h1

000810954 001__ 810954
000810954 005__ 20230411161349.0
000810954 0247_ $$2HBZ$$aHT020893653
000810954 0247_ $$2Laufende Nummer$$a40069
000810954 0247_ $$2datacite_doi$$a10.18154/RWTH-2021-00835
000810954 037__ $$aRWTH-2021-00835
000810954 041__ $$aEnglish
000810954 082__ $$a620
000810954 1001_ $$0P:(DE-82)IDM01097$$aVaupel, Yannic$$b0$$urwth
000810954 245__ $$aAccelerating nonlinear model predictive control through machine learning with application to automotive waste heat recovery$$cvorgelegt von Yannic Vaupel$$honline
000810954 246_3 $$aBeschleunigung nichtlinearer modellprädiktiver Regelung mittels maschinellem Lernen mit Anwendung auf Abwärmerückgewinnung in Fahrzeugen$$yGerman
000810954 260__ $$aAachen$$c2020
000810954 260__ $$c2021
000810954 300__ $$a1 Online-Ressource : Illustrationen, Diagramme
000810954 3367_ $$02$$2EndNote$$aThesis
000810954 3367_ $$0PUB:(DE-HGF)11$$2PUB:(DE-HGF)$$aDissertation / PhD Thesis$$bphd$$mphd
000810954 3367_ $$0PUB:(DE-HGF)3$$2PUB:(DE-HGF)$$aBook$$mbook
000810954 3367_ $$2BibTeX$$aPHDTHESIS
000810954 3367_ $$2DRIVER$$adoctoralThesis
000810954 3367_ $$2DataCite$$aOutput Types/Dissertation
000810954 3367_ $$2ORCID$$aDISSERTATION
000810954 4900_ $$aAachener Verfahrenstechnik series - AVT.SVT - Process systems engineering$$v12 (2020)
000810954 500__ $$aVeröffentlicht auf dem Publikationsserver der RWTH Aachen University 2021
000810954 502__ $$aDissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2020$$bDissertation$$cRheinisch-Westfälische Technische Hochschule Aachen$$d2020$$gFak04$$o2020-12-04
000810954 5203_ $$aAls Teil einer Strategie zur Reduzierung des CO2-Fußabdrucks der Transportbranche ist der Einsatz von Wärmerückgewinnungssystemen in LKW eine vielversprechende Option. Dafür kommt eine Reihe möglicher Technologien in Betracht, wobei der Einsatz eines Organic Rankine Cycles (ORC), unter Nutzung der thermischen Energie des Abgases als Wärmequelle, als besonders vielversprechend gilt. Beim Einsatz im LKW ist das ORC-System, im Gegensatz zu etablierten Einsatzfeldern von ORCs, starken Fluktuationen der Wärmequelle ausgesetzt. Daraus ergeben sich substantielle Herausforderungen für den sicheren und effizienten Betrieb des Wärmerückgewinnungssystems. In dieser Arbeit werden diese Herausforderungen mittels modellbasierter Methoden adressiert. Zu Beginn wird ein dynamisches Modell des ORC-Systems entwickelt und mit Messdaten validiert. Anschließend erfolgt eine Erweiterung zu einem schaltenden Modell, sodass auch An- und Abfahrvorgang abgebildet werden können. Darüber hinaus werden zwei Modellierungsansätze für Wärmeübertrager verglichen. Im Rahmen einer modellbasierten dynamischen Optimierung wird anschließend der optimale Betrieb des Wärmerückgewinnungssystems analysiert. Dabei stellt sich heraus, dass eine temporäre Erhöhung der Überhitzung des Arbeitsmediums sinnvoll sein kann. Aus den gewonnenen Erkenntnissen wird eine Regelungsstruktur abgeleitet. Diese wird simulativ mit nichtlinearer Modellprädiktiver Regelung (NMPC) sowie einem PI-Regler mit Störgrößenaufschaltung umgesetzt. Die erreichte Regelungsgüte des NMPC ist hoch, allerdings übersteigt der Rechenaufwand die zulässige Rechendauer. Der PI-Regler erreicht eine ähnliche Regelgüte mit deutlich geringerem Rechenaufwand. Anschließend wird eine auf maschinellem Lernen (ML) basierende NMPC Methode auf das ORC System angewandt. Diese reduziert den rechnerischen Aufwand, kann aber keine Einhaltung der Pfadbeschränkungen garantieren. Daher werden als finaler Beitrag der Arbeit Methoden entwickelt, die mittels ML den rechnerischen Aufwand von NMPC reduzieren und dabei Pfadbeschränkungen beachten.$$lger
