h1

001006124 001__ 1006124
001006124 005__ 20250930152005.0
001006124 0247_ $$2HBZ$$aHT030975475
001006124 0247_ $$2Laufende Nummer$$a44142
001006124 0247_ $$2datacite_doi$$a10.18154/RWTH-2025-02257
001006124 037__ $$aRWTH-2025-02257
001006124 041__ $$aEnglish
001006124 082__ $$a004
001006124 1001_ $$0P:(DE-82)IDM04635$$aVon Rohr, Alexander$$b0$$urwth
001006124 245__ $$aProbabilistic optimization for the control of dynamical systems$$cvorgelegt von Alexander von Rohr, Master of Science$$honline
001006124 260__ $$aAachen$$bRWTH Aachen University$$c2024
001006124 260__ $$c2025
001006124 300__ $$a1 Online-Ressource : Illustrationen
001006124 3367_ $$02$$2EndNote$$aThesis
001006124 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
001006124 3367_ $$2BibTeX$$aPHDTHESIS
001006124 3367_ $$2DRIVER$$adoctoralThesis
001006124 3367_ $$2DataCite$$aOutput Types/Dissertation
001006124 3367_ $$2ORCID$$aDISSERTATION
001006124 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University 2025
001006124 502__ $$aDissertation, RWTH Aachen University, 2024$$bDissertation$$cRWTH Aachen University$$d2024$$gFak01$$o2024-12-03
001006124 5203_ $$aDie Regelung dynamischer Systeme ist ein zentraler Aspekt der Automatisierungstechnik und für die moderne Gesellschaft unverzichtbar. Die Entwicklung effizienter Regler ist jedoch schwierig und kostspielig. Maschinelles Lernen kann diesen Prozess automatisieren, doch lernbasierte Regelung erfordert dateneffiziente und robuste Methoden. Diese Arbeit beschäftigt sich mit der Frage: "Wie können wir effizient lernen, dynamische Systeme zu regeln?" Dabei wird die Regelung als probabilistisches Optimierungsproblem betrachtet. Wir stellen Methoden zur Entscheidungsfindung unter Unsicherheit vor, die effiziente Datenerfassung ermöglichen, und schlagen Reglersynthesemethoden für probabilistische Modelle mit formalen Garantien vor. Zunächst befassen wir uns mit der Reglereinstellung, die traditionell umfangreiche Experimente erfordert. Wir entwickeln eine Bayes'sche Optimierungsmethode zur dateneffizienten Verbesserung von Reglern durch Reduzierung der Unsicherheit in Gradientenschätzungen. Diese Methode wird anhand synthetischer Probleme sowie Simulationen und Hardwareexperimenten validiert. Des Weiteren schlagen wir drei probabilistisch robuste Reglerentwürfe vor, die Unsicherheiten durch Modelllernen berücksichtigen. Diese umfassen eine Synthese mit probabilistischen Stabilitätsgarantien, basierend auf der Verteilung gelernter Modelle; die Behandlung aleatorischer Unsicherheit in Systemen mit Variationen, wobei wir obere Schranken für die minimal erforderliche Datenmenge zur Erreichung quadratischer Stabilität ableiten; und einen ereignisgesteuerten Lernalgorithmus für unsichere, zeitvariable Dynamiken, der Änderungen im System erkennt und den Lernprozess auslöst. Zusammengefasst geht es in dieser Arbeit um die effiziente Regelung dynamischer Systeme durch probabilistische Optimierung. Mit dateneffizienten Methoden des maschinellen Lernens verbessern wir die Regelung und minimieren den Ressourcenverbrauch. Die Methoden werden durch Simulationen und Experimente validiert.$$lger
001006124 520__ $$aThe control of dynamical systems is a central aspect of automation technology, integral to modern society. However, designing resource-efficient controllers specific to each system remains challenging and costly. Machine learning can automate this process, but learning-based control requires methods that are both data-efficient and robust. This thesis addresses the central question: "How can we efficiently learn to control dynamical systems from data?" by framing learning-based control as a probabilistic optimization problem. We introduce novel methods for decision-making under uncertainty that enable efficient data collection and propose learning-based control algorithms for probabilistic models with formal guarantees. First, we tackle the controller tuning problem, which traditionally demands extensive experimentation. We develop a Bayesian optimization method for data-efficient improvement of candidate controllers by reducing uncertainty in gradient estimates. This method is validated through synthetic problems, simulated experiments, and hardware controller tuning. Second, we propose three probabilistically robust control methods that account for uncertainties arising from data-driven model learning. These include a controller synthesis method with probabilistic stability guarantees, leveraging the posterior distribution of learned models; an approach addressing aleatoric uncertainty in systems with inherent variations, deriving upper bounds on the minimum data required to achieve quadratic stability; and an event-triggered learning algorithm for uncertain and time-varying dynamics, which detects system changes and triggers re-learning. In summary, this thesis addresses the challenge of efficiently learning to control dynamical systems from data using probabilistic optimization. By leveraging data-efficient probabilistic machine learning techniques, we improve control performance while minimizing resource consumption. The proposed methods are validated through simulations and experiments.$$leng
001006124 588__ $$aDataset connected to Lobid/HBZ
001006124 591__ $$aGermany
001006124 653_7 $$aBayesian optimization
001006124 653_7 $$acontroller tuning
001006124 653_7 $$adata-driven control
001006124 653_7 $$alearning-based control
001006124 653_7 $$amachine learning
001006124 653_7 $$arobust control
001006124 653_7 $$ascenario optimization
001006124 7001_ $$0P:(DE-82)IDM03985$$aTrimpe, Johann Sebastian$$b1$$eThesis advisor$$urwth
001006124 7001_ $$0P:(DE-82)IDM05417$$aHoos, Holger Hendrik$$b2$$eThesis advisor$$urwth
001006124 8564_ $$uhttps://publications.rwth-aachen.de/record/1006124/files/1006124.pdf$$yOpenAccess
001006124 8564_ $$uhttps://publications.rwth-aachen.de/record/1006124/files/1006124_AV.pdf$$yRestricted
001006124 8564_ $$uhttps://publications.rwth-aachen.de/record/1006124/files/1006124_source.zip$$yRestricted
001006124 909CO $$ooai:publications.rwth-aachen.de:1006124$$popenaire$$popen_access$$pVDB$$pdriver$$pdnbdelivery
001006124 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM04635$$aRWTH Aachen$$b0$$kRWTH
001006124 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM03985$$aRWTH Aachen$$b1$$kRWTH
001006124 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM05417$$aRWTH Aachen$$b2$$kRWTH
001006124 9141_ $$y2024
001006124 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
001006124 9201_ $$0I:(DE-82)422610_20200514$$k422610$$lLehrstuhl für Data Science im Maschinenbau$$x0
001006124 9201_ $$0I:(DE-82)120000_20140620$$k120000$$lFachgruppe Informatik$$x1
001006124 961__ $$c2025-04-15T13:30:25.734904$$x2025-03-10T16:16:51.978029$$z2025-04-15T13:30:25.734904
001006124 9801_ $$aFullTexts
001006124 980__ $$aI:(DE-82)120000_20140620
001006124 980__ $$aI:(DE-82)422610_20200514
001006124 980__ $$aUNRESTRICTED
001006124 980__ $$aVDB
001006124 980__ $$aphd