WO2015039788A1 - Verfahren zur optimierung der leistungsfähigkeit eines turbulenten oder chaotischen system mittels genetischer programmierung - Google Patents

Verfahren zur optimierung der leistungsfähigkeit eines turbulenten oder chaotischen system mittels genetischer programmierung Download PDF

Info

Publication number
WO2015039788A1
WO2015039788A1 PCT/EP2014/065889 EP2014065889W WO2015039788A1 WO 2015039788 A1 WO2015039788 A1 WO 2015039788A1 EP 2014065889 W EP2014065889 W EP 2014065889W WO 2015039788 A1 WO2015039788 A1 WO 2015039788A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensors
actuators
control
performance
law
Prior art date
Application number
PCT/EP2014/065889
Other languages
English (en)
French (fr)
Inventor
Markus Wilhelm Abel
Marc Robert Jean-Claude Segond
Bernd Rainer Noack
Original Assignee
Ambrosys GmbH
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 Ambrosys GmbH filed Critical Ambrosys GmbH
Publication of WO2015039788A1 publication Critical patent/WO2015039788A1/de

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive 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

Definitions

  • the invention relates to methods for optimizing the performance of a turbulent or chaotic system using one or more sensors and one or more actuators, the sensors determining the state of the system and the actuators being capable of causing changes in the state of the system.
  • F -k x
  • k is a constant parameter which describes the properties of the spring (spring constant)
  • x the distance by which the spring was tensioned.
  • a Regelpro / esses to a setpoint sensors are used, which measure the state of the system.
  • the state of the system deviates from the setpoint.
  • an actuator is actuated, with which the state can be changed.
  • a one-dimensional example is, for example, a temperature control.
  • a thermometer measures the temperature, and if it is too low, activates an alarm, which raises the temperature.
  • the required regulatory law is very simple.
  • Another task of the controller design is the optimization of a cost function. For example, you can use actuators and sensors on a car to reduce drag. The goal is the lowest possible resistance. The limitation of the achievable drag reduction results from the limitation of the actuation energy and the flow physics.
  • DE 102 011075 337 A1 describes a method for controlling a system on the basis of state estimation, e.g. Markov states. An optimization strategy is used for this.
  • DE 102 011079433 A1 describes a method for controlling at least one rotor blade of a wind turbine with a prognosis model, which is based on Markov conditions.
  • Genetic programming is a learning algorithm. With the algorithm - without a model is used for the description of the system - a control law selected from a variety of possible control laws. The selection is made during a training or learning process. If the best control law is found, it can be used in the regular case without having to find a model at any time. Unlike known methods, the present invention operates model-free. No state estimation is needed. Genetic programming is another evolutionary algorithm in which there is a law of regulation rather than just an actuation sequence.
  • Genetic programming is a technique of machine learning to find non-linear solutions for a control process.
  • Alternative techniques may be, for example, neural networks, although this may also be considered a special case for genetic programming. Consequently, the most general and therefore most powerful technology is used.
  • genetic programming is more flexible than other techniques. This allows the use of a wide variety of functions to construct the rule law. In this sense, the function space can be well designed as a search space. Genetic programming is very efficient if the entire search space is to be examined in a thorough but resource-efficient manner. The method is based on the Darwinian principle of natural selection. A population of possible problem solutions (the rule laws) are developed evolutionarily by eg crossing and mutation.
  • the system may be an id-mechanical system. 1 1 u median i systems are characterized by this. that in applications in engineering or in the medical field a natural cost functional for the optimization is present, eg resistance reduction in the automobile. Boost lift on the wing, noise reduction in transport systems of all kinds, we see sacred in the reactor or regular breathing in artificial respiration.
  • the system can be a ship, motor vehicle, rail vehicle, aircraft or another means of locomotion.
  • These applications are complex, have high economic importance and the optimization has great environmental benefits.
  • the system may also be an internal combustion engine or a reactor. Unlike many other systems, a turbulence intensity should be as large as possible and not avoided.
  • the sensors may be selected from the group: pressure sensors, speed sensors, wall shear voltage sensors, temperature sensors, cameras with imaging measurement methods and acoustic sensors.
  • Pressure sensors and speed sensors can be very robust and reliable under outdoor conditions, e.g. Flight in the atmosphere, work.
  • Wall shear stress sensors may cause indoor stalling, e.g. Detect air conditioners.
  • Cameras can detect large-scale flow characteristics under laboratory conditions. Temperature and acoustic sensors are suitable for example in combustion processes. It is understood that other sensors can be used with other systems.
  • actuators may be provided whose type, size, position, number and other properties depend on the type of system and the property representing the performance.
  • the actuators can be selected from the group: valves, flaps, zero net mass flux actuators, piezo elements, plasma actuators and membranes.
  • Valve-based actuators that operate exclusively with purging have the advantage of a low level Pollution during long-term use.
  • Zero-Net Mass Flux actuators that suck and blow manipulate the flow in a very energy efficient way. Controllable diaphragm. Flaps and piezo elements can be very effective under special conditions.
  • membranes in suppression of Tollmien-Schlichting instabilities, anti-reflux valves, and piezoelectric elements have a low actuation amplitude but a wide frequency range.
  • Plasma actuators have a wide frequency range and are flexible for low flow rates.
  • different properties can describe the performance.
  • the performance of a vehicle can be described inter alia by the air resistance or the I ?autSystem. Reactors are described, for example, by the mixing efficiency or the chemical reaction efficiency. Other systems have high performance if they produce only low mechanical vibrations.
  • Other properties are buoyancy, such as aircraft, the magnitude of lateral forces, torques, and the like.
  • the invention is particularly advantageous if it is provided that the system is a biomedical system, a financial system or other business or economic system, a weather or air conditioning system or a production plant.
  • Fig. 1 is a flow chart illustrating an optimization process for the control of turbulent or chaotic systems.
  • Fig. 2 is a flowchart illustrating the control for turbulent or chaotic systems having the best control law after the learning phase. 3 shows an aircraft wing with actuators and sensors for optimizing the
