DE10101511A1

DE10101511A1 - Modellgestützte Linearisierung

Info

Publication number: DE10101511A1
Application number: DE2001101511
Authority: DE
Inventors: Cecil Bruce-Bove; Bernd Jahrsau
Original assignee: CBB SOFTWARE GmbH
Current assignee: CBB SOFTWARE GMBH, DE
Priority date: 2001-01-12
Filing date: 2001-01-12
Publication date: 2002-09-19
Anticipated expiration: 2021-01-13
Also published as: DE10101511B4

Abstract

Von vielen Ausführungsbeispielen der modellgestützten Linearisierung seien beispielhaft genannt: Geschwindigkeitsregelung und Positionsregelung des Gießzylinders einer Druckgussmaschine ("geregelter Schuss"), Linearisierung bei der Positionierregelung von Robotersystemen, Zugkraft-, Drehzahl- und Lageregelung bei Walzwerken, Zugkraft-, Drehzahl- und Positionierregelung bei Wischanlagen aller Art. Die Linearisierung der Strecke wird durch die Parallelschaltung der Wunschstrecke in Form eines Modells der Strecke erzielt (Bild 1), wobei die Führungsgröße w(t) die Eingangsgröße eines Vorfilters darstellt, DOLLAR A wobei die Ausgangsgröße dieses Vorfilters h(t) als Sollgröße die Eingangsgröße des Modells ergibt, DOLLAR A wobei die Korrekturgröße DOLLAR I1 von der Sollgröße h(t) subtrahiert wird und als Stellgröße u(t) an dem Eingang der Strecke wirkt, DOLLAR A wobei der Istwert des Modells mi(t) von der Istgröße der Strecke ist(t) subtrahiert wird und als die Fehlergröße s(t) dem Korrekturfilter p zugeführt wird. Im einfachsten Fall besteht das Korrekturfilter p aus einem Verstärkungsfaktor. Die Ausgangsgröße des Korrekturfilters ist die Korrekturgröße DOLLAR I2 die durch die Aufschaltung eine Regelwirkung im Sinne einer Linearisierung erzielt, DOLLAR A wobei der Beiwert, die Begrenzung und der Integrator ggf. adaptiv nachgeführt werden können. Dazu sind einige wenige Probeläufe notwendig, um optimale Regelgüte zu erzielen. DOLLAR A Dieser modellgestützten Linearisierung können alle üblichen regelungstechnischen Konzepte ...

Description

Grundsätzlich sind alle technischen Prozesse nichtlinear (Lehrbuch "Regelungstechnik für Ingenieure", 1991, Vieweg-Verlag, Seite 218). Bei schwach nichtlinearen Prozessen kann diese Eigenschaft einfach ignoriert werden, und man erzielt bei der Regelung dieser Prozesse, wie die Praxis zeigt, trotzdem zufriedenstellende Ergebnisse. Ist der technische Prozess jedoch hochgradig nichtlinear (im folgenden auch als reales System bezeichnet so wird bisher, durch eine Linearisierung um einen Arbeitspunkt, eine Lösung gesucht. Dieser Weg ist aufwendig und hat oft einen stark eingeschränkten Arbeitsbereich zur Folge. Will man trotzdem einen größeren Arbeitsbereich abdecken, so muss ein sogen. Kennfeld z. B. experimentell erstellt werden, in dem die geeigneten Reglerdaten für die jeweiligen Arbeitspunkte abgelegt sind. Hinzu kommen oft noch zusätzliche nichtlinearen Glieder und entsprechende Umschaltmechanismen, die dafür sorgen, dass im richtigen Augenblick die richtigen Reglerdaten zur Wirkung kommen (Lehrbuch, Dirk Schröder, "Elektrische Antriebe 2", 1995, Springer Verlag, Seiten 318 bis 333 und 368 bis 374). In vielen Fällen versagen diese Verfahren, wenn die Streckenparameter ungenau bekannt sind oder wenn sie sich während des Betriebes wesentlich ändern. Selbst der Einsatz sogen. Fuzzy-Regler führt in diesem Fall zu einer großen Zahl benötigter Regeln, was einen hohen Realisierungsaufwand mit sich bringt (Zeitschrift "Automatisierungstechnik", 6, 1994, G. Ludyk, G-J. Menken, Seite 264).

Regler mit neuronalen Netzen (Neuro-Regelung) benötigen oftmals eine aufwendige Trainingsphase, die in den meisten Fällen "offline" erfolgt (Lehrbuch Serge Zacher, "Automatisierungstechnik kompakt", 2000, Viehweg Verlag, Seiten 157 ff.). Gelingt es, durch einfache Verfahren im unterlagerten System eine Linearisierung durchzuführen, kann dieser Aufwand minimiert werden.

Das Verfahren gemäß der Druckschrift DD 50 897 setzt voraus, das die nichtlineare Funktion (siehe Fig. 2) eine statische Kennlinie ist und bekannt ist, um daraus die Entschlüsselungsmatrix festzulegen.

