CN113227916B - 用于实时控制自动化过程的方法和*** - Google Patents

Abstract

本发明涉及一种用于基于至少一个过程变量PV的变化廓线P实时地控制自动化过程的方法(100)，其包括如下方法步骤：借助于具有实时能力的、基于非线性优化过程的识别方法在考虑过程变量PV的至少一个边界条件BC的情况下求出(101)第一变化廓线P1，借助于数值算法基于第一变化廓线P1求出(103)第二变化廓线P2：借助于数值适配过程将所选择的廓线函数PF适配于第一变化廓线P1；和将适配的廓线函数PF鉴别(107)为第二变化廓线P2，检查109第二变化廓线P2是否满足过程变量PV的至少一个次要条件SC，如果第二变化廓线P2满足至少一个次要条件SC，则基于第二变化廓线P2控制(111)自动化过程，和如果第二变化廓线P2不满足至少一个次要条件SC，则基于预定的备用廓线P3控制(113)自动化过程。

Description

用于实时控制自动化过程的方法和***

技术领域

本发明涉及一种用于实时控制自动化过程的方法。本发明还涉及一种用于实时控制自动化过程的***。本发明还涉及一种用于执行用于实时地控制自动化过程的方法的计算机程序和一种具有该计算机程序的存储介质。

本专利申请要求2018年12月20日的德国专利申请10 2018 133 058.8的优先权，其公开内容通过引用结合于此。

背景技术

在现代的、高度复杂的自动化过程中会重要的是：控制具有实时能力。这要求：相应的过程具有确定性的计算复杂性。接触可以确保：在预定的最大持续时间内执行并完成一定的任务或一定的过程步骤。

从DE 10 2016 107 527 A1中已知实时环境和可编程逻辑控制器，其实现在预设的任务运行时间内处理至所述一个任务。为此，时间监视功能对于任务运行时间内的任务确定中断时间，并在超过任务运行时间的情况下发动任务中断。

现代的高度复杂的自动化过程尤其具有大量不同的过程参数，所述过程参数影响过程并且相互影响。大量的过程参数会导致：大量的不同参数组合可以为所寻找的过程变化的等效解决方案。

因此，现代过程控制的目的是以相对于预定的优化标准优化的方式来控制自动化过程。

可以借助于非线性优化方法解决这种优化问题。例如，借助于适配于该问题的相应的数值逼近方法可以将过程参数逼近于满足或最小化预定的优化标准的解。

数值逼近方法通过如下方式允许保证所求出的结果的质量：可以调节相应的逼近方法以在达到逼近结果的特定的品质时才终止。

但是，数值逼近方法不具有实时能力，因为无法保证在最大的持续时间内终止逼近方法。

从WO 93/12475 A1中已知一种用于优化用于如下***的控制参数的方法，所述***根据控制参数具有实际行为。在此，该文献教导使用人工神经网络进行参数优化。

人工神经网络在推理阶段中具有实时能力，并具有与模型复杂度成比例关联的确定性的运行时间复杂性。因此可以良好地控制计算复杂度。因此，可以在预定的持续时间内确保实现逼近方法的结果。

但是，由于神经网络的逼近过程不包含任何质量标准，所以无法保证这种结果的质量。

发明内容

本发明所基于的目的可见于：提供一种用于实时控制自动化过程的有效的方法、一种有效的自动化***、一种用于执行用于实时控制自动化程序的有效的方法的计算机程序和一种具有该计算机程序的存储介质。

该目的借助于独立权利要求的主题实现。本发明的有利的设计方案是各个从属权利要求的主题。

根据本发明的一个方面，提供一种用于基于至少一个过程变量的变化廓线实时地控制自动化过程的方法，包括如下方法步骤：借助于具有实时能力的、基于非线性优化过程的识别方法在考虑过程变量的至少一个边界条件的情况下求出第一变化廓线；借助于数值算法基于第一变化廓线求出第二变化廓线，其包括：借助于数值适配过程将所选择的廓线函数适配于第一变化廓线；和将适配的廓线函数鉴别为第二变化廓线；检查第二变化廓线是否满足过程变量的至少一个次要条件；如果第二变化廓线满足至少一个次要条件，则基于第二变化廓线控制自动化过程；和如果所述变化廓线不满足至少一个次要条件，则基于预定的备用廓线控制自动化过程。

由此实现：可以提供用于实时控制自动化过程的有效的方法。

通过具有实时能力的、基于非线性优化过程的识别方法可以确保：在预设的持续时间内为给定的自动化过程提供至少一个适合于控制自动化过程的第一变化廓线。

此外，可以确保：所提供的变化廓线对应于至少一个优化标准，进而引起关于所述优化标准优化过的过程走向。

然后可以借助于数值算法基于第一变化廓线创建第二变化廓线，所述第二变化廓线满足一边界条件或可能的多个边界条件，并且具有第一变化廓线的优化程度。

在该上下文中，数值算法设计成，使得也对于该数值算法确保：所述数值算法在预定的持续时间内产生结果。

然后，对第二变化廓线检查：所述第二变化廓线是否遵守一次要条件，或者可能遵守多个次要条件，所述次要条件对于安全和有效的过程走向必须被满足。所述检查也设计成，使得在预定的持续时间内保证检查过程的成功结束。

第二变化廓线的检查可以包括关于最大点、最小点、斜率、斜率变化、转折点、不连续性和/或等等方面研究第二变化廓线。

第二变化廓线的检查还可以包括创建第一变化廓线的n阶导数以及关于上述特征方面检查所述导数。

该检查还满足实时条件。

在结果肯定的情况下，使用第二变化廓线来控制自动化过程。

在结果否定的情况下，将预定的备用廓线用于控制自动化过程，其中该预定的备用廓线满足边界条件和次要条件，进而适合于自动化过程安全且有效地运行。

备用廓线未针对相应的自动化过程优化，并且不借助于具有实时能力的基于非线性优化过程的识别方法产生。备用廓线如下设计，使得满足边界条件和次要条件，并可以确保安全有效的、即使非优化的过程走向。

备用廓线在预定的持续时间内挺用于控制自动化过程，并且可以根据边界条件和次要条件来求出或者从相应的数据库中提取。

因此，既经由第二变化廓线又经由备用廓线在预定的持续时间内确保自动化过程的控制。

借此保证：在对于实时要求要遵守的持续时间内对于每个要控制的自动化过程提供变化廓线，所述变化廓线对应于边界条件和次要条件，并且可以借助于所述变化廓线控制自动化过程。

还可以基于多个过程变量来控制自动化过程。为此，例如可以求出多个变化廓线，根据所述变化廓线来执行过程的控制。

在下文中，自动化过程是每个自动化的工作过程，其中至少部分自动地、即自主地、独立地且在没有实施工作过程的***的用户主动作用的情况下执行各个工作步骤的序列。也可以将自动化过程理解为自动化的工作过程的每个独立的子过程。独立的子过程与其他子过程共同作用地形成自动化的工作过程。此外，这包括加工工业的自动化过程。

在下文中，将实时能力理解为如下能力：过程或工序对于所述能力可以保证：所述过程或工序在预定的持续时间内从在过程或工序开始计算引导至结束或结果。相反，可以排除过程或工序延续超过所述持续时间或在持续时间内部存在结果。

具有实时能力的基于非线性优化过程的识别方法是如下过程，所述过程可以确保将结果在预定的持续时间内输出非线性最佳化问题的结果。

为此，具有实时能力的基于非线性优化过程的识别方法使用先前借助于非线性的优化过程创建的优化结果。所创建的所述优化结果可以关于一优化标准或关于大量优化标准和大量边界条件和/或次要条件方面来优化。

