DE19531692C2 - Verfahren zur Beobachtung nicht meßbarer Größen nichtlinearer dynamischer Systeme - Google Patents
Verfahren zur Beobachtung nicht meßbarer Größen nichtlinearer dynamischer SystemeInfo
- Publication number
- DE19531692C2 DE19531692C2 DE1995131692 DE19531692A DE19531692C2 DE 19531692 C2 DE19531692 C2 DE 19531692C2 DE 1995131692 DE1995131692 DE 1995131692 DE 19531692 A DE19531692 A DE 19531692A DE 19531692 C2 DE19531692 C2 DE 19531692C2
- Authority
- DE
- Germany
- Prior art keywords
- error
- parameter
- nonlinear
- linear
- learning
- 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.)
- Expired - Fee Related
Links
Classifications
-
- 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
- G05B13/027—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 only
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
- B65H23/00—Registering, tensioning, smoothing or guiding webs
- B65H23/04—Registering, tensioning, smoothing or guiding webs longitudinally
- B65H23/18—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web
- B65H23/182—Registering, tensioning, smoothing or guiding webs longitudinally by controlling or regulating the web-advancing mechanism, e.g. mechanism acting on the running web in unwinding mechanisms or in connection with unwinding operations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
- B65H2511/00—Dimensions; Position; Numbers; Identification; Occurrences
- B65H2511/10—Size; Dimensions
- B65H2511/16—Irregularities, e.g. protuberances
- B65H2511/166—Irregularities, e.g. protuberances relative to diameter, eccentricity or circularity
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
- B65H2557/00—Means for control not provided for in groups B65H2551/00 - B65H2555/00
- B65H2557/20—Calculating means; Controlling methods
- B65H2557/22—Fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Description
Die Erfindung betrifft ein Verfahren zur Beobachtung nicht meßbarer Größen nichtlinearer
dynamischer Systeme nach dem Oberbegriff des Anspruchs 1.
Ein solches Verfahren wird z. B. in der Literaturstelle K. Narendra and A. Annaswamy,
"Stable Adaptive Systems", Kapitel 7, Prentice-Hall, Inc., Englewood Cliffs, NJ 07632, 1989,
beschrieben.
Bei einer großen Zahl von Regelungsaufgaben besteht die Problemstellung, daß unbekannte statische
nichtlineare Funktionen in der betrachteten Regelstrecke enthalten sind; Beispiele sind Reibungskennlinien,
Unrundheiten bei Achswicklern oder der volumetrische Wirkungsgrad bei Ottomotoren.
Eine häufig eingesetzte Methode zur Behandlung derartiger nichtlinearer Strecken besteht darin, einen
linearen Regler permanent an das um den gerade aktuellen Arbeitspunkt linearisierte Prozeßmodell der
Regelstrecke zu adaptieren. Dies ist gleichbedeutend mit der wiederholten Parameterschätzung der Pro
zeßparameter eines linearen Modells und der kontinuierlichen, rekursiven Aktualisierung dieser Parameter,
siehe M. Papageorgiou, "Optimierung: Statische, dynamische, stochastische Verfahren für die Anwendung",
Abschnitt 5.2, Oldenbourg Verlag, München Wien 1991. Der Hauptnachteil dieser Methodik liegt in der
zwingend notwendigen Linearisierung der Regelstrecke. Immer dann, wenn nichtlineare Eigenschaften das
Verhalten der Strecke wesentlich charakterisieren, ist eine sinnvolle Linearisierung aber nicht mehr möglich.
Eine alternative Möglichkeit ist der Einsatz von linearen, dynamischen Störgrößenbeobachtern, wie bei
spielsweise beschrieben in R. Nihei, "Observer Control System", EP 0 483 367 A1, oder in "Entwurf von
Zustands- und Störgrößenbeobachtern und ihre Anwendung bei Bewegungsvorgängen", Siemens Forsch.-
u. Entwickl.-Ber. Bd. 11 (1982) Nr. 5, Springer 1982. In beiden Schriften wird von einem Störgrößenmodell
der Form = 0 für jede unbekannte Störgröße ausgegangen. Dieses Störgrößenmodell ist linear und hat da
mit den Vorteil, zusammen mit einer linearen Strecke, die durch eine nichtlineare Störgröße gestört sein darf,
für einen klassischen Luenberger-Beobachterentwurf geeignet zu sein. Stabilitäts- und Konvergenzaussagen
sind für Luenberger-Beobachter bekannt. Der Hauptnachteil von Entwürfen mit Störgrößenmodellen der
Form = 0 besteht darin, daß die Störgrößen nur dann korrekt geschätzt werden, wenn sie konstant sind.
Bei zeitvarianten Störgrößen entsteht ein Schleppfehler, der umso geringer ausfällt, je schneller die Beobach
terdynamik ist. Die Schnelligkeit eines Beobachters wird begrenzt durch den unvermeidlichen Rauschanteil
in den Meßsignalen; je schneller ein Luenberger-Beobachter eingestellt wird, desto ähnlicher wird sein Ver
halten einem Differenzierer. Zusammenfassend läßt sich feststellen, daß für Störgrößen, die eine ähnliche
oder sogar schnellere Dynamik als die Strecke aufweisen, der erwähnte Schleppfehler groß wird und ein
Störgrößenmodell der Form = 0 nicht mehr ausreichend ist.
Eine Verbesserung ist prinzipiell mit nichtlinearen Modellen erzielbar, die mit Methoden der nichtlinea
ren Regelungstheorie adaptiert werden, siehe Narendra et. al., Seiten 107 ff oder Isermann, "Identifikation
dynamischer Systeme 2". In beiden Schriften werden Stabilitätsanalysen mittels Ljapunov- oder Popov-
Ansätzen für adaptive Systeme mit nichtlinearen Modellen angegeben. Man beachte allerdings, daß sowohl
Ljapunov-Stabilität als auch Popov-Hyperstabilität lediglich die Beschränktheit aller Systemsignale und
als Konsequenz Fehlerkonvergenz garantieren, nicht jedoch Parameterkonvergenz. Parameterkonvergenz ist
dann und nur dann gegeben, wenn das gesamte System ausreichend angeregt wird (persistent excitation).
In den beiden Schriften geht dies stets mit der Forderung nach spektral reichhaltigen Systemsignalen ein
her, die während der Adaption gefahren werden müssen. Spektral reichhaltige Systemsignale sind allerdings
bei industriellen Anlagen in der Praxis häufig nicht fahrbar, beispielsweise aus technologischen oder wirt
schaftlichen Gründen. Deshalb ist diesen Methoden eine breitere industrielle Anwendung bislang versagt
geblieben.
In einer Vielzahl von Veröffentlichungen werden die Identifikation nichtlinearer Systeme mit neurona
len Netzen zwar vorgeschlagen, jedoch werden keine Stabilitäts- oder Konvergenzaussagen getroffen (wie
z. B. in D. Specht, "A General Regression Neural Network", IEEE Transactions on Neural Networks, Seiten
568-576, Vol. 2, No. 6, November 1991, in L. Jin, P. Nikiforuk und M. Gupta, "Fast Neural Learning
and Control of Discrete-Time Nonlinear Systems", IEEE Transactions on Systems, Man and Cybernetics,
Seiten 478-488, Vol. 25, No. 3, March 1995, in T. Yamada und T. Yabuta, "Dynamic System Identification
Using Neural Networks", IEEE Transactions on Systems, Man and Cybernetics, Seiten 204-211, Vol. 23,
No. 1, January/February 1993, oder in E. Linzenkirchner, "Anordnung zur Modellierung eines nichtlinearen
Prozesses", DE 43 23 439 A1, 1995). Für online-adaptive industrielle Anwendungen sind Stabilitäts- und
Konvergenzaussagen indes unerläßlich.
