DART - Datengetriebene Methoden in der Regelungstechnik

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.

---

In the course of digitalization, machine learning and data-driven methods are currently receiving a great deal of attention in science and industry. However, there is a lack of basic knowledge and understanding of how data-driven methods in computer science can be meaningfully combined with proven model-based engineering methods such as model-based design in mechatronics and control engineering methods to obtain hybrid models. These engineering methods are based on physical models, which represent a particularly condensed and interpretable representation of knowledge and, in particular, describe causal relationships. For specific control engineering applications, there is extensive prior knowledge in the form of known structures and information, such as (partial) models or parameter sets, which should also be used when applying methods such as machine learning. Such a meaningful systematic connection has not yet been sufficiently investigated scientifically, especially with regard to industrial applications, and is very promising. This contribution presents the results of the DART junior research group – Data-driven methods in control engineering. The main objective was to investigate the synergistic combination of model- and data-driven methods for control engineering tasks, and all important research results as well as the basic principles of machine learning used are presented in this publication.