Direkt zum Inhalt
Symbolfoto: Das AIT ist Österreichs größte außeruniversitäre Forschungseinrichtung

Regelung, Planung & Entscheidungsfindung​

Regelung, Planung und Entscheidungsfindung sind wichtige Bausteine für Automatisierungslösungen für einen optimalen Betrieb von komplexen dynamischen Systemen in Bezug auf Zeit, Kosten, Ressourcen und Qualität. Diese Bausteine stehen üblicherweise in einem hierarchischen Kontext zueinander. Die unterste Ebene ist die Regelung, die mittlere Ebene die Planung und die oberste Ebene die Entscheidungsfindung. Zwischen den einzelnen Ebenen werden Informationen wie z.B. Mess- und Sollwerte mit unterschiedlicher Datenrate und Datenmenge ausgetauscht.

Diese hierarchische Struktur nutzen wir gezielt, um die Komplexität der Prozessführung durch klar abgegrenzte Teilaufgaben zu verringern. Unser Ziel ist, die Performance gegenüber aktuellen Lösungen auf jeder dieser Ebenen deutlich zu steigern. Dazu entwickeln wir maßgeschneiderte, ganzheitliche Automatisierungslösungen für das jeweilige zugrunde liegende komplexe dynamische Systeme, indem wir bestehendes Wissen und Informationen im algorithmischen Entwurf berücksichtigen.

Auf der untersten Ebene wenden wir fortgeschrittene Regelungsentwurfsmethoden an, um Störungen zu unterdrücken und das betrachtete System zu stabilisieren. Die für die Regelung notwendigen Sollwerte, z.B. in Form von Trajektorien, werden von der Planungsinstanz bereitgestellt. Für die Berechnung optimaler Sollwerte nutzen wir unser Domänenwissen aus den Bereichen Regelungstheorie und Optimierung. In der Entscheidungsfindungsinstanz wird unter anderem die Zeitplanung und die Produktreihenfolge bestimmt. Für die Zeit- und Reihenfolgeoptimierung entwerfen wir optimierungsbasierte Algorithmen.

Die Grundlage für den Entwurf von ganzheitlichen Automatisierungslösungen bilden mathematische Modelle, anhand derer das Systemverhalten bestmöglich prädiziert wird. Um die Modellgüte kontinuierlich zu verbessern, verwenden wir adaptive und lernende Methoden.

Regelung & Optimierung

Der industrielle Standard zur Regelung komplexer dynamischer Systeme sind nach wie vor lineare Regelungskonzepte wie z.B. PID-Regler. Derartige Konzepte erreichen oft nur eine stark eingeschränkt Regelgüte, da sie keine systematische Berücksichtigung von Systemeigenschaften wie Nichtlinearitäten und Kopplungen erlauben. Abhilfe schaffen hier mit  unsere maßgeschneiderten, modellbasierten Regelungsalgorithmen, die Systemeigenschaften und kundenspezifische Anforderungen berücksichtigen.

Zu den Lösungsstrategien zählen unter anderem lineare und nichtlineare Vorsteuerungen und Regelungen, adaptive, lernende, sowie modellprädiktive Mehrgrößenregler für nichtlineare Systeme mit Beschränkungen. Eigens entworfene Lösungsalgorithmen erlauben es uns, unsere modellprädiktiven Regelungen auch für herausfordernde Echtzeitanwendungen einzusetzen. Überdies optimieren wir die Reglerparameter für die jeweilige Anwendung, um Performance und Robustheit von Produktions- bzw. Antriebssystemen signifikant zu verbessern.

Planung & 
Entscheidungsfindung

Für eine gegebene Regelungsaufgabe können stets mehrere Sollwerte zulässig sein. Um die geeignetsten Sollwerte zu bestimmen, entwickeln wir optimierungsbasierte Algorithmen für die Planung und die Entscheidungsfindung. Die von uns entwickelten Algorithmen ermöglichen es, die Kapazität von Systemen bestmöglich auszuschöpfen, wobei systeminhärente Eigenschaften sowie die physikalischen und prozessspezifischen Beschränkungen berücksichtigt werden können. Wir beschäftigen uns mit der Optimierung statischer Arbeitspunkte sowie der Bahn- und Trajektorienplanung für kleine und große Manipulatoren unter Berücksichtigung von Hindernissen, um einen sicheren, autonomen Betrieb zu ermöglichen. Überdies entwickeln wir Algorithmen für die Zeit- und Reihenfolgeoptimierung von Produktionssystemen zur Steigerung der Produktqualität, der Ressourceneffizienz und des Durchsatzes.

Lernen & Prädiktion

Sich ständig verändernde Einflussgrößen erhöhen die Komplexität einer Regelungsaufgabe und führen im Allgemeinen zu einer Reduzierung der Regelgüte, der Reproduzierbarkeit und der Prozessstabilität.  Um auf derartige Situationen bestmöglich zu reagieren, entwickeln wir lernende Algorithmen basierend auf adaptiver, robuster Regelungstheorie und datengetriebener Methoden, anhand derer die Regelungs- und Planungsstrategien geeignet angepasst werden. Überdies bieten wir auch lernende Algorithmen für die Modellanpassungen an. Dabei kombinieren wir diesen Ansatz systematisch mit Verfahren aus der Systemidentifikation und der Parameterschätzung. Auf diese Weise verbessern wir kontinuierlich die Modellgüte und damit auch die Regelgüte.

 

 

Verknüpfte Lösungen

Beteiligte Forschungsgruppen