Zur Anwendung neuronaler Netzwerke in adaptiven Flugregelungssystemen

Künstliche neuronale Netzwerke besitzen auf Grund ihrer Lernfähigkeit großes Potential zur adaptiven Regelung komplexer dynamischer Prozesse. Neben den theoretischen Grundlagen und einer statistischen Methodik des Netzwerkentwurfes wird in dieser Arbeit eine Klasse regelungstechnisch motivierter Lernverfahren vorgestellt. Dabei werden neuronale Netze als dynamische Systeme aufgefasst, wodurch ihr Training als geregelter Prozess betrachtet werden kann. Dies erlaubt die Anwendung der Gleitzustandsregelung auf neuronale Lernverfahren, welche so um eine intrinsische Stabilitätsbedingung erweitert werden können. Durch die dynamische Bestimmung der Lernraten vermag dieser Lernansatz die Zustände eines neuronalen Netzes in den global asymptotisch stabilen Gleitzustand zu überführen.

Die praktische Bedeutung dieses Lernverfahrens wird am Beispiel zweier Regelungsstrategien dargestellt: Der modellfreien neuronalen Regelung, welche ohne mathematisches Modell des geregelten Systems auskommt, und der neuronal gestützten dynamischen Inversion, bei der die Nutzung des Gleitzustandslernverfahrens besondere Vorteile mit sich bringt. Dies liegt darin begründet, dass der Gleitzustand der Netzwerkzustände eine stabilisierende Wirkung auf die Fehlerdynamik des geschlossenen Regelkreises besitzt. Am Beispiel eines beschädigten unbemannten Flugsystems zeigt sich, dass dieses Verfahren wegen seiner dynamischen Bestimmung der Lernraten eine höhere Konvergenzgeschwindigkeit als vergleichbare etablierte Ansätze aufweist. Die Ergebnisse der Arbeit unterstreichen die Vorzüge der interdisziplinären Kombination von klassischer Regelungstechnik und Maschinenlernverfahren bei der Auslegung komplexer Regelungssysteme.