DE19748718A1

DE19748718A1 - Self-adjusting device for process control system

Info

Publication number: DE19748718A1
Application number: DE1997148718
Authority: DE
Inventors: Hans Werner Dr Ing Philippsen
Original assignee: Individual
Current assignee: Individual
Priority date: 1997-11-05
Filing date: 1997-11-05
Publication date: 1999-05-06

Abstract

The device includes a neural network (3) which derives parameters for the control system based on a control parameter (x). As a basis for the neural self-adjustment, a test function is used as an adjustment parameter when the control system is switched off, or as a guide parameter when the control system is switched on. The detected response of the control parameter to the test function is fed directly or in converted form to the neural network.

Description

Die nachfolgende Beschreibung erfolgt für eine konkrete industrietypische Regeleinrichtung, dem PID-Regler und für eine sprungförmige Testfunktion, die als Stellgröße bei ausgeschalteter Regeleinrichtung verwendet wird. Darüber hinaus findet ein Reglerentwurf nach dem Betragsoptimum statt.The following description is given for a specific industrial control device, the PID controller and for a step test function that acts as a manipulated variable when switched off Control device is used. In addition, a controller design takes place after the Optimum amount instead.

Voraussetzung für einen optimalen Reglerentwurf ist die Streckenkenntnis in Form eines ausreichend genauen mathematischen Modells. Die Erarbeitung eines mathematischen Streckenmodells und der systematische Reglerentwurf sind zeitaufwendige Tätigkeiten mit großen Anforderungen an das Personal und daher finanziell nur selten vertretbar. Die Inbetriebnahme von Regelkreisen erfolgt daher meistens nicht auf der Grundlage eines mathematischen Modells und eines systematischen Reglerentwurfes. Einstellregeln sind sicherlich häufiger im Gebrauch, jedoch haben die Reglereinstellung auf Basis von Erfahrungen und Probierverfahren die größte Einsatzhäufigkeit. Die Folge sind unter Umständen schlecht eingestellte Regler oder eine zeitaufwendige Inbetriebnahme. In beiden Fällen entstehen unnötige Kosten. Es besteht aus diesen Gründen in der Industrie ein aktueller Bedarf an einfachen und leistungsfähigen Einstellverfahren, die ein rasches, kostengünstiges Inbetriebnahme von PID-Reglern ermöglichen [4][5][3].A prerequisite for an optimal controller design is knowledge of the route in the form of a sufficiently accurate mathematical model. The development of a mathematical Line model and the systematic controller design are time-consuming activities with large Personnel requirements and therefore rarely financially viable. The commissioning of Control loops are therefore mostly not based on a mathematical model and a systematic controller design. Adjustment rules are certainly more common, however have the largest controller setting based on experience and trial methods Frequency of use. The result may be poorly adjusted controllers or a time-consuming commissioning. In both cases there are unnecessary costs. It consists of these Found in industry a current need for simple and powerful setting procedures, which enable quick, inexpensive commissioning of PID controllers [4] [5] [3].

Neben den Einstellverfahren sind in der Vergangenheit neue Regelungskonzepte entwickelt worden, die eine Selbsteinstellung beinhalten.In addition to the setting procedures, new control concepts have been developed in the past that involve self-attitudes.

Adaptive Regler, die selbsttätig ein mathematisches Abbild der Strecke erzeugen, haben sich jedoch trotz großer Anstrengungen nicht in der industriellen Praxis etablieren können. Gründe für die geringe Verbreitung adaptiver Regler sind u. a. die Inbetriebnahme, Stabilitätsprobleme im Regelkreis und die Kompliziertheit der Bedienung [12].Adaptive controllers that automatically generate a mathematical representation of the route have been developed However, despite great efforts, they cannot establish themselves in industrial practice. Reasons for the low spread of adaptive controllers are u. a. commissioning, stability problems in Control loop and the complexity of the operation [12].

Auch neuere Ansätze, wie z. B. Fuzzy oder Neuronale Regler, entbinden den Regelungstechniker nicht von der Aufgabe, ein qualitatives Prozeßmodell zu erstellen bzw. genügend Datenmaterial zusammenzustellen. Die Erarbeitung von Regeln und Zugehörigkeitsfunktionen für den Fuzzy Regler ist im Vergleich mit dem konventionellen Reglerentwurf nicht schneller durchführbar und führt grundsätzlich nicht zu besseren Betriebsergebnissen [13]. Der zeitliche Aufwand, geeignete Trainingsdaten für einen Neuronalen Regler zusammenzustellen, die garantiert jeden Betriebsfall wiedergeben, sollte nicht unterschätzt werden. Die Vielzahl Neuronaler Netze und Regler sowie die dazugehörigen Trainingsverfahren stellen größere Anforderungen an Inbetriebnehmer und Bedienpersonal.Even newer approaches, such as B. fuzzy or neural controllers release the control technician not from the task of creating a qualitative process model or sufficient data material put together. The development of rules and membership functions for the fuzzy In comparison with the conventional controller design, the controller cannot be carried out faster and generally does not lead to better operating results [13]. The time required, suitable Compile training data for a neural controller that guarantees every operating case should not be underestimated. The multitude of neural networks and controllers as well as the The associated training procedures place greater demands on commissioners and Operating personnel.

