DE102019130609A1 - Verfahren zum Bestimmen eines Reglers für eine Regelstrecke - Google Patents

Verfahren zum Bestimmen eines Reglers für eine Regelstrecke Download PDF

Info

Publication number
DE102019130609A1
DE102019130609A1 DE102019130609.4A DE102019130609A DE102019130609A1 DE 102019130609 A1 DE102019130609 A1 DE 102019130609A1 DE 102019130609 A DE102019130609 A DE 102019130609A DE 102019130609 A1 DE102019130609 A1 DE 102019130609A1
Authority
DE
Germany
Prior art keywords
controller
data record
control quality
controller type
rtd
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102019130609.4A
Other languages
English (en)
Inventor
Frederic Stefan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
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 Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Priority to DE102019130609.4A priority Critical patent/DE102019130609A1/de
Priority to US17/088,789 priority patent/US20210142801A1/en
Priority to CN202011255252.0A priority patent/CN112799295A/zh
Publication of DE102019130609A1 publication Critical patent/DE102019130609A1/de
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
    • 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
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
    • G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
    • 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
    • G05B11/00—Automatic controllers
    • G05B11/01—Automatic controllers electric
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • 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
    • G05B13/0285—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 and fuzzy logic
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • 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
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/16—Sound input; Sound output
    • G06F3/167—Audio in a user interface, e.g. using voice commands for navigating, audio feedback
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Acoustics & Sound (AREA)
  • Fuzzy Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Bestimmen eines Reglers (2) für eine Regelstrecke (4), mit den Schritten:(S100) Einlesen eines Datensatzes (DS) repräsentativ für eine Aufgabe des Reglers (2),(S200) Auswählen eines Reglertyps (R) für den Regler (2) aus einer Gruppe archivierter Reglertypen-Datensätze (RTD) unter Auswertung des Datensatzes (DS) mit einem zum maschinellen Lernen ausgebildeten System (6), und(S300) Auswählen eines Regelgüte-Datensatzes (RD) enthaltend archivierte Werte für eine Regelgüte (RG) des ausgewählten Reglertyps (R) mit einem zum maschinellen Lernen ausgebildeten System (6), sowie(S400) Ausgeben eines Ausgangs-Datensatzes (AD) mit dem Reglertyp (R) und dem Regelgüte-Datensatz (RD).

Description

  • Die Erfindung betrifft ein Verfahren zum Bestimmen eines Reglers für eine Regelstrecke. Ferner betrifft die Erfindung ein Computerprogrammprodukt und ein System.
  • Kraftfahrzeuge weisen eine zunehmende Anzahl von Fahrassistenzsystemen auf, die Regelstrecken mit Reglern aufweisen. Bei dem Reglerentwurf der Regler wird z.B. der jeweilige Anwendungsfall, eine Fahrzeugarchitektur, vorbestimmte Regelgüten oder auch die Art von Sensoren und Aktuatoren berücksichtigt.
  • Abhängig von der zu lösenden Regelaufgabe können unterschiedliche Reglertypen Verwendung finden, wie z.B. stetige Regler (z.B. PID-Regler oder Zustandsregler), nichtlineare Regler (z.B. Fuzzy-Regler oder adaptive Regler) oder unstetige Regler (z.B. Zweipunktregler).
  • Die Auswahl des Reglertyps für die jeweilige Aufgabe ist ein wesentlicher Teil des Regerentwurfs, die auf der Basis langjähriger Erfahrung mit dieser Aufgabe betrauten Personen erfolgt.
  • Es besteht also Bedarf daran, Wege aufzuzeigen, wie eine Unterstützung bei der Auswahl des Reglertyps erreicht werden kann.
  • Die Aufgabe der Erfindung wird gelöst durch ein Verfahren zum Bestimmen eines Reglers für eine Regelstrecke, mit den Schritten:
    • Einlesen eines Datensatzes repräsentativ für eine Aufgabe des Reglers,
    • Auswählen eines Reglertyps für den Regler aus einer Gruppe archivierter Reglertypen-Datensätze unter Auswertung des Datensatzes mit einem zum maschinellen Lernen ausgebildeten System, und
    • Auswählen eines Regelgüte-Datensatzes enthaltend archivierte Werte für eine Regelgüte des ausgewählten Reglertyps mit einem zum maschinellen Lernen ausgebildeten System, sowie
    • Ausgeben eines Ausgangs-Datensatzes mit dem Reglertyp und dem Regelgüte-Datensatz.
  • Mit anderen Worten, es wird ein zweistufiges, computerimplementiertes Verfahren vorgeschlagen, bei in der ersten Stufe basierend auf die Regelaufgabe zuerst ein geeigneter Reglertyp ausgewählt wird und dann in einer zweiten Stufe die mit dem ausgewählten Reglertyp bei früheren Anwendungen erreichte Regelgüte herangezogen wird. Diese Auswahlvorgänge werden von dem zum maschinellen Lernen ausgebildeten System ausgeführt. Hierzu kann das zum maschinellen Lernen ausgebildete System zum überwachten oder unüberwachten Lernen ausgebildet sein. Ferner kann das zum maschinellen Lernen ausgebildete System künstliche neuronale Netze, wie tiefe neuronale Netze, und/oder Algorithmen zur Klassifizierung aufweisen.
  • Gemäß einer Ausführungsform wird ein in einer Modellierungssprache vorliegender Datensatz und/oder Reglertypen-Datensatz und/oder Regelgüte-Datensatz verwendet. Modellierungssprachen ermöglichen es, Anforderungen an ein Organisationssystem oder ein Softwaresystem sowie dessen Strukturen und inneren Abläufe auf einer höheren Abstraktionsebene festzulegen. Bekannte Modellierungssprachen sind z.B. UML (Unified Modeling Language), eine grafische Modellierungssprache zur Spezifikation, Konstruktion und Dokumentation von Software-Teilen und anderen Systemen, oder SysML (Systems Modeling Language), eine grafische, auf UML 2 basierende, standardisierte Modellierungssprache. Ihre Anwendung findet sie im Bereich Systems Engineering für die Modellierung verschiedener komplexer Systeme. So können der Datensatz und/oder Reglertypen-Datensatz und/oder Regelgüte-Datensatz besonders einfach erstellt werden.
  • Gemäß einer weiteren Ausführungsform enthält der Ausgangs-Datensatz einen die Aufgabe lösenden Reglertypen-Datensatz für den Regler. Mit anderen Worten, es wird zumindest ein Regler für die zu lösende Aufgabe vorgeschlagen. Abweichend hiervon kann auch vorgesehen sein, dass eine Mehrzahl von Reglern für die zu lösende Aufgabe vorgeschlagen wird.
  • Gemäß einer weiteren Ausführungsform enthält der Ausgangs-Datensatz einen vorbestimme Regelgütevorgaben erfüllenden Reglertypen-Datensatz für den Regler. Somit wird ein Reglertyp vorgeschlagen, der die Anforderungen gemäß den Regelgütevorgaben erfüllt. Es kann auch vorgesehen sein, dass gemäß einer vorbestimmten Bewertungsregel die verschiedenen Reglertypen hinsichtlich ihres Erfüllungsgrades der vorbestimmten Regelgütevorgaben bewertet werden. So können auch mehrdimensionale Reglergüten berücksichtigt werden, die mehrere Größen umfassen. Ferner kann vorgesehen sein, dass nur Regler vorgeschlagen werden, die einen Mindestwert gemäß der vorbestimmten Bewertungsregel aufweisen. D.h., es werden also nicht alle Reglertypen, sondern z.B. nur die besten drei Reglertypen vorgeschlagen.
