WO1996007126A1 - Verfahren zur schnellen adaption modellgestützter steuerungen und zugehörige anordnung - Google Patents

Verfahren zur schnellen adaption modellgestützter steuerungen und zugehörige anordnung Download PDF

Info

Publication number
WO1996007126A1
WO1996007126A1 PCT/DE1995/001155 DE9501155W WO9607126A1 WO 1996007126 A1 WO1996007126 A1 WO 1996007126A1 DE 9501155 W DE9501155 W DE 9501155W WO 9607126 A1 WO9607126 A1 WO 9607126A1
Authority
WO
WIPO (PCT)
Prior art keywords
controller
model
fuzzy
neural network
control
Prior art date
Application number
PCT/DE1995/001155
Other languages
English (en)
French (fr)
Inventor
Herbert Furumoto
Christian Fricke
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Publication of WO1996007126A1 publication Critical patent/WO1996007126A1/de

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B13/0275—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 fuzzy logic only

Definitions

  • the invention relates to a method for adapting model-based controls in automation systems, in particular when using neural networks and / or fuzzy systems online.
  • the invention also relates to the associated arrangement for performing the method.
  • the object of the invention is therefore to propose a method and to specify the associated means which remedy this.
  • the undesired drifting of neural networks is to be prevented and on the other hand the stability of fuzzy models is to be ensured.
  • the object is achieved in that a rapid offset correction of the model-based control is carried out by using at least one additional controller.
  • an additional controller is present, with the neural network and / or fuzzy system and controller being connected in parallel with one another.
  • the additional controller can prevent undesired drifting.
  • the mean value of the output variable of the neural network is thus adapted to the manipulated variable error.
  • the mean value of the output variables of the fuzzy system can be adapted to the mean deviation from the target value.
  • the controller compensates online deviations of the model until it is updated.
  • the latter is carried out specifically in the neural network
  • the method according to the invention can always be used advantageously if the process control is carried out using self-learning models.
  • models are to be interconnected with a controller in such a way that the target variable is regulated by the controller, while the model is adapting to new operating points. This is possible by learning from several model-specific constants that better reflect the process behavior in the long term.
  • the controller therefore adapts to the rapid changes until the model takes on the complex relationships has learned. It is advantageous that the model can follow it step by step, while the controller removes the pilot control to the same extent.
  • the method according to the invention is effective regardless of whether the model is used to control the process or whether its outputs are enabled. There is therefore no direct effect on the current process management.
  • the model adapts and learns even when the process control is done by hand or by other systems.
  • the model parameters of the specified calculation method can be adapted in different ways regardless of the correction by the controller.
  • the adaptation process of the model parameters is normally slower than the correction 15 by the controller and limited to the influencing variables used in the calculation method, while the correction by the controller connection unspecifically corrects the calculation method.
  • the process is also particularly advantageous when commissioning models on a large-scale production plant.
  • the adaptation by the controller reduces the risk of being larger
  • the invention reduces the uncertainties and risks when using models for the first time on systems. Provided an immediate redetermination of the model constants or checking of the model structure does not appear to make sense, ie in the event of brief changes in the process behavior, the specified method improves the quality of the model predictions and thus the quality of the model considerably.
  • the method therefore advantageously bridges the time spans between the model checks and the monitored retraining by the engineering personnel on large-scale technical systems in the case of neural networks and / or fuzzy models, without there being any loss of quality in the accuracy of the model predictions. It was tested in the paper industry, for example for calculating the cooking time in cellulose cooking.
  • neural networks and fuzzy systems are already known for paper production. However, it is now possible to quickly adapt online not only from neural networks, but also from fuzzy control and fuzzy models. This creates a suitable process for quick tracking and online optimization of the models used. In practice, the manual guided, monitored or other offline retraining is sensibly supplemented and short-term changes in the process characteristics, especially fluctuations in the raw material qualities, are compensated for.
  • FIG. 1 shows the general principle of a rapid model correction with a controller
  • FIG. 2 shows an offset connection for error compensation, especially in the calculation of the cooking time for pulp boiling in the context of paper manufacture
  • FIG. 3 shows the adaptation of a fuzzy system with a controller
  • Figure 4 shows the optional use of Figure 3 for the adaptation or simulation of the process models.
  • FIG. 1 In a generalized form, a correction of calculated manipulated variables is to be described with reference to FIG. 1, regardless of whether it is a model, a neural network or another calculation method.
  • the actual manipulated variable is known, but its origin is arbitrary.
  • FIG. 2 illustrates the model error compensation which is independent of the actual control method, while FIGS. 3 and 4 show specific applications.
  • block 1 identifies the calculation method, from which the calculated manipulated variables act via a selector switch 2 on a general, unspecified process, which is schematically identified by block 3.
  • an ideal manipulated variable is subsequently determined from the product properties, which are measured, for example, at the end of the process or calculated in the laboratory, and from their target values. Some process parameters can also be used, which is not shown in detail in FIG. 1. It can be seen that the ideal manipulated variable is compared in a controller 10 with an integral component with the method-dependent manipulated variable that is synchronous with the product property. The controller 10 determines a compensation manipulated variable, which is added in a summation element 7 to the manipulated variable currently calculated using the calculation method.
  • the ideal manipulated variable is further subjected to an error evaluation and plausibility check in unit 4, and the evaluated training data is fed back into block 1 of the calculation method via an adaptation unit 5.
  • FIG. 1 it is possible to work with or without slow adaptation or training of the model parameters in the calculation method.
  • the adaptation methods or training methods can be very different and, in addition to the evaluated training data, can also use process parameters and / or the manipulated variables already calculated.
  • the manipulated variables in the sense of FIG. 1 can be any process inputs such as direct manipulated values for valves, expiry times in a control chain, setpoints or the like. There can be several manipulated variables and thus regulators in one structure.
  • the controllers work in discontinuous processes, i.e. So-called "batch processes", in the cycle of the batch, whereas in the case of continuous processes a fixed cycle is specified.
  • linear offsets can be made directly on the calculation method.
  • a correction is applied to any neuron of a neural network or to a parameter of the calculation method.
  • This procedure can be used to train calculation methods directly online in industrial plants.
  • the manipulated variable can be specified in the learning phase, for example by the operator of the system.
  • FIG. 1 focuses on a general application in an unspecified production process
  • FIG. 2 goes directly to the calculation of the cooking time for cellulose cooking in the context of paper production.
  • the pulp boiling in paper production generally represents a discontinuous process