非线性的优化过程例如可以是具有非线性的适配函数的数值适配过程，其中变化相应的函数参数，使得适配函数对应于相应的优化标准。

在考虑对于特定自动化过程相关的一优化标准或多个优化标准和至少一个对于自动化过程相关的边界条件的情况下，具有实时能力的基于非线性优化过程的识别方法以具有实时能力的方式复现不具有实时能力的非线性的优化过程的优化结果，以便识别至少一个结果，所述结果满足优化标准还有至少一个边界条件。

为此，具有实时能力的基于非线性优化过程的识别方法识别最佳结果，所述最佳结果满足所有优化标准和边界条件，或者识别到非最佳结果，所述非最佳结果仅是优化标准和边界条件的一子集、最佳为优化标准和边界条件中的多个，并且所述最佳或非最佳结果作为优化问题的结果输出。

如果未识别出最佳结果，则具有实时能力的基于非线性优化过程的识别方法可以在学习过程中产生其他的优化结果，以便在随后的识别过程中通过具有实时能力的基于非线性优化过程的识别方法从优化结果中识别出最佳结果，所述最佳结果符合相应的最佳化标准和边界条件，其中在所述学习过程中执行其他非线性的优化过程。

在优化过程中确定的优化结果当前是特定的自动化过程的变化廓线。

在通过具有实时能力的基于非线性优化过程的识别方法进行的识别过程中，具有实时能力的基于非线性优化过程的识别方法从先前通过非线性优化过程中确定的变化廓线中识别出变化廓线，所述变化廓线全部符合通过相应的自动化过程所决定的优化标准、边界条件和可能的次要条件。

具有实时能力的基于非线性优化过程的识别方法的识别过程是具有实时能力的。

线性优化过程不具有实时能力，并且时间上在识别过程开始之前执行。

当前，过程变量是物理技术变量，借助所述物理技术变量可以鉴别并且跟踪或控制特定的自动化过程。

例如，在控制可运动对象的点对点运动的自动化过程中，相应的对象在相应的坐标系中的位置可以用作过程变量，经由所述过程变量可以跟踪和控制相应的过程的走向。

但是，替选地，也可以将任何允许陈述关于过程走向且可以根据其来控制过程的其他的物理技术变量用作过程变量。

在下文中，将变化廓线理解为过程变量相对于过程变量的相应的自变量的走向。但是也可行的是：在变化廓线中描述多个过程变量的走向。优选地，在这种情况下，考虑各个过程变量相对于统一的自变量的走向。

通常，可以考虑过程变化相对于时间的走向。因此，相应的变化廓线通过过程变量在预定的时间点之上的时间走向给定。

在该上下文中，过程变量的变化也可以在变化廓线的子区域或整个区域上采用零值。过程变量在该区域中具有恒定的走向。

可以通过将相应的过程变量相对于过程变量的相应的自变量来绘制的方式来图形表示变化廓线。因此，变化廓线具有特定的定义区域，在所述定义区域上定义廓线，并且在所述定义区域上变化廓线具有一定的个体特征、如连续性或可微性。

如果对于相应的过程无法找到满足优化标准还有边界条件和次要条件的第二变化廓线，则备用廓线为在就此处详述意义而言的变化廓线。

可以同时创建备用廓线以基于边界条件和次要条件求出第一和第二变化廓线，其中为此无需优化过程。或者，可以从已知的且被分类为适宜的且例如存储在相应的数据库中的备用廓线的集合中选择则备用廓线。因此确保：在预定的持续时间内提供备用廓线。

优化标准是物理技术变量，借助于不具有实时能力的非线性的优化过程将变化廓线进而自动化过程的过程变量的走向优化到所述物理技术变量。

优化标准可以例如是能量消耗、材料消耗、过程部件的材料负荷、过程的持续时间、振动激励等。优化标准可以在不同的自动化过程之间变化。

边界条件和次要条件是变化廓线或过程变量的变化必须遵守的条件，以便可以将相应的廓线用于计划的自动化过程。

边界条件和次要条件确定如下框架，过程变量的值和过程变量的变化(包括所述过程变量在过程进期间经历的速度和加速度)应位于所述框架内，而不危害相应的自动化过程的安全性、有效性和/或平滑的走向。

在子过程中，边界条件和次要条件也可以确定各个子过程的平滑的相互交错。

廓线函数是数学函数，所述数学函数适合于表示过程变量相对于过程变量的相应的自变量的走向、即相应的过程变量的变化廓线。

自变量可以是物理技术变量，可以相对于所述物理技术变量确定过程变量的变化。自变量的示例是时间。

在下文中，适配过程是如下过程：通过经由廓线函数的相应的参数的变化修改廓线函数，使得廓线函数对应于数据集或其他的适配标准的个体的集合。

根据一个实施方式，通过人工神经网络实现具有实时能力的基于非线性优化过程的识别方法，并且其中非线性优化过程在人工神经网络的至少一个学习过程期间执行。

由此实现如下技术优点：可以实现针对非线性优化问题的具有实时能力的结果。此外，可以经由人工神经网络的学习过程来持续地改进其性能，直到找到满足所有优化标准和所有边界条件和所有次要条件的结果。

在人工神经网络的学习过程期间，执行非线性优化过程，以便找到针对相应的非线性优化问题的优化结果，所述优化结果满足至少一个优化标准、替选地多个预定的优化标准，并且可能满足至少有一个边界条件、替选地多个预定的边界条件、和/或满足至少一个次要条件、替选地多个预定的次要条件。

在人工神经网络的识别过程中，人工神经网络从非线性优化过程的先前确定的优化结果中识别出满足所有优化标准、所有边界条件和所有次要条件的优化结果并将所述结果作为优化问题的最佳结果输出，其中在所述识别过程中应当找到对于至少一个优化标准、替选地对于多个优化标准并且对于至少一个边界调节、替选地多个边界条件和/或对于至少一个次要条件、替选地多个次要条件找到最佳结果。

如果人工神经网络未识别出满足所有优化标准、所有边界条件和所有次要条件的最佳结果，则人工神经网络基于先前确定的权重来识别结果，并且将所述结果作为优化问题的结果输出，其中所述结果满足优化标准的至少一个子集、最佳地满足优化标准中的多个、满足边界条件的至少一个子集、最佳地满足边界条件中的多个、和满足次要条件的至少一个子集、最佳地满足次要条件中的多个。

可以在人工神经网络的学习过程中确定权重。

在人工神经网络的学习过程期间，可以执行非线性优化过程，以确定其他的优化结果，所述优化结果符合其他的优化标准并且可能符合其他的边界条件和其他的次要条件，使得在随后的识别过程中，人工神经网络从所确定的优化结果中识别出满足所有优化标准、所有边界条件和所有次要条件的最佳结果。

在非线性优化过程中也可以考虑不同的过程变量。

在优化过程中确定的优化结果当前是特定的自动化过程的变化廓线。

在通过人工神经网络的识别过程中，人工神经网络从先前通过非线性优化过程确定的变化廓线中识别出符合所有由相应的自动化过程所决定的优化标准、边界条件和可能的次要条件的变化廓线。

根据一个实施方式，将所选择的廓线函数借助于数值适配过程适配于第一变化廓线包括如下方法步骤：求出第一变化廓线的至少一个数据点；和将所选择的廓线函数适配于第一变化廓线的至少一个数据点和适配于至少一个边界条件。

由此，通过如下方式实现将廓线函数以可简单执行的方式适配于第一变化廓线，即借助于合适的适配算法修改廓线函数，使得所述廓线函数对应于至少一个数据点。

当前，数据点是由相应的过程变量的自变量值和所属的值构成的有序值对。因此，数据点对应于给定自变量值的相应的过程变量的变化廓线上的点。

根据一个实施方式，用于实施地控制自动化过程的方法还包括确定至少一个边界条件和至少一个次要条件的方法步骤。

由此实现如下技术优点：即对于任意的自动化过程和任意的过程变量可个体地确定边界条件和次要条件。

根据一个实施方式，求出第一变化廓线的方法步骤包括如下方法步骤：借助于具有实时能力的、基于非线性优化过程的识别方法在考虑至少一个边界条件和至少一个次要条件的情况下求出第一变化廓线。

