Adaptive Steuerungssysteme sind zu einem Eckpfeiler des modernen Engineerings geworden, sodass Maschinen, Prozesse und autonome Systeme trotz unvorhersehbarer Störungen, Parameterschwankungen oder sich ändernder Umweltbedingungen Spitzenleistungen aufrechterhalten können. Diese Systeme überwachen kontinuierlich ihr eigenes Verhalten und den Zustand der Außenwelt, passen dann ihre Steuerungsgesetze in Echtzeit an Leistungsziele wie Stabilität, Genauigkeit oder Energieeffizienz an. Die Entwicklung eines adaptiven Reglers ist jedoch von Natur aus eine Herausforderung, da es ein tiefes Verständnis dafür erfordert, wie die Funktionen des Systems interagieren, wo Unsicherheiten liegen und welche Parameter sicher angepasst werden können. Hier entsteht die funktionale Modellierung als leistungsstarke Methodik. Durch die Konzentration auf , was ein System tut und nicht , wie es physisch aufgebaut ist, bietet die funktionale Modellierung Ingenieuren eine klare, abstrakte Darstellung des Verhaltens des Systems, Datenflüsse und Steuerungsabhängigkeiten. Dieser Artikel untersucht, wie funktionale Modellierung systematisch angewendet werden kann, um robuste adaptive Steuerungssysteme zu entwickeln, Kernprinzipien, Implementierungsschritte, reale Fallstudien und zukünftige Trends in der technischen Praxis.

Funktionale Modellierung im Engineering verstehen

Funktionelle Modellierung ist eine Systemtechnik, die ein System in Bezug auf seine beabsichtigten Funktionen, die Daten- oder Energieflüsse zwischen ihnen und die logische Abfolge von Operationen darstellt, ohne sich in physikalischen Komponenten, Materialien oder geometrischen Dimensionen zu verzetteln. Ausgehend von den Disziplinen Systemtechnik und Value Engineering wurde die funktionale Modellierung in Methoden wie dem Functional Basis Modell (im Produktdesign verwendet) und IDEF0 (Integrationsdefinition für Funktionsmodellierung) formalisiert.

Grundprinzipien der funktionalen Modellierung

Im Kern hält sich die funktionale Modellierung an mehrere Prinzipien, die sie besonders für die Entwicklung adaptiver Steuerungssysteme geeignet machen. Erstens ermöglicht die Funktionsabstraktion dem Ingenieur, eine Steuerungsfunktion zu definieren – wie z. B. „Geschwindigkeit regulieren“ oder „Störung kompensieren“ – ohne anzugeben, ob sie durch eine PID-Schleife, ein neuronales Netzwerk oder einen mechanischen Regler implementiert wird. Diese Abstraktion ermöglicht die Erforschung mehrerer Steuerungsstrategien auf hoher Ebene, bevor sie sich auf eine bestimmte Technologie festlegen. Zweitens bricht die funktionale Zerlegung ein komplexes Gesamtsteuerungsziel in eine Hierarchie von Teilfunktionen mit jeweils gut definierten Ein- und Ausgängen. Zum Beispiel kann die Funktion „Kühlmitteltemperatur halten“ in „Sensortemperatur“, „Rechenfehler“ und „Befehlsventilposition“ zerlegt werden. Schließlich erfasst die Strömungsdarstellung die Bewegung von Materialien, Energie oder Signalen zwischen Funktionen, was für die Identifizierung von entscheidender Bedeutung ist, wo Anpassungslogik eingefügt werden muss.

Vergleich mit Physical Modeling

Herkömmliche technische Ansätze beruhen oft auf physikalischer Modellierung – dem Aufbau detaillierter Gleichungen von Masse, Energie und Impulsgleichgewichten. Während physikalische Modelle für die Vorhersage von Verhalten unerlässlich sind, können sie für adaptive Systeme unerschwinglich komplex werden, insbesondere wenn sich Parameter ändern oder wenn das System Nichtlinearitäten, Zeitverzögerungen oder unbekannte Störungen enthält. Funktionelle Modellierung ergänzt die physikalische Modellierung durch eine übergeordnete Ansicht, die auf die Orte verweist, an denen eine Anpassung erforderlich ist. Zum Beispiel könnte ein physikalisches Modell 50 Parameter enthalten, die einer Drift unterliegen, aber ein funktionales Modell würde nur die kritischen Steuerungsfunktionen hervorheben, die eine Echtzeit-Abstimmung erfordern. Diese Verringerung der Komplexität ist ein Hauptgrund, warum adaptive Steuerungsingenieure sich in der frühen Entwurfsphase der funktionalen Modellierung zuwenden. Externe Ressourcen wie das FLT:0-Functional Basis Framework bieten formale Taxonomien, die an Steuerungssystemanwendungen angepasst werden können.

