DE102019130609A1 - Verfahren zum Bestimmen eines Reglers für eine Regelstrecke - Google Patents
Verfahren zum Bestimmen eines Reglers für eine Regelstrecke Download PDFInfo
- Publication number
- DE102019130609A1 DE102019130609A1 DE102019130609.4A DE102019130609A DE102019130609A1 DE 102019130609 A1 DE102019130609 A1 DE 102019130609A1 DE 102019130609 A DE102019130609 A DE 102019130609A DE 102019130609 A1 DE102019130609 A1 DE 102019130609A1
- Authority
- DE
- Germany
- Prior art keywords
- controller
- data record
- control quality
- controller type
- rtd
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000004590 computer program Methods 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003339 best practice Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000036461 convulsion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B15/00—Systems controlled by a computer
- G05B15/02—Systems controlled by a computer electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/16—Sound input; Sound output
- G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Fuzzy Systems (AREA)
- Feedback Control In General (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Bestimmen eines Reglers (2) für eine Regelstrecke (4), mit den Schritten:(S100) Einlesen eines Datensatzes (DS) repräsentativ für eine Aufgabe des Reglers (2),(S200) Auswählen eines Reglertyps (R) für den Regler (2) aus einer Gruppe archivierter Reglertypen-Datensätze (RTD) unter Auswertung des Datensatzes (DS) mit einem zum maschinellen Lernen ausgebildeten System (6), und(S300) Auswählen eines Regelgüte-Datensatzes (RD) enthaltend archivierte Werte für eine Regelgüte (RG) des ausgewählten Reglertyps (R) mit einem zum maschinellen Lernen ausgebildeten System (6), sowie(S400) Ausgeben eines Ausgangs-Datensatzes (AD) mit dem Reglertyp (R) und dem Regelgüte-Datensatz (RD).
Description
- Die Erfindung betrifft ein Verfahren zum Bestimmen eines Reglers für eine Regelstrecke. Ferner betrifft die Erfindung ein Computerprogrammprodukt und ein System.
- Kraftfahrzeuge weisen eine zunehmende Anzahl von Fahrassistenzsystemen auf, die Regelstrecken mit Reglern aufweisen. Bei dem Reglerentwurf der Regler wird z.B. der jeweilige Anwendungsfall, eine Fahrzeugarchitektur, vorbestimmte Regelgüten oder auch die Art von Sensoren und Aktuatoren berücksichtigt.
- Abhängig von der zu lösenden Regelaufgabe können unterschiedliche Reglertypen Verwendung finden, wie z.B. stetige Regler (z.B. PID-Regler oder Zustandsregler), nichtlineare Regler (z.B. Fuzzy-Regler oder adaptive Regler) oder unstetige Regler (z.B. Zweipunktregler).
- Die Auswahl des Reglertyps für die jeweilige Aufgabe ist ein wesentlicher Teil des Regerentwurfs, die auf der Basis langjähriger Erfahrung mit dieser Aufgabe betrauten Personen erfolgt.
- Es besteht also Bedarf daran, Wege aufzuzeigen, wie eine Unterstützung bei der Auswahl des Reglertyps erreicht werden kann.
- Die Aufgabe der Erfindung wird gelöst durch ein Verfahren zum Bestimmen eines Reglers für eine Regelstrecke, mit den Schritten:
- Einlesen eines Datensatzes repräsentativ für eine Aufgabe des Reglers,
- Auswählen eines Reglertyps für den Regler aus einer Gruppe archivierter Reglertypen-Datensätze unter Auswertung des Datensatzes mit einem zum maschinellen Lernen ausgebildeten System, und
- Auswählen eines Regelgüte-Datensatzes enthaltend archivierte Werte für eine Regelgüte des ausgewählten Reglertyps mit einem zum maschinellen Lernen ausgebildeten System, sowie
- Ausgeben eines Ausgangs-Datensatzes mit dem Reglertyp und dem Regelgüte-Datensatz.
