[Zurück]

Maxime Deregnaucourt:
"Efficient Data-Driven Modelling of Constrained Nonlinear Processes";
Betreuer/in(nen), Begutachter/in(nen): S. Jakubek, J. Kunovsky; Institut für Mechanik und Mechatronik, 2015; Rigorosum: 22.01.2015.

Diese Dissertation fasst meine Forschungsaktivitäten als Doktorand an der Technischen Universität Wien seit 2011 zusammen. Meine Forschungsaktivitäten entstanden mit der Zusammenarbeit zwischen dem Institut für Mechanik und Mechatronik (Abteilung für Regelungstechnik und Prozessautomatisierung) und AVL List GmbH und sind Teil der Forschungsaktivitäten des Christian Doppler Labors für Modellbasierte Kalibriermethoden.
Meine Forschungsaktivitäten betreffen die effiziente Modellierung von beschränkten nichtlinearen Prozessen anhand datenbasierter Modelle mit Anwendungen für die Kalibration von nichtlinearen Systemen. Die Kalibration besteht darin, Systeme zu optimieren, indem geeignete Reglerparameter gefunden werden und steht der steigenden Komplexität der modernen Systeme gegenüber. Moderne Systeme sind durch Rechtsnormen und physikalische Grenzen zu Betriebsbereichen beschränkt, in denen die Systemprozesse optimal betrieben werden müssen. Um das Systemverhalten zu optimieren, ist die Modellierung von komplexen beschränkten nichtlinearen Prozessen mit hoher Qualität ein wichtiger Punkt. Zu diesem Zweck wird eine effiziente Modellierungsmethodologie vorgeschlagen, die auf nichtlinearer Systemidentifikation und Versuchsplanung gebaut ist.
Für die nichtlineare Systemidentifikation wird nichtlineare datenbasierte Modellierung verwendet, die darin besteht, ein auf einer nichtlinearen Modellarchitektur gebautes datenbasiertes Modell zu produzieren. Das Hauptziel der nichtlinearen datenbasierten Modellierung ist die Produktion von einer Modellstruktur und von Modellparameter anhand Trainingsdaten, die dem Prozess entsprechen. Die Trainingsdaten werden aus dem System generiert, indem Experimente durchgeführt werden. In diesem Zusammenhang werden die Eingänge eines Systems variiert und der Prozessausgang wird gemessen. Eine Voraussetzung zur datenbasierten Modellierung ist, dass die Trainingsdaten das charakteristische Prozessverhalten beschreiben. Um Trainingsdaten zu generieren, die das Prozessverhalten beschreiben, wird modellbasierte Versuchsplanung verwendet. Die modellbasierte Versuchsplanung besteht darin, das Modell eines Prozesses zu verwenden, um denselben Prozess so anzuregen, dass das nichtlineare Prozessverhalten effizient aufgedeckt und abgeschätzt wird. Die Hauptherausforderung für die modellbasierte Versuchsplanung ist die Integration von Informationen, die im Modell enthalten sind, so dass Hochqualitätsmodelle mit den Trainingsdaten parametriert werden und Prozesseingangs- und Prozessausgangsbeschränkungen eingehalten werden.
Im Kapitel 1 werden die Problemstellung, die Ziele und die Hauptbegriffe beschrieben, um nichtlineare Prozesse mit datenbasierten Modellen zu modellieren, sowie die Beiträge zu den ausgewählten Zeitschriftenartikeln. Im Kapitel 2 werden die ausgewählten Zeitschriftenartikeln und mein eigener Beitrag dargestellt.

This dissertation summarizes my research activities as a PhD student at the Vienna University of Technology since 2011. My research activities originated with the collaboration between the Institute of Mechanics and Mechatronics (Division of Control and Process Automation) and AVL List GmbH and are part of the research activities of the Christian Doppler Laboratory for Model Based Calibration Methodologies.
My research activities concern the efficient modelling of constrained nonlinear processes using data-based models with applications for the calibration of nonlinear systems. The calibration consists in optimizing systems by finding proper controller parameters and is confronted to the increasing complexity of the modern systems. Modern systems are constrained by legal norms or physical limits to operating ranges where the system processes must be operated optimally. For optimizing the system behaviour, modelling complex constrained nonlinear processes with high quality is therefore an important issue. For that purpose, an efficient modelling methodology relying on nonlinear system identification and design of experiments is proposed.
For the nonlinear system identification, nonlinear data-driven modelling is used which consists in producing a data-based model relying on nonlinear model architecture. The main objective of nonlinear data-driven modelling is the production of a model structure and model parameters corresponding to the process using training data. The training data are generated from the system by carrying out experiments. In this context, the inputs of a system process are varied and the process output is measured. A prerequisite to data-driven modelling is that the training data describe the process behaviour characteristics. For generating training data describing the process behaviour, model-based design of experiments is used. Model-based design of experiments consists in using the model of a process for exciting the very same process so that the nonlinear process behaviour is revealed and assessed efficiently. The main challenge for model-based design of experiments is the integration of information contained in the model so that high-quality models are parameterised with the training data and process input and output constraints are complied with.
In Chapter 1, the problematic, the objectives, and the mains concepts for modelling constrained nonlinear processes with data-based models are described, as well as the contributions to the selected journal publications. In Chapter 2, the selected journal publications and my own contribution are presented.

Projektleitung Stefan Jakubek:
Christian Doppler Labor für Modellbasierte Kalibriermethoden