Vorteile der Verwendung von funktionaler Modellierung für adaptive Steuerungssysteme

Die Anwendung der funktionalen Modellierung auf die adaptive Steuerung bringt messbare Vorteile mit sich, die den gesamten Systemlebenszyklus von der Konzeptentwicklung über die Bereitstellung bis hin zur Wartung umfassen. Während im ursprünglichen Artikel Klarheit, Flexibilität, Effizienz und Robustheit aufgeführt wurden, verdienen diese Vorteile eine tiefere Erforschung mit konkreten technischen Beispielen.

Klarheit: Vereinfachung komplexer Steuerungsarchitekturen

Adaptive Steuerungssysteme beinhalten oft mehrere Schleifen, Modusschaltlogik und Lernalgorithmen, die über multidisziplinäre Teams hinweg schwer zu kommunizieren sein können. Funktionelle Modelle bieten eine klare, grafische Sprache, die zwischen -Funktionen (z. B. Wärmeübertragung, Bewegung) und -Steuerfunktionen unterscheidet (z. B. Fehlererkennung, Verstärkungsanpassung). Durch das Zeichnen funktionaler Blockdiagramme während der Anforderungsphase können Ingenieure redundante oder widersprüchliche Steuerungsziele frühzeitig erkennen. Beispielsweise zeigt ein Funktionsmodell in einem Roboterarm mit adaptiver Compliance, dass “Greifkraftregelung” und “Positionsverfolgung” die gleichen Sensordaten teilen, was eine koordinierte adaptive Strategie erfordern kann und nicht zwei unabhängige Controller. Diese Klarheit reduziert die Mehrdeutigkeit und richtet das Entwicklungsteam auf ein gemeinsames Verständnis des Systemverhaltens aus.

Flexibilität: Ermöglichung des iterativen Designs von Kontrollalgorithmen

Da funktionale Modelle technologieunabhängig sind, ermöglichen sie Ingenieuren, mit verschiedenen Anpassungsmechanismen zu experimentieren – Gain Scheduling, Modell-Referenz-Adaptive Control (MRAC), selbsttuning Regulatoren oder Reinforcement Learning – ohne die grundlegende Funktionsstruktur zu verändern. Das Modell dient als stabiler Entwurf; Ingenieure können die Implementierung der Funktion „Rechensteuersignal austauschen, während die Zersetzung und die Datenflüsse unverändert bleiben. Diese Flexibilität ist in Forschungs- und Entwicklungsumgebungen von unschätzbarem Wert, in denen der optimale Anpassungsalgorithmus möglicherweise nicht von Anfang an bekannt ist. Zum Beispiel kann ein Luft- und Raumfahrtteam, das ein adaptives Flugsteuerungssystem entwickelt, Funktionen wie „aerodynamische Koeffizienten abschätzen und „Steuerflächenauslenkung anpassen und dann mehrere Anpassungsgesetze innerhalb desselben funktionalen Rahmens testen.

Effizienz: Beschleunigung der Entwicklung durch frühzeitige Validierung

Eine der zeitaufwendigsten Aspekte beim Entwurf adaptiver Steuerungssysteme ist die Überprüfung, dass die Anpassungslogik das System unter extremen Bedingungen nicht destabilisiert. Funktionelle Modellierung ermöglicht eine frühzeitige Simulation und Validierung, bevor Hardware oder Low-Level-Code geschrieben wird. Durch die Simulation des Funktionsmodells mit virtuellen Testfällen – wie plötzlichen Lastwechseln, Sensorausfällen oder unbekannten Parameterdrifts – können Ingenieure Funktionslücken (z. B. fehlende Notabschaltungsfunktion) erkennen und die Steuerungsarchitektur in Tagen statt Wochen wiederholen. Dieser Ansatz verkürzt die Entwicklungszeit dramatisch, insbesondere in Kombination mit modellbasierten Design-Tools, die automatisch Echtzeit-Code aus validierten Funktionsmodellen generieren.

