong> se<strong>in</strong>em Startpunkt,<br />
e<strong>in</strong>ige Iterationsschritte <strong>in</strong> e<strong>in</strong>em Abstiegsverfahren (vgl. Gleichung 5.23) aus. Das M<strong>in</strong>imum<br />
aller Sucher liefert dann das ĉ RBF . Die Anzahl <strong>der</strong> Sucher ist abhängig <strong>von</strong> <strong>der</strong><br />
maximal möglichen Anzahl <strong>von</strong> M<strong>in</strong>ima <strong>in</strong> <strong>der</strong> Interpolante. E<strong>in</strong>e gute Abschätzung liefert<br />
die Anzahl <strong>der</strong> Stützstellen, so dass nicht mehr Sucher als Stützstellen genutzt werden<br />
müssen. Nach [2] wurden standardmäßig 30 Sucher mit je sechs Iterationsschritten e<strong>in</strong>gesetzt,<br />
wobei hier<strong>von</strong> bis zu zehn Sucher für die Nachverfolgung <strong>der</strong> bereits identifizierten<br />
”<br />
lokalen M<strong>in</strong>ima verwendet wurden“. Wird die Interpolante e<strong>in</strong> weiteres Mal <strong>in</strong>nerhalb des<br />
DIRECT-Algorithmus aufgestellt und optimiert, so können die Schätzungen für lokale
5 Statische Optimierung des Signalpegels 60<br />
M<strong>in</strong>ima genutzt werden, um e<strong>in</strong> Teil <strong>der</strong> Sucher <strong>in</strong> <strong>der</strong> Umgebung zu platzieren und diese<br />
zu verfolgen. Die Übrigen werden wie<strong>der</strong> möglichst zufällig auf dem verbliebenen Gebiet<br />
positioniert, um ke<strong>in</strong>e Bereiche mit schlechterer Abdeckung zu erhalten. Abbildung 5.19<br />
zeigt e<strong>in</strong> Beispiel des Optimierungsalgorithmus anhand <strong>der</strong> 2-dimensionalen Rosenbrock-<br />
Funktion.<br />
5<br />
4<br />
2<br />
1<br />
3<br />
14<br />
18<br />
Abbildung 5.19: Beispiel <strong>der</strong> Suche im Optimierungsalgorithmus anhand <strong>der</strong> 2-dimensionalen<br />
Rosenbrock Funktion, entnommen aus [2]<br />
Dort s<strong>in</strong>d die zufällig gewählten Startpunkte (blaue Kreise) <strong>der</strong> Sucher 1-30 und <strong>der</strong><br />
Verlauf über sechs Schritte <strong>in</strong> Abstiegsrichtung e<strong>in</strong>gezeichnet. Zusätzlich markieren die<br />
roten Zahlen die fünf besten gefundenen Werte für das M<strong>in</strong>imum. Zum weiteren Studium<br />
<strong>der</strong> genutzten Methode sei auf [2] verwiesen. Zur Laufzeitanalyse wurden die Funktionen<br />
aus Tabelle 5.3 mit dem DIRECT und dem Hybrid-DIRECT optimiert und die Ergebnisse<br />
gegenübergestellt.<br />
Name<br />
n-dimensionale Rosenbrock-Funktion [75]<br />
n-dimensionale sphärische Funktion<br />
Gleichung<br />
f (x) = n−1 ∑ [(1 − x i ) 2 + 100 (x i+1 − x 2 i ) 2]<br />
i=1<br />
f (x) = n ∑<br />
x 2 i<br />
i=1<br />
Himmelblau-Funktion [40] f (x) = (x 2 1 + x 2 − 11) 2 + (x 1 + x 2 2 − 7) 2<br />
n-dimensionale Rastrig<strong>in</strong>-Funktion [81]<br />
∑<br />
f (x) = An + n [x 2 i − Acos (2πx i )]<br />
Tabelle 5.3: Testfunktionen zur Evaluierung des Hybrid-DIRECT-Algorithmus<br />
i=1<br />
Der entwickelte Algorithmus enthält durch die Erweiterung um die Interpolation mit radialen<br />
Basisfunktionen e<strong>in</strong>en statistischen Anteil, <strong>der</strong> zu e<strong>in</strong>em nicht determ<strong>in</strong>istischen
5 Statische Optimierung des Signalpegels 61<br />
Verhalten führt. Um dennoch statistisch aussagekräftige Ergebnisse zu erhalten, wurden<br />
500 Optimierungen pro Funktion und pro Algorithmus durchgeführt. Zusätzlich wurden<br />
die Funktionen zufällig <strong>in</strong> ihrem Funktionsraum verschoben, damit e<strong>in</strong>er <strong>der</strong> Algorithmen<br />
nicht aufgrund <strong>der</strong> Struktur <strong>der</strong> Testfunktionen extrem schnell konvergiert (zum<br />
Beispiel erster Evaluationspunkt bei 0 und M<strong>in</strong>imum bei 0). Dazu wurden die betrachteten<br />
Algorithmen auf die gleiche, verschobene Funktion angewendet, so dass e<strong>in</strong> Vergleich<br />
dieser möglich war. Zur Auswertung wurde <strong>der</strong> Mittelwert <strong>der</strong> aktuellen M<strong>in</strong>ima<br />
ĉ DIR (i) , ĉ HDIR1 (i) und ĉ HDIR2 (i) <strong>der</strong> betrachteten Algorithmen <strong>in</strong> jedem Iterationsschritt<br />
i bestimmt. Sie s<strong>in</strong>d <strong>in</strong> den Abbildungen 5.20 bis 5.24 grafisch dargestellt. Dabei ist <strong>in</strong><br />
rot <strong>der</strong> DIRECT-Algorithmus aufgetragen. In blau (Strichpunkt) e<strong>in</strong>gezeichnet ist <strong>der</strong><br />
Hybrid-DIRECT1, <strong>der</strong> <strong>in</strong> Abschnitt 5.12 vorgestellt wurde. Zusätzlich ist <strong>in</strong> schwarz gestrichelt<br />
e<strong>in</strong> leicht modifizierter Hybrid-DIRECT2-Algorithmus dargestellt. Während <strong>der</strong><br />
<strong>in</strong> Abschnitt 5.12 erläuterte Algorithmus nur Schätzungen auswertet, wo ŝ z < ĉ DIR gilt,<br />
werden im modifizierten Hybrid-DIRECT2 alle Schätzungen ausgewertet.<br />
Abbildung 5.20: Laufzeitanalyse anhand <strong>der</strong> 7-dimensionalen Rosenbrock-Funktion<br />
Abbildung 5.21: Laufzeitanalyse anhand <strong>der</strong> 2-dimensionalen Himmelblau-Funktion
5 Statische Optimierung des Signalpegels 62<br />
Abbildung 5.22: Laufzeitanalyse anhand <strong>der</strong> 4-dimensionalen elliptische Funktion<br />
Abbildung 5.23: Laufzeitanalyse anhand <strong>der</strong> 7-dimensionalen elliptische Funktion<br />
Abbildung 5.24: Laufzeitanalyse anhand <strong>der</strong> 4-dimensionalen Rastrig<strong>in</strong>-Funktion<br />
Tabelle 5.4 fasst die Ergebnisse <strong>der</strong> Laufzeituntersuchungen zusammen. Verglichen wird,<br />
wie viele Iterationen die Hybrid-Algorithmen benötigen, um e<strong>in</strong>en gleichwertigen Funktionswert<br />
zu erhalten, den <strong>der</strong> DIRECT-Algorithmus nach 100 Iterationsschritte evaluiert
5 Statische Optimierung des Signalpegels 63<br />
hat. Die Hybrid-Algorithmen konnten <strong>in</strong> allen Tests den DIRECT-Algorithmus verbessern.<br />
Sogar bei <strong>der</strong> Rastrig<strong>in</strong>-Funktion, die über sehr viele Extrema verfügt und extrem<br />
schwer zu optimieren ist, lag <strong>der</strong> Laufzeitgew<strong>in</strong>n noch zwischen 13 und 20 Prozent.<br />
Testfunktion<br />
Hybrid-DIR1<br />
Iterationen<br />
Hybrid-DIR2<br />
Iterationen<br />
zugehörige Abbildung<br />
7d Rosenbrock 62/100 53/100 5.20<br />
2d Himmelblau 49/100 55/100 5.21<br />
4d elliptische Funktion 68/100 65/100 5.22<br />
7d elliptische Funktion 41/100 37/100 5.23<br />
4d Rastrig<strong>in</strong> 87/100 80/100 5.24<br />
Tabelle 5.4: Ergebnisse <strong>der</strong> Laufzeituntersuchung<br />
Aufgrund <strong>der</strong> e<strong>in</strong>fachen Struktur <strong>der</strong> Sucher lieferte die <strong>in</strong> C++ erfolgte Implementierung<br />
des Optimierers <strong>in</strong> allen Fällen e<strong>in</strong>e Lösung nach weniger als 100 ms, so dass die Latenzzeit<br />
<strong>von</strong> 86 ms optimal zur Modellbildung und -optimierung genutzt wurde. In fast allen Test-<br />
Szenarien war die Laufzeit des Hybrid-DIRECT2 besser als des Hybrid-DIRECT1 und<br />
immer besser als <strong>der</strong> eigentliche DIRECT-Algorithmus. Die Wahl fiel demnach auf diese<br />
Variante des Algorithmus.
6<br />
Experimentelle<br />
Parameterbestimmung und<br />
Tests am realen System<br />
Um am Ende dieses Kapitels e<strong>in</strong>ige Beispiele zur statischen Optimierung präsentieren<br />
zu können, müssen vorab noch die Wertebereiche, <strong>in</strong> denen sich die Zernike-Polynome<br />
bewegen dürfen, <strong>der</strong> Gewichtungsfaktor γ aus Gleichung (3.24) und die Latenz des SLMbasierten<br />
Vibrometers experimentell bestimmt werden.<br />
6.1 Bestimmung des Gewichtsfaktors γ<br />
Der Gewichtsfaktor γ wurde vorab bestimmt, um das Optimierungsproblem um e<strong>in</strong>e Entscheidungsvariable<br />
zu reduzieren. Dazu wurden je 100 Optimierungsläufe pro γ durchgeführt.<br />
γ wurde im Intervall [0, 1] <strong>von</strong> 0 beg<strong>in</strong>nend sukzessive mit e<strong>in</strong>er Schrittweite <strong>von</strong><br />
0.01 erhöht. Gemessen wurde auf e<strong>in</strong>em Spiegel, wobei im Messaufbau zusätzlich e<strong>in</strong> l<strong>in</strong>ear<br />
polarisierter Filter mit e<strong>in</strong>em Dichtefaktor <strong>von</strong> 0,5 <strong>in</strong>stalliert wurde, <strong>der</strong> zusätzlich für<br />
e<strong>in</strong> gedämpftes Signal sorgte. Dieses Signal galt es zu optimieren. In Abbildung 6.1 ist das<br />
Ergebnis <strong>der</strong> Auswertungen sehen, wobei γ auf <strong>der</strong> Abzisse und die gemittelten Werte <strong>von</strong><br />
ĉ HDIR (γ) auf <strong>der</strong> Ord<strong>in</strong>ate aufgetragen s<strong>in</strong>d. Der optimale Gewichtsfaktor γ bef<strong>in</strong>det sich<br />
im Intervall γ ∈ [0, 41...0, 5]. Wird γ weiter erhöht, verschiebt sich das Gewicht weiter <strong>in</strong><br />
Richtung Signalstärke (siehe Gleichung (3.24)). Dies führt dazu, das die Signalqualität,<br />
also die Position und Form des Spot, immer weniger gewichtet wird. Da im Messprozess<br />
aber e<strong>in</strong> Spot an <strong>der</strong> gewünschten Position gefor<strong>der</strong>t ist, bietet das gefundene Intervall<br />
für γ die optimale Abwägung zwischen Signalgüte und Signalstärke. Für die weiteren
6 Experimentelle Parameterbestimmung und Tests am realen System 65<br />
Abbildung 6.1: Experimentelle Bestimmung <strong>von</strong> γ<br />
Messungen wurde e<strong>in</strong> optimales γ = 0, 455 angenommen.<br />
6.2 Totzeit des Vibrometers mit SLM<br />
Die Bestimmung <strong>der</strong> Latenz des Systems ist entscheidend für das korrekte Messen des<br />
Signalpegels. Wird e<strong>in</strong> neues Bild im SLM e<strong>in</strong>geschrieben, so muss e<strong>in</strong>e Dauer <strong>von</strong> t L<br />
abgewartet werden, bis alle Pixel auf dem SLM umgeschaltet haben und alle weiteren<br />
verzögernden Effekte im Messprozess abgeklungen s<strong>in</strong>d. Die Auswertung <strong>der</strong> Latenzanalyse<br />
ist mit Abbildung 6.2 gegeben.
6 Experimentelle Parameterbestimmung und Tests am realen System 66<br />
Abbildung 6.2: Latenzanalyse am SLM-basierten Vibrometer<br />
Über das SLM wurde alle 500 ms zwischen e<strong>in</strong>em Punkt mit hoher Reflektivität (hoher<br />
Wert am Detektor) und e<strong>in</strong>em Punkt niedriger Reflektivität umgeschaltet. Die Umschaltung<br />
zwischen den beiden Spot-Sites ist <strong>in</strong> grün dargestellt. In blau ist <strong>der</strong> normierte<br />
Signalpegel aufgetragen. Betrachtet man die Umschaltzeitpunkte, so ist <strong>in</strong> beiden Richtungen<br />
e<strong>in</strong> verzögertes Folgen des Signalpegels zu erkennen. Die Kumulierung <strong>der</strong> e<strong>in</strong>zelnen<br />
Latenzen ergibt, dass alle verzögernden Effekte nach t L ≈ 86 ms abgeklungen s<strong>in</strong>d<br />
und ab dann mit e<strong>in</strong>em zur Stellgröße c zugehörigen Signalpegel zu rechnen ist. Alle weiteren<br />
Betrachtungen wurden, wie auch <strong>in</strong> dem voran gegangenen Abschnitt, mit dieser<br />
Latenz durchgeführt.<br />
6.3 Wertebereiche <strong>der</strong> Zernike-Koeffizienten<br />
Fasst man die Koeffizienten c mn aus Gleichung (3.4) zu e<strong>in</strong>em Vektor c ∈ R n zusammen, so<br />
kann e<strong>in</strong>e kompakte Menge Ω ⊂ R n def<strong>in</strong>iert werden, auf <strong>der</strong> e<strong>in</strong>e s<strong>in</strong>nvolle Optimierung<br />
möglich wird. E<strong>in</strong>e solche Menge Ω muss experimentell bestimmt werden. Es gilt für jedes<br />
c ∈ Ω die Beschränkung<br />
c i ≤ c i ≤ c i , mit i = 1, . . . , n, (6.1)<br />
wobei c i die i-te Komponente des Vektors c, c i die untere Schranke (das Infimum) <strong>der</strong> i-ten<br />
Komponente und c i die obere Schranke (das Supremum) <strong>der</strong> i-ten Komponente darstellt.<br />
6.4 Experimentelle Bestimmung <strong>der</strong> Wertebereiche<br />
Zur Bestimmung <strong>der</strong> Wertebereiche diente <strong>der</strong> gleiche Messaufbau wie <strong>in</strong> Abschnitt 6.1<br />
ohne Polarisationsfilter. wurden die Zernike-Koeffizienten über e<strong>in</strong>en Wertebereich <strong>von</strong> -1
6 Experimentelle Parameterbestimmung und Tests am realen System 67<br />
bis 1 e<strong>in</strong>zeln durchlaufen und dabei die Signalstärke am Detektor gemessen. Dies wurde<br />
für jeden Koeffizienten 5-mal durchgeführt, um Messfehler weitestgehend auszuschließen<br />
und die Messungen zu verifizieren. Aufgetragen wurde über die Kostenfunktion z (c) aus<br />
Gleichung (3.24) mit e<strong>in</strong>em γ = 1, so dass die Signalgüte während <strong>der</strong> Messung nicht<br />
berücksichtigt wurde. Für die Messung gilt somit die Kostenfunktion<br />
z (c) = 1 −<br />
˜α (c)<br />
max {˜α (c)} . (6.2)<br />
M<strong>in</strong>imale Werte <strong>in</strong> <strong>der</strong> Kostenfunktion entsprechen damit maximalen Detektorsignalen.<br />
Die relevanten Parameterbereiche aus den Messungen s<strong>in</strong>d <strong>in</strong> den Abbildungen 6.3, 6.4,<br />
6.5, 6.6 und 6.7 dargestellt. Aus den Abbildungen wurde e<strong>in</strong>e Abschätzung abgelesen,<br />
<strong>in</strong>dem aus allen Messungen für das c i das kle<strong>in</strong>ste c gewählt wurde, welches e<strong>in</strong>e Abgrenzung<br />
zu e<strong>in</strong>em M<strong>in</strong>imum darstellt. E<strong>in</strong>e Abschätzung für c i erfolgte äquivalent. In<br />
Abbildung 6.3 ist beispielsweise die untere Schranke mit c 3 = −0, 004368 bestimmt. Dazu<br />
wurden Bereiche mit niedriger Funktionswerten <strong>der</strong> Kostenfunktion <strong>von</strong> Bereichen mit hohen<br />
Werten <strong>der</strong> Kostenfunktion abgegrenzt. Um den Parameterbereich nicht <strong>von</strong> Anfang<br />
an zu sehr e<strong>in</strong>zuschränken, wurde für c 3 <strong>der</strong> kle<strong>in</strong>ste Wert aus allen Messung genommen,<br />
<strong>der</strong> als untere Schranke <strong>in</strong> Betracht kommt.<br />
Die Wertebereiche für die Koeffizienten <strong>der</strong> Zernike-Polynome Tilt X und Tilt Y wurden<br />
händisch ermittelt, da diese <strong>von</strong> <strong>der</strong> Entfernung zum Messobjekt abhängig s<strong>in</strong>d und<br />
entsprechend konfiguriert werden müssen. Dazu war das Messobjekt <strong>in</strong> e<strong>in</strong>er Entfernung<br />
<strong>von</strong> 2 m positioniert. Die maximale Abweichung vom ursprünglich e<strong>in</strong>gestellten Messspot<br />
betrug mit den ermittelten Koeffizienten Tilt X und Tilt Y <strong>in</strong> etwa e<strong>in</strong>e Spotbreite.
6 Experimentelle Parameterbestimmung und Tests am realen System 68<br />
Abbildung 6.3: Ergebnis <strong>der</strong> Messungen für Astigma X<br />
Abbildung 6.4: Ergebnis <strong>der</strong> Messungen für Astigma Y
6 Experimentelle Parameterbestimmung und Tests am realen System 69<br />
Abbildung 6.5: Ergebnis <strong>der</strong> Messungen für Coma X<br />
Abbildung 6.6: Ergebnis <strong>der</strong> Messungen für Coma Y
6 Experimentelle Parameterbestimmung und Tests am realen System 70<br />
Abbildung 6.7: Ergebnis <strong>der</strong> Messungen für die sphärische Aberration<br />
Die hier ermittelten Wertebereiche gelten für das genutzte Vibrometer mit e<strong>in</strong>em LCOS-<br />
SLM X10468 Series <strong>von</strong> Hamamatsu. Für SLM’s an<strong>der</strong>er Hersteller müssen die Parameter<br />
separat bestimmt werden. Tabelle 6.1 fasst die Ergebnisse <strong>der</strong> experimentellen Bestimmung<br />
<strong>der</strong> Wertebereiche zusammen. E<strong>in</strong>e weitere optische Kontrolle ist unter Umständen<br />
notwendig, um die Verformung des Spots auf die später zu nutzende Applikation anzupassen.<br />
Dazu werden die ermittelten Grenzen angefahren und überprüft, ob Verformungen<br />
des Spot sichtbar s<strong>in</strong>d.<br />
Name n m c nm c nm<br />
Tilt X 1 0 −0, 05 0, 05<br />
Tilt Y 1 1 −0, 05 0, 05<br />
Astigma X 2 0 −0, 004368 0, 002635<br />
Astigma Y 2 2 −0, 01867 0, 008652<br />
Coma X 3 1 −0, 0006 0, 00054<br />
Coma Y 3 2 −0, 00036 0, 0006<br />
sphär. Aberration 4 2 −4, 43 · 10 −6 6, 25 · 10 −6<br />
Tabelle 6.1: Experimentell ermittelte Wertebereiche <strong>der</strong> Zernike-Koeffizienten<br />
6.5 <strong>Reduktion</strong> <strong>von</strong> Messfehlern im Optimierer<br />
Durch äußere E<strong>in</strong>flüsse, wie zum Beispiel thermisches Rauschen, s<strong>in</strong>d die Messwerte mit<br />
Fehlern behaftet. Der Optimierer h<strong>in</strong>gegen benötigt e<strong>in</strong> möglichst fehlerbere<strong>in</strong>igtes Signal.
