Untersuchung der Eignung von Reinforcement Learning Algorithmen zur Regelung einer Lüftungsanlage im Vergleich zu Standardreglern

Abstract

In dieser Arbeit wird untersucht, inwiefern sich Reinforcement Learning Algorithmen dazu eignen einen Regler zu trainieren, dessen Aufgabe es ist, eine Lüftungsanlage zu regeln. Der trainierte Regler wird mit Standardreglern verglichen, die über unterschiedliche Verfahren ausgelegt werden. Die Untersuchung der Eignung erfolgt anhand mehrere Aspekte. Es werden das Regelverhalten bei Stör- und Führungsgrößensprüngen sowie der Zeitaufwand und die Zuverlässigkeit der Trainingsergebnisse untersucht.

This thesis examines the extent to which reinforcement learning algorithms are suitable for training a controller with the aim of controlling a ventilation system. The trained controller is compared with standard controllers that are designed using different Automation engineering methods. The suitability is investigated on the basis of several aspects. The control behaviour for setpoint and disturbance jumps, as well as the time required to design and train the controller and the reliability of the training results are examined.