Prozessoptimierung

Fakultät

Fakultät Ingenieurwissenschaften und Informatik (IuI)

Version

Version 2 vom 26.02.2026.

Modulkennung

11M1270

Niveaustufe

Master

Unterrichtssprache

Deutsch, Englisch

ECTS-Leistungspunkte und Benotung

5.0

Häufigkeit des Angebots des Moduls

nur Sommersemester

Dauer des Moduls

1 Semester

 

 

Kurzbeschreibung

Die klassischen Verfahren der Regelungstechnik sind für lineare Systeme entwickelt worden. Neben dem teilweise heuristischen Vorgehen besitzen diese Verfahren den Nachteil, dass eine explizite Berücksichtigung von Stellgrößenbeschränkungen, die in der Praxis immer vorliegen, nicht möglich ist. Bereits in den 60er Jahren wurden daher Optimierungsansätze entwickelt um diese Problemstellungen zu adressieren. Die praktische Umsetzung dieser Verfahren ist aber erst seit den 90er Jahren möglich. Dafür waren neben schnellen Rechnern insbesondere auch neue schnelle Algorithmen entscheidend. Heute sind Optimierungsverfahren aus der Prozessregelung nicht mehr weegzudenken. Bereits bei der datenbasieren Modellbildung kommen optimale Identifikationsverfahren zum Einsatz. Führungs- und Störverhalten des Regelkreises kann mit Verfahren zur Erzielung optimaler Regelgüte bzw. mit der Betrachtung von worst-case Szenarien adressiert werden. Modellpädiktive Regelungen ermöglichen es schließlich, durch Optimierung über mitbewegte Zeithorizonte, Stellgrößenbeschränkungen auf eine Weise zu berücksichtigen, die auch auf echte Anwendungen der Prozessregelung übertragen werden kann. Die Vorlesung soll einen Überblick über die Grundlagen der Optimierung und der entsprechenden Algorithmen sowie deren Anwendung in exemplarischen Problemstellungen der Prozessregelung geben.

Lehr-Lerninhalte

  1. Mathematische Grundlagen der beschränkten und unbeschränkten Optimierung 
  2. Numerische Grundlagen der Optimierung
  3. Spezielle Algorithmen (insb. SQP) 
  4. Anwendungen: Identifikation, optimale Schätzverfahren (Kalman Filter), optimale Steuerung und Regelung (Zeitoptimalität, optimale Regelgüte), Modellprädiktive Regelung

Gesamtarbeitsaufwand

Der Arbeitsaufwand für das Modul umfasst insgesamt 150 Stunden (siehe auch "ECTS-Leistungspunkte und Benotung").

Lehr- und Lernformen
Dozentengebundenes Lernen
Std. WorkloadLehrtypMediale UmsetzungKonkretisierung
15Labor-AktivitätPräsenz-
30VorlesungPräsenz-
Dozentenungebundenes Lernen
Std. WorkloadLehrtypMediale UmsetzungKonkretisierung
60Veranstaltungsvor- und -nachbereitung-
2Erstellung von Prüfungsleistungen-
43Prüfungsvorbereitung-
Benotete Prüfungsleistung
  • Klausur oder
  • mündliche Prüfung oder
  • Projektbericht (schriftlich)
Unbenotete Prüfungsleistung
  • experimentelle Arbeit
Bemerkung zur Prüfungsart

nach Wahl des Lehrenden

Prüfungsdauer und Prüfungsumfang

Benotete Prüfungsleistung:

  • Klausur: siehe jeweils gültige Studienordnung
  • Mündliche Prüfung: siehe Allgemeiner Teil der Prüfungsordnung
  • Projektbericht (schriftlich): 5 Minuten Kurzreferat, Ausarbeitung: 10-20 Seiten

Unbenotete Prüfungsleistung:

  • Experimentelle Arbeit: Experiment: insgesamt ca. 6 Versuche

Empfohlene Vorkenntnisse

Grundlagen der Mathematik wie sie üblicherweise in den ersten zwei Semesters eines naturwissenschaftlichen bzw. Ingenieurs-Studiengangs vermittelt werden.

Grundlagen der Regelungstechnik wie sie üblicherweise in einem Ingenieurs-Studiengang vermittelt werden.

Wissensverbreiterung

Die Absolvent*innen kennen die wesentlichen Fragestellungen der Optimierung und können exakte und numerische Lösungsverfahren anwenden. Sie kennen die Hauptanwendungen in der Prozessregelung und können entsprechende Lösungsverfahren entwickeln.

Nutzung und Transfer

Die Absolvent*innen sind in der Lage, Verfahren der Prozessoptimierung problemangepasst auszuwählen und können entsprechende Softwaretools zur Problemlösung einsetzen.

Wissenschaftliches Selbstverständnis / Professionalität

Die Absolvent*innen sind in der Lage, aktuelle wissenschaftliche Literatur zur Prozessregelung einzuordnen und auf neue technische Anwendungen zu übertragen.

Literatur

  • B. Kouvaritakis, M. Cannon (2015): Model Predictive Control. Springer. 2016.
  • J. B. Rawlings, D. Q. Mayne, M. M. Diehl: Model Predictive Control. Nob Hill Publishing. 2017.
  • H. Unbehauen: Regelungstechnik 3. Vieweg+Teubner. 2011.
  • M. Papageorgiou, M. Leibold, M. Buss: Optimierung. Springer. 2015.
  • D. G. Luenberger: Optimization by Vector Space Methods. John Wiley&Sons, Inc. 1969.

Verwendbarkeit nach Studiengängen

  • Informatik
    • Informatik M.Sc. (01.09.2025)

  • Mechatronic Systems Engineering
    • Mechatronic Systems Engineering M.Sc. (01.09.2025)

  • Elektrotechnik (Master)
    • Elektrotechnik M.Sc. (01.09.2025)

    Modulpromotor*in
    • Rehm, Ansgar
    Lehrende
    • Rehm, Ansgar