6 Experimentelle Parameterbestimmung und Tests am realen System 71<br />
Dazu wurde die Fehlerreduktion durch e<strong>in</strong>en Kalman-Filter [49] mit e<strong>in</strong>em gleitenden Mittelwert<br />
gegenüber gestellt. Die Gegenüberstellung wird beispielhaft <strong>in</strong> Abbildung 6.8 gezeigt.<br />
In e<strong>in</strong>er Simulation wurden fehlerbehaftete Messwerte gleichverteilt um den exakten<br />
Wert 50 gestreut und <strong>der</strong> Referenzwert mit dem Kalman-Filter bzw. dem gleitenden Mittelwert<br />
sukzessive geschätzt. Weil es sich bei <strong>der</strong> Messwerterfassung um e<strong>in</strong> SO 1 -System<br />
handelt, ist für den im Projekt behandelten Fall e<strong>in</strong>e Mittelwert-Bildung s<strong>in</strong>nvoller, da<br />
diese nach ca. 25 Messungen den exakten Wert mit e<strong>in</strong>er ger<strong>in</strong>geren Schwankungsbreite<br />
schätzt als das Kalman-Filter.<br />
Abbildung 6.8: Gegenüberstellung Kalman-Filter vs. Mittelwertbildung<br />
6.6 Verifikation am Vibrometer<br />
In diesem Abschnitt soll beispielhaft das erste Experiment zur Verifikation am SLMbasierten<br />
Vibrometer vorgestellt werden. Spätere Experimente bestätigten die Tauglichkeit<br />
des Optimierers auch <strong>in</strong> rauen Umgebungen, die zusätzlich <strong>in</strong> [62] vorgestellt wurden.<br />
Die <strong>in</strong> [62] vorgestellten Tests führten auf e<strong>in</strong>em schwach reflektierenden Messobjekt zu<br />
vergleichbaren Resultaten, so dass diese nicht geson<strong>der</strong>t dargestellt werden müssen.<br />
In diesem ersten Experiment wurde unter Laborbed<strong>in</strong>gungen verifiziert ob <strong>der</strong> gewählte<br />
Algorithmus zu e<strong>in</strong>er Verbesserung des Signalpegels führt. Dazu wurde e<strong>in</strong> vorhandener<br />
Messaufbau am ITO 2<br />
genutzt. Das Vibrometer war dazu auf e<strong>in</strong>em schw<strong>in</strong>gungsgedämpften<br />
Tisch montiert. Um e<strong>in</strong>e Scan-Entfernung <strong>von</strong> ca. 2 m zu realisieren, wurde<br />
<strong>der</strong> Messpunkt über e<strong>in</strong>en Spiegel auf e<strong>in</strong> statische (nicht schw<strong>in</strong>gende) halbtransparente<br />
1 S<strong>in</strong>gle-Output<br />
2 Institut für Technische Optik <strong>der</strong> Universität Stuttgart
6 Experimentelle Parameterbestimmung und Tests am realen System 72<br />
Plastikscheibe abgelenkt. Diese Scheibe erzeugte e<strong>in</strong> h<strong>in</strong>reichend gutes <strong>Speckle</strong>, welches es<br />
zu optimieren galt. In Abbildung 6.9 ist <strong>der</strong> Messaufbau skizziert und <strong>in</strong> Abbildung 6.10<br />
dargestellt. Die Fotodiode lieferte e<strong>in</strong> Spannungssignal zwischen 0−5 V , welches über Datenaquisition<br />
mittels NIDAQ-6210 realisiert wurde. Das wurde <strong>in</strong> <strong>der</strong> Gleichung (3.24) mit<br />
˜α (c) berücksichtigt. Der Maximalwert ist durch die Datenaquisition mit 5 V beschränkt,<br />
so dass e<strong>in</strong> max {˜α (c)} = 5 gilt.<br />
Abbildung 6.9: Skizze Messaufbau<br />
Abbildung 6.10: Aufbau am Institut für technische Optik (ITO) Stuttgart<br />
6.7 Resultate <strong>der</strong> Optimierung<br />
Im ersten Optimierungslauf wurden die Zernike-Polynome 1 − 4 aus Tabelle 3.1 genutzt.<br />
Im zweiten Durchlauf wurden dann die Polynome 1, 2, 5 und 6 genutzt. Beide Durchläufe<br />
wurden nach 100 Iterationsschritten beendet und führten zu e<strong>in</strong>er Verbesserung des Signalpegels.<br />
Während das erste Experiment zu e<strong>in</strong>er Erhöhung des Signalpegels um ca.<br />
1, 27 V führte (dies bedeutet e<strong>in</strong>e Verbesserung des SNR um 7, 62 dB; siehe dazu Abschnitt<br />
(2.3), konnte <strong>der</strong> Optimierer im zweiten Experiment den Signalpegel um ca. 0, 92 V<br />
(Verbesserung des SNR 5, 52 dB) erhöhen. Die Auswertung <strong>in</strong> Abbildung 6.11 zeigt beide<br />
Durchläufe. Der blaue Plot stellt hier den ersten und <strong>der</strong> rot gestrichelte den zweiten<br />
Durchlauf dar.
6 Experimentelle Parameterbestimmung und Tests am realen System 73<br />
Abbildung 6.11: Auswertung des ersten (blau) und des zweiten (rot gestrichelt) Durchlaufs<br />
Im nächsten Schritt wurde die Anzahl <strong>der</strong> genutzten Koeffizienten erhöht. Dies g<strong>in</strong>g mit<br />
e<strong>in</strong>er Erhöhung <strong>der</strong> Laufzeit e<strong>in</strong>her. Auch bei diesen Durchläufen konnte <strong>der</strong> Signalpegel<br />
signifikant verbessert werden. Der erste Durchlauf wurde um die Koeffizienten 5 und 6<br />
erweitert und wird <strong>in</strong> Abbildung 6.12 rot dargestellt. Der letzte Durchlauf enthält alle zur<br />
Verfügung stehenden Zernike-Polynome, so dass alle Koeffizienten <strong>in</strong> die Optimierung mit<br />
e<strong>in</strong>bezogen worden s<strong>in</strong>d. Dieser ist <strong>in</strong> <strong>der</strong> Abbildung 6.12 grün geplottet. Beide Durchläufe<br />
verbesserten den Signalpegel um ca. 1, 2 V was e<strong>in</strong>er Verbesserung des SNR um 7, 2 dB<br />
bedeutet. Vergleicht man alle vier Durchläufe, so erzielen alle ähnlich gute Verbesserungen<br />
Abbildung 6.12: Auswertung des dritten (rot) und vierten (grün gestrichelt) Durchlaufs<br />
des Signalpegels mit e<strong>in</strong>er Werten zwischen 5, 52 dB und 7, 62 dB. Die höchsten Gew<strong>in</strong>ne<br />
konnte im ersten Durchlauf mit den Parameterkomb<strong>in</strong>ationen 1 − 4 und 7, 62 dB sowie im
6 Experimentelle Parameterbestimmung und Tests am realen System 74<br />
dritten Durchlauf mit den Parameterkomb<strong>in</strong>ationen 1−6 und 6 dB erreicht werden. Da mit<br />
steigen<strong>der</strong> Anzahl <strong>der</strong> Parameter die Optimierung aufwändiger wird, ist <strong>der</strong> Parametersatz<br />
mit den Parametern 1 − 4 zu bevorzugen.
7<br />
Quadratische Approximation<br />
und Optimierung<br />
Während <strong>der</strong> <strong>in</strong> Kapitel 5 vorgestellte Optimierer den Signalpegel e<strong>in</strong>malig statisch optimiert<br />
und somit als Steuerung des Aktors (SLM) angesehen werden kann, soll e<strong>in</strong>e<br />
Extremwert-Regelung den Signalpegel im Maximum halten und gegebenenfalls nach führen.<br />
Bezogen auf die Kostenfunktion aus Gleichung (3.24) bedeutet dies, dass <strong>der</strong> Regler<br />
e<strong>in</strong>em M<strong>in</strong>imum folgt. Dazu wird zunächst angenommen, dass das SLM über die Zernike-<br />
Koeffizienten c so parametrisiert ist, dass sich die entsprechende Kosten- beziehungsweise<br />
Zielfunktion <strong>in</strong> <strong>der</strong> Nähe e<strong>in</strong>es lokalen Extremums bef<strong>in</strong>det. Die Umgebung U um das Extremum<br />
kann somit quadratisch h<strong>in</strong>reichend genau angenähert werden. In diesem Kapitel<br />
sollen die für den Extremwert-Regler benötigten mathematischen Vorarbeiten geleistet<br />
werden. Der Regler basiert auf e<strong>in</strong>er multivariaten quadratischen Interpolation, die mit<br />
exakt e<strong>in</strong>em Newton-Schritt optimiert wird. Dazu wird zunächst e<strong>in</strong>e allgeme<strong>in</strong>e Approximation<br />
durch die Taylor-Reihenentwicklung e<strong>in</strong>geführt, die später genutzt wird, um den<br />
Regler-Algorithmus zu entwickeln.<br />
7.1 Talyor-Reihenentwicklung<br />
Die durch Brook Taylor gefundene und auf n Variablen erweiterte Reihenentwicklung<br />
[80, 83, 22] ermöglicht die Approximation je<strong>der</strong> stetigen, m + 1-mal differenzierbaren und<br />
multivariaten Funktion f : R n → R. Zur besseren Darstellung wird e<strong>in</strong>e Multi<strong>in</strong>dex-<br />
Notation, angelehnt an [22], e<strong>in</strong>geführt. Es sei e<strong>in</strong> n-Tupel mit i = (i 1 , . . . , i n ) ∈ R n und
7 Quadratische Approximation und Optimierung 76<br />
den Eigenschaften<br />
|i| := i 1 + i 2 + . . . + i n ,<br />
i! := i 1 !i 2 ! · . . . · i n !,<br />
D i f := ∂i f (c)<br />
∂c i =<br />
∂ |i| f (c)<br />
∂c i 1<br />
1 · . . . · ∂c <strong>in</strong><br />
n<br />
und<br />
(c − a) i := (c 1 − a 1 ) i 1<br />
(c 2 − a 2 ) i 2<br />
. . . (c n − a n ) <strong>in</strong><br />
gegeben. So kann e<strong>in</strong>e |i|-mal stetig differenzierbare Funktion f um den Punkt a ∈ R n<br />
mit<br />
f (c) = ∑ D i f (a)<br />
(c − a) i + ∑ D i f (ξ)<br />
(c − a) i<br />
i!<br />
i!<br />
|i|≤k<br />
|i|=k+1<br />
} {{ } } {{ }<br />
=T k (c)<br />
=R k (c)<br />
(7.1)<br />
entwickelt werden. Wobei T k (c) die Taylorreihe vom Grad k und das Restglied R k (c) vom<br />
Grad k + 1 ist. Der Punkt ξ ist e<strong>in</strong> beliebiger Punkt auf <strong>der</strong> Geraden zwischen a und c<br />
<strong>in</strong>nerhalb e<strong>in</strong>er konvexen Menge. Bildet man den Grenzwert<br />
R k (c)<br />
lim = 0, (7.2)<br />
c→a k<br />
(c − a)<br />
kann gezeigt werden, dass die Taylorreihe T k (c) = f (c) − R k (c) die Funktion f besser<br />
approximiert, je näher c dem Entwicklungspunkt a kommt, dass heißt<br />
c → a ⇒ T k (c) → f (c) . (7.3)<br />
7.2 Quadratische Approximation<br />
Für die weiteren Betrachtungen sei die Funktion f nach unten beschränkt. Die Funktion<br />
verfügt also über m<strong>in</strong>destens e<strong>in</strong> M<strong>in</strong>imum. Dann existiert <strong>in</strong> <strong>der</strong> Umgebung U um e<strong>in</strong><br />
Extremum e<strong>in</strong>e quadratische Funktion f qn : R n → R , so dass<br />
‖f (c) − f qn (c)‖ < δ, mit c ∈ U (7.4)<br />
gilt. S<strong>in</strong>d h<strong>in</strong>reichend viele Stützstellen o<strong>der</strong>, im hier vorliegenden Fall, Messungen bekannt,<br />
so kann die Umgebung U um den Extremwert mittels e<strong>in</strong>er Taylor-Reihenentwicklung<br />
aus Gleichung (7.1) als f qn (c) = T 2 (c)| a=0<br />
mit <strong>der</strong> Genauigkeit δ angenähert werden.<br />
Die Genauigkeit ist theoretisch über das Taylor-Restglied aus Gleichung (7.1) mit<br />
δ =<br />
∥ max {R k (c)}<br />
c∈U<br />
∥ (7.5)
7 Quadratische Approximation und Optimierung 77<br />
festgelegt. Bei e<strong>in</strong>er e<strong>in</strong>dimensionalen Funktion mit f q1<br />
: R → R<br />
f q1 (c) = q 0 + q 1 c + q 2 c 2 (7.6)<br />
s<strong>in</strong>d beispielsweise die drei Koeffizienten q 0 , q 1 und q 2 aus den Stützstellen zu berechnen.<br />
( ) T<br />
Mit C = c 0 c 1 c 2 Stützstellen und den dazu gehörigen Auswertungen Fq1 (C)<br />
erhält man e<strong>in</strong> l<strong>in</strong>eares Gleichungssystem (LGS)<br />
⎛<br />
⎜<br />
⎝<br />
f q1 (c 0 )<br />
f q1 (c 1 )<br />
⎞<br />
⎟<br />
⎠<br />
}<br />
f q1 (c 2 )<br />
{{ }<br />
=F q1 (C)<br />
=<br />
=<br />
⎛<br />
⎜<br />
⎝<br />
q 0 + q 1 c 0 + q 2 c 2 0<br />
q 0 + q 1 c 1 + q 2 c 2 1<br />
⎞<br />
⎟<br />
⎠<br />
q 0 + q 1 c 2 + q 2 c 2 2<br />
} {{ }<br />
⎛ ⎞T<br />
⎛ ⎞<br />
q 0 1 1 1<br />
⎜ ⎟ ⎜ ⎟<br />
⎝ q 1 ⎠ · ⎝ c 0 c 1 c 2 ⎠<br />
q 2 c 2 0 c 2 1 c 2 2<br />
} {{ } } {{ }<br />
=q<br />
=M<br />
(7.7)<br />
(<br />
<strong>in</strong> q = q 0 q 1 q 2<br />
), welches es zu lösen gilt. In Matrix-Schreibweise ist dies nun recht<br />
e<strong>in</strong>fach, sobald die Matrix M regulär und somit <strong>in</strong>vertierbar ist. Die Lösung des LGS<br />
lautet dann<br />
q = F q1 (C) · M −1 . (7.8)<br />
Um die Inverse M −1 zu berechnen, können verschiedene Methoden genutzt werden. Der<br />
naive Zugang ist die Berechnung <strong>der</strong> Inversen über den Laplaceschen Entwicklungssatz.<br />
Alternativ kann das LGS <strong>in</strong> Gleichung (7.8) über entsprechende Algorithmen, wie zum<br />
Beispiel <strong>der</strong> Cholesky-Zerlegung [64] (für symmetrische und positiv def<strong>in</strong>ite Matrizen)<br />
o<strong>der</strong> nach dem Gaußschen Elim<strong>in</strong>ationsverfahren [57, 9, 88], gelöst werden. Dies reduziert<br />
den Rechenaufwand <strong>von</strong> O (n!) auf O ( 2<br />
3 n3) .<br />
Erweitert man nun die zu <strong>in</strong>terpolierende Funktion auf n Dimensionen, so bietet sich<br />
( ) T<br />
e<strong>in</strong>e kompakte Matrix-Schreibweise dieser an. Es sei nun w (c) = 1 c T mit c =<br />
(<br />
) T<br />
c 0 · · · c n . So kann jede beliebige quadratische Funktion <strong>in</strong> <strong>der</strong> Form<br />
f qn (c) = w T (c) · Q n · w (c) (7.9)<br />
geschrieben werden, wobei Q n die Koeffizientenmatrix darstellt. Handelt es sich beispielsweise<br />
um e<strong>in</strong>e Funktion <strong>von</strong> zwei Verän<strong>der</strong>lichen, so ist diese gegeben durch<br />
f q2 (c) = q 0 + q 1 c 0 + q 2 c 1 + q 3 c 2 0 + q 4 c 0 c 1 + q 5 c 2 1. (7.10)<br />
Um die Gleichung (7.10) <strong>in</strong> Gleichung (7.9) zu überführen ist e<strong>in</strong>e symmetrische Matrix
7 Quadratische Approximation und Optimierung 78<br />
<strong>der</strong> Form<br />
Q 2 =<br />
⎛<br />
⎜<br />
⎝<br />
q 0<br />
q 1<br />
2<br />
q 1<br />
2<br />
q 3<br />
q 4<br />
2<br />
q 2<br />
2<br />
q 4<br />
2<br />
⎞<br />
q 2<br />
2<br />
⎟<br />
⎠ . (7.11)<br />
q 5<br />
e<strong>in</strong>e s<strong>in</strong>nvolle Wahl. Zwar kann Q n auch asymmetrisch gewählt werden, dies hätte jedoch<br />
zur Folge, das nützliche Eigenschaften <strong>der</strong> symmetrischen Matrix später nicht genutzt<br />
werden könnten. Die Anzahl d <strong>der</strong> zu bestimmenden Koeffizienten umfasst hier sechs (q 0<br />
- q 5 ). Für e<strong>in</strong>e multivariate Funktion <strong>in</strong> drei Verän<strong>der</strong>lichen s<strong>in</strong>d schon zehn Koeffizienten<br />
notwendig. Betrachtet man nun allgeme<strong>in</strong> die Anzahl n <strong>der</strong> Verän<strong>der</strong>lichen, so kann gezeigt<br />
werden, dass<br />
∑n+1<br />
d = i =<br />
i=1<br />
(n + 1) · (n + 2)<br />
2<br />
(7.12)<br />
Koeffizienten benötigt werden, um e<strong>in</strong>e quadratische Funktion f qn (c) e<strong>in</strong>deutig zu bestimmen.<br />
Aus Gleichung (7.12) kann auch direkt die Anzahl <strong>der</strong> Stützstellen beziehungsweise<br />
Messauswertungen hergeleitet werden. Um d Unbekannte <strong>in</strong> e<strong>in</strong>em LGS e<strong>in</strong>deutig<br />
zu bestimmen, werden exakt d l<strong>in</strong>ear unabhängige Gleichungen benötigt, die aus<br />
d Stützstellen/Messungen bestimmt werden. Die Matrix M hat deshalb die Dimension<br />
M ∈ R d×d und die zugehörige Determ<strong>in</strong>ante muss |M| ≠ 0 erfüllen. Sie hat somit die<br />
Form<br />
⎛<br />
⎞<br />
1 1 · · · 1<br />
c 01 c 02 · · · c 0d<br />
c 11 c 12 · · · c 1d<br />
. . . .<br />
c n1 c n2 · · · c nd<br />
c 2 11 c 2 12 · · · c 2 1d<br />
c 11 c 21 c 12 c 22 · · · c 1d c 2d<br />
M =<br />
. . . .<br />
∈ R d×d (7.13)<br />
c 11 c n1 c 12 c n2 · · · c 1d c nd<br />
c 2 21 c 2 22 · · · c 2 2d<br />
c 21 c 31 c 22 c 32 · · · c 2d c 3d<br />
. . . .<br />
c 21 c n1 c 22 c n2 · · · c 2d c nd<br />
⎜<br />
⎝ . . . .<br />
⎟<br />
⎠<br />
c 2 n1 c 2 n2 · · · c 2 nd<br />
mit c ij Wert <strong>der</strong> i-ten Variablen und j-ten Stützstelle. Mit M kann wie schon <strong>in</strong> Gleichung<br />
(7.8) <strong>der</strong> Koeffizientenvektor q allgeme<strong>in</strong> über die Gleichung<br />
q = F qn (C) · M −1 , (7.14)<br />
(<br />
) T<br />
mit q ∈ R d , F qn (C) ∈ R d , C = {c 0 , c 1 , · · · , c d } , c i = c 0i c 1i · · · c ni , i = 1, . . . , n
7 Quadratische Approximation und Optimierung 79<br />
und M ∈ R d×d bestimmt werden. Die zugehörige Matrix Q wird mit dem Algorithmus<br />
7.1 generiert.<br />
Algorithmus 7.1 Quadratische Approximation<br />
Funktion quadApprox<br />
E<strong>in</strong>gangsdaten: Č, ˇF<br />
// Status s: 1, wenn Q bestimmt werden kann, sonst 0<br />
q = ˇF · M ( Č ) // siehe Gleichungen (7.13) und (7.14)<br />
wenn (q == ∅) {<br />
s = 0<br />
Q = ∅<br />
}<br />
sonst {<br />
s = 1<br />
k = 1<br />
für i = 1 bis n + 1 {<br />
für j = 1 bis n + 1 {<br />
wenn (i == j) {<br />
Q ij = q k<br />
}<br />
sonst {<br />
}<br />
}<br />
}<br />
Q ij = Q ji = q k<br />
2<br />
}<br />
k = k + 1<br />
Ausgangsdaten: Q, s<br />
7.3 Optimierung <strong>der</strong> <strong>in</strong>terpolierten Funktion f qn (c)<br />
Sollen die stationären Punkte e<strong>in</strong>er Funktion bestimmt werden, so liefern <strong>der</strong> Gradient<br />
und die Hessematrix notwendige und h<strong>in</strong>reichende Bed<strong>in</strong>gung für das Extremum. Der<br />
Gradient <strong>der</strong> Funktion aus Gleichung (7.9) ist mit<br />
∂f qn (c)<br />
∂c<br />
( ) T ∂w (c)<br />
= 2 ·<br />
· Q ·w (c) (7.15)<br />
∂c<br />
} {{ }<br />
=dQ
7 Quadratische Approximation und Optimierung 80<br />
und die Hessematrix mit<br />
∂ 2 ∂<br />
f qn (c)<br />
= 2 ·<br />
∂c 2<br />
( ( ) )<br />
T ∂w(c)<br />
∂c · Q · w (c)<br />
∂c<br />
da quadratisch<br />
↓<br />
= 2 ·<br />
= dQ ·<br />
( ) T ∂w (c)<br />
· Q ·<br />
∂c<br />
∂w (c)<br />
∂c<br />
} {{ }<br />
=ddQ<br />
∂w (c)<br />
∂c<br />
(7.16)<br />
(7.17)<br />
gegeben. Der stationäre Punkt <strong>der</strong> <strong>in</strong>terpolierten Funktion soll nun über e<strong>in</strong> Abstiegsverfahren<br />
[23] iterativ ermittelt werden. E<strong>in</strong>e Richtung η ist genau dann e<strong>in</strong>e Abstiegsrichtung,<br />
wenn<br />
f qn (c) − f qn (c − αη) > 0 (7.18)<br />
mit <strong>der</strong> Schrittweite α > 0 gilt. Nach [23] ist die Newton-Richtung def<strong>in</strong>iert als<br />
( ) ∂ 2 −1<br />
f qn (c)<br />
η N =<br />
· ∂f q n<br />
(c)<br />
∂c 2 ∂c<br />
(7.19)<br />
und ist genau dann e<strong>in</strong>e Abstiegsrichtung, wenn<br />
( ) T ∂fqn (c)<br />
· η > 0 (7.20)<br />
∂c<br />
erfüllt ist. Setzt man nun die Newton-Richtung η N als Abstiegsrichtung η <strong>in</strong><br />
Gleichung (7.20) e<strong>in</strong>, so ist direkt ersichtlich, dass ddQ = ddQ T > 0 positiv def<strong>in</strong>it<br />
(h<strong>in</strong>reichende Bed<strong>in</strong>gung) se<strong>in</strong> muss, damit η N e<strong>in</strong>e Abstiegsrichtung ist. η N kann <strong>in</strong> dem<br />
Abstiegsverfahren nach [23]<br />
c k+1 = c k − αη N (7.21)<br />
genutzt werden. Der skalare Faktor α > 0 repräsentiert dabei die Schrittweite im Abstiegsverfahren.<br />
7.4 Bestimmung <strong>der</strong> optimalen Schrittweite<br />
Um e<strong>in</strong>en (quasi-)optimalen Schritt durchführen zu können, muss die Weite entwe<strong>der</strong><br />
analytisch o<strong>der</strong> heuristisch (zum Beispiel Armijo-Schrittweite, Wolfe-Powell-Schrittweite<br />
[23, 68] o<strong>der</strong> Goldste<strong>in</strong>-Schrittweite [68]) ermittelt werden. Grundlage hierfür ist die M<strong>in</strong>imierungsaufgabe<br />
α ⋆ = m<strong>in</strong><br />
α>0 f q n<br />
