Geavanceerde Feedforward & Lerende Besturingstraining

Heb je ook een bewegingssysteem dat voor elke taak dezelfde fout heeft? Ben je ook geïnspireerd door de vele recente successen op het gebied van leren en wil je onderzoeken wat leren voor jouw machine zou kunnen betekenen? Of ben je enthousiast over geavanceerde motion feedforward-besturing die zelfs de 4e afgeleide van het setpointsignaal meeneemt? Deze cursus stelt je in staat om de prestaties van je systeem te verbeteren met geavanceerde feedforward en lerende besturing door rechtstreeks te leren vanuit de bewegingsdata.

In de afgelopen jaren zijn klassieke regelsystemen verder ontwikkeld in de richting van geavanceerde feedforward sturing. Dit omvat het gebruik van hogere-orde afgeleiden van het referentiesignaal, waaronder ruk (jerk), snap (verandering van ruk), enzovoort. Daarnaast maakt het gebruik van input-shaping en rationale feedforward-regelingen nog betere prestaties mogelijk, waarbij continu nieuwe technieken worden ontwikkeld om dergelijke signalen te berekenen.

Tegelijkertijd zijn er veel nieuwe resultaten behaald op het snijvlak van besturing en machinaal leren. Succesvolle ontwikkelingen zijn onder andere technieken die te maken hebben met iteratief lerende regeling (ILC) en repetitieve regeling (RC), wat van toepassing is op industriële systemen, waaronder pick-and-place machines of batchprocessen die steeds weer dezelfde taak uitvoeren. Wanneer exact dezelfde taak wordt uitgevoerd, werken verstoringen identiek op het systeem in. Denk bijvoorbeeld aan een verstoord koppelprofiel, door onbalans in een as of door onbekende wrijvingseffecten. Het kernidee is dat de lerende regeltechnieken deze verstoringen volledig kunnen compenseren, wat typisch leidt tot een grootteorde reductie van servofouten.
De afgelopen jaren zijn deze technieken verder uitgebreid om de optimale parameters van geavanceerde feedforward-regelaars automatisch te leren. Denk hierbij aan het gebruik van hogere-orde afgeleiden, input-shaping en rationale feedforward-regelaars. Een belangrijke trend hierin is het toepassen van machine learning-technieken, waaronder Gaussiaanse Processen.

Deze nieuwe en uitgebreide cursus begint met een recapitulatie van klassieke feedforward en behandelt vervolgens iteratief lerende regeling, repetitieve regeling en nieuwe geavanceerde feedforward benaderingen, waarvan sommige op het snijvlak liggen met machine learning-technieken. De cursus behandelt:

• Theorie: inzicht in de convergentie van lerende systemen vanuit de klassieke feedback-aanpak
• Ontwerp: het ontwerpen van geavanceerde feedforward-regelingen en typische benaderingen voor het ontwerpen van bewegingsregelingen
• Toekomsttrends: verbindingen met de nieuwste ontwikkelingen en het vermogen om de relevantie ervan te begrijpen, inclusief nieuwe benaderingen uit machine learning
• Algoritmen: volledig op maat gemaakte MATLAB-algoritmen (met de mogelijkheid om deze mee te nemen voor de eigen toepassing).

Deze training is zowel beschikbaar voor open inschrijving als voor in-company sessies.