Beitrag zu iterativ lernenden modellprädiktiven Regelungen
Fabian Kennel
In der Industrie laufen viele Prozesse zyklisch und damit wiederholend ab. Eine hohe Regelgüte ist hierbei unabdingbar. Daher kommen iterativ lernende Regelungsmethoden zum Einsatz, welche die Regelung des Prozesses zyklisch verbessern.
In dieser Dissertation werden iterativ lernende modellprädiktive Regelungsverfahren vorgestellt. Die entwickelten Methoden ermöglichen durch ihre modellbasierte Struktur eine zyklische Steigerung der Regelgüte bei gleichzeitiger Berücksichtigung der Systembeschränkungen. Zyklische unbekannte Störungen und Dynamiken lassen sich hiermit iterativ erlernen und unterdrücken. Eine Robustifizierung der Verfahren gegenüber Messrauschen sowie Unsicherheiten wird in dieser Arbeit aufgezeigt.
Rechenzeit und Speicherbedarf stellen die größten Herausforderungen der optimierungsbasierten Verfahren dar. Verschiedene effiziente Ansätze zur Reduktion von Speicher- und Rechenbedarf werden in der Dissertation dargelegt.
In den optimierungsbasierten Entwurf lassen sich weitere Optimierungsziele einbinden. Gerade für industrielle Prozesse stellt eine Reduktion des Energiebedarfs sowie eine Reduktion der Prozesszeiten ein wichtiges Optimierungskriterium dar. Diese Kriterien können in einfacher Weise in die entwickelten Verfahren integriert werden. Je nach Prozess sind Energieeinsparungen von über 50 % realisierbar. Die Prozesszeiten lassen sich teilweise mehr als halbieren. Die Verfahren selbst wurden an drei Beispielsystemen praktisch erprobt. Die Ergebnisse sind zufriedenstellend und für die Industrie von praktischer Relevanz.
