Data-driven controller learning in noisy environments

Data-driven controllers in een omgeving met ruis

De wereld genereert steeds meer data, wat leidt tot doorbraken op veel gebieden, waaronder regeltechniek. Traditioneel vereist het ontwerp van controllers wiskundige modellen, wat duur en tijdrovend kan zijn. In plaats daarvan maken nieuwe methoden het mogelijk om controllers rechtstreeks van data te leren, terwijl er robuuste garanties worden geboden. Deze methoden hebben echter moeite als er niet genoeg data is of als de data ruis bevat.

In zijn proefschrift pakt Lidong Li deze uitdagingen aan: (1) Leren van beperkte data: als er niet genoeg data is voor een systeem, gebruikt Li kennis van andere systemen om de controller voor het oorspronkelijke systeem te ontwerpen. (2) Omgaan met data met ruis: echte data bevat vaak fouten. Deze fouten leiden tot een set van meerdere mogelijke systemen die consistent zijn met de data. Omdat het werkelijke systeem niet te onderscheiden is van alle andere in de set, is Li's methode erop gericht om alle systemen binnen de set asymptotisch te stabiliseren.

Lidong Li voerde zijn onderzoek uit bij het Engineering and Technology institute Groningen (ENTEG), afdeling Smart Manufacturing Systems, met financiering van het Chinese Scholarship Council. 

Proefschrift: https://hdl.handle.net/11370/3d37c50b-e6e8-42d5-b572-f61db6e99592