由此实现如下技术优点：即可以实现精确地求出优化的第一变化廓线。通过至少一个次要条件的信息流入具有实时能力的基于非线性优化过程的识别方法中的方式，可以实现满足至少一个次要条件的优化的第一变化廓线。

根据一个实施方式，用于实时控制自动化过程的方法还包括如下方法步骤：基于至少一个边界条件和至少一个次要条件来产生备用廓线。

由此实现如下技术优点：即可以为任意的自动化过程和任意的过程变量提供满足至少一个边界条件和至少一个次要条件的备用廓线。

在求出满足至少一个边界条件和至少一个次要条件的第二变化廓线失败的情况下，则可以避免自动化过程的停住，并且始终实现可靠地开动或延续自动化过程。在此，过程变量始终满足对于安全且无问题的过程走向的条件。

根据一个实施方式，所选择的廓线函数是五次样条，并且能够至少两次连续微分。

借助五次样条，存在具有类似低复杂度的廓线函数，所述廓线函数可简单处理。

借助于样条插值，可以简化进而加速将廓线函数适配于第一变化廓线或第一变化廓线的数据点，使得可以满足遵守实时条件。

经由至少两次连续微分又可以实现：第二变化廓线可以至少两次连续微分。

在下文中，将样条函数理解为如下数学函数，所述数据函数逐段地由多项式组成。五次样条是样条函数的特殊实施方案。

根据一个实施方式，第二变化廓线可以至少两次连续微分。

由此实现如下技术优点：即在过程变量根据第二变化廓线变化时确保：过程变量的变化还有用以引起过程变量变化的速度和加速度具有连续的走向。因此，避免过程变量的变化、速度或加速度的走向中的突变。

借此，可以实现统一的过程走向，在所述过程走向中不出现过程变量或速度或加速度的剧烈的或突然的变化。

根据一个实施方式，至少一个边界条件是过程变量的起始值、起始速度、起始加速度、过程变量的结束值、结束速度、结束加速度和/或变化廓线的长度。

由此可以确保：自动化过程以特定的起始条件起始，并以特定的结束条件结束。如果自动化过程是循环过程，其中过程变量的起始值对应于先前自动化过程的过程变量的结束值，则这尤其重要。

在下文中，将速度理解为过程变量按相应的自变量的变化。因此，可以通过相应的变化廓线对相应的自变量一阶求导来确定速度。

加速度是速度根据相应的自变量的变化，并且可以借助于相应的变化廓线对自变量的二次求导来求出。

在该上下文中，术语“速度”和“加速度”的使用并不暗指：仅考虑过程变量、位置相对于自变量、时间的变化。相反，在下文中，术语速度和加速度表示任何过程变量相对于任意自变量的变化。

接下来，变化廓线的长度通过变化廓线的自变量的范围确定，在所述范围中定义变化廓线。自变量的范围通过自变量的起始值和结束值确定，通过相应的变化廓线控制的自动化过程在所述起始值起始，并且自动化过程在所述结束值结束。

如果例如对于可借助变化廓线控制的过程将时间选择作为变化廓线的自变量，则变化廓线的长度描述从起始时间点到结束时间点的持续时间，在所述持续时间中经由变化廓线控制相应的过程。

根据一个实施方式，至少一个次要条件是过程变量的最大值、过程变量的最小值、最大速度、最小速度、最大加速度、最小加速度、过程变量的走向的最小加速度。

由此实现：对于过程变量、对于过程变量的走向(包括走向的速度和加速度)提供一框架，过程走向在所述框架内无问题地且非临界地进展。

根据一个实施方式，过程变量的最大值和/或最小值是变化廓线的自变量的函数。

由此增加了该方法的适用性。

根据一个实施方式，备用廓线满足至少一个边界条件和至少一个次要条件，并且能够至少两次连续微分。

由此实现：在将备用廓线用于控制自动化过程时确保：遵守对于自动化过程安全和有效运行必不可少的至少一个边界条件和至少一个次要条件。

此外，可以通过备用廓线的可两次连续微分性确保：根据备用廓线的过程变量的走向还有速度和加速度都不具有跳跃点或奇异性。由此可以防止在自动化过程的走向期间过程变量剧烈或突然地变化。

根据一个实施方式，实时是硬实时。

由此可以确保：对于每个自动化过程，或在根据变化廓线的过程变量的每次计划的变化之前，在预定的持续时间内，可以提供符合相应的边界条件和次要条件的相应的第二变化廓线，或提供至少一个同样符合边界条件和次要条件的备用廓线。

在下文中，将硬实时应理解为如下实时要求，所述实时要求表明将超过预先确定的响应时间评估为相应过程的失效。

根据本发明的第二方面，提供一种自动化***，其具有用于执行自动化过程的处理单元和用于控制处理单元的控制单元，其中控制单元构成用于实施用于控制自动化过程的方法。

由此实现如下技术优点：可以提供自动化***，借助所述自动化***可以实时地执行自动化过程的控制。

根据一个实施方式，自动化***是线性运输***，其中处理单元包括：至少一个线性运输设备，用于执行运输运动；至少一个运行轨道，用于以预定的线性轨道运动引导线性运输设备；和驱动单元，用于驱动至少一个运行轨道上的至少一个线性运输设备。

由此可以提供一种线性运输***，其中可以实时地执行每个线性运输过程的控制。

根据一个实施方式，线性运输设备构成为滑块、特别构成为动子。

由此实现运输设备的优点：即所述运输设备可以在运行轨道上可靠地引导。

根据另一实施方式，自动化***是平面运输***，并且其中处理单元包括：至少一个平面运输设备，用于执行运输运动；至少一个平面轨道元件，用于在预定的二维引导区域中引导平面运输设备，在所述二维引导区域中平面运输设备能够执行运输运动；和驱动单元，用于驱动至少一个平面轨道元件上的至少一个平面运输设备。

由此可以提供平面运输***，其中可以实时地执行每个平面运输过程的控制。

根据一个实施方式，平面运输设备构成为平面滑块、特别构成为平面动子。

由此实现平面运输设备的优点，所述设备可以可靠地在平面轨道元件上引导。

根据一个实施方式，平面运输设备构成用于执行一维、二维或三维的运输运动。

由此实现提高的使用范围的优点。

根据一个实施方式，过程变量是线性运输设备的或平面运输设备在坐标系中的位置，其中至少一个边界条件是线性运输设备和/或平面运输设备的起始位置、起始速度、起始加速度、起始方向、结束位置、结束速度、结束方向和/或结束加速度，并且其中至少一个次要条件包括线性运输设备和/或平面运输设备的最大位置、最小位置、最大速度、最小速度、最大加速度和/或最小加速度。

