Bayes'sche Optimierung mit partiellen und dynamischen Beobachtungen (ParDyBO)

• Antragsteller: Professor Dr. Sebastian Trimpe
• Fachliche Zuordnung: Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 556142469

Laut Studien sind bis zu 32% der PID-Regler in der Industrie suboptimal eingestellt. Auch moderne modellbasierte Methoden wie robuste oder prädiktive Regelung benötigen Einstellparameter. Und selbst bei Verwendung von maschinellem Lernen (ML) in der Regelungstechnik bleibt das Einstellen von Parametern eine Herausforderung, da ML wiederum eigene Parameter beinhaltet. Ein Regler erfordert in der Praxis daher immer die Konfiguration bestimmter Parameter in Hardware-Experimenten. Die Bayes'sche Optimierung (BO) hat sich zuletzt als ein mächtiger Ansatz für die datenbasierte Optimierung von Reglern mit nur wenigen Experimenten etabliert. BO-Methoden fußen auf drei Komponenten: ein Surrogat-Modell, ein Beobachtungsmodell und eine Akquisitionsfunktion. Das Surrogat-Modell approximiert die Regelgüte als Funktion der Parameter und wird mit neuen Beobachtungsdaten aktualisiert. Durch Optimierung der Akquisitionsfunktion wird basierend auf dem Surrogat-Modell die nächste zu evaluierende Parameterkonfiguration bestimmt. Unterschiedliche Akquisitionsfunktionen resultieren dabei in verschiedenen Ausprägungen der BO, z. B. für schnelles oder sicheres Lernen. Bisher wurden in der Forschung Surrogat-Modell und Akquisitionsfunktion betrachtet, das Beobachtungsmodell aber weiterstgehend übersehen. Fast alle BO-Algorithmen basieren auf einem simplen Beobachtungsmodell: Auswertung der Black-Box-Funktion plus Rauschen. Dies entspricht der Annahme, dass Beobachtungen (i) einem einzigen skalaren Wert entsprechen (monolithisch) und (ii) an einem einzigen Zeitpunkt gemessen werden (statisch). Beides sind jedoch in vielen Fällen übermäßige Vereinfachungen. Die Black-Box-Funktion besteht oft aus mehreren Komponenten und die Erfassung einer Beobachtung ist ein dynamischer Prozess. Das ParDyBO-Projekt geht über das typische BO-Beobachtungsmodell hinaus. Wir führen Beobachtungsmodelle ein, die (i) die partielle Natur vieler Gütekriterien erfassen und (ii) die Beobachtung als dynamischen Prozess charakterisieren. Daraus entwickeln wir zwei neue BO-Klassen. Unter Verwendung eines Surrogat-Modells für partielle Beobachtungen entwickeln wir BO-Algorithmen, die aktiv entscheiden, welche Komponenten auszuwerten sind. Weiterhin nutzen wir gelernte Modelle der Beobachtungsdynamik für eine verbesserte Planung und ggf. frühzeitige Beendigung von Experimenten. ParDyBO führt mehrere Innovationen für BO und Reglertuning ein: bessere Versuchsplanung durch Ausnutzen von partiellen und dynamischen Beobachtungen, Einführen der Auswertungslänge als neue Entscheidungsdimension und online Anpassungen über laufende Versuche. Das soll zu schnellerem Tuning, Dateneffizienz und Ressourceneinsparungen führen, was wir in synthetischen Beispielen, Regler-Tuning-Benchmarks und Hardware-Demonstratoren zeigen. Die Ergebnisse stellen wir open-source zur Verfügung. Damit fördern wir die Etablierung von "BO mit partiellen und dynamischen Beobachtungen" (ParDyBO) als neues Paradigma in BO.

• DFG-Verfahren: Sachbeihilfen