Optimale Steuerung eines linearen Servomotors
|
|
- Teresa Adler
- vor 6 Jahren
- Abrufe
Transkript
1 mit Coulomb-Reibung und Zustandsbeschränkungen Bahne Christiansen, Helmut Maurer Oliver Zirn Universität Münster Institut für Numerische Mathematik University of Applied Sciences Giessen Kleinwalsertal, Januar 2008
2 Übersicht 1 Optimale Steuerprozesse: Eine kurze Einführung Grundbegriffe, Formulierung des Standardproblems Minimumprinzip von Pontryagin 2 Der Tauchspulmotor: Motivation und Modellbeschreibung Herleitung des Optimalen Steuerprozesses Mathematische Herausforderung: zustandsabhängige Unstetigkeiten 3 Zeitoptimale Steuerung Notwendige Optimalitätsbedingungen Numerische Ergebnisse: bang-bang Steuerung Vergleich: Simulation Echtzeit-Implementierung 4 Energieoptimale Steuerung
3 Gliederung 1 Optimale Steuerprozesse: Eine kurze Einführung Grundbegriffe, Formulierung des Standardproblems Minimumprinzip von Pontryagin 2 Der Tauchspulmotor: Motivation und Modellbeschreibung Herleitung des Optimalen Steuerprozesses Mathematische Herausforderung: zustandsabhängige Unstetigkeiten 3 Zeitoptimale Steuerung Notwendige Optimalitätsbedingungen Numerische Ergebnisse: bang-bang Steuerung Vergleich: Simulation Echtzeit-Implementierung 4 Energieoptimale Steuerung
4 Beispiel: Wie steuert man am schnellsten einen Wagen? Skizze: Relevante Größen: x 1 (t) : Position des Wagens zum Zeitpunkt t [0, T ], x 2 (t) : Geschwindigkeit des Wagens zum Zeitpunkt t [0, T ], u(t) : Beschleunigung des Wagens zum Zeitpunkt t [0, T ]. Ziel: Steuere den Wagen in minimaler Zeit T vom Startpunkt x 1 (0) = 4 zum Endpunkt x 1 (T ) = 0 (x 2 (0) = x 2 (T ) = 0).
5 Bezeichnungen zur Formulierung eines Steuerprozesses Wichtige Begriffe: x : [0, T ] R n : Zustand des Sytems zur Zeit t, U R m : Steuerbereich, abgeschlossen und konvex, u : [0, T ] U : Steuerung des Sytems zur Zeit t, ϕ : R n R n R s : Randbedingungen für den Zustand, S : R n R k : Reine Zustandsbeschränkung.
6 Komponenten eines Optimalen Steuerprozesses Kosten- oder Zielfunktional: F (x, u) = g(x(t )) + Dynamik des Systems: T 0 f 0 (t, x, u)dt ẋ = f (t, x, u), 0 t T, f : [0, T ] R n R m R n Randbedingungen für den Zustand: ϕ(x(0), x(t )) = 0, ϕ : R n R n R s Steuerbeschränkung: u(t) U, 0 t T, U R m abgeschlossen und konvex. Ggf. reine Zustandsbeschränkung: S(x(t)) 0, 0 t T, S : R n R k.
7 Komponenten eines Optimalen Steuerprozesses Kosten- oder Zielfunktional: F (x, u) = g(x(t )) + Dynamik des Systems: T 0 f 0 (t, x, u)dt ẋ = f (t, x, u), 0 t T, f : [0, T ] R n R m R n Randbedingungen für den Zustand: ϕ(x(0), x(t )) = 0, ϕ : R n R n R s Steuerbeschränkung: u(t) U, 0 t T, U R m abgeschlossen und konvex. Ggf. reine Zustandsbeschränkung: S(x(t)) 0, 0 t T, S : R n R k.
8 Komponenten eines Optimalen Steuerprozesses Kosten- oder Zielfunktional: F (x, u) = g(x(t )) + Dynamik des Systems: T 0 f 0 (t, x, u)dt ẋ = f (t, x, u), 0 t T, f : [0, T ] R n R m R n Randbedingungen für den Zustand: ϕ(x(0), x(t )) = 0, ϕ : R n R n R s Steuerbeschränkung: u(t) U, 0 t T, U R m abgeschlossen und konvex. Ggf. reine Zustandsbeschränkung: S(x(t)) 0, 0 t T, S : R n R k.
9 Komponenten eines Optimalen Steuerprozesses Kosten- oder Zielfunktional: F (x, u) = g(x(t )) + Dynamik des Systems: T 0 f 0 (t, x, u)dt ẋ = f (t, x, u), 0 t T, f : [0, T ] R n R m R n Randbedingungen für den Zustand: ϕ(x(0), x(t )) = 0, ϕ : R n R n R s Steuerbeschränkung: u(t) U, 0 t T, U R m abgeschlossen und konvex. Ggf. reine Zustandsbeschränkung: S(x(t)) 0, 0 t T, S : R n R k.
10 Komponenten eines Optimalen Steuerprozesses Kosten- oder Zielfunktional: F (x, u) = g(x(t )) + Dynamik des Systems: T 0 f 0 (t, x, u)dt ẋ = f (t, x, u), 0 t T, f : [0, T ] R n R m R n Randbedingungen für den Zustand: ϕ(x(0), x(t )) = 0, ϕ : R n R n R s Steuerbeschränkung: u(t) U, 0 t T, U R m abgeschlossen und konvex. Ggf. reine Zustandsbeschränkung: S(x(t)) 0, 0 t T, S : R n R k.
11 Formulierung des Standardproblems (OSP) Standardform eines Optimalen Steuerprozesses T Minimiere F (x, u) = g(x(t )) + f 0 (t, x, u)dt 0 unter ẋ = f (t, x, u), 0 t T, ϕ(x(0), x(t )) = 0, u(t) U, 0 t T. Jedem Prozeß ordnet man die Hamilton-Funktion H zu: H(t, x, λ, u) = λ 0 f 0 (t, x, u) + λ f (t, x, u) n = λ i f i (t, x, u), i=0 λ 0 R, λ R n Z.V. : Lagrange-Multiplikatoren.
12 Formulierung des Standardproblems (OSP) Standardform eines Optimalen Steuerprozesses T Minimiere F (x, u) = g(x(t )) + f 0 (t, x, u)dt 0 unter ẋ = f (t, x, u), 0 t T, ϕ(x(0), x(t )) = 0, u(t) U, 0 t T. Jedem Prozeß ordnet man die Hamilton-Funktion H zu: H(t, x, λ, u) = λ 0 f 0 (t, x, u) + λ f (t, x, u) n = λ i f i (t, x, u), i=0 λ 0 R, λ R n Z.V. : Lagrange-Multiplikatoren.
13 Zeitoptimale Steuerung des Wagens Zeitoptimale Steuerung des Wagens in Standardform: Minimiere unter F (x, u) = T x 1 (t) = x 2 (t), 0 t T, x 2 (t) = u(t), 0 t T, x 1 (0) = 4, x 1 (T ) = 0, x 2 (0) = 0, x 2 (T ) = 0, u(t) [ 1, 1], 0 t T.