由此实现简单、安全且有效地控制线性或平面运输***的运输过程。

根据第三方面，提供一种计算机程序，其包括指令，在计算机程序通过计算机或控制单元执行时所述指令促使所述计算机或所述控制单元执行用于实时控制自动化程序的方法。

根据本发明的第四方面，提供一种机器可读的存储介质，在所述存储介质上存储有根据本发明的计算机程序。

附图说明

下面根据优选实施例更详细地阐述本发明。在此示出：

图1示出根据第一实施方式的用于实时控制自动化过程的方法的流程图；

图2示出根据另一实施方式的用于实时控制自动化过程的方法的流程图；

图3示出根据另一实施方式的用于实时控制自动化过程的方法的流程图；

图4示出用于图形展示根据一个实施方式的用于控制自动化过程的方法的方法步骤的位置时间图；

图5示出用于图形展示根据一个实施方式的用于控制自动化过程的方法的另一方法步骤的位置时间图；

图6示出用于图形展示根据一个实施方式的用于控制自动化过程的方法的另一方法步骤的位置时间图；

图7示出用于图形展示根据一个实施方式的用于控制自动化过程的方法的另一方法步骤的位置时间图；

图8示出用于图形展示根据一个实施方式的用于控制自动化过程的方法的另一方法步骤的位置时间图；

图9示出用于图形展示根据一个实施方式的用于控制自动化过程的方法的另一方法步骤的位置时间图；

图10示出用于图形展示根据一个实施方式的用于控制自动化过程的方法的另一方法步骤的位置时间图；

图11示出根据一个实施方式的根据用于控制自动化过程的方法的第一变化廓线的位置时间图；

图12示出根据一个实施方式的根据用于控制自动化过程的方法的第一变化廓线的位置时间图；

图13示出根据一个实施方式的用于执行自动化过程的自动化***的示意图；

图14示出根据另一实施方式的用于执行自动化过程的自动化***的示意图；

图15示出图14中的自动化***的示意立体部分视图；

图16示出根据另一实施方式的用于执行自动化过程的自动化***的示意图；和

图17示出具有用于执行用于控制自动化过程的方法的计算机程序的存储介质的示意图。

具体实施方式

图1示出根据第一实施方式的用于实时控制自动化过程的方法100的流程图，其中基于变化廓线P和至少一个过程变量PV执行自动化过程的控制，所述变化廓线在下文中称作为第一变化廓线P1、第二变化廓线P2、备用廓线P3和/或通常称为变化廓线P。

根据图1，用于实时控制自动化过程的方法100包括以下方法步骤：借助于具有实时能力的基于非线性优化过程的识别方法在考虑过程变量PV的至少一个边界条件BC的情况下求出101第一变化廓线P1；借助于数值算法基于第一变化廓线P1求出103第二变化廓线P2，其包括：借助于数值适配过程将所选择的廓线函数PF适配于第一变化廓线P1，和将适配的廓线函数PF鉴别107为第二变化廓线P2；检查109第二变化廓线P2是否满足过程变量PV的至少一个次要条件SC；如果第二变化廓线P2满足至少一个次要条件SC，则基于第二变化廓线P2控制111自动化过程；和如果第二变化廓线P2不满足至少一个次要条件SC，则基于预定的备用廓线P3控制113自动化过程。

在用于控制任意的自动化过程的方法100中，在第一方法步骤101中在考虑过程变量PV的至少一个边界条件BC的情况下借助于具有实时能力的基于非线性优化过程的识别方法来求出第一变化廓线P1。

当前，过程变量PV是物理技术变量，借助所述物理技术变量可以鉴别、跟踪或控制相应的自动化过程。例如，在其中运输设备执行运输运动的运输过程中，过程变量PV是可运动的运输设备的位置。

在该上下文中，过程变量PV的变化廓线P描述过程变量PV相对于过程变量PV的自变量X的变化或走向。过程变量PV的变化也可以取值为零，进而过程变量PV可以具有恒定的走向。

自变量X例如可以是时间，使得在这种情况下变化廓线P描述过程变量PV的时间走向。但是，变化廓线P也可以描述过程变量PV对任何其他自变量X的走向。

为了可以确保自动化过程的有效且安全的运行，过程变量PV必须满足特定的边界条件BC。这种边界条件BC取决于相应的自动化过程和相应的过程变量PV。

例如，对于其中控制可运动的运输设备并且其中过程变量PV是运输设备在坐标系中的位置的运输过程，边界条件BC可以是运输设备的运动的起始位置和结束位置以及起始速度和结束位置还有起始加速度、结束加速度和运动方向。速度以及运输设备的初始加速度，最终加速度和方向。

为了求出这种第一变化廓线P1，在第一方法步骤101中执行具有实时能力的基于非线性优化过程的识别方法。

在非线性优化过程期间，创建优化问题的如下优化结果，所述优化结果满足至少一个优化标准、替选地满足多个优化标准、满足至少一个边界条件、替选地满足多个边界条件和满足至少一个次要调节、替选地满足多个次要条件。

非线性优化过程的优化结果当前是针对不同过程变量PV和不同优化标准、边界条件BC和次要条件SC的变化廓线P。

非线性优化过程可以是数值适配过程，其中变化适配函数的参数，使得适配函数满足相应的优化标准、边界条件和次要条件。

在识别过程中，具有实时能力的基于非线性优化过程的识别方法从先前通过非线性最佳化过程确定的优化结果中识别如下结果，并将所述优化结果确定为优化过程的结果，所述结果满足所有最佳化标准、所有边界条件和所有次要条件。

换言之，具有实时能力的基于非线性优化过程的识别方法从先前通过非线性优化过程确定的变化廓线P中识别出满足所有优化标准、所有边界条件和所有次要条件的变化廓线P，并且将所述变化廓线P鉴别为第一变化廓线P1。

对于没有识别出满足所有优化标准、所有边界条件BC和所有次要条件SC的这种变化廓线P的情况而言，识别出满足优化标准、边界条件BC和次要条件SC的至少一部分的变化廓线P，并将其鉴别为第一变化廓线P1。

为此，可以考虑特定的加权标准，根据所述加权标准确定：不满足所有优化标准、不满足所有边界条件或不满足所有次要条件的变化廓线P中的哪个被识别为第一变化廓线P1。

因此，即使没有识别出符合所有优化标准、所有边界条件和所有次要条件的变化廓线P，通过具有实时能力的基于非线性优化过程的识别方法进行的识别过程总是得到结果。

由于非线性最佳化过程在识别过程之前执行并结束，所有具有实时能力的基于非线性优化过程的识别方法的识别过程具有实时能力。

例如，人工神经网络可以用作具有实时能力的基于非线性优化过程的识别方法。人工神经网络可以优选地被设计成，使得在人工神经网络的学习过程期间执行非线性优化过程。

在具有实时能力的识别过程中，人工神经网络借此从先前通过非线性优化过程中确定的变化廓线P中识别出变化廓线P，所述变化廓线具有匹配的过程变量PV并所述变化廓线对于相应的自动化过程满足相对应的优化标准并且所述变化廓线满足至少一个边界条件BC，并将所述变化廓线鉴别为第一变化廓线P1。

如果通过人工神经网络没有识别出满足所有优化标准、边界条件BC和次要条件SC的这种变化廓线P，则人工神经会根据先前确定的加权标准识别出满足优化标准、边界条件BC和次要条件SC的至少一个子集的变化廓线P，并将所述变化廓线P作为识别构成的结果作为第一变化廓线P1输出。

在人工神经网络的学习过程中，可以执行其他的非线性优化过程，以便确定满足附加和不同的优化标准、边界条件和次要条件的附加的变化廓线P。

通过在人工神经网络的学习构成中轴向的非线性优化过程确定越多的对不同的优化标准、边界条件BC、次要条件SC、过程变量PV和其他参数的变化廓线P，则通过人工神经网络在相应的识别过程中识别到的变化廓线P就越好地满足相应的优化标准、边界条件和次要条件。

非线性的优化过程不具有实时能力。但是，由于非线性优化过程在人工神经网络的学习过程期间执行进而在通过人工神经网络的识别过程起始时已经结束，所以人工神经网络的识别过程具有实时能力。

人工神经网络因此可以在输入过程变量PV和该边界条件BC或多个边界条件BC并考虑一个或多个优化标准的情况下来实时地产生过程变量PV的优化的第一变化廓线P1。

在该上下文中，优化标准表达如下标准：关于所述标准应当优化特定的自动化过程。优化标准的示例可以是自动化过程的能耗或材料消耗、过程的持续时间或过程部件的磨损。在此，优化标准与相应的自动化过程的目标和类型密切相关。

因为由于人工神经网络的设计及其特性，即网络总是在预定的持续时间后到达结果，而不管优化过程复杂程度如何或网络的起始信息或学习状态如何不足，所以优化过程的结果的质量会有所不同，进而必须进行检查。