(c − αη) , (7.22)<br />
welche für quadratische Funktionen analytisch lösbar ist. Um die folgenden Berechnungen<br />
zu vere<strong>in</strong>fachen, sei die Matrix Q n partitioniert als
7 Quadratische Approximation und Optimierung 81<br />
Q n =<br />
( ) ˜Q1 ˜QT 2<br />
. (7.23)<br />
˜Q 2<br />
˜Q3<br />
˜Q 1 ∈ R enthält den Koeffizienten <strong>der</strong> Konstanten, ˜Q2 ∈ R n die Koeffizienten <strong>der</strong> l<strong>in</strong>earen<br />
Terme und ˜Q 3 ∈ R n×n die Koeffizienten <strong>der</strong> quadratischen Terme <strong>von</strong> f qn (c). Die<br />
Gleichung (7.9) kann somit als<br />
f qn (c) = ˜Q 1 + 2 · ˜Q T 2 c + c T ˜Q3 c (7.24)<br />
geschrieben werden. Die M<strong>in</strong>imierungsaufgabe aus Gleichung (7.22) wird gelöst, <strong>in</strong>dem<br />
<strong>der</strong> Gradienten <strong>von</strong> Gleichung (7.24) zu Null gesetzt und nach α aufgelöst wird. Es folgt<br />
für α ⋆ demnach<br />
∂f qn (c − αη)<br />
∂α<br />
= ∂ (<br />
˜Q1 + 2 ·<br />
∂α<br />
˜Q T 2 · (c − αη) + (c − αη) T ˜Q3 (c − αη))<br />
= ∂ (<br />
˜Q1 +<br />
∂α<br />
˜Q T 2 · (c − αη) + c T ˜Q3 c − αc T ˜Q3 η − αη T ˜Q3 c + α 2 η T ˜Q3 η)<br />
= −2 ˜Q T 2 η − 2c T ˜Q3 η + 2αη T ˜Q3 η<br />
= −2<br />
(<br />
˜QT 2 η + c T ˜Q3 η − αη T ˜Q3 η)<br />
!<br />
= 0<br />
⇒ α ⋆ = QT 2 η + c T Q 3 c<br />
.<br />
η T Q 3 η<br />
Da <strong>von</strong> e<strong>in</strong>er quadratischen Funktion f qn<br />
∂w (c)<br />
∂c<br />
= ∂ ∂c<br />
ausgegangen wird, ergibt sich für<br />
(<br />
1<br />
c<br />
)<br />
=<br />
(<br />
0 l<br />
I<br />
)<br />
(7.25)<br />
, (7.26)<br />
wobei 0 l ∈ R 1×n e<strong>in</strong> liegen<strong>der</strong> Nullvektor, 0 s ∈ R n×1 e<strong>in</strong> stehen<strong>der</strong> Nullvektor und<br />
I ∈ R n×n e<strong>in</strong>e E<strong>in</strong>heitsmatrix <strong>der</strong> entsprechenden Größe ist. Um die Newton-Richtung<br />
η N<br />
zu bestimmen, werden <strong>in</strong> Gleichung (7.19) das Ergebnis aus Gleichung (7.26) und<br />
Gleichung (7.23) e<strong>in</strong>gesetzt. Dadurch erhält man<br />
(<br />
(<br />
η N = 2 · 0 s I<br />
η N =<br />
(<br />
−1 ˜Q 3 · ˜Q2 + ˜Q<br />
)<br />
3 c =<br />
) ( ) (<br />
˜Q1 ˜QT 2<br />
˜Q 2<br />
˜Q3<br />
˜Q<br />
−1<br />
3<br />
˜Q 2 + c.<br />
0 l<br />
I<br />
)) −1<br />
(<br />
· 2 · 0 s I<br />
) ( ) ˜Q1 ˜QT 2<br />
˜Q 2<br />
˜Q3<br />
} {{ }<br />
=<br />
(<br />
˜Q2 ˜Q3<br />
)<br />
(<br />
1<br />
c<br />
)<br />
(7.27)<br />
Weiterh<strong>in</strong> wird Gleichung (7.27) <strong>in</strong> Gleichung (7.25) zur analytischen Bestimmung <strong>von</strong><br />
α ⋆ e<strong>in</strong>gesetzt. Für e<strong>in</strong>e symmetrische Matrix ˜Q 3 = ˜Q T 3 ist allgeme<strong>in</strong> bekannt, dass die
7 Quadratische Approximation und Optimierung 82<br />
<strong>in</strong>verse Matrix ebenfalls symmetrisch ist und somit<br />
<strong>in</strong> Gleichung (7.25) mit η = η N erhält man dann<br />
η T N ˜Q 3 η N =<br />
=<br />
( ˜Q−1 3<br />
( ˜Q−1 3<br />
= ˜Q T 2<br />
= ˜Q T 2<br />
= ˜Q T 2<br />
˜Q 2 + c) T<br />
˜Q3<br />
( ˜Q−1 3<br />
˜Q<br />
−1<br />
3 =<br />
)<br />
˜Q 2 + c<br />
)<br />
T (<br />
˜Q 2 + c)<br />
˜Q2 + ˜Q 3 c<br />
) T<br />
˜Q2 + c T ˜Q2 + ˜Q T 2<br />
( ˜Q−1 3<br />
−1 ˜Q 3<br />
−1 ˜Q 3<br />
˜Q 2 + c T ˜Q2 + ˜Q T 2 c + c T ˜Q3 c<br />
˜Q 2 + 2c T ˜Q2 + c T ˜Q3 c<br />
( ) T ˜Q−1 3 gilt. Für den Nenner<br />
( ) T ˜Q−1 3 ˜Q3 c + c T ˜Q3 c<br />
(7.28)<br />
und für den Zähler<br />
˜Q T 2 η N + c T ˜Q3 η N = ˜Q T 2<br />
= ˜Q T 2<br />
= ˜Q T 2<br />
( ˜Q−1 3<br />
−1 ˜Q 3<br />
−1 ˜Q 3<br />
) ( )<br />
˜Q 2 + c + c T ˜Q3 ˜Q−1 3<br />
˜Q 2 + c<br />
˜Q 2 + ˜Q T 2 c + c T ˜Q3 ˜Q−1 3<br />
˜Q 2 + 2c T ˜Q2 + c T ˜Q3 c.<br />
˜Q 2 + c T ˜Q3 c<br />
(7.29)<br />
Da Zähler und Nenner aus Gleichung (7.29) und Gleichung (7.28) identisch s<strong>in</strong>d, ergibt<br />
sich für α ⋆ = 1 > 0.<br />
7.5 Abstiegsverfahren mit optimaler Schrittweite<br />
Mit <strong>der</strong> Schrittweite α ⋆ = 1 und <strong>der</strong> Abstiegsrichtung η N ist diese Methode auch als<br />
Newton-Verfahren [23] bekannt und konvergiert für quadratische Funktionen <strong>in</strong> exakt<br />
e<strong>in</strong>em Schritt. Die Optimierungsaufgabe<br />
( ) ∂<br />
ĉ = arg m<strong>in</strong> {f qn (c)} = c 0 2 f qn (c 0 −1<br />
)<br />
−<br />
· ∂f q n<br />
(c 0 )<br />
, (7.30)<br />
∂c 2 ∂c<br />
mit c 0 e<strong>in</strong>e beliebige Näherungslösung und dem zugehörigen w 0 =<br />
(<br />
1 (c 0 ) T ) T<br />
, liefert<br />
e<strong>in</strong>en Schätzwert ĉ für das Optimum c ⋆ . Um ˆf qn zur berechnen, wird nur noch ŵ<br />
( ) T<br />
benötigt, welches wie<strong>der</strong> über ŵ = 1 (c ⋆ ) T gegeben ist. Den geschätzten optimalen<br />
Funktionswert ˆf qn<br />
<strong>der</strong> quadratisch approximierten Funktion f (c) erhält man dann mit<br />
ˆf qn = (ŵ) T · Q · ŵ. (7.31)<br />
Um das ĉ zu bestimmen, wird <strong>der</strong> im Folgenden vorgestellte Algorithmus 7.2 verwendet.<br />
Dieser wurde um e<strong>in</strong>en Fallback-Modus erweitert, <strong>der</strong> <strong>in</strong> Abschnitt 8.3 genauer erläutert<br />
wird.
7 Quadratische Approximation und Optimierung 83<br />
Algorithmus 7.2 Quadratische Optimierung<br />
Funktion quadOpt<br />
E<strong>in</strong>gangsdaten: Q, s, Č, ˇF , ρ<br />
ĉ = arg m<strong>in</strong> { F ( Č )}<br />
ˆf = m<strong>in</strong> { F ( Č )}<br />
{<br />
p m<strong>in</strong> = i ∈ [1, d] ∣ ˆf = f ( ) }<br />
Č i // Spalte des M<strong>in</strong>imums ˆf<br />
wenn (s == 1) {<br />
W = ( 1 Č ) T T<br />
) T<br />
dQ = 2 · · Q // siehe Gleichung (7.15)<br />
}<br />
(<br />
∂w(c)<br />
∂c<br />
ddQ = dQ · ∂w(c)<br />
// siehe Gleichung (7.17)<br />
∂c<br />
wenn (ddQ > 0) {<br />
// positiv def<strong>in</strong>it<br />
ĉ tmp = Č0 − ddQ −1 · dQ · W 0 // siehe Gleichung (7.30)<br />
ŵ = ( 1 (ĉ tmp ) ) T T<br />
ˆf qn = (ŵ) T · Q · ŵ // siehe Gleichung (7.31)<br />
wenn (∥ ∥ĉ tmp − Čd ∥ < ρ ) { // M<strong>in</strong>imum <strong>in</strong>nerhalb <strong>von</strong> U<br />
ĉ = ĉ tmp<br />
ˆf = ˆf qn<br />
}<br />
}<br />
Ausgangsdaten: ĉ, p m<strong>in</strong><br />
7.6 Wahl <strong>der</strong> Stützstellen<br />
Wählt man die Stützstellen auf dem Rand <strong>von</strong> U, so hängt die Genauigkeit δ <strong>der</strong> Interpolation<br />
maßgeblich <strong>von</strong> <strong>der</strong> Ausdehnung <strong>der</strong> Umgebung U ab. Die Umgebung U soll im<br />
Weiteren über den Radius ρ um e<strong>in</strong>en zunächst beliebigen Punkt c 0 im Def<strong>in</strong>itionsbereich<br />
D <strong>der</strong> Funktion festgelegt werden, mit<br />
U =<br />
∣ ∣∣∣<br />
√<br />
}<br />
{c ∈ D ⊆ R n (c − c 0 ) 2 < ρ . (7.32)
7 Quadratische Approximation und Optimierung 84<br />
Abbildung 7.1: Def<strong>in</strong>ition Umgebung (l<strong>in</strong>ks 1d, rechts 2d)<br />
Abbildung 7.1 zeigt die Umgebung U e<strong>in</strong>er beliebigen Funktion f (c) <strong>in</strong> e<strong>in</strong>er (l<strong>in</strong>ks)<br />
beziehungsweise <strong>in</strong> zwei (rechts) Unbekannten. Gesucht wird nun e<strong>in</strong>e s<strong>in</strong>nvolle Verteilung<br />
<strong>der</strong> Stützstellen auf dem Rand <strong>der</strong> Umgebung, so dass das resultierende LGS e<strong>in</strong>deutig<br />
bestimmbar wird. Dazu sollen diese möglichst unterscheidbar se<strong>in</strong>. Um e<strong>in</strong>e geeignete<br />
Strategie zu entwickeln, muss zunächst die Anzahl <strong>der</strong> zu bestimmenden Parameter d<br />
aus Gleichung (7.12) mit <strong>der</strong> Anzahl <strong>der</strong> Dimensionen n gegenüber gestellt werden. Der<br />
aktuelle Messpunkt c 0 wird als Mittelpunkt <strong>in</strong> <strong>der</strong> Approximation berücksichtigt. Dadurch<br />
werden vorab exakt (d−1) /n Evaluierungen pro Dimension benötigt, um die Funktion zu<br />
<strong>in</strong>terpolieren. Tabelle 7.1 listet die benötigten Evaluierungen bis zur Dimension n = 7<br />
auf. Daraus lässt sich zunächst <strong>in</strong>tuitiv e<strong>in</strong>e Verteilung auf die e<strong>in</strong>zelnen Dimensionen<br />
herleiten.<br />
n<br />
d = (n+1)(n+2)<br />
2<br />
d−1<br />
n = n+3<br />
2<br />
Verteilung <strong>der</strong> Stützstellen auf<br />
1 3 2 e<strong>in</strong>e Dimension<br />
2 6 2,5 zwei Dimensionen<br />
3 10 3 1×e<strong>in</strong>e und 1×zwei Dimensionen<br />
4 15 3,5 2×zwei Dimensionen<br />
5 21 4 5×e<strong>in</strong>e Dimension<br />
6 28 4,5 3×zwei Dimensionen<br />
7 36 5 e<strong>in</strong>e und je zwei Dimensionen<br />
Tabelle 7.1: Verteilung <strong>der</strong> Stützstellen<br />
E<strong>in</strong>e gerade (<strong>in</strong>klusive c 0 als Mittelpunkt <strong>in</strong> allen Dimensionen) Anzahl Stützstellen ist<br />
nicht äquidistant auf e<strong>in</strong>e Dimension verteilbar. Um diese möglichst gleichmäßig über die<br />
Dimensionen zu verteilen können, wurde e<strong>in</strong>e Heuristik entwickelt. Sie enthält drei Fälle<br />
zur Verteilung <strong>der</strong> Stützstellen, die <strong>in</strong> Tabelle 7.2 angegeben s<strong>in</strong>d.
7 Quadratische Approximation und Optimierung 85<br />
Fall<br />
Bed<strong>in</strong>gung<br />
k = 0, 1, ...<br />
1 n = 4k + 1<br />
n = (1, 5, 9, ...)<br />
2 n = 2k<br />
(n = 0, 2, 4, ...)<br />
3 n = 4k + 3<br />
(n = 3, 7, 11, ...)<br />
Folgerung n 1d und n 2d δ c (ρ)<br />
n+3<br />
pro Dimension<br />
2<br />
verteilbar<br />
n + 3 auf n×zwei<br />
2<br />
Dimensionen<br />
verteilbar<br />
n + 2 auf n−1×zwei<br />
2<br />
Dimensionen<br />
verteilbar und n + 1<br />
auf e<strong>in</strong>e Dimension<br />
n 1d = n+3<br />
2<br />
n 2d = 0<br />
n 1d = 0<br />
n 2d = n + 3<br />
n 1d = n + 1<br />
n 2d = n + 2<br />
δ c (ρ) = 2ρ<br />
n+3<br />
δ c (ρ) = 0<br />
δ c (ρ)=<br />
ρ<br />
n+1<br />
Tabelle 7.2: Aufteilung <strong>der</strong> Stützstellen, abhängig <strong>von</strong> <strong>der</strong> Anzahl <strong>der</strong> Dimensionen<br />
Zunächst soll gezeigt werden, wie die Verteilung im 1. Fall vorgenommen wird. Bei e<strong>in</strong>er<br />
Funktion f q1 (c) ∈ R werden laut Tabelle 7.1 d = 3 Stützstellen benötigt, wobei c 0 <strong>in</strong> <strong>der</strong><br />
Mitte <strong>der</strong> Umgebung schon evaluiert ist. Es fehlen also noch n+3 ∣<br />
2 n=1<br />
= 2 Stützstellen, die<br />
gemäß Fall 1 aus Tabelle 7.2 äquidistant verteilt werden müssen. Dafür wird δ c (ρ) = 2ρ = n+3<br />
ρ<br />
angenommen und jeweils <strong>von</strong> 2 c0 subtrahiert (c −1 ) beziehungsweise zu c 0 addiert (c 1 ). Der<br />
l<strong>in</strong>ke Graph <strong>in</strong> Abbildung 7.2 zeigt beispielhaft diese Verteilung. Verallgeme<strong>in</strong>ert müssen<br />
n+3<br />
4<br />
Stützstellen l<strong>in</strong>ks und n+3<br />
4<br />
Stützstellen rechts <strong>von</strong> c 0 auf <strong>der</strong> jeweiligen Dimension<br />
ausgewertet werden. Fast man die äquidistanten Schritte <strong>in</strong> e<strong>in</strong>em Vektor<br />
(<br />
∆c (ρ) =<br />
− ρ 2<br />
· · · − 4ρ<br />
n+3<br />
− 2ρ<br />
n+3<br />
2ρ<br />
n+3<br />
4ρ<br />
n+3<br />
· · ·<br />
zusammen, so können die Stützstellen über die Matrixgleichung<br />
ρ<br />
2<br />
)<br />
∈ R 1×n 1d<br />
(7.33)<br />
˜C = c 0 1 T − ∆ (7.34)<br />
(<br />
berechnet werden. Dabei ist 1 =<br />
1 1 · · · 1<br />
) T<br />
∈ R (d−1)×1 und<br />
⎛<br />
∆ (ρ) = ∆ c (ρ) =<br />
⎜<br />
⎝<br />
∆c (ρ) 0 c · · · 0 c<br />
0 c ∆c (ρ) · · · 0 c<br />
.<br />
. . .. .<br />
0 c 0 c · · · ∆c (ρ)<br />
⎞<br />
⎟<br />
⎠ ∈ Rn×(d−1) (7.35)<br />
mit dem Nullvektor 0 c ∈ R 1×n 1d<br />
Evaluierungspunkte genutzt werden.<br />
gegeben. Die stehenden Vektoren <strong>von</strong> č können nun als<br />
Soll nun e<strong>in</strong>e Funktion f q2 (c) ∈ R 2 quadratisch approximiert werden, so müssen schon<br />
∣<br />
n=2<br />
= 2, 5 Evaluierungspunkte pro Dimension verteilt werden. Weil dies nicht ohne<br />
n+3<br />
2<br />
weiteres möglich ist, werden zwei Dimensionen zusammengefasst, auf die die Stützstellen<br />
positioniert werden. Da die Umgebung über e<strong>in</strong>en Radius ρ def<strong>in</strong>iert wird, bietet es sich<br />
an, die Stützstellen wie <strong>in</strong> Abbildung 7.2 äquidistant auf dem Kreisrand anzuordnen. Die
7 Quadratische Approximation und Optimierung 86<br />
Abbildung 7.2: Beispiel zur Verteilung <strong>der</strong> Stützstellen<br />
W<strong>in</strong>keldifferenz ∆Φ zwischen zwei Punkten ergibt sich über den Zusammenhang<br />
δ Φ = 2π<br />
n 2d<br />
. (7.36)<br />
Die W<strong>in</strong>kel <strong>der</strong> e<strong>in</strong>zelnen Punkte können über den Zusammenhang<br />
1, . . . , n 2d berechnet und <strong>in</strong> e<strong>in</strong>em Hilfsvektor<br />
( )<br />
∆˜Φ = δ φ (i − 1) , i =<br />
i<br />
(<br />
∆˜Φ =<br />
Φ 1 Φ 2 · · · Φ n2d<br />
) T<br />
∈ R<br />
n 2d<br />
(7.37)<br />
zusammengefasst werden. E<strong>in</strong>e Transformation <strong>in</strong> kartesische Koord<strong>in</strong>aten erfolgt dann<br />
über die (auf ∆˜Φ bezogene elementweise) S<strong>in</strong>us- und Kos<strong>in</strong>us-Funktion<br />
⎛ (<br />
∆Φ (ρ) = ⎝ ρ · s<strong>in</strong> ρ · cos<br />
)<br />
∆˜Φ )<br />
(<br />
∆˜Φ<br />
⎞<br />
⎠ ∈ R 2×n 2d<br />
, (7.38)<br />
die dann jeweils auf die zwei aktuell <strong>in</strong> c 0 betrachteten Dimensionen subtrahiert wird.<br />
Auch <strong>in</strong> diesem Falle kann e<strong>in</strong>e Verallgeme<strong>in</strong>erung über Gleichung (7.34) vorgenommen<br />
werden. Dazu werden die, auf die W<strong>in</strong>kel bezogenen, äquidistant ause<strong>in</strong>an<strong>der</strong> liegenden<br />
Punkte ∆Φ (ρ) wie<strong>der</strong>um <strong>in</strong> <strong>der</strong> Matrix<br />
⎛<br />
⎞<br />
∆Φ (ρ) 0 Φ · · · 0 Φ<br />
0<br />
∆ (ρ) = ∆ Φ (ρ) =<br />
Φ ∆Φ (ρ) · · · 0 Φ<br />
⎜<br />
.<br />
⎝ . . .. ⎟ . ⎠ ∈ Rn×(d−1) (7.39)<br />
0 Φ 0 Φ · · · ∆Φ (ρ)<br />
zusammengefasst. Hierbei sei zu beachten, dass die Größe des Nullvektors 0 Φ ∈ R 2×n 2d<br />
entsprechend angepasst werden muss und ∆Φ (ρ) nun n /2 mal auf <strong>der</strong> Diagonalen <strong>der</strong><br />
Matrix ∆ (ρ) vorkommt.<br />
Zuletzt muss noch <strong>der</strong> 3. Fall aus Tabelle 7.2 betrachtet werden. Dieser stellt e<strong>in</strong>e Komb<strong>in</strong>ation<br />
aus den Fällen 1 und 2 dar, wobei die Matrix ∆ (ρ) wie<strong>der</strong>um modifiziert werden
7 Quadratische Approximation und Optimierung 87<br />
muss. Diese ist dann def<strong>in</strong>iert als<br />
∆ (ρ) = ∆ Φc (ρ) =<br />
(<br />
∆ Φ (ρ) 0<br />
0 ∆c (ρ)<br />
)<br />
∈ R n×(d−1) . (7.40)<br />
Die Matrizen ∆ Φ (ρ) und ∆c (ρ) haben an<strong>der</strong>e Größen, da n 1d und n 2d laut Tabelle 7.2<br />
(<br />
für Fall 3. Es gilt nun ∆ Φ (ρ) ∈ R (n−1)× n<br />
2 +n−2<br />
2<br />
)<br />
und ∆c ∈ R 1×n+1 . Wenn man nun die<br />
Dimension <strong>der</strong> Matrix ∆ Φc (ρ) betrachtet, so erhält man n−1+1 = n Zeilen und n2 +n−2<br />
2<br />
+<br />
n + 1 = n(n+3)<br />
2<br />
= d − 1 Spalten. Zusätzlich müssen die Nullvektoren <strong>in</strong> Gleichung (7.40)<br />
<strong>der</strong> Größe entsprechend angepasst werden.<br />
Mit den vorab hergeleiteten Größen wurde e<strong>in</strong> Algorithmus formuliert, <strong>der</strong> die Auswahl<br />
<strong>der</strong> Stützstellen <strong>in</strong> Abhängigkeit <strong>der</strong> Anzahl <strong>der</strong> Dimensionen realisiert. Dieser ist <strong>in</strong> vier<br />
Teilalgorithmen aufgeteilt, da verschiedene Funktion mehrfach genutzt werden.<br />
Algorithmus 7.3 Haupt-Algorithmus zur Aufteilung <strong>der</strong> Stützstellen<br />
Funktion berechneStützstellen<br />
E<strong>in</strong>gangsdaten: n, ρ, c 0<br />
d = (n+1)(n+2)<br />
2<br />
wenn (n modulo 2 ≠ 0) und (d modulo 2 == 0) { // 1. Fall<br />
n 1d = n+3<br />
2<br />
δ c = ρ<br />
n 1d<br />
∆ (ρ) =<br />
∆ c (ρ) =berechneDeltaAusC(n, n 1d , δ c (ρ)) // siehe Algorithmus 7.4<br />
}<br />
sonst wenn (n modulo 2 == 0) { // 2. Fall<br />
n 1d = 0<br />
n 2d = n + 3<br />
δ Φ = 2π<br />
n 2d<br />
∆ (ρ) =<br />
∆ Φ (ρ) =berechneDeltaAusRhoUndPhi ( n, n 1d , n 2d , n 2 , ρ, δ Φ)<br />
// siehe<br />
// Algorithmus 7.6<br />
}<br />
sonst { // 3.Fall<br />
n 1d = n + 1<br />
n 2d = n + 2<br />
δ c = ρ<br />
n 1d<br />
δ Φ = 2π<br />
n 2d<br />
∆ Φ (ρ) =berechneDeltaAusRhoUndPhi ( n, n 2d , n−1<br />
∆c (ρ) =berechneDeltaC(n, ( ) n 1d , δ c (ρ))<br />
∆Φ (ρ) 0<br />
∆ (ρ) =<br />
0 ∆c (ρ)<br />
}˜C = c 0 1 T − ∆ (ρ)<br />
, ρ, δ )<br />
2 Φ<br />
Ausgangsdaten: ˜C<br />
In Algorithmus 7.3 wird die Auswahl <strong>der</strong> drei Fälle aus Tabelle 7.2 über Modulo-Opera-
7 Quadratische Approximation und Optimierung 88<br />
tionen realisiert. Er liefert die Matrix č aus Gleichung (7.34) die die Auswertepunkte als<br />
stehende Vektoren enthält. Auf den Teilalgorithmus, <strong>der</strong> Zusammensetzen <strong>von</strong> ∆ (ρ) aus<br />
den Teilmatrizen ∆ Φ (ρ) und ∆c (ρ) im 3. Fall vornimmt, wurde hier verzichtet, da es sich<br />
dabei um e<strong>in</strong>e triviale Kopierfunktion handelt. Der folgenden Algorithmus 7.4 wird für<br />
Fall 1 aus Tabelle 7.2 genutzt und ist auch als Funktion mit E<strong>in</strong>- und Ausgabeparameter<br />
entworfen worden.<br />
Algorithmus 7.4 Berechnung <strong>von</strong> ∆; Fall 1<br />
Funktion berechneDeltaAusC<br />
E<strong>in</strong>gangsdaten: n, n 1d , δ c (ρ)<br />
Initialisiere ∆ c (ρ) ∈ R n×n·n1d als Nullmatrix<br />
∆c (ρ) =berechneDeltaC(n, n 1d , δ c (ρ)) // siehe Algorithmus 7.5<br />
für i = 1 bis n {<br />
für j = 1 bis n 1d {<br />
(∆ (ρ)) = (∆c (ρ)) i,(i−1)n1d+j j<br />
}<br />
}<br />
Ausgangsdaten: ∆ c (ρ)<br />
Um das ∆c (ρ) für die Fälle 1 und 3 zu berechnen, wird Algorithmus 7.5 genutzt. Entgegen<br />
<strong>der</strong> <strong>in</strong> Gleichung (7.33) vorgestellten Formel werden die Elemente nicht <strong>von</strong> − ρ 2 bis ρ 2<br />
äquidistant <strong>in</strong> den Vektor ∆c (ρ) geschrieben, son<strong>der</strong>n <strong>von</strong> −δ c bis − ρ 2 und δ c bis ρ 2 . Dies<br />
war algorithmisch e<strong>in</strong>facher zu realisieren; das Ergebnis än<strong>der</strong>te sich dadurch nicht!<br />
Algorithmus 7.5 Berechnung <strong>von</strong> ∆c; Fall 1 und 3<br />
Funktion berechneDeltaC<br />
E<strong>in</strong>gangsdaten: n, n 1d , δ c (ρ)<br />
Initialisiere ∆c (ρ) ∈ R 1×n1d<br />
für i = 1 bis n1d {<br />
2<br />
(∆c (ρ)) i<br />
= −iδ c (ρ)<br />
}<br />
(∆c (ρ)) n 1d<br />
2 +i = iδ c (ρ)<br />
als Nullvektor<br />
Ausgangsdaten: ∆c<br />
Der letzte Teilalgorithmus erzeugt das ∆ Φ (ρ) aus Gleichung (7.39). Hierbei wird auf den<br />
Hilfsvektor ∆˜Φ im Algorithmus 7.6 verzichtet, um die Ausführung zu beschleunigen.
