Tot op heden vertrouwt de industrie voornamelijk op klassieke regelstrategieën (zoals PID, feedforward, en regelgebaseerde systemen), die handmatig worden afgesteld door ingenieurs op basis van inzicht en ervaring. Automatische afstelling is mogelijk bij eenvoudige systemen, maar wanneer de dynamica complexer wordt en de variabiliteit van de omstandigheden toeneemt, blijft handmatige afstelling door experts de enige betrouwbare methode. Als alternatief kan modelgebaseerde regeling worden toegepast, maar bij complexe systemen is de modelnauwkeurigheid vaak beperkt vanwege de benodigde inspanning en expertise, wat leidt tot onvoldoende prestaties op echte systemen.

Om deze beperkingen aan te pakken, worden data-gedreven AI-methoden ontwikkeld – zoals Reinforcement Learning (RL) – die rechtstreeks leren uit machinadata. In industriële omgevingen is het echter duur en complex om voldoende data te verzamelen, en het gebruik van adaptieve AI-regelaars tijdens de werking roept nog steeds zorgen op rond robuustheid.

TuPIC wil deze problemen aanpakken. We streven ernaar om data-gedreven AI-methoden te gebruiken, maar:

• deze in te zetten om geparametriseerde regelaars af te stellen, wat validatie vereenvoudigt en de efficiëntie verhoogt qua tijd, data en experimenten;

• enkel tijdens de inbedrijfstellingsfase te tunen, waarna de regelparameters vast blijven, wat veiligheid en stabiliteit garandeert en de validatieprocedure vereenvoudigt;

• de robuustheid en overdraagbaarheid naar andere taken, omstandigheden en systemen te vergroten.

De methoden van TuPIC zullen gevalideerd worden in twee hoofdtoepassingen: de regeling van een vloeistofkoelsysteem en de regeling van een quadruped robot.