  • a cooking time setpoint with which the cooking is carried out is predetermined by any method. After cooking, an ideal cooking time for the preceding "batch" is calculated from the cooking time and the measured quality.
  • each process control method available for selection is assigned its own controller.
  • This controller compares the cooking time calculated by the process control method for the past batch with the ideal cooking time for this batch and changes its output accordingly.
  • the sum of the controller output and the output of the model or neural network assigned to the process control method forms the control output of the process control method.
  • This output is available as a cooking time setpoint for the current batch and forms the comparison value for the ideal cooking time the next time the controller is processed.
  • 11 to 13 represent selector switches of a general interface I, via which the cooking times can be entered.
  • Switches 11 and 12 are provided for manual selection or for model-based selection, while switch 13 here is designed for a neural network.
  • the measured values for the product quality are determined, for example, in the laboratory and fed to a unit 16 for determining the ideal time.
  • a time error is determined which, in addition to the cooking time tj ⁇ Q actually used ch the ideal cooking time ideal results.
  • the ideal cooking time is fed back to the controller 10.
  • the cooking time is calculated by a self-learning neural network: for this purpose, a unit 20 is specified, which is in front of the interface I and can be entered via the selector switch 13. It is essential that the controller 10 is connected in parallel with the usual components and controlled system of the unit for the neural network 20 and supplements this.
  • the starting value t ⁇ method which is ascertained via the neural network, and the time ti ⁇ eal determined with the laboratory values or in the computing unit 16 are entered as control variables. From this, an offset time ⁇ t can be determined, which is applied to the calculated signal of the model or of the neural network 20.
  • the model can also be implemented by fuzzy systems with a fuzzy model and a fuzzy control unit
  • the controller 10 therefore influences the measured values of the
  • Product quality i.e. for example, the number of permanganate in the boiling process in the context of paper manufacture, and directly the initial size of the model. This enables a quick adjustment with an offset to the output variable.
  • the neural network 20 can learn its parameters step by step from the entire measured value set. As a result, the neural network 20 and controller 10 complement one another when compensating for quality deviations, so that a considerably faster learning process is possible.
  • the calculated cooking time t rec h en including the offset value is fed back to the summation parallel in the computer 10th
  • the cooking time t ⁇ oc h is summed in the summation element 18 with the calculated value ⁇ t to form td ea ] _.
  • the exemplary embodiment of cellulose cooking illustrates the method described or the associated circuit using a discontinuous process, in principle the same method can also be used for continuous processes in papermaking. In any case, when different models are used at the same time, such a controller structure is used which, by adapting the controller outputs to the different models, enables simultaneous adaptation of all control methods and smooth switching between these methods.
  • Figure 3 shows an example of the adaptation of a fuzzy system with a controller.
  • the setpoint for important process variables e.g. the essential product quality Q (t)
  • the output calculated by the fuzzy model 30, the manipulated variable Yf is additively applied to the offset and switched through to the process.
  • the manipulated variable Yp for the process can also be specified by another method, e.g. manually using a switch 31.
  • the process 35 supplies the product quality Q (t).
  • a target / actual comparison is carried out and the difference ⁇ Q is passed to a reference model in accordance with block 25, the manipulated variable error ⁇ Y being calculated from the deviation in the target value.
  • the "ideal manipulated value output" Yi with which the desired product quality Q (t) could have been achieved, is calculated from the manipulated value deviation using the manipulated value Yp connected to process 25. This ideal manipulated value Yi is calculated using that calculated by fuzzy model 30 and the compensated control value Yfp are compared and the deviation is switched to the controller 10, which calculates a new offset.
  • the offset can also be switched as a type of “control deviation” as an additional input to the fuzzy model 30.
  • the output in the fuzzy model 30 is corrected made, which can also be non-linear.
  • the controller 10 has a dynamic component that works until the control deviation is zero.
  • an internal process setpoint on a lower-level controller can also be used at the output of the fuzzy model 30.
  • the fuzzy model 30 contains the static part, while the controller 10 takes over the dynamic part.
  • Fuzzy models which are known not to be dynamic in terms of the basic concept, are therefore given a dynamic by the arrangement according to FIG. This means that fuzzy models can now be applied to dynamic processes. Quality parameters can advantageously be regulated in a continuous process. Like fuzzy models, neural networks can also be used in the manner described in FIG.
  • the paper quality characterized by the CMT value, a strength value, can be described with a neural network depending on the process values.
  • An important control variable for the manufacturing process is the amount of glue that has to be applied to the paper.
  • a suitably trained neural network which in addition to the CMT value uses other process variables characterizing the manufacturing process on the one hand and the raw materials used on the other hand, models the optimal amount of pulp.
  • the fluctuating raw material qualities for example if waste paper is used as a raw material for paper production, cause deviations in the strength.
  • the arrangement of the controller connection to a fuzzy process model shown in FIG. 4 particularly advantageously compensates for such fluctuations.
  • FIG. 4 shows that a simulative process model, which is implemented, for example, as a fuzzy process model 40, can be updated using the method described above.
  • a process is illustrated here by unit 35 and leads to a quality value Q (t) of the product, in particular raw material parameters playing a role.
  • the fuzzy process model 40 leads to a quality prediction Q ', alternatively the raw material parameters and process parameters of the process 35 or values which can be entered manually via switches 41, 42 are received here.
  • Q ' the raw material parameters and process parameters of the process 35 or values which can be entered manually via switches 41, 42 are received here.
  • the so-called model error is applied via the controller 10 as an offset to the output value of the process model with a summation element 47.
  • a manual simulation for generating the offset is also possible with the switch 44.
  • Model adjustments are easy to carry out due to the predetermined controller structure. Little attention needs to be paid to the special model structure to be compensated. This makes the method particularly advantageous for automation systems that have pre-assembled controllers.
  • the model adaptation can be introduced later. 3. Even after the model has been operated for a long time without automatic compensation, the compensation can be switched on smoothly since the model adaptation learns or adapts independently of the process switching of its output. 4. Structural changes in the models, for example from neural networks to fuzzy models, are possible without bumps, since a separate controller can be used for adaptation for each model and each model output. 5
  • the method described above can be used to simplify the process of creating and finding out the final network structure, especially since the process dynamics are often not yet known. Not being able to play content behave the '10 risk with a poorly trained network, ie reindeer with unsiche ⁇ or to the extent insufficient training data, the Prozeß ⁇ , is now greatly reduced.
  • the controller can adapt to rapid changes until the model has learned the complex relationships.
  • the model follows step by step, with the controller removing the pilot control to the same extent.