7 Quadratische Approximation und Optimierung 89<br />
Algorithmus 7.6 Berechnung <strong>von</strong> ∆ Φ ; Fall 2 und 3<br />
Funktion berechneDeltaAusRhoUndPhi<br />
E<strong>in</strong>gangsdaten: n, n 1d , n 2d , n max , ρ, δ Φ<br />
Initialisiere ∆Φ (ρ) ∈ R 2×n2d als Nullmatrix<br />
Initialisiere ∆ Φ (ρ) ∈ R n×(nmax·n2d+n1d) als Nullmatrix<br />
für i = 1 bis n 2d {<br />
(∆Φ (ρ)) 1,i<br />
= ρ · s<strong>in</strong> (δ Φ (i − 1))<br />
(∆Φ (ρ)) 2,i<br />
= ρ · cos (δ Φ (i − 1))<br />
}<br />
für i = 1 bis n max {<br />
für j = 1 bis n 2d {<br />
(∆ Φ (ρ)) = (∆Φ (ρ)) 2(i−1)+1,(i−1)n1d+j 1,j<br />
(∆ Φ (ρ)) = (∆Φ (ρ)) 2(i−1)+2,(i−1)n1d+j 2,j<br />
}<br />
}<br />
Ausgangsdaten: ∆ Φ<br />
7.7 Berücksichtigung <strong>von</strong> Messungenauigkeiten<br />
Bei <strong>der</strong> messtechnischen Erfassung <strong>von</strong> Stützstellen muss berücksichtigt werden, dass jede<br />
Messung mit e<strong>in</strong>em Messfehler σ behaftet ist. Messfehler können zum Beispiel durch<br />
thermisches Rauschen, Schrotrauschen o<strong>der</strong> Fehler durch Messabweichungen des Messgeräts<br />
entstehen. Der Schätzwert ˆσ für den Messfehler σ kann über e<strong>in</strong>e Messreihe mit N<br />
Messungen stochastisch als Standardabweichung [51, 63]<br />
mit dem empirischen Mittelwert [51, 63]<br />
ˆσ = √ 1 N∑ (<br />
fi (c) − F ) 2<br />
N − 1<br />
i=1<br />
(7.41)<br />
F = 1 N<br />
N∑<br />
f i (c) (7.42)<br />
i=1<br />
und f i (c 0 ) mit i = 1, . . . , N Messungen bei c geschätzt werden. Um e<strong>in</strong>e Stützstelle zu<br />
evaluieren, werden N Messungen mit den selben Parameter durchgeführt, so dass e<strong>in</strong>e<br />
Abschätzung des Standardfehlers möglich wird. Der Standardfehler ist e<strong>in</strong> Maß für die<br />
Streubreite <strong>der</strong> Messwerte und beschreibt die Genauigkeit zum empirischen Mittelwert F<br />
aus Gleichung (7.42). Der Mittelwert F und <strong>der</strong> Schätzwert ˆσ des Messfehlers σ werden<br />
onl<strong>in</strong>e aktualisiert. Zur Datenerfassung wird im Messaufbau das <strong>in</strong> Abbildung 2.6 gezeigte<br />
NI-DAQ USB-6210 verwendet. Dies verfügt pro Kanal über e<strong>in</strong>e Abtastrate <strong>von</strong> s<strong>in</strong>d 250<br />
kHz. Für die Bestimmung des empirischen Mittelwerts F mit N = 50 E<strong>in</strong>zelmessungen<br />
werden somit 2 ms benötigt. Im folgenden Beispiel soll gezeigt werden, was e<strong>in</strong> nicht an
7 Quadratische Approximation und Optimierung 90<br />
den Standardfehler σ angepasster Radius ρ bewirkt. Abbildung 7.3 zeigt die fehlerhafte<br />
Interpolation f q1 (c) (gepunktet) <strong>der</strong> Funktion f (c). Der Radius ρ ist somit zu kle<strong>in</strong><br />
gewählt.<br />
Abbildung 7.3: Fehlerhafte Interpolation bei zu kle<strong>in</strong>em Radius ρ<br />
Es wird demnach e<strong>in</strong>e Strategie benötigt, um U mittels ρ an die Funktion möglichst<br />
optimal anzupassen. Ist die Standardabweichung aus empirischen Messungen bekannt,<br />
kann das m<strong>in</strong>imale ρ durch sukzessive Erhöhung während e<strong>in</strong>er Kalibrierung bestimmt<br />
werden. Abbildung 7.4 zeigt die Interpolation f q1 (c) (gepunktet) bei e<strong>in</strong>em vergrößertem<br />
Radius ρ.<br />
Abbildung 7.4: Verbesserter Radius ρ<br />
Ist die Hessematrix aus Gleichung (7.16) negativ def<strong>in</strong>it o<strong>der</strong> <strong>in</strong>def<strong>in</strong>it, so kann dies also<br />
e<strong>in</strong> H<strong>in</strong>weis auf e<strong>in</strong>en zu kle<strong>in</strong>en Radius ρ se<strong>in</strong>, da <strong>in</strong> <strong>der</strong> Nähe e<strong>in</strong>es M<strong>in</strong>imums die<br />
Hessematrix positiv def<strong>in</strong>it se<strong>in</strong> muss. Im späteren Reglerentwurf ist für diesen Fall e<strong>in</strong>e<br />
alternative Auswahlstrategie erfor<strong>der</strong>lich. Zusätzlich muss <strong>der</strong> Radius ρ erhöht werden.
8<br />
Entwurf e<strong>in</strong>es<br />
Extremwertreglers<br />
Die Regelung e<strong>in</strong>es Systems auf e<strong>in</strong>en Extremwert ist e<strong>in</strong> bisher kaum betrachtetes Anwendungsgebiet<br />
<strong>in</strong> <strong>der</strong> Regelungstechnik. Im Gegensatz zu e<strong>in</strong>em konventionellen Regler,<br />
<strong>der</strong> das betrachtete dynamische System auf e<strong>in</strong>en Soll-Wert regeln und halten soll, wird<br />
<strong>in</strong> <strong>der</strong> Extremwertregelung die laufende Optimierung e<strong>in</strong>er vorab def<strong>in</strong>ierten Zielgröße<br />
verfolgt. Dies be<strong>in</strong>haltet sowohl das Auff<strong>in</strong>den als auch das Halten des Optimums bei<br />
vorhandener Störgröße z (t).<br />
So realisierte zum Beispiel Wie<strong>der</strong>hold 2011, basierend auf den Theorien <strong>von</strong> Ariyur,<br />
Kartik und Krsti [3], e<strong>in</strong>e Regelung abgelöster Strömungen <strong>in</strong> hoch belasteten Turbomasch<strong>in</strong>en”<br />
[84]. Auch Herbrand stützt se<strong>in</strong>en <strong>in</strong> [37, 38] entwickelten Extremwertregler<br />
”<br />
”<br />
zur automatischen Strahlführung an e<strong>in</strong>em L<strong>in</strong>earbeschleuniger” auf diese Methode. Bei<br />
beiden Reglern wird die <strong>in</strong> Abbildung 8.1 dargestellte Stellgröße u (t) mit e<strong>in</strong>em harmonischen<br />
Signal a · s<strong>in</strong> (ωt) überlagert.<br />
Abbildung 8.1: Standard-Regelkreis<br />
Bei h<strong>in</strong>reichend kle<strong>in</strong>en Zeitkonstanten kann das dynamische System dem angeregten Signal<br />
folgen und es ist e<strong>in</strong> Ausgangssignal y (t) zu erwarten, welches ebenfalls harmonisch<br />
schw<strong>in</strong>gt. Durch Hochpass-Filterung <strong>von</strong> y (t) wird <strong>der</strong> Gleichanteil entfernt und somit<br />
kann im weiteren Verlauf auf den noch unbekannten Gradienten geschlossen werden. Zur
8 Entwurf e<strong>in</strong>es Extremwertreglers 92<br />
Abbildung 8.2: Strom-Spannungskennl<strong>in</strong>ie e<strong>in</strong>es Solarkollektor-Arrays nach [43]<br />
Vertiefung seien dazu auf die Arbeiten <strong>von</strong> Herbrand, Wie<strong>der</strong>hold und Ariyur et al. verwiesen<br />
[3, 37, 38, 84].<br />
E<strong>in</strong>en völlig an<strong>der</strong>en Weg gehen sogenannte MPP 1 -Regler. Sie werden benötigt, um die<br />
Leistungsabgabe P e<strong>in</strong>es Solarzellen-Arrays zu optimieren. Es existieren verschiedene<br />
Regler-Strategien [8, 27, 43], wobei die P&O 2 - und die InC 3 -Methode am Geläufigsten<br />
s<strong>in</strong>d. Abbildung 8.2 zeigt e<strong>in</strong>e typische Strom-Spannungskennl<strong>in</strong>ie e<strong>in</strong>es solchen Arrays.<br />
Zusätzlich ist die Leistung P (I, U) = I·U aufgetragen. Am Punkt (I ⋆ , U ⋆ ) ist P (I ⋆ , U ⋆ ) =<br />
P ⋆ maximal, wobei dieser Punkt als MPP bezeichnet wird.<br />
Zunächst wird <strong>der</strong> Arbeitspunkt P ⋆ ermittelt, <strong>in</strong>dem die gesamte Kennl<strong>in</strong>ie bezüglich<br />
U durchlaufen und danach das gefundene Maximum e<strong>in</strong>gestellt wird. Durch Abschattung,<br />
wie zum Beispiel aufziehende Bewölkung o<strong>der</strong> Baumschatten, verschiebt sich <strong>der</strong><br />
MPP des Array jedoch, so dass dieser dynamisch nachgeregelt werden muss. Dazu wird<br />
periodisch die Spannung um ±∆U verschoben und somit überprüft, ob sich <strong>der</strong> MPP<br />
<strong>in</strong>sgesamt verschoben hat. Das aktuell beste Resultat wird dann als neuer Arbeitspunkt<br />
des Kollektor-Arrays angenommen.<br />
8.1 Reglerentwurf mithilfe e<strong>in</strong>er sukzessiven<br />
quadratischen Interpolation (SQI)<br />
Der im Folgenden vorgestellte Regler wurde angelehnt an die sukzessive parabolische<br />
Interpolation nach Heath [33]. Das Verfahren wurde auf multivariate Funktionen erweitert<br />
und <strong>in</strong> e<strong>in</strong>en geschlossenen Regelkreis e<strong>in</strong>gebettet. Vorteil <strong>der</strong> modifizierten Methode nach<br />
1 Maximum Power Po<strong>in</strong>t<br />
2 Perturb and Observe<br />
3 Incremental Conductance
8 Entwurf e<strong>in</strong>es Extremwertreglers 93<br />
Heath ist, dass nur e<strong>in</strong>e Funktionsauswertung benötigt wird, um den nächsten geschätzten<br />
Kandidaten für e<strong>in</strong> Optimum zu f<strong>in</strong>den. Bevor <strong>der</strong> Regler hergeleitet wird, soll zunächst<br />
die ursprüngliche Methode vorgestellt werden.<br />
8.2 Sukzessive parabolische Interpolation (SPI)<br />
Es sei e<strong>in</strong>e nichtl<strong>in</strong>eare, analytische und univariate Funktion f (x) : R → R gegeben, die<br />
nach unten beschränkt ist. Zusätzlich seien drei Startpunkte (a, b, c) = (a 0 , b 0 , c 0 ), mit<br />
a < b < c und x ⋆ ∈ [a, c] vorgegeben. So kann das M<strong>in</strong>imum x ⋆ = arg m<strong>in</strong> {f (x)} nach<br />
[33, 34] mit dem M<strong>in</strong>imum<br />
ˆx = 1 2 · (b − a)2 [f (b) − f (c)] − (b − c) 2 [f (b) − f (a)]<br />
(b − a) [f (b) − f (c)] − (b − c) [f (b) − f (a)]<br />
(8.1)<br />
<strong>der</strong> Interpolierten geschätzt werden. Abbildung 8.3 stellt den ersten Iterationsschritt des<br />
Verfahrens dar, welches beispielhaft auf die Funktion<br />
f (x) = 1 2 − x · e−x2 (8.2)<br />
angewendet wurde. Die <strong>in</strong>itialen Startpunkte wurden mit (a, b, c) = (0, 1, 2) und mit <strong>der</strong><br />
Auswerte-Reihenfolge c, b, a festgelegt, so dass c als erstes ausgewertet wurde und damit<br />
<strong>der</strong> älteste Punkt ist. Im weiteren Verlauf wird <strong>der</strong> (älteste) Punkt c verworfen, <strong>in</strong>dem<br />
c = b, b = a und a = ˆx gesetzt wird.<br />
Abbildung 8.3: Erster Iterationsschritt <strong>der</strong> sukzessiven parabolischen Interpolation<br />
Für die nächste Interpolation muss nur noch f (a) neu ausgewertet werden. Das gesamte<br />
Iterationsverfahren ist <strong>in</strong> Algorithmus 8.1 beschrieben. Als Abbruchkriterium dient e<strong>in</strong>e
8 Entwurf e<strong>in</strong>es Extremwertreglers 94<br />
fest vorgegebene Anzahl n an Iterationsschritten.<br />
Algorithmus 8.1 Sukzessive parabolische Interpolation<br />
Funktion SPI<br />
E<strong>in</strong>gangsdaten: a 0 , b 0 , c 0 , n<br />
Initialisiere a = a 0 , b = b 0 und c = c 0<br />
Evaluiere Startwerte mit f a = f (a) , f b = f (b) und f c = f (c)<br />
für i = 1 bis n {<br />
ˆx = 1 2 · (b−a)2 [f(b)−f(c)]−(b−c) 2 [f(b)−f(a)]<br />
(b−a)[f(b)−f(c)]−(b−c)[f(b)−f(a)]<br />
verwerfe ältesten Punkt mit c = b, b = a und a = ˆx<br />
f c = f b , f b = f a<br />
und f a = f (a)<br />
}<br />
Ausgangsdaten: ˆx<br />
Alternativ kann auch <strong>der</strong> Abstand zwischen alten und neuem Schätzwert ˆx o<strong>der</strong> aber<br />
die Differenz zwischen den letzten beiden Optimalpunkten als Abbruchkriterium genutzt<br />
werden. Das Verfahren konvergiert laut Heath super-l<strong>in</strong>ear mit e<strong>in</strong>er Konvergenzrate <strong>von</strong><br />
r ≈ 1, 324. Abbildung 8.4 zeigt den Status nach vier Iterationsschritten. Die e<strong>in</strong>zelnen<br />
Auswertepunkte haben sich sukzessive dem gesuchten M<strong>in</strong>imum angenähert. Da weitere<br />
Untersuchungen zum SPI-Verfahren nicht Gegenstand dieser Arbeit s<strong>in</strong>d sei für weiterführende<br />
Studien auf [33, 34] verwiesen.<br />
Abbildung 8.4: Vierter Iterationsschritt <strong>der</strong> sukzessiven parabolischen Interpolation
8 Entwurf e<strong>in</strong>es Extremwertreglers 95<br />
8.3 Quadratische Interpolation (QI)<br />
Um lokale Informationen über das Kennl<strong>in</strong>ienfeld e<strong>in</strong>es nichtl<strong>in</strong>earen Systems zu erhalten,<br />
muss e<strong>in</strong> Extremwertregler die Umgebung U des aktuellen Arbeitspunktes mit e<strong>in</strong>er Rate<br />
T A h<strong>in</strong>reichend oft abtasten. Approximiert man das dynamische System um den Arbeitspunkt<br />
quadratisch und nicht sukzessiv, so werden nach Gleichung (7.12) d Abtastungen<br />
notwendig, um e<strong>in</strong> M<strong>in</strong>imum ĉ zu schätzen. Idealerweise bef<strong>in</strong>det sich <strong>der</strong> Arbeitspunkt ĉ<br />
dann im Optimum c ⋆ . Vorangegangene bzw. zukünftige, geschätzte Arbeitspunkte können<br />
e<strong>in</strong>deutig identifiziert werden, <strong>in</strong>dem diese mit e<strong>in</strong>em Index i versehen s<strong>in</strong>d. So erhält man<br />
für den aktuellen Arbeitspunkt e<strong>in</strong> ĉ i und für den nächsten ĉ i+1 . Um die Güte des Reglers<br />
zu bestimmen, ist es s<strong>in</strong>nvoll, e<strong>in</strong> Gütefunktional J anzugeben. Aus <strong>der</strong> gegebenen Aufgabenstellung<br />
muss <strong>in</strong>tuitiv das Abstandsquadrat zwischen Schätzwert ĉ und tatsächlichen<br />
Wert c ⋆ mit<br />
{ ∞<br />
}<br />
∑<br />
J ⋆ = m<strong>in</strong> {J (ĉ, c ⋆ )} = m<strong>in</strong> (ĉ i − c ⋆ i ) 2<br />
i=0<br />
(8.3)<br />
m<strong>in</strong>imiert werden. Da ke<strong>in</strong>erlei Informationen über c ⋆ vorliegen, ist das Gütefunktional<br />
J jedoch nicht bestimmbar, so dass später an<strong>der</strong>e Methoden zur Bestimmung <strong>der</strong> Regelgüte<br />
herangezogen werden müssen. Mit Gleichung (8.3) kann das Ziel <strong>der</strong> Regelung<br />
zwar angegeben werden, praktisch überprüfbar ist dies jedoch nicht.<br />
Zunächst wird angenommen, dass e<strong>in</strong>e Rate T A existiert, mit <strong>der</strong> das zu untersuchende<br />
dynamische System d-mal abgetastet werden kann, ohne das sich die Systemzustände zu<br />
stark än<strong>der</strong>n. Zur Bestimmung des nächsten Arbeitspunktes ĉ i+1 wird das System aus<br />
dem Arbeitsmodus <strong>in</strong> den Suchmodus überführt. Da aus dem Arbeitsmodus das letzte ĉ i<br />
als Startwert für die nächste Optimierung bekannt ist, gilt nun c 0 = ĉ i . Im Suchmodus<br />
werden die Stützstellen ˜C i = ˜C, die sich mit Gleichung (7.34) aus Abschnitt 7.6 ergeben,<br />
am System über den Stellvektor evaluiert. Die Messstellen werden <strong>in</strong> ˇF zusammengefasst,<br />
<strong>in</strong>dem die e<strong>in</strong>zelnen stehenden Vektoren <strong>in</strong> ˜C i über<br />
( ) ( )<br />
ˇF = ˇα S ˜Ci = f ˜Ci<br />
(8.4)<br />
sukzessive auf den E<strong>in</strong>gang des Systems gegeben und über die Messe<strong>in</strong>richtung erfasst<br />
werden. Die Funktion f (c) ist weiterh<strong>in</strong> analytisch nicht beschreibbar, so dass das System,<br />
wie <strong>in</strong> Abschnitt 2.3 vorgestellt, als Blackbox aufgefasst werden muss.
