DE69518208T2 - Verfahren und Vorrichtung zur Erzeugung einer Mehrgrössen-/nichtlinearen Steuerung - Google Patents
Verfahren und Vorrichtung zur Erzeugung einer Mehrgrössen-/nichtlinearen SteuerungInfo
- Publication number
- DE69518208T2 DE69518208T2 DE69518208T DE69518208T DE69518208T2 DE 69518208 T2 DE69518208 T2 DE 69518208T2 DE 69518208 T DE69518208 T DE 69518208T DE 69518208 T DE69518208 T DE 69518208T DE 69518208 T2 DE69518208 T2 DE 69518208T2
- Authority
- DE
- Germany
- Prior art keywords
- variables
- time
- predicted
- variable
- controlled
- 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 - Lifetime
Links
- 238000000034 method Methods 0.000 title claims description 207
- 230000008569 process Effects 0.000 claims description 159
- 238000013528 artificial neural network Methods 0.000 claims description 98
- 230000008859 change Effects 0.000 claims description 67
- 238000012549 training Methods 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 230000035945 sensitivity Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000012886 linear function Methods 0.000 claims description 3
- 230000001364 causal effect Effects 0.000 claims 1
- 239000013598 vector Substances 0.000 description 50
- 238000005259 measurement Methods 0.000 description 19
- 238000004886 process control Methods 0.000 description 9
- 238000005070 sampling Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000002360 preparation method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 230000003534 oscillatory effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100311330 Schizosaccharomyces pombe (strain 972 / ATCC 24843) uap56 gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000000454 anti-cipatory effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 101150018444 sub2 gene Proteins 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- 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
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
- G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
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 industrielle Prozeßsteuerungen und genauer gesagt ein Verfahren und eine Vorrichtung zum Steuern von nichtlinearen dynamischen industriellen Prozessen mit mehreren Variablen.
- Bei der industriellen Automation war man immer bestrebt, die optimale Art und Weise zum Steuern industrieller Prozesse zu erreichen, um Qualitäts- und Produktionsanforderungen zu erfüllen. Die meisten modernen industriellen Prozesse sind jedoch komplex und benötigen zahlreiche Steuervariablen mit wechselwirkenden Dynamiken, die Zeitverzögerungen und Verschiebungen sowie Nichtlinearitäten aufweisen. Um solche komplexen industriellen Prozesse zu handhaben, haben sich diverse Prozeßsteuerungstechniken entwickelt.
- Die meisten gegenwärtigen Prozeßsteuerungstechniken bestimmen den optimalen Betrieb eines Prozesses durch Überwachen eines oder mehrerer der Merkmale des Prozesses im Laufe der Zeit, um die Operationsparameter des Prozesses anzupassen. Um die optimalen Operationsparameter zu berechnen, insbesondere im Lichte von Veränderungen des Arbeitspunktes, der Systemdynamik und von Störungen können diese Techniken auf einem Modell des Anlagenprozesses aufbauen, um das zukünftige Verhalten des Systems vorauszusagen. Bei manchen fortgeschrittenen Techniken ist dieses Modell oder ein Teil davon in eine Controllerstruktur einbezogen. Die Genauigkeit dieser Techniken beruht auf einem genauen dynamischen Modell des Prozesses. Ein solches Modell ist nicht notwendigerweise verfügbar, da manche Prozesse Unsicherheiten aufweisen, die nicht genau oder einfach modelliert werden können.
- In jüngerer Zeit sind neuronale Netze zu einem attraktiven Mittel zum Modellieren von komplexen Prozessen geworden. Dies liegt daran, daß ein neuronales Netz die inhärente Fähigkeit hat, eine nichtlineare Funktion mit mehreren Variablen zu approximieren. Das neuronale Netz ist auch deswegen vorteilhaft, weil es kein vollständiges oder genaues Verständnis des Prozesses erfordert. Stattdessen kann es eine Darstellung des Prozesses durch seine Fähigkeit, zu üben und an Beispielen zu lernen, aufbauen. Ein neuronales Netz hat außerdem die Fähigkeit, verzögerte Variable zu handhaben und so dynamische Systeme darzustellen.
- Die Anwendung von neuronalen Netzen auf dem Gebiet der Prozeßsteuerung ist eine relativ junge Entwicklung. Dennoch sind diverse Steuerungssysteme mit neuronalen Netzen entwickelt worden. Ein solcher Typ ist ein Steuerungssystem, das neuronale Netze im Rahmen der etablierten modellorientierten voraussagenden Steuerung einsetzt. Typischerweise verwenden diese Typen von Steuerungssystemen einen Controller, der ein Modell des Prozesses anwendet, um die manipulierte Variable zu bestimmen, die den Prozeß auf den Zielwert bringen wird. Prozeßrückkopplung wird durch ein Prozeß-Modell- Fehlanpassungssignal geliefert, das auf den Arbeitspunkt angewendet wird und so unmodellierte Störungen kompensiert. Dieses Fehlanpassungssignal ist die Differenz zwischen der Prozeßausgabe und einer von einem neuronalen Netz des Prozesses erzeugten modellierten Prozeßausgabe.
- Der Controller besteht aus einem neuronalen Netzmodell und einem Optimierer. Das neuronale Netzmodell wird verwendet, um die Wirkung einer möglichen Trajektorie einer manipulierten Variable auf die Prozeßausgaben im Laufe einer zukünftigen Zeittrajektorie vorauszusagen, wobei gegenwärtige und kurz zurückliegende Prozeß-Eingabe- und Ausgabewerte berücksichtigt werden. Der Optimierer verwendet diese Information, um Werte der manipulierten Variablen so zu wählen, daß die Prozeßausgaben dem Arbeitpunkt optimal folgen und eine gegebene Menge von Randbedingungen erfüllen.
- Dieser Typ von Prozeßsteuerungssystem unterliegt einigen Beschränkungen. Die vorrangige Beschränkung ist, daß er ungemessene Laststörungen bei einem verzögerungsdominierten Prozeß nicht effektiv handhabt. Obwohl die Verwendung einer Modell-Fehler-Rückkopplung dem System die Möglichkeit gibt, einen Totzeit-Prozeß gut zu handhaben, stabilisiert das Verfahren einen nicht-selbstregulierenden oder einen instabilen Prozeß mit offenem Regelkreis nicht, sofern nicht zusätzliche Rückkopplung bereitgestellt wird. Es gibt keine proportionale oder abgeleitete Rückkopplung, nur eine quasi-integrale Rückkopplungswirkung wird durch das Prozeß-Modell-Fehlanpassungssignal geschaffen. Außerdem wird die Controller-Ausgabetrajektorie-Optimierung in jedem Steuerungsintervall wiederholt, um die nächste Änderung der manipulierten Variable zu bestimmen. Diese Optimierung kann erhebliche Rechenzeit erfordern, so daß der Zeitabstand zwischen Aktualisierungen der Controllerausgabe unerwünscht groß wird. Dieser Zeitabstand trägt weitere Totzeit zu der Prozeßtotzeit bei und erhöht so den in Reaktion auf eine ungemessene Laständerung bestmöglich erreichbaren Steuerungsfehler.
- Mit der Erfindung soll ein robustes und effizientes Prozeßsteuerungssystem geschaffen werden, das die obigen Einschränkungen berücksichtigt. Genauer gesagt, ein optimales nichtlineares Steuerungssystem mit mehreren Variablen, das robust ist, das nicht-selbstregulierende Prozesse genauso wie reine Totzeit-Prozesse erfaßt, das keine online- Optimierung erfordert, das kompensiert, um Störungen durch gemessene Lasten zu vermeiden und das ungemessenen Störungen mit hoher Rückkopplungsverstärkung entgegenwirkt.
- Die Erfindung ist in Ansprüchen 1 und 8 dargelegt. Besonders bevorzugte Merkmale sind in den abhängigen Ansprüchen dargelegt.
- Diese Offenbarung stellt ein Verfahren und eine Vorrichtung zum Trainieren und Optimieren eines neuronalen Netzwerkes zur Verwendung in einem Prozeßsteuerungssystem vor. Das neuronale Netz kann als ein Controller eingesetzt werden, der eine manipulierte Variable zur direkten Steuerung des Prozesses erzeugt, wie in der ersten und zweiten Ausgestaltung. Es kann auch als Teil einer Controllerstruktur oder zum Experimentieren am Prozeß eingesetzt werden, wie bei der dritten und vierten Ausgestaltung.
- Training und Optimierung des neuronalen Netzes der ersten Ausgestaltung wird offline und unter Verwendung eines zweiten neuronalen Netzes durchgeführt. Das erste neuronale Netz ist ein Voraussagefilter für zukünftige Werte der gesteuerten Variablen als Funktion von gegenwärtigen Eingaben, gesteuerten Variablen und deren Änderungsgeschwindigkeit. Dieses neuronale Netz wird dann benutzt, um die optimalen Voraussagezeiten und die entsprechenden Voraussagen für jeden Satz der Eingabe- Trainingsdaten des neuronalen Netzes zu finden. Das Training kann mit einem üblichen Verfahren wie etwa der Rückausbreitung von Voraussagefehlern durchgeführt werden, um die Parameter des neuronalen Netzes anzupassen. Dieser Trainings- und Optimierungsprozeß wird offline durchgeführt, um so den Optimierungsüberhang aus der Controllerleistung zu beseitigen. Bei der ersten Ausgestaltung wird ein zweites neuronales Netz trainiert, um gegenwärtige Werte der manipulierten Variablen als Funktion der anderen Eingaben des ersten neuronalen Netzes und der vorausgesagten gesteuerten Variablen, vorverschoben um die optimale Voraussagezeit, auszugeben. Dieses Netzwerk wird auch trainiert, um die optimalen Voraussagezeiten aus dem gleichen Satz von Eingaben auszugeben.
- Dieses neuronale Netz kann dann als nichtlinearer Controller für mehrere Variablen, wie in EP-A-0 710 901 beschrieben, eingesetzt werden. Bei dieser Verwendung liefert das neuronale Netz eine stabile Leistung im geschlossenen Regelkreis mit prompter, minimal überschießender Antwort auf eine Ziel- oder Arbeitspunktänderung, schneller nichtoszillatorischer Unterdrückung von gemessenen Laststörungen und vorwegnehmender Unterdrückung von gemessenen Laststörungen. Die Offenkreis-Pole des Prozesses mit der niedrigsten Frequenz dürfen instabil sein, weil sie durch durch diesen Controller gelieferte nichtlineare proportionale und Ableitungs-Rückkopplung mit mehreren Variablen stabilisiert werden.
- Bei der zweiten Ausgestaltung wird das neuronale Netz in ähnlicher Weise wie bei der ersten Ausgestaltung trainiert, allerdings an Inferenz-Messungen der Prozeßausgaben anstelle der gesteuerten Variableneingaben. Dies ergibt ein Netz, das, wenn es als Controller verwendet wird, in der Lage ist, den Prozeß mit einer höheren Geschwindigkeit zu steuern, als der, mit der die gesteuerte Variable abgetastet wird.
- Training und Optimierung des bei der dritten Steuerungsausgestaltung verwendeten neuronalen Netzes werden offline und in ähnlicher Weise wie beim Netzwerk nach der ersten Steuerungsausgestaltung durchgeführt. Ein erstes neuronales Netzmodell wird als Voraussagefilter für zukünftige Werte der gesteuerten Variablen trainiert.
- Dieses neuronale Netz wird dann verwendet, um die optimalen Voraussagezeiten zu finden. Ein zweites neuronales Netz wird trainiert, um die optimalen Voraussagezeiten und die vorausgesagten Werte der gesteuerten Variablen, vorverschoben um die optimalen Voraussagezeiten, auszugeben.
- [0015] Bei der vierten Ausgestaltung wird das neuronale Netz an Inferenz-Messungen der Prozeßausgaben anstelle von gesteuerten Variableneingaben in ähnlicher Weise wie die dritte Ausgestaltung trainiert. Dies ergibt ein Netz, das wenn es als Teil eines Controllers verwendet wird, den Controller in die Lage versetzt, auf Prozeßänderungen in kürzeren Zeitabständen zu reagieren als der Rate, mit der die gesteuerte Variable abgetastet wird.
- [0016] Das in der dritten und vierten Ausgestaltung erzeugte neuronale Netz kann verwendet werden, um die Auswirkungen einer hypothetischen Folge von Randbedingungen unterliegenden manipulierten Variablen und Laständerungen auf die Trajektorien zukünftiger gesteuerter Variablen zu untersuchen. Alternativ kann es als Teil eines Prozeßcontrollers wie in EP-A-0 710 902 beschrieben eingebaut sein.
- [0017] Die oben genannten sowie andere Merkmale und Vorteile der Erfindung ergeben sich aus der nachfolgenden, detaillierteren Beschreibung von bevorzugten Ausgestaltungen der Erfindung, wie in den beigefügten Zeichnungen dargestellt, in denen gleiche Bezugszeichen in allen unterschiedlichen Ansichten auf gleiche Elemente verweisen. Die Zeichnungen sind schematische Darstellungen von Steuerungselementen, wobei der Schwerpunkt auf der Veranschaulichung der Prinzipien der Erfindung liegt.
- [0018] Fig. 1 ist ein Flußdiagramm, das die Folge von Schritten veranschaulicht, die bei der ersten und zweiten Ausgestaltung verwendet werden, um ein neuronales Netz zur Verwendung in einem Prozeßsteuerungssystem zu trainieren.
- [0019] Fig. 2 zeigt die Operation des Aufbauens der historischen Datenbank gemäß der bevorzugten Ausführungsform der Erfindung.
- [0020] Fig. 3 zeigt die Operation des Trainierens eines ersten neuronalen Netzes als Voraussagemodell.
- [0021] Fig. 4 zeigt die Operation des Anwendens des ersten neuronalen Netzes, um gesteuerte Variablen an zukünftigen Zeitschritten zu erzeugen.
- [0022] Fig. 5 zeigt die Operation des Berechnens der Empfindlichkeit der vorausgesagten gesteuerten Variablen auf die manipulierten Variableneingaben.
- [0023] Fig. 6 zeigt die Operation des Berechnens der optimalen Voraussagezeiten gemäß der ersten Bestimmungs- Ausgestaltung.
- [0024] Fig. 7 zeigt die beim Berechnen der optimalen Voraussagezeiten gemäß der ersten Bestimmungs-Ausgestaltung verwendeten Schritte.
- [0025] Fig. 8 ist ein Graph, der die in Fig. 6, 7, 10 und 11 gezeigte Maximierungsoperation veranschaulicht.
- [0026] Fig. 9 ist ein Graph, der die in Fig. 6, 7, 10 und 11 gezeigte Minimierungsoperation veranschaulicht.
- [0027] Fig. 10 zeigt die Operation des Bestimmens der optimalen Voraussagezeiten gemäß der zweiten Bestimmungs- Ausgestaltung.
- [0028] Fig. 11 zeigt die beim Bestimmen der optimalen Voraussagezeiten gemäß der zweiten Bestimmungs- Ausgestaltung verwendeten Schritte.
- [0029] Fig. 12 zeigt die Interpolationsoperation, die in der bevorzugten Ausführungsform verwendet wird.
- [0030] Fig. 13 zeigt die beim Bestimmen der um die optimalen Voraussagezeiten vorverschobenen vorausgesagten gesteuerten Variablen verwendeten Schritte.
- [0031] Fig. 14 zeigt die Operation des Trainierens eines zweiten neuronalen Netzes, wie in der ersten und zweiten Ausgestaltung verwendet, zum Ausgeben der manipulierten Variablen und der optimalen Voraussagezeiten für bestimmte Eingaben.
- [0032] Fig. 15 ist ein Flußdiagramm, das die Folge von Schritten veranschaulicht, die in der dritten und vierten Ausgestaltung verwendet werden, um ein neuronales Netz zur Verwendung in einem Prozeßsteuerungssystem zu trainieren.
- [0033] Fig. 16 zeigt die Operation des Trainierens eines zweiten neuronalen Netzes, wie in der dritten und vierten Ausgestaltung verwendet, zum Ausgeben der vorausgesagten gesteuerten Variablen, vorverschoben um die optimalen Voraussagezeiten, und der optimalen Voraussagezeiten für bestimmte Eingaben.
- [0034] Fig. 17 zeigt die Verwendung des in der ersten Ausgestaltung entwickelten neuronalen Netzes.
- [0035] Fig. 18 zeigt die Verwendung des in der zweiten Ausgestaltung entwickelten neuronalen Netzes.
- [0036] Fig. 19 zeigt die Verwendung des in der dritten Ausgestaltung entwickelten neuronalen Netzes.
- [0037] Fig. 20 zeigt die Verwendung des in der vierten Ausgestaltung entwickelten neuronalen Netzes.
- [0038] Bevor die Details beschrieben werden, wird eine kurze Übersicht über die in der Erfindung verwendeten Signale gegeben.
- t ist eine ganze Zahl, die einen bestimmten Zeitschritt des Prozesses darstellt.
- k ist ein ganzzahliger Wert, der eine willkürliche positive Zahl von Zeitschritten darstellt.
- u(t), manipulierte Variable - ein Vektor von Signalen, der eine Größe oder Bedingung darstellt, die im Zeitschritt t variiert wird, um den Wert der gesteuerten Variablen zu ändern.
- y(t), gesteuerte Variable - ein Vektor von Prozeßausgabesignalen, der die gemessene Prozeßausgabe an der Zeitstufe t darstellt. Für die Zwecke dieser Anmeldung werden die Ausdrücke gesteuerte Variable und Prozeßausgabe synonym verwendet.
- y'(t), Ableitung der gesteuerten Variable - ein Vektor von Signalen, der die Änderungsgeschwindigkeit der gemessenen Prozeßausgabe im Zeitschritt t bezogen auf die Zeit darstellt.
- w(t), Inferenzvariable - ein Vektor von Prozeßausgabesignalen, der den Vektor von gesteuerten Prozeßausgaben am Zeitschritt t inferentiell darstellt.
- w'(t) Ableitung der Inferenzvariable - Vektor von Signalen, der die Änderungsgeschwindigkeit zum Zeitschritt t darstellt.
- yp(t+k) vorausgesagte gesteuerte Variable - ein Vektor von Modellausgabesignalen, der die gemessene Prozeßausgabe oder gesteuerte Variable zum Zeitschritt t+k voraussagt.
- (t)+ (t)) vorausgesagte gesteuerte Variable, vorverschoben um die optimale Voraussagezeit - ein Vektor von Ausgabesignalen, der die gemessene Prozeßausgabe oder gesteuerte Variable am Zeitschritt t vorverschoben um die optimale Voraussagezeit (t) in Abhängigkeit von Eingaben und Eingabe-Ableitungen am Zeitschritt t voraussagt.
- v(t), gemessene Lastvariable - ein Vektor von Signalen, der eine bekannte Störung einer gemessenen Größe darstellt, die am Zeitschritt t auftritt.
- v'(t), Ableitung der gemessenen Lastvariable - ein Vektor von Signalen, der die zeitliche Änderungsgeschwindigkeit des gemessenen Lastsignals zum Zeitschritt t darstellt.
- (t) optimale Voraussagezeit - ein Vektor von reellen Zahlen, die die relative Zeit darstellen, wo die entsprechende gesteuerte Variable yi(t)+ i(t)) am empfindlichsten auf eine Änderung ihrer gepaarten manipulierten Variablen ist. Für die Zwecke dieser Anmeldung werden die Ausdrücke Verzögerungszeit, Totzeit und optimale Voraussagezeit synonym verwendet.
- [0039] Für die Zwecke dieser Anmeldung bezeichnen diese Schreibweisen, wenn sie in Text und Diagrammen verwendet werden, einen Vektor von Signalen. Zum Beispiel stellt u(t) einen Vektor von manipulierten Variablensignalen u1(t) u~(t) und yp(t+k) einen Vektor von vorausgesagten gesteuerten Variablensignalen yp1 (t+k1)... yWt+kq) bis ypn (t+k1)... ypn (t+kq) dar.
- [0040] Für die Zwecke dieser Anmeldung ist der zukünftige Zeithorizont ein zukünftiger Zeitschritt bezogen auf die Zeit t, der innerhalb der Zeitspanne der Trainingsdaten liegen kann.
- [0041] Die Erfindung wird nachfolgend mit Bezug auf vier Ausgestaltungen beschrieben, die unterschiedliche neuronale Netzwerke erzeugen. Bei allen Ausgestaltungen wird das Netzwerk unter Verwendung von historischen Daten trainiert, um die optimalen Voraussagezeiten für jede der gesteuerten Variablen zu berechnen. Bei der ersten und zweiten Ausgestaltung wird das Netzwerk ferner trainiert, um die geeigneten manipulierten Variablen zu identifizieren, und bei der dritten und vierten Ausgestaltung wird es trainiert, um die geeigneten gesteuerten Variablen zu identifizieren. Das mit der ersten und zweiten Ausgestaltung erzeugte Netz kann als Controller verwendet werden, und das mit der dritten und vierten Ausgestaltung erzeugte Netz kann für Experimente am Prozeß oder als Teil eines Controllers verwendet werden.
- [0042] Bei der ersten Ausgestaltung wird ein neuronales Netz trainiert, um für jede gesteuerte Variable auf jeder Zeitstufe t in dem Prozeß die optimale Voraussagezeit und die manipulierte Variable zu erzeugen, die verwendet werden, um den Prozeß schnell und stabil auf den gewünschten Arbeitspunkt zu bringen. Wenn dieses Netz als Controller verwendet wird, wird aus der optimalen Voraussagezeit die effektive Antwortzeit der gesteuerten Variable auf den Arbeitspunkt. Diese Voraussagezeit stellt eine zukünftige Zeit dar, wo die stärkste Veränderung in der gesteuerten Variablen als Ergebnis einer kleinen Veränderung erfolgt, die an ihrer gepaarten manipulierten Variablen vorgenommen wird. Bei einem Controller stellt die optimale Voraussagezeit die Situation dar, wo die kleinste Änderung der manipulierten Variable benötigt wird, um die zukünftige gesteuerte Variable auf ihren Zielwert oder Arbeitspunkt zu bringen. Wenn eine andere Zeit verwendet würde, wäre die Veränderung der manipulierten Variablen größer, was zu einer Überkorrektur und damit zu einem oszillatorischen und möglicherweise instabilen Verhalten führen würde.
- [0043] Diese Vorbereitung ist dargestellt in Fig. 1, und sie umfaßt sieben Stufen, die von mehreren Computerverarbeitungseinheiten durchgeführt werden. In der ersten Stufe wird eine Datenbank erzeugt, die historische Daten für die gemessenen Lastvariablen, gepaarte gesteuerte und manipulierte Variablen, Ableitungen der gemessenen Lastvariablen und Ableitungen der gesteuerten Variablen enthält. Optionsweise können auch die Inferenzvariablen und ihre Ableitungen enthalten sein. Stufe 12 verwendet die Daten aus der historischen Datenbank, um ein erstes neuronales Netz darauf zu trainieren, die Funktion zu berechnen, die die um zukünftige Zeitstufen kj für k = 1 bis q vorverschobenen gesteuerten Variablen ergibt. Dieses neuronale Netz wird dann in Stufe 14 eingesetzt, um jeweils um jede dieser zukünftigen Stufen vorverschobene vorausgesagte gesteuerte Variablen yPi(t+kj) für 1 = 1 bis n, j = 1 bis q zu berechnen. Es wird dann in Stufe 16 von Neuem eingesetzt, wobei eine kleine Änderung in der eingegebenen manipulierten Variable einen zweiten Satz von gesteuerten Variablen ergibt, die diese Änderung [yp + δy2](t+k) widerspiegeln. Die Ausgaben aus beiden Anwendungen des ersten neuronalen Netzes werden dann in Stufe 18 verwendet, um die optimale Voraussagezeit durch Interpolation für jedes Paar von manipulierten und gesteuerten Variablen zu bestimmen. Die entsprechende gesteuerte Variable bei der optimalen Voraussagezeit wird durch Interpolation in Stufe 20 berechnet. Ein zweites neuronales Netz wird in Stufe 22 unter Verwendung der historischen und interpolierten Daten trainiert, um die Funktion zu erzeugen, die die geeigneten manipulierten Variablen und die optimalen Voraussagezeiten berechnet.
- [0044] Der erste Schritt der Vorbereitung besteht aus dem Aufbauen einer historischen Datenbank, die die zeitlichen Geschichten (Verläufe) der Eingaben und Ausgaben des Prozesses enthält. Diese zeitlichen Geschichten können über eine gegebene Zeitspanne t&sub0;t< t&sub1; gesammelt und in einer historischen Datenbank gespeichert werden. Die Länge der Zeitspanne kann zwischen einem Tag, einer Woche, einem Monat oder einer beliebigen vom Benutzer vorgegebenen Zeitspanne variieren. Die historischen Daten können zuvor gesammelt worden sein und in gespeicherten Dateien vorhanden sein. Sie können auch während des Betriebes des Prozesses durch Abtastmessungen an Eingabe- und Ausgabesignalen des Prozesses mit einer geeigneten Abtastrate gesammelt werden. Die Ableitungen der historischen Daten mit Bezug auf die Zeit können aus den abgetasteten Daten berechnet oder direkt gemessen werden. Die Verwendung von Ableitungen beseitigt auch die Notwendigkeit für zusätzliche verzögerte Eingaben, was ein einfaches Modell des Prozesses ergibt, wo alle Eingaben und ihre zeitlichen Ableitungen konkurrent sind (alle auf der gleichen Zeitstufe t liegen) und deshalb unabhängig sind. Zusätzlich müssen die Daten mit der gleichen Stromab- Steuerstruktur gesammelt werden, wie wenn das Netz als ein Controller verwendet wird, weil die manipulierte Variable direkt die stromabwärtigen Controller treibt, die den Prozeß modulieren.
- [0045] Fig. 2 verdeutlicht einen Aspekt des Aufbaues der historischen Datenbank durch Sammeln der zeitlichen Geschichten des Prozesses über eine gegebene Zeitspanne. Das Trainingssystem 10 besteht aus den stromab liegenden Controllern und dem Prozeß 38, Sensoreinheiten 44a, 44c und 44d, A/D-Wandlereinheiten 46a, 46c und 46d, differentiellen Verarbeitungseinheiten 48a, 48c und 48d, einer zentralen Verarbeitungseinheit (CPU) 40 und einem Datenbankspeicher 42.
- [0046] Die Sensoreinheiten dienen zum Messen der Prozeßeingaben und -ausgaben über die Zeitspanne und liefern ein dafür repräsentatives elektrisches Signal, das an die A/D-Wandlereinheiten weitergegeben wird. Diese Sensoreinheiten können Druck-, Durchfluß-, Temperatur- oder beliebige andere Typen von Sensoreinheiten sein, die geeignet sind, einen mechanischen, elektrischen oder chemischen Zustand des zu überwachenden Prozesses zu erfassen. Die Sensoreinheit 44a überwacht die gemessenen Lastvariablen v(t) 26, und die Sensoreinheit 44d überwacht die gesteuerten Variablen y(t) 30. Bei der zweiten und vierten Ausgestaltung wird die Sensoreinheit 44c verwendet, um damit auch die Inferenzvariablen w(t) 34 zu überwachen. Die Sensoreinheit 44c und die A/D-Wandlereinheit 46 sind in Fig. 2 nur der Anschaulichkeit halber gezeigt und implizieren nicht, daß sie vorhanden sein müssen, damit diese Ausgestaltung funktioniert.
- [0047] Manche dieser Sensoreinheiten erzeugen ein analoges Signal, das für die jeweils gemessene Größe repräsentativ ist. Sie sind ebenfalls an A/D-Wandlereinheiten gekoppelt, die die analogen Signale in ihre digitalen Äquivalente umsetzen. Die A/D-Wandlereinheiten 46a, 46c und 46d können von dem herkömmlicherweise zum Umformen von analogen elektrischen Datensignalen in digitale elektrische Datensignale verwendeten Typ sein, der auf dem Gebiet der digitalen Signalverarbeitung gut bekannt ist. Die Ausgabe der A/D-Wandlereinheiten ist ein für die jeweils gemessene Größe repräsentatives digitales Signal. Zum Beispiel erzeugt die A/D-Einheit 46a die digitale Form der gemessenen Lastvariablen v(t) 26, die Einheit 46c erzeugt die digitale Form der Inferenzvariablen w(t) 34, und die Einheit 46d erzeugt die digitale Form der gesteuerten Variablen y(t) 30. Die manipulierten Variablen 24 werden in digitaler Form erzeugt und benötigen deshalb keinen A/D- Wandler. Diese digitalen Signale 24, 36, 34 und 30 werden dann zur CPU 40 übertragen.
- [0048] Die A/D-Wandlereinheit 46a ist an die differentielle Verarbeitungseinheit 48a gekoppelt, die Einheit 46c ist an die differentielle Verarbeitungseinheit 48c gekoppelt und die Einheit 46d ist an die differentielle Verarbeitungseinheit 48d gekoppelt. Jede dieser differentiellen Verarbeitungseinheiten erzeugt ein differentielles Signal, das für die Änderungsgeschwindigkeit mit Bezug auf die Zeit des von der entsprechenden Sensoreinheit gemessenen Signals repräsentativ ist. Zum Beispiel erzeugt die differentielle Verarbeitungseinheit 48a die Ableitung der gemessenen Lastvariable v'(t) 28, die differentielle Einheit 48c erzeugt die Ableitung der Inferenzvariablen w'(t) 36, und die differentielle Einheit 48d erzeugt die Ableitung der gesteuerten Variablen y' (t) 32. Jedes dieser Signale 28, 32 und 36 wird dann an die CPU 40 übertragen. Alternativ sollte es für den Durchschnittsfachmann auf dem Gebiet der Elektrotechnik offensichtlich sein, daß die Funktion der differentiellen Verarbeitungseinheiten auch als von der CPU 40 ausgeführtes Programm-Modul implementiert werden kann. So können die Signale 30, 34 und 26 an die CPU 40 übertragen werden, wo die Ableitungen der jeweiligen Signale berechnet werden können.
- [0049] Die CPU 40 empfängt Signale 24, 26, 28, 30, 32 und 34 und speichert diese elektrischen Datensignale, indexiert gemäß der Zeitstufe t. Die manipulierten und gesteuerten Variablen sind gepaart und können entsprechend "Bristol's Realtuve Gain Array", wie in F. G. Shinskey, Process Control Systems, 3. Auflage, McGraw-Hill Book Comp., New York 1988 beschrieben, gepaart werden. Die Erfindung ist jedoch nicht auf dieses Paarungsschema beschränkt, andere können verwendet werden, so lange die Auswahl der Paare so festgelegt ist, daß die nicht gepaarten manipulierten Variablen einen geringeren Effekt auf die gepaarten gesteuerten Variablen haben. Diese Paarung wird verwendet, um die Prozeßausgabe auszuwählen, die ungesteuert bleibt, wenn eine stromabwärtige Begrenzung einer manipulierten Variablen erfaßt wird.
- [0050] Am Ende dieser Stufe enthält die historische Datenbank somit einen Vektor von n gesteuerten Variablen 30 (y1(t), ..., yn(t)); optionsweise einen Vektor von n Inferenzvariablen (w1(t), ..., wn(t)) und einen Vektor von n Ableitungen der Inferenzvariablen 36 (w'1(t), ..., w'n(t-)); einen Vektor von n manipulierten Variablen 24 (u1(t), ..., un(t)); einen Vektor von n Ableitungen der gesteuerten Variablen 32 (y1' (t), ..., yn' (t)); einen Vektor von m gemessenen Lastvariablen 26 (v1' (t), vm(t)) und einen Vektor von m Ableistungen der gemessenen Lastvariablen 28 (v1' (t), ..., vm' (t)) für alle Zeitstufen über eine gegebene Zeitspanne t&sub0;t< t1.
- [0051] Fig. 3 zeigt die zweiten Stufe der Vorbereitungsphase, wo das neuronale Netz trainiert wird, um als Voraussagemodell zu dienen, das die Funktion yp(p+k) erzeugt, die die vorausgesagten gesteuerten Variablen vorverschoben um mehrere zukünftige Zeitstufen basierend auf den historischen Daten berechnet. Das erste neuronale Netz kann nach einem beliebigen der üblichen Trainingsverfahren für neuronale Netze trainiert werden. Fig. 3 zeigt das Training des ersten neuronalen Netzes mit dem wohlbekannten Rückausbreitungsschema.
- [0052] Typischerweise besteht ein Rückausbreitungsnetz aus in Schichten angeordneten Knoten und gibt Daten über gewichtete Verbindungen weiter. Eine Eingabeschicht empfängt Eingabevektoren wie etwa gemessene Datenwerte, die zum Trainieren des Netzes verwendet werden. Die mittlere Schicht und die Ausgabeschicht verarbeiten beide aktiv die Eingabedaten und erzeugen in der Ausgabeschicht die Ergebnisse des Netzes. Das Netz lernt durch Verändern der Werte der Gewichte oder Koeffizienten. Ein Knoten in der versteckten und der Ausgabeschicht multipliziert typischerweise jede Eingabe mit ihrem Koeffizienten, summiert die Produkte, und dann gibt ein Knoten der versteckten Schicht die Summe über eine nichtlineare Transferfunktion weiter, um ein Ergebnis zu erzeugen.
- [0053] Während des Trainings leitet das Netz jeden Eingabewert durch die versteckte Schicht zur Ausgabeschicht, um einen Ausgabeknoten zu erzeugen, der eine vorausgesagte Ausgabe enthält. Dann vergleicht es den tatsächlichen Wert mit dem vorausgesagten Wert. Die Differenz, die den Fehler der Ausgabeschicht darstellt, wird ans Netz zurückgegeben, wo jeder versteckte Knoten die gewichtete Summe der rückausgebreiteten Fehler berechnet, um seinen Beitrag zu den bekannten Ausgabefehlern herauszufinden. Nachdem jeder versteckte bzw. Ausgabeknoten seinen Fehlerwert gefunden hat, paßt es seinen Koeffizienten an, um den Fehler zu reduzieren.
- [0054] Bezogen auf Fig. 3 wird das erste neuronale Netz 50 mit einem Vektor von Daten auf jeder Zeitstufe im Prozeß trainiert, um vorausgesagte gesteuerte Variablen an mehreren zukünftigen Zeitstufen zu erzeugen. Die t Werte können so gewählt werden, daß es wenigstens zwei Abtastwerte für jede Periode mit der höchsten signifikanten Frequenz im Prozeß geben kann. Die zukünftigen Zeitstufen werden hierbei als k bezeichnet und können mehrere positive ganzzahlige Werte sein, die die Zeitstufen darstellen, die die wichtigen Dynamiken des Prozesses einfangen. Zum Beispiel kann es fünf k-Werte bestehend aus den Zeitstufen 1, 2, 4, 8, 16 geben, die einen Zeithorizont logarithmisch überspannen.
- [0055] Die tatsächliche gesteuerte Variable y(t+k) 64 wird unter den in der historischen Datenbank 42 gespeicherten gesteuerten Variablen ausgewählt und mit den vorausgesagten gesteuerten Variablen an jeder der ausgewählten Zeitstufen k, yp1 (t+k1),.., yp1 (t+kq) bis ypn (t+k&sub1;)...,ypn(t+kq) verglichen, um das neuronale Netz zu trainieren.
- [0056] Das erste neuronale Netz 50 besteht aus einer Eingabeschicht, wenigstens einer versteckten Schicht und einer Ausgabeschicht (alle nicht gezeigt). Das erste neuronale Netz ist bei diesem Aspekt der Erfindung als ein spezialisierter Prozessor verkörpert, es kann aber auch ein auf einem Allzweckcomputer laufendes Programm-Modul sein. Die folgenden Eingaben von der historischen Datenbank 42 können in die Eingabeschicht eingegeben werden: ein Vektor aus n manipulierten Variablen 24 (u&sub1;(t), ..., un(t)); ein Vektor von n gesteuerten Variablen 30 (y&sub1;(t), ..., yn,(t)); ein Vektor von n Ableitungen der gesteuerten Variablen 32 (y&sub1;' (t), ..., yn' (t)); ein Vektor von m gemessenen Lastvariablen 26 v&sub1;(t), ..., vm(t)); und ein Vektor von m Ableitungen der gemessenen Lastvariablen 28 (v&sub1;' (t), ..., Vm'(t)). (Inferenzvariablen 34 und ihre Ableitungen 36 sind in Fig. 2 nur der Deutlichkeit halber gezeigt und implizieren nicht, daß sie vorhanden sein müssen, damit diese Ausgestaltung funktioniert). Damit das erste neuronale Netz Eingaben gesteuerter Variablen 30 empfängt, ist ein Schalter 31 geschlossen. Entsprechend ist für die Ableitung der gesteuerten Variable 32 Schalter 32 geschlossen, damit diese Eingaben an das erste neuronale Netz übertragen werden. Aus diesen Eingaben berechnet das neuronale Netz eine Funktion, die die vorausgesagte gesteuerte Variable yp(t+k) 58 berechnet, die mit dem tatsächlichen Wert y(t+k) 64 verglichen wird. Die Differenz oder der Fehler zwischen diesen zwei Werten wird in einer Summationsschaltung 54 bestimmt und an den Prozessor 56 übertragen, wo die Koeffizienten oder Gewichtungen 57 angepaßt werden, um den Fehler zu reduzieren. Diese Koeffizienten 57 werden dann an das erste neuronale Netz übertragen. Dieser Prozeß wird wiederholt, bis die Fehler zwischen den berechneten vorausgesagten gesteuerten Variablen 60 und den tatsächlichen Werten 64 minimiert sind.
- [0057] Das neuronale Netz oder das Voraussagemodell können daher mathematisch wie folgt ausgedrückt werden:
- yP(t+k) = f {u(t), y(t), y' (t), v(t), v' (t)}. (1)
- Dementsprechend kann das erste neuronale Netz mit konkurrierenden Eingaben in der Zeitstufe t und der Prozeßausgabe in der Zeitstufe t+k trainiert werden, um die Funktion zu erzeugen, die die vorausgesagten gesteuerten Variablen an einer zukünftigen Zeitstufe t+k berechnet.
- [0058] Die dritte Stufe der Vorbereitungsphase, die in Fig. 4 gezeigt ist, wendet das erste neuronale Netz an, um einen Vektor von vorausgesagten gesteuerten Variablen 60 zu erzeugen, der um jeden der k Werte für jede Zeitstufe t in dem Prozeß vorverschoben ist. Zum Beispiel kann an der Zeitstufe t, wenn es n manipulierte und gesteuerte Variablen und m gemessene Lastvariablen gibt, das erste neuronale Netz 50 mit einem Vektor von n manipulierten Variablen u(t) 24, einem Vektor von n gesteuerten Variablen y(t) 30, übertragen durch Schließen des Schalters 31, und deren Ableitungen y'(t), übertragen durch Schließen des Schalters 33, einem Vektor von m gemessenen Lastvariablen v(t) 26 und ihren Ableitungen v'(t) 28 betrieben werden. Das erste neuronale Netz liefert n x q vorausgesagte gesteuerte Variablen yp1 (t+k&sub1;).., yp&sub1; (t+kq) bis ypn(t+k&sub1;)... Ypn(t+kq) für jede der n gesteuerten Variablen und für jeden der q Werte von k. Die vorausgesagten gesteuerten Variablen 60 können ferner genutzt werden, um die optimalen Voraussagezeiten zu bestimmen und die vorausgesagten gesteuerten Variablen, vorverschoben um die optimale Voraussagezeit, zu bestimmen.
- [0059] Die vierte Stufe der Vorbereitungsphase ist in Fig. 5 abgebildet, wo der Prozessor 16 verwendet wird, und die Empfindlichkeit der gesteuerten Variablen auf eine an ihrer gepaarten manipulierten Variablen vorgenommene Änderung zu bestimmen. Zum Beispiel kann in das erste neuronale Netz eine Änderung der Eingabe der 1-ten manipulierten Variablen δu1 76 eingegeben werden, was zu einer entsprechenden Änderung der i-ten vorausgesagten gesteuerten Variablen ypi + δypi 82 führt. Die Funktion dieses Empfindlichkeitsprozessors kann mathematisch für das i-te u,y-Paar wie folgt ausgedrückt werden:
- [YPi+δyPi](t+k) = f{ui (t) +δli, yj (t), y(t), y'(t),v(t),v'(t)}, (2)
- wobei j nicht gleich i ist.
- [0060] Bezogen auf Fig. 5 kann der Prozessor für jede Zeitstufe t n-mal eingesetzt werden, einmal für jede der n manipulierten Variablen. Der Zähler 66 wird auf 1 initialisiert und iterativ mit der Verarbeitung jeder manipulierten Variablen inkrementiert. Der Zähler 66 erzeugt ein Signal 69, welches die gegenwärtig verarbeitete bestimmte manipulierte Variable angibt. Eine Wählvorrichtung 70 empfängt einen Vektor von manipulierten Variablen u(t) 24 und erzeugt zwei Ausgabesignale ui(t), welches die dem Signal 69 entsprechende manipulierte Variable ist; und uf(t) für j ≠ i oder die verbleibenden manipulierten Variablen. Dem ersten neuronalen Netz kann dann die manipulierte Variable ui(t), verändert um einen Wert δu1 76, zugeführt werden, was (ui+δui) (t) 78 ergibt, wobei die verbleibenden n-1 manipulierten Variablen uj(t) 74 unverändert bleiben. Der Wert δui kann ein willkürlicher Wert sein, der eine an ui vorgenommene kleine Veränderung angibt, die so klein wie 1% oder 2% der manipulierten Variablen ui sein kann. Das neuronale Netz fängt auch die folgenden zusätzlichen Eingaben von der historischen Datenbank: einen Vektor von n Ableitungen der gesteuerten Variablen 32 (yi' (t)..., yn' (t)), übertragen durch Schließen des Schalters 31, einen Vektor von n gesteuerten Variablen 30 (y&sub1;(t)..., yn(t)), übertragen durch Schließen des Schalters 31; einen Vektor von m gemessenen Lastvariablen 26 (v&sub1;(t)... vm(t)) und einen Vektor von m Ableitungen der gemessenen Lastvariablen 28 (v1'(t)... vm' (t)). Diese Eingaben werden an das erste neuronale Netz 50 angelegt und ergeben die vorausgesagten gesteuerten Variablen 82. Die i-ten vorausgesagten gesteuerten Variablen 82b werden im Speicher der CPU 86 gespeichert. Die anderen vorausgesagten gesteuerten Variablen 82a für j ≠ i werden für die Bestimmung der i-ten optimalen Voraussagezeit nicht gebraucht und können daher verworfen werden. Der Prozeß geht für die verbleibenden manipulierten Variablen weiter, wenn ein Schalter 84 geschlossen wird, wodurch dem Signal 68 ermöglicht wird, den Zähler 66 zu inkrementieren. Nach vollständiger Verarbeitung aller manipulierten Variablen, wenn der Zählerindex größer als n ist, wird ein Signal 71 an die CPU 86 übertragen, das einen Schalter 84 öffnet, um dadurch alle i-ten gespeicherten gesteuerten Variablen 90 [yp1+δyp&sub1;] (t+k&sub1;)... [ypn+δypn](t+kq) bis [yp"+δyp] (t+k&sub1;)... [ypn+δypn](t+kq) zu erzeugen. Die gespeicherten gesteuerten Variablen 90 werden hier als empfindlichkeitsgesteuerte Variablen bezeichnet. Diese empfindlichkeitsgesteuerten Variablen werden dann weiterverwendet, um die optimalen Voraussagezeiten zu bestimmen.
- [0061] Bezogen auf Fig. 1 berechnet in der fünften Stufe der Prozessor 18 die optimale Voraussagezeit i(t) für jedes ui, yi-Paar. Die i-te optimale Voraussagezeit ist der k-Wert, wo die größte positive oder kleinste negative Änderung der vorausgesagten gesteuerten Variablen δypi(t+k) mit Bezug auf k für die gegebene Änderung δi an ihrer gepaarten manipulierten Variablen auftritt. Diese Bestimmung wird vom Prozessor 18 in einer Reihe von Stufen vorgenommen, die mit der Änderung der vorausgesagten gesteuerten Variablen an jedem der k Werte δypi(t+k) beginnt und progressiv nach der optimalen Änderung (größter positiver oder kleinster negativer Wert) δyp(t+ k(t)) sucht, woraus das optimale k interpoliert wird. Das optimale k, i(t), ist eine (nicht ganzzahlige) positive Zahl.
- [0062] Die Bestimmung der optimalen Voraussagezeit kann nach einem von zwei Verfahren erfolgen. Bei der ersten Ausgestaltung, die das bevorzugte Verfahren ist, wird die größte Differenz in den vorausgesagten gesteuerten Variablen als ein Ergebnis der an ihren gepaarten manipulierten Variablen vorgenommenen Veränderungen als Grundlage für die Bestimmung der optimalen Voraussagezeit benutzt. Diese größte Differenz kann entweder der größte positive oder der kleinste negative Wert sein. Bei der zweiten Ausgestaltung wird die größte Veränderungsgeschwindigkeit der vorausgesagten gesteuerten Variablen als Ergebnis der an ihrer gepaarten manipulierten Variablen vorgenommenen Veränderung als Grundlage für die Bestimmung der optimalen Voraussagezeit benutzt.
- [0063] In Bezug auf Fig. 6 kann bei der ersten Ausgestaltung die Bestimmung der optimalen Voraussagezeit durch den Prozessor 18 auf folgende Weise erfolgen. An einer Summationsschaltung 94 wird die Differenz der vorausgesagten gesteuerten Variablen δypi als Ergebnis der Veränderung an ihrer gepaarten manipulierten Variablen δui berechnet. Dies ist einfach die Differenz zwischen der vorausgesagten gesteuerten Variablen 60 und der empfindlichkeitsgesteuerten Variablen 90. Diese Differenz 114 kann mathematisch ausgedrückt werden als:
- &ypi(t + ki) = [ypi + δypi] (t + kj) - ypi(t + kj) (3)
- für j = 1 bis q, i = 1 bis n und wird hier als die Veränderungsvariable oder die Veränderung der vorausgesagten gesteuerten Variablen bezeichnet.
- [0064] Als nächstes werden die drei größten aufeinanderfolgenden positiven oder kleinsten negativen Werte 104, 106 und 108 der Veränderungsvariablen 114 ausgewählt. Diese Werte werden benutzt, um die maximale positive (Maximum-Fall) und minimale negative (Minimum- Fall) Veränderung der vorausgesagten gesteuerten Variablen δypi(t)+ (t)) 110 zu berechnen. Zuletzt wird der Wert des entsprechenden i(t) bestimmt. Diese Funktionen sind in Fig. 7, 8 und 9 graphisch dargestellt. Das Maximalfall- Szenario ist dasjenige, wo die Veränderung der vorausgesagten gesteuerten Variablen die drei größten positiven aufeinanderfolgenden Werte liefert, und das Minimallfall-Szenario liefert die drei kleinsten negativen aufeinanderfolgenden Werte. Fig. 8 zeigt das Maximalfall- Szenario, und Figur zeigt das Minimalfall-Szenario. Diese Berechnungen können wie folgt für den Fall bestimmt werden, wo die k-Werte Potenzen von 2 sind.
- [0065] Bezogen auf Fig. 6 empfängt die CPU 96 die Veränderungsvariablen 114 und berechnet die optimalen Voraussagezeiten (t) 112 unter Verwendung des zugeordneten Speichers 103 zum Speichern von in ihrer Rechnung benutzten Zwischenwerten und der optimalen Voraussagezeiten. Fig. 7 zeigt die Schritte, die die CPU 96 unternimmt, um die optimalen Voraussagezeiten zu bestimmen. Bezogen auf Fig. 7, 8 und 9 wählt die CPU 96 in Schritt 116 die drei größten positiven oder kleinsten negativen Werte 104, 106, 108 aus den Veränderungsvariablen 114, die hier als δypi(t+ka-1), δypi (t+ka) bzw. δypi (t+ka+1) bezeichnet werden, wobei N = log&sub2; k und k = 1, 2,4,8,16, ..., N = 0, 1, 2, 3, 4, ...
- [0066] In Stufe 118 wird die maximale positive oder minimale negative Änderung der vorausgesagten gesteuerten Variablen δypi (t+k^(t)) bestimmt. Dies kann berechnet werden durch Anpassen einer Parabel (122 in Fig. 8 für den Maximalfall oder 138 in Fig. 9 für den Minimalfall) unter Verwendung der drei Werte in Stufe t und Bestimmen des Maximal- oder Minimalwertes der Parabel. Diese Berechnung kann mathematisch wie folgt ausgedrückt werden:
- δypi (t + (t)) = δypi (t + ka) + [δypi(t + ka+1) - δypi (t + ka-1)] ( -Na)/2 + [δypi(t + ka+1) - δypi(t + ka) + δypi(t + ka-1)]( -Na)²/&sub2; (4)
- [0067] Der Maximalwert oder Minimalwert auf dieser Parabel liegt bei 142, wobei
- = Na + [δypi(t + ka+1) - δypi(t + ka-1)]/ [2(2δypi(t + ka)-δypi (t + ka+1) - δypi(t + ka-1)] (5)
- [0068] Als nächstes wird in Schritt 120 die optimale Voraussagezeit als der Punkt bestimmt, wo N 142 auftritt, 1(t) = 2 . Wenn i(t) kleiner als 1 berechnet wird, wird i(t) = 1 gesetzt. Dies bedeutet, daß die Steuerleistung verbessert werden könnte, indem das Abtastintervall der gesteuerten Variable verkürzt würde. Die Ausgabe von Stufe 120 ist ein Vektor von n optimalen Voraussagezeiten (t) 112, die im Speicher 103 gespeichert und verwendet werden, um das zweite neuronale Netz zu trainieren.
- [0069] Alternativ kann die Berechnung der optimalen Voraussagezeiten wie bei der in Fig. 10 und 11 gezeigten zweiten Bestimmungsausgestaltung erfolgen. Dieses Verfahren ist ähnlich dem bei der ersten Bestimmungsausgestaltung beschriebenen Verfahren mit der Ausnahme einer zusätzlichen Stufe, Stufe 146, die die Änderungsgeschwindigkeit aus der Änderung der vorausgesagten gesteuerten Variablen bestimmt.
- [0070] Bezogen auf Fig. 10 und 11 kann die Bestimmung der optimalen Voraussagezeiten vom Prozessor 96 vorgenommen, der den Speicher 103 zum Speichern der Zwischenwerte 104, 106, 108, 110 und 144 und der optimalen Voraussagezeiten (t) 112 verwendet. Der Prozessor 96 geht in folgender Weise vor. In Stufe 146 wird die Änderungsgeschwindigkeit der Veränderungsvariablen 114 für alle k-Werte bestimmt. Diese Veränderungsgeschwindigkeit kann bestimmt werden durch Berechnen der Differenz zwischen zwei Werten von δypi mit aufeinanderfolgenden k-Werten.
- Diese Veränderungsgeschwindigkeit wird bezeichnet als Δδyp(t+kb) und kann mathematisch ausgedrückt werden als:
- Δδypi(t+kb) = δypi(t + ka+1) - δypi (t + ka) = (ypi + δypi)(t + ka+1) = ypi(t + ka+1) - (ypi + δypi)(t + ka) + ypi (t + ka)(6)
- wobei ka und ka+1 zwei aufeinanderfolgende k-Werte sind und kb das arithmetische oder geometrische Mittel von ka und ka+i ist.
- Die Ausgabe der Stufe 146 ist ein Vektor 144 von n(q-1) Veränderungsgeschwindigkeiten, bezeichnet als δyPi(t+k1) Δδypi(t+kq) bis ΔδyP~ (t+k1)... Δδypn(t+kq).
- [0071] Die Stufen 116, 118 und 120 sind ähnlich wie bei der ersten Ausgestaltung. Stufe 116 wählt die drei besten, kleinsten negativen oder größten positiven, Werte Δδypi (t+kb-1) 104, Δδypi (t+kb) 106, ΔδyPi (t+kb+1) 108; Stufe 118 bestimmt den einzigen besten Wert durch parabolische Interpolation, was ΔδyP (t+k (t)) 110 ergibt, und dann bestimmt Stufe 120 das entsprechende (t) 112. Die Ausgabe vom Prozessor 96 ist in beiden Ausgestaltungen ein Vektor von optimalen Voraussagezeiten 112, (t), der im Speicher 103 gespeichert und zum Trainieren eines zweiten neuronalen Netzes verwendet wird.
- [0072] Bezogen auf Fig. 12 und 13 benutzt die sechste Stufe den Prozessor 96, um den entsprechenden Wert der vorausgesagten gesteuerten Variable zur optimalen Voraussagezeit i (t+ 1(t)) zu bestimmen, der im Speicher 147 gespeichert wird. Der Prozessor 96 empfängt als Eingaben vorausgesagte gesteuerte Variablen yp(t+k) 60, die drei besten k- Werte t+kai 126, t+ka 128 und t+ka+i 132 und verfährt in der folgenden Weise. Zuerst werden die gesteuerten Variablen an den drei besten k-Werten t+kai, t+ka, t+ka+1 aus dem Satz von vorausgesagten gesteuerten Variablen 60 ausgewählt, der vom ersten neuronalen Netz erzeugt wird. Diese Auswahl erfolgt in Stufe 148, und die ausgewählten gesteuerten Variablen werden mit 134 ypi(t+ka-1), 136 ypi (t+ka) und 140 ypi (t+ka+i) bezeichnet. Dann werden in Stufe 150 die entsprechenden vorausgesagten gesteuerten Variablen an den optimalen Voraussagezeiten berechnet. Bezogen auf den Graphen 124 in Fig. 8 und den Graphen 140 in Fig. 9 werden die optimalen vorausgesagten gesteuerten Variablen berechnet durch Auftragen einer Parabel unter Verwendung der drei vorausgesagten gesteuerten Variablen 134, 136, 140 und Interpolieren des ypi-Wertes, der dem optimalen -Wert bei = log&sub2; entspricht. Der entsprechende Wert von Ypi ist i (t+ i(t)) 138, wobei
- (t + (t)) = ypi (t + ka) + 5[ypi(t + ka+1) - (ypi(t + ka-1) + (ypi(t + ka+1) - 2ypi(t + ka) + ypi (t + ka- 1))( -(t + ka))]( -(t + ka)). (7)
- [0073] Bezogen auf Fig. 12 und 13 sind die Ausgaben des Prozessors an Stufe 150 die vorausgesagten gesteuerten Variablen, vorverschoben um die optimalen Voraussagezeiten 138 1(t+ (t))... n(t+ n(t)). Diese Ausgabe kann verwendet werden, um das zweite neuronale Netz zu trainieren.
- [0074] Die abschließende Stufe ist das Trainieren eines zweiten neuronalen Netzes, das als Prozeßcontroller dienen kann. Bezogen auf Fig. 14 trainiert der Prozessor 22 das zweite neuronale Netz, um die Funktion zu erzeugen, die die optimalen Voraussagezeiten und die geeigneten manipulierten Variablen liefert, die verwendet werden können, um den Prozeß zu steuern. Fig. 14 zeigt das Verfahren zum Trainieren des neuronalen Netzes durch Rückausbreitung, das ähnlich der Art und Weise ist, auf die das erste neuronale Netz in Fig. 3 trainiert wurde. Die Eingaben, die zum Trainieren dieses Netzes verwendet werden können, sind die folgenden: ein Vektor von n gesteuerten Variablen 30 (y&sub1;(t) yn(t)), ausgewählt durch Schließen des Schalters 31; ein Vektor von n Ableitungen der gesteuerten Variablen 32 (y&sub1;' (t)... yn'(t)), ausgewählt durch den Schalter 33; ein Vektor von m gemessenen Lastvariablen 26 (v&sub1;(t).., vm(t)); ein Vektor von m Ableitungen der gemessenen Lastvariablen 28 (v&sub1;'(t)... vm'(t)); und ein Vektor von n optimalen vorausgesagten gesteuerten Variablen 138 ( 1(t+ (t))... n(t+ n(t))), die sich im Speicher 147 befinden. (Inferenzvariablen 34 und ihre Ableitungen 36 sind in Fig. 14 nur zur Verdeutlichung gezeigt und implizieren nicht, daß diese vorhanden sein müssen, damit die Ausgestaltung funktioniert). Aus diesen Eingaben berechnet das neuronale Netz 152 eine berechnete manipulierte Variable uP(t) 154 und eine berechnete optimale Voraussagezeit p(t) 156. Die berechnete manipulierte Variable up(t) 154 wird mit der tatsächlichen manipulierten Variablen u(t) 24 verglichen, und die Differenz 162 zwischen den zwei Werten wird durch die Summationsschaltung 158 bestimmt. Entsprechend wird die berechnete optimale Voraussagezeit p(t) 156 mit der tatsächlichen optimalen Voraussagezeit (t) 112 verglichen, und die Differenz 164 zwischen den zwei Werten wird durch die Summationsschaltung 160 bestimmt. Beide Differenzen 162 und 164 werden an den Prozessor 56 übertragen, wo die Koeffizienten 57 angepaßt werden, um den Fehler zu reduzieren. Die Koeffizienten 57 werden dann an das zweite neuronale Netz übertragen. Dieser Prozeß wird wiederholt, bis die optimalen Voraussagezeiten und manipulierten Variablen den tatsächlichen Werten gleichen.
- [0075] Nach Vollendung dieser Vorbereitungsphase kann das resultierende Netz, wie in Fig. 17 gezeigt, als Controller eingesetzt werden.
- [0076] Die zweite Ausgestaltung ergibt ein neuronales Netz, das mit Inferenzmessungen anstelle der gesteuerten Variablen trainiert wird. Inferenzmessungen stellen eine gefolgerte Näherung der gesteuerten Variablen mit einer höheren Abtastrate dar. Die Verwendung dieser Messungen ergibt ein Netzwerk, das, wenn es als Controller verwendet wird, in der Lage ist, mit einer höheren Geschwindigkeit zu steuern als der Abtastrate, mit der die gesteuerte Variable gemessen wird.
- [0077] Das Verfahren zum Trainieren des mit der zweiten Ausgestaltung erzeugten neuronalen Netzes ist identisch mit dem in der ersten Ausgestaltung verwendeten Verfahren, mit der Ausnahme, daß die gesteuerten Variablen und ihre Ableitungen durch die Inferenzmessungen w(t) und ihre Ableitungen w'(t) ersetzt werden. Die CPU 40, die die historische Datenbank 42 erzeugt, wie in Fig. 2 gezeigt, verwendet Eingaben 34 und 36 anstelle von Eingaben 30 und 32. Der Prozessor 12, der das erste neuronale Netz trainiert, wie in Fig. 3 gezeigt, verwendet die Inferenzmessungen w(t) 34 und ihre Ableitungen w'(t) 36, wie durch Schalter 35 bzw. 37 ausgewählt, wodurch die gesteuerten Variablen 30 und 32 ersetzt werden, um vorausgesagte gesteuerte Variablen 60 zu erzeugen. In Fig. 5 erfolgt die Empfindlichkeit der gesteuerten Variablen auf eine an ihren gepaarten manipulierten Variablen vorgenommene Veränderung durch Verwendung des ersten neuronalen Netzes mit Inferenzmessungen w(t) 34 und ihren Ableitungen w'(t) 36 über Schalter 35 und 37, wodurch die gesteuerten Variablen y(t) 30 und ihre Ableitungen y'(t) 32 ersetzt werden. Die optimale Voraussagezeit und die vorausgesagte gesteuerte Variable, vorverschoben um die optimale Voraussagezeit, werden wie bei der ersten Ausgestaltung berechnet. Das zweite neuronale Netz wird wie in Fig. 14 mit den Inferenzmessungen w(t) 34 und ihren Ableitungen w'(t) 36 über die Schalter 35 und 37 trainiert, wodurch die gesteuerten Variablen 30 und ihre Ableitungen 32 ersetzt werden. Das resultierende Netzwerk kann wie in Fig. 18 gezeigt als Controller verwendet werden.
- [0078] Eine dritte Ausgestaltung wird verwendet, um ein anderes zweites neuronales Netz zu trainieren, das die optimalen Voraussagezeiten und die vorausgesagten gesteuerten Variablen, vorverschoben um die optimalen Voraussagezeiten, liefert. Dieses neuronale Netz kann für Prozeßexperimente oder als Teil einer Controllerstruktur, wie in der mitanhängigen Anmeldung "A method and apparatus for controlling multivariable nonlinear processes" beschrieben.
- [0079] Die dritte Ausgestaltung ist der ersten Ausgestaltung darin ähnlich, daß sie einige der gleichen Schritte umfaßt. Bezogen auf Fig. 15 erzeugt diese Ausgestaltung die historische Datenbank wie in Fig. 2, trainiert das erste neuronale Netz wie in Fig. 3, berechnet die vorausgesagten gesteuerten Variablen wie in Fig. 4, berechnet die Empfindlichkeit der vorausgesagten gesteuerten Variablen wie in Fig. 5, berechnet die optimalen Voraussagezeiten für jedes u,y-Paar wie in Stufe 18 und berechnet die vorausgesagte gesteuerte Variable, vorverschoben um die optimale Voraussagezeit, wie in Stufe 20. Dann trainiert sie ein anderes zweites neuronales Netz, um die Funktion zu erzeugen, die die optimalen Voraussagezeiten und die vorausgesagten gesteuerten Variablen, vorverschoben um die optimalen Voraussagezeiten, berechnet.
- [0080] Fig. 16 zeigt das Training des zweiten neuronalen Netzes durch Rückausbreitung, das ähnlich der Art und Weise ist, in der das zweite neuronale Netz in Fig. 14 trainiert wurde. Die Eingaben, die verwendet werden können, um das Netzwerk zu trainieren, sind die folgenden: ein Vektor von n Ableitungen von gesteuerten Variablen 32 y1'(t)... yn(t), ausgewählt durch Schließen des Schalters 33; ein Vektor von n manipulierten Variablen u&sub1;(t)... un(t) 24; ein Vektor von n gesteuerten Variablen 30 y&sub1; (t)... ym (t), ausgewählt durch Schließen des Schalters 31; ein Vektor von m gemessenen Lastvariablen 26 v&sub1;(t)... vm(t); und ein Vektor von m Ableitungen von gemessenen Lastvariablen 28 v&sub1;'(t)... vm'(t). Aus diesen Eingaben berechnet das neuronale Netz 166 berechnete vorausgesagte gesteuerte Variablen, vorverschoben um die optimale Voraussagezeit p(t+ (t)) und eine berechnete optimale Voraussagezeit p(t) 170. Die berechneten vorausgesagten gesteuerten Variablen, vorverschoben um die optimale Voraussagezeit, p(t+ (t)) 168 werden mit den tatsächlichen Werten (t)+ (t)) 138 verglichen, und die Differenz 172 zwischen den zwei Werten wird von der Summationsschaltung 158 bestimmt. In ähnlicher Weise wird die berechnete optimale Voraussagezeit p(t) 170 mit der tatsächlichen optimalen Voraussagezeit (t) 112 verglichen, und die Differenz 174 zwischen den zwei Werten wird von der Summationsschaltung 160 bestimmt. Beide Differenzen 172 und 174 werden an den Prozessor 56 übertragen, wo Koeffizienten 57 angepaßt werden, um den Fehler zu reduzieren. Die Koeffizienten 57 werden dann an das zweite neuronale Netz übertragen. Dieser Prozeß wird wiederholt, bis die berechneten vorausgesagten gesteuerten Variablen, vorverschoben um die optimalen Voraussagezeiten, und die optimalen Voraussagezeiten den tatsächlichen Werten gleichen.
- [0081] Nach Beendigung dieses Schrittes kann das resultierende Netz, wie in Fig. 19 gezeigt, für Prozeßexperimente oder als Teil eines Controllers verwendet werden.
- [0082] Die vierte Ausgestaltung erzeugt ein neuronales Netz, das mit Inferenzmessungen anstelle der gesteuerten Variablen trainiert wird. Inferenzmessungen stellen eine gefolgerte Näherung der gesteuerten Variablen dar, die mit einer schnelleren Abtastrate verfügbar sind. Die Verwendung dieser Messungen ergibt ein Netzwerk, das, wenn es als Controller verwendet wird, in der Lage ist, mit einer höheren Geschwindigkeit zu steuern als der Abtastrate, mit der die gesteuerte Variable gemessen wird.
- [0083] Das Verfahren zum Trainieren des bei der vierten Ausgestaltung erzeugten neuronalen Netzes ist identisch mit dem in der dritten Ausgestaltung verwendeten Verfahren, mit der Ausnahme, daß die gesteuerten Variablen und ihre Ableitungen durch die Inferenzmessungen w(t) und ihre Ableitungen w'(t) ersetzt werden. Die CPU 40, die die historische Datenbank 42 erzeugt, ist in Fig. 2 gezeigt und verwendet Eingaben 34 und 36 anstelle von Eingaben 30 und 32. Der Prozessor 12, der das erste neuronale Netz trainiert, wie in Fig. 3 gezeigt, verwendet die Inferenzmessungen w(t) 34 und ihre Ableitungen w'(t) 36, wie durch Schalter 35 bzw. 37 ausgewählt, wodurch die gesteuerten Variablen 30 und ihre Ableitungen 32 ersetzt werden, um vorausgesagte gesteuerte Variablen 60 zu erzeugen. In Fig. 5 erfolgt die Empfindlichkeit der gesteuerten Variablen gegen eine an ihren gepaarten manipulierten Variablen vorgenommene Änderung durch Verwendung des ersten neuronalen Netzes mit Inferenzmessungen w(t) 34 und ihren Ableitungen w'(t) 36 über die Schalter 35 und 37, wodurch die gesteuerten Variablen y(t) 30 und ihre Ableitungen y'(t) 32 ersetzt werden. Die optimale Voraussagezeit und die vorausgesagte gesteuerte Variable, vorverschoben um die optimale Voraussagezeit, werden wie in der dritten Ausgestaltung berechnet. Das zweite neuronale Netz wird wie in Fig. 16 mit den Inferenzmessungen w(t) 34 und ihren Ableitungen w'(t) 36 über die Schalter 35 und 37 trainiert, wodurch die gesteuerten Variablen 30 und ihre Ableitungen 33 ersetzt werden. Das resultierende Netz kann wie in Fig. 20 gezeigt als Teil eines Controllers oder für Prozeßexperimente genutzt werden.
- [0084] Diese Offenbarung stellt ein Verfahren und eine Vorrichtung vor zum Trainieren und Optimieren eines neuronalen Netzes, um die optimale Voraussagezeit eines Prozesses als Grundlage für die Berechnung einer manipulierten Variable für die Steuerung des Prozesses zu berechnen, wie in der ersten Ausgestaltung. In der zweiten Ausgestaltung sind auch ein Verfahren und eine Vorrichtung zum Trainieren und Optimieren eines neuronalen Netzes zum Bestimmen der optimalen Voraussagezeit eines Prozesses als Grundlage für die Berechnung der vorausgesagten gesteuerten Variable, vorverschoben um die optimale Voraussagezeit, für die indirekte Steuerung eines Prozesses oder für die Durchführung von Prozeßexperimenten offenbart.
- [0085] Diese Ausgestaltungen sind flexibel und erlauben Abwandlungen der bevorzugten Ausgestaltungen, um diversen Arten von Prozessen zu entsprechen. Zum Beispiel kann bei manchen Prozessen der Ableitungsvorgang nicht garantiert sein. In solchen Fällen können die Ableitungen der gesteuerten Variablen und der gemessenen Lastvariablen fortgelassen sein. Dies mag für einen totzeitdominierten Prozeß oder einen Prozeß mit starkem Meßrauschen wünschenswert sein.
- [0086] Außerdem muß das Netzwerk nicht notwendigerweise mit allen Prozeßeingaben wie oben beschrieben trainiert werden. Eine Teilmenge der oben erwähnten kann verwendet werden, und es können auch zusätzliche Eingaben hinzugenommen werden. Zum Beispiel werden die gemessenen Lastvariablen möglicherweise nicht für solche Prozesse benötigt, die keinen größeren Laststörungen ausgesetzt sind.
- [0087] Außerdem ist zu beachten, daß bei allen oben erwähnten Ausgestaltungen die Funktion des neuronalen Netzes durch andere Datenverarbeitungsstrukturen ausgeführt werden können. Beispiele solcher Strukturen sind ein nichtlinearer Funktionsgenerator oder Charakterisator, ein Fuzzy-Logik-Prozessor, Nachschlagetabellen, logische Inferenzmaschinen oder ein Prozessor, der eine Menge von Gleichungen verwendet, die die geeigneten Werte für die erzeugten Signale liefern, sind aber nicht hierauf beschränkt.
- [0088] Das Verfahren zum Bestimmen der optimalen Voraussagezeit als derjenigen, die die größte Empfindlichkeit der vorausgesagten gesteuerten Variablen als Ergebnis der an ihrer gepaarten manipulierten Variablen vorgenommenen kleinen Veränderung liefert, ist nicht auf das beschriebene parabolische Interpolationsverfahren beschränkt. Auch andere mathematische Techniken können verwendet werden.
- [0089] Des weiteren kann das resultierende neuronale Netz als Programm zur Ausführung auf einem Computersystem, als Hardware in Form elektronischer Schaltungen oder als ein teilweise als Programm und teilweise durch Schaltungen implementiertes hybrides System implementiert werden.
- [0090] Das Training und die Optimierung des neuronalen Netzes in dieser Art und Weise ist aus mehreren Gründen nützlich. Wichtig ist die Auswahl der zum Trainieren des Netzes verwendeten Eingaben. Zuerst wird das Netz mit konkurrierenden Eingabedaten trainiert, um die gesteuerten Variablen mit variabler Zeitverzögerung vorauszusagen. Die Verwendung der zeitlichen Ableitungen als Eingaben und von variablen Voraussagezeiten für die gesteuerten Variablen fügt die Dynamik des Prozesses in das Netz ein und beseitigt die Notwendigkeit von zusätzlichen verzögerten Eingaben. Die Verwendung der konkurrierenden Inferenzmessungen anstelle von Eingaben gesteuerter Variablen gibt dem neuronalen Netz den zusätzlichen Vorteil, daß es in der Lage ist, mit einer höheren Geschwindigkeit als der Abtastrate der gesteuerten Variablen zu steuern. Diese Verbesserungen ergeben ein Netz, das bei Verwendung als Controller eine schnelle Antwortzeit hat. Außerdem gibt die Verwendung der gemessenen Lastvariablen als Eingaben dem Netz die Fähigkeit, bei Anwendung als Controller diese Störungen zu kompensieren.
- [0091] Drittens wird das Modell mit konkurrierenden und infolgedessen unabhängigen Eingaben für die proportionalen und die Ableitungsterme, d. h. den gesteuerten Variablen oder ihren Inferenz-Substituten und den gemessenen Lastvariablen, trainiert. Dies versetzt das Netz in die Lage, bei Verwendung als Controller schnell und gut sowohl auf Änderungen des Arbeitspunktes wie auf gemessene oder ungemessene Laststörungen zu reagieren. Weil der Controller auf der Voraussagezeit basiert, die die geringste Controllereinwirkung erfordert, ist die Antwort im geschlossenen Regelkreis überschwingerfrei und nicht oszillatorisch.
- [0092] Zusätzlich zu diesen Verbesserungen gibt es Verbesserungen, die die Leistungsfähigkeit und Anwendbarkeit des Netzes betreffen. Erstens minimiert die Beseitigung des Optimierungsschrittes aus der Operationsphase den Überhang, wenn das Netzwerk benutzt wird.
- [0093] Zweitens ergibt das Training des Netzes als selbstregressives Modell mit veränderlichem Mittelwert (Autoregressive Moving Average Model, ARMA) ein Netz, das robust bei der Handhabung diverser Typen von Prozessen ist. Proportionale und Ableitungsrückkopplung macht das Netz sowohl bei der Handhabung von verzögerungsdominierten Prozessen wie auch von totzeitdominierten Prozessen effektiv.
- [0094] Die bevorzugten Ausgestaltungen der Erfindung sind oben detailliert beschrieben worden, allerdings soll betont werden, daß dies nur zur Darstellung der Erfindung erfolgt, um es Fachleuten zu ermöglichen, die Erfindung an diverse unterschiedliche Anwendungen anzupassen, die Abwandlungen der oben beschriebenen Vorrichtung erfordern.
Claims (25)
1. Vorrichtung zur Steuerung eines Prozeßeingaben und
- ausgaben beinhaltenden Prozesses mit wenigstens
einer gesteuerten Variable, wobei das Verfahren auf
wenigstens eine manipulierte Variable zur Steuerung des
Prozesses an einer Ansprechpunktstufe anspricht,
wobei die Vorrichtung beinhaltet:
a) eine Eingabeeinrichtung (38) zum Empfang
von Eingangsvariablen, die eine Menge
oder Bedingung repräsentieren und eine
kausale Verbindung zum Wert der
Prozeßausgaben haben;
b) Ausgabeeinrichtungen (50) zur Erzeugung
von Ausgangsvariablen, die Signale
repräsentieren, die zur Steuerung des
Prozesses angepaßt sind; und
c) Verarbeitungseinrichtungen (16) zur
Bestimmung einer optimalen Voraussagezeit
und eines vorausberechneten
Prozeßausgangs, wobei die
Verarbeitungseinrichtungen (16) einen Speicher zur Speicherung
wenigstens eines Koeffizienten aufweisen,
dadurch gekennzeichnet, dass die
Verarbeitungseinrichtungen (16) zur Bestimmung der optimalen
Voraussagezeit als Funktion der Eingangsvariablen des
wenigstens
einen Koeffizienten ausgebildet sind, wobei
die optimale Voraussagezeit die Zeit ist, bei der die
Größe der Veränderung der manipulierten Variablen,
die erforderliche ist, die gesteuerte Variable zur
Ansprechpunktstufe zu bewegen, minimal ist und wobei
der vorausberechnete Prozeßausgang ein solcher ist,
wie er durch die optimale Voraussagezeit vorgegeben
ist, wobei die Verarbeitungseinrichtungen (16)
beinhalten
a) einen Datenbankspeicher mit einem
Speicherbereich für Trainingsmuster,
die historische Werte der
Prozeßeingaben und -ausgaben beinhalten, und/oder
einem Speicherbereich für einen Satz
zukünftiger Zeitstufensignale, die
einen zukünftigen Zeithorizont
definieren;
b) ein Voraussagemodell, das mit dem im
Datenbankspeicher gespeicherten
Trainingsmuster gebildet ist, um
Prozeßausgaben über den zukünftigen
Zeithorizont in vorauszusagen,
c) ein Empfindlichkeitsprozessorelement,
das mit dem Voraussagemodell verbunden
ist, um die Wirkung der Prozeßausgaben
als Ergebnis von Veränderungen der
historischen Werte der Prozeßeingaben zu
bestimmen, wobei der
Empfindlichkeitsprozessor vorausgesagte Prozeßausgaben
erzeugt, und/oder um ein
Voraussagezeitsignal zu berechnen, dass für die
Zeit, bei der die im wesentlichen
größte Wirkung in den vorausgesagten
Prozeßausgaben auftritt, und/oder zur
Berechnung der vorausgesagten
Prozeßausgabe, wie sie durch die
Voraussagezeit gegeben ist.
2. Vorrichtung nach Anspruch 1, dadurch gekennzeichnet,
dass die Eingangsvariablen wenigstens einen einen
Zielwert des Prozesses beinhaltenden Ansprechpunkt
für jede einer Reihe von Zeitstufen des Prozesses,
wenigstens eine gesteuerte Variable für jede
Zeitstufe des Prozesses und wenigstens eine manipulierte
Variable für jede Zeitstufe des Verfahrens beinhalten.
3. Vorrichtung nach Anspruch 1, dadurch gekennzeichnet,
dass die Eingangsvariablen wenigstens einen einen
Zielwert des Verfahrens repräsentierenden
Ansprechpunkt für jede einer Serie von Zeitstufen des
Verfahrens, wenigstens eine manipulierte Variable für jede
Zeitstufe des Verfahrens und wenigstens eine
Folgerungsvariable für jede Zeitstufe des Prozesses
beinhalten, wobei die wenigstens eine Folgerungsvariable
eine Näherungsangabe der Verfahrensausgabe
repräsentiert.
4. Vorrichtung nach Anspruch 1 oder 3, dadurch
gekennzeichnet, dass die Eingangsvariablen weiterhin
wenigstens eine zeitliche Ableitung einer
Folgerungsvariablen oder der gesteuerten Variablen oder einer
gemessenen Belastungsstörung oder einer zeitlichen
Ableitung der gemessenen Belastungsstörung für jede
Zeitstufe des Prozesses beinhalten.
5. Vorrichtung nach Anspruch 1, dadurch gekennzeichnet,
dass die Ausgangsvariablen umfassen:
wenigstens eine optimale Voraussagezeit oder
wenigstens eine manipulierte Variable zur Verwendung bei
der Steuerung des Prozesses, wobei die manipulierte
Variable eine Veränderung des Prozesses
repräsentiert, die erforderliche ist, um den Prozeßausgang so
zu bilden, wie er durch die optimale Voraussagezeit
vorgegeben ist.
6. Vorrichtung nach Anspruch 1, dadurch gekennzeichnet,
dass die Ausgangsvariablen wenigstens eine optimale
Voraussagezeit oder wenigstens einen vorausgesagten
Prozeßausgang zur Verwendung bei der Bestimmung der
korrespondierenden manipulierten Variablen zur
Steuerung des Prozesses beinhalten.
7. Vorrichtung nach Anspruch 1, dadurch gekennzeichnet,
dass die Voraussagezeit eine Vielzahl von im
wesentlichen optimalen Voraussagezeiten für jede einer
Reihe von Zeitstufen des Prozesses beinhaltet, dass die
manipulierte Variable eine Vielzahl von manipulierten
Variablen für jede der Zeitstufen des Verfahrens
beinhaltet und das das System einen Zähler zur
sequenziellen Kontrolle wenigstens einer der
Verfahrenselemente beinhaltet.
8. Verfahren zur Steuerung eines Prozesses, wobei der
Prozeß Prozeßeingaben und -ausgaben hat und die
Prozeßausgaben wenigstens eine gesteuerte Variable
beinhalten und von einer manipulierten Variablen zur
Veränderung der gesteuerten Variablen abhängen,
gekennzeichnet durch die folgenden Schritte:
a) Erzeugung eines Voraussagemodells des
Prozesses zur Berechnung vorausgesagter
Prozeßausgaben über einen zukünftigen
Zeithorizont, wobei das Modell als
Funktion historischer Prozeßdaten erzeugt
wird,
b) Anwendung des Voraussagemodells zur
Berechnung einer Veränderung der
vorausgesagten Prozeßausgabe, die als Ergebnis
einer Veränderung der historischen Daten
auftritt,
c) Bestimmung eines optimalen
Voraussagezeitsignals, das für die Zeit
repräsentativ ist, bei der die Größe der
Veränderung der manipulierten Variablen die
erforderlich ist, um die gesteuerte
Variable zu einer gewünschten
Ansprechpunktstufe zu bewegen, ein Minimum ist, und
d) Anwendung der vorausgesagten
Prozeßausgabe, wie sie durch die optimale
Voraussagezeit bestimmt und die historischen
Prozeßdaten bestimmt ist, um eine
entsprechende manipulierte Variable zur
Verwendung der Steuerung des Prozesses zu
erzeugen.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet,
dass der Schritt der Erzeugung eines
Voraussagemodells weiterhin den Schritt der Erzeugung eines
autoregressiv veränderlichen Durchschnittsmodells des
Verfahrens durch Sammlung von Werten der
Prozeßeingaben, der Prozeßausgaben, der Prozeßausgaben über
einen zukünftigen Zeithorizont beinhaltet, wobei das
autoregressiv veränderliche Durchschnittsmodell vorausgesagte
Prozeßausgaben über den zukünftigen
Zeithorizont erzeugt.
10. Verfahren nach Anspruch 8, dadurch gekennzeichnet,
dass der Schritt der Bestimmung einer optimalen
Voraussagezeit einen Schritt der Bestimmung der größten
Veränderungsrate der Prozeßausgaben als Ergebnis von
Veränderungen der historischen Prozeßdaten
beinhaltet, wobei die größte Veränderungsrate die optimale
Veränderung repräsentiert.
11. Verfahren nach Anspruch 8, dadurch gekennzeichnet,
dass der Schritt der Bestimmung der optimalen
Voraussagezeit weiter einen Schritt zur Bestimmung der
größten Veränderung der Prozeßausgaben als Ergebnis
der Veränderungen der historischen Prozeßdaten
beinhaltet, wobei die größte Veränderung die im
wesentlichen optimale Veränderung repräsentiert.
12. Verfahren nach Anspruch 8, dadurch gekennzeichnet,
daß der Schritt der Erzeugung eines Modells einen
Schritt zur Erzeugung des folgenden beinhaltet:
- historische Prozeßdaten, die die Daten
einer Gruppe von konkurrierenden Eingaben
zu mehreren Zeitstufen des Prozesses für
manipulierte Variablen repräsentieren,
- die Prozeßausgaben,
- zeitliche Ableitungen der Prozeßausgaben,
- gemessene Belastungsvariablen oder
- zeitliche
Ableitungen der gemessenen
Belastungsvariablen.
13. Verfahren nach Anspruch 8, dadurch gekennzeichnet,
dass die Prozeßausgaben repräsentativ sind für jede
einer Gruppe von gesteuerten Variablen, die einen
gemessenen Prozeßausgang repräsentieren oder für jede
einer Gruppe von Folgerungsvariablen, die
näherungsweise Angaben der gemessenen Prozeßausgaben
repräsentieren.
14. Verfahren nach Anspruch 8, dadurch gekennzeichnet,
dass die korrespondierende Variable die manipulierte
Variable zur Veränderung des Prozesses als Funktion
der gemessenen Prozeßausgabe oder der vorausgesagten
Prozeßausgabe repräsentiert, die durch die optimale
Voraussagezeit zur Verwendung bei der Bestimmung
eines Wertes der Variablen vorgegeben ist, die den
Prozeß in einer im wesentlichen bevorzugten Weise
beeinflußt.
15. Verfahren nach Anspruch 8, dadurch gekennzeichnet,
dass der Schritt der Erzeugung eines
Voraussagemodells die folgenden Einzelschritt beinhaltet:
a) Sammlung einer Vielzahl von
historischen Werten der manipulierten
Variablen und der historischen Variablen der
Prozeßausgaben, die durch Operationen
des Prozesses erzeugt und über eine
Zeitspanne gesammelt wurden,
b) Bildung von Paaren der manipulierten
Variablen mit den Prozeßausgaben auf
der Basis der historischen Werte in
Übereinstimmung mit
Optimierungskriterien,
c) Gewinnung von Trainingsdaten die durch
Operation des Prozesses erzeugt und
über eine Zeitspanne gesammelt wurden,
d) Berechnung einer Mehrzahl von
zukünftigen Zeitschritten, die den zukünftigen
Zeithorizont repräsentieren.
e) Sammlung eines Satzes kontrolliert
gesteuerter Variablen, wie sie durch den
zukünftigen Zeithorizont vorgegeben
sind, und
f) Erzeugung eines Voraussagemodell
aufgrund der Trainingseingangsdaten, der
Paare manipulierter Variablen und
Prozeßausgaben auf der Basis historischer
Werte, der Vielzahl der zukünftigen
Zeitstufen und der gesteuerten
Variablen, wie sie durch den zukünftigen
Zeithorizont vorgegeben sind, um
vorausgesagte gesteuerte Variable, wie sie
durch den zukünftigen Zeithorizont
vorgegeben sind, zu berechnen,
und dass der Schritt der Bestimmung der optimalen
Voraussagezeit wahlweise die folgenden
Einzelschritte beinhaltet:
g) Auswahl eines Teilsatzes der
Veränderungsvariablen, der im wesentlichen die
größten Werteveränderungen
repräsentiert,
h) Identifizieren und Speichern der
zukünftigen Zeitschritte der
Veränderungsvariablen des durch den Auswahlschritt
erzeugten Teilsatzes,
i) Bestimmung der im wesentlichen größten
) Veränderung aufgrund des
Veränderungsbereiches des Teilsatzes der
Veränderungsvariablen und
j) Extrapullation der zukünftigen Zeiten,
bei denen die größte Veränderung
auftritt, wobei die zukünftigen Zeiten die
optimalen Voraussagezeiten sind,
und dass weiterhin der Schritt der Erzeugung eines
Voraussagemodells wahlweise den folgenden Schritt
beinhaltet:
l) Trainieren eines nichtlinearen
Funktionsgenerators mit den vorausgesagten
gesteuerten Variablen, wie sie durch
die optimalen Voraussagezeiten und die
historischen Prozeßdaten vorgegeben
sind, um entsprechende Variablen,
insbesondere manipulierte Variablen zur
Verwendung bei der Steuerung des
Prozesses zu berechnen.
16. Verfahren nach Anspruch 5, dadurch gekennzeichnet,
dass die korrespondierenden Variablen die vorausgesagten
Prozeßausgänge sind, wie sie durch die
optimale Voraussagezeit vorgegeben sind, die bei Bestimmung
der Werte der manipulierten Variablen, die den Prozeß
beeinflussen, verwendet wurden.
17. Verfahren nach Anspruch 16, dadurch gekennzeichnet,
dass ein adaptierbares Prozessorelement die optimalen
Voraussagezeiten generiert.
18. Verfahren nach Anspruch 15, dadurch gekennzeichnet,
dass die Prozeßausgaben für einen gemessenen
Prozeßausgang repräsentierte gesteuerte Variablen oder
näherungsweise Angaben der gesteuerten Variablen
repräsentierende Folgerungsvariablen beinhalten.
19. Verfahren nach Anspruch 15, dadurch gekennzeichnet,
dass der Schritt der Gewinnung der Trainingsdaten
weiterhin einen Schritt der Sammlung von zeitlichen
Ableitungen der historischen Werte der Prozeßausgänge
zur Verwendung in der Erzeugung des Voraussagemodells
beinhaltet.
20. Verfahren nach Anspruch 16, dadurch gekennzeichnet,
dass der Schritt der Gewinnung der Trainingsdaten
weiterhin den Schritt der Sammlung einer Vielzahl
historischer Daten gemessener Belastungsvariablen
beinhaltet, die durch Operationen des Prozesses über eine
Zeitspanne erzeugt wurden, wobei die historischen
Daten der gemessene Belastungsstörungen repräsentieren
und dass der Schritt der Erzeugung eines
Voraussagemodells weiterhin die Verwendung der zusätzlichen
Eingaben der historischen Daten der gemessenen
Belastungsvariablen beinhaltet.
21. Verfahren nach Anspruch 20, dadurch gekennzeichnet,
dass der Schritt der Sammlung einer Vielzahl
historischer Werte weiterhin den Schritt der Sammlung von
zeitlichen Ableitungen der historischen Werte der
gemessenen Belastungsvariablen zur Verwendung bei der
Erzeugung des Voraussagemodells beinhaltet und dass
der Schritt der Erzeugung eines Voraussagemodells die
zusätzlichen Eingaben der Ableitungen der
historischen Werte der gemessenen Belastungsvariablen nutzt.
22. Verfahren nach Anspruch 8, dadurch gekennzeichnet,
dass der Schritt der Anwendungen des
Voraussagemodells weiterhin die folgenden Einzelschritte
beinhaltet:
a) Verwendung des Voraussagemodells zur
Erzeugung eines ersten Satzes von
vorausgesagten gesteuerten Variablen, wie
sie gegenüber dem zukünftigen
Projektionshorizont vorgegeben sind,
b) Anwendung des Voraussagemodells mit den
Veränderungen, die auf die historischen
Werte der manipulierten Variablen
angewendet wurden zur Erzeugung eines
zweiten Satzes vorausgesagter gesteuerter
Variablen, wie sie über den zukünftigen
Voraussagehorizont gegeben sind und
c) bilden Differenz zwischen dem ersten
Satz der vorausgesagten gesteuerten
Werte und im zweiten Satz der
vorausgesagten gesteuerten Werte und hierdurch
Schaffung von Veränderungsvariablen,
die die Differenz repräsentieren.
23. Verfahren nach Anspruch 8, dadurch gekennzeichnet,
dass der Schritt der Anwendung des Voraussagemodells
weiter folgende Schritte beinhaltet:
a) Verwendung des Voraussagemodells zur
Erzeugung eines ersten Satzes von
vorausgesagten gesteuerten Variablen, wie
sie gegenüber dem zukünftigen
Projektionshorizont vorgegeben sind,
b) Anwendung des Voraussagemodells mit den
Veränderungen, die auf die historischen
Werte der manipulierten Variablen
angewendet wurden, zur Erzeugung eines
zweiten Satzes vorausgesagter
gesteuerter Variablen, wie sie über den
zukünftigen Voraussagehorizont gegeben sind,
c) bilden Differenz zwischen dem ersten
Satz der vorausgesagten gesteuerten
Werte und im zweiten Satz der
vorausgesagten gesteuerten Werte und hierdurch
Schaffung von Veränderungsvariablen,
die die Differenz repräsentieren, und
d) Bestimmung der Veränderungsrate der
Differenzvariablen, wobei die
Bestimmung die Berechnung der Differenz
zwischen zwei Differenzvariablen
beinhaltet, die aufeinanderfolgende zukünftige
Zeitstufen haben und wobei die
ergebenden Veränderungsraten die
Veränderungsvariablen sind.
24. Verfahren nach Anspruch 8, dadurch gekennzeichnet,
dass der Schritt der Anwendung des Voraussagemodells
weiterhin die folgenden Schritte beinhaltet:
a) Auswahl eines historischen Wertes der
manipulierten Variablen, der im
folgenden als ausgewählte manipulierte
Variable bezeichnet wird,
b) Veränderung der ausgewählten
manipulierten Variablen um einen geringen
Betrag,
c) Auswahl eines Satzes historischer
Werte der manipulierten Variablen, die
nicht die ausgewählte manipulierte
Variable beinhalten,
Anwendung des Voraussagemodells mit
der ausgewählten manipulierten
Variablen, des Satzes der historischen
Werte der manipulierten Variablen, der
historischen Werte der Prozeßausgaben
und der Trainingseingabedaten, wobei
diese Anwendung vorausgesagte
gesteuerte Variablen über den zukünftigen
Projektionshorizont hin erzeugt.
e) Auswahl gepaarter vorausgesagter
gesteuerter Variablen, die den
ausgewählten manipulierten Variablen
entsprechen aus den vorausgesagten
gesteuerten Variablen,
f) Speicherung der gepaarten
vorausgesagten gesteuerten Variablen,
g) Wiederholung der Schritte a) bis f)
für andere historische Werte der
manipulierten Variablen, und
h) Ausgabe der gespeicherten
vorausgesagten gesteuerten Variablen, wobei die
gespeicherten vorausgesagten
gesteuerten Variablen die veränderten
vorausgesagten gesteuerten Variablen sind.
25. Verfahren nach Anspruch 8, dadurch gekennzeichnet,
dass das adaptierbare Prozessorelement oder der
nichtlineare Funktionsgenerator aus einem neuronalen
Netzwerk, einem Futzy-Logik-Prozessor, einer
Nachschlagetabelle oder einer Folgerungs-Logikmaschine
ausgewählt ist.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/333,095 US5704011A (en) | 1994-11-01 | 1994-11-01 | Method and apparatus for providing multivariable nonlinear control |
Publications (2)
Publication Number | Publication Date |
---|---|
DE69518208D1 DE69518208D1 (de) | 2000-09-07 |
DE69518208T2 true DE69518208T2 (de) | 2001-04-26 |
Family
ID=23301245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE69518208T Expired - Lifetime DE69518208T2 (de) | 1994-11-01 | 1995-11-01 | Verfahren und Vorrichtung zur Erzeugung einer Mehrgrössen-/nichtlinearen Steuerung |
Country Status (3)
Country | Link |
---|---|
US (1) | US5704011A (de) |
EP (1) | EP0712060B1 (de) |
DE (1) | DE69518208T2 (de) |
Families Citing this family (164)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6243696B1 (en) * | 1992-11-24 | 2001-06-05 | Pavilion Technologies, Inc. | Automated method for building a model |
US6314414B1 (en) | 1998-10-06 | 2001-11-06 | Pavilion Technologies, Inc. | Method for training and/or testing a neural network with missing and/or incomplete data |
US6879971B1 (en) * | 1995-12-22 | 2005-04-12 | Pavilion Technologies, Inc. | Automated method for building a model |
US7949495B2 (en) | 1996-03-28 | 2011-05-24 | Rosemount, Inc. | Process variable transmitter with diagnostics |
US6539267B1 (en) | 1996-03-28 | 2003-03-25 | Rosemount Inc. | Device in a process system for determining statistical parameter |
US8290721B2 (en) | 1996-03-28 | 2012-10-16 | Rosemount Inc. | Flow measurement diagnostics |
US6654697B1 (en) | 1996-03-28 | 2003-11-25 | Rosemount Inc. | Flow measurement with diagnostics |
US6017143A (en) | 1996-03-28 | 2000-01-25 | Rosemount Inc. | Device in a process system for detecting events |
US7058617B1 (en) * | 1996-05-06 | 2006-06-06 | Pavilion Technologies, Inc. | Method and apparatus for training a system model with gain constraints |
US6278899B1 (en) * | 1996-05-06 | 2001-08-21 | Pavilion Technologies, Inc. | Method for on-line optimization of a plant |
EP0825506B1 (de) | 1996-08-20 | 2013-03-06 | Invensys Systems, Inc. | Verfahren und Gerät zur Fernprozesssteuerung |
US6519546B1 (en) | 1996-11-07 | 2003-02-11 | Rosemount Inc. | Auto correcting temperature transmitter with resistance based sensor |
US5956663A (en) * | 1996-11-07 | 1999-09-21 | Rosemount, Inc. | Signal processing technique which separates signal components in a sensor for sensor diagnostics |
US6601005B1 (en) | 1996-11-07 | 2003-07-29 | Rosemount Inc. | Process device diagnostics using process variable sensor signal |
US6434504B1 (en) | 1996-11-07 | 2002-08-13 | Rosemount Inc. | Resistance based process control device diagnostics |
US6754601B1 (en) | 1996-11-07 | 2004-06-22 | Rosemount Inc. | Diagnostics for resistive elements of process devices |
US6449574B1 (en) | 1996-11-07 | 2002-09-10 | Micro Motion, Inc. | Resistance based process control device diagnostics |
GB9624298D0 (en) * | 1996-11-22 | 1997-01-08 | Univ Strathclyde | Improved neural network |
CN1138193C (zh) * | 1996-12-31 | 2004-02-11 | 罗斯蒙德公司 | 在处理系统用于确认来自现场装置的控制信号的装置 |
US5914884A (en) * | 1997-01-02 | 1999-06-22 | General Electric Company | Method for evaluating moldability characteristics of a plastic resin in an injection molding process |
DE19718262A1 (de) * | 1997-04-30 | 1998-11-05 | Schenck Panel Production Syste | Verfahren und System zur Generierung eines Prozeßmodells eines technischen Problems |
US6055483A (en) * | 1997-05-05 | 2000-04-25 | Honeywell, Inc. | Systems and methods using bridge models to globally optimize a process facility |
CA2306767C (en) | 1997-10-13 | 2007-05-01 | Rosemount Inc. | Communication technique for field devices in industrial processes |
US6185470B1 (en) * | 1997-11-07 | 2001-02-06 | Mcdonnell Douglas Corporation | Neural network predictive control method and system |
US5980080A (en) * | 1997-12-22 | 1999-11-09 | Elsag International N.V. | Windup and noise protection of digital controllers in a layered control |
US6220517B1 (en) * | 1998-04-22 | 2001-04-24 | Denso Corporation | Air-conditioning device |
US6615149B1 (en) | 1998-12-10 | 2003-09-02 | Rosemount Inc. | Spectral diagnostics in a magnetic flow meter |
US6611775B1 (en) | 1998-12-10 | 2003-08-26 | Rosemount Inc. | Electrode leakage diagnostics in a magnetic flow meter |
US8044793B2 (en) | 2001-03-01 | 2011-10-25 | Fisher-Rosemount Systems, Inc. | Integrated device alerts in a process control system |
US6298454B1 (en) | 1999-02-22 | 2001-10-02 | Fisher-Rosemount Systems, Inc. | Diagnostics in a process control system |
US6633782B1 (en) | 1999-02-22 | 2003-10-14 | Fisher-Rosemount Systems, Inc. | Diagnostic expert in a process control system |
US6975219B2 (en) | 2001-03-01 | 2005-12-13 | Fisher-Rosemount Systems, Inc. | Enhanced hart device alerts in a process control system |
US6496741B1 (en) * | 1999-03-25 | 2002-12-17 | Gregory J. Whiffen | Static/dynamic control for optimizing a useful objective |
AU5025600A (en) | 1999-05-17 | 2000-12-05 | Foxboro Company, The | Process control configuration system with parameterized objects |
US7089530B1 (en) | 1999-05-17 | 2006-08-08 | Invensys Systems, Inc. | Process control configuration system with connection validation and configuration |
US6788980B1 (en) | 1999-06-11 | 2004-09-07 | Invensys Systems, Inc. | Methods and apparatus for control using control devices that provide a virtual machine environment and that communicate via an IP network |
US6356191B1 (en) | 1999-06-17 | 2002-03-12 | Rosemount Inc. | Error compensation for a process fluid temperature transmitter |
JP4824234B2 (ja) | 1999-07-01 | 2011-11-30 | ローズマウント インコーポレイテッド | 2線式温度送信機およびプロセス温度測定方法 |
FR2795830B1 (fr) * | 1999-07-01 | 2001-08-31 | Lorraine Laminage | Procede de pilotage d'un processus dynamique complexe |
US6505517B1 (en) | 1999-07-23 | 2003-01-14 | Rosemount Inc. | High accuracy signal processing for magnetic flowmeter |
WO2001009690A1 (en) * | 1999-07-29 | 2001-02-08 | The Foxboro Company | Methods and apparatus for object-based process control |
US6507774B1 (en) * | 1999-08-24 | 2003-01-14 | The University Of Chicago | Intelligent emissions controller for substance injection in the post-primary combustion zone of fossil-fired boilers |
US6701274B1 (en) | 1999-08-27 | 2004-03-02 | Rosemount Inc. | Prediction of error magnitude in a pressure transmitter |
US6155283A (en) * | 1999-09-10 | 2000-12-05 | The Foxboro Company | Intelligent valve positioner tuning |
US6556145B1 (en) | 1999-09-24 | 2003-04-29 | Rosemount Inc. | Two-wire fluid temperature transmitter with thermocouple diagnostics |
US6678585B1 (en) * | 1999-09-28 | 2004-01-13 | Pavilion Technologies, Inc. | Method and apparatus for maximizing power usage in a power plant |
US6445963B1 (en) | 1999-10-04 | 2002-09-03 | Fisher Rosemount Systems, Inc. | Integrated advanced control blocks in process control systems |
US6510353B1 (en) | 1999-11-04 | 2003-01-21 | Fisher-Rosemount Systems, Inc. | Determining tuning parameters for a process controller from a robustness map |
US7096093B1 (en) | 2000-02-14 | 2006-08-22 | Invensys Systems, Inc. | Intelligent valve flow linearization |
CA2402280C (en) * | 2000-03-10 | 2008-12-02 | Cyrano Sciences, Inc. | Control for an industrial process using one or more multidimensional variables |
US6721609B1 (en) | 2000-06-14 | 2004-04-13 | Fisher-Rosemount Systems, Inc. | Integrated optimal model predictive control in a process control system |
WO2002003152A2 (en) * | 2000-06-29 | 2002-01-10 | Aspen Technology, Inc. | Computer method and apparatus for constraining a non-linear approximator of an empirical process |
DE10036971A1 (de) * | 2000-07-28 | 2002-02-28 | Siemens Ag | Verfahren zur Ferndiagnose eines technologischen Prozesses |
US6735484B1 (en) | 2000-09-20 | 2004-05-11 | Fargo Electronics, Inc. | Printer with a process diagnostics system for detecting events |
US6629089B1 (en) * | 2000-09-29 | 2003-09-30 | Cirrus Logic, Inc. | Artificial neural network voice coil motor controller |
US7720727B2 (en) | 2001-03-01 | 2010-05-18 | Fisher-Rosemount Systems, Inc. | Economic calculations in process control system |
CN100524130C (zh) | 2001-03-01 | 2009-08-05 | 费舍-柔斯芒特系统股份有限公司 | 自动工作命令/部件命令生成和跟踪 |
US6954713B2 (en) * | 2001-03-01 | 2005-10-11 | Fisher-Rosemount Systems, Inc. | Cavitation detection in a process plant |
US8073967B2 (en) | 2002-04-15 | 2011-12-06 | Fisher-Rosemount Systems, Inc. | Web services-based communications for use with process control systems |
US6795798B2 (en) | 2001-03-01 | 2004-09-21 | Fisher-Rosemount Systems, Inc. | Remote analysis of process control plant data |
US7389204B2 (en) | 2001-03-01 | 2008-06-17 | Fisher-Rosemount Systems, Inc. | Data presentation system for abnormal situation prevention in a process plant |
US6970003B2 (en) * | 2001-03-05 | 2005-11-29 | Rosemount Inc. | Electronics board life prediction of microprocessor-based transmitters |
US6629059B2 (en) | 2001-05-14 | 2003-09-30 | Fisher-Rosemount Systems, Inc. | Hand held diagnostic and communication device with automatic bus detection |
ATE377209T1 (de) * | 2001-05-25 | 2007-11-15 | Parametric Optimization Soluti | Verbesserte prozesssteuerung |
GB0113627D0 (en) * | 2001-06-05 | 2001-07-25 | Univ Stirling | Controller and method of controlling an apparatus |
US7162534B2 (en) | 2001-07-10 | 2007-01-09 | Fisher-Rosemount Systems, Inc. | Transactional data communications for process control systems |
US20030028267A1 (en) * | 2001-08-06 | 2003-02-06 | Hales Michael L. | Method and system for controlling setpoints of manipulated variables for process optimization under constraint of process-limiting variables |
US6772036B2 (en) | 2001-08-30 | 2004-08-03 | Fisher-Rosemount Systems, Inc. | Control system using process model |
US6901300B2 (en) | 2002-02-07 | 2005-05-31 | Fisher-Rosemount Systems, Inc.. | Adaptation of advanced process control blocks in response to variable process delay |
US6832134B2 (en) * | 2002-11-12 | 2004-12-14 | Honeywell International Inc. | Coordination in multilayer process control and optimization schemes |
US7600234B2 (en) | 2002-12-10 | 2009-10-06 | Fisher-Rosemount Systems, Inc. | Method for launching applications |
US7493310B2 (en) | 2002-12-30 | 2009-02-17 | Fisher-Rosemount Systems, Inc. | Data visualization within an integrated asset data system for a process plant |
US8935298B2 (en) | 2002-12-30 | 2015-01-13 | Fisher-Rosemount Systems, Inc. | Integrated navigational tree importation and generation in a process plant |
US7152072B2 (en) | 2003-01-08 | 2006-12-19 | Fisher-Rosemount Systems Inc. | Methods and apparatus for importing device data into a database system used in a process plant |
US7953842B2 (en) | 2003-02-19 | 2011-05-31 | Fisher-Rosemount Systems, Inc. | Open network-based data acquisition, aggregation and optimization for use with process control systems |
US7103427B2 (en) | 2003-02-28 | 2006-09-05 | Fisher-Rosemont Systems, Inc. | Delivery of process plant notifications |
US6915235B2 (en) | 2003-03-13 | 2005-07-05 | Csi Technology, Inc. | Generation of data indicative of machine operational condition |
US7634384B2 (en) | 2003-03-18 | 2009-12-15 | Fisher-Rosemount Systems, Inc. | Asset optimization reporting in a process plant |
US6736089B1 (en) | 2003-06-05 | 2004-05-18 | Neuco, Inc. | Method and system for sootblowing optimization |
US7194320B2 (en) * | 2003-06-05 | 2007-03-20 | Neuco, Inc. | Method for implementing indirect controller |
US7299415B2 (en) | 2003-06-16 | 2007-11-20 | Fisher-Rosemount Systems, Inc. | Method and apparatus for providing help information in multiple formats |
US8214271B2 (en) * | 2004-02-04 | 2012-07-03 | Neuco, Inc. | System and method for assigning credit to process inputs |
US7030747B2 (en) | 2004-02-26 | 2006-04-18 | Fisher-Rosemount Systems, Inc. | Method and system for integrated alarms in a process control system |
US7761923B2 (en) | 2004-03-01 | 2010-07-20 | Invensys Systems, Inc. | Process control methods and apparatus for intrusion detection, protection and network hardening |
US7079984B2 (en) | 2004-03-03 | 2006-07-18 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a process plant |
US7676287B2 (en) | 2004-03-03 | 2010-03-09 | Fisher-Rosemount Systems, Inc. | Configuration system and method for abnormal situation prevention in a process plant |
US7515977B2 (en) | 2004-03-30 | 2009-04-07 | Fisher-Rosemount Systems, Inc. | Integrated configuration system for use in a process plant |
US7536274B2 (en) | 2004-05-28 | 2009-05-19 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a heater |
CA2567139A1 (en) | 2004-06-12 | 2005-12-29 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a process gain of a control loop |
US7500437B2 (en) * | 2004-08-27 | 2009-03-10 | Neuco, Inc. | Method and system for SCR optimization |
WO2006026479A2 (en) * | 2004-08-27 | 2006-03-09 | Neuco, Inc. | Method and system for sncr optimization |
US7181654B2 (en) | 2004-09-17 | 2007-02-20 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a reactor |
US7333861B2 (en) * | 2004-10-25 | 2008-02-19 | Neuco, Inc. | Method and system for calculating marginal cost curves using plant control models |
US7467614B2 (en) | 2004-12-29 | 2008-12-23 | Honeywell International Inc. | Pedal position and/or pedal change rate for use in control of an engine |
US8005647B2 (en) | 2005-04-08 | 2011-08-23 | Rosemount, Inc. | Method and apparatus for monitoring and performing corrective measures in a process plant using monitoring data with corrective measures data |
US9201420B2 (en) | 2005-04-08 | 2015-12-01 | Rosemount, Inc. | Method and apparatus for performing a function in a process plant using monitoring data with criticality evaluation data |
US8112565B2 (en) | 2005-06-08 | 2012-02-07 | Fisher-Rosemount Systems, Inc. | Multi-protocol field device interface with automatic bus detection |
US7389773B2 (en) | 2005-08-18 | 2008-06-24 | Honeywell International Inc. | Emissions sensors for fuel control in engines |
US20070068225A1 (en) | 2005-09-29 | 2007-03-29 | Brown Gregory C | Leak detector for process valve |
US7451004B2 (en) | 2005-09-30 | 2008-11-11 | Fisher-Rosemount Systems, Inc. | On-line adaptive model predictive control in a process control system |
US7725573B2 (en) * | 2005-11-29 | 2010-05-25 | Intel Corporation | Methods and apparatus for supporting agile run-time network systems via identification and execution of most efficient application code in view of changing network traffic conditions |
US7860857B2 (en) | 2006-03-30 | 2010-12-28 | Invensys Systems, Inc. | Digital data processing apparatus and methods for improving plant performance |
US7840287B2 (en) * | 2006-04-13 | 2010-11-23 | Fisher-Rosemount Systems, Inc. | Robust process model identification in model based control techniques |
US8145358B2 (en) | 2006-07-25 | 2012-03-27 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation of a level regulatory control loop |
US7657399B2 (en) | 2006-07-25 | 2010-02-02 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US8606544B2 (en) | 2006-07-25 | 2013-12-10 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US7912676B2 (en) | 2006-07-25 | 2011-03-22 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation in a process plant |
US7856280B2 (en) * | 2006-08-02 | 2010-12-21 | Emerson Process Management Power & Water Solutions, Inc. | Process control and optimization technique using immunological concepts |
US7953501B2 (en) | 2006-09-25 | 2011-05-31 | Fisher-Rosemount Systems, Inc. | Industrial process control loop monitor |
US8788070B2 (en) | 2006-09-26 | 2014-07-22 | Rosemount Inc. | Automatic field device service adviser |
EP2392982B1 (de) | 2006-09-28 | 2015-03-25 | Fisher-Rosemount Systems, Inc. | Verhinderung anomaler Situationen in einem Wärmetauscher |
US7750642B2 (en) | 2006-09-29 | 2010-07-06 | Rosemount Inc. | Magnetic flowmeter with verification |
US7917240B2 (en) | 2006-09-29 | 2011-03-29 | Fisher-Rosemount Systems, Inc. | Univariate method for monitoring and analysis of multivariate data |
US8032340B2 (en) | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Method and system for modeling a process variable in a process plant |
US8032341B2 (en) | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Modeling a process using a composite model comprising a plurality of regression models |
US7827006B2 (en) | 2007-01-31 | 2010-11-02 | Fisher-Rosemount Systems, Inc. | Heat exchanger fouling detection |
US10410145B2 (en) | 2007-05-15 | 2019-09-10 | Fisher-Rosemount Systems, Inc. | Automatic maintenance estimation in a plant environment |
US8032235B2 (en) * | 2007-06-28 | 2011-10-04 | Rockwell Automation Technologies, Inc. | Model predictive control system and method for reduction of steady state error |
US8898036B2 (en) | 2007-08-06 | 2014-11-25 | Rosemount Inc. | Process variable transmitter with acceleration sensor |
US8301676B2 (en) | 2007-08-23 | 2012-10-30 | Fisher-Rosemount Systems, Inc. | Field device with capability of calculating digital filter coefficients |
US7702401B2 (en) | 2007-09-05 | 2010-04-20 | Fisher-Rosemount Systems, Inc. | System for preserving and displaying process control data associated with an abnormal situation |
US9323247B2 (en) | 2007-09-14 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Personalized plant asset data representation and search system |
US8340824B2 (en) | 2007-10-05 | 2012-12-25 | Neuco, Inc. | Sootblowing optimization for improved boiler performance |
US8055479B2 (en) | 2007-10-10 | 2011-11-08 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process |
US8078291B2 (en) * | 2008-04-04 | 2011-12-13 | Honeywell International Inc. | Methods and systems for the design and implementation of optimal multivariable model predictive controllers for fast-sampling constrained dynamic systems |
US8073555B2 (en) * | 2008-05-06 | 2011-12-06 | United Technologies Corporation | Basepoint estimator |
US7949416B2 (en) * | 2008-05-06 | 2011-05-24 | United Technologies Corporation | Multivariable control system |
EP2304536A4 (de) | 2008-06-20 | 2012-08-15 | Invensys Sys Inc | Systeme und verfahren zur immersiven interaktion mit tatsächlichen und/oder simulierten einrichtungen zur prozess-, umwelt- und industriesteuerung |
US8046089B2 (en) * | 2008-06-20 | 2011-10-25 | Honeywell International Inc. | Apparatus and method for model predictive control (MPC) of a nonlinear process |
US8078292B2 (en) * | 2008-07-08 | 2011-12-13 | United Technologies Corporation | Basepoint estimator |
US8060290B2 (en) | 2008-07-17 | 2011-11-15 | Honeywell International Inc. | Configurable automotive controller |
US7921734B2 (en) | 2009-05-12 | 2011-04-12 | Rosemount Inc. | System to detect poor process ground connections |
US8463964B2 (en) | 2009-05-29 | 2013-06-11 | Invensys Systems, Inc. | Methods and apparatus for control configuration with enhanced change-tracking |
US8127060B2 (en) | 2009-05-29 | 2012-02-28 | Invensys Systems, Inc | Methods and apparatus for control configuration with control objects that are fieldbus protocol-aware |
US8620461B2 (en) | 2009-09-24 | 2013-12-31 | Honeywell International, Inc. | Method and system for updating tuning parameters of a controller |
JP4888618B2 (ja) * | 2010-04-19 | 2012-02-29 | 日本電気株式会社 | 処理手順管理装置、処理手順管理方法、処理手順管理システム、および処理手順管理プログラム |
US8504175B2 (en) | 2010-06-02 | 2013-08-06 | Honeywell International Inc. | Using model predictive control to optimize variable trajectories and system control |
US8670945B2 (en) | 2010-09-30 | 2014-03-11 | Honeywell International Inc. | Apparatus and method for product movement planning to support safety monitoring in inventory management systems |
US9207670B2 (en) | 2011-03-21 | 2015-12-08 | Rosemount Inc. | Degrading sensor detection implemented within a transmitter |
US9927788B2 (en) | 2011-05-19 | 2018-03-27 | Fisher-Rosemount Systems, Inc. | Software lockout coordination between a process control system and an asset management system |
US9677493B2 (en) | 2011-09-19 | 2017-06-13 | Honeywell Spol, S.R.O. | Coordinated engine and emissions control system |
US9650934B2 (en) | 2011-11-04 | 2017-05-16 | Honeywell spol.s.r.o. | Engine and aftertreatment optimization system |
US20130111905A1 (en) | 2011-11-04 | 2013-05-09 | Honeywell Spol. S.R.O. | Integrated optimization and control of an engine and aftertreatment system |
US9529348B2 (en) | 2012-01-24 | 2016-12-27 | Emerson Process Management Power & Water Solutions, Inc. | Method and apparatus for deploying industrial plant simulators using cloud computing technologies |
CN103513618B (zh) * | 2012-06-18 | 2016-01-27 | 新奥科技发展有限公司 | 工业过程的控制方法和设备 |
US9052240B2 (en) | 2012-06-29 | 2015-06-09 | Rosemount Inc. | Industrial process temperature transmitter with sensor stress diagnostics |
US9207129B2 (en) | 2012-09-27 | 2015-12-08 | Rosemount Inc. | Process variable transmitter with EMF detection and correction |
US9602122B2 (en) | 2012-09-28 | 2017-03-21 | Rosemount Inc. | Process variable measurement noise diagnostic |
EP3051367B1 (de) | 2015-01-28 | 2020-11-25 | Honeywell spol s.r.o. | Ansatz und system zur handhabung von einschränkungen für gemessene störungen mit unsicherer vorschau |
EP3056706A1 (de) | 2015-02-16 | 2016-08-17 | Honeywell International Inc. | Ansatz zur nachbehandlungssystemmodellierung und modellidentifizierung |
EP3091212A1 (de) | 2015-05-06 | 2016-11-09 | Honeywell International Inc. | Identifikationsansatz für verbrennungsmotor-mittelwertmodelle |
EP3734375B1 (de) | 2015-07-31 | 2023-04-05 | Garrett Transportation I Inc. | Quadratischer programmlöser für mpc mit variabler anordnung |
US10272779B2 (en) | 2015-08-05 | 2019-04-30 | Garrett Transportation I Inc. | System and approach for dynamic vehicle speed optimization |
JP6788349B2 (ja) * | 2016-01-14 | 2020-11-25 | 三菱重工業株式会社 | プラント評価装置及びプラント評価方法 |
US10415492B2 (en) | 2016-01-29 | 2019-09-17 | Garrett Transportation I Inc. | Engine system with inferential sensor |
CN105652666B (zh) * | 2016-03-09 | 2018-09-11 | 中南大学 | 基于bp神经网络的大型模锻压机上横梁速度预测控制方法 |
US10036338B2 (en) | 2016-04-26 | 2018-07-31 | Honeywell International Inc. | Condition-based powertrain control system |
US10124750B2 (en) | 2016-04-26 | 2018-11-13 | Honeywell International Inc. | Vehicle security module system |
WO2018029393A1 (en) * | 2016-08-08 | 2018-02-15 | Triplewin Oy | A method, system, computer program product and computer data-base for controlling an industrial process or machine |
EP3548729B1 (de) | 2016-11-29 | 2023-02-22 | Garrett Transportation I Inc. | Inferenzflusssensor |
DE102017205713A1 (de) * | 2017-04-04 | 2018-10-04 | Siemens Aktiengesellschaft | Verfahren und Steuereinrichtung zum Steuern eines technischen Systems |
US11057213B2 (en) | 2017-10-13 | 2021-07-06 | Garrett Transportation I, Inc. | Authentication system for electronic control unit on a bus |
JP6536978B1 (ja) * | 2018-03-15 | 2019-07-03 | オムロン株式会社 | 学習装置、学習方法、及びそのプログラム |
US11480934B2 (en) | 2019-01-24 | 2022-10-25 | Uptake Technologies, Inc. | Computer system and method for creating an event prediction model |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4907167A (en) * | 1987-09-30 | 1990-03-06 | E. I. Du Pont De Nemours And Company | Process control system with action logging |
US5119468A (en) * | 1989-02-28 | 1992-06-02 | E. I. Du Pont De Nemours And Company | Apparatus and method for controlling a process using a trained parallel distributed processing network |
US5111531A (en) * | 1990-01-08 | 1992-05-05 | Automation Technology, Inc. | Process control using neural network |
US5394322A (en) * | 1990-07-16 | 1995-02-28 | The Foxboro Company | Self-tuning controller that extracts process model characteristics |
US5197114A (en) * | 1990-08-03 | 1993-03-23 | E. I. Du Pont De Nemours & Co., Inc. | Computer neural network regulatory process control system and method |
US5121467A (en) * | 1990-08-03 | 1992-06-09 | E.I. Du Pont De Nemours & Co., Inc. | Neural network/expert system process control system and method |
US5282261A (en) * | 1990-08-03 | 1994-01-25 | E. I. Du Pont De Nemours And Co., Inc. | Neural network process measurement and control |
US5212765A (en) * | 1990-08-03 | 1993-05-18 | E. I. Du Pont De Nemours & Co., Inc. | On-line training neural network system for process control |
US5175678A (en) * | 1990-08-15 | 1992-12-29 | Elsag International B.V. | Method and procedure for neural control of dynamic processes |
US5471381A (en) * | 1990-09-20 | 1995-11-28 | National Semiconductor Corporation | Intelligent servomechanism controller |
US5241620A (en) * | 1991-01-03 | 1993-08-31 | Promised Land Technologies, Inc. | Embedding neural networks into spreadsheet applications |
US5251131A (en) * | 1991-07-31 | 1993-10-05 | Thinking Machines Corporation | Classification of data records by comparison of records to a training database using probability weights |
JPH07502354A (ja) * | 1991-12-18 | 1995-03-09 | ハネウエル・インコーポレーテッド | 閉ループ神経ネットワーク自動同調器 |
US5396415A (en) * | 1992-01-31 | 1995-03-07 | Honeywell Inc. | Neruo-pid controller |
GB2266602B (en) * | 1992-04-16 | 1995-09-27 | Inventio Ag | Artificially intelligent traffic modelling and prediction system |
US5479573A (en) * | 1992-11-24 | 1995-12-26 | Pavilion Technologies, Inc. | Predictive network with learned preprocessing parameters |
US5521813A (en) * | 1993-01-15 | 1996-05-28 | Strategic Weather Services | System and method for the advanced prediction of weather impact on managerial planning applications |
CA2118885C (en) * | 1993-04-29 | 2005-05-24 | Conrad K. Teran | Process control system |
US5486998A (en) * | 1993-06-14 | 1996-01-23 | Amax Coal West, Inc. | Process stabilizing process controller |
US5539638A (en) * | 1993-08-05 | 1996-07-23 | Pavilion Technologies, Inc. | Virtual emissions monitor for automobile |
US5461699A (en) * | 1993-10-25 | 1995-10-24 | International Business Machines Corporation | Forecasting using a neural network and a statistical forecast |
-
1994
- 1994-11-01 US US08/333,095 patent/US5704011A/en not_active Expired - Lifetime
-
1995
- 1995-11-01 EP EP95307798A patent/EP0712060B1/de not_active Expired - Lifetime
- 1995-11-01 DE DE69518208T patent/DE69518208T2/de not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
DE69518208D1 (de) | 2000-09-07 |
US5704011A (en) | 1997-12-30 |
EP0712060A1 (de) | 1996-05-15 |
EP0712060B1 (de) | 2000-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69518208T2 (de) | Verfahren und Vorrichtung zur Erzeugung einer Mehrgrössen-/nichtlinearen Steuerung | |
DE69511991T2 (de) | Verfahren und Vorrichtung zur Steuerung von Mehrgrössen-/nichtlinearen Systemen | |
DE10197407B4 (de) | Adaptiver rückgekoppelter/vorwärtsgekoppelter PID-Controller | |
DE69518965T2 (de) | Mehrgrössen-/nichtlineare Prozesssteuerung | |
DE69315423T2 (de) | Neuro-Pid Regler | |
DE102006045429B4 (de) | Adaptive, Modellprädiktive Online-Steuerung in einem Prozesssteuerungssystem | |
DE69823049T2 (de) | Modellfreie adaptive prozesssteuerung | |
DE69123026T2 (de) | Einstellgerät mit Selbstüberwachung für einen Regler mit Rückkopplung | |
DE69717987T2 (de) | Methode und vorrichtung zur simulation von dynamischen und stationären prädiktions-, regelungs- und otpimierungsverfahren | |
DE69225605T2 (de) | Auf einem neuronalen netzwerk basierende automatische einstellvorrichtung für einen geschlossenen regelkreis | |
DE69515323T2 (de) | Modellgestützte prädiktive regelungsvorrichtung und -verfahren | |
DE2735012C2 (de) | ||
DE69309475T2 (de) | Strukturierter optimalratenregler mit mehereren ein- und ausgangen | |
DE3750203T2 (de) | Adaptives Prozessregelungssystem. | |
DE102004026979B4 (de) | Vielfacheingabe- /Vielfachausgabe-Steuer-/Regelblöcke mit nichtlinearen Vorhersagefähigkeiten | |
DE69130840T2 (de) | Neuronales Netzwerk zum Verarbeiten einer Vielzahl von Informationen und Lernverfahren | |
DE60102242T2 (de) | Rechnerverfahren und gerät zur beschränkung einer nicht-linearen gleichungsnäherung eines empirischen prozesses | |
DE69431822T2 (de) | Vorrichtung und Verfahren für eine modellbasierende Prozesssteuerung | |
DE602004007069T2 (de) | Modellgestütze prädiktive Regelung | |
DE69420734T2 (de) | Mehrbereichs-fuzzy-logik regelungssystem mit hilfsvariablen | |
DE69219167T2 (de) | Steuerungsverfahren für Spannung oder Blindleistung sowie Steuereinrichtung dafür | |
DE102007017039A1 (de) | Robuste Prozessmodellidentifikation bei modellbasierten Steuerungstechniken | |
DE112005001789T5 (de) | Servosteuervorrichtung | |
DE10341573A1 (de) | Integrierte modellbasierte prädikative Steuerung und Optimierung innerhalb eines Prozesssteuerungssystems | |
DE10304902A1 (de) | Anpassung von erweiterten Prozeßsteuerblöcken in Abhängigkeit von veränderlichen Prozeßverzögerungen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8364 | No opposition during term of opposition | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: INVENSYS SYSTEMS, INC., FOXBORO, MASS., US |