- Mit anderen Worten, es wird ein zweistufiges, computerimplementiertes Verfahren vorgeschlagen, bei in der ersten Stufe basierend auf die Regelaufgabe zuerst ein geeigneter Reglertyp ausgewählt wird und dann in einer zweiten Stufe die mit dem ausgewählten Reglertyp bei früheren Anwendungen erreichte Regelgüte herangezogen wird. Diese Auswahlvorgänge werden von dem zum maschinellen Lernen ausgebildeten System ausgeführt. Hierzu kann das zum maschinellen Lernen ausgebildete System zum überwachten oder unüberwachten Lernen ausgebildet sein. Ferner kann das zum maschinellen Lernen ausgebildete System künstliche neuronale Netze, wie tiefe neuronale Netze, und/oder Algorithmen zur Klassifizierung aufweisen.
- Gemäß einer Ausführungsform wird ein in einer Modellierungssprache vorliegender Datensatz und/oder Reglertypen-Datensatz und/oder Regelgüte-Datensatz verwendet. Modellierungssprachen ermöglichen es, Anforderungen an ein Organisationssystem oder ein Softwaresystem sowie dessen Strukturen und inneren Abläufe auf einer höheren Abstraktionsebene festzulegen. Bekannte Modellierungssprachen sind z.B. UML (Unified Modeling Language), eine grafische Modellierungssprache zur Spezifikation, Konstruktion und Dokumentation von Software-Teilen und anderen Systemen, oder SysML (Systems Modeling Language), eine grafische, auf UML 2 basierende, standardisierte Modellierungssprache. Ihre Anwendung findet sie im Bereich Systems Engineering für die Modellierung verschiedener komplexer Systeme. So können der Datensatz und/oder Reglertypen-Datensatz und/oder Regelgüte-Datensatz besonders einfach erstellt werden.
- Gemäß einer weiteren Ausführungsform enthält der Ausgangs-Datensatz einen die Aufgabe lösenden Reglertypen-Datensatz für den Regler. Mit anderen Worten, es wird zumindest ein Regler für die zu lösende Aufgabe vorgeschlagen. Abweichend hiervon kann auch vorgesehen sein, dass eine Mehrzahl von Reglern für die zu lösende Aufgabe vorgeschlagen wird.
- Gemäß einer weiteren Ausführungsform enthält der Ausgangs-Datensatz einen vorbestimme Regelgütevorgaben erfüllenden Reglertypen-Datensatz für den Regler. Somit wird ein Reglertyp vorgeschlagen, der die Anforderungen gemäß den Regelgütevorgaben erfüllt. Es kann auch vorgesehen sein, dass gemäß einer vorbestimmten Bewertungsregel die verschiedenen Reglertypen hinsichtlich ihres Erfüllungsgrades der vorbestimmten Regelgütevorgaben bewertet werden. So können auch mehrdimensionale Reglergüten berücksichtigt werden, die mehrere Größen umfassen. Ferner kann vorgesehen sein, dass nur Regler vorgeschlagen werden, die einen Mindestwert gemäß der vorbestimmten Bewertungsregel aufweisen. D.h., es werden also nicht alle Reglertypen, sondern z.B. nur die besten drei Reglertypen vorgeschlagen.
- Gemäß einer weiteren Ausführungsform werden ein ausgewählter Reglertypen-Datensatz zusammen mit zugeordneten Werten für eine Regelgüte als Daten für ein maschinelles Lernen des Systems verwendet. Somit werden erprobte Reglertypen als Trainingsdaten für ein überwachtes Lernen des zum maschinellen lernen ausgebildeten Systems verwendet.
- Ferner gehören zur Erfindung ein Computerprogrammprodukt und ein System.