8 Entwurf e<strong>in</strong>es Extremwertreglers 96<br />
Abbildung 8.5: System mit quadratischer Interpolation<br />
Diese werden dann mit <strong>der</strong> Gleichung (7.14) aus Abschnitt 7.2 durch e<strong>in</strong> quadratisches<br />
Modell gemäß Gleichung (7.9) approximiert und mit <strong>der</strong> <strong>in</strong> Abschnitt 7.3 hergeleiteten<br />
Methode optimiert. Bef<strong>in</strong>det sich das mit Gleichung (7.30) gefundene ĉ <strong>in</strong>nerhalb <strong>der</strong> Umgebung<br />
U (siehe Abschnitt 7.6), so wird <strong>der</strong> neue Arbeitspunkt mit ĉ i+1 = ĉ festgelegt.<br />
Liegt es jedoch außerhalb <strong>von</strong> U, so muss ρ erhöht und durch e<strong>in</strong>en Fallback-Modus e<strong>in</strong><br />
neuer Arbeitspunkt geliefert werden. Vergleicht man die tatsächlich gemessenen Messpunkte<br />
über<br />
ĉ Fb = arg m<strong>in</strong><br />
{(<br />
ˇF f (ĉi )<br />
)}<br />
, (8.5)<br />
so kann e<strong>in</strong> Kandidat ĉ Fb identifiziert werden, <strong>der</strong> bis zur nächsten Iteration als Arbeitspunkt<br />
ĉ i+1 = ĉ Fb im Fallback-Modus ausreicht. Diese Form <strong>der</strong> schrittweisen Suche wurde<br />
<strong>in</strong> ähnlicher Form schon 1961 durch Hooke und Jeeves vorgestellt [42] und zählt zu den<br />
Direct-Search Methoden.<br />
E<strong>in</strong> Nachteil dieser Methode wird sofort ersichtlich, wenn die Dimension <strong>der</strong> Stellgröße<br />
c berücksichtigt wird. Bei e<strong>in</strong>em c ∈ R 2 werden schon fünf Messpunkte angefahren, bevor<br />
e<strong>in</strong> neuer Arbeitspunkt ĉ i+1 bestimmt ist. Während sich <strong>der</strong> Regler im Suchmodus<br />
bef<strong>in</strong>det, kann nicht sichergestellt werden, dass <strong>der</strong> Signalpegel α S (c) ausreicht, um e<strong>in</strong>e<br />
qualitativ hochwertige Schw<strong>in</strong>gungsmessung vorzunehmen. Mit steigen<strong>der</strong> Dimension<br />
erhöht sich zusätzlich die Verweildauer im Suchmodus. Beispielsweise werden bei c ∈ R 7<br />
35 Messpunkte ausgewertet. Nimmt man an, dass sich die Zeitkonstanten des dynamischen<br />
Systems nicht verän<strong>der</strong>n, muss die Rate T A soweit angepasst werden, dass im Suchmodus<br />
weiterh<strong>in</strong> e<strong>in</strong> quasi-statisches System betrachtet wird. Die Abtastgeschw<strong>in</strong>digkeit des im<br />
Abschnitt 2.3 vorgestellten Systems ist jedoch durch das Stellglied begrenzt. Das SLM 4<br />
verfügt über e<strong>in</strong>e Umschaltfrequenz <strong>von</strong> 60 Hz. Somit kann theoretisch mit e<strong>in</strong>er maximalen<br />
Rate <strong>von</strong> T Amax<br />
= 16, 6 ms abgetastet werden. Dadurch ergibt sich e<strong>in</strong>e Dauer<br />
<strong>von</strong> T Opt ≈ 0, 58 s pro Optimierungsschritt <strong>in</strong> sieben Dimensionen. Für die eigentliche<br />
Messung, das Erfassen <strong>der</strong> Oberflächen-Schw<strong>in</strong>gungen, steht weniger Zeit zur Verfügung.<br />
Diese Nachteile führten zu den Überlegungen, dass Verfahren sukzessiv aufzubauen, wie<br />
es auch schon Heath vorgeschlagen hat.<br />
4 Spatial Light Modulator
8 Entwurf e<strong>in</strong>es Extremwertreglers 97<br />
8.4 Sukzessive quadratische Interpolation<br />
Abweichend zu Heaths’ Methode werden nicht nur Paraboloiden son<strong>der</strong>n <strong>in</strong>sgesamt quadratische<br />
Funktionen im R n betrachtet. Auch kennt die Methode <strong>von</strong> Heath ke<strong>in</strong>e Schrittweiten-Regelung,<br />
da diese implizit durch den Algorithmus vorgegeben ist. Störe<strong>in</strong>flüsse<br />
auf die zu optimierende Funktion werden h<strong>in</strong>gegen überhaupt nicht berücksichtigt. Diese<br />
Nachteile werden mit dem folgenden Konzept beseitigt.<br />
Damit <strong>der</strong> Regler das Optimum f<strong>in</strong>den kann, sei zunächst e<strong>in</strong>mal angenommen, das sich<br />
<strong>der</strong> aktuelle Arbeitspunkt ĉ 0 = c 0 schon <strong>in</strong> <strong>der</strong> Nähe des M<strong>in</strong>imums bef<strong>in</strong>det. Dies kann<br />
durch die <strong>in</strong> Kapitel 5 vorgestellten Algorithmen sichergestellt werden. Im ersten Schritt<br />
wird <strong>der</strong> Regler <strong>in</strong>itialisiert.<br />
Dazu werden vorab die Parameter ρ m<strong>in</strong> und ρ max , die e<strong>in</strong>en m<strong>in</strong>imalen und maximalen<br />
Radius <strong>der</strong> Umgebung U def<strong>in</strong>ieren, festgelegt. Durch technische Beschränkungen im<br />
Messprozess ist ρ max so zu wählen, dass <strong>der</strong> auszuwertende Messpunkt nicht zu weit vom<br />
aktuellen Arbeitspunkt entfernt ist. Für das vorgestellte Vibrometer gilt für den Mess-<br />
Spot, dass dieser sich nicht mehr als e<strong>in</strong>e halbe Spot-Breite vom eigentlichen Messpunkt<br />
entfernen darf. Analog werden auch die Auswirkungen auf Fokus und Form beschränkt.<br />
Die Messwerterfassung (im vorliegenden System mittels NI-DAQ USB-6210) wie<strong>der</strong>um<br />
limitiert ρ m<strong>in</strong> , da die Messwerte üblicherweise mit e<strong>in</strong>em Rauschen (z.B. thermisches Rauschen,<br />
Schrotrauschen) beaufschlagt s<strong>in</strong>d. Wie schon <strong>in</strong> Abschnitt 7.7 diskutiert, def<strong>in</strong>iert<br />
daher das ρ m<strong>in</strong> e<strong>in</strong>e m<strong>in</strong>imale Strukturbreite, <strong>in</strong> <strong>der</strong> e<strong>in</strong>zelne Messwerte noch unterscheidbar<br />
bleiben. Zur Bestimmung <strong>der</strong> Stützstellen <strong>in</strong> <strong>der</strong> Umgebung U wird jedoch nicht das<br />
aktuelle ρ i genutzt, son<strong>der</strong>n e<strong>in</strong> über die Anzahl <strong>der</strong> bisher erfolgten Optimierungsschritte<br />
(Iterationen) i berechneter Mittelwert<br />
ρ = 1 i∑<br />
ρ k . (8.6)<br />
i<br />
Dies hat den Vorteil, dass sich bei kurzzeitigen Pegelschwankungen <strong>der</strong> Radius nicht<br />
sprunghaft än<strong>der</strong>t und die Umgebung U mit e<strong>in</strong>en an das System angepassten Radius ρ<br />
bestimmt wird.<br />
Die Matrix( Č sammelt die schon evaluierten Werte im Algorithmus und wird <strong>in</strong>itialisiert<br />
mit Č = ˜C0 ĉ 0<br />
), mit ˜C 0 = ˜C und ĉ 0 = c 0 aus Gleichung (7.34), <strong>in</strong>dem<br />
( ( ) )<br />
Č mit<br />
ˇF = f ˜C0 f (ĉ 0 ) ausgewertet und zusammengefasst wird. Nun erfolgt erstmalig<br />
die Bestimmung des Schätzwerts ĉ 1 mit ρ = ρ = ρ m<strong>in</strong> , welche <strong>in</strong> drei mögliche Szenarien<br />
unterteilt werden muss und <strong>in</strong> Tabelle 8.1 dargestellt wird.<br />
k=1
8 Entwurf e<strong>in</strong>es Extremwertreglers 98<br />
Szen. Q n > 0 ? ĉ ∈ U ? ĉ i+1 =? ρ<br />
1 ja ja ĉ aus Gl. (7.30) verkle<strong>in</strong>ern<br />
2 ja ne<strong>in</strong> ĉ Fb aus Gl. (8.5) vergrößern, ⇔ ⌊ ⌋<br />
d−1 ×ĉi<br />
2<br />
auf Rand <strong>von</strong> Umgebung U<br />
3 ne<strong>in</strong> - ĉ Fb aus Gl.(8.5) vergößern, ⇔ ⌊ ⌋<br />
d−1 ×ĉi auf<br />
2<br />
Rand <strong>von</strong> Umgebung U<br />
Tabelle 8.1: Bestimmung des Schätzwerts ĉ<br />
Zur Bestimmung <strong>der</strong> nächsten Schätzung ĉ i+1 werden um die aktuelle Schätzung ĉ i die<br />
zugehörigen Stützstellen ˜C i mit neuem ρ aus Gleichung (8.6) generiert. Der älteste Messpunkt<br />
<strong>in</strong> Č wird mit dem passenden Gegenstück aus ˜C i ersetzt. Ist zum Beispiel <strong>der</strong><br />
erste stehende Vektor <strong>in</strong> Č am ältesten, so wird dieser durch den ersten Vektor aus ˜C i<br />
ersetzt. Es wird somit bei jedem Optimierungsschritt je e<strong>in</strong> Messpunkt <strong>in</strong> Č ersetzt, so<br />
dass alle Messpunkte im Verlauf des Algorithmus stetig (sukzessive) aktualisiert werden.<br />
In Algorithmus 8.2 ist das vorgestellte Verfahren <strong>in</strong> Pseudo-Code verfasst.
8 Entwurf e<strong>in</strong>es Extremwertreglers 99<br />
Algorithmus 8.2 Extremwertregelung<br />
Funktion Extremwertregelung<br />
E<strong>in</strong>gangsdaten: n, n 1d , n 2d , n max , ρ, δ Φ<br />
Initialisiere Č, ˇF ,ĉ 0<br />
i ρ = 0<br />
regelungAktiviert = wahr<br />
solange (regelungAktiviert) {<br />
für j = 1 bis d − 1 {<br />
// neue Stützstelle h<strong>in</strong>zufügen<br />
˜C i =berechneStützstellen(n, ( )<br />
ρ, ĉ i ) // siehe Algorithmus 7.3<br />
Č j = ˜Ci<br />
( j<br />
( ) )<br />
ˇF j =f ˜Ci<br />
i = i + 1<br />
j<br />
}<br />
}<br />
// Bestimmung des Optimums aus Č und ˇF<br />
[Q, s]=quadApprox ( Č, ˇF )<br />
// Status : s<br />
[ĉ i , m, p m<strong>in</strong> ] =quadOpt ( Q, s, Č, ˇF , ρ ) // Modus : m<br />
// Index im Fallback-Modus: p m<strong>in</strong><br />
Č d = ĉ i<br />
ˇF d = f ( )<br />
Č d<br />
wenn (m == 1) {<br />
wenn (p m<strong>in</strong> < d − 1) {<br />
i ρ = i ρ + 1<br />
}<br />
}<br />
sonst {<br />
wenn (‖ĉ i − ĉ i−1 ‖ > ρ ∧ p m<strong>in</strong> < d) {<br />
i ρ = i ρ + 1<br />
}<br />
}<br />
wenn ( i ρ > ⌊ ⌋)<br />
d−1<br />
2 {<br />
wenn (ρ i < ρ max ) {<br />
ρ i = ρ max<br />
i ρ = 0<br />
}<br />
sonst {<br />
ρ i = ρ m<strong>in</strong><br />
}<br />
∑i<br />
1<br />
ρ =<br />
ρ<br />
i k<br />
k=1<br />
Ausgangsdaten: ∆ Φ
8 Entwurf e<strong>in</strong>es Extremwertreglers 100<br />
8.5 Beispiel zum Fallback-Modus<br />
Im Folgenden wird <strong>der</strong> Algorithmus an e<strong>in</strong>em Beispiel erläutert. Als Testfunktion wurde<br />
die Himmelblau-Funktion, welche schon <strong>in</strong> Abschnitt 4.1 mit Gleichung (4.9) def<strong>in</strong>iert<br />
wurde, genutzt. Diese wurde <strong>der</strong>art modifziert, dass sie sich mit dem W<strong>in</strong>kel ϕ um den<br />
Rotationspunkt P rz dreht und somit e<strong>in</strong> driftendes M<strong>in</strong>imum simuliert. Weiterh<strong>in</strong> wurde<br />
e<strong>in</strong> Rauschterm R (c) h<strong>in</strong>zugefügt, um e<strong>in</strong>e reale Messung so gut wie möglich zu nachzubilden.<br />
Daraus ergibt sich<br />
f (c) = ( (c 1 − ∆c 1 ) 2 + (c 2 − ∆c 2 ) − 11 ) 2<br />
+<br />
+ ( (c 1 − ∆c 1 ) + (c 2 − ∆c 2 ) 2 − 7 ) 2<br />
+ R (c) .<br />
(8.7)<br />
(<br />
Das Rotationszentrum bef<strong>in</strong>det sich bei P rz =<br />
3 0<br />
) T<br />
, so dass<br />
(<br />
∆c f =<br />
∆c 1<br />
) T (<br />
∆c 2 = Prz −<br />
r · cos (ϕ)<br />
r · s<strong>in</strong> (ϕ)<br />
) T<br />
(8.8)<br />
gilt. Dabei ist r <strong>der</strong> Radius, mit dem sich die Funktion um den Punkt P rz dreht. Im<br />
vorliegenden Beispiel wurde mit e<strong>in</strong>em r = 2 getestet. Weiterh<strong>in</strong> hat sich die Funktion<br />
bei jedem zweiten Iterationsschritt um ∆ϕ = 1° weiter gedreht, so dass ϕ = ϕ + ∆ϕ gilt.<br />
Der Rauschterm R (c) ist für dieses Beispiel zu Null gesetzt, wird aber später <strong>in</strong> Abschnitt<br />
8.8 diskutiert.<br />
Die Abbildung 8.6a) stellt den <strong>in</strong>itialen Zustand des Regelalgorithmus dar. Dar<strong>in</strong> legen<br />
die Ziffern 1 bis 5 die Reihenfolge <strong>der</strong> Funktionsauswertungen f i fest und nummerieren<br />
diese gleichzeitig e<strong>in</strong>deutig. Das quadratisch geschätzte M<strong>in</strong>imum ĉ bef<strong>in</strong>det sich jedoch<br />
außerhalb <strong>der</strong> Umgebung U, welche durch den Kreis gekennzeichnet ist, so dass nach<br />
Tabelle 8.1 <strong>der</strong> Fallback-Modus genutzt werden muss. Dieser liefert als Schätzung ĉ Fb<br />
den Messwert ĉ 1 = f 1 . Es wird also im ersten Iterationsschritt e<strong>in</strong>e neue Umgebung U um<br />
Messwert 1 (jetzt ĉ 1 ) aufgebaut und die Stützstelle aus ˜C 1 ausgewertet, die <strong>der</strong> Stützstelle<br />
des ältesten Messwerts (hier auch Messwert 1) entspricht.<br />
a) Initialer Zustand b) erster Iterationsschritt c) zweiter Iterationsschritt<br />
Abbildung 8.6: Initialisierung sowie Iterationsschritte e<strong>in</strong>s und zwei des Algorithmus
8 Entwurf e<strong>in</strong>es Extremwertreglers 101<br />
Die quadratische Approximation im zweiten Iterationsschritt liefert wie<strong>der</strong> ke<strong>in</strong>e Lösung,<br />
so dass wie<strong>der</strong>um <strong>der</strong> Fallback-Modus genutzt werden muss. Diesmal liefert dieser den<br />
Messwert 6 als optimalen Kandidaten (ĉ 2 <strong>in</strong> Abbildung 8.6c).<br />
Der Algorithmus wird <strong>in</strong> den Abbildungen 8.7a) und b) fortgesetzt. Es ist zu erkennen,<br />
dass die Auswertungen (blaue Kreise) <strong>der</strong> Stützstellen auf dem Rand <strong>der</strong> Umgebung U<br />
im Uhrzeigers<strong>in</strong>n erfolgen. Die Iterationen 3 und 4 (das entspricht den Messpunkten 8<br />
und 9) liefern ke<strong>in</strong>e Verbesserung des Schätzwertes. Das heisst, die Werte an den Punkten<br />
8 und 9 s<strong>in</strong>d größer als am Punkt 7, womit dieser als aktuelles M<strong>in</strong>imum ĉ 3,4,5 erhalten<br />
bleibt. Erst mit <strong>der</strong> zehnten Messung konnte das aktuelle M<strong>in</strong>imum verbessert werden.<br />
Tabelle 8.1 gibt für das Szenario 2 und 3 an, dass <strong>der</strong> Radius ρ vergrößert werden muss,<br />
wenn ⌈ d<br />
2⌉<br />
× <strong>der</strong> Fallback-Modus genutzt wurde.<br />
Die Vergrößerung des Radius ρ ist vergleichbar mit e<strong>in</strong>er Erhöhung <strong>der</strong> Schrittweite <strong>in</strong><br />
an<strong>der</strong>en Algorithmen. Dies soll sicherstellen, dass <strong>der</strong> Algorithmus nicht zu langsam konvergiert.<br />
Die Erhöhung soll dann erfolgt, wenn gerade die Hälfte <strong>der</strong> für e<strong>in</strong>e quadratische<br />
Approximation benötigten Evaluationen e<strong>in</strong> M<strong>in</strong>imum auf dem Rand geliefert haben. Dies<br />
ist e<strong>in</strong> H<strong>in</strong>weis, dass <strong>der</strong> Radius ρ aktuell zu kle<strong>in</strong> gewählt wurde. An<strong>der</strong>erseits erlaubt die<br />
Heuristik <strong>in</strong> e<strong>in</strong>em gewissen Rahmen Ausreißer aufgrund <strong>von</strong> Rauschen im Messprozess.<br />
Im fünften Iterationsschritt lagen die M<strong>in</strong>imas ⌈ d<br />
2⌉<br />
= 3-mal auf dem Rand <strong>der</strong> Umgebung<br />
U, so dass <strong>der</strong> Radius auf ρ = ρ max verän<strong>der</strong>t wurde und zu e<strong>in</strong>em vergrößertem ρ im 6.<br />
Iterationsschritt (Abbildung 8.7) führt.<br />
a) 3. - 5. Iterationsschritt b) 6. Iterationsschritt<br />
Abbildung 8.7: Iterationsschritte 3 - 5 des Algorithmus<br />
Der Radius wird <strong>in</strong> <strong>der</strong> darauf folgenden Iteration auf ρ = ρ m<strong>in</strong> zurück gesetzt, um im
8 Entwurf e<strong>in</strong>es Extremwertreglers 102<br />
weiteren Verlauf den mittlere Radius ρ wie<strong>der</strong> sukzessive zu ver<strong>in</strong>gern. Damit wird sichergestellt,<br />
dass <strong>der</strong> Regler später dem System mit möglichst optimalen ρ folgen kann.<br />
Im Idealfall konvergiert ρ mit lim<br />
i→∞<br />
ρ = ρ m<strong>in</strong> . Ist ρ max mit e<strong>in</strong>er entsprechenden Toleranz<br />
gewählt, so können nun auch die Abtastschritte während <strong>der</strong> eigentlichen Messung <strong>von</strong><br />
Oberflächenschw<strong>in</strong>gungen mit genutzt werden. In Abbildung 8.8b) ist die sukzessive <strong>Reduktion</strong><br />
des Radius ρ sehr gut zu erkennen, da dass M<strong>in</strong>imum für 3 Schritte am Messpunkt<br />
12 verbleibt. Weiterh<strong>in</strong> zeigt Abbildung 8.8b) die eigentliche Methodik des Verfahrens.<br />
Wenn im weiterem Verlauf für die Evaluierung <strong>der</strong> Messpunkte 15, 16 und 17 ebenfalls<br />
f 15,16,17 > ĉ 8 gelten sollte, so wären h<strong>in</strong>reichend viele unabhängige Gleichungen vorhanden,<br />
um das LGS aus Gleichung (7.14) zu lösen und die quadratische Appoximation würde<br />
e<strong>in</strong> Modell liefern, welches e<strong>in</strong> M<strong>in</strong>imum <strong>in</strong> <strong>der</strong> Umgebung U prediktiert.<br />
a) 7. Iterationsschritt b) 8.,9. und 10. Iterationsschritt<br />
Abbildung 8.8: Iterationsschritte 7 - 10 des Algorithmus<br />
Im vorliegenden Beispiel galt für Messwert 15 jedoch f 15 < ĉ 8,9,10 . Zusätzlich wird <strong>der</strong><br />
Radius ρ <strong>in</strong> <strong>der</strong> zwölften Iteration wie<strong>der</strong> erhöht. Um den Algorithmus <strong>in</strong> Gänze zu verfolgen<br />
enthält die Abbildung 8.9 enthält noch e<strong>in</strong>mal alle bisherigen Iterationsschritte, die<br />
ergänzend <strong>in</strong> Tabelle 8.2 detailiert aufgelistet s<strong>in</strong>d. Der Fallback-Modus verschiebt den<br />
Arbeitspunkt so lange <strong>in</strong> Richtung M<strong>in</strong>imum, bis e<strong>in</strong>e quadratische Approximation um<br />
e<strong>in</strong>en Schätzwert erfolgen kann. Diese Methode kann man, analog zu dem <strong>von</strong> Hooke und<br />
Jeeves vorgestellten Verfahrens [42], als Tasten und Voranschreiten bezeichnen.