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Feedback Control In General (AREA)

Abstract

Speziell beim Online-Einsatz Neuronaler Netze für Automatisierungssysteme wird häufig festgestellt, daß das Neuronale Netz nicht schnell genug auf Veränderungen in der Prozeßcharakteristik oder Verschiebungen des Arbeitspunktes des Prozesses eingeht. Dadurch kann es zu unerwünschten Driften kommen. Gleiches kann sinngemäß beim Einsatz von Fuzzy-Systemen erfolgen. Gemäß der Erfindung werden solche Driften vermieden, indem durch Verwendung wenigstens eines zusätzlichen Reglers eine schnelle Offset-Korrektur der modellgestützten Steuerung erfolgt. Bei der zugehörigen Anordnung ist der Recheneinheit (1) für das mathematische Modell, insbesondere ein Neuronales Netz (20) und/oder ein Fuzzy-System (30, 40), ein zusätzlicher Regler (10) parallelgeschaltet.

Description

Beschreibung
Verfahren zur schnellen Adaption modellgestützter Steuerungen und zugehörige Anordnung
Die Erfindung bezieht sich auf ein Verfahren zur Adaption modellgestützter Steuerungen in Automatisierungssystemen, insbesondere beim Online-Einsatz Neuronaler Netze und/oder Fuzzy-Systeme. Daneben bezieht sich die Erfindung auch auf die zugehörige Anordnung zur Durchführung des Verfahrens.
Speziell Neuronale Netze, die online die Prozeßführung einer Produktionsanlage übernehmen und wesentliche Prozeßgrößen steuern, müssen sehr schnell auf Veränderungen in der Prozeß- Charakteristik oder Verschiebungen des Arbeitspunktes des
Prozesses reagieren. Insbesondere sollen sie sich schnell an die neuen, bisher dem Neuronalen Netz nicht bekannten Proze߬ bedingungen anpassen.
Letzteres Problem ist speziell in der Theorie der Neuronalen Netze als sogenanntes Altern bekannt. Das übliche Trainieren der Netze auf einer externen Rechnereinheit, wie insbesondere einem PC oder einer Work-Station, kann in der Zwischenzeit, d.h. bis zum Vorliegen der neuen Netzparameter, zu uner- wünschten Driften der Netze führen, zumal man zum Nach¬ trainieren eine bestimmte Mindestmenge von Daten benötigt. Entsprechendes gilt bei Verwendung von Fuzzy-Systemen, sofern die Zugehörigkeitsfunktionen einmal definiert sind.
Aufgabe der Erfindung ist es daher, ein Verfahren vorzuschla¬ gen und die zugehörigen Mittel anzugeben, die hier Abhilfe schaffen. Insbesondere soll für eine Verwendung im rauhen Produktionsbetrieb einerseits das unerwünschtes Driften von Neuronalen Netzen verhindert und andererseits die Stabilität von Fuzzy-Modellen gewährleistet werden. Die Aufgabe ist erfindungsgemäß dadurch gelöst, daß durch Verwendung wenigstens eines zusätzlichen Reglers eine schnelle Offset-Korrektur der modellgestützten Steuerung durchgeführt wird. Bei einer Anordnung zur Durchführung des Verfahrens, die ein Neuronales Netz und/oder ein Fuzzy-System aufweist, ist ein zusätzlicher Regler vorhanden, wobei Neu¬ ronales Netz und/oder Fuzzy-System sowie Regler zueinander parallelgeschaltet sind.
Speziell bei der Verwendung eines Neuronalen Netzes kann durch den zusätzlichen Regler das unerwünschte Driften ver¬ hindert werden. Damit wird der Mittelwert der Ausgangsgröße des Neuronalen Netzes dem Stellgrößenfehler angepaßt. Bei Verwendung eines Fuzzy-Systems kann der Mittelwert der Aus- gangsgrößen des Fuzzy-Systems der mittleren Abweichung vom Sollwert angepaßt werden.
In der zugehörigen Anordnung gleicht der Regler also online- Abweichungen des Modells aus, bis dieses aktualisiert ist. Letzteres erfolgt speziell beim Neuronalen Netz durch
Training auf einem Trainingsrechner außerhalb des Automa¬ tisierungssystems. In diesem Fall ist eine sehr schnelle Offset-Korrektur am Automatisierungssystem gewährleistet.
Über die spezielle Anwendung bei Neuronalen Netzen und/oder Fuzzy-Systemen hinaus kann das erfindungsgemäße Verfahren immer dann vorteilhaft angewendet werden, wenn die Proze߬ führung mit selbstlernenden Modellen durchgeführt wird. In diesem Fall sind solche Modelle derart mit einem Regler zu verschalten, daß die Zielgröße vom Regler unterstützt aus¬ geregelt wird, während sich das Modell an neue Arbeitspunkte anpaßt. Dies ist durch Lernen von mehreren modellspezifischen Konstanten möglich, die langfristig das Prozeßverhalten besser wiedergeben.
Im Rahmen der Erfindung paßt sich also der Regler den schnel¬ len Änderungen an, bis das Modell die komplexen Zusammenhänge gelernt hat. Dabei ist vorteilhaft, daß das Modell Schritt für Schritt nachziehen kann, während im gleichen Maße der Regler die Vorsteuerung wegnimmt. Das erfindungsgemäße Ver¬ fahren ist unabhängig davon wirksam, ob das Modell für die Steuerung des Prozesses genutzt wird oder ob dessen Ausgänge freigeschaltet sind. Damit ergibt sich also keine unmittel¬ bare Auswirkung auf die augenblickliche Prozeßführung. Das Modell adaptiert und lernt auch dann, wenn die Prozeßführung von Hand oder von anderen Systemen erfolgt.
'10
Die Modellparameter der angegebenen Berechnungsmethode können auf die unterschiedlichen Arten unabhängig von der Korrektur durch den Regler adaptiert werden. Der Adaptionsprozeß der Modellparameter ist normalerweise langsamer als die Korrektur 15 durch den Regler und auf die in der Berechnungsmethode benutzten Einflußgrößen beschränkt, während die Korrektur durch die Regleraufschaltung unspezifisch die Berechnungs¬ methode korrigiert.
20 Das Verfahren kann vorteilhafterweise angewandt werden bei komplexen Prozessen, die sich analytisch schwer beschreiben lassen und bei denen die Modelle grobe Näherungen des realen Prozeßverhaltens darstellen oder bei denen meßtechnisch nicht erfaßbare Schwankungen in den Rohstoffqualitäten oder im
