Datengetriebene Modellbildung für nichtlineare mechatronische Systeme in regelungstechnisch verwertbarer Form

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.

---

Model-based control design requires accurate insight into the dynamic behavior of the underlying physical system. Machine learning methods have the potential to reduce modeling efforts compared to the classic approach by effectively combining physical prior knowledge and models trained on measurement data. This dissertation develops methods to determine data-driven models for the control design of nonlinear mechatronic systems. For this purpose, the control applicability of Koopman operator-based methods, which approximate nonlinear dynamics by linear models, is analyzed. In addition, a novel method is developed for the data-driven determination of port-Hamiltonian models, which plausibly represent energy flows and can be directly utilized for passivity-based control design. Moreover, approaches for automatically updating the plant model used in the control loop are presented in case of model uncertainties or occuring changes in system dynamics during operation. Experimental and simulative studies demonstrate the outstanding prediction accuracy of the data-driven models and the high control performance. The findings of this dissertation make a significant contribution because the data-driven models exhibit a form that is highly usable for control engineering. They are physically interpretable and can be seamlessly integrated into existing analysis and design methods. This opens new perspectives for future applications and further developments.