Simulationsgestützte Auslegung von Reglern mithilfe von Machine Learning

Ein zunehmend interessantes Einsatzgebiet der künstlichen Intelligenz (KI) stellt die Auslegung von Reglern für technische Systeme mithilfe von Machine Learning und dabei besonders mit Reinforcement Learning dar. Die Anwendung von Machine Learning ermöglicht die Auslegung von Reglern, ohne die üblicherweise mit dem Entwurfsprozess einhergehenden Aufwände für menschliche Experten. Stattdessen wird durch die Verwendung von neuronalen Netzen in Kombination mit Reinforcement Learning ein neuronaler Regler entwickelt, der die Regelung eines technischen Systems selbstständig erlernt. Dabei ist das Vorhandensein eines Simulationsmodells des zu regelnden Systems bei vielen Anwendungen eine Grundvoraussetzung für einen KI-basierten Ansatz zur Reglerauslegung. In dem Beitrag wird dargestellt, wie ein neuronaler Regler mit Reinforcement Learning die Regelung eines nichtlinearen Systems in Form eines inversen Pendels erlernt. Es werden die genutzte Lernmethode und die einzelnen Phasen beim Training des neuronalen Reglers beschrieben. Durch einen Vergleich der KI-basierten Reglerauslegung mit und ohne Simulationsmodell wird anschließend erläutert, welche Vorteile das simulationsgestützte Auslegen von Reglern mithilfe von Machine Learning bietet. Abschließend werden der neuronale Regler und ein konventioneller Regler gegenübergestellt und deren Verhalten bei der Regelung des inversen Pendels verglichen.