DE112019006928T5

DE112019006928T5 - Modellprädiktive regelungsvorrichtung, modellprädiktives regelungsprogramm, modellprädiktives regelungssystem und modellprädiktives regelungsverfahren

Info

Publication number: DE112019006928T5
Application number: DE112019006928.4T
Authority: DE
Inventors: Hidekazu Segawa; Atsushi Settsu; Masakatsu TOYAMA; Hiroki Konaka
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2019-03-29
Filing date: 2019-03-29
Publication date: 2021-12-02
Also published as: WO2020202316A1; JP6929488B2; US20210365033A1; JPWO2020202316A1; CN113614652A

Abstract

Eine Einheit zur Generierung eines Vorgangspfads (210) generiert eine Vorgangsgrößen-Zeitreihe für ein Stellglied (111) auf Grundlage einer von einem Zustandssensor (101) ausgegebenen Messzustandsgröße. Eine prädiktive Modelleinheit (220) generiert eine prädiktive Zustandsgrößen-Zeitreihe, indem ein prädiktives Modell unter Verwendung der Messzustandsgröße und der Vorgangsgrößen-Zeitreihe als Eingabe berechnet wird. Eine neuronale Netzwerkeinheit (230) korrigiert die prädiktive Zustandsgrößen-Zeitreihe, indem eine Rechenoperation eines neuronalen Netzwerks erfolgt, unter Verwendung einer von einem Umgebungssensor (102) ausgegebenen Messumgebungsgröße und der prädiktiven Zustandsgrößen-Zeitreihe als Eingabe. Eine Zustandsgrößen-Evaluierungseinheit (240) generiert ein Evaluierungsergebnis für die Zustandsgrößen-Zeitreihe nach der Korrektur. Die Einheit zur Generierung eines Vorgangspfads gibt eine Vorgangsgröße am Anfang der Vorgangsgrößen-Zeitreihe an das Stellglied aus, wenn das Evaluierungsergebnis ein geeignetes Kriterium erfüllt.

Description

Gebiet der Technik
Die vorliegende Erfindung bezieht sich auf eine modellprädiktive Regelung.
Technischer Hintergrund
Es ist eine modellprädiktive Regelung bekannt, um ein geregeltes Objekt anhand eines prädiktiven Modells zu regeln.
Zum Beispiel ist es möglich, eine modellprädiktive Regelung zur automatischen Betriebssteuerung von Fahrzeugen einzusetzen.
Patentliteratur 1 offenbart ein modellprädiktives Regelungssystem zur automatischen Änderung von Modellen entsprechend der externen Umgebung.
In diesem System wird ein Modell, das dem Wetter zu einem Vorhersagezeitpunkt entspricht, aus Modellen ausgewählt, die für jedes Wetter vorbereitet sind, wobei das ausgewählte Modell auf Grundlage der Außenlufttemperatur korrigiert wird, und es erfolgt eine modellprädiktive Regelung unter Verwendung des Modells nach der Korrektur.
Liste der Anführungen
Patentliteratur
Patentliteratur 1: JP 2000-099107 A
Abriss der Erfindung
Technische Aufgabe
Das System, das in Patentliteratur 1 offenbart ist, kann nicht mit einer unerwarteten externen Umgebung umgehen.
Selbst wenn zum Beispiel ein Modell für Sonne, ein Modell für Wolken, ein Modell für Regen und ein Modell für Schnee vorbereitet sind, ist die Auswahl eines für außergewöhnliches Wetter wie einen Taifun usw. geeigneten Modells nicht möglich. Ferner ist es, selbst wenn es möglich ist, ein für das Wetter zum Vorhersagezeitpunkt geeignetes Modell auszuwählen, unmöglich, wenn die Außenlufttemperatur zum Zeitpunkt der Vorhersage außerhalb eines Annahmebereichs liegt, das Modell in geeigneter Weise zu korrigieren.
Infolgedessen nimmt die Genauigkeit der modellprädiktiven Regelung ab.
Mit der vorliegenden Erfindung soll es möglich sein, dass die Genauigkeit der modellprädiktiven Regelung auch in einer unerwarteten Umgebung hoch bleibt.
Lösung der Aufgabe
Nach einem Aspekt der vorliegenden Erfindung umfasst eine modellprädiktive Regelungsvorrichtung:

eine Einheit zur Generierung einer Vorgangsgrößen-Zeitreihe, um - auf Grundlage einer von einem Zustandssensor zur Messung eines Zustands eines geregelten Objekts ausgegebenen Messzustandsgröße - eine Vorgangsgrößen-Zeitreihe für ein Stellglied zu generieren, damit sich der Zustand des geregelten Objekts ändert;
eine prädiktive Modelleinheit, um - durch Berechnung eines prädiktiven Modells unter Verwendung der Messzustandsgröße und der Vorgangsgrößen-Zeitreihe als Eingabe - eine prädiktive Zustandsgrößen-Zeitreihe zu generieren, bei der es sich um eine Zustandsgrößen-Zeitreihe zur Vorhersage des geregelten Objekts handelt;
eine neuronale Netzwerkeinheit, um die prädiktive Zustandsgrößen-Zeitreihe zu korrigieren, indem eine Rechenoperation eines neuronalen Netzwerks erfolgt, unter Verwendung einer von einem Umgebungssensor zur Messung einer Betriebsumgebung des geregelten Objekts ausgegebenen Messumgebungsgröße und der prädiktiven Zustandsgrößen-Zeitreihe als Eingabe;
eine Zustandsgrößen-Evaluierungseinheit, um - durch Berechnung einer Evaluierungsfunktion, unter Verwendung der prädiktiven Zustandsgrößen-Zeitreihe nach der Korrektur als Eingabe - ein Evaluierungsergebnis für eine Zustandsgrößen-Zeitreihe nach der Korrektur zu generieren, und
eine Vorgangsgrößen-Bestimmungseinheit, um an das Stellglied eine Vorgangsgröße an einem Anfang der Vorgangsgrößen-Zeitreihe auszugeben, wenn das Evaluierungsergebnis ein geeignetes Kriterium erfüllt.

Vorteilhafte Wirkungen der Erfindung
Nach der vorliegenden Erfindung wird eine prädiktive Zustandsgrößen-Zeitreihe korrigiert, indem eine Rechenoperation eines neuronales Netzwerks durchgeführt wird, bei der als Eingabe eine prädiktive Zustandsgrößen-Zeitreihe, die über ein prädiktives Modell erhalten wird, und eine von einem Umgebungssensor ausgegebene Messumgebungsgröße verwendet werden. So ist es möglich, die prädiktive Zustandsgrößen-Zeitreihe auch in einer unerwarteten Umgebung zu korrigieren. Auf diese Weise ist es möglich, dass die Genauigkeit einer modellprädiktiven Regelung auch in einer unerwarteten Umgebung hoch bleibt.
Figurenliste

1 ist ein Konfigurationsdiagramm eines modellprädiktiven Regelungssystems 100 nach einer ersten Ausführungsform;
2 ist ein Konfigurationsdiagramm einer modellprädiktiven Regelungsvorrichtung 200 nach der ersten Ausführungsform;
3 ist eine erläuternde Skizze einer modellprädiktiven Regelung nach der ersten Ausführungsform;
4 ist eine erläuternde Skizze einer modellprädiktiven Regelung nach der ersten Ausführungsform;
5 ist ein Flussdiagramm eines modellprädiktiven Regelungsverfahrens nach der ersten Ausführungsform;
6 ist ein Diagramm, das ein neuronales Netzwerk 231 nach der ersten Ausführungsform veranschaulicht;
7 ist ein Konfigurationsdiagramm eines modellprädiktiven Regelungssystems 190, bei dem das neuronale Netzwerk 231 nicht verwendet wird;
8 ist ein Konfigurationsdiagramm des modellprädiktiven Regelungssystems 190, das zur automatischen Betriebssteuerung eines Fahrzeugs verwendet wird;
9 ist ein Diagramm, das eine automatische Betriebssteuerung eines Fahrzeugs durch das modellprädiktive Regelungssystem 190 veranschaulicht;
10 ist eine erläuternde Skizze einer automatischen Betriebssteuerung eines Fahrzeugs;
11 ist ein Konfigurationsdiagramm eines modellprädiktiven Regelungssystems 100 nach einer zweiten Ausführungsform;
12 ist ein Konfigurationsdiagramm einer modellprädiktiven Regelungsvorrichtung 200 nach der zweiten Ausführungsform;
13 ist ein Konfigurationsdiagramm einer Historien-Einheit 280 nach der zweiten Ausführungsform;
14 ist ein schematisches Diagramm eines Lernverfahrens nach der zweiten Ausführungsform;
15 ist ein Flussdiagramm eines Lernverfahrens nach der zweiten Ausführungsform;
16 ist ein Konfigurationsdiagramm eines modellprädiktiven Regelungssystems 300 nach einer dritten Ausführungsform;
17 ist ein Konfigurationsdiagramm einer modellprädiktiven Regelungsvorrichtung 400 nach der dritten Ausführungsform;
18 ist ein Flussdiagramm eines modellprädiktiven Regelungsverfahrens nach der dritten Ausführungsform;
19 ist ein Diagramm, das ein neuronales Netzwerk 411 nach der dritten Ausführungsform veranschaulicht;
20 ist ein Konfigurationsdiagramm einer Hardware einer modellprädiktiven Regelungsvorrichtung 200 nach den Ausführungsformen; und
21 ist ein Konfigurationsdiagramm einer Hardware einer modellprädiktiven Regelungsvorrichtung 400 nach den Ausführungsformen.

