Website
Modulhandbuch (ab WS 2019/20)

Modul RO4000-KP12

Autonomous Systems (AS)

Dauer:


2 Semester
Angebotsturnus:


Jedes Wintersemester
Leistungspunkte:


12
Studiengang, Fachgebiet und Fachsemester:
  • Master Robotics and Autonomous Systems 2019 (Pflicht), Pflicht-Lehrmodule, 1. und 2. Fachsemester
Lehrveranstaltungen:
  • RO4001-Ü: Modellprädiktive Regelung (Übung, 2 SWS)
  • RO4001-V: Modellprädiktive Regelung (Vorlesung, 2 SWS)
  • CS4160-Ü: Echtzeitsysteme (Übung, 2 SWS)
  • CS4160-V: Echtzeitsysteme (Vorlesung, 2 SWS)
Workload:
  • 120 Stunden Präsenzstudium
  • 140 Stunden Selbststudium
  • 40 Stunden Prüfungsvorbereitung
Lehrinhalte:
  • Lehrinhalte der Veranstaltung Real-Time Systems:
  • Echtzeitverarbeitung (Definitionen, Anforderungen)
  • Prozessautomatisierungssysteme
  • Echtzeit-Programmierung
  • Prozessanbindung und Vernetzung
  • Modellierung ereignisdiskreter Systeme (Automaten, State Charts)
  • Modellierung kontinuierliche Systeme (Differentialgleichungen, Laplace-Transformation)
  • Einsatz von Entwurfswerkzeugen (Matlab/Simulink, Stateflow)
  • Lehrinhalte der Veranstaltung Model Predictive Control:
  • LQ Optimale Regelung und Kalman Filter
  • Konvexe Optimierung
  • Invariante Mengen
  • Theorie der Modellprädiktiven Regelung (MPC)
  • Numerische Optimierungsverfahren
  • Explizites MPC
  • Praktische Aspekte (Robustes MPC, Offset-freies Tracking, etc.)
  • Anwendungen von MPC
Qualifikationsziele/Kompetenzen:
  • Lernziele der Veranstaltung Real-Time Systems:
  • Die Studierenden sind in der Lage, die Problematik der Echtzeitverarbeitung zu beschreiben.
  • Sie sind in der Lage, echtzeitfähige Rechnersysteme in der Prozessautomatisierung (insbesondere SPS) zu erklären.
  • Sie sind in der Lage, Echtzeitsysteme in den IEC-Sprachen zu programmieren.
  • Sie sind in der Lage, Prozessschnittstellen und echtzeitfähige Bussysteme zu erläutern.
  • Sie sind in der Lage, ereignisdiskrete Systeme, insbesondere Prozesssteuerungssysteme, zu modellieren, zu analysieren und zu implementieren.
  • Sie sind in der Lage, kontinuierliche Systeme, insbesondere grundlegende Regelungssysteme, zu modellieren, zu analysieren und zu implementieren.
  • Sie sind in der Lage, Entwurfswerkzeuge für Echtzeitsysteme einzusetzen.
  • Lernziele der Veranstaltung Model Predictive Control:
  • Die Studierenden haben einen umfassenden Überblick über optimale Regelungsverfahren.
  • Die Studierende haben einen Einblick in die Grundlagen der numerische Optimierung.
  • Die Studierenden können modellprädiktive Regler für lineare und nichtlineare Systeme entwerfen.
  • Die Studierenden beherrschen verschiedene Werkzeuge, um modellprädiktive Regler zu implementieren.
  • Die Studierenden können systemtheoretische Eigenschaften von MPC-Reglern etablieren.
  • Die Studierenden haben Einblicke in mögliche Anwendungsgebiete für die modellprädiktiven Regelung.
Vergabe von Leistungspunkten und Benotung durch:
  • Klausur oder mündliche Prüfung nach Maßgabe des Dozenten
Setzt voraus:
Modulverantwortliche:
Lehrende:
Literatur:
  • R. C. Dorf, R. H. Bishop: Modern Control Systems - Prentice Hall 2010
  • L. Litz: Grundlagen der Automatisierungstechnik - Oldenbourg 2012
  • M. Seitz: Speicherprogrammierbare Steuerungen - Fachbuchverlag Leipzig 2012
  • H. Wörn, U. Brinkschulte: Echtzeitsysteme - Berlin: Springer 2005
  • S. Zacher, M. Reuter: Regelungstechnik für Ingenieure - Springer-Vieweg 2014
  • F. Borrelli, A. Bemporad, M. Morari: Predictive Control for Linear and Hybrid Systems - Cambridge University Press, 2017 (ISBN: 978-1107016880)
Sprache:
  • Sowohl Deutsch- wie Englischkenntnisse nötig
Bemerkungen:

Prüfungsvorleistungen können zu Beginn des Semesters festgelegt werden. Sind Vorleistungen definiert, müssen diese vor der Erstprüfung erbracht und positiv bewertet worden sein.

Zulassungsvoraussetzungen zum Modul:
- Keine (Die Kompetenzen der vorausgesetzten Module werden für dieses Modul benötigt, die Module stellen aber keine Zulassungsvoraussetzung dar.)

Zulassungsvoraussetzungen zur Prüfung:
- Erfolgreiche Bearbeitung von Übungsaufgaben während des Semesters

Letzte Änderung:
22.11.2019