In der Druckschrift 195 31 692 A1 wird ein nichtlinearer Beobachter (neuronaler Beobachter) mit General Regression Neural Networks benötigt um die Linearisierung durchzuführen. Gemäß Abb. 7 werden Multiplikationsstellen z. B. zur Erzeugung von V1 aus n1 und r verwendet. Wie im Anspruch 2 angegeben, benötigt das Verfahren zudem Lernvorgänge.

Die Erfindung gemäß der Druckschrift DE 195 16 402 A1 stellt ein vollständig anderes Verfahren dar, was nicht beobachtergestützt arbeitet, sondern mit Hilfe von zwei Streckenmodellen eine sogen. nachgiebige Rückführung realisiert. Ziel ist es dabei, Strecken mit großen Totzeiten zu kontrollieren.

In der Patentschrift DE 196 34 923 wird zur Ermittlung der Abweichung eine geeignete Messgröße y des realen mit der zugehörigen Ausgangsgröße des Modells verglichen, indem man bei die Differenz (y - ) bildet. Diese Differenz wird, basierend auf dem Prinzip des Luenberger-Beobachters, (Lehrbuch, Otto Föllinger, "Regelungstechnik", Hüthig-Verlag, 1994, Seiten 501 bis 505) über den h Vektor verstärkt und in das Modell zurückgekoppelt. Dort sorgt diese Rückkopplung zunächst für eine stabile Berechnung des Fehlers e(t). Dieser bleibende Fehler wird mit Hilfe des Abweichungsfilters auf die Abweichungsgröße a(t) verstärkt und über die Summierstelle dem realen System kompensierend aufgeschaltet.

Das im Patentanspruch 1 angegebenem Verfahren stellt dem gegenüber ein vereinfachtes Verfahren dar. Es benötigt keinen h Vektor und die Aufschaltung erfolgt im Gegensatz zu DE 196 34 923 unmittelbar am Eingang der Strecke (reales System).

Dem im Patentanspruch 1 angegebenem Verfahren liegt das Problem zugrunde, hochgradig nichtlineare reale Systeme, es sind dies beispielhaft Positioniersysteme wie Hydraulik- oder Pneumatik-Zylinder, reibungsbehaftete Antriebsysteme in Momenten, Drehzahl und/oder Lageregelung. Diese Aufgabe wird durch die im Patentanspruch 1 angegebenen Merkmale gelöst.

Von den vielen Ausführungsbeispielen der Erfindung seien hier beispielhaft genannt Geschwindigkeitsregelung und Positionsregelung des Gießzylinders einer Druckgussmaschine ("geregelter Schuss"), Linearisierung bei der Positionierregelung von Robotersystemen, Zugkraft-, Drehzahl- und Lageregelung bei Walzwerken, Zugkraft-, Drehzahl- und Positionierregelung bei Wischanlagen aller Art.

Es zeigen:

Bild 1 Prinzip der modellgestützten Linearisierung gemäß Patentanspruch 1,

Bild 2 Prinzip der modellgestützten Linearisierung gemäß Unteranspruch 1.

Claims

Die Linearisierung der Strecke wird durch die Parallelschaltung der Wunschstrecke in Form eines Modells der Strecke erzielt,
wobei die Führungsgröße w(t) die Eingangsgröße eines Vorfilters darstellt.
wobei die Ausgangsgröße dieses Vorfilters h(t) als Sollgröße die Eingangsgröße des Modells ergibt
wobei die Korrekturgröße (t) von der Sollgröße h(t) subtrahiert wird und als Stellgröße u(t) an dem Eingang der Strecke wirkt,
wobei der Istwert des Modells mi(t) von der Istgröße der Strecke ist(t) subtrahiert wird und als die Fehlergröße s(t) dem Korrekturfilter p zugeführt wird. Im einfachsten Fall besteht das Korrekturfilter p aus einem Verstärkungsfaktor. Die Ausgangsgröße des Korrekturfilters ist die Korrekturgröße (t) die durch die Aufschaltung eine Regelwirkung im Sinne einer Linearisierung erzielt.
wobei der Beiwert, die Begrenzung und der Integrator ggf. auch adaptiv nachgeführt werden können. Dazu sind einige wenige Probeläufe notwendig um eine optimale Regelgüte zu erzielen.
Dieser modellgestützten Linearisierung können alle üblichen regelungstechnischen Konzepte überlagert werden. Es sind dies PID-, Fuzzy-, Zustands-Regler, Regelung mit neuronalen Netzen, predektive Regler, Störgrößenaufschaltung,
wobei die Istgröße ist(t) rückgekoppelt wird und von der Ausgangsgröße w'(t) des Vorfilters zur Reglereingansgröße e(t) eines Reglers subtrahiert wird
wobei die Reglereingansgröße e(t) nach der Regelung als Sollgröße h(t) wie im Patentanspruch 1 beschrieben wirkt.