  • Gemäß einer weiteren Ausführungsform werden ein ausgewählter Reglertypen-Datensatz zusammen mit zugeordneten Werten für eine Regelgüte als Daten für ein maschinelles Lernen des Systems verwendet. Somit werden erprobte Reglertypen als Trainingsdaten für ein überwachtes Lernen des zum maschinellen lernen ausgebildeten Systems verwendet.
  • Ferner gehören zur Erfindung ein Computerprogrammprodukt und ein System.
  • Es wird nun die Erfindung anhand einer Zeichnung erläutert. Es zeigen:
    • 1 in schematischer Darstellung eine Regelstrecke mit einem Regler.
    • 2 in schematischer Darstellung ein System zum Bestimmen eines Reglers für eine Regelstrecke.
    • 3 in schematischer Darstellung einen Verfahrensablauf.
  • Es wird zunächst auf 1 Bezug genommen.
  • Dargestellt ist ein Regelkreis mit einem Regler 2 und einer Regelstrecke 4, bei dem wie üblich das Ausgangssignal an den Eingang zurückgeführt wird und eine Differenz zwischen der zurückgeführten Eingangsgröße und einem Sollwert dem Regler als Eingang zugeführt wird.
  • Der Regelkreis mit dem Regler 2 und der Regelstrecke 4 kann Bestandteil eines Fahrassistenzsystems eines Kraftfahrzeugs sein, wie z.B. eines geregelten Abstandstempomaten (ACC).
  • Im Rahmen eines Reglerentwurfs erfolgt eine Auswahl eines Reglertyps R für den Regler 4. Bei dem Reglertyp R kann es sich um einen stetigen Regler, wie z.B. einem PI- oder PID-Regler, einen Zustandsregler, z.B. mit Zustandsrückführung oder Ausgangsrückführung, handeln. Als Reglertyp R kann aber auch ein nichtlinearer Regler 4, wie ein Fuzzy-Regler, ein adaptiver Regler oder ein Extremwertregler in Betracht kommen. Des Weiteren können auch unstetige Regler 4 als Reglertypen R in Betracht kommen, wie z.B. Zweipunktregler oder Mehrpunktregler. Ferner kann der Reglertyp R ein Eingrößensystem (SISO) oder auch ein Mehrgrößensystem (MIMO) sein.
  • Um die Auswahl des Reglertyps R für den Regler 4 zu erleichtern ist ein System 6, im vorliegenden Ausführungsbeispiel ein CAE-System, vorgesehen, dass nun unter zusätzlicher Bezugnahme auf 2 erläutert wird.
  • Neben einem Nutzer 8, wie einer mit dem Reglerentwurf betrautem Person, sind die folgenden Komponenten des Systems 6 dargestellt: eine Schnittstelle 10, eine Anwendungsfall-Datenbank 12, eine Fahrzeugarchitektur-Datenbank 14, eine Regelgüten-Datenbank 16, eine Regeltypen-Datenbank 18, eine Archiv-Datenbank 20 und eine Kommunikationseinheit 22 sowie eine Auswerteeinheit 24.
  • Das System 6 bzw. die genannten Komponenten können für ihre nachfolgend beschriebenen Aufgaben und/oder Funktionen Hardware- als auch Software-Komponenten aufweisen.
  • Die Schnittstelle 10 kann ein Terminal, wie z.B. ein PC, sein, mit dem der Nutzer 8 auf das System 6 zugreifen und es nutzen kann. Mithilfe des Terminals 10 kann der Nutzer 8 eine Aufgabe des Reglers 2 formulieren, z.B. in einer Modellierungssprache, wie z.B. UML oder SysML. Als Ergebnis steht ein Datensatz DS repräsentativ für die Aufgabe des Reglers 2 bereit.
  • Der Datensatz DS kann als eine formelle Spezifikation der zu implementierenden Kontrollstrategie aufgefasst werden. Er kann anwendungsfallbezogen oder fahrzeugsarchitekturorientiert oder regelgüteorientiert abgefasst sein.
  • Die Anwendungsfall-Datenbank 12 ist eine Referenzdatenbank für Anwendungsfälle. Die Anwendungsfälle können auf formale Weise modelliert werden Mithilfe einer Modellierungssprache, wie z.B. SysML oder UML.
  • Die in der Anwendungsfall-Datenbank 12 archivierten Anwendungsfälle umfassen Funktionen, die entwickelt wurden oder sich in der Entwicklung befinden. Die in der Anwendungsfall-Datenbank 12 archivierten Anwendungsfälle können bestimmten Fahrzeugarchitekturen zugeordnet sein, wie z.B. Automatikgetriebefahrzeug oder, Mikrohybridfahrzeugarchitektur, oder bestimmten Regelungszielen zugeordnet sein, wie z.B. eine Regelung der Fahrzeuggeschwindigkeit bei niedriger Geschwindigkeit, dem zufolge rückartige Bewegungen innerhalb vorbestimmter Grenzen zu unterbleiben haben. Ferner können die Anwendungsfälle generischen Reglertypen R und natürlich einer spezifischen Implementierung gemäß der Archiv-Datenbank 20 zugeordnet sein.
