@phdthesis{56940,
  abstract     = {{Ziel dieser Arbeit ist die Entwicklung eines modellbasierten Beobachters für eingangsaffine, nichtlineare Systeme, der trotz Modellungenauigkeiten eine hohe Schätzgüte erzielt und zusätzlich eine parametrische, physikalisch interpretierbare Darstellung dieser ermöglicht. Diese soll zur automatisierten Verbesserung des Modells verwendet werden. Die vorliegende Arbeit analysiert sowohl Techniken der hybriden Systemidentifikation wie physikalisch motivierte neuronale Netze, als auch Methoden zur Kompensation von Modellungenauigkeiten im Beobachterentwurf. Basierend auf der Analyse wird ein neuartiger, modellbasierter Beobachter entworfen, der Systemzustände und Modellungenauigkeiten gleichzeitig schätzt und insbesondere eine parametrische, physikalisch interpretierbare Darstellung der Ungenauigkeiten erzielt. Diese besteht aus einer Linearkombination von physikalisch interpretierbaren Funktionen, deren dazugehörige, dünnbesetzt modellierte Parameter mithilfe eines augmentierten Zustands parallel zu den Systemzuständen geschätzt werden. Das Novum dieser Arbeit stellt somit die echtzeitfähige Schätzung von Zuständen und Modellungenauigkeiten in physikalisch-technischer Form dar, auf deren Grundlage ein Konzept zur automatisierten Modelladaption umgesetzt wird. Die Applikation der neuartigen Methode ist in der Situation auftretender Systemveränderungen besonders vorteilhaft, da diese zur Laufzeit durch den augmentierten Beobachter
geschätzt und identifiziert werden können. }},
  author       = {{Götte, Ricarda-Samantha}},
  isbn         = {{978-3-947647-42-2}},
  keywords     = {{state estimation, joint estimation, sparsity}},
  title        = {{{Online-Schätzung von Modellungenauigkeiten zur automatischen Modelladaption unter Beibehaltung einer physikalisch-technischen Interpretierbarkeit}}},
  doi          = {{10.17619/UNIPB/1-2066}},
  volume       = {{423}},
  year         = {{2024}},
}

@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}},
}

@phdthesis{58448,
  abstract     = {{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 Pradiktionen gewährleistet. In allen Anwendungsfällen wird eine Steigerung der Effizienz und Güte erzielt.}},
  author       = {{Hesse, Michael}},
  isbn         = {{978-3-947647-45-3}},
  issn         = {{2365-4422}},
  publisher    = {{Heinz Nixdorf Institut}},
  title        = {{{Interaktive Inbetriebnahme von Steuerungen und Regelungen für partiell bekannte dynamische Systeme mittels Gauß-Prozess-Regression}}},
  doi          = {{10.17619/UNIPB/1-2135}},
  volume       = {{426}},
  year         = {{2024}},
}