[go: up one dir, main page]

WO2013010905A1 - Vorrichtung und verfahren zur bestimmung von modellparametern einer regelungstechnischen modellstruktur eines prozesses, regeleinrichtung und computerprogrammprodukt - Google Patents

Vorrichtung und verfahren zur bestimmung von modellparametern einer regelungstechnischen modellstruktur eines prozesses, regeleinrichtung und computerprogrammprodukt Download PDF

Info

Publication number
WO2013010905A1
WO2013010905A1 PCT/EP2012/063668 EP2012063668W WO2013010905A1 WO 2013010905 A1 WO2013010905 A1 WO 2013010905A1 EP 2012063668 W EP2012063668 W EP 2012063668W WO 2013010905 A1 WO2013010905 A1 WO 2013010905A1
Authority
WO
WIPO (PCT)
Prior art keywords
delay element
model
model parameters
signals
estimated
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.)
Ceased
Application number
PCT/EP2012/063668
Other languages
English (en)
French (fr)
Inventor
Fabian BARGIEL
Klaus Wendelberger
Shengzhe FU
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
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 Siemens AG, Siemens Corp filed Critical Siemens AG
Publication of WO2013010905A1 publication Critical patent/WO2013010905A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25298—System identification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the invention relates to a device and a corresponding method for determining model parameters of a control model structure of a process according to the preamble of claim 1.
  • the invention further relates to a control device for a process and a computer program product.
  • control variable such as pressure, temperature, flow velocity
  • the controller which is here the control algorithm in the software of the automation system, which determines from the control difference, how the actuator (for example, valve, flap, motor, ...) is to be moved so that the controlled variable approaches the reference variable,
  • the dynamic behavior of the system depends on various factors.
  • the dependence on the operating point requires that controller parameters be determined for different operating points and then have to be tracked depending on the operating state, which is associated with a high commissioning effort.
  • the plant dynamics may over time, e.g. due to contamination or wear. With constant controller parameters, the control behavior will then deteriorate more and more, or it will always be necessary to readjust the control loops.
  • a filter can only be set optimally if there is knowledge about the frequency spectrum of the useful signals, ie in turn about the dynamic system behavior and the noise.
  • the simplest way to mathematically model the dynamics of a process engineering process is to use delay elements. Depending on which transmission behavior best characterizes the process, delay elements of different order are selected with the respective time constants.
  • a PTn element of arbitrary order n is formed by the series connection of n delay elements of the first order (PTI elements).
  • the sum time constant Tsum of the PTn element is the sum of all individual time constants T of the PTI elements.
  • the individual time constants T are assumed to be the same here.
  • the process dynamics can then be expressed by only two parameters, namely the sum time constant Tsum and the order n of the PTn element.
  • the most common method for determining the sum time constant Tsum is the test on the system. The process is deliberately loaded with a change in the input variable and the transition behavior of the output variable is recorded. With an offline calculation algorithm, the sum time constant Tsum can be determined from the transmission behavior.
  • the algorithm can only be supplied offline with measurement data and determine the sought total time constant.
  • the algorithm sends noise signals to the process so that they are dynamically excited and a parameter estimation is possible.
  • the process itself is adversely affected continuously or repeatedly by the algorithm.
  • the algorithm can only analyze complete transition functions, ie in this case, measured values must be stored for later analysis over a certain period of time.
  • the algorithm is not able to constantly output in the cycle of the automation system (for example 100 ms), for example, a parameter estimate.
  • the algorithm is bound to specific value ranges of the input and output variables of the process and thus also to given gain factors and offsets of the process.
  • the algorithm itself has parameters that have to be set by the user, but that are not easy to define offline.
  • the algorithm is associated with a high computational effort and / or storage space requirements and therefore can not be used in an automation system or in particular in a power plant control system.
  • a first improvement is achieved according to the dt. Patent Application 10 2010 025 916.0 by a method and a corresponding device for determining at least one model parameter of a control model of a steam generator.
  • a control engineering model structure with at least one characteristic model parameter is specified there.
  • Measurement signals of the steam generation process are recorded online.
  • the at least one model parameter is estimated online.
  • the same input signal is applied to both the real process and the model of the steam generator.
  • an estimation analysis is performed, wherein at least one output signal of each of the process and / or the model or at least one input signal is processed by a comparative evaluation based on a gradient analysis.
  • estimation ranges are defined in a further step, within which a valid parameter estimation is possible. If the estimate is positive, the current estimate of the at least one Improved model parameters.
  • This method can be disadvantageously used only for a very specific control model structure of a steam generator. However, the application for a general model structure based on a PTn delay element is not possible.
  • the invention advantageously makes possible an online determination of the model parameters of a control process model, wherein the model parameters are estimated according to the invention and the model structure is represented by means of an observer model in the form of a Kalman filter.
  • the invention can be advantageously used during operation of a technical system. From its computational effort and storage space requirement, use of the algorithm in an automation system and in particular in a power plant control system is possible.
  • the algorithm is able to provide a parameter estimate constantly (online) in the cycle of the automation system.
  • the algorithm does not send noise to the process. Only the measurement data that is generated during normal system operation is used.
  • the algorithm itself has only parameters that depend on the wender can also be determined offline. In principle, the device according to the invention and the corresponding method can be used for any controlled system.
  • variable transformation which may be of modular design, advantageously comprises a normalization analysis for the detection of stationary states as well as an adaptive standardization in which first values for the minimum and maximum limits of the input and setting variables u and the output variable (controlled variable) y are determined automatically and then an offset is calculated out, and an amplification factor is set constant.
  • the adaptive standardization has the great advantage that the invention can be used for any value ranges of the input and output variables of the process and thus also for any amplification factors and offsets in the process.
  • an estimation analysis is performed.
  • it is checked by means of a gradient evaluation of the normalized input and output signal and of the amplification factor whether a parameter estimation makes sense.
  • the algorithm can independently decide whether or not the supplied measurement data contains sufficient information for determining the cumulative time constant and automatically reacts accordingly. If parameter estimation is not possible (e.g., during steady-state operation of the plant), the estimation is negatively evaluated and the current estimate for the model parameters is not changed. As soon as the measured data contain information for determining the model parameters, the current estimated value is improved.
  • the invention is particularly suitable for delay-affected processes, which can be simulated by means of a delay element of any order.
  • a delay element of any order can be simulated by means of a delay element of any order.
  • the delay element is represented by means of an observer model in the form of a Kalman filter.
  • the model parameters for different orders of the delay element are estimated in parallel by means of a number of estimation means. This has the advantage that the order of that delay element can be determined, which best simulates the process. Due to the chosen observer model, this will be the observation error of the individual
  • the model parameters are output which have the smallest difference between the measured and estimated value of the process output variable.
  • the invention has numerous advantages. In particular, it allows a reduction in the commissioning time of control structures, since no lengthy manual parameter settings of the control loops are necessary. Accordingly, the commissioning costs of control structures are reduced.
  • the method also works adaptively, i. Once triggered, it automatically adapts to changing circumstances of the ongoing process. Such adaptive
  • Fig. 1 is a sketch to illustrate the problem
  • Fig. 2 is a sketch of an estimating means for determining the
  • FIG. 4 is a schematic representation of the invention
  • FIG. 5 Comparison of the online profiles of a measured time constant or amplification factor and the time constant or amplification factor, estimated using the invention, plotted along the time T in s