在第二方法步骤103中，基于第一变化廓线P1借助于数值算法求出第二变化廓线P2。

为此，在第三方法步骤105中，借助于数值适配过程将选择的廓线函数PF适配于第一变化廓线P1。

在该上下文中，廓线函数PF是适合于描述第一变化廓线P1的数学函数。例如，廓线函数PF可以是五次样条。

在该上下文中，第三方法步骤105中的数值适配过程是拟合过程，其中通过改变廓线函数PF的参数将廓线函数PF的走向逼近于相应的第一变化廓线P1的走向。所选择的廓线函数PF适配于第三方法步骤105的第一变化廓线P1通过数值逼近方法来执行。例如，可以通过样条插值来执行适配。

在第三方法步骤105中将所选择的廓线函数PF适配于第一变化廓线P1期间考虑：廓线函数PF满足边界条件BC。

因此，在第三方法步骤105中将所选择的廓线函数PF匹配于第一变化廓线P1得出如下廓线函数PF，所述廓线函数满足至少一个边界条件BC并且具有逼近第一变化廓线P1的走向。

适配的廓线函数PF的走向因此为如下变化廓线P，所述变化廓线满足边界条件BC并且几乎具有第一变化廓线P1的优化程度。通过廓线函数PF相对于第一变化廓线P1的偏差，例如在边界条件BC中，廓线函数PF没有达到第一变化廓线P1的优化程度。

第一变化廓线P1的个体的走向反映关于一个或多个优化标准的第一变化廓线P1的优化程度。对应于该走向的廓线相对于优化标准被优化到与第一变化廓线P1几乎相同的程度。

随后，在第四方法步骤107中，将适配的廓线函数PF识别为第二变化廓线P2。因此，根据具有实时能力的基于非线性优化过程识别方法，关于优化标准对第二变化廓线P2进行优化，并满足边界条件BC。

在第五方法步骤109中，如下检查第二变化廓线P2：即所述第二变化廓线其是否除了边界条件BC之外还满足其他次要条件SC。

这些次要条件SC可以例如是过程变量PV的最大值、最小值、过程变量PV的自由行的最大速度、最小速度或最大加速度、最小加速度。

如果在第五方法步骤109中的检查得出第二变化廓线P2满足至少一个次要条件SC，则在随后的第六方法步骤111中，基于第二变化廓线P2控制自动化过程。

相反，如果在第五方法步骤109中的检查得出第二变化廓线P2不满足至少一个次要条件SC，的确总是通过在第三方法步骤105的适配对廓线函数PF确保满足边界条件BC，则在下一第七方法步骤113中丢弃第二变化廓线P2，并基于备用廓线P3控制自动化过程。

在此，备用廓线P3设计为，使得使其既满足边界条件BC又满足次要条件SC，但是没有关于至少一个优化标准进行优化。

可以关于边界条件BC和次要条件SC个体地产生备用廓线P3。但是，备用廓线P3不借助于具有实时能力的基于非线性优化过程的识别方法来求出。但是，替选地，对于每个自动化过程也可以采用已经产生的、例如存储在相应数据库中的备用廓线P3。

根据第二变化廓线P2或备用廓线P3来控制相应的自动化过程通过如下方式进行：即对应于相应的变化廓线P2、P3改变过程变量PV。

图2示出根据另一实施方式的用于实时控制自动化过程的方法100的流程图。

与图1相比，图2中的方法100的不同之处在于：在第三方法步骤105中借助于数值适配过程将所选择的廓线函数PF适配于第一变化廓线P1具有两个另外的方法步骤。

在第八方法步骤115中，求出第一变化廓线P1的至少一个数据点DP。

在该上下文中，数据点DP是由自变量X的值和过程变量PV沿第一变化廓线P1的相应的值构成的值对。

根据第一变化廓线P1的复杂性，也可以求出多个数据点DP，以便可以借助于数据点DP考虑第一变化廓线P1的所有特征点。

在随后的第九方法步骤117中，已经提到的廓线函数PF适配于边界条件BC和一个或多个数据点DP。

根据图1中在第三方法步骤105中描述的适配过程通过如下方式执行用于将廓线函数PF适配于所选择的数据点DP和边界条件BC的第九方法步骤117：即例如执行数据点DP和边界条件BC的样条插值。

在根据第九方法步骤117将廓线函数PF适配于至少一个数据点DP之后，根据图1中描述的第四方法步骤107，对方法100延续第五方法步骤109和第六方法步骤111或第七方法步骤113。

图3示出根据另一实施方式的用于实时控制自动化过程的方法100的流程图。

与图1和2中描述的实施方式不同，第一方法步骤101具有两个另外的方法步骤。

首先，在第十方法步骤119中，确定至少一个边界条件BC和至少一个次要条件SC。

在该上下文中，边界条件BC和次要条件SC可以或者由方法100的用户个体地适配于相应的自动化过程和相应的过程变量PV，并且独立地产生。也可以考虑：从数据库中提取相应的边界条件BC和次要条件SC。同样会可行的是：该方法100在了解自动化过程且了解自动化***的相应的硬件部件的相应的特性的情况下自主地产生所列举的边界条件BC和次要条件SC。

在第十一方法步骤120中，在考虑边界条件BC和次要条件SC的情况下，借助于具有实时能力的基于非线性优化过程的识别方法来创建第一变化廓线P1。

接下来，在第八方法步骤115中求出第一变化廓线P1的至少一个数据点DP，在第九方法步骤117中，将所选择的廓线函数PF适配于至少一个数据点DP和至少一个边界条件BC，并且在第四方法步骤107中将适配的廓线函数PF鉴别为第二变化廓线P2。

在第四方法步骤107中实际上在确定第二变化廓线P2之前或与其平行地，在第十二方法步骤121中基于边界条件BC和次要条件SC求出备用廓线P3。

在此，可以为每个自动化过程个体地产生备用廓线P3。还可以考虑的是：备用廓线P3是从多个已经已知和存储的廓线中选择。

在下文中，根据先前的实施方式，在满足第五方法步骤109中的次要条件SC方面检查第二变化廓线P2，并且要么在第六方法步骤111中在第二变化廓线满足次要条件SC的情况下借助第二变化廓线P2控制自动化过程，或者要么在第七方法步骤113中在第二变化廓线P2不符合次要条件SC的情况下借助备用廓线P3控制自动化过程。

在下文中，根据另一实施方式，再次更详细地描述上述的用于实时控制自动化过程的方法100。在以下所示的实施方式中，自动化过程是通过如图14和15中所示的运输***执行的线性运输过程。为此，将线性运输设备1405以可沿预定的运行轨道1407运动的方式构成，以执行运输工序。

在该实施方式中，线性运输设备1405在相应坐标系内的位置被选择为过程变量PV。优选地，确定相对于预定的运行轨道1407的位置，使得通过过程变量PV表示线性运输设备1405在运行轨道1407上的位置。

选择时间作为过程变量PV的自变量X。因此，变化廓线P描述了线性运输设备1405在运行轨道1407上的位置随时间走向。

图4至图10分别示出用于图形展示根据所提出的实施方式的用于控制自动化过程的方法100的方法步骤的位置时间图。

在图4中根据第十方法步骤119确定边界条件BC。

在本实施方式中，边界条件BC包括线性运输设备1405的起始位置和结束位置。起始和结束位置分别通过自变量值X＝0和X＝10的叉号示出，其中自变量值X＝0和X＝10当前符号表示运输过程的起始和结束。

此外，边界条件BC包括起始动态和结束动态，它们分别通过起始于起始位置中或终止于结束位置中的直线表征。

起始和终止动态分别包括线性运输设备1405的运动的起始和终止速度和起始和终止加速度以及方向。

起始速度和结束速度可以从直实线的斜率中求出。

起始和结束加速度可以从直实线的曲率中确定。

起始和结束方向从实线的斜率中得出，其中正斜率描述在第一方向上的运动，并且负斜率描述在与第一方向相反的第二方向上的运动。

在图4所示的实施方式中，起始速度和结束速度相同，这通过相应的线的平行表明，并且具有不同于零的恒定值。因此，起始和结束加速度取值零。在此处描述的运动是均匀、不加速的运动。