- Es wird nun die Erfindung anhand einer Zeichnung erläutert. Es zeigen:
-
1 in schematischer Darstellung eine Regelstrecke mit einem Regler. -
2 in schematischer Darstellung ein System zum Bestimmen eines Reglers für eine Regelstrecke. -
3 in schematischer Darstellung einen Verfahrensablauf. - Es wird zunächst auf
1 Bezug genommen. - Dargestellt ist ein Regelkreis mit einem Regler
2 und einer Regelstrecke4 , bei dem wie üblich das Ausgangssignal an den Eingang zurückgeführt wird und eine Differenz zwischen der zurückgeführten Eingangsgröße und einem Sollwert dem Regler als Eingang zugeführt wird. - Der Regelkreis mit dem Regler
2 und der Regelstrecke4 kann Bestandteil eines Fahrassistenzsystems eines Kraftfahrzeugs sein, wie z.B. eines geregelten Abstandstempomaten (ACC). - Im Rahmen eines Reglerentwurfs erfolgt eine Auswahl eines Reglertyps
R für den Regler4 . Bei dem ReglertypR kann es sich um einen stetigen Regler, wie z.B. einem PI- oder PID-Regler, einen Zustandsregler, z.B. mit Zustandsrückführung oder Ausgangsrückführung, handeln. Als ReglertypR kann aber auch ein nichtlinearer Regler4 , wie ein Fuzzy-Regler, ein adaptiver Regler oder ein Extremwertregler in Betracht kommen. Des Weiteren können auch unstetige Regler4 als ReglertypenR in Betracht kommen, wie z.B. Zweipunktregler oder Mehrpunktregler. Ferner kann der ReglertypR ein Eingrößensystem (SISO) oder auch ein Mehrgrößensystem (MIMO) sein. - Um die Auswahl des Reglertyps
R für den Regler4 zu erleichtern ist ein System6 , im vorliegenden Ausführungsbeispiel ein CAE-System, vorgesehen, dass nun unter zusätzlicher Bezugnahme auf2 erläutert wird. - Neben einem Nutzer
8 , wie einer mit dem Reglerentwurf betrautem Person, sind die folgenden Komponenten des Systems6 dargestellt: eine Schnittstelle10 , eine Anwendungsfall-Datenbank12 , eine Fahrzeugarchitektur-Datenbank14 , eine Regelgüten-Datenbank16 , eine Regeltypen-Datenbank18 , eine Archiv-Datenbank20 und eine Kommunikationseinheit22 sowie eine Auswerteeinheit24 . - Das System
6 bzw. die genannten Komponenten können für ihre nachfolgend beschriebenen Aufgaben und/oder Funktionen Hardware- als auch Software-Komponenten aufweisen. - Die Schnittstelle
10 kann ein Terminal, wie z.B. ein PC, sein, mit dem der Nutzer8 auf das System6 zugreifen und es nutzen kann. Mithilfe des Terminals10 kann der Nutzer8 eine Aufgabe des Reglers2 formulieren, z.B. in einer Modellierungssprache, wie z.B. UML oder SysML. Als Ergebnis steht ein DatensatzDS repräsentativ für die Aufgabe des Reglers2 bereit. - Der Datensatz
DS kann als eine formelle Spezifikation der zu implementierenden Kontrollstrategie aufgefasst werden. Er kann anwendungsfallbezogen oder fahrzeugsarchitekturorientiert oder regelgüteorientiert abgefasst sein. - Die Anwendungsfall-Datenbank
12 ist eine Referenzdatenbank für Anwendungsfälle. Die Anwendungsfälle können auf formale Weise modelliert werden Mithilfe einer Modellierungssprache, wie z.B. SysML oder UML. - Die in der Anwendungsfall-Datenbank
12 archivierten Anwendungsfälle umfassen Funktionen, die entwickelt wurden oder sich in der Entwicklung befinden. Die in der Anwendungsfall-Datenbank12 archivierten Anwendungsfälle können bestimmten Fahrzeugarchitekturen zugeordnet sein, wie z.B. Automatikgetriebefahrzeug oder, Mikrohybridfahrzeugarchitektur, oder bestimmten Regelungszielen zugeordnet sein, wie z.B. eine Regelung der Fahrzeuggeschwindigkeit bei niedriger Geschwindigkeit, dem zufolge rückartige Bewegungen innerhalb vorbestimmter Grenzen zu unterbleiben haben. Ferner können die Anwendungsfälle generischen ReglertypenR und natürlich einer spezifischen Implementierung gemäß der Archiv-Datenbank20 zugeordnet sein. - Die Fahrzeugarchitektur-Datenbank