Beschreibung der Ausführungsformen
In den Ausführungsformen und Zeichnungen werden gleiche Elemente oder entsprechende Elemente mit gleichen Bezugszahlen bezeichnet. Auf Erläuterungen für Elemente, die mit den gleichen Bezugszahlen wie Elemente bezeichnet sind, die bereits erläutert worden sind, wird verzichtet oder sie werden auf geeignete Weise vereinfacht. Die Pfeile in den Zeichnungen veranschaulichen hauptsächlich Datenflüsse oder Verarbeitungsabläufe.
Erste Ausführungsform
Erklärt wird ein modellprädiktives Regelungssystem 100 unter Verwendung eines neuronalen Netzwerks auf Grundlage von 1 bis 10.
Das modellprädiktive Regelungssystem 100 ist ein System zur Regelung eines geregelten Objekts mittels modellprädiktiver Regelung (MPC). Die modellprädiktive Regelung wird später erläutert.
Zum Beispiel kann das modellprädiktive Regelungssystem 100 verwendet werden, um den automatischen Betrieb eines Fahrzeugs zu realisieren.
*** Konfigurationsbeschreibung ***
Auf Grundlage von 1 wird die Konfiguration des modellprädiktiven Regelungssystems 100 beschrieben.
Das modellprädiktive Regelungssystem 100 umfasst eine Zustandssensorgruppe, eine Umgebungssensorgruppe, eine Stellgliedgruppe und eine modellprädiktive Regelungsvorrichtung 200.
Die Zustandssensorgruppe besteht aus einem oder mehreren Zustandssensoren 101.
Die Zustandssensoren 101 sind Sensoren zur Messung der Zustände eines geregelten Objekts.
Zum Beispiel ist das geregelte Objekt ein Fahrzeug und ein Zustandssensor 101 ist ein Geschwindigkeitssensor oder ein Positionssensor. Der Geschwindigkeitssensor misst eine Geschwindigkeit des Fahrzeugs. Der Positionssensor misst eine Position des Fahrzeugs.
Die Umgebungssensorgruppe besteht aus einem oder mehreren Umgebungssensoren 102.
Die Umgebungssensoren 102 sind Sensoren zur Messung einer Betriebsumgebung eines geregelten Objekts.
Zum Beispiel ist das geregelte Objekt ein Fahrzeug und ein Umgebungssensor 102 ist ein Fahrzeuggewichtssensor oder ein Lagesensor. Der Fahrzeuggewichtssensor misst ein Gewicht des Fahrzeugs (einschließlich des Gewichts eines Insassen und von Gepäck). Der Lagesensor misst eine Lage (Neigung) des Fahrzeugs. Die Lage des Fahrzeugs entspricht einer Neigung einer Straßenoberfläche.
Die Stellgliedgruppe besteht aus einem oder mehreren Stellgliedern 111.
Die Stellglieder 111 ändern die Zustände eines geregelten Objekts.
Zum Beispiel ist das geregelte Objekt ein Fahrzeug und ein Stellglied 111 ist eine Lenkung, ein Motor oder eine Bremse.
Die modellprädiktive Regelungsvorrichtung 200 ist eine Vorrichtung zur Regelung eines geregelten Objekts mittels modellprädiktiver Regelung (MPC). Die modellprädiktive Regelung wird später erläutert.
Zum Beispiel führt die modellprädiktive Regelungsvorrichtung 200 eine automatische Betriebsregelung für ein Fahrzeug durch.
Die modellprädiktive Regelungsvorrichtung 200 zeichnet sich dadurch aus, dass sie eine neuronale Netzwerkeinheit 230 umfasst.
Auf Grundlage von 2 wird eine Konfiguration der modellprädiktiven Regelungsvorrichtung 200 beschrieben.
Die modellprädiktive Regelungsvorrichtung 200 ist ein Computer, der Hardware-Komponenten wie einen Prozessor 201, einen Arbeitsspeicher 202, eine Hilfsspeichereinrichtung 203, eine Eingabe/Ausgabe-Schnittstelle 204 und eine Kommunikationseinrichtung 205 umfasst. Diese Hardware-Komponenten sind über Signalleitungen miteinander verbunden.
Der Prozessor 201 ist ein IC, der eine Rechenverarbeitung durchführt und andere Hardware-Komponenten steuert. Zum Beispiel ist der Prozessor 201 eine CPU, ein DSP oder GPU.
IC ist die Abkürzung für „Integrated Circuit“, d. h. integrierter Schaltkreis.
CPU ist die Abkürzung für „Central Processing Unit“, d. h. zentrale Verarbeitungseinheit.
DSP ist die Abkürzung für „Digital Signal Processor“, d. h. digitaler Signalprozessor.
GPU ist die Abkürzung für „Graphics Processing Unit“, d. h. Grafikprozessor.
Der Speicher 202 ist eine flüchtige Speichereinheit. Der Arbeitsspeicher 202 wird auch als eine Hauptspeichereinrichtung oder als ein Hauptspeicher bezeichnet. Der Arbeitsspeicher 202 ist zum Beispiel ein RAM. Im Arbeitsspeicher 202 gespeicherte Daten werden nach Bedarf in der Hilfsspeichereinrichtung 203 gespeichert.
RAM ist die Abkürzung für „Random Access Memory“, d. h. Speicher mit wahlfreiem Zugriff.
Die Hilfsspeichereinrichtung 203 ist eine nicht-flüchtige Speichereinrichtung. Insbesondere ist die Hilfsspeichereinrichtung 203 ein ROM, ein HDD oder ein Flash-Speicher. In der Hilfsspeichereinrichtung 203 gespeicherte Daten werden bei Bedarf in den Arbeitsspeicher 202 geladen.
ROM ist die Abkürzung für „Read Only Memory“, d. h. Nur-Lese-Speicher.
HDD ist die Abkürzung für „Hard Disk Drive“, d. h. Festplattenlaufwerk.
Die Eingabe/Ausgabe-Schnittstelle 204 ist ein Port, mit dem eine Eingabeeinrichtung und eine Ausgabeeinrichtung verbunden sind. Zum Beispiel sind die Zustandssensorgruppe, die Umgebungssensorgruppe und Stellgliedgruppe mit der Eingabe/Ausgabe-Schnittstelle 204 verbunden.
USB ist die Abkürzung für „Universal Serial Bus“.
Die Kommunikationseinrichtung 205 ist ein Empfänger und ein Transmitter. Zum Beispiel ist die Kommunikationseinrichtung 205 ein Kommunikationschip oder eine NIC.
NIC ist die Abkürzung für „Network Interface Card“, d. h. Netzwerkkarte.
Die modellprädiktive Regelungsvorrichtung 200 umfasst Elemente wie eine Einheit zur Generierung eines Vorgangspfads 210, eine prädiktive Modelleinheit 220, die neuronale Netzwerkeinheit 230 und eine Zustandsgrößen-Evaluierungseinheit 240. Diese Elemente sind durch Software realisiert. Die Einheit zur Generierung eines Vorgangspfads 210 umfasst eine Einheit zur Generierung einer Vorgangsgrößen-Zeitreihe 211 und eine Vorgangsgrößen-Bestimmungseinheit 212.
Die Hilfsspeichereinrichtung 203 speichert ein modellprädiktives Regelungsprogramm, damit ein Computer als die Einheit zur Generierung eines Vorgangspfads 210, die prädiktive Modelleinheit 220, die neuronale Netzwerkeinheit 230 und die Zustandsgrößen-Evaluierungseinheit 240 funktioniert. Das modellprädiktive Regelungsprogramm wird in den Arbeitsspeicher 202 geladen und durch den Prozessor 201 ausgeführt.
In der Hilfsspeichereinrichtung 203 ist darüber hinaus ein OS gespeichert. Zumindest ein Teil des OS wird in den Arbeitsspeicher 202 geladen und durch den Prozessor 201 ausgeführt.
Der Prozessor 201 führt das modellprädiktive Regelungsprogramm aus, während das OS ausgeführt wird.
OS ist die Abkürzung für „Operating System“, d. h. Betriebssystem.
Die Eingabe- und Ausgabedaten des modellprädiktiven Regelungsprogramms sind in einer Speichereinheit 290 gespeichert.
Der Arbeitsspeicher 202 funktioniert als die Speichereinheit 290. Jedoch können Speichereinrichtungen wie die Hilfsspeichereinrichtung 203, ein Register im Prozessor 201 und ein Cache-Speicher im Prozessor 201 usw. als die Speichereinheit 290 anstelle des Arbeitsspeichers 202, oder zusammen mit dem Arbeitsspeicher 202, funktionieren.
Die modellprädiktive Regelungsvorrichtung 200 kann mehrere Prozessoren umfassen, die den Prozessor 201 ersetzen. Die mehreren Prozessoren übernehmen gemeinsam die Rollen des Prozessors 201.
Das modellprädiktive Regelungsprogramm kann in einem nicht-flüchtigen Speichermedium wie einer optischen Platte oder einem Flash-Speicher usw. in computerlesbarer Form erfasst (gespeichert) sein.
Die modellprädiktive Regelung (MPC) wird auf Grundlage von 3 und 4 erläutert. Die modellprädiktive Regelung ist eine konventionelle Technik.
Zuerst wird die modellprädiktive Regelung auf Grundlage von 3 erläutert.
Die modellprädiktive Regelung ist ein Regelungsverfahren zur Berechnung einer optimalen Regelungseingabe unter Verwendung einer prädiktiven Schätzung eines geregelten Objekts.
Bei der modellprädiktiven Regelung kommen ein prädiktives Modell und eine Optimierungsvorrichtung zum Einsatz. Das prädiktive Modell ist ein Modell zur Nachahmung eines geregelten Objekts. Die Optimierungsvorrichtung evaluiert die Vorgänge des prädiktiven Modells und berechnet eine optimale Regelungseingabe.
Ein Satz der Einheit zur Generierung eines Vorgangspfads 210 und die Zustandsgrößen-Evaluierungseinheit 240 entsprechen der Optimierungsvorrichtung.
Als Nächstes wird die modellprädiktive Regelung auf Grundlage von 4 erläutert. Eine Vorgangsgröße u entspricht einer Regelungseingabe u(t) in 3.
Bei der modellprädiktiven Regelung wird eine Zeitreihe xi einer prädiktiven Zustandsgröße auf Grundlage einer Zeitreihe ui generiert, die ein Kandidat der Vorgangsgröße ist, und die Qualität der prädiktiven Zustandsgröße wird durch eine Evaluierungsfunktion beurteilt. Dieser Prozess wird wiederholt, bis eine prädiktive Zustandsgröße mit hoher Evaluierung erreicht ist. Dann wird eine Vorgangsgröße u1, die einer prädiktiven Zustandsgröße mit hoher Evaluierung entspricht, ausgegeben.
***Funktionsbeschreibung***
Die Funktionsweise des modellprädiktiven Regelungssystems 100 entspricht einem modellprädiktiven Regelungsverfahren. Ferner entspricht ein Ablauf des modellprädiktiven Regelungsverfahrens durch die modellprädiktive Regelungsvorrichtung 200 dem Ablauf des modellprädiktiven Regelungsprogramms.
Das modellprädiktive Regelungsverfahren wird auf Grundlage von 5 erläutert.
Um die Erläuterung einfach zu halten, erfolgt die Erläuterung, indem die Zustandssensorgruppe als ein Zustandssensor 101, die Umgebungssensorgruppe als ein Umgebungssensor 102 und die Stellgliedgruppe als ein Stellglied 111 betrachtet wird.
Der Zustandssensor 101 misst in Abständen einen Zustand eines geregelten Objekts und gibt eine Messzustandsgröße aus. Die Messzustandsgröße ist eine Zustandsgröße, die dadurch erhalten wird, dass der Zustand des geregelten Objekts gemessen wird. Die Zustandsgröße stellt den Zustand des geregelten Objekts dar.
