WO2019002587A1 - Regulating unit, mechatronic system, and method for regulating a mechatronic system - Google Patents

Regulating unit, mechatronic system, and method for regulating a mechatronic system Download PDF

Info

Publication number
WO2019002587A1
WO2019002587A1 PCT/EP2018/067668 EP2018067668W WO2019002587A1 WO 2019002587 A1 WO2019002587 A1 WO 2019002587A1 EP 2018067668 W EP2018067668 W EP 2018067668W WO 2019002587 A1 WO2019002587 A1 WO 2019002587A1
Authority
WO
WIPO (PCT)
Prior art keywords
manipulated variable
mechatronic system
value
values
mechatronic
Prior art date
Application number
PCT/EP2018/067668
Other languages
German (de)
French (fr)
Inventor
Torsten Bertram
Artemi MAKAROW
Martin Keller
Christoph Rösmann
Original Assignee
Technische Universität Dortmund
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 Technische Universität Dortmund filed Critical Technische Universität Dortmund
Publication of WO2019002587A1 publication Critical patent/WO2019002587A1/en

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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45092—Analysing or chemical synthesis robot, moving samples from station to station

Definitions

  • the present invention relates to a method for regulating a mechatronic system, in which a manipulated variable value to be set is determined and set for at least one manipulated variable on the basis of a model of the mechatronic system, and a control unit for a mechatronic system, which is set up for carrying out such a method and a mechatronic system with such a control unit.
  • PID controllers For fast and precise control of mechatronic systems, classic control concepts (PID controllers) can be used. Mechatronic systems are usually characterized by a non-linear system behavior. In order to meet the high demands on the system behavior, the number of controller parameters and thus the complexity of the classic PID control concept should be greatly increased. As a rule, the integral and proportional amplification is extended by non-linear characteristics. The design of such controllers is not intuitive and is associated with a very high cost. In addition, the controller found is usually not robust due to the complexity of changes in the controlled system behavior. A subsequent adaptation of the System behavior by changing the controller parameters is therefore generally only feasible by a process expert or developer.
  • Model Predictive Control is a control concept that is already used in industry.
  • the prediction of the future system behavior in each sampling step ie a specific time interval, achieves a very high degree of control quality.
  • entry, exit and state restrictions can be explicitly taken into account.
  • the effect of changing the controller parameters on the system behavior is usually very intuitive.
  • approaches such as move-blocking, for the reduction of the optimization parameters on the prediction horizon, or other approaches such as the explicit model-predictive control can be used.
  • a particular gradient-based solution algorithm must determine the optimum control sequence for the selected prediction horizon in terms of a quality measure.
  • a mechatronic system is understood in particular to mean an electronic and mechanical components-containing system.
  • a mechanical actuator can be electrically controlled.
  • a method according to the invention is used to regulate a mechatronic system, in which - similar to the classical model predictive control (MPC) - a manipulated variable value to be set is determined and set using at least one manipulated variable for a model, in particular a dynamic model of the mechatronic system.
  • MPC model predictive control
  • the inherently continuous manipulated variable value range or value range for the manipulated variable
  • a predetermined number of manipulated variable values are preset within a respective predetermined value range.
  • a course, in particular with one degree of freedom in the prediction horizon, of at least one state variable (of a state vector) of the mechatronic system is then determined over the prediction horizon.
  • a course may, for example, be a course based on a (numerical) integration or else an approximation (collocation).
  • These courses, ie the generated trajectories, the individual states or state variables, are evaluated with the aid of the quality measure, which, for example, punishes the deviations of the states from a predetermined desired course. In this way, in the course of a comparison with a desired course, that course is selected which delivers the lowest quality value and thus, for example, comes closest to the desired course.
  • the manipulated variable value of that at least one manipulated variable that corresponds to the selected curve is then set.
  • the desired value recorded in the current sampling step can be kept constant over the prediction horizon (static reference, point-to-point control). If the future desired course (target trajectory) This information can then be used on the prediction horizon (dynamic reference). The latter case is also known as trajectory following regulation.
  • the proposed method is based on the model predictive control already mentioned. In contrast, however, a gradient-based optimization calculation is no longer performed in each time interval or sampling step. Rather, in a prediction horizon, and thus in particular in one or more time intervals or sampling steps, only a predetermined number of manipulated variable values are preset within a predetermined value range, i.
  • the value range for manipulated variables that is limited and initially continuous in this way is discretized so that only a fixed number of manipulated variable values is possible.
  • Xk + 1 Xk + f (Xk + 1; Xk; Uk ) -At, or the progression of the state variables over time can be determined by means of basic functions such as poly- nomial functions. These basic functions are defined in such a way that constraints and the state differential equation are maintained at the interpolation points.
  • u k denotes manipulated variable values which lie within a range of values, that is to say u min ⁇ u k ⁇ u ma x.
  • these manipulated variable values are discretized. In order to This results in a certain number of the mentioned courses.
  • each of these trajectories ie each of these courses, can be checked with the quality measure.
  • the quality measure can be chosen arbitrarily, since no gradient-based solution algorithm is used in the process. Smoothness requirements for the optimization problem do not exist.
  • the manipulated variable value of that trajectory which delivers the smallest value of the quality measure and thus comes closest to the desired course is then selected and given to the controlled system in the next step, ie set as manipulated variable. If several states or state variables of the mechatronic system are evaluated, then this procedure must be carried out for each state.
  • the quality measure then consists of several terms to evaluate the individual states. Weights in front of the individual quality parameters can be used to allow the deviations of individual states from their respective target profiles to be incorporated into the evaluation to different degrees.
  • This prediction, evaluation and selection process can take place in each time interval or sampling step. Due to the value discretization of the manipulated variable, a gradient-based online optimization is not required. Rather, it is sufficient to test all possible manipulated variable values proposed by a suitable search algorithm and to select the most suitable manipulated variable value according to a selection criterion, for example a minimum operator. The number of calculations per time interval is This is known in advance exactly (when all manipulated variable values are tested) and therefore guarantees the real-time capability of the method. Due to the discretization of the originally continuous manipulated variable value range, the model predictive trajectory control (MPTSC) represents a suboptimal solution in comparison to the classical MPC. The minimum manipulated variable intervention is limited to the discretization step size. However, the real-time capability can be guaranteed.
  • MPTSC model predictive trajectory control
  • Two strategies can be used to reduce the influence of suboptimality by value discretization.
  • the discretization step size can be reduced so that more manipulated variable values are generated.
  • This increases the computing time requirement.
  • the error due to the approximation with a finer value discretization may possibly be neglected in comparison to the error through the determination of the states and the model error of the prediction error.
  • Another strategy is the adaptive manipulated variable discretization.
  • the particular equidistantly discretized manipulated variable value range is mapped to a new set of values in each sampling step.
  • the discretized manipulated variable value range describes the definition quantity of a function in each sampling step.
  • the set of values of this function describes the manipulated variable values to be tested in one sampling step.
  • Such a function can be described, for example, via several polynomial functions.
  • conditions can be set to this adaptation function.
  • the current control error device between setpoint and actual value
  • at least one state variable of the mechatronic system and / or a past history of the at least one manipulated variable (ie its history) are taken into account.
  • a finer discretization can be carried out with a small control error than with a large control error.
  • the minimum and maximum manipulated variable value should preferably always be contained in the adaptive manipulated variable value quantity. In this way, an adaptation of the manipulated variable discretization is possible, i. a quasi-continuous manipulated variable value range is achieved
  • switches can be introduced on the prediction horizon.
  • the respective predetermined number of manipulated variable values within the respective predetermined value range is predetermined for at least two of the several subsequent time intervals on the prediction horizon.
  • the respective predetermined number of manipulated variable values can be individually specified for each of the at least two time intervals.
  • a non-linear model can also be used, but a numerical integration must be performed at runtime.
  • a nonlinear model has the advantage that the image quality is usually higher.
  • MPTSC has the advantage that the model can be arbitrary and does not have to meet any smoothness requirements. Even data-based models can be used here. As an example, neural networks should be listed here. With such models, if they are adapted during control, a controller adaptation becomes possible.
  • the MPTSC is a sub-optimal method compared to the conventional MPC (mathematically, MPTSC is always optimal in formulating the adjusted optimal control problem), it has the ability to explicitly consider and adhere to state constraints, as shown in the experiment.
  • the optimum manipulated variable can be determined in each controller cycle by simply testing the existing manipulated variables.
  • the online optimization can be carried out here with the minimum operator (the computation time is small here in comparison to gradient-based optimization algorithms). If several degrees of freedom are to be realized on the prediction horizon (switches), then the number of trajectories to be tested increases (due to the combinatorics).
  • MPTSC with the minimum operator in terms of the necessary computational time from a certain point is no longer worthwhile compared to a gradient-based algorithm.
  • the at least one state variable preferably comprises a rotational speed, a torque or a force of an electric motor of the mechatronic system or a speed or a position of an actuator of the mechatronic system.
  • the proposed method can thus be used in particular for an electric motor or a linear drive with an actuator.
  • An electric motor in turn can be used for example as a servomotor.
  • MPC multivariable system
  • a robot arm or other movable component of an industrial robot
  • has individual servomotors and such a robot arm or robot may be considered a mechatronic system besides the single servomotor, if such a robotic arm or robot is moving or perform a task, a kinematic dynamic model of the entire robotic arm or robot can be used at run time of the control, which means that in each sampling step the manipulated variables for each individual servomotor are determined simultaneously in the joint space of the robot, in which target profiles for each joint are specified (for example in the form of positions, speeds, accelerations or moments), MTPSC can also be used with target specifications in the working space, ie in the coordinate system of the end effector or gripper
  • two alternative architectures with the MPTSC as controller are proposed.
  • MTPSC contains only a model of movement in the working space, for example movements with respect to the translational and rotational degrees of freedom of the end effector and state / command value restrictions (such as maximum speeds, accelerations, forces, moments, avoidance of collisions with obstacles).
  • the determined manipulated variables (such as speeds of the end effector) can then be transformed via the robotic Jacobi matrix into the necessary joint speeds or accelerations in the current scanning step. These can then be controlled with conventional robot servo-motor controllers or with another lower-level MPTSC in the joint space.
  • Another possible architecture is an MPTSC with a holistic (kinematic / dynamic) robot model define, which determines the associated manipulated variables for each servomotor for a given target trajectory in the working space.
  • Mechatronic systems usually have cascaded control concepts, conventionally based on classic PID control concepts.
  • the outer cascade is a (mostly complex) speed, torque, force, speed or position controller.
  • the inner cascade usually regulates state variables with fast dynamics, such as the electric current.
  • the inner cascade is then usually followed by power electronics with a modulator.
  • the modulator translates the continuous control signal (or the continuous control variable) into a discrete signal.
  • a linear drive is usually the pulse-width-modulated actuator voltage. Electric motors are usually the switch positions of the inverter.
  • the proposed method can now be used to replace the entire cascade structure or just individual controllers or control loops within an existing controller cascade. In the event that the entire cascade is replaced, the MPTSC can directly determine the control value or the original, outermost cascade. This manipulated variable or manipulated variable value can then be converted by the modulator into a discrete actuating signal.
  • the proposed strategy of adaptive manipulated variable discretization can be used if a value-continuous manipulated variable range is required.
  • the presented strategy of switching or the use of different phases and / or Stands between the switching times can be used as a supplement to increase the control quality or for better approximation of classic MPC.
  • the set of values of the manipulated variable of a controller permits only discrete values (for example PWM)
  • PWM discrete values
  • preferably only the strategy with the switching or the use of different phases and / or distances between the switching times is used.
  • the number of trajectories to be evaluated for this case is calculated as 2 n + 1 .
  • N describes the number of switches.
  • special evaluation criteria may preferably continue to be used. For example, the cutting of the desired size of a predicted state trajectory can be punished (sign change weight). Thus, only those manipulated variable values are weighted more heavily, which lead to overshoot. For the discrete case, an integrally similar fraction can be realized to eliminate a steady state error.
  • the deviation of at least one state variable from its desired course of a past sampling step can be evaluated and compared with the current deviation.
  • the manipulated variable (high level, low level for the voltage), which increases the sum of the two values, is punished more strongly. This allows a further improvement of the control while maintaining the real-time capability.
  • the invention further provides a control unit for a mechatronic system, which is set up for carrying out a method according to the invention, and a mechatronic system having such a control unit.
  • a control unit can be integrated, for example, in a computing unit of an electric motor, in particular a servomotor, or a linear actuator or linear drive, in particular a control unit.
  • the arithmetic unit can then be arranged, for example, on the corresponding mechatronic system.
  • FIG. 1 and 2 show schematically classical model predictive regulations in various embodiments or with different degrees of freedom in the prediction horizon.
  • FIG. 3 a schematically shows a method according to the invention in a preferred embodiment.
  • FIG. 3b schematically shows the control unit from FIG. 3a in a more detailed representation.
  • FIG. 4 schematically shows a method according to the invention in a further preferred embodiment.
  • FIGS. 5a and 5b each show part of a method according to the invention in a further preferred embodiment.
  • FIG. 6 shows an exemplary polynomial function for adaptive manipulated variable discretization.
  • FIG. 7 shows a comparison between desired and actual course of a controlled variable when using a method according to the invention. Detailed description of the drawing
  • FIG. 1 shows in simplified form the principle of a model-predictive control on which the invention is based.
  • the time t which is plotted to the right, divided into time intervals AI.
  • To the left is the past history of the state or the controlled variable.
  • the index k describes the controller clock or the sampling.
  • the time intervals At relate to the prediction horizon.
  • the manipulated variable value range is continuous here.
  • a prediction horizon n p the plurality of time intervals, here up to the time t N , a predicted curve V pr for at least one state.
  • the manipulated variable u has an individual value for each of the time intervals. Only the first manipulated variable value is used for controlling the controlled system. The next time t k + i, the calculation is made again.
  • FIG. 2 shows a modified variant of the model-predictive control shown in FIG.
  • FIG. 3 a shows schematically a method according to the invention in a preferred embodiment, illustrated here by the example of a block diagram of a brushless DC motor 100, in particular a servomotor (integrated state determination).
  • the Servomotor to be controlled here has a superimposed position control, for example, for a position or an angle of a shaft, and a subordinate current control, wherein the control according to the invention is applied here only in the position control 300.
  • the position control can also be exchanged with a speed control, but here only one possible embodiment is shown. However, then the speed and not the position must be determined in each sampling and passed to the controller.
  • the controller 300 or a control unit with such a controller receives as input at least one setpoint for the position (or speed), s so n, and outputs a setpoint for the current, i so n, as a manipulated variable.
  • This desired value for the current is passed to a current controller 31 0, for example a PI controller.
  • suitable sensors provide information about the current magnetic flux.
  • the rotor position must be determined using other physical parameters, such as the counter voltage.
  • an inverter 1 10 the information about the magnetic flux and the set target value for the current, ison, converted into a switching pattern for the power semiconductors.
  • the Hall signals IH a , IH b and IH C provide information about the current rotor position, which is needed to generate a new switching pattern for the power semiconductors.
  • the switch positions and thus the manipulated variables U a , U b , U c are mostly pulse-width-modulated voltage signals.
  • a controlled system 320 then results in an actual value for the position (or speed), s is .
  • the actual value s is the position is returned to the controller 300.
  • the current controller contains information about the magnetic flux of the individual phases.
  • a state vector x k shown here only by a first, individual state or a single state variable xi, is given from the controlled system 320 to the controller 300.
  • the actual value of the position or (velocity), s is, can also be contained in the state vector x k and does not necessarily have to be returned as a single signal.
  • the control unit 300 should map the current controller 310 (including 1 1 0) and the controlled system 320 (including 120) with a dynamic model. In this particular case, the model would map the input i so n to the position s ist
  • control unit 300 of Figure 3a is shown in somewhat greater detail, in particular with respect to individual modules and their operation.
  • the target value for the position, Sson is first fed in the control unit 300 to a module 301, in which several Rere manipulated variable values are generated.
  • a module 301 in which several Rere manipulated variable values are generated.
  • the various state trajectories are determined.
  • the one with the lowest quality value is then selected from these trajectories, so that then a suitable setpoint value for the current, i soN , can be output as the manipulated variable.
  • the model for predicting system behavior can be determined using the familiar system identification tools.
  • the model structure is usually assumed from a priori knowledge about the controlled system. This knowledge can be obtained from physical modeling or non-parametric system identification.
  • the model parameters can be identified by the use of optimization algorithms.
  • a measured time course of the inputs and state variables can be used as a basis for offline generation of an optimal mapping in terms of a quality measure. In most cases, the deviation from simulated and measured state variables is evaluated.
  • the found parameters can be assumed to be constant or adapted to the current system behavior with a suitable online optimization algorithm (model adaptation).
  • FIG. 4 schematically shows a method according to the invention in a further preferred embodiment, in this case using the example of a linear drive 200.
  • the regulation according to the invention is applied here to the entire control concept.
  • An additional current regulator is not needed.
  • On a cascaded control concept is waived. This procedure is suitable for linear drives, since satisfactory control quality can be achieved with a few degrees of freedom or only one degree of freedom in the prediction horizon at a prediction horizon of several scanning steps.
  • the controller 400 or a control unit with such a controller receives here as input at least one setpoint for the position, s so n, but the manipulated variable is not the current, but directly the pulse width modulated voltage U for an electromagnetic actuator. Again, the voltage can be given pulse width modulated.
  • the control unit 400 should map the controlled system 420 with a dynamic model.
  • W: ⁇ -1, -0.9, -0.8, ⁇
  • a curve V of the state variable can be determined.
  • the target value V so n is a static reference to the prediction horizon.
  • FIG. 5b schematically shows a further part of a method according to the invention in a further preferred embodiment.
  • the trajectory family for the first state x ⁇ is shown above the prediction horizon.
  • the target curve V so n in this example is the sampled target variable at time k, which is kept constant over the prediction horizon, if there is no information about the future development of the target curve.
  • curves V, V are shown, as they can be shown for different specific control variable values, as shown by way of example in FIG. 5b below (where, by way of example only, manipulated variable values ui, u 2 and u 3 are shown for a value range W). With V is also an actual history of the state shown.
  • FIG. 6 shows a possible adaptive manipulated variable discretization, as it can be used in the context of the invention.
  • the equidistant manipulated variable discretization (right value axis) is mapped to an adaptive manipulated variable discretization (high value axis).
  • each individual curve is composed of two polynomials.
  • the polynomial order the width of the area in which there is a small curve change.
  • a fine discretization takes place around the last manipulated variable u k -i.
  • u k -i, i 0.7
  • u k -i, 2 0
  • FIG. 7 shows the control behavior of a servomotor (brushless DC machine) over time t.
  • the state (xi) position in rad (or in general the first state from a state vector) is an erroneous desired course (here for a position s so n) specified.
  • the second state (x 2 , here a speed in rad / s) is regulated to a zero value.
  • the second state becomes x 2 ⁇
  • the manipulated variable value range is limited to u ⁇
  • FIG. 7 shows the associated manipulated variable profile of the general manipulated variable u, which may in particular be the nominal current i soN in amperes.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