8 Entwurf e<strong>in</strong>es Extremwertreglers 103<br />
Abbildung 8.9: 12 Iterationsschritte auf <strong>der</strong> sich lateral bewegenden Himmelblau-Funktion
8 Entwurf e<strong>in</strong>es Extremwertreglers 104<br />
i Messpunkt <strong>in</strong> ° iρ → ρ im nächsten Schritt vergrößern? ρ ĉi ĉi+1 Anzahl l<strong>in</strong>ear<br />
unabhängiger<br />
Gleichungen<br />
0<br />
1<br />
2<br />
3<br />
4<br />
5<br />
6<br />
7<br />
8<br />
9<br />
10<br />
11<br />
( −1<br />
−4, 9<br />
( −1<br />
4, 8<br />
)<br />
( −1, 0951<br />
4, 7691<br />
( −1, 1539<br />
4, 85<br />
( −1, 0363<br />
4, 85<br />
( −1<br />
4, 7382<br />
( −1<br />
4, 3382<br />
( −1, 3329<br />
4, 23<br />
( −1, 5176<br />
4, 4843<br />
( −1, 1639<br />
4, 4626<br />
( −1, 0793<br />
4, 1476<br />
( −1, 0793<br />
3, 7476<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
- 0 → ne<strong>in</strong> 0, 1<br />
0° 1 → ne<strong>in</strong> 0, 1<br />
72° 2 → ne<strong>in</strong> 0, 1<br />
144° 2 → ne<strong>in</strong> 0,1<br />
216° 2 → ne<strong>in</strong> 0, 1<br />
288° 3 → ja 0,1<br />
0° 1 → ne<strong>in</strong> 0,4<br />
72° 2 → ne<strong>in</strong> 0,35<br />
144° 2 → ne<strong>in</strong> 0,3143<br />
216° 2 → ne<strong>in</strong> 0,2875<br />
288° 3 → ja 0,2667<br />
0° 1 → ne<strong>in</strong> 0,4<br />
( −1<br />
−5<br />
( −1<br />
4, 9<br />
( −1<br />
4, 8<br />
( −1, 0951<br />
4, 7691<br />
( −1, 0951<br />
4, 7691<br />
( −1, 0951<br />
4, 7691<br />
( −1<br />
4, 7382<br />
( −1<br />
4, 3382<br />
( −1, 3329<br />
4, 23<br />
( −1, 3329<br />
4, 23<br />
( −1, 3329<br />
4, 23<br />
( −1, 0793<br />
4, 1476<br />
) ( −1<br />
4, 9<br />
) ( −1<br />
4, 8<br />
)<br />
)<br />
) ( −1, 0951<br />
4, 7691<br />
) ( −1, 0951<br />
) (<br />
4, 7691<br />
−1, 0951<br />
) (<br />
4, 7691<br />
−1<br />
4, 7382<br />
) ( −1<br />
4, 7382<br />
) ( −1, 3329<br />
4, 23<br />
) ( −1, 3329<br />
4, 23<br />
) ( −1, 3329<br />
4, 23<br />
) ( −1, 0793<br />
4, 1476<br />
) ( −1, 0793<br />
4, 1476<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
)<br />
6<br />
6<br />
5<br />
5<br />
5<br />
5<br />
5<br />
5<br />
5<br />
5<br />
5<br />
5<br />
Tabelle 8.2: Übersicht über die ersten 12 Iterationsschritte des Algorithmus
8 Entwurf e<strong>in</strong>es Extremwertreglers 105<br />
8.6 Beispiel zur quadratischen Approximation<br />
Das Beispiel aus dem vorherigen Abschnitt 8.5 nutzte bisher nur e<strong>in</strong>e Variation des Hooke-<br />
Jeeves Verfahren. Dieser Abschnitt zeigt die Fortführung des Algorithmus mit <strong>in</strong>sgesamt<br />
150 Iterationsschritten und ist <strong>in</strong> Abbildung 8.10 dargestellt. Um den Verlauf des Algorithmus<br />
besser zu erkennen, wurde auf das E<strong>in</strong>zeichnen <strong>der</strong> Umgebung U verzichtet.<br />
Der rote Pfad verb<strong>in</strong>det nache<strong>in</strong>an<strong>der</strong> die e<strong>in</strong>zelnen geschätzten M<strong>in</strong>imas. Das Ende des<br />
schwarzen Kreisbogens (rechts unten <strong>in</strong> <strong>der</strong> Abbildung 8.10) kennzeichnet die aktuelle Position<br />
des tatsächlichen M<strong>in</strong>imums, welches sich im Verlauf <strong>der</strong> Regelung stetig fortbewegt<br />
hat. Sobald die Regelung e<strong>in</strong>en Arbeitspunkt ĉ i gefunden hat, welches sich h<strong>in</strong>reichend<br />
nah am tatsächlichen M<strong>in</strong>imum bef<strong>in</strong>det, erfolgt die Schätzung durch quadratische Approximation.<br />
Durch die Driftbewegung des optimalen Arbeitspunkts ordnet <strong>der</strong> Regler<br />
die Position <strong>der</strong> Messpunkte schlauchförmig um den sich bewegenden Arbeitspunkt an.<br />
Abbildung 8.10: 150 Iterationsschritte am Beispiel <strong>der</strong> Himmelblau-Funktion
8 Entwurf e<strong>in</strong>es Extremwertreglers 106<br />
S<strong>in</strong>d die Messungen mit starken Rauschen belegt, so konvergiert ρ zu e<strong>in</strong>em größeren<br />
mittleren Radius als bei ger<strong>in</strong>gen Rauschverhalten (siehe Abschnitt 8.7). Durch die Konzeptionierung<br />
des Reglers wird ρ somit dynamisch an das Systemverhalten angepasst. Dies<br />
ist <strong>in</strong> Abbildung 8.10 daran zu erkennen, dass <strong>der</strong> Radius sich immer weiter reduziert und<br />
<strong>der</strong> Schlauch sich um den bewegenden Arbeitspunkt zusammen zieht.<br />
Wie sich ρ über die Zeit entwickelt ist im Graph <strong>in</strong> Abbildung 8.11 an dem grün gestrichelten<br />
Verlauf ersichtlich. Zusätzlich ist noch <strong>der</strong> genutzte Modus (quadratische Approximation:<br />
0, Fallback-Modus: 1) blau gepunktet im Graphen e<strong>in</strong>gezeichnet. In schwarz ist<br />
ist die Entfernung zum analytischen M<strong>in</strong>imum aufgetragen.<br />
Zu Beg<strong>in</strong>n <strong>der</strong> Regelung ist e<strong>in</strong> E<strong>in</strong>schw<strong>in</strong>gverhalten <strong>von</strong> ρ zu erkennen, welches nach dem<br />
Auff<strong>in</strong>den e<strong>in</strong>es guten Arbeitspunkts ĉ i abkl<strong>in</strong>gt und <strong>in</strong> e<strong>in</strong> monoton fallendes Verhalten<br />
übergeht. Nach ca. i = 35 Iterationsschritten ist <strong>der</strong> Abstand zwischen |ĉ i − c ⋆ i | < ε. Der<br />
Regler folgt nun c ⋆ i mit e<strong>in</strong>er Genauigkeit <strong>von</strong> ε.<br />
Abbildung 8.11: Auswertung <strong>der</strong> 150 Iterationsschritte<br />
8.7 Beispiel <strong>der</strong> quadratischen Approximation bei<br />
rauschbehafteter Zielfunktion<br />
In realen Systemen s<strong>in</strong>d Messwerte immer mit e<strong>in</strong>em additiven Rauschen behaftet. Diese<br />
können zum Beispiel durch thermische Bewegungen <strong>der</strong> Elektronen <strong>in</strong> <strong>der</strong> Messschaltung<br />
verursacht werden. In den voran gegangenen Abschnitten 8.5 und 8.6 ist <strong>in</strong> dem Beispiel<br />
e<strong>in</strong> Rauschterm R (c) = 0 angenommen worden. Nun soll überprüft werden <strong>in</strong>wiefern e<strong>in</strong><br />
Rauschterm R (c) ≠ 0 das Verhalten des Reglers verän<strong>der</strong>t. Der Term R (c) wurde über<br />
e<strong>in</strong>en Zufallszahlengenerator simuliert, <strong>der</strong> weißes Rauschen mit Werten aus dem Intervall<br />
I R = [−1, 1] erzeugt, so dass man für die Fouriertransformierte F {R (c)} = const. erhält.
8 Entwurf e<strong>in</strong>es Extremwertreglers 107<br />
Um das Verhalten <strong>von</strong> ρ bei unterschiedlichen Rauschniveaus statistisch zu betrachten,<br />
wurden 100 Durchläufe (Regelung <strong>der</strong> sich lateral bewegenden Himmelblau-Funktion mit<br />
je 300 Iterationsschritten) pro Rauschniveau durchgeführt und da<strong>von</strong> je <strong>der</strong> Mittelwert<br />
gebildet. Die verschiedenen Rauschniveaus wurden durch e<strong>in</strong>en multiplikativen Faktor t<br />
mit t·R (c) realisiert. Dabei wurde t = [0, 3] beg<strong>in</strong>nend bei t = 0 mit e<strong>in</strong>er Schrittweite <strong>von</strong><br />
∆t = 0, 0612 sukzessive erhöht. Die Auswertung <strong>der</strong> statistischen Untersuchung (blau) <strong>in</strong><br />
Abbildung 8.12 zeigt die Entwicklung <strong>von</strong> ρ (t · R (c)) bei steigendem Rauschniveau, wobei<br />
ρ (t · R (c)) über nichtl<strong>in</strong>eare Regression (grün gestrichelt) als<br />
ρ (t · R (c)) = a · √bR<br />
(c) (t − d) (8.9)<br />
identifiziert werden konnte. Abbildung 8.13 zeigt beispielhaft das Verhalten des Reglers<br />
mit t = 2. Verglichen mit dem Verlauf <strong>in</strong> Abbildung 8.10 ist zu erkennen, dass <strong>der</strong> Radius<br />
ρ, <strong>der</strong> die Auswertestellen schlauchförmig um das analytische M<strong>in</strong>imum anordnet, erhöht<br />
ist. Die zeitliche Entwicklung <strong>von</strong> ρ ist zusätzlich <strong>in</strong> Abbildung 8.14 aufgetragen. Ist das<br />
Signal mit additiven Rauschen behaftet, so verlängert sich <strong>der</strong> E<strong>in</strong>schw<strong>in</strong>gvorgang <strong>von</strong> ρ<br />
und konvergiert erst nach circa 250 Iterationen. Während des E<strong>in</strong>schw<strong>in</strong>gvorgangs wechselt<br />
<strong>der</strong> Regler auch häufig zwischen quadratischer Approximation und dem Hooke-Jeves<br />
basierten Fallback-Modus. Erst nach dem E<strong>in</strong>schw<strong>in</strong>gen wird ausschließlich die quadratische<br />
Approximation genutzt.<br />
E<strong>in</strong> vergleichbares Verhalten wird auch durch die Erhöhung <strong>der</strong> Än<strong>der</strong>ungsrate pro Iterationsschritt<br />
∆ϕ o<strong>der</strong>, äquivalent, die Verr<strong>in</strong>gerung <strong>der</strong> Abtastrate T A erreicht. Daraus<br />
ergibt sich, dass T A ∝ 1<br />
∆ϕ gilt. Wird T A zu kle<strong>in</strong> gewählt, kann <strong>der</strong> Regler also nicht mehr<br />
dem M<strong>in</strong>imum folgen.
8 Entwurf e<strong>in</strong>es Extremwertreglers 108<br />
Abbildung 8.12: Verlauf <strong>von</strong> ρ (t · R (c)) für t = 0, ..., 3 mit Schrittweite ∆t = 0, 0612<br />
Abbildung 8.13: 300 Iterationsschritte am Beispiel <strong>der</strong> Himmelblau-Funktion mit t = 2<br />
(zusätzliches additives Rauschen)
8 Entwurf e<strong>in</strong>es Extremwertreglers 109<br />
Abbildung 8.14: Auswertung <strong>der</strong> 300 Iterationsschritte (zusätzliches additives Rauschen)<br />
8.8 Validierung des Regler-Konzepts<br />
Um das Regelkonzept zu validieren, wurde e<strong>in</strong>e Benutzeroberfläche entworfen. Diese wurde<br />
<strong>in</strong> Visual Studio 2010 mit <strong>der</strong> Programmiersprache C++ erstellt und ist 8.15 zu sehen.<br />
Die Benutzeroberfläche ermöglicht es, den ungeregelten (reference) Signalpegel direkt<br />
im laufenden Betrieb mit dem geregelten Signalpegel zu vergleichen. Dadurch konnten<br />
verschiedene Tests am Vibrometer mit adaptiver Optik durchgeführt werden. E<strong>in</strong>erseits<br />
sollte untersucht werden, ob <strong>der</strong> Regler mit dem gegebenen Stellglied genügend schnell<br />
nachstellen konnte, um den optimalen Arbeitspunkt zu folgen. Die Abtastgeschw<strong>in</strong>digkeit<br />
war hierbei das maßgebliche Kriterium. An<strong>der</strong>erseits wurde überprüft, welche Parameter-<br />
Komb<strong>in</strong>ationen s<strong>in</strong>nvoll zur Regelung e<strong>in</strong>setzbar s<strong>in</strong>d. Dazu wurden Messreihen für die<br />
Referenze<strong>in</strong>stellung (orig<strong>in</strong>al Messpunkt ohne Optimierung und Regelung) V Ref (k · T A )<br />
und Messreihen mit den optimierten / geregelten E<strong>in</strong>stellungen V Opt (k · T A ) und <strong>der</strong> Abtastgeschw<strong>in</strong>digkeit<br />
T A erfasst.
8 Entwurf e<strong>in</strong>es Extremwertreglers 110<br />
Abbildung 8.15: Grafische Benutzeroberfläche zur Regler-Validierung<br />
Da <strong>der</strong> optimale Arbeitspunkt nicht analytisch berechnet werden konnte, musste e<strong>in</strong> Vergleichskriterium<br />
geschaffen werden. Dazu wurde zwischen dem optimierten Arbeitspunkt<br />
und dem Referenzpunkt (<strong>in</strong>itial e<strong>in</strong>gestellter Messpunkt vor <strong>der</strong> statischen Optimierung)<br />
h<strong>in</strong> und her geschaltet. Die Abtast-Geschw<strong>in</strong>digkeit des Reglers wurde dadurch reduziert,<br />
was jedoch <strong>in</strong> Kauf genommen werden müsste, um beurteilen zu können, ob <strong>der</strong> Regler<br />
auch im laufenden Betrieb die gefor<strong>der</strong>ten Kriterien erfüllen konnte. Die Benutzeroberfläche<br />
<strong>in</strong> Abbildung 8.15 enthielt dazu e<strong>in</strong> spezielles Steuerelement (plot voltage level<br />
of reference po<strong>in</strong>t), das die Zu- und Abschaltung des Referenzpunkts ermöglichte. Bei<br />
späteren Schw<strong>in</strong>gungsmessungen müssen <strong>der</strong> optimierte Arbeitspunkt und <strong>der</strong> Referenzpunkt<br />
entkoppelt werden, was durch die Abschaltung <strong>der</strong> Messung des Referenzpunkts<br />
ermöglicht wird.<br />
8.9 Regler-Verifizierung bei Nutzung <strong>von</strong> Doppel- und<br />
E<strong>in</strong>zelparameter<br />
Die Parameter X und Y, die die laterale Verschiebung auf <strong>der</strong> Messoberfläche beschreiben,<br />
s<strong>in</strong>d zu e<strong>in</strong>em Doppelparameter zusammen gefasst. Das selbe gilt für die Parameter<br />
Astigma X, Astigma Y und Coma X, Coma Y. E<strong>in</strong>zig die spärische Aberration wird als<br />
E<strong>in</strong>zelparameter betrachtet. Der Referenz-Algorithmus ist so ausgelegt, dass Doppel- und<br />
E<strong>in</strong>zelparameter (siehe Tabelle 8.3) zur Optimierung und Regelung h<strong>in</strong>zu genommen o<strong>der</strong><br />
weg gelassen werden können. In Tabelle 8.3 s<strong>in</strong>d zusätzlich für die folgenden Messungen
8 Entwurf e<strong>in</strong>es Extremwertreglers 111<br />
E<strong>in</strong>zel- bzw.<br />
Doppelparameter<br />
mittlerer<br />
Gew<strong>in</strong>n [dB]<br />
∆V Ref ∆V Opt zugehörige<br />
Auswertung<br />
X-Y 0,20304 0,27882 0,34039 Abbildung 8.16<br />
Astigma X - Astigma Y 0,1024 0,25596 0,28916 Abbildung 8.17<br />
Coma X - Coma Y 0,89645 0,28812 0,51866 Abbildung 8.18<br />
spärische Aberration 0,16947 0,30761 0,45263 Abbildung 8.19<br />
Tabelle 8.3: Übersicht <strong>der</strong> betrachteten Parameter und Zuordnung <strong>der</strong> Auswertung<br />
die mittleren Gew<strong>in</strong>ne, das ∆V Ref , welches als<br />
∆V Ref = max {V Ref (k · T A )} − m<strong>in</strong> {V Ref (k · T A )} (8.10)<br />
def<strong>in</strong>iert ist, und das ∆V Opt , das äquivalent zu Gleichung (8.10) def<strong>in</strong>iert ist, aufgeführt.<br />
Das Verhältnis ∆V Opt/∆V Ref liefert e<strong>in</strong> Maß für die Stabilisierung, die <strong>der</strong> Regler realisiert.<br />
Ist das Verhältnis ∆V Opt/∆V Ref < 1 konnte <strong>der</strong> Regler die Signalschwankungen reduzieren,<br />
was zusätzlich zu e<strong>in</strong>em stabilisierten Signalpegel führte. ∆V wird im weiterem Verlauf<br />
auch als Schwankungsbreite des Signalpegels bezeichnet.<br />
Die Fragestellung, die <strong>in</strong> diesem Abschnitt beantwortet werden soll, ergibt sich aus <strong>der</strong><br />
Anfor<strong>der</strong>ung e<strong>in</strong>er möglichst hohen Abtastgeschw<strong>in</strong>digkeit T A . Kann e<strong>in</strong> Doppel- o<strong>der</strong><br />
E<strong>in</strong>zelparameter ausreichen, um den Signalpegel ausreichend gut zu optimieren und dann<br />
zu regeln? Wenn ne<strong>in</strong>, welche Parameter komb<strong>in</strong>iert man s<strong>in</strong>nvollerweise, um den Signalpegel<br />
bestmöglich zu erhöhen?<br />
Dazu wurde nache<strong>in</strong>an<strong>der</strong> je<strong>der</strong> Doppel- bzw. E<strong>in</strong>zelparameter statisch optimiert (siehe<br />
Kapitel 5) und anschließend zwischen 100 und 300 s geregelt. Für den Regler wurde nach<br />
ersten Tests e<strong>in</strong> ρ m<strong>in</strong> = 0, 01 und aufgrund <strong>der</strong> Parameterbeschränkungen ρ max = 0, 8<br />
gewählt.<br />
In den Abbildungen 8.16 - 8.19 s<strong>in</strong>d exemplarisch Auswertungen des geregelten Systems<br />
mit den verschiedenen Parametern dargestellt. Sie wurden auf e<strong>in</strong>er stark streuenden,<br />
gekrümmten Oberfläche durchgeführt, die e<strong>in</strong>e häufige Applikation <strong>in</strong> <strong>der</strong> <strong>Vibrometrie</strong><br />
darstellt. Für die ersten Analysen wurde die Oberfläche noch nicht mit e<strong>in</strong>er Schw<strong>in</strong>gung<br />
angeregt, da das F<strong>in</strong>den geeigneter Parameter im Fokus <strong>der</strong> Untersuchungen stand.<br />
In den folgenden Abbildungen ist <strong>der</strong> Signalpegel ohne Regelung am Referenzpunkt <strong>in</strong><br />
blau und mit Regelung <strong>in</strong> rot abgebildet. Der Standardfehler, <strong>der</strong> aus je<strong>der</strong> Messung mit<br />
<strong>in</strong>sgesamt je N = 20 E<strong>in</strong>zelmessungen (siehe Gleichung (7.42)) ist <strong>in</strong> grün dargestellt.<br />
Zusätzlich ist jeweils <strong>in</strong> blau und rot gestrichelt <strong>der</strong> zugehörige Mittelwert zum Referenzund<br />
optimierten Signal aufgetragen.