Robustheit: Aufbau von Resilienz durch funktionale Abhängigkeiten

Ein robustes adaptives Steuerungssystem muss Fehler in Sensoren, Aktoren oder Kommunikationsverbindungen anmutig handhaben. Funktionelle Modellierung macht Abhängigkeiten deutlich, indem sie zeigt, welche Steuerungsfunktionen von welchen Datenflüssen abhängen. Ingenieure können dann redundanz oder graceful degradation direkt in das Funktionsmodell einbringen. Wenn die Funktion "Schätzgeschwindigkeit" sowohl von einem Encoder als auch von einem Tachometer abhängt, kann das Modell eine Teilfunktion "Sensordaten verschmelzen" enthalten. Wenn ein Sensor ausfällt, kann der Anpassungsalgorithmus noch funktionieren - wenn auch mit reduzierter Leistung - weil das Funktionsmodell bereits alternative Datenpfade definiert. Diese eingebaute Sichtbarkeit von Abhängigkeiten ist mit codezentrischen oder rein schematischen Ansätzen viel schwieriger zu erreichen. Detaillierte Anleitungen zur funktionalen Modellierung für die Systemsicherheit finden Sie in INCOSE Ressourcen für Systemtechnik.

Implementierung funktionaler Modellierung in der Steuerungssystementwicklung

Die Umsetzung der Theorie der funktionellen Modellierung in einen praktischen Prozess der Entwicklung adaptiver Steuerung erfordert eine strukturierte Methodik. Die im Originalartikel beschriebenen Schritte — Systemanalyse, funktionelle Zerlegung, Modellkonstruktion, Simulation und Test und Implementierung — verdienen jeweils eine sorgfältige Erweiterung. Im Folgenden untersuchen wir jede Phase mit spezifischen Techniken und Überlegungen für adaptive Systeme.

Systemanalyse: Definition des adaptiven Steuerungsproblems

Der erste Schritt besteht darin, Anforderungen und Einschränkungen für das adaptive Regelsystem zu erfassen. Ingenieure müssen die primären gesteuerten Variablen (z. B. Temperatur, Position, Druck), die manipulierten Variablen (z. B. Ventilöffnung, Motormoment) und die Störquellen (z. B. Schwankungen der Umgebungstemperatur, Verschleiß, Lastschwankungen) identifizieren. In einem adaptiven Kontext muss die Analyse auch genau bestimmen, welche Parameter sich im Laufe der Zeit wahrscheinlich ändern werden – wie Reibungskoeffizienten, Wärmeübertragungskoeffizienten oder Systemträgheit –, da diese den Anpassungsbedarf begründen. Funktionelle Analysewerkzeuge wie die IDEF0-Methode können verwendet werden, um das Regelsystem als eine Hierarchie von Aktivitäten darzustellen, die jeweils mit Input-Output-Beziehungen versehen sind. Das Ergebnis ist eine Problemdefinition, die nicht nur den typischen Betriebsbereich des Systems, sondern auch die erwarteten Unsicherheiten umfasst, die der adaptive Regler bewältigen muss.

Funktionale Zersetzung: Abbau adaptiver Kontrollfunktionen

Sobald die Systemebene verstanden ist, besteht die nächste Aufgabe darin, das Gesamtsteuerungsziel in einen Funktionsbaum zu zerlegen.

  • Schätzung – Funktionen, die Systemzustände und Parameter messen oder daraus schließen (z. B. „Schätzung des Reibungskoeffizienten“ oder „Ermittlung des Prozessgewinns“).
  • Anpassungsentscheidung – Funktionen, die bestimmen, wie Steuerparameter oder -struktur auf der Grundlage von Schätzergebnissen geändert werden sollen (z. B. „Update-Controller-Verstärkungen“ oder „Schalter-Steuermodus“).
  • Control execution – Funktionen, die das Ansteuersignal unter Verwendung der angepassten Parameter berechnen und anwenden (z. B. “Compute PID Output” oder “Generate PWM Duty Cycle”).

Jede dieser Funktionen kann weiter in primitive Funktionen zerlegt werden, beispielsweise kann "Schätzreibungskoeffizient" in "Drehmoment- und Geschwindigkeitsdaten erfassen", "rekursive kleinste Quadrate anwenden" und "Schätzung gegen Grenzen validieren" unterteilt werden. Die Zerlegung sollte nicht tiefer gehen als in diesem Stadium notwendig; eine gute Faustregel ist, zu stoppen, wenn jede Funktion einem einzigen Rechen- oder physikalischen Element (Sensor, Algorithmus, Aktor) zugewiesen werden kann.

