1 / 27

DFMRS Jahrestagung 2001 (7. DFMRS Jahrestagung) Bremen, 15./16. November 2001

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

griffith-wong
Download Presentation

DFMRS Jahrestagung 2001 (7. DFMRS Jahrestagung) Bremen, 15./16. November 2001

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. DFMRSJahrestagung 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 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.de www.mfh-iserlohn.de/Verbunde/NFL Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  2. 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 NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  3. Ziele des Projektes • adaptive Regelung von zeitvarianten, nichtlinearen Regelstrecken mit hoher Regelgüte • trainierbare Adaption • Vorgabe der Regelgüte durch den Anwender • transparente Gütekriterien Dxm, 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 NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  4. Kooperation im Forschungsverbund FH BielefeldFH GelsenkirchenMFH IserlohnFH Münster FH BochumFH KölnFH Köln Abt. Gummersbach MustererkennungIdentifikationAdaption Neuro-Fuzzy-Regler Data Mining FH GelsenkirchenMFH Iserlohn Abt. Hagen Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  5. Kooperation innerhalb der Arbeitsgruppe MFH Iserlohn FH Münster Prof. U. Lehmann Prof. E. Weiner FH Bielefeld FH Gelsenkirchen Neuro-Fuzzy-Regler Prof. M. Büchel Prof. S. Dormeier Anwendungsfeld: Kunststoff-verarbeitungs-maschine Anwendungsfeld: Gebäude- automation ReglerentwurfPortierungHardware Algorithmen Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  6. Analyse der Regelstrecke(Nichtlinearität der Regelstrecke) Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  7. Analyse der Regelstrecke(Zeitvarianz der Regelstrecke) Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  8. Neuro-PID-Regler w(t) Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  9. Modell der Temperaturregelung(PID-Regler mit KNN-Adaption) Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  10. 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 ... Trainingsdaten für das KNN(Reglerparameter, Regelgüte, Korrekturwerte) Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  11. Sprungantworten für verschiedene Ks und T1Regler adaptiert Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  12. PID Regler mit und ohne Adaption Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  13. DxmKSTanTaus DxmKSTanTaus KRTNTV KRTNTV Adaptionsschritte für KR Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  14. Adaptionsschritte für TN Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  15. Adaptionsschritte fürTv Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  16. Portierung auf Zielhardware

  17. Ergebnisse • trainierbarer Regler • gute Adaption an zeitvariante und/oder nichtlineare Regelstrecken • anwendernahe Gütekriterien Dxm, 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 NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  18. Kooperationspartner: KMU Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  19. 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 NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  20. Fragen? Fragen Sie bitte! Kontaktaufnahme: lehmann@mfh-iserlohn.dewww.mfh-iserlohn.de/Verbunde/NFL Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  21. Ende Vielen Dank für Ihr Interesse! Kontaktaufnahme: lehmann@mfh-iserlohn.dewww.mfh-iserlohn.de/Verbunde/NFL Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  22. lehmann@mfh-iserlohn.de Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  23. Kooperationspartner: KMU und Industrie Forschungsverbund Neuronale Fuzzy-Logik der Fachhochschulen in Nordrhein-Westfalen nfl 23

  24. Kooperationspartner: Industrie Return to 8 Forschungsverbund Neuronale Fuzzy-Logik der Fachhochschulen in Nordrhein-Westfalen nfl 24

  25. Portierung auf Zielhardware Entwicklungssystem Zielsystem Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

  26. Portierung auf Zielhardware

  27. Neuro-PID-Regler w(t) Forschungsverbund Neuronale Fuzzy-Logik NRW Forschungsschwerpunkt Fuzzy-Technologien in der MFH-Iserlohn

More Related