Ausführlich ist das typische Problem der Parameterkonvergenz in T. Yamada et. al. beschrieben: Die
Netzwerkgewichte konvergieren nicht gegen die Werte der zugrundeliegenden Strecke, die im Simulations
beispiel Abschnitt V. A. des Aufsatzes bekannt sind. Die Autoren stellen fest, daß der Lernvorgang in einem
lokalen Minimum steckengeblieben ist.
Entscheidend für die Funktionsfähigkeit der Erfindung ist die im Abschnitt "Darstellung der Erfindung"
genauer erläuterte lokale Parameterwirkung des in der Erfindung eingesetzten neuronalen Netztyps; diese
lokale Parameterwirkung liegt bei keinem der in Isermann, "Identifikation dynamischer Systeme 2", erwähn
ten nichtlinearen Modelle (Volterrareihe, Hammerstein-Modelle, Wiener-Modelle, Lachmann-Modell) vor.
Aufgabe der vorliegenden Erfindung ist es, ein solches Verfahren derart weiterzubilden,
daß die unbekannte nichtlineare Strecke mittels eines neuronalen Netzes identifiziert wird.
Damit wird ein Beobachter realisiert und der unerwünschte Einfluß von nichtlinearen Kenn
linien weitgehend eliminiert. Diese Aufgabe löst die Erfindung durch die im Kennzeichen
des Anspruchs 1 angegebenen Merkmale. Weitere Ausgestaltungen werden in den Merkmalen
der Unteransprüche abgehandelt.
Um die Erfindung an einem typischen Beispiel zu beschreiben, wird eine seit langem bekannte Aufga
benstellung gewählt, nämlich die Kompensation der aus den Unrundheiten bei Achswicklern resultierenden
Bahnkraftschwankungen. Dadurch lassen sich die Ergebnisse des bisherigen Vorgehens und des erfindungs
gemäßen Vorgehens, das insgesamt als "lokale Linearisierung" bezeichnet wird, besonders deutlich darstellen.
Betrachtet wird eine Anordnung gemäß Abb. 1. Der Abwickler und die erste Klemmstelle werden
z. B. durch elektrischen Asynchronmaschinen angetrieben. Die Stoffbahn, die beispielsweise aus Papier
bestehen kann, soll unter möglichst genauer Einhaltung einer vorgegebenen Bahnkraft zwischen Wickler
und der ersten Klemmstelle abgewickelt werden. Das Hauptproblem bei der Bahnkraftregelung besteht in
den unerwünschten Bahnkraftschwankungen, die aus der in der Praxis nie zu vermeidenden Unrundheit des
Abwicklers resultieren.
Obwohl es theoretisch möglich wäre, den Radius über den Umfang exakt und in Echtzeit zu messen,
wird darauf in der Praxis wegen des unverhältnismäßig hohen Aufwandes verzichtet. Es steht lediglich der
über den Umfang konstante, mittlere Radius zur Verfügung, da dieser elementar z. B. aus dem stationären
Drehzahlverhältnis zwischen Abwickler und der ersten Klemmstelle ermittelbar ist. Derzeit werden adaptive
Zustandsregler eingesetzt, die diesen mittleren Radius zur Adaption benutzen. Darüberhinaus wird der Zu
standsregler auf möglichst gute Robustheit gegenüber den Störungen, die aus der unbekannten Unrundheit
resultieren, ausgelegt. Der Zustandsregler kann allerdings prinzipiell erst dann auf eine Störung reagieren,
wenn sie sich auf mindestens einen Zustand ausgewirkt hat. Dieser Zeitverzug ist unbefriedigend, weil er
die Güte der Bedämpfung der aus den Unrundheiten resultierenden Bahnkraftschwankungen beschränkt.
Die mit einem derartigen adaptiven Zustandsregler erzielbaren Ergebnisse sind beispielsweise in der Dis
sertation Höger, "Ein Beitrag zur Systemdynamik von Wickelantrieben unter Berücksichtigung elastischer
Kopplungen", Abschnitt 5.3.2.2, dokumentiert.
Um ein Verbesserung der Störgrößenkompensation zu ermöglichen, wurde das in Anspruch 1 angegebene
Verfahren und die Einrichtung entwickelt, mittels dessen ein nichtlineares Störmodell der Unrundheit on-line
erlernt wird. Das gewünschte Ergebnis einer optimalen Störgrößenkompensation - das beispielhaft vorge
gebene Ziel der Erfindung - kann nur darin erzielt werden, wenn die erfindungsgemäßen Entwurfskriterien
beachtet werden, die im folgenden näher beschrieben werden.
Es wird ein nichtlinearer Beobachter entworfen, der neuronale Netze als universelle Funktionenapproxima
toren benutzt, um nichtlineare statische Funktionen zu implementieren, deren Verlauf unbekannt ist. Durch
Anwendung dieses als "lokale Linearisierung" bezeichneten Verfahrens gelingt es, statische Nichtlinearitäten
in der betrachteten Regelstrecke mit definierten Stabilitäts- und Konvergenzeigenschaften zu erlernen und
zu kompensieren.
In der Literatur sind zahlreiche verschiedene Typen neuronaler Netze bekannt, die sich durch ihr Ap
proximationsverhalten unterscheiden. Für die Funktionsfähigkeit der Erfindung ist es entscheidend, daß
das sog. Allgemeine Neuronale Regressionsnetzwerk (General Regression Neural Network (GRNN)) in der
von D. Specht in "A General Regression Neural Network", IEEE Transactions on Neural Networks, Seiten
568-576, Vol. 2, No. 6, November 1991, dargestellten Form verwendet wird, weil es ein aus regelungstechni
scher Sicht günstiges Approximationsverhalten, insbesondere bezüglich Stetigkeit und Monotonieverhalten,
aufweist.
Ein GRNN dient im Rahmen der Erfindung als Approximator für eine unbekannte, statische, nichtlineare
Funktion y = f(x) und ist in der folgenden Form darstellbar:
Approximationsgrößen sind mit einem ^ gekennzeichnet. Der Vektor ist q-dimensional, d. h. ∈ IRq, und
besteht aus den lernbaren Parametern; der Vektor w(x) ∈ IRq ist der Regressionsvektor, der aus normierten
Parzen-Fensterfunktionen gebildet wird (vgl. Specht). Die Komponenten wµ(x) von w(x) werden auch als
Basisfunktionen bezeichnet.
Die unbekannte Funktion f läßt sich in ähnlicher Weise darstellen:
ϑ sei "optimal" im Sinne eines minimalen δ. d(x) wird in der Literatur als der sog. inherent approxima
tion error bezeichnet und ist allgemein als der Fehler zwischen der optimalen Parametereinstellung eines
Approximators und der zu approximierenden Funktion definiert. Man beachte, daß sowohl der optimale
Parametervektor ϑ als auch d(x) und δ unbekannt sind.