Der Umgebungssensor 102 misst periodisch eine Betriebsumgebung des geregelten Objekts und gibt eine Messumgebungsgröße aus. Die Messumgebungsgröße ist eine Umgebungsgröße, die dadurch erhalten wird, dass die Betriebsumgebung des geregelten Objekts gemessen wird. Die Umgebungsgröße stellt die Betriebsumgebung des geregelten Objekts dar.
Schritt S110 bis Schritt S160 werden wiederholt durchgeführt.
In Schritt S110 nimmt die Einheit zur Generierung einer Vorgangsgrößen-Zeitreihe 211 eine vom Zustandssensor 101 ausgegebene Messzustandsgröße an.
Die Einheit zur Generierung einer Vorgangsgrößen-Zeitreihe 211 generiert eine Vorgangsgrößen-Zeitreihe auf Grundlage der angenommenen Messzustandsgröße.
Dann gibt die Einheit zur Generierung einer Vorgangsgrößen-Zeitreihe 211 die Messzustandsgröße und die Vorgangsgrößen-Zeitreihe aus.
Die Vorgangsgrößen-Zeitreihe besteht aus einer Vielzahl von Vorgangsgrößen, die in einer zeitlichen Abfolge angeordnet sind, und entspricht einer Zeitreihe ui, die ein Kandidat einer Vorgangsgröße in der konventionellen modellprädiktiven Regelung ist (siehe 4).
Ein Verfahren zur Generierung der Vorgangsgrößen-Zeitreihe ist dasselbe wie das Verfahren zur Generierung der Zeitreihe ui, die ein Kandidat einer Vorgangsgröße in der konventionellen modellprädiktiven Regelung ist.
In Schritt S120 nimmt die prädiktive Modelleinheit 220 die Messzustandsgröße und die von der Einheit zur Generierung einer Vorgangsgrößen-Zeitreihe 211 ausgegebene Vorgangsgrößen-Zeitreihe an.
Die prädiktive Modelleinheit 220 berechnet ein prädiktives Modell unter Verwendung der Messzustandsgröße und der Vorgangsgrößen-Zeitreihe als Eingabe. Auf diese Weise wird eine prädiktive Zustandsgrößen-Zeitreihe generiert.
Dann gibt die prädiktive Modelleinheit 220 die prädiktive Zustandsgrößen-Zeitreihe aus.
Die prädiktive Zustandsgrößen-Zeitreihe ist eine Zustandsgrößen-Zeitreihe, die vom prädiktiven Modell vorhergesagt wird.
Die Zustandsgrößen-Zeitreihe besteht aus einer Vielzahl von Zustandsgrößen, die in einer zeitlichen Abfolge angeordnet sind, und entspricht einer Zeitreihe xi einer prädiktiven Zustandsgröße in der konventionellen modellprädiktiven Regelung ist (siehe 4).
Ein Verfahren zur Generierung der Zustandsgrößen-Zeitreihe ist dasselbe wie das Verfahren zur Generierung der Zeitreihe xi der prädiktiven Zustandsgröße in der konventionellen modellprädiktiven Regelung.
In Schritt S130 nimmt die neuronale Netzwerkeinheit 230 eine vom Umgebungssensor 102 ausgegebene Messumgebungsgröße und eine von der prädiktiven Modelleinheit 220 ausgegebene prädiktive Zustandsgrößen-Zeitreihe an.
Die neuronale Netzwerkeinheit 230 führt eine Rechenoperation eines neuronalen Netzwerks 231 durch und verwendet dazu als Eingabe die Messumgebungsgröße und die prädiktive Zustandsgrößen-Zeitreihe. Auf diese Weise wird die prädiktive Zustandsgrößen-Zeitreihe korrigiert.
Dann gibt die neuronale Netzwerkeinheit 230 die prädiktive Zustandsgrößen-Zeitreihe nach der Korrektur aus.
Das neuronale Netzwerk 231 wird später erläutert.
In Schritt S140 nimmt die Zustandsgrößen-Evaluierungseinheit 240 die von der neuronalen Netzwerkeinheit 230 ausgegebene prädiktive Zustandsgrößen-Zeitreihe nach der Korrektur an.
Die neuronale Netzwerkeinheit 230 berechnet eine Evaluierungsfunktion und verwendet dabei die prädiktive Zustandsgrößen-Zeitreihe nach der Korrektur als Eingabe. Auf diese Weise wird ein Zustandsgrößen-Evaluierungsergebnis generiert.
Dann gibt die Zustandsgrößen-Evaluierungseinheit 240 das Zustandsgrößen-Evaluierungsergebnis aus.
Das Zustandsgrößen-Evaluierungsergebnis ist ein Evaluierungsergebnis für die prädiktive Zustandsgrößen-Zeitreihe nach der Korrektur, was einem Evaluierungsergebnis für die Zeitreihe xi der prädiktiven Zustandsgröße in der konventionellen modellprädiktiven Regelung entspricht (siehe 4).
Ein Verfahren zur Generierung des Zustandsgrößen-Evaluierungsergebnisses ist dasselbe wie das Verfahren zur Generierung des Evaluierungsergebnisses der Zeitreihe xi der prädiktiven Zustandsgröße in der konventionellen modellprädiktiven Regelung.
In Schritt S150 nimmt die Vorgangsgrößen-Bestimmungseinheit 212 das von der Zustandsgrößen-Evaluierungseinheit 240 ausgegebene Zustandsgrößen-Evaluierungsergebnis an.
Dann urteilt die Vorgangsgrößen-Bestimmungseinheit 212, ob das Zustandsgrößen-Evaluierungsergebnis ein geeignetes Kriterium erfüllt. Das geeignete Kriterium ist ein vorab festgelegtes Kriterium. Das Beurteilungsverfahren ist dasselbe wie das Verfahren in der konventionellen modellprädiktiven Regelung.
Wenn das Zustandsgrößen-Evaluierungsergebnis das geeignete Kriterium erfüllt, ist die in Schritt S110 generierte Vorgangsgrößen-Zeitreihe eine optimale Vorgangsgrößen-Zeitreihe, d. h. eine optimale Lösung.
Wenn die in Schritt S110 generierte Vorgangsgrößen-Zeitreihe die optimale Lösung ist, geht die Verarbeitung in Schritt S160 weiter.
Wenn die in Schritt S110 generierte Vorgangsgrößen-Zeitreihe nicht die optimale Lösung ist, geht die Verarbeitung in Schritt S110 weiter. Dann wird eine weitere Vorgangsgrößen-Zeitreihe in Schritt S110 generiert.
In Schritt S160 gibt die Vorgangsgrößen-Bestimmungseinheit 212 an das Stellglied 111 eine Vorgangsgröße aus, die am Anfang der Vorgangsgrößen-Zeitreihe (optimale Lösung) steht, die in Schritt S110 generiert worden ist. Die Vorgangsgröße am Anfang wird als „erste Vorgangsgröße“ bezeichnet.
Das Stellglied 111 nimmt die von der Vorgangsgrößen-Bestimmungseinheit 212 ausgegebene erste Vorgangsgröße an. Dann funktioniert das Stellglied 111 gemäß der angenommenen ersten Vorgangsgröße. Im Ergebnis ändert sich der Zustand des geregelten Objekts.
Das neuronale Netzwerk 231 wird auf Grundlage von 6 erläutert.
Das neuronale Netzwerk 231 ist ein neuronales Netzwerk für das modellprädiktive Regelungssystem 100.
Eine Konfiguration eines neuronalen Netzwerks wird erläutert.
Das neuronale Netzwerk hat eine Eingabeschicht, eine verdeckte Schicht und eine Ausgabeschicht.
Jede Schicht umfasst einen oder mehrere Knoten. Ein Kreis repräsentiert einen Knoten.
Knoten zwischen Schichten sind durch eine Kante verbunden. Eine gestrichelte Linie stellt eine Kante dar.
Für jede Kante ist ein Gewicht gesetzt.
Ein Wert eines Knotens in einer späteren Schicht wird auf Grundlage eines Wertes eines Knotens in einer früheren Schicht und eines Gewichts, das für eine Kante gesetzt ist, bestimmt.
Im neuronalen Netzwerk 231 sind eine prädiktive Zustandsgrößen-Zeitreihe (x1, ..., xk) und eine Messumgebungsgröße (y0) Eingaben in die Eingabeschicht. Danach ist die prädiktive Zustandsgrößen-Zeitreihe (x'1, ..., x'k) nach der Korrektur eine Ausgabe seitens der Ausgabeschicht.
***Wirkung der ersten Ausführungsform***
Eine Aufgabe der modellprädiktiven Regelungsvorrichtung 191, bei der das neuronale Netzwerk 231 nicht verwendet wird, wird auf Grundlage von 7 bis 10 erläutert.
7 veranschaulicht eine Konfiguration des modellprädiktiven Regelungssystems 190, bei der das neuronale Netzwerk 231 nicht verwendet wird.
Das modellprädiktive Regelungssystem 190 umfasst keine Umgebungssensorgruppe.
Ferner umfasst die modellprädiktive Regelungsvorrichtung 191 keine Funktion, die dem neuronalen Netzwerk 230 entspricht.
Daher ist es der modellprädiktiven Regelungsvorrichtung 191 nicht möglich, eine prädiktive Zustandsgrößen-Zeitreihe auf Grundlage einer Messumgebungsgröße zu korrigieren.
Jedoch sind die Zustandssensorgruppe und die Stellgliedgruppe einer externen Umgebung ausgesetzt. Daher stimmen eine von der Zustandssensorgruppe gemessene Zustandsgröße und eine von der Stellgliedgruppe geänderte Zustandsgröße nicht immer mit der prädiktiven Zustandsgrößen-Zeitreihe überein.
8 veranschaulicht eine Konfiguration des modellprädiktiven Regelungssystems 190, das zur automatischen Betriebssteuerung eines Fahrzeugs verwendet wird.
Das modellprädiktive Regelungssystem 190 ist mit Zustandssensoren wie einem Fahrzeuggeschwindigkeitssensor und einem Positionssensor ausgestattet. Ferner ist das modellprädiktive Regelungssystem 190 mit Stellgliedern wie Lenkung, Motor und Bremse ausgestattet.
Die modellprädiktive Regelungsvorrichtung 191 bestimmt eine Lenkungsgröße, eine Motorausgabe und eine Bremsausgabe auf Grundlage der Geschwindigkeit des Fahrzeugs und der Position des Fahrzeugs.
Wenn das modellprädiktive Regelungssystem 190 generalisiert ist, wird das modellprädiktive Regelungssystem 190 als ein System zur Ausgabe einer Vorgangsgröße auf Grundlage einer Zustandsgröße betrachtet.
9 veranschaulicht eine Bedingung einer automatischen Betriebssteuerung eines Fahrzeugs durch das modellprädiktive Regelungssystem 190.
Die modellprädiktive Regelungsvorrichtung 191 gibt eine Vorgangsgröße u_i aus, um eine Änderung einer Zustandsgröße x_i (Fahrzeuggeschwindigkeit, Fahrzeugposition) zu bewirken. Auf diese Weise wird die Fahrtroute des Fahrzeugs geregelt.
Eine automatische Betriebssteuerung eines Fahrzeugs wird auf Grundlage von 10 erläutert.
In einem Fahrzeug wirken Schwerkraft aufgrund des Fahrzeuggewichts, Belastung durch eine Straßenoberfläche und Antriebskraft durch eine Antriebsmaschine usw.
Ein Beschleunigungsbetrag Δ_v eines Fahrzeugs kann durch eine Formel (1) wiedergegeben sein.
„M“ steht für ein Fahrzeuggewicht. „θ“ steht für einen Neigungswinkel eines Fahrzeugs. „F“ steht für eine Vorgangsgröße einer Antriebsmaschine. „g“ steht für die Erdbeschleunigung.
„X_Verstärkung“ steht für eine Verstärkungskorrekturgröße. „X_Sens“ steht für eine Messzustandsgröße. „X_Ofs“ steht für eine Offset-Korrekturgröße.
