Beiträge zur aktiven Strömungsbeeinflussung: Systemmodellierung mit Methoden des maschinellen Lernens und ganzzahlig beschränkte Regelung für zyklische Prozesse
| dc.contributor.advisor | King, Rudibert | |
| dc.contributor.author | Arnold, Florian Robert Eduard | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | King, Rudibert | |
| dc.contributor.referee | Koch, Charles Robert | |
| dc.date.accepted | 2022-03-18 | |
| dc.date.accessioned | 2022-04-25T08:38:03Z | |
| dc.date.available | 2022-04-25T08:38:03Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | Die aktive Strömungsbeeinflussung kann in vielen technischen Bereichen zur Optimierung von aerodynamischen Eigenschaften bzw. zur Kompensation von Störungen eingesetzt werden. Allerdings ist die technische Realisierung der aktiven Strömungsbeeinflussung in vielen Fällen sehr herausfordernd. Dies gilt insbesondere bei der Umsetzung in einem geschlossenen Regelkreis. Zwei dieser Herausforderungen, auf die in dieser Arbeit eingegangen wird, sind die Beschreibung der Strömung in einem recheneffizienten Modell sowie der Umgang mit mechanischen Beschränkungen der Aktuation. Die beschriebenen Methoden werden im Rahmen dieser Arbeit genutzt, um ausgewählte strömungsmechanische Herausforderungen beim Betrieb einer Gasturbine mit Gleichraumverbrennung zu adressieren. Im ersten Teil der Arbeit wird eine Methode zur Zustandsraummodellierung auf Basis sogenannter Physics-Informed Neural Networks vorgestellt. Dieser Ansatz erlaubt es, physikalische Informationen aus einer Systembeschreibung mit partiellen Differentialgleichungen in der Anpassung eines Zustandsraummodells zu berücksichtigen. Damit können auch für Systemzustände, die nicht explizit in der Anpassung des Modells berücksichtigt wurden, zuverlässige Ergebnisse erzielt werden. Das vorgestellte Modell kann allerdings im Gegensatz zu einer numerischen Lösung der partiellen Differentialgleichungen in Echtzeit ausgewertet werden und ermöglicht so, die Anwendung in einem modellgestützten Mess- oder Regelungsverfahren. Im Rahmen dieser Arbeit wird die Modellierungsmethode jeweils für ein räumlich eindimensionales System auf Basis der Burgers-Gleichung bzw. den Euler-Gleichungen getestet. Es wird sowohl die Verwendung in einer Zustandsschätzung mit einem erweiterten Kalman-Filter untersucht als auch der Einsatz in einer modellprädiktiven Regelung. Der zweite Teil der Arbeit befasst sich mit der Regelung von zyklischen Prozessen, in denen die Aktuation beschränkt ist. Im Speziellen wird auf die Beschränkung auf einen ganzzahligen Wertebereich eingegangen. Dieser Fall ist in der aktiven Strömungsbeeinflussung vor allem bei der Verwendung von schaltenden Bauteilen mit einer beschränkten Aktuationsfrequenz relevant. Es wird ein Syntheseverfahren für eine normoptimale iterativ lernende Regelung (ILR) mit einem ganzzahlig beschränkten Eingang vorgestellt. Dabei stellt das Syntheseverfahren sicher, dass die relevanten Eigenschaften der reellwertigen normoptimalen ILR erhalten bleiben. Zusätzlich wird der Sonderfall einer binären ILR untersucht und ein Verfahren vorgestellt, mit dem unter bestimmten Umständen der Rechenaufwand der Regelung deutlich reduziert werden kann. Die Methode wird an einem akustischen Versuchsaufbau getestet, der ein Plenum hinter den Verbrennunsgrohren eine Gasturbine mit Gleichraumverbrennung nachbildet. Zusätzlich wird als Alternative zur normoptimalen ILR ein modellfreier Ansatz auf Basis einer Extremwertregelung (EWR) vorgestellt. Auch in diesem Verfahren können ganzzahlige Eingangsbeschränkungen für zyklische Prozesse berücksichtigt werden. Diese zyklische EWR wird an einem experimentellen Aufbau, einer sogenannten stoßfreien Explosionsverbrennung (SEC), getestet. Ziel für die SEC ist dabei, den Druckanstieg zu maximieren und damit möglichst gut eine Gleichraumverbrennung anzunähern. | de |