Der Funktionsumfang eines modernen digitalen PID-Reglers beinhaltet häufig eine Inbetriebnahmehilfe in Form einer Adapt-Taste. Die Anwender von PID-Reglern profitieren also von den Arbeiten zur adaptiven Regelung, wobei der PID-Regler weiterhin einfach bedienbar bleibt und seine bewährten Eigenschaften behält.The functionality of a modern digital PID controller often includes one Commissioning aid in the form of an adapt button. The users of PID controllers benefit So from the work to adaptive control, the PID controller continues to be simple remains operable and retains its proven properties.

Das Inbetriebnahmewerkzeug SIEPID [12] verwendet ein praxisnahes Selbst einstellungsverfahren. Dort werden mit einem robusten Identifikationsverfahren, ein Ersatzstreckenmodell anhand der Übergangsfunktion der Strecke bestimmt und mittels Betragsoptimum die Reglerparameter berechnet. Dieses Verfahren ist auch für Kompaktregler geeignet [11].The commissioning tool SIEPID [12] uses a practical self recruitment process. There with a robust identification procedure Alternative route model determined based on the transition function of the route and by means of Optimum amount calculated the controller parameters. This procedure is also for compact controllers suitable [11].

Einen prinzipiell ähnlichen Ansatz, einen PI-Regler mit Hilfe einer modernen Methode zu ergänzen, wird von Pfeiffer [8] vorgeschlagen. Die Reglerparameter werden - ausgehend von der Übergangsfunktion des geschlossenen - Regelkreises von einem Fuzzy System schrittweise ermittelt. Eingangsgrößen des Fuzzy Systems sind lediglich die Überschwingweite und das Verhältnis von An- und Ausregelzeit. Ausgangsgrößen sind die vorgeschlagenen Änderungen der Reglerparameter. Nach ca. 5 Sprungversuchen ist der PI-Regler eingestellt.A basically similar approach to a PI controller using a modern method is suggested by Pfeiffer [8]. The controller parameters are - starting from the Transitional function of the closed loop from a fuzzy system step by step determined. The input variables of the fuzzy system are only the overshoot and that Relationship between rise and settling time. Output variables are the proposed changes to the Controller parameters. The PI controller is set after approx. 5 jump attempts.

In dieser Arbeit soll ein Verfahren vorgestellt werden, das die Parameter eines PID-Reglers mit Hilfe eines Neuronalen Netzes entwirft. Grundlage sind Zeitprozentkennwerte der Strecke. Bild 1 zeigt die Struktur des Selbsteinstellungsverfahrens. Das Neuronale Netz erhält 17 Zeitprozentkennwerte als Eingangsgrößen. Daraus erzeugt das Neuronale Netz eine Abbildung auf die Reglerparameter, wobei die Parameter durch das Betragsoptimum [2] vorgegeben sind. Die Identifikation der Strecke und der Reglerentwurf erfolgen in einem Schritt. Es handelt sich um einen prozeßmodellfreien Reglerentwurf nach dem Betragsoptimum.In this work, a method is presented that designs the parameters of a PID controller with the help of a neural network. The basis is the time percentage of the route. Figure 1 shows the structure of the self-employment process. The neural network receives 17 time percentage parameters as input variables. The neural network uses this to map the controller parameters, the parameters being predetermined by the optimum amount [2]. The route is identified and the controller is designed in one step. It is a process model-free controller design based on the optimum amount.

Anwendungszweck dieses Verfahrens ist die Unterstützung der Inbetriebnahme und Wartung von Regelkreisen. Das hier vorgestellte Inbetriebnahmewerkzeug eignet sich aufgrund der kleinen Netzgröße (5 Neuronen in der Zwischenschicht) für eine Integration in ein Automatisierungssystem (SPS) oder einen Kompaktregler. Der Einsatz von Neuronalen Netzen bietet den Vorteil, aufgrund der generalisierenden Eigenschaften, die Reglerinbetriebnahme auch auf der Grundlage gestörter Übergangsfunktionen durchführen zu können. Die Dauer der Reglereinstellung ist sehr kurz und unabhängig von Störungen. Das neuronale Inbetriebnahmewerkzeug benötigt geringe Ressourcen innerhalb eines Automatisierungsgerätes. Daher kann auf einen zusätzlichen Inbetriebnahme-PC verzichtet werden.The purpose of this procedure is to support the commissioning and maintenance of Control loops. The commissioning tool presented here is suitable due to the small size Network size (5 neurons in the intermediate layer) for integration into an automation system (PLC) or a compact controller. The use of neural networks offers the advantage due to the generalizing properties, the controller commissioning also disturbed on the basis To be able to perform transition functions. The duration of the controller setting is very short and regardless of interference. The neural commissioning tool requires little resources within an automation device. Therefore, an additional commissioning PC can be used to be dispensed with.