8 Entwurf e<strong>in</strong>es Extremwertreglers 112<br />
Abbildung 8.16: Auswertung des Reglers für Doppelparameter ”<br />
X-Y”<br />
0<br />
Abbildung 8.17: Auswertung des Reglers für Doppelparameter ”<br />
Astigma X-Astigma Y”
8 Entwurf e<strong>in</strong>es Extremwertreglers 113<br />
Abbildung 8.18: Auswertung des Reglers für Doppelparameter ”<br />
Coma X-Coma Y”<br />
Abbildung 8.19: Auswertung des Reglers für Parameter ”<br />
sphärische Aberration”<br />
Bei Betrachtung <strong>der</strong> e<strong>in</strong>zelnen Messungen ist zu erkennen, dass bei Wahl <strong>von</strong> Doppelbzw.<br />
E<strong>in</strong>zelparametern ke<strong>in</strong>e bzw. nur marg<strong>in</strong>ale Verbesserungen des Signalpegels erzielt<br />
werden. Zudem ist zu erkennen, das die Schwankungsbreite zwischen m<strong>in</strong>imalen und maximalen<br />
optimalen Signalpegel sowie zwischen m<strong>in</strong>imalen und maximalen Referenzpegel
8 Entwurf e<strong>in</strong>es Extremwertreglers 114<br />
sehr groß ist. E<strong>in</strong>e mögliche Ursache ist <strong>der</strong> bei Beg<strong>in</strong>n <strong>der</strong> Regelung niedrige Signalpegel,<br />
<strong>der</strong> durch die Regelung nicht weiter erhöht werden konnte. Desweiteren kann <strong>der</strong> Arbeitspunkt<br />
sich <strong>in</strong> e<strong>in</strong>em lokalen M<strong>in</strong>imum <strong>der</strong> Gütefunktion (siehe Gleichung (3.24)) bef<strong>in</strong>det,<br />
so dass e<strong>in</strong> besseres M<strong>in</strong>imum nicht angefahren wird. Hier wird auch ersichtlich, dass die<br />
statische Optimierung aus Kapitel 5 obligatorisch ist und e<strong>in</strong> notwendiges Kriterium für<br />
die Initialisierung des Extremwert-Reglers darstellt. Um e<strong>in</strong>e Verbesserung des Signalpegels<br />
h<strong>in</strong>sichtlich des mittleren Gew<strong>in</strong>ns und <strong>der</strong> Schwankungsbreite zu erreichen, wurden<br />
die Parameter komb<strong>in</strong>iert.<br />
8.10 Regler-Verifizierung bei Nutzung komb<strong>in</strong>ierter<br />
Parameter<br />
Die Verifizierung <strong>der</strong> komb<strong>in</strong>ierten Parameter wurde mit <strong>der</strong> gleichen System-Konfiguration<br />
wie <strong>in</strong> Abschnitt 8.9 vorgenommen. Auch diesmal wurde auf e<strong>in</strong>er gekrümmten Oberfläche<br />
gemessen. Die Abbildungen 8.20 bis 8.29 stellen exemplarisch die Auswertungen <strong>der</strong> komb<strong>in</strong>ierten<br />
Parameter (siehe Tabelle 8.4) dar.<br />
Nr. XY Ast. X-Ast. Y Coma X-Coma Y sphär. Aberr. zug. Auswertung<br />
1 X - X - Abbildung 8.20<br />
2 X X - - Abbildung 8.21<br />
3 X - - X Abbildung 8.22<br />
4 - X X - Abbildung 8.23<br />
5 - X - X Abbildung 8.24<br />
6 X X X - Abbildung 8.25<br />
7 - X X X Abbildung 8.26<br />
8 X - X X Abbildung 8.27<br />
9 X X - X Abbildung 8.28<br />
10 X X X X Abbildung 8.29<br />
Tabelle 8.4: Parameterkom<strong>in</strong>ationen und Zuordnung <strong>der</strong> Auswertung<br />
In den Abbildungen ist <strong>der</strong> mittlere Gew<strong>in</strong>n <strong>in</strong> Dezibel aufgetragen. E<strong>in</strong>e Verbesserung<br />
des Signalpegels um 0,5 V entspricht e<strong>in</strong>em Gew<strong>in</strong>n <strong>von</strong> 3 dB Lichtleistung auf dem<br />
Detektor des Vibrometers, was mit e<strong>in</strong>er Verdoppelung <strong>der</strong> Lichtleistung bedeutet. Bei<br />
<strong>der</strong> Analyse <strong>der</strong> Messungen fällt auf, das alle Durchläufe, die den Parameter sphärische ”<br />
Aberration” enthalten, gute bis sehr gute Ergebnisse lieferten. E<strong>in</strong>zig die Messung die <strong>in</strong><br />
Abbildung 8.25 ausgewertet wurde, enthielt diesen Parameter nicht. Der Signalpegel stieg<br />
um 6,2857 dB, bezogen auf die Lichtleistung entspricht dies e<strong>in</strong>e 4,25-fache Verbesserung<br />
am Detektor. Tabelle 8.5 fasst die Ergebnisse aller Auswertungen zusammen.
8 Entwurf e<strong>in</strong>es Extremwertreglers 115<br />
Abbildung 8.20: Auswertung X-Y-Coma X-Coma Y<br />
0<br />
Abbildung 8.21: Auswertung X-Y-Astigma X-Astigma Y
8 Entwurf e<strong>in</strong>es Extremwertreglers 116<br />
Abbildung 8.22: Auswertung X-Y-spärische Aberration<br />
Abbildung 8.23: Auswertung Astigma X-Astigma Y-Coma X-Coma Y
8 Entwurf e<strong>in</strong>es Extremwertreglers 117<br />
Abbildung 8.24: Auswertung Astigma X-Astigma Y-sphärische Aberration<br />
Abbildung 8.25: Auswertung X-Y-Astigma X-Astigma Y-Coma X-Coma Y
8 Entwurf e<strong>in</strong>es Extremwertreglers 118<br />
Abbildung 8.26: Auswertung Astigma X-Astigma Y-Coma X-Coma Y-spährische Aberration<br />
Abbildung 8.27: Auswertung X-Y-Coma X-ComaY-sphärische Aberration
8 Entwurf e<strong>in</strong>es Extremwertreglers 119<br />
Abbildung 8.28: Auswertung X-Y-Astigma X-Astigma Y-sphärische Aberration<br />
Abbildung 8.29: Auswertung X-Y-Astigma X-Astigma Y-Coma X-Coma Y-sphärische Aberration<br />
Wenn man <strong>in</strong> Tabelle 8.5 die Auswertung zu Messung 10 betrachtet, fällt auf, dass<br />
∆V Opt /∆V Ref<br />
> 1 ist. In <strong>der</strong> zugehörigen Abbildung 8.29 ist zu Beg<strong>in</strong>n <strong>der</strong> Regelung (bei<br />
ca. 55 s) e<strong>in</strong> kurzzeitiger E<strong>in</strong>bruch des optimierten Signalpegels zu erkennen. Wenn man<br />
erst ab diesem Zeitpunkt die Regelung betrachtet, so beträgt <strong>der</strong> Gew<strong>in</strong>n 6,7335 dB mit
8 Entwurf e<strong>in</strong>es Extremwertreglers 120<br />
Nummer (nach<br />
Tabelle 8.4)<br />
mittlerer<br />
Gew<strong>in</strong>n [dB]<br />
∆V Ref<br />
[V]<br />
∆V Opt<br />
[V]<br />
∆V Opt /∆V Ref<br />
1 1,6928 0,39048 0,79716 2,041<br />
2 1,213 0,52957 0,82342 1,555<br />
3 7,0034 0,71448 0,68449 0,958<br />
4 2,2689 0,77792 1,2692 1,632<br />
5 4,3857 0,64927 1,2812 1,973<br />
6 6,2857 1,0115 0,53488 0,529<br />
7 7,5679 0,7796 0,58567 0,751<br />
8 5,2493 0,89923 0,46035 0,512<br />
9 5,6636 0,89535 0,66419 0,741<br />
10 6,6184 0,4023 0,66196 1,645<br />
Tabelle 8.5: Auswertung <strong>der</strong> komb<strong>in</strong>ierten Parameter<br />
den Schwankungsbreiten ∆V Ref = 0, 43615 V und ∆V Opt = 0, 31159 V, was zu e<strong>in</strong>em<br />
∆V Opt /∆ Ref = 0, 714 führt. Somit kommen vor allem die Parameterkomb<strong>in</strong>ationen 3, 7 und<br />
10 aus Tabelle 8.4 <strong>in</strong> Frage, da sie den höchsten Gew<strong>in</strong>n des SNR erzielen konnten. Für<br />
die folgende Untersuchung wurde die Parameterkomb<strong>in</strong>ation 10 gewählt.<br />
8.11 Erfassung <strong>von</strong> Vibrationen mit geregeltem<br />
Vibrometer<br />
Zuletzt muss überprüft werden, ob die Erhöhung des Signalpegels zu e<strong>in</strong>er verbesserten<br />
Vibrationsmessung führt. Dazu wurde während <strong>der</strong> Regelung die Messung des Referenzpunkts<br />
abgeschaltet, um e<strong>in</strong>e Vermischung <strong>der</strong> Schw<strong>in</strong>gungsmessung zwischen Referenzpunkt<br />
und Arbeitspunkt auszuschließen. Die Oberfläche wurde mit e<strong>in</strong>em s<strong>in</strong>usförmigen<br />
Signal mit e<strong>in</strong>er Frequenz <strong>von</strong> 600 Hz angeregt. Diese Frequnez sollte durch das Vibrometer<br />
erfasst werden. Der Graf <strong>in</strong> Abbildung 8.30 zeigt den Verlauf des Signalpegels während<br />
<strong>der</strong> Schw<strong>in</strong>gungsmessung, welche im Zeitfenster <strong>von</strong> circa 80 bis 155 s vorgenommen wurde.<br />
Die Messung am Referenzpunkt (blau) wurde dazu <strong>in</strong> diesem Zeitraum abgeschaltet,<br />
was an den Sprüngen <strong>von</strong> und nach Null zu erkennen ist.<br />
E<strong>in</strong>e spezielle Vibrometer-Software erfasste die Schw<strong>in</strong>gung auf dem Messobjekt parallel<br />
zur <strong>in</strong> Abbildung 8.30 gezeigten Messung. In <strong>der</strong> Software wurden die gemessenen<br />
Spektren <strong>in</strong>tern über drei Messungen gemittelt. Das Ergebnis wird an dieser Stelle exemplarisch<br />
anhand e<strong>in</strong>es Vergleichs ausgewertet, <strong>der</strong> <strong>in</strong> Abbildung 8.31 gezeigt wird. In<br />
rot ist das Frequenzspektrum mit e<strong>in</strong>geschalteten Extremwert-Regler abgebildet. Verglichen<br />
wird dieses mit dem Frequenzspektrum e<strong>in</strong>er ungeregelten Messung, welche <strong>in</strong> blau<br />
dargestellt ist. Diese wurde unmittelbar nach <strong>der</strong> geregelten Messung durchgeführt. Dazu<br />
wurde <strong>der</strong> Regelalgorithmus angehalten, um e<strong>in</strong>e Kopplung zwischen beiden Betriebsmodi<br />
zu vermeiden. Bei e<strong>in</strong>geschalteter Reglung s<strong>in</strong>d zusätzliche Peaks zu erkennen, die im<br />
ungeregelten Betrieb durch Rauschen überlagert wurden.
8 Entwurf e<strong>in</strong>es Extremwertreglers 121<br />
Die Regelung konnte den Arbeitspunkt im Optimum halten, so dass bisher nicht messbare<br />
Vibrationen erfassbar werden, ohne auf Hilfsmittel, wie zum Beispiel stark streuende und<br />
reflektierende Klebestreifen (Retro-Tape), zurück zu greifen.<br />
Abbildung 8.30: Verlauf des Signalpegels während <strong>der</strong> Schw<strong>in</strong>gungsmessung
8 Entwurf e<strong>in</strong>es Extremwertreglers 122<br />
Abbildung 8.31: Messung an gekrümmter Oberfläche mit s<strong>in</strong>usförmiger Anregung bei 600 Hz<br />
Um e<strong>in</strong>en Vergleich zwischen geregelten und ungeregelten Betriebsmodus vornehmen zu<br />
können, wurde <strong>der</strong> Mittelwert des Rauschens im Spektrum N (f) und <strong>der</strong> maximalen<br />
Amplitude f max des Nutzsignals mit<br />
SNR Spektr. = f max<br />
N (f)<br />
(8.11)<br />
<strong>in</strong>s Verhältnis gesetzt. Dazu wurden im ungeregelten Modus alle Werte unterhalb <strong>von</strong><br />
0, 003 [ ] [<br />
mm<br />
s und im geregelten Modus unterhalb <strong>von</strong> 0, 048 mm<br />
]<br />
s als spektrales Rauschen<br />
aufgefasst. Im Falle des ungeregelten Betriebs ergibt dies nach Gleichung (8.11)<br />
e<strong>in</strong> SNR Spektr. = 2, 5309 und im geregelten Fall SNR Spektr. = 74, 7975. Das SNR Spektr.<br />
konnte im vorliegenden Beispiel demnach um e<strong>in</strong> Faktor <strong>von</strong> 29, 55 verbessert werden.
9<br />
Fazit und Ausblick<br />
Die <strong>Laser</strong>-<strong>Doppler</strong>-<strong>Vibrometrie</strong> ist e<strong>in</strong>e weit verbreitete Methode um Oberflächenschw<strong>in</strong>gungen<br />
zu erfassen und auszuwerten. Die Anwendungsgebiete umfassen zum Beispiel die<br />
Stabilitätsanalyse <strong>von</strong> dynamischen Systemen aus dem Automobilbereich, <strong>der</strong> Luftfahrt<br />
o<strong>der</strong> im Bereich des Bau<strong>in</strong>genieurswesen. Die technischen Herausfor<strong>der</strong>ungen, denen sich<br />
diese Messtechnik stellen muss, werden durch Entwicklungen <strong>in</strong> <strong>der</strong> Industrie vorgegeben<br />
und stetig erhöht. Wo anfangs noch e<strong>in</strong> E<strong>in</strong>punkt-Vibrometer genügte, müssen und werden<br />
mittlerweile räumliche Informationen über die 3D-<strong>Vibrometrie</strong> verarbeitet.<br />
Werden die zu messenden Strukturen kle<strong>in</strong>er, kommen <strong>Speckle</strong>-<strong>Drop</strong>outs häufiger vor, die<br />
nicht mehr durch e<strong>in</strong>faches Verschieben des Messpunktes kompensierbar s<strong>in</strong>d. Es werden<br />
daher Messverfahren benötigt, die <strong>Speckle</strong>-<strong>Drop</strong>outs kompensieren, ohne e<strong>in</strong>e laterale Verschiebung<br />
vorzunehmen. Müssen zudem ke<strong>in</strong>e Mittel zur Erhöhung <strong>der</strong> Reflektivität aufgebracht<br />
werden, so än<strong>der</strong>n solche Verfahren das dynamische Verhalten des Messobjekts<br />
nicht. Die vorgestellte Arbeit befasste sich mit e<strong>in</strong>er Methode zur <strong>Reduktion</strong> <strong>von</strong> <strong>Speckle</strong>-<br />
<strong>Drop</strong>outs, die auf <strong>der</strong> Modifikation <strong>der</strong> Phasenfront des genutzten <strong>Laser</strong>strahls basiert.<br />
Die Modifikation wird durch e<strong>in</strong>e im Messaufbau <strong>in</strong>tegrierte adaptive Optik realisiert, so<br />
dass das Detektorboard nach e<strong>in</strong>er Optimierung <strong>der</strong> Phasenfront mit genügend Lichtleistung<br />
versorgt werden kann und damit die Erfassung <strong>von</strong> Oberflächenschw<strong>in</strong>gungen wie<strong>der</strong><br />
möglich ist. Der genutzte Optimierer basiert auf dem DIRECT-Algorithmus, <strong>der</strong> um e<strong>in</strong>en<br />
stochastischen Schätzer erweitert wurde. Dazu wird aus den vorhandenen Messwerten e<strong>in</strong><br />
Modell generiert und optimiert, was zu e<strong>in</strong>er deutlichen Laufzeitverbesserung führt. Der<br />
ursprüngliche DIRECT-Algorithmus wurde dem neuen Hybrid-DIRECT gegenüber gestellt.<br />
Je nach Komplexitätsgrad des zu optimierenden Modells konnten Laufzeitverbesserungen<br />
im Bereich <strong>von</strong> 20 - 50% erzielt werden. Zudem haben Tests ergeben, dass e<strong>in</strong>e<br />
erhebliche Verbesserung <strong>der</strong> Lichtleistung am Detektor erzielt werden konnte. So konnte <strong>in</strong><br />
Experimenten gezeigt werden, dass das SNR um e<strong>in</strong>en Faktor <strong>von</strong> 5,78 gesteigert werden<br />
konnte. Dies bedeutet für die Spektralanalyse e<strong>in</strong>e verbesserte Auflösung, wodurch Effekte<br />
untersucht werden können, die vorher durch überlagerndes Rauschen verdeckt waren.
9 Fazit und Ausblick 124<br />
Um Effekte zu kompensieren, die während <strong>der</strong> laufenden Messung den Signalpegel verschlechtern,<br />
wurde e<strong>in</strong> zusätzliches Regelungskonzept entwickelt. Zu diesen Effekten gehören<br />
zum Beispiel Luft-Schlieren” o<strong>der</strong> thermischer Drift des Geräts. Das Konzept baut<br />
”<br />
auf die sukzessive parabolische Interpolation nach Heath auf und erweitert diese auf n Dimensionen.<br />
Von beson<strong>der</strong>er Bedeutung dieser Methode ist, dass für jeden Iterationsschritt<br />
nur e<strong>in</strong>e Messung benötigt wird. Der Rand <strong>der</strong> Umgebung U um e<strong>in</strong>en Arbeitspunkt<br />
wird sukzessive evaluiert, wobei e<strong>in</strong>e Heuristik bestimmt, wo sich <strong>der</strong> nächste Evaluationspunkt<br />
bef<strong>in</strong>det. Ist <strong>der</strong> Rand <strong>von</strong> U e<strong>in</strong> Kreis, so werden darauf nache<strong>in</strong>an<strong>der</strong> fest<br />
def<strong>in</strong>ierte Positionen ausgewertet. Mit je<strong>der</strong> neuen Messung wird e<strong>in</strong> aktueller Arbeitspunkt<br />
ermittelt, <strong>in</strong>dem e<strong>in</strong>e quadratische Approximation aus den aktuellsten Messwerten<br />
gebildet wird. Da über e<strong>in</strong>e Kostenfunktion ausgewertet wird, liefert das M<strong>in</strong>imum dieser<br />
Interpolation den neuen Arbeitspunkt. Ist <strong>der</strong> Arbeitspunkt stationär, wird <strong>der</strong> Radius<br />
<strong>der</strong> Umgebung U, auf dessen Rand die Auswertepunkte liegen, m<strong>in</strong>imiert. F<strong>in</strong>den Driftbewegungen<br />
des Arbeitspunkts statt, so folgt <strong>der</strong> Regler mit e<strong>in</strong>er maximalen Schrittweite,<br />
die durch e<strong>in</strong>en Parameter ρ max limitiert ist. Der Parameter ρ max ist beschränkt durch die<br />
maximal gewünschte Variation des <strong>Laser</strong>-Spots <strong>in</strong> Position und Form. Auch <strong>der</strong> Regler<br />
wurde am realen System verifiziert. Die ausgewerteten Experimente haben nachweislich<br />
gezeigt, dass durch die vorgestellte Methode <strong>der</strong> Signalpegel des Vibrometers verbessert<br />
und stabilisiert werden konnte. Die Stabilisierung des Signalpegels führt zu e<strong>in</strong>er reduzierten<br />
Schwankungsbreite. Anhand e<strong>in</strong>es Beispiels wurde das gemessene Spektrum mit<br />
und ohne Regelung gegenüber gestellt. Hier war e<strong>in</strong>deutig zu erkennen, das das Spektrum<br />
mit dem geregelten Signalpegel wesentlich stabiler und rauschärmer war, als die Spektren<br />
ohne unterstützenden Regler.<br />
Für den Extremwertregler werden nur die limitierenden Parameter ρ max und ρ m<strong>in</strong> benötigt,<br />
da <strong>der</strong> Radius ρ <strong>der</strong> Umgebung U adaptiv aus dem Messprozess ermittelt wird. Der vorgestellte<br />
Extremwertregler wird typischerweise auf e<strong>in</strong> nichtl<strong>in</strong>eares Regelungsproblem<br />
angewendet werden. Für die nichtl<strong>in</strong>eare Regelungstechnik steht ke<strong>in</strong>e geschlossene Theorie<br />
zur Verfügung, die zur Untersuchung <strong>der</strong> Stabilität genutzt werden könnte. Dennoch<br />
konnte gezeigt werden, dass die Robustheit des Reglers abhängig <strong>von</strong> <strong>der</strong> Abtastrate des<br />
Sensors ist. Es ist zu erwarten, dass <strong>der</strong> optimale Arbeitspunkt besser geschätzt werden<br />
kann, je höher die Abtastrate ist. Weitergehende Studien und Untersuchungen können<br />
dazu beitragen, entsprechende Stabilitätskriterien zu def<strong>in</strong>ieren.<br />
Die angestellten Untersuchungen s<strong>in</strong>d bisher im Bereich <strong>der</strong> Vorentwicklung zu betrachten.<br />
Um e<strong>in</strong> für die Industrie nutzbares Produkt zu entwickeln, muss e<strong>in</strong>e adaptive Optik<br />
ausgewählt werden, die auch <strong>in</strong> rauen Umgebungen effizient und verlässlich arbeiten. Seit<br />
e<strong>in</strong>iger Zeit haben sich elektrisch fokussierbare Flüssigl<strong>in</strong>sen <strong>in</strong> mo<strong>der</strong>nen Smartphones<br />
etabliert. Solche L<strong>in</strong>sen haben ebenfalls ke<strong>in</strong>e mechanischen Elemente; e<strong>in</strong>e entsprechende<br />
Robustheit kann somit unterstellt werden. Sie wären somit e<strong>in</strong>e mögliche Alternative für<br />
die bisher betrachteten adaptiven Optiken.