Die Entwurfsaufgabe bei einer konkreten Anwendung (vgl. untenstehenden Abschnitt 2.2) besteht darin,
ein skalares Fehlersignal e so zu erzeugen, daß es der folgenden Fehlergleichung genügt:
Mit (1) und (2) sowie durch Einführen des wie folgt definierten Parameterfehlervektors ϕ
erhält man aus (3) die Fehlergleichung
e = H(s) . {ϕT . w(x) - d(x)} (5)
Für den Fall exakter Approximation mit δ = 0 bzw. d(x) = 0 entspricht diese Fehlergleichung genau der
Fehlergleichung eines in der Literatur bekannten Fehlermodells (z. B. Fehlermodell Nr. 3 in K. Narendra
and A. Annaswamy, "Stable Adaptive Systems", Prentice-Hall, Inc., Englewood Cliffs, NJ 07632, 1989) und
es kann das dazugehörige Adaptionsgesetz angewendet werden:
Da die Basisfunktionen wµ(x) beschränkt sind, konvergiert e gegen Null.
Für δ < 0 mit d(x) ≈ 0 konvergiert e nicht mehr genau gegen Null, sondern gegen ein schmales
Toleranzband um Null. In diesem Sinne ist also für das System bestehend aus der Fehlergleichung (5) und
dem Adaptionsgesetz (6) Fehlerkonvergenz e → 0 gegeben.
Das Lernziel ϕ = 0 wird jedoch dann und nur dann erreicht, wenn das Signal w(x) ausreichend anregend
ist. Bei bislang realisierten Anwendungen von Fehlermodellen (siehe z. B. die Beispiele im Kapitel 8.2 in
J. Slotine und W. Li, "Applied Nonlinear Control", Prentice-Hall, Inc., Englewood Cliffs, NJ 07632, 1991)
führt diese Bedingung auf die Forderung nach spektral reichhaltigen Systemsignalen. Diese Forderung ist in
der Praxis häufig nicht zu erfüllen (aus diesem Grund sind Fehlermodelle bislang kaum eingesetzt worden).
Durch die erfindungsgemäße Kombination des GRNN mit dem Fehlermodell (5)/(6) zerfällt die bislang
schwierig zu erfüllende Forderung nach ausreichender Anregung in eine einfache, in der Praxis leicht zu
erfüllende Bedingung, um Parameterkonvergenz ϕ → 0 zu erzielen: Das relevante Eingangsintervall für x
des GRNN muß lediglich einige wenige Male (in der Anwendung im Abschnitt 2.2 etwa 4-5 Mal) durchlaufen
werden. Dynamische Anforderungen existieren nicht. Damit kann die Lernstruktur zur Lösung einer Vielzahl
praktischer Problemstellungen eingesetzt werden.
Zur Begründung dieser Aussage betrachte man zunächst das Approximationsverhalten des GRNN ge
nauer. Das Lernen erfolgt durch Verstellen der Komponenten µ des Parametervektors . Jeder Parameter
µ besitzt je nach Breite der Parzen-Fensterfunktionen einen mehr oder weniger breiten, aber vor allem
lokalen Einflußbereich (Lokalität der Parameter, lokale Parameterwirkung). Exemplarisch ist dieser Sach
verhalt für ein GRNN mit drei Stützwerten (x) = 1w1(x) + 2w2(x) + 3w3(x) in Abb. 2 dargestellt.
Infolge der Variation von 2 verändert sich die GRNN-Approximationsfunktion nur in einer Umgebung des
korrespondierenden Zentrums ζ2.
Beim GRNN weisen die lokalen Einflußbereiche von Basisfunktionen benachbarter Zentren einen Über
lappungsbereich auf, der ebenfalls von der Breite der Parzen-Fensterfunktionen abhängt. Gehen wir für die
Erläuterung des Lernvorganges idealisierend von stückweise konstanten, unstetigen Basisfunktionen wµ(x)
aus, die keinen Überlappungsbereich aufweisen:
Die Zentren seien äquidistant im Abstand 2σ plaziert. In Analogie zur in Abb. 2 dargestellten GRNN-
Approximation ergibt sich mit den Basisfunktionen (7) und mit (x) = 1 . w1(x) + 2 . w2(x) + 3 . w3(x) die
unstetige Approximationsfunktion gemäß Abb. 3. Aus (7) resultiert, daß stets nur genau eine Komponente
von w(x) von Null verschieden ist. Es können demzufolge nur endlich viele, nämlich q verschiedene Vektoren
w(x) auftreten, die alle orthogonal zueinander sind.
Es folgt aus (6) für ein Zeitintervall, in dem die ν-te Komponente von w(x) von Null verschieden sei:
Bei Vernachlässigung des inhärenten Approximationsfehlers (d. h. d(x) = 0) ergibt sich aus (5):
e = H(s). {ϕν . wν(x)} (9)
Durch Einsetzen von (9) in (8) und unter Berücksichtigung von (7) erhält man
ν = -η . [H(s) . {ϕν . wν(x)}] . wν(x) = -η . H(s) . ϕν (10)
Für den einfachsten möglichen Fall, nämlich für H(s) = 1, geht der Parameterfehler ϕν ausgehend von
einem beliebigen Anfangszustand exponentiell mit der Zeitkonstante 1/η gegen Null (PT1-Verhalten). Der
Konvergenzvorgang endet, sobald sich im Laufe der Zeit x soweit geändert hat, daß eine andere, von wν(x)
verschiedene Basisfunktion aktiviert wird; entsprechendes gilt dann für diese andere Komponente des Para
meterfehlervektors ϕ. Der Parameterfehler ϕν wird nicht weiter verändert, bis eventuell zu einem späteren
Zeitpunkt wν(x) wieder aktiviert wird. Dann wird der Konvergenzvorgang ausgehend von dem eingefrore
nen ϕν-Wert fortgesetzt. Entscheidend ist, daß durch die Lokalität der Stützwerte eine Entkopplung der
Parameterfehlerdynamik in (10) entsteht: ϕν hängt nur von ϕν ab, nicht jedoch von allen anderen ϕµ mit
µ ≠ ν.
Das verwendete Fehlermodell läßt eine Übertragungsfunktion H(s) ≠ 1 zu, sofern H(s) strictly po
sitive real (SPR) ist. Eine SPR Übertragungsfunktion H(s) weist für s = jω stets einen Phasenwinkel
auf, der betragsmäßig kleiner als π/2 ist, d. h. -π/2 < arc{H(jω)} < π/2. Zur Stabilitätsbetrachtung
wird die Gleichung (10) in eine Regelkreisdarstellung gemäß Abb. 4 umgeformt und es ergibt sich mit der
Übertragungsfunktion F0(jω) des aufgeschnittenen Regelkreises:
Der Integrator 1/jω trägt zur Phase arc{-F0(jω)} den Winkel -π/2 bei; insgesamt erhält man demnach
-π< arc{-F0(jω)} < 0 (12)
und wir folgern, daß (10) für SPR Übertragungsfunktionen H(s) stets stabil ist, da ein Phasendurchtritt,
d. h. arc{-F0(jω)} = -π für 0 ≦ ω < ∞, nicht erreicht wird.