  • FIG. 5 shows the experimental result of an optimization
  • FIG. 1 illustrates the operation of a method for optimizing the performance of a turbulent system, generally indicated at 2.
  • Reference numeral 4 denotes sensors.
  • Reference numeral 6 denotes a control unit with control law.
  • Reference numeral 8 denotes actuators.
  • Denoted at 10 is a cost functional.
  • Figure 12 illustrates machine learning through genetic programming.
  • a dotted line 100 shows the interface / wiper control by software and the system of hardware or software.
  • the system 2 has one or more sensors 4.
  • the sensors 4 detect a property of the system state.
  • the property for example a physical value, is transmitted as a sensor signal to a control unit 6.
  • the control unit is a computer with the corresponding control laws. This can be done via cable or wirelessly using a suitable transmitter.
  • the signals are represented by an arrow 14.
  • actuators 8 are also provided in the system 2.
  • the actuators 8 can be controlled on or off or in groups.
  • a controller 6 is provided for generating control signals.
  • the control signals are through represents an arrow 1 6. Which actuators are activated to what extent is determined by the control unit 6 from the transmitted sensor signals in accordance with a control law.
  • the law of rules is the result of an evolutionary algorithm, namely genetic programming, which was selected as the best law of control during a learning process prior to the system's use of a multiplicity of rules of law. With this control law, a desired state can be achieved by operating the actuators according to the control law. A description of the system through a model is not required.
  • Genetic programming initially creates a population of rule laws using a predefined set of functions and terms. These control laws are tested on the basis of the experiment or a numerical simulation by the control unit. This is represented in FIG. 1 by component 6. A fitness value, which is a measure of performance, is assigned to each control law via the cost function. This is designated by reference numeral 10. Then genetic operations such as e.g. Mutation and crossing applied to these regulatory laws to create a new population of the same size as the previous one. This procedure, i. Testing and evolution of the rule laws is iterated until an optimal or nearly optimal rule law is found as a solution to the set control problem.
  • FIG. 3 shows an aircraft wing, which is designated generally by 110.
  • the aircraft wing 110 represents one of the systems described above.
  • the performance of the aircraft wing 110 is determined in terms of lift or glide ratio.
  • the glide ratio is the ratio of lift to flow resistance.
  • the aim is to achieve a high lift, ie a good glide ratio, with otherwise the same geometry.
  • the wing therefore has actuators 118 along the upper wing side 27.
  • the actuators are designed as nozzles that periodically suck in air and expel.
  • sensors 112 are arranged. In the present embodiment, the sensors are designed as pressure sensors. With the Pressure sensors 112, the flow along the wing surface can be determined. The sooner the flow breaks off, the lower is the buoyancy.
  • the aim is thus to control the actuators 118 in such a way that the sensors 112 determine as late as possible detachment.
  • the controller and a computer 114 are trained. It is determined by genetic programming, which control law provides the best results.
  • the once established control law is then used in the company.
  • the aircraft are all provided with actuators and sensors to improve performance all, ie not only in test mode, but also in regular operation. These are controlled according to the control law determined by training. In this way, a high buoyancy can be achieved with otherwise identical construction and the energy consumption can be reduced as a result.
  • FIG. 4 shows a wind tunnel with a mixture layer and actuators and sensors for increasing the mixture and fluctuation energy.
  • 100 is designated a test section.
  • Reference numeral 112 denotes a partition plate having actuators in the form of free-jets.
  • 114 denotes sensors in the form of hot wires.
  • 116 denotes a 2D deflection system.
  • 200 denotes a narrowing channel guide.
  • 212 denotes a pulse wire.
  • 300 denotes a settling chamber.
  • 302 denotes foam.
  • 304 denotes a honeycomb grid.
  • 306 is a turbulator.
  • 400 illustrates the flow guide in non-scale representation. 412 denotes a perforated cone. 512 denotes a flow inlet. 514 denotes fans.
  • the regulation of the mixture layer takes place in a test section 100, which is shown in FIG.
  • the flow is manipulated with actuators 112 at the edge of the divider plate.
  • the actuators 112 are an equidistant array of free jets blowing in parallel to the flow and controlled by on-off valves with pressure supply (not shown).
  • the flow is monitored by sensors 114 which consist of a transverse hot wire arrangement with 24 hot wires.
  • the sensor locations may be changed by a 2D transversing system 116.
  • the fluid exits the wind tunnel in diffuser 600.
  • Di fusor 600 has perforated walls.
  • the fluid enters the wind tunnel through the inlet section 512.
  • the flow velocity in the upper and lower portions of the mixture layer is driven by two fans 512 arranged side by side.
  • the amount of fluctuation by said actuators is changed by a control logic described above by connecting a data acquisition system with actuators and sensors.
  • the control by machine learning takes place as described with reference to FIGS. 1 and 2.
  • the cost functional to be minimized was chosen as the inverse of the magnitude of the fluctuations, recorded and monitored by the sensors. This magnitude of the fluctuations is the sum of the short-term variances of the speeds. which are measured with the sensors.
  • the actuation is characterized by a single input size. In the example, all free jets blow at the same time or are switched off at the same time.
  • the mechanical learning of the law of control is here based on 100 individuals.
  • An individual is a rule.
  • the initial population consists of randomly selected control laws of a suitably chosen l 'unkomenraum.
  • the next populations are optimized for genetic engineering using the mentioned cost function.
  • Figure 5 shows the best cost functionalities determined by the corresponding control law of each generation.
  • the cost functional is constant or decreases with increasing generation depth. After 12 generations it corresponds to a fluctuation strength which is greater than that of the best open-loop actuation for the same experiment with the same marginal and boundary conditions.
  • Embodiment 3 Stabilization of the heartbeat
  • a pacemaker is used to control the heart with actuators by electrical stimulation and sensors for heart signals. This is done especially in cases where irregularities occur.
  • the regulation is effected by electrical stimulation, also called actuation, which can be very unpleasant for the wearer of the cardiac pacemaker. In critical areas, the heart may no longer be stabilized.
  • This control can be optimized by using nonlinear methods. As a result, even critical states can be regulated. The regulation is more pleasant way.