25 Prozeßverhalten zu einem Driften oder zu sprunghaften Abwei¬ chungen des Modells vom realen Prozeß führen. Vorteilhaft ist das Verfahren ebenso speziell bei der Inbetriebnahme von Modellen auf einer großtechnischen Produktionsanlage. Die Adaption durch den Regler verringert das Risiko, daß größere
30 Abweichungen zwischen Modell und realen Verhalten des Prozes¬ ses zu unerwünschten Störungen des Prozesses führen. In dem der Inbetriebnahme nachfolgenden Prozeß der Modellanpassung und Modelloptimierung geht die Bedeutung der Regleradaption zurück und das Modell wird in seinen Aussagen präziser.
35
Durch die Erfindung werden die Unwägbarkeiten und Risiken bei der Erstanwendung von Modellen auf Anlagen verringert. Sofern eine sofortiges Neubestimmen der Modellkonstanten bzw. Überprüfen der Modellstruktur nicht sinnvoll erscheint, d.h. bei kurzzeitigen Veränderungen im Prozeßverhalten, verbessert die angegebene Methode die Güte der Modellvorhersagen und damit die Qualität des Modells erheblich.
Die Methode überbrückt also auf großtechnischen Anlagen vor¬ teilhaft bei Neuronalen Netzen und/oder Fuzzy Modellen die Zeitspannen zwischen den Modellüberprüfungen und des über- wachten Nachtrainierens durch das ingenieurtechnische Per¬ sonal, ohne daß es zu Qualitätseinbußen bei der Genauigkeit der Modellvorhersagen kommt. Sie wurde in der Papierindu¬ strie, beispielsweise zur Kochzeitberechnung bei der Zell- stoffkochung, erprobt.
Für die Papierherstellung ist der Einsatz von Neuronalen Netzen und Fuzzy-Systemen bereits bekannt. Es gelingt nunmehr aber online eine schnelle Adaption nicht nur von Neuronalen Netzen, sondern auch von Fuzzy Control und Fuzzy-Modellen. Damit ist ein geeignetes Verfahren zur schnellen Nachführung und online-Optimierung der verwendeten Modelle geschaffen. In der Praxis wird in sinnvoller Weise das manuell geführte, überwachte oder anderweitige offline Nachtrainieren ergänzt und werden kurzfristige Veränderungen in der Prozeßcharakte- ristik, vor allem Schwankungen in den Rohstoffqualitäten, ausgeglichen.
Weitere Einzelheiten und Vorteile der Erfindung ergeben sich aus der nachfolgenden Figurenbeschreibung von Ausführungs- beispielen anhand der Zeichnung. Es zeigen
Figur 1 das allgemeine Prinzip einer schnellen Modellkorrek tur mit einem Regler, Figur 2 eine Offset-AufSchaltung zum Fehlerausgleich speziell bei der Kochzeitberechnung für die Zellstoffkochung im Rahmen der Papierherstellung, Figur 3 die Adaption eines Fuzzy-Systems mit einem Regler und Figur 4 die wahlweise Anwendung von Figur 3 zwecks Adaption oder Simulation der Prozeßmodelle.
In verallgemeinerter Form soll anhand Figur 1 eine Korrektur von berechneten Stellgrößen beschrieben werden, unabhängig, ob es sich um ein Modell, ein Neuronales Netz oder eine andere Berechnungsmethode handelt. Die tatsächliche Stell¬ größe ist dabei bekannt, aber ihr Ursprung beliebig. Figur 2 verdeutlicht dagegen die von der tatsächlichen Steuermethode unabhängige Modellfehler-Kompensation, während Fig. 3 und 4 spezifische Anwendungen wiedergeben.
In Figur 1 kennzeichnet der Block 1 die Berechnungsmethode, von dem die berechneten Stellgrößen über einen Wahlschalter 2 auf einen allgemeinen, nicht näher spezifizierten Prozeß ein¬ wirken, der schematisch durch den Block 3 gekennzeichnet ist. Nach Ablauf des Prozesses wird aus den Produkteigenschaften, die beispielsweise am Ende des Prozesses gemessen oder im La¬ bor berechnet werden, und aus ihren Sollwerten im Nachhinein eine ideale Stellgröße ermittelt. Dabei können auch wahlweise einige Prozeßmeßgrößen herangezogen werden, was in Figur 1 nicht im einzelnen dargestellt ist. Ersichtlich ist, daß die ideale Stellgröße in einem Regler 10 mit Integralanteil mit der zeitsynchron zur Produkteigenschaft gehörenden ethodeab- hängigen Stellgröße verglichen wird. Der Regler 10 ermittelt einen Kompensationsstellwert, der in einem Summationsglied 7 zu der aktuell mit der Berechnungsmethode berechneten Stell¬ größe addiert wird.
Die ideale Stellgröße wird weiterhin in der Einheit 4 einer Fehlerauswertung und Plausibilitätskontrolle unterzogen, so¬ wie die bewerteten Trainingsdaten über eine Adaptionseinheit 5 in den Block 1 der Berechnungsmethode zurückgeführt.
Durch die in Figur 1 dargestellte Struktur, insbesondere durch die Ermittlung der idealen Stellgröße aus der tatsäch¬ lichen Stellgröße und den erreichten Produkteigenschaften können mehrere Berechnungsmethoden gleichzeitig mit einem Regler korrigiert und/oder trainiert werden, unabhängig da¬ von, ob sie tatsächlich im Prozeß verwendet wurden.
Entsprechend Figur 1 ist es möglich, bei der Berechnungs- methode mit oder ohne einer langsamen Adaption bzw. einem Training der Modellparameter zu arbeiten. Durch die wahlweise Vorgabe des an den Prozeß durchgeschalteten Stellwertes über den Schalter 2 können mehrere Methoden trainiert und benutzt werden. Die Adaptionsmethoden bzw. Trainingsmethoden können ganz verschieden sein und neben den bewerteten Trainingsdaten auch Prozeßmeßgrößen und/oder die bereits berechneten Stell¬ größen benutzen.
In der Praxis können die Stellgrößen im Sinne von Figur 1 be¬ liebige Prozeßeingänge wie direkte Stellwerte für Ventile, Ablaufzeiten in einer Steuerkette, Sollwerte od. dgl. sein. Es kann mehrere Stellgrößen und damit Regler in einer Struk¬ tur geben. Dabei arbeiten die Regler bei diskontinuierlichen Prozessen, d.h. sog. "Batch-Prozessen" , im Takt des Batches, wogegen bei kontinuierlichen Prozessen ein fester Takt vorge¬ geben wird.
Bei dem anhand Figur 1 beschriebenen Verfahren können nicht nur lineare Offsets, sondern auch andere nichtlineare Korrek¬ turen direkt an der Berechnungsmethode vorgenommen werden. Beispielsweise bei Neuronalen Netzen kann z.B. eine AufSchal¬ tung einer Korrektur an einem beliebigen Neuron eines Neuro¬ nalen Netzes oder an einem Parameter der Berechnungsmethode erfolgen. Damit kann diese Vorgehensweise zum Trainieren von Berechnungsmethoden direkt online bei industriellen Anlagen eingesetzt werden. Die Stellgrößevorgabe kann in der Lern¬ phase beispielsweise durch den Bediener der Anlage erfolgen.
Während Figur 1 auf einen allgemeinen Anwendungsfall bei einem nicht spezifizierten Produktionsprozeß abgestellt ist, geht Figur 2 direkt auf die Kochzeitberechnung für die Zell¬ stoffkochung im Rahmen der Papierherstellung ein.
Die Zellstoffkochung bei der Papierherstellung stellt im all- gemeinen einen diskontinuierlichen Prozeß dar, wobei die
Prozeßführung der chemischen Reaktion von Bedeutung ist. Bei diesem Prozeß wird durch ein beliebiges Verfahren ein Koch¬ zeitsollwert vorgegeben, mit dem die Kochung durchgeführt wird. Nach erfolgter Kochung wird aus der Kochzeit und der gemessenen Qualität eine ideale Kochzeit für das voraus¬ gehende "Batch" berechnet.
Entsprechend dem allgemeinen Fall der Figur 1 ist jeder zur Auswahl stehenden Prozeßführungsmethode ein eigener Regler zugeordnet. Dieser Regler vergleicht die von der Prozeßfüh¬ rungsmethode für den vergangenen Batch berechnete Kochzeit mit der idealen Kochzeit für dieses Batch und ändert dement¬ sprechend seinen Ausgang. Die Summe aus Reglerausgang und dem Ausgang des der Prozeßführungsmethode zugeordneten Modells oder Neuronalen Netzes bildet den Stellausgang der Prozeßfüh- rungsmethode. Dieser Ausgang steht als Kochzeitsollwert für das aktuelle Batch zur Auswahl und bildet bei der nächsten Reglerbearbeitung den Vergleichswert für die ideale Kochzeit.
In der Figur 2 stellen 11 bis 13 Wahlschalter einer allgemei¬ nen Schnittstelle I dar, über welche die Kochzeiten eingege¬ ben werden können. Schalter 11 und 12 sind für manuelle Wahl bzw. für eine modellgestützte Wahl vorgesehen, während Schal¬ ter 13 hier für ein Neuronales Netz ausgelegt ist. Nach Durchlaufen des Prozesses, der durch den Block 15 verdeut¬ licht ist, werden z.B. im Labor die Meßwerte für die Produkt¬ qualität ermittelt und einer Einheit 16 zur Idealzeitermitt¬ lung zugeführt. Anhand der Werte für Cmeß_ und der zugehöri¬ gen Sollwerte Cso_]_ und Hinzuführen von entsprechenden Koch- Zeitkonstanten tjζ, die aus einem Modell abgeleitet werden, wird ein Zeitfehler ermittelt, welcher in Addition mit der tatsächlich verwendeten Kochzeit tjζQch die ideale Kochzeit ideal ergibt. Die ideale Kochzeit wird zum Regler 10 zurück¬ geführt.
Beispielsweise erfolgt die Kochzeitberechnung durch ein selbstlernendes Neuronales Netz: Hierzu ist eine Einheit 20 angegeben, welche vor der Schnittstelle I liegt und über Wahlschalteinheit 13 eingebbar ist. Wesentlich ist nun, daß der Regler 10 mit üblichen Komponenten und Regelstrecke der Einheit für das neuronale Netz 20 parallelgeschaltet ist und dieses flankierend ergänzt. Als Regelgrößen werden dabei der Ausgangswert t^ethode' welcher über das neuronale Netz ermit¬ telt wird, und die mit den Laborwerten bzw. die in der Re¬ cheneinheit 16 ermittelte Zeit ti^eal eingegeben. Daraus läßt sich eine Offset-Zeit Δt ermitteln, welche dem errechneten Signal des Modells bzw. des Neuronalen Netzes 20 aufgeschal¬ tet wird. Statt des Neuronalen Netzes 20 kann das Modell auch durch Fuzzy-Systeme mit einem Fuzzy-Modell und einer Fuzzy- Control-Einheit realisiert werden
Der Regler 10 beeinflußt also abhängig von den Meßwerten der
Produktqualität, d.h. beispielsweise der Permanganatzahl bei der Kochung im Rahmen der Papierherstellung, direkt die Aus¬ gangsgröße des Modells. Damit ist eine schnelle Anpassung mit einem Offset zur Ausgangsgröße gegeben. Daneben kann das Neu- ronale Netz 20 aus dem gesamten Meßwertsatz seine Parameter schrittweise erlernen. Dadurch ergänzen sich das Neuronale Netz 20 und Regler 10 beim Ausgleich von Qualitätsabweichun¬ gen, so daß ein erheblich schnellerer Lernvorgang möglich ist .
Die errechnete Kochzeit trechen einschließlich des Offset- Wertes wird nach der Aufaddierung parallel in den Rechner 10 zurückgeführt. Die Kochzeit t^och wird im Summationsglied 18 mit dem berechneten Wert Δt zur Bildung von t dea]_ aufsum- miert. Während das Ausführungsbeispiel der Zellstoffkochung das be¬ schriebene Verfahren bzw. die zugehörige Schaltung an einem diskontinuierlichen Prozeß verdeutlicht, ist im Prinzip das gleiche Verfahren auch für kontinuierliche Prozesse bei der Papierherstellung anwendbar. In jedem Fall kommt bei gleich¬ zeitiger Anwendung von unterschiedlichen Modellen eine solche Reglerstruktur zur Anwendung, die durch Anpassung der Regler¬ ausgänge an die unterschiedlichen Modelle eine gleichzeitige Adaption aller Steuerverfahren und ein stoßfreies Umschalten zwischen diesem Verfahren ermöglicht.
Figur 3 zeigt beispielhaft die Adaption eines Fuzzy-Systems mit einem Regler. Der Sollwert für wichtige Prozeßgrößen, z.B die wesentliche Produktqualität Q(t), wird neben anderen Meß- großen aus dem Prozeß gemäß Block 35 auf ein Fuzzy-Modell 30 geschaltet. Der vom Fuzzy-Modell 30 berechnete Ausgang, der Stellwert Yf wird mit dem Offset additiv beaufschlagt und zum Prozeß durchgeschaltet. Wahlweise kann aber auch nach einer anderen Methode der Stellwert Yp für den Prozeß, z.B per Hand mittels eines Schalters 31 vorgegeben werden. Als Ergebnis der Stellhandlung liefert der Prozeß 35 die Produktqualität Q(t) . In einer Rückführung des Qualitätssignals wird ein Soll-/Ist-Vergleich vorgenommen und die Differenz ΔQ auf ein Referenzmodell entsprechend Block 25 geführt, wobei aus der Abweichung im Sollwert der Stellwertfehler ΔY berechnet wird. Aus der Stellwertabweichung wird mit dem zum Prozeß 25 durch¬ geschalteten Stellwert Yp der „ideale Stellwertausgang" Yi, mit dem die gewünschte Produktqualität Q(t) hätte erreicht werden können, berechnet. Dieser ideale Stellwert Yi wird mit dem vom Fuzzy-Modell 30 berechneten und kompensierten Stell- wert Yfp verglichen und die Abweichung auf den Regler 10 ge¬ schaltet, der einen neuen Offset berechnet.
Alternativ kann entsprechend Fall B auch der Offset als eine Art „Regelabweichung" als zusätzlicher Eingang auf das Fuzzy- Modell 30 geschaltet werden. Mit Hilfe entsprechender Fuzzy- Regeln wird im Fuzzy-Modell 30 eine Korrektur des Ausgangs vorgenommen, die auch nichtlinear sein kann. Der Regler 10 hat einen dynamischen Anteil, der so lange arbeitet, bis die Regelabweichung Null ist.
Statt des Stellwertes Yi kann am Ausgang des Fuzzy-Modells 30 auch ein prozeßinterner Sollwert auf einen unterlagerten Regler benutzt werden. Das Fuzzy-Modell 30 beinhaltet den statischen Anteil, während der Regler 10 den dynamischen Anteil übernimmt .
Fuzzy Modelle, die bekanntermaßen vom Grundkonzept her nicht dynamisch sind, erhalten also durch die Anordnung gemäß Figur 3 eine Dynamik. Damit lassen sich nunmehr Fuzzy-Modelle auf dynamische Prozesse anwenden. Vorteilhaft können Quälitäts- parameter in einem kontinuierlichen Prozeß geregelt werden. Ebenso wie Fuzzy-Modelle können in der in Figur 3 beschriebe¬ nen Weise auch Neuronale Netze eingesetzt werden.
Ein weiteres Beispiel ist die Qualitätskontrolle an einer Papiermaschine. Die Papierqualität, gekennzeichnet durch den CMT-Wert, einem Festigkeitskennwert, kann in seiner Abhängig- keit von den Prozeßwerten mit einem Neuronalen Netz beschrie¬ ben werden. Eine wichtige Stellgröße für den Fertigungsprozeß ist dabei die Leimmenge, die auf das Papier aufgetragen werden muß.
Ein entsprechend trainiertes Neuronales Netz, das neben dem CMT-Wert weitere den Fertigungsprozeß einerseits und die dabei verwendeten Rohstoffe andererseits charakterisierende Prozeßgrößen benutzt, modelliert die optimale Zellstoffmenge. Die schwankenden Rohstoffqualitäten, beispielsweise wenn Altpapier als Rohstoff für die Papierherstellung eingesetzt wird, verursachen Abweichungen in der Festigkeit. Speziell die in Figur 4 dargestellte Anordnung der RegleraufSchaltung auf ein Fuzzy-Prozeß-Modell gleicht solche Schwankungen be¬ sonders vorteilhaft aus. In Figur 4 ist dargestellt, daß ein simulatives Prozeßmodell, das beispielhaft als Fuzzy-Prozeß-Modell 40 realisiert ist, mit dem vorstehend beschriebenen Verfahren aktualisiert werden kann. Ein Prozeß ist hier durch die Einheit 35 ver- deutlicht und führt zu einem Qualitätswert Q(t) des Produk¬ tes, wobei insbesondere Rohstoffkennwerte eine Rolle spielen. Das Fuzzy-Prozeß-Modell 40 führt zu einer Qualitätsvorhersage Q', wobei hier alternativ die Rohstoffkennwerte und Proze߬ meßgrößen des Prozesses 35 oder über Schalter 41, 42 per Hand eingebbare Werte eingehen. Nach Vergleich der Werte Q(t) und Q' im Differenzglied 46 wird der sogenannte Modellfehler über den Regler 10 als Offset auf den Ausgangswert des Proze߬ modells mit einem Summationsglied 47 aufgeschaltet. Mit dem Schalter 44 ist auch eine manuelle Simulation zur Erzeugung des Offsets möglich.
Erprobungen bei der Papierherstellung haben bestätigt, daß die Führung der Produktionsanlagen mit dem beschriebenen Verfahren sicherer als das herkömmliche Verfahren ist. Außer bei dem beschriebenen diskontinuierlichen Prozeß der Zell- stoffkochung einerseits und den kontinuierlichen Prozessen bei der Papierfertigung andererseits kann das Verfahren gegebenenfalls auch auf anderen Anwendungsgebieten eingesetzt werden. In allen Anwendungsbeispielen lassen sich folgende Vorteile der Reglerkompensation von Modellen aufzeigen:
1. Durch die vorgegebene Reglerstruktur sind Modellanpassun¬ gen einfach auszuführen. Auf die spezielle, zu kompensie¬ rende ModellStruktur braucht wenig Rücksicht genommen werden. Besonders vorteilhaft ist das Verfahren dadurch für Automatisierungssysteme, die vorkonfektionierte Regler besitzen.
2. Sie Modelladaption kann nachträglich eingebracht werden. 3. Selbst nach längeren Betreiben des Modells ohne automa- tische Kompensation kann die Kompensation stoßfrei zuge¬ schaltet werden, da die Modelladaption unabhängig von der Prozeßdurchschaltung ihres Ausganges lernt bzw. adaptiert. 4. Strukturumschaltungen in den Modellen, z.B. von Neuronalen Netzen auf Fuzzy-Modelle ist stoßfrei möglich, da für jedes Modell und jeden Modellausgang ein eigener Regler zur Adaption verwendet werden kann. 5
Bei der Inbetriebnahme von Neuronalen Netzen kann mit der vorstehend beschriebenen Methode das Erstellen und Herausfin¬ den der endgültigen Netzstruktur vereinfacht werden, zumal häufig die Prozeßdynamik noch gar nicht bekannt ist. Das '10 Risiko mit einem schlecht trainierten Netz, d.h. mit unsiche¬ ren oder im Umfang unzureichenden Trainingsdaten, das Proze߬ verhalten nicht zufrieden wiedergeben zu können, ist nunmehr erheblich reduziert. Der Regler kann sich schnellen Änderun¬ gen anpassen, bis das Modell die komplexen Zusammenhänge ge- 15 lernt hat. Das Modell zieht Schritt für Schritt nach, wobei im gleichen Maße der Regler die Vorsteuerung wegnimmt.