当前，当前描述一种运输过程，其所述运输过程中在该过程的起始和其结束时，线性运输设备1405已经并且继续运动。因此，这里描述的过程应理解为子过程，在所述子过程中仅控制线性运输设备1405的输送运动的一部分。

然而，这里示出的速度和加速度仅用于说明的目的，并且不描述线性运输设备1405在运行轨道上的任何实际运动。

在图5中，根据第一方法步骤101，借助于具有实时能力的基于非线性优化过程的识别方法来求出第一变化廓线P1。在所示的实施方式中，具有实时能力的基于非线性优化过程的识别方法通过人工神经网络实现，在所述人工神经网络的学习过程中执行非线性优化过程。

第一变化廓线P1通过虚线的曲线示出，并且描述线性运输设备1405在运行轨道1407上的位置从要控制的输送过程的起始到结束的时间走向。

第一变化廓线P1的走向表示第一变化廓线P1关于特定的优化标准的优化程度，根据所述优化标准执行具有实时能力的基于非线性优化过程的识别方法以在第一方法步骤101中或在第十一方法步骤120中求出第一变化廓线P1。

但是，这里示出的第一变化廓线P1仅用于说明，并且不描述线性运输设备1405的任何实际的输送运动。这里示出的第一变化廓线P1也没有关于特定的优化标准进行优化。更确切地说，第一变化廓线P1的在此示出的走向是任意且无意选择的，借助所视乎的第一变化廓线P1来描述实际自动化过程的真实情况。

此外，在图5中示出：第一变化廓线P1不满足边界条件BC。当前，第一变化廓线P1没有到达起始和结束位置并且在结束速度中偏差。

另外，第一变化廓线P1至少在线性运输设备1405的末端方向上偏离。用末端方向表示线性运输设备1405的如下方向，线性运输设备1405沿所述方向到达末端位置。

在图5中，第一变化廓线P1在起始点中具有正斜率，进而描述线性运输设备1405在第一方向上的起始运动。第一变化廓线P1在起点中的正斜率大范围与边界条件BC的直线在起始点中的斜率一致。

相反，在结束点处，第一变化廓线P1具有负斜率，进而描述线性运输设备1405在第二方向上的运动。与此相反，边界条件BC的直线在结束点中具有正斜率。因此，边界条件提出：线性运输设备1405以沿第一方向的运动到达结束点。

第一变化廓线P1的这种偏差可归因于具有实时能力的基于非线性优化过程的识别方法、特别是人工神经网络的固有误差。

根据人工神经网络的训练程度，识别过程的结果会更好或更差地满足边界条件BC和次要条件SC。

在图6中，根据第八方法步骤115，确定第一变化廓线P1(虚线)的多个数据点DP(十字)。

如图所示，每个数据点DP将特定时间X与对应于第一变化廓线P1的位置PV相关联。可以给他地在第一变化廓线P1的任意点处确定数据点DP。

替选地，可以以等距间隔地设置数据点DP。附加地，数据点DP的数量可以根据相应的第一变化廓线P1的复杂度而变化，以便可以确保考虑第一变化廓线P1的所有特征点。

在图7中，根据随后的第九方法步骤117，将所选择的廓线函数PF(实线)适配于数据点DP(十字)和边界条件BC。

在本实施方式中，选择五次样条作为廓线函数PF，并且执行数据点DP和边界条件BC的样条内插作为适配处理。

适配的廓线函数PF到达所有数据点DP并满足边界条件BC，这通过以下事实来说明：廓线函数PF在起始位置中起始，在结束位置中结束，并且紧邻这些位置与表示起始和结束速度的实线一致。

通过相应地选择五次样条作为廓线函数PF确保：廓线函数PF满足连续性条件，所述连续条件表明：廓线函数PF或第二变化廓线P2可以至少两次连续微分。

在图8中还示出了次要条件SC。

在图8中确定位置极限、即线性运输设备1405在运行轨道1407上的最大和最小位置，作为次要条件SC。次要条件SC通过两个水平的平行线表征。

然而，在所描述的线性运输过程中，还可以考虑另外的次要条件SC，所述另外的次要条件在图中未示出。同样，当前未示出后讨论的其他边界条件BC也会是重要的。

例如，除了最大和最小位置之外，可以考虑线性运输设备1405的最大和最小速度或最大和最小加速度作为次要条件SC。

次要条件SC可以通过过程结构的设计方案、特别是通过实体极限或通过过程部件的最大负荷或其他特性所决定，借助所述其他特性可以执行该过程。相应的次要条件SC也可以影响过程的相应的执行。

在图9中，根据第四方法步骤107，适配的廓线函数PF被鉴别为第二变化廓线P2。

此外，根据随后的第五方法步骤109检查：第二变化廓线P2是否满足次要条件SC。

图9示出：第二变化廓线P2通过如下方式对应于最小位置的次要条件SC：即因为第二变化廓线P2不低于表示最小位置极限的下方的水平线。

然而，第二变化廓线P2通过如下方式违反最大位置极限的次要条件SC：即第二变化廓线P2超过通过上方水平线表示的最大位置。因此，第二变化廓线P2设置线性运输设备1405的不允许的位置UP，所述位置超出次要条件SC的最大位置极限。

圆点标识线性运输设备1405的根据次要条件SC不允许的、通过第二变化廓线P2确定的不允许的位置UP，因为所述位置设置超过位置极限。相反，十字形标记标识通过第二变化廓线P2确定的运行的位置ZP，所述位置根据次要条件SC是允许的。

因此，第二变化廓线P2的检查得出如下结果：第二变化廓线P2不满足次要条件SC。

在图10中，根据第七方法步骤113，丢弃第二变化廓线P2，并且根据备用廓线P3控制线性运输过程。

如图10所示，作为实线曲线所示的备用廓线P3符合边界条件BC和次要条件SC。备用廓线P3起始和结束于相应的起始和结束位置，并且在所述位置中具有一定斜率的直线的走向，所述斜率对应于起始和结束速度。另外，备用廓线P3保持在位置极限内。

但是，后备廓线P3不对应于第一变化廓线P1(虚线曲线)和第二变化廓线P2关于优化标准来优化。这通过以下事实明确：备用廓线P3的走线尽管粗略地遵循优化的第一变化廓线P1，但是在细节上与第一变化廓线P1显著不同。

根据后备廓线P3对线性运输过程进行控制通过如下方式进行：即操控相应的线性运输***操控驱动单元，以驱动运输***的线性运输设备1405，使得线性运输设备1405在特定的时间点根据备用廓线P3占据线性运输***的运行轨道1407上的对应的位置。以类似的方式根据第二变化廓线P2控制线性运输过程。

在图11和图12分别示出借根据一个实施方式的用于控制自动化过程的方法100的第一变化廓线P1的位置时间图。

如上所述，在第一变化廓线P1的相应的走向中示出第一变化廓线P1的优化。尽管变化廓线P可以表示自动化过程的过程走向，但是没有表示最佳的过程走向，其中所述变化廓线的走向与所述最佳的走向偏差。

图11和12分别示出借助人工神经网络的、具有实时能力的基于非线性优化过程的识别方法的结果，其中图11示出通过良好训练的人工神经网络求出的第一变化廓线P1(虚线)，并且图12示出借助于虚线曲线示出通过训练差的人工神经网络求出的第一变化廓线P1。

在图11中，第一变化廓线P1具有与边界条件BC的微小的偏差。稍微错过起始位置和起始速度，而达到结束位置和结束速度。

也满足连续性条件。总体而言，适配的廓线函数PF(实线曲线)仅略微偏离第一变化廓线P1(虚线曲线)。

相反，在图12中，第一变化廓线P1具有与边界条件BC的显著的偏差。第一变化廓线P1在起始位置和结束位置中以及在起始速度和结束速度中都具有强的偏差。作为(实线曲线)示出的适配的廓线函数PF仅在中间区域中能够良好代表第一变化廓线P1。