The invention relates to a mechatronic system, a regulating unit, and a method for regulating a mechatronic system, for example robots and linear or servomotors, wherein control variable values (U1, U2, U3) for multiple successive time intervals, i.e. for a prediction horizon (np), are specified within a specified value range, for example multiple target positions, wherein the respective future curve (V,V',V") of a state variable (x1) is ascertained for each of the specified control variable values (U1, U2, U3) using a dynamic model of the mechatronic system, for example a track path is ascertained using positions ascertained by means of the model, and the ascertained curves (V,V',V") are compared with a target curve (Vtarget) and a quality measurement of the respective curve (V,V',V") is ascertained therefrom. The specified control variable value (U1, U2, U3) for which the ascertained quality measurement of the respective curve (V, V, V") has the lowest quality value is selected, i.e. the ascertained curve (V, V, V") lies closest to the target curve (Vtarget), and the selected control variable value (U1, U2, U3) is set as the control variable in order to regulate the mechatronic system.

Description

REGELUNGSEINHEIT, MECHATRONISCHES SYSTEM UND VERFAHREN ZUM REGELN EINES MECHATRONISCHEN SYSTEMS  CONTROL UNIT, MECHATRONIC SYSTEM AND METHOD FOR REGULATING A MECHATRONIC SYSTEM
Beschreibung description
Die vorliegende Erfindung betrifft ein Verfahren zum Regeln eines mechatronischen Systems, bei dem anhand eines Modells des mechatronischen Systems für wenigstens eine Stellgröße ein einzustellender Stellgrößenwert ermittelt und eingestellt wird, sowie eine Regelungseinheit für ein mechatronisches System, das zur Durchführung eines solchen Ver- fahrens eingerichtet ist und ein mechatronisches System mit einer solchen Regelungseinheit. The present invention relates to a method for regulating a mechatronic system, in which a manipulated variable value to be set is determined and set for at least one manipulated variable on the basis of a model of the mechatronic system, and a control unit for a mechatronic system, which is set up for carrying out such a method and a mechatronic system with such a control unit.
Stand der Technik Eine Regelung von mechatronischen Systemen, wie beispielsweise elektrischen Antrieben (mit Gleichstrom-, Wechselstrom-, oder Drehstrommotor), dann insbesondere auch in Form von Servomotoren, oder Linearaktoren bzw. Linearantrieben, ist aufgrund technischer sowie nichttechnischer Anforderungen eine anspruchsvolle Aufgabe. Hier gilt es beispielsweise, eine Drehzahl, ein Drehmoment, eine Kraft, eine Geschwindigkeit oder eine Position zu re- geln. PRIOR ART Control of mechatronic systems, such as electric drives (with DC, AC or three-phase motor), in particular in the form of servomotors or linear actuators or linear drives, is a demanding task due to technical and non-technical requirements. Here, for example, it is necessary to regulate a speed, a torque, a force, a speed or a position.
Für eine schnelle und präzise Regelung von mechatronischen Systemen können klassische Regelungskonzepte (PID-Regler) verwendet werden. Mechatronische Systeme sind in der Regel gekennzeichnet durch ein nichtlineares Systemverhalten. Um die hohen Anforderun- gen an das Systemverhalten zu erfüllen, sollte die Anzahl der Reglerparameter und somit die Komplexität des klassischen PID-Regelungskonzepts stark erhöht werden. In der Regel werden die integrale und proportionale Verstärkung um nichtlineare Kennlinien erweitert. Die Auslegung derartiger Regler ist nicht intuitiv und ist mit einem sehr hohen Aufwand verbunden. Darüber hinaus ist der gefundene Regler aufgrund der Komplexität meist nicht robust gegenüber Änderungen des Regelstreckenverhaltens. Eine nachträgliche Anpassung des Systemverhaltens durch die Änderung der Reglerparameter ist daher in aller Regel nur von einem Prozessexperten bzw. Entwickler durchführbar. For fast and precise control of mechatronic systems, classic control concepts (PID controllers) can be used. Mechatronic systems are usually characterized by a non-linear system behavior. In order to meet the high demands on the system behavior, the number of controller parameters and thus the complexity of the classic PID control concept should be greatly increased. As a rule, the integral and proportional amplification is extended by non-linear characteristics. The design of such controllers is not intuitive and is associated with a very high cost. In addition, the controller found is usually not robust due to the complexity of changes in the controlled system behavior. A subsequent adaptation of the System behavior by changing the controller parameters is therefore generally only feasible by a process expert or developer.
Die modellprädiktive Regelung (MPC) ist ein Regelungskonzept, welches bereits Anwen- dung in der Industrie findet. Durch die Prädiktion des zukünftigen Systemverhaltens in jedem Abtastschritt, d.h. einem bestimmten Zeitintervall, wird eine sehr hohe Regelungsgüte erzielt. Im Gegensatz zu klassischen Regelungskonzepten können Eingangs-, Ausgangs- und Zu- standsbeschränkungen explizit berücksichtigt werden. Die Auswirkung einer Veränderung der Reglerparameter auf das Systemverhalten ist zumeist sehr intuitiv. Zur Realisierung des rechenaufwendigen Regelungskonzeptes für schnelle mechatronische Systeme können Ansätze wie das Move-Blocking, zur Reduktion der Optimierungsparameter auf dem Prädiktionshorizont, oder weitere Ansätze wie die explizite modellprädiktive Regelung verwendet werden. In jedem Zeitintervall bzw. Abtastschritt muss ein insbesondere gradienten-basierter Lösungsalgorithmus die im Sinne eines Gütemaßes optimale Steuerfolge für den gewählten Prädiktionshorizont ermitteln. Dieser Ansatz ist sehr rechenaufwendig und bei Abtastschritten von beispielsweise 1 /(10 kHz) nicht mehr echtzeitfähig. Die Anzahl der Iterationen, die ein Lösungsalgorithmus benötig, um bei der Lösung des Optimalsteuerungsproblems für ein nichtlineares Modell zu konvergieren, ist im Voraus nicht bekannt. Die Echtzeitfähigkeit ist nur sichergestellt, wenn die Anzahl der Iterationen beschränkt wird. Da die Anzahl der Iterationen des Lösungsalgorithmus möglicherweise nicht ausreicht, um eine Konvergenz zu erzielen, ist die Stabilität der Regelung ebenfalls nicht garantiert. Darüber hinaus ist der Applikationsaufwand zur Realisierung der Regelung durch die Implementierung eines gradienten-basierten Optimierungsalgorithmus relativ hoch. Bei der Realisierung der expliziten modellprädiktiven Regelung muss zur Laufzeit keine Optimierung durchgeführt werden. Das Optimalsteuerungsproblem wird offline für alle möglichen initialen Systemzustände gelöst. Bei großen Problemdefinitionen ist die offline Generierung der zu- standsabhängigen Reglergesetze aufgrund des sog. "Fluchs der Dimensionalität" jedoch sehr zeitaufwendig. Eine nachträgliche Anpassung der Reglerparameter zur Laufzeit des Prozesses ist ebenfalls nicht mehr möglich. Offenbarung der Erfindung Model Predictive Control (MPC) is a control concept that is already used in industry. The prediction of the future system behavior in each sampling step, ie a specific time interval, achieves a very high degree of control quality. In contrast to classic control concepts, entry, exit and state restrictions can be explicitly taken into account. The effect of changing the controller parameters on the system behavior is usually very intuitive. To realize the computation-intensive control concept for fast mechatronic systems, approaches such as move-blocking, for the reduction of the optimization parameters on the prediction horizon, or other approaches such as the explicit model-predictive control can be used. In each time interval or sampling step, a particular gradient-based solution algorithm must determine the optimum control sequence for the selected prediction horizon in terms of a quality measure. This approach is very computation-intensive and no longer real-time capable at sampling steps of, for example, 1 / (10 kHz). The number of iterations that a solution algorithm takes to converge in solving the optimal control problem for a non-linear model is not known in advance. Real-time capability is only guaranteed if the number of iterations is limited. Since the number of iterations of the solution algorithm may not be sufficient to achieve convergence, the stability of the scheme is also not guaranteed. In addition, the application effort to implement the control by implementing a gradient-based optimization algorithm is relatively high. When implementing the explicit model predictive control, no optimization must be performed at runtime. The optimal control problem is solved offline for all possible initial system states. For large problem definitions, however, the offline generation of state-dependent controller laws is very time-consuming due to the so-called "curse of dimensionality". A subsequent adaptation of the controller parameters during runtime of the process is also no longer possible. Disclosure of the invention
Erfindungsgemäß werden ein Verfahren zum Regeln eines mechatronischen Systems, eine Regelungseinheit für ein mechatronisches Systems sowie ein mechatronisches System mit den Merkmalen der unabhängigen Patentansprüche vorgeschlagen. Vorteilhafte Ausgestaltungen sind Gegenstand der Unteransprüche sowie der nachfolgenden Beschreibung. According to the invention, a method for regulating a mechatronic system, a control unit for a mechatronic system and a mechatronic system with the features of the independent claims are proposed. Advantageous embodiments are the subject of the dependent claims and the following description.
Unter einem mechatronischen System versteht man insbesondere ein elektronische und mechanische Komponenten aufweisendes System. Beispielsweise kann ein mechanischer Aktor elektrisch angesteuert werden. A mechatronic system is understood in particular to mean an electronic and mechanical components-containing system. For example, a mechanical actuator can be electrically controlled.
Ein erfindungsgemäßes Verfahren dient zum Regeln eines mechatronischen Systems, bei dem - ähnlich wie bei der klassischen modellprädiktiven Regelung (MPC) - anhand eines Modells, insbesondere eines dynamischen Modells, des mechatronischen Systems für we- nigstens eine Stellgröße ein einzustellender Stellgrößenwert ermittelt und eingestellt wird. Im Gegensatz zum klassischen MPC wird der an sich kontinuierliche Stellgrößenwertebereich (bzw. Wertebereich für die Stellgröße) dann diskretisiert, insbesondere sogar äquidistant. Somit wird eine vorbestimmte Anzahl an Stellgrößenwerten innerhalb eines jeweiligen vorbestimmten Wertebereichs vorgegeben. Für jeden der vorgegebenen Stellgrößenwerte wird dann ein Verlauf, insbesondere mit einem Freiheitsgrad im Prädiktionshorizont, wenigstens einer Zustandsgröße (eines Zustandsvektors) des mechatronischen Systems über den Prädiktionshorizont hinweg ermittelt. Bei einem solchen Verlauf kann es sich beispielsweise um einen Verlauf basierend auf einer (numerischen) Integration oder aber auch um eine Approximation (Kollokation) handeln. Diese Verläufe, also die generierten Trajektorien, der einzel- nen Zustände bzw. Zustandsgrößen werden mit Hilfe des Gütemaßes bewertet, welches beispielsweise die Abweichungen der Zustände von einem vorgegebenen Soll-Verlauf bestraft. Auf diese Weise wird bei einem Vergleich mit einem Soll-Verlauf derjenige Verlauf ausgewählt, der den geringsten Gütewert liefert und damit beispielsweise dem Soll-Verlauf am nächsten kommt. Der Stellgrößenwert derjenigen wenigstens einen Stellgröße, die dem ausgewählten Verlauf entspricht, also beispielsweise diejenige, die den kleinsten Gütewert liefert, wird dann eingestellt. Für die Regelung wird dabei insbesondere immer nur der erste Stellgrößenwertwert im Prädiktionshorizont zur Regelung verwendet. Wenn keine Informationen über den zukünftigen Soll-Verlauf vorliegen, dann kann der im aktuellen Abtastschritt aufgenommene Soll-Wert über den Prädiktionshorizont konstant gehalten werden (statische Referenz, Punkt zu Punkt Regelung). Falls der zukünftige Soll-Verlauf (Soll-Trajektorie) be- kannt ist, dann kann diese Information auf dem Prädiktionshorizont verwendet werden (dynamische Referenz). Der letztere Fall ist auch als Trajektorienfolgeregelung bekannt. A method according to the invention is used to regulate a mechatronic system, in which - similar to the classical model predictive control (MPC) - a manipulated variable value to be set is determined and set using at least one manipulated variable for a model, in particular a dynamic model of the mechatronic system. In contrast to the classic MPC, the inherently continuous manipulated variable value range (or value range for the manipulated variable) is then discretized, in particular even equidistant. Thus, a predetermined number of manipulated variable values are preset within a respective predetermined value range. For each of the predefined manipulated variable values, a course, in particular with one degree of freedom in the prediction horizon, of at least one state variable (of a state vector) of the mechatronic system is then determined over the prediction horizon. Such a course may, for example, be a course based on a (numerical) integration or else an approximation (collocation). These courses, ie the generated trajectories, the individual states or state variables, are evaluated with the aid of the quality measure, which, for example, punishes the deviations of the states from a predetermined desired course. In this way, in the course of a comparison with a desired course, that course is selected which delivers the lowest quality value and thus, for example, comes closest to the desired course. The manipulated variable value of that at least one manipulated variable that corresponds to the selected curve, that is to say, for example, that which supplies the smallest quality value, is then set. In particular, only the first manipulated variable value in the prediction horizon is used for the control. If there is no information about the future target profile, then the desired value recorded in the current sampling step can be kept constant over the prediction horizon (static reference, point-to-point control). If the future desired course (target trajectory) This information can then be used on the prediction horizon (dynamic reference). The latter case is also known as trajectory following regulation.
Das vorgeschlagene Verfahren basiert auf der bereits erwähnten modellprädiktiven Rege- lung. Im Gegensatz dazu wird nunmehr jedoch nicht mehr in jedem Zeitintervall bzw. Abtastschritt eine gradienten-basierte Optimierungsberechnung durchgeführt. Vielmehr werden in einem Prädiktionshorizont und damit insbesondere in einem oder mehreren Zeitintervallen bzw. Abtastschritten nur eine vorbestimmte Anzahl an Stellgrößenwerten innerhalb eines vorbestimmten Wertebereichs vorgegeben, d.h. der auf diese Weise beschränkte und zu- nächst kontinuierliche Wertebereich für Stellgrößen wird diskretisiert, sodass nur eine fest definierte Anzahl an Stellgrößenwerten möglich ist. The proposed method is based on the model predictive control already mentioned. In contrast, however, a gradient-based optimization calculation is no longer performed in each time interval or sampling step. Rather, in a prediction horizon, and thus in particular in one or more time intervals or sampling steps, only a predetermined number of manipulated variable values are preset within a predetermined value range, i. The value range for manipulated variables that is limited and initially continuous in this way is discretized so that only a fixed number of manipulated variable values is possible.
In mathematischer Darstellung ergibt sich hierbei, dass ein Zustand xk+1 bei einem Abtastschritt k+1 aus dem vorhergehenden Zustand xk und Systemdynamik x(t) = f(x(t), u(t)) gemäß xk+i = i,k tk+At f(Xk, uk) dt mit dem Abtast- bzw. Zeitintervall At ergibt. In der Praxis wird das Integral beispielsweise mittels numerischer Integration ermittelt, z.B. mit der Vorwärts- Euler Methode: xk+1 = xk + f(xk, uk)-At. In mathematical representation, it results here that a state x k + 1 at a sampling step k + 1 from the previous state x k and system dynamics x (t) = f (x (t), u (t)) according to x k + i = i, k tk + At f (X k , u k ) dt with the sampling or time interval Δt. In practice, the integral is determined, for example, by means of numerical integration, for example using the forward Euler method: x k + 1 = x k + f (x k , u k ) -At.
Für lineare Systeme muss eine numerische Integration nicht zum Einsatz kommen, da die analytische Lösung der Differentialgleichung bestimmt werden kann. Bei (nicht-)linearen Systemen kann alternativ das Kollokationsverfahren verwendet werden. Zwischen definierten Stützstellen kann entweder numerisch Integriert werden (implizit) gemäß For linear systems, a numerical integration need not be used because the analytic solution of the differential equation can be determined. For (non-linear) systems, alternatively, the collocation method can be used. Between defined interpolation points can be integrated either numerically (implicitly) according to
Xk+1 = Xk + f(Xk+1 ;Xk; Uk)-At, oder der Verlauf der Zustandsgrößen über die Zeit mit Hilfe von Basisfunktionen wie poly- nomialer Funktionen ermittelt werden. Diese Basisfunktionen werden so definiert, dass Nebenbedingungen und die Zustandsdifferentialgleichung an den Stützstellen eingehalten werden. Mit uk werden hierbei Stellgrößenwerte bezeichnet, die innerhalb eines Wertebereichs, also etwa umin < uk < umax, liegen. Zudem werden diese Stellgrößenwerte diskretisiert. Damit ergibt sich eine bestimmte Anzahl der genannten Verläufe. Zum Ermitteln des als nächstes zu verwendenden Stellgrößenwerts wird dann für uk derjenige optimale Stellgrößenwert u* gewählt, der gemäß u* = arg min J (xk, u) mit dem Gütemaß J (das geeignet gewählt werden kann) den geringsten Gütewert liefert. Xk + 1 = Xk + f (Xk + 1; Xk; Uk ) -At, or the progression of the state variables over time can be determined by means of basic functions such as poly- nomial functions. These basic functions are defined in such a way that constraints and the state differential equation are maintained at the interpolation points. In this case, u k denotes manipulated variable values which lie within a range of values, that is to say u min <u k <u ma x. In addition, these manipulated variable values are discretized. In order to This results in a certain number of the mentioned courses. In order to determine the manipulated variable value to be used next, the optimum manipulated variable value u * is selected for u k , which gives the lowest quality value according to u * = arg min J (x k , u) with the quality measure J (which can be suitably chosen).
Jeder dieser Stellgrößenwerte kann dabei vorzugsweise durch ein sog. Move-Blocking mit dem Kontrollhorizont nc = 1 über den gesamten Prädiktionshorizont np, d.h. die erwähnten mehreren nachfolgenden Zeitintervalle, konstant gehalten werden. Auf Basis des Modells des mechatronischen Systems und der initialen Zustände in jedem Abtastschritt der zugehörigen Regelstrecke kann dann für jeden dieser Stellgrößenwerte ein Verlauf der wenigstens einen Zustandsgröße des mechatronischen Systems über die mehreren Zeitintervalle hin- weg, also über den Prädiktionshorizont hinweg, ermittelt werden. Mit anderen Worten entsteht hierbei eine Trajektorienschar. Aus diesen Verläufen bzw. Trajektorien kann dann derjenige Verlauf ausgewählt werden, der gemäß dem Gütemaß einem vorgegebenen Soll- Verlauf der wenigstens einen Zustandsgröße am nächsten kommt. Hierzu kann jede dieser Trajektorien, d.h. jeder dieser Verläufe, mit dem Gütemaß überprüft werden. Das Gütemaß kann dabei beliebig gewählt werden, da kein gradienten-basierter Lösungsalgorithmus im Verfahren verwendet wird. Anforderungen an die Glattheit des Optimierungsproblems existieren nicht. Der Stellgrößenwert derjenigen Trajektorie, die den kleinsten Wert des Gütemaßes liefert und damit dem Soll-Verlauf am nächsten kommt, wird dann ausgewählt und im nächsten Schritt auf die Regelstrecke gegeben, d.h. als Stellgröße eingestellt. Wenn mehrere Zustände bzw. Zustandsgrößen des mechatronischen Systems bewertet werden, dann muss dieses Vorgehen für jeden Zustand durchgeführt werden. Das Gütemaß besteht dann aus mehreren Termen zu Bewertung der einzelnen Zustände. Gewichte vor den einzelnen Gütemaßtermen können genutzt werden, um die Abweichungen einzelner Zustände von deren jeweiligen Soll-Verläufen unterschiedlich stark in die Bewertung einfließen zu las- sen. Dieser Prädiktions-, Bewertungs- und Auswahlprozess kann in jedem Zeitintervall bzw. Abtastschritt stattfinden. Durch die Wertediskretisierung der Stellgröße ist eine gradientenbasierte Online-Optimierung nicht erforderlich. Es ist vielmehr ausreichend, alle möglichen oder die von einem geeigneten Suchalgorithmus vorgeschlagenen Stellgrößenwerte zu testen und gemäß einem Auswahlkriterium, beispielsweise einem Minimum-Operator, den ge- eignetsten Stellgrößenwert auszuwählen. Die Anzahl der Berechnungen pro Zeitintervall ist dabei im Voraus genau (wenn alle Stellgrößenwerte getestet werden) bekannt und garantiert daher die Echtzeitfähigkeit des Verfahrens. Durch die Diskretisierung des ursprünglich kontinuierlichen Stellgrößenwertebereichs stellt die modellprädiktive Trajektorienscharregelung (MPTSC) zwar eine suboptimale Lösung im Vergleich zum klassischen MPC dar. Der mini- male Stellgrößeneingriff ist auf die Diskretisierungsschrittweite limitiert. Allerdings kann die Echtzeitfähigkeit garantiert werden. Each of these manipulated variable values can preferably be kept constant by a so-called. Move-blocking with the control horizon n c = 1 over the entire prediction horizon n p , ie the mentioned several subsequent time intervals. On the basis of the model of the mechatronic system and the initial states in each sampling step of the associated controlled system, a course of the at least one state variable of the mechatronic system over the plurality of time intervals, ie across the prediction horizon, can then be determined for each of these manipulated variable values. In other words, this creates a bunch of trajectories. From those courses or trajectories it is then possible to select that course which, according to the quality measure, comes closest to a predefined desired course of the at least one state variable. For this purpose, each of these trajectories, ie each of these courses, can be checked with the quality measure. The quality measure can be chosen arbitrarily, since no gradient-based solution algorithm is used in the process. Smoothness requirements for the optimization problem do not exist. The manipulated variable value of that trajectory which delivers the smallest value of the quality measure and thus comes closest to the desired course is then selected and given to the controlled system in the next step, ie set as manipulated variable. If several states or state variables of the mechatronic system are evaluated, then this procedure must be carried out for each state. The quality measure then consists of several terms to evaluate the individual states. Weights in front of the individual quality parameters can be used to allow the deviations of individual states from their respective target profiles to be incorporated into the evaluation to different degrees. This prediction, evaluation and selection process can take place in each time interval or sampling step. Due to the value discretization of the manipulated variable, a gradient-based online optimization is not required. Rather, it is sufficient to test all possible manipulated variable values proposed by a suitable search algorithm and to select the most suitable manipulated variable value according to a selection criterion, for example a minimum operator. The number of calculations per time interval is This is known in advance exactly (when all manipulated variable values are tested) and therefore guarantees the real-time capability of the method. Due to the discretization of the originally continuous manipulated variable value range, the model predictive trajectory control (MPTSC) represents a suboptimal solution in comparison to the classical MPC. The minimum manipulated variable intervention is limited to the discretization step size. However, the real-time capability can be guaranteed.
Es können zwei Strategien eingesetzt werden, um den Einfluss der Sub-Optimalität durch die Wertediskretisierung zu reduzieren. Im ersten Fall kann die Diskretisierungsschrittweite verkleinert werden, sodass mehr Stellgrößenwerte generiert werden. Allerdings steigt damit der Rechenzeitbedarf. Der Fehler durch die Approximation mit einer feineren Wertediskretisierung kann im Vergleich zu dem Fehler durch die Ermittlung der Zustände und dem Modellfehler des Prädiktionsfehlers unter Umständen vernachlässigt werden. Eine weitere Strategie ist die adaptive Stellgrößendiskretisierung. Der insbesondere äquidistant diskretisierte Stellgrößenwertebereich wird in jedem Abtastschritt auf eine neue Wertemenge abgebildet. Der diskretisierte Stellgrößenwertebereich beschreibt in jedem Abtastschritt die Definitionsmenge einer Funktion. Die Wertemenge dieser Funktion beschreibt die zu testenden Stellgrößenwerte in einem Abtastschritt. Eine derartige Funktion kann beispielsweise über mehrere polynomiale Funktionen beschrieben werden. In jedem Abtastschritt können Bedingun- gen an diese Adaptionsfunktion gestellt werden. Vorzugsweise kann der aktuelle Regelfehler (Abweichung zwischen Soll- und Istwert) bzw. wenigstens eine Zustandsgröße des mechat- ronischen Systems und/oder ein zurückliegender Verlauf der wenigstens einen Stellgröße (also deren Historie) berücksichtigt werden. Beispielsweise kann bei kleinem Regelfehler eine feinere Diskretisierung durchgeführt werden als bei großem Regelfehler. Der minimale und maximale Stellgrößenwert sollte jedoch vorzugsweise in der adaptiven Stellgrößenwer- temenge stets enthalten sein. Auf diese Weise ist eine Adaption der Stellgrößendiskretisierung möglich, d.h. es wird ein quasi-kontinuierlicher Stellgrößenwertebereich erzielt Two strategies can be used to reduce the influence of suboptimality by value discretization. In the first case, the discretization step size can be reduced so that more manipulated variable values are generated. However, this increases the computing time requirement. The error due to the approximation with a finer value discretization may possibly be neglected in comparison to the error through the determination of the states and the model error of the prediction error. Another strategy is the adaptive manipulated variable discretization. The particular equidistantly discretized manipulated variable value range is mapped to a new set of values in each sampling step. The discretized manipulated variable value range describes the definition quantity of a function in each sampling step. The set of values of this function describes the manipulated variable values to be tested in one sampling step. Such a function can be described, for example, via several polynomial functions. In each sampling step conditions can be set to this adaptation function. Preferably, the current control error (deviation between setpoint and actual value) or at least one state variable of the mechatronic system and / or a past history of the at least one manipulated variable (ie its history) are taken into account. For example, a finer discretization can be carried out with a small control error than with a large control error. However, the minimum and maximum manipulated variable value should preferably always be contained in the adaptive manipulated variable value quantity. In this way, an adaptation of the manipulated variable discretization is possible, i. a quasi-continuous manipulated variable value range is achieved
Um das klassischen MPC mit mehreren Freiheitsgraden im Prädiktionshorizont (nc > 1 ) (bei mehreren Zeitintervallen) zu approximieren, können Umschaltungen auf dem Prädiktionshorizont eingeführt werden. Vorteilhafterweise wird hierzu für wenigstens zwei der mehreren nachfolgenden Zeitintervalle auf dem Prädiktionshorizont die jeweilige vorbestimmte Anzahl an Stellgrößenwerten innerhalb des jeweiligen vorbestimmten Wertebereichs vorgegeben. Insbesondere können dabei die jeweilige vorbestimmte Anzahl an Stellgrößenwerten indivi- duell für jedes der wenigstens zwei Zeitintervalle vorgegeben werden. Mit der Einführung einer solchen Umschaltung entstehen zwei (oder mehr) Phasen. In jeder Phase können die Anzahl der Stellgrößenwerte und die Adaptionsfunktion definiert werden. Neben der Anzahl der Umschaltungen können auch die Umschaltzeitpunkte optimiert werden. Auch damit kann die Güte der Regelung erhöht werden, während zugleich aber die Echtzeitfähigkeit erhalten bleibt, da die gesamte Anzahl an zu berechnenden Verläufen weiterhin im Voraus bestimmbar ist. Besonders vorteilhaft ist hierbei auch, wenn verschiedene Zeitintervalle entsprechend der oben erwähnten Möglichkeiten der Adaption der Stellgrößendiskretisierung angewendet werden. Insbesondere, um Rechenzeit einzusparen, ist es von Vorteil, wenn als Modell zur Vorhersage des Systemverhaltens des mechatronischen Systems über einen endlichen Horizont ein lineares Modell verwendet wird. Mechatronische Systeme können im einfachsten Fall mit einem linearen, insbesondere dynamischen Modell beschrieben werden. Mit "linear" ist insbesondere der Zusammenhang zwischen der gewünschten Ein- und Ausgangsgröße ge- meint. Das kann beispielsweise der Zusammenhang zwischen der Eingangsspannung am Aktor als Stellgröße und der Positionsausgabe des Sensors sein. Wenn ein lineares Modell zur Vorhersage des Systemverhaltens genutzt wird, entstehen folgende Möglichkeiten. Das Systemverhalten über die Zeit kann analytisch hinterlegt werden, sodass eine numerische Integration zur Laufzeit nicht notwendig ist. Diese Eigenschaft führt zu einer Verminderung des Rechenaufwands und damit zu weniger Rechenzeit. Ein weit wichtigerer Punkt ist, dass das Regelungskonzept sehr einfach einen adaptiven Charakter erhalten kann. Hier ist insbesondere die Adaption durch die Online-Identifikation der Modellparameter gemeint. Hierfür stehen sehr recheneffiziente Algorithmen wie beispielsweise die rekursive Methode der kleinsten Quadrate zur Verfügung (RLS). Um möglichst viele Betriebspunkte mit einer hohen Regelgüte zu bedienen, ist es möglich, lokal lineare Modelle zu generieren und diese zur Laufzeit zu überblenden. Die Identifikation der lokal linearen Partitionierung kann dabei offline und online erfolgen. Ein nichtlineares Modell kann ebenfalls verwendet werden, allerdings muss hier eine numerische Integration zur Laufzeit durchgeführt werden. Ein nichtlineares Modell hat den Vorteil, dass die Abbildungsgüte zumeist höher ist. MPTSC hat den Vor- teil, dass das Modell beliebig sein kann und keine Glattheitsbedingungen erfüllen muss. Auch rein datenbasierte Modelle können hier verwendet werden. Als Beispiel sollen hier Neuronale Netze aufgeführt werden. Mit solchen Modellen, wenn sie während der Regelung adaptiert werden, wird eine Regleradaption möglich. Obwohl das MPTSC ein im Vergleich zu dem herkömmlichen MPC suboptimales Verfahren ist (mathematisch gesehen ist MPTSC stets optimal durch die Formulierung des angepass- ten Optimalsteuerungsproblems), hat es die Fähigkeit, Zustandsbeschränkungen explizit zu berücksichtigen und auch einzuhalten, wie im Experiment gezeigt werden konnte. Dies gilt auch für einen einzelnen Freiheitsgrad im Prädiktionshorizont (d.h. wenn Stellgrößenwerte konstant auf dem gesamten Prädiktionshorizont sind). Diese Tatsache ist bei der Betrachtung eines Systems mit nur einer Zustandsbeschränkung nicht von besonderer Bedeutung, da beispielsweise mechanische Anschläge für einen zu bewegenden Aktor vorhanden sind. Die Sollgröße der Position liegt damit nämlich immer in einem zulässigen Wertebereich. Bei Servomotoren kann man sich jedoch beispielsweise vorstellen, dass gewisse Winkelgeschwindigkeiten bzw. Drehzahlen und Winkelbeschleunigungen nicht überschritten werden sollten. Diese Zustandsgrößen können beispielsweise Einfluss auf die Qualität von Produktionsprozessen oder auf den Komfort von Insassen bzw. Passagieren von Beförderungsmitteln haben. Allerdings wird zumeist gewünscht, dass die zulässigen Betriebsgrenzen voll ausgeschöpft werden. Mit klassischen Regelungskonzepten wie beispielsweise PID- Regelungskonzepten ist ein Betrieb an den zulässigen Betriebsgrenzen zumeist nicht möglich. In order to approximate the classical MPC with several degrees of freedom in the prediction horizon (n c > 1) (at several time intervals), switches can be introduced on the prediction horizon. Advantageously, for this purpose, the respective predetermined number of manipulated variable values within the respective predetermined value range is predetermined for at least two of the several subsequent time intervals on the prediction horizon. In particular, the respective predetermined number of manipulated variable values can be individually specified for each of the at least two time intervals. With the introduction Such a switch creates two (or more) phases. In each phase, the number of manipulated variable values and the adaptation function can be defined. In addition to the number of switches and the switching times can be optimized. Even with this, the quality of the control can be increased, while at the same time maintaining the real-time capability, since the total number of curves to be calculated can still be determined in advance. It is also particularly advantageous if different time intervals are used in accordance with the abovementioned possibilities of adapting the manipulated variable discretization. In particular, in order to save computation time, it is advantageous if a linear model is used as the model for predicting the system behavior of the mechatronic system over a finite horizon. Mechatronic systems can be described in the simplest case with a linear, in particular dynamic model. By "linear" is meant in particular the relationship between the desired input and output variables. For example, this may be the relationship between the input voltage at the actuator as the manipulated variable and the position output of the sensor. When a linear model is used to predict system behavior, the following possibilities arise. The system behavior over time can be stored analytically, so that a numerical integration at runtime is not necessary. This property leads to a reduction of the computational effort and thus to less computation time. A much more important point is that the control concept can very easily be given an adaptive character. In particular, the adaptation by the online identification of the model parameters is meant here. For this purpose, very computationally efficient algorithms are available, such as the recursive least squares method (RLS). In order to operate as many operating points as possible with a high control quality, it is possible to generate locally linear models and to crossfade them at runtime. The identification of the locally linear partitioning can take place offline and online. A non-linear model can also be used, but a numerical integration must be performed at runtime. A nonlinear model has the advantage that the image quality is usually higher. MPTSC has the advantage that the model can be arbitrary and does not have to meet any smoothness requirements. Even data-based models can be used here. As an example, neural networks should be listed here. With such models, if they are adapted during control, a controller adaptation becomes possible. Although the MPTSC is a sub-optimal method compared to the conventional MPC (mathematically, MPTSC is always optimal in formulating the adjusted optimal control problem), it has the ability to explicitly consider and adhere to state constraints, as shown in the experiment. This also applies to a single degree of freedom in the prediction horizon (ie when manipulated variable values are constant over the entire prediction horizon). This fact is not of particular importance when considering a system with only one conditional constraint, for example because there are mechanical stops for an actuator to be moved. The nominal size of the position is thus always within a permissible value range. For servomotors, however, one can imagine, for example, that certain angular velocities or rotational speeds and angular accelerations should not be exceeded. These state variables can, for example, have an influence on the quality of production processes or on the comfort of passengers or passengers of means of transport. However, it is usually desired that the permissible operating limits are fully utilized. With classic control concepts such as PID control concepts, operation at the permissible operating limits is usually not possible.
Bei einer einfachen Formulierung von MPTSC kann die optimale Stellgröße in jedem Regler- takt durch einfaches Testen der vorhandenen Stellgrößen ermittelt werden. Die Online- Optimierung kann hier mit dem Minimum-Operator durchgeführt werden (die Rechenzeit ist hier im Vergleich zu gradienten-basierten Optimierungsalgorithmen klein). Wenn mehrere Freiheitsgrade auf dem Prädiktionshorizont realisiert werden sollen (Umschaltungen), dann steigt die Anzahl der zu testenden Trajektorien (aufgrund der Kombinatorik). Die Hypothese ist dabei, dass sich MPTSC mit dem Minimum-Operator in Bezug auf die nötige Rechenzeit ab einem bestimmten Punkt im Vergleich zu einem gradienten-basierten Algorithmus nicht mehr lohnt. Es besteht jedoch die Möglichkeit, zunächst wie gewohnt die zu testenden Trajektorien bzw. Stellgrößenwerte zu generieren und anschließend mit einem Suchalgorithmus aus dieser Menge die beste Lösung zu finden. Hier können heuristische (beispiels- weise der A*-Algorithmus) oder regelbasierte Suchalgorithmen zum Einsatz kommen. Die Idee der Diskretisierung eines zunächst kontinuierlichen Stellgrößenwertebereichs bleibt dabei erhalten. Der klassische gradienten-basierte Ansatz beim MPC hingegen arbeitet immer direkt auf der kontinuierlichen Stellgrößenwertemenge. Vorzugsweise umfasst die wenigstens eine Zustandsgröße eine Drehzahl, ein Drehmoment oder eine Kraft eines Elektromotors des mechatronischen Systems oder eine Geschwindigkeit oder eine Position eines Aktors des mechatronischen Systems. Damit kann das vorgeschlagene Verfahren also insbesondere für einen Elektromotor oder einen Linearantrieb mit einem Aktor verwendet werden. Ein Elektromotor wiederum kann beispielsweise als Servomotor verwendet werden. With a simple formulation of MPTSC, the optimum manipulated variable can be determined in each controller cycle by simply testing the existing manipulated variables. The online optimization can be carried out here with the minimum operator (the computation time is small here in comparison to gradient-based optimization algorithms). If several degrees of freedom are to be realized on the prediction horizon (switches), then the number of trajectories to be tested increases (due to the combinatorics). The hypothesis is that MPTSC with the minimum operator in terms of the necessary computational time from a certain point is no longer worthwhile compared to a gradient-based algorithm. However, it is possible to initially generate the trajectories or manipulated variable values to be tested as usual and then to find the best solution from this set with a search algorithm. Here heuristic (for example the A * algorithm) or rule-based search algorithms can be used. The idea of discretizing an initially continuous manipulated variable value range is retained. The classic gradient-based approach in MPC, on the other hand, always works directly on the continuous setpoint value quantity. The at least one state variable preferably comprises a rotational speed, a torque or a force of an electric motor of the mechatronic system or a speed or a position of an actuator of the mechatronic system. Thus, the proposed method can thus be used in particular for an electric motor or a linear drive with an actuator. An electric motor in turn can be used for example as a servomotor.