[Ausdruck 1] $\begin{array}{l} Δ_{ν} = Δ_{t} a = Δ_{t} (\frac{F}{M} - g sin (θ)) \\ θ = Θ_{g a i n} θ_{s e n s} + Θ_{o f s} \\ M = M_{g a i n} M_{s e n s} + M_{a f s} \end{array}$
Es ist jedoch erforderlich, nach der Kalibrierung jedes Zustandssensors eine Korrektur unter Berücksichtigung anderer Fehler durchzuführen. Ferner ist es erforderlich, weiter zu prüfen, wenn eine Messzustandsgröße eine nicht lineare Charakteristik hat.
Des Weiteren hängen die Verstärkungskorrekturgröße X_Verstärkung und die Offset-Korrekturgröße X_Ofs von der Betriebsumgebung ab.
Daher nimmt, wenn die Betriebsumgebung nicht berücksichtigt wird, die Genauigkeit der automatischen Betriebssteuerung eines Fahrzeugs gegebenenfalls ab.
Währenddessen realisiert die modellprädiktive Regelungsvorrichtung 200 in der ersten Ausführungsform Regelung unter Berücksichtigung einer Betriebsumgebung unter Verwendung des neuronalen Netzwerks 231. Im Ergebnis ist es möglich, mehrere Arten einer Regelung mit einem hohen Maß an Genauigkeit durchzuführen.
Zum Beispiel ist es möglich, selbst wenn für die Zustandssensoren eines Fahrzeugs nicht die korrekte Kalibrierung erfolgt, eine automatische Betriebssteuerung mit einem hohen Maß an Genauigkeit zu realisieren.
Zweite Ausführungsform
In Bezug auf eine Ausführungsform, bei der ein Gewichtsparameter des neuronalen Netzwerks 231 gelernt wird, werden Teile, die sich von der ersten Ausführungsform unterscheiden, im Wesentlichen auf Grundlage von 11 bis 15 erläutert.
*** Konfigurationsbeschreibung ***
Eine Konfiguration des modellprädiktiven Regelungssystems 100 wird auf Grundlage von 11 erläutert.
Die Konfiguration des modellprädiktiven Regelungssystems 100 ist dieselbe wie die Konfiguration in der ersten Ausführungsform, mit Ausnahme der Konfiguration der modellprädiktiven Regelungsvorrichtung 200 (siehe 1).
Die Konfiguration der modellprädiktiven Regelungsvorrichtung 200 wird auf Grundlage von 12 erläutert.
Die modellprädiktive Regelungsvorrichtung 200 umfasst ferner einen Lernabschnitt 250. Der Lernabschnitt 250 umfasst eine Modellberechnungseinheit 251 und einen Gewichtsparameter-Lernabschnitt 252. Der Lernabschnitt 250 wird über Software realisiert.
Über das modellprädiktive Regelungsprogramm funktioniert ein Computer ferner als der Lernabschnitt 250.
Die modellprädiktive Regelungsvorrichtung 200 umfasst ferner eine Historien-Einheit 280. Die Historien-Einheit 280 wird durch eine Speichervorrichtung wie einen Speicher 202 usw. realisiert.
Eine Konfiguration der Historien-Einheit 280 wird auf Grundlage von 13 erläutert.
Die Historien-Einheit 280 speichert Daten wie Zustandsgrößenhistorie 281, Umgebungsgrößenhistorie 282, Vorgangsgrößenhistorie 283 und Zustandsgrößen-Lernhistorie 284.
Die Zustandsgrößenhistorie 281 ist eine Historie einer Messzustandsgröße, das heißt ein Satz früherer Messzustandsgrößen. Die frühere Messzustandsgröße wird als „frühere Zustandsgröße“ bezeichnet. Eine Zeitreihe der früheren Zustandsgröße wird als „frühere Zustandsgrößen-Zeitreihe“ bezeichnet.
Die Umgebungsgrößenhistorie 282 ist eine Historie einer Messumgebungsgröße, das heißt ein Satz früherer Messumgebungsgrößen. Die frühere Messumgebungsgröße wird als „frühere Umgebungsgröße“ bezeichnet.
Die Vorgangsgrößenhistorie 283 ist eine Historie einer Vorgangsgröße, das heißt ein Satz früherer Vorgangsgrößen. Die frühere Vorgangsgröße wird als „frühere Vorgangsgröße“ bezeichnet. Eine Zeitreihe der früheren Vorgangsgröße wird als „frühere Vorgangsgrößen-Zeitreihe“ bezeichnet.
Die Zustandsgrößen-Lernhistorie 284 ist die Historie einer Zustandsgrößen-Lernzeitreihe, das heißt, ein Satz früherer Zustandsgrößen-Lernzeitreihen.
Die Zustandsgrößen-Lernzeitreihe ist eine Zustandsgrößen-Lernzeitreihe, die zum Lernen eines Gewichtsparameters, der im neuronalen Netzwerk 231 verwendet wird, generiert wird.
***Funktionsbeschreibung***
Eine Zusammenfassung eines Lernverfahrens durch den Lernabschnitt 250 wird auf Grundlage von 14 erläutert.
„Vorhersage“ bezeichnet eine Verarbeitung zur Generierung einer Zustandsgrößen-Lernzeitreihe.
Die Zustandsgrößen-Lernzeitreihe entspricht einer prädiktiven Zustandsgrößen-Zeitreihe. Das heißt, die Zustandsgrößen-Lernzeitreihe wird generiert, indem ein prädiktives Modell berechnet wird, das wie das prädiktive Modell ist, das zur Generierung der prädiktiven Zustandsgrößen-Zeitreihe verwendet wird.
In der „Vorhersage“ werden eine frühere Vorgangsgrößen-Zeitreihe und eine frühere Zustandsgröße verwendet.
Die frühere Vorgangsgrößen-Zeitreihe ist eine Zeitreihe der früheren Vorgangsgröße.
Als eine Vorgangsgröße u0 der früheren Vorgangsgrößen-Zeitreihe wird eine Vorgangsgröße u0 zu einem ersten Zeitpunkt (t=1) verwendet.
Als eine Vorgangsgröße u1 der früheren Vorgangsgrößen-Zeitreihe wird eine Vorgangsgröße u0 zu einem zweiten Zeitpunkt (t=2) verwendet.
Als eine Vorgangsgröße u0 der früheren Vorgangsgrößen-Zeitreihe wird eine Vorgangsgröße u0 zu einem dritten Zeitpunkt (t=3) verwendet.
Als eine frühere Zustandsgröße wird eine Zustandsgröße x0 zum ersten Zeitpunkt (t=1) verwendet.
„Lernen“ bezeichnet die Verarbeitung zum Lernen eines Gewichtsparameters, der im neuronalen Netzwerk 231 verwendet wird.
Beim „Lernen“ werden eine Zustandsgrößen-Lernzeitreihe und eine frühere Zustandsgrößen-Zeitreihe verwenden.
Als eine Zustandsgröße x1 der früheren Zustandsgrößen-Zeitreihe wird die Zustandsgröße x0 zum zweiten Zeitpunkt (t=2) verwendet.
Als eine Zustandsgröße x2 der früheren Zustandsgrößen-Zeitreihe wird die Zustandsgröße x0 zum dritten Zeitpunkt (t=3) verwendet.
Ein Lernverfahren durch den Lernabschnitt 250 wird auf Grundlage von 15 erläutert.
Das Lernverfahren wird wiederholt durchgeführt. Zum Beispiel wird das Lernverfahren periodisch durchgeführt, oder immer wenn eine Vorgangsgröße an das Stellglied 111 ausgegeben wird.
Im Lernverfahren funktioniert die Historien-Einheit 280 wie folgt.
Immer wenn eine Messzustandsgröße vom Zustandssensor 101 ausgegeben wird, speichert die Historien-Einheit 280 die Ausgabe der Messzustandsgröße.
Immer wenn eine Messumgebungsgröße vom Umgebungssensor 102 ausgegeben wird, speichert die Historien-Einheit 280 die Ausgabe der Messumgebungsgröße.
Immer wenn eine Vorgangsgröße von der Vorgangsgrößen-Bestimmungseinheit 212 an das Stellglied 111 ausgegeben wird, speichert die Historien-Einheit 280 die Ausgabe der Vorgangsgröße.
In Schritt S210 erhält die Modellberechnungseinheit 251 eine frühere Zustandsgröße und eine frühere Vorgangsgrößen-Zeitreihe von der Historien-Einheit 280.
Dann berechnet die Modellberechnungseinheit 251 ein prädiktives Modell unter Verwendung der früheren Zustandsgröße und der früheren Vorgangsgrößen-Zeitreihe als Eingabe. Das von der Modellberechnungseinheit 251 berechnete prädiktive Modell ist dasselbe wie das von der prädiktiven Modelleinheit 220 berechnete prädiktive Modell.
Auf diese Weise wird eine Zustandsgrößen-Zeitreihe generiert, die der prädiktiven Zustandsgrößen-Zeitreihe entspricht. Die generierte Zustandsgrößen-Zeitreihe wird als „Zustandsgrößen-Lernzeitreihe“ bezeichnet.
Die Modellberechnungseinheit 251 speichert die Zustandsgrößen-Lernzeitreihe in der Historien-Einheit 280.
In Schritt S220 erhält der Gewichtsparameter-Lernabschnitt 252 die frühere Umgebungsgröße, die frühere Zustandsgrößen-Zeitreihe und die Zustandsgrößen-Lernzeitreihe von der Historien-Einheit 280.
Dann führt der Gewichtsparameter-Lernabschnitt 252 unter Verwendung der Zustandsgrößen-Lernzeitreihe, der früheren Umgebungsgröße und der früheren Zustandsgrößen-Zeitreihe maschinelles Lernen für einen Gewichtsparameter des neuronalen Netzwerks 231 durch.
Konkret berechnet der Gewichtsparameter-Lernabschnitt 252 einen Gewichtsparameter des neuronalen Netzwerks 231, sodass eine Zustandsgrößen-Lernzeitreihe nach der Korrektur, die durch Ausführen des neuronalen Netzwerks 231 erhalten wird, das die Zustandsgrößen-Lernzeitreihe und die frühere Umgebungsgröße als Eingabe verwendet, mit der früheren Zustandsgrößen-Zeitreihe übereinstimmt.
In Schritt S230 evaluiert der Gewichtsparameter-Lernabschnitt 252 den Gewichtsparameter (Lernergebnis), der durch maschinelles Lernen erhalten wird.
Die Evaluierung des Lernergebnisses wird auf folgende Weise durchgeführt.
In Schritt S210 generiert die Modellberechnungseinheit 251 mehrere Zustandsgrößen-Lernzeitreihen in einem Lernzielzeitraum, indem mehrere frühere Zustandsgrößen im Lernzielzeitraum und mehrere frühere Vorgangsgrößen-Zeitreihen im Lernzielzeitraum verwendet werden.
In Schritt S220 führt der Gewichtsparameter-Lernabschnitt 252 maschinelles Lernen für einen Gewichtsparameter des neuronalen Netzwerks 231 durch, indem mehrere Zustandsgrößen-Lernzeitreihen in einem ersten Zeitraum, mehrere frühere Umgebungsgrößen im ersten Zeitraum und mehrere frühere Zustandsgrößen-Zeitreihen im ersten Zeitraum verwendet werden. Der erste Zeitraum ist ein Teil des Lernzielzeitraums. Zum Beispiel ist der erste Zeitraum eine frühere Hälfte des Lernzielzeitraums.
In Schritt S230 legt der Gewichtsparameter-Lernabschnitt 252 vorläufig den durch maschinelles Lernen im neuronalen Netzwerk 231 erhaltenen Gewichtsparameter fest. Als Nächstes führt der Gewichtsparameter-Lernabschnitt 252 eine Rechenoperation des neuronalen Netzwerks 231 durch, bei der mehrere Zustandsgrößen-Lernzeitreihen in einem zweiten Zeitraum und mehrere frühere Umgebungsgrößen im zweiten Zeitraum als Eingabe verwendet werden. Auf diese Weise werden mehrere Zustandsgrößen-Korrekturzeitreihen im zweiten Zeitraum erhalten. Der zweite Zeitraum ist ein Teil des Lernzielzeitraums. Zum Beispiel ist der zweite Zeitraum eine spätere Hälfte des Lernzielzeitraums. Die Zustandsgrößen-Korrekturzeitreihe ist eine Zustandsgrößen-Lernzeitreihe nach der Korrektur. Dann evaluiert der Gewichtsparameter-Lernabschnitt 252 ein Lernergebnis auf Grundlage einer Fehlergröße zwischen den mehreren Zustandsgrößen-Korrekturzeitreihen im zweiten Zeitraum und den mehreren früheren Zustandsgrößen-Zeitreihen im zweiten Zeitraum. Die Evaluierung für das Lernergebnis wird unter Verwendung eines allgemeinen Deep-Learning-Index durchgeführt.
