In dieser Arbeit werden Methoden und Verfahren für den Entwurf hierarchisch organisierter selbstoptimierender mechatronischer Systeme vorgestellt. Als selbstoptimierende Systeme werden intelligente mechatronische Systeme aufgefasst, die autonom und flexibel auf sich ändernde Zielsetzungen und Betriebsbedingungen reagieren. Aufgrund der hohen Komplexität werden solche Systeme in Teilsysteme zerlegt, die physikalisch und informationstechnisch miteinander vernetzt sind. Die gegenseitigen Wechselwirkungen erfordern eine ganzheitliche Betrachtung. Es wird hierzu eine verteilte Wissensbasis vorgeschlagen, die auf jeder Ebene des Systems Informationen über das System selbst und sein Umfeld als Entscheidungsgrundlage für einen Selbstoptimierungsprozess bereitstellt. Es wird dabei besonderes Augenmerk auf die Kapselung der einzelnen Teilsysteme und auf den Abstraktionsgrad der Informationen auf den verschiedenen Ebenen gelegt. Auf der Wissensbasis setzt eine hierarchische Mehrzieloptimierung auf, die paretooptimale Einstellungen für das System ermittelt. Ein selbstoptimierendes System kann auf vielfältige Art und Weise realisiert werden. Für Systeme, deren Störverhalten für die Funktionalität entscheidend ist, wird eine selbstoptimierende Regelung vorgestellt, die auf Basis paretooptimaler Reglereinstellungen arbeitet. Für die Einhaltung der gewünschten Ziele bei wechselnden Anregungsverhältnissen sorgt ein sog. Ziel-Regelkreis, der analog zu einem klassischen Regler arbeitet.

This thesis is focused on methods and algorithms for the development of hierarchical structured self-optimizing mechatronic systems. In this context self-optimizing systems are intelligent mechatronic systems which adapt themselves autonomously to changing objectives and operating conditions. Due to the high level of complexity, these systems are decomposed into various sub-systems and components. The mutual interactions of these physically coupled and networked sub-systems require a holistic view of the entire system. A distributed knowledge base provides information about the system itself, the surrounding sub-systems and the environment on each level of the system. This information serves as a basis of decision-making for a self-optimizing process. Particular attention is paid to the encapsulation as well as to the level of abstraction of a particular sub-system. The distributed knowledge base is the foundation of a hierarchical multiobjective optimization, which is used to calculate the paretooptimal configurations of the system. For systems, whose functionality highly depends on the disturbance behaviour, a self-optimizing control loop is proposed. A so-called objective-controller, which works analogously to a conventional controller, adjusts the system behaviour to attain the desired objectives under varying excitation conditions.