Resumo

As regras clássicas para o ajuste do controlador, como Ziegler-Nichols, foram aplicadas com sucesso em muitas aplicações do mundo real. Infelizmente, elas não produzem uma configuração ideal do controlador. Além disso, não há como incluir limitações físicas no processo de ajuste. Ao usar a otimização bayesiana para a tarefa de ajuste do controlador, é possível determinar uma solução ideal que considere as limitações do controlador.
Esta apresentação de Robert Göllinger, M.Sc. da RWTH Aachen University, Alemanha, apresentará os conceitos básicos da Otimização Bayesiana e os aplicará à tarefa de ajuste do PID em um demonstrador.

Short-bio

Robert Göllinger recently completed a Master’s degree in Automation Engineering at RWTH Aachen University, Germany, with a focus on modern control approaches such as Model-Predictive Control and Norm-Optimal Iterative Learning Control. Beginning in September he will start a position as a PhD student at the Institute for Automatic Control at RWTH Aachen. His research specializes in model-based control, controller tuning, and incorporating machine learning techniques into controllers. Currently, he is conducting research at the Laboratório de Sistemas Embarcados at UFSC Joinville, focusing on using Physics-Informed Neural Networks as process models in model-based controllers. 

ORCID