Maßgeschneiderte neuronale Netze für lernbasierte prädiktive Regelungen

• Antragsteller: Professor Dr. Moritz Schulze Darup
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 556837821

Maschinelles Lernen (ML) wird seit Jahrzehnten in der Regelungstechnik eingesetzt. Jüngere Fortschritte im Bereich des Deep Learning haben jedoch zu effektiveren und vielseitigeren Methoden geführt; insbesondere bei der datengetriebenen modellprädiktiven Regelung (MPC). Verschiedene ML-Paradigmen wurden eingesetzt, um MPC-Anwendungen zu verbessern, darunter überwachtes Lernen für die Offline-Approximation von optimalen Regelungseingriffen und bestärkendes Lernen für die Online-Optimierung. Trotz dieser Fortschritte stellen praktische Anwendungen strenge Anforderungen an die Echtzeitfähigkeit, Berechnungseffizienz und Erfüllung von Prozessbeschränkungen. Um diese Herausforderungen zu bewältigen, konzentriert sich dieses Projekt auf die Spezifikation maßgeschneiderter neuronaler Netze (NN) für die Approximation prädiktiver Regelungsstrategien oder zugehöriger Funktionen optimaler Kosten. Das Projekt baut auf der Beobachtung auf, dass spezielle NNs mit ReLU- oder Maxout-Aktivierungen die gleiche stückweise affine (PWA) Struktur besitzen wie beispielsweise MPC-Gesetze für lineare Systeme. Darüber hinaus ermöglichen Varianten solcher NNs auch die Beschreibung von konvexen stückweise quadratischen (PWQ) Funktionen, wie sie etwa für optimale Kostenfunktionen auftreten. Das Projekt zielt darauf ab, neuartige Methoden zu entwickeln, die die beobachteten Zusammenhänge effizienter ausnutzen, um lernbasierte Regelungen signifikant zu verbessern. Zentrale Bausteine sind (i) neuartige Zerlegungen von Maxout-Neuronen, (ii) maßgeschneiderte affine Anhebungen von PWQ-Funktionen und (iii) umfangreiche numerische Benchmarks. Eine neuartige Brücke zu (iv) lernbasierten Solver-Iterationen schließt das Projekt ab.

• DFG-Verfahren: Sachbeihilfen