Landscapes

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

Abstract

Ein Verfahren zur Optimierung der Leistungsfähigkeit eines turbulenten oder chaotischen Systems (2) unter Verwendung eines oder mehrerer Sensoren (4), einer Regeleinheit mit einem Regelgesetz (6) und eines oder mehrerer Aktuatoren (8), wobei die Sensoren den Zustand des Systems ermitteln und mit den Aktuatoren Änderungen des Zustands des Systems hervorrufbar sind, wobei ein Regelgesetz (6) ausgewählt wird, mit welcher der Betrieb der Aktuatoren in Abhängigkeit der Sensorsignale beschrieben wird, und das Regelgesetz mittels genetischem Programmieren evolviert wird. Das System kann ein mechanisches System, ein Kraftfahrzeug, eine Verbrennungmaschine, ein Reaktor, ein biomedizinisches System, ein Finanzsystem oder eine Produktionsanlage sein.

Description

Patentanmeldun g
VERFAHREN ZUR OPTIMIERUNG DER LEISTUNGSFÄHIGKEIT EINES TURBULENTEN ODER CHAOTISCHEN SYSTEM MITTELS GENETISCHER PROGRAMMIERUNG
Technisches Gebiet
Die Erfindung betrifft Verfahren zur Optimierung der Leistungsfähigkeit eines turbulenten oder chaotischen Systems unter Verwendung eines oder mehrerer Sensoren und eines oder mehrerer Aktuatoren, wobei die Sensoren den Zustand des Systems ermitteln und mit den Aktuatoren Änderungen des Zustands des Systems hervorrufbar sind.
Es gibt physikalische und andere Systeme, die sich durch ein Modell beschreiben lassen. Die Rückstellkraft F einer Feder lässt sich beispielsweise in erster Näherung durch eine lineare Gleichung beschreiben: F = - k x, wobei k ein konstanter Parameter ist, der die Eigenschaften der Feder beschreibt (Federkonstante) und x die Strecke, um welche die Feder gespannt wurde. Diese erste Näherung gilt nur für kleine Strecken. Bei größeren Strecken müssen nichtlineare Terme berücksichtigt werden.
Ein weiteres wichtiges Beispiel sind fluide Systeme, die durch die Navier-Stokes- Gleichung beschrieben werden. Diese ist intrinsisch nichtlinear, wodurch auch eine Vielzahl offener Probleme begründet sind. Hier schlagen lineare Ansätze sehr oft fehl und nichtlineare Techniken sind erforderlich, um ein Verständnis des Systemverhaltens zu erreichen. Dies betrifft auch die Regelungstechnik, die zum Ziel hat, durch äußere Beeinflussung einer Strömung, einen besonders günstigen Zustand dauerhaft zu erreichen. Ein Regelprozess verwendet üblicherweise ein solches Modell um das System auf einen Sollwert zu regeln. Die Anzahl der Systeme, die sich mit linearen Modellen realitätsnah beschreiben lassen, ist gering. Systeme mit mehreren Dimensionen sind oft turbulent oder chaotisch und daher nicht verlässlich auf lange Zeit vorhersagbar.
Es gibt eine Vielzahl von Systemen, die hinsichtlich ihrer Leistungsfähigkeit optimiert werden können, wenn ein geeignetes Modell, linear oder nicht-linear, zur Verfügung steht. Dabei wird ein Regelgesetz solange optimiert, bis die Werte, die die Leistungsfähigkeit des Systems repräsentieren, ein Optimum erreichen. Voraussetzung ist dabei immer das Vorliegen eines geeigneten Modells.
Zur Regelung eines Systems mittels eines Regelpro/esses auf einen Sollwert werden Sensoren eingesetzt, die den Zustand des Systems messen. Weicht der Zustand des Systems vom Sollwert ab. wird ein Aktuator betätigt, mit dem der Zustand verändert werden kann. Ein eindimensionales Beispiel ist beispielsweise eine Temperaturregelung. Ein Thermometer misst die Temperatur und wenn diese zu niedrig ist, wird eine I Iei/ung aktiviert, mit welcher die Temperatur erhöht wird. Das hierfür erforderliche Regelgesetz ist sehr einfach. Eine weitere Aufgabe der Reglerauslegung ist die Optimierung eines Kostenfunktionais. Beispielsweise kann man Aktuatoren und Sensoren an einem Auto zur I .u ftwiderstandsreduktion einsetzen. Ziel ist ein möglichst niedriger Widerstand. Die Begren/ung der erreichbaren Widerstandsreduktion ergibt sich aus der Begren/ung der Aktuationsenergie und der Strömungsphysik.
Bei komplexen Systemen lässt sich mit den beschriebenen Verfahren kein zuverlässiges Modell finden und es gibt keine Steuerregel, mit der dieses Modell regelbar ist. Die Luftströmung an einem fahrenden l 'ahr/eug kann /war mit Sensoren erfasst werden und ggf. mittels geeigneter Aktuatoren in der Strömung beeinflusst werden. Es gibt jedoch kein zuverlässiges Modell für die Aussage, welcher Aktuator an welchem Sensor welchen 1 · ffekt auslöst. Die äußere Gestaltung von Kraftfahrzeugen ist daher auf Erkenntnisse aus einfachen Modellen und experimentelle Versuche beschränkt. Line Steuerregel, welche vorgibt, welche Aktuatoren zu betätigen sind um eine höhere Leistungsfähigkeit des Systems zu erreichen, ist somit ebenfalls mangelhaft.
Stand der Technik
DE 69723899 T2 offenbart die Verbesserung eines Herzschrittmachers mit neuronalen Netzen.
DE 102 011075 337 AI beschreibt ein Verfahren zur Ansteuerung einer Anlage auf der Basis von Zustandschätzung, z.B. Markov-Zuständen. Dazu wird eine Optimierung s Strategie eingesetzt.
DE 102 011079433 AI beschreibt ein Verfahren zur Ansteuerung mindestens eines Rotorblatts einer Windturbine mit einem Prognosemodell, welches auf Markov-Zuständen beruht.
Offenbarung der Erfindung
Es ist Aufgabe der Erfindung, ein Verfahren der eingangs genannten Art zu schaffen, mit dem die Leistungsfähigkeit von turbulenten oder chaotischen Systemen besser optimiert werden kann. Erfindung s gemäß wird die Aufgabe dadurch gelöst, dass
(a) ein Regelgesetz ausgewählt wird, mit welchem der Betrieb der Aktuatoren in Abhängigkeit der Sensorsignale beschrieben wird, und
