Trajektorienoptimierung und Sollwertgenerierung — Optimale Pläne für MPC-Nachführung in Echtzeit

Warum das relevant ist (Zusammenfassung für Entscheider)

• Das Problem: Viele industrielle und energietechnische Systeme operieren unter komplexer nichtlinearer Dynamik mit Dutzenden von Nebenbedingungen. Die vollständige Optimierung online in Echtzeit zu lösen ist für den Produktionsbetrieb entweder zu langsam oder zu riskant.
• Die Lösungsklasse: Eine zweistufige Architektur, bei der ein rechenintensives optimales Steuerproblem (OCP) offline (oder in einem langsameren übergeordneten Regelkreis) gelöst wird, um optimale Trajektorien oder Sollwert-Bibliotheken zu erzeugen, und ein schneller Online-MPC diese Referenzen nachführt und dabei Echtzeit-Störungen handhabt.
• Messbare Ergebnisse: Veröffentlichte Implementierungen berichten von 100 % Konvergenzerfolg bei der Raumfahrzeuglandung über breite Unsicherheitsbereiche, 5–15 % Zykluszeit-Reduktion in der Roboterbewegung, engere Chargenqualitätsspezifikationen und signifikante Energieeinsparungen bei der Gefriertrocknung.
• Warum es für den Betrieb relevant ist: Sie erhalten das Beste aus beiden Welten — die Optimalität einer vollständigen NLP-Lösung und die Robustheit der Echtzeit-MPC-Nachführung — ohne extreme Rechenhard­ware auf dem Anlagenflur zu benötigen.

Das Entwurfsmuster erklärt

Das zweistufige Muster trennt was zu tun ist von wie es in Echtzeit umzusetzen ist:

1. Offline-Trajektorienoptimierung (der Planer): Ein großskaliges nichtlineares Programm (NLP) oder konvexes Programm wird mit Werkzeugen wie CasADi und IPOPT über direkte Kollokation oder mehrfaches Schießen gelöst. Diese Stufe erfasst den „bestmöglichen Plan” für einen gegebenen Betriebszustand unter Einhaltung aller Sicherheits- und Betriebsnebenbedingungen. Das Ergebnis ist eine Trajektorie (zeitvariante Sollwerte) oder eine nach Betriebsbedingung indizierte Bibliothek von Trajektorien.

2. Online-MPC-Nachführung (der Ausführer): Ein schlanker MPC läuft mit der Regelrate der Anlage, führt die Referenztrajektorie nach und handhabt dabei nicht gemessene Störungen, Sensorrauschen und geringfügige Modellabweichungen. Der MPC setzt Echtzeit-Nebenbedingungen durch, die der Planer möglicherweise nicht exakt erfasst hat.

Sollwert-Bibliotheken und Ablaufplanung: Anstatt eine einzelne Trajektorie zu lösen, wird eine Familie optimaler Trajektorien für verschiedene Betriebszustände (Windgeschwindigkeiten, Produktgüten, Chargenrezepte) vorberechnet und als Lookup-Tabelle oder Ablaufplan gespeichert. Dies stellt sicher, dass die Referenz selbst über den gesamten Betriebsbereich realisierbar ist, wobei Sensitivitätsanalysen die Robustheit bestätigen.