  • Fig. 6 is a schematic representation of the control device
  • FIG. 1 shows a sketch to clarify the problem.
  • any process P that runs on a technical system. It may be a process engineering process, such as a process of burning fossil fuels in a power plant, or raw material refining in a refinery, or any process in a large scale pharmaceutical plant, etc.
  • At least any input signal u is supplied to and output from the process P. the process results in at least one arbitrary output signal y.
  • Input and output signals represent measured variables that are determined online, ie during operation of the technical system.
  • a gas control valve via which natural gas is supplied to a combustion chamber act, and the output signal to the temperature in the combustion chamber.
  • the measured values are continuously recorded and processed, for example, in a cyclically operating control system, ie in each cycle of eg 100 ms.
  • process engineering processes can often be modeled or modeled well by delay elements of any order.
  • An example of such a control engineering model is shown in Fig.l.
  • the control-engineering model structure here comprises two delay elements PT1 of the first order with the respective individual time constants T, so that a delaying behavior of the second order results in their series connection.
  • the model parameters which best characterize the dynamics of such a process are now to be determined by means of the invention.
  • this is the sum time constant Tsum of the series connection of the delay elements (which is assumed to be a delay element of initially unknown order)
  • Tsum the sum time constant of the series connection of the delay elements
  • the basic idea of the invention is now primarily to carry out an estimate for the sum time constant Tsum in order to determine the dynamics of the process. For this purpose, however, the gain V and the offset 0 must be known.
  • V and 0 can be determined based on at least two stationary states.
  • the method of the invention is available online, i. For example, to work in time with a cyclic control system, it is not possible at a time to determine V and 0 simultaneously. Therefore, a variable transformation is performed in which the offset 0 disappears and the gain V is set to 1. In such a variable transformation, the sum time constant Tsum remains unchanged and can be determined by means of an estimation algorithm.
  • FIG. 1 shows the control model after the variable transformation or normalization.
  • the controlled system is a standardized input signal and switched.
  • the gain factor V is initially assumed to be 1.
  • a normalized output signal yn is output.
  • Estimator SMi switched on.
  • the estimation means generates an estimated value Ti for the corresponding sum time constant Tsum for the control-engineering model of a delay element of order ni.
  • Tsum time constant
  • ni the time constant for the control-engineering model of a delay element of order ni.
  • the variable transformation is carried out.
  • the normalization analysis NBA is necessary to make a first check of the input and output signals u and y, which can be in any range of values.
  • the normalizability is assessed as positive, ie the adaptive normalization or the actual variable transformation can be carried out.
  • the adaptive standardization AdapN values for the minimum and maximum limits of u and y are then automatically determined (umin, umax, ymin, ymax).
  • the operating range in which the process takes place may change and / or changes in process gain V over time may be noted. Both value range enlargements are detected, but the value ranges are also automatically reduced if the process remains in use for a long time (depending on the previously estimated time constant T new )
  • un (u-umin) * 50 / (umax-umin) +50
  • the normalized input and output signals un and yn are now fed to the actual estimation algorithm.
  • the module KF represents an estimator using a Kalman filter.
  • the exact sequence of the estimation is shown in the description of FIG. 3, where the procedure without taking into account the variable transformation of the input quantities (u, y) is explained on the basis of the example of a second-order delay element.
  • the estimation of the model parameters in the estimated value generator SWG starts automatically as soon as the available data makes the determination of a new value possible. This means that during stationary operation no time constant estimation is possible; the current estimate remains constant.
  • the estimate of the total time constant T i is performed on the basis of the normalized input variables un and yn using the Kalman filter (where i is here equal to 1, 2 to nmax, depending on the order of the delay element is considered).
  • a system gain factor V t is also estimated.
  • the observer error ei is also output for the corresponding delay element.
  • V -u (t) must be much smaller than the term V-ü (t).
  • Vu (t) the algorithm is stopped.
  • ü (t) general stationary operation
  • Grading verification is part of the SBA estimability analysis.
  • the estimated value generator SWG thus outputs a new improved estimated value T new , which is used both in the normalizability analysis NBA and in the adaptive normalization.
  • the output of the estimator SMi are finally the observation error e ⁇ , the estimated sum time constant T i and the gain factor V i .
  • Figure 3 shows a sketch of a model structure for a controlled system for the process P, which is divided into two delay elements PT1 first order with the time constant T, so that in their series circuit results in a delay behavior of second order.
  • the observer model in the form of a Kalman filter according to the invention is used.
  • the reconstruction of the track conditions is done by calculating a dynamic track model parallel to the real process.
  • Both the underlying process P and the model structure M are supplied with the same input quantity u.
  • the model structure receives further the input quantity is the output variable y of the process P.
  • the additional state x x gives the
  • Elongation gain V on. All states x ⁇ are computational and immeasurable states estimated by the observer and are time dependent quantities. At the end of the model route, an estimated value for the output signal y is output. The deviation between measured variables from the process and the corresponding values, which are determined with the distance model, is the observer error e.
  • the observation error e y-y is determined.
  • the estimation of a size should generally be based as far as possible on the knowledge of all previous observations.
  • the observer error e is applied to the observed, ie calculated process, but not directly, but as a product with an observer correction L, the so-called observer vector.
  • this is a three-dimensional vector, ie it contains three components, L 1 ( L 2 and L 3) , which are each multiplied by the observer error - a scalar -
  • the components Li become dependent on the input quantity u and a previous estimated value
  • the exact calculation of the observer vector L is performed by solving the matrix-Riccati differential equation.
  • w (t) describes the process noise and v (t) the measurement noise.
  • the linearization takes place at the operating point x 0 , u 0 , T 0 , where for T 0 the currently estimated time constant T new, for u 0 the current measured value of the input u and for x 0 the current estimates for the states are used.
  • the system matrices of the linearized system are:
  • the observer vector can be constructed using the Kalman-Bucy principle by solving the riccatic differential equation in matrix form:
  • P (t) is the symmetric and positive solution of the Riccatian differential equation.
  • Q describes how large the influence of the system error is, and R describes the measurement error.
  • the components of x (t) and y (t) can also be calculated. From these in turn can be the
  • FIG. 4 shows a schematic representation of the device VS according to the invention.
  • the device VS are supplied online, for example in each cycle of an automation system, an input signal u of the process and an output signal y of the process. These input variables are included in these sem embodiment, four estimation SMl connected to SM4.
  • Each estimation means determines the observation error ei, the estimated time constant T i and the gain V ; for the respective delay element. In this way, a parallel estimation of the time constants for different orders of the delay elements is possible.
  • the order n opt of the delay element is determined with which the actual system behavior can best be simulated by comparing the observer errors from the Kalman filters of the individual estimation means SMi.
  • the output gains should be based on the
  • Variable transformation are in the range of 1. Strong deviations from 1 indicate a wrong standardization. As soon as the process moves into at least one stationary state, normalization is automatically renewed and the new estimate of the amplification factor will automatically return to 1.
  • Figure 5 shows two examples of the estimation of the time constant and the gain factor. Plotted are the courses of the time constant T in s (upper picture) and of the gain V (lower picture) estimated by means of the device according to the invention in comparison with an arbitrarily given time constant or an arbitrarily given amplification factor. The estimates are based very well on the given values, they are only small
  • FIG. 6 shows the structure image of a control device R.
  • the control device w is supplied with the reference variable w.
  • the manipulated variable u is output.
  • Part of the control device is one or more calculation units BE, which the device according to the invention for Mood of model parameters of a control model structure of a process includes.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

