Prozessoptimierung

Fakult?t

Fakult?t Ingenieurwissenschaften und Informatik (IuI)

Version

Version 2 vom 18.03.2026.

Modulkennung

11M1270

Niveaustufe

Master

Unterrichtssprache

Deutsch, Englisch

ECTS-Leistungspunkte und Benotung

5.0

H?ufigkeit des Angebots des Moduls

nur Sommersemester

Dauer des Moduls

1 Semester

 

 

Kurzbeschreibung

Die klassischen Verfahren der Regelungstechnik sind für lineare Systeme entwickelt worden. Neben dem teilweise heuristischen Vorgehen besitzen diese Verfahren den Nachteil, dass eine explizite Berücksichtigung von Stellgr??enbeschr?nkungen, die in der Praxis immer vorliegen, nicht m?glich ist. Bereits in den 60er Jahren wurden daher Optimierungsans?tze entwickelt um diese Problemstellungen zu adressieren. Die praktische Umsetzung dieser Verfahren ist aber erst seit den 90er Jahren m?glich. Dafür waren neben schnellen Rechnern insbesondere auch neue schnelle Algorithmen entscheidend. Heute sind Optimierungsverfahren aus der Prozessregelung nicht mehr weegzudenken. Bereits bei der datenbasieren Modellbildung kommen optimale Identifikationsverfahren zum Einsatz. Führungs- und St?rverhalten des Regelkreises kann mit Verfahren zur Erzielung optimaler Regelgüte bzw. mit der Betrachtung von worst-case Szenarien adressiert werden. Modellp?diktive Regelungen erm?glichen es schlie?lich, durch Optimierung über mitbewegte Zeithorizonte, Stellgr??enbeschr?nkungen auf eine Weise zu berücksichtigen, die auch auf echte Anwendungen der Prozessregelung übertragen werden kann. Die Vorlesung soll einen ?berblick über die Grundlagen der Optimierung und der entsprechenden Algorithmen sowie deren Anwendung in exemplarischen Problemstellungen der Prozessregelung geben.

Lehr-Lerninhalte

  1. Mathematische Grundlagen der beschr?nkten und unbeschr?nkten Optimierung 
  2. Numerische Grundlagen der Optimierung
  3. Spezielle Algorithmen (insb. SQP) 
  4. Anwendungen: Identifikation, optimale Sch?tzverfahren (Kalman Filter), optimale Steuerung und Regelung (Zeitoptimalit?t, optimale Regelgüte), Modellpr?diktive Regelung

Gesamtarbeitsaufwand

Der Arbeitsaufwand für das Modul umfasst insgesamt 150 Stunden (siehe auch "ECTS-Leistungspunkte und Benotung").

Lehr- und Lernformen
Dozentengebundenes Lernen
Std. WorkloadLehrtypMediale UmsetzungKonkretisierung
15Labor-Aktivit?tPr?senz-
30VorlesungPr?senz-
Dozentenungebundenes Lernen
Std. WorkloadLehrtypMediale UmsetzungKonkretisierung
60Veranstaltungsvor- und -nachbereitung-
2Erstellung von Prüfungsleistungen-
43Prüfungsvorbereitung-
Benotete Prüfungsleistung
  • Klausur oder
  • mündliche Prüfung oder
  • Projektbericht (schriftlich)
Unbenotete Prüfungsleistung
  • experimentelle Arbeit
Bemerkung zur Prüfungsart

nach Wahl des Lehrenden

Prüfungsdauer und Prüfungsumfang

Benotete Prüfungsleistung:

  • Klausur: siehe jeweils gültige Studienordnung
  • Mündliche Prüfung: siehe Allgemeiner Teil der Prüfungsordnung
  • Projektbericht (schriftlich): 5 Minuten Kurzreferat, Ausarbeitung: 10-20 Seiten

Unbenotete Prüfungsleistung:

  • Experimentelle Arbeit: Experiment: insgesamt ca. 6 Versuche

Empfohlene Vorkenntnisse

Grundlagen der Mathematik wie sie üblicherweise in den ersten zwei Semesters eines naturwissenschaftlichen bzw. Ingenieurs-Studiengangs vermittelt werden.

Grundlagen der Regelungstechnik wie sie üblicherweise in einem Ingenieurs-Studiengang vermittelt werden.

Wissensverbreiterung

Die Absolvent*innen kennen die wesentlichen Fragestellungen der Optimierung und k?nnen exakte und numerische L?sungsverfahren anwenden. Sie kennen die Hauptanwendungen in der Prozessregelung und k?nnen entsprechende L?sungsverfahren entwickeln.

Nutzung und Transfer

Die Absolvent*innen sind in der Lage, Verfahren der Prozessoptimierung problemangepasst auszuw?hlen und k?nnen entsprechende Softwaretools zur Probleml?sung einsetzen.

Wissenschaftliches Selbstverst?ndnis / Professionalit?t

Die Absolvent*innen sind in der Lage, aktuelle wissenschaftliche Literatur zur Prozessregelung einzuordnen und auf neue technische Anwendungen zu übertragen.

Literatur

  • B. Kouvaritakis, M. Cannon (2015): Model Predictive Control. Springer. 2016.
  • J. B. Rawlings, D. Q. Mayne, M. M. Diehl: Model Predictive Control. Nob Hill Publishing. 2017.
  • H. Unbehauen: Regelungstechnik 3. Vieweg+Teubner. 2011.
  • M. Papageorgiou, M. Leibold, M. Buss: Optimierung. Springer. 2015.
  • D. G. Luenberger: Optimization by Vector Space Methods. John Wiley&Sons, Inc. 1969.

Verwendbarkeit nach Studieng?ngen

  • Informatik
    • Informatik M.Sc. (01.09.2025)

  • Mechatronic Systems Engineering
    • Mechatronic Systems Engineering M.Sc. (01.09.2025)

  • Elektrotechnik (Master)
    • Elektrotechnik M.Sc. (01.09.2025)

    Modulpromotor*in
    • Rehm, Ansgar
    Lehrende
    • Rehm, Ansgar