NLP, konvexes OCP und lineares MPC-Tracking — drei verschiedene Rechenrollen: Dieses zweistufige Muster umfasst verschiedene Optimierungstypen auf jeder Stufe, und die Unterscheidung ist für Implementierungsaufwand und Zuverlässigkeit von erheblicher Bedeutung. Offline nichtlineare Optimierung (NLP): Anwendungen 1 (Flugwind-Energie-Drachen-Trajektorien), 4 (BASF RECOBA Chargenprozess) und 5 (pharmazeutische Gefriertrocknung, Primärtrocknung) lösen alle großskalige nicht-konvexe Nichtlineare Programme mit CasADi und IPOPT über direkte Kollokation oder mehrfaches Schießen. Diese NLPs können Sekunden bis Minuten pro Lösung benötigen, sind anfällig für lokale Optima und erfordern sorgfältige Initialisierung — erfassen aber die vollständige nichtlineare Physik und erzeugen wirklich optimale Trajektorien über komplexe mehrstündige Betriebshorizonte. Offline konvexe Optimierung (SOCP/LP): Anwendungen 2 (Raumfahrzeug G-FOLD Powered-Descent-Guidance) und 3 (Roboter zeitoptimale Pfadparametrisierung TOPP) nutzen die Erkenntnis, dass Schlüsselnebenbedingungen konvexifiziert werden können — die Schub-Betrag-Nichtkonvexität wird in G-FOLD verlustlos relaxiert, und TOPP wird als konvexes Kegelschnittprogramm zweiter Ordnung reformuliert. Konvexe Offline-Solver garantieren globale Optimalität und konvergieren in 1–5 Sekunden, was die Zuverlässigkeit gegenüber NLP-basierten Alternativen dramatisch verbessert. Online lineares MPC-Tracking: Sobald die optimale Offline-Trajektorie berechnet ist, ist der Echtzeit-Ausführer typischerweise ein schneller linearer Tracking-MPC — die Nominaltrajektorie ist fest, Störungen sind klein, und ein linearisiertes Modell entlang der Trajektorie genügt. Dies ergibt an jedem Regelschritt ein konvexes QP: global optimal, deterministisch in der Lösungszeit, einbettungsfähig. Die praktische Konsequenz: Der Offline-Planer absorbiert den Rechenaufwand von Nichtlinearität und Nebenbedingungskomplexität; der Online-Tracker bleibt einfach, robust und prüfbar.

Anwendungen & Referenzimplementierungen

Anwendung 1: Flugwindenergie — 3D-Trajektorienoptimierung für Pumpenzyklusdrachensystem (SkySails PN-14)

Für das PN-14-Flugwindenergiesystem wurde eine dreidimensionale Optimalsteuerungsformulierung in Python mit CasADi und IPOPT implementiert, um Leistungszyklustrajekorien für variabel getrimm­te Drachen mit einer Nennleistung bis 200 kW und Drachenflächen von 90–180 m² zu berechnen. Die Optimierung berücksichtigt geometrische/Luftraumrestriktionen, Regelkreis-Leistungsgrenzen sowie aerodynamische/mechanische/elektrische Grenzen, mit windgeschwindigkeitsabhängiger Initialisierung zur Vermeidung schlechter lokaler Optima. Optimale Trajektorien unterscheiden sich wesentlich zwischen niedrigen und hohen Windgeschwindigkeiten; die Ergebnisse wurden direkt als zeitvariante Sollwerte für die übergeordnete Regelung sowie für Leistungsprojektionen zur Komponentenauslegung verwendet. Die schnelle, robuste Konvergenz über den gesamten Betriebsbereich demonstriert industrietaugliche Trajektorienoptimierung. Dr. Noga ist Erstautor dieser Arbeit. ¹

Anwendung 2: Raumfahrzeug-Powered-Descent-Guidance — Konvexes OCP an Bord in Sekunden gelöst

JPL/Caltech-Forscher entwickelten den G-FOLD-Algorithmus (Guidance for Fuel-Optimal Large Diverts) für die planetare und terrestrische Raketenlandung, indem sie das nicht-konvexe Powered-Descent-Optimalsteuerungsproblem durch verlustlose Konvexifizierung in ein Kegelschnittprogramm zweiter Ordnung umwandelten. Die zentrale Erkenntnis: Die Ungleichungsnebenbedingung für den Schub-Betrag (eine nicht-konvexe Menge) kann ohne Optimalitätsverlust relaxiert werden, was ein konvexes Problem ergibt, das auf Flughardware in 1–5 Sekunden zur globalen Optimalität gelöst werden kann. Das resultierende zeitvariante Schub-Betrag- und Richtungsprofil dient als Sollwerttrajektorie für das bordeigene geschlossene Führungs- und Steuerungssystem. Monte-Carlo-Tests über breite Anfangszustandsunsicherheitsbereiche demonstrierten 100 % Konvergenzerfolg. Der Ansatz beeinflusste die retropropyulsive Landungsführung für kommerzielle Trägerraketen-Bergungsprogramme. Dies ist das Offline-OCP + Online-Tracking-Muster in seiner extremen Form: das schwierige Problem schnell lösen, dann robust ausführen. ²