Die Erfindung betrifft eine Vorrichtung und ein entsprechendes Verfahren zur Bestimmung von Modellparametern einer regelungstechnischen Modellstruktur eines Prozesses. Die Vorrichtung erhält online zumindest ein Eingangs- und ein Ausgangssignal, wobei es sich bei diesen Signalen um beliebige Messsignale des Prozesses handelt. Erfindungsgemäss weist die Vorrichtung zumindest ein Schätzmittel auf, welches dazu ausgebildet ist, aktuelle Schätzwerte für die Modellparameter der Modellstruktur zu bestimmen, wobei die Modellstruktur mittels eines Beobachtermodells in Form eines Kalman-Filters repräsentiert wird. In einer vorteilhaften Ausgestaltung der Erfindung wird der Prozess durch ein Verzögerungsglied beliebiger Ordnung nachgebildet.

Description

Beschreibung
Vorrichtung und Verfahren zur Bestimmung von Modellparametern einer regelungstechnischen Modellstruktur eines Prozesses, Regeleinrichtung und Computerprogrammprodukt
Die Erfindung betrifft eine Vorrichtung und ein entsprechendes Verfahren zur Bestimmung von Modellparametern einer regelungstechnischen Modellstruktur eines Prozesses gemäß dem Oberbegriff von Anspruch 1. Die Erfindung betrifft ferner eine Regeleinrichtung für einen Prozess und ein Computerprogrammprodukt .
Zur Automatisierung von zumeist verfahrenstechnischen Prozes- sen werden heutzutage digitale Automatisierungssysteme eingesetzt, in denen entsprechende Software-Regelungsstrukturen ablaufen. Ein Regelkreis setzt sich dabei zusammen aus
- einem Mittel zur analogen messtechnischen Erfassung der zu regelnden Prozessgröße (Regelgröße) wie beispielsweise Druck, Temperatur, Strömungsgeschwindigkeit,
- einem Mittel zum Einlesen des Messwertes in das Automatisierungssystem über eine Analog/Digital -Wandlung
- einem Filter in der Software des Automatisierungssystems, mit dessen Hilfe das Rauschen der gemessenen Prozessgröße be- seitigt wird,
- einer Berechnungseinheit zur softwaremäßigen Vorgabe eines Sollwertes für diese Prozessgröße (Führungsgröße) ,
- einer Berechnungseinheit zur Regeldifferenzbildung (Abweichung der Regelgröße vom vorgegebenen Sollwert) in der Soft- wäre des Automatisierungssystems,
- dem Regler, wobei hier der Regelalgorithmus in der Software des Automatisierungssystems gemeint ist, welcher aus der Regeldifferenz bestimmt, wie das Stellorgan (z.B. Ventil, Klappe, Motor, ...) zu verfahren ist, damit sich die Regelgröße der Führungsgröße nähert,
- einem Mittel zur Ausgabe des Stellsignals vom Automatisierungssystem über eine Digital/Analog-Wandlung an den Antrieb. Es existiert eine Vielzahl von verschiedenen Algorithmen und Ansätzen zum Aufbau derartiger Filter- und Regelungsstrukturen. Je nach Anwendungsfall sind diese verschiedenen Algorithmen mit unterschiedlichen Vor- oder Nachteilen verbunden.
Alle Regelungsalgorithmen haben jedoch eines gemeinsam: Ihre Parametrierung hängt vom dynamischen Verhalten des zu automatisierenden Prozesses ab. Dies ist insbesondere dann der Fall wenn modellbasierte Regelungskonzepte eingesetzt werden. Das im Regelungskonzept enthaltene Modell der Regelstrecke (des Prozesses) muss die Dynamik der tatsächlichen Anlage richtig wiedergeben, damit eine genaue Ermittlung des Stellsignals erfolgen kann. Aber auch bei einfacheren, nicht modellbasierten Regelungsstrukturen ist eine Kenntnis über das dynamische Anlagenverhalten sehr hilfreich. Die Gründe hierfür sind:
Die Parametrierung von Regelkreisen anhand von Versuchen mit der Anlage ist sehr zeitaufwändig und teuer. Eine Kenntnis über die Anlagendynamik erlaubt eine Vorgabe sehr guter
Startwerte für die Reglerparameter und ist daher mit einer Reduktion von Inbetriebnahmeaufwand und -kosten verbunden.
Das dynamische Verhalten der Anlage hängt von verschiedenen Faktoren ab. Die Abhängigkeit vom Arbeitspunkt bedingt, dass Reglerparameter für verschiedene Arbeitspunkte bestimmt und dann in Abhängigkeit des Betriebszustandes nachgeführt werden müssen, was mit einem hohen Inbetriebnahmeaufwand verbunden ist. Außerdem kann sich die Anlagendynamik im Laufe der Zeit z.B. durch Verschmutzung oder Verschleiß ändern. Bei konstan- ten Reglerparametern wird sich das Regelverhalten dann immer mehr verschlechtern, oder es muss immer wieder eine Nachjustierung der Regelkreise erfolgen.
Äquivalente Aussagen gelten für die Parametrierung der Sig- nalfilter. Ein Filter kann nur dann optimal eingestellt werden, wenn eine Kenntnis über das Frequenzspektrum der Nutz- signale, d.h. wiederum über das dynamische Anlagenverhalten, und des Rauschens vorhanden ist. Die einfachste Möglichkeit zur mathematischen Modellierung der Dynamik eines verfahrenstechnischen Prozesses besteht in der Verwendung von Verzögerungsgliedern. Je nachdem welches Übertragungsverhalten den Prozess am besten charakterisiert, werden Verzögerungsglieder verschiedener Ordnung mit den jeweiligen Zeitkonstanten gewählt. So entsteht ein PTn-Glied der beliebigen Ordnung n durch die Hintereinanderschaltung von n Verzögerungsgliedern 1. Ordnung (PTl-Gliedern) . Die Summenzeitkonstante Tsum des PTn-Gliedes ist die Summe aller Einzelzeitkonstanten T der PTl-Glieder. Die Einzelzeitkonstanten T werden hierbei als gleich angenommen. Mit einer für den jeweiligen Anwendungsfall ausreichenden Genauigkeit kann dann die Prozessdynamik durch nur zwei Parameter, nämlich der Summenzeitkonstante Tsum sowie der Ordnung n des PTn-Gliedes, ausgedrückt werden.
Die gängigste Methode zur Bestimmung der Summenzeitkonstante Tsum ist der Versuch auf der Anlage. Dabei wird der Prozess bewusst mit einem Änderung der Eingangsgröße beaufschlagt und das Übergangsverhalten der Ausgangsgröße aufgenommen. Mit einem Offline-Berechnungsalgorithmus kann aus dem Übertragungsverhalten die Summenzeitkonstante Tsum ermittelt werden.
Es existieren eine Vielzahl von Algorithmen und Verfahren zur Ermittlung der Summenzeitkonstante eines PTn-Gliedes aus vorliegenden Messdaten. Die bekannten Verfahren weisen alle jedoch einen oder mehrere der folgenden Nachteile auf:
- Der Algorithmus kann nur offline mit Messdaten versorgt werden und die gesuchte Summenzeitkonstante ermitteln. Ein
Einsatz im online-Betrieb ist nicht möglich.
- Vom Algorithmus werden Störsignale an den Prozess gesendet, so dass dieser dynamisch angeregt und eine Parameterschätzung damit ermöglicht wird. Der Prozess selbst wird dadurch nachteilig kontinuierlich oder immer wieder durch den Algorithmus gestört. - Der Algorithmus kann nur komplette Übergangsfunktionen analysieren, d.h. in diesem Fall müssen über einen bestimmten Zeitraum Messwerte zur späteren Analyse abgespeichert werden. Der Algorithmus ist nicht in der Lage ständig im Zyklus des Automatisierungssystems (der z.B. 100ms beträgt) beispielsweise eine Parameterschätzung abzugeben.
- Der Algorithmus ist an bestimmte Wertebereiche der Ein- und Ausgangsgröße des Prozesses und damit auch an vorgegebene Verstärkungsfaktoren und Offsets des Prozesses gebunden.
- Der Algorithmus selbst hat Parameter, die vom Anwender eingestellt werden müssen, die aber nicht gleichzeitig einfach auch offline zu bestimmen sind.
- Der Algorithmus ist mit einem hohen Rechenaufwand und/oder Speicherplatzbedarf verbunden und kann daher nicht in einem Automatisierungssystem bzw. insbesondere in einem Kraftwerksleitsystem eingesetzt werden.
Eine erste Verbesserung wird gemäß der dt. Patentanmeldung 10 2010 025 916.0 durch ein Verfahren und eine entsprechende Vorrichtung zur Ermittlung von zumindest einem Modellparameter eines regelungstechnischen Modells eines Dampferzeugers erreicht. Für den Dampferzeuger wird dort eine regelungstechnische Modellstruktur mit zumindest einem charakteristischen Modellparameter vorgegeben. Messsignale des Dampferzeugungs- prozesses werden online aufgenommen. Erfindungsgemäß wird der zumindest ein Modellparameter online geschätzt. Dazu wird so- wohl dem realen Prozess als auch dem Modell des Dampferzeugers dasselbe Eingangssignal aufgeschaltet . Anschließend wird eine Schätzbarkeitsanalyse durchgeführt, wobei zumindest ein Ausgangssignal jeweils des Prozesses und/oder des Modells oder zumindest ein Eingangssignal durch eine vergleichende Auswertung anhand einer Gradientenanalyse verarbeitet wird.