Modellbau: Erstellen eines Funktionsdiagramms

Mit der definierten Funktionshierarchie konstruieren Ingenieure eine visuelle Darstellung unter Verwendung von Standardnotationen. Blockdiagramme sind die häufigste Wahl, wobei jeder Block eine Funktion darstellt und Pfeile Flüsse von Signalen, Energie oder Material darstellen. Für adaptive Steuerungssysteme ist es wichtig, den Fluss von Parameteraktualisierungen klar darzustellen - die Ausgabe der Anpassungsentscheidungsfunktion muss als modifizierter Parametersatz in den Steuerungsausführungsblock fließen. Zusätzliche Notationen wie Flussdiagramme oder Unified Modeling Language (UML) Aktivitätsdiagramme können verwendet werden, um bedingte Logik in modenschaltenden adaptiven Steuerungen darzustellen. Das Funktionsmodell sollte mit Schlüsselindikatoren (z. B. akzeptable Einregelzeit, Überschreitungsgrenzen) und Unsicherheitsbereichen für jeden Fluss versehen werden. Tools wie MATLAB / Simulink, SysML oder dedizierte funktionale Modellierungssoftware können verwendet werden, um diese Diagramme zu erstellen und zu pflegen.

Simulation und Test: Validierung adaptiven Verhaltens

Bei der Simulation des Funktionsmodells werden die Konzepte getestet, bevor ein Code geschrieben wird. Ingenieure sollten einen digitalen Zwilling bauen, der das Funktionsmodell widerspiegelt, typischerweise unter Verwendung einer Multi-Domänen-Simulationsumgebung. Die Simulation muss realistische Modelle von Störungen und Parameterschwankungen enthalten. Zum Beispiel sollte die Simulation die Umgebungstemperatur anheben, die thermische Masse des Prozesses verändern (simulieren unterschiedlicher Produktchargen) und Temperaturwerte injizieren. Das Funktionsmodell wird dann unter diesen Bedingungen ausgewertet, um zu sehen, ob die Anpassungslogik den Sollwert innerhalb der Toleranz hält. Die wichtigsten Messgrößen zur Überwachung umfassen die Konvergenzgeschwindigkeit der Anpassung, Stabilitätsränder und Reaktion auf extreme Störungen. Wenn die Simulation einen Fehler zeigt, beispielsweise der Anpassungsalgorithmus treibt den Regler in Schwingung, kann das Funktionsmodell durch Hinzufügen einer Funktion zur "Sättigungserkennung" oder durch Änderung des Anpassungsgesetzes überarbeitet werden. Diese iterative Schleife zwischen Simulation und Modellierung ist viel billiger und sicherer als das Testen auf physischer Hardware.

Implementierung: Vom Funktionsmodell zum Echtzeit-Code

Die letzte Phase übersetzt das validierte Funktionsmodell in ausführbare Steuerungsalgorithmen auf der Zielplattform. Moderne modellbasierte Design-Workflows ermöglichen es Ingenieuren, automatisch Produktions-C/C++-Code aus funktionalen Blockdiagrammen zu generieren, wobei die Struktur des Funktionsmodells erhalten bleibt. Diese automatische Generierung reduziert manuelle Codierfehler und stellt sicher, dass das implementierte Steuerungsgesetz genau dem simulierten Verhalten entspricht. Während der Implementierung müssen zusätzliche Überlegungen wie Abtastraten, Rechenverzögerungen und Speicherbeschränkungen angegangen werden. Das Funktionsmodell muss möglicherweise verfeinert werden, um nicht-ideale Effekte wie die Quantisierung bei der Analog-Digital-Wandlung zu berücksichtigen. Dennoch bietet die funktionale Zerlegung eine natürliche Modularität, die das Testen jeder Softwarekomponente in Isolation vereinfacht.

Case Study: Adaptive Temperaturregelung in der Fertigung

Der ursprüngliche Artikel erwähnte einen Herstellungsprozess, der eine präzise Temperaturkontrolle erfordert, und erweitert diesen in einer detaillierten Fallstudie, die jedes der oben beschriebenen Prinzipien und Schritte demonstriert.

