Kalibrierung

Initialkalibrierung

Einmalig auf einem historischen Zeitfenster stabilen Betriebs. Üblich sind sieben bis dreißig Tage.

from pyadm1ode_calibration import InitialCalibrator, MeasurementData

measurements = MeasurementData.from_csv("hist_data.csv")
measurements.remove_outliers(method="zscore", threshold=3.0)
measurements.fill_gaps(method="interpolate", limit=3)

calibrator = InitialCalibrator(plant)
result = calibrator.calibrate(
    measurements=measurements,
    parameters=["k_dis", "k_hyd_ch", "Y_su"],
    objectives=["Q_ch4", "pH"],
    weights={"Q_ch4": 0.8, "pH": 0.2},
    method="differential_evolution",
    validation_split=0.2,
    max_iterations=50,
    population_size=10,
)

print(result.success, result.parameters, result.validation_metrics)

InitialCalibrator schreibt nicht in das Anlagenmodell. Dafür die Fassade Calibrator verwenden oder die Werte selbst setzen.

Welche Parameter sich lohnen

sensitivity = calibrator.sensitivity_analysis(result.parameters, measurements)
identifiability = calibrator.identifiability_analysis(
    result.parameters, measurements, correlation_threshold=0.8
)

identifiability_analysis unterscheidet nach Raue et al. 2009 zwei Arten des Scheiterns:

• strukturell nicht identifizierbar: Der Parameter bewegt keinen Messkanal, keine Datenmenge
  ändert daran etwas. Auf der Beispielanlage trifft das k_dis, denn die Substrate treten als hydrolysierbare Fraktionen ein, die Desintegration hat also nie ein Substrat.
• praktisch nicht identifizierbar: Er bewegt die Ausgänge, aber so schwach, dass das
  Konfidenzintervall breiter bleibt als der Schätzwert selbst.

Ein Satz kann auch als Satz scheitern. analyze_subset wendet die beiden Maße von Brun et al. 2001 in ihrer Reihenfolge an: erst jeden Parameter für sich, dann den Kollinearitätsindex über die Überlebenden. Er ist 1, wenn die Parameter in unabhängige Richtungen auf die Ausgänge wirken, und wächst unbeschränkt, je austauschbarer sie werden. Die übliche Grenze liegt bei 20.

verdict = calibrator.identifiability_analyzer.analyze_subset(parameters, measurements)
print(verdict.collinearity_index, verdict.reason)

Günstiger, als es hinterher zu merken: der Test kostet 2 * len(parameters) + 1 Simulationen gegenüber den mehreren hundert einer globalen Suche. calibrate(..., check_identifiability=True) führt ihn deshalb vorab aus und warnt, bevor der Optimierer startet.

Online-Rekalibrierung

Die Auslöseschwellen liegen auf calibrator.trigger, die Schrittbegrenzung ist ein Argument von calibrate.

from pyadm1ode_calibration import OnlineCalibrator

calibrator = OnlineCalibrator(plant)
calibrator.trigger.variance_threshold = 0.15     # 15 % relative Abweichung
calibrator.trigger.time_threshold = 24.0         # Stunden seit dem letzten Lauf
calibrator.trigger.consecutive_violations = 2

needed, reason = calibrator.should_recalibrate(recent_data)
if needed:
    result = calibrator.calibrate(
        measurements=recent_data,
        parameters=["k_hyd_ch"],
        current_parameters={"k_hyd_ch": 2.0},
        max_parameter_change=0.20,               # höchstens 20 % je Lauf
        method="nelder_mead",
    )
    if result.success:
        calibrator.apply_calibration(result)

should_recalibrate liefert ein Paar, die Entscheidung und deren Begründung. Das Paar selbst abzufragen ist immer wahr.

Validierung

Mit einem validation_split landen die Kennzahlen des zurückgehaltenen Teils in result.validation_metrics:

• RMSE, MAE: absoluter Fehler
• R2: Bestimmtheitsmaß
• NSE: Nash-Sutcliffe-Effizienz
• PBIAS: systematische Über- oder Unterschätzung

CalibrationValidator ergänzt Residuendiagnostik: Normalität, Autokorrelation und Heteroskedastizität.