DE4433332A1

DE4433332A1 - Device for adaptive control of a route

Info

Publication number: DE4433332A1
Application number: DE19944433332
Authority: DE
Inventors: Hans-Peter Dr Ing Preus
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 1994-09-19
Filing date: 1994-09-19
Publication date: 1996-03-21
Also published as: WO1996009573A3; WO1996009573A2

Abstract

The invention concerns an arrangement for the adaptive control of a section (3) with a signal pre-processing system (4) by means of which sampled values (a) can be generated from the time characteristic of the controlled variable (x), and with a neural network (5) which calculates the parameters (Kp, Tn, Tv) of the controller (2) in dependence on the sampled values (a). The neural network (5) is trained with reference to learned data of the parameters (Kp, Tn, Tv) and sampled values (a) of the section step response, which have been generated by analytically calculated parameter adjusting rules or control circuit simulation and numerical optimization for one or a plurality of section models. The neural network (5) thus supplies the learned data with optimum control parameters which are well-suited to intermediate values owing to its generalization properties. The invention is used in automation technology.

Description

Die Erfindung betrifft eine Einrichtung zur adaptiven Rege lung einer Strecke nach dem Oberbegriff des Anspruchs 1.The invention relates to a device for adaptive rain development of a route according to the preamble of claim 1.

Eine derartige Anordnung ist bereits aus dem Aufsatz "Robuste Adaption in Prozeßreglern" von Hans-Peter Preuß, veröffent licht in der Zeitschrift "Automatisierungstechnische Praxis" 33 (1991), Seiten 178 bis 187, bekannt. Ein Regelkreis be steht dort aus einem Vergleicher, der aus einem Vergleich ei ner an der Strecke gemessenen Regelgröße mit einer Führungs größe eine Regeldifferenz bildet, und einem Regler, der in Abhängigkeit von der Regeldifferenz eine Stellgröße für die Strecke bestimmt. Grundlage der PID-Reglerparametrierung ist eine Sprungantwort der Regelstrecke, von der in angemessenem Zeitabstand Abtastwerte gewonnen und abgespeichert werden. Der gemessene Verlauf wird durch einen speziellen Modell ansatz, ein PT_n-Modell, approximiert, um ein darauf zuge schnittenes Reglereinstellverfahren, das Betragsoptimum, an wenden zu können.Such an arrangement is already known from the article "Robust adaption in process controllers" by Hans-Peter Preuss, published in the magazine "Automatisierungstechnik Praxis" 33 (1991), pages 178 to 187. A control loop there consists of a comparator, which forms a control difference from a comparison of a control variable measured on the route with a reference variable, and a controller which determines a control variable for the route as a function of the control difference. The basis of the PID controller parameterization is a step response of the controlled system, from which sampled values are obtained and stored at an appropriate time interval. The measured curve is approximated by a special model approach, a PT _n model, in order to be able to use a controller setting procedure tailored to it, the optimum amount.

Der Erfindung liegt die Aufgabe zugrunde, eine Einrichtung zur adaptiven Regelung einer Strecke zu schaffen, bei der auf ein Modell der Strecke verzichtet werden kann und die dennoch ein gutes Regelverhalten gewährleistet.The invention has for its object a device to create adaptive control of a route in which a model of the route can be dispensed with and still ensures good control behavior.

Zur Lösung dieser Aufgabe weist die neue Einrichtung das im kennzeichnenden Teil des Anspruchs 1 genannte Merkmal auf. In den Unteransprüchen sind vorteilhafte Weiterbildungen angege ben.To solve this task, the new facility in the characterizing part of claim 1 mentioned feature. In Advantageous further developments are specified in the subclaims ben.