Somit konvergiert ϕν in (10) für jede SPR Übertragungsfunktion H(s) gegen Null. Die Übertragungs
funktion H(s) beeinflußt zwar die Parameterfehlerdynamik, jedoch nicht deren Stabilität. Von der veränder
ten Parameterfehlerdynamik abgesehen verläuft der Konvergenzprozeß des Parameterfehlervektors völlig
analog dem oben geschilderten Fall für H(s) = 1.
Damit nun alle Komponenten des Parameterfehlervektors ϕ gegen Null konvergieren, müssen innerhalb
eines unter Umständen großen, aber endlichen Zeitraums T0 alle Komponenten von w(x) für ein Zeitin
tervall einen von Null verschiedenen Wert angenommen haben. Diese Forderung ist äquivalent mit der
ausreichenden Anregung des Vektors w(x).
Im Gegensatz zur idealisierenden Annahme stückweise konstanter, unstetiger Basisfunktionen gemäß (7)
liegen jedoch beim GRNN aufgrund der Parzen-Fensterfunktionen Überlappungen vor, d. h. die Entkopp
lung der Parameterfehlerdynamik ist nicht mehr perfekt und es gibt Beeinflussungen durch Parameterfehler
anderer Zentren. Die Fensterfunktionen sind so zu justieren, daß diese Überlappungen gering sind (im Sinne
von Abb. 2). Dann ist das Lernverhalten des GRNNs aufgrund der ausgeprägten Lokalität der Parameter
sehr ähnlich zum oben geschilderten Idealfall ohne Überlappungen.
Ein Ausführungsbeispiel wird im folgenden anhand von Abbildungen erläutert.
Es zeigen:
Abb. 1 Abwickler und erste Klemmstelle
Abb. 2 Lokalität der Stützwerte beim GRNN; geringer Überlappungsbereich zwi
schen den Basisfunktionen benachbarter Zentren
Abb. 3 Lokalität der Stützwerte bei stückweise konstanten, unstetigen Basisfunk
tionen; kein Überlappungsbereich zwischen den Basisfunktionen benach
barter Zentren
Abb. 4 Regelkreisdarstellung der Parameterfehlerdynamik
Abb. 5 Berechnung von ϕ' für periodisches GRNN
Abb. 6 GRNN-Implementierung für periodische Funktionen
Abb. 7 Neuronale Lernstruktur zum Erlernen von Unrundheiten bei Achswicklern
Abb. 8 Lernergebnis nach 49 Sekunden (entspricht 49 Umdrehungen). Schätzung
des Beobachters (t) und realer Verlauf der Unrundheit Δr(t); zusätzlich
eingetragen: Bahnkraft f12(t).
Abb. 9 Zeitverlauf der Bahnkraft f12(t) ohne neuronale Störgrößenaufschaltung.
Abb. 10 Zeitverlauf der Bahnkraft f12(t) mit Störgrößenaufschaltung auf der
Grundlage der Schätzgrößen und 01 aus dem neuronalen Beobachter.
Die beschriebene Lernstruktur kann zum Erlernen der Unrundheit bei Achswicklern eingesetzt werden.
Den folgenden Betrachtungen liegt der Signalflußplan der Regelstrecke, der sich in Abb. 7 außerhalb des
grau unterlegten Bereichs befindet, zugrunde. Die Regelstrecke besteht (vgl. Abb. 1) aus dem Abwickler und
der darauffolgenden Klemmstelle, die die Funktion des Leitantriebes wahrnimmt. Die diesem Signalflußplan
zugrundeliegenden Gleichungen sind aus der Literatur bekannt, siehe beispielsweise Kapitel 2 der bereits
erwähnten Dissertation Höger.
In Abb. 7 bedeuten:
s Laplace-Operator
m1 Antriebsmoment Abwickler
m2 Antriebsmoment Leitantrieb
mr Reibmoment
n1 Drehzahl des Abwicklers
Tm1 zeitvariante Schwungmasse des Abwicklers
s Laplace-Operator
ϕ Drehwinkel des Abwicklers
r0 mittlerer Radius
r(ϕ) Radius an der Stelle, an der die Bahn den Wickel verläßt
Δr(ϕ) Unrundheit
ε01 im Abwickler gespeicherte Bahndehnung
Tb Bahnzeitkonstante
ε12 Bahndehnung
εn Nenndehnung, Proportionalitätsfaktor für Hooksches Federgesetz
f12 Bahnkraft zwischen Abwickler und Leitantrieb
f23 Bahnkraft zwischen Leitantrieb und nachfolgender Klemmstelle
cv3 Proportionalitätsfaktor, der aus Systemkonstanten berechenbar ist
v1 Bahngeschwindigkeit zwischen Abwickler und Leitantrieb
v2 Bahngeschwindigkeit zwischen Leitantrieb und nachfolgender Klemmstelle
s Laplace-Operator
m1 Antriebsmoment Abwickler
m2 Antriebsmoment Leitantrieb
mr Reibmoment
n1 Drehzahl des Abwicklers
Tm1 zeitvariante Schwungmasse des Abwicklers
s Laplace-Operator
ϕ Drehwinkel des Abwicklers
r0 mittlerer Radius
r(ϕ) Radius an der Stelle, an der die Bahn den Wickel verläßt
Δr(ϕ) Unrundheit
ε01 im Abwickler gespeicherte Bahndehnung
Tb Bahnzeitkonstante
ε12 Bahndehnung
εn Nenndehnung, Proportionalitätsfaktor für Hooksches Federgesetz
f12 Bahnkraft zwischen Abwickler und Leitantrieb
f23 Bahnkraft zwischen Leitantrieb und nachfolgender Klemmstelle
cv3 Proportionalitätsfaktor, der aus Systemkonstanten berechenbar ist
v1 Bahngeschwindigkeit zwischen Abwickler und Leitantrieb
v2 Bahngeschwindigkeit zwischen Leitantrieb und nachfolgender Klemmstelle
Alle Größen sind normiert.
Die Funktion des Leitantriebes besteht darin, die Bahngeschwindigkeit für das gesamte System vorzuge
ben. Die Regelung des Leitantriebes ist darauf ausgerichtet, die Bahngeschwindigkeit v2 an der Klemmstelle
des Leitantriebes möglichst steif einzuprägen. Als Störgrößen wirken die Bahnkräfte f12 und f23.
Der Abwickler ist bahnkraftgeregelt mit der Regelgröße f12. Der Radius r des Abwicklers, der an der
Stelle, an der die Bahn den Wickel verläßt, betrachtet wird, ist in zweifacher Weise vom aktuellen Drehwinkel
ϕ = ∫n1(t)dt abhängig:
- - Erstens nimmt der Wickelradius ab, da mit jeder Umdrehung eine Bahnlage abgewickelt wird. Die Radiusänderung ist, betrachtet über den gesamten Abwickelvorgang, relativ groß. Dies wird durch die winkelabhängige Funktion r0(ϕ) modelliert, die den aktuellen, um den Wickelumfang gemittelten Radius repräsentiert.