Anwendung 3: Zeitoptimale Roboterpfadverfolgung — Offline konvexes OCP + Servo-Tracking (TOPP)

Ein klassisches Muster in der industriellen Roboterprogrammierung trennt die Bewegungsplanung in zwei Stufen: (1) Offline-Berechnung des zeitoptimalen Geschwindigkeitsprofils entlang eines gegebenen geometrischen Pfades und (2) Online-Servo-Nachführung dieses Profils. Verscheure et al. (2009) zeigten, dass die zeitoptimale Pfadparametrisierung (TOPP) als konvexes Kegelschnittprogramm zweiter Ordnung formuliert werden kann, was eine global optimale Lösung liefert, die alle Gelenkdrehmoment-, Geschwindigkeits- und Beschleunigungsgrenzen einhält. Die Offline-Lösung liefert den zeitminimalen Bewegungsplan; der Online-Servo-Regler führt ihn dann in jedem Regelschritt nach. Dieser zweistufige Ansatz wurde in industriellen Roboterprogrammierwerkzeugen und in der Open-Source-Bibliothek TOPP-RA (Pham & Pham, 2018) übernommen, was zeitoptimale Bewegung zur Standardpraxis für 6-DOF-Manipulatoren macht. Veröffentlichte Ergebnisse zeigen 5–15 % Zykluszeit-Reduktion im Vergleich zu konservativen ruckbegrenzten Trajektorien, was den Durchsatz in Montage, Schweißen und Palettieren direkt verbessert. ³

Anwendung 4: Chemischer Chargenprozess — Offline-Rezept + Online-Tracking-MPC (BASF RECOBA)

Das EU-geförderte RECOBA-Projekt (6 Millionen EUR, 3-Jahres-Laufzeit), koordiniert von BASF, implementierte das Offline-OCP + Online-Tracking-Muster für komplexe Chargenprozesse einschließlich Emulsionscopolymerisation, Stahl- und Siliziumproduktion. In der Offline-Phase berechnet ein großskaliges NLP optimale Prozessrezepte — Temperaturprofile, Zuführraten-Trajektorien, Katalysator-Zugabe-Zeitpläne — für jede Produktgüte, wobei Qualitätsziele gegen Energieeinsatz und Zykluszeit abgewogen werden. In der Online-Phase führt ein schneller Tracking-MPC das Rezept in Echtzeit aus und korrigiert dabei Störungen (Rohstoffvariabilität, Wärmeübertragungs­änderungen), während der Prozess innerhalb der Spezifikationsgrenzen auf der optimalen Trajektorie gehalten wird. Diese Architektur ist der industrielle Goldstandard für die Chargen-Prozessoptimierung: Die aufwändige Offline-Berechnung handhabt die Problemkomplexität, während der Online-MPC die Unsicherheit handhabt. ⁴

Anwendung 5: Pharmazeutische Gefriertrocknung — Offline Design-Space-Optimierung + Eingeschränktes Prozess-Tracking

Gefriertrocknung (Lyophilisierung) injizierbarer Biologika ist ein kritischer pharmazeutischer Herstellungsschritt, bei dem die Produktqualität vom gesamten Primärtrocknungstemperaturprofil abhängt. Forscher am Politecnico di Torino entwickelten einen Design-Space-Ansatz mittels Offline-Optimalsteuerung: Für jede Produktformulierung berechnet ein NLP die optimale Stelltemperatur-Trajektorie, die die Primärtrocknungszeit minimiert und dabei die Produkttemperatur unterhalb der Kollapstemperaturschwelle hält. Die Offline-Lösung definiert einen Design Space — einen validierten Bereich realisierbarer Betriebsbedingungen —, der anschließend online von einem Echtzeit-Prozessregelungssystem mit Temperatur- und Druckmessungen als Rückkopplung nachgeführt wird. Veröffentlichte Ergebnisse demonstrieren Zykluszeit-Reduktionen von 10–30 % im Vergleich zu konservativen festen Rampenprotokollen bei gleichzeitig über alle validierten Chargen aufrechterhaltener Produktqualität. Das Muster ist direkt auf jeden pharmazeutischen oder Lebens­mittel-Chargenprozess übertragbar, bei dem Offline-Quality-by-Design-Optimierung den Betriebsbereich definiert und Online-MPC ihn in Echtzeit durchsetzt. ⁵

