DE69409250T2 - Störungsprädiktor auf basis eines neuronalen netzes zur modellprädiktiven regelung - Google Patents

Störungsprädiktor auf basis eines neuronalen netzes zur modellprädiktiven regelung

Info

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
Application number
DE69409250T
Other languages
English (en)
Other versions
DE69409250D1 (de
Inventor
Ravi Gopinath
Anoop Mathur
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.)
Honeywell Inc
Original Assignee
Honeywell Inc
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 Honeywell Inc filed Critical Honeywell Inc
Publication of DE69409250D1 publication Critical patent/DE69409250D1/de
Application granted granted Critical
Publication of DE69409250T2 publication Critical patent/DE69409250T2/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

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

    Hintergrund der Erfindung
  • 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.
    • Kurze Beschreibung der Zeichnungen
  • 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.
    • Zusammenfassung der Erfindung
  • 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.
    • Detaillierte Beschreibung des bevorzugten Ausführungsbeispieles
  • 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.
DE69409250T 1993-10-07 1994-10-07 Störungsprädiktor auf basis eines neuronalen netzes zur modellprädiktiven regelung Expired - Fee Related DE69409250T2 (de)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Cited By (4)

* Cited by examiner, † Cited by third party
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