14 Beispiel: Wie steuert man am schnellsten einen Wagen? Maximale Beschleunigung: u(t) 1, t [0, T ]. Lösung: T = 4. Beschleunigung u(t) Position x 1 (t)
15 Beispiel: Wie steuert man am schnellsten einen Wagen? Maximale Beschleunigung: u(t) 1, t [0, T ]. Lösung: T = 4. Beschleunigung u(t) Geschwindigkeit x 2 (t)
16 Beispiel: Wie steuert man am schnellsten einen Wagen? Maximale Beschleunigung: u(t) 1, t [0, T ]. Lösung: T = 4. Beschleunigung u(t) Geschwindigkeit x 2 (t)
17 Beispiel: Wie steuert man am schnellsten einen Wagen? Maximale Beschleunigung: u(t) 1, t [0, T ]. Maximale Geschwindigkeit: x 2 (t) 1.5, t [0, T ]. Lösung: T = Beschleunigung u(t) Geschwindigkeit x 2 (t)
18 Beispiel: Wie steuert man am schnellsten einen Wagen? Maximale Beschleunigung: u(t) 1, t [0, T ]. Maximale Geschwindigkeit: x 2 (t) 1.5, t [0, T ]. Lösung: T = Beschleunigung u(t) Position x 1 (t)
19 Notwendige Optimalitätsbedingungen Das Minimumprinzip von Pontryagin: Seien T und (x, u ) : [0, T ] R n U eine optimale Lösung von (OSP). Dann gibt es ein λ 0 0, eine stetige und stw. stetig diff bare Funktion λ : [0, T ] R n und einen Multiplikator ρ R r mit (λ 0, λ(t), ρ) 0 für t [0, T ], so dass die folgenden Aussagen gelten: (i) Für alle t [0, T ] gilt die Minimumbedingung H(t, x (t), λ(t), u (t)) = min u U H(t, x (t), λ(t), u) und die adjungierte Differentialgleichung λ(t) = H x (t, x (t), λ(t), u (t)), wobei diese Bedingungen an Unstetigkeitsstellen der optimalen Steuerung u links- bzw. rechtsseitig zu verstehen sind.
20 Notwendige Optimalitätsbedingungen Das Minimumprinzip von Pontryagin (Forts.): (ii) Es gelten die Transversalitätsbedingungen λ(t ) = x e (λ 0 g + ρϕ)(x (0), x (T )), λ(0) = x a ρϕ(x (0), x (T )), wobei ϕ : R n R n R r, (x a, x e ) ϕ(x a, x e ). (iii) Im Falle einer freien Endzeit T gilt für die optimale Endzeit T H(T, x (T ), λ(t ), u (T )) = 0. (iv) Für autonome Probleme mit H t = 0 gilt H(x (t), λ(t), u (t)) = const mit t [0, T ].
21 Erweitertes Minimumprinzip Erweiterung des Minimumprinzips auf Prozesse mit reinen Zustandsbeschränkungen: Erweiterte Hamilton-Funktion: H(x, λ, µ, u) = λ 0 f 0 (x, u) + λ f (x, u)+µs(x) Minimumprinzip: λ 0 R, λ R n, µ R k [... ] und es gibt eine Multiplikatorfunktion µ : [0, T ] R k und Multiplikatoren ν(t i ) R k für jeden Eintritts-, Austritts- oder Kontaktpunkt t i (0, T ), so dass gilt: µ(t) 0 und µ(t)s x (x (t)) = 0 für t [0, T ], Sprungbedingung: λ(t + i ) = λ(t i ) ν(t i )S x (x(t i )), d.h. die Adjungierte λ kann in Eintritts-, Austritts- und Kontaktpunkten unstetig sein.
22 Linear eingehende Steuerung Linearer Steuerprozess: f 0 (x, u) = a 0 (x) + b 0 (x)u, f (x, u) = a(x) + b(x)u. Definiere Schaltfunktion: σ(t) := H u [t] = b 0 (x(t)) + λ(t) b(x(t)). Aus der Minimumbedingung H(x (t), λ(t), u (t)) = min u U H(x (t), λ(t), u) folgert man σ(t) u (t) = min u U σ(t)u. Es gilt also die Steuervorschrift bei linearen Steuerprozessen (m = 1): u min, falls σ(t) > 0 u (t) = u max, falls σ(t) < 0 unbestimmt, falls σ(t) = 0
23 Linear eingehende Steuerung Definition: bang-bang Steuerung / singuläre Steuerung Gegeben sei ein Intervall [t 1, t 2 ] [0, T ] mit t 1 < t 2. Die Steuerung u heißt bang-bang im Intervall [t 1, t 2 ], falls die Schaltfunktion σ nur isolierte Nullstellen in [t 1, t 2 ] besitzt. Wegen der Steuervorschrift gilt dann u(t) {u min, u max } für fast alle t [t 1, t 2 ]. Die Steuerung u heißt singulär im Intervall [t 1, t 2 ], falls σ(t) = 0 für alle t [t 1, t 2 ] gilt.
24 Linear eingehende Steuerung
25 Beispiel: Wie steuert man am schnellsten einen Wagen? Maximale Beschleunigung: u(t) 1, t [0, T ]. Schaltfunktion: σ(t) = λ 2 (t). Beschleunigung u(t) Schaltfunktion σ(t)
26 Beispiel: Wie steuert man am schnellsten einen Wagen? Maximale Beschleunigung: u(t) 1, t [0, T ]. Schaltfunktion: σ(t) = λ 2 (t). Zustandsbeschränkung (maximale Geschwindigkeit): x 2 (t) 1.5, t [0, T ]. Beschleunigung u(t) Schaltfunktion σ(t)
27 Gliederung 1 Optimale Steuerprozesse: Eine kurze Einführung Grundbegriffe, Formulierung des Standardproblems Minimumprinzip von Pontryagin 2 Der Tauchspulmotor: Motivation und Modellbeschreibung Herleitung des Optimalen Steuerprozesses Mathematische Herausforderung: zustandsabhängige Unstetigkeiten 3 Zeitoptimale Steuerung Notwendige Optimalitätsbedingungen Numerische Ergebnisse: bang-bang Steuerung Vergleich: Simulation Echtzeit-Implementierung 4 Energieoptimale Steuerung
28 Der Tauchspulmotor Tauchspulmotor (Testlabor, FH Giessen)
29 Der Tauchspulmotor
30 Anwendung: Hochdynamische Antriebseinheit in Schneidewerkzeug
31 Anwendung: Leiterplattenbohrmaschinen
32 Modell eines Tauchspulmotors Zustandsvariablen: x 1 (t) : Position des Motors v 1 (t) : Geschwindigkeit des Motors x 2 (t) : Position der Last v 2 (t) : Geschwindigkeit der Last I (t) : Stromstärke Steuerung: u(t) = U(t): Spannung
33 Dynamik: ẋ 1 (t) = v 1 (t), v 1 (t) = 1 [ K F I (t) k (x 1 (t) x 2 (t)) F R sign(v 1 (t)) ], m 1 ẋ 2 (t) = v 2 (t), v 2 (t) = k (x 1 (t) x 2 (t)), m 2 İ (t) = 1 L [ u(t) R I (t) K s v 1 (t) ]. Statische Coulomb-Reibung: F R sign(v 1 )
34 Parameter DSPACE Echtzeit-Abtastrate Maximale Spannung Widerstand der Spule Induktivität der Spule Kraftkonstante des Motors Spannungskonstante des Motors Masse des Motors (Schlitten, Spule) Masse der angekoppelten Last Federkonstante Coulomb-Reibung Ts = 0.1 ms UMAX 30 V R = 2 Ω L = 2 mh K F = 12 N/A K S = 12 Vs/m m 1 = 1.03 kg m 2 = 0.56 kg k = 2.4 kn/m F R = 2.1 N
35 Physikalische Bedeutung der Dynamik x 1 (t) = v 1 (t) x 2 (t) = v 2 (t) Zeitliche Ableitungen der Positionen sind durch die jeweiligen Geschwindigkeiten gegeben.
36 Physikalische Bedeutung der Dynamik Beschleunigung des Sliders: Gesamtkraft F v1 (t) v 1 (t) = 1 {}}{ [K F I (t) K (x m 1 }{{} 1 (t) x 2 (t)) F }{{} R sign(v 1 (t))] }{{} =:F 1 (t) =:F 2 (t) =:F 3 (t) Kraft = Masse x Beschleunigung F 1 (t): Vorschub- oder Lorenzkraft F 2 (t): Federkraft F 3 (t): Coulombsche Reibungskraft
37 Physikalische Bedeutung der Dynamik Beschleunigung des Sliders: Gesamtkraft F v1 (t) v 1 (t) = 1 {}}{ [K F I (t) K (x m 1 }{{} 1 (t) x 2 (t)) F }{{} R sign(v 1 (t))] }{{} =:F 1 (t) =:F 2 (t) =:F 3 (t) Kraft = Masse x Beschleunigung F 1 (t): Vorschub- oder Lorenzkraft F 2 (t): Federkraft F 3 (t): Coulombsche Reibungskraft
38 Physikalische Bedeutung der Dynamik Beschleunigung des Sliders: Gesamtkraft F v1 (t) v 1 (t) = 1 {}}{ [K F I (t) K (x m 1 }{{} 1 (t) x 2 (t)) F }{{} R sign(v 1 (t))] }{{} =:F 1 (t) =:F 2 (t) =:F 3 (t) Kraft = Masse x Beschleunigung F 1 (t): Vorschub- oder Lorenzkraft F 2 (t): Federkraft F 3 (t): Coulombsche Reibungskraft
39 Physikalische Bedeutung der Dynamik Beschleunigung des Sliders: Gesamtkraft F v1 (t) v 1 (t) = 1 {}}{ [K F I (t) K (x m 1 }{{} 1 (t) x 2 (t)) F }{{} R sign(v 1 (t))] }{{} =:F 1 (t) =:F 2 (t) =:F 3 (t) Kraft = Masse x Beschleunigung F 1 (t): Vorschub- oder Lorenzkraft F 2 (t): Federkraft F 3 (t): Coulombsche Reibungskraft
40 Physikalische Bedeutung der Dynamik Beschleunigung der elastisch angekoppelten Last: v 2 (t) = 1 K (x 1 (t) x 2 (t)) m 2 Kraft = Masse x Beschleunigung F v2 (t) := K (x 1 (t) x 2 (t)) : Federkraft
41 Physikalische Bedeutung der Dynamik DGL für die Stromstärke: İ (t) = 1 L [U(t) R I (t) K s v 1 (t)] 2. Kirchhoffsche Regel (Maschenregel): Sämtliche Teilspannungen ( = Potentialdifferenzen) in einem geschlossenen Stromkreis addieren sich zu Null. Hier: U(t) (Betriebsspannung des Motors) U 1 (t) = R I (t) (Ohmsches Gesetz) U 2 (t) = K S v 1 (t) (Elektromagnetische Induktion) U 3 (t) = L d dt I (t) (Selbstinduktion) Also: U(t) = U 1 (t) + U 2 (t) + U 3 (t) = R I (t) + K S v 1 (t) + L d dt I (t)
42 Optimaler Steuerprozeß Zustand: x = (x 1, v 1, x 2, v 2, I ) R 5, Steuerung: u R Dynamik ẋ = A x + B u e 2 F R sign(v 1 ), A R 5 5, B R 5, e 2 R 5. Steuerbeschränkung: u(t) UMAX für 0 t T. Randbedingungen: x(0) = x 0 = (0, 0, 0, 0, 0), x(t ) = x f = (0.01, 0, 0.01, 0, 0), Zeitoptimal: Minimiere die Endzeit T. T Energieoptimal: Minimiere 0 u(t)2 dt, T > 0 fest. Zustandsbeschränkungen: c v v 1 (t) v 2 (t) c v, t [0, T ].
43 Gliederung 1 Optimale Steuerprozesse: Eine kurze Einführung Grundbegriffe, Formulierung des Standardproblems Minimumprinzip von Pontryagin 2 Der Tauchspulmotor: Motivation und Modellbeschreibung Herleitung des Optimalen Steuerprozesses Mathematische Herausforderung: zustandsabhängige Unstetigkeiten 3 Zeitoptimale Steuerung Notwendige Optimalitätsbedingungen Numerische Ergebnisse: bang-bang Steuerung Vergleich: Simulation Echtzeit-Implementierung 4 Energieoptimale Steuerung
44 Zeitoptimale Steuerung: Notwendige Bedingungen ẋ(t) = A x(t) + B u(t) F R e 2 sign(v 1 (t)) Zeige: (A, B) ist vollständig steuerbar. Verwende Multiprozess-Techniken falls v 1 (t) das Vorzeichen wechselt: jede zeitoptimale Steuerung ist bang-bang. Hamilton-Funktion: H = 1 + λ (A x + B u F R e 2 sign(v 1 )), λ R 5 Adjungierte DGL: λ = λ A Schaltfunktion: σ(t) = H u [t] = λ 5 (t)/l { } UMAX für λ5 (t) > 0 u(t) = UMAX für λ 5 (t) < 0
45 UMAX = 2: v 1 (t) > 0 für 0 < t < T Positionen x 1(t), x 2(t) Geschwindigkeiten v 1(t), v 2(t) Stromstärke I (t) Steuerung u, Schaltfunktion σ Endzeit T = und Schaltzeiten t 1 = , t 2 = , t 3 = , t 4 =
46 Echtzeit-Implementierung: UMAX = 2, I (t) und u(t)
47 Echtzeit-Implementierung: UMAX = 2, x 1 (t) und x 2 (t)
48 Numerische Methoden Methode 1 Verwende NLP-Methoden für den diskretisierten Steuerprozeß. Programmiersprache AMPL von Fourer et al. Innere-Punkte- Optimierungssolver IPOPT Methode 2 Direkte Optimierung der Schaltzeiten t 1, t 2, t 3, t 4 und der Endzeit T. 5 Parameter für 5 Endbedingungen. FORTRAN-Routine NUDOCCCS von C. Büskens A. Wächter, L.T. Biegler, On the implementation of a primal-dual interior point filter line search algorithm for large-scale nonlinear programming, Mathematical Programming 106, S (2006). H. Maurer, C. Büskens, J.-H.R. Kim, C.Y. Kaya, Optimization methods for the verification of second order sufficient conditions for bang-bang controls, Optimal Control Applications and Methods 26, S (2005).
49 UMAX = 3: v 1 (t) wechselt Vorzeichen, T = Geschwindigkeiten v 1(t), v 2(t) Steuerung: Spannung u(t) v 1 (t) < 0 für t (v) 1 < t < t (v) 2, v 1(t (v) 1 ) = v 1(t (v) 2 ) = 0, 0 < t 1 < t (v) 1 < t 2 < t (v) 2 < t 3 < t 4 < T. Multiprozeß: Clarke/Vinter, Augustin/Maurer. Optimiere t 1,..., t 4, t 5 = T und t (v) 1, t(v) 2.
50 Real-time implementation: UMAX = 3, I (t) and u(t)
51 Real-time implementation: UMAX = 3, x 1 (t) and x 2 (t)
52 Struktur der zeitoptimalen Steuerungen Für alle Beschränkungen UMAX besitzt die zeitoptimale Steuerung 4 Schaltpunkte t 1, t 2, t 3, t 4 mit UMAX für 0 t < t 1 UMAX für t 1 < t < t 2 u(t) = UMAX für t 2 < t < t 3. UMAX für t 3 < t < t 4 UMAX für t 4 < t t 5 = T Es existieren Schranken UMAX (1) = 1.85 < 2.33 = UMAX (2) mit der Eigenschaft: für alle Schranken UMAX mit UMAX (1) < UMAX < UMAX (2) gilt v 1 (t) > 0 für 0 < t < T ; für 0 < UMAX < UMAX (1) oder UMAX (2) < UMAX existieren Zeitpunkte t (v) 1, t(v) 2 mit v 1 (t (v) 1 ) = v 1(t (v) 2 ) = 0 Christiansen, Maurer, und v (t) < 0 für t (v) Zirn < t < t (v).
