Wenn Maschinen lernen, präziser zu werden: cross-ING bei Swiss Mechatronics
Wie lassen sich Bewegungen noch präziser steuern, wenn klassische Regelungstechnik an ihre Grenzen stösst? Dieser Frage widmete sich Max Rech, Chief Competence Center Motion bei cross-ING, in seinem Fachvortrag «From FeedForward to Learning Control» beim Swiss Mechatronics Cluster. Im Fokus stand die Frage, wie Machine Learning die klassische Bewegungsregelung sinnvoll ergänzen kann.
Präzision beginnt vor dem Fehler
Moderne Maschinen und Robotersysteme müssen immer schneller und gleichzeitig präziser arbeiten. Doch hohe Geschwindigkeiten und Beschleunigungen bringen physikalische Herausforderungen mit sich.
Klassische Regelungssysteme arbeiten häufig mit Feedback: Sie erkennen Abweichungen und korrigieren diese. Das Problem dabei? Die Abweichung muss erst auftreten, bevor das System reagieren kann.
Hier setzt die sogenannte Feedforward-Regelung an. Sie nutzt bekannte Bewegungsabläufe und physikalische Modelle, um benötigte Stellgrössen bereits im Voraus zu berechnen. Doch auch diese Methode hat Grenzen. Reibung, Temperatureinflüsse, Getriebeeffekte oder wechselnde Belastungen lassen sich nicht immer vollständig modellieren.
Wenn Machine Learning die Lücke schliesst
Genau hier eröffnen lernende Systeme neue Möglichkeiten. Statt bestehende physikalische Modelle vollständig zu ersetzen, kann Machine Learning jene Einflüsse erfassen, die sich nur schwer mathematisch beschreiben lassen.
Die Idee: Was ein Regler immer wieder korrigieren muss, kann ein lernendes System künftig vorausschauend berücksichtigen.
Anhand verschiedener Ansätze zeigte Max Rech, wie sich klassische Regelungstechnik mit datenbasierten Methoden kombinieren lässt. Dabei wird deutlich: Nicht jede Herausforderung benötigt ein vollständig neues Modell. Oft liegt das Potenzial darin, bestehende Lösungen gezielt zu erweitern.
Das Beste aus beiden Welten
Die zentrale Erkenntnis des Vortrags: Maximale Präzision entsteht nicht durch den alleinigen Einsatz von Machine Learning, sondern durch das intelligente Zusammenspiel verschiedener Technologien.
Während Feedback für Robustheit sorgt und physikalische Modelle bekannte Systemdynamiken abbilden, kann Machine Learning wiederkehrende, bislang unzureichend modellierte Einflüsse kompensieren.
Entscheidend ist deshalb nicht die Frage, ob Machine Learning klassische Modelle ersetzen kann, sondern wo es den grössten Mehrwert schafft.
Mit seinem Vortrag beim Swiss Mechatronics Cluster gab Max Rech einen Einblick in die Möglichkeiten lernender Regelungssysteme und zeigte, wie sich bestehende Ansätze in der Antriebs- und Bewegungstechnik gezielt weiterentwickeln lassen.
Möchten Sie tiefer in die Thematik eintauchen?
Buchen Sie jetzt ein Expertengespräch und erhalten Sie individuelle Beratung von unseren Spezialist:innen.
Mehr zu unserem Competence Center MOTION bei cross-ING?
Erfahren Sie, wie unser interdisziplinäres Team komplexe technische Herausforderungen löst.
Kommentare