DE69409250T2 - Störungsprädiktor auf basis eines neuronalen netzes zur modellprädiktiven regelung - Google Patents
Störungsprädiktor auf basis eines neuronalen netzes zur modellprädiktiven regelungInfo
- Publication number
- DE69409250T2 DE69409250T2 DE69409250T DE69409250T DE69409250T2 DE 69409250 T2 DE69409250 T2 DE 69409250T2 DE 69409250 T DE69409250 T DE 69409250T DE 69409250 T DE69409250 T DE 69409250T DE 69409250 T2 DE69409250 T2 DE 69409250T2
- Authority
- DE
- Germany
- Prior art keywords
- output
- disturbance
- input
- controller
- signal
- 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.)
- Expired - Fee Related
Links
- 230000001537 neural effect Effects 0.000 title 1
- 238000000034 method Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000003801 milling Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XMTQQYYKAHVGBJ-UHFFFAOYSA-N 3-(3,4-DICHLOROPHENYL)-1,1-DIMETHYLUREA Chemical compound CN(C)C(=O)NC1=CC=C(Cl)C(Cl)=C1 XMTQQYYKAHVGBJ-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000012993 chemical processing Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Classifications
-
- 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
- G05B13/027—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 only
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/903—Control
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Description
- Diese Erfindung ist besonders nützlich bei der Steuerung von Anlagen und Prozessen verschiedener Arten, wo irgendeine regelmäßig auftretende Störung den Ausgang der Anlage bzw. des Prozesses beeinflußt. Wie der Fachmann auf dem Gebiet der Regelungen leicht erkennen wird, besitzt die hier beschriebene Erfindung Anwendung auf irgendeinem Gebiet der Regeltechnologie von Heiz-, Ventilations- und Klimasystemen bis zu chemischen Verarbeitungsanlagen, Navigationssystemen usw.
- Ein Verfahren wird beschrieben, welches im bevorzugten Ausführungsbeispiel unter Verwendung eines auf einem Modell basierenden prädiktiven Regel-Rahmennetzwerkes die Verbesserung der Regelleistung, insbesondere jener Prozesse vorsieht, die Gegenstand von periodischen oder zyklischen Störungen sind.
- Solche Beispiele können Temperaturstörungen umfassen, die aufgrund von Änderungen der Umgebungstemperatur im Verlaufe eines Tages (Sonnenzyklus) die Destillationskolonnen (in Ölraffinerien) beeinflussen, oder sie können kontinuierliche Mahiwerke beeinflussen, die Zuführungsstörungen bei wechselnder Zuführung unterworfen sind usw.
- Der primäre Nutzen der Verwendung eines Modelles, das Störungen vorhersagt, in dem diese Information in die Regeischleife eingeführt wird, liegt vielleicht darin, daß Prozesse, die auf diese Weise geregelt werden, enger in ihren Grenzen gehalten werden. Unter Verwendung des Beispieles eines kontinuierlichen Mahlwerkes wird das neuronale Netzwerk mit Anlagendaten trainiert, die anzeigen, daß (unter Verwendung dieses Beispiels) der geforderte Leistungsverbrauch der Mahlwerke jedesmal auftritt, wenn ein neuer Erzwagen in den Prozess entladen wird. Basierend auf der Mahlgeschwindigkeit oder der Größe des Erzwagens oder irgendeines anderen Kriteriums, das der Bedienungspcrson der Anlage bekannt ist, kann ein neuronales Netz trainiert werden, um den Auftritt der Änderung in der Leistungsanforderung flir den Mahlprozeß vorwegzunehmen.
- Es gibt viele andere Beispiele, die zitiert werden können, um Erfindungen dieses Typs zu verwenden und die Leistung des geregelten Prozesses zu verbessern und die Ausbeute zu erhöhen, in dem der Betrieb der Anlage nahe an den Ausrüstungsgrenzen gestattet wird.
- Auf einem Modell basierende prädiktive Regeltechniken (MPC) haben in der Verarbeitungsindustrie eine weitverbreitete Akzeptanz in der vergangenen Dekade gewonnen aufgrund ihrer Fähigkeit, multivariable Regelziele beim Vorliegen von Totzeit, Prozeßgrenzen und Modellunsicherheiten zu erzielen. Eine gute Übersicht der verschiedenen MPC-Algorithmen kann gefunden werden in "Model Predictive Control: Theory and Practice - A Survey", Automatica 23(3), (1989), Garcia, Pret, & Morari. Im allgemeinen können diese Algorithmen als optimale Regeltechniken angesehen werden, welche Regelbewegungen als eine Lösung eines Optimierproblemes berechnen, um einen Fehler auf ein Minimum zu bringen, der Zwängen unterworfen ist, die entweder durch den Benutzer oder das System auferlegt werden.
- Im allgemeinen kann ein MPC-Algorithmus unter Bezugnahme auf den multivariablen Prozess beschrieben werden. Z.B. erfolgt eine Modellierung durch die Gleichungen:
- x = f(x,u) (1a)
- y = g(x,u) (1b)
- wobei x der Zustands-Variablen-Vektor, u der manipulierte Variablen-Vektor und y der Ausgangs-Variablen-Vektor ist.
- Es gibt zwei breite Schritte: ein Prädiktionsschritt und ein Optimierschritt. Im Prädiktionsschritt wird zu jedem Zeitsclrritt (k) das Modell verwendet, um den Anlagenausgang über eine Anzahl von zukünftigen Intervallen vorherzusagen. Dies wird als Prädiktionshorizont bezeichnet. Diese Prädiktion wird korrigiert durch Hinzufügung der Differenz in den Ausgängen von der Anlage und des Modelles zu dem vorhergesagten Ausgang. Der vorhergesagte Ausgang wird sodann von dem gewünschten Ausgangsverlauf über den Prädiktionshorizont subtrahiert, um den vorhergesagten Fehler zu ergeben. Im Optimierschritt wird die Minimierung des vorhergesagten Fehlers, der den Grenzen unterworfen ist, ausgeführt (gewöhnlicherweise durch eine Minimierung der kleinsten Fehlerquadrate, obgleich andere Techniken verwendet werden können), wobei die Cornputer-Regelbewegungen die Entscheidungsvariablen sind. Einschrännungen werden festgelegt als direkte Grenzen der Entscheidungsvariablen (die als manipulierte Variableneinschränkungen bezeichnet sind) oder als Einschränkungsgleichungen, die gewöhnlicherweise auf dem Prozeßmodell basieren (Ausgangseinschränkung). Die erste berechnete Regelbewegung wird in der Anlage und dem Modell verwirklicht und sodann werden die Schritte flir den nächsten Zeitsehritt k wiederholt. Es liegt in der Absicht der Erfindung, daß eine oder alle Einschränkungsvariablen einer oder aller Einschränkungen vorhergesagt werden.
- Es ist wichtig zut wissen, daß.in der obigen Prozedur Rückführungsinformation verwendet wird. Bei jedem Zeitsclrritt wird diese erneut verwendet, um die Vorhersagen zu korrigieren. In herkömmlichen MPC-Schemen wird jedoch angenommen, daß die laufend gemessene Störung konstant über dem gesamten Vorhersagehorizont bleibt, da keine Prozeßinformation in der Zukunft vorliegt. Dies wird als eine konstante additive Stömungsannahme bezeichnet. Es ist wohlbekannt, daß die herkömmliche MPC ein Spezialfall der linearen quadratischen Formulierung ist. Betrachtet man die MPC in einem linearen quadratischen Rahmen, so schlägt die konstante additive Störungsannahme vor, daß alle den Prozeß beeinflussenden Störungen zufällige Schritte sind, die jeden Ausgang unabhängig beeinflussen. In vielen, wenn nicht in den meisten Anwendungen, beeinflußt dies nachteilig die Regelleistung eines MPC-Standardreglers. Um dieser linearen quadratischen Formulierung entgegenzuwirken, haben Forscher ein Kalman-Filterentwurf benutzt, um Schätzungen der Zustände und somit die vorhergesagten Ausgänge zu erhalten. Eine Übersicht über bekannte Verfahren, die sich damit befassen, wird in folgender Referenz gegeben "Model Predietive Control: State of the Art", CPC IV-Proceedings of the 4th International Conference on Chemical Process Control, Padre Island, Texas, Seiten 271-296 (1991), Ricker.