(b) das Regelgesetz mittels genetischem Programmieren evolviert wird.
Genetisches Programmieren ist ein lernender Algorithmus. Mit dem Algorithmus wird - ohne dass ein Modell für die Beschreibung des Systems verwendet wird - ein Regelgesetz aus einer Vielzahl von möglichen Regelgesetzen ausgewählt. Die Auswahl erfolgt während eines Trainings- oder Lernprozesses. Wenn das beste Regelgesetz gefunden wurde, kann dieses im regulären Anwendungsfall eingesetzt werden, ohne dass zu irgendeinem Zeitpunkt ein Modell gefunden werden muss. Anders als bekannte Verfahren arbeitet die vorliegende Erfindung modellfrei. Es wird keine Zustandsschätzung benötigt. Genetisches Programmieren ist ein anderer evolutionärer Algorithmus bei dem sich ein Regelgesetz und nicht nur eine Aktuationssequenz ergibt.
Genetisches Programmieren ist eine Technik des maschinellen Lernens um nichtlineare Lösungen für einen Regelprozess zu finden. Alternative Techniken können z.B. neuronale Netze sein, obwohl dies auch als Spezialfall für genetisches Programmieren betrachtet werden kann. Konsequenterweise wird die allgemeinste und damit mächtigste Technik genutzt. Des Weiteren hat sich gezeigt, dass genetisches Programmieren flexibler ist als andere Techniken. Dies erlaubt die Nutzung einer großen Vielfalt von Funktionen um das Regelgesetz zu konstruieren. In diesem Sinn kann der Funktionenraum als Suchraum gut ausgestaltet werden. Genetisches Programmieren ist sehr effizient, wenn der gesamte Suchraum in einer gründlichen, aber dennoch ressourcenschonenden Art und Weise untersucht werden soll. Die Methode beruht auf dem Darwin schen Prinzip der natürlichen Auslese. Es werden eine Population möglicher Problemlösungen (die Regelgesetze) durch z.B. Kreuzung und Mutation evolutionär entwickelt. Dies tri ft typischerweise auf die vorliegende Problemstellung zu, da aufgrund der exponentiell anwachsenden Menge der kombinatorisch möglichen Lösungen nicht alle möglichen Regelgesetze getestet werden können. Da außerdem die Untersuchung oder der Test eines Regelgesetzes sowohl zeitlich lange als auch teuer sein kann, ist die Technik äußerst gut nutzbar. Das System kann insbesondere ein Π u id-mechan i sches System sein. 1 1 u id- median i sehe Systeme zeichnen sich dadurch aus. dass bei Anwendungen im Ingenieursbereich oder im medizinischen Umfeld ein natürliches Kostenfunktional für die Optimierung vorliegt, z.B. Widerstandsreduktion beim Automobil. Auftriebserhöhung beim Tragflügel, Lärmreduktion bei Transportsystemen jeder Art, M i seh u n s verbe s seru n im Reaktor oder regelmäßige Atmung beim künstlicher Beatmung. Die Strömungen von llu id- mechan i sehen Systemen sind oft turbulent, d.h. sie zeigen ein großes Spektrum von Längenskalen und Frequenzen und nichtlinearen Wee h se 1 w i rk u n en. Durch die Niehtlineari täten der Turbulenz ist die Wirkung von Aktuatoren auf die Strömungen schwierig quantitativ zu modellieren. Deshalb versagen konventionelle Methoden der modellbasierten Reglersynthese. Bei der konventionellen Reglersynthese handelt es sich um Methoden zur Bestimmung des Regelgesetzes. Die hohe technologische Relevanz vieler Π u id- median i scher Systeme und die Komplexität des Strömungsverhaltens macht die hier offengelegten Verfahren zur nichtlinearen Kontrolle besonders interessant.
Insbesondere kann das Π u id-mechan i sehe System ein Schiff, Kraftfahrzeug, Schienenfahrzeug, Flugzeug oder ein anderes Fortbewegungsmittel sein. Diese Anwendungen sind komplex, haben eine hohe wirtschaftliche Bedeutung und die Optimierung hat große positive Auswirkungen auf die Umwelt.
Das System kann aber auch eine Verbrennungsmaschine oder ein Reaktor sein. Anders als bei vielen anderen Systemen soll hier eine Turbulenzintensität möglichst groß und nicht vermieden werden.
Die Auswahl von Art, Position und Anzahl der Sensoren richtet sich nach der Art des Systems und dessen Eigenschaft, welche die Leistungsfähigkeit des Systems beschreibt. Je nach Anwendung können die Sensoren ausgewählt sein aus der Gruppe: Drucksensoren, Geschwindigkeitssensoren, Wandschubspannungssensoren, Temperatursensoren, Kameras mit bildgebenden Messverfahren und akustischen Sensoren. Drucksensoren und Geschwindigkeitssensoren können sehr robust und zuverlässig unter Außenbedingungen, z.B. Flug in der Atmosphäre, funktionieren. Wandschubspannungssensoren können Strömungsabrisse in Innenbereichen, z.B. Klimaanlagen detektieren. Kameras können unter Laborbedingungen großflächig Strömungseigenschaften erfassen. Temperatur- und akustische Sensoren eignen sich zum Beispiel bei Verbrennungsprozessen. Es versteht sich, dass bei anderen Systemen andere Sensoren eingesetzt werden können.
In gleicher Weise können unterschiedliche Aktuatoren vorgesehen sein, deren Art, Größe, Position, Anzahl und andere Eigenschaften von der Art des Systems und der Eigenschaft abhängt, welche die Leistungsfähigkeit repräsentiert. Insbesondere können die Aktuatoren ausgewählt sein aus der Gruppe: Ventile, Klappen, Zero-Net-Mass-Flux-Aktuatoren, Piezoelemente, Plasmaaktuatoren und Membranen. Ventil-basierte Aktuatoren, die ausschließlich mit Ausblasung betrieben werden, haben den Vorteil einer geringen Verschmutzung bei langfristigem Einsatz. Zero-Net-Mass-Flux-Aktuatoren, die saugen und blasen, manipulieren die Strömung sehr energieeffizient. Ansteuerbare Membrane. Klappen und Piezoelemente können unter besonderen Bedingungen sehr wirkungsvoll sein. z.B. Membranen bei der Unterdrückung von Tollmien-Schlichting-Instabilitäten, Klappen zur Verhinderung von ückströmungen und Piezoelemente haben eine geringe Aktuationsamplitude, dafür einen großen Frequenzbereich. Plasmaaktuatoren haben einen großen Frequenzbereich und sind für niedrige Strömungsgeschwindigkeiten flexibel einset/bar. Je nach System können verschiedene Eigenschaften die Leistungsfähigkeit beschreiben. Die Leistungsfähigkeit eines Fahrzeugs kann unter anderem durch den Luftwiderstand oder die I .autstärke beschrieben werden. Reaktoren werden beispielsweise durch die Mischeffektivität oder die chemische Reaktionseffizienz beschrieben. Andere Systeme haben eine hohe Leistungsfähigkeit, wenn sie nur geringe mechanische Schwingungen erzeugen. Andere Eigenschaften sind Auftrieb, etwa bei Flugzeugen, die Größe der lateralen Kräfte, Drehmomente und dergleichen.
