Beitrag Zu Iterativ Lernenden Modellpradiktiven Regelungen

In der Industrie laufen viele Prozesse zyklisch und damit wiederholend ab. Eine hohe Regelgute ist hierbei unabdingbar. Daher kommen iterativ lernende Regelungsmethoden zum Einsatz, welche die Regelung des Prozesses zyklisch verbessern. In dieser Dissertation werden iterativ lernende modellpradiktive Regelungsverfahren vorgestellt. Die entwickelten Methoden ermoglichen durch ihre modellbasierte Struktur eine zyklische Steigerung der Regelgute bei gleichzeitiger Berucksichtigung der Systembeschrankungen. Zyklische unbekannte Storungen und Dynamiken lassen sich hiermit iterativ erlernen und unterdrucken. Eine Robustifizierung der Verfahren gegenuber Messrauschen sowie Unsicherheiten wird in dieser Arbeit aufgezeigt. Rechenzeit und Speicherbedarf stellen die grossten Herausforderungen der optimierungsbasierten Verfahren dar. Verschiedene effiziente Ansatze zur Reduktion von Speicher- und Rechenbedarf werden in der Dissertation dargelegt. In den optimierungsbasierten Entwurf lassen sich weitere Optimierungsziele einbinden. Gerade fur industrielle Prozesse stellt eine Reduktion des Energiebedarfs sowie eine Reduktion der Prozesszeiten ein wichtiges Optimierungskriterium dar. Diese Kriterien konnen in einfacher Weise in die entwickelten Verfahren integriert werden. Je nach Prozess sind Energieeinsparungen von uber 50 % realisierbar. Die Prozesszeiten lassen sich teilweise mehr als halbieren. Die Verfahren selbst wurden an drei Beispielsystemen praktisch erprobt. Die Ergebnisse sind zufriedenstellend und fur die Industrie von praktischer Relevanz.