- Eine Kombination eines MPC-Reglers mit dem neuronalen Netzwerk, wie sie in dieser Erfindung erläutert ist, liefert eine wesentliche Verbesserung in dem Gesamt- Reglerentwurf. Dieser kann hier als ein Hybrid-Regler (welcher neben dem MPC andere Reglertypen umfassen kann) oder als ein Hybrid-MPC-Regler bezeichnet werden.
- Figur 1 ist ein Blockdiagramm einer hybriden prädiktiven/nominellen Steuerschleife, die die Verarbeitungsanlage gemäß dem bevorzugten Ausführungsbeispiel der Erfindung umfaßt.
- Figuren 2 und 3 sind Darstellungen der Störungsvorhersage des Verlaufs von y im Vergleich zu dem Verlauf von y beim Einbau des nominellen Reglers, vorzugsweise des MPC-Typs gemäß den bevorzugten Ausführungsbeispielen der Erfindung.
- Figur 4 ist eine Darstellung des Ausganges und des Verlaufes der Lastvariablen für den herkömmlichen MPC- und den prädiktiven Hybrid-MPC-Regler.
- Figur 5 ist eine Darstellung des manipulierten Variablenverlaufs für den Hybrid- und MPC-Regler entsprechend Figur 4 über der Zeit.
- Diese Erfindung gibt einen Regler für die Regelung eines Prozesses vor, der ein Ausgangssignal besitzt, welches den Prozeß über ein Betätigungselement steuert, das ilun zugeordnet ist. Der Regler empfängt ebenfalls als Eingang ein Signal entsprechend dem Ausgang der Anlage oder des Prozesses.
- In einer minlmalen Konfiguration erfordert die Erfmdung einen nominellen Regler, welcher im bevorzugten Ausführungsbeispiel ein MPC-Regler ist, der einen Ausgang erzeugt, welcher für das Regler-Ausgangssignal verwendet werden kann, der aber nur durch den Prozeß bei Abwesenheit von vorhergesagten Störungen des Prozesses verwendet wird.
- Der Regler besitzt ebenfalls eine Störungs-Modus-Regeleinheit, welche festlegt, ob ein Störungs-Modellausgang einen nominellen Reglerausgang ersetzen soll, um ein Regler- Ausgangssignal für die Anlage zu erzeugen. Natürlich versteht eine Störungs- Vorhersageeinheit im bevorzugten Ausführungsbeispiel mit einem trainierten neuronalen Netzwerk die Wahrscheinlichkeit von erwarteten Störungen oder Störungsmustem und erzeugt einen Ausgang, der berechnet ist, um den Prozeß auf den Sollwert einzustellen, wenn die Störung auftritt. Die Störungs-Modusregeleinheit verwendet das Signal von der Störungs-Vorhersageeinheit ebenso wie das Anlagen- oder Prozeß-Ausgangssignal in einer vergleichenden Weise. Durch Durchführung eines Vergleichs über eine ausgewählte Zeitperiode stellt die Störungs-Regeleinheit fest, ob eine Störung tatsächlich auftritt oder nicht und wenn sie nicht auftritt, führt sie die Regelung auf den nominellen Regler der Anlage zurück.
- Änderungen der Erfmdung umfassen die Verwendung eines Ein/Aus-Ausganges von dem Störungsmodell in dem neuronalen Netzwerk oder verschiedene Störungsmodelle, von denen jedes einen Ausgang zu der Störungs-Modusregeleinheit besitzt, welche die Differenz zwischen dem Anlagen-Ausgangssignal und der Vorhersageinforrnation von den verschiedenen Störungsmodellen benutzt, um festzustellen, welche von ihnen, falls überhaupt eine, zu verwenden ist, um den nominellen Reglerausgang zu ergänzen.
- Bezugnehmend zunächst auf Figur list eine Regelschleife mit einem hybriden prädiktiven/nominellen Regler durch die Bezugsziffer 10 gezeigt. Im bevorzugten Ausführungsbeispiel befindet sich der nominelle Regler in dem Block 20 und ist von der Art eines MPC und der prädiktive Regler (DMCU 14) ist ein neuronales Netzwerk, welches an den Ein- und Ausgängen in der Schleife 10 und durch ein Störungsmodell, welches für die Anlage bzw. den Prozeß 2 relevant ist, trainiert ist. Die Anlage bzw. der Prozeß 2 kann irgendeine durch einen Regler geregelte Anlage bzw. Prozeß sein, wie dies durch den Fachmann verstanden wird. Der Ausgang der Anlage erscheint auf der Leitung 3, welcher nach dem Industriestandard als ein Signal entsprechend ihrem Ausgang angesehen wird und ebenfalls und üblicherweise allgemein mit "y" bezeichnet wird ("y" kann eine Ausgangsvariable oder eine Gruppe von Ausgangsvariablen sein. In einem Fall, wo nur die durch die Störung beeinflußte Variable betroffen ist, wird kein Teil des y-Ausganges zu dem nominellen Regler gesendet. In den meisten komplexen geregelten Systemen liegen andere Ausgangsvariablen vor, die den nominellen Regler beeinflussen. Siehe das Beispiel des Klimareglers in der detaillierten Beschreibung für weitere Einzelheiten von "y"). Dieser Indikator des Anlagen- oder Prozeßausganges wird dem Störungsprozessor 14 ebenso wie dem Reglerblock 20 zugeführt. Der Ausgang des nominellen Reglers ergibt sich auf der Leitung 6. Der Störungsprozessor 19 ist vorzugsweise ein neuronales Netzwerk, das trainiert ist, um zu verstehen entweder in bezug zur Zeit 15 oder irgendeinem anderen Periodizitätsindikator, wann und in welchem Ausmaß das Auftreten der Störung erwartet wird. Wenn die Periodizität der Störung auf y bezogen ist, dann kann y der einzige erforderliche Eingang für die DMCU 14 (Störungs- Modus-Steuereinheit) sein. Der Ausgang der DMCU 14 tritt auf der Leitung 15 auf
- Es gibt verschiedene unterschiedliche Weisen, in denen diese Regelung durch die DMCU erzielt werden kann. In einem bevorzugten Ausführungsbeispiel schaut das Vorhersagemodell oder das neuronale Netzwerk auf den Anlagenausgang y und vergleicht ihn mit dem erwarteten Anlagenausgang, der vor dem Ereignis einer ankommenden Störung auftritt. Basierend auf den Eingangs(u)/Ausgangs(y)-Daten, die für das Trainieren des neuronalen Netzes verwendet werden, kann sein Ausgang (der auf der Leitung 5 auftreten wird) verwendet werden, um eine oder mehrere beeinflußte Regelvariablen oder eine oder mehrere Einschränkungsvariablen vorherzusagen, von denen jede in ihrem eigenen Regler innerhalb des Haupt-Reglerblockes 20 dargestellt wfrd. Ein anderes bevorzugtes Ausführungsbeispiel kann ebenfalls den Eingang eines externen Ereignisses verwenden, wie beispielsweise die Bewegung der Zeit, die hier als Eingang von dem Zeitblock 15 dargestellt ist.
- Eine kurze Erläuterung der Einschränkungs- und Regelvariablen ist hier an der Reihe. Eine Einschränkungsvariable ist eine, an der die Grenzen der Maschinenleistung liegen. Beispielsweise kann ein Gebläse nur in einem bestimmten Bereich von Umdrehungen pro Minute drehen und ist auf diesen Bereich beschränkt. Ein Zuführungsrohr kann nur einem bestimmten Volumen von Brennstoff gestatten, durch dieses in einem vorgegebenen Zeitbetrag zu verlaufen und ist somit durch eine Durchflußratenvariable beschränkt. Eine Regelvariable ist eine, die den Regler beeinflussen kann, wie beispielsweise die Öffnungsgröße eines Ventils oder die direkt bezogene Fließgeschwindigkeit durch ein zugeordnetes Rohr. Somit kann eine Einschränkungsvariable ebenfalls durch eine Regelvariable beeinflußt werden.
- Der Ausgang des trainierten neuronalen Netzes 5 (oder eines anderen Vorhersagemodelles, wenn ein anderes als ein neuronales Netz verwendet wird) simuliert die Störung, die den Prozeß über den Vorhersagehorizont bei jedem Zeitschritt beeinflußt. Dieser Ausgang 5 kann irgendeine Form einnehmen, die mit der Form des Reglerblockes 20 kompatibel ist. Gewöhnlicherweise ist in dem bevorzugten Ausführungsbeispiel der Ausgang das Vorhersage-Vektorprofil der Einschränkungsvariable basierend auf dem Störungsmodell, für das die DMCU trainiert wurde (oder basierend auf dem Störungsmodell und den Recheniterationen, wenn eine rechnende DMCU anstelle eines neuronalen Netzes verwendet wird). Wenn sich die vorhergesagte Störung nicht verfestigt, so wird das neuronale Netzwerk auf diese Tatsache antworten, da der Ausgang y nicht wie vorhergesagt ist. Wenn die Dissonanz mit dem eintrainierten Modell dem neuronalen Netz erkennbar wird, so wird es das erwartete Störungsprofil von seinem Ausgang entfernen, und es kann, wenn es geeignet trainiert ist, ebenfalls die Einflüsse seines Fehlers durch Kompensation des Ausganges entfernen. In einer rechnenden DMCU muß ein Monitor gebildet werden, der den Ausgang y für eine vorbestimmte Zeit überprüft, um festzustellen, ob die durch das iterative Modell vorhergesagte Störung aufgetreten ist, und es kann irgendein anderes Modell flir eine korrigierende Wirkung beim Nicht-Auftritt einer vorhergesagten Störung ebenfalls hinzugefügt werden.
- Bei einer echten Anwendung auf eine Regelsituation, z.B. bei einem Klimaregelsystem, wird die DCMU programmiert oder trainiert, um den Auftritt einer wesentlich anwachsenden Wärmelast und einer nachfolgenden abnehmenden Wärmelast zu erwarten, wenn die Sonne am Horizont im Westen untergeht. Wenn der Tag sehr bewölkt ist, so wird sich die vorhergesagte Störung nicht bilden, und die DMCU wird dies feststellen, da der Ausgang des klimageregelten Raumes den erwarteten Temperaturanstieg für die Situation einer ausbleibenden Regelbewegung nicht zeigen wird (oder natürlich den flachen oder abnehmenden Temperaturpegel des klimatisierten Raumes mit der Hinzufügung der Regelantwort auf die vorhergesagte Störung).
- Dieses Beispiel ist ein Fall, wo der einzige Ausgang "y" die Temperatur des Raumes sein mag. Wo dies der Fall ist, sollte unter Verwendung von Figur 1 die Leitung 4 keine Information an den nominellen Regler vorgeben. Wenn jedoch der nominelle Regler der Feuchtigkeit Rechnung tragen soll, so wird der Ausgang "y" des Raumes, der die Feuchtigkeit repräsentiert (die angenommenerweise nicht auf die vorhergesagte Störung bezogen ist, die die DMCU berücksichtigt), als Eingang mit dem nominellen Regler verbunden, wobei aber dieses Feuchtigkeitssignal in diesem Beispiel nicht zu der DMCU gesendet wird.
- Ein altematives bevorzugtes Ausführungsbeispiel wird entweder ein Signal "Vorhersage einer Störung" oder alteniativ ein Signal "Vorhersage keiner Störung" auf der Leitung 15 senden. Die Verwirklichung hiervon besteht in einer logischen 0 oder einer logischen 1. In einer solchen Verwirklichung müssen die Antworten auf die Störung und keine Störung in den nominellen Regler 20 programmiert oder eintrainiert werden, in welchem Fall er nicht wie ein Standard-MPC-Regler aussieht und statt dessen in der Lage ist, ein geeignetes Signal u für den Fall zu senden, wo eine Störung vorliegt oder nicht vorliegt, aufgrund des DMCU-Einganges von der Leitung 5. Zahkeiche ähnliche Varianten können leicht durch einen Fachmann aufgebaut werden, wenn einmal die grundlegende Idee der Ergänzung eines Standardreglers mit dem vorhergesagten Ausgang y aus einer erwarteten vorhergesagten Störung vorliegt. Mit anderen Worten wird angenommen, daß in der Erfindung enthalten ist, ein Modell des Einflusses einer möglichen Störung in dem Reglerblock 20 anzuordnen und die DMCU lediglich ihren Auftritt vorhersagen zu lassen. Die Funktion der externen Uhr, wie die in dem Block 15 in Figur 1, kann einen zusätzlichen Eingang neben dem Ausgang y von der Anlage für solche Systeme vorgeben, um das Aufkommen einer Störung vorherzusagen.
- Das Training neuronaler Netzwerke zur Verwirklichung dieser Aufgaben ist nicht schwierig, sollte aber vorzugsweise bei der Simulation entsprechend der Situation erfolgen, in der man den erfinderischen Regler anordnen will. Hintergrundliteratur, die aufzeigt, daß dies in der Kompetenz des Fachmannes liegt, umfaßt "Neural Networks - A Tutorial for the Power Industry", Proceedings of the American Power Conference, 1990, Mathur und Samad, und die darin angezogenen Literatur.
- Die Figuren 2-5 beschreiben die Profile oder Verläufe der relevanten Variablen beim Auftritt einer Störung. Bezugnehmend zunächst auf Figur 2 tritt die Störung D zur Zeit = k auf, dem Ursprung des Diagramms 40. Dieses Diagramm 40 ist die Vorhersage des Ausganges u durch den Regler in der Schleife. Die gepunktete Linie 43 zeigt keine Antwort auf die vorhergesagte Störung zur Zeit k, da sie noch nicht den Ausgang y von der Anlage bzw. von dem Prozeß beeinflußt hat. Diese Linie 43 repräsentiert die Vorhersage des herkömmlichen MPC, die dieser zur Zeit k erzeugt. Gestattet man dem herkömmlichen Regler y zu verwenden, das durch die prädiktive DMCU vorhergesagt wird, so wird der Ausgang u der Linie 41 folgen. Die tatsächliche Abweichung vom Sollwert wird durch die Linie 42 beschrieben.
- In Fignr 3 bewegt sich das gleiche Diagramm zur Zeit k+2 (bzw. wird mit dem Ursprung an dieser Zeit neu gezeichnet). Die Störung wird durch den herkömmlichen MPC vermerkt (ohne eine DMCU, wie bei dem MPC nach dem Stand der Technik). Somit wird seine Antwort als Linie 44 gezeigt, die eine Steuerbewegung mit einem Modellfehler e2 vorwegnimmt. Der Modeilfehler von ei zur Zeit k+2 für den MPC, der mit einer prädiktiven DMCU gemäß dieser Erfindung konfiguriert ist, liegt zusätzlich zu dem Fehler e2 vor, was die Korrektur des Modelles durch die Störungsvorhersage des neuronalen Netzes ermöglicht, um den Prozess bzw. die Anlage auf den Sollwert 7 in einer mehr zeitgerechten Weise zu bringen, unter der Annatune, daß der Auftritt der tatsächlichen Störung eng bei der vorhergesagten Störung liegt.
- Figur 4 zeigt den Ausgang und die Lastprofile in dem Diagramm 45. Der hybride MPC (gemäß der Erfindung) erzeugt das Anlagen-Ausgangsprofil der Linie 49, da er den kommenden Auftritt der anwachsenden Lastlinie 46 kennt (aufgrund seines Trainings oder Modelles vorhersagt). Der herkömmliche MPC wird ein Anlagen-Ausgangsprofil der Linie 48 erzeugen, da er braucht bis die Störung aufgetreten ist, um zu antworten. Somit ist leicht erkennbar, daß die Störungsantwort (bekannt als Störungszurückweisung) für die meisten Fälle für den erfmderischen hybriden MPC besser ist, als für den herkömmlichen MPC, wenn die auf die Last vorhergesagte Störung auftritt.
- In Figur 5 demonstriert das Diagramm 47 erneut die relative Wirksamkeit des hybriden MPC und des herkömmlichen MPC, obgleich dieses Mal im Hinblick auf den Reglerausgang u. Die Linie 51 repräsentiert den Ausgang u für den hybriden MPC gemäß der Erfindung, und die Linie 51 repräsentiert den Ausgang u des herkömmlichen MPC aufgrund des Laständerungsprofils in Figur 4 entsprechend der Linie 46. Die Figuren 4 und 5 sind beide mit dem gleichen Zeitmaßstab gezeichnet.
- Die somit beschriebene Erfindung wird nur durch die folgenden Ansprüche beschränkt.
Claims (5)
1. Regelkreis zur Regelung eines Prozesses, mit einem Ausgangssignal zur Regelung
des Prozesses und mit einem Stellglied, um die Regelung des Prozesses zu
bewirken, wobei der Regelkreis ein zu der Prozeß-Ausgangsgröße repräsentatives
Eingangssignal aufweist und der Regelkreis umfaßt:
einen Nominalregler (20) mit einem ersten Ausgang (6) zur Regelung, der mit dem
Stellglied (2) verbunden ist, mit einem ersten Eingang (4) zum Empfangen eines der
Prozeß-Ausgangsgröße entsprechenden Signals, mit einem zweiten Eingang (5) und
mit einem dritten Eingang (7),
eine Störgrößen-Modusregeleinheit (Disturbance Mode Controller Unit DMCU 14)
mit einem ersten Eingang (3) zum Empfang eines dem Prozeß-Ausgang
entsprechenden Signals, mit einem mit dem ersten Ausgang des Nominalreglers
verbundenen zweiten Eingang (6), mit einem mit dem zweiten Eingang des
Nominalreglers verbundenen Ausgang (5), und mit einem dritten Eingang; und
ein Periodizitäts-Anzeigegerät (15) mit einem mit dem dritten Eingang der
Störgrößen-Modusregeleinheit (14) verbundenen Ausgang;
wobei:
die Störgrößen-Modusregeleinheit (14) eine Störgrößen-Voraussageeinheit (19) mit
einem neuronalen Netzwerk aufweist, welches Wahrscheinlichkeiten von
erwarteten Störungen mit Bezugnahme auf das Periodizitäts-Anzeigegerät (15) im
Hinblick auf das dem Prozeß-Ausgang entsprechenden Signal am ersten Eingang
der Störgrößen-Modusregeleinheit und am ersten Ausgang des Nominalreglers zur
Regelung der Stellgröße am zweiten Eingang der Störgrößen-Modusregeleinheit
enthält, um die Zeit und die Dauer einer erwarteten Störung vorauszusagen, wobei
am Ausgang der Störgrößen-Modusregeleinheit ein Signal vorgegeben wird, "
welches jede vorausgesagte, unmittelbar bevorstehende Störung anzeigt und
welches dem zweiten Eingang des Nominalreglers zugeführt wird; und
der Nominalregler (20) ein Sollwert-Signal am dritten Eingang (7) des
Nominalreglers und das dem Prozeß-Ausgang entsprechende Signal am ersten
Eingang des Nominalreglers aufweist, um einen Ausgang zur Regelung des
Stellglieds in Abwesenheit des aufjede unrnittelbar bevorstehende Störung
hinweisenden Signals zu erzeugen, und wobei in Anwesenheit des auf jede
unmittelbar bevorstehende Störung hinweisenden Signals der Regler seinen
Ausgang zur Regelung des Stellglieds aus dem auf jede unmittelbar bevorstehende
Störung hinweisenden Signal von der Störgrößen-Modusregeleinheit erzeugt.
2. Regelkreis nach Anspruch 1, wobei die DMCU (14) ein Signal der Störgrößen-
Voraussageeinheit (19) an den Ausgang (6) des Nominalreglers für eine vom
Benutzer ausgewählte Zeitdauer anlegt, ausgenommen der Prozeß-Ausgang weicht
von dem vorgegebenen Sollwert um einen vom Benutzer gewählten Betrag
innerhalb der vom Benutzer gewählten Zeitspanne ab.
3. Ein Regelkreis nach Anspruch 1, wobei die DMCU ein neuronales Netzwerk ist,
welches durch Simulationen von erwarteten Störungsmodellen trainiert ist.
4. Regelkreis nach Anspruch 1, wobei eine DMCU-Ausgangsgröße ein Signal ist,
welches nur anzeigt, ob eine Störung vorausgesagt ist oder nicht.
5. Regelkreis nach Anspruch 1, wobei ein DMCU-Ausgang ein Signal ist, welches das
Profil des von der DMCU vorausgesagten Y ein variabler Ausgangsgrößen-Vektor
ist.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/133,542 US5408406A (en) | 1993-10-07 | 1993-10-07 | Neural net based disturbance predictor for model predictive control |
PCT/US1994/011446 WO1995010075A1 (en) | 1993-10-07 | 1994-10-07 | A neural net based disturbance predictor for model predictive control |
Publications (2)
Publication Number | Publication Date |
---|---|
DE69409250D1 DE69409250D1 (de) | 1998-04-30 |
DE69409250T2 true DE69409250T2 (de) | 1998-11-05 |
Family
ID=22459118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE69409250T Expired - Fee Related DE69409250T2 (de) | 1993-10-07 | 1994-10-07 | Störungsprädiktor auf basis eines neuronalen netzes zur modellprädiktiven regelung |
Country Status (6)
Country | Link |
---|---|
US (1) | US5408406A (de) |
EP (1) | EP0722579B1 (de) |
JP (1) | JP3574132B2 (de) |
CA (1) | CA2155311C (de) |
DE (1) | DE69409250T2 (de) |
WO (1) | WO1995010075A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004038370A1 (de) * | 2004-08-06 | 2006-03-16 | Austriamicrosystems Ag | Adaptive Regelvorrichtung, Verwendung der Regelvorrichtung, Sensor mit einer derartigen Regelvorrichtung und adaptives Verfahren zur Selbstkompensation von Störsignalen eines Sensors |
DE10048360B4 (de) * | 1999-10-04 | 2016-09-15 | Fisher-Rosemount Systems, Inc. | Integrierte, fortschrittliche Steuerblöcke in Prozeßsteuersystemen |
Families Citing this family (170)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5746511A (en) * | 1996-01-03 | 1998-05-05 | Rosemount Inc. | Temperature transmitter with on-line calibration using johnson noise |
US7949495B2 (en) * | 1996-03-28 | 2011-05-24 | Rosemount, Inc. | Process variable transmitter with diagnostics |
US6539267B1 (en) | 1996-03-28 | 2003-03-25 | Rosemount Inc. | Device in a process system for determining statistical parameter |
US8290721B2 (en) | 1996-03-28 | 2012-10-16 | Rosemount Inc. | Flow measurement diagnostics |
US6654697B1 (en) | 1996-03-28 | 2003-11-25 | Rosemount Inc. | Flow measurement with diagnostics |
US7630861B2 (en) * | 1996-03-28 | 2009-12-08 | Rosemount Inc. | Dedicated process diagnostic device |
US7254518B2 (en) * | 1996-03-28 | 2007-08-07 | Rosemount Inc. | Pressure transmitter with diagnostics |
US6017143A (en) | 1996-03-28 | 2000-01-25 | Rosemount Inc. | Device in a process system for detecting events |
US5992383A (en) * | 1996-05-28 | 1999-11-30 | U.S. Philips Corporation | Control unit having a disturbance predictor, a system controlled by such a control unit, an electrical actuator controlled by such a control unit, and throttle device provided with such an actuator |
US6434504B1 (en) * | 1996-11-07 | 2002-08-13 | Rosemount Inc. | Resistance based process control device diagnostics |
US6449574B1 (en) | 1996-11-07 | 2002-09-10 | Micro Motion, Inc. | Resistance based process control device diagnostics |
US5956663A (en) * | 1996-11-07 | 1999-09-21 | Rosemount, Inc. | Signal processing technique which separates signal components in a sensor for sensor diagnostics |
US5828567A (en) * | 1996-11-07 | 1998-10-27 | Rosemount Inc. | Diagnostics for resistance based transmitter |
US6601005B1 (en) | 1996-11-07 | 2003-07-29 | Rosemount Inc. | Process device diagnostics using process variable sensor signal |
US6754601B1 (en) | 1996-11-07 | 2004-06-22 | Rosemount Inc. | Diagnostics for resistive elements of process devices |
US6519546B1 (en) | 1996-11-07 | 2003-02-11 | Rosemount Inc. | Auto correcting temperature transmitter with resistance based sensor |
CN1138193C (zh) * | 1996-12-31 | 2004-02-11 | 罗斯蒙德公司 | 在处理***用于确认来自现场装置的控制信号的装置 |
CA2306767C (en) | 1997-10-13 | 2007-05-01 | Rosemount Inc. | Communication technique for field devices in industrial processes |
DE59804462D1 (de) | 1997-11-07 | 2002-07-18 | Siemens Ag | Anordnung zur vorhersage einer abnormalität eines systems und zur durchführung einer der abnormalität entgegenwirkenden aktion |
DE19900847A1 (de) * | 1998-01-14 | 1999-07-22 | Heidolph Elektro Gmbh & Co Kg | Verfahren und Vorrichtung zum Regeln eines Antriebsystems einer Maschine und/oder einer Anlage |
US7024335B1 (en) * | 1998-04-15 | 2006-04-04 | The Texas A&M University System | Condition assessment and life expectancy prediction for devices |
JP2002526852A (ja) * | 1998-10-06 | 2002-08-20 | パヴィリオン・テクノロジーズ・インコーポレイテッド | 製造システムを監視、かつ制御する方法およびシステム |
US6360131B1 (en) * | 1998-10-16 | 2002-03-19 | Cheng | Model-free adaptive control for flexible production systems |
US6611775B1 (en) | 1998-12-10 | 2003-08-26 | Rosemount Inc. | Electrode leakage diagnostics in a magnetic flow meter |
US6615149B1 (en) | 1998-12-10 | 2003-09-02 | Rosemount Inc. | Spectral diagnostics in a magnetic flow meter |
US6347254B1 (en) * | 1998-12-31 | 2002-02-12 | Honeywell Inc | Process facility control systems using an efficient prediction form and methods of operating the same |
US6298454B1 (en) | 1999-02-22 | 2001-10-02 | Fisher-Rosemount Systems, Inc. | Diagnostics in a process control system |
US6633782B1 (en) | 1999-02-22 | 2003-10-14 | Fisher-Rosemount Systems, Inc. | Diagnostic expert in a process control system |
US6975219B2 (en) * | 2001-03-01 | 2005-12-13 | Fisher-Rosemount Systems, Inc. | Enhanced hart device alerts in a process control system |
US8044793B2 (en) | 2001-03-01 | 2011-10-25 | Fisher-Rosemount Systems, Inc. | Integrated device alerts in a process control system |
US6356191B1 (en) | 1999-06-17 | 2002-03-12 | Rosemount Inc. | Error compensation for a process fluid temperature transmitter |
US7010459B2 (en) * | 1999-06-25 | 2006-03-07 | Rosemount Inc. | Process device diagnostics using process variable sensor signal |
US6577323B1 (en) | 1999-07-01 | 2003-06-10 | Honeywell Inc. | Multivariable process trend display and methods regarding same |
JP4824234B2 (ja) | 1999-07-01 | 2011-11-30 | ローズマウント インコーポレイテッド | 2線式温度送信機およびプロセス温度測定方法 |
US6952808B1 (en) | 1999-07-01 | 2005-10-04 | Honeywell Inc. | Process variable gauge interface and methods regarding same |
US6587108B1 (en) | 1999-07-01 | 2003-07-01 | Honeywell Inc. | Multivariable process matrix display and methods regarding same |
US6901560B1 (en) | 1999-07-01 | 2005-05-31 | Honeywell Inc. | Process variable generalized graphical device display and methods regarding same |
US6505517B1 (en) | 1999-07-23 | 2003-01-14 | Rosemount Inc. | High accuracy signal processing for magnetic flowmeter |
US6701274B1 (en) | 1999-08-27 | 2004-03-02 | Rosemount Inc. | Prediction of error magnitude in a pressure transmitter |
US6556145B1 (en) | 1999-09-24 | 2003-04-29 | Rosemount Inc. | Two-wire fluid temperature transmitter with thermocouple diagnostics |
GB2360855B (en) * | 2000-03-28 | 2004-08-18 | Beta Lasermike Ltd | Control systems for extrusion plants |
US6721609B1 (en) | 2000-06-14 | 2004-04-13 | Fisher-Rosemount Systems, Inc. | Integrated optimal model predictive control in a process control system |
US6735484B1 (en) | 2000-09-20 | 2004-05-11 | Fargo Electronics, Inc. | Printer with a process diagnostics system for detecting events |
CN100524130C (zh) * | 2001-03-01 | 2009-08-05 | 费舍-柔斯芒特***股份有限公司 | 自动工作命令/部件命令生成和跟踪 |
US6795798B2 (en) | 2001-03-01 | 2004-09-21 | Fisher-Rosemount Systems, Inc. | Remote analysis of process control plant data |
US6954713B2 (en) * | 2001-03-01 | 2005-10-11 | Fisher-Rosemount Systems, Inc. | Cavitation detection in a process plant |
US8073967B2 (en) | 2002-04-15 | 2011-12-06 | Fisher-Rosemount Systems, Inc. | Web services-based communications for use with process control systems |
US7720727B2 (en) | 2001-03-01 | 2010-05-18 | Fisher-Rosemount Systems, Inc. | Economic calculations in process control system |
US7389204B2 (en) * | 2001-03-01 | 2008-06-17 | Fisher-Rosemount Systems, Inc. | Data presentation system for abnormal situation prevention in a process plant |
US6629059B2 (en) | 2001-05-14 | 2003-09-30 | Fisher-Rosemount Systems, Inc. | Hand held diagnostic and communication device with automatic bus detection |
US7162534B2 (en) * | 2001-07-10 | 2007-01-09 | Fisher-Rosemount Systems, Inc. | Transactional data communications for process control systems |
US6772036B2 (en) | 2001-08-30 | 2004-08-03 | Fisher-Rosemount Systems, Inc. | Control system using process model |
US6901300B2 (en) | 2002-02-07 | 2005-05-31 | Fisher-Rosemount Systems, Inc.. | Adaptation of advanced process control blocks in response to variable process delay |
US7006900B2 (en) * | 2002-11-14 | 2006-02-28 | Asm International N.V. | Hybrid cascade model-based predictive control system |
US7600234B2 (en) * | 2002-12-10 | 2009-10-06 | Fisher-Rosemount Systems, Inc. | Method for launching applications |
US7493310B2 (en) | 2002-12-30 | 2009-02-17 | Fisher-Rosemount Systems, Inc. | Data visualization within an integrated asset data system for a process plant |
US8935298B2 (en) | 2002-12-30 | 2015-01-13 | Fisher-Rosemount Systems, Inc. | Integrated navigational tree importation and generation in a process plant |
US7152072B2 (en) | 2003-01-08 | 2006-12-19 | Fisher-Rosemount Systems Inc. | Methods and apparatus for importing device data into a database system used in a process plant |
US20040158474A1 (en) * | 2003-02-06 | 2004-08-12 | Karschnia Robert J. | Service facility for providing remote diagnostic and maintenance services to a process plant |
US7953842B2 (en) | 2003-02-19 | 2011-05-31 | Fisher-Rosemount Systems, Inc. | Open network-based data acquisition, aggregation and optimization for use with process control systems |
US7103427B2 (en) | 2003-02-28 | 2006-09-05 | Fisher-Rosemont Systems, Inc. | Delivery of process plant notifications |
US6915235B2 (en) * | 2003-03-13 | 2005-07-05 | Csi Technology, Inc. | Generation of data indicative of machine operational condition |
US7634384B2 (en) | 2003-03-18 | 2009-12-15 | Fisher-Rosemount Systems, Inc. | Asset optimization reporting in a process plant |
US20040230328A1 (en) * | 2003-03-21 | 2004-11-18 | Steve Armstrong | Remote data visualization within an asset data system for a process plant |
US7299415B2 (en) * | 2003-06-16 | 2007-11-20 | Fisher-Rosemount Systems, Inc. | Method and apparatus for providing help information in multiple formats |
US7018800B2 (en) * | 2003-08-07 | 2006-03-28 | Rosemount Inc. | Process device with quiescent current diagnostics |
US7162312B2 (en) | 2003-09-24 | 2007-01-09 | Siemens Aktiengesellschaft | Method, system and device for predictive error recognition in a plant |
US7627441B2 (en) * | 2003-09-30 | 2009-12-01 | Rosemount Inc. | Process device with vibration based diagnostics |
JP4555562B2 (ja) * | 2003-12-09 | 2010-10-06 | ゼネラル・エレクトリック・カンパニイ | 航空機用ガスタービンのモデル予測制御のための方法及び装置 |
US7523667B2 (en) * | 2003-12-23 | 2009-04-28 | Rosemount Inc. | Diagnostics of impulse piping in an industrial process |
US7030747B2 (en) * | 2004-02-26 | 2006-04-18 | Fisher-Rosemount Systems, Inc. | Method and system for integrated alarms in a process control system |
US7079984B2 (en) * | 2004-03-03 | 2006-07-18 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a process plant |
US7676287B2 (en) * | 2004-03-03 | 2010-03-09 | Fisher-Rosemount Systems, Inc. | Configuration system and method for abnormal situation prevention in a process plant |
US7515977B2 (en) * | 2004-03-30 | 2009-04-07 | Fisher-Rosemount Systems, Inc. | Integrated configuration system for use in a process plant |
US7536274B2 (en) * | 2004-05-28 | 2009-05-19 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a heater |
US20050267709A1 (en) * | 2004-05-28 | 2005-12-01 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a heater |
CA2567139A1 (en) | 2004-06-12 | 2005-12-29 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a process gain of a control loop |
US7181654B2 (en) * | 2004-09-17 | 2007-02-20 | Fisher-Rosemount Systems, Inc. | System and method for detecting an abnormal situation associated with a reactor |
US7123971B2 (en) * | 2004-11-05 | 2006-10-17 | Pegasus Technologies, Inc. | Non-linear model with disturbance rejection |
US8005647B2 (en) | 2005-04-08 | 2011-08-23 | Rosemount, Inc. | Method and apparatus for monitoring and performing corrective measures in a process plant using monitoring data with corrective measures data |
US9201420B2 (en) | 2005-04-08 | 2015-12-01 | Rosemount, Inc. | Method and apparatus for performing a function in a process plant using monitoring data with criticality evaluation data |
US8112565B2 (en) * | 2005-06-08 | 2012-02-07 | Fisher-Rosemount Systems, Inc. | Multi-protocol field device interface with automatic bus detection |
FR2886918B1 (fr) * | 2005-06-10 | 2008-09-05 | Agence Spatiale Europeenne | Module et systeme de pilotage automatique d'un bateau a voile pour la navigation en presence de vagues. |
US9104650B2 (en) | 2005-07-11 | 2015-08-11 | Brooks Automation, Inc. | Intelligent condition monitoring and fault diagnostic system for preventative maintenance |
EP2998894B1 (de) * | 2005-07-11 | 2021-09-08 | Brooks Automation, Inc. | Intelligentes zustandsüberwachungs- und fehlerdiagnosesystem |
US7389773B2 (en) | 2005-08-18 | 2008-06-24 | Honeywell International Inc. | Emissions sensors for fuel control in engines |
US7272531B2 (en) * | 2005-09-20 | 2007-09-18 | Fisher-Rosemount Systems, Inc. | Aggregation of asset use indices within a process plant |
US20070068225A1 (en) * | 2005-09-29 | 2007-03-29 | Brown Gregory C | Leak detector for process valve |
US7451004B2 (en) * | 2005-09-30 | 2008-11-11 | Fisher-Rosemount Systems, Inc. | On-line adaptive model predictive control in a process control system |
US7444191B2 (en) | 2005-10-04 | 2008-10-28 | Fisher-Rosemount Systems, Inc. | Process model identification in a process control system |
US8036760B2 (en) * | 2005-10-04 | 2011-10-11 | Fisher-Rosemount Systems, Inc. | Method and apparatus for intelligent control and monitoring in a process control system |
US7738975B2 (en) * | 2005-10-04 | 2010-06-15 | Fisher-Rosemount Systems, Inc. | Analytical server integrated in a process control network |
US20070088448A1 (en) * | 2005-10-19 | 2007-04-19 | Honeywell International Inc. | Predictive correlation model system |
US7657399B2 (en) * | 2006-07-25 | 2010-02-02 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US8145358B2 (en) * | 2006-07-25 | 2012-03-27 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation of a level regulatory control loop |
US8606544B2 (en) | 2006-07-25 | 2013-12-10 | Fisher-Rosemount Systems, Inc. | Methods and systems for detecting deviation of a process variable from expected values |
US7912676B2 (en) * | 2006-07-25 | 2011-03-22 | Fisher-Rosemount Systems, Inc. | Method and system for detecting abnormal operation in a process plant |
US7953501B2 (en) | 2006-09-25 | 2011-05-31 | Fisher-Rosemount Systems, Inc. | Industrial process control loop monitor |
US8788070B2 (en) * | 2006-09-26 | 2014-07-22 | Rosemount Inc. | Automatic field device service adviser |
EP2392982B1 (de) * | 2006-09-28 | 2015-03-25 | Fisher-Rosemount Systems, Inc. | Verhinderung anomaler Situationen in einem Wärmetauscher |
US7917240B2 (en) * | 2006-09-29 | 2011-03-29 | Fisher-Rosemount Systems, Inc. | Univariate method for monitoring and analysis of multivariate data |
US7750642B2 (en) | 2006-09-29 | 2010-07-06 | Rosemount Inc. | Magnetic flowmeter with verification |
US20080188972A1 (en) * | 2006-10-11 | 2008-08-07 | Fisher-Rosemount Systems, Inc. | Method and System for Detecting Faults in a Process Plant |
US8032341B2 (en) * | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Modeling a process using a composite model comprising a plurality of regression models |
US8032340B2 (en) | 2007-01-04 | 2011-10-04 | Fisher-Rosemount Systems, Inc. | Method and system for modeling a process variable in a process plant |
US7827006B2 (en) * | 2007-01-31 | 2010-11-02 | Fisher-Rosemount Systems, Inc. | Heat exchanger fouling detection |
US10410145B2 (en) * | 2007-05-15 | 2019-09-10 | Fisher-Rosemount Systems, Inc. | Automatic maintenance estimation in a plant environment |
US8032235B2 (en) * | 2007-06-28 | 2011-10-04 | Rockwell Automation Technologies, Inc. | Model predictive control system and method for reduction of steady state error |
US8898036B2 (en) | 2007-08-06 | 2014-11-25 | Rosemount Inc. | Process variable transmitter with acceleration sensor |
US8301676B2 (en) | 2007-08-23 | 2012-10-30 | Fisher-Rosemount Systems, Inc. | Field device with capability of calculating digital filter coefficients |
US7702401B2 (en) | 2007-09-05 | 2010-04-20 | Fisher-Rosemount Systems, Inc. | System for preserving and displaying process control data associated with an abnormal situation |
US9323247B2 (en) | 2007-09-14 | 2016-04-26 | Fisher-Rosemount Systems, Inc. | Personalized plant asset data representation and search system |
US7590511B2 (en) * | 2007-09-25 | 2009-09-15 | Rosemount Inc. | Field device for digital process control loop diagnostics |
US8055479B2 (en) | 2007-10-10 | 2011-11-08 | Fisher-Rosemount Systems, Inc. | Simplified algorithm for abnormal situation prevention in load following applications including plugged line diagnostics in a dynamic process |
EP2443320B1 (de) * | 2007-10-16 | 2017-11-29 | Siemens Aktiengesellschaft | Verfahren zum betrieb eines kraftwerks |
US8060290B2 (en) | 2008-07-17 | 2011-11-15 | Honeywell International Inc. | Configurable automotive controller |
EP2169483A1 (de) * | 2008-09-23 | 2010-03-31 | ABB Research Ltd | Verfahren und System zur Steuerung eines industriellen Prozesses |
US7921734B2 (en) * | 2009-05-12 | 2011-04-12 | Rosemount Inc. | System to detect poor process ground connections |
DE102009030322A1 (de) * | 2009-06-24 | 2010-12-30 | Siemens Aktiengesellschaft | Konzept zur Regelung und Optimierung der Verbrennung eines Dampferzeugers auf der Basis von räumlich auflösender Messinformation aus dem Feuerraum |
US8620461B2 (en) | 2009-09-24 | 2013-12-31 | Honeywell International, Inc. | Method and system for updating tuning parameters of a controller |
US8504175B2 (en) * | 2010-06-02 | 2013-08-06 | Honeywell International Inc. | Using model predictive control to optimize variable trajectories and system control |
US9207670B2 (en) | 2011-03-21 | 2015-12-08 | Rosemount Inc. | Degrading sensor detection implemented within a transmitter |
US9927788B2 (en) | 2011-05-19 | 2018-03-27 | Fisher-Rosemount Systems, Inc. | Software lockout coordination between a process control system and an asset management system |
US9677493B2 (en) | 2011-09-19 | 2017-06-13 | Honeywell Spol, S.R.O. | Coordinated engine and emissions control system |
US20130111905A1 (en) | 2011-11-04 | 2013-05-09 | Honeywell Spol. S.R.O. | Integrated optimization and control of an engine and aftertreatment system |
US9650934B2 (en) | 2011-11-04 | 2017-05-16 | Honeywell spol.s.r.o. | Engine and aftertreatment optimization system |
US9529348B2 (en) | 2012-01-24 | 2016-12-27 | Emerson Process Management Power & Water Solutions, Inc. | Method and apparatus for deploying industrial plant simulators using cloud computing technologies |
US9052240B2 (en) | 2012-06-29 | 2015-06-09 | Rosemount Inc. | Industrial process temperature transmitter with sensor stress diagnostics |
US9207129B2 (en) | 2012-09-27 | 2015-12-08 | Rosemount Inc. | Process variable transmitter with EMF detection and correction |
US9602122B2 (en) | 2012-09-28 | 2017-03-21 | Rosemount Inc. | Process variable measurement noise diagnostic |
EP2927772B1 (de) * | 2012-11-30 | 2017-10-18 | Baoshan Iron & Steel Co., Ltd. | Verfahren und vorrichtung zur kontrolle der säurekonzentration zum beizen beim kaltwalzen |
US9436179B1 (en) | 2013-03-13 | 2016-09-06 | Johnson Controls Technology Company | Systems and methods for energy cost optimization in a building system |
US9852481B1 (en) | 2013-03-13 | 2017-12-26 | Johnson Controls Technology Company | Systems and methods for cascaded model predictive control |
US9235657B1 (en) | 2013-03-13 | 2016-01-12 | Johnson Controls Technology Company | System identification and model development |
US10418833B2 (en) | 2015-10-08 | 2019-09-17 | Con Edison Battery Storage, Llc | Electrical energy storage system with cascaded frequency response optimization |
US10175681B2 (en) | 2014-05-01 | 2019-01-08 | Johnson Controls Technology Company | High level central plant optimization |
EP3051367B1 (de) | 2015-01-28 | 2020-11-25 | Honeywell spol s.r.o. | Ansatz und system zur handhabung von einschränkungen für gemessene störungen mit unsicherer vorschau |
EP3056706A1 (de) | 2015-02-16 | 2016-08-17 | Honeywell International Inc. | Ansatz zur nachbehandlungssystemmodellierung und modellidentifizierung |
EP3091212A1 (de) | 2015-05-06 | 2016-11-09 | Honeywell International Inc. | Identifikationsansatz für verbrennungsmotor-mittelwertmodelle |
EP3734375B1 (de) | 2015-07-31 | 2023-04-05 | Garrett Transportation I Inc. | Quadratischer programmlöser für mpc mit variabler anordnung |
US10272779B2 (en) | 2015-08-05 | 2019-04-30 | Garrett Transportation I Inc. | System and approach for dynamic vehicle speed optimization |
US10190789B2 (en) | 2015-09-30 | 2019-01-29 | Johnson Controls Technology Company | Central plant with coordinated HVAC equipment staging across multiple subplants |
US10389136B2 (en) | 2015-10-08 | 2019-08-20 | Con Edison Battery Storage, Llc | Photovoltaic energy system with value function optimization |
US10554170B2 (en) | 2015-10-08 | 2020-02-04 | Con Edison Battery Storage, Llc | Photovoltaic energy system with solar intensity prediction |
US10186889B2 (en) | 2015-10-08 | 2019-01-22 | Taurus Des, Llc | Electrical energy storage system with variable state-of-charge frequency response optimization |
US10742055B2 (en) | 2015-10-08 | 2020-08-11 | Con Edison Battery Storage, Llc | Renewable energy system with simultaneous ramp rate control and frequency regulation |
US10283968B2 (en) | 2015-10-08 | 2019-05-07 | Con Edison Battery Storage, Llc | Power control system with power setpoint adjustment based on POI power limits |
US10564610B2 (en) | 2015-10-08 | 2020-02-18 | Con Edison Battery Storage, Llc | Photovoltaic energy system with preemptive ramp rate control |
US10700541B2 (en) | 2015-10-08 | 2020-06-30 | Con Edison Battery Storage, Llc | Power control system with battery power setpoint optimization using one-step-ahead prediction |
US10222427B2 (en) | 2015-10-08 | 2019-03-05 | Con Edison Battery Storage, Llc | Electrical energy storage system with battery power setpoint optimization based on battery degradation costs and expected frequency response revenue |
US10418832B2 (en) | 2015-10-08 | 2019-09-17 | Con Edison Battery Storage, Llc | Electrical energy storage system with constant state-of charge frequency response optimization |
US10190793B2 (en) | 2015-10-08 | 2019-01-29 | Johnson Controls Technology Company | Building management system with electrical energy storage optimization based on statistical estimates of IBDR event probabilities |
US10197632B2 (en) | 2015-10-08 | 2019-02-05 | Taurus Des, Llc | Electrical energy storage system with battery power setpoint optimization using predicted values of a frequency regulation signal |
US10250039B2 (en) | 2015-10-08 | 2019-04-02 | Con Edison Battery Storage, Llc | Energy storage controller with battery life model |
US11210617B2 (en) | 2015-10-08 | 2021-12-28 | Johnson Controls Technology Company | Building management system with electrical energy storage optimization based on benefits and costs of participating in PDBR and IBDR programs |
US10415492B2 (en) | 2016-01-29 | 2019-09-17 | Garrett Transportation I Inc. | Engine system with inferential sensor |
US10124750B2 (en) | 2016-04-26 | 2018-11-13 | Honeywell International Inc. | Vehicle security module system |
US10036338B2 (en) | 2016-04-26 | 2018-07-31 | Honeywell International Inc. | Condition-based powertrain control system |
US10817801B2 (en) | 2016-07-25 | 2020-10-27 | General Electric Company | System and method for process modeling and control using disturbance rejection models |
US10594153B2 (en) | 2016-07-29 | 2020-03-17 | Con Edison Battery Storage, Llc | Frequency response optimization control system |
US10778012B2 (en) | 2016-07-29 | 2020-09-15 | Con Edison Battery Storage, Llc | Battery optimization control system with data fusion systems and methods |
US10997135B2 (en) | 2016-09-16 | 2021-05-04 | Oracle International Corporation | Method and system for performing context-aware prognoses for health analysis of monitored systems |
EP3548729B1 (de) | 2016-11-29 | 2023-02-22 | Garrett Transportation I Inc. | Inferenzflusssensor |
US11057213B2 (en) | 2017-10-13 | 2021-07-06 | Garrett Transportation I, Inc. | Authentication system for electronic control unit on a bus |
US10838441B2 (en) | 2017-11-28 | 2020-11-17 | Johnson Controls Technology Company | Multistage HVAC system with modulating device demand control |
US10838440B2 (en) | 2017-11-28 | 2020-11-17 | Johnson Controls Technology Company | Multistage HVAC system with discrete device selection prioritization |
JP6888564B2 (ja) * | 2018-02-13 | 2021-06-16 | オムロン株式会社 | モデル予測制御装置、モデル予測制御装置の制御方法、情報処理プログラム、および記録媒体 |
US11163271B2 (en) | 2018-08-28 | 2021-11-02 | Johnson Controls Technology Company | Cloud based building energy optimization system with a dynamically trained load prediction model |
US11159022B2 (en) | 2018-08-28 | 2021-10-26 | Johnson Controls Tyco IP Holdings LLP | Building energy optimization system with a dynamically trained load prediction model |
JP6929488B2 (ja) * | 2019-03-29 | 2021-09-01 | 三菱電機株式会社 | モデル予測制御装置、モデル予測制御プログラム、モデル予測制御システムおよびモデル予測制御方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2982209B2 (ja) * | 1990-04-27 | 1999-11-22 | オムロン株式会社 | 周期性外乱補償式プロセス制御装置 |
US5159660A (en) * | 1990-08-09 | 1992-10-27 | Western Thunder | Universal process control using artificial neural networks |
JP2539540B2 (ja) * | 1990-09-19 | 1996-10-02 | 株式会社日立製作所 | プロセス制御装置 |
JPH04326101A (ja) * | 1991-04-26 | 1992-11-16 | Toshiba Corp | ニューラルネットワーク制御装置 |
US5268834A (en) * | 1991-06-24 | 1993-12-07 | Massachusetts Institute Of Technology | Stable adaptive neural network controller |
-
1993
- 1993-10-07 US US08/133,542 patent/US5408406A/en not_active Expired - Lifetime
-
1994
- 1994-10-07 DE DE69409250T patent/DE69409250T2/de not_active Expired - Fee Related
- 1994-10-07 JP JP51104495A patent/JP3574132B2/ja not_active Expired - Fee Related
- 1994-10-07 EP EP94930677A patent/EP0722579B1/de not_active Expired - Lifetime
- 1994-10-07 WO PCT/US1994/011446 patent/WO1995010075A1/en active IP Right Grant
- 1994-10-07 CA CA002155311A patent/CA2155311C/en not_active Expired - Fee Related
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10048360B4 (de) * | 1999-10-04 | 2016-09-15 | Fisher-Rosemount Systems, Inc. | Integrierte, fortschrittliche Steuerblöcke in Prozeßsteuersystemen |
DE102004038370A1 (de) * | 2004-08-06 | 2006-03-16 | Austriamicrosystems Ag | Adaptive Regelvorrichtung, Verwendung der Regelvorrichtung, Sensor mit einer derartigen Regelvorrichtung und adaptives Verfahren zur Selbstkompensation von Störsignalen eines Sensors |
DE102004038370B4 (de) * | 2004-08-06 | 2009-06-25 | Austriamicrosystems Ag | Adaptive Regelvorrichtung, Verwendung der Regelvorrichtung, Sensor mit einer derartigen Regelvorrichtung und adaptives Verfahren zur Selbstkompensation von Störsignalen eines Sensors |
US7698083B2 (en) | 2004-08-06 | 2010-04-13 | Austriamicrosystems Ag | Control apparatus and method that compensates for disturbance signals of a sensor |
Also Published As
Publication number | Publication date |
---|---|
WO1995010075A1 (en) | 1995-04-13 |
EP0722579B1 (de) | 1998-03-25 |
CA2155311A1 (en) | 1995-04-13 |
DE69409250D1 (de) | 1998-04-30 |
US5408406A (en) | 1995-04-18 |
JP3574132B2 (ja) | 2004-10-06 |
EP0722579A1 (de) | 1996-07-24 |
JPH09504129A (ja) | 1997-04-22 |
CA2155311C (en) | 2005-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69409250T2 (de) | Störungsprädiktor auf basis eines neuronalen netzes zur modellprädiktiven regelung | |
DE102006045429B4 (de) | Adaptive, Modellprädiktive Online-Steuerung in einem Prozesssteuerungssystem | |
DE69823049T2 (de) | Modellfreie adaptive prozesssteuerung | |
DE69225723T2 (de) | Zweistufige Systemidentifikationsvorrichtung mit Optimierung | |
DE102007063915B4 (de) | Prozesssteuerungs- und Optimierungstechnik unter Verwendung immunologischer Konzepte | |
DE10165123B3 (de) | Integrierte Optimalmodell-Vorhersagesteuerung in einem Prozeßsteuerungssystem | |
DE69909838T2 (de) | Steuerungsgeräte zur einstellung von optimalen parametern in prozessteuersystemen und verfahren zur anwendung derselben | |
EP2185980B1 (de) | Verfahren zur rechnergestützten steuerung und/oder regelung mit hilfe neuronaler netze | |
DE2735012C2 (de) | ||
AT512251B1 (de) | Verfahren zum Entwerfen eines nichtlinearen Reglers für nichtlineare Prozesse | |
DE69315423T2 (de) | Neuro-Pid Regler | |
DE102020118259A1 (de) | Echtzeitsteuerung unter verwendung der gerichteten vorhersage-simulation innerhalb eines steuerungssystems einer prozessanlage | |
DE112015003733T5 (de) | Modellprädiktive Regelung unter Verwendung drahtloser Prozesssignale | |
DE102019204861A1 (de) | Maschinenlernvorrichtung; steuervorrichtung und maschinelles lernverfahren | |
DE10341573A1 (de) | Integrierte modellbasierte prädikative Steuerung und Optimierung innerhalb eines Prozesssteuerungssystems | |
EP2411735B1 (de) | Verfahren und vorrichtung zum regeln der temperatur von dampf für eine dampfkraftanlage | |
DE10341762B4 (de) | Handhabung der Realisierbarkeit von Beschränkungen und Grenzen in einem Optimierer für Prozesssteuerungssysteme | |
DE102020119379A1 (de) | Stellungsregler Selbstbewertung für digitalen Zwilling | |
EP2288969B1 (de) | Leitsystem einer anlage mit mehrstufiger modelloptimierung | |
EP3542229B1 (de) | Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung | |
EP3065015B1 (de) | Diagnoseeinrichtung und -verfahren zur überwachung des betriebs von regelkreisen | |
EP3691806B1 (de) | Planheitsregelung mit optimierer | |
EP3056957B1 (de) | Diagnoseeinrichtung und -verfahren zur Überwachung des Betriebs eines Regelkreises | |
DE102016119421A1 (de) | Geschwindigkeitsbasierte Regelung in einem nichtperiodisch aktualisierten Controller | |
EP0786709B1 (de) | Schaltungsanordnung eines Reglers mit nachgiebiger Rückführung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |