IU Incubator Datenorientierte Regelung

Die Regelung und Steuerung von komplexen Prozessen kann prinzipiell modellbasiert oder modellfrei erfolgen. Bei modellfreien Ansätzen hingegen wird eine geeignete Modellstruktur vorgegeben, wobei die freien Parameter anhand von experimentellen Messdaten bestimmt bzw. gelernt. Neben den Lernverfahren ist hierbei insbesondere die Wahl einer geeigneten Modellstruktur entscheiden für die erreichbare Güte.

Im Rahmen dieses Projektes sollen Modellstrukturen auf Basis der Koopman Operator Theorie untersucht werden. Hiebei wird ein nichtlineares endlich-dimensionales System durch einen geeigneten Operator, den Koopman Operator, in einen höher dimensionalen (unter Umständen unendlich dimensionalen) linearen Raum eingebettet. Die eigentliche Schwierigkeit besteht dabei in der Bestimmung von geeigneten Observablen und der dazugehörigen Transformation. In der jüngeren Vergangenheit wurden hierzu daten-basierte Ansätze auf Basis von Deep Learning entwickelt, wobei die nichtlineare Transformation, d.h. die Einbettung in den linearen Raum der Observablen, und die lineare Dynamik der Observablen anhand von Mess- bzw. Simulationsdaten gleichzeitig gelernt werden.

Im Rahmen dieses Projektes soll insbesondere die Überführung in die praktische Anwendung untersucht werden. Die wichtigsten Projektziele sind hierbei:

• Robustheitsanalyse von Koopman-basierten Regelungs-konzepten bei Messrauschen, zeitvarianten Anlagen-verhalten und signikanten Prozessstörungen,

• Evaluierung von Koopman-basierten Regelungskonzepten in Experimenten an realen Anlagen,

• Vergleich von Koopman-basierten Regelungskonzepten mit klassischen Regelungsansätzen,

• kritische Bewertung von Koopman-basierten Regelungs-konzepten.