在如图12中所示的这种不足的结果的情况下，相应的人工神经网络或具有实时能力的基于非线性优化过程的识别方法必须促使：完成进一步的训练运行或学习过程，在后续的识别方法中提供更好的结果。

图13示出用于执行自动化过程的自动化***1300的示意图。

自动化***1300具有用于执行自动化过程的处理单元1301和用于控制处理单元1301的控制单元1303。

处理单元1301可以具有对应于相应的自动化过程的处理部件。

例如，自动化***1300可以是线性运输***。与之相关，处理单元1301可以包括至少一个可运动的线性运输设备1405、至少一个用于引导线性运输设备1405的运行轨道1407和至少一个用于驱动线性运输设备1405的驱动单元1412。

图14示出根据另一实施方式的用于执行自动化过程的自动化***1300的示意图。

在本实施方式中，自动化***1300构成为线性运输***。

要指出的是：图14以及下面还有图15和16也仅是示意性的，并且不是符合比例的。就此意义而言，为了更好地理解，图中所示的部件和元件可以夸张大或缩小地示出。还应指出：如果其为相同够的元件和/或部件和/或尺寸，则附图中的附图标记选择保持不变。

图14中的线性运输***1300包括处理单元1301和与处理单元1301连接的控制单元1303。

处理单元1301例如包括三个线性运输设备1405和运行轨道1407，线性运输设备1405设置在所述运行轨道上。

运行轨道1407可构成为闭合的轨道，所述轨道具有两个下文也称为弯曲的运行轨道1411的弯曲的运行轨道部段和两个下文也称为直线的运行轨道1409的直线的运行轨道部段。线性运输设备1405可以借助于运行轨道沿着运行方向1417引导。

此外，处理单元1301包括驱动单元1412，所述驱动单元在本实施方式中构成为直线马达模块1413和拱形马达模块1415。直线马达模块1413和/或拱形马达模块1415的几何形状可以任意变化和组合，同样还有弯曲的运行轨道1411和/或直线的运行轨道1409的轮廓。

直线马达模块1413和拱形马达模块1415构成为线性马达。所述线性马达具有多个定子齿1419，其中未示出的电线圈围绕定子齿1419的至少一部分缠绕，所述线圈可单独和彼此分开地通电。

可以借助于线圈产生行进磁场，借助所述行进磁场，线性运输设备1405可以沿着运行轨道1407运动。

控制单元1303与处理单元1301连接并用于：控制线性运输设备1405在运行轨道1407上的运动。

例如，线性运输设备1405的运动可借助于如上描述的变化廓线P来控制，所述变化廓线具有线性运输设备1405的位置作为过程变量PV，这类似于图4至图12描述的变化廓线P。

因此，在变化廓线P中描述的位置当前对应于相应线性运输设备1405在运行轨道1407上的位置。借助于未在图14中示出的传感器单元，可以求出所述位置并且借助于直线马达模块1413和/或拱形马达模块1415精确地实现。

因此，通过控制单元1303根据所求出的变化廓线P控制线性运输设备1405进行为，使得控制单元1303操控直线马达模块1413和/或拱形马达模块1415，使得线性运输设备1405依次驶近运行轨道1407上的通过变化廓线P确定的位置，进而实施对应于相应的变化廓线P的走向的运输运动。

为了避免多个线性运输设备1405在运行轨道1407上发生碰撞，在求出适合于线性运输设备1405的变化廓线P时，控制单元1303可以考虑其他线性运输设备1405的存在和运动。例如，这可以通过相应的边界条件BC和/或次要条件SC来实现。

例如，各个线性运输设备1405的最大速度可以适配成，使得避免较快的线性运输设备1405撞上较慢的线性运输设备1405。例如，线性运输设备1405的负速度和与其相关的反向行驶也可以通过相应的次要条件SC来禁止。

除了其他线性运输设备1405之外，在通过相应的变化廓线P对线性运输设备1405进行控制中也可以考虑要运输的物品的运动。例如，线性运输设备1405在运行轨道1407上的运动可以与要运输的物品的运动同步，使得线性运输设备1405和要运输的物品同时到达接收地点，其中所述物品在图14中未示出的单独的轨道上运动，其中在所述接收地点处线性运输设备1405接收要运输的物品并将其从那里运输至交付地点。

如图4至图12中所示的、用于控制线性运输设备1405的变化廓线P可以描述线性运输设备1405沿着完整的运行轨道1407的运动，使得线性运输设备1405完成沿着运行轨道1407的完整的回转。但是，相应的变化廓线P也可以描述线性运输设备1405的多次回转。替选地，相应的变化廓线P也可以仅描述线性运输设备1405沿着运行轨道1407的子部段的运动，使得为了线性运输设备1405依次完整回转必须时间上依次执行多个变化廓线P。

借助于控制单元1303和根据相互协调的变化廓线P，线性运输设备1405可以单独地、以多个线性运输设备1405的组自由地或同步地运动。借比，线性运输***1300的线性运输设备1405可以灵活地用于不同的定位或运输任务。

图15示出图14中的线性运输***1300的立体侧视部分图。

示出了直线运行轨道1409以及弯曲运行轨道1411和三个线性运输设备1405，其中如图14中所示，线性运输设备1405的数量任意选择，并且也可以偏差于所示的数量。

驱动单元1412包括弧形马达模块1415和直线马达模块1413。

可以结合通过结合图14描述的、借助于线圈产生的行进磁场来驱动设置在线性运输设备1405处的磁体1521，而在线性运输设备1405上不需要其他有源驱动元件。

线圈中的电流通量产生用于与线性运输设备1405的磁体1521有效连接的行进磁场。有效连接描述线圈的行进磁场与线性运输设备1405的磁体1521的相互作用，由此所述磁体和线圈沿着弯曲运行轨道1411或直线轨道1409运动。

因此，可以经由给他操控线圈来单独地操控构成为线性运输***的自动化***1300的每个线性运输设备1405。因此，各个线性运输设备1405的个体运动还有多个线性运输设备1405的同步运动是可行的。

为了在运行轨道1407上引导线性运输设备1405，每个线性运输设备1405可分别具有多个辊1523，所述辊可在运行轨道1407的对应的运行面1525上滚动。

控制单元1303可以是集成控制单元或外部的控制单元。此外，控制单元可以是计算机单元、个人计算机、膝上型计算机或相应的应用程序。

替选地，自动化***1300也可以是平面运输***。

图16示出根据另一实施方式的用于执行自动化过程的自动化***1300的示意图。

在本实施方式中，自动化***1300构成为平面运输***。

在图16中构成为平面运输***的自动化***1300包括处理单元1301和与处理单元1301连接的控制单元1303。

处理单元1301包括平面运输设备1605和平面轨道元件1607，在所述平面轨道元件1607上设置平面运输设备1605。

平面轨道元件1607描述二维平面，平面运输设备1605可以在所述平面上执行任何二维或还有一维的运动。

处理单元1301还包括驱动单元1612，所述驱动单元与平面轨道元件1607连接，并且构成用于：当所述平面运输设备设置在平面轨道元件1607上时，驱动该平面轨道元件1607以运动。

替选地，驱动单元也可以集成在马达模块中。

处理单元1301还包括传感器单元(这里未示出)，所述传感器单元可以确定平面运输设备1605在平面轨道元件1607上的位置。

控制单元1303与驱动单元1612连接并且可能与传感器单元连接，以便控制平面运输设备1605在平面轨道元件1607上的一维或二维运动。

通过控制单元1303根据变化廓线P在平面轨道元件1607上对平面运输设备1605进行控制类似于在图4至10和图14、图15下描述的方法100进行。

在求出合适的变化廓线P之后，控制单元1303操控驱动单元1612，以将平面运输设备运动至平面轨道元件1607上的与相应的变化廓线P相对应的位置。

不同于上述线性运输过程，为了控制平面运输设备1605在平面轨道元件1607上的二维运动在平面运输过程期间，过程变量PV必须具有两个位置分量、即x分量和y分量，以便实现将平面运输设备1605明确地定位在平面轨道元件1607上。