53 Zeitoptimale Steuerung mit Zustandsbeschränkungen Große Abweichungen zwischen v 1 (t) und v 2 (t) : max t [0,T ] v 1 (t) v 2 (t) = =: c 0 v für UMAX = 3. Differenz v 1(t) v 2(t) Betrachte zeitoptimale Lösungen mit Zustandsbeschränkungen c v v 1 (t) v 2 (t) c v für alle t [0, T ] für c v < c 0 v, z.b. c v = 0.1. Daraus folgt x 1 (t) x 2 (t)
54 Zustandsbeschränkung v 1 (t) v 2 (t) c v = 0.1 x 1(t) x 2(t) v 1(t) v 2(t) λ 5(t) Steuerung u(t) Optimale Steuerung hat 9 bang-bang Stücke und 3 Randstücke mit v 1 (t) v 2 (t) = c v. Endzeit T =
55 Zustandsbeschränkungen: notwendige Bedingungen Zustandsbeschränkung: S(x) = v 1 v 2 c v oder S(x) = v 1 v 2 c v sind von der Ordnung q = 2, da S (2) (x, u) = d 2 S(x) = α(x) + β(x) u, β(x) 0, dt2 α(x) = R K «F Ks K F m1 + m2 m1 + m2 I + k v 1 + k v 2, L m 1 L m 1 m 1 m 2 m 1 m 2 β(x) = K F. L m 1 Auf einem Randstück gilt S(x(t)) c v für t en t t ex. Die Randsteuerung u b ist gegeben durch u b (x) = α(x) β(x)
56 Zustandsbeschränkungen: notwendige Bedingungen Erweiterte Hamilton-Funktion mit Multiplikator µ für die Zustandsbeschränkung H = 1 + λ(a x + B u e 2 F R sign(v 1 )) + µ(v 1 v 2 ). Modifizierte adjungierte DGL: λ = H x. Sprünge von λ(t) im Eintrittspunkt t ein und Austrittspunkt t aus eines Randstücks λ(τ + ) = λ(τ ) ν(τ) S x (τ), ν(τ) 0, τ {t ein, t aus }. Daher haben λ 2 (t) und λ 4 (t) Sprünge. Die Randsteuerung erfüllt UMAX < u b (x(t)) < UMAX σ(t) = λ 5 (t) / L = H u [t] 0, t en t t ex. Berechne µ(t) = λ 1 (t) aus σ = σ = 0.
57 Randsteuerung, Schaltfunktion und Sprünge v 1(t) v 2(t) λ 2(t) Schaltfunktion σ(t) = λ 5(t) / L λ 4(t)
58 Gliederung 1 Optimale Steuerprozesse: Eine kurze Einführung Grundbegriffe, Formulierung des Standardproblems Minimumprinzip von Pontryagin 2 Der Tauchspulmotor: Motivation und Modellbeschreibung Herleitung des Optimalen Steuerprozesses Mathematische Herausforderung: zustandsabhängige Unstetigkeiten 3 Zeitoptimale Steuerung Notwendige Optimalitätsbedingungen Numerische Ergebnisse: bang-bang Steuerung Vergleich: Simulation Echtzeit-Implementierung 4 Energieoptimale Steuerung
59 Energieoptimale Steuerung ẋ = A x + B u e 2 F R sign(v 1 ), x(0) = x 0, x(t ) = x f, u(t) UMAX. Minimiere T 0 u(t) 2 dt für feste Endzeit T > 0. Minimumprinzip: die optimale Steuerung u(t) = Proj. [ UMAX,UMAX ] ( λ 5 (t) / 2L) ist stetig (strikte LEGENDRE-Bedingung).
60 Energieoptimale Steuerung: UMAX = 3, T = 0.09 Positionen x 1(t), x 2(t) Geschwindigkeiten v 1(t), v 2(t) Stromstärke I (t) Optimale Steuerung u(t)
61 Energieoptimale Steuerung mit Zustandsbeschränkungen: UMAX = 3, T 0.1, v 1 v Differenz v 1(t) v 2(t) Optimale Steuerung u(t) Zum Vergleich: optimale Endzeit T =
62 Schlußfolgerungen Optimale Steuerung eines mechatronischen Systems (elektrodynamischer Aktuator, Tauchspulmotor) hat Vorteile gegenüber klassischen Methoden der Regelungstechnik: vermeidet Oszillationen und Überschwingen, ermöglicht eine präzise Steuerung auf einen bestimmten Endpunkt, minimiert die Endzeit, simulierte (vorhergesagte) Daten und experimentell erhaltene Daten (Testlabor) stimmen sehr gut überein. Mathematische Beiträge: Optimierung von gew. DGL mit zustandsabhängigen Unstetigkeiten, Zustandsbeschränkungen der Ordnung zwei und drei, singuläres Teilstück der Ordnung zwei oder drei.
Zeitoptimale und singuläre Steuerungen in einem mechatronischen System mit Coulomb-Reibung
Zeitoptimale und singuläre Steuerungen in einem mechatronischen System mit Coulomb-Reibung Diplomarbeit Andreas Ott 27. Juni 27 Diplomarbeitsbetreuer: Prof. Dr. Helmut Maurer Institut für Numerische und
MehrDiplomarbeit. Nadja Balzer. Betreuer: Prof. Dr. H. Maurer. Westfälische Wilhelms-Universität Münster
Westfälische Wilhelms-Universität Münster Institut für numerische und instrumentelle Mathematik Diplomarbeit Optimale Steuerung ökonomischer Prozesse am Beispiel eines komplexen Unternehmensmodells mit
MehrOptimale Steuerung eines mechatronischen. Systems mit Coulomb-Reibung. und Zustandsbeschränkungen
Westfälische Wilhelms- Universität zu Münster Diplomarbeit Optimale Steuerung eines mechatronischen Systems mit Coulomb-Reibung und Zustandsbeschränkungen Bahne Christiansen 17. April 27 Themensteller
MehrOptimale Steuerung Studieren geht über Probieren
Studieren geht über Probieren Antrittsvorlesung 23. Oktober 2008 Danksagungen Hans Josef Pesch Fredi Tröltzsch Karl Kunisch Martin Bernauer Frank Schmidt Gerd Wachsmuth Wegweiser Einmal von A nach B bitte!
MehrNichtlineare Optimierung
Nichtlineare Optimierung Roland Griesse Numerische Mathematik Chemnitzer Skiseminar Gerlosberg, 07. 14. März 2009 Gliederung Konvexe Optimierung 1 Konvexe Optimierung Bedeutung Beispiele Charakterisierung
MehrKapitel 15. Kontrolltheorie. Josef Leydold Mathematik für VW WS 2017/18 15 Kontrolltheorie 1 / 19. T (1 s(t)) f (k(t)) dt
Kapitel 15 Kontrolltheorie Josef Leydold Mathematik für VW WS 217/18 15 Kontrolltheorie 1 / 19 Wirtschaftswachstum Aufgabe: Maximiere Konsum im Zeitraum [, T]: max s(t) 1 (1 s(t)) f (k(t)) dt f (k)...
MehrDas Lagrange-duale Problem
Das Lagrange-duale Problem Tobias Kulke 29. April 2010 1 Einführung Für jedes Paar (λ, ν) mit λ 0 liefert die Langrange-duale Funktion ( ) p g(λ, ν) = inf L(x, λ, ν) = inf f 0 (x) + λ i f i (x) + ν i h
Mehr(2 π f C ) I eff Z = 25 V
Physik Induktion, Selbstinduktion, Wechselstrom, mechanische Schwingung ösungen 1. Eine Spule mit der Induktivität = 0,20 mh und ein Kondensator der Kapazität C = 30 µf werden in Reihe an eine Wechselspannung
MehrEinführung und Motivation
KAPITEL 1 Einführung und Motivation Inhalt 1 Beispiele 6 1.1 Beispiele mit linearen PDEs 6 1. Beispiele mit semilinearen PDEs 9 1.3 Aufgabenstellung und Ziele der Vorlesung 11 Grundkonzepte im endlich-dimensionalen
Mehr3. Berechnen Sie auch die Beschleunigung a als Funktion der Zeit t. 4. Erstellen Sie ein SIMULINK Modell, das x(t) numerisch berechnet.
unit 1 / Seite 1 Einführung Differenzialgleichungen In physikalischen Anwendungen spielt oft eine Messgrösse in Abhängigkeit von der Zeit die Hauptrolle. Beispiele dafür sind Druck p, Temperatur T, Geschwindigkeit
MehrOptimierungsmethoden in der Bildverarbeitung
Optimierungsmethoden in der Bildverarbeitung Bildentrauschung und Kantenerkennung mit L p - und Gradientenbeschränkung bei Graustufenbildern Westfälische Wilhelms-Universität Münster Institut für Numerische
MehrOptimierung für Nichtmathematiker
Optimierung für Nichtmathematiker Prof. Dr. R. Herzog WS2010/11 1 / 1 Inhaltsübersicht 3Einführung in die freie Optimierung 4Orakel und Modellfunktionen 5Optimalitätsbedingungen der freien Optimierung
MehrBlatt 1. Kinematik- Lösungsvorschlag
Fakultät für Physik der LMU München Lehrstuhl für Kosmologie, Prof. Dr. V. Mukhanov Übungen zu Klassischer Mechanik (T1) im SoSe 011 Blatt 1. Kinematik- Lösungsvorschlag Aufgabe 1.1. Schraubenlinie Die
MehrThema 10 Gewöhnliche Differentialgleichungen
Thema 10 Gewöhnliche Differentialgleichungen Viele Naturgesetze stellen eine Beziehung zwischen einer physikalischen Größe und ihren Ableitungen (etwa als Funktion der Zeit dar: 1. ẍ = g (freier Fall;
MehrNewton-Verfahren zur optimalen Steuerung nichtlinearer elliptischer Randwertaufgaben
Newton-Verfahren zur optimalen Steuerung nichtlinearer elliptischer Randwertaufgaben Patrick Knapp Berichtseminar zur Bachelorarbeit Universität Konstanz 14.12.2010 Einleitung Aufgabenstellung min J(y,
MehrExakte Differentialgleichungen
Exakte Differentialgleichungen M. Vock Universität Heidelberg Seminar Mathematische Modellierung am 11.11.2008 Gliederung Differentialgleichungen eine erste Begegnung Definition Gewöhnliche DGL Die exakte
MehrInstitut für Elektrotechnik und Informationstechnik. Aufgabensammlung zur. Systemtheorie
Institut für Elektrotechnik und Informationstechnik Aufgabensammlung zur Systemtheorie Prof. Dr. techn. F. Gausch Dipl.-Ing. C. Balewski Dipl.-Ing. R. Besrat 05.04.2013 Übungsaufgaben zur Systemtheorie
MehrOptimaler Transport. Marzena Franek. Skiseminar Februar Institut für Numerische und Angewandte Mathematik
Institut für Numerische und Angewandte Mathematik Skiseminar Februar 2009 1 Das Problem von Monge 1 Das Problem von Monge 2 1 Das Problem von Monge 2 3 1 Das Problem von Monge 2 3 4 1 Das Problem von Monge
MehrLösungsvorschläge zum 4. Übungsblatt, WS 2012/2013 Höhere Mathematik III für die Fachrichtung Physik
Lösungsvorschläge zum 4. Übungsblatt, WS 202/203 Höhere Mathematik III für die Fachrichtung Physik Aufgabe 6 Bei allen Aufgabenteilen handelt es sich um (homogene bzw. inhomogene) lineare Differentialgleichungen
Mehrx W x 3 W M 2 x 2 x 1
Priv-Doz G Reißig, F Goßmann MSc Universität der Bundeswehr München Institut für Steuer- und Regelungstechnik LRT-5 Email: felixgossmann@unibwde Moderne Methoden der Regelungstechnik, HT 26 Übung - Lösung
MehrNumerische Modellierung von Grundwasserströmungen
Numerische Modellierung von Grundwasserströmungen Heiko Berninger Berlin, 23. Juni 2004 Elbe Hochwasser August 2002 Ökosystem Untere Havel Unteres Havelland als natürliches Überschwemmungsgebiet Hydrologische
MehrNumerik III trifft inverse Probleme
Numerik III trifft inverse Probleme Michael Hönig Heinrich-Heine-Universität Düsseldorf Bad Neuenahr-Ahrweiler, Juli 2009 Inverse Probleme Schließen von einer beobachteten Wirkung auf deren Ursache Beispiel:
MehrFakultät Grundlagen. Februar 2016
Schwingungsdifferenzialgleichung Fakultät Grundlagen Hochschule Esslingen Februar 016 Fakultät Grundlagen Schwingungsdifferenzialgleichung Übersicht 1 Schwingungsdifferenzialgleichung Fakultät Grundlagen
MehrOPTIMALE STEUERUNG KOMPLEXER PROZESSE
OPTIMALE STEUERUNG KOMPLEXER PROZESSE Professur Mathematik in Industrie und Technik Fakultät für Mathematik Technische Universität Chemnitz MPI für Dynamik technischer Systeme, Magdeburg Kuratoriumssitzung,
MehrÜbungsskript Regelungstechnik 2
Seite 1 von 11 Universität Ulm, Institut für Mess-, Regel- und Mikrotechnik Prof. Dr.-Ing. Klaus Dietmayer / Seite 2 von 11 Aufgabe 1 : In dieser Aufgabe sollen zeitdiskrete Systeme untersucht werden.
MehrFunnel Control für mechatronische Systeme mit Relativgrad 2
Funnel Control für mechatronische Systeme mit Relativgrad 2 Christoph Hackl Technische Universität München Lehrstuhl für Elektrische Antriebssysteme und Leistungselektronik Elgersburg Workshop, 1.3.21
MehrNormalverteilung. 1 2πσ. Gauß. 2 e 1 2 ((x µ)2 σ 2 ) Werkzeuge der empirischen Forschung. W. Kössler. Einleitung. Datenbehandlung. Wkt.
Normalverteilung Diskrete Stetige f(x) = 1 2πσ 2 e 1 2 ((x µ)2 σ 2 ) Gauß 91 / 169 Normalverteilung Diskrete Stetige Satz: f aus (1) ist Dichte. Beweis: 1. f(x) 0 x R und σ > 0. 2. bleibt z.z. lim F(x)
MehrStabilität von geschalteten DAEs
Elgersburg Workshop 2011, 16.02.2011, 17:30-18:00 Einleitung Klassische DAEs Distributionelle Lösungen für geschaltetet DAEs Inhalt 1 Einleitung Systemklasse: Definition und Motivation Beispiele 2 Klassische
MehrDifferentialgleichungen I
Differentialgleichungen I Michael Hinze (zusammen mit Peywand Kiani) Department Mathematik Schwerpunkt Optimierung und Approximation, Universität Hamburg 5. Januar 2009 Beachtenswertes Die Veranstaltung
MehrProbestudium der Physik 2011/12
Probestudium der Physik 2011/12 1 Schwingungen und Wellen: Einführung in die mathematischen Grundlagen 1.1 Die Sinus- und die Kosinusfunktion Die Sinusfunktion lässt sich genauso wie die Kosinusfunktion
MehrLineare DGL-Systeme 1. Ordnung
Lineare DGL-Systeme 1. Ordnung Eine Reihe von naturwissenschaftlichen Problemstellungen, wie z. B. Feder- Dämpfer-Systeme der Mechanik oder Kirchhoffsche Netzwerke der Elektrotechnik, lassen sich durch
MehrWellen und Elektrodynamik für Chemie- und Bioingenieure und Verfahrenstechniker WS 11/12 Übung 6
Wellen und Elektrodynamik für Chemie- und Bioingenieure und Verfahrenstechniker WS 11/12 Übung 6 KIT University of the State of Baden-Wuerttemberg and National Research Center of the Helmholtz Association
MehrVorbereitung. Resonanz. Carsten Röttele. 17. Januar Drehpendel, freie Schwingungen 3. 2 Drehpendel, freie gedämpfte Schwingungen 3
Vorbereitung Resonanz Carsten Röttele 17. Januar 01 Inhaltsverzeichnis 1 Drehpendel, freie Schwingungen 3 Drehpendel, freie gedämpfte Schwingungen 3 3 Messung der Winkelrichtgröße D 4 4 Drehpendel, erzwungene
MehrLineare Differenzen- und Differenzialgleichungen
Lineare Differenzen- und Differenzialgleichungen Fakultät Grundlagen April 2011 Fakultät Grundlagen Lineare Differenzen- und Differenzialgleichungen Übersicht 1 Beispiele Anwendung auf Fragen der dynamischen
MehrElektrizitätslehre und Magnetismus
Elektrizitätslehre und Magnetismus Othmar Marti 29. 05. 2008 Institut für Experimentelle Physik Physik, Wirtschaftsphysik und Lehramt Physik Seite 2 Physik Klassische und Relativistische Mechanik 29. 05.
MehrDie Forderungen 1) und 2) sind sowohl mathematisch als auch physikalisch vernünftig und einleuchtend. 3) ist eine Forderung über die
Kapitel II Elementares zu den Partiellen Differentialgleichungen 4 Sachgemäßheit und Superposition Definition 4.1 Sachgemäßheit Eine ARWA, AWA oder RWA heißt sachgemäß, falls 1) die Aufgabe eine Lösung
MehrNumerische Integration des Schwarzschild Problems mit Hilfe von Lie-Reihen
Institut für Erdmessung Numerische Integration des Schwarzschild Problems mit Hilfe von Lie-Reihen Institut für Erdmessung Leibniz Universität Hannover Liliane Biskupek, Enrico Mai 15.09.2015 Inhalt des
Mehr2. Lagrange-Gleichungen
2. Lagrange-Gleichungen Mit dem Prinzip der virtuellen Leistung lassen sich die Bewegungsgleichungen für komplexe Systeme einfach aufstellen. Aus dem Prinzip der virtuellen Leistung lassen sich die Lagrange-Gleichungen
MehrKapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen
Kapitel 6 Suffiziente Statistiken In diesem Kapitel untersuchen wir einen weiteren statistischen Begriff, der eng mit Likelihoodfunktionen zusammenhängt und mit der Frage nach eventuell möglicher Datenreduktion
MehrPartielle Differentialgleichungen in der Bildverarbeitung. oder
Partielle Differentialgleichungen in der Bildverarbeitung Februar 2003 Dirk Lorenz oder PDEs in der Bildverarbeitung 1 Partielle Differentialgleichungen zum Anfassen und Streicheln PDEs in der Bildverarbeitung
Mehr4.1 Motivation von Variationsmethoden Variationsmethoden im Sobolevraum Motivation von Variationsmethoden
Kapitel 4 Das Dirichlet Prinzip Bevor wir uns der Lösung von Randwertproblemen mithilfe der eben entwickelten Techniken zuwenden, wollen wir uns einer Idee zur Lösung widmen, die einige Elemente dieser
MehrGewöhnliche Differentialgleichungen Woche 1
Gewöhnliche Differentialgleichungen Woche Einführung. Modelle Eine gewöhnliche Differentialgleichung gibt eine Relation zwischen einer unbekannten Funktion und deren Ableitung(en). Nun kann man unendlich
MehrDifferentialgleichungen
Differentialgleichungen Viele physikalische Probleme können mathematisch als gewöhnliche Differentialgleichungen formuliert werden nur eine unabhängige Variable (meist t), z.b. Bewegungsgleichungen: gleichmäßig
MehrInnere-Punkt-Methoden
Innere-Punkt-Methoden Johannes Stemick 26.01.2010 Johannes Stemick () Innere-Punkt-Methoden 26.01.2010 1 / 28 Übersicht 1 Lineare Optimierung 2 Innere-Punkt-Methoden Path-following methods Potential reduction
Mehr1.5 Lineare Differentialgleichungen zweiter Ordnung
16 Kapitel 1. Differentialgleichungen 1.5 Lineare Differentialgleichungen zweiter Ordnung Eine lineare Differentialgleichung zweiter Ordnung hat die Form y +a 1 (x)y +a 0 (x)y = b(x), wobei a 1,a 0,b:I
MehrDifferentialgleichungen 2. Ordnung
Differentialgleichungen 2. Ordnung 1-E1 1-E2 Einführendes Beispiel Freier Fall Viele Geschichten ranken sich um den schiefen Turm von Pisa: Der Legende nach hat der aus Pisa stammende Galileo Galilei bei
MehrResonanz Versuchsvorbereitung
Versuche P1-1,, Resonanz Versuchsvorbereitung Thomas Keck, Gruppe: Mo-3 Karlsruhe Institut für Technologie, Bachelor Physik Versuchstag: 0.1.010 1 1 Vorwort Im Praktikumsversuch,,Resonanz geht es um freie
MehrFlüsse, Fixpunkte, Stabilität
1 Flüsse, Fixpunkte, Stabilität Proseminar: Theoretische Physik Yannic Borchard 7. Mai 2014 2 Motivation Die hier entwickelten Formalismen erlauben es, Aussagen über das Verhalten von Lösungen gewöhnlicher
Mehr,Faltung. Heavisidefunktion σ (t), Diracimpuls δ (t) Anwendungen. 1) Rechteckimpuls. 2) Sprungfunktionen. 3) Schaltvorgänge
Heavisidefunktion σ (t), Diracimpuls δ (t),faltung Definition Heavisidefunktion, t > 0 σ ( t) = 0, t < 0 Anwendungen ) Rechteckimpuls, t < T r( t) = = σ ( t + T ) σ ( t T ) 0, t > T 2) Sprungfunktionen,
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
MehrÜber Optimierungsprobleme bei partiellen Dierentialgleichungen mit Zustandsbeschränkungen
Über Optimierungsprobleme bei partiellen Dierentialgleichungen mit Zustandsbeschränkungen Arnd Rösch Universität Duisburg-Essen Fachbereich Mathematik Zell im Zillertal, 8. März 2009 Inhalt 1 Lagrangesche