| dc.description.abstract | Active flow control is a widely used technique to optimize aerodynamic features or to compensate for disturbances. However, implementing active flow control for a specific application can often be challenging, especially if a closed-loop control is required. This thesis addresses two of these challenges. Besides a method to define a computationally efficient model, this contribution introduces various methods for handling input constraints caused by mechanical restrictions. The described control approaches are used to cope with the flow-related challenges of operating a gas turbine with constant volume combustion. The first part of the thesis presents a method for state-space modeling based on so-called physics-informed neural networks. This approach allows fitting a state-space model considering physical information from a system description with partial differential equations. By that, a system description can be achieved that will give reliable results even for states not considered for the model fit. As a numerical solution of the partial differential equations is not required, the fitted model can be evaluated in real-time. Thus, it is suitable for modelbased measurement and control applications. Within the scope of this work, the modeling method is tested for a spatially one-dimensional system based on the Burgers equation and the Euler equations, respectively. Both models are used to implement state estimation based on an extended Kalman filter and a model predictive control to illustrate the performance of the state-space model. The second part of the thesis deals with the control of cyclic processes with a constrained input. In particular, the restriction to an integer-valued domain is discussed. This case is especially relevant in active flow control when switching components with a limited frequency are used to actuate the flow. An approach for an integer-valued norm-optimal iterative learning control (ILC) is presented and tested. This control synthesis ensures that the relevant properties of the real-valued norm-optimal ILC are preserved. Additionally, the particular case of a binary ILC is investigated, and a method to significantly reduce the computational effort of the control for a specific set of control tasks is introduced. The method is applied to an acoustic test setup, which mimics a plenum behind the combustion tubes of a gas turbine operated with constant volume combustion. In addition, a model-free approach based on extremum seeking control (ESC) is presented to provide an alternative to norm-optimal ILC. Similar to the presented ILC approach, the introduced cyclic ESC can also cope with integer-valued input constraints. The control is tested on an experimental setup of a so-called shockless explosion combustion (SEC). In this setup, the cyclic ESC aims to maximize the pressure rise from the combustion to approximate constant volume combustion in an optimal manner. | en |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/16579 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-15356 | |
| dc.language.iso | de | en |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | en |
| dc.subject.ddc | 620 Ingenieurwissenschaften und zugeordnete Tätigkeiten | de |
| dc.subject.other | maschinelles Lernen | de |
| dc.subject.other | Extremwertregelung | de |
| dc.subject.other | aktive Strömungsbeeinflussung | de |
| dc.subject.other | machine learning | en |
| dc.subject.other | ESC | en |
| dc.subject.other | AFC | en |
| dc.subject.other | PINN | en |
| dc.subject.other | ILC | en |
| dc.title | Beiträge zur aktiven Strömungsbeeinflussung: Systemmodellierung mit Methoden des maschinellen Lernens und ganzzahlig beschränkte Regelung für zyklische Prozesse | de |
| dc.title.translated | Contributions to active flow control: machine learning based system modeling and integer-constrained control for cyclic processes | en |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | free | en |
| tub.affiliation | Fak. 3 Prozesswissenschaften::Inst. Prozess- und Verfahrenstechnik::FG Mess- und Regelungstechnik | de |
| tub.affiliation.faculty | Fak. 3 Prozesswissenschaften | de |
| tub.affiliation.group | FG Mess- und Regelungstechnik | de |
| tub.affiliation.institute | Inst. Prozess- und Verfahrenstechnik | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |