DE4433332A1

DE4433332A1 - Einrichtung zur adaptiven Regelung einer Strecke

Info

Publication number: DE4433332A1
Application number: DE19944433332
Authority: DE
Inventors: Hans-Peter Dr Ing Preus
Original assignee: Siemens AG; Siemens Corp
Current assignee: Siemens AG; Siemens Corp
Priority date: 1994-09-19
Filing date: 1994-09-19
Publication date: 1996-03-21
Also published as: WO1996009573A3; WO1996009573A2

Description

Die Erfindung betrifft eine Einrichtung zur adaptiven Rege lung einer Strecke nach dem Oberbegriff des Anspruchs 1.

Eine derartige Anordnung ist bereits aus dem Aufsatz "Robuste Adaption in Prozeßreglern" von Hans-Peter Preuß, veröffent licht in der Zeitschrift "Automatisierungstechnische Praxis" 33 (1991), Seiten 178 bis 187, bekannt. Ein Regelkreis be steht dort aus einem Vergleicher, der aus einem Vergleich ei ner an der Strecke gemessenen Regelgröße mit einer Führungs größe eine Regeldifferenz bildet, und einem Regler, der in Abhängigkeit von der Regeldifferenz eine Stellgröße für die Strecke bestimmt. Grundlage der PID-Reglerparametrierung ist eine Sprungantwort der Regelstrecke, von der in angemessenem Zeitabstand Abtastwerte gewonnen und abgespeichert werden. Der gemessene Verlauf wird durch einen speziellen Modell ansatz, ein PT_n-Modell, approximiert, um ein darauf zuge schnittenes Reglereinstellverfahren, das Betragsoptimum, an wenden zu können.

Der Erfindung liegt die Aufgabe zugrunde, eine Einrichtung zur adaptiven Regelung einer Strecke zu schaffen, bei der auf ein Modell der Strecke verzichtet werden kann und die dennoch ein gutes Regelverhalten gewährleistet.

Zur Lösung dieser Aufgabe weist die neue Einrichtung das im kennzeichnenden Teil des Anspruchs 1 genannte Merkmal auf. In den Unteransprüchen sind vorteilhafte Weiterbildungen angege ben.

Die Erfindung hat den Vorteil, daß es mit dem neuronalen Netz möglich ist, direkt aus den diskreten Abtastwerten der Sprungantwort der Strecke als Eingangsgrößen gut geeignete Parameter, beispielsweise eines PID-Reglers, als Ausgangs größen zu berechnen. Dabei kann das neuronale Netz auf einer vergleichsweise einfachen Hardware implementiert werden, da seine Anwendung lediglich das Anlegen der als Eingangsgrößen dienenden Abtastwerte der Streckensprungantwort und die ein malige Durchrechnung des neuronalen Netzes erfordert. Auf grund seiner Generalisierungseigenschaften liefert das Netz zu einer weitgehend beliebigen Sprungantwort sofort geeignete Parameter des Reglers.

Anhand der Figuren, in denen ein Ausführungsbeispiel der Er findung dargestellt ist, werden im folgenden die Erfindung sowie Ausgestaltungen und Vorteile näher erläutert.

Es zeigen:

Fig. 1 ein Blockschaltbild einer erfindungsgemäßen Einrich tung zur adaptiven Regelung und

Fig. 2 eine Prinzipdarstellung einer Signalvorverarbeitung und eines neuronalen Netzes.

Ein adaptiver Regelkreis besteht nach Fig. 1 aus einem Ver gleicher 1, einem Regler 2, einer Strecke 3, einer Signalvor verarbeitung 4 und einem neuronalen Netz 5. In dem Verglei cher 1 wird eine an der Regelstrecke 3 gemessene Regelgröße x mit einer Führungsgröße w verglichen und so eine Regeldiffe renz xd gebildet. Der Regler 2, der als PID-Regler ausgeführt ist und seine Parameter Kp, Tn und Tv von dem neuronalen Netz erhält, bestimmt aus der Regeldifferenz xd eine Stellgröße y, die auf die Strecke 3 wirkt. Der Verlauf der Regelgröße x und der Stellgröße y wird in der Signalvorverarbeitung 4 abgeta stet und gespeichert. Aufgrund der durch die Signalvorverar beitung 4 gewonnenen Abtastwerte a wird durch das neuronale Netz 5 eine für die Strecke 3 geeignete Belegung der Para meter Kp, Tn und Tv des PID-Reglers 2 berechnet. Vorteilhaft wird für die Erzeugung der Abtastwerte a in der Signalvorver arbeitung 4 der Strecke 3 durch den Regler 2 ein Stellgrößen sprung aufgeschaltet.

