Datenbasierter Regler- und Beobachterentwurf mit neuronalen kanonischen Strukturen

Dieser Beitrag beschäftigt sich mit dem datenbasierten Regler- und Beobachterentwurf nichtlinearer Systeme auf der Basis neuronaler kanonischer Strukturen. Mit Hilfe von aufgezeichneten Systemtrajektorien und Methoden des maschinellen Lernens wird versucht, eine Systemdarstellung in speziellen kanonischen Normalformen zu erlernen. Die hierfür in dieser Arbeit betrachteten zeitdiskreten Brunovksy Normalformen erlauben es, mit Methoden der linearen Regelungstheorie klassische Zustandsregler und -beobachter zu entwerfen. Die Entwurfssystematik entspricht dabei einer exakten Linearisierung mit statischer Zustandsrückführung bzw. einem linearisierenden Beobachterentwurf mit Eingangs-/Ausgangsinjektion. Im Gegensatz zum klassischen modellbasierten Ansatz werden die notwendigen Transformationen jedoch nicht analytisch aus dem mathematischen Modell des Systems abgeleitet, sondern aus aufgezeichneten Datensätzen mittels neuronaler Netze in kanonischen Autoencoder-Strukturen approximiert.