Neural Networks

Die im Rahmen dieser Arbeit verwendeten Neuronalen Netze gehören zu der Klasse der Multi Layer Perceptrons [1]. Die Neuronen, als kleinste Einheit, sind in Schichten zusammengefaßt, wobei die Neuronen innerhalb einer Schicht keinerlei Verbindung haben. Der Informationsfluß im Netz erfolgt von der Eingangsschicht zur Ausgangsschicht (Feed Forward Netz). Bild 2 zeigt ein Netz mit einer Zwischenschicht (hidden layer). Dieser Netztyp findet in dieser Arbeit Verwendung, wobei zusätzlich ein Bias zugeführt wird (siehe Bild 3).The neural networks used in this work belong to the class of multi-layer perceptrons [1]. The neurons, as the smallest unit, are combined in layers, with the neurons having no connection within a layer. The information flow in the network takes place from the input layer to the output layer (feed forward network). Figure 2 shows a network with an intermediate layer (hidden layer). This type of network is used in this work, with an additional bias being added (see Figure 3).

Die Neuronen einer Schicht haben grundsätzlich den gleichen Aufbau, wie prinzipiell Bild 3 verdeutlicht.The neurons of a layer basically have the same structure, as shown in principle in Figure 3.

Hervorzuheben sind neben den gewichteten Eingängen und dem Bias die Aktivierungsfunktionen am Ausgang. Im Falle eines zweischichtigen Netzes mit nichtlinearen sigmoidalen Aktivierungsfunktionen ist ein Neuronales Netz in der Lage, jede physikalische Funktion beliebig genau anzunähern (universal approximator) [1].In addition to the weighted inputs and the bias, the activation functions should be emphasized at the exit. In the case of a two-layer network with non-linear sigmoidal Activation functions is a neural network capable of performing any physical function to approximate exactly (universal approximator) [1].

Sigmoidfunktionen sind nichtlineare differenzierbare Funktionen wie z. B. die Fermi Funktion mit einem Wertebereich von 0. . .1
Sigmoid functions are nonlinear differentiable functions such as e.g. B. the Fermi function with a value range of 0.. .1

oder der Tangens hyperbolicus
or the hyperbolic tangent

mit einem Wertebereich von -1. . .+1.with a value range of -1. . . + 1.

Neben den sigmoidalen Aktivierungsfunktionen finden in automatisierungstechnischen Anwendungen auch die radialen Basisfunktionen (RBF) Verwendung. Die sog. RBF-Netze konvergieren im Training schneller, haben jedoch die negative Eigenschaft, daß sie durchsacken [9]. Darüberhinaus erfordern RBF-Netze eine höhere Anzahl von Neuronen gegenüber den Multi Layer Perceptrons bzw. Back-Propagation-Netzen.In addition to the sigmoidal activation functions found in automation engineering Applications also use the radial basic functions (RBF). The so-called RBF networks converge faster in training, but have the negative property of sagging [9]. In addition, RBF networks require a higher number of neurons than the Multi Layer perceptrons or back propagation networks.

Mit Hilfe des Back-Propagation Algorithmus erfolgt bei den Multi Layer Perceptrons die Anpassung der Gewichte im Hinblick auf eine gute Übereinstimmung zwischen vorgegebenen Zielgrößen und den Ausgangswerten des Neuronalen Netzes. Die Lern- oder Trainingsphase wird überwacht, und die Auswertung des Fehlervektors bietet die Möglichkeit, den Erfolg des Trainings bewerten zu können.With the help of the back propagation algorithm, the multi layer perceptrons are used Adjustment of the weights with a view to a good match between the given ones Target values and the initial values of the neural network. The learning or training phase is monitors, and the evaluation of the error vector offers the possibility of the success of the training to be able to evaluate.

Neuronale Netze haben in der Automatisierungstechnik sowohl in der Modellierung als auch Steuerung und Regelung Anwendungsbereiche gefunden [1] [6]. Neural networks have in automation technology both in modeling as well Control and regulation application areas found [1] [6].

Die Möglichkeit, das Wissen über die Strecke anhand von Betriebsdaten den Netzen einprägen zu können, woraus das Netz eigenständig Schlußfolgerungen (z. B. Klassenbildung) ziehen kann, ist als Vorteil dieses neuen Konzeptes anzusehen [1].The possibility to impress the knowledge of the route on the basis of operating data to the networks can, from which the network can independently draw conclusions (e.g. class formation) to be seen as an advantage of this new concept [1].

Die Erarbeitung von Regeln und/oder eines mathematischen Modells erledigt das Training Neuronaler Netze quasi nebenbei. Ein weiterer Vorteil besteht für die Regelungstechnik z. B. in der Kompensation nichtlinearer Sensorkennlinien oder Identifikation nichtlinearer Strecken [7].The training takes care of developing rules and / or a mathematical model Neural networks, by the way. Another advantage for control technology is z. B. in the Compensation of non-linear sensor characteristics or identification of non-linear distances [7].

Diese Vorteile stellen sich allerdings nicht ohne menschliche Aktivität ein. Die halbautomatische Trainingsphase, die üblicherweise Voraussetzung für die Nutzung Neuronaler Netze ist, muß als Nachteil angesehen werden:
However, these advantages do not come about without human activity. The semi-automatic training phase, which is usually a prerequisite for using neural networks, must be seen as a disadvantage:

1. The duration and therefore the effort of the training phase cannot be estimated. It is Experience knowledge necessary (setting the learning rate and other parameters).
2. It is difficult to incorporate expert knowledge into the training. H. the network must Knowledge can be supplied in the form of sample data sets.
3. There can be no guarantee of behavior in untrained situations. (Proof of stability of neural controllers is difficult.)
4. The optimal structure (number of layers, neurons) must be found by trial and error become [6].

Die kurz skizzierten Eigenschaften sowie Vor- und Nachteile Neuronaler Netze erfordern einen besonderen Zuschnitt für den in dieser Arbeit vorliegenden neuen Anwendungsfall. Besonders positive Bedeutung haben in diesem Zusammenhang die Fähigkeit als universal approximator und die generalisierenden Eigenschaften. Ein Neuronales Netz wird mit einer endlichen Menge von Mustern trainiert. Aufgrund der generalisierenden Eigenschaften, können Neuronale Netze auch im Fall von nicht trainierten Mustern sinnvolle Ergebnisse ausgeben, z. B. eine Funktion zwischen den trainierten Stützstellen sehr genau approximieren.The briefly outlined properties as well as advantages and disadvantages of neural networks require one special cut for the new application in this work. Especially In this context, the ability as a universal approximator and the generalizing properties. A neural network is made up of a finite set of Patterns trained. Due to the generalizing properties, neural networks can also be used in Output meaningful results in case of non-trained patterns, e.g. B. a function between the approximate trained support points very precisely.

Wichtigste Konsequenz aus den nachteiligen Eigenschaften ist die Erarbeitung von mehreren Netzen für unterschiedliche Streckentypen (aperiodisch, periodisch, langsam, schnell). Sinnvoll ist die Erzeugung von Neuronalen Inbetriebnahmenetzen für bestimmte Anwendungsbereiche (Durchfluß-, Temperatur-, Druck-, . . . Regelungen). Der Unterschied dieser Netze wird lediglich in den Parametersätzen bestehen.The most important consequence of the disadvantageous properties is the development of several Networks for different route types (aperiodic, periodic, slow, fast). It makes sense the generation of neural commissioning networks for certain areas of application (Flow, temperature, pressure, ... regulations). The difference between these networks is only in the parameter sets exist.

The optimum amount

Das Reglerentwurfsverfahren nach dem Betragsoptimum [2] ist für Strecken mit der Übertragungsfunktion
The controller design process according to the optimum amount [2] is for lines with the transfer function

anwendbar. Gegenüber dem Verfahren der Polkompensation und Verstarkungseinstellung nach Phasenreserve liefert das Betragsoptimum bei gleicher Überschwingweite ein schnelleres Regelverhalten. Darüber hinaus ist keine Berechnung von Nullstellen des Nennerpolynoms erforderlich. Die Parameter eines PID-Reglers sind aus den Streckenkoeffizienten a₀, a₁, . . ., a₅ direkt berechenbar. Das Verfahren hat sich in der Praxis bewährt und bietet gutes Führungs- und Störverhalten [12].applicable. Compared to the method of pole compensation and gain adjustment according to the phase reserve, the optimum amount delivers a faster control behavior with the same overshoot range. In addition, no calculation of zeros of the denominator polynomial is required. The parameters of a PID controller are made up of the system coefficients a ₀ , a ₁ ,. . ., a ₅ directly calculable. The method has proven itself in practice and offers good management and fault behavior [12].

Der Name des Verfahrens ist insofern irreführend, da kein Optimum im mathematischen Sinne erreicht wird. Es erfolgt keine Berücksichtigung eines Gütekriteriums. Das Optimum besteht darin, daß der Betrag des Frequenzgangs des geschlossenen Kreises für einen möglichst großen Frequenzbereich den Wert eins annimmt.
The name of the method is misleading in that no optimum is achieved in the mathematical sense. No quality criterion is taken into account. The optimum is that the magnitude of the frequency response of the closed circuit assumes the value one for the largest possible frequency range.

|F_W(jw)| ≈ 1 (4).| F _W (jw) | ≈ 1 (4).

