DFMRS Jahrestagung 2001 (7. DFMRS Jahrestagung) Bremen, 15./16. November 2001

Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

DFMRSJahrestagung 2001

(7. DFMRS Jahrestagung)Bremen, 15./16. November 2001

Trainierbarer Neuro-PID-Regler für hohe Regelgüte

Ulrich Lehmann, Johannes Brenig, Stefan Dormeier, Hermann Johannes, Udo Reitz

MFH Iserlohn (FH Südwestfalen), FH BielefeldTel.: (0049) -(0)2371/566- (0) -180, Fax.: (0049) -(0)2371/36564,

Kontaktaufnahme per E-Mail: [email protected]/Verbunde/NFL

Märkische Fachhochschule

Iserlohn und Hagen

University of Applied Sciencse


Übersicht / Gliederung

• Ziele des Projektes• Kooperation im Verbund• nichtlineare, zeitvariante Regelstrecke• Architektur Neuro-PID-Regler• Modell der Temperaturregelung• Training des KNN• Test des Reglers• Portierung auf Zielhardware• Ergebnisse• Kooperation mit KMU• Ausblick


Ziele des Projektes

• adaptive Regelung von zeitvarianten, nichtlinearen Regelstrecken mit hoher Regelgüte

• trainierbare Adaption• Vorgabe der Regelgüte durch den Anwender

• transparente Gütekriterien xm, Tan, Taus, Toleranzband für xd

• Produkt- und Verfahrensinnovation zur Verbesserung der Prozessgüte bei schwankenden Streckenparametern

• Technologietransfer in kleine und mittlere Unternehmen


Kooperation im Forschungsverbund

FH BielefeldFH GelsenkirchenMFH IserlohnFH Münster

FH BochumFH KölnFH Köln Abt. Gummersbach

Neuro-Fuzzy-Regler

FH GelsenkirchenMFH Iserlohn Abt. Hagen

Data Mining

MustererkennungIdentifikation

Adaption

Anwendungsfeld:

Kunststoff-verarbeitungs-maschine

FH Bielefeld

Anwendungsfeld:

Gebäude- automation

Algorithmen

Prof. S. Dormeier

FH MünsterProf. E. Weiner

MFH IserlohnProf. U. Lehmann

Prof. M. Büchel

FH Gelsenkirchen

Kooperation innerhalb der Arbeitsgruppe

ReglerentwurfPortierungHardware


Neuro-Fuzzy-Regler


Analyse der Regelstrecke(Nichtlinearität der Regelstrecke)

x(t),C t, min 0 5 10 15 20 25 30 35 40 45 50

0

5

10

15

20

lineares System nichtlineares System


Analyse der Regelstrecke(Zeitvarianz der Regelstrecke)

0 5 10 15 20 25 30 35 40 45 50 0

5

10

15

20

25

t ,min

x(t) ,°C

1: optimaler Verlauf

2: Ks = +40, T1 = +20

3: Ks = +40, T1 = -20

4: Ks = -40, T1 = -20

5: Ks = -40, T1 = +20

1

2 3

4

5


Neuro-PID-Regler

w(t)


Modell der Temperaturregelung(PID-Regler mit KNN-Adaption)


Trainingsdaten für das KNN(Reglerparameter, Regelgüte, Korrekturwerte)

W Kp Tn Tv xm tan taus Ks Kp Tn Tv

20 4,00 1000,00 50,00 4,8834 465,6 1075,9 0,06763 4,67 1168,28 46,81

20 4,00 1000,00 50,00 7,3300 395,2 940,3 0,07919 4,80 1277,98 42,54

20 11,50 1000,00 50,00 27,2901 278,5 853,5 0,05948 -2,26 975,22 43,03

20 11,50 1000,00 50,00 36,0293 258,6 1169,1 0,09247 -2,88 1281,12 36,47

20 11,50 1800,00 50,00 29,2783 263,3 1114,6 0,09034 -2,88 481,12 36,47

20 19,00 1800,00 50,00 33,9736 275,9 1051,6 0,08380 -7,83 473,3 35,86

20 19,00 2600,00 50,00 31,2573 277,4 1046,5 0,06675 -9,93 -326,70 35,86

...

20 8,22 2342,36 95,39 -0,16 688,30 688,30 0,06 0 0 0

...


Sprungantworten für verschiedene Ks und T1Regler adaptiert


PID Regler mit und ohne Adaption

0 1 2 3 4 5 6 7 8 9 10 t / s * 10 3

0

5

10

15

20

25

30 x / °C

Toleranzband Toleranzband mit KNN ohne KNN


Adaptionsschritte für KR

0

10

20

30

40

50

600

50

0

10

00

15

00

20

00

25

00

30

00

35

00

40

00

45

00

50

00

55

00

60

00

65

00

70

00

75

00

80

00

85

00

90

00

95

00

10

00

0

Zeit t in s

Ve

rstä

rku

ng

Kr xm

KS

Tan

Taus

KR

TN

TV

xm

KS

Tan

Taus

KR

TN

TV


Adaptionsschritte für TN

0

500

1000

1500

2000

25000

50

0

10

00

15

00

20

00

25

00

30

00

35

00

40

00

45

00

50

00

55

00

60

00

65

00

70

00

75

00

80

00

85

00

90

00

95

00

10

00

0

Zeit t in s

Na

chst

ellz

eit

Tn

in s


Adaptionsschritte für Tv

0

20

40

60

80

100

1200

50

0

10

00

15

00

20

00

25

00

30

00

35

00

40

00

45

00

50

00

55

00

60

00

65

00

70

00

75

00

80

00

85

00

90

00

95

00

10

00

0

Zeit t in s

Vo

rha

lteze

it T

v in

s

Portierung auf Zielhardware


Ergebnisse

• trainierbarer Regler• gute Adaption an zeitvariante und/oder nichtlineare

Regelstrecken

• anwendernahe Gütekriterien xm, Tan, Taus vorgebbar

• gute Notlaufeigenschaften des PID-Reglers• Präsentation von Zwischenergebnissen auf der

INTERKAMA 1999• lauffähig auf Industrie PC• lauffähig auf SPS S7-400


Kooperationspartner: KMU


Ausblick

• Speicherung der Regelgüte- und Regler-Parameter in historischer Datenbank

• Training des KNN im laufenden Betrieb• Portierung auf Industrieregler auf Mikrocontroller-Basis

(μC)• Evolutionäre Optimierung des PID-Reglers bei Bedarf


Fragen?

Fragen Sie bitte!

Kontaktaufnahme: [email protected]

www.mfh-iserlohn.de/Verbunde/NFL


Ende

Vielen Dank für Ihr Interesse!

Kontaktaufnahme: [email protected]

www.mfh-iserlohn.de/Verbunde/NFL


[email protected]

Forschungsverbund Neuronale Fuzzy-Logik der Fachhochschulen in Nordrhein-Westfalennfl 23

Kooperationspartner: KMU und Industrie

Forschungsverbund Neuronale Fuzzy-Logik der Fachhochschulen in Nordrhein-Westfalennfl 24

Kooperationspartner: Industrie

Return to 8



Entwicklungssystem Zielsystem


Neuro-PID-Regler

w(t)

DFMRS Jahrestagung 2001 (7. DFMRS Jahrestagung) Bremen, 15./16. November 2001

Documents

Transcript of DFMRS Jahrestagung 2001 (7. DFMRS Jahrestagung) Bremen, 15./16. November 2001