Model Predictive Control and Machine Learning

Aktuelles

  • Aktuelle Informationen sind nur über die Moodle Seite der Vorlesung verfügbar.
  • Bitte melden Sie sich für die Vorlesung über das TUCaN-System der TU Darmstadt an. Sollten Sie Probleme bei der Anmeldung haben, wenden Sie sich bitte an Dr.-Ing. Eric Lenz

Allgemeine Informationen zur Veranstaltung

Dozent Dr.-Ing. Anton Savchenko , Prof. Dr.-Ing. Rolf Findeisen
Vorlesungsassistenten Maik Pfefferkorn , Hoang Hai Nguyen
Semester WiSe (2+1)
Vorlesungssprache englisch
Voraussetzungen Grundbegriffe der Regelungstheorie. Grundlagen der linearen Algebra, Differenzialgleichungen, Grundlagen der Optimalsteuerung.
Form der Prüfungsleistung schriftlich oder mündlich
Die Prüfung findet schriftlich oder mündlich statt, je nach Anzahl der Prüfungsanmeldungen. Die Form der Prüfung wird kurz nach Ende der Anmeldefrist bekannt gegeben.
Alte Klausuren
Ergänzende und weiterführende Lehrveranstaltungen
Literaturhinweise
  • J. Rawlings, D. Mayne, and M. Diehl. Model predictive control: theory, computation, and design. Nob Hill Publishing, ISBN: 978-0975937709, 2020.
  • S. Raković, and W. Levine. Handbook of Model Predictive Control. Birkhäuser Basel, ISBN: 978-3-319-77488-6, 2018.
  • C.E. Rasmussen and C. K. I. Williams. Gaussian Processes for Machine Learning. The MIT Press, 2006. ISBN 0-262-18253-X.

Inhalt der Vorlesung

Ziel dieser Lehrveranstaltung

Die Studierenden kennen die grundlegenden Konzepte modellprädiktiver Regler und maschineller Lernverfahren, um modellprädiktive Regelung zu unterstützen und ggf. deren Regelgüte zu verbessern. Dies umschließt theoretische Aspekte wie die Analyse der Stabilität von nominellen Reglern sowie die Erweiterung auf Regler mit Modellen, die Unsicherheiten und Störungen unterliegen.

Die Studierenden sind in der Lage, basierend auf gegebenen physikalischen oder lernbasierten Systemmodellen, modellprädiktive Regler zu entwerfen und zu implementieren. Dies umschließt den Entwurf der Regler, sowie das Tuning und die Wahl geeigneter Kostenfunktionen und Parameter.

Themen

  • Einführung und Grundlagen der optimalen Regelung
  • Linear Quadratic Regulator (LQR) zeitdiskret/zeitkontinuierlich
  • Grundlagen der modellprädiktiven Regelung (Kostenfunktionen, Nebenbedingungen, gleitender Horizont)
  • Nominelle modellprädiktive Regelung linearer Systeme
  • Robuste und stochastische modellprädiktive Regelung linearer Systeme
  • Regelung nichtlinearer Systeme mit modellprädiktiver Regelung
  • Grundlagen des maschinellen Lernens
  • Kombination maschineller Lernansätze mit modellprädiktiver Regelung

Organisatorisches

Alle Materialien für die Vorlesung und Übung werden über Moodle zur Verfügung gestellt.
Prüfung Wintersemester 2022/2023
Prüfungsform schriftlich oder mündlich
Datum voraussichtlich März 2023
Uhrzeit tba
Raum tba
Erlaubte Hilfsmittel Stift
Einsicht tba