Modulbeschreibung

Aufbauend auf der EVA «Data-Driven Science and Engineering» und dem TSM Modul «Model Predictive Control» wird in diesem Modul das Thema Dynamics and Control weiter vertieft. Dabei werden Methoden für lineare und nicht-lineare Systeme betrachtet.
Die vier Teile des Moduls gliedern sich gemäss [3] (Steven L. Brunton und J. Nathan Kutz, Data-Driven Science and Engineering) in Unterabschnitte, welche jeweils in einer oder mehreren Wochen Thema sein sollen.
Ziel soll es sein, den Studenten zu befähigen, lineare und nicht-lineare daten-basierte dynamische Systeme effizient und zielgerichtet zu analysieren und entsprechende Methoden anzuwenden, um daten-basierte dynamische Systeme zu identifizieren, filtern, reduzieren und regeln.
Als Referenz dient das Buch Data-Driven Science and Engineering [3], spezifisch dessen Teil III, einzelne Themen werden mit Inhalten aus [1], [2] und [4] ergänzt.

Fortgeschrittene Kenntnisse Lineare Algebra und Analysis
Fortgeschrittene Kenntnisse Modellbildung und Regelungstechnik
EVA Data-Driven Science and Engineering
TSM Model Predictive Control 

Projekt mit Präsentation

Projekt mit Präsentation (Gewicht 100%).

Aufbauend auf der EVA «Data-Driven Science and Engineering» und dem TSM Modul «Model Predictive Control» wird in diesem Modul das Thema Dynamics and Control weiter vertieft. Dabei werden Methoden für lineare und nicht-lineare Systeme betrachtet.
Die vier Teile des Moduls gliedern sich gemäss [3] (Steven L. Brunton und J. Nathan Kutz, Data-Driven Science and Engineering) in Unterabschnitte, welche jeweils in einer oder mehreren Wochen Thema sein sollen.
Ziel soll es sein, den Studenten zu befähigen, lineare und nicht-lineare daten-basierte dynamische Systeme effizient und zielgerichtet zu analysieren und entsprechende Methoden anzuwenden, um daten-basierte dynamische Systeme zu identifizieren, filtern, reduzieren und regeln.
Als Referenz dient das Buch Data-Driven Science and Engineering [3], spezifisch dessen Teil III, einzelne Themen werden mit Inhalten aus [1], [2] und [4] ergänzt.

Das Modul ist in vier Teile gegliedert und baut auf [3] Teil III auf.
Teil 1: Data-Driven Dynamical Systems (3 Wochen)

          - Dynamics Mode Decomposition (DMD)
          - Sparse Identification of Nonlinear Dynamics (SINDy)
          - Koopman Operator Theory
          - Data-Driven Koopman Analysis
Teil 2: Linear Control Theory (3 Wochen)
          - Optimal Full-State Control: LQR
          - Optimal Full-State Estimation: The Kalmann Filter
          - Optimal Sensor-Based Control: LQG
          - Robust Control and Frequency Domain Techniques
Teil 3: Balanced Models for Control (4Wochen)
          - Model Reduction and System Identification
          - Balanced Model Reduction
          - System Identification
Teil 4: Data-Driven Control (4 Wochen)
          - Nonlinear System Identification for Control
          - Machine Learning Control
          - Adaptive Extremum-Seeking Control