Prozessbeschreibung und Herausforderungen

Ein chemischer Reaktor arbeitet bei 180°C ±1°C, um die Produktqualität zu gewährleisten. Der Reaktor wird durch elektrische Widerstandselemente beheizt und seine Temperatur wird durch ein Thermoelement gemessen. Im Laufe der Zeit verschlechtert sich die Wärmeleitfähigkeit der Reaktorwände durch Verschmutzung und die Heizelemente verlieren an Effizienz. Darüber hinaus kann die Umgebungstemperatur über Jahreszeiten hinweg um 20°C variieren. Ein PID-Regler mit fester Verstärkung hat ursprünglich den Sollwert beibehalten, aber mit zunehmender Verschmutzung zeigte das System ein Überschwingen und ein langsames Ansprechen, was zu Off-Spezifikationschargen führte. Ein adaptives Steuerungssystem ist erforderlich, um die PID-Verstärkungen automatisch anzupassen oder die Steuerungsstrategie, um diese Änderungen auszugleichen.

Funktionsmodell für den adaptiven Temperaturregler

Mithilfe der funktionalen Modellierung zerlegten die Ingenieure zunächst die Gesamtfunktion „Temperatur beibehalten in Teilfunktionen:

  • Erfassen Sie Temperatursignal – Probe Thermoelementspannung, Filterrauschen, konvertieren in Engineering-Einheiten.
  • Estimate process dynamics – verwenden Sie einen Online-Rekursiv-Schätzalgorithmus, um den aktuellen Prozessgewinn und die Zeitkonstante aus Input-Output-Daten zu berechnen.
  • Berechnen Sie adaptives Steuergesetz - basierend auf geschätzter Dynamik, bestimmen Sie die entsprechenden PID-Verstärkungen (oder wechseln Sie zu einem prädiktiven Steuergesetz) und berechnen Sie den Heizungsleistungsbefehl.
  • Aktualisieren – Sendet einen Leistungsbefehl an die Thyristoreinheit, die die Heizelemente antreibt.
  • Sicherheitsgrenzwerte überwachen – wenn die Temperatur 200°C übersteigt oder die Heizleistung den Nennwert übersteigt, lösen Sie eine Abschaltfunktion aus.

Das Funktionsblockschaltbild zeigte deutlich, dass die Funktion "Schätzprozessdynamik" die Funktion "Rechenadaptives Regelgesetz" mit Parameteraktualisierungen speist, das Modell beinhaltete auch eine Funktion "Störung erkennen", die über einen zusätzlichen Sensor Umgebungstemperaturänderungen überwacht und eine Vorwärtskompensation ermöglicht.

Simulation und Ergebnisse

Simulationen wurden mit dem in einer Simulationsumgebung implementierten Funktionsmodell durchgeführt. Es wurde angenommen, dass sich die Prozessdynamik langsam ändert (zeitkonstante Verdopplung über 6 Monate). Nach dem adaptiven Schema hielt der Regler nach einer anfänglichen Abstimmzeit von wenigen Stunden nach einer großen Änderung den Sollwert innerhalb von ±0,5 °C. Im Gegensatz dazu driftete der feste PID-Regler im gleichen Zeitraum auf ±3 °C. Die Simulation bestätigte auch, dass die Sicherheitsabschaltungsfunktion beim simulierten Thermoelementausfall korrekt ausgelöst wurde. Auf der Grundlage dieser Ergebnisse wurde das Funktionsmodell zur Codegenerierung für eine kommerzielle SPS-Plattform verwendet.

Deployment und Lessons Learned

Nach dem Einsatz erreichte der adaptive Temperaturregler eine 40%ige Reduktion der Off-Spezifikationschargen und eine 15%ige Reduktion des Energieverbrauchs. Die Ingenieure stellten fest, dass das Funktionsmodell es einfach machte, eine Filterfunktion hinzuzufügen, wenn hochfrequentes elektrisches Rauschen im Werk entdeckt wurde. Die Modularität ermöglichte es ihnen, einen Medianfilterblock in die Funktion "Temperatursignal erfassen" einzufügen, ohne die Anpassungslogik zu beeinträchtigen. Diese Fallstudie unterstreicht, wie die funktionale Modellierung einen belastbaren Rahmen für die adaptive Steuerung in realen industriellen Umgebungen bietet. Ein ähnlicher Ansatz wurde in der Literatur dokumentiert; Referenz siehe dieses Papier über die adaptive Steuerung für thermische Prozesse.