Literaturverzeichnis 125<br />
Literaturverzeichnis<br />
[1] Aad, G. ; et. al: The ATLAS Experiment at the CERN Large Hadron Colli<strong>der</strong>.<br />
In: Journal of Instrumentation 3 (2008), Nr. 08, S. S08003. http://dx.doi.org/<br />
10.1088/1748-0221/3/08/S08003. – DOI 10.1088/1748–0221/3/08/S08003. – ISSN<br />
1748–0221<br />
[2] Alexan<strong>der</strong> Nunn: Analyse radialer Basispolynome h<strong>in</strong>sichtlich globaler Optimierungsalgorithmen,<br />
Entwurf und Implementierung e<strong>in</strong>es Referenzalgorithmus. Wuppertal,<br />
Bergische Universität Wuppertal, Diss., 2012<br />
[3] Ariyur, Kartik B. ; Krstić, Miroslav: Real time optimization by extremum seek<strong>in</strong>g<br />
control. Hoboken and NJ : Wiley Interscience, 2003. – ISBN 9780471468592<br />
[4] Bäuerle, Dieter: <strong>Laser</strong>: Grundlagen und Anwendungen <strong>in</strong> Photonik, Technik, Mediz<strong>in</strong><br />
und Kunst. We<strong>in</strong>heim : Wiley-VCH-Verl., 2009. – ISBN 9783527408030<br />
[5] Billah, K. Y. ; Scanlan, Robert H.: Resonance, Tacoma Narrows bridge failure<br />
and un<strong>der</strong>graduate physics textbooks. In: American Journal of Physics 59 (1991),<br />
Nr. 2<br />
[6] Bille, J.F ; Korabl<strong>in</strong>ova, N.A ; Pape, U. ; Schmitt-Lieb, A.: Mediz<strong>in</strong>ische<br />
Physik. Heidelberg : Spr<strong>in</strong>ger, 2005. – ISBN 978–3–540–65255–7<br />
[7] B<strong>in</strong><strong>der</strong>, K.: Monte Carlo methods <strong>in</strong> statistical physics. 2. Berl<strong>in</strong> and and New<br />
York : Spr<strong>in</strong>ger-Verlag, 1986. – ISBN 9783540165149<br />
[8] Bose, Bimal K. ; Szczesny, Paul M. ; Steigerwald, Robert L.: Microcomputer<br />
Control of a Residential Photovoltaic Power Condition<strong>in</strong>g System. In: IEEE Transactions<br />
on Industry Applications 21 (1985), Nr. 5, S. 1182–1191. http://dx.doi.org/<br />
10.1109/TIA.1985.349522. – DOI 10.1109/TIA.1985.349522. – ISSN 0093–9994<br />
[9] Broida, Joel G. ; Williamson, S. G.: A comprehensive <strong>in</strong>troduction to l<strong>in</strong>ear<br />
algebra. Redwood City and Calif : Addison-Wesley, 1989. – ISBN 9780201500653<br />
[10] Buhmann, Mart<strong>in</strong> D.: Radial basis functions: Theory and implementations. Cambridge<br />
: Cambridge Univ Press, 2003. – ISBN 9780511051241<br />
[11] Deutsch, Harri: Taschenbuch <strong>der</strong> Mathematik. Frankfurt a. M., 1999<br />
[12] Duillier, N. Fatio d.: Oeuvres complètes de Christiaan Huygens. [http://
Literaturverzeichnis 126<br />
gallica.bnf.fr/ark:/12148/bpt6k778578/f388.tableOnl<strong>in</strong>e-Zugriff]. In: Société<br />
Hollandaise des Sciences Bd. 9, 381–389<br />
[13] Dunlap, Orr<strong>in</strong> E.: Radio’s 100 men of science: Biographical narratives of pathf<strong>in</strong><strong>der</strong>s<br />
<strong>in</strong> electronics and television. New York : Harper, 1944<br />
[14] Eichler, Jürgen ; Eichler, Hans-Joachim: <strong>Laser</strong>: Bauformen, Strahlführung, Anwendungen.<br />
7. Berl<strong>in</strong> and Heidelberg : Spr<strong>in</strong>ger-Verlag Berl<strong>in</strong> Heidelberg, 2010. –<br />
ISBN 9783642104619<br />
[15] E<strong>in</strong>ste<strong>in</strong>, Albert: Über e<strong>in</strong>en die Erzeugung und Verwandlung des Lichtes betreffenden<br />
heuristischen Gesichtspunkt. In: Annalen <strong>der</strong> Physik 17 (1905), Nr. 132-148<br />
[16] E<strong>in</strong>ste<strong>in</strong>, Albert: Zur Elektrodynamik bewegter Körper. In: Annalen <strong>der</strong> Physik<br />
18 (1905), S. 639–641<br />
[17] E<strong>in</strong>ste<strong>in</strong>, Albert: Die Grundlage <strong>der</strong> allgeme<strong>in</strong>en Relativitätstheorie. 49 (1916), S.<br />
769–822<br />
[18] E<strong>in</strong>ste<strong>in</strong>, Albert: Zur Quantentheorie <strong>der</strong> Strahlung. In: Physikalische Gesellschaft<br />
Zürich. Mitteilungen 18 (1916), S. 47–62<br />
[19] Eugene Hecht: Optik. 4. München : Oldenbourg Verlag, 2005<br />
[20] Flexible Optical B.V.: 37(19)-channel micromach<strong>in</strong>ed deformable mirror system:<br />
typical technical passwort. http://www.okotech.com/images/pdfs/typical%<br />
20passport%2037ch%20MMDM.pdf. Version: 2013<br />
[21] Fliegerclub Wasentegernbach e.V.: Sextant für die Luftfahrt. http://www.<br />
ul-wasi.de/gallery/ma<strong>in</strong>.php?g2_itemId=2930. Version: 10.02.2013<br />
[22] Forster, Otto: Differentialrechnung im IRn, gewöhnliche Differentialgleichungen.<br />
8. Wiesbaden : Vieweg + Teubner, 2008. – ISBN 3834895415<br />
[23] Frommer, Andreas: Numerische Methoden <strong>der</strong> nichtl<strong>in</strong>earen Optimierung: Sommersemester<br />
2004. Wuppertal, 2004<br />
[24] Gablonsky, Jörg M.: Modifications of the DIRECT algorithm. North Carol<strong>in</strong>a,<br />
North Carol<strong>in</strong>a State University, Diss., 2001<br />
[25] Gerigk, Markus ; Bäcker, Andreas ; Birsztejn, Thomas ; Imhäuser, Ralf ;<br />
Roth, Christian ; Speth, Walter ; Vougioukas, Simon: Identifiy<strong>in</strong>g objects. 2011<br />
[26] Gerthsen, Christian: Physik. Berl<strong>in</strong> : Spr<strong>in</strong>ger, 2004<br />
[27] Gomathy, S. ; Saravanan S. ; Thangavel, S.: Design and Implementation of<br />
Maximum Power Po<strong>in</strong>t Track<strong>in</strong>g (MPPT) Algorithm for a Standalone PV System.<br />
In: International Journal of Scientific & Eng<strong>in</strong>eer<strong>in</strong>g Research 3 (2012), Nr. 3<br />
[28] Griewank, Andreas ; Walther, Andrea: Evaluat<strong>in</strong>g <strong>der</strong>ivatives: Pr<strong>in</strong>ciples and<br />
techniques of algorithmic differentiation. 2. Philadelphia and PA : Society for Industrial<br />
and Applied Mathematics, 2008. – ISBN 9780898716597<br />
[29] Griff<strong>in</strong>, Joshua D. ; Kolda, Tamara G.: Asynchronous parallel hybrid optimization<br />
comb<strong>in</strong><strong>in</strong>g DIRECT and GSS. In: OPTIMIZATION METHODS AND SOFTWARE<br />
25 (2010), Nr. 5, S. 797–817
Literaturverzeichnis 127<br />
[30] Gutmann, H.: A radial basis function based on methods for global optimization.<br />
In: Journal of Global Optimization 19 (2001)<br />
[31] Hamamatsu: Datenblatt LCOS-SLM X10468 series. http://sales.hamamatsu.<br />
com/assets/pdf/parts_X/X10468E.pdf. Version: 2013<br />
[32] Hansen, Eldon R.: Global optimization us<strong>in</strong>g <strong>in</strong>terval analysis. New York : M.<br />
Dekker, 1992. – ISBN 9780585312033<br />
[33] Heath, Michael T.: Scientific comput<strong>in</strong>g: An <strong>in</strong>troductory survey. 2. Boston :<br />
McGraw-Hill, 2002. – ISBN 9780071122290<br />
[34] Heath, Michael T.: Nonl<strong>in</strong>ear Equations and Optimization III. http://tur<strong>in</strong>g.<br />
une.edu.au/~amth247/Lectures/Lecture_15.pdf. Version: 2006<br />
[35] Hecht, Eugene: Optik. 4. München : Oldenbourg, 2005. – ISBN 9789756885024<br />
[36] Hendrix, Eligius M. ; G.-Tóth, Boglárka: Introduction to nonl<strong>in</strong>ear and global<br />
optimization. London : Spr<strong>in</strong>ger, 2010<br />
[37] Herbrand, Frank: Extremwertregelung zur automatischen Strahlführung an Teilchenbeschleunigern.<br />
Magdeburg, Otto-<strong>von</strong>-Guericke-Universität Magdeburg, Diss.,<br />
2001<br />
[38] Herbrand, Frank: Extremwertregler zur automatischen Strahlführung an L<strong>in</strong>earbeschleunigern<br />
für Ionen. In: atp 8/2001 8 (2001)<br />
[39] Heryudono, Alfa R. H.: Adaptive radial basis function methods for the numerical<br />
solution of partial differential equations, with application to the simulation of the<br />
human tear film. 2008. – ISBN 0549813918<br />
[40] Himmelblau, David M.: Applied nonl<strong>in</strong>ear programm<strong>in</strong>g. New York and NY :<br />
McGraw-Hill, 1972. – ISBN 0070289212<br />
[41] Hoffmann, Karl: E<strong>in</strong>e E<strong>in</strong>führung <strong>in</strong> die Technik des Messens mit Dehnungsmeßstreifen.<br />
Darmstadt : Hott<strong>in</strong>ger Baldw<strong>in</strong> Messtechnik, 1987<br />
[42] Hooke, Robert ; Jeeves, T. A.: “ Direct Search” Solution of Numerical and Statistical<br />
Problems. In: Journal of the ACM 8 (1961), Nr. 2, S. 212–229. http:<br />
//dx.doi.org/10.1145/321062.321069. – DOI 10.1145/321062.321069. – ISSN<br />
00045411<br />
[43] Jiang, Joe-Air ; Huang, Tsong-Liang ; Hsiao, Y<strong>in</strong>g-Tung ; Chen, Chia-Hong:<br />
Maximum Power Track<strong>in</strong>g for Photovoltaic Power Systems. In: Tamkang Journal of<br />
Science and Eng<strong>in</strong>eer<strong>in</strong>g 8 (2005), Nr. 2, S. 147–153<br />
[44] Johnston, Sean: Holographic visions: A history of new science. Oxford and and<br />
New York : Oxford University Press, 2006. – ISBN 1429470461<br />
[45] Jones, D. R. ; Perttunen, C. D. ; Stuckman, B. E.: Lipschitzian Optimization<br />
Without the Lipschitz Constant. In: Journal of Optimization Theory and Application<br />
79 (1993), Nr. 1<br />
[46] Jones, Donald R. ; Schonlau, Matthias ; Welch, William J.: Efficient Global
Literaturverzeichnis 128<br />
Optimization of Expensive Black-Box Functions. In: Journal of Global Optimization<br />
13 (1998), S. 455–492<br />
[47] Joseph Weber: Amplification of microwave radiation by substances not <strong>in</strong> thermal<br />
equilibrium. In: IRE Transactions on Electron Devices 3 (1953), S. 1<br />
[48] Kaiser, Markus: E<strong>in</strong> Filter-Trust-Region-Verfahren für nichtl<strong>in</strong>eare Gleichungssysteme.<br />
Erlangen-Nürnberg, Friedrich-Alexan<strong>der</strong>-Universität Erlangen-Nürnberg,<br />
Diss., 2008<br />
[49] Kalman, R. E.: A New Approach to L<strong>in</strong>ear Filter<strong>in</strong>g and Prediction Problems. In:<br />
Transaction of the ASME, Journal of Basic Eng<strong>in</strong>eer<strong>in</strong>g (1960), S. 35–45<br />
[50] Knopp, Helmut: Astronomische Navigation: Großkreisnavigation, HO 249, HO 229,<br />
Taschenrechnerverfahren für C-Sche<strong>in</strong> und Sporthochseeschiffer-Zeugnis. Herford :<br />
Busse & Seewald, 1986. – ISBN 3512007384<br />
[51] Kuckartz, Udo ; Rädiker, Stefan ; Ebert, Thomas ; Schehl, Julia: Statistik:<br />
E<strong>in</strong>e verständliche E<strong>in</strong>führung. In: Statistik (2010)<br />
[52] La<strong>der</strong>aranach: LDV Scheme. http://en.wikipedia.org/wiki/File:LDV_<br />
Schematic.png<br />
[53] Larsson, Elisabeth ; Fornberg, Bengt: A Numerical Study of some Radial Basis<br />
Function based Solution Methods for Elliptic PDEs. In: Computer & Mathematics<br />
with Applications 46 (2003)<br />
[54] Le-Thi, Hoai A. ; Vaz, A. I. F. ; Vicente, L. N.: Optimiz<strong>in</strong>g radial basis functions<br />
by d.c. programm<strong>in</strong>g and its use <strong>in</strong> direct search for global <strong>der</strong>ivative-free optimization.<br />
In: Top : an official journal of the Spanish Society of Statistics and Operations<br />
Research 20 (2012), Nr. 1, S. 190–214<br />
[55] LeCam, Lucien: Asymptotic methods <strong>in</strong> statistical decision theory. New York and<br />
NY : Spr<strong>in</strong>ger, 1986 (Spr<strong>in</strong>ger series <strong>in</strong> statistics). – ISBN 0387963073<br />
[56] Lerch, M. ; Tischler, G. ; Gudenberg, J. Wolff v. ; Hofschuster, W. ;<br />
Krämer, W.: : filib++, a Fast Interval Library Support<strong>in</strong>g Conta<strong>in</strong>ment Computations.<br />
In: ACM TOMS 32 (2006), Nr. 2, S. 299–324<br />
[57] Lorenz, Falko: L<strong>in</strong>eare Algebra. Mannheim : Bibliograph. Inst., 1983. – ISBN<br />
9783411006014<br />
[58] Mach, Ludwig: Über e<strong>in</strong> Interferenzrefractometer. In: Zeitschrift für Instrumentenkunde<br />
12 (1892), Nr. S. 89-93<br />
[59] Malacara, Daniel: Optical shop test<strong>in</strong>g. 2. New York : John Wiley & Sons, 1992.<br />
– ISBN 9780471522324<br />
[60] Mart<strong>in</strong>, Richard M.: Piezoelectricity. In: Physical Review B. 5 (1972), Nr. 4, S.<br />
1607–1613<br />
[61] Mathar, R.J: Übersicht Zernike-Polynome. http://upload.wikimedia.org/<br />
wikipedia/commons/c/c0/ZernikePolynome5.svg. Version: 2011
Literaturverzeichnis 129<br />
[62] Mayer, Sascha ; Tibken, Bernd ; Rembe, Christian: Advanced techniques <strong>in</strong> vibrometry<br />
by us<strong>in</strong>g spatial light modulators. In: Proceed<strong>in</strong>gs of the 10th International<br />
Conference on Vibration Measurementsby <strong>Laser</strong> and Noncontact Techniques (2012)<br />
[63] Me<strong>in</strong>trup, David ; Schäffler, Stefan: Stochastik: Theorie und Anwendungen.<br />
Berl<strong>in</strong> : Spr<strong>in</strong>ger, 2005. – ISBN 3540267077<br />
[64] Meister, Andreas: Numerik l<strong>in</strong>earer Gleichungssysteme: E<strong>in</strong>e E<strong>in</strong>führung <strong>in</strong> mo<strong>der</strong>ne<br />
Verfahren. 2. Wiesbaden : Vieweg, 2005. – ISBN 3528131357<br />
[65] Moser, F. ; Fischer, M. ; Rumold, W.: Dreidimensionale Messung <strong>von</strong> Betriebsschw<strong>in</strong>gformen<br />
quietschen<strong>der</strong> Scheibenbremsen. In: VDI-Berichte Nr. 1736, 2002; S.<br />
71-83, 2002 1736 (2002), S. 71–83<br />
[66] Möser, Michael: Messtechnik <strong>der</strong> Akustik. Berl<strong>in</strong> and Heidelberg : Spr<strong>in</strong>ger-Verlag<br />
Berl<strong>in</strong> Heidelberg, 2010 http://site.ebrary.com/lib/alltitles/docDetail.<br />
action?docID=10356153. – ISBN 978–3–540–68087–1<br />
[67] National Instruments: Datasheet NI-DAQ USB-6210. 2013<br />
[68] Oberle, H. J.: Skript zur Vorlesung Optimierung SoSe 2012. Hamburg, 2012<br />
[69] Planck, Max: Über das Gesetz <strong>der</strong> Energieverteilung im Normalspectrum. In:<br />
Annalen <strong>der</strong> Physik : 4. Folge ; 4 (1901)<br />
[70] Polytec: Grundlagen <strong>der</strong> <strong>Vibrometrie</strong>. 2012<br />
[71] Polytec: Geschw<strong>in</strong>digkeitssteuerung und Messung. http://www.polytec.com/de/<br />
quickl<strong>in</strong>ks-on-home/laenge-und-geschw<strong>in</strong>digkeit-messen/. Version: 2013<br />
[72] Press, William H.: Numerical recipes: The art of scientific comput<strong>in</strong>g. 3. Cambridge<br />
and UK and and New York : Cambridge University Press, 2007. – ISBN 978–0–521–<br />
88068–8<br />
[73] Rembe, Christian ; Mayer, Sascha (Hrsg.): Techniken zur <strong>Reduktion</strong> <strong>Speckle</strong>-<br />
<strong>Drop</strong>outs: persönliche Mitteilung. 16.10.2012<br />
[74] Robert Schaback ; Universität Gött<strong>in</strong>gen (Hrsg.): Multivariate Interpolation<br />
by Polynomials and Radial Basis Functions. http://num.math.uni-goett<strong>in</strong>gen.<br />
de/schaback/research/papers/MIbPaRBF.pdf. Version: 2002<br />
[75] Rosenbrock, H. H.: An Automatic Method for F<strong>in</strong>d<strong>in</strong>g the Greatest or Least Value<br />
of a Function. In: The Computer Journal 3 (1960), S. 175–184<br />
[76] Rump, Siegfried M.: Fast and Parallel Interval Arithmetic. In: BIT Numerical<br />
Mathematics 39 (1999), Nr. 3, S. 534–554<br />
[77] San<strong>der</strong>s, Jason ; Kandrot, Edward: CUDA by example: An <strong>in</strong>troduction to<br />
general-purpose GPU programm<strong>in</strong>g. 3. Upper Saddle River and NJ : Addison-Wesley,<br />
2011. – ISBN 9780131387683<br />
[78] Schele, L<strong>in</strong>da ; Freidel, David A. ; Scheffner, Johann G.: Die unbekannte<br />
Welt <strong>der</strong> Maya: Das Geheimnis ihrer Kultur entschlüsselt. München : Knaus, 1991.<br />
– ISBN 3813563421
Literaturverzeichnis 130<br />
[79] Shubert, B.: A Sequential Method Seek<strong>in</strong>g the Global Maximum of a Function. In:<br />
SIAM Journal of Numerical Analysis (1972), Nr. 9, S. 379–388<br />
[80] Taylor, Brook: Methodus <strong>in</strong>crementorum directa & <strong>in</strong>versa. Auctore Brook Taylor.<br />
Lond<strong>in</strong>i : typis Pearsonianis prostant apud Gul. Innys, 1715<br />
[81] Törn, Aimo ; Zil<strong>in</strong>skas, Antanas: Lecture notes <strong>in</strong> computer science. Bd. 350:<br />
Global optimization. Berl<strong>in</strong> u.a : Spr<strong>in</strong>ger, 1989. – ISBN 0–387–50871–6<br />
[82] Wendland, Holger: Konstruktion und Untersuchung radialer Basisfunktionen mit<br />
kompakten Träger. Gött<strong>in</strong>gen, Georg-August-Universität zu Gött<strong>in</strong>gen, Diss., 1996<br />
[83] Westermann, Thomas: Ingenieurmathematik kompakt mit Maple. 2012. Berl<strong>in</strong><br />
and Heidelberg : Spr<strong>in</strong>ger Berl<strong>in</strong> Heidelberg, 2012. – ISBN 364225053X<br />
[84] Wie<strong>der</strong>hold, Olaf: Regelung abgelöster Strömungen <strong>in</strong> hoch belasteten Turbomasch<strong>in</strong>en.<br />
Berl<strong>in</strong> : Universitätsbibliothek <strong>der</strong> Technischen Universität Berl<strong>in</strong>, 2011. –<br />
ISBN 3798322953<br />
[85] W<strong>in</strong>kler, Eric ; Steger, He<strong>in</strong>rich: Karlsruhe. In: Proceed<strong>in</strong>gs of the 8. Forum<br />
Akustische Qualitaetssicherung <strong>der</strong> DGAQS, Karlsruhe 2004<br />
[86] Wright, Grady B.: Radial basis function <strong>in</strong>terpolation: Numerical and analytical<br />
developments. 2003<br />
[87] Xu, Guochang: GPS: Theory, Algorithms and Applications. Dordrecht : Spr<strong>in</strong>ger,<br />
2007 http://www.gbv.eblib.com/patron/FullRecord.aspx?p=337967. – ISBN<br />
978–3–540–72714–9<br />
[88] Zurmuhl, R.: Gauss’ elim<strong>in</strong>ation method for solv<strong>in</strong>g l<strong>in</strong>ear equation systems:<br />
Das Elim<strong>in</strong>ationsverfahren <strong>von</strong> Gauss zur Auflösung l<strong>in</strong>earer Gleichungssysteme ;<br />
ZWB/UM/774 R 2766 ; Darmstadt, Technische Hochschule May, 1944 / [tr. by H.R.<br />
Grumann ; checked by P.A. Buzard. Wright Field and Dayton and OH : Headquarters<br />
Air Material Command, 1947<br />
[89] Zwick, S. ; Warber, M. ; Haist, T. ; Schaal, F. ; Osten, W. ; Boedecker, S.:<br />
Advanced Scann<strong>in</strong>g <strong>Laser</strong>-<strong>Doppler</strong> Vibrometer with Computer Generated Holograms.<br />
In: Proceed<strong>in</strong>gs of the 9th International Conference on Vibration Measurements by<br />
<strong>Laser</strong> and Noncontact Techniques and Short Course (2010)