20.500.12556/DKUM-99588 Evaluation of artificial intelligence-enhanced pid tuning for virtual thermal system calibration Vrednotenje uporabe umetne inteligence za umerjanje PID regulatorjev v virtualnih toplotnih sistemih This master's thesis presents the development and evaluation of an artificial intelligence methodology for autonomous PID controller calibration in a multi-loop vehicle thermal management system (VTMS). A co-simulation environment was constructed linking an electrified vehicle thermal model, a software control model, and a reinforcement learning agent with TD3 algorithm. The agent autonomously searched for optimal values of four PI gains for both the electronic expansion valve (EXV) and the compressor. The reward function was developed iteratively through four configurations. Compared to the initial engineer's gain approximation, the best episode reduced the mean absolute error (MAE) by 54%. The results confirm that a properly designed RL agent can autonomously find stable multi-loop PID gains, and that constructing a reliable co-simulation environment represents the primary technical bottleneck of the workflow. spodbujevalno učenje, PID regulacija, upravljanje toplote vozila, elektrificirana vozila, ko-simulacija, FMU, TD3, oblikovanje funkcije nagrajevanja reinforcement learning PID control vehicle thermal management electrified vehicle co-simulation FMU TD3 reward shaping V sklopu magistrske naloge smo razvili in ovrednotili metodologijo za avtonomno umerjanje PID regulatorjev v večzančnem sistemu za upravljanje toplote vozila z uporabo spodbujevalnega učenja. Osnova sistema je ko-simulacijsko okolje ki povezuje virtualni toplotni model vozila s programskim modelom krmilne logike s katerima komunicira agent spodbujevalnega učenja z algoritmom TD3. Agent je med učenjem avtonomno iskal optimalne uteži dveh PI regulatorjev za krmiljenje elektronskega ekspanzijskega ventila (EXV) ter kompresorja. Nagrajevalna funkcija je bila zasnovana iterativno skozi štiri konfiguracije. Rezultati potrjujejo da pravilno razvit in implementiran agent spodbujevalnega učenja lahko avtonomno kalibrira večzančni PID sistem. V primerjavi s prvotno inženirsko oceno se je srednja absolutna napaka zmanjšala za 54 %. Vzpostavitev zanesljivega ko-simulacijskega okolja pa se je izkazala za največjo tehnično oviro projekta. true true false Angleški jezik Slovenski jezik Magistrsko delo/naloga 2026-08-20 16:04:43 2026-09-18 08:27:08 2026-09-19 03:06:29 0000-00-00 00:00:00 2026 0 Maribor 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 2029-09-15 MAG_Skobir_Tilen_2026.pdf MAG_Skobir_Tilen_2026.pdf 1 BC15D44F602EAA14A469C629CED811C9 7d9b0ea22fba6a34b44b326e7027cfe08fa69136d0f78961bb4949b5854ec6cc 404e8c74-b292-11f1-9651-00155d0001be https://dk.um.si/Dokument.php?lang=slv&id=212764 Fakulteta za strojništvo 0 0 0