Wenn das Evaluierungsergebnis lautet, dass ein geeignetes Lernergebnis erhalten ist, geht die Verarbeitung mit Schritt S240 weiter.
Wenn das Evaluierungsergebnis lautet, dass kein geeignetes Lernergebnis erhalten ist, wird der in Schritt S220 erhaltene Gewichtsparameter verworfen und die Verarbeitung des Lernverfahren endet. In diesem Fall wird der Gewichtsparameter des neuronalen Netzwerks 231 nicht aktualisiert.
In Schritt S240 legt der Gewichtsparameter-Lernabschnitt 252 den in Schritt S220 erhaltenen Gewichtsparameter im neuronalen Netzwerk 231 fest. Auf diese Weise wird der Gewichtsparameter des neuronalen Netzwerks 231 aktualisiert.
Nach Schritt S240 führt die neuronale Netzwerkeinheit 230 eine Korrektur der prädiktiven Zustandsgrößen-Zeitreihe durch, indem nach dem Update eine Rechenoperation des neuronalen Netzwerks 231 erfolgt.
*** Wirkung der zweiten Ausführungsform ***
Es ist möglich, einen Gewichtsparameter des neuronalen Netzwerks 231 zu lernen. Dadurch erhöht sich die Genauigkeit der Korrektur durch das neuronale Netzwerk 231. Infolgedessen erhöht sich der Genauigkeitsgrad der modellprädiktiven Regelung.
Dritte Ausführungsform
Ein modellprädiktives Regelungssystem 300 zur Berechnung einer Vorgangsgröße unter Verwendung quadratischer Programmierung wird auf Grundlage von 16 bis 19 erläutert.
Das modellprädiktive Regelungssystem 300 ist ein System zur Regelung eines geregelten Objekts mittels modellprädiktiver Regelung (MPC). Die modellprädiktive Regelung ist wie in der ersten Ausführungsform beschrieben.
Zum Beispiel kann das modellprädiktive Regelungssystem 300 verwendet werden, um den automatischen Betrieb eines Fahrzeugs zu realisieren.
*** Konfigurationsbeschreibung ***
Eine Konfiguration des modellprädiktiven Regelungssystems 300 wird auf Grundlage von 16 erläutert.
Das modellprädiktive Regelungssystem 300 ist mit einer Zustandssensorgruppe, einer Umgebungssensorgruppe, einer Stellgliedgruppe und einer modellprädiktiven Regelungsvorrichtung 400 ausgestattet.
Die Zustandssensorgruppe besteht aus einem oder mehreren Zustandssensoren 301.
Die Zustandssensoren 301 sind Sensoren zur Messung der Zustände eines geregelten Objekts.
Zum Beispiel ist das geregelte Objekt ein Fahrzeug und ein Zustandssensor 301 ist ein Geschwindigkeitssensor oder ein Positionssensor. Der Geschwindigkeitssensor misst die Geschwindigkeit eines Fahrzeugs. Der Positionssensor misst die Position eines Fahrzeugs.
Die Umgebungssensorgruppe besteht aus einem oder mehreren Umgebungssensoren 302.
Die Umgebungssensoren 302 sind Sensoren zur Messung einer Betriebsumgebung eines geregelten Objekts.
Zum Beispiel ist das geregelte Objekt ein Fahrzeug und ein Umgebungssensor 302 ist ein Fahrzeuggewichtssensor oder ein Lagesensor. Der Fahrzeuggewichtssensor misst ein Gewicht des Fahrzeugs (einschließlich des Gewichts eines Insassen und von Gepäck). Der Lagesensor misst eine Lage (Neigung) eines Fahrzeugs. Die Lage des Fahrzeugs entspricht einer Neigung einer Straßenoberfläche.
Die Stellgliedgruppe besteht aus einem oder mehreren Stellgliedern 311.
Die Stellglieder 311 ändern Zustände eines geregelten Objekts.
Zum Beispiel ist das geregelte Objekt ein Fahrzeug und ein Stellglied 311 ist eine Lenkung, ein Motor oder eine Bremse.
Die modellprädiktive Regelungsvorrichtung 400 ist eine Vorrichtung zur Regelung eines geregelten Objekts mittels modellprädiktiver Regelung (MPC).
Zum Beispiel führt die modellprädiktive Regelungsvorrichtung 400 eine automatische Betriebsregelung für ein Fahrzeug durch.
Die modellprädiktive Regelungsvorrichtung 400 zeichnet sich dadurch aus, dass sie eine neuronale Netzwerkeinheit 410 umfasst.
Eine Konfiguration der modellprädiktiven Regelungsvorrichtung 400 wird auf Grundlage von 17 erläutert.
Die modellprädiktive Regelungsvorrichtung 400 ist ein Computer, der mit Hardware-Komponenten wie einem Prozessor 401, einem Arbeitsspeicher 402, einer Hilfsspeichereinrichtung 403, einer Eingabe/Ausgabe-Schnittstelle 404 und einer Kommunikationseinrichtung 405 ausgestattet ist. Diese Hardware-Komponenten sind über Signalleitungen miteinander verbunden.
Der Prozessor 401 ist ein IC, der eine Rechenverarbeitung durchführt und andere Hardware-Komponenten steuert. Zum Beispiel ist der Prozessor 401 eine CPU, ein DSP oder eine GPU.
Der Speicher 402 ist eine flüchtige Speichereinheit. Der Arbeitsspeicher 402 wird auch als eine Hauptspeichereinrichtung oder als ein Hauptspeicher bezeichnet. Der Arbeitsspeicher 402 ist zum Beispiel ein RAM. Die im Arbeitsspeicher 402 gespeicherten Daten werden nach Bedarf in der Hilfsspeichereinrichtung 403 gespeichert.
Die Hilfsspeichereinrichtung 403 ist eine nicht-flüchtige Speichereinrichtung. Beispielsweise ist die Hilfsspeichereinrichtung 403 ein ROM, ein HDD oder ein Flash-Speicher. Die in der Hilfsspeichereinrichtung 403 gespeicherten Daten werden bei Bedarf in den Arbeitsspeicher 402 geladen.
Die Eingabe/Ausgabe-Schnittstelle 404 ist ein Port, mit dem eine Eingabeeinrichtung und eine Ausgabeeinrichtung verbunden sind. Zum Beispiel sind die Zustandssensorgruppe, die Umgebungssensorgruppe und Stellgliedgruppe mit der Eingabe/Ausgabe-Schnittstelle 404 verbunden.
Die Kommunikationseinrichtung 405 ist ein Empfänger und ein Transmitter. Zum Beispiel ist die Kommunikationseinrichtung 405 ein Kommunikationschip oder eine NIC.
Die modellprädiktive Regelungsvorrichtung 400 umfasst Elemente wie die neuronale Netzwerkeinheit 410, eine Einheit zur Generierung einer Evaluierungsformel 420 und eine Lösereinheit 430. Diese Elemente sind durch Software realisiert.
Die Hilfsspeichereinrichtung 403 speichert ein modellprädiktives Regelungsprogramm, damit ein Computer als die neuronale Netzwerkeinheit 410, die Einheit zur Generierung einer Evaluierungsformel 420 und die Lösereinheit 430 funktioniert. Das modellprädiktive Regelungsprogramm wird in den Arbeitsspeicher 402 geladen und durch den Prozessor 401 ausgeführt.
In der Hilfsspeichereinrichtung 403 ist darüber hinaus ein OS gespeichert. Zumindest ein Teil des OS wird in den Arbeitsspeicher 402 geladen und durch den Prozessor 401 ausgeführt.
Der Prozessor 401 führt das modellprädiktive Regelungsprogramm aus, während das OS ausgeführt wird.
Die Eingabe- und Ausgabedaten des modellprädiktiven Regelungsprogramms sind in einer Speichereinheit 490 gespeichert.
Der Arbeitsspeicher 402 funktioniert als die Speichereinheit 490. Jedoch können Speichereinrichtungen wie die Hilfsspeichereinrichtung 403, ein Register im Prozessor 401 und ein Cache-Speicher im Prozessor 401 usw. als die Speichereinheit 490 anstelle des Arbeitsspeichers 402, oder zusammen mit dem Arbeitsspeicher 402, funktionieren.
Die modellprädiktive Regelungsvorrichtung 400 kann mehrere Prozessoren umfassen, die den Prozessor 401 ersetzen. Die mehreren Prozessoren übernehmen gemeinsam die Rollen des Prozessors 401.
Das modellprädiktive Regelungsprogramm kann in einem nicht-flüchtigen Speichermedium wie einer optischen Platte oder einem Flash-Speicher usw. in computerlesbarer Form erfasst (gespeichert) werden.
***Funktionsbeschreibung***
Die Funktionsweise des modellprädiktiven Regelungssystems 100 entspricht einem modellprädiktiven Regelungsverfahren. Ferner entspricht ein Ablauf des modellprädiktiven Regelungsverfahrens durch die modellprädiktive Regelungsvorrichtung 200 einem Ablauf eines modellprädiktiven Regelungsprogramms.
Das modellprädiktive Regelungsverfahren wird auf Grundlage von 18 erläutert.
Um die Erläuterung einfach zu halten, erfolgt die Erläuterung, indem die Zustandssensorgruppe als ein Zustandssensor 101, die Umgebungssensorgruppe als ein Umgebungssensor 102 und die Stellgliedgruppe als ein Stellglied 111 betrachtet wird.
Der Zustandssensor 301 misst periodisch einen Zustand eines geregelten Objekts und gibt eine Messzustandsgröße aus. Die Messzustandsgröße ist eine Zustandsgröße, die dadurch erhalten wird, dass der Zustand des geregelten Objekts gemessen wird. Die Zustandsgröße stellt den Zustand des geregelten Objekts dar.
Der Umgebungssensor 302 misst periodisch eine Betriebsumgebung eines geregelten Objekts und gibt eine Messumgebungsgröße aus. Die Messumgebungsgröße ist eine Umgebungsgröße, die dadurch erhalten wird, dass eine Betriebsumgebung des geregelten Objekts gemessen wird. Die Umgebungsgröße stellt die Betriebsumgebung des geregelten Objekts dar.
Schritt S310 bis Schritt S330 werden wiederholt durchgeführt.
In Schritt S310 nimmt die neuronale Netzwerkeinheit 410 eine vom Zustandssensor 301 ausgegebene Messzustandsgröße an.
Ferner nimmt die neuronale Netzwerkeinheit 410 eine vom Umgebungssensor 302 ausgegebene Messumgebungsgröße an.
Die neuronale Netzwerkeinheit 410 berechnet ein neuronales Netzwerk 411 und verwendet dazu die Messzustandsgröße und die Messumgebungsgröße als Eingabe. Auf diese Weise wird ein Modellparameter berechnet, der in einem prädiktiven Modell zur Vorhersage einer Änderung am Zustand des geregelten Objekts festzusetzen ist.
Dann gibt die neuronale Netzwerkeinheit 410 den berechneten Modellparameter aus.
Das prädiktive Modell lässt sich durch eine Formel (2) ausdrücken. $X_{k+1} {=Ax}_{k} {+Bu}_{k}$