- - Zweitens variiert der Wickelradius innerhalb einer Umdrehung, weil der Wickel in der Praxis nie ideal rund ist (z. B. infolge von Verformungen bei Lagerung oder Transport). Diese Radiusänderung wird durch die winkelabhängige, mittelwertfreie Funktion Δr(ϕ) modelliert, die als die sog. Unrundheit bezeichnet wird. Form und Größe der Unrundheit können sehr unterschiedlich sein und variieren mit jedem Wickel. Allgemein gilt lediglich, daß sich durch das Abwickeln von einer Bahnlage die Unrundheit nur geringfügig ändert, d. h. daß die Funktion Δr(ϕ) in guter Näherung 2π-periodisch ist.
Es gilt demnach die Beziehung:
Die Winkelabhängigkeit des Radius r = r(ϕ) hat erhebliche Konsequenzen. Zunächst ist die Schwungmasse
Tm1 nicht mehr konstant, sondern eine Funktion von r0. Die aus dem Abwickler auslaufende Bahngeschwin
digkeit v1 hängt nun nichtlinear von der Wickeldrehzahl n1 ab; gleiches gilt für die Momentenrückwirkung
von f12 auf den Wickelantrieb, siehe die Multiplikationsstellen mit dem Eingangssignal r(ϕ) in Abb. 7.
Der mittlere Radius r0 ist - wie bereits oben erwähnt wurde - aus gemessenen Größen rekonstruierbar.
Da sich r0 nur langsam ändert, ist eine r0-Berechnung in schlechter dynamischer Qualität ausreichend.
Die als Eingangssignal im Signalflußplan Abb. 7 eingezeichnete Dehnung ε01 beschreibt die im Wickel
gespeicherte Dehnung. In Analogie zur Unrundheit Δr(ϕ) kann man für ε01 eine Winkelabhängigkeit ε01 =
ε01(ϕ) annehmen, die in erster Näherung ebenfalls 2π-periodisch ist.
Wie in der Dissertation Höger erläutert, wirkt sich die Unrundheit Δr(ϕ) negativ in Form von er
heblichen Schwingungen um den jeweiligen Sollwert auf die Bahnkräfte des Gesamtsystems aus. Zu Ver
gleichszwecken ist die Störgrößenbedämpfung mit konventioneller adaptiver Zustandsregelung, die auf der
Grundlage von r0 adaptiert wird, für einen Fall mit relativ ausgeprägter Unrundheit in Abb. 9 dargestellt.
Die Unrundheit führt zu erheblichen Bahnkraftschwankungen. Deshalb ist der Entwurf eines neuronalen
Beobachters motiviert, der die Funktionen Δr(ϕ) und ε01(ϕ) erlernen soll. Zum Zwecke der Fehlersignaler
zeugung stehen hier zwei Meßsignale zur Verfügung: Zum einen die Wickeldrehzahl n1 und zum anderen
Bahnkraft f12.
In der hier diskutierten Anwendung sind die zu approximierenden Funktionen Δr(ϕ) und ε01(ϕ) 2π-
periodisch. Um die 2π-Periodizität zu erreichen und gleichzeitig eine effiziente GRNN-Implementierung für
periodische Funktionen zu realisieren, wird der Definitionsbereich für das GRNN von vornherein auf das
Intervall von 0 bis 2π beschränkt. Das so beschränkte GRNN
sei eine Funktion der neuen unabhängigen Variablen ϕ' mit 0 ≦ ϕ' < 2π. Ist das GRNN an einer Stelle
ϕ ≧ 2π bzw. ϕ < 0 auszuwerten, so werden von ϕ Vielfache von 2π subtrahiert bzw. addiert, bis sich ein ϕ'
mit 0 ≦ ϕ' < 2π ergibt:
ϕ' = ϕ'(ϕ) = ϕ - k . 2π mit der ganzen Zahl k so, daß 0 ≦ ϕ' < 2π gilt (15)
Der durch (15) beschriebene Zusammenhang ϕ → ϕ' ist grafisch in Abb. 5 dargestellt; ferner ist in dieser
Abbildung auch der korrespondierende Signalflußplanblock definiert. Darüberhinaus werden die insgesamt q
Stützwerte des GRNNs ringförmig im Sinne von Abb. 6 angeordnet, so daß der q-te Stützwert ein Nachbar
des ersten Stützwertes wird. Durch die Operation (15) und die ringförmige Anordnung der Stützwerte wird
die GRNN-Approximationsfunktion in Abhängigkeit von ϕ stetig differenzierbar 2π-periodisch fortgesetzt.
Zunächst wird ein neuronaler Beobachter entworfen, der aufgrund eines durch die Drehzahlmessung
erzeugten Fehlersignals er lernt. r bezeichne den Schätzwert für das unbekannte Reibmoment mr; λ
sei ein wählbarer Designparameter. Da Δr = Δr(ϕ) 2π-periodisch ist, gilt Δr(ϕ) = Δr(ϕ'), vgl. (15).
Entsprechend (2) setzt man für Δr:
Analog für die ebenfalls 2π-periodische Funktion ε01 = ε01(ϕ):
ϑ r und ϑε sind die unbekannten, optimalen Parametervektoren; dr(ϕ') und dε(ϕ') sind die korrespondieren
den inherent approximation errors.
Die entsprechenden GRNN-Approximationsfunktionen lauten
und
Würde man zur Fehlersignalerzeugung die gemessene Drehzahl n1 unmittelbar verwenden, so würde sich
keine SPR-Übertragungsfunktion für H(s) im Fehlermodell (5)/(6) ergeben. Deshalb wird das Fehlersignal
auf der Grundlage von n'1 gebildet, einem durch PDT1-Filterung aus n1 erhältlichen Signal.
Aus Abb. 7 entnimmt man:
Mit
und
folgt:
Das Reibmoment mr kann in guter Näherung als eine sich gegenüber Δr sehr langsam veränderliche
Größe betrachtet werden. Es wird deshalb als vom Drehwinkel ϕ unabhängig mit dem einfachen linearen
Störgrößenmodell r = 0 modelliert.
Wir setzen in (23) für Δr den Ausdruck (16) bzw. für Δ(18) ein und erhalten mit der Definition des
skalaren Parameterfehlers für das Reibmoment ϕm = r - mr sowie dem Parameterfehlervektor für die
Unrundheit ϕ r = r - ϑ r:
Die Struktur dieser Gleichung entspricht der Fehlergleichung (5) mit der SPR-Übertragungsfunktion H(s) =
λ/{(s + λ) . Tm1}, und die Anwendung der Lernregel (6) liefert:
Damit tritt Fehlerkonvergenz ein. Für die Parameterkonvergenz liegt jedoch nun nicht die im Abschnitt 2.1
diskutierte Situation vor, da nun nicht nur ein GRNN, sondern ein GRNN (r T . w(ϕ')) und gleichzeitig
ein Skalar r) trainiert werden. Infolgedessen ist die Parameterfehlerdynamik nicht entkoppelt und die
Forderung nach ausreichender Anregung ist ist nur mit spektral reichhaltigen Systemsignalen erfüllbar.
Damit verbunden ist eine erhebliche Zunahme der Lernzeiten.