Anhand der Gradientenanalyse werden in einem weiteren Schritt Schätzbereiche definiert, innerhalb derer eine gültige Parameterschätzung möglich ist. Wird die Schätzbarkeit positiv beurteilt, wird der aktuelle Schätzwert des zumindest einen Modellparameters verbessert. Dieses Verfahren kann nachteilig nur für eine ganz bestimmte regelungstechnische Modellstruktur eines Dampferzeugers eingesetzt werden. Die Anwendung für eine allgemeine Modellstruktur auf Basis eines PTn- Verzögerungsgliedes ist jedoch nicht möglich.
Es ist Aufgabe der vorliegenden Erfindung, eine Vorrichtung anzugeben, welche all diese Nachteile überwindet und mit dessen Hilfe bei laufendem Betrieb die Anlagendynamik kontinu- ierlich und eigenständig, ohne Störung des Prozesses ermittelt werden kann. Auf der Basis eines solchen Verfahrens können dann die Regel- und Filterstrukturen laufend an den zu regelnden Prozess angepasst werden. Es ist ferner Aufgabe der vorliegenden Erfindung, ein entsprechendes Verfahren an- zugeben. Eine weitere Aufgabe der Erfindung besteht darin, eine Regeleinrichtung für den Prozess anzugeben, welche die Bestimmung der Modellparameter der Regelstrecke verwendet. Es soll ferner ein Computerprogrammprodukt angegeben werden. Diese Aufgaben werden durch die Merkmale der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausgestaltungen sind jeweils in den abhängigen Patentansprüchen wiedergegeben.
Die Erfindung ermöglicht vorteilhaft eine Online-Ermittlung der Modellparameter eines regelungstechnischen Prozessmodells, wobei gemäß der Erfindung die Modellparameter geschätzt werden und die Modellstruktur mittels eines Beobachtermodells in Form eines Kaiman-Filters repräsentiert wird. Die Erfindung kann vorteilhaft im laufenden Betrieb einer technischen Anlage eingesetzt werden. Von seinem Rechenaufwand und Speicherplatzbedarf her ist ein Einsatz des Algorithmus in einem Automatisierungssystem und insbesondere in einem Kraftwerksleitsystem möglich. Der Algorithmus ist in der Lage ständig (online) im Zyklus des Automatisierungssystems eine Parameterschätzung abzugeben. Vom Algorithmus werden keine Störsignale an den Prozess gesendet. Es werden nur die Messdaten verwendet, die im normalen Anlagenbetrieb anfallen. Der Algorithmus selbst hat nur Parameter, die vom An- wender einfach auch offline bestimmt werden können. Prinzipiell kann die erfindungsgemäße Vorrichtung und das entsprechende Verfahren für beliebige Regelstrecken angewendet werden .
In einem vorteilhaften Ausführungsbeispiel wird vor Durchführung der Schätzung der Modellparameter eine Variablentransformation oder Normierung durchgeführt, um dafür zu sorgen, dass relevante Daten bereitgestellt werden, die eine Schät- zung ermöglichen. Die Variablentransformation, welche modul- artig ausgebildet sein kann, umfasst dabei vorteilhaft eine Normierbarkeitsanalyse zur Detektion von stationären Zuständen sowie eine adaptive Normierung, in welcher zunächst Werte für die Mindest- und Höchstgrenzen der Eingangs- und Stell- große u und der Ausgangsgröße (Regelgröße) y automatisch ermittelt werden und anschließend ein Offset herausgerechnet, und ein Verstärkungsfaktor konstant gesetzt wird. Die adaptive Normierung birgt den großen Vorteil, dass die Erfindung für beliebige Wertebereiche der Ein- und Ausgangsgröße des Prozesses und damit auch für beliebige Verstärkungsfaktoren und Offsets im Prozess einsetzbar ist.
In einem weiteren vorteilhaften Ausführungsbeispiel der Erfindung erfolgt eine Schätzbarkeitsanalyse . Dabei wird mit- tels einer Gradientenauswertung des normierten Eingangs- und Ausgangssignals und des Verstärkungsfaktors überprüft, ob eine Parameterschätzung sinnvoll ist. Dabei kann der Algorithmus eigenständig entscheiden, ob die gelieferten Messdaten ausreichend Informationen zur Ermittlung der Summenzeitkon- stante enthalten oder nicht und automatisch entsprechend reagieren. Ist eine Parameterschätzung nicht möglich (z.B. während eines stationären Betriebs der Anlage) wird die Schätzbarkeit negativ beurteilt und der aktuelle Schätzwert für die Modellparameter nicht verändert. Sobald die Messdaten Infor- mationen zur Ermittlung der Modellparameter enthalten, wird der aktuelle Schätzwert verbessert.
Die Erfindung eignet sich insbesondere für verzögerungsbehaftete Prozesse, welche mittels eines Verzögerungsglieds einer beliebigen Ordnung nachgebildet werden können. Hierbei werden vorteilhaft die Summenzeitkonstante und die Ordnung des Verzögerungsglieds bestimmt. Damit ist die Dynamik des gesamten Prozesses beschrieben. Das Verzögerungsglied wird mittels eines Beobachtermodells in Form eines Kaiman-Filters repräsen- tiert.
In einer weiteren vorteilhaften Ausführungsvariante werden die Modellparameter für verschiedene Ordnungen des Verzögerungsgliedes parallel mittels einer Anzahl von Schätzmitteln geschätzt. Dies hat den Vorteil, dass die Ordnung desjenigen Verzögerungsglieds ermittelt werden kann, welches den Prozess am besten nachbildet. Aufgrund des gewählten Beobachtermodells wird hierzu der Beobachtungsfehler der einzelnen
Schätzmittel verglichen. Im Anschluss werden die Modellpara- meter ausgegeben, welche die kleinste Differenz zwischen Mess- und Schätzwert der Prozess-Ausgangsgröße aufweisen.
Zusammengefasst birgt die Erfindung zahlreiche Vorteile. Sie erlaubt insbesondere eine Reduktion der Inbetriebnahmedauer von Regelungsstrukturen, da keine langwierigen manuellen Parametereinstellungen der Regelkreise notwendig sind. Demgemäß werden auch die Inbetriebnahmekosten von Regelungsstrukturen reduziert. Das Verfahren arbeitet außerdem adaptiv, d.h. - einmal angestoßen - passt es sich automatisch an sich ändern- de Verhältnisse des laufenden Prozesses an. Solch adaptive
Regelungsverfahren tragen erheblich zur Langzeitqualität einer Regelung bei .
Die Erfindung wird nachfolgend anhand eines in den Zeichnun- gen dargestellten Ausführungsbeispiels näher erläutert. Dabei zeigen :
Fig. 1 eine Skizze zur Verdeutlichung der Problemstellung Fig. 2 eine Skizze eines Schätzmittels zur Bestimmung der
Modellparameter
Fig. 3 eine schematische Darstellung eines Kaiman Filters Fig . 4 eine schematische Darstellung der erfindungsgemäßen
Vorrichtung Fig . 5 Gegenüberstellung der online-Verläufe einer gemessenen Zeitkonstanten bzw. Verstärkungsfaktors und der mittels der Erfindung geschätzten Zeitkonstanten bzw. Verstärkungsfaktors aufgetragen entlang der Zeit T in s
Fig . 6 eine schematische Darstellung der Regeleinrichtung