„Xn“ ist eine n-te Zustandsgröße eines geregelten Objekts.
„u_n“ ist eine n-te Vorgangsgröße für das Stellglied 311.
„A“ ist eine Matrix, die ein Modellparameter ist.
„B“ ist ein Vektor, der ein Modellparameter ist.

Das neuronale Netzwerk 411 wird auf Grundlage von 19 erläutert.
Das neuronale Netzwerk 411 ist ein neuronales Netzwerk für das modellprädiktive Regelungssystem 300.
Eine Konfiguration des neuronalen Netzwerks ist wie in der ersten Ausführungsform beschrieben.
Im neuronalen Netzwerk 411 sind eine Messzustandsgröße x0 und eine Messumgebungsgröße y0 Eingaben in eine Eingabeschicht. Dabei ist ein Modellparameter (A, B) eine Ausgabe von einer Ausgabeschicht.
(A₀₀, ..., A_ij, ..., A_nn) stellt eine Matrix A dar.
(B₀,..., B_i, ..., B_n) stellt eine Matrix B dar.
Zurückkehrend zu 18 wird die Beschreibung ab Schritt S320 fortgesetzt.
In Schritt S320 generiert die Einheit zur Generierung einer Evaluierungsformel 420 eine Evaluierungsformel in quadratischer Programmierung auf Grundlage eines prädiktiven Modells, in dem der berechnete Modellparameter festgesetzt ist. Die generierte Evaluierungsformel ist eine Formel zur Evaluierung einer Vorgangsgrößen-Zeitreihe für das Stellglied 311.
Dann gibt die Einheit zur Generierung einer Evaluierungsformel 420 die Evaluierungsformel in quadratischer Programmierung aus.
Sie wird als eine Evaluierungsformel in quadratischer Programmierung beschrieben.
Eine Evaluierungsfunktion für das prädiktive Modell lässt sich durch eine Formel (3) ausdrücken.
„E₁“ ist ein Evaluierungswert, der durch eine Evaluierungsfunktion erhalten wird.
„X_Tk“ ist ein erwünschter Wert einer Zustandsgröße.
„X_k“ ist eine Zustandsgröße, die berechnet wird, indem ein Vorgang eines prädiktiven Modells erfolgt, in dem die Matrix A und der Vektor B festgesetzt sind.
[Ausdruck 2] $E_{1} = \sum_{k = 1}^{n} {{(X_{k} - X_{T_{k}})}^{2} + u_{k}^{2}}$
Eine Aufgabe zur Optimierung eines Evaluierungswertes E₁ einer Evaluierungsfunktion entspricht der Optimierung eines Evaluierungswertes E₂ der Evaluierungsformel. Die Evaluierungsformel lässt sich durch eine Formel (4) darstellen.
(u₁,..., u_n) ist eine Vorgangsgrößen-Zeitreihe.
„Q“ ist eine Matrix.
„R“ ist ein Vektor.
[Ausdruck 3] $E_{2} (u_{1}, \dots, u_{n}) = \frac{1}{2} (u_{1}, \dots, u_{n}) Q (\begin{matrix} u_{1} \\ \dots \\ u_{n} \end{matrix}) + R (\begin{matrix} u_{1} \\ \dots \\ u_{n} \end{matrix})$
Die Einheit zur Generierung einer Evaluierungsformel 420 berechnet eine Matrix Q einer Evaluierungsformel und einen Vektor R der Evaluierungsformel auf Grundlage des prädiktiven Modells, in dem Matrix A und Vektor B festgesetzt sind.
Dann setzt die Einheit zur Generierung einer Evaluierungsformel 420 die Matrix Q und den Vektor R in der Evaluierungsformel fest. Die Evaluierungsformel, in der Matrix Q und Vektor R festgesetzt sind, ist eine Evaluierungsformel in quadratischer Programmierung.
In Schritt S330 berechnet die Lösereinheit 430 eine Vorgangsgröße, die an das Stellglied 311 bereitgestellt wird, indem die Evaluierungsformel in quadratischer Programmierung gelöst wird.
Konkret löst die Lösereinheit 430 die Evaluierungsformel in quadratischer Programmierung, indem ein Optimierungslöser (Löser in quadratischer Programmierung) ausgeführt wird.
Dann stellt die Lösereinheit 430 die berechnete Vorgangsgröße an das Stellglied 311 bereit.
*** Wirkung der dritten Ausführungsform ***
Es ist möglich, dieselbe Wirkung wie in der ersten Ausführungsform auch mit dem modellprädiktiven Regelungssystem 300 zur Berechnung einer Vorgangsgröße mittels quadratischer Programmierung zu erhalten. Das heißt, es ist möglich, dass die Genauigkeit einer modellprädiktiven Regelung auch in einer unerwarteten Umgebung hoch bleibt.
*** Ergänzung zu den Ausführungsformen ***
Eine Hardwarekonfiguration der modellprädiktiven Regelungsvorrichtung 200 wird auf Grundlage von 20 erläutert.
Die modellprädiktive Regelungsvorrichtung 200 ist mit einem Verarbeitungsschaltkreis 209 ausgestattet.
Der Verarbeitungsschaltkreis 209 ist eine Hardware-Komponente, die die Einheit zur Generierung eines Vorgangspfads 210, die prädiktive Modelleinheit 220, die neuronale Netzwerkeinheit 230, die Zustandsgrößen-Evaluierungseinheit 240 und den Lernabschnitt 250 realisiert.
Der Verarbeitungsschaltkreis kann eine dedizierte Hardware-Komponente sein oder ein Prozessor 201 zur Ausführung der in dem Arbeitsspeicher 202 gespeicherten Programme.
Wenn der Verarbeitungsschaltkreis 209 eine dedizierte Hardware-Komponente ist, ist der Verarbeitungsschaltkreis 209 beispielsweise eine Einzelschaltung, eine Verbundschaltung, ein programmierter Prozessor, ein parallel programmierter Prozessor, eine ASIC oder ein FPGA, oder eine Kombination daraus.
ASIC ist die Abkürzung für „application specific integrated circuit“, d. h. anwendungsspezifische integrierte Schaltung.
FPGA die Abkürzung für „Field Programmable Gate Array“.
Die modellprädiktive Regelungsvorrichtung 200 kann mehrere Verarbeitungsschaltungen umfassen, die den Verarbeitungsschaltkreis 209 ersetzen. Die mehreren Verarbeitungsschaltungen teilen sich die Rolle des Verarbeitungsschaltkreises 209.
In der modellprädiktiven Regelungsvorrichtung 200 kann ein Teil der Funktionen durch eine dedizierte Hardware-Komponente realisiert sein und die anderen Funktionen können durch Software oder Firmware realisiert sein.
Wir vorstehend beschrieben ist es möglich, die Verarbeitungsschaltung 209 durch eine Hardware-Komponente, Software, Firmware oder eine Kombination daraus zu realisieren.
Eine Hardwarekonfiguration der modellprädiktiven Regelungsvorrichtung 400 wird auf Grundlage von 21 erläutert.
Die modellprädiktive Regelungsvorrichtung 400 umfasst einen Verarbeitungsschaltkreis 409.
Der Verarbeitungsschaltkreis 409 ist eine Hardware-Komponente zur Realisierung der neuronalen Netzwerkeinheit 410, der Einheit zur Generierung einer Evaluierungsformel 420 und der Lösereinheit 430.
Der Verarbeitungsschaltkreis 409 kann eine dedizierte Hardware-Komponente sein oder der Prozessor 401 zur Ausführung der in dem Arbeitsspeicher 402 gespeicherte Programme.
Wenn der Verarbeitungsschaltkreis 409 eine dedizierte Hardware-Komponente ist, ist der Verarbeitungsschaltkreis 409 beispielsweise eine Einzelschaltung, eine Verbundschaltung, ein programmierter Prozessor, ein parallel programmierter Prozessor, eine ASIC oder ein FPGA, oder eine Kombination daraus.
Die modellprädiktive Regelungsvorrichtung 400 kann mehrere Verarbeitungsschaltungen umfassen, die den Verarbeitungsschaltkreis 409 ersetzen. Die mehreren Verarbeitungsschaltungen teilen sich die Rolle des Verarbeitungsschaltkreises 409.
In der modellprädiktiven Regelungsvorrichtung 400 kann ein Teil der Funktionen durch eine dedizierte Hardware-Komponente realisiert sein und die anderen Funktionen können durch Software oder Firmware realisiert sein.
Wie oben erläutert kann der Verarbeitungsschaltkreis 409 durch eine Hardware-Komponente, Software oder Firmware oder eine Kombination daraus realisiert sein.
Die vorliegenden Ausführungsformen sind Beispiele bevorzugter Ausführungsformen und der technische Umfang der vorliegenden Erfindung soll dadurch nicht eingeschränkt werden. Die vorliegenden Ausführungsformen können teilweise durchgeführt oder in Kombination mit anderen Ausführungsformen durchgeführt werden. Durch Verwendung von Flussdiagrammen usw. beschriebene Verfahren können in geeigneter Weise geändert werden.
Die modellprädiktiven Regelungsvorrichtungen (200, 400) können durch mehrere Vorrichtungen konfiguriert sein. Zum Beispiel kann eine Servervorrichtung in einer Cloud den Lernabschnitt 250 umfassen und die Verarbeitung des Lernverfahrens kann in der Cloud erfolgen.
„Einheit“ als Element der modellprädiktiven Regelungsvorrichtungen (200, 400) kann durch „Prozess“ oder „Schritt“ ersetzt werden.
Bezugszeichenliste

