Das Projekt DART - Datengetriebene Methoden in der Regelungstechnik entstand im Rahmen der Förderung von KI-Nachwuchswissenschaftlerinnen, wozu es im Jahr 2019 einen Aufruf vom Bundesministerium für Bildung und Forschung gab. Dabei war es das Ziel dieser Förderlinie, die Beteiligung von Frauen in der deutschen Forschung zur künstlichen Intelligenz zu erhöhen und ihnen außerdem akademische Führungspositionen zu ermöglichen.
Das Hauptziel der Forschungsarbeiten der Nachwuchsgruppe war die synergetische Kombination modell- und datengetriebener Verfahren für regelungstechnische Aufgabenstellungen. Dabei sollten die Vorteile und Stärken der jeweiligen Verfahren strukturell beibehalten werden: bei den Verfahren mit physikalischen Modellen deren gute Interpretierbarkeit, tiefere Einsicht in das Systemverhalten und die Wiedergabe kausaler Zusammenhänge; bei den datengetriebenen Verfahren deren Fähigkeit, physikalisch schwer beschreibbare Zusammenhänge auch ohne tiefere spezifische Anwendungskenntnisse abbilden zu können und ihre Erweiterbarkeit durch die Möglichkeit auch während des Betriebs weiter zu lernen. Der Schwerpunkt dieses Vorhabens lag somit auf der Entwicklung von hybriden Methoden, die modellgetriebene Verfahren mit maschinellem Lernen kombinieren, um größtmögliche Performanz beim Regelungsentwurf zu erzielen. Die Ergebnisse der Forschungsarbeiten zeigen nun, dass hybride Methoden viele Vorteile bringen können, wenn technische Systeme nicht vollständig durch klassische physikalische Modelle beschrieben werden können. In allen Stufen des regelungstechnischen Entwurfsprozesses konnten die Forschungsarbeiten zeigen, dass durch die Nutzung von maschinellem Lernen fehlerhafte Modelle verbessert werden konnten und damit auch die Regelung des Systems profitieren konnte.