14 hingegen ist eine Referenzdatenbank für Fahrzeugarchitekturen. Die Fahrzeugarchitektur kann eine funktionale Architektur und eine Softwarearchitektur beinhalten. Sie spiegeln die Zielplattform wider, auf der bestimmte Steuerungssoftware implementiert werden kann. Die Architektur kann mithilfe einer Modellierungssprache, wie z.B. SysML oder UML, modelliert werden. Der Fahrzeugarchitektur können bestimmte Anwendungsfälle, vorbestimmte RegelgütenRG (siehe3 ), generischen ReglertypenR und natürlich einer spezifischen Implementierung der gemäß der Archiv-Datenbank20 zugeordnet sein. - Die Regelgüten-Datenbank
16 ist eine Referenzdatenbank für Regelgüten. Die RegelgüteRG beschreibt die Leistung und die Fahrzeugeigenschaften, die implementiert werden sollen, z.B. Beschleunigung, Rucke, Überschwinger, usw. Dabei wird unter der RegelgüteR ein Maß für das Regelverhalten einer Regelung verstanden. Mit ihr kann eine Aussage über die Qualität der Regelung gemacht werden. Dabei ist das Gütemaß jeweils an das gewünschte Regelverhalten anzupassen (Regelgröße, Sollwert, Stellwert). Gebräuchlich für die Gütemaße sind z.B. Normen wie die L1-Norm (schnelles Regelverhalten ITAE-Kriterium), die L2-Norm (Quadratisches Gütekriterium minimale Amplituden) oder die Maximumsnorm (maximal mögliche Verhältnis der Energien bzw. Leistungen von Fehlergrößen zu Eingangsgrößen) oder insbesondere für periodische Signale die mittlere Leistung. Die Normen gewichten dabei jeweils bestimmte Abweichungen besonders stark und sind deshalb nach der Aufgabenstellung auszuwählen. - Regelgüten
RG sind typischerweise mit bestimmten Anwendungsfälle, mit bestimmten Fahrzeugarchitekturen, mit generischen ReglertypenR und natürlich mit der Implementierung spezifischer Kontrollsoftware (8 ) verbunden. - Die Reglertypen-Datenbank
18 ist eine Referenzdatenbank mit generischen ReglertypenR und bewährten Verfahren in Bezug auf die Regelgüte, Anwendungsfälle und Fahrzeugarchitekturen. Die ReglertypenR können aus der Literatur und der Theorie im Zusammenhang mit Regelkreisen bekannt sein. - Die Archiv-Datenbank
20 ist eine Referenzdatenbank für Regler2 , die im Hinblick auf vorbestimmte RegelgütenRG , Anwendungsfälle und Fahrzeugarchitekturen implementiert wurden. Dies beinhaltet eine Regelstrategie, die früher erfolgreich umgesetzt wurde. Die in der Archiv-Datenbank20 archivierten Reglertypen-DatensätzeRTD können auf historischen Daten eines Unternehmens und eventuell von Lieferanten basieren. - Das Kommunikationsnetzwerk
22 ist dazu ausgebildet im Betrieb einen Datenaustausch zwischen den genannten Komponenten des Systems6 sicherzustellen. - Die Auswerteinheit
24 ist ein Kernsystem, das die Methoden und Algorithmen hostet. Die Auswerteinheit24 bietet mehrere Betriebsarten: - Einen Abfragemodus, um einen Reglertypen
R oder eine Liste mit mehreren ReglertypenR zur Lösung der Regelaufgabe bereitzustellen. Hierzu kann eine Auswahl z.B. gemäß der Fahrzeugarchitekturen, Anwendungsfälle oder vorbestimmter RegelgüteRG erfolgen. - Einen Abfragemodus, um bewährte, um eine oder eine Liste mit mehreren in Gebrauch befindliche Reglertypen
R bereitzustellen. Auch hier kann eine Auswahl z.B. gemäß der Fahrzeugarchitekturen, Anwendungsfälle oder vorbestimmter RegelgüteRG erfolgen. - Einen Bewertungsmodus, um die Genauigkeit jedes ausgewählten Reglertyps
R zu bestimmen .Hier kann eine Vergleich der ausgewählten ReglertypenR z.B. gemäß der Fahrzeugarchitekturen, Anwendungsfälle oder vorbestimmter RegelgüteRG erfolgen. Dies kann eine Bestimmung der Ähnlichkeit gemäß der Beschreibung in der Modellierungssprache umfassen, also eine Textähnlichkeitsanalyse. - Einen Ausgabemodus, um ein oder mehrere Reglertypen