Diese Forderung wird gemäß [2] für tiefe Frequenzen näherungsweise erfüllt, wenn ein PI-Regler die folgende Einstellung aufweist:
According to [2], this requirement is approximately met for low frequencies if a PI controller has the following setting:

Die Streckenkoeffizienten können nur durch Identifikation gewonnen werden. Auch im günstigen Fall einer P - T_n-Strecke mit n reellen Polstellen:
The route coefficients can only be obtained by identification. Even in the favorable case of a P - T _{n section} with n real pole locations:

wenn a₀ = 1 und lediglich a₁ auf einfache meßtechnische Weise über die Steuerfläche bestimmt werden kann (a₁ = T_Σ), verbleiben mit a₂ und a₃ zwei nicht zu vernachlässigende Koeffizienten. Wird eine aperiodische Strecke, wie im Inbetriebsetzungsgerät SIEPID [12], durch ein Streckenmodell mit n gleichen P - T₁-Gliedern angenähert,
If a ₀ = 1 and only a _{1 can be determined} in a simple metrological manner via the control surface (a ₁ = T _Σ ), two coefficients remain with a ₂ and a ₃ . If an aperiodic segment, as in the SIEPID commissioning device [12], is approximated by a segment model with n identical P - T ₁ elements,

ist der Reglerentwurf nach dem Betragsoptimum unter Verwendung der Ersatzzeitkonstanten möglich. Bei dem hier vorgestellten Verfahren erfolgt das Training auf die Zielparameter K_R, T_n und T_v aufgrund des Streckenmodells (3). Festzuhalten bleibt der nichtlineare Zusammenhang zwischen Regler- und Streckenparametern. Damit scheidet ein Neuronales Netz mit rein linearen Aktivierungsfunktionen aus.the controller can be designed according to the optimum amount using the substitute time constant. In the method presented here, the training on the target parameters K _R , T _n and T _v takes place on the basis of the route model (3). The non-linear relationship between controller and system parameters remains to be noted. This eliminates a neural network with purely linear activation functions.

Neural PID controller design

Bei der Entwicklung einer geeigneten Netzstruktur stand die selbstgestellte Anforderung, mit möglichst wenigen Meßdaten und Neuronen auszukommen, im Mittelpunkt. Darüber hinaus mußte der Tatsache Rechnung getragen werden, daß die Dauer einer Übergangsfunktion keinen Einfluß auf die Anzahl der Eingangsdaten haben sollte.When developing a suitable network structure, the self-imposed requirement stood with focus on as few measurement data and neurons as possible. Beyond that had to take into account the fact that the duration of a transition function has no influence on the number of input data should have.

Daher wird als Eingangsgröße nicht der Wert zu einem bestimmten Zeitpunkt, sondern die Zeit bis zum Erreichen eines bestimmten Wertes verwendet (Zeitprozentkennwert). Der Einsatzbereich ist auf aperiodische Strecken begrenzt.Therefore, the input variable is not the value at a certain point in time, but the time to used to reach a certain value (time percentage value). The area of application is limited to aperiodic routes.

Dem Netz werden 17 Eingangsgrößen ( T_5%, T_10%, T_15%, . . ., T_95%) zugeführt und zusammen mit den über das Betragsoptimum berechneten Reglerparametern (K_R, T_n, T_v) trainiert. Bild 4 zeigt eine gemessene Übergangsfunktion einer Laborstrecke und einige Prozentlinien.17 input variables (T _5% , T _10% , T _15% ,..., T _95% ) are fed into the network and trained together with the controller parameters (K _R , T _n , T _v ) calculated via the optimum amount. Figure 4 shows a measured transition function of a laboratory section and a few percentage lines.

Die Trainingsstrecken müssen den betrachteten Raum der Streckenzeitkonstanten gleichmäßig abdecken. Nur dann besteht die Aussicht, keine unerwünschten Effekte im Fall von nicht trainierten Eingangsgrößen (und das wird der Einsatzfall sein) entstehen zu lassen. Die Trainingsdatenmenge kann durch ausreichend viele zufällig generierte Streckenzeitkonstanten zusammengestellt werden oder mit Hilfe eines deterministischen Algorithmus, der ein Raster unterschiedlicher Kombinationen von Streckenzeitkonstanten erzeugt.The training courses have to keep the considered area of the course time constants even cover. Only then is there a prospect of no undesirable effects in the event of not trained input variables (and this will be the application). The The amount of training data can be generated by a sufficient number of randomly generated route time constants be compiled or using a deterministic algorithm that uses a grid different combinations of route time constants.

Mit dem letztgenannten Verfahren wurden die besten Ergebnisse erzielt. Bild 5 symbolisiert einen gleichmäßig aufgespannten Parameterraum für drei Streckenzeitkonstanten. Liegen die Parameter außerhalb des trainierten Parameterraumes, was im Fall aperiodischer Strecken leicht über die Steuerfläche abschätzbar ist, sollte kein Neuronaler Reglerentwurf durchgeführt werden.The latter method gave the best results. Figure 5 symbolizes a uniformly spanned parameter space for three distance time constants. If the parameters lie outside the trained parameter space, which can easily be estimated using the control surface in the case of aperiodic routes, no neural controller design should be carried out.

