TY  - THES
AB  - Die Inbetriebnahme von Steuerungen und Regelungen stellt sicher, dass ein mechatronisches System ordnungsgemäß funktioniert und den Anforderungen gerecht wird. Der modellbasierte Entwurf basiert auf einem genauen Simulationsmodell. Allerdings ist dieser klassische Weg bei komplexen Systemen oft nicht praktikabel, da die analytische Modellierung zu kompliziert und zeitaufwendig ist. Diese Forschungslücke wird durch Verfahren adressiert, die eine effiziente und sichere Inbetriebnahme ermöglichen. Diese Verfahren kombinieren Regelungstechnik und Reinforcement Learning und nutzen vorhandenes Wissen über die Regelungsaufgabe, um Korrekturen basierend auf Messdaten und der probabilistischen Gauß-Prozess-Regression vorzunehmen. Das Vorwissen kann als teilweise bekanntes physikalisches Modell oder als Steuerungsfunktion vorliegen. Anwendungsbeispiele sind der Ultraschalldrahtbondprozess, verschiedene Pendelsysteme und ein Hexapod. Eine angepasste Bayessche Optimierung wird zur Identifikation einer Steuerparametrisierung für das Ultraschallbonden eingesetzt. Außerdem wird eine hybride Optimalsteuerung für das Doppelpendel auf einem Wagen entwickelt und erfolgreich validiert. Fur einen Hexapod zur Fahrzeugachsprüfung wird eine hybride Zustandslinearisierung formuliert und ein Funktionsnachweis im Rahmen einer Simulation erbracht. Die Einhaltung technischer Rahmenbedingungen und stabiles Systemverhalten werden durch probabilistische Prädiktionen gewährleistet. In allen Anwendungsfällen wird eine Steigerung der Effizienz und Güte erzielt.
AU  - Hesse, Michael
CY  - Paderborn
DA  - 2024
DO  - 10.17619/UNIPB/1-2135
DP  - Universität Paderborn
LA  - ger
N1  - Tag der Verteidigung: 07.10.2024
N1  - Universität Paderborn, Dissertation, 2024
PB  - Veröffentlichungen der Universität
PY  - [2024]
SP  - 1 Online-Ressource (VI, 198 Seiten) Diagramme
T2  - Fakultät für Maschinenbau
TI  - Interaktive Inbetriebnahme von Steuerungen und Regelungen für partiell bekannte dynamische Systeme mittels Gauß-Prozess-Regression: = Interactive commissioning of control applications for partially known dynamic systems using Gaussian Process Regression
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-53432
Y2  - 2026-01-20T08:37:56
ER  -