100: modellprädiktives Regelungssystem;
101: Zustandssensor;
102: Umgebungssensor;
111: Stellglied;
190: modellprädiktives Regelungssystem;
191: modellprädiktive Regelungsvorrichtung;
200: modellprädiktive Rege-lungsvorrichtung;
201: Prozessor;
202: Arbeitsspeicher;
203: Hilfsspeicherein-richtung;
204: Eingabe/Ausgabe-Schnittstelle;
209: Verarbeitungsschaltkreis;
210: Einheit zur Generierung eines Vorgangspfads;
211: Einheit zur Generie-rung einer Vorgangsgrößen-Zeitreihe;
212: Vorgangsgrößen-Bestimmungsein-heit;
220: prädiktive Modelleinheit;
230: neuronale Netzwerkeinheit;
231: neuronales Netzwerk;
240: Zustandsgrößen-Evaluierungseinheit;
250: Lernab-schnitt;
251: Modellberechnungseinheit;
252: Gewichtsparameter-Lernab-schnitt;
280: Historien-Einheit;
281: Zustandsgrößenhistorie;
282: Umge-bungsgrößenhistorie;
283: Vorgangsgrößenhistorie;
284: Zustandsgrößen-Lernhistorie;
290: Speichereinheit;
300: modellprädiktives Regelungssystem;
301: Zustandssensor;
302: Umgebungssensor;
311: Stellglied;
400: modellprä-diktive Regelungsvorrichtung;
401: Prozessor;
402: Arbeitsspeicher;
403: Hilfs-speichereinrichtung;
404: Eingabe/Ausgabe-Schnittstelle;
409: Verarbeitungs-schaltkreis;
410: neuronale Netzwerkeinheit;
411: neuronales Netzwerk;
420: Einheit zur Generierung einer Evaluierungsformel;
430: Lösereinheit;
490: Speichereinheit