R bereitzustellen. Hierbei kann die vorher bestimmte Genauigkeit zur Bildung einer Liste verwendet. Ferner kann ein Vergleich mit einem vorbestimmten Grenzwert für die Genauigkeit vorgesehen und in Abhängigkeit von den eine Auswahl aus mehreren ReglertypenR . Einen Analysemodus zur Analyse des von dem Nutzer8 ausgewählten ReglertypsR , um durch maschinelles Lernen, insbesondere überwachtes Lernen, das System6 zu verbessern. Dies kann ein Bestimmen eines Wertes indikativ für die Unterscheide zwischen einem vorgeschlagenen ReglertypR und einem von dem Nutzer8 ausgewählten ReglertypR umfassen. - Einen Validierungsmodus zur Validierung eines Reglertyps
R . Dies erlaub ein Testen eines Regelkonzept vorab, z.B. als Simulink-Modell. Auch hier kann ein Bestimmen eines Wertes indikativ für die Unterscheide zwischen dem vorgeschlagenen Regelkonzept und archivierten ReglertypenR umfassen. - Es wird nun zusätzlicher Bezugnahme auf
3 ein Verfahrensablauf zum Betrieb des Systems6 erläutert. - In einem ersten Schritt
S100 wird der DatensatzDS , vorliegend in einer Modellierungssprache, repräsentativ für eine Aufgabe des Reglers2 eingelesen. - In einem weiteren Schritt
S200 wird der ReglertypR für den Regler2 aus einer Gruppe archivierter Reglertypen-DatensätzeRTD in einer Modellierungssprache unter Auswertung des DatensatzesDS mit dem zum maschinellen Lernen ausgebildeten System6 , im vorliegenden Ausführungsbeispiel durch die Auswerteeinheit24 , ausgewählt. - In einem weiteren Schritt
S300 wird der Regelgüte-DatensatzRD in einer Modellierungssprache mit archivierte Werte für die RegelgüteRG des ausgewählten ReglertypsR mit dem zum maschinellen Lernen ausgebildeten System6 , im vorliegenden Ausführungsbeispiel durch die Auswerteeinheit24 , ausgewählt. - In einem weiteren Schritt
S400 wird der Ausgangs-DatensatzAD mit dem bestimmten ReglertypR und dem dazugehörenden Regelgüte-DatensatzRD ausgegeben. - Dabei kann der Ausgangs-Datensatz
AD einen die Aufgabe lösenden Reglertypen-DatensatzRTD für den Regler2 enthalten. Alternativ kann der Ausgangs-DatensatzAD einen die vorbestimme Regelgütevorgaben erfüllenden Reglertypen-DatensatzRTD für den Regler2 enthalten. - Daneben kann der Ausgangs-Datensatz
AD einen vorbestimme Regelgütevorgaben erfüllenden Reglertypen-DatensatzRTD für den Regler2 aufweisen. Somit wird ein ReglertypR vorgeschlagen, der die Anforderungen gemäß den Regelgütevorgaben erfüllt. Es kann auch vorgesehen sein, dass gemäß einer vorbestimmten Bewertungsregel die verschiedenen ReglertypenR hinsichtlich ihres Erfüllungsgrades der vorbestimmten Regelgütevorgaben bewertet werden. So können auch mehrdimensionale Reglergüten berücksichtigt werden, die mehrere Größen umfassen. Ferner kann vorgesehen sein, dass nur Regler2 vorgeschlagen werden, die einen Mindestwert gemäß der vorbestimmten Bewertungsregel aufweisen. D.h., es werden also nicht alle ReglertypenR , sondern z.B. nur die besten drei ReglertypenR vorgeschlagen. - Des Weiteren kann der ausgewählter Reglertypen-Datensatz
RTD zusammen mit zugeordneten Werten für eine RegelgüteRG als Daten für ein maschinelles Lernen des Systems6 , insbesondere für ein überwachtes Lernen, verwendet werden. - Abweichend vom vorliegenden Ausführungsbeispiel kann die Reihenfolge der Schritte auch eine andere sein. Ferner können mehrere Schritte auch zeitgleich bzw. simultan ausgeführt werden. Des Weiteren können auch abweichend vom vorliegenden Ausführungsbeispiel einzelne Schritte übersprungen oder ausgelassen werden.
- Es wird also ein zweistufiges, computerimplementiertes Verfahren vorgeschlagen, bei in der ersten Stufe basierend auf die Regelaufgabe zuerst ein geeigneter Reglertyp ausgewählt wird und dann in einer zweiten Stufe die mit dem ausgewählten Reglertyp bei früheren Anwendungen erreichte Regelgüte herangezogen wird, um so eine Unterstützung bei der Auswahl des Reglertyps zu erreichen.