Der Parameterraum gemäß Bild 5 enthält redundante Parameterkombinationen. Diese sollten im Hinblick auf das Training durch einen entsprechenden Algorithmus vermieden werden.The parameter space according to Figure 5 contains redundant parameter combinations. With regard to the training, these should be avoided by means of an appropriate algorithm.

Im Rahmen dieser Arbeit wurde von einer Streckenordnung n = 4 ausgegangen. Soll ein Inbetriebnahmenetz für Strecken mit einer maximalen Summenzeitkonstanten Ts = 20 s trainiert werden, stellen sich positive Ergebnisse im Fall von jeweils 12 trainierten Steckenzeitkonstanten mit einem Abstand von 0,4 s ein. Die vier Steckenzeitkonstanten nehmen die Werte 0,4 0,8 1,2 . . . 4,8 ein (k = 12).Within the scope of this work, a route order n = 4 was assumed. Should a Commissioning network trained for routes with a maximum total time constant Ts = 20 s positive results in the case of 12 trained time constants each at a distance of 0.4 s. The four insertion time constants take the values 0.4 0.8 1.2. . . 4.8 a (k = 12).

Somit entstehen
Thus arise

Kombinationen ohne Redundanz bzw. 1365 verschiedene Strecken. Mit Hilfe der Neural Network Toolbox [14] wurde ein MLP-Netz mit einer Zwischenschicht aus 5 Tangens hyperbolicus Neuronen (2) und drei linearen Neuronen für die Ausgangsschicht trainiert. Den simulierten Sprungantworten der 1365 ausgewählten Strecken wurden die Zeitprozentkennwerte entnommen und dem Netz als Eingangsgrößen zur Verfügung gestellt. Die Zielgrößen wurden über das Betragsoptimum vorgegeben.Combinations without redundancy or 1365 different routes. With the help of the Neural Network Toolbox [14] an MLP network was created an intermediate layer consisting of 5 tangent hyperbolic neurons (2) and three linear neurons for the starting layer trains. The simulated jump responses of the 1365 selected routes the time percentage parameters were taken and made available to the network as input variables posed. The target values were specified via the optimum amount.

Simulation results

Es ist verbreitet, die Leistungsfähigkeit neuer regelungstechnischer Verfahren anhand einiger Beispiele zu belegen. Auf der Grundlage einer statistischen Untersuchung mit vielen zufällig ausgewählten Strecken, die den Anwendungsbereich abdecken, können jedoch mehr Informationen über Stärken und Schwächen gewonnen werden.It is common to test the performance of new control engineering methods based on some To provide examples. Based on statistical analysis with many random However, selected routes that cover the scope can provide more information about strengths and weaknesses.

Die Leistungsfähigkeit dieses Verfahrens wird mit 100 per Zufallszahlengenerator erzeugten Strecken überprüft. Dazu werden gleichverteilte Zeitkonstanten im Intervall [0,2 s 5 s] verwendet. Als Maß für den Fehler wird der maximale Abstand f_MA zwischen den Übergangsfunktionen des neuronal eingestellten und des auf Basis des bekannten mathematischen Modells eingestellten Reglers definiert. Das Fehlermaß gibt Auskunft über die Auswirkung einer möglichen Parameterabweichung.The performance of this method is checked with 100 routes generated by a random number generator. For this purpose, uniformly distributed time constants in the interval [0.2 s 5 s] are used. As a measure of the error, the maximum distance f _MA between the transition functions of the neuronally set controller and that set on the basis of the known mathematical model is defined. The error measure provides information about the effect of a possible parameter deviation.

Für 100 Zufallsstrecken 4. Ordnung ergibt sich eine Häufigkeitsverteilung des Fehlers gemäß Bild 6 mit einem mittleren Fehler von 1,44% bezogen auf den Endwert. 91 Regelkreise werden mit einem Fehler von kleiner 3% eingestellt. Einstellungen mit einem Fehler < 5% entstehen im Fall von mehreren sehr kleinen Zeitkonstanten (T < 0,4 s).For 100 random segments of the 4th order, the frequency distribution of the error according to Figure 6 results with an average error of 1.44% based on the final value. 91 control loops are set with an error of less than 3%. Settings with an error <5% arise in the case of several very small time constants (T <0.4 s).