Mehr18.4 Das Newton-Verfahren
18.4 Das Newton-Verfahren Ziel: Wir suchen die Nullstellen einer Funktion f : D R n, D R n : f(x) = 0 Wir kennen bereits die Fixpunktiteration x k+1 := Φ(x k ) mit Startwert x 0 und Iterationsvorschrift
Mehr1 Elektrostatik TUM EM-Tutorübung SS 10. Formelsammlung EM SS Fabian Steiner, Paskal Kiefer
TUM EM-Tutorübung SS 1 1.5.21 Formelsammlung EM SS 21 Diese Formelsammlung dient nur zur Orientierung und stellt keinen nspruch auf ollständigkeit. Zudem darf sie während der Prüfung nicht benutzt werden,
Mehr10 Differenzierbare Funktionen
10 Differenzierbare Funktionen 10.1 Definition: Es sei S R, x 0 S Häufungspunkt von S. Eine Funktion f : S R heißt im Punkt x 0 differenzierbar, wenn der Grenzwert f (x 0 ) := f(x 0 + h) f(x 0 ) lim h
MehrDierentialgleichungen 2. Ordnung
Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:
Mehr12.6 Aufgaben zur Laplace-Transformation
292 12. Aufgaben zu linearen Gleichungen 12.6 Aufgaben zur Laplace-Tranformation A B C D Man löe die folgenden Anfangwertprobleme durch Laplace-Tranformation: 1) ẍ ẋ x = ; x() = ẋ() = 1 2) x (3) 6ẍ + 12ẋ
Mehr2.5 Lineare Differentialgleichungen n-ter Ordnung
2.5 Lineare Differentialgleichungen n-ter Ordnung Eine Dgl der Gestalt a n (x)y (n) +a n 1 (x)y (n 1) +...+a 2 (x)y +a 1 (x)y +a 0 (x)y = b(x) heißt lineare Dgl n-ter Ordnung. ( ) Dabei sind a 0, a 1,...,
MehrGeometrische Interpretation
Geometrische Interpretation Stefanie Riedel 10. Mai 2010 1 Starke und schwache Dualität über Wertemengen Wir betrachten eine einfache geometrische Interpretation dualer Funktionen aus der Menge G: G =
MehrStetige Funktionen. 1-E1 Ma 1 Lubov Vassilevskaya
Stetige Funktionen Der Graph einer stetigen Funktion hat keine Sprungstellen und kann ohne Absetzen des Stiftes gezeichnet werden. 1-E1 Grenzwert einer stückweise definierten Funktion: Aufgabe 1 Abb. A1:
MehrAbschätzung des Optimierungshorizonts in MPC: eine quantitative Betrachtung
Abschätzung des Optimierungshorizonts in MPC: eine quantitative Betrachtung Karl Worthmann Mathematisches Institut, Universität Bayreuth in Zusammenarbeit mit Lars Grüne gefördert vom DFG Schwerpunktprogramm
MehrVergleich der direkten mit der indirekten Methode der optimalen Steuerung anhand von Beispielen
Vergleich der direkten mit der indirekten Methode der optimalen Steuerung anhand von Beispielen Vortrag zum Seminar Optimale Steuerung Oliver Slaby 1 Vorwort In dieser Ausarbeitung soll eine kurze Gegenüberstellung
MehrLagrange-Multiplikatoren
Lagrange-Multiplikatoren Ist x eine lokale Extremstelle der skalaren Funktion f unter den Nebenbedingungen g i (x) = 0, dann existieren Lagrange-Multiplikatoren λ i, so dass grad f (x ) = λ i grad g i
MehrInhaltsverzeichnis. 1 Einleitung 1 Struktur und Einsatz von Optimierungsmethoden 2 Einsatz der Optimierung in der Steuerungs- und Regelungstechnik 6
1 Einleitung 1 Struktur und Einsatz von Optimierungsmethoden 2 Einsatz der Optimierung in der Steuerungs- und Regelungstechnik 6 Teil I Statische Optimierung 2 Allgemeine Problemstellung der statischen
MehrSimulationsgestützte tzte Auslegung von Lineardirektantrieben mit MAXWELL, SIMPLORER und ANSYS. Matthias Ulmer, Universität Stuttgart
Simulationsgestützte tzte Auslegung von Lineardirektantrieben mit MAXWELL, SIMPLORER und ANSYS Matthias Ulmer, Universität Stuttgart Gliederung 1. Motivation und Zielsetzung 2. Elektrodynamische Lineardirektantriebe
MehrAngewandte Geometrie
Technische Universität München SS 215 Zentrum Mathematik Blatt 4 Prof. Dr. J. Hartl Angewandte Geometrie 1. Ein Kind läuft einen geradlinigen Weg entlang und zieht an einer Schnur ein (seitlich des Weges
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
Mehr6.2 Lineare Differentialgleichungen erster Ordnung
98 6.2 Lineare Differentialgleichungen erster Ordnung Eine Differentialgleichung erster Ordnung heisst linear, wenn sie auf die Form y = p(x)y +q(x) (I) gebracht werden kann. Die DGL y = p(x)y (H) heisst
MehrÜbungen zur Theoretischen Physik 2 Lösungen zu Blatt 13
Prof. C. Greiner, Dr. H. van Hees Sommersemester 014 Übungen zur Theoretischen Physik Lösungen zu Blatt 13 Aufgabe 51: Massenpunkt auf Kugel (a) Als generalisierte Koordinaten bieten sich Standard-Kugelkoordinaten
Mehr32.8 Die lineare Differentialgleichung 2. Ordnung mit konstanten Koeffizienten
3 Die lineare Differentialgleichung. Ordnung mit konstanten Koeffizienten 3.1 Lösungsbegriff für explizite Differentialgleichungen n-ter Ordnung 3. Das Anfangswertproblem für explizite Differentialgleichungen
MehrÜbungsblatt 2: Modellierung und Linearisierung (Abgabe am von 8:00-8:15 im Vorlesungs-Hörsaal) Prof. Dr. Moritz Diehl
Vorlesung Systemtheorie und Regelungstechnik (SR Albert-Ludwigs-Universität Freiburg Sommersemester 2014 Übungsblatt 2: Modellierung und Linearisierung (Abgabe am 21.5.2014 von 8:00-8:15 im Vorlesungs-Hörsaal
MehrEinige Erweiterungen der Variationsrechnung*
Kapitel 5 Einige Erweiterungen der Variationsrechnung* 5.1 Einleitung In vielen Anwendungen treten Variationsprobleme auf, die in der einen oder anderen Weise vom der bislang behandelten Grundstruktur
MehrKuhn-Tucker-Bedingung
Kuhn-Tucker-Bedingung Ist x ein lokales Minimum einer skalaren Funktion f unter den Nebenbedingungen g i (x) 0 und sind die Gradienten der aktiven Gleichungen g i (x ) = 0, i I, linear unabhängig, dann
MehrKlausur zu Analysis II - Lösungen
Mathematisches Institut der Heinrich-Heine-Universität Düsseldorf Dr. Axel Grünrock WS 1/11 11..11 Klausur zu Analysis II - Lösungen 1. Entscheiden Sie, ob die folgenden Aussagen richtig oder falsch sind.
Mehr5 Interpolation und Approximation
5 Interpolation und Approximation Problemstellung: Es soll eine Funktion f(x) approximiert werden, von der die Funktionswerte nur an diskreten Stellen bekannt sind. 5. Das Interpolationspolynom y y = P(x)
MehrKlassische Theoretische Physik I WS 2013/2014
Karlsruher Institut für Technologie www.tkm.kit.edu/lehre/ Klassische Theoretische Physik I WS 213/214 Prof. Dr. J. Schmalian Blatt 6 Dr. P. P. Orth bgabe und Besprechung 6.12.213 1. Vektoranalysis I (2
MehrTheory Swiss German (Liechtenstein) Lies die Anweisungen in dem separaten Umschlag, bevor Du mit dieser Aufgabe beginnst.
Q2-1 Nichtlineare Dynamik in Stromkreisen (10 Punkte) Lies die Anweisungen in dem separaten Umschlag, bevor Du mit dieser Aufgabe beginnst. Einleitung Bistabile nichtlineare halbleitende Komponenten (z.b.
