Datenbasierte Simulationsumgebung für das Training autonomer, maschineller Regelungssysteme

Nach der Auslegung und Produktion komplexer Systeme, folgen oft umfangreiche Tests zum Nachweis der Produktfähigkeit über die Grenzen der vorausgelegten Randbedingungen hinweg. Solche Tests erfolgen häufig automatisiert unter bestmöglicher Reproduktion der späteren Einsatzbedingungen. Die dabei gemessenen Daten spiegeln das Systemverhalten in Form von Mess-, Berechnungs- und Stellgrößen wieder. Mithilfe dieser Daten soll in der vorliegenden Arbeit ein Vorgehen beschrieben werden, dass sie nutzt und durch den Einsatz neuronaler Netze in eine Black-Box Simulationsumgebung überführt. Diese Simulationsumgebung wird dann dazu verwendet, dass Systemverhalten vorherzusagen, Abweichungen zu erkennen und vor allem autonome Lernalgorithmen auf das System anzuwenden, denn selbst wenn das System fertig entwickelt ist, so bedarf es oft immer noch einer manuellen Parametrisierung der Systemsteuerung.