Figur 1 zeigt eine Skizze zur Verdeutlichung der Problemstellung. Gegeben sei ein beliebiger Prozess P, der auf einer technischen Anlage abläuft. Es kann sich dabei um einen verfahrenstechnischen Prozess handeln, beispielsweise einen Prozess der Verbrennung fossiler Brennstoffe in einem Kraftwerk, oder der RohstoffVeredelung in einer Raffinerie, oder einen beliebigen Prozess in einer pharmazeutischen Großanlage usw. Dem Prozess P werden zumindest ein beliebiges Eingangssignal u zugeführt und aus dem Prozess resultiert zumindest ein beliebiges Ausgangssignal y. Eingangs- und Ausgangssignale stellen Messgrößen dar, welche online, d.h. im laufenden Betrieb der technischen Anlage ermittelt werden. So kann es sich beispielsweise in einem Kraftwerk bei dem Eingangssignal um die Stellung eines Gasregelventils, über welches Ergas einer Brennkammer zugeführt wird, handeln und bei dem Ausgangssignal um die Temperatur in der Brennkammer. Die Messwerte werden beispielsweise in einem zyklisch arbeitenden Leitsys- tem kontinuierlich d.h. in jedem Zyklus von z.B. 100 ms aufgenommen und weiterverarbeitet. Wie bereits ausgeführt, lassen sich verfahrenstechnische Prozesse häufig gut durch Verzögerungsglieder beliebiger Ordnung nachbilden oder modellieren. Ein Beispiel für ein solches regelungstechnisches Modell ist in Fig.l dargestellt. Die regelungstechnische Modellstruktur umfasst hier zwei Verzögerungsglieder PT1 erster Ordnung mit den jeweiligen Einzelzeitkonstanten T, so dass sich in deren Reihenschaltung ein verzögerndes Verhalten zweiter Ordnung ergibt. Die Modellparameter, welche die Dyna- mik eines solchen Prozesses am besten charakterisieren, sind nun mittels der Erfindung zu bestimmen. Dabei handelt es sich in diesem Ausführungsbeispiel um die Summenzeitkonstante Tsum der Reihenschaltung der Verzögerungsglieder (welche ja als ein Verzögerungsglied vorerst unbekannter Ordnung angenommen werden kann) und die Ordnung n. Um diese Parameter bestimmen zu können, ist gleichzeitig eine Ermittlung des Verstärkungsfaktors V und des Offsets 0, die den stationären Zusammenhang zwischen Ein- und Ausgangsgröße des Prozesses beschreiben, notwendig.
Zwischen Eingangs- und Ausgangssignal wird für den stationären Zustand ein linearer Zusammenhang angenommen: ystat = V * ustat + 0 (1)
Es gilt außerdem für dieses Ausführungsbeispiel (wie anhand von Fig. 1 abzulesen) : x(t) = V * u(t) (2)
Der Grundgedanke der Erfindung ist es nun, in erster Linie eine Schätzung für die Summenzeitkonstante Tsum durchzuführen, um die Dynamik des Prozesses zu bestimmen. Dazu müssen jedoch auch die Verstärkung V und der Offset 0 bekannt sein.
V und 0 lassen sich anhand von mindestens zwei stationären Zuständen bestimmen. Da das erfindungsgemäße Verfahren jedoch online, d.h. beispielsweise im Takt eines zyklisch arbeitenden Leitsystems arbeiten soll, ist es nicht möglich zu einem Zeitpunkt, V und 0 gleichzeitig zu bestimmen. Daher wird eine Variablentransformation durchgeführt, bei welcher der Offset 0 verschwindet und der Verstärkungsfaktor V auf 1 gesetzt wird. Bei einer solchen Variablentransformation bleibt die Summenzeitkonstante Tsum unverändert und kann mittels eines Schätzalgorithmus bestimmt werden. Vor Durchführung der
Schätzung der Modellparameter muss demnach eine Variablentransformation oder Normierung durchgeführt werden, um dafür zu sorgen, dass relevante Daten bereitgestellt werden, die eine Schätzung ermöglichen. In Fig. 1 ist das regelungstech- nische Modell nach der Variablentransformation oder Normierung dargestellt. Der Regelstrecke wird ein normiertes Eingangssignal und aufgeschaltet . Der Verstärkungsfaktor V wird dabei zunächst als 1 angenommen. Am Ende der Regelstrecke wird ein normiertes Ausgangssignal yn ausgegeben.
Nach Durchführung der Schätzung der Modellparameter wird überprüft, ob die Schätzung überhaupt gültig war, d.h. es wird eine Schätzbarkeitsanalyse durchgeführt. Dabei ist zu beachten, dass eine Parameterschätzung nur möglich ist, wenn genügend „Dynamik", d.h. zeitliche Änderungen des Eingangsund Ausgangssignals vorliegen. Grundsätzlich gilt, dass sowohl im stationären Betrieb als auch im Fall recht langsamer Änderungen der Messsignale es nicht möglich ist, die Modellparameter hinreichend genau zu schätzen. Das System muss daher so konzipiert sein, dass es einen dynamischen Betrieb erkennt. Neben der Überprüfung des stationären Betriebs ist eine weitere Grundbedingung für die Schätzung, dass der Prozess durch eine Änderung der Eingangsgröße und nicht durch eine
Änderung des Verstärkungsfaktors, der selbst ein Ergebnis der Schätzung ist, angeregt wird.
Der Ablauf dieser Vorgehensweise soll anhand von Fig. 2 ver- deutlicht werden. Zumindest ein Eingangssignal u des Prozesses und ein Ausgangssignal y des Prozesses werden einem
Schätzmittel SMi aufgeschaltet . Durch das Schätzmittel wird jeweils für das regelungstechnische Modell eines Verzögerungsglieds der Ordnung ni einen Schätzwert Ti für die ent- sprechende Summenzeitkonstante Tsum generiert. Eine Schätzung der Zeitkonstante unabhängig vom Verstärkungsfaktor ist dabei jedoch nicht möglich. In Fig. 2 ist ein solches einzelnes Schätzmittel SMi gezeigt. Das Schätzmittel SMi (hier i = 1, 2 bis nmax) umfasst eine Normierbarkeitsanalyse NBA, eine adap- tive Normierung AdapN, ein Kaiman-Filter-Modell KF für ein Verzögerungsglied, eine Schätzbarkeitsanalyse SBA und einen Schätzwertgenerator SWG.
In den beiden Modulen der Normierbarkeitsanalyse NBA und der adaptiven Normierung AdapN, welche beispielsweise als einzel- ne Berechnungseinheiten ausgestaltet sein können oder auch zusammengefasst in einem Modul, wird die Variablentransformation durchgeführt. Die Normierbarkeitsanalyse NBA ist notwendig, um eine erste Überprüfung der Eingangs- und Ausgangssignale u und y vorzunehmen, welche sich in einem beliebigen Wertebereich befinden können. Im Falle eines stationären Betriebszustandes ( | « | , | j| sind über einen Zeitraum, welcher länger als eine zuvor geschätzte Zeitkonstante Tneu , klein) wird die Normierbarkeit positiv beurteilt, d.h. es kann die adaptive Normierung oder die eigentliche Variablentransformation durchgeführt werden. In der adaptiven Normierung AdapN werden dann zunächst Werte für die Mindest- und Höchstgrenzen von u und y automatisch bestimmt (umin, umax, ymin, ymax) . Der Betriebsbereich, in dem der Prozess stattfindet, kann sich ändern und/oder es sind im Laufe der Zeit Änderungen bei der Prozessverstärkung V festzustellen. Es werden sowohl Wertebereichsvergrößerungen detektiert, die Wertebereiche werden aber auch automatisch verkleinert, wenn sich der Prozess lange Zeit (abhängig von der zuvor geschätzten Zeitkonstante Tneu ) nur noch in einem
Teilbereich des bisherigen Betriebsbereichs bewegt. Die zuvor überprüften Größen werden dann in einen Wertebereich gebracht, der für den folgenden Schätzalgorithmus mittels des Kaiman-Filters geeignet ist. Dabei werden bestehende Verschiebungen (Offsets) ausgeglichen. Die Normierung der Eingangs- und Ausgangssignale un und yn wird nach folgender For- mel berechnet: un= (u- umin) *50/ ( umax- umin) +50
yn= (y- ymin) *50/ ( ymax- ymin) +50
Somit ändert sich un zwischen den Werten 50 und 100, wenn sich u zwischen umin und umax ändert. Die analoge Aussage gilt für y. Somit gilt im stationären Zustand
yn = Vn * un + On
mit Vn = 1 und On = 0. Nun ist der Offset 0 rausgerechnet und die Schätzung kann beginnen. Der Schätzwert für den Verstärkungsfaktor muss sich in etwa zu 1 ergeben, sonst stimmt die Normierung nicht. Da die Mindest- und Höchstgrenzen von u und y (umin, umax, ymin, ymax) bei Vorliegen eines stationären Zustands immer wieder neu bestimmt werden, kann man von einer adaptiven Normierung sprechen .
Die normierten Eingangs- und Ausgangssignale un und yn werden nun dem eigentlichen Schätzalgorithmus zugeführt. Das Modul KF stellt einen Schätzer dar, bei welchem ein Kaiman-Filter zum Einsatz kommt. Der genaue Ablauf der Schätzung wird in der Beschreibung der Fig. 3 dargestellt, wo anhand des Beispiels eines Verzögerungsglieds 2. Ordnung die Vorgehensweise ohne Berücksichtigung der Variablentransformation der Eingangsgrößen (u,y) erläutert ist. Die Schätzung der Modellparameter im Schätzwertgenerator SWG beginnt automatisch, sobald die vorliegenden Daten die Ermittlung eines neuen Wertes möglich machen. Das heißt, dass während des stationären Betriebs keine Zeitkonstantenschätzung möglich ist; der jeweils aktuelle Schätzwert bleibt konstant.
Zusammenfassend gilt: Die Schätzung der Summenzeitkonstante Ti erfolgt auf der Basis der normierten Eingangsgrößen un und yn mit Hilfe des Kaiman-Filters (wobei i hier gleich 1, 2 bis nmax ist, je nachdem welche Ordnung des Verzögerungsglieds betrachtet wird) . Parallel dazu wird sozusagen als Nebenprodukt ebenfalls ein Streckenverstärkungsfaktor Vt geschätzt. Neben den Schätzwerten für die Zeitkonstante Ti und dem Verstärkungsfaktor Vi wird für das entsprechende Verzögerungs- glied auch der Beobachterfehler ei ausgegeben.
