---
res:
  bibo_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.@ger
  - 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.@eng
  bibo_authorlist:
  - foaf_Person:
      foaf_givenName: Annika
      foaf_name: Junker, Annika
      foaf_surname: Junker
      foaf_workInfoHomepage: http://www.librecat.org/personId=41470
    orcid: 0009-0002-6475-2503
  bibo_doi: 10.17619/UNIPB/1-2158
  bibo_volume: Band 428
  dct_date: 2024^xs_gYear
  dct_isPartOf:
  - http://id.crossref.org/issn/9783947647477
  dct_language: ger
  dct_publisher: Heinz Nixdorf Institut@
  dct_title: Datengetriebene Modellbildung für nichtlineare mechatronische Systeme
    in regelungstechnisch verwertbarer Form@
...