Disorders

Von besonderer Bedeutung für die Beurteilung der Leistungsfähigkeit ist die Einbeziehung von nicht trainierbaren Störungen in Form von Meßrauschen. Eine additive Überlagerung der Übergangsfunktion mit gleichverteilten Zufallszahlen von ±2,5% (bezogen auf den Endwert) verschlechtert erwartungsgemäß die Ergebnisse, siehe Histogramm Bild 7 (mittlerer Fehler 7,27%). Abhilfe könnte ein Glättungsfilter bringen, der als konstantes P - T₁-Glied mit trainiert werden muß.The inclusion of non-trainable disturbances in the form of measurement noise is of particular importance for the assessment of performance. An additive overlay of the transition function with equally distributed random numbers of ± 2.5% (based on the final value) deteriorates the results as expected, see histogram Figure 7 (mean error 7.27%). This could be remedied by a smoothing filter, which has to be trained as a constant P - T ₁ element.

Niederfrequente sinusförmige Störungen stellen eine besondere Herausforderung für ein Inbetriebnahmewerkzeug dar. Derartige Störungen können nicht mit einen Filter geglättet werden. Erfolgt die Störung wie folgt: x(t) = x(t) + 0,025 sin(2t), dann stellt sich ein mittlerer Fehler von 7,58% ein und eine Häufigkeitsverteilung gemäß Bild 8. Bild 9 zeigt ein besonders schlechtes Beispiel einer Reglereinstellung mit einem Fehler f_ma = 25%. Die zugrundeliegende gestörte Sprungantwort wurde mit dem System
Low-frequency sinusoidal interference is a particular challenge for a commissioning tool. Such interference cannot be smoothed out with a filter. If the fault occurs as follows: x (t) = x (t) + 0.025 sin (2t), then an average error of 7.58% occurs and a frequency distribution according to Figure 8. Figure 9 shows a particularly bad example of a controller setting with an error f _ma = 25%. The underlying disrupted step response was with the system

erzeugt. Die mittlere Kurve zeigt die Einstellung gemäß Betragsoptimum auf Grundlage bekannter Streckenparameter. Der neuronal eingestellte Regelkreis, weist ein zu großes Überschwingen auf.generated. The middle curve shows the setting according to the optimum amount based on known ones Route parameters. The neuron-adjusted control loop has an excessive overshoot.

Summary

Im Mittelpunkt dieser Erfindung steht die Verknüpfung der Regeleinrichtung (z. B. PID-Regler) mit dem modernen systemtheoretischen Konzept der Neuronalen Netze. Anwendungszweck ist die Verbesserung der Inbetriebnahme und Wartung von Regelkreisen, wobei im Rahmen dieser Beschreibung eine Einschränkung auf aperiodische Strecken vorgenommen wurde. Diese Einschränkung ist nicht prinzipieller Natur.The focus of this invention is the linkage of the control device (e.g. PID controller) with the modern system-theoretical concept of neural networks. The application is Improvement of the commissioning and maintenance of control loops, being part of this Description a restriction was made to aperiodic routes. This Restriction is not of a fundamental nature.

Die Streckenübergangsfunktion ist Grundlage eines neuronalen Reglerentwurfes, der auf Basis des Betragsoptimums erfolgt. Die Ergebnisse belegen bereits für ein kleines Netz mit wenigen Eingängen (5 Neuronen, 17 Eingänge) ein gutes Einstellverhalten, auch im Fall von Störungen und nicht trainierten Systemordnungen. The route transition function is the basis of a neural controller design based on the Amounts are optimal. The results prove even for a small network with few Inputs (5 neurons, 17 inputs) a good setting behavior, also in the case of faults and system orders not trained.

Die Trainingsphase benötigt, wie bei Neuronalen Netzen üblich, einen großen zeitlichen und auch personellen Aufwand. Der Anwendungsfall entspricht jedoch dem Drücken einer Adapt-Taste eines Kompaktreglers und setzt keinerlei Kenntnisse über Neuronale Netze voraus.The training phase, as is usual with neural networks, requires a large time and also personnel expenditure. However, the application corresponds to pressing an Adapt key a compact controller and does not require any knowledge of neural networks.

Die Lern- und Trainingsphase wurde auf der Basis von simulierten Strecken durchgeführt, da auf diesem Wege ein funktionaler Zusammenhang zwischen Strecke und Reglerparameter sichergestellt ist. Neuronale MLP-Netze lernen Funktionen zu approximieren und sind dann in der Lage zu generalisieren.The learning and training phase was carried out on the basis of simulated routes this way, a functional relationship between the system and controller parameters is ensured. Neural MLP networks learn to approximate functions and are then in the Generalize situation.