Ein weiterer, besonderer Vorteil von MPC und damit auch MPTSC ist die Fähigkeit, ein Mehrgrößensystem (also sozusagen ein mechatronisches System, das aus mehreren me- chatronischen Einzelsystemen besteht) zu regeln, nicht nur ein System mit einen Eingang und einem Ausgang. Beispielsweise weist ein Roboterarm (oder eine anderen bewegliche Komponente eines industriellen Roboters einzelne Servomotoren auf. Ein solcher Roboterarm oder auch ein solcher Roboter kann - neben dem einzelnen Servomotor - als mechatronisches System angesehen werden. Wenn ein solcher Roboterarm oder ein solcher Robo- ter eine Bewegung bzw. eine Aufgabe durchführen soll, dann kann ein kinematisches o- der/und dynamisches Modell des gesamten Roboterarms oder Roboters zur Laufzeit der Regelung verwendet werden. Das bedeutet, dass in jedem Abtastschritt die Stellgrößen für jeden einzelnen Servomotor gleichzeitig ermittelt werden. Neben der Regelung im Gelenkraum des Roboters, bei der Sollverläufe für jedes Gelenk vorgegeben werden (beispielsweise in Form von Positionen, Geschwindigkeiten, Beschleunigungen oder Momenten), kann MTPSC auch mit Sollvorgaben im Arbeitsraum, das heißt im Koordinatensystem des Endeffektors beziehungsweise Greifers angewendet werden. Bei der Arbeitsraumregelung werden zwei alternative Architekturen mit dem MPTSC als Regler vorgeschlagen. Im ersten Fall beinhaltet MTPSC ausschließlich ein Modell der Bewegung im Arbeitsraum, beispielsweise Bewegungen bezüglich der translatorischen und rotatorischen Freiheitsgrade des Endeffektors und Zustands-/Stellgrößenbeschränkungen (etwa maximale Geschwindigkeiten, Beschleunigungen, Kräfte, Momente, Vermeidung von Kollisionen mit Hindernissen). Die ermittelten Stellgrößen (etwa Geschwindigkeiten des Endeffektors) las- sen sich dann über die Roboter-Jacobi-Matrix in die notwendigen Gelenkgeschwindigkeiten beziehungsweise -beschleunigungen im aktuellen Abtastschritt transformieren. Diese können dann mit konventionellen Roboter-Servomotorreglern oder aber auch mit einem weiteren unterlagertem MPTSC im Gelenkraum geregelt werden. Als weitere mögliche Architektur lässt sich ein MPTSC mit ganzheitlichem (kinematischen-/dynamischen) Roboter-Modell definieren, welcher bei gegebener Solltrajektorie im Arbeitsraum die zugehörigen Stellgrößen für jeden Servomotor ermittelt. Another special advantage of MPC and thus of MPTSC is the ability to control a multivariable system (in other words a mechatronic system consisting of several mechatronic individual systems), not just a system with one input and one output. For example, a robot arm (or other movable component of an industrial robot) has individual servomotors, and such a robot arm or robot may be considered a mechatronic system besides the single servomotor, if such a robotic arm or robot is moving or perform a task, a kinematic dynamic model of the entire robotic arm or robot can be used at run time of the control, which means that in each sampling step the manipulated variables for each individual servomotor are determined simultaneously in the joint space of the robot, in which target profiles for each joint are specified (for example in the form of positions, speeds, accelerations or moments), MTPSC can also be used with target specifications in the working space, ie in the coordinate system of the end effector or gripper As an alternative, two alternative architectures with the MPTSC as controller are proposed. In the first case, MTPSC contains only a model of movement in the working space, for example movements with respect to the translational and rotational degrees of freedom of the end effector and state / command value restrictions (such as maximum speeds, accelerations, forces, moments, avoidance of collisions with obstacles). The determined manipulated variables (such as speeds of the end effector) can then be transformed via the robotic Jacobi matrix into the necessary joint speeds or accelerations in the current scanning step. These can then be controlled with conventional robot servo-motor controllers or with another lower-level MPTSC in the joint space. Another possible architecture is an MPTSC with a holistic (kinematic / dynamic) robot model define, which determines the associated manipulated variables for each servomotor for a given target trajectory in the working space.
Mechatronische Systeme weisen zumeist kaskadierte Regelungskonzepte auf, herkömmli- cherweise auf Basis von klassischen PID-Regelungskonzepten. Bei der äußeren Kaskade handelt es sich dabei beispielsweise um einen (meist komplexen) Drehzahl-, Drehmoment-, Kraft-, Geschwindigkeits- oder Positionsregler. Die innere Kaskade regelt zumeist Zu- standsgrößen mit schnellen Dynamiken, wie beispielsweise den elektrischen Strom. Der inneren Kaskade folgt dann in der Regel eine Leistungselektronik mit einem Modulator. Der Modulator übersetzt das kontinuierliche Stellsignal (bzw. die kontinuierliche Stellgröße) in ein diskretes Signal. Bei einem Linearantrieb handelt es sich zumeist um die pulsweiten- modulierte Aktorspannung. Bei Elektromotoren handelt es sich zumeist um die Schalterstellungen des Inverters. Das vorgeschlagene Verfahren kann nun genutzt werden, um die gesamte Kaskadenstruktur oder aber auch nur einzelne Regler bzw. Regelkreise innerhalb einer bestehenden Reglerkaskade zu ersetzen. Für den Fall, dass die gesamte Kaskade ersetzt wird, kann das MPTSC direkt den Stellwert bzw. der ursprünglichen, äußersten Kaskade ermitteln. Diesen Stellwert bzw. Stellgrößenwert kann der Modulator dann in ein diskretes Stellsignal umset- zen. Mechatronic systems usually have cascaded control concepts, conventionally based on classic PID control concepts. For example, the outer cascade is a (mostly complex) speed, torque, force, speed or position controller. The inner cascade usually regulates state variables with fast dynamics, such as the electric current. The inner cascade is then usually followed by power electronics with a modulator. The modulator translates the continuous control signal (or the continuous control variable) into a discrete signal. A linear drive is usually the pulse-width-modulated actuator voltage. Electric motors are usually the switch positions of the inverter. The proposed method can now be used to replace the entire cascade structure or just individual controllers or control loops within an existing controller cascade. In the event that the entire cascade is replaced, the MPTSC can directly determine the control value or the original, outermost cascade. This manipulated variable or manipulated variable value can then be converted by the modulator into a discrete actuating signal.
Für den Fall, dass nur einzelne Kaskadenregler ersetzt werden sollen, kann die übrige Struktur erhalten bleiben. Der zweite Fall führt zu dem geringsten Realisierungsaufwand. Für Linearantriebe ergibt sich dabei eine Besonderheit. Hier ist es möglich, den Modulator wegzu- lassen. Das MPTSC ermittelt in diesem Fall direkt den diskreten Stellgrößenwert (insbesondere ein PWM-Signal für beispielsweise die Aktorspannung). Bei Linearantrieben ist es zumeist üblich, dass eine Spannung über mehrere Abtastschritte konstant gehalten wird, um eine gewisse Kraft des Aktors realisieren zu können. Bei klassischen rotatorischen Antrieben ist dieser Ansatz zumeist nur dann sinnvoll, wenn die Anzahl an Freiheitsgraden im Prädikti- onshorizont ausreichend groß ist, um eine Rotationsbewegung prädizieren zu können. Hier steigt allerdings der Rechenzeitbedarf. In the event that only individual cascade controllers are to be replaced, the remaining structure can be retained. The second case leads to the least implementation effort. For linear drives this results in a special feature. Here it is possible to omit the modulator. In this case, the MPTSC directly determines the discrete manipulated variable value (in particular a PWM signal for, for example, the actuator voltage). In the case of linear drives, it is usually customary for a voltage to be kept constant over several sampling steps in order to be able to realize a certain force of the actuator. In classical rotary drives, this approach is usually only meaningful if the number of degrees of freedom in the prediction horizon is sufficiently large to be able to predict a rotational movement. Here, however, the computing time requirement increases.
Die vorgestellte Strategie der adaptiven Stellgrößendiskretisierung kann zum Einsatz kommen, wenn ein wertekontinuierlicher Stellgrößenbereich gefordert wird. Die vorgestellte Strategie der Umschaltungen bzw. der Verwendung von verschiedenen Phasen und/oder Ab- ständen zwischen den Umschaltzeitpunkten kann als Ergänzung zur Erhöhung der Regelungsgüte bzw. zur besseren Approximation von klassischem MPC genutzt werden. Wenn die Wertemenge der Stellgröße eines Reglers nur diskrete Werte zulässt (beispielsweise PWM) wird hingegen vorzugsweise nur die Strategie mit der Umschaltungen bzw. der Ver- wendung von verschiedenen Phasen und/oder Abständen zwischen den Umschaltzeitpunkten verwendet. Für den Fall, dass nur zwei diskrete Spannungssignale möglich sind, liegt hier ein großes Verbesserungspotential der Regelungsgüte vor, da viele Umschaltungen auf dem Prädiktionshorizont in Echtzeit durchgeführt werden können. Die Anzahl der zu bewertenden Trajektorien für den diesen Fall berechnet sich dabei zu 2n+1. Dabei beschreibt n die Anzahl der Umschaltungen. The proposed strategy of adaptive manipulated variable discretization can be used if a value-continuous manipulated variable range is required. The presented strategy of switching or the use of different phases and / or Stands between the switching times can be used as a supplement to increase the control quality or for better approximation of classic MPC. If the set of values of the manipulated variable of a controller permits only discrete values (for example PWM), on the other hand, preferably only the strategy with the switching or the use of different phases and / or distances between the switching times is used. In the event that only two discrete voltage signals are possible, there is a great potential for improving the quality of control, since many switching operations on the prediction horizon can be carried out in real time. The number of trajectories to be evaluated for this case is calculated as 2 n + 1 . N describes the number of switches.
Für den Fall eines ursprünglich kontinuierlichen Stellgrößenwertebereichs können vorzugsweise weiterhin spezielle Bewertungskriterien zum Einsatz kommen. Beispielsweise kann das Schneiden der Soll-Größe einer prädizierten Zustandstrajektorie bestraft werden (Vor- zeichenwechselgewicht). Damit werden ausschließlich nur diejenigen Stellgrößenwerte stärker gewichtet, die zu einem Überschwingen führen. Für den diskreten Fall kann ein integral ähnlicher Anteil realisiert werden, um eine bleibende Regelabweichung zu eliminieren. Die Abweichung mindestens einer Zustandsgröße von ihrem Soll-Verlauf eines vergangenen Abtastschritts kann ausgewertet werden und mit der aktuellen Abweichung verglichen wer- den. Die Stellgröße (High-Pegel, Low-Pegel für die Spannung), die die Summe beider Werte betragsmäßig vergrößert, wird stärker bestraft. Dies ermöglicht eine weitere Verbesserung der Regelung unter Beibehaltung der Echtzeitfähigkeit. In the case of an originally continuous manipulated variable value range, special evaluation criteria may preferably continue to be used. For example, the cutting of the desired size of a predicted state trajectory can be punished (sign change weight). Thus, only those manipulated variable values are weighted more heavily, which lead to overshoot. For the discrete case, an integrally similar fraction can be realized to eliminate a steady state error. The deviation of at least one state variable from its desired course of a past sampling step can be evaluated and compared with the current deviation. The manipulated variable (high level, low level for the voltage), which increases the sum of the two values, is punished more strongly. This allows a further improvement of the control while maintaining the real-time capability.
Gegenstand der Erfindung sind weiterhin eine Regelungseinheit für ein mechatronisches System, die zur Durchführung eines erfindungsgemäßen Verfahrens eingerichtet ist, sowie ein mechatronisches System mit einer solchen Regelungseinheit. Eine solche Regelungseinheit kann beispielsweise in einer Recheneinheit eines Elektromotors, insbesondere Servomotors, oder eines Linearaktors bzw. Linearantriebs, insbesondere einem Steuergerät, integriert sein. Die Recheneinheit kann dann beispielsweise an dem entsprechenden mecha- tronischen System angeordnet sein. The invention further provides a control unit for a mechatronic system, which is set up for carrying out a method according to the invention, and a mechatronic system having such a control unit. Such a control unit can be integrated, for example, in a computing unit of an electric motor, in particular a servomotor, or a linear actuator or linear drive, in particular a control unit. The arithmetic unit can then be arranged, for example, on the corresponding mechatronic system.
Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und der beiliegenden Zeichnung. Es versteht sich, dass die vorstehend genannten und die nachfolgend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen. Further advantages and embodiments of the invention will become apparent from the description and the accompanying drawings. It is understood that the features mentioned above and those yet to be explained below can be used not only in the particular combination indicated, but also in other combinations or in isolation, without departing from the scope of the present invention.
Die Erfindung ist anhand von Ausführungsbeispielen in der Zeichnung schematisch dargestellt und wird im Folgenden unter Bezugnahme auf die Zeichnung ausführlich beschrieben. The invention is illustrated schematically by means of exemplary embodiments in the drawing and will be described in detail below with reference to the drawing.
Figurenbeschreibung figure description
Figuren 1 und 2 zeigen schematisch klassische modellprädiktive Regelungen in verschiedenen Ausführungsformen bzw. mit unterschiedlichen Freiheitsgraden im Prädiktionshorizont. Figur 3a zeigt schematisch ein erfindungsgemäßes Verfahren in einer bevorzugten Ausführungsform. Figures 1 and 2 show schematically classical model predictive regulations in various embodiments or with different degrees of freedom in the prediction horizon. FIG. 3 a schematically shows a method according to the invention in a preferred embodiment.
Figur 3b zeigt schematisch die Regelungseinheit aus Figur 3a in einer detaillierteren Darstellung. FIG. 3b schematically shows the control unit from FIG. 3a in a more detailed representation.
Figur 4 zeigt schematisch ein erfindungsgemäßes Verfahren in einer weiteren bevorzugten Ausführungsform. FIG. 4 schematically shows a method according to the invention in a further preferred embodiment.
Figuren 5a und 5b zeigen jeweils einen Teil eines erfindungsgemäßen Verfahrens in einer weiteren bevorzugten Ausführungsform. FIGS. 5a and 5b each show part of a method according to the invention in a further preferred embodiment.
Figur 6 zeigt eine beispielhafte polynomiale Funktion zur adaptiven Stellgrößendiskretisie- rung. Figur 7 zeigt einen Vergleich zwischen Soll- und Ist- Verlauf einer Regelgröße bei Anwendung eines erfindungsgemäßen Verfahrens. Detaillierte Beschreibung der Zeichnung FIG. 6 shows an exemplary polynomial function for adaptive manipulated variable discretization. FIG. 7 shows a comparison between desired and actual course of a controlled variable when using a method according to the invention. Detailed description of the drawing
In Figur 1 ist das Prinzip einer modellprädiktiven Regelung, auf welcher die Erfindung basiert, vereinfacht dargestellt. Hierzu ist die Zeit t, die nach rechts aufgetragen ist, in Zeitinter- valle AI unterteilt. Zu einem aktuellen Zeitpunkt tk liegt der Zustandsvektor xk = x0, hier durch eine Zustandsgröße bzw. einen Zustand xk dargestellt, der die Regelgröße darstellt, vor. Links davon ist der vergangene Verlauf des Zustands bzw. der Regelgröße zu sehen. Der Index k beschreibt hierbei den Reglertakt bzw. die Abtastung. Die Zeitintervalle At beziehen sich auf den Prädiktionshorizont. Der Stellgrößenwertebereich ist hier kontinuierlich. FIG. 1 shows in simplified form the principle of a model-predictive control on which the invention is based. For this purpose, the time t, which is plotted to the right, divided into time intervals AI. At a current point in time t k , the state vector x k = x 0 , represented here by a state variable or a state x k representing the controlled variable, is present. To the left is the past history of the state or the controlled variable. The index k describes the controller clock or the sampling. The time intervals At relate to the prediction horizon. The manipulated variable value range is continuous here.
Es wird nun über einen Prädiktionshorizont np, der mehrere Zeitintervalle, hier bis zum Zeitpunkt tN umfasst, ein prädizierter Verlauf Vprfür mindestens einen Zustand ermittelt. Hierzu wird eine Stellgröße bzw. deren Verlauf u über den Prädiktionshorizont, d.h. die mehreren Zeitintervalle, hinweg derart optimiert, dass der Verlauf Vpr möglichst nahe an einem Soll- Verlauf für den Zustand liegt. Dabei weist die Stellgröße u für jedes der Zeitintervalle einen individuellen Wert auf. Nur der erste Stellgrößenwert wird für die Regelung der Regelstrecke verwendet. Im nächsten Zeitpunkt tk+i wird die Berechnung erneut vorgenommen. It is now determined via a prediction horizon n p , the plurality of time intervals, here up to the time t N , a predicted curve V pr for at least one state. For this purpose, a manipulated variable or its course u over the prediction horizon, ie, the plurality of time intervals, away optimized so that the curve V pr is as close as possible to a desired curve for the state. In this case, the manipulated variable u has an individual value for each of the time intervals. Only the first manipulated variable value is used for controlling the controlled system. The next time t k + i, the calculation is made again.
Auf diese Weise kann zwar eine hohe Regelungsgüte erzielt werden, allerdings kann für nichtlineare Systeme im Voraus nicht mit Sicherheit bestimmt werden, wie lange die Opti- mierung des Verlaufs dauert. Die gradienten-basierte Optimierung der freien Parameter im Prädiktionshorizont ist rechenaufwendig. Damit kann eine Echtzeitfähigkeit der Regelung nur garantiert werden, wenn die Anzahl der Optimierungsschritte begrenzt wird. Although a high degree of control quality can be achieved in this way, it can not be determined with certainty in advance for nonlinear systems how long the optimization of the course lasts. The gradient-based optimization of the free parameters in the prediction horizon is computationally expensive. Thus, a real-time capability of the control can only be guaranteed if the number of optimization steps is limited.
In Figur 2 ist eine abgewandelte Variante der in Figur 1 gezeigten modellprädiktiven Rege- lung dargestellt. Neben einer anderen Anzahl an Zeitintervallen im Prädiktionshorizont, was hier jedoch weniger relevant ist, wird ein Wert für die Stellgröße u immer über zwei aufeinanderfolgende Zeitintervalle konstant gehalten (Move-Blocking). Auf diese Weise wird zwar die Anzahl der Optimierungsparameter und somit der Rechenaufwand reduziert, jedoch kann weiterhin nicht im Voraus bestimmt werden wie lange die Optimierung dauert, sodass auch hier die Echtzeitfähigkeit nicht garantiert werden kann. Im extremen Fall kann auf dem Prädiktionshorizont nur ein Stellwert eingestellt werden (nc = 1 ). FIG. 2 shows a modified variant of the model-predictive control shown in FIG. In addition to a different number of time intervals in the prediction horizon, which is less relevant here, however, a value for the manipulated variable u is always kept constant over two consecutive time intervals (move blocking). In this way, although the number of optimization parameters and thus the computational effort is reduced, but still can not be determined in advance how long the optimization takes, so here, the real-time capability can not be guaranteed. In the extreme case, only one manipulated variable can be set on the prediction horizon (n c = 1).
In Figur 3a ist nun schematisch ein erfindungsgemäßes Verfahren in einer bevorzugten Ausführungsform, hier am Beispiel eines Blockschaltbildes eines bürstenlosen Gleichstrommo- tors 100, insbesondere eines Servomotors (integrierte Zustandsermittlung), dargestellt. Der hier zu regelnde Servomotor weist eine überlagerte Positionsregelung beispielsweise für eine Stellung oder einen Winkel einer Welle, und eine unterlagerte Stromregelung auf, wobei die erfindungsgemäße Regelung hier nur bei der Positionsregelung 300 angewendet wird. Die Positionsregelung kann jedoch auch mit einer Geschwindigkeitsregelung ausge- tauscht werden, wobei hier jedoch nur eine mögliche Ausführungsform darstellt ist. Allerdings muss dann die Geschwindigkeit und nicht die Position in jedem Abtastschritt ermittelt und dem Regler übergeben werden. FIG. 3 a shows schematically a method according to the invention in a preferred embodiment, illustrated here by the example of a block diagram of a brushless DC motor 100, in particular a servomotor (integrated state determination). The Servomotor to be controlled here has a superimposed position control, for example, for a position or an angle of a shaft, and a subordinate current control, wherein the control according to the invention is applied here only in the position control 300. However, the position control can also be exchanged with a speed control, but here only one possible embodiment is shown. However, then the speed and not the position must be determined in each sampling and passed to the controller.
Der Regler 300 bzw. eine Regelungseinheit mit einem solchen Regler erhält als Eingang mindestens einen Sollwert für die Position (bzw. Drehzahl), sson, und gibt einen Sollwert für den Strom, ison, als Stellgröße aus. Dieser Sollwert für den Strom wiederum wird an eine Stromregelung 31 0, z.B. ein Pl-Regler, übergeben. Im Falle einer sensorgesteuerten Kommutierung liefern geeignete Sensoren Informationen über den aktuellen magnetischen Fluss. Im Falle einer sensorlosen Kommutierung muss die Rotorposition über andere physikalische Größen wie der Gegenspannung ermittelt werden. Mit Hilfe eines Inverters 1 10 werden die Informationen über den magnetischen Fluss und der eingestellte Soll-Wert für den Strom, ison, in ein Schaltmuster für die Leistungshalbleiter umgesetzt. Somit wird ein dreiphasiger Betrieb mit drei Strangströmen realisiert. Die Hall-Signale IHa, IHb und IHC (sensorgesteuerte Kommutierung) geben Aufschluss über die aktuelle Rotorposition, die benötigt wird, um ein neues Schaltmuster für die Leistungshalbleiter zu generieren. Die Schalterstellungen und somit die Stellgrößen Ua, Ub, Uc sind zumeist pulsweiten-modulierte Spannungssignale. The controller 300 or a control unit with such a controller receives as input at least one setpoint for the position (or speed), s so n, and outputs a setpoint for the current, i so n, as a manipulated variable. This desired value for the current, in turn, is passed to a current controller 31 0, for example a PI controller. In the case of sensor-controlled commutation, suitable sensors provide information about the current magnetic flux. In the case of a sensorless commutation, the rotor position must be determined using other physical parameters, such as the counter voltage. With the help of an inverter 1 10, the information about the magnetic flux and the set target value for the current, ison, converted into a switching pattern for the power semiconductors. Thus, a three-phase operation is realized with three phase currents. The Hall signals IH a , IH b and IH C (sensor-controlled commutation) provide information about the current rotor position, which is needed to generate a new switching pattern for the power semiconductors. The switch positions and thus the manipulated variables U a , U b , U c are mostly pulse-width-modulated voltage signals.
Über eine Regelstrecke 320 ergibt sich dann ein Istwert für die Position (bzw. Geschwindigkeit), sist. Der Istwert sist der Position wird an den Regler 300 zurückgegeben. Der Stromregler enthält Informationen über den magnetischen Fluss der einzelnen Phasen. Zudem wird ein Zustandsvektor xk, hier nur durch einen ersten, einzelnen Zustand bzw. eine einzelne Zustandsgröße xi dargestellt, aus der Regelstrecke 320 an den Regler 300 gegeben. Der Istwert der Position bzw. (Geschwindigkeit), sist, kann auch im Zustandsvektor xk enthalten sein und muss nicht zwingend als einzelnes Signal zurückgeführt werden. In diesem Fall sollte die Regelungseinheit 300 den Stromregler 310 (inklusive 1 1 0) und die Regelstrecke 320 (inklusive 120) mit einem dynamischen Modell abbilden. In diesem speziellen Fall würde das Modell die Eingangsgröße ison auf die Position sist abbilden A controlled system 320 then results in an actual value for the position (or speed), s is . The actual value s is the position is returned to the controller 300. The current controller contains information about the magnetic flux of the individual phases. In addition, a state vector x k , shown here only by a first, individual state or a single state variable xi, is given from the controlled system 320 to the controller 300. The actual value of the position or (velocity), s is, can also be contained in the state vector x k and does not necessarily have to be returned as a single signal. In this case, the control unit 300 should map the current controller 310 (including 1 1 0) and the controlled system 320 (including 120) with a dynamic model. In this particular case, the model would map the input i so n to the position s ist
In Figur 3b ist die Regelungseinheit 300 aus Figur 3a etwas detaillierter dargestellt, insbesondere hinsichtlich einzelner Module und deren Funktionsweise. Der Sollwert für die Positi- on, Sson, wird in der Regelungseinheit 300 zunächst einem Modul 301 zugeführt, in dem meh- rere Stellgrößenwerte erzeugt werden. Anschließend werden unter Verwendung des Istwertes für die Position, sist, der Zustandsgröße und dem Modell der Regelstrecke 320 in einem Modul 302 die verschiedenen Zustandstrajektorien ermittelt. In einem Modul 303 wird dann von diesen Trajektorien diejenige mit dem geringsten Gütewert ausgewählt, sodass dann ein geeigneter Sollwert für den Strom, isoN, als Stellgröße ausgegeben werden kann. In Figure 3b, the control unit 300 of Figure 3a is shown in somewhat greater detail, in particular with respect to individual modules and their operation. The target value for the position, Sson, is first fed in the control unit 300 to a module 301, in which several Rere manipulated variable values are generated. Subsequently, using the actual value for the position, s ist , the state variable and the model of the controlled system 320 in a module 302, the various state trajectories are determined. In a module 303, the one with the lowest quality value is then selected from these trajectories, so that then a suitable setpoint value for the current, i soN , can be output as the manipulated variable.
Das Modell zur Vorhersage des Systemverhaltens kann mit den bekannten Werkzeugen der Systemidentifikation ermittelt werden. Die Modellstruktur wird dabei zumeist aus a priori Wissen über die Regelstrecke angenommen. Dieses Wissen kann aus einer physikalischen Modellbildung oder einer nicht-parametrischen Systemidentifikation erlangt werden. Die Modellparameter können durch den Einsatz von Optimierungsalgorithmen identifiziert werden. Ein gemessener Zeitverlauf der Ein- und Zustandsgrößen kann als Grundlage verwendet werden, um offline eine im Sinne eines Gütemaßes optimale Abbildung zu generieren. Dabei wird zumeist die Abweichung von simulierten und gemessenen Zustandsgrößen bewertet. Zur Laufzeit der Regelung können die gefundenen Parameter als konstant angenommen werden oder mit einem geeigneten online Optimierungsalgorithmus an das aktuelle Systemverhalten angepasst werden (Modelladaption). The model for predicting system behavior can be determined using the familiar system identification tools. The model structure is usually assumed from a priori knowledge about the controlled system. This knowledge can be obtained from physical modeling or non-parametric system identification. The model parameters can be identified by the use of optimization algorithms. A measured time course of the inputs and state variables can be used as a basis for offline generation of an optimal mapping in terms of a quality measure. In most cases, the deviation from simulated and measured state variables is evaluated. During runtime of the control, the found parameters can be assumed to be constant or adapted to the current system behavior with a suitable online optimization algorithm (model adaptation).
In Figur 4 ist schematisch ein erfindungsgemäßes Verfahren in einer weiteren bevorzugten Ausführungsform dargestellt, hier am Beispiel eines Linearantriebes 200. Im Vergleich zu dem in Figur 3a gezeigten Fall wird die erfindungsgemäße Regelung hier auf das gesamte Regelungskonzept angewendet. Ein zusätzlicher Stromregler wird nicht benötigt. Auf ein kaskadiertes Regelungskonzept wird verzichtet. Dieses Vorgehen bietet sich bei Linearantrieben an, da mit wenigen Freiheitsgraden oder nur einem Freiheitsgrad im Prädiktionshori- zont bei einem Prädiktionshorizont von mehreren Abtastschritten eine zufriedenstellende Regelungsgüte erreichbar ist. FIG. 4 schematically shows a method according to the invention in a further preferred embodiment, in this case using the example of a linear drive 200. Compared with the case shown in FIG. 3 a, the regulation according to the invention is applied here to the entire control concept. An additional current regulator is not needed. On a cascaded control concept is waived. This procedure is suitable for linear drives, since satisfactory control quality can be achieved with a few degrees of freedom or only one degree of freedom in the prediction horizon at a prediction horizon of several scanning steps.
Der Regler 400 bzw. eine Regelungseinheit mit einem solchen Regler erhält auch hier als Eingangsgröße mindestens einen Sollwert für die Position, sson, die Stellgröße ist hier jedoch nicht der Strom, sondern direkt die pulsweitenmodulierte Spannung U für einen elektromagnetischen Aktor. Auch hier kann die Spannung pulsweitenmoduliert vorgegeben werden. In diesem Fall sollte die Regelungseinheit 400 die Regelstrecke 420 mit einem dynamischen Modell abbilden. In Figur 5a ist nun ein Teil eines erfindungsgemäßen Verfahrens in einer weiteren bevorzugten Ausführungsform schematisch dargestellt. Für ein lineares Modell vierter Ordnung als Regelstrecke und Systemmodell zur Vorhersage des zukünftigen Systemverhaltens sind für drei nicht direkt aufeinander folgende Abtastschritte die generierten Trajektorienscharen für den ersten Zustand x^ (über der Zeit t aufgetragen) für einen Prädiktionshorizont von tN = 0,5 s dargestellt. Für alle Zeitintervalle At auf dem Prädiktionshorizont sind hier in einem vorbestimmten Wertebereich W eine vorbestimmte Anzahl an Stellgrößenwerten durch eine äqui- distante Wertediskretisierung, hier beispielhaft W := {-1 ,-0,9, -0,8, ... , 1 }, vorgegeben. Für jeden dieser Stellgrößenwerte kann ein Verlauf V der Zustandsgröße ermittelt werden. Bei der Soll-Größe Vson handelt es sich hier um eine statische Referenz auf dem Prädiktionshorizont. The controller 400 or a control unit with such a controller receives here as input at least one setpoint for the position, s so n, but the manipulated variable is not the current, but directly the pulse width modulated voltage U for an electromagnetic actuator. Again, the voltage can be given pulse width modulated. In this case, the control unit 400 should map the controlled system 420 with a dynamic model. FIG. 5a shows schematically a part of a method according to the invention in a further preferred embodiment. For a fourth-order linear model as a controlled system and system model for predicting future system behavior, for three non-consecutive sampling steps, the generated trajectory sets for the first state x (plotted over time t) for a prediction horizon of t N = 0.5 s shown. For all time intervals Δt on the prediction horizon, here in a predetermined value range W, a predetermined number of manipulated variable values are obtained by an equidistant value discretization, here for example W: = {-1, -0.9, -0.8, }, given. For each of these manipulated variable values, a curve V of the state variable can be determined. The target value V so n is a static reference to the prediction horizon.
In Figur 5b ist ein weiterer Teil eines erfindungsgemäßen Verfahrens in einer weiteren bevorzugten Ausführungsform schematisch dargestellt. Für einen einzelnen Abtastschritt ist die Trajektorienschar für den ersten Zustand x^ über dem Prädiktionshorizont dargestellt. Der Soll-Verlauf Vson ist in diesem Beispiel die abgetastete Soll-Größe zum Zeitpunkt k, die konstant gehalten wird über den Prädiktionshorizont, falls keine Informationen über die zukünftige Entwicklung des Soll-Verlaufs vorliegen. Es sind mehrere Verläufe V, V gezeigt, wie sie sich für verschiedene bestimmte Stellgrößenwerte, wie beispielhaft in Figur 5b unten (dort nur beispielhaft Stellgrößenwerte ui , u2 und u3 für einen Wertebereich W gezeigt) gezeigt sind, ergeben können. Mit Vist ist zudem ein Ist-Verlauf des Zustands dargestellt. FIG. 5b schematically shows a further part of a method according to the invention in a further preferred embodiment. For a single sampling step, the trajectory family for the first state x ^ is shown above the prediction horizon. The target curve V so n in this example is the sampled target variable at time k, which is kept constant over the prediction horizon, if there is no information about the future development of the target curve. Several curves V, V are shown, as they can be shown for different specific control variable values, as shown by way of example in FIG. 5b below (where, by way of example only, manipulated variable values ui, u 2 and u 3 are shown for a value range W). With V is also an actual history of the state shown.
Von diesen Verläufen V wird dann anhand eines Gütemaßes derjenige Verlauf ausgewählt, der dem Soll-Verlauf Vson am nächsten kommt. Im gezeigten Beispiel handelt es sich hier um den Verlauf V. Zwischen zwei Zeitintervallen At können Umschaltungen in dem Sinne erfol- gen, als die Stellgrößenwerte innerhalb eines zugehörigen Wertebereichs verschieden vorgegeben werden können. Dies würde dazu führen, dass sich die Verläufe V mit jedem weiteren Zeitintervall weiter aufspalten. Damit kann eine höhere Regelungsgüte erreicht werden, da eine Approximation des klassischen MPC mit mehreren Freiheitsgraden im Prädiktionshorizont durchgeführt wird. From those courses V, that course is selected on the basis of a quality measure which comes closest to the desired course V so n. In the example shown, this is the course V. Switching between two time intervals Δt can take place in the sense in which the manipulated variable values can be preset differently within an associated value range. This would cause the traces V to split further with each additional time interval. Thus, a higher quality of control can be achieved since an approximation of the classical MPC with several degrees of freedom is performed in the prediction horizon.
In Figur 6 ist eine mögliche adaptive Stellgrößendiskretisierung, wie sie im Rahmen der Erfindung verwendet werden kann, dargestellt. Die äquidistante Stellgrößendiskretisierung (Rechtswertachse) wird auf eine adaptive Stellgrößendiskretisierung (Hochwertachse) abgebildet. Um den zulässigen Wertebereich der Stellgröße (umax, umin) nicht zu verlassen, wird jede einzelne Kurve aus zwei Polynomen zusammengesetzt. Dabei gibt die Polynomordnung die Breite des Bereiches vor, in dem eine kleine Kurvenänderung vorliegt. In der dargestellten Ausführung findet eine feine Diskretisierung um den letzten Stellwert uk-i statt. Die Steigung der Kurven über u = 0 kann über einen weiteren Parameter in Abhängigkeit eines Fehlers in einem Zustand gewählt werden. Hier sind als Beispiele uk-i,i = 0,7, uk-i,2 = 0 und uk-i,3 = 0,7 gewählt. FIG. 6 shows a possible adaptive manipulated variable discretization, as it can be used in the context of the invention. The equidistant manipulated variable discretization (right value axis) is mapped to an adaptive manipulated variable discretization (high value axis). In order not to leave the permissible value range of the manipulated variable (u ma x, u min ), each individual curve is composed of two polynomials. Here is the polynomial order the width of the area in which there is a small curve change. In the illustrated embodiment, a fine discretization takes place around the last manipulated variable u k -i. The slope of the curves over u = 0 can be selected via another parameter depending on a fault in a state. Here, as examples, u k -i, i = 0.7, u k -i, 2 = 0 and u k -i, 3 = 0.7 are selected.
In der Figur 7 ist nun das Regelungsverhalten eines Servomotors (bürstenlose Gleichstrommaschine) über der Zeit t dargestellt. Bei dieser Ausführung wurde nur der äußere Positionsregler durch das MPTSC ersetzt und es wird eine Punkt zu Punkt Regelung durchge- führt (keine Informationen über zukünftigen Soll-Verlauf). Dem Zustand (xi) Position in rad (oder allgemein der erste Zustand aus einem Zustandsvektor) wird ein sprunghafter Soll- Verlauf (hier für eine Position sson) vorgegeben. Der zweite Zustand (x2, hier eine Geschwindigkeit in rad/s) wird auf einen Null Wert geregelt. Der zweite Zustand wird auf x2 < |5| rad/s beschränkt. Der Stellgrößenwertebereich ist auf u ^ |1 1 A beschränkt. In Figur6 oben ist er- kennbar, dass sich aus Sicht von üblichen regelungstechnischen Kriterien (Anstiegszeit,FIG. 7 shows the control behavior of a servomotor (brushless DC machine) over time t. In this embodiment, only the outer position controller has been replaced by the MPTSC and point-to-point control is performed (no information on future setpoint history). The state (xi) position in rad (or in general the first state from a state vector) is an erroneous desired course (here for a position s so n) specified. The second state (x 2 , here a speed in rad / s) is regulated to a zero value. The second state becomes x 2 <| 5 | rad / s limited. The manipulated variable value range is limited to u ^ | 1 1 A. In FIG. 6 above, it can be seen that, from the perspective of usual control-technical criteria (rise time,
Überschwingen, Ausregelzeit) eine zufriedenstellende Positionsregelung einstellt. Dabei wird die Beschränkung des zweiten Zustandes niemals verletzt. Die Regelung wird jedoch genau an den erlaubten Grenzen betrieben. Figur 7 unten zeigt dabei den dazugehörigen Stellgrößenverlauf der allgemeinen Stellgröße u, bei der es sich insbesondere um den Sollstrom isoN in Ampere handeln kann. Overshoot, settling time) sets a satisfactory position control. At the same time restriction of the second state is never broken. However, the regulation is operated exactly at the permitted limits. FIG. 7 below shows the associated manipulated variable profile of the general manipulated variable u, which may in particular be the nominal current i soN in amperes.