MehrTechnische Universität Wien Institut für Automatisierungs- und Regelungstechnik. SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am
Technische Universität Wien Institut für Automatisierungs- und Regelungstechnik SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am 8.6.13 Arbeitszeit: 1 min Name: Vorname(n): Matrikelnummer: Note: Aufgabe
MehrMonotonie, Konkavität und Extrema
Kapitel 8 Monotonie, Konkavität und Extrema Josef Leydold Auffrischungskurs Mathematik WS 2017/18 8 Monotonie, Konkavität und Extrema 1 / 55 Monotonie Eine Funktion f heißt monoton steigend, falls x 1
MehrKlassische Theoretische Physik I WS 2013/ Komplexe Zahlen ( = 35 Punkte)
Karlsruher Institut für Technologie www.tkm.kit.edu/lehre/ Klassische Theoretische Physik I WS 013/014 Prof. Dr. J. Schmalian Blatt 8 Dr. P. P. Orth Abgabe 0.1.013 1. Komplexe Zahlen (5 + 5 + 5 + 5 + 5
MehrFormelsammlung. Physik. [F] = kg m s 2 = N (Newton) v = ṡ = ds dt. [v] = m/s. a = v = s = d2 s dt 2 [s] = m/s 2. v = a t.
Formelsammlung Physik Mechanik. Kinematik und Kräfte Kinematik Erstes Newtonsches Axiom (Axio/Reaxio) F axio = F reaxio Zweites Newtonsches Axiom Translationsbewegungen Konstante Beschleunigung F = m a
MehrHochschule Düsseldorf University of Applied Sciences. 05. Januar 2017 HSD. Physik. Schwingungen II
Physik Schwingungen II Ort, Geschwindigkeit, Beschleunigung x(t) = cos! 0 t v(t) =ẋ(t) =! 0 sin! 0 t t a(t) =ẍ(t) =! 2 0 cos! 0 t Energie In einem mechanischen System ist die Gesamtenergie immer gleich
MehrMathematische Methoden der Physik I
Karl-Heinz otze Mathematische Methoden der Physik I Nachschrift des Vorlesungs-Manuskripts und A TEX-Satz von Simon Stützer Jena, November 2009 Inhaltsverzeichnis 9 Gewöhnliche Differentialgleichungen
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
MehrGewöhnliche Differentialgleichungen am Beispiel des harmonischen Oszillators
Gewöhnliche Differentialgleichungen am Beispiel des harmonischen Oszillators Horst Laschinsky 12. Oktober 1999 Inhaltsverzeichnis 1 Gewöhnliche lineare homogene Differentialgleichungen 2. Ordnung mit konstanten
Mehr7 Lineare Abbildungen und Skalarprodukt
Mathematik II für inf/swt, Sommersemester 22, Seite 121 7 Lineare Abbildungen und Skalarprodukt 71 Vorbemerkungen Standard Skalarprodukt siehe Kap 21, Skalarprodukt abstrakt siehe Kap 34 Norm u 2 u, u
MehrOptimale Regelung mechatronischer Systeme, Übungen SS 2017 Hausaufgabe
Optimale Regelung mechatronischer Systeme, Übungen SS 17 Hausaufgabe Letztmöglicher Abgabetermin: 1.9.17, per e-mail (als zip-datei) an anton.hofer@tugraz.at 1. Vorgegeben sei das lineare zeitinvariante
MehrAufgabenblatt zum Seminar 09 PHYS70357 Elektrizitätslehre und Magnetismus (Physik, Wirtschaftsphysik, Physik Lehramt, Nebenfach Physik)
Aufgabenblatt zum Seminar 9 PHYS7357 Elektrizitätslehre und Magnetismus Physik, Wirtschaftsphysik, Physik Lehramt, Nebenfach Physik) Othmar Marti, othmar.marti@uni-ulm.de) 7. 6. 9 Aufgaben. Durch eine
MehrKlausur zu Theoretische Physik 2 Klassische Mechanik
Klausur zu Theoretische Physik Klassische Mechanik 30. September 016 Prof. Marc Wagner Goethe-Universität Frankfurt am Main Institut für Theoretische Physik 5 Aufgaben mit insgesamt 5 Punkten. Die Klausur
MehrDynamische Systeme eine Einführung
Dynamische Systeme eine Einführung Seminar für Lehramtstudierende: Mathematische Modelle Wintersemester 2010/11 Dynamische Systeme eine Einführung 1. Existenz und Eindeutigkeit von Lösungen 2. Flüsse,
MehrExkurs: Method of multiple scales (Mehrskalen Methode)
Exkurs: Method of multiple scales (Mehrskalen Methode) dr. karin mora* Im folgenden betrachten wir nichtlineare dynamische Systeme (NDS) mit sogenannten kleinen nichtlinearen Termen. Viele mathematische
MehrInhaltsübersicht für heute:
Inhaltsübersicht für heute: Freie Nichtlineare Optimierung Orakel, lineares/quadratisches Modell Optimalitätsbedingungen Das Newton-Verfahren Line-Search-Verfahren Inhaltsübersicht für heute: Freie Nichtlineare
MehrMathematische Grundlagen für die Vorlesung. Differentialgeometrie
Mathematische Grundlagen für die Vorlesung Differentialgeometrie Dr. Gabriele Link 13.10.2010 In diesem Text sammeln wir die nötigen mathematischen Grundlagen, die wir in der Vorlesung Differentialgeometrie
MehrTechnische Universität Wien Institut für Automatisierungs- und Regelungstechnik. SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am
Technische Universität Wien Institut für Automatisierungs- und Regelungstechnik SCHRIFTLICHE PRÜFUNG zur VU Automatisierung am 3..7 Arbeitszeit: 5 min Name: Vorname(n): Matrikelnummer: Note: Aufgabe 3
MehrMATHEMATISCHE METHODEN DER PHYSIK 1
MATHEMATISCHE METHODEN DER PHYSIK 1 Helmuth Hüffel Fakultät für Physik der Universität Wien Vorlesungsskriptum Sommersemester 2012 Version vom 08-03-2012 Inhaltsverzeichnis 1 Lineare gewöhnliche Differentialgleichungen
MehrMeßbare Funktionen. Die angemessenen Abbildungen zwischen Meßräumen sind die meßbaren Funktionen.
Meßbare Funktionen Die angemessenen Abbildungen zwischen Meßräumen sind die meßbaren Funktionen. Definition. Seien (X, Ω 1 ) und (Y, Ω 2 ) Meßräume. Eine Abbildung f : X Y heißt Ω 1 -Ω 2 -meßbar oder kurz
Mehrf f(x ɛξ) f(x) 0, d.h. f (x)ξ = 0 für alle ξ B 1 (0). Also f (x) = 0. In Koordinaten bedeutet dies gerade, dass in Extremstellen gilt: f(x) = 0.
Mehrdimensionale Dierenzialrechnung 9 Optimierung 9 Optimierung Definition Seien U R n oen, f : U R, x U x heiÿt lokales Maximum, falls eine Umgebung V U von x existiert mit y V : fx fy x heiÿt lokales
Mehr2. Lagrange-Gleichungen
2. Lagrange-Gleichungen Mit dem Prinzip der virtuellen Leistung lassen sich die Bewegungsgleichungen für komplexe Systeme einfach aufstellen. Aus dem Prinzip der virtuellen Leistung lassen sich die Lagrange-Gleichungen
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
Mehr1. Anfangswertprobleme 1. Ordnung
1. Anfangswertprobleme 1. Ordnung 1.1 Grundlagen 1.2 Euler-Vorwärts-Verfahren 1.3 Runge-Kutta-Verfahren 1.4 Stabilität 1.5 Euler-Rückwärts-Verfahren 1.6 Differentialgleichungssysteme Prof. Dr. Wandinger
MehrNewton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme
Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es
Mehr