@book{61118, abstract = {{Im Zuge der Digitalisierung erfahren maschinelles Lernen und datengetriebene Methoden derzeit eine große Aufmerksamkeit in Wissenschaft und Industrie. Es fehlt jedoch an Grundlagenwissen und Verständnis, wie die datengetriebenen Methoden der Informatik mit bewährten modellbasierten Ingenieursmethoden wie dem modellbasierten Entwurf in der Mechatronik und Methoden der Regelungstechnik sinnvoll kombiniert werden können, um hybride Modelle zu erhalten. Diese ingenieurwissenschaftlichen Methoden basieren auf physikalischen Verhaltensmodellen, die eine besonders verdichtete und interpretierbare Darstellung von Wissen darstellen und insbesondere kausale Zusammenhänge beschreiben. Für spezifische regelungstechnische Anwendungen gibt es umfangreiches Vorwissen in Form von bekannten Strukturen und Informationen, wie z.B. (Teil-)Modelle oder Parametersätze, die auch bei der Anwendung von Methoden wie dem maschinellen Lernen genutzt werden sollten. Eine solche sinnvolle systematische Verknüpfung ist wissenschaftlich, insbesondere im Hinblick auf die industrielle Anwendung, noch nicht ausreichend untersucht worden und sehr vielversprechend. In diesem Beitrag werden die Ergebnisse der Nachwuchsforschungsgruppe DART – Datengetriebene Methoden in der Regelungstechnik vorgestellt. Das Hauptziel war es, die synergetische Kombination von modell- und datengetriebenen Methoden für regelungstechnische Aufgaben zu erforschen und es werden alle wichtigen Forschungsergebnisse aber auch die verwendeten Grundprinzipien des maschinellen Lernens in diesem Beitrag dargestellt.}}, author = {{Timmermann, Julia and Götte, Ricarda-Samantha and Junker, Annika and Hesse, Michael and Schwarzer, Luis}}, publisher = {{HNI Verlagsschriftenreihe}}, title = {{{DART - Datengetriebene Methoden in der Regelungstechnik}}}, doi = {{10.17619/UNIPB/1-2305}}, volume = {{Band 430}}, year = {{2025}}, } @phdthesis{58164, abstract = {{Der modellbasierte Regelungsentwurf erfordert eine möglichst genaue Kenntnis über das dynamische Verhalten des zugrunde liegenden physikalischen Systems. Durch maschinelle Lernverfahren besteht das Potenzial den Modellierungsaufwand im Vergleich zum klassischen Vorgehen zu reduzieren, indem physikalisches Vorwissen und an Messdaten trainierte Modelle effektiv zusammengeführt werden. Diese Dissertation entwickelt Methoden zur datengetriebenen Bestimmung von Modellen für den Regelungsentwurf nichtlinearer mechatronischer Systeme. Dazu wird die regelungstechnische Anwendbarkeit von Koopman-Operator-basierten Verfahren analysiert, die nichtlineare Dynamiken durch lineare Modelle approximieren. Darüber hinaus wird ein neuartiges Verfahren zur datengetriebenen Bestimmung von Port-Hamilton-Modellen entwickelt, die Energiezusammenhänge plausibel abbilden und sich unmittelbar für einen passivitätsbasierten Regelungsentwurf verwenden lassen. Zudem werden Ansätze zur automatischen Aktualisierung des im Regelkreis verwendeten Streckenmodells bei Modellunsicherheiten oder auftretenden Veränderungen der Systemdynamik vorgestellt. Experimentelle sowie simulative Untersuchungen demonstrieren die herausragende Prädiktionsgenauigkeit der datengetriebenen Modelle und die hohe Regelgüte. Die Ergebnisse dieser Dissertation leisten einen bedeutenden Beitrag, weil die datengetriebenen Modelle eine aus regelungstechnischer Sicht verwertbare Form aufweisen. Sie sind physikalisch interpretierbar und lassen sich nahtlos in bestehende Analyse- und Entwurfsmethoden einbinden. Dies eröffnet neue Perspektiven für zukünftige Anwendungen und Weiterentwicklungen.}}, author = {{Junker, Annika}}, isbn = {{9783947647477}}, publisher = {{Heinz Nixdorf Institut}}, title = {{{Datengetriebene Modellbildung für nichtlineare mechatronische Systeme in regelungstechnisch verwertbarer Form}}}, doi = {{10.17619/UNIPB/1-2158}}, volume = {{Band 428}}, year = {{2024}}, } @article{57893, abstract = {{AbstractControl engineering applications usually require a model that accurately represents the dynamics of the system. In addition to classical physical modeling, powerful data‐driven approaches are gaining popularity. However, the resulting models may not be ideal for control design due to their black‐box structure, which inherently limits interpretability. Formulating the system dynamics in port‐Hamiltonian form is highly beneficial, as its valuable property of passivity enables the straightforward design of globally stable controllers while ensuring physical interpretability. In a recently published article, we presented a method for data‐driven inference of port‐Hamiltonian models for complex mechatronic systems, requiring only fundamental physical prior knowledge. The resulting models accurately represent the nonlinear dynamics of the considered systems and are physically