  • Die Fahrzeugarchitektur-Datenbank 14 hingegen ist eine Referenzdatenbank für Fahrzeugarchitekturen. Die Fahrzeugarchitektur kann eine funktionale Architektur und eine Softwarearchitektur beinhalten. Sie spiegeln die Zielplattform wider, auf der bestimmte Steuerungssoftware implementiert werden kann. Die Architektur kann mithilfe einer Modellierungssprache, wie z.B. SysML oder UML, modelliert werden. Der Fahrzeugarchitektur können bestimmte Anwendungsfälle, vorbestimmte Regelgüten RG (siehe 3), generischen Reglertypen R und natürlich einer spezifischen Implementierung der gemäß der Archiv-Datenbank 20 zugeordnet sein.
  • Die Regelgüten-Datenbank 16 ist eine Referenzdatenbank für Regelgüten. Die Regelgüte RG beschreibt die Leistung und die Fahrzeugeigenschaften, die implementiert werden sollen, z.B. Beschleunigung, Rucke, Überschwinger, usw. Dabei wird unter der Regelgüte R ein Maß für das Regelverhalten einer Regelung verstanden. Mit ihr kann eine Aussage über die Qualität der Regelung gemacht werden. Dabei ist das Gütemaß jeweils an das gewünschte Regelverhalten anzupassen (Regelgröße, Sollwert, Stellwert). Gebräuchlich für die Gütemaße sind z.B. Normen wie die L1-Norm (schnelles Regelverhalten ITAE-Kriterium), die L2-Norm (Quadratisches Gütekriterium minimale Amplituden) oder die Maximumsnorm (maximal mögliche Verhältnis der Energien bzw. Leistungen von Fehlergrößen zu Eingangsgrößen) oder insbesondere für periodische Signale die mittlere Leistung. Die Normen gewichten dabei jeweils bestimmte Abweichungen besonders stark und sind deshalb nach der Aufgabenstellung auszuwählen.
  • Regelgüten RG sind typischerweise mit bestimmten Anwendungsfälle, mit bestimmten Fahrzeugarchitekturen, mit generischen Reglertypen R und natürlich mit der Implementierung spezifischer Kontrollsoftware (8) verbunden.
  • Die Reglertypen-Datenbank 18 ist eine Referenzdatenbank mit generischen Reglertypen R und bewährten Verfahren in Bezug auf die Regelgüte, Anwendungsfälle und Fahrzeugarchitekturen. Die Reglertypen R können aus der Literatur und der Theorie im Zusammenhang mit Regelkreisen bekannt sein.
  • Die Archiv-Datenbank 20 ist eine Referenzdatenbank für Regler 2, die im Hinblick auf vorbestimmte Regelgüten RG, Anwendungsfälle und Fahrzeugarchitekturen implementiert wurden. Dies beinhaltet eine Regelstrategie, die früher erfolgreich umgesetzt wurde. Die in der Archiv-Datenbank 20 archivierten Reglertypen-Datensätze RTD können auf historischen Daten eines Unternehmens und eventuell von Lieferanten basieren.
  • Das Kommunikationsnetzwerk 22 ist dazu ausgebildet im Betrieb einen Datenaustausch zwischen den genannten Komponenten des Systems 6 sicherzustellen.
  • Die Auswerteinheit 24 ist ein Kernsystem, das die Methoden und Algorithmen hostet. Die Auswerteinheit 24 bietet mehrere Betriebsarten:
    • Einen Abfragemodus, um einen Reglertypen R oder eine Liste mit mehreren Reglertypen R zur Lösung der Regelaufgabe bereitzustellen. Hierzu kann eine Auswahl z.B. gemäß der Fahrzeugarchitekturen, Anwendungsfälle oder vorbestimmter Regelgüte RG erfolgen.
    • Einen Abfragemodus, um bewährte, um eine oder eine Liste mit mehreren in Gebrauch befindliche Reglertypen R bereitzustellen. Auch hier kann eine Auswahl z.B. gemäß der Fahrzeugarchitekturen, Anwendungsfälle oder vorbestimmter Regelgüte RG erfolgen.
    • Einen Bewertungsmodus, um die Genauigkeit jedes ausgewählten Reglertyps R zu bestimmen .Hier kann eine Vergleich der ausgewählten Reglertypen R z.B. gemäß der Fahrzeugarchitekturen, Anwendungsfälle oder vorbestimmter Regelgüte RG erfolgen. Dies kann eine Bestimmung der Ähnlichkeit gemäß der Beschreibung in der Modellierungssprache umfassen, also eine Textähnlichkeitsanalyse.
    • Einen Ausgabemodus, um ein oder mehrere Reglertypen R bereitzustellen. Hierbei kann die vorher bestimmte Genauigkeit zur Bildung einer Liste verwendet. Ferner kann ein Vergleich mit einem vorbestimmten Grenzwert für die Genauigkeit vorgesehen und in Abhängigkeit von den eine Auswahl aus mehreren Reglertypen R. Einen Analysemodus zur Analyse des von dem Nutzer 8 ausgewählten Reglertyps R, um durch maschinelles Lernen, insbesondere überwachtes Lernen, das System 6 zu verbessern. Dies kann ein Bestimmen eines Wertes indikativ für die Unterscheide zwischen einem vorgeschlagenen Reglertyp R und einem von dem Nutzer 8 ausgewählten Reglertyp R umfassen.
