Um eine verbesserte Regelgüte im Vergleich zu konventionellen Reglern (bspw. PID-Regler) zu erreichen, können Verfahren des maschinellen Lernens angewendet werden. Ein vielversprechender Ansatz ist Reinforcement Learning, wobei der Regler durch einen Trial-and-Error-Prozess angelernt wird. Der Regler versucht dabei durch die Wahl der Stellwerte seine zu erwartende Gesamtbelohnung zu maximieren, welche sich zum Beispiel aus den Regelabweichungen zusammensetzt. Das Anlernen findet in der Regel in Simulationen statt, was die Übertragbarkeit auf das reale System aufgrund von Modellunsicherheiten erschwert.

Um diesen Sim2Real-Transfer effektiver zu gestalten, wurde in einer Vorarbeit bereits ein Meta-Reinforcement-Learning-Ansatz für einen Massendurchflussregler von Bürkert in Python adaptiert. Hierbei wurde zunächst die Übertragung von einem Trainings-Simulationsmodell in ein abweichendes Test-Simulationsmodell betrachtet. Für eine vollumfängliche Bewertung der Leistungsfähigkeit ist eine Validierung an realen Systemen jedoch unerlässlich. In dieser Arbeit soll daher der bereits adaptierte Ansatz erweitert und in MATLAB/Simulink übertragen werden, um diesen mit einem realen Massendurchflussregler testen zu können.

Die Arbeitspakete umfassen:

• Einarbeitung in Reinforcement Learning und das bestehende Sim2Real-Transfer-Konzept,
• Übertragung des Meta-Reinforcement-Learning-Ansatzes in MATLAB/Simulink,
• Validierung des Konzeptes in einer Rapid-Control-Prototyping-Umgebung,
• Dokumentation und Präsentation der Ergebnisse

Dein Mehrwert

• enge Zusammenarbeit mit wissenschaftlichen Mitarbeitern und Kontakt zur Industrie,
• Mitwirken an der Forschung zu künstlicher Intelligenz und Industrie 4.0,
• Training von Softskills wie Präsentationstechniken, Eigenverantwortung und Teamfähigkeit, etc.

Titel und Schwerpunkt der Arbeit können in gemeinsamer Absprache angepasst werden. Bei Fragen stehen wir gerne telefonisch oder per E-Mail zur Verfügung.