Daten- und lernbasierte Regelung

In vielen regelungstechnischen Anwendungen sind entweder das mathematische Systemmodell oder die Rahmenbedingungen, denen das geregelte System unterliegt, unbekannt oder unsicher. Dadurch sind klassische Regelungsmethoden oft nicht anwendbar. Datenbasierte Regelung beschäftigt sich daher mit dem Fall, dass kein Modell des Systems vorhanden ist und ermöglicht die Auslegung stabilisierender Regler anhand geeigneter Eingangs-/Ausgangs-Messungen des Systems. In ähnlicher Weise verwenden lernbasierte Regelungskonzepte künstliche Intelligenz oder lernende Algorithmen, um online entweder ein Modell, die Systemumgebung oder direkt einen Regler aus gemessenen Daten zu bestimmen. Diese Methoden haben ein großes Anwendungspotential in der Regelung nichtlinearer Systeme, bei denen die Ermittlung genauer Modelle oft aufwändig oder nicht praktikabel ist.

Unsere Forschung konzentriert sich insbesondere auf

• die Anwendung von Online Convex Optimization zur Regelung dynamischer Systeme,
• datenbasierte Beschreibungen von nichtlinearen Systemen,
• die Entwicklung datenbasierter prädiktiver Regelung,
• den Entwurf von off-policy Reinforcement Learning Algorithmen zur Ermittlung von Zustandsreglern
• die Analyse von datenbasierten Reglern für unregelmäßig abgetastete Systeme und
• die Entwicklung von daten/lernbasierten Schätzern.