View
29
Download
0
Category
Preview:
DESCRIPTION
DFMRS Jahrestagung 2001 (7. DFMRS Jahrestagung) Bremen, 15./16. November 2001. Märkische Fachhochschule Iserlohn und Hagen University of Applied Sciencse. Trainierbarer Neuro-PID-Regler für hohe Regelgüte - PowerPoint PPT Presentation
Citation preview
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
DFMRSJahrestagung 2001
(7. DFMRS Jahrestagung)Bremen, 15./16. November 2001
Trainierbarer Neuro-PID-Regler für hohe Regelgüte
Ulrich Lehmann, Johannes Brenig, Stefan Dormeier, Hermann Johannes, Udo Reitz
MFH Iserlohn (FH Südwestfalen), FH BielefeldTel.: (0049) -(0)2371/566- (0) -180, Fax.: (0049) -(0)2371/36564,
Kontaktaufnahme per E-Mail: nfl@wwwfbp.mfh-iserlohn.dewww.mfh-iserlohn.de/Verbunde/NFL
Märkische Fachhochschule
Iserlohn und Hagen
University of Applied Sciencse
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Übersicht / Gliederung
• Ziele des Projektes• Kooperation im Verbund• nichtlineare, zeitvariante Regelstrecke• Architektur Neuro-PID-Regler• Modell der Temperaturregelung• Training des KNN• Test des Reglers• Portierung auf Zielhardware• Ergebnisse• Kooperation mit KMU• Ausblick
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Ziele des Projektes
• adaptive Regelung von zeitvarianten, nichtlinearen Regelstrecken mit hoher Regelgüte
• trainierbare Adaption• Vorgabe der Regelgüte durch den Anwender
• transparente Gütekriterien xm, Tan, Taus, Toleranzband für xd
• Produkt- und Verfahrensinnovation zur Verbesserung der Prozessgüte bei schwankenden Streckenparametern
• Technologietransfer in kleine und mittlere Unternehmen
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Kooperation im Forschungsverbund
FH BielefeldFH GelsenkirchenMFH IserlohnFH Münster
FH BochumFH KölnFH Köln Abt. Gummersbach
Neuro-Fuzzy-Regler
FH GelsenkirchenMFH Iserlohn Abt. Hagen
Data Mining
MustererkennungIdentifikation
Adaption
Anwendungsfeld:
Kunststoff-verarbeitungs-maschine
FH Bielefeld
Anwendungsfeld:
Gebäude- automation
Algorithmen
Prof. S. Dormeier
FH MünsterProf. E. Weiner
MFH IserlohnProf. U. Lehmann
Prof. M. Büchel
FH Gelsenkirchen
Kooperation innerhalb der Arbeitsgruppe
ReglerentwurfPortierungHardware
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Neuro-Fuzzy-Regler
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Analyse der Regelstrecke(Nichtlinearität der Regelstrecke)
x(t),C t, min 0 5 10 15 20 25 30 35 40 45 50
0
5
10
15
20
lineares System nichtlineares System
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Analyse der Regelstrecke(Zeitvarianz der Regelstrecke)
0 5 10 15 20 25 30 35 40 45 50 0
5
10
15
20
25
t ,min
x(t) ,°C
1: optimaler Verlauf
2: Ks = +40, T1 = +20
3: Ks = +40, T1 = -20
4: Ks = -40, T1 = -20
5: Ks = -40, T1 = +20
1
2 3
4
5
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Neuro-PID-Regler
w(t)
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Modell der Temperaturregelung(PID-Regler mit KNN-Adaption)
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Trainingsdaten für das KNN(Reglerparameter, Regelgüte, Korrekturwerte)
W Kp Tn Tv xm tan taus Ks Kp Tn Tv
20 4,00 1000,00 50,00 4,8834 465,6 1075,9 0,06763 4,67 1168,28 46,81
20 4,00 1000,00 50,00 7,3300 395,2 940,3 0,07919 4,80 1277,98 42,54
20 11,50 1000,00 50,00 27,2901 278,5 853,5 0,05948 -2,26 975,22 43,03
20 11,50 1000,00 50,00 36,0293 258,6 1169,1 0,09247 -2,88 1281,12 36,47
20 11,50 1800,00 50,00 29,2783 263,3 1114,6 0,09034 -2,88 481,12 36,47
20 19,00 1800,00 50,00 33,9736 275,9 1051,6 0,08380 -7,83 473,3 35,86
20 19,00 2600,00 50,00 31,2573 277,4 1046,5 0,06675 -9,93 -326,70 35,86
...
20 8,22 2342,36 95,39 -0,16 688,30 688,30 0,06 0 0 0
...
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Sprungantworten für verschiedene Ks und T1Regler adaptiert
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
PID Regler mit und ohne Adaption
0 1 2 3 4 5 6 7 8 9 10 t / s * 10 3
0
5
10
15
20
25
30 x / °C
Toleranzband Toleranzband mit KNN ohne KNN
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Adaptionsschritte für KR
0
10
20
30
40
50
600
50
0
10
00
15
00
20
00
25
00
30
00
35
00
40
00
45
00
50
00
55
00
60
00
65
00
70
00
75
00
80
00
85
00
90
00
95
00
10
00
0
Zeit t in s
Ve
rstä
rku
ng
Kr xm
KS
Tan
Taus
KR
TN
TV
xm
KS
Tan
Taus
KR
TN
TV
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Adaptionsschritte für TN
0
500
1000
1500
2000
25000
50
0
10
00
15
00
20
00
25
00
30
00
35
00
40
00
45
00
50
00
55
00
60
00
65
00
70
00
75
00
80
00
85
00
90
00
95
00
10
00
0
Zeit t in s
Na
chst
ellz
eit
Tn
in s
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Adaptionsschritte für Tv
0
20
40
60
80
100
1200
50
0
10
00
15
00
20
00
25
00
30
00
35
00
40
00
45
00
50
00
55
00
60
00
65
00
70
00
75
00
80
00
85
00
90
00
95
00
10
00
0
Zeit t in s
Vo
rha
lteze
it T
v in
s
Portierung auf Zielhardware
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Ergebnisse
• trainierbarer Regler• gute Adaption an zeitvariante und/oder nichtlineare
Regelstrecken
• anwendernahe Gütekriterien xm, Tan, Taus vorgebbar
• gute Notlaufeigenschaften des PID-Reglers• Präsentation von Zwischenergebnissen auf der
INTERKAMA 1999• lauffähig auf Industrie PC• lauffähig auf SPS S7-400
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Kooperationspartner: KMU
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Ausblick
• Speicherung der Regelgüte- und Regler-Parameter in historischer Datenbank
• Training des KNN im laufenden Betrieb• Portierung auf Industrieregler auf Mikrocontroller-Basis
(μC)• Evolutionäre Optimierung des PID-Reglers bei Bedarf
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Fragen?
Fragen Sie bitte!
Kontaktaufnahme: lehmann@mfh-iserlohn.de
www.mfh-iserlohn.de/Verbunde/NFL
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Ende
Vielen Dank für Ihr Interesse!
Kontaktaufnahme: lehmann@mfh-iserlohn.de
www.mfh-iserlohn.de/Verbunde/NFL
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
lehmann@mfh-iserlohn.de
Forschungsverbund Neuronale Fuzzy-Logik der Fachhochschulen in Nordrhein-Westfalennfl 23
Kooperationspartner: KMU und Industrie
Forschungsverbund Neuronale Fuzzy-Logik der Fachhochschulen in Nordrhein-Westfalennfl 24
Kooperationspartner: Industrie
Return to 8
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Portierung auf Zielhardware
Entwicklungssystem Zielsystem
Portierung auf Zielhardware
Forschungsverbund Neuronale Fuzzy-Logik NRWForschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn
Neuro-PID-Regler
w(t)
Recommended