替选地，过程变量PV也可以具有其他分量，例如附加的z分量或用于确定位置的其他分量。

但是，在此也又可以选择不同于平面运输设备1605的位置的变量作为过程变量PV。

图17示出具有用于执行用于控制自动化过程的方法100的计算机程序1703的存储介质1701的示意图。

附图标记列表

100 用于控制自动化过程的方法

101 求出第一变化廓线

103 求出第二变化廓线

105 将廓线函数适配于第一变化廓线

107 将廓线函数鉴别为第二变化廓线

109 检查第二变化廓线

111 根据第二变换廓线进行控制

113 根据备用廓线进行控制

115 求出数据点

117 将廓线函数适配于数据点

119 确定至少一个边界条件和至少一个次要条件

120 在考虑至少一个边界条件和至少一个次要条件的情况下求出第一变化廓线

121 求出备用廓线

P 变化廓线

P1 第一变化廓线

P2 第二变化廓线

P3 备用廓线

PV 过程变量

X 自变量

BC 边界条件

SC 次要条件

DP 数据点

PF 廓线函数

ZP 允许位置

UP 不允许位置

1300 自动化***

1301 处理单元

1303 控制单元

1405 线性运输设备

1407 运行轨道

1409 直线运行轨道

1411 弯曲运行轨道

1412 驱动单元

1413 直线马达模块

1415 拱形马达模块

1417 运行方向

1419 定子齿

1521 磁体

1523 卷

1525 运转面

1605 平面运输设备

1607 平面轨道元件

1612 驱动单元

1701 存储介质

1703 计算机程序

Claims (17)

1.一种用于实时地控制自动化过程的方法(100)，所述实时地控制自动化过程基于至少一个过程变量(PV)的变化廓线(P)，其中，所述过程变量（PV）表示物理技术变量，借助所述物理技术变量可对特定的自动化过程进行鉴别和/或跟踪和/或控制，其中，变化廓线(P)描述过程变量(PV)相对于过程变量(PV)的自变量(X)的走向，其中所述自动化过程是可运动对象的点对点运动的自动化过程，其中所述过程变量是所述可运动对象在相应的坐标系中的位置，包括如下方法步骤：

借助于具有实时能力的基于非线性优化过程的识别方法在考虑所述过程变量(PV)的至少一个边界条件(BC)的情况下求出(101)第一变化廓线(P1)，其中，通过人工神经网络实现具有实时能力的基于非线性优化过程的识别方法，并且其中非线性优化过程在所述人工神经网络的学习过程中执行；

借助于数值算法基于所述第一变化廓线(P1)求出(103)第二变化廓线(P2)，其包括：借助于数值适配过程将所选择的廓线函数(PF)适配于(105)所述第一变化廓线(P1)，和，将适配的所述廓线函数(PF)鉴别(107)为第二变化廓线(P2)；

检查(109)所述第二变化廓线(P2)是否满足所述过程变量(PV)的至少一个次要条件(SC)；

如果所述第二变化廓线(P2)满足所述至少一个次要条件(SC)，则基于所述第二变化廓线(P2)控制(111)所述自动化过程；和

如果所述第二变化廓线(P2)不满足所述至少一个次要条件(SC)，则基于预定的备用廓线(P3)控制(113)所述自动化过程。

2.根据权利要求1所述的方法(100)，其中将所选择的所述廓线函数(PF)适配于(105)所述数值适配过程的所述第一变化廓线(P1)包括如下方法步骤：

求出(115)所述第一变化廓线(P1)的至少一个数据点(DP)；和

将所选择的所述廓线函数(PF)适配于(117)所述第一变化廓线(P1)的所述至少一个数据点(DP)和适配于所述至少一个边界条件(BC)。

3.根据权利要求1所述的方法(100)，其中求出第一变化廓线(P1)的所述方法步骤(101)包括如下方法步骤：

借助于具有实时能力的、基于非线性优化过程的识别方法在考虑所述至少一个边界条件(BC)和所述至少一个次要条件(SC)的情况下求出所述第一变化廓线(P1)。

4.根据权利要求1所述的方法(100)，还包括如下方法步骤：

产生(121)所述备用廓线(P3)，其中，所述备用廓线(P3)满足所述至少一个边界条件(BC)和所述至少一个次要条件(SC)。

5.根据权利要求1所述的方法(100)，其中所选择的所述廓线函数(PF)是五次样条，并且能够至少两次连续微分。

6.根据权利要求1所述的方法(100)，其中所述第二变化廓线(P2)能够至少两次连续微分。

7.根据权利要求1所述的方法(100)，其中所述至少一个边界条件(BC)是所述过程变量(PV)的起始值、起始速度、起始加速度、过程变量(PV)的结束值、结束速度、结束加速度和/或所述变化廓线(P)的长度。

8.根据权利要求1所述的方法(100)，其中所述至少一个次要条件(SC)是所述过程变量(PV)的最大值、所述过程变量(PV)的最小值、最大速度、最小速度、最大加速度和/或最小加速度。

9.根据权利要求1所述的方法(100)，其中所述备用廓线(P3)满足所述至少一个边界条件(BC)和所述至少一个次要条件(SC)，并且能够至少两次连续微分。

10.根据权利要求1所述的方法(100)，其中实时是硬实时。

11.一种自动化***(1300)，其具有用于执行自动化过程的处理单元(1301)和用于控制所述处理单元(1301)的控制单元(1303)，其中所述控制单元(1303)构成用于：实施权利要求1所述的方法(100)。

12.根据权利要求11所述的自动化***(1300)，其中所述自动化***(1300)是线性运输***，并且其中所述处理单元(1301)包括：

至少一个线性运输设备(1405)，用于执行运输运动，

至少一个运行轨道(1407)，用于以预定的线性轨道运动引导所述线性运输设备(1405)；和

驱动单元(1412)，用于驱动所述至少一个运行轨道(1407)上的所述至少一个线性运输设备(1405)。

13.根据权利要求11所述的自动化***(1300)，其中所述自动化***(1300)是平面运输***，并且其中所述处理单元(1301)包括：

至少一个平面运输设备(1605)，用于执行运输运动，

至少一个平面轨道元件(1607)，用于在预定的二维引导区域中引导所述平面运输设备(1605)，在所述二维引导区域中所述平面运输设备(1605)能够执行运输运动；和

驱动单元(1612)，用于驱动所述至少一个平面轨道元件(1607)上的所述至少一个平面运输设备(1605)。

14.根据权利要求12或13所述的自动化***(1300)，其中所述过程变量(PV)是所述线性运输设备(1405)的或所述平面运输设备(1605)在坐标系中的位置，其中所述至少一个边界条件(BC)是所述线性运输设备(1405)或平面运输设备(1605)的起始位置、起始速度、起始加速度、起始方向、结束位置、结束速度、结束方向和/或结束加速度，并且其中所述至少一个次要条件(SC)包括所述线性运输设备(1405)或平面运输设备(1605)的最大位置、最小位置、最大速度、最小速度、最大加速度和/或最小加速度。

15.一种计算机设备，包括处理器和存储器，所述存储器包括计算机程序，所述计算机程序包括指令，所述处理器执行所述计算机程序时，促使所述计算机设备执行根据权利要求1至10中任一项所述的方法。

16.一种控制单元，所述控制单元通过执行指令，促使所述控制单元执行根据权利要求1至10中任一项所述的方法。

17.一种机器可读的存储介质，在所述存储介质上存储有计算机程序，所述计算机程序在被机器执行时，促使所述机器执行根据权利要求1至10中任一项所述的方法。

Images