- Bezugszeichenliste
-
- 2
- Regler
- 4
- Regelstrecke
- 6
- System
- 8
- Nutzer
- 10
- Schnittstelle
- 12
- Anwendungsfall-Datenbank
- 14
- Fahrzeugarchitektur-Datenbank
- 16
- Regelgüten-Datenbank
- 18
- Reglertyp-Datenbank
- 20
- Archiv-Datenbank
- 22
- Kommunikationseinheit
- 24
- Auswerteeinheit
- AD
- Ausgangs-Datensatz
- DS
- Datensatz
- R
- Reglertyp
- RD
- Regelgüte-Datensatz
- RG
- Regelgüte
- RTD
- Reglertypen-Datensatz
- S100
- Schritt
- S200
- Schritt
- S300
- Schritt
- S400
- Schritt
Claims (11)
- Verfahren zum Bestimmen eines Reglers (2) für eine Regelstrecke (4), mit den Schritten: (S100) Einlesen eines Datensatzes (DS) repräsentativ für eine Aufgabe des Reglers (2), (S200) Auswählen eines Reglertyps (R) für den Regler (2) aus einer Gruppe archivierter Reglertypen-Datensätze (RTD) unter Auswertung des Datensatzes (DS) mit einem zum maschinellen Lernen ausgebildeten System (6), und (S300) Auswählen eines Regelgüte-Datensatzes (RD) enthaltend archivierte Werte für eine Regelgüte (RG) des ausgewählten Reglertyps (R) mit einem zum maschinellen Lernen ausgebildeten System (6), sowie (S400) Ausgeben eines Ausgangs-Datensatzes (AD) mit dem Reglertyp (R) und dem Regelgüte-Datensatz (RD).
- Verfahren nach
Anspruch 1 , wobei ein in einer Modellierungssprache vorliegender Datensatz (DS) und/oder Reglertypen-Datensatz (RTD) und/oder Regelgüte-Datensatzes (RD) verwendet wird. - Verfahren nach
Anspruch 1 oder2 , wobei der Ausgangs-Datensatz (AD) einen die Aufgabe lösenden Reglertypen-Datensatz (RTD) für den Regler (2) enthält. - Verfahren nach
Anspruch 1 ,2 oder3 , wobei der Ausgangs-Datensatz (AD) einen vorbestimme Regelgütevorgaben erfüllenden Reglertypen-Datensatz (RTD) für den Regler (2) enthält. - Verfahren nach einem der
Ansprüche 1 bis4 , wobei ein ausgewählter Reglertypen-Datensatz (RTD) zusammen mit zugeordneten Werten für eine Regelgüte (RG) als Daten für ein maschinelles Lernen des Systems (6) verwendet werden. - Computerprogrammprodukt, ausgebildet zum Ausführen eines Verfahrens nach einem der
Ansprüche 1 bis5 . - System (6) zum Bestimmen eines Reglers (2) für eine Regelstrecke (4), wobei das System (6) dazu ausgebildet ist einen Datensatz (DS) repräsentativ für eine Aufgabe des Reglers (2) einzulesen, einen Reglertyp (R) für den Regler (2) aus einer Gruppe archivierter Reglertypen-Datensätze (RTD) unter Auswertung des Datensatzes (DS) mit dem zum maschinellen Lernen ausgebildeten System (6) auszuwählen, einen Regelgüte-Datensatz (RD) enthaltend archivierte Werte für eine Regelgüte (RG) des ausgewählten Reglertyps (R) mit dem zum maschinellen Lernen ausgebildeten System (6) auszuwählen und zum Ausgeben eines Ausgangs-Datensatzes (AD) mit dem Reglertyp (R) und dem Regelgüte-Datensatz (RD).