interpretable. In this contribution, we advance our previous work by including two key elements. Firstly, we demonstrate the application of the above described data‐driven PCHD models for controller design. Preserving the port‐Hamiltonian form in the closed loop not only guarantees global stability and robustness but also ensures desired speed and damping characteristics. Since control systems based on output measurements, which are continuously measured during operation due to the feedback structure, we secondly aim to use this data. Thus, we augment the existing modeling strategy with an intelligent adaptation approach to address uncertainties and (un)predictable system changes in mechatronic systems throughout their lifecycle, such as the installation of new components, wear, or temperature fluctuations during operation. Our proposed algorithm for recursively calculated data‐driven port‐Hamiltonian models utilizes a least‐squares approach with extensions such as automatically adjusting the forgetting factor and controlling the covariance matrix trace. We demonstrate the results through model‐based application on an academic example and experimental validation on a test bench.}}, author = {{Junker, Annika and Timmermann, Julia and Trächtler, Ansgar}}, issn = {{1617-7061}}, journal = {{PAMM}}, number = {{1}}, publisher = {{Wiley}}, title = {{{Adaptive Data‐Driven Models in Port‐Hamiltonian Form for Control Design}}}, doi = {{10.1002/pamm.202400154}}, volume = {{25}}, year = {{2024}}, } @article{50070, author = {{Junker, Annika and Pape, Keno Egon Friedrich and Timmermann, Julia and Trächtler, Ansgar}}, issn = {{2405-8963}}, journal = {{IFAC-PapersOnLine}}, keywords = {{General Medicine}}, number = {{3}}, pages = {{625--630}}, publisher = {{Elsevier BV}}, title = {{{Adaptive Koopman-Based Models for Holistic Controller and Observer Design}}}, doi = {{10.1016/j.ifacol.2023.12.094}}, volume = {{56}}, year = {{2023}}, } @inproceedings{42238, author = {{Junker, Annika and Fittkau, Niklas and Timmermann, Julia and Trächtler, Ansgar}}, booktitle = {{2022 Sixth IEEE International Conference on Robotic Computing (IRC)}}, location = {{Naples, Italy}}, publisher = {{IEEE}}, title = {{{Autonomous Golf Putting with Data-Driven and Physics-Based Methods}}}, doi = {{10.1109/irc55401.2022.00031}}, year = {{2023}}, } @inproceedings{26389, abstract = {{Within this work, we investigate how data-driven numerical approximation methods of the Koopman operator can be used in practical control engineering applications. We refer to the method Extended Dynamic Mode Decomposition (EDMD), which approximates a nonlinear dynamical system as a linear model. This makes the method ideal for control engineering applications, because a linear system description is often assumed for this purpose. Using academic examples, we simulatively analyze the prediction performance of the learned EDMD models and show how relevant system properties like stability, controllability, and observability are reflected by the EDMD model, which is a critical requirement for a successful control design process. Subsequently, we present our experimental results on a mechatronic test bench and evaluate the applicability to the control engineering design process. As a result, the investigated methods are suitable as a low-effort alternative for the design steps of model building and adaptation in the classical model-based controller design method.}}, author = {{Junker, Annika and Timmermann, Julia and Trächtler, Ansgar}}, booktitle = {{2022 3rd International Conference on Artificial Intelligence, Robotics and Control (AIRC 2022)}}, isbn = {{978-1-6654-5946-4}}, keywords = {{Koopman Operator, Nonlinear Control, Extended Dynamic Mode Decomposition, Hybrid Modelling}}, location = {{Cairo, Egypt}}, pages = {{1--9}}, title = {{{Data-Driven Models for Control Engineering Applications Using the Koopman Operator}}}, doi = {{10.1109/AIRC56195.2022.9836980}}, year = {{2022}}, } @inproceedings{34011, author = {{Junker, Annika and Fittkau, Niklas and Timmermann, Julia and Trächtler, Ansgar}}, booktitle = {{Proceedings - 32. Workshop Computational Intelligence: Berlin, 1. - 2. Dezember 2022}}, location = {{Berlin, Germany}}, pages = {{119--124}}, title = {{{Autonomes Putten mittels datengetriebener und physikbasierter Methoden}}}, doi = {{10.5445/KSP/1000151141}}, year = {{2022}}, } @article{50071, author = {{Junker, Annika and Timmermann, Julia and Trächtler, Ansgar}}, issn = {{2405-8963}}, journal = {{IFAC-PapersOnLine}}, keywords = {{Control and Systems Engineering}}, number = {{12}}, pages = {{389--394}}, publisher = {{Elsevier BV}}, title = {{{Learning Data-Driven PCHD Models for Control Engineering Applications*}}}, doi = {{10.1016/j.ifacol.2022.07.343}}, volume = {{55}}, year = {{2022}}, }