Um diese Nachteile zu vermeiden, wird eine dynamische Separation der beiden zu lernenden Größen
vorgenommen. Dazu wird die Tatsache ausgenutzt, daß Δr(ϕ) bzw. Δr(ϕ') mittelwertfrei sind. Die Ap
proximationsfunktion des GRNN Δ(ϕ') = r T . w(ϕ') ist genau dann ebenfalls mittelwertfrei, falls die
Komponenten rµ, µ = 1, ..., q, des Parametervektors r mittelwertfrei sind:
Um die Bedingung (27) zu erzwingen, wird nach jedem Lernschritt der zeitdiskret realisierten Lernregel (26)
für jeden Stützwert die folgenden Zuweisung durchgeführt:
Dadurch wird die Approximationsfunktion des GRNN Δ(ϕ') =r . w(ϕ') stets mittelwertfrei gehalten,
d. h. ihr Gleichanteil ist Null.
Betrachten wir die Fehlergleichung (24) nur für die Gleichanteile aller Signale. Für diesen Fall ist in
(24) für das PT1-Glied die stationäre Verstärkung anzusetzen (d. h. s → 0); der Term mit ϕ r = r - ϑ r
verschwindet aufgrund von (27). Es ergibt sich für den Gleichanteil er des Fehlersignals er:
Diese Fehlergleichung für den Mittelwert des Fehlersignals entspricht nun der Fehlergleichung (5), und die
gemäß dem Adaptionsgesetz (6) korrespondierende Lernregel lautet:
Die Lernregel (30) führt zur Fehlerkonvergenz er → 0 und damit wegen (29) auch zu Parameterkonvergenz
r → mr.
Als Approximation von er kann das ohnehin benötigte Fehlersignal er gemäß (23) verwendet werden, da
r ansatzbedingt - weil ϕ-unabhängig - keinen Wechselanteil aufnehmen kann. Damit wird die Lernregel
(30) zu
Die Lernregel (31) bewirkt inhärent einen Glättungseffekt, der umso ausgeprägter ist, je kleiner die Lern
schrittweite ηm gewählt wird.
Gehen wir für die weitere Überlegung von einem Zustand aus, für den die soeben beschriebene Para
meterkonvergenz für r bereits eingetreten ist, d. h. also gilt: ϕm = r - mr = 0. In diesem Fall wird die
Fehlergleichung (24) zu (dr(ϕ') = 0):
Die Beziehung (32) entspricht nun exakt der Fehlergleichung (5), und wir wenden die Lernregel (6) an:
Hier gilt nun die im Abschnitt 2.1 beschriebene Parameterkonvergenzanalyse und die gewünschte Entkopp
lung der Parameterfehlerdynamik tritt ein. Damit werden zur Erfüllung der Forderung nach ausreichender
Anregung für die Parameterkonvergenz ϕ r → 0 keine komplexen Systemsignale benötigt.
Nun wird ein neuronaler Beobachter entworfen, der aufgrund eines durch die Bahnkraftmessung er
zeugten Fehlersignals eε lernt. Gemäß Abb. 7 und bei Linearisierung um einen festen Arbeitspunkt des
Ausdrucks für die Bahnkraft f12 gilt:
Mit der Definition für den Parameterfehlervektor ϕ ε = ε - ϑ ε,(16) und (17) erhält man:
Der Lernvorgang für die Unrundheit sei bereits abgeschlossen, d. h. ϕ r = 0. Dann folgt aus (35) bei Ver
nachlässigung der inherent approximation error dε und dr:
Diese Gleichung entspricht der Fehlergleichung (5), und die Lernregel (6) ist anwendbar:
Hier gilt nun wieder die im Abschnitt 2.1 diskutierte Parameterkonvergenzanalyse mit entkoppelter Pa
rameterfehlerdynamik und der einfachen Erfüllung der Forderung nach ausreichender Anregung für die
Parameterkonvergenz.
Damit sind also die unbekannten Größen Reibung mr, Unrundheit Δr und im Wickel gespeicherte
Dehnung ε12 mittels dem im Abschnitt 2.1 beschriebenen Verfahren erlernbar und man wird in die Lage
versetzt, die durch den neuronalen Beobachter geschätzen Störgrößen r, Δ und 12 für eine Störgrößen
kompensation in der bekannten Feedforward-Struktur zu nutzen.
Bei sonstigen technischen Prozessen und somit auch beim Wickler ändert sich typischerweise die Form
der Nichtlinearitäten. Beim Wickler ändert sich etwa die Form der Unrundheit. Die erläuterte Struktur
mit neuronalem Netz und dem im Abschnitt 2.1 erläuterten Verfahren wird fortlaufend den Lernprozeß
weiterführen (da eine Fehlersignalrückführung vorliegt) und damit die Art der Nichtlinearität kontinuierlich
weiteridentifiziert. Dadurch liegt ein permanent aktuelles Kompensationssignal für die Störgrößenaufschal
tung vor.
Durch die Anwendung der für diese Aufgabenstellung erforderlichen Lernregeln (25), (26), (28) und (33) wird
das im Abschnitt 2.1 erläuterte Verfahren für das Erlernen der Unrundheit bei Achswicklern implementiert. In
Abb. 8 ist das durch eine numerische Simulation ermittelte Lernergebnis für die Unrundheit abgebildet. Die
Transiente Δr zeigt die tatsächliche Unrundheit, die Kurve Δ die erlernte Approximation. Man erkennt, daß
der neuronale Beobachter die Unrundheit sehr gut approximiert. Werden nun die im neuronalen Beobachter
erzeugten Schätzwerte für r, Δ und 12 in der bekannten Feedforward-Struktur zur Störgrößenkompen
sation verwendet, dann ergibt sich ein Kraftverlauf gemäß Abb. 10. Innerhalb weniger Umdrehungen hat
der neuronale Beobachter die Schätzgrößen soweit gelernt, so daß die Feedforward-Kompensation zu einer
erheblichen Reduktion der Bahnkraftschwankungen führt. Der dadurch erzielbare Vorteil wird durch den
Vergleich der Abb. 9 (ohne Feedforward-Kompensation) mit Abb. 10 (mit Feedforward-Kompensation)
deutlich.
Geringere Bahnkraftschwankungen ermöglichen höhere Produktionsgeschwindigkeiten sowie die Ver
wendung empfindlicherer Materialien (z. B. dünneres Papier). Dadurch kann die Anlage effizienter genutzt
werden und wirtschaftlicher arbeiten.
K. Narendra and A. Annaswamy
Stable Adaptive Systems.
Kapitel 3 und 7, Prentice-Hall, Inc., Englewood Cliffs,
NJ 07632, 1989.
M. Papageorgiou
Optimierung: Statische, dynamische, stochastische Verfahren
für die Anwendung.
Abschnitt 5.2, Oldenbourg Verlag, München Wien 1991.
W. Höger
Ein Beitrag zur Systemdynamik von Wickelantrieben unter
Berücksichtigung elastischer Kopplungen.
Abschnitt 5.3.2., Dissertation am Lehrstuhl für Elektrische
Antriebstechnik, Technische Universität München, 1986.
D. Specht
A General Regression Neural Network.
IEEE Transactions on Neural Networks, Seiten 568-576, Vol. 2,
No. 6, November 1991.