Weitere wichtige Systeme, für die die Erfindung wichtig ist. sind medizinische Systeme. Finan/ströme. Klimaregelung, Makroökonomie und das Wetter.
Besonders vorteilhaft ist die Erfindung, wenn vorgesehen ist, dass das System ein biomedi/inisches System, ein Finanzsystem oder anderes betriebs- oder volkswirtschaftliches System, ein Wetter- oder Klimasystem oder eine Produktionsanlage ist.
Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche. Ausführungsbeispiele sind nachstehend unter Bezugnahme der beigefügten Zeichnungen näher erläutert. Kurze Beschreibung der Zeichnungen
Fig.1 ist ein Flow-Chart zur Veranschaulichung eines Optimierungsprozesses für die Kontrolle von turbulenten oder chaotischen Systemen. Fig.2 ist ein Flow-Chart zur Veranschaulichung der Kontrolle für turbulente oder chaotische Systeme mit dem besten Regelgesetz nach der Lernphase. Fig.3 zeigt einen Flugzeugflügel mit Aktuatoren und Sensoren zur Optimierung des
Flugzeughubs.
Fig.4 zeigt einen Windkanal mit einer Mischungsschicht und Aktuatoren und
Sensoren zur Erhöhung der Mischung und Fluktuationsenergie.
Fig.5 zeigt das experimentelle Ergebnis einer Optimierung
Misehungssehieht aus Figur 4.
Beschreibung der Ausführungsbeispiele
Figur 1 illustriert die Wirkungsweise eines Verfahrens zur Optimierung der Leistungsfähigkeit eines turbulenten Systems, das allgemein mit 2 bezeichnet ist. Bezugszeichen 4 be/eichnet Sensoren. Bezugszeichen 6 bezeichnet eine Regeleinheit mit Regelgesetz. Bezugszeichen 8 bezeichnet Aktuatoren. Mit 10 ist ein Kostenfunktional bezeichnet. 12 illustriert maschinelles Lernen durch genetisches Programmieren. Eine gepunktete Linie 100 zeigt die Schnittstelle /wischen Regelung durch eine Software und dem System aus I Iardware oder Software.
Das System 2 weist einen oder mehrere Sensoren 4 auf. Die Sensoren 4 detektieren eine Ligenschaft des Systemzustands. Die Eigenschaft, beispielsweise ein physikalischer Wert, wird als Sensorsignal an eine Kontrolleinheit 6 übertragen. Im vorliegenden Ausführungsbeispiel handelt es sich bei der Kontrolleinheit um einen Rechner mit den entsprechenden Regelgesetzen. Dies kann über Kabel oder drahtlos mittels eines geeigneten Senders erfolgen. Die Signale sind durch einen Pfeil 14 repräsentiert.
Neben den Sensoren 4 sind auch Aktuatoren 8 in dem System 2 vorgesehen. Die Aktuatoren 8 können ein/ein oder gruppenweise angesteuert werden. Hierfür ist eine Steuerung 6 zur Erzeugung von Steuersignalen vorgesehen. Die Steuersignale sind durch einen Pfeil 1 6 repräsentiert. Welche Aktuatoren in welchem Maß aktiviert werden, wird entsprechend einem Regelgesetz von der Kontrolleinheit 6 aus den übertragenen Sensorsignalen ermittelt. Das Regelgesetz ist das Ergebnis eines evolutionären Algorithmus, nämlich genetischem Programmieren, das während eines Lernprozesses vor dem Einsatz des Systems aus einer Vielzahl von Regelgesetzen als das beste Regelgesetz ausgewählt wurde. Mit diesem Regelgesetz kann ein gewünschter Zustand durch Betätigung der Aktuatoren entsprechend des Regelgesetzes erreicht werden. Eine Beschreibung des Systems durch ein Modell ist nicht erforderlich.
Genetisches Programmieren erzeugt initial eine Population von Regelgesetzen, wobei eine vordefinierte Menge von Funktionen und Termen genutzt wird. Diese Regelgesetze werden anhand des Experiments oder einer numerischen Simulation durch die Regel- einheit getestet. Dies ist in Figur 1 durch Komponente 6 repräsentiert. Ein Fitness-Wert, der ein Maß der Performanz darstellt, wird jedem Regelgesetz über das Kostenfunktional zugeordnet. Dies ist mit Bezugszeichen 10 bezeichnet. Dann werden genetische Operationen wie z.B. Mutation und Kreuzung auf diese Regelgesetze angewandt, um eine neue Population der gleichen Größe wie die vorhergehende zu erzeugen. Dieses Vorgehen, d.h. Testen und Evolution der Regelgesetze, wird iteriert bis ein optimales oder nahezu optimales Regelgesetz als Lösung des gestellten Regelungsproblems gefunden ist.
Ausführungsbeispiel 1 : Flugzeugflügel Figur 3 zeigt einen Flugzeugflügel, der allgemein mit 110 bezeichnet ist. Der Flugzeugflügel 110 stellt eines der oben beschriebenen Systeme dar. Die Leistungsfähigkeit des Flugzeugflügels 110 wird in Form des Auftriebs oder der Gleitzahl ermittelt. Die Gleitzahl ist das Verhältnis von Auftrieb zum Strömungswiderstand. Ziel ist es, bei ansonsten gleicher Geometrie einen hohen Auftrieb, d.h. eine gute Gleitzahl zu erreichen. Der Flügel weist daher entlang der Flügeloberseite 27 Aktuatoren 118 auf. Die Aktuatoren sind als Düsen ausgebildet, die periodisch Luft ansaugen und ausstoßen. Ebenfalls auf der Flügeloberseite 27 sind Sensoren 112 angeordnet. Im vorliegenden Ausführungsbeispiel sind die Sensoren als Drucksensoren ausgebildet. Mit den Drucksensoren 112 kann die Strömung entlang der Flügeloberfläche ermittelt werden. Je früher die Strömung ablöst, desto geringer ist der Auftrieb. Ziel ist es also, die Aktuatoren 118 so zu steuern, dass die Sensoren 112 eine möglichst späte Ablösung ermitteln. Zur Ermittlung eines Regelgesetzes wird die Steuerung und ein Rechner 114 trainiert. Dabei wird mittels genetischem Programmieren ermittelt, welches Regelgesetz die besten Ergebnisse liefert. Das einmal ermittelte Regelgesetz wird anschließend im Betrieb eingesetzt. Die Flugzeuge werden zur Verbesserung der Leistungsfähigkeit alle, d.h. nicht nur im Testbetrieb, sondern auch im regulären Betrieb, mit Aktuatoren und Sensoren versehen. Diese werden entsprechend des durch Training ermittelten Regelgesetzes gesteuert. Auf diese Weise kann ein hoher Auftrieb bei ansonsten gleicher Konstruktion erreicht werden und der Energieverbrauch im Ergebnis gesenkt werden.
Ausführungsbeispiel 2: Aktuierte Mischungschicht
Figur 4 zeigt einen Windkanal mit einer Mischungsschicht und Aktuatoren und Sensoren zur Erhöhung der Mischung und Fluktuationsenergie. Mit 100 ist eine Testsektion bezeichnet. Bezugszeichen 112 bezeichnet eine Trennplatte mit Aktuatoren in Form von Freistrahlen. 114 bezeichnet Sensoren in Form von Hitzdrähten. 116 bezeichnet ein 2D System zur Auslenkung. 200 bezeichnet eine sich verengende Kanalführung. 212 bezeichnet einen Impulsdraht. 300 bezeichnet eine Settling Kammer. 302 bezeichnet Schaum. 304 bezeichnet ein Bienenwabengitter. 306 ist ein Turbulator. 400 illustriert die Strömungsführung in nicht maßstabsgerechter Darstellung. 412 bezeichnet einen perforierten Konus. 512 bezeichnet einen Strömungseinlass. 514 bezeichnet Ventilatoren.
Die Regelung der Mischungsschicht erfolgt in einer Test-Sektion 100, die in Figur 4 dargestellt ist. Die Strömung wird mit Aktuatoren 112 an der Kante der Trennplatte manipuliert. Die Aktuatoren 112 sind ein äquidistante Anordnung von Freistrahlen, die parallel zur Strömung einblasen und die durch on-off Ventile mit Druckversorgung geregelt werden (nicht dargestellt). Die Strömung wird durch Sensoren 114 überwacht, die aus einer transversalen Hitzdrahtanordnung, mit 24 Hitzdrähten bestehen. Die Sensororte können durch ein 2D transversing-System 116 verändert werden. Das Fluid verlässt den Windkanal im Diffusor 600. Der Di fusor 600 hat perforierte Wände. Das Fluid tritt in den Windkanal durch den Einlassbereich 512 ein. Die Strömungsgeschwindigkeit im oberen und unteren Bereich der Mischungsschicht wird durch zwei Ventilatoren 512 getrieben, die nebeneinander angeordnet sind. Diese beiden 'reilströme bewegen sich in Strömungsführungen 400 durch zwei perforierte Konen 412 in zwei Beruhigungskammern 300. Das Ί urbulen/niveau der Strömung wird durch eine Schaumschicht 302, ein Bienenwabengitter 304 und einen T rbulator 306 geregelt. Die Strömungsgeschwindigkeit wird im Kontraktionsteil 200 gesteigert. Die Grenzschicht an der Trennplatte wird durch Turbulatoren manipuliert.
Im Experiment zur Strömungsregelung wird die Stärke der Fluktuation durch die genannten Aktuatoren durch eine oben beschriebene Regelungslogik geändert, indem ein Datenaufnahmesystem mit Aktuatoren und Sensoren verbunden ist. Die Regelung durch maschinelles Lernen erfolgt, wie anhand von Figur 1 und 2 beschrieben. Hier wurde sie auf den in Figur 4 dargestellten Mischungsschicht- Demonstrator angewandt. Das zu minimierende Kostenfunktional wurde als Inverses der Stärke der Fluktuationen gewählt, aufgezeichnet und durch die Sensoren überwacht. Diese Stärke der Fluktuationen ist die Summe der Kurzzeit- Varianzen der Geschwindigkeiten. die mit den Sensoren gemessen werden. Die Aktuation wird durch eine einzelne Eingabegröße charakterisiert. Im Beispiel blasen alle Freistrahlen zur gleichen Zeit oder sind gleichzeitig ausgeschaltet.
Das maschinelle I .ernen des Regelgesetzes basiert hier auf 100 Individuen. Ein Individuum ist ein Regelgesetz. Die initiale Population besteht aus zufällig gewählten Regelgesetzen aus einem passend gewählten l 'unktionenraum. Die nächsten Populationen werden bezüglich des erwähnten Kostenfunktionais mittels genetischem Programmieren optimiert. Figur 5 zeigt die besten Kostenfunktionale, die durch das entsprechende Regelgesetz jeder Generation bestimmt wurden. Das Kostenfunktional ist dabei konstant oder nimmt mit zunehmender Generationstiefe ab. Nach 12 Generationen entspricht es einer Fluktuationsstärke, die größer ist als die der besten open-loop Aktuierung für das gleiche Experiment mit gleichen Rand- und Rah me n bed i n g u n gen. Das entsprechende Regeigeset lautet b=0.222+s4, wobei s4 das Sensorsignal des vom Boden aus vierten Hitzdrahts ist, und b das Aktuations signal ist. b<0 impliziert keine Aktuierung und b>0 bedeutet einblasen.
Ausführungsbeispiel 3: Stabilisierung des Herzschlags
Das dritte Ausführungsbeispiel ist nicht in einer Figur dargestellt. Ein Herzschrittmacher dient zur Regelung des Herzens mit Aktuatoren durch elektrische Stimulation und Sensoren für Herzsignale. Dies erfolgt insbesondere in Fällen, in denen Unregelmäßigkeiten auftreten. Die Regelung erfolgt durch elektrische Stimulation, auch Aktuation genannt, die für den Träger des Herzschrittmachers sehr unangenehm sein kann. In kritischen Bereichen kann das Herz unter Umständen nicht mehr stabil isiert werden. Diese Regelung kann durch den Einsatz nichtlinearer Verfahren optimiert werden. Dadurch können auch kritische Zustände geregelt werden. Die Regelung erfolgt au angenehmere Weise.

Claims

Patentansprüche
Verfahren zur Optimierung der Leistungsfähigkeit eines turbulenten oder chaotischen Systems unter Verwendung eines oder mehrerer Sensoren und eines oder mehrerer Aktuatoren, wobei die Sensoren den Zustand des Systems ermitteln und mit den Aktuatoren Änderungen des Zustands des Systems hervorrufbar sind; dadurch gekennzeichnet, dass
(a) ein Regelgesetz ausgewählt wird, mit welcher der Betrieb der Aktuatoren in Abhängigkeit der Sensorsignale beschrieben wird, und
(b) das Regelgesetz mittels genetischem Programmieren evolviert wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das System ein tluid- mechanisches System ist.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das fluid- mechanische System ein Schiff, Kraftfahrzeug, Schienenfahrzeug, Flugzeug oder ein anderes Fortbewegungsmittel ist.
4. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das System eine Verbrennungsmaschine oder ein Reaktor ist.
5. Verfahren nach einem der vorgehenden Ansprüche, dadurch gekennzeichnet, dass die Sensoren ausgewählt sind aus der Gruppe: Drucksensoren, Geschwindigkeitssensoren, Wandschubspannungssensoren, Temperatursensoren, Kameras mit bildgebenden Messverfahren und akustischen Sensoren.
6. Verfahren nach einem der vorgehenden Ansprüche, dadurch gekennzeichnet, dass die Aktuatoren ausgewählt sind aus der Gruppe: Ventile, Klappen, Zero-Net-Mass- Flux- Aktuatoren, Piezoelementen, Plasmaaktuatoren und Membranen.
7. Verfahren nach Anspruch 1 . dadurch gekennzeichnet, dass das System ein biomedi/inisehes System ist.
8. Verfahren nach Anspruch 1. dadurch gekennzeichnet, dass das System ein Finanzsystem oder anderes betriebs- oder volkswirtschaftliches System ist.
9. Verfahren nach Anspruch 1. dadurch gekennzeichnet, dass das System ein Wetteroder Klimasystem ist.
10. Verfahren nach Anspruch 1. dadurch gekennzeichnet, dass das System eine Produktionsanlage ist.
PCT/EP2014/065889 2013-09-18 2014-07-24 Verfahren zur optimierung der leistungsfähigkeit eines turbulenten oder chaotischen system mittels genetischer programmierung WO2015039788A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102013110273.5 2013-09-18
DE201310110273 DE102013110273A1 (de) 2013-09-18 2013-09-18 Verfahren zur Optimierung der Leistungsfähigkeit eines turbulenten oder chaotischen Systems

Publications (1)

Publication Number Publication Date
WO2015039788A1 true WO2015039788A1 (de) 2015-03-26

Family

ID=51265667

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2014/065889 WO2015039788A1 (de) 2013-09-18 2014-07-24 Verfahren zur optimierung der leistungsfähigkeit eines turbulenten oder chaotischen system mittels genetischer programmierung

Country Status (2)

Country Link
DE (1) DE102013110273A1 (de)
WO (1) WO2015039788A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108833075B (zh) * 2018-06-21 2021-06-11 东北大学 一种基于非奇异终端滑模控制器的二阶混沌投影同步方法
CN108762093B (zh) * 2018-07-11 2021-06-01 东北大学 一种改进极点配置的同维混沌全局混合投影同步方法
CN108646570B (zh) * 2018-07-11 2021-06-01 东北大学 一种改进极点配置的混沌轨迹跟踪方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19643884A1 (de) * 1996-10-30 1998-05-07 Siemens Ag Verfahren und Anordnung zur Optimierung der Prozeßführung von Produktionsvorgängen
US6064996A (en) * 1996-09-27 2000-05-16 Yamaha Hatsudoki Kabushiki Kaisha Evolutionary controlling system with behavioral simulation
US6397113B1 (en) * 1998-05-14 2002-05-28 Yamaha Hatsudoki Kabushiki Kaisha Integrated control system

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69723899T2 (de) * 1996-02-12 2004-06-17 St. Jude Medical Ab Taktempfindlicher Herzschrittmacher
DE102011075337A1 (de) * 2011-05-05 2012-11-08 Siemens Ag Verfahren und Vorrichtung zur Ansteuerung einer Anlage
DE102011079433A1 (de) * 2011-07-19 2013-01-24 Siemens Aktiengesellschaft Ansteuerung eines Rotorblatts einer Windturbine

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6064996A (en) * 1996-09-27 2000-05-16 Yamaha Hatsudoki Kabushiki Kaisha Evolutionary controlling system with behavioral simulation
DE19643884A1 (de) * 1996-10-30 1998-05-07 Siemens Ag Verfahren und Anordnung zur Optimierung der Prozeßführung von Produktionsvorgängen
US6397113B1 (en) * 1998-05-14 2002-05-28 Yamaha Hatsudoki Kabushiki Kaisha Integrated control system

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
MARC MUSCH: "Genetisches Programmieren", 13 June 2004 (2004-06-13), XP055144910, Retrieved from the Internet <URL:http://www.informatik.uni-ulm.de/ni/Lehre/SS04/ProsemSC/ausarbeitungen/Musch.pdf> [retrieved on 20141007] *

Also Published As

Publication number Publication date
DE102013110273A1 (de) 2015-03-19

Similar Documents

Publication Publication Date Title
DE69616103T2 (de) Verfahren und Vorrichtung zur Steuerung der Wirbelbildung in Grenzschichten und sonstigen Wandnahen-Flussfeldern
DE69128996T2 (de) Identifizierung eines Prozesssystems
DE102016117773B4 (de) Werkzeugmaschine, die eine optimale Beschleunigung/Verlangsamung erzeugt, Simulationsvorrichtung und Maschinenlernvorrichtung
EP2106576B1 (de) Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems
DE69420545T2 (de) Parametrierbare neuronalnetzwerksteuerungen
EP3390001A1 (de) Vorrichtung zur generativen herstellung eines dreidimensionalen objekts
DE69518361T2 (de) Verfahren zur Steuerung der Wirbelbildung in Grenzschichten und sonstigen Wandnahen-Flussfeldern
DE102015008754B4 (de) Zustandsüberwachung eines Stellantriebs in einem Fluggerät
DE102005058081B9 (de) Verfahren zur Rekonstruktion von Böen und Strukturlasten bei Flugzeugen, insbesondere Verkehrsflugzeugen
EP2999998B1 (de) Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems
DE102005006099B4 (de) Verfahren zur automatischen Einstellung der Regelparameter eines magnetischen Aufhängungssystems
WO2015039788A1 (de) Verfahren zur optimierung der leistungsfähigkeit eines turbulenten oder chaotischen system mittels genetischer programmierung
EP3646122B1 (de) Verfahren und vorrichtung zum einstellen mindestens eines parameters eines aktorregelungssystems und aktorregelungssystem
EP3759393A1 (de) Verfahren zur minimierung thermoakustischer instabilitäten einer gasturbine
WO2020187591A1 (de) Verfahren und vorrichtung zum ansteuern eines roboters
EP3458699B1 (de) Verfahren zur kalibrierung eines technischen systems
EP1327959B1 (de) Neuronales Netz zur Modellierung eines physikalischen Systems sowie Verfahren zur Bildung eines solchen neuronalen Netzes
DE102020105745A1 (de) Werkzeuge und verfahren zur aerodynamischen optimierung dergeometrie von fahrzeugkarosserien
DE102011075337A1 (de) Verfahren und Vorrichtung zur Ansteuerung einer Anlage
CN105892292A (zh) 基于粒子群算法的鲁棒控制优化方法
DE19530049B4 (de) Verfahren zur Erkennung von fehlerhaften Vorhersagen in einer neuromodellgestützten oder neuronalen Regelung
EP3203330A1 (de) Softsensor zur identifikation und regelung oder steuerung eines lüftungssystems
EP3527817A1 (de) Verfahren und vorrichtungen zur automatischen ermittlung und/oder kompensation des einflusses einer wirbelschleppe auf eine windkraftanlage
EP3650964B1 (de) Verfahren zum steuern oder regeln eines technischen systems
EP3715627A1 (de) Verfahren zur bestimmung einer den dynamischen auftrieb beeinflussenden anströmsituation an wenigstens einem rotorblatt

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 14747333

Country of ref document: EP

Kind code of ref document: A1

DPE2 Request for preliminary examination filed before expiration of 19th month from priority date (pct application filed from 20040101)
NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 14747333

Country of ref document: EP

Kind code of ref document: A1