Forschung in der Gruppe Regelung und Mechatronik
Unser Kernforschungsgebiet ist die experimentelle Modellierung (Identifikation) von nichtlinearen statischen und dynamischen Prozessen. Die Basis aller datengestützten Methoden ist eine intelligente Datenbeschaffung oder Versuchsplanung, die ebenfalls untersucht wird. Weiterhin werden typische Anwendungen für Modelle erforscht, wie data mining, Vorhersagen, Simulation, Steuerung und Regelung, Adaption, Optimierung, Fehlerentdeckung und -diagnose, usw.
Methoden
- Entwicklung neuer Strategien um Ansätze lokaler Modelle zu trainieren.
- Verbesserung und Erweiterung des lokal linearen Modellbaum (LOLIMOT) Algorithmus.
- Achsenschräge Teilungsstrategien für hochdimensionale Probleme.
- Trade-off zwischen weniger aber komplexen lokalen Modellen und mehreren aber einfacheren Modellen.
- Automatische Auswahl der Modellkomplexität.
- Regularisierungstechniken um die Robustheit zu steigern und mit anderen Wissensquellen zu verbinden
- Entwicklung neuer Strategien um Nachschlagtabellen durch neuronale Netzansätze zu ersetzen.
- Untersuchung von verschiedenen dynamischen Realisierungen (NFIR, NOBF, NARX, NARMAX, NOE, etc.) in der nichtlinearen Systemidentifikation.
- Entwicklung neuer Strategien um die Effektivität von Verbrennungsmotorvermessungen zu steigern.
- Modellierung von statischen Systemen mit dynamisch gemessenen Daten.
- Vergleich und Fusion von lokalen Modellansätzen mit support vector machines.
Anwendungen
- Verbindung von Grundprinzipien und Daten.
- Versuchsplanung für Verbrennungsmotoren mit vielen Freiheitsgraden.
- Modellierung, Kontrolle und Optimierung von Verbrennungsmotoren.
- Implementierung von lokalen Modellnetzstrukturen auf Standard-Mikrocontrollern.
- Verbesserung des Autonomiegrades für Eimerbagger.
- Stabilisierung von Spulenvibrationen in Zink-Lackierstraßen.
- Entwicklung von induktiven Sensoren, um die Kanten von Stahlbändern für eine präzise Positionierung zu messen.
- Sensorvalidierung und Prozessüberwachung in Klärwerken.