J. Slotine und W. Li
Applied Nonlinear Control.
Kapitel 8.2, Prentice-Hall, Inc., Englewood Cliffs, NJ 07632,
1991
R. Nihei
Observer Control System.
EP 0 483 367 A1, 1991.
R. Isermann
Identifikation dynamischer Systeme 2.
2. Auflage, Berlin u. a. Springer 1992, Seiten 41, 156-159,
224-230, 323, 325 und 326.
E. Schnieder und H. Kothe
Entwurf von Zustands- und Störgrößenbeobachtern und ihre
Anwendung bei Bewegungsvorgängen.
Siemens Forsch. -u. Entwickl.-Ber. Bd. 11 (1982) Nr. 5,
Seiten 251-257.
L. Jin, P. Nikiforuk und M. Gupta
Fast Neural Learning and Control of Discrete-Time Nonlinear
Systems.
IEEE Transactions on Systems, Man and Cybernetics, Seiten
478-488, Vol. 25, No. 3, March 1995.
E. Linzenkirchner
Anordnung zur Modellierung eines nichtlinearen Prozesses.
DE 43 23 439 A1, 1995.
T. Yamada und T. Yabuta
Dynamic System Identification Using Neural Networks.
IEEE Transactions on Systems, Man and Cybernetics, Seiten
204-211, Vol. 23, No. 1, January/February 1993.
Claims (12)
1. Verfahren zur Beobachtung nicht meßbarer Größen nichtlinearer dynamischer Systeme, deren linearer
Teil nach Ordnung, Struktur und Parameter bekannt ist und deren nichtlinearer Teil aus unbekannten
nichtlinearen statischen oder zeitvarianten Kennlinien besteht, dadurch gekennzeich
net, daß ein Beobachter aus einer Kombination eines linearen Strecken-Teilmodells und
allgemeinen neuronalen Regressionsnetzwerken aufgebaut ist, daß zum kontinuierlichen
Training der allgemeinen neuronalen Regressionsnetzwerke ein als Fehlermodell bekann
ter Gleichungssatz verwendet wird und daß dabei Stabilität und Parameterkonvergenz
garantiert ist.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Stabilität des Lernvorganges durch
einen Ljapunov-Stabilitätsbeweis garantiert ist.
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die allgemeinen neuronalen Regressions
netzwerke auf der Grundlage eines Fehlersignals, das durch Vergleich zwischen dem Ausgangssignal der
realen Strecke und dem Ausgangssignal des Beobachters erzeugt wird, die unbekannten nichtlinearen
statischen Kennlinien erlernen.
4. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die für Parameterkonvergenz erforderliche
ausreichende Anregung des Systems ohne dynamische Anforderungen an die Systemsignale erfüllt wird.
5. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die erforderliche Struktur des Fehlermo
dells für eine betrachtete Größe erst dann erreicht wird, wenn eine andere unbekannte Größe korrekt
erlernt worden ist.
6. Verfahren nach Anspruch 3, dadurch gekennzeichnet, daß Fehlersignale spektral aufgeteilt werden.
7. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die erforderliche Struktur des Feh
lermodells für eine betrachtete Größe erreicht wird, wenn spektral aufgeteilte Fehler
signale verwendet werden.
8. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die erforderliche Struktur des
Fehlermodells für eine betrachtete Größe erreicht wird, wenn eine andere unbekannte
Größe korrekt erlernt worden ist und wenn spektral aufgeteilte Fehlersignale verwendet
werden.
9. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Lerngeschwindigkeit des neuronalen
Regressionsnetzwerkes so eingestellt werden kann, daß auch zeitvariante nichtlineare Funktio
nen identifiziert werden können.
10. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß das kontinuierliche Training
online parallel zum Prozeß erfolgt, ohne mit einem Kompensationssignal in den realen
Prozeß einzugreifen.
11. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die in den allgemeinen neuronalen Re
gressionsnetzwerken erlernten Informationen verwendet werden, um ein Kompensationssignal
für einen Regelkreis zu erzeugen, das zur zeitweiligen oder permanenten Störgrößenkompensation
verwendet wird.
12. Verfahren nach Ansprüchen 1, 3 und 11, dadurch gekennzeichnet, daß die Funktion des
neuronalen Regressionsnetzwerkes mittels Fuzzy Logik realisiert wird.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1995131692 DE19531692C2 (de) | 1995-08-29 | 1995-08-29 | Verfahren zur Beobachtung nicht meßbarer Größen nichtlinearer dynamischer Systeme |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1995131692 DE19531692C2 (de) | 1995-08-29 | 1995-08-29 | Verfahren zur Beobachtung nicht meßbarer Größen nichtlinearer dynamischer Systeme |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19531692A1 DE19531692A1 (de) | 1996-04-11 |
DE19531692C2 true DE19531692C2 (de) | 2000-01-13 |
Family
ID=7770631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE1995131692 Expired - Fee Related DE19531692C2 (de) | 1995-08-29 | 1995-08-29 | Verfahren zur Beobachtung nicht meßbarer Größen nichtlinearer dynamischer Systeme |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE19531692C2 (de) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19942144A1 (de) * | 1999-09-03 | 2001-06-07 | Schroeder Dierk | Verfahren zur adaptiven Schwingungsdämpfung mittels neuronaler Netze |
DE102005022448A1 (de) * | 2005-05-14 | 2006-11-16 | Saurer Gmbh & Co. Kg | Fadenverlegeantrieb, insbesondere für eine Arbeitsstelle einer Textilmaschine |
CN105182746A (zh) * | 2014-08-19 | 2015-12-23 | 上海交通大学 | 球罐系统的多模型自适应控制方法及系统 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19547496C2 (de) * | 1995-12-19 | 2003-04-17 | Dierk Schroeder | Verfahren zur Regelung von Verbrennungsmotoren |
DE19634923C2 (de) * | 1996-08-29 | 1999-08-19 | Bruce Boye | Linearisierung nichtlinearer technischer Prozesse mit Hilfe eines Abweichungsbeobachter |
DE19814407B4 (de) * | 1997-05-09 | 2007-04-19 | Siemens Ag | Verfahren und Anordnung zur neuronalen Modellierung einer Papierwickelvorrichtung |
DE19735581A1 (de) * | 1997-08-16 | 1999-02-18 | Schlafhorst & Co W | Spultrommelantrieb einer Kreuzspulen herstellenden Textilmaschine |
DE19754878A1 (de) | 1997-12-10 | 1999-06-24 | Siemens Ag | Verfahren und Anordnung zur Vorhersage und Regelung einer Papierwickelkenngröße bei einer Papierwickelvorrichtung |
CA2328191A1 (en) | 1998-03-31 | 1999-10-07 | Siemens Aktiengesellschaft | Method and arrangement for neural modeling of a paper winding device |