000810954 520__ $$aWaste heat recovery (WHR) from heavy-duty (HD) diesel trucks is a viable option for reducing the carbon footprint of the transport industry. Among the various available technology options for WHR, using a bottoming organic Rankine cycle (ORC) with the exhaust gas as heat source is considered the most promising. The ORC system in a HD diesel truck is subject to strong heat source fluctuations, which is in contrast to ORC operation in established processes. This poses substantial challenges for safe and efficient operation of the WHR system. In this thesis, we address these challenges using model-based methods. We first develop a dynamic ORC model for WHR and validate it with measurement data from a test rig. Next, we extend our dynamic model to a switching model that it is capable of accounting for start-up and shutdown situations. We compare two popular modeling approaches for the heat exchangers, identifying their perks and weaknesses. With our model established, we use dynamic optimization to understand how the system is best operated and we find that it can be beneficial to temporarily increase workfing fluid superheat in certain situations.From our findings, we derive a control structure for model-based control of the process. We apply this structure in silico to nonlinear model predictive control (NMPC) and to a PI controller with feedforward term. Our findings indicate good control performance of NMPC but excessive computational demand for on-board application. The PI controller achieves similar control performance at insignificant computational demand. Next, we apply a machine-learning (ML) based method for NMPC to the ORC system. While this achieves a drastic reduction in online computational demand, constraint satisfaction cannot be guaranteed. Hence, as a final contribution, we develop methods that use ML to reduce the computational demand of NMPC while promoting constraint satisfaction.$$leng
000810954 588__ $$aDataset connected to Lobid/HBZ
000810954 591__ $$aGermany
000810954 653_7 $$aartificial neural networks
000810954 653_7 $$adynamic optimization
000810954 653_7 $$anonlinear model predictive control
000810954 653_7 $$aorganic Rankine cycle
000810954 653_7 $$awaste heat recovery
000810954 7001_ $$0P:(DE-82)IDM00369$$aMitsos, Alexander$$b1$$eThesis advisor$$urwth
000810954 7001_ $$aLucia, Sergio$$b2$$eThesis advisor
000810954 8564_ $$uhttps://publications.rwth-aachen.de/record/810954/files/810954.pdf$$yOpenAccess
000810954 8564_ $$uhttps://publications.rwth-aachen.de/record/810954/files/810954_source.zip$$yRestricted
000810954 909CO $$ooai:publications.rwth-aachen.de:810954$$pdnbdelivery$$pdriver$$pVDB$$popen_access$$popenaire
000810954 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM01097$$aRWTH Aachen$$b0$$kRWTH
000810954 9101_ $$0I:(DE-588b)36225-6$$6P:(DE-82)IDM00369$$aRWTH Aachen$$b1$$kRWTH
000810954 9141_ $$y2020
000810954 915__ $$0StatID:(DE-HGF)0510$$2StatID$$aOpenAccess
000810954 9201_ $$0I:(DE-82)416710_20140620$$k416710$$lLehrstuhl für Systemverfahrenstechnik$$x0
000810954 961__ $$c2021-04-12T13:10:12.948507$$x2021-01-20T22:49:56.670670$$z2021-04-12T13:10:12.948507
000810954 9801_ $$aFullTexts
000810954 980__ $$aI:(DE-82)416710_20140620
000810954 980__ $$aUNRESTRICTED
000810954 980__ $$aVDB
000810954 980__ $$abook
000810954 980__ $$aphd