Claims

Patentansprüche
1. Verfahren zur Adaption modellgestützter Steuerungen in Automatisierungssystemen, insbesondere beim Online-Einsatz Neuronaler Netze und/oder Fuzzy-Systemen, g e k e n n ¬ z e i c h n e t durch die Verwendung wenigstens eines zusätzlichen Reglers zur schnellen Offset-Korrektur der modellgestützten Steuerung.
2. Verfahren nach Anspruch 1, d a d u r c h g e k e n n ¬ z e i c h n e t , daß die Zielgröße der modellgestützten Steuerung vom Regler unterstützt ausgeregelt wird, während das Modell an neue Arbeitspunkte und komplexere Zusammenhänge angepaßt wird.
3. Verfahren nach Anspruch 2, d a d u r c h g e k e n n ¬ z e i c h n e t , daß der Regler schnelle Änderungen aus¬ regelt, bis in das Modell die komplexeren Zusammenhänge ein¬ gearbeitet sind, und daß der Regler anschließend die Vor- Steuerung wegnimmt.
4. Verfahren nach einem der Ansprüche 1 bis 3, unter Verwen¬ dung eines Neuronalen Netzes als modellgestützte Steuerung in einem Automatisierungssystem, d a d u r c h g e k e n n - z e i c h n e t , daß der Mittelwert der Ausgangsgröße des Neuronalen Netzes der mittleren Abweichung vom Sollwert ange¬ paßt wird.
5. Verfahren nach Anspruch 4, d a d u r c h g e k e n n - z e i c h n e t , daß mittels des Reglers Abweichungen des
Neuronalen Netzes online ausgeglichen werden, bis das Neu¬ ronale Netz durch Training außerhalb des Automatisierungs- systems aktualisiert ist.
6. Verfahren nach einem der Ansprüche 1 bis 3, unter Verwen¬ dung eines Fuzzy-Systems als modellgestützte Steuerung in einem Automatisierungssystem, d a d u r c h g e k e n n - z e i c h n e t , daß der Mittelwert der Ausgangsgrößen des Fuzzy-Systems der mittleren Abweichung vom Sollwert angepaßt wird.
7. Verfahren nach Anspruch 6, d a d u r c h g e k e n n ¬ z e i c h n e t , daß mittels des Reglers Abweichungen des Fuzzy-Systems online ausgeglichen werden.
8. Verfahren nach einem der vorhergenden Ansprüche, g e - k e n n z e i c h n e t in der Anwendung bei der Papier¬ herstellung.
9. Verfahren nach Anspruch 8, d a d u r c h g e k e n n ¬ z e i c h n e t , daß zur Kochzeitberechnung ein Offset- Ausgleich durch Idealzeitermittlung und RegleraufSchaltung erreicht wird.
10. Verfahren nach Anspruch 9, d a d u r c h g e ¬ k e n n z e i c h n e t , daß zur Qualitätskontrolle an einer Papiermaschine einschließlich der Stoffaufbereitung ein Prozeßmodell, bei dem sich ändernde Stoffeigenschaften Schwankungen in der Qualität hervorrufen, laufend aktuali¬ siert wird.
11. Verfahren nach Anspruch 1, d a d u r c h g e ¬ k e n n z e i c h n e t , daß bei gleichzeitiger Anwendung von unterschiedlichen Modellen und/oder Neuronalen Netzen und/oder Fuzzy-Systemen eine Reglerstruktur angewendet wird, die durch Anpassung der Reglerausgänge an die unterschiedli- chen Modelle eine gleichzeitige Adaption aller Steuerverfah¬ ren und ein stoßfreies Umschalten zwischen diesen Verfahren ermöglicht.
12. Verfahren nach Anspruch 11, d a d u r c h g e - k e n n z e i c h n e t , daß bei nichtbekannter Proze߬ dynamik die endgültige Struktur des Neuronalen Netzes und/ oder des Fuzzy-Systems ermittelt wird.
13. Verfahren nach einem der vorhergehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t , daß mehrere durch Regler korrigierte Berechnungsmethoden auswählbar sind.
14. Verfahren nach Anspruch 13, d a d u r c h g e ¬ k e n n z e i c h n e t , daß alle Berechnungsmethoden durch die Regler gleichzeitig korrigiert werden, unabhängig davon, welche Methode auf den Prozeß aufgeschaltet ist.
15. Anordnung zur Durchführung des Verfahrens nach Anspruch 1 oder einem der Ansprüche 2 bis 14, g e k e n n z e i c h ¬ n e t durch eine Recheneinheit (1, 20, 30, 40) und wenig¬ stens einen zusätzlichen Regler (10), die zueinander paral¬ lelgeschaltet sind.
16. Anordnung nach Anspruch 15, d a d u r c h g e ¬ k e n n z e i c h n e t , daß die Recheneinheit (1) das Prozeßmodell simuliert.
17. Anordnung nach Anspruch 15, d a d u r c h g e ¬ k e n n z e i c h n e t , daß die Recheneinheit ein Neuronales Netz (20) ist.
18. Anordnung nach Anspruch 15, d a d u r c h g e - k e n n z e i c h n e t , daß die Recheneinheit ein Fuzzy- System (30, 40) ist.
19. Anordnung nach Anspruch 15, d a d u r c h g e ¬ k e n n z e i c h n e t , daß der Regler (10) einen Integralanteil hat.
PCT/DE1995/001155 1994-08-29 1995-08-29 Verfahren zur schnellen adaption modellgestützter steuerungen und zugehörige anordnung WO1996007126A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE4430624 1994-08-29
DEP4430624.5 1994-08-29

Publications (1)

Publication Number Publication Date
WO1996007126A1 true WO1996007126A1 (de) 1996-03-07

Family

ID=6526825

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE1995/001155 WO1996007126A1 (de) 1994-08-29 1995-08-29 Verfahren zur schnellen adaption modellgestützter steuerungen und zugehörige anordnung

Country Status (1)

Country Link
WO (1) WO1996007126A1 (de)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19641431A1 (de) * 1996-10-08 1998-04-16 Siemens Ag Verfahren und Einrichtung zur Identifikation bzw. Vorausberechnung von Prozeßparametern eines industriellen zeitvarianten Prozesses
DE19641432A1 (de) * 1996-10-08 1998-04-23 Siemens Ag Verfahren und Einrichtung zur Vorausberechnung von vorab unbekannten Parametern eines industriellen Prozesses
DE19752358A1 (de) * 1997-11-26 1999-05-27 Siemens Ag Fuzzy-System
DE102009026987A1 (de) * 2009-06-17 2011-08-04 manroland AG, 63075 Rollendruckmaschine und Verfahren zum Betreiben dieser

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1993000618A1 (en) * 1991-06-24 1993-01-07 Massachusetts Institute Of Technology Stable adaptive neural network controller
WO1995014277A1 (en) * 1993-11-17 1995-05-26 Grumman Aerospace Corporation Stabilized adaptive neural network based control system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1993000618A1 (en) * 1991-06-24 1993-01-07 Massachusetts Institute Of Technology Stable adaptive neural network controller
WO1995014277A1 (en) * 1993-11-17 1995-05-26 Grumman Aerospace Corporation Stabilized adaptive neural network based control system

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
D. OBRADOVIC ET AL.: "NEURAL NETWORKS FOR INDUSTRIAL PROCESS CONTROL: APPLICATION IN PULP PRODUCTION", PROCEEDINGS OF SIXTH INTERNATIONAL CONFERENCE ON NEURAL NETWORKS AND THEIR INDUSTRIAL AND COGNITIVE APPLICATIONS, 25 September 1993 (1993-09-25) - 29 September 1993 (1993-09-29), NIMES FR, pages 25 - 32 *
H.GOMI, M.KAWATO: "NEURAL NETWORK CONTROL FOR A CLOSED-LOOP SYSTEM USING FEEDBACK-ERROR-LEARNING", NEURAL NETWORKS, vol. 6, no. 7, OXFORD GB, pages 933 - 946, XP000412014 *
HIROAKI GOMI ET AL: "RECOGNITION OF MANIPULATED OBJECTS BY MOTOR LEARNING WITH MODULAR ARCHITECTURE NETWORKS", NEURAL NETWORKS, vol. 6, no. 4, 1 January 1993 (1993-01-01), pages 485 - 497, XP000361792 *
J.-Y. DIEULOT, L. DUBOIS, P. BORNE: "COMPOSITE FUZZY-CONVENTIONAL CONTROLS", 1993 INTERNATIONAL CONFERENCE ON SYSTEMS, MAN AND CYBERNETICS, vol. 4, LE TOUQUET FR, pages 687 - 695, XP000467643 *
TARIQ SAMAD: "NEUROCONTROL: CONCEPTS AND APPLICATIONS", 1992 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN, AND CYBERNETICS, vol. 1 OF 2, 18 October 1992 (1992-10-18), CHICAGO US, pages 369 - 374, XP000366511 *
VOS D W ET AL: "INTELLIGENT MODEL REFERENCE NONLINEAR FRICTION COMPENSATION USING NEURAL NETWORKS AND LYAPUNOV BASED ADAPTIVE CONTROL", PROCEEDINGS OF THE INTERNATIONAL SYMPOSIUM ON INTELLIGENT CONTROL, no. -, 13 August 1991 (1991-08-13), ARLINGTON US, pages 417 - 422 *
WILHELMSEN K ET AL: "NEURAL NETWORK BASED CONTROLLERS FOR A SINGLE-DEGREE-OF-FREEDOM ROBOTIC ARM", INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS, vol. 3, 17 June 1990 (1990-06-17), SAN DIEGO US, pages 407 - 413 *
ZHOU J ET AL: "FUZZY CONTROL OF ROBOTS", PROCEEDINGS OF THE INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS, 8 March 1992 (1992-03-08), SAN DIEGO US, pages 1357 - 1364, XP000343012 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19641431A1 (de) * 1996-10-08 1998-04-16 Siemens Ag Verfahren und Einrichtung zur Identifikation bzw. Vorausberechnung von Prozeßparametern eines industriellen zeitvarianten Prozesses
DE19641432A1 (de) * 1996-10-08 1998-04-23 Siemens Ag Verfahren und Einrichtung zur Vorausberechnung von vorab unbekannten Parametern eines industriellen Prozesses
DE19641432C2 (de) * 1996-10-08 2000-01-05 Siemens Ag Verfahren und Einrichtung zur Vorausberechnung von vorab unbekannten Parametern eines industriellen Prozesses
US6473658B1 (en) 1996-10-08 2002-10-29 Siemens Aktiengesellschaft Process and device for identification or pre-calculation of parameters of a time-variant industrial process
KR100498151B1 (ko) * 1996-10-08 2005-09-08 지멘스 악티엔게젤샤프트 산업프로세스의미리공지되지않은파라미터를사전계산하기위한방법
DE19752358A1 (de) * 1997-11-26 1999-05-27 Siemens Ag Fuzzy-System
DE102009026987A1 (de) * 2009-06-17 2011-08-04 manroland AG, 63075 Rollendruckmaschine und Verfahren zum Betreiben dieser

Similar Documents

Publication Publication Date Title
DE2735012C2 (de)
DE69823049T2 (de) Modellfreie adaptive prozesssteuerung
DE3650164T2 (de) Prozessregler mit einem System zur Einstellung mit zwei Freiheitsgraden.
AT512251B1 (de) Verfahren zum Entwerfen eines nichtlinearen Reglers für nichtlineare Prozesse
DE112015003733T5 (de) Modellprädiktive Regelung unter Verwendung drahtloser Prozesssignale
DE10341573A1 (de) Integrierte modellbasierte prädikative Steuerung und Optimierung innerhalb eines Prozesssteuerungssystems
WO1995027930A1 (de) Einrichtung zur kompensation von nichtlinearitäten an maschinenachsen
EP3376626B1 (de) Verfahren zur regelung der wirkleistungsabgabe eines windparks sowie ein solcher windpark
EP0520233B1 (de) Einrichtung zur Identifikation einer Übertragungsstrecke
EP0706680B1 (de) Regeleinrichtung, insbesondere für einen nichtlinearen, zeitvarianten prozess
EP0998700A2 (de) Verfahren zur generierung von ankopplungsbahnen, verwendbar zur führung eines fahrzeugs zu einer vorgegebenen zielbahn
EP3376026B1 (de) Verfahren zur regelung der wirkleistungsabgabe eines windparks sowie ein entsprechender windpark
WO1996007126A1 (de) Verfahren zur schnellen adaption modellgestützter steuerungen und zugehörige anordnung
DE1523535C3 (de) Selbstanpassender Regelkreis
WO2019002587A1 (de) Regelungseinheit, mechatronisches system und verfahren zum regeln eines mechatronischen systems
EP3542229B1 (de) Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung
EP0752630A1 (de) Selbsteinstellbare Regeleinrichtung und Verfahren zur Selbsteinstellung dieses Reglers
DE102019206541A1 (de) Verfahren zum Durchführen von computerunterstützten XiL-Simulationen
DE3500482C2 (de)
DE102011076969A1 (de) Verfahren zum rechnergestützten Lernen einer Regelung und/oder Steuerung eines technischen Systems
DE102018215089A1 (de) Automatisierte Parametrierung eines Reglers
WO1994028470A1 (de) Regeleinrichtung
EP0854953B1 (de) Verfahren zur bestimmung des endpunktes der zellstoffkochung und anordnung zum steuern der kochzeit bei der zellstoffkochung in einem reaktor
DE19748718A1 (de) Regler - Selbsteinstellungseinrichtung auf der Grundlage Neuronaler Netze
DE4240788A1 (de) Regler

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): FI NO

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH DE DK ES FR GB GR IE IT LU MC NL PT SE

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
121 Ep: the epo has been informed by wipo that ep was designated in this application
122 Ep: pct application non-entry in european phase