FI110425B (fi) * | 2000-04-12 | 2003-01-31 | Metso Paper Inc | Menetelmä kiinnirullaimen toimintavarmuuden parantamiseksi |
DE10101511B4 (de) * | 2001-01-12 | 2006-08-03 | Cbb Software Gmbh | Modellgestützte Linearisierung |
DE10309670A1 (de) * | 2003-03-06 | 2004-09-16 | Man Roland Druckmaschinen Ag | Regelvorrichtung |
DE10355122A1 (de) * | 2003-11-24 | 2005-06-23 | Man Roland Druckmaschinen Ag | Vorrichtung und Regelverfahren zur Kompensation von Regelabweichungen bei geregelten Antriebssystemen von Transport- und Bearbeitungsmaschinen, insbesondere Druckmaschinen |
DE102005044339B4 (de) * | 2005-09-16 | 2016-01-14 | Siemens Aktiengesellschaft | Verfahren zum Betrieb einer Wicklermaschine |
DE102009026987A1 (de) * | 2009-06-17 | 2011-08-04 | manroland AG, 63075 | Rollendruckmaschine und Verfahren zum Betreiben dieser |
WO2012001211A1 (en) * | 2010-06-29 | 2012-01-05 | Metso Paper, Inc. | A method and a system for determining eccentricity |
DE102013000680A1 (de) * | 2012-12-27 | 2014-07-03 | Robert Bosch Gmbh | Bahnzugkraftregelung unter Verwendung eines mittels Beobachters bestimmten Istwerts |
CN109188914B (zh) * | 2018-10-26 | 2021-04-27 | 黑龙江大学 | 一种n阶混合非线性系统的协同控制方法及控制系统 |
CN112327616B (zh) * | 2020-10-19 | 2022-09-16 | 江苏大学 | 一种基于事件触发的网络控制系统控制器设计方法 |
CN113985901B (zh) * | 2021-09-14 | 2023-06-27 | 中国人民解放军海军工程大学 | 基于扰动估计的高超声速飞行器预设性能控制方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0483367A1 (de) * | 1990-05-15 | 1992-05-06 | Fanuc Ltd. | Steuerungssystem mit beobachter |
DE4323439A1 (de) * | 1993-07-13 | 1995-01-19 | Siemens Ag | Anordnung zur Modellierung eines nichtlinearen Prozesses |
-
1995
- 1995-08-29 DE DE1995131692 patent/DE19531692C2/de not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0483367A1 (de) * | 1990-05-15 | 1992-05-06 | Fanuc Ltd. | Steuerungssystem mit beobachter |
DE4323439A1 (de) * | 1993-07-13 | 1995-01-19 | Siemens Ag | Anordnung zur Modellierung eines nichtlinearen Prozesses |
Non-Patent Citations (5)
Title |
---|
DE-Buch: R. Isermann, Identifikation dynamischer Systeme 2, 2. Aufl., Berlin u.a.: Springer Verlag 1992, S. 41, 156-159, 224-230, 323, 325 u. 326 * |
DE-Z.: Siemens Forsch.- u. Entwickl.-Berichte Bd. 11 (1982), Nr. 5, S. 251-257 * |
US-Z.: IEEE Transactions on Neural Networks, Vol. 2, No. 6, Nov. 91, S. 568-576 * |
US-Z.: IEEE Transactions on systems, man, and cybernetics, Vol. 23, No. 1, Jan./Feb. 1993, S. 204-211 * |
US-Z.: IEEE Transactions on systems, man, and cybernetics, Vol. 25, No. 3, March 95, S. 478-488 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19942144A1 (de) * | 1999-09-03 | 2001-06-07 | Schroeder Dierk | Verfahren zur adaptiven Schwingungsdämpfung mittels neuronaler Netze |
DE102005022448A1 (de) * | 2005-05-14 | 2006-11-16 | Saurer Gmbh & Co. Kg | Fadenverlegeantrieb, insbesondere für eine Arbeitsstelle einer Textilmaschine |
CN105182746A (zh) * | 2014-08-19 | 2015-12-23 | 上海交通大学 | 球罐系统的多模型自适应控制方法及系统 |
CN105182746B (zh) * | 2014-08-19 | 2018-03-23 | 上海交通大学 | 球罐系统的多模型自适应控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
DE19531692A1 (de) | 1996-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19531692C2 (de) | Verfahren zur Beobachtung nicht meßbarer Größen nichtlinearer dynamischer Systeme | |
DE102004019352B4 (de) | Zustandsbasierter adaptiver Feedback-/Feedforward-PID-Regler (PID-Steuerungseinheit) | |
DE19747125C2 (de) | Verfahren zur Einstellung von Reglerparametern eines Zustandsreglers | |
EP0258333B1 (de) | Adaptive regeleinrichtung hoher genauigkeit und geringen stellenenergieverbrauchs | |
DE4131765A1 (de) | Regelparameter-verbesserungsverfahren fuer industrielle anlagen | |
EP0520233B1 (de) | Einrichtung zur Identifikation einer Übertragungsstrecke | |
DE19505506C2 (de) | Verfahren zum Einsatz eines Beobachtermodells zur Drehmomentenschätzung und -vorhersage für eine Asynchronmaschine | |
EP1119799A1 (de) | Regeleinrichtung zur regelung einer strecke mit mehreren verkoppelten regelgrössen | |
EP0752630B1 (de) | Regeleinrichtung und Verfahren zur Selbsteinstellung dieses Reglers | |
DE3905261A1 (de) | Verfahren und einrichtung zur stabilisation eines elektrischen versorgungsnetzes | |
EP2933502B1 (de) | Digitalhydraulisches Antriebssystem | |
DE3721504A1 (de) | Regelsystem | |
WO2017140455A1 (de) | Drehzahlabhängige kompensation von lagefehlern | |
DE1523535A1 (de) | Regelverfahren fuer einen Regelkreis | |
DE19832967C1 (de) | Verfahren zur rechnergestützten Ermittlung einer Ausgangsgröße, Verfahren zum rechnergestützten Training eines neuronalen Netzes, Anordnung zur rechnergestützten Ermittlung einer Ausgangsgröße und Anordnung zum rechnergestützten Training eines neuronalen Netzes sowie deren jeweilige Verwendung | |
WO2019068376A1 (de) | Planheitsregelung mit optimierer | |
DE102016203123A1 (de) | Vorrichtung und Verfahren zur Regelung eines Wechselrichters | |
EP3542229A1 (de) | Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung | |
DE102007001186B4 (de) | Verfahren und Vorrichtung zur Online-Kompensation von Nicht-linearitäten im Übertragungsverhalten von Stellgliedern | |
WO2021069565A1 (de) | Reibungskompensation für einen greifer eines robotermanipulators | |
DE4333146C2 (de) | Verfahren zur Regelung der Geschwindigkeit eines Motors | |
WO2021249616A1 (de) | Verfahren zum konfigurieren von komponenten in einem system mit hilfe von multi-agent reinforcement learning, computerlesbares speichermedium und system | |
DE4319926A1 (de) | Verfahren zur Regelung eines kontinuierlichen Prozesses mit einer Optimier- und einer Regelphase | |
EP2517348B1 (de) | Verfahren zur regelung eines zeitvarianten systems | |
DE102008001311A1 (de) | Verfahren und Vorrichtung zum Betrieb eines Reglers, insbesondere zur Regelung einer Brennkraftmaschine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OAV | Applicant agreed to the publication of the unexamined application as to paragraph 31 lit. 2 z1 | ||
OP8 | Request for examination as to paragraph 44 patent law | ||
8122 | Nonbinding interest in granting licences declared | ||
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |
Effective date: 20130301 |