Im Rahmen der sich anschließenden Schätzbarkeitsanalyse SBA wird überprüft, ob die mittels des Kaiman-Filters ermittelten Schätzwerte sinnvoll sind. Aufgrund der Normierung sollte die Verstärkung Vt stets ungefähr 1 sein. Die Schätzung wird nur bei einer kleinen Abweichung von 1 gestartet (z. B. 0,95<ί^. <1,05), da ansonsten von einer unkorrekten Normierung ausge- gangen werden muss. Die Durchführung der Schätzbarkeitsanalyse erfolgt außerdem durch Gradientenauswertung der normierten Eingangsgrößen un und des Verstärkungsfaktors Vi . Die zeitliche Ableitung von Gleichung (2) ergibt: x(t) = V■ u(t) + V■ ü(t) (3 ) Neben der Überprüfung des stationären Betriebs ist eine weitere Grundbedingung, dass der Prozess durch eine Änderung der Eingangsgröße und nicht durch eine Änderung des Verstärkungsfaktors, der selbst ein Ergebnis der Schätzung ist, angeregt wird. In Gleichung (3) muss der Term V -u(t) viel kleiner sein, als der Term V-ü(t). Bei großen Werten von V-u(t) (deutlich größer als V-ü(t)) wird der Algorithmus gestoppt. Auch bei kleinen Werten von ü(t) (allgemeiner stationärer Betrieb) wird der Algorithmus angehalten. Die Überprüfung der Gradienten ist Teil der Schätzbarkeitsanalyse SBA.
Wird die Schätzbarkeit positiv beurteilt, werden neue Schätzwerte für die Summenzeitkonstante nicht direkt übernommen sondern zur Verbesserung des aktuellen Schätzwertes verwendet. Der Schätzwertgenerator SWG gibt somit einen neuen ver- besserten Schätzwert Tneu aus, welcher sowohl bei der Normier- barkeitsanalyse NBA als auch bei der adaptiven Normierung weiterverwendet wird.
Ausgabe des Schätzmittels SMi sind letztendlich der Beobach- tungsfehler e±, die geschätzte Summenzeitkonstante Ti und der Verstärkungsfaktor Vi .
Figur 3 zeigt eine Skizze einer Modellstruktur für eine Regelstrecke für den Prozess P, die in zwei Verzögerungsglieder PT1 erster Ordnung mit der Zeitkonstante T eingeteilt ist, so dass sich in deren Reihenschaltung ein verzögerndes Verhalten zweiter Ordnung ergibt. Hier wird für die Modellstruktur das Beobachter-Modell in Form eines Kaiman-Filters gemäß der Erfindung verwendet. Die Rekonstruktion der Streckenzustände erfolgt durch die Berechnung eines dynamischen Streckenmodells parallel zum echten Prozess. Sowohl dem zugrunde liegenden Prozess P als auch der Modellstruktur M wird dieselbe Eingangsgröße u zugeführt. Die Modellstruktur erhält weiter- hin als Eingangsgröße die Ausgangsgröße y des Prozesses P. Nach jedem Verzögerungsglied PT1 ist ein Zustand xi angegeben, mit i = 2, 3. Der zusätzliche Zustand xx gibt die
Streckverstärkung V an. Alle Zustände x± sind rechnerische und nicht messbare Zustände, die durch den Beobachter geschätzt werden und sind zeitabhängige Größen. Am Ende der Modellstrecke wird ein Schätzwert für das Ausgangssignal y ausgegeben. Die Abweichung zwischen Messgrößen aus dem Pro- zess und den entsprechenden Werten, die mit dem Streckenmo- dell ermitteltet werden, ist der Beobachterfehler e. Hier wird der Beobachtungsfehler e = y- y ermittelt. Die Schätzung einer Größe sollte generell möglichst auf der Kenntnis aller früheren Beobachtungen beruhen. Der Beobachterfehler e, wird auf den beobachteten, also berechneten Prozess aufgeschaltet , jedoch nicht unmittelbar, sondern als Produkt mit einer Beobachterkorrektur L , dem so genannten Beobachtervektor. Dieser ist in diesem Fall ein dreidimensionaler Vektor, enthält also drei Komponenten, L1( L2 und L3, die jeweils mit dem Beobachterfehler - einem Skalar - multipliziert werden. Die Kompo- nenten Li werden in Abhängigkeit der Eingangsgröße u und eines vorhergehenden Schätzwertes Tneu angepasst. Die exakte Berechnung des Beobachtervektors L erfolgt durch Lösen der Matrix-Riccati -Differentialgleichung . Dies erfolgt auf folgende Weise:
Das linearisierte System der gezeigten Modellstruktur sieht in Matrixform wie folgt aus :
Figure imgf000016_0001
In dieser Gleichung beschreibt w(t) das Prozessrauschen und v(t) das Messrauschen. Die Linearisierung erfolgt am Arbeitspunkt x0 , u0, T0, wobei für T0 die aktuell geschätzte Zeitkonstante Tneu, für u0 der aktuelle Messwert der Eingangsgröße u und für x0 die aktuellen Schätzwerte für die Zustände verwendet werden.
Die Systemmatrizen des linearisierten Systems sind:
Figure imgf000017_0001
Mithilfe dieser Matrizen lässt sich der Beobachter-Vektor mit dem Kalman-Bucy-Prinzip konstruieren, indem die riccatische Differentialgleichung in Matrixform gelöst wird:
-^§ - =P(t)+AP(t)-P(t)CTR"1C t)+P(t) AT+Q=0 dt
P(t) ist die symmetrische und positive Lösung der riccati- schen Differentialgleichung. Q beschreibt, wie groß der Ein- fluss des Systemfehlers ist, und R beschreibt den Messfehler. Die Beobachterkorrektur kann dann als L=PCT R" 1 berechnet werden .
Sind die Li bekannt, lassen sich auch die Komponenten von x(t) und y(t) berechnen. Aus diesen wiederum lässt sich die
Summenzeitkonstante Tsum (geschätzt ) ermitteln. Am Ausgang der Modellstruktur KF wird der Beobachterfehler e und Schätzwerte für die Summenzeitkonstante T (= gleich Summe aus den Zeitkonstanten der beiden PT1 -Glieder) und den Verstärkungsfaktor V ausgegeben.
Figur 4 zeigt eine schematische Darstellung der erfindungsgemäßen Vorrichtung VS . Der Vorrichtung VS werden online, beispielsweise in jedem Zyklus eines Automatisierungssystems, ein Eingangssignal u des Prozesses und ein Ausgangssignal y des Prozesses zugeführt. Diese Eingangsgrößen werden in die- sem Ausführungsbeispiel vier Schätzmitteln SMl bis SM4 aufgeschaltet. Jedes Schätzmittel ermittelt den Beobachtungsfehler ei, die geschätzte Zeitkonstante Ti und den Verstärkungsfaktor V; für das jeweilige Verzögerungsglied. Auf diese Weise ist eine parallele Schätzung der Zeitkonstanten für verschiedene Ordnungen der Verzögerungsglieder möglich. Innerhalb der Berechnungseinheit BE wird die Ordnung nopt des Verzögerungs- gliedes ermittelt, mit dem das tatsächliche Anlagenverhalten am besten nachgebildet werden kann, indem die Beobachterfeh- 1er aus den Kaiman-Filtern der einzelnen Schätzmittel SMi verglichen werden. Am Ausgang der erfindungsgemäßen Vorrichtung VS liegen somit die Schätzwerte für die Modellparameter (der Summenzeitkonstanten Ti sowie der Ordnung n) an, mittels welcher der Prozess am besten charakterisiert werden kann. Die ausgegebenen Verstärkungsfaktoren sollten aufgrund der
Variablentransformation im Bereich um 1 liegen. Starke Abweichungen von 1 deuten auf eine falsche Normierung hin. Sobald der Prozess in mindestens einen stationären Zustand fährt, wird die Normierung automatisch erneuert und der neue Schätz - wert des Verstärkungsfaktors wird automatisch auf 1 zurückgehen .
Figur 5 zeigt zwei Beispiele für die Schätzung der Zeitkonstanten und des Verstärkungsfaktors. Aufgetragen sind die Verläufe der mittels der erfindungsgemäßen Vorrichtung geschätzten Zeitkonstanten T in s (oberes Bild) und des Verstärkungsfaktors V (unteres Bild) im Vergleich zu einer beliebig vorgegebenen Zeitkonstanten oder einem beliebig vorgegebenen Verstärkungsfaktor. Die Schätzwerte orientieren sich sehr gut an den vorgegebenen Werten, es sind nur geringe
Schwankungen zu erkennen. Der Algorithmus funktioniert auch bei plötzlichen sprunghaften Änderungen der Streckendynamik.
Figur 6 zeigt das Strukturbild einer Regeleinrichtung R. Der Regeleinrichtung wird die Führungsgröße w zugeführt. Am Ausgang der Regeleinrichtung wird die Stellgröße u ausgegeben. Teil der Regeleinrichtung ist eine oder mehrere Berechnungseinheiten BE, welche die erfindungsgemäße Vorrichtung zur Be- Stimmung von Modellparametern einer regelungstechnischen Modellstruktur eines Prozesses umfasst.

Claims

Patentansprüche
1. Vorrichtung (VS) zur Bestimmung von Modellparametern einer regelungstechnischen Modellstruktur eines Prozesses (P) , wel- che
online zumindest ein Eingangssignal (u) und ein Ausgangssignal (y) erhält, wobei es sich bei diesen Signalen (u, y) um beliebige Messsignale des Prozesses (P) handelt,
d a d u r c h g e k e n n z e i c h n e t,
dass die Vorrichtung (VS) zumindest ein Schätzmittel (SM1,
SM2 , SMn) aufweist, welches dazu ausgebildet ist, aktuelle Schätzwerte für die Modellparameter der Modellstruktur zu bestimmen, wobei die Modellstruktur mittels eines Beobachtermodells in Form eines Kaiman-Filters (KF) repräsentiert wird.
2. Vorrichtung (VS) nach Anspruch 1,
d a d u r c h g e k e n n z e i c h n e t,
- dass das Schätzmittel (SM1, SM2 , SMn) ferner zumindest ein Modul zur Parametertransformation umfasst, welches dem Kaiman-Filter (KF) vorgeschaltet ist,
- dass in dem das Modul zur Parametertransformation Werte für die Mindest- und Höchstgrenzen der Signale (u, y) automatisch ermittelt werden, und eine anschließende adaptive Normierung der Signale (u, y) durchgeführt wird, in welcher ein Offset (0) herausgerechnet und ein Verstärkungsfaktor (V) konstant gesetzt wird, und normierte Signale (un, yn) abgegeben werden .
3. Vorrichtung (VS) nach Anspruch 1 oder 2,
d a d u r c h g e k e n n z e i c h n e t,
- dass dem Kaimanfilter (KF) eine Schätzbarkeitsanalyse (SBA) nachgeschaltet ist, wobei eine Gradientenauswertung des normierten Eingangs- und Ausgangssignals (un, yn) und des geschätzten Verstärkungsfaktors (V) durchgeführt wird,
- dass bei positiver Beurteilung der Schätzbarkeit die aktuellen Schätzwerte der Modellparameter verbessert werden und verbesserte Werte ausgegeben werden,
- dass bei negativer Beurteilung der Schätzbarkeit die aktuellen Schätzwerte beibehalten werden.
4. Vorrichtung (VS) nach Anspruch 1 bis 3,
d a d u r c h g e k e n n z e i c h n e t,
dass der Prozess durch ein Verzögerungsglied beliebiger Ordnung (n) nachgebildet wird und dass die geschätzten Modellpa- rameter die Zeitkonstante (T) des Verzögerungsglieds und die Ordnung (n) des Verzögerungsglieds sind.
5. Vorrichtung (VS) nach einem der Ansprüche 1 bis 4, d a d u r c h g e k e n n z e i c h n e t,
dass die Zeitkonstante (T) für verschiedene Ordnungen (n) des Verzögerungsgliedes parallel mittels der Schätzmittel (SM1, SM2, SMn) geschätzt wird.
6. Vorrichtung (VS) nach einem der Ansprüche 1 bis 5, d a d u r c h g e k e n n z e i c h n e t,
dass die Ordnung (nopt) des Verzögerungsglieds, welches den Prozess (P) am besten nachbildet, ermittelt wird, indem Beobachtungsfehler (el, e2 , ... , en) der einzelnen Schätzmittel (SM1, SM2, SMn) verglichen werden.
7. Regeleinrichtung (R) für einen Prozess (P) , welcher eine verzögerungsbehaftete Regelstrecke basierend auf einer regelungstechnischen Modellstruktur und eine Vorrichtung aufweist, die nach einem der Ansprüche 1 bis 6 ausgebildet ist.
8. Verfahren zur Bestimmung von Modellparametern einer regelungstechnischen Modellstruktur eines Prozesses (P) ,
bei dem online zumindest ein Eingangssignal (u) und ein Ausgangssignal (y) aufgenommen werden, wobei es sich bei diesen Signalen (u, y) um beliebige Messsignale des Prozesses (P) handelt ,
d a d u r c h g e k e n n z e i c h n e t,
dass die Modellparameter der Modellstruktur online geschätzt werden, wobei die Modellstruktur mittels eines Beobachtermo- dells in Form eines Kaiman-Filters (KF) repräsentiert wird.
9. Verfahren nach Anspruch 8,
d a d u r c h g e k e n n z e i c h n e t,
dass vor der Schätzung der Modellparameter eine Parametertransformation durchgeführt wird, in welcher Werte für die Mindest- und Höchstgrenzen der Signale (u, y) automatisch ermittelt werden, und anschließend eine adaptive Normierung der Signale (u, y) durchgeführt wird, in welcher ein Offset (0) herausgerechnet und ein Verstärkungsfaktor (V) konstant ge- setzt wird, und normierte Signale (un, yn) abgegeben werden.
10. Verfahren nach Anspruch 8 oder 9,
d a d u r c h g e k e n n z e i c h n e t,
dass nach der Schätzung mittels des Kaimanfilters eine
Schätzbarkeitsanalyse (SBA) durchgeführt wird, wobei eine
Gradientenauswertung des normierten Eingangs- und Ausgangs- Signals (un, yn) und des geschätzten Verstärkungsfaktors (V) durchgeführt wird,
- dass bei positiver Beurteilung der Schätzbarkeit die aktu- eilen Schätzwerte der Modellparameter verbessert werden und verbesserte Werte ausgegeben werden.
- dass bei negativer Beurteilung der Schätzbarkeit die aktuellen Schätzwerte beibehalten werden.
11. Verfahren nach Anspruch einem der Ansprüche 8 bis 10 d a d u r c h g e k e n n z e i c h n e t,
dass der Prozess durch ein Verzögerungsglied beliebiger Ordnung (n) nachgebildet wird und dass die geschätzten Modellparameter die Zeitkonstante (T) des Verzögerungsglieds und die Ordnung (n) des Verzögerungsglieds sind.
12. Verfahren nach Anspruch 11,
d a d u r c h g e k e n n z e i c h n e t,
dass die Ordnung (nopt) des Verzögerungsglieds, welches den Prozess (P) am besten nachbildet, ermittelt wird, indem Beobachtungsfehler (el, e2 , ... , en) der parallel erfolgten
Schätzungen verglichen werden.
13. Computerprogrammprodukt, das in den Speicher eines Compu- ters geladen wird und Softwarecodeabschnitte umfasst, mit denen die Schritte gemäß einem der Ansprüche 7 bis 12 ausgeführt werden, wenn das Produkt auf einem Computer läuft.
PCT/EP2012/063668 2011-07-20 2012-07-12 Vorrichtung und verfahren zur bestimmung von modellparametern einer regelungstechnischen modellstruktur eines prozesses, regeleinrichtung und computerprogrammprodukt Ceased WO2013010905A1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
DE102011079485.9 2011-07-20
DE102011079485 2011-07-20
DE102011086116A DE102011086116A1 (de) 2011-07-20 2011-11-10 Vorrichtung und Verfahren zur Bestimmung von Modellparametern einer regelungstechnischen Modellstruktur eines Prozesses, Regeleinrichtung und Computerprogrammprodukt
DE102011086116.5 2011-11-10

Publications (1)

Publication Number Publication Date
WO2013010905A1 true WO2013010905A1 (de) 2013-01-24

Family

ID=47502000

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2012/063668 Ceased WO2013010905A1 (de) 2011-07-20 2012-07-12 Vorrichtung und verfahren zur bestimmung von modellparametern einer regelungstechnischen modellstruktur eines prozesses, regeleinrichtung und computerprogrammprodukt

Country Status (2)

Country Link
DE (1) DE102011086116A1 (de)
WO (1) WO2013010905A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104102200B (zh) * 2014-07-07 2016-10-26 安徽农业大学 一种基于结构与控制集成优化的分动器设计系统
CN110303521B (zh) * 2018-03-27 2022-07-01 清华大学 机器人关节力矩信号采集系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008046894A1 (de) * 2006-10-18 2008-04-24 Siemens Aktiengesellschaft Verfahren und vorrichtung zur identifikation einer verzögerungsbehafteten regelstrecke, regeleinrichtung und computerprogrammprodukt
DE102010025916A1 (de) 2010-07-02 2012-01-05 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung von Modellparametern zur Regelung eines Dampfkraftwerksblocks, Regeleinrichtung für einen Dampferzeuger und Computerprogrammprodukt

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19932794A1 (de) * 1999-07-14 2001-02-01 Abb Patent Gmbh Verfahren zur Adaption eines Prozeßreglers
DE102004035858A1 (de) * 2004-07-23 2006-02-16 Robert Bosch Gmbh Zustands- und Parameterschätzer mit Integral- und Differentialanteil für elektrische Energiespeicher
WO2009099944A2 (en) * 2008-01-31 2009-08-13 Fisher-Rosemount Systems, Inc. Robust adaptive model predictive controller with tuning to compensate for model mismatch
DE102008024513B4 (de) * 2008-05-21 2017-08-24 Liebherr-Werk Nenzing Gmbh Kransteuerung mit aktiver Seegangsfolge

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008046894A1 (de) * 2006-10-18 2008-04-24 Siemens Aktiengesellschaft Verfahren und vorrichtung zur identifikation einer verzögerungsbehafteten regelstrecke, regeleinrichtung und computerprogrammprodukt
DE102010025916A1 (de) 2010-07-02 2012-01-05 Siemens Aktiengesellschaft Verfahren und Vorrichtung zur Ermittlung von Modellparametern zur Regelung eines Dampfkraftwerksblocks, Regeleinrichtung für einen Dampferzeuger und Computerprogrammprodukt

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LENNART LJUNG: "System Identification Toolbox 7", 30 September 2009, THE MATHWORKS, XP002683122 *
ROBERTO GUIDORZI: "Multivariable System Identification", 28 February 2003, BONONIA UNIVERSITY PRESS, ISBN: 8873950213, XP002683123 *

Also Published As

Publication number Publication date
DE102011086116A1 (de) 2013-01-24

Similar Documents

Publication Publication Date Title
DE112009005510B4 (de) Robuster adaptiver modellprädiktiver Regler mit Abstimmung zum Ausgleich einer Modellfehlanpassung
EP1412821B1 (de) Rekonfigurations-verfahren für ein sensorsystem mit zumindest einem satz von beobachtern zur ausfallkompensation und sicherstellung einer messwertgüte
AT512977B1 (de) Methode zur Ermittlung eines Modells einer Ausgangsgröße eines technischen Systems
DE102014202101B4 (de) Abschwächung des fehlertrends zur verschlechterung von luft-kraftstoff-verhältnissensoren
AT513189A2 (de) Verfahren zur Ermittlung eines regelungstechnischen Beobachters für den SoC
WO2014131661A1 (de) Verfahren zum entwerfen eines nichtlinearen reglers für nichtlineare prozesse
EP3499470B1 (de) Verfahren zur zustandsbasierten instandhaltung einer zugangsvorrichtung
WO2016146528A1 (de) Verfahren zum erstellen eines modell-ensembles zur kalibrierung eines steuergerätes
EP3282399A1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
EP2588925B1 (de) Verfahren und vorrichtung zur ermittlung von modellparametern zur regelung eines dampfkraftwerksblocks, regeleinrichtung für einen dampferzeuger und computerprogrammprodukt
DE102005018980B4 (de) Verfahren und Vorrichtung zur Fehlerdiagnose mechatronischer Systeme
WO2020030351A1 (de) Verfahren und vorrichtung zum betreiben eines verbrennungsmotors mit einem common-rail-einspritzsystem
WO2007098780A1 (de) Verfahren zur regelung des kraftstoff-luft-gemisches bei einer verbrennungsmashine
WO2013010905A1 (de) Vorrichtung und verfahren zur bestimmung von modellparametern einer regelungstechnischen modellstruktur eines prozesses, regeleinrichtung und computerprogrammprodukt
EP4058666B1 (de) Verfahren und system zum kalibrieren einer steuerung einer maschine
EP3438773A1 (de) Bearbeitung von werkstücken mit modellgestützter fehlerkompensation
EP3324254A1 (de) Einrichtung und verfahren zur bestimmung der parameter einer regeleinrichtung
DE102019214941A1 (de) Verfahren und Ermittlungseinrichtung zum Ermitteln einer Zustandsgröße eines Magnetaktors zu einem bestimmten Zeitpunkt
EP2452233A1 (de) Steuerverfahren für eine beeinflussungseinrichtