DE4319926A1 - Process for controlling a continuous process with an optimization and a control phase - Google Patents
Process for controlling a continuous process with an optimization and a control phaseInfo
- Publication number
- DE4319926A1 DE4319926A1 DE4319926A DE4319926A DE4319926A1 DE 4319926 A1 DE4319926 A1 DE 4319926A1 DE 4319926 A DE4319926 A DE 4319926A DE 4319926 A DE4319926 A DE 4319926A DE 4319926 A1 DE4319926 A1 DE 4319926A1
- Authority
- DE
- Germany
- Prior art keywords
- model
- error signal
- controlled variable
- phase
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 77
- 238000005457 optimization Methods 0.000 title claims description 21
- 238000010924 continuous production Methods 0.000 title claims description 5
- 238000006073 displacement reaction Methods 0.000 claims 1
- 230000004048 modification Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 claims 1
- 238000013178 mathematical model Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—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
- G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
Description
Die Erfindung bezieht sich auf kontinuierliche Regel prozesse, in der Industrie und insbesondere auf die Identifi zierung solcher Prozesse, die es erlaubt ein Modell zu bilden. Die Modellbildung der Prozesse ermöglicht dann die Regelung ihres Betriebs mit Hilfe von mathematischen Modellen, die während der Identifizierung des Prozesses optimiert worden sind.The invention relates to continuous rule processes, in industry and especially on identifi decoration of such processes, which makes it possible to build a model. The modeling of the processes then enables control their operation with the help of mathematical models that been optimized during the identification of the process are.
Bekanntlich ist das Ziel der Identifizierung eines Prozesses im Hinblick auf dessen spätere Regelung einerseits, die Kennwerte des Prozesses zu bestimmen, wie z. B. die Ein grenzung der Gründe und Wirkungen äußerer Steuergrößen, und andererseits, den Einfluß der Umgebung, der von nicht meßbaren äußeren Ursachen bestimmt wird und den Prozeßablauf stören kann. Diese Identifizierung hat schließlich die Aufgabe, ein mathematisches Modell zu erzeugen, das das Verhalten des Pro zesses einerseits gegenüber den äußeren Steuergrößen (Eingän gen), die gezielt, beispielsweise von einer Bedienungsperson, auf den Prozeß angewandt und nachfolgend Regelgrößen genannt werden, und andererseits gegenüber den nicht meßbaren Ein gangsgrößen beschreibt, die den Prozeß stören und nachfolgend als Störungen bezeichnet werden. Die Eingangsgrößen eines Prozesses werden so von den Regelgrößen und den Störungen gebildet.As is well known, the goal of identifying one Process with a view to its later regulation on the one hand, to determine the characteristic values of the process, e.g. B. the one limiting the reasons and effects of external tax parameters, and on the other hand, the influence of the environment, that of immeasurable external causes is determined and disrupt the process flow can. This identification ultimately has the task of generate a mathematical model that reflects the behavior of the Pro on the one hand compared to the external control variables (inputs gen) that are targeted, for example by an operator, applied to the process and called control variables in the following be, and on the other hand compared to the immeasurable one describes process variables that disrupt the process and below are called disturbances. The input variables of a Processes are determined by the control variables and the disturbances educated.
Die Phase der Identifizierung eines Prozesses besteht also darin, seine Transferfunktion zu bestimmen, d. h. seine statischen und dynamischen Kennwerte, die es erlauben, in der Regelphase eine Veränderung der Regelgrößen durchzuführen, um den Betrieb des Prozesses im Umkreis von genauen Werten trotz des Vorliegens von Störungen zu stabilisieren.The process of identifying a process exists So in determining its transfer function, d. H. his static and dynamic parameters that allow in the Control phase to carry out a change in the control variables in order to the operation of the process in the vicinity of exact values despite stabilize the presence of disturbances.
Diese Regelung erfolgt mit Hilfe eines mathematischen Modells, das während der Identifizierungsphase des Prozesses definiert wird, wobei die Identifizierung gemäß Fig. 1 ab läuft.This regulation takes place with the aid of a mathematical model which is defined during the identification phase of the process, the identification according to FIG. 1 taking place.
Fig. 1 ist ein Übersichtsbild der Identifizierungs phase eines kontinuierlichen Prozesses. Fig. 1 is an overview of the identification phase of a continuous process.
Ein Prozeß P, der geregelt werden soll, empfängt eine Regelgröße über seinen Eingang 10. Der Prozeß P liefert als Antwort auf diese Regelgröße ein Signal an seinem Ausgang 11, während ein mathematisches Modell M ebenfalls diese Regelgröße empfängt und als Antwort ein Signal an seinem Ausgang 12 lie fert. Das mathematische Modell M ist ursprünglich ein Modell, dessen Verhalten grob dem des Prozesses P entspricht. Das Modell stellt also eine erste Auswahl aus einer gewissen An zahl verfügbarer Modelle dar. Die Signale der beiden Ausgänge 11 und 12 gelangen an ein Subtrahierglied 13, das an den Ein gang 14 eines Parameteroptimieralgorithmus AOP ein Signal σ liefert, das ein Fehlersignal darstellt. Dieses Fehlersignal σ entspricht der Differenz der Antwortsignale des zu regelnden Prozesses P und des mathematischen Modells M und sollte wenn möglich null sein, wenn das Modell M eine gute mathematische Abbildung des Prozesses P, d. h. seiner Transferfunktion dar stellt.A process P that is to be controlled receives a controlled variable via its input 10 . The process P delivers a signal at its output 11 in response to this controlled variable, while a mathematical model M also receives this controlled variable and produces a signal at its output 12 as a response. The mathematical model M is originally a model whose behavior roughly corresponds to that of the process P. The model thus represents a first selection from a certain number of available models. The signals of the two outputs 11 and 12 reach a subtractor 13 , which supplies a signal σ to the input 14 of a parameter optimization algorithm AOP, which represents an error signal. This error signal σ corresponds to the difference between the response signals of the process P to be controlled and the mathematical model M and should, if possible, be zero if the model M represents a good mathematical representation of the process P, ie its transfer function.
Das Modell M besteht üblicherweise aus Differential gleichungen, die den Prozeß P kennzeichnen, wobei die Para meter dieser Differentialgleichungen durch den Parameteropti mieralgorithmus über eine Verbindung 15 so verändert werden, daß das Fehlersignal σ sich möglichst weit dem Wert null nä hert.The model M usually consists of differential equations that characterize the process P, the parameters of these differential equations being changed by the parameter optimization algorithm via a connection 15 in such a way that the error signal σ approaches the value zero as far as possible.
Diese Identifizierungsphase des Prozesses P dauert so lang wie nötig, bis sich ein Modell M ergibt, dessen An sprechen auf die Regelgrößen in zufriedenstellender Weise dem Ansprechen des Prozesses P auf diese gleichen Regelgrößen entspricht. Die Optimierung des Modells besteht also darin, die Parameter, von Differentialgleichungen so zu verändern, daß sie möglichst gut den Prozeß P kennzeichnen. This identification phase of the process P thus lasts long as necessary until there is a model M, the An speak to the control variables in a satisfactory manner Response of process P to these same controlled variables corresponds. So the optimization of the model is the parameters of changing differential equations so that they characterize the process P as well as possible.
In bekannter Weise beruht der Parameteroptimieralgo rithmus auf einer für den Fehler repräsentativen Funktion aufgrund folgender Beziehung:The parameter optimization algorithm is based in a known manner rhythm on a function representative of the error due to the following relationship:
Hierbei entspricht σi dem Unterschied zwischen den Größen an den Ausgängen 11 und 12 zum Zeitpunkt i.Here, σ i corresponds to the difference between the sizes at outputs 11 and 12 at time i.
Der Fehler σ wird während der Beobachtungsdauer des Prozesses P n-mal getastet, und der Parameteroptimieralgorith mus verändert die Parameter der Differentialgleichungen des Modells derart, daß der Wert des Ausdrucks (1) zu null wird. Dieses Optimierkriterium besteht also darin, den Mindestwert der Summe der quadratischen Fehler zu suchen, und entspricht der Methode der kleinsten Quadrate.The error σ is observed during the observation period of the Process P sampled n times, and the parameter optimization algorithm mus changes the parameters of the differential equations of the Model such that the value of expression (1) becomes zero. So this optimization criterion is the minimum value to find the sum of the quadratic errors, and corresponds the least squares method.
Wenn ein geeignetes Modell gefunden wurde, dann wird das Modell M verwendet, um eine Regelung des Prozesses P durchzuführen. Ein Übersichtsbild dieser Regelphase ist in Fig. 2 dargestellt.If a suitable model has been found, then the model M is used to control the process P. An overview of this control phase is shown in FIG. 2.
Der Verwender legt an einem Eingang 23 einen Sollwert entsprechend einer Steuerung an. Diese Steuerung gelangt an den Eingang 21 eines Korrekturorgans C, das eine Regelgröße an den Ausgang 22 liefert. Diese Regelgröße wird an den Prozeß P und an das Modell M angelegt. Der Prozeß P und das Modell M liefern an ihren jeweiligen Ausgängen 11 bzw. 12 ein Signal als Antwort auf diese Regelgröße.The user applies a setpoint to an input 23 in accordance with a control. This control arrives at the input 21 of a correction element C, which supplies a controlled variable at the output 22 . This controlled variable is applied to the process P and to the model M. Process P and model M deliver a signal at their respective outputs 11 and 12 in response to this controlled variable.
Ist das Modell M vollkommen, d. h. verhält es sich bezüglich der Regelgröße genau so wie der Prozeß P, dann be deutet dies, daß seine Transferfunktion der des Prozesses P gleicht und die Signale an den Ausgängen 11 und 12 ebenfalls gleich sind.If the model M is perfect, ie it behaves exactly like process P with regard to the controlled variable, then this means that its transfer function is the same as that of process P and the signals at outputs 11 and 12 are also the same.
In der Praxis ist diese Gleichheit jedoch nie gewähr leistet, einerseits, weil das Modell M für das Verhalten des Prozesses P aufgrund der Modellbildungsfehler nie exakt re präsentativ sein kann, und andererseits, weil der Prozeß P Störungen unterliegt die durch Pfeile 16 in Fig. 1 angedeutet sind, die aber nicht auf das Modell einwirken. Daher wird der am Ausgang 14 des Subtrahierglieds 13 verfügbare Unterschied σ ebenfalls mit Hilfe des Subtrahierglieds 20 vom am Eingang 23 verfügbaren Sollwert abgezogen, um eine Nachregelung des Be triebs des Prozesses P zu erreichen.In practice, however, this equality is never guaranteed, on the one hand, because the model M can never be exactly representative of the behavior of the process P due to the modeling errors, and on the other hand, because the process P is subject to interference as indicated by arrows 16 in FIG are indicated, but do not affect the model. Therefore, the difference σ available at the output 14 of the subtractor 13 is also subtracted with the aid of the subtractor 20 from the target value available at the input 23 in order to achieve a readjustment of the operation of the process P.
Da aber das in der Identifizierphase (Fig. 1) verwen dete Optimierkriterium auf einer Verkleinerung des quadratis chen Fehlers beruht, berücksichtigen die Parameter des Modells M sowohl das Verhalten des Prozesses P als auch das der Stö rungen 16. So hat das verwendet Optimierkriterium die Aufgabe, die Bildung eines Modells zu erlauben, das nicht dem nachzure gelnden Prozeß entspricht, da es die Störungen berücksichtigt, die den Betrieb dieses Prozesses verändern. Dieses Kriterium kann also keinen Unterschied zwischen den Modellbildungsfeh lern und den Störungen machen und eignet sich daher nicht für die Herstellung eines wirklich für den Betrieb des Prozesses repräsentativen Modells. Das mit Hilfe dieses Kriteriums er haltene Modell ist beispielsweise nicht optimal, wenn die Störungen zufällig auftreten. Damit nämlich das Modell das Verhalten des Prozesses gegenüber Störungen ebenso wie der Prozeß nachbilden kann, ist es notwendig, daß diese Störungen bereits in gleicher Weise vorher aufgetreten sind. Sind die Störungen nicht mehr dieselben, dann muß das Modell einer neuen Identifizierungsphase unterworfen werden.However, since the optimization criterion used in the identification phase ( FIG. 1) is based on a reduction in the square error, the parameters of the model M take into account both the behavior of the process P and that of the faults 16 . The optimization criterion used thus has the task of allowing the formation of a model which does not correspond to the process to be postponed, since it takes into account the disturbances which change the operation of this process. This criterion cannot make a distinction between the modeling errors and the faults and is therefore not suitable for producing a model that is really representative of the operation of the process. The model obtained with the help of this criterion is, for example, not optimal if the disturbances occur accidentally. So that the model can simulate the behavior of the process towards disturbances as well as the process, it is necessary that these disturbances have already occurred in the same way before. If the disturbances are no longer the same, the model must be subjected to a new identification phase.
Außerdem kann dieses Optimierkriterium nicht auf Pro zesse angewandt werden, deren Verhalten nichtlinear ist. Daher eignet sich das Optimierkriterium des Ausdrucks (1) nicht in allen Anwendungsfällen, und die durchgeführte Regelung ist somit nicht optimal.In addition, this optimization criterion cannot be applied to Pro processes whose behavior is non-linear are used. Therefore the optimization criterion of expression (1) is not suitable in all use cases, and the scheme implemented therefore not optimal.
Die vorliegende Erfindung hat insbesondere zur Auf gabe, diese Mängel zu beheben.The present invention has in particular on was able to remedy these shortcomings.
Genauer gesagt, ist eines der Ziele der Erfindung, ein Regelverfahren eines kontinuierlichen Prozesses anzugeben, das eine Optimierphase und eine Regelphase enthält und das es erlaubt, ein dem Prozeß identisches mathematisches Modell ohne Berücksichtigung der den Betrieb des Prozesses beeinträchti genden Störung zu erhalten.More specifically, one of the objects of the invention is one To specify control procedures of a continuous process that contains an optimization phase and a control phase and that it allows a mathematical model identical to the process without Taking into account the operation of the process to get the disturbance.
Ein anderes Ziel der Erfindung ist es, ein solches Verfahren anzugeben, das allgemein anwendbar ist, d. h. das unabhängig von dem zu regelnden Prozeß verwendbar ist.Another object of the invention is such Specify a procedure that is generally applicable, d. H. the can be used regardless of the process to be controlled.
Diese Aufgaben und Ziele werden durch das im Anspruch 1 definierte Verfahren gelöst bzw. erreicht.These tasks and goals are claimed by the 1 defined procedure solved or achieved.
Das Optimierkriterium ist also die Minimisierung der Interkorrelation zwischen der Regelgröße und dem Fehlersignal. So erhält man ein Modell, dessen Verhalten auf die Regelgröße dem des Prozesses in Abwesenheit von Störungen gleicht.The optimization criterion is therefore the minimization of the Intercorrelation between the controlled variable and the error signal. This gives you a model whose behavior depends on the controlled variable that of the process in the absence of disturbances.
Bezüglich von Merkmalen bevorzugter Ausführungsformen der Erfindung wird auf den Unteranspruch verwiesen.Regarding features of preferred embodiments the invention is made to the dependent claim.
Nachfolgend wird die Erfindung anhand eines bevorzug ten Ausführungsbeispiels des erfindungsgemäßen Verfahrens mit Hilfe der beiliegenden Zeichnungen näher erläutert:The invention based on one is preferred below th embodiment of the method according to the invention With the help of the accompanying drawings:
Fig. 1 ist ein Übersichtsbild, der Identifizierungs phase eines kontinuierlichen Prozesses, wobei die Identifizie rung auf bekannte Art und Weise erfolgt und als Optimierkriterium die Verkleinerung der quadratischen Fehler verwendet wird. Fig. 1 is an overview, the identification phase of a continuous process, the identification takes place in a known manner and the reduction criterion is used as an optimization criterion.
Fig. 2 ist ein Übersichtsbild der Regelung des Pro zesses, der mit Hilfe des in der Identifizierungsphase gemäß Fig. 1 definierten Modells identifiziert wurde. FIG. 2 is an overview of the control of the process, which was identified using the model defined in the identification phase according to FIG. 1.
Fig. 3 ist ein Übersichtsbild, das die Identifizie rungsphase eines Prozesses darstellt, die nach einer bevorzug ten Ausführungsform der Erfindung abläuft. FIG. 3 is an overview diagram illustrating the identification phase of a process that takes place in accordance with a preferred embodiment of the invention.
Die Fig. 1 und 2 wurden bereits anhand der Schilde rung des Standes der Technik beschrieben. Figs. 1 and 2 have already been using the shields of the prior art described tion.
Fig. 3 ist ein Übersichtsbild einer Identifizierungsphase eines Prozesses gemäß einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens. Fig. 3 is an overview diagram of an identification phase of a process according to a preferred embodiment of the method according to the invention.
Der zu identifizierende Prozeß P und das zu definie rende mathematische Modell M empfangen beide eine Regelgröße über die Verbindung 10 und liefern als Antwort Signale, die voneinander abgezogen werden, um ein Fehlersignal zu bilden. Das kontinuierliche Fehlersignal wird dem Parameteroptimieral gorithmus angeboten, der die Parameter des Modells verändert. Im Betrieb wird der Prozeß P durch nicht meßbare Störungen 16 gestört.The process P to be identified and the mathematical model M to be defined both receive a controlled variable via the connection 10 and, in response, provide signals which are subtracted from one another to form an error signal. The continuous error signal is offered to the parameter optimization algorithm, which changes the parameters of the model. In operation, process P is disturbed by immeasurable disturbances 16 .
Das erfindungsgemäße Verfahren unterscheidet sich von dem gemäß Fig. 1 dadurch, daß das Optimierkriterium des Mo dells M auf dem Verschwinden der Korrelation zwischen der Regelgröße u(t), die ebenfalls an den Parameteroptimieralgo rithmus angelegt wird, und dem Fehlersignal σ(t) beruht. Daher definiert man ein System 30, das den Prozeß P und das Modell M enthält, wobei dieses System einen Regeleingang 10, einen Eingang für Störungen 16 und einen Ausgang 14 besitzt.The method differs from that of FIG. 1 in that the optimization criterion of the model M is based on the disappearance of the correlation between the controlled variable u (t), which is also applied to the parameter optimization algorithm, and the error signal σ (t) . A system 30 is therefore defined which contains the process P and the model M, this system having a control input 10 , an input for faults 16 and an output 14 .
Solange eine Korrelation zwischen u(t) und σ(t) für eine gegebene Reaktionszeit des Systems existiert, ist das Modell nicht optimiert, und der Parameteroptimieralgorithmus bewirkt eine Änderung der Parameter des Modells M.As long as there is a correlation between u (t) and σ (t) for a given system response time exists, that is Model not optimized, and the parameter optimization algorithm causes a change in the parameters of model M.
Der Parameteroptimieralgorithmus berechnet in diskre ter Form folgende Formel:The parameter optimization algorithm calculates in discre form the following formula:
Hierbei entspricht τ der Zeitverzögerung der Regel größe bezüglich eines Fehlersignals, σ(t) dem Fehlersignal, u(t-τ) der um eine Zeitdauer τ bezüglich des Fehlersignals σ(t) vorgezogenen Regelgröße, Φu σ (τ) dem Korrelationskoeffi zienten für die Zeitverschiebung τ und T der Beobachtungsdauer des Prozesses.Here, τ corresponds to the time delay of the control variable with respect to an error signal, σ (t) to the error signal, u (t-τ) to the control variable brought forward by a period of time τ with respect to the error signal σ (t), Φ u σ (τ) to the correlation coefficient for the time shift τ and T of the observation time of the process.
Die Periode T wird so festgelegt, daß sie für den Betrieb des Prozesses repräsentativ ist. Sie liegt beispiels weise bei mindestens 5 mal der Reaktionszeit des Prozesses. The period T is set so that it for the Operation of the process is representative. It lies, for example wise at least 5 times the reaction time of the process.
Der Wert dieser Korrelationskoeffizienten Φu σ (τ) gibt an, ob eine Beziehung zwischen der Regelgröße und dem Fehler signal für den Wert der betrachteten Zeitverschiebung τ existiert. Je größer dieser Koeffizient ist, desto deutlicher ist die Korrelation und desto weniger ist das Modell geeignet.The value of this correlation coefficient Φ u σ (τ) indicates whether there is a relationship between the controlled variable and the error signal for the value of the considered time shift τ. The larger this coefficient, the clearer the correlation and the less suitable the model is.
Diese Korrelation wird nämlich für eine Vielzahl von Werten von τ gemessen, wobei τ zwischen einerseits einem unte ren Grenzwert und andererseits einem oberen Grenzwert va riiert, entsprechend einer Reaktionszeit des Prozesses P auf die betrachtete Regelgröße. So erhält man nacheinander eine Mehrzahl von Korrelationskoeffizienten Φu σ (τ).This correlation is namely measured for a large number of values of τ, where τ varies between a lower limit value on the one hand and an upper limit value on the other hand, corresponding to a reaction time of the process P to the controlled variable under consideration. In this way one obtains a plurality of correlation coefficients Φ u σ (τ) in succession.
Da die Korrelation diskret erfolgt, d. h. aufgrund einer Folge von Tastproben der Regelgröße und des Fehler signals, besitzt man in jedem Augenblick ein Paar von Werten. Ein erster Wert entspricht der Regelgröße zum Zeitpunkt t-τ und der zweite Wert entspricht dem Fehlersignal zum Zeitpunkt t. Die beiden Werte jedes Paares werden miteinander multipli ziert, und die Produkte werden gemittelt. Der erhaltene Mit telwert entspricht dem Korrelationskoeffizienten für die Zeit verschiebung τ.Since the correlation is discrete, i. H. due to a sequence of samples of the controlled variable and the error signals, you have a pair of values at every moment. A first value corresponds to the controlled variable at time t-τ and the second value corresponds to the error signal at the time t. The two values of each pair are multiplied together adorns, and the products are averaged. The received Mit telwert corresponds to the correlation coefficient for time shift τ.
Diese verschiedenen erhaltenen Koeffizienten für un terschiedliche Zeitverschiebungen τ werden dann quadriert und addiert, d. h. daß der folgende Wert S berechnet wird:These different coefficients obtained for un Different time shifts τ are then squared and added, d. H. that the following value S is calculated:
Dieser Wert S ist ein Maß für den Unterschied zwischen dem Modell M und dem Prozeß P. Der Parameteroptimieralgorith mus verändert die Parameter des Modells M, um diesen Wert S möglichst klein zu machen.This value S is a measure of the difference between the model M and the process P. The parameter optimization algorithm mus changes the parameters of the model M by this value S to make it as small as possible.
Wenn S im wesentlichen null ist, dann wird das Modell M als brauchbar für die Beschreibung des Verhaltens des Pro zesses P betrachtet, und die in Fig. 2 dargestellte Regel phase kann so in Angriff genommen werden. If S is essentially zero, then the model M is considered useful for describing the behavior of the process P, and the control phase shown in FIG. 2 can thus be tackled.
Wenn in dieser Regelphase das Modell dem Prozeß ent spricht, dann funktioniert das System in offener Schleife, d. h. daß nur die Störungen für Fehlersignale verantwortlich sind. Ein Betrieb in offener Schleife ermöglicht ein stabiles System. Während dieser Regelphase kann die Interkorrelations funktion dauernd berechnet werden, ohne die Parameter des Modells zu verändern. Ergibt sich eine von null verschiedene Korrelation mit signifikantem Pegel zwischen den Signalen u und σ während dieser Regelphase, dann wird eine neue Identifi zierphase eingeleitet, um diese Korrelation zu null zu machen.If in this rule phase the model ent the process then the system works in an open loop, d. H. that only the disturbances are responsible for error signals are. Operation in an open loop enables a stable one System. During this regular phase, the intercorrelation function are calculated continuously without the parameters of the Change model. If there is a non-zero Correlation with significant level between the signals u and σ during this rule phase, then a new identifi Ornamental phase initiated to make this correlation to zero.
Das Verfahren zur Identifizierung von Prozessen gemäß der vorliegenden Erfindung ist auf alle Arten von Systemen anwendbar, ob linear oder nichtlinear. Es ergibt ein Modell, dessen Parameter die Störungen nicht berücksichtigen und das so den Betrieb des Prozesses genau wiedergibt.The process of identifying processes according to The present invention is applicable to all types of systems applicable, whether linear or non-linear. It gives a model whose parameters do not take the faults into account and that so accurately reflects the operation of the process.
Natürlich ist es möglich, ein anderes Kriterium zu verwenden, das die Messung der Korrelation zwischen der Regel größe und dem Fehlersignal erlaubt, indem noch komplexere statistische Mittel eingesetzt werden. Es ist beispielsweise möglich, den Koeffizienten der Korrelationsfunktion unter schiedliche Wichtungen zu geben, um gewisse Teile der Kenn werte des Prozeßverhaltens zu gewichten.Of course it is possible to use a different criterion use that measuring the correlation between the rule size and the error signal allowed by even more complex statistical means are used. For example it is possible to take the coefficient of the correlation function under to give different weightings to certain parts of the characteristics weight the values of the process behavior.
Claims (3)
- - eine Regelgröße (u) an den Prozeß (P) und an das Modell (M) angelegt wird, die so je ein Signal erzeugen,
- - die beiden erhaltenen Signale an ein Subtrahierglied (13) angelegt werden, um ein Fehlersignal (σ) zu erhalten,
- - eine Korrektur des Modells (M) abhängig vom Fehlersignal (σ) durchgeführt wird,
- a controlled variable (u) is applied to the process (P) and to the model (M), each of which generates a signal,
- the two signals obtained are applied to a subtractor ( 13 ) in order to obtain an error signal (σ),
- - a correction of the model (M) is carried out depending on the error signal (σ),
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR9207502A FR2692688B1 (en) | 1992-06-19 | 1992-06-19 | Method for regulating a continuous process comprising a phase of optimization of a model and a phase of regulation. |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| DE4319926A1 true DE4319926A1 (en) | 1993-12-23 |
| DE4319926C2 DE4319926C2 (en) | 1996-02-29 |
Family
ID=9430950
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE4319926A Expired - Fee Related DE4319926C2 (en) | 1992-06-19 | 1993-06-16 | Process for controlling a continuous process with an optimization and a control phase |
Country Status (7)
| Country | Link |
|---|---|
| BE (1) | BE1006423A3 (en) |
| DE (1) | DE4319926C2 (en) |
| ES (1) | ES2076088B1 (en) |
| FR (1) | FR2692688B1 (en) |
| GB (1) | GB2267979B (en) |
| IT (1) | IT1261062B (en) |
| NL (1) | NL9301068A (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4429191A1 (en) * | 1994-08-18 | 1996-02-22 | Licentia Gmbh | Algorithm for modelling status changes e.g. in electrical power transmission networks |
| DE19508474A1 (en) * | 1995-03-09 | 1996-09-19 | Siemens Ag | Intelligent computer control system |
| WO2001006331A1 (en) * | 1999-07-14 | 2001-01-25 | Siemens Aktiengesellschaft | Method, system and computer program for pre-processing |
| DE10030294A1 (en) * | 2000-06-27 | 2002-01-10 | Roland Kopetzky | Energy consumption and sanitation requirement detection method involves metrologically measuring and mathematically computing energy consumption of building, and simultaneously outputting both values |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2929259B2 (en) * | 1993-12-27 | 1999-08-03 | 株式会社山武 | controller |
| DE19939973A1 (en) * | 1999-08-24 | 2001-03-01 | Volkswagen Ag | Regulation of a gasoline engine |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1257319A (en) * | 1968-11-20 | 1971-12-15 | ||
| JPH0625930B2 (en) * | 1985-09-24 | 1994-04-06 | 株式会社東芝 | Plant diagnostic equipment |
-
1992
- 1992-06-19 FR FR9207502A patent/FR2692688B1/en not_active Expired - Fee Related
-
1993
- 1993-06-15 BE BE9300605A patent/BE1006423A3/en not_active IP Right Cessation
- 1993-06-16 DE DE4319926A patent/DE4319926C2/en not_active Expired - Fee Related
- 1993-06-18 IT ITTO930445A patent/IT1261062B/en active IP Right Grant
- 1993-06-18 GB GB9312600A patent/GB2267979B/en not_active Expired - Fee Related
- 1993-06-18 ES ES09301364A patent/ES2076088B1/en not_active Expired - Lifetime
- 1993-06-18 NL NL9301068A patent/NL9301068A/en not_active Application Discontinuation
Non-Patent Citations (1)
| Title |
|---|
| DE-Z-atp 31(1989)10, S. 475-480 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4429191A1 (en) * | 1994-08-18 | 1996-02-22 | Licentia Gmbh | Algorithm for modelling status changes e.g. in electrical power transmission networks |
| DE19508474A1 (en) * | 1995-03-09 | 1996-09-19 | Siemens Ag | Intelligent computer control system |
| US6085183A (en) * | 1995-03-09 | 2000-07-04 | Siemens Aktiengesellschaft | Intelligent computerized control system |
| WO2001006331A1 (en) * | 1999-07-14 | 2001-01-25 | Siemens Aktiengesellschaft | Method, system and computer program for pre-processing |
| US7058553B1 (en) | 1999-07-14 | 2006-06-06 | Siemens Aktiengesellschaft | Method and system for pre-processing |
| DE10030294A1 (en) * | 2000-06-27 | 2002-01-10 | Roland Kopetzky | Energy consumption and sanitation requirement detection method involves metrologically measuring and mathematically computing energy consumption of building, and simultaneously outputting both values |
| DE10030294B4 (en) * | 2000-06-27 | 2008-04-30 | Ennovatis Gmbh | Method for recording the energy consumption and the need for refurbishment of a building |
Also Published As
| Publication number | Publication date |
|---|---|
| DE4319926C2 (en) | 1996-02-29 |
| NL9301068A (en) | 1994-01-17 |
| BE1006423A3 (en) | 1994-08-23 |
| FR2692688A1 (en) | 1993-12-24 |
| ES2076088B1 (en) | 1997-10-16 |
| ITTO930445A1 (en) | 1994-12-18 |
| GB2267979A (en) | 1993-12-22 |
| IT1261062B (en) | 1996-05-08 |
| ES2076088A2 (en) | 1995-10-16 |
| FR2692688B1 (en) | 1994-08-19 |
| GB9312600D0 (en) | 1993-08-04 |
| ES2076088R (en) | 1997-03-16 |
| GB2267979B (en) | 1995-08-23 |
| ITTO930445A0 (en) | 1993-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE10196372B3 (en) | Adaptive feedback / feedforward PID controller | |
| DE102004019352B4 (en) | State-based adaptive feedback / feedforward PID controller (PID control unit) | |
| DE102004026979B4 (en) | Multiple input / multiple output control blocks with non-linear prediction capabilities | |
| DE4416364B4 (en) | Method and control device for regulating a process | |
| DE19531967C2 (en) | Process for training a neural network with the non-deterministic behavior of a technical system | |
| DE69820469T2 (en) | OPTIMUM AUTOMATIC TUNING DEVICE FOR A PROCESS CONTROL NETWORK | |
| DE2735012C2 (en) | ||
| DE4344283C2 (en) | Device for determining controlled system parameters | |
| EP0663632B1 (en) | Method and apparatus for controlling a process | |
| DE2608249A1 (en) | METHOD AND DEVICE FOR MEASURING TRANSMISSION FUNCTIONS | |
| EP0258333B1 (en) | Adaptive regulating system with high precision and low positioning-energy consumption | |
| EP0520233A2 (en) | Arrangement for identification of a controlled system | |
| EP0165436A1 (en) | Method to reduce the memory allocated to the programme for the movements of a robot | |
| DE19703965C1 (en) | Process for transforming a fuzzy logic used to simulate a technical process into a neural network | |
| DE4319926C2 (en) | Process for controlling a continuous process with an optimization and a control phase | |
| DE60217487T2 (en) | CONTROLLER AND METHOD FOR REGULATING A DEVICE | |
| EP1327959B1 (en) | Neural network for modelling a physical system and method for building the neural network | |
| DE10017600A1 (en) | Flight regulator for aircraft uses algorithm based upon real time solution of optimization equation to determine optimum control parameter based upon state vector and control vector | |
| EP0752630A1 (en) | Self-adjusting controlling device and method for the self-adjustment of this device | |
| DE1523535B2 (en) | Self-adapting control loop | |
| DE69919527T2 (en) | Method and device for identifying a physical system | |
| DE19703964C1 (en) | Process for transforming a fuzzy logic used to simulate a technical process into a neural network | |
| DE2217574C3 (en) | Narrow band digital filter | |
| EP0692752A1 (en) | Circuit arrangement for a controller with yielding feedback | |
| DE19644767B4 (en) | Apparatus and method for motion estimation of image objects |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| OP8 | Request for examination as to paragraph 44 patent law | ||
| D2 | Grant after examination | ||
| 8364 | No opposition during term of opposition | ||
| 8327 | Change in the person/name/address of the patent owner |
Owner name: YOKOGAWA CONTROLE BAILEY, S.A., VELIZY, FR |
|
| 8339 | Ceased/non-payment of the annual fee |