Claims

Ansprüche claims
1 . Verfahren zum Regeln eines mechatronischen Systems (100, 200), bei dem anhand eines Modells des mechatronischen Systems für wenigstens eine Stellgröße (ison, U) ein ein- zustellender Stellgrößenwert ermittelt und eingestellt wird, 1 . Wherein based on a model of the mechatronic system for at least one manipulated variable (i as n, U) is determined a mono- zustellender command value set and method for controlling a mechatronic system (100, 200),
wobei für einen Prädiktionshorizont (np) eine vorbestimmte Anzahl an Stellgrößenwerten (ui , u2, u3) innerhalb eines vorbestimmten Wertebereichs (W) vorgegeben wird, wobei für jeden der vorgegebenen Stellgrößenwerte (u1 ; u2, u3) ein Verlauf (V, V) wenigstens einer Zustandsgröße (xi) des mechatronischen Systems ermittelt wird, wherein for a prediction horizon (n p ) a predetermined number of manipulated variable values (ui, u 2 , u 3 ) within a predetermined range of values (W) is given, wherein for each of the predetermined manipulated variable values (u 1; u 2 , u 3 ) a course (V, V) of at least one state variable (xi) of the mechatronic system is determined,
wobei von den ermittelten Verläufen (V, V) derjenige Verlauf (V) ausgewählt wird, der gemäß eines Gütemaßes bei Vergleich mit einem vorgegebenen Soll-Verlauf (Vson) der wenigstens einen Zustandsgröße (x^ den geringsten Gütewert liefert, und wherein of the determined courses (V, V) of that course (V) is selected, which provides the lowest quality value according to a quality measure when compared with a predetermined desired course (V so n) of the at least one state variable (x ^;
wobei die wenigstens eine Stellgröße (ison, U) gemäß dem dem ausgewählten Verlauf (V) entsprechenden Stellgrößenwert eingestellt wird. wherein the at least one manipulated variable (i so n, U) is set according to the manipulated variable value corresponding to the selected course (V).
2. Verfahren nach Anspruch 1 , wobei Abstände zwischen zwei nebeneinander liegenden Stellgrößenwerten (ui , u2, u3) in dem jeweiligen Wertebereich (W) äquidistant oder in Abhängigkeit von der Zustandsgröße des mechatronischen Systems und/oder einem Regelfehler und/oder einem zurückliegenden Verlauf der wenigstens einen Stellgröße (ison, U) und/oder der Zustandsgröße (x^ vorgegeben werden. 2. The method of claim 1, wherein distances between two adjacent manipulated variable values (ui, u 2 , u 3 ) in the respective value range (W) equidistant or in dependence on the state variable of the mechatronic system and / or a control error and / or a past Course of the at least one manipulated variable (i so n, U) and / or the state variable (x ^ are given.
3. Verfahren nach Anspruch 1 oder 2, wobei der Prädiktionshorizont (np) mehrere Zeitintervalle (At) umfasst, und wobei für wenigstens zwei dieser Zeitintervalle die jeweilige vorbestimmte Anzahl an Stellgrößenwerten (ui , u2, u3) innerhalb des jeweiligen vorbestimmten Wertebereichs (W) vorgegeben wird. 3. The method of claim 1 or 2, wherein the prediction horizon (n p ) comprises a plurality of time intervals (At), and wherein for at least two of these time intervals, the respective predetermined number of manipulated variable values (ui, u 2 , u 3 ) within the respective predetermined range of values (W) is given.
4. Verfahren nach Anspruch 3, wobei die jeweilige vorbestimmte Anzahl an Stellgrößenwerten (ui , u2, u3) individuell für jedes der wenigstens zwei Zeitintervalle (At) vorgegeben wird. 4. The method of claim 3, wherein the respective predetermined number of manipulated variable values (ui, u 2 , u 3 ) is specified individually for each of the at least two time intervals (At).
5. Verfahren nach einem der vorstehenden Ansprüche, wobei für jeden der vorgegebenen Stellgrößenwerte (ui , u2, u3) der Verlauf (V) unter Verwendung eines integralen Anteils und/oder eines Vorzeichenwechselgewichts ermittelt wird. 5. The method according to any one of the preceding claims, wherein for each of the predetermined manipulated variable values (ui, u 2 , u 3 ) of the course (V) using an integral component and / or a sign change weight is determined.
6. Verfahren nach einem der vorstehenden Ansprüche, wobei als Modell des mechatronischen Systems ein lineares oder ein nichtlineares Modell verwendet wird, das insbesondere während der Regelung adaptiert wird.. 6. The method according to any one of the preceding claims, wherein as a model of the mechatronic system, a linear or a nonlinear model is used, which is adapted in particular during the control ..
7. Verfahren nach einem der vorstehenden Ansprüche, wobei die wenigstens eine Zu- Standsgröße eine Drehzahl, ein Drehmoment oder eine Kraft eines Elektromotors des mechatronischen Systems oder eine Geschwindigkeit oder eine Position eines Aktors des mechatronischen Systems umfasst. 7. The method of claim 1, wherein the at least one incremental quantity comprises a rotational speed, a torque or a force of an electric motor of the mechatronic system or a speed or a position of an actuator of the mechatronic system.
8. Verfahren nach Anspruch 7, wobei die wenigstens eine Stellgröße einen Strom (ison) in einem Elektromotor umfasst. 8. The method of claim 7, wherein the at least one manipulated variable comprises a current (i so n) in an electric motor.
9. Verfahren nach Anspruch 7, wobei die wenigstens eine Stellgröße eine Spannung (U) für einen Elektromotor (120) oder einen Aktor umfasst, wobei die Spannung insbesondere pulsweitenmoduliert vorgegeben wird. 9. The method of claim 7, wherein the at least one manipulated variable comprises a voltage (U) for an electric motor (120) or an actuator, wherein the voltage is given in particular pulse width modulated.
10. Verfahren nach einem der vorstehenden Ansprüche, wobei für mehrere Stellgrößen jeweils ein einzustellender Stellgrößenwert ermittelt und eingestellt wird, wobei jeweils wenigstens eine dieser mehreren Stellgrößen einem von mehreren mechatronischen Einzelsystemen zugeordnet ist, die zusammen das mechatronische System bilden. 10. The method according to any one of the preceding claims, wherein for each manipulated variable in each case a set manipulated variable value is determined and set, wherein in each case at least one of these multiple manipulated variables is assigned to one of a plurality of mechatronic individual systems, which together form the mechatronic system.
1 1 . Verfahren nach einem der vorstehenden Ansprüche, wobei als mechatronisches System ein Roboter mit mehreren, gegeneinander beweglichen Komponenten verwendet wird, und wobei die wenigstens eine Zustandsgröße Bewegungen und/oder Positionen des Roboters, insbesondere des Endeffektors des Roboters, im Arbeitsraum umfasst. 1 1. Method according to one of the preceding claims, wherein as a mechatronic system, a robot with a plurality of mutually movable components is used, and wherein the at least one state variable movements and / or positions of the robot, in particular the end effector of the robot, in the working space.
12. Verfahren nach einem der vorstehenden Ansprüche, wobei der einzustellende Stellgrößenwert als Regelgröße für einen nachgeordneten Regelkreis verwendet wird, oder wobei als Eingangsgröße eine Stellgröße eines übergeordneten Regelkreises verwendet wird. 12. The method according to any one of the preceding claims, wherein the manipulated variable value to be set is used as a controlled variable for a downstream control loop, or wherein a manipulated variable of a higher-level control loop is used as the input variable.
13. Regelungseinheit (300, 400) für ein mechatronisches System (100, 200), das dazu eingerichtet ist, ein Verfahren nach einem der vorstehenden Ansprüche durchzuführen. 13. A control unit (300, 400) for a mechatronic system (100, 200), which is adapted to perform a method according to any one of the preceding claims.
14. Mechatronischen System (100, 200) mit einer Regelungseinheit (300, 400) nach An- spruch 13. 14. Mechatronic system (100, 200) with a control unit (300, 400) according to claim 13.
PCT/EP2018/067668 2017-06-30 2018-06-29 Regulating unit, mechatronic system, and method for regulating a mechatronic system WO2019002587A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102017114731.4A DE102017114731A1 (en) 2017-06-30 2017-06-30 METHOD FOR REGULATING A MECHATRONIC SYSTEM, CONTROL UNIT FOR A MECHATRONIC SYSTEM AND MECHATRONIC SYSTEM
DE102017114731.4 2017-06-30

Publications (1)

Publication Number Publication Date
WO2019002587A1 true WO2019002587A1 (en) 2019-01-03

Family

ID=62815039

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2018/067668 WO2019002587A1 (en) 2017-06-30 2018-06-29 Regulating unit, mechatronic system, and method for regulating a mechatronic system

Country Status (2)

Country Link
DE (1) DE102017114731A1 (en)
WO (1) WO2019002587A1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220075333A1 (en) * 2019-01-11 2022-03-10 Omron Corporation Control device

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020202758A1 (en) * 2020-03-04 2021-09-09 Continental Automotive Gmbh Method for controlling a vehicle
DE102020003174B4 (en) * 2020-05-27 2022-03-24 Mtu Friedrichshafen Gmbh Method for model-based control and regulation of an internal combustion engine

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006023458A1 (en) * 2006-05-18 2007-11-22 Siemens Ag Position control method for one axis
DE102011103594A1 (en) * 2010-05-31 2011-12-29 Avl List Gmbh Method for controlling technical processes and methods for carrying out tests on test benches

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102012216574A1 (en) * 2012-09-17 2014-03-20 Siemens Aktiengesellschaft Method for computer-aided control and / or regulation of a technical system
EP2943841B1 (en) * 2013-03-26 2019-08-28 Siemens Aktiengesellschaft Method for the computerized control and/or regulation of a technical system
CN105556401B (en) * 2013-09-25 2019-02-22 西门子公司 For area of computer aided control and/or regulate the method for technological system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006023458A1 (en) * 2006-05-18 2007-11-22 Siemens Ag Position control method for one axis
DE102011103594A1 (en) * 2010-05-31 2011-12-29 Avl List Gmbh Method for controlling technical processes and methods for carrying out tests on test benches

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AMIT BHATIA ET AL: "Incremental Search Methods for Reachability Analysis of Continuous and Hybrid Systems", 21 February 2004, HYBRID SYSTEMS: COMPUTATION AND CONTROL; [LECTURE NOTES IN COMPUTER SCIENCE;;LNCS], SPRINGER-VERLAG, BERLIN/HEIDELBERG, PAGE(S) 142 - 156, ISBN: 978-3-540-21259-1, XP019003782 *
MATTHIAS ALTHOFF ET AL: "Reachability computation of low-order models for the safety verification of high-order road vehicle models", AMERICAN CONTROL CONFERENCE (ACC), 2012, IEEE, 27 June 2012 (2012-06-27), pages 3559 - 3566, XP032244211, ISBN: 978-1-4577-1095-7, DOI: 10.1109/ACC.2012.6314777 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220075333A1 (en) * 2019-01-11 2022-03-10 Omron Corporation Control device

Also Published As

Publication number Publication date
DE102017114731A1 (en) 2019-01-03

Similar Documents

Publication Publication Date Title
EP3627249B1 (en) Method for controlling a movement, control device, linear drive and computer program product
DE102014103370B4 (en) Method and device for discrete-time control of a manipulator
AT518270B1 (en) Method for controlling the movement of a drive axle of a drive unit
DE3872044T2 (en) MOTOR CONTROL PROCESS WITH MINIMUM TRAVEL TIME GENERATION.
DE102017205791B4 (en) Servo control device for driving a variety of motors
EP3623116A1 (en) Method and device for collision-free movement planning of a manipulator
EP2111569B1 (en) Closed-loop control method and closed-loop control device with multi-channel feedback
DE102017113118A1 (en) ELECTRIC POWER STEERING WITH TWO CONTROLLERS AND AN INTEGRATED CONTROL FUNCTION
DE60210734T2 (en) servo controller
WO2019002587A1 (en) Regulating unit, mechatronic system, and method for regulating a mechatronic system
EP2631043A2 (en) Method and apparatus for performing a manipulator process
WO2010136586A1 (en) Method and device for real-time-capable fourth-order path planning for generating continuous target trajectories free of jerk jumps
DE102017102749A1 (en) Automatic trajectory generation for controlling a drive system
DE112013002374T5 (en) CONTROLLER AND METHOD FOR CONTROLLING THE OPERATION OF A SYSTEM
DE102014109469B4 (en) Motor control device
DE102017213650A1 (en) Method for controlling a hydraulic system, control unit for a hydraulic system and hydraulic system
EP0998700B1 (en) Method for generating connecting paths which can be used for guiding a vehicle to a predetermined target path
DE102013016019B3 (en) Method for operating a multi-unit manipulator
WO1999022276A1 (en) Method for adjusting the control parameters of a status controller
EP3061576A1 (en) Method for optimizing a movement profile, computer program, control device and technical system
DE102015009247B4 (en) Smoothing numerical control to smooth out speed variations due to abrupt changes in positional deviation
EP2288969A1 (en) Control system of a plant having multi-stage model optimization
EP1927906B1 (en) Method and device for position control of at least one pair of moveable axes of a machine
CH652516A5 (en) Method and apparatus for controlling the path of a position drive, in particular for a lift or shaft conveying system
WO2001033304A2 (en) Control system for electric drive mechanisms and method for controlling a trajectory

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18736868

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2018736868

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2018736868

Country of ref document: EP

Effective date: 20200130

122 Ep: pct application non-entry in european phase

Ref document number: 18736868

Country of ref document: EP

Kind code of ref document: A1