TY  - THES
AB  - Die Steuerung und Regelung komplexer dynamischer Systeme hat in vielen ingenieurwissenschaftlichen Anwendungen eine große Bedeutung, beispielsweise im Bereich des autonomen Fahrens oder bei der Regelung von Verbrennungsprozessen in Kraftwerken. Hier kommt wegen der einfachen Umsetzbarkeit und der hohen Regelgüte häufig die sogenannte modellprädiktive Regelung zum Einsatz. Dabei wird der Kontrolleingang basierend auf einem geeigneten Ersatzmodell, das das Verhalten des zugrundeliegenden dynamischen Systems über einen gegebenen Zeithorizont ausreichend genau vorhersagen kann, optimiert. Insbesondere in den letzten Jahren werden zur Bildung der Ersatzmodelle vermehrt datenbasierte Verfahren und maschinelles Lernen eingesetzt, wie zum Beispiel neuronale Netze. In dieser Arbeit werden verschiedene Aspekte datenbasierter Ersatzmodelle und deren Einsatz im Rahmen der modellprädiktiven Regelung adressiert.Im ersten Teil wird ein Modell basierend auf rekurrenten neuronalen Netzen vorgestellt und zur Regelung eines fluiddynamischen Systems verwendet. Da die Modellierung von Systemen mit zeitabhängigem Kontrolleingang wesentlich komplexer als die Modellierung autonomer Modelle ohne zusätzlichen Kontrolleingang ist, wird im zweiten Teil ein Ansatz vorgestellt, bei dem kontinuierliche Kontrollprobleme so abgeändert werden, dass die Modellbildung für die modellprädiktive Regelung einfacher und mit vielen verschiedenen bestehenden datenbasierten Verfahren umgesetzt werden kann. Dazu wird der Kontrolleingang diskretisiert, sodass nur autonome Ersatzmodelle für vorgegebene Eingänge benötigt werden. Im letzten Teil dieser Arbeit werden Regularisierungsprobleme, die beim Training neuronaler Netze häufig betrachtet werden, als (nichtglattes) Mehrzieloptimierungsproblem aufgefasst, d.h. die Fehlerfunktion und der Regularisierungsterm werden gleichzeitig optimiert.
AU  - Bieker, Katharina
CY  - Paderborn
DA  - 2023
DO  - 10.17619/UNIPB/1-1762
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 20.04.2023
N1  - Universität Paderborn, Dissertation, 2023
PB  - Veröffentlichungen der Universität
PY  - 2023
SP  - 1 Online-Ressource (VIII, 174 Seiten)
T2  - Institut für Mathematik
TI  - Optimization Techniques for Data-Based Control and Machine Learning
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-45242
Y2  - 2024-10-08T17:59:18
ER  -