    • Einen Validierungsmodus zur Validierung eines Reglertyps R. Dies erlaub ein Testen eines Regelkonzept vorab, z.B. als Simulink-Modell. Auch hier kann ein Bestimmen eines Wertes indikativ für die Unterscheide zwischen dem vorgeschlagenen Regelkonzept und archivierten Reglertypen R umfassen.
  • Es wird nun zusätzlicher Bezugnahme auf 3 ein Verfahrensablauf zum Betrieb des Systems 6 erläutert.
  • In einem ersten Schritt S100 wird der Datensatz DS, vorliegend in einer Modellierungssprache, repräsentativ für eine Aufgabe des Reglers 2 eingelesen.
  • In einem weiteren Schritt S200 wird der Reglertyp R für den Regler 2 aus einer Gruppe archivierter Reglertypen-Datensätze RTD in einer Modellierungssprache unter Auswertung des Datensatzes DS mit dem zum maschinellen Lernen ausgebildeten System 6, im vorliegenden Ausführungsbeispiel durch die Auswerteeinheit 24, ausgewählt.
  • In einem weiteren Schritt S300 wird der Regelgüte-Datensatz RD in einer Modellierungssprache mit archivierte Werte für die Regelgüte RG des ausgewählten Reglertyps R mit dem zum maschinellen Lernen ausgebildeten System 6, im vorliegenden Ausführungsbeispiel durch die Auswerteeinheit 24, ausgewählt.
  • In einem weiteren Schritt S400 wird der Ausgangs-Datensatz AD mit dem bestimmten Reglertyp R und dem dazugehörenden Regelgüte-Datensatz RD ausgegeben.
  • Dabei kann der Ausgangs-Datensatz AD einen die Aufgabe lösenden Reglertypen-Datensatz RTD für den Regler 2 enthalten. Alternativ kann der Ausgangs-Datensatz AD einen die vorbestimme Regelgütevorgaben erfüllenden Reglertypen-Datensatz RTD für den Regler 2 enthalten.
  • Daneben kann der Ausgangs-Datensatz AD einen vorbestimme Regelgütevorgaben erfüllenden Reglertypen-Datensatz RTD für den Regler 2 aufweisen. Somit wird ein Reglertyp R vorgeschlagen, der die Anforderungen gemäß den Regelgütevorgaben erfüllt. Es kann auch vorgesehen sein, dass gemäß einer vorbestimmten Bewertungsregel die verschiedenen Reglertypen R hinsichtlich ihres Erfüllungsgrades der vorbestimmten Regelgütevorgaben bewertet werden. So können auch mehrdimensionale Reglergüten berücksichtigt werden, die mehrere Größen umfassen. Ferner kann vorgesehen sein, dass nur Regler 2 vorgeschlagen werden, die einen Mindestwert gemäß der vorbestimmten Bewertungsregel aufweisen. D.h., es werden also nicht alle Reglertypen R, sondern z.B. nur die besten drei Reglertypen R vorgeschlagen.
  • Des Weiteren kann der ausgewählter Reglertypen-Datensatz RTD zusammen mit zugeordneten Werten für eine Regelgüte RG als Daten für ein maschinelles Lernen des Systems 6, insbesondere für ein überwachtes Lernen, verwendet werden.
  • Abweichend vom vorliegenden Ausführungsbeispiel kann die Reihenfolge der Schritte auch eine andere sein. Ferner können mehrere Schritte auch zeitgleich bzw. simultan ausgeführt werden. Des Weiteren können auch abweichend vom vorliegenden Ausführungsbeispiel einzelne Schritte übersprungen oder ausgelassen werden.
  • Es wird also ein zweistufiges, computerimplementiertes Verfahren vorgeschlagen, bei in der ersten Stufe basierend auf die Regelaufgabe zuerst ein geeigneter Reglertyp ausgewählt wird und dann in einer zweiten Stufe die mit dem ausgewählten Reglertyp bei früheren Anwendungen erreichte Regelgüte herangezogen wird, um so eine Unterstützung bei der Auswahl des Reglertyps zu erreichen.
  • Bezugszeichenliste
    • 2
    Regler
    4
    Regelstrecke
    6
    System
    8
    Nutzer
    10
    Schnittstelle
    12
    Anwendungsfall-Datenbank
    14
    Fahrzeugarchitektur-Datenbank
    16
    Regelgüten-Datenbank
    18
    Reglertyp-Datenbank
    20
    Archiv-Datenbank
    22
    Kommunikationseinheit
    24
    Auswerteeinheit
    AD
    Ausgangs-Datensatz
    DS
    Datensatz
    R
    Reglertyp
    RD
    Regelgüte-Datensatz
    RG
    Regelgüte
    RTD
    Reglertypen-Datensatz
    S100
    Schritt
    S200
    Schritt
    S300
    Schritt
    S400
    Schritt

Claims (11)

  1. Verfahren zum Bestimmen eines Reglers (2) für eine Regelstrecke (4), mit den Schritten: (S100) Einlesen eines Datensatzes (DS) repräsentativ für eine Aufgabe des Reglers (2), (S200) Auswählen eines Reglertyps (R) für den Regler (2) aus einer Gruppe archivierter Reglertypen-Datensätze (RTD) unter Auswertung des Datensatzes (DS) mit einem zum maschinellen Lernen ausgebildeten System (6), und (S300) Auswählen eines Regelgüte-Datensatzes (RD) enthaltend archivierte Werte für eine Regelgüte (RG) des ausgewählten Reglertyps (R) mit einem zum maschinellen Lernen ausgebildeten System (6), sowie (S400) Ausgeben eines Ausgangs-Datensatzes (AD) mit dem Reglertyp (R) und dem Regelgüte-Datensatz (RD).
  2. Verfahren nach Anspruch 1, wobei ein in einer Modellierungssprache vorliegender Datensatz (DS) und/oder Reglertypen-Datensatz (RTD) und/oder Regelgüte-Datensatzes (RD) verwendet wird.
  3. Verfahren nach Anspruch 1 oder 2, wobei der Ausgangs-Datensatz (AD) einen die Aufgabe lösenden Reglertypen-Datensatz (RTD) für den Regler (2) enthält.
  4. Verfahren nach Anspruch 1, 2 oder 3, wobei der Ausgangs-Datensatz (AD) einen vorbestimme Regelgütevorgaben erfüllenden Reglertypen-Datensatz (RTD) für den Regler (2) enthält.
  5. Verfahren nach einem der Ansprüche 1 bis 4, wobei ein ausgewählter Reglertypen-Datensatz (RTD) zusammen mit zugeordneten Werten für eine Regelgüte (RG) als Daten für ein maschinelles Lernen des Systems (6) verwendet werden.
  6. Computerprogrammprodukt, ausgebildet zum Ausführen eines Verfahrens nach einem der Ansprüche 1 bis 5.
  7. System (6) zum Bestimmen eines Reglers (2) für eine Regelstrecke (4), wobei das System (6) dazu ausgebildet ist einen Datensatz (DS) repräsentativ für eine Aufgabe des Reglers (2) einzulesen, einen Reglertyp (R) für den Regler (2) aus einer Gruppe archivierter Reglertypen-Datensätze (RTD) unter Auswertung des Datensatzes (DS) mit dem zum maschinellen Lernen ausgebildeten System (6) auszuwählen, einen Regelgüte-Datensatz (RD) enthaltend archivierte Werte für eine Regelgüte (RG) des ausgewählten Reglertyps (R) mit dem zum maschinellen Lernen ausgebildeten System (6) auszuwählen und zum Ausgeben eines Ausgangs-Datensatzes (AD) mit dem Reglertyp (R) und dem Regelgüte-Datensatz (RD).
  8. System (6) nach Anspruch 7, wobei das System (6) dazu ausgebildet ist, einen in einer Modellierungssprache vorliegenden Datensatz (DS) und/oder Reglertypen-Datensatz (RTD) und/oder Regelgüte-Datensatzes (RD) zu verwenden.
  9. System (6) nach Anspruch 7 oder 8, wobei das System (6) dazu ausgebildet ist einen Ausgangs-Datensatz (AD) mit einem die Aufgabe lösenden Reglertypen-Datensatz (RTD) für den Regler (2) bereitzustellen.
  10. System (6) nach Anspruch 7, 8 oder 9, wobei das System (6) dazu ausgebildet ist einen Ausgangs-Datensatz (AD) mit einen vorbestimmte Regelgütevorgaben erfüllenden Reglertypen-Datensatz (RTD) für den Regler (2) bereitzustellen.
  11. System (6) nach einem der Ansprüche 7 bis 10, wobei das System (6) dazu ausgebildet ist einen ausgewählten Reglertypen-Datensatz (RTD) zusammen mit zugeordneten Werten für eine Regelgüte (RG) als Daten für ein maschinelles Lernen des Systems (6) zu verwenden.
DE102019130609.4A 2019-11-13 2019-11-13 Verfahren zum Bestimmen eines Reglers für eine Regelstrecke Pending DE102019130609A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102019130609.4A DE102019130609A1 (de) 2019-11-13 2019-11-13 Verfahren zum Bestimmen eines Reglers für eine Regelstrecke
US17/088,789 US20210142801A1 (en) 2019-11-13 2020-11-04 Determining a controller for a controlled system
CN202011255252.0A CN112799295A (zh) 2019-11-13 2020-11-11 确定受控***的控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102019130609.4A DE102019130609A1 (de) 2019-11-13 2019-11-13 Verfahren zum Bestimmen eines Reglers für eine Regelstrecke

Publications (1)

Publication Number Publication Date
DE102019130609A1 true DE102019130609A1 (de) 2021-05-20

Family

ID=75683297

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102019130609.4A Pending DE102019130609A1 (de) 2019-11-13 2019-11-13 Verfahren zum Bestimmen eines Reglers für eine Regelstrecke

Country Status (3)

Country Link
US (1) US20210142801A1 (de)
CN (1) CN112799295A (de)
DE (1) DE102019130609A1 (de)

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7028899B2 (en) * 1999-06-07 2006-04-18 Metrologic Instruments, Inc. Method of speckle-noise pattern reduction and apparatus therefore based on reducing the temporal-coherence of the planar laser illumination beam before it illuminates the target object by applying temporal phase modulation techniques during the transmission of the plib towards the target
FI129779B (fi) * 2010-07-19 2022-08-31 Palodex Group Oy Menetelmä ja laite intraoraalikuvan käsittelemiseksi
US9015082B1 (en) * 2010-12-14 2015-04-21 Symantec Corporation Data quality assessment for vector machine learning
CA2809011C (en) * 2012-11-06 2018-07-17 Mcmaster University Adaptive energy management system
US9085236B2 (en) * 2013-05-09 2015-07-21 Robert Bosch Gmbh Adaptive cruise control with stationary object recognition
AU2017272252A1 (en) * 2016-06-08 2018-01-04 Accenture Global Solutions Limited Resource evaluation for complex task execution
US10756919B1 (en) * 2016-11-28 2020-08-25 Alarm.Com Incorporated Connected automation controls using robotic devices
US10759415B2 (en) * 2017-02-23 2020-09-01 GM Global Technology Operations LLC Effective rolling radius
US11634007B2 (en) * 2017-08-16 2023-04-25 Rubicon Technologies, LLC. System implementing air quality-based waste management
DE102017011140A1 (de) * 2017-12-01 2019-06-06 Lucas Automotive Gmbh Steuerungssystem und Steuerungsverfahren zum Führen eines Kraftfahrzeugs und zum Vermeiden einer Kollision mit einem anderen Kraftfahrzeug
JP6680756B2 (ja) * 2017-12-26 2020-04-15 ファナック株式会社 制御装置及び機械学習装置
DE102018200982A1 (de) * 2018-01-23 2019-08-08 Volkswagen Aktiengesellschaft Verfahren zur Verarbeitung von Sensordaten in einer Anzahl von Steuergeräten, entsprechend ausgelegte Vorverarbeitungseinheit sowie Fahrzeug
GB2573091B (en) * 2018-02-19 2020-11-18 Valkyrie Industries Ltd Haptic feedback for virtual reality
JP6767416B2 (ja) * 2018-03-26 2020-10-14 ファナック株式会社 加工条件調整装置及び機械学習装置
US11665576B2 (en) * 2018-08-10 2023-05-30 Verizon Patent And Licensing Inc. Systems and methods for wireless low latency traffic scheduler
WO2020167489A1 (en) * 2019-02-12 2020-08-20 UDP Labs, Inc. Systems and methods for generating synthetic cardio-respiratory signals
US11560690B2 (en) * 2018-12-11 2023-01-24 SafeAI, Inc. Techniques for kinematic and dynamic behavior estimation in autonomous vehicles
WO2020184746A1 (ko) * 2019-03-11 2020-09-17 엘지전자 주식회사 주행 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
US11169506B2 (en) * 2019-06-26 2021-11-09 Cisco Technology, Inc. Predictive data capture with adaptive control
US11316891B2 (en) * 2019-07-18 2022-04-26 Bank Of America Corporation Automated real-time multi-dimensional cybersecurity threat modeling
US11538287B2 (en) * 2019-09-20 2022-12-27 Sonatus, Inc. System, method, and apparatus for managing vehicle data collection
KR20210077916A (ko) * 2019-12-18 2021-06-28 엘지전자 주식회사 인공 지능을 이용한 가전 기기의 통합 제어 방법 및 그 시스템

Also Published As

Publication number Publication date
US20210142801A1 (en) 2021-05-13
CN112799295A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
DE10341573B4 (de) Integrierte modellbasierte prädikative Steuerung und Optimierung innerhalb eines Prozesssteuerungssystems
EP2108139B1 (de) Verfahren zur rechnergestützten regelung und/oder steuerung eines technischen systems, insbesondere einer gasturbine
DE112009003656B4 (de) Verfahren und System zur In-Produktionsoptimierung der Parameter eines zur Montage verwendeten Roboters
DE10012258B4 (de) Selbst-Abstimmung in einer verteilten Prozeß-Regelumgebung
DE10341764B4 (de) Integrierte Modell-Vorhersagesteuerung und -Optimierung innerhalb eines Prozesssteuerungssystems
EP2106576B1 (de) Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems
EP2962161B1 (de) Verfahren zum entwerfen eines nichtlinearen reglers für nichtlineare prozesse
EP3082000B1 (de) Verfahren und system zum testen eines mechatronischen systems
EP2999998B1 (de) Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems
EP1917611A2 (de) System für den maschinengestützten entwurf technischer vorrichtungen
WO2022028935A1 (de) Computerimplementiertes verfahren zum bereitstellen eines test-verlaufs zu testender verkehrsszenarien
DE202018102632U1 (de) Vorrichtung zum Erstellen einer Modellfunktion für ein physikalisches System
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
DE102020115571A1 (de) Digitales Doppelecosystem gekoppelt mit Additivherstellung wie konstruiert, wie hergestellt, wie getestet, wie betrieben, wie geprüft und wie gewartet
WO2020187591A1 (de) Verfahren und vorrichtung zum ansteuern eines roboters
DE10046742A1 (de) Vorrichtung und Verfahren für ein Fahrzeugentwurfssytem
DE102019130609A1 (de) Verfahren zum Bestimmen eines Reglers für eine Regelstrecke
WO2021089499A1 (de) Verfahren und system zum prüfen einer automatisierten fahrfunktion durch reinforcement-learning
DE102019128223A1 (de) Verfahren, Vorrichtungen und Computerprogramme
EP1183575A1 (de) Verfahren, anordnung und computerprogramm zum entwurf eines technischen systems
EP0814402A2 (de) Verfahren zum Entwurf oder zur Adaption eines Fuzzy-Reglers oder eines Systems von verknüpften Fuzzy-Reglern
DE102018217139B4 (de) Verfahren und Vorrichtung zum Konfigurieren einer Kennfunktion eines Steuergeräts eines Kraftfahrzeugs
EP4208760A1 (de) Verfahren und konfigurationssystem zum konfigurieren einer steuereinrichtung für ein technisches system
EP3859458A1 (de) Verfahren und vorrichtung zum entwurf eines regelkreises
DE102021110469A1 (de) Verfahren und System zur Auswahl einer Prozessführungsanweisung mittels einer eine Fuzzylogik anwendenden Rechnereinheit