Datengestützte Regler mit MATLAB und Simulink

Datengestützte und KI-basierte Regelungsalgorithmen entwerfen und implementieren

Datengestützte Regelungsalgorithmen werden in Szenarien eingesetzt, in denen traditionelle Regelungsmethoden zu kurz greifen. Solche Szenarien können auftreten, wenn die Modellierung der Anlagendynamik mit wissenschaftlichen Grundprinzipien schwierig oder unpraktisch oder eine adaptive Regelung nötig ist.

Mit MATLAB und Simulink können Sie:

Datengestützte Regelungstechniken mithilfe von KI- und nicht KI-basierten Methoden entwerfen, simulieren und implementieren
Systemdynamik ermitteln oder Reglerparameter mithilfe von Offline-Techniken auf Ihrem Desktop direkt aus den Daten erfahren
Reglerparameter in Embedded Systems in Echtzeit mithilfe von Online-Techniken aktualisieren

	Offline-Techniken	Online-Techniken
KI-basiert	Modellprädiktive Regelung (MPC) mit neuronalem Zustandsraum Offline-Reinforcement-Learning Weitere Informationen	Online-Reinforcement-Learning Adaptive Modellreferenz-Regelung mit KI-basiertem Störungsmodell Weitere Informationen
Nicht KI-basiert	Traditionelle Methoden mit Systemidentifikation Abstimmung von Fuzzy-Inferenzsystemen (FIS) Weitere Informationen	Aktive Regelung der Störungsunterdrückung Adaptive Modellreferenz-Regelung mit nicht KI-basiertem Störungsmodell Extremwertregler Closed-Loop PID Autotuner Adaptive MPC mit Online-Systemidentifikation Weitere Informationen

Warum MATLAB und Simulink?

Verschiedene datengestützte und traditionelle Regelungstechniken vergleichen und kombinieren

Entwerfen, simulieren und implementieren Sie adaptive Modellreferenz-Regelung (MRAC), aktive Störungsunterdrückung (ADRC), Reinforcement Learning (RL), modellprädiktive Regelung (MPC) sowie andere datengestützte und traditionelle Regelungsmethoden in einer einzelnen Umgebung.

Entwurf adaptiver Regelung in Simulink

Closed-Loop PID Autotuner

Deep Reinforcement Learning bei Regelungs- und Entscheidungsfindungsanwendungen

Datengestützte Regler – Tech Talks (3 Videos)

Regelung der Heizung in Gebäuden mithilfe nicht linearer MPC mit Prognosemodell mit neuronalem Zustandsraum

Mit Simulink und Model-Based Design integrieren

Implementieren und testen Sie datengestützte Regelungsalgorithmen in Simulink mithilfe vorgefertigter Simulink-Blöcke. Generieren Sie automatisch Code aus Ihrem Regelungsalgorithmus zur direkten Bereitstellung auf Embedded Hardware.

Implementierung einer PMSM-Drehzahlregelung mithilfe einer aktiven Regelung zur Störungsunterdrückung

Bereitstellung der Reinforcement-Learning-Richtlinien nach dem Training

Erste Schritte mit Referenzbeispielen

Nutzen Sie dokumentierte Referenzen und Beispiele bei Flugregelung, Robotik, Energiemanagement und anderen Anwendungen, um datengestützte Regelungstechniken zu implementieren, ohne bei null anfangen zu müssen.

Entwurf adaptiver Regelung – Beispiele

Anwendungen modellprädiktiver Regelung beim autonomen Fahren

Energiemanagement mit MPC auf Basis von Deep Learning (8:09)

Entwicklung eines Reglers für eine künstliche Bauchspeicheldrüse mithilfe von Fuzzy Logic

Funktionen zum Entwurf von Feedback-Regelungssystemen

Erkunden Sie, was mit MATLAB und Simulink möglich ist.

Weitere Informationen

Mehr über datengestützte Regelungstechniken erfahren

Sehen Sie, wie Kunden KI-basierte und datengestützte Regelungstechniken beim Entwurf von Regelungssystemen anwenden

Krones AG Builds Reinforcement Learning–Based Process Control in the Blow Molder Contiloop AI for PET and rPET Bottles

Im Blickpunkt: Krones AG entwickelt Prozesssteuerung auf Reinforcement-Learning-Basis in Contiloop AI für Blasformmaschinen für PET- und rPET-Flaschen

Weitere Anwenderberichte ansehen

KI-Forschung erkunden

Produkte

Erfahren Sie mehr über die Produkte, die KI-basierte und datengestützte Regelungstechniken bei Entwurfsanwendungen von Regelungssystemen unterstützen.