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 2000099107 A [0006]

Claims

Modellprädiktive Regelungsvorrichtung, umfassend: eine Einheit zur Generierung einer Vorgangsgrößen-Zeitreihe, um - auf Grundlage einer von einem Zustandssensor zur Messung eines Zustands eines geregelten Objekts ausgegebenen Messzustandsgröße - eine Vorgangsgrößen-Zeitreihe für ein Stellglied zu generieren, damit sich der Zustand des geregelten Objekts ändert; eine prädiktive Modelleinheit, um - durch Berechnung eines prädiktiven Modells unter Verwendung der Messzustandsgröße und der Vorgangsgrößen-Zeitreihe als Eingabe - eine prädiktive Zustandsgrößen-Zeitreihe zu generieren, bei der es sich um eine Zustandsgrößen-Zeitreihe zur Vorhersage des geregelten Objekts handelt; eine neuronale Netzwerkeinheit, um die prädiktive Zustandsgrößen-Zeitreihe zu korrigieren, indem eine Rechenoperation eines neuronalen Netzwerks erfolgt, unter Verwendung einer von einem Umgebungssensor zur Messung einer Betriebsumgebung des geregelten Objekts ausgegebenen Messumgebungsgröße und der prädiktiven Zustandsgrößen-Zeitreihe als Eingabe; eine Zustandsgrößen-Evaluierungseinheit, um - durch Berechnung einer Evaluierungsfunktion, unter Verwendung der prädiktiven Zustandsgrößen-Zeitreihe nach der Korrektur als Eingabe - ein Evaluierungsergebnis für eine Zustandsgrößen-Zeitreihe nach der Korrektur zu generieren, und eine Vorgangsgrößen-Bestimmungseinheit, um an das Stellglied eine Vorgangsgröße an einem Anfang der Vorgangsgrößen-Zeitreihe auszugeben, wenn das Evaluierungsergebnis ein geeignetes Kriterium erfüllt.
Modellprädiktive Regelungsvorrichtung nach Anspruch 1, ferner umfassend: eine Modellberechnungseinheit zur Generierung einer Zustandsgrößen-Lernzeitreihe, bei der es sich um eine Zustandsgrößen-Zeitreihe zum Lernen handelt, indem das prädiktive Modell berechnet wird, unter Verwendung einer früheren Zustandsgröße, bei der es sich um eine vom Zustandssensor ausgegebene Messzustandsgröße handelt, und einer früheren Vorgangsgrößen-Zeitreihe, bei der es sich um eine am Stellglied eingegebene Zeitreihe einer Vorgangsgröße handelt, als Eingabe; und ein Gewichtsparameter-Lernabschnitt zur Durchführung maschinellen Lernens für einen Gewichtsparameter des neuronalen Netzwerks, unter Verwendung der Zustandsgrößen-Lernzeitreihe, einer früheren Umgebungsgröße, bei der es sich um die vom Umgebungssensor ausgegebene Messumgebungsgröße handelt, und einer früheren Zustandsgrößen-Zeitreihe, bei der es sich um die Zeitreihe der vom Zustandssensor ausgegebenen Messzustandsgröße handelt, wobei die neuronale Netzwerkeinheit eine Rechenoperation eines neuronalen Netzwerks durchführt, wodurch der durch maschinelles Lernen erhaltene Gewichtsparameter festgesetzt wird.
Modellprädiktive Regelungsvorrichtung nach Anspruch 1 oder 2, wobei das geregelte Objekt ein Fahrzeug ist und die modellprädiktive Regelungsvorrichtung zur automatischen Betriebssteuerung des Fahrzeugs verwendet wird.
Modellprädiktives Regelungsprogramm, um zu bewirken, dass ein Computer Folgendes ausführt: einen Prozess zur Generierung einer Vorgangsgrößen-Zeitreihe, um - auf Grundlage einer von einem Zustandssensor zur Messung eines Zustands eines geregelten Objekts ausgegebenen Messzustandsgröße - eine Vorgangsgrößen-Zeitreihe für ein Stellglied zu generieren, damit sich der Zustand des geregelten Objekts ändert; einen prädiktiven Modellprozess, um - durch Berechnung eines prädiktiven Modells unter Verwendung der Messzustandsgröße und der Vorgangsgrößen-Zeitreihe als Eingabe - eine prädiktive Zustandsgrößen-Zeitreihe zu generieren, bei der es sich um eine Zustandsgrößen-Zeitreihe zur Vorhersage des geregelten Objekts handelt; einen neuronalen Netzwerkprozess zur Korrektur der prädiktiven Zustandsgrößen-Zeitreihe, indem eine Rechenoperation eines neuronalen Netzwerks erfolgt, unter Verwendung einer von einem Umgebungssensor zur Messung einer Betriebsumgebung des geregelten Objekts ausgegebenen Messumgebungsgröße, und der prädiktiven Zustandsgrößen-Zeitreihe als Eingabe; einen Zustandsgrößen-Evaluierungsprozess, um - durch Berechnung einer Evaluierungsfunktion, unter Verwendung der prädiktiven Zustandsgrößen-Zeitreihe nach der Korrektur als Eingabe - ein Evaluierungsergebnis für eine Zustandsgrößen-Zeitreihe nach der Korrektur zu generieren, und einen Vorgangsgrößen-Bestimmungsprozess, um an das Stellglied eine Vorgangsgröße an einem Anfang der Vorgangsgrößen-Zeitreihe auszugeben, wenn das Evaluierungsergebnis ein geeignetes Kriterium erfüllt.
Modellprädiktives Regelungssystem, umfassend: einen Zustandssensor zur Messung eines Zustands eines geregelten Objekts; einen Umgebungssensor zur Messung einer Betriebsumgebung des geregelten Objekts; ein Stellglied zur Änderung des Zustands des geregelten Objekts; eine Einheit zur Generierung einer Vorgangsgrößen-Zeitreihe zur Generierung, auf Grundlage einer vom Zustandssensor ausgegebenen Messzustandsgröße, einer Vorgangsgrößen-Zeitreihe für das Stellglied; eine prädiktive Modelleinheit zur Generierung einer prädiktiven Zustandsgrößen-Zeitreihe, bei der es sich um eine Zustandsgrößen-Zeitreihe zur Vorhersage des geregelten Objekts handelt, indem ein prädiktives Modell berechnet wird, unter Verwendung der Messzustandsgröße und der Vorgangsgrößen-Zeitreihe als Eingabe; eine neuronale Netzwerkeinheit zur Korrektur der prädiktiven Zustandsgrößen-Zeitreihe, indem eine Rechenoperation eines neuronalen Netzwerks erfolgt, unter Verwendung der vom Umgebungssensor ausgegebenen Messumgebungsgröße und der prädiktiven Zustandsgrößen-Zeitreihe als Eingabe; eine Zustandsgrößen-Evaluierungseinheit, um - durch Berechnung einer Evaluierungsfunktion, unter Verwendung der prädiktiven Zustandsgrößen-Zeitreihe nach der Korrektur als Eingabe - ein Evaluierungsergebnis für eine Zustandsgrößen-Zeitreihe nach der Korrektur zu generieren, und eine Vorgangsgrößen-Bestimmungseinheit zur Ausgabe, an das Stellglied, einer Vorgangsgröße an einem Anfang der Vorgangsgrößen-Zeitreihe, wenn das Evaluierungsergebnis ein geeignetes Kriterium erfüllt.
Modellprädiktives Regelungssystem nach Anspruch 5, ferner umfassend: eine Modellberechnungseinheit zur Generierung - indem das prädiktive Modell berechnet wird, unter Verwendung einer früheren Zustandsgröße, bei der es sich um eine vom Zustandssensor ausgegebene Messzustandsgröße handelt, und einer früheren Vorgangsgrößen-Zeitreihe, bei der es sich um eine am Stellglied eingegebene Zeitreihe einer Vorgangsgröße handelt, als Eingabe - einer Zustandsgrößen-Lernzeitreihe, bei der es sich um eine Zustandsgrößen-Zeitreihe zum Lernen handelt; und einen Gewichtsparameter-Lernabschnitt zur Durchführung maschinellen Lernens für einen Gewichtsparameter des neuronalen Netzwerks, unter Verwendung der Zustandsgrößen-Lernzeitreihe, einer früheren Umgebungsgröße, bei der es sich um eine vom Umgebungssensor ausgegebene Messumgebungsgröße handelt, und einer früheren Zustandsgrößen-Zeitreihe, bei der es sich um eine Zeitreihe der vom Zustandssensor ausgegebenen Messzustandsgröße handelt, wobei die neuronale Netzwerkeinheit eine Rechenoperation eines neuronalen Netzwerks ausführt, wodurch der durch maschinelles Lernen erhaltene Gewichtsparameter festgesetzt wird.
Modellprädiktives Regelungssystem nach Anspruch 5 oder 6, wobei das geregelte Objekt ein Fahrzeug ist und das modellprädiktive Regelungssystem zur automatischen Betriebssteuerung des Fahrzeugs verwendet wird.
Modellprädiktives Regelungsverfahren, umfassend: durch einen Zustandssensor, Messen eines Zustands eines geregelten Objekts; durch einen Umgebungssensor, Messen einer Betriebsumgebung des geregelten Objekts; durch eine Einheit zur Generierung einer Vorgangsgrößen-Zeitreihe, Generieren - auf Grundlage einer vom Zustandssensor ausgegebenen Messzustandsgröße - einer Vorgangsgrößen-Zeitreihe für ein Stellglied, damit sich der Zustand des geregelten Objekts ändert; durch eine prädiktive Modelleinheit, Generieren einer prädiktiven Zustandsgrößen-Zeitreihe, bei der es sich um eine Zustandsgrößen-Zeitreihe zur Vorhersage des geregelten Objekts handelt, indem ein prädiktives Modell berechnet wird, unter Verwendung der Messzustandsgröße und der Vorgangsgrößen-Zeitreihe als Eingabe; durch eine neuronale Netzwerkeinheit, Korrigieren der prädiktiven Zustandsgrößen-Zeitreihe, indem eine Rechenoperation eines neuronalen Netzwerks erfolgt, unter Verwendung einer vom Umgebungssensor ausgegebenen Messumgebungsgröße, und der prädiktiven Zustandsgrößen-Zeitreihe als Eingabe; durch eine Zustandsgrößen-Evaluierungseinheit, Generieren - durch Berechnung einer Evaluierungsfunktion, indem die prädiktive Zustandsgrößen-Zeitreihe nach der Korrektur als Eingabe verwendet wird - eines Evaluierungsergebnisses für eine Zustandsgrößen-Zeitreihe nach der Korrektur, und durch eine Vorgangsgrößen-Bestimmungseinheit, Ausgeben, an das Stellglied, einer Vorgangsgröße an einem Anfang der Vorgangsgrößen-Zeitreihe, wenn das Evaluierungsergebnis ein geeignetes Kriterium erfüllt.
Modellprädiktive Regelungsvorrichtung, die eine Vorgangsgröße an ein Stellglied bereitstellt, damit sich der Zustand eines geregelten Objekts ändert, wobei die modellprädiktive Regelungsvorrichtung umfasst: eine neuronale Netzwerkeinheit zur Berechnung eines Modellparameters, der in einem prädiktiven Modell zur Vorhersage einer Änderung am Zustand des geregelten Objekts festgesetzt ist, indem eine Rechenoperation eines neuronalen Netzwerks erfolgt, unter Verwendung einer von einem Zustandssensor zur Messung des Zustands des geregelten Objekts ausgegebenen Messzustandsgröße und einer von einem Umgebungssensor zur Messung einer Betriebsumgebung des geregelten Objekts ausgegebenen Messumgebungsgröße als Eingabe; eine Einheit zur Generierung einer Evaluierungsformel, um eine Evaluierungsformel in quadratischer Programmierung zu generieren, als eine Formel zur Evaluierung einer Vorgangsgrößen-Zeitreihe für das Stellglied, auf Grundlage eines prädiktiven Modells, in dem der berechnete Modellparameter festgesetzt ist; und eine Lösereinheit zur Berechnung einer Vorgangsgröße, die an das Stellglied bereitgestellt wird, indem die Evaluierungsformel in quadratischer Programmierung gelöst wird.
Modellprädiktive Regelungsvorrichtung nach Anspruch 9, wobei das geregelte Objekt ein Fahrzeug ist und die modellprädiktive Regelungsvorrichtung zur automatischen Betriebssteuerung des Fahrzeugs verwendet wird.
Modellprädiktives Regelungsprogramm, um eine Vorgangsgröße an ein Stellglied bereitzustellen, damit sich der Zustand eines geregelten Objekts ändert, wobei das modellprädiktive Regelungsprogramm bewirkt, dass ein Computer Folgendes ausführt: einen neuronalen Netzwerkprozess zur Berechnung eines Modellparameters, der in einem prädiktiven Modell zur Vorhersage einer Änderung am Zustand des geregelten Objekts festzusetzen ist, indem eine Rechenoperation eines neuronalen Netzwerks erfolgt, unter Verwendung einer von einem Zustandssensor zur Messung des Zustands des geregelten Objekts ausgegebenen Messzustandsgröße und einer von einem Umgebungssensor zur Messung einer Betriebsumgebung des geregelten Objekts ausgegebenen Messumgebungsgröße als Eingabe; einen Prozess zur Generierung einer Evaluierungsformel, um eine Evaluierungsformel in quadratischer Programmierung zu generieren, als eine Formel zur Evaluierung einer Vorgangsgrößen-Zeitreihe für das Stellglied, auf Grundlage des prädiktiven Modells, in dem der berechnete Modellparameter festgesetzt ist; und einen Löserprozess zur Berechnung einer Vorgangsgröße, die an das Stellglied bereitgestellt wird, indem die Evaluierungsformel in quadratischer Programmierung gelöst wird.
Modellprädiktives Regelungssystem, umfassend: einen Zustandssensor zur Messung eines Zustands eines geregelten Objekts; einen Umgebungssensor zur Messung einer Betriebsumgebung des geregelten Objekts; ein Stellglied zur Änderung des Zustands des geregelten Objekts; eine neuronale Netzwerkeinheit zur Berechnung eines Modellparameters, der in einem prädiktiven Modell zur Vorhersage einer Änderung am Zustand des geregelten Objekts festzusetzen ist, indem eine Rechenoperation eines neuronalen Netzwerks erfolgt, unter Verwendung einer von einem Zustandssensor zur Messung des Zustands des geregelten Objekts ausgegebenen Messzustandsgröße und einer von einem Umgebungssensor zur Messung einer Betriebsumgebung des geregelten Objekts ausgegebenen Messumgebungsgröße als Eingabe; eine Einheit zur Generierung einer Evaluierungsformel, um eine Evaluierungsformel in quadratischer Programmierung zu generieren, als eine Formel zur Evaluierung einer Vorgangsgrößen-Zeitreihe für das Stellglied, auf Grundlage des prädiktiven Modells, in dem der berechnete Modellparameter festgesetzt ist; und eine Lösereinheit zur Berechnung einer Vorgangsgröße, die an das Stellglied bereitgestellt wird, indem die Evaluierungsformel in quadratischer Programmierung gelöst wird.
Modellprädiktives Regelungssystem nach Anspruch 12, wobei das geregelte Objekt ein Fahrzeug ist und das modellprädiktive Regelungssystem zur automatischen Betriebssteuerung des Fahrzeugs verwendet wird.
Modellprädiktives Regelungsverfahren zur Bereitstellung einer Vorgangsgröße an ein Stellglied, damit sich der Zustand eines geregelten Objekts ändert, wobei das modellprädiktive Regelungsverfahren umfasst: durch einen Zustandssensor, Messen des Zustands des geregelten Objekts; durch einen Umgebungssensor, Messen einer Betriebsumgebung des geregelten Objekts; durch eine neuronale Netzwerkeinheit, Berechnen eines Modellparameters, der in einem prädiktiven Modell zur Vorhersage einer Änderung am Zustand des geregelten Objekts festzusetzen ist, indem eine Rechenoperation eines neuronalen Netzwerks erfolgt, unter Verwendung einer von einem Zustandssensor zur Messung des Zustands des geregelten Objekts ausgegebenen Messzustandsgröße und einer von einem Umgebungssensor zur Messung einer Betriebsumgebung des geregelten Objekts ausgegebenen Messumgebungsgröße als Eingabe; durch eine Einheit zur Generierung einer Evaluierungsformel, Generieren einer Evaluierungsformel in quadratischer Programmierung, als eine Formel zur Evaluierung einer Vorgangsgrößen-Zeitreihe für das Stellglied, auf Grundlage des prädiktiven Modells, in dem der berechnete Modellparameter festgesetzt ist; und durch eine Lösereinheit, Berechnen einer Vorgangsgröße, die an das Stellglied bereitgestellt wird, indem die Evaluierungsformel in quadratischer Programmierung gelöst wird.