Was das für Ihren Betrieb bedeutet

Das zweistufige Muster ist direkt auf jeden DACH-Betrieb übertragbar, bei dem:

• Chargenprozesse Rezepten folgen, die pro Güte/Produkt optimiert und in Echtzeit nachgeführt werden könnten (Chemie, Pharma, Lebensmittel, Spezialmaterialien).
• Energiesysteme zustandsabhängige Betriebsstrategien benötigen (Windturbinen, Kraft-Wärme-Kopplung, Energiespeicher-Ablaufplanung).
• Robotische oder mechatronische Systeme komplexe Trajektorien erfordern, die Arbeitsraum-, Aktor- und Sicherheitsnebenbedingungen einhalten.

Häufige Voraussetzungen:

• Ein dynamisches Modell (auch vereinfacht), das die dominante Physik erfasst.
• Definierte Nebenbedingungsmengen (Sicherheit, Qualität, Aktorlimits).
• Ausreichend Betriebsdaten zur Kalibrierung von Modellparametern und Validierung von Margen.
• Ein Integrationspfad vom Optimierungsausgang zur Echtzeit-Regelungsschicht.

Wie wir liefern (Engagement-Modell)

• Phase 0: NDA + Datenanfrage — Erfassung von Prozessmodellen, Nebenbedingungsdefinitionen, historischen Chargen-/Betriebsdaten und aktueller Regelungsarchitektur-Dokumentation.
• Phase 1: Discovery mit festem Umfang (Konzept + Machbarkeit) — Abbildung des Problems auf die zweistufige Architektur. Definition der OCP-Formulierung, Auswahl der Solver-Werkzeuge (CasADi/IPOPT oder Alternativen) und Identifikation der Online-MPC-Tracking-Anforderungen. Lieferung eines Konzeptdokuments mit Architektur, erwarteten Vorteilen und Validierungsplan.
• Phase 2: Implementierung + Validierung + Inbetriebnahme — Aufbau des Trajektorienoptimierers und des Online-Tracking-MPC. Berechnung von Sollwert-Bibliotheken über den Betriebsbereich. Validierung anhand historischer Daten und Inbetriebnahme-Szenarien. Deployment mit Monitoring und sicherem Fallback.
• Phase 3: Monitoring + Schulung + Skalierung — Überwachung von Trajektorienmachbarkeit, Tracking-Fehler und Nebenbedingungsaktivität in der Produktion. Schulung von Bedienern in Sollwert-Ablaufplanung und Eingreifverfahren. Ausweitung auf weitere Produktgüten, Betriebsbedingungen oder Schwesteranlagen.

Typische KPIs zur Verfolgung

• Trajektorien-Tracking-Fehler (Abweichung von der optimalen Referenz)
• Chargenqualitätskonsistenz (Cpk, Spezifikations-Compliance-Rate)
• Energieausbeute oder Effizienzgewinn gegenüber Festplan-Ausgangslage
• Zykluszeit-Reduktion gegenüber konservativem Nominalprofil
• Häufigkeit von Nebenbedingungs­verletzungen und Margenausnutzung
• Solver-Konvergenzzuverlässigkeit und Rechenzeit
• Bedienereingriffs­rate und manuelle Override-Häufigkeit

Risiken & Voraussetzungen

• Modellqualität bestimmt Trajektorienqualität: Wenn die Offline-Optimierung ein ungenaues Modell verwendet, kann die „optimale” Trajektorie in der Praxis nicht realisierbar oder suboptimal sein. Validierung mit Daten ist essenziell.
• Lokale Optima im NLP: Nichtlineare Trajektorienoptimierung kann zu lokalen Optima konvergieren. Initialisierungsstrategien, Homotopie-Methoden und Multi-Start-Ansätze mindern dieses Risiko.
• Online-Tracking muss robust sein: Die MPC-Tracking-Schicht muss Störungen handhaben, die der Offline-Planer nicht antizipiert hat. Ausreichende Nebenbedingungs­margen und Störungsausregelungsfähigkeit sind essenziell.
• Integrationskomplexität: Die Verbindung einer Offline-Optimierungspipeline mit einem Echtzeit-Regelungssystem erfordert sorgfältiges Engineering von Datenfluss, Timing und Fallback-Verhalten.

FAQ

Warum nicht alles online in einem MPC lösen? Bei vielen industriellen Problemen ist die vollständige nichtlineare Optimierung zu rechenintensiv, um mit der erforderlichen Regelrate ausgeführt zu werden. Der zweistufige Ansatz erlaubt es, offline ein detailliertes, hochauflösendes Modell und online ein einfacheres, schnelleres Modell zu verwenden — den besten Plan zu erfassen und ihn robust auszuführen.

Wie oft muss ich Trajektorien neu berechnen? Das hängt davon ab, wie stark sich Ihre Betriebsbedingungen ändern. Manche Systeme verwenden eine vorberechnete Bibliothek, die durch wenige Schlüsselparameter indiziert ist (Windgeschwindigkeit, Produktgüte). Andere berechnen Trajektorien in einem langsameren übergeordneten Regelkreis (Minuten bis Stunden) neu, wenn sich Bedingungen entwickeln.

Kann ich dieses Muster mit meinem bestehenden DCS/PLC verwenden? Ja. Der Trajektorienoptimierer läuft auf einer Ingenieurs­workstation oder einem Server. Sein Ausgang — zeitvariante Sollwerte — wird an das bestehende Regelungssystem übergeben, das sie mit seinen Standard-MPC- oder PID-Regelkreisen nachführt. Dies minimiert Änderungen an der sicherheitskritischen Echtzeit-Schicht.

Welche Werkzeuge werden für die Trajektorienoptimierung verwendet? CasADi (Open-Source-Modellierung und automatische Differenzierung) mit IPOPT (Open-Source-Großskaliger-NLP-Solver) ist eine bewährte, weit verbreitete Kombination. Für konvexe Probleme (wie TOPP oder Raumfahrzeuglandung) lösen ECOS oder MOSEK in Millisekunden bis Sekunden. Kommerzielle Alternativen existieren, aber der Open-Source-Stack ist robust und gut dokumentiert.

30-minütigen Discovery-Call buchen

Bereit zu erkunden, ob dieses Muster zu Ihrem System passt?

Dr. Rafal Noga — Unabhängiger APC/MPC-Berater

📧 E-Mail · 🌐 noga.es

Fester Projektumfang · NDA zuerst · DACH-Vor-Ort-Einsätze möglich

Öffentliche Referenzen

Footnotes

1. “Optimization of 3-D Flight Trajectory of Variable Trim Kites for Airborne Wind Energy Production” (arXiv:2403.00382, 2024). https://arxiv.org/abs/2403.00382 ↩

2. Blackmore, “Autonomous Precision Landing of Space Rockets” (The Bridge, National Academy of Engineering, 2016). See also: Acikmese & Ploen, “Convex Programming Approach to Powered Descent Guidance” (Journal of Guidance, Control, and Dynamics, 2007). ↩

3. Verscheure et al., “Time-Optimal Path Tracking for Robots: A Convex Optimization Approach” (IEEE Transactions on Automatic Control, 2009). https://doi.org/10.1109/TAC.2009.2016711. See also: Pham & Pham, “A New Approach to Time-Optimal Path Parameterization Based on Reachability Analysis” (IEEE T-RO, 2018). ↩

4. BASF News Release, “BASF Cooperates with Partners to Introduce Online Control of Complex Batch Processes” (RECOBA, 2015). https://www.basf.com/global/en/media/news-releases/2015/03/p-15-172 ↩

5. Fissore et al., “Advanced Approach to Build the Design Space for the Primary Drying of a Pharmaceutical Freeze-Drying Process” (Journal of Pharmaceutical Sciences, 2011). https://doi.org/10.1002/jps.22264 ↩

📅 Bei Calendly buchen