Die Erfindung hat den Vorteil, daß es mit dem neuronalen Netz möglich ist, direkt aus den diskreten Abtastwerten der Sprungantwort der Strecke als Eingangsgrößen gut geeignete Parameter, beispielsweise eines PID-Reglers, als Ausgangs größen zu berechnen. Dabei kann das neuronale Netz auf einer vergleichsweise einfachen Hardware implementiert werden, da seine Anwendung lediglich das Anlegen der als Eingangsgrößen dienenden Abtastwerte der Streckensprungantwort und die ein malige Durchrechnung des neuronalen Netzes erfordert. Auf grund seiner Generalisierungseigenschaften liefert das Netz zu einer weitgehend beliebigen Sprungantwort sofort geeignete Parameter des Reglers.The invention has the advantage that it is with the neural network is possible directly from the discrete samples of the Step response of the route as a suitable input variable Parameters, for example of a PID controller, as an output to calculate sizes. The neural network can be on one comparatively simple hardware can be implemented because its application is simply the creation of input variables serving samples of the step response and the one repeated calculation of the neural network required. On due to its generalization properties, the network delivers immediately suitable for a largely arbitrary step response Controller parameters.

Anhand der Figuren, in denen ein Ausführungsbeispiel der Er findung dargestellt ist, werden im folgenden die Erfindung sowie Ausgestaltungen und Vorteile näher erläutert.Based on the figures in which an embodiment of the Er invention is shown, the following are the invention as well as configurations and advantages explained in more detail.

Es zeigen:Show it:

Fig. 1 ein Blockschaltbild einer erfindungsgemäßen Einrich tung zur adaptiven Regelung und Fig. 1 is a block diagram of a Einrich device according to the invention for adaptive control and

Fig. 2 eine Prinzipdarstellung einer Signalvorverarbeitung und eines neuronalen Netzes. Fig. 2 is a schematic diagram of a signal preprocessing and a neural network.

Ein adaptiver Regelkreis besteht nach Fig. 1 aus einem Ver gleicher 1, einem Regler 2, einer Strecke 3, einer Signalvor verarbeitung 4 und einem neuronalen Netz 5. In dem Verglei cher 1 wird eine an der Regelstrecke 3 gemessene Regelgröße x mit einer Führungsgröße w verglichen und so eine Regeldiffe renz xd gebildet. Der Regler 2, der als PID-Regler ausgeführt ist und seine Parameter Kp, Tn und Tv von dem neuronalen Netz erhält, bestimmt aus der Regeldifferenz xd eine Stellgröße y, die auf die Strecke 3 wirkt. Der Verlauf der Regelgröße x und der Stellgröße y wird in der Signalvorverarbeitung 4 abgeta stet und gespeichert. Aufgrund der durch die Signalvorverar beitung 4 gewonnenen Abtastwerte a wird durch das neuronale Netz 5 eine für die Strecke 3 geeignete Belegung der Para meter Kp, Tn und Tv des PID-Reglers 2 berechnet. Vorteilhaft wird für die Erzeugung der Abtastwerte a in der Signalvorver arbeitung 4 der Strecke 3 durch den Regler 2 ein Stellgrößen sprung aufgeschaltet. An adaptive control loop according to FIG. 1 consists of a comparator 1 , a controller 2 , a path 3 , a signal pre-processing 4 and a neural network 5 . In the comparator 1 , a controlled variable x measured on the controlled system 3 is compared with a reference variable w and a control difference xd is thus formed. The controller 2 , which is designed as a PID controller and receives its parameters Kp, Tn and Tv from the neural network, determines a manipulated variable y, which acts on the system 3 , from the control difference xd. The course of the controlled variable x and the manipulated variable y is sampled and stored in the signal preprocessing 4 . On the basis of the sample values a obtained by the signal preprocessing 4 , the neural network 5 calculates a suitable assignment of the parameters Kp, Tn and Tv of the PID controller 2 for the route 3 . A manipulated variable jump is advantageously applied to the generation of the samples a in the signal preprocessing 4 of the section 3 by the controller 2 .

Prinzipiell ist aber jeder beliebige Zeitverlauf der Stell größe y als Anregung der Strecke 3 möglich, der zu einem für das Streckenverhalten charakteristischen Verlauf der Regel größe x führt. Wenn eine Berechnung der Reglerparameter durch das neuronale Netz 5 für verschiedene Verläufe der Stellgröße y möglich sein soll, müssen neben Abtastwerten des Verlaufs der Regelgröße x auch Abtastwerte der Stellgröße y durch die Signalvorverarbeitung 4 dem neuronalen Netz 5 zugeführt wer den. Da aber nicht für jeden Verlauf der Stellgröße y eine sinnvolle Berechnung der Reglerparameter möglich ist, bei spielsweise im stationären Zustand der Regelung, wird in die sem Fall ein Kriterium benötigt, mit dessen Hilfe in Abhän gigkeit vom Stellgrößenverlauf die Parameterberechnung frei gegeben wird.In principle, however, any time course of the manipulated variable y as an excitation of the route 3 is possible, which leads to a course of the controlled variable x characteristic of the route behavior. If a calculation of the controller parameters by the neural network 5 is to be possible for different courses of the manipulated variable y, in addition to samples of the course of the controlled variable x, samples of the manipulated variable y must also be supplied to the neural network 5 by the signal preprocessing 4 . However, since a sensible calculation of the controller parameters is not possible for every course of the manipulated variable y, for example in the steady state of the control, a criterion is needed in this case, with the help of which the parameter calculation is enabled depending on the course of the manipulated variable.

Die Abtastzeit ist in der Signalvorverarbeitung 4 fest einge stellt. Wenn sie dagegen variabel gehalten werden soll, wird sie für die Reglerparameterberechnung benötigt und muß als weitere Eingangsgröße auf das neuronale Netz 5 gegeben wer den.The sampling time is fixed in the signal preprocessing 4 . If, on the other hand, it is to be kept variable, it is required for the controller parameter calculation and must be given to the neural network 5 as an additional input variable.

In Fig. 2 ist das Adaptionsprinzip anschaulich dargestellt. An einem Eingang eines neuronalen Netzes 6 liegt ein Signal PI/PID an, das zur Auswahl des Reglertyps dient. Weitere Ein gangssignale sind die in einer Signalvorverarbeitung gewonne nen diskreten Abtastwerte der Regelgröße x, die aus dem Ver lauf der Sprungantwort, die in einem Zeitdiagramm dargestellt ist, gewonnen werden. Mit diesen Eingangsgrößen berechnet das neuronale Netz 6 dem gewählten Reglertyp entsprechend direkt die Parameter Kp, Tn und Tv.The adaptation principle is illustrated in FIG. 2. A signal PI / PID is present at an input of a neural network 6 and is used to select the controller type. Further input signals are the discrete sample values of the controlled variable x obtained in a signal preprocessing, which are obtained from the course of the step response, which is shown in a time diagram. With these input variables, the neural network 6 directly calculates the parameters Kp, Tn and Tv according to the selected controller type.

Mehrdimensionale, nichtlineare Zusammenhänge können, wie bei spielsweise aus der WO 94/06095 bekannt ist, durch künstliche neuronale Netze modelliert werden. Solche mehrdimensionalen, nichtlinearen Zusammenhänge, deren Kenntnis die Lösung des Reglerentwurfsproblems darstellt, bestehen auch zwischen den Abtastwerten der Streckensprungantwort und den optimalen Reglerparametern eines zugehörigen PID-Reglers. Allerdings lassen sich diese Zusammenhänge nur in sehr speziellen Fällen in analytischer Form angeben. Die Einstellregeln des Betrags optimums sind ein solcher Spezialfall. Es liefert für PT_n- Strecken als Einstellvorschrift für die Parameter Kp, Tn und Tv eines PID-Reglers rationale Funktionen mit den Kennwerten Verstärkung K, Zeitkonstante T und Ordnung n der Strecke, die in dem eingangs genannten Aufsatz angegeben sind. In allge meiner Schreibweise lauten sie:Multi-dimensional, non-linear relationships can, as is known for example from WO 94/06095, be modeled by artificial neural networks. Such multi-dimensional, non-linear relationships, the knowledge of which represents the solution to the controller design problem, also exist between the sample values of the step change response and the optimal controller parameters of an associated PID controller. However, these relationships can only be stated in analytical form in very special cases. The rules for setting the optimum amount are such a special case. For PT _n routes, it provides rational functions with the characteristic values of gain K, time constant T and order n of the route, which are specified in the article mentioned at the beginning, as a setting rule for the parameters Kp, Tn and Tv of a PID controller. In general, my spelling is:

Kp = f₁(n, K, T),
Tn = f₂(n, T) und
Tv = f₃ (n, T).Kp = f₁ (n, K, T),
Tn = f₂ (n, T) and
Tv = f₃ (n, T).

Da die Kennwerte n, K, T der Strecke die Sprungantwort x(t) eindeutig beschreiben, gibt es ebenfalls einen Zusammenhang zwischen m äquidistanten, diskreten Werten x_i, i = 1, . . . , m, der Streckensprungantwort x(t) und den betragsoptimalen Reg lerparametern:Since the characteristic values n, K, T of the route clearly describe the step response x (t), there is also a relationship between m equidistant, discrete values x _i , i = 1,. . . , m, the step change response x (t) and the optimal controller parameters:

Kp = g₁(x₁, . . . , x_m, Δt),
Th = g₂(x₁, . . . , x_m, δt) und
Tv = g₃(x₁, . . . , x_m, Δt).Kp = g₁ (x₁,..., X _m , Δt),
Th = g₂ (x₁,..., X _m , δt) and
Tv = g₃ (x₁,..., X _m , Δt).

Auch für andere Streckentypen existieren entsprechende Bezie hungen, wobei die Funktionen g_i vom jeweils verwendeten Ent wurfskriterium (Betragsoptimum, quadratische Regelfläche, . . . ) abhängen.Corresponding relationships also exist for other track types, with the functions g _i depending on the design criterion used in each case (optimum amount, square control area,...).

Als neuronales Netz ist ein MLP (Multi Layer Perceptron)-Netz mit zehn Eingängen für die Stützwerte der Sprungantwort, ei nem Eingang für das Zeitinkrement Δt, eventuell einem Eingang für das Umschaltsignal PI/PID und je einem Ausgang für Kp, Tn, Tv geeignet. Zur Lerndatengenerierung werden zunächst die Abtastwerte der Sprungantworten verschiedener analytischer Streckenmodelle berechnet und die Reglerparameter anhand der bekannten Einstellregeln (z. B. Betragsoptimum für PT_n- Strecken) vorgegeben. Weitere Lerndaten werden durch Regel kreissimulation und numerische Optimierung der Regler parameter gewonnen. Mit den so erhaltenen Lerndaten wird schließlich das neuronale Netz trainiert. Für diese Daten liefert also das neuronale Netz optimale Ergebnisse. An schließend empfiehlt sich ein Test der Generalisierungseigen schaften des Netzes an Strecken, für die keine Reglerpara meter als Trainingsdaten zur Verfügung standen.An MLP (Multi Layer Perceptron) network with ten inputs for the base values of the step response, one input for the time increment Δt, possibly one input for the changeover signal PI / PID and one output each for Kp, Tn, Tv is suitable as a neural network . For the generation of learning data, the sample values of the step responses of various analytical route models are first calculated and the controller parameters are predefined on the basis of the known setting rules (e.g. optimum amount for PT _n routes). Further learning data are obtained through control loop simulation and numerical optimization of the controller parameters. The neural network is then trained with the learning data obtained in this way. The neural network therefore delivers optimal results for this data. It is then recommended to test the generalization properties of the network on routes for which no controller parameters were available as training data.

Als Ergebnis erhält man ein trainiertes neuronales Netz, des sen interne Parameter vollständig bekannt sind. Es kann damit auf einer vergleichsweise einfachen Hardware implementiert werden, da eine hohe Rechenleistung nur für den Lernvorgang erforderlich ist. Die Anwendung des neuronalen Netzes im Re gelkreis erfordert lediglich das Anlegen der als Eingangs größen dienenden Abtastwerte der Streckensprungantwort und die einmalige Durchrechnung des Netzes. Ohne jede weitere rechenintensive Optimierung liefert das Netz zu einer belie bigen Sprungantwort sofort gute, an den gelernten Stützwerten optimale Reglerparameter. Ein Modell der Strecke wird für die eigentliche Adaption nicht mehr benötigt.The result is a trained neural network, the internal parameters are fully known. It can implemented on a comparatively simple hardware because a high computing power is only for the learning process is required. The application of the neural network in Re gelkreis only requires the creation of the input size serving samples of the step response and the one-time calculation of the network. Without any more Computationally intensive optimization delivers the network to a belie good jump response immediately, based on the learned base values optimal controller parameters. A model of the route is for the actual adaptation no longer required.

Claims

1. Einrichtung zur adaptiven Regelung einer Strecke (3)

- mit einem Vergleicher (1), der aus einem Vergleich einer an der Strecke (3) gemessenen Regelgröße (x) mit einer Führungsgröße (w) eine Regeldifferenz (xd) bildet,
- mit einem Regler (2), der in Abhängigkeit von der Regel differenz (xd) eine Stellgröße (y) für die Strecke (3) be stimmt, und
- mit einer Signalvorverarbeitung (4), mit der aus dem zeit lichen Verlauf der Regelgröße (x) Abtastwerte (a) erzeug bar sind,

1. Device for adaptive control of a route ( 3 )

with a comparator ( 1 ), which forms a control difference (xd) from a comparison of a controlled variable (x) measured on the section ( 3 ) with a reference variable (w),
- With a controller ( 2 ) which, depending on the rule difference (xd), a manipulated variable (y) for the path ( 3 ) be determined, and
- With a signal preprocessing ( 4 ) with which samples (a) can be generated from the time profile of the controlled variable (x),

gekennzeichnet durch ein neuronales Netz (5), das in Abhängigkeit von den Abtast werten (a) die Parameter (Kp, Tn, Tv) des Reglers berechnet. characterized by a neural network ( 5 ) which calculates the parameters (Kp, Tn, Tv) of the controller depending on the sample values (a).

2. Einrichtung nach Anspruch 1, dadurch gekenn zeichnet, daß der Regler (2) ein PI- oder PID-Regler ist.2. Device according to claim 1, characterized in that the controller ( 2 ) is a PI or PID controller.

3. Einrichtung nach Anspruch 1 oder 2, dadurch gekenn zeichnet, daß für die Erzeugung der Abtastwerte (a) in der Signalvorverarbeitung (4) der Strecke (3) durch den Reg ler (2) ein Stellgrößensprung aufschaltbar ist.3. Device according to claim 1 or 2, characterized in that for the generation of the samples (a) in the signal preprocessing ( 4 ) of the route ( 3 ) by the controller ( 2 ) a manipulated variable jump can be switched on.

4. Einrichtung nach einem der vorhergehenden Ansprüche, da durch gekennzeichnet, daß das neuronale Netz (5) anhand von Lerndaten der Parameter (Kp, Th, Tv) und der Ab tastwerte (a) der Streckensprungantwort trainiert ist, die durch Parameter-Einstellregeln für ein oder mehrere Strecken modelle generiert wurden.4. Device according to one of the preceding claims, characterized in that the neural network ( 5 ) is trained on the basis of learning data of the parameters (Kp, Th, Tv) and the sampled values (a) of the distance response, which are set by parameter setting rules for one or more track models were generated.

5. Einrichtung nach einem der vorhergehenden Ansprüche, da durch gekennzeichnet, daß das neuronale Netz (5) anhand von Lerndaten der Parameter (Kp, Tn, Tv) und der Ab tastwerte (a) der Streckensprungantwort trainiert ist, die durch Regelkreissimulation und numerische Optimierung der Reglerparameter (Kp, Th, Tv) für ein oder mehrere Strecken modelle generiert wurden.5. Device according to one of the preceding claims, characterized in that the neural network ( 5 ) is trained on the basis of learning data of the parameters (Kp, Tn, Tv) and the sampled values (a) of the step response, which by means of control loop simulation and numerical optimization the controller parameters (Kp, Th, Tv) were generated for one or more system models.