- System (6) nach
Anspruch 7 , wobei das System (6) dazu ausgebildet ist, einen in einer Modellierungssprache vorliegenden Datensatz (DS) und/oder Reglertypen-Datensatz (RTD) und/oder Regelgüte-Datensatzes (RD) zu verwenden. - System (6) nach
Anspruch 7 oder8 , wobei das System (6) dazu ausgebildet ist einen Ausgangs-Datensatz (AD) mit einem die Aufgabe lösenden Reglertypen-Datensatz (RTD) für den Regler (2) bereitzustellen. - System (6) nach
Anspruch 7 ,8 oder9 , wobei das System (6) dazu ausgebildet ist einen Ausgangs-Datensatz (AD) mit einen vorbestimmte Regelgütevorgaben erfüllenden Reglertypen-Datensatz (RTD) für den Regler (2) bereitzustellen. - System (6) nach einem der
Ansprüche 7 bis10 , wobei das System (6) dazu ausgebildet ist einen ausgewählten Reglertypen-Datensatz (RTD) zusammen mit zugeordneten Werten für eine Regelgüte (RG) als Daten für ein maschinelles Lernen des Systems (6) zu verwenden.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019130609.4A DE102019130609A1 (de) | 2019-11-13 | 2019-11-13 | Verfahren zum Bestimmen eines Reglers für eine Regelstrecke |
US17/088,789 US20210142801A1 (en) | 2019-11-13 | 2020-11-04 | Determining a controller for a controlled system |
CN202011255252.0A CN112799295A (zh) | 2019-11-13 | 2020-11-11 | 确定受控系统的控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019130609.4A DE102019130609A1 (de) | 2019-11-13 | 2019-11-13 | Verfahren zum Bestimmen eines Reglers für eine Regelstrecke |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019130609A1 true DE102019130609A1 (de) | 2021-05-20 |
Family
ID=75683297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019130609.4A Pending DE102019130609A1 (de) | 2019-11-13 | 2019-11-13 | Verfahren zum Bestimmen eines Reglers für eine Regelstrecke |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210142801A1 (de) |
CN (1) | CN112799295A (de) |
DE (1) | DE102019130609A1 (de) |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7028899B2 (en) * | 1999-06-07 | 2006-04-18 | Metrologic Instruments, Inc. | Method of speckle-noise pattern reduction and apparatus therefore based on reducing the temporal-coherence of the planar laser illumination beam before it illuminates the target object by applying temporal phase modulation techniques during the transmission of the plib towards the target |
FI129779B (fi) * | 2010-07-19 | 2022-08-31 | Palodex Group Oy | Menetelmä ja laite intraoraalikuvan käsittelemiseksi |
US9015082B1 (en) * | 2010-12-14 | 2015-04-21 | Symantec Corporation | Data quality assessment for vector machine learning |
CA2809011C (en) * | 2012-11-06 | 2018-07-17 | Mcmaster University | Adaptive energy management system |
US9085236B2 (en) * | 2013-05-09 | 2015-07-21 | Robert Bosch Gmbh | Adaptive cruise control with stationary object recognition |
AU2017272252A1 (en) * | 2016-06-08 | 2018-01-04 | Accenture Global Solutions Limited | Resource evaluation for complex task execution |
US10756919B1 (en) * | 2016-11-28 | 2020-08-25 | Alarm.Com Incorporated | Connected automation controls using robotic devices |
US10759415B2 (en) * | 2017-02-23 | 2020-09-01 | GM Global Technology Operations LLC | Effective rolling radius |
US11634007B2 (en) * | 2017-08-16 | 2023-04-25 | Rubicon Technologies, LLC. | System implementing air quality-based waste management |
DE102017011140A1 (de) * | 2017-12-01 | 2019-06-06 | Lucas Automotive Gmbh | Steuerungssystem und Steuerungsverfahren zum Führen eines Kraftfahrzeugs und zum Vermeiden einer Kollision mit einem anderen Kraftfahrzeug |
JP6680756B2 (ja) * | 2017-12-26 | 2020-04-15 | ファナック株式会社 | 制御装置及び機械学習装置 |
DE102018200982A1 (de) * | 2018-01-23 | 2019-08-08 | Volkswagen Aktiengesellschaft | Verfahren zur Verarbeitung von Sensordaten in einer Anzahl von Steuergeräten, entsprechend ausgelegte Vorverarbeitungseinheit sowie Fahrzeug |
GB2573091B (en) * | 2018-02-19 | 2020-11-18 | Valkyrie Industries Ltd | Haptic feedback for virtual reality |
JP6767416B2 (ja) * | 2018-03-26 | 2020-10-14 | ファナック株式会社 | 加工条件調整装置及び機械学習装置 |
US11665576B2 (en) * | 2018-08-10 | 2023-05-30 | Verizon Patent And Licensing Inc. | Systems and methods for wireless low latency traffic scheduler |
