Handbuch der linearen datengetriebenen prädiktiven Regelung: Theorie, Implementierung und Design

Datengetriebene prädiktive Regelung (DPC) hat in den letzten Jahren als Alternative zur modellprädiktiven Regelung an Interesse gewonnen, da sie weniger Systemwissen für die Implementierung erfordert und zuverlässige Daten in intelligenten Ingenieursystemen allgemein verfügbar sind. In letzter Zeit wurden mehrere datengetriebene prädiktive Regelungsalgorithmen entwickelt, die größtenteils ähnliche Ansätze verfolgen, jedoch mit spezifischen Formulierungen und Abstimmungsparametern. Diese Übersicht zielt darauf ab, einen strukturierten und zugänglichen Leitfaden zu linearen datengetriebenen prädiktiven Regelungsmethoden und -praktiken für Personen in der Wissenschaft und Industrie zu bieten, die sich mit diesem Bereich beschäftigen und ihn erkunden möchten. Dazu diskutieren wir zunächst Standardmethoden wie Subraum-prädiktive Regelung (SPC) und datengetriebene prädiktive Regelung (DeePC), beziehen aber auch neuere hybride Ansätze zur DPC, wie γ–datengetriebene prädiktive Regelung und generalisierte datengetriebene prädiktive Regelung, ein. Für alle präsentierten datengetriebenen prädiktiven Regler bieten wir eine detaillierte Analyse der zugrunde liegenden Theorie, Implementierungsdetails und Gestaltungsrichtlinien an, einschließlich eines Überblicks über Methoden zur Gewährleistung der geschlossenen Regelkreisstabilität und vielversprechenden Erweiterungen zur Handhabung nichtlinearer Systeme. Die Leistung der überprüften DPC-Ansätze wird anhand von Simulationen an zwei Benchmark-Beispielen aus der Literatur verglichen, wodurch wir einen umfassenden Überblick über die verschiedenen Techniken im Beisein von Rauschdaten bieten können.