Zusätzliche Anwendungen der funktionalen Modellierung in der adaptiven Steuerung

Neben der Temperaturkontrolle ist die funktionale Modellierung in verschiedenen anderen technischen Bereichen von Nutzen, in denen die adaptive Steuerung von entscheidender Bedeutung ist.

Robotik: Adaptive Kraftsteuerung für die Montage

Bei Präzisionsmontageaufgaben muss ein Roboter seine Griffkraft und Compliance anpassen, um Teile mit unterschiedlicher Steifigkeit zu handhaben. Funktionelle Modellierung hilft, die Aufgabe in „Abschätzung der Verformung von Teilen, „Anpassung der Impedanzparameter und „Kontaktbewegung zu zerlegen. Der resultierende adaptive Controller kann reibungslos von freier Bewegung zu eingeschränktem Kontakt übergehen, ohne zerbrechliche Komponenten zu beschädigen. Modellbasiertes Design mit funktionaler Zerlegung wurde von Unternehmen wie FANUC verwendet, um die Programmierzeit für adaptive Roboterzellen zu reduzieren.

Luft- und Raumfahrt: Adaptive Flugsteuerung für unbemannte Luftfahrzeuge

Unbemannte Luftfahrzeuge (UAVs) sind häufig aerodynamischen Bedingungen ausgesetzt, die sich durch Windböen, unterschiedliche Nutzlast oder strukturelle Schäden ergeben. Das US Air Force Research Laboratory hat adaptive Flugsteuerungsarchitekturen entwickelt, die funktionelle Modelle verwenden, die Sensorfusion, Zustandsschätzung und Steuerungszuweisung trennen. Diese Modelle ermöglichen es dem Steuergerät, in Echtzeit neu zu konfigurieren, beispielsweise durch Umverteilung von Steuerungsflächen, wenn ein Querruder beschädigt wird. Funktionelle Modellierung hilft auch bei der Zertifizierung, indem sie eine klare Rückverfolgbarkeitskette von Anforderungen bis hin zu Steuerungsflächen bietet.

Automotive: Adaptive Geschwindigkeitsregelung und Längsregelung

Moderne Fahrzeuge verwenden einen adaptiven Geschwindigkeitsregler (ACC), der sich an wechselnde Straßengraden, Reifenbedingungen und Verkehrsdynamik anpassen muss. Ein Funktionsmodell für ACC umfasst Funktionen wie „Geschätzte Fahrzeugmasse, „Erkennen der Fahrzeugbeschleunigung und „Beschleunigungssollwert. Durch die Verwendung der funktionalen Zerlegung können Ingenieure einen adaptiven Kompensator entwerfen, der den Gewinn für Bergsteigen oder schwere Lasten anpasst, die Kraftstoffeffizienz und den Fahrkomfort verbessert. Das Funktionsmodell dient auch als Dokumentation für die Sicherheitsanalyse nach ISO 26262.

Schlussfolgerung

Die Anwendung der funktionalen Modellierung zur Entwicklung adaptiver Steuerungssysteme bietet Ingenieuren eine klare, flexible und effiziente Methodik, die sich direkt mit der Komplexität der Echtzeitanpassung befasst. Durch die Fokussierung auf Funktionen und ihre Interdependenzen anstelle von physikalischen Details vereinfacht die funktionale Modellierung den Designprozess, beschleunigt die Validierung durch Simulation und erhöht die Systemrobustheit, indem Abhängigkeiten und Fehlermodi explizit gemacht werden. Die Fallstudie der adaptiven Temperaturregelung in der Fertigung zeigte, wie ein funktionales Modell den erfolgreichen Einsatz einer adaptiven Steuerung führte, die die Produktqualität verbesserte und den Energieverbrauch reduzierte. Da adaptive Steuerungstechniken - von der Gain-Planung bis hin zum Reinforcement-Learning - in Branchen wie Robotik, Luft- und Raumfahrt und Automobil immer häufiger vorkommt, wird die funktionale Modellierung eine immer wichtigere Rolle bei der Verwaltung der Komplexität dieser Systeme spielen. Ingenieure, die diesen strukturierten Ansatz anwenden, werden besser ausgestattet sein, um Steuerungssysteme zu entwerfen, die nicht nur die Leistungsziele erfüllen, sondern sich auch anmutig an die unvorhersehbaren Bedingungen der realen Welt anpassen. Zukünftige Forschung kann die funktionale Modellierung erweitern, um Funktionen des maschinellen Lernens direkt in die