AU2019396213A1 (en) * | 2018-12-11 | 2021-05-27 | SafeAI, Inc. | Techniques for kinematic and dynamic behavior estimation in autonomous vehicles |
AU2020221866A1 (en) * | 2019-02-12 | 2021-10-07 | Sleep Number Corporation | Systems and methods for generating synthetic cardio-respiratory signals |
US11531881B2 (en) * | 2019-03-11 | 2022-12-20 | Lg Electronics Inc. | Artificial intelligence apparatus for controlling auto stop system based on driving information and method for the same |
US11169506B2 (en) * | 2019-06-26 | 2021-11-09 | Cisco Technology, Inc. | Predictive data capture with adaptive control |
US11316891B2 (en) * | 2019-07-18 | 2022-04-26 | Bank Of America Corporation | Automated real-time multi-dimensional cybersecurity threat modeling |
US11538287B2 (en) * | 2019-09-20 | 2022-12-27 | Sonatus, Inc. | System, method, and apparatus for managing vehicle data collection |
KR20210077916A (ko) * | 2019-12-18 | 2021-06-28 | 엘지전자 주식회사 | 인공 지능을 이용한 가전 기기의 통합 제어 방법 및 그 시스템 |
-
2019
- 2019-11-13 DE DE102019130609.4A patent/DE102019130609A1/de active Pending
-
2020
- 2020-11-04 US US17/088,789 patent/US20210142801A1/en not_active Abandoned
- 2020-11-11 CN CN202011255252.0A patent/CN112799295A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20210142801A1 (en) | 2021-05-13 |
CN112799295A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE10341573B4 (de) | Integrierte modellbasierte prädikative Steuerung und Optimierung innerhalb eines Prozesssteuerungssystems | |
EP2108139B1 (de) | Verfahren zur rechnergestützten regelung und/oder steuerung eines technischen systems, insbesondere einer gasturbine | |
DE112009003656B4 (de) | Verfahren und System zur In-Produktionsoptimierung der Parameter eines zur Montage verwendeten Roboters | |
DE10012258B4 (de) | Selbst-Abstimmung in einer verteilten Prozeß-Regelumgebung | |
DE10341764B4 (de) | Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems | |
EP2106576B1 (de) | Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems | |
EP2962161B1 (de) | Verfahren zum entwerfen eines nichtlinearen reglers für nichtlineare prozesse | |
EP3082000B1 (de) | Verfahren und system zum testen eines mechatronischen systems | |
EP2999998B1 (de) | Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems | |
WO2007020231A2 (de) | System für den maschinengestützten entwurf technischer vorrichtungen | |
WO2022028935A1 (de) | Computerimplementiertes verfahren zum bereitstellen eines test-verlaufs zu testender verkehrsszenarien | |
DE202018102632U1 (de) | Vorrichtung zum Erstellen einer Modellfunktion für ein physikalisches System | |
DE102019134053A1 (de) | Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen | |
DE102020115571A1 (de) | Digitales Doppelecosystem gekoppelt mit Additivherstellung wie konstruiert, wie hergestellt, wie getestet, wie betrieben, wie geprüft und wie gewartet | |
EP4212980A1 (de) | Fahrassistenzeinrichtung und verfahren zum durchführen einer wenigstens teilautomatischen fahrzeugfunktion in abhängigkeit von einer zu bewertenden fahrstrecke | |
DE10046742A1 (de) | Vorrichtung und Verfahren für ein Fahrzeugentwurfssytem | |
DE102019130609A1 (de) | Verfahren zum Bestimmen eines Reglers für eine Regelstrecke | |
WO2021089499A1 (de) | Verfahren und system zum prüfen einer automatisierten fahrfunktion durch reinforcement-learning | |
DE102019128223A1 (de) | Verfahren, Vorrichtungen und Computerprogramme | |
EP1183575A1 (de) | Verfahren, anordnung und computerprogramm zum entwurf eines technischen systems | |
EP0814402A2 (de) | Verfahren zum Entwurf oder zur Adaption eines Fuzzy-Reglers oder eines Systems von verknüpften Fuzzy-Reglern | |
DE102004039884A1 (de) | Verfahren und System zur Beschreibung und Ausführung automatischer Tests | |
DE102019128115B4 (de) | Fahrzeugmodell für Längsdynamik | |
DE102011076969A1 (de) | Verfahren zum rechnergestützten Lernen einer Regelung und/oder Steuerung eines technischen Systems | |
DE102018217139B4 (de) | Verfahren und Vorrichtung zum Konfigurieren einer Kennfunktion eines Steuergeräts eines Kraftfahrzeugs |