Interaktive Inbetriebnahme von Steuerungen und Regelungen für partiell bekannte dynamische Systeme mittels Gauß-Prozess-Regression

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.

---

The commissioning of control systems ensures that a mechatronic system functions properly and meets the requirements. Model-based design is based on a precise simulation model. However, this classic approach is often impractical for complex systems, as analytical modeling is too complicated and time-consuming. This research gap is addressed by methods that enable efficient and safe commissioning. These methods combine control engineering and reinforcement learning and use existing knowledge about the control task to make corrections based on measurement data and probabilistic Gaussian process regression. The prior knowledge can be available as a partially known physical model or as a control function. Application examples include the ultrasonic wire bonding process, various pendulum systems and a hexapod. An adapted Bayesian optimization is used to identify a control parameterization for ultrasonic bonding. In addition, a hybrid optimal control for the double pendulum on a cart is developed and successfully validated. A hybrid state linearization is formulated for a hexapod for vehicle axle testing and a proof of concept is provided in a simulation. Compliance with technical framework conditions and stable system behavior are ensured by probabilistic predictions. An increase in efficiency and quality is achieved in all use cases.