Prinzipiell ist aber jeder beliebige Zeitverlauf der Stell größe y als Anregung der Strecke 3 möglich, der zu einem für das Streckenverhalten charakteristischen Verlauf der Regel größe x führt. Wenn eine Berechnung der Reglerparameter durch das neuronale Netz 5 für verschiedene Verläufe der Stellgröße y möglich sein soll, müssen neben Abtastwerten des Verlaufs der Regelgröße x auch Abtastwerte der Stellgröße y durch die Signalvorverarbeitung 4 dem neuronalen Netz 5 zugeführt wer den. Da aber nicht für jeden Verlauf der Stellgröße y eine sinnvolle Berechnung der Reglerparameter möglich ist, bei spielsweise im stationären Zustand der Regelung, wird in die sem Fall ein Kriterium benötigt, mit dessen Hilfe in Abhän gigkeit vom Stellgrößenverlauf die Parameterberechnung frei gegeben wird.

Die Abtastzeit ist in der Signalvorverarbeitung 4 fest einge stellt. Wenn sie dagegen variabel gehalten werden soll, wird sie für die Reglerparameterberechnung benötigt und muß als weitere Eingangsgröße auf das neuronale Netz 5 gegeben wer den.

In Fig. 2 ist das Adaptionsprinzip anschaulich dargestellt. An einem Eingang eines neuronalen Netzes 6 liegt ein Signal PI/PID an, das zur Auswahl des Reglertyps dient. Weitere Ein gangssignale sind die in einer Signalvorverarbeitung gewonne nen diskreten Abtastwerte der Regelgröße x, die aus dem Ver lauf der Sprungantwort, die in einem Zeitdiagramm dargestellt ist, gewonnen werden. Mit diesen Eingangsgrößen berechnet das neuronale Netz 6 dem gewählten Reglertyp entsprechend direkt die Parameter Kp, Tn und Tv.

Mehrdimensionale, nichtlineare Zusammenhänge können, wie bei spielsweise aus der WO 94/06095 bekannt ist, durch künstliche neuronale Netze modelliert werden. Solche mehrdimensionalen, nichtlinearen Zusammenhänge, deren Kenntnis die Lösung des Reglerentwurfsproblems darstellt, bestehen auch zwischen den Abtastwerten der Streckensprungantwort und den optimalen Reglerparametern eines zugehörigen PID-Reglers. Allerdings lassen sich diese Zusammenhänge nur in sehr speziellen Fällen in analytischer Form angeben. Die Einstellregeln des Betrags optimums sind ein solcher Spezialfall. Es liefert für PT_n- Strecken als Einstellvorschrift für die Parameter Kp, Tn und Tv eines PID-Reglers rationale Funktionen mit den Kennwerten Verstärkung K, Zeitkonstante T und Ordnung n der Strecke, die in dem eingangs genannten Aufsatz angegeben sind. In allge meiner Schreibweise lauten sie:

Kp = f₁(n, K, T),
Tn = f₂(n, T) und
Tv = f₃ (n, T).

Da die Kennwerte n, K, T der Strecke die Sprungantwort x(t) eindeutig beschreiben, gibt es ebenfalls einen Zusammenhang zwischen m äquidistanten, diskreten Werten x_i, i = 1, . . . , m, der Streckensprungantwort x(t) und den betragsoptimalen Reg lerparametern:

Kp = g₁(x₁, . . . , x_m, Δt),
Th = g₂(x₁, . . . , x_m, δt) und
Tv = g₃(x₁, . . . , x_m, Δt).

Auch für andere Streckentypen existieren entsprechende Bezie hungen, wobei die Funktionen g_i vom jeweils verwendeten Ent wurfskriterium (Betragsoptimum, quadratische Regelfläche, . . . ) abhängen.

Als neuronales Netz ist ein MLP (Multi Layer Perceptron)-Netz mit zehn Eingängen für die Stützwerte der Sprungantwort, ei nem Eingang für das Zeitinkrement Δt, eventuell einem Eingang für das Umschaltsignal PI/PID und je einem Ausgang für Kp, Tn, Tv geeignet. Zur Lerndatengenerierung werden zunächst die Abtastwerte der Sprungantworten verschiedener analytischer Streckenmodelle berechnet und die Reglerparameter anhand der bekannten Einstellregeln (z. B. Betragsoptimum für PT_n- Strecken) vorgegeben. Weitere Lerndaten werden durch Regel kreissimulation und numerische Optimierung der Regler parameter gewonnen. Mit den so erhaltenen Lerndaten wird schließlich das neuronale Netz trainiert. Für diese Daten liefert also das neuronale Netz optimale Ergebnisse. An schließend empfiehlt sich ein Test der Generalisierungseigen schaften des Netzes an Strecken, für die keine Reglerpara meter als Trainingsdaten zur Verfügung standen.

Als Ergebnis erhält man ein trainiertes neuronales Netz, des sen interne Parameter vollständig bekannt sind. Es kann damit auf einer vergleichsweise einfachen Hardware implementiert werden, da eine hohe Rechenleistung nur für den Lernvorgang erforderlich ist. Die Anwendung des neuronalen Netzes im Re gelkreis erfordert lediglich das Anlegen der als Eingangs größen dienenden Abtastwerte der Streckensprungantwort und die einmalige Durchrechnung des Netzes. Ohne jede weitere rechenintensive Optimierung liefert das Netz zu einer belie bigen Sprungantwort sofort gute, an den gelernten Stützwerten optimale Reglerparameter. Ein Modell der Strecke wird für die eigentliche Adaption nicht mehr benötigt.

Claims

1. Einrichtung zur adaptiven Regelung einer Strecke (3)

- mit einem Vergleicher (1), der aus einem Vergleich einer an der Strecke (3) gemessenen Regelgröße (x) mit einer Führungsgröße (w) eine Regeldifferenz (xd) bildet,
- mit einem Regler (2), der in Abhängigkeit von der Regel differenz (xd) eine Stellgröße (y) für die Strecke (3) be stimmt, und
- mit einer Signalvorverarbeitung (4), mit der aus dem zeit lichen Verlauf der Regelgröße (x) Abtastwerte (a) erzeug bar sind,

gekennzeichnet durch ein neuronales Netz (5), das in Abhängigkeit von den Abtast werten (a) die Parameter (Kp, Tn, Tv) des Reglers berechnet.

2. Einrichtung nach Anspruch 1, dadurch gekenn zeichnet, daß der Regler (2) ein PI- oder PID-Regler ist.

3. Einrichtung nach Anspruch 1 oder 2, dadurch gekenn zeichnet, daß für die Erzeugung der Abtastwerte (a) in der Signalvorverarbeitung (4) der Strecke (3) durch den Reg ler (2) ein Stellgrößensprung aufschaltbar ist.

4. Einrichtung nach einem der vorhergehenden Ansprüche, da durch gekennzeichnet, daß das neuronale Netz (5) anhand von Lerndaten der Parameter (Kp, Th, Tv) und der Ab tastwerte (a) der Streckensprungantwort trainiert ist, die durch Parameter-Einstellregeln für ein oder mehrere Strecken modelle generiert wurden.

5. Einrichtung nach einem der vorhergehenden Ansprüche, da durch gekennzeichnet, daß das neuronale Netz (5) anhand von Lerndaten der Parameter (Kp, Tn, Tv) und der Ab tastwerte (a) der Streckensprungantwort trainiert ist, die durch Regelkreissimulation und numerische Optimierung der Reglerparameter (Kp, Th, Tv) für ein oder mehrere Strecken modelle generiert wurden.