Team

Viele Regelsysteme unterliegen sicherheitskritischen Beschränkungen oder Anforderungen an die Regelgüte, die zu jeder Zeit erfüllt sein müssen. Das Bereitstellen der erforderlichen Garantien ist im Allgemeinen eine herausfordernde Aufgabe. Modellprädiktive Regelung, ein heutzutage weit verbreitetes, optimierungsbasiertes Regelungsverfahren, ist in der Lage, die notwendigen Garantien bereitzustellen. Allerdings bedarf es dafür eines hochqualitativen Systemmodells und allgemein (nahezu) perfektem Wissen über das System und seine Umgebung. Sind Unsicherheiten oder Störungen vorhanden, verschlechtert sich die Regelgüte signifikant und Garantien werden konservativ.

Es ist deshalb wichtig, die Auswirkung von fehlendem Systemwissen auf die erzielbare Regelgüte zu verstehen. Dabei liegt der Fokus auf dynamischen Systemen mit additiven, stochastischen Störungen und spezialisierten stochastischen modellprädiktiven Reglern, die diese Störungen berücksichtigen. Allerdings ist die Wahrscheinlichkeitsverteilung der Störungen oft nicht (exakt) bekannt. Stattdessen werden oft modellprädiktive Regler entworfen, die gegen die exakte Form der Verteilung robust sind und lediglich abstrakteres Wissen über die Verteilung, wie z.B. Wissen über Momente niedriger Ordnung, berücksichtigen. Das Forschungsziel ist es hier, die Verminderung der Regelgüte verteilungsrobuster modellprädiktiver Regler zu verstehen und zu quantifizieren.

Neben dem Verstehen der Verminderung der Regelgüte durch Unsicherheiten und Störungen kann man auf deren Kompensation abzielen. Hierfür werden neue modellprädiktive Regelungsverfahren entwickelt, die Sicherheitsgarantien und eine hohe Regelgüte trotz Unsicherheiten bieten. Im Speziellen wird modellprädiktive Regelung mit Gauß-Prozess-Regression, einer Methode des probabilistischen maschinellen Lernens, verbunden, um anhand von Daten zu lernen und so die Regelgüte zu verbessern. Dies wirft eine Reihe von Fragen auf, die im Fokus des Forschungsprojekts stehen: Wie verbindet man modellprädiktive Regelung und Gauß-Prozess-Regression auf eine recheneffiziente Weise? Wie geht man mit Unsicherheiten um, die durch den Lernansatz herbeigeführt werden? Wie erhält man Garantien an den geschlossenen Regelkreis?