Das Reglerentwurfsverfahren ist innerhalb der vorgestellten Struktur frei wählbar. Der Autor hat auch das Verfahren der Polkompensation und Einstellung nach Phasenreserve in dieser Struktur realisieren können.The controller design process can be freely selected within the structure presented. The author has also the method of pole compensation and adjustment according to phase reserve in this structure can realize.

literature

[1] Anwendungsstand Künstlicher Neuronaler Netze in der Automatisierungstechnik. Gemeinschaftsbeitrag des GMA-Ausschusses "Künstliche Neuronale Netze", Teil 1 - Teil 6, atp 34 (1992) 10 bis atp 35 (1993) 6.
[2] Keßler, C.: Über die Vorausberechnung optimal abgestimmter Regelkreise Teil III. Regelungstechnik 3 (1955), S. 40-49.
[3] Klein, M., Walter, H. und Pandit M.: Digitaler PI-Regler: Neue Einstellregeln mit Hilfe der Streckensprungantwort. at 8/92, S. 291-299.
[4] Kuhn, U.: Eine praxisnahe Einstellregel für PID-Regler: Die T-Summen-Regel. atp 5/95, S. 10-16.
[5] Latzel, W.: Einstellregeln für vorgegebene Überschwingweiten. at 4/93, S. 103-113.
[6] Nowinski, G.: Lernfähige konnektionistische Strukturen in der Automatisierungstechnik. at 1/94.
[7] Otto, P.: Identifikation nichtlinearer Systeme mit Künstlichen Neuronalen Netzen. at 2/95, S. 62-68.
[8] Pfeiffer, B.-M.: Selbsteinstellende klassische Regler mit Fuzzy-Logik. at 2/94, S. 69-73.
[9] Preuß, H.-P. und Tresp, V.: Neuro-Fuzzy. atp 5/94, S. 10-24.
[10] Preuß, H.-P.: Prozeßmodellfreier PID-Regler-Entwurf nach dem Betragsoptimum. at 1/91, S.15-22.
[11] Preuß, H.-P.: Robuste Adaption in Prozeßreglern. atp 4/91, S. 178-187.
[12] Preuß, H.-P., Linzenkirchner, E. und Kirchberg, K.-H.: SIEPID - ein Inbetriebsetzungsgerät zur automatischen Regleroptimierung. atp 9/87, S. 427-436.
[13] Stenz, R. und Kuhn, U.: Vergleich: Fuzzy-Automatisierung und konventionelle Automatisierung einer Batch-Destillationskolonne. atp 5/93, S. 288-295.
[14] The Mathworks, Inc.: Neural Network Toolbox. Natick, Mass. 1993.[1] Application status of artificial neural networks in automation technology. Community contribution of the GMA committee "Artificial Neural Networks", Part 1 - Part 6, atp 34 (1992) 10 to atp 35 (1993) 6.
[2] Keßler, C .: About the pre-calculation of optimally coordinated control loops Part III. Control Technology 3 (1955), pp. 40-49.
[3] Klein, M., Walter, H. and Pandit M .: Digital PI controller: New setting rules with the help of the step change response. at 8/92, pp. 291-299.
[4] Kuhn, U .: A practical setting rule for PID controllers: the T-sum rule. atp 5/95, pp. 10-16.
[5] Latzel, W .: Setting rules for specified overshoot ranges. at 4/93, pp. 103-113.
[6] Nowinski, G .: Learnable connectionist structures in automation technology. at 1/94.
[7] Otto, P .: Identification of nonlinear systems with artificial neural networks. at 2/95, pp. 62-68.
[8] Pfeiffer, B.-M .: Self-adjusting classic controllers with fuzzy logic. at 2/94, pp. 69-73.
[9] Preuss, H.-P. and Tresp, V .: Neuro-Fuzzy. atp 5/94, pp. 10-24.
[10] Preuß, H.-P .: Process model-free PID controller design based on the optimum amount. at 1/91, pp.15-22.
[11] Preuß, H.-P .: Robust adaptation in process controllers. atp 4/91, pp. 178-187.
[12] Preuss, H.-P., Linzenkirchner, E. and Kirchberg, K.-H .: SIEPID - a commissioning device for automatic controller optimization. atp 9/87, pp. 427-436.
[13] Stenz, R. and Kuhn, U .: Comparison: Fuzzy automation and conventional automation of a batch distillation column. atp 5/93, pp. 288-295.
[14] The Mathworks, Inc .: Neural Network Toolbox. Natick, Mass. 1993.

Claims

1. Self-adjusting device for a control device ( 2 ) for a process ( 1 ) with at least one manipulated variable (y) and one controlled variable (x), characterized in that the self-adjusting device has a neural network ( 3 ) which, depending on the controlled variable ( x) designs the parameters (p) of the control device.

2. Self-adjusting device according to claim 1, characterized in that that a test function (e.g. jump, ramp or Dirac) as a manipulated variable when the Control device or as a reference variable (w) when the control device is switched on The basis for neuronal self-orientation is.

3. Self-adjusting device according to claim 2, characterized in that that the sampled response of the controlled variable (x) to the test function directly to the neural network is supplied or converted, e.g. B. in the form of time percentages.

4. Self-adjusting device according to claim 3, characterized in that that the neural network in a first step based on the test function used and a (conventional) controller design process was trained. This is for a class of known processes and the associated controller parameters a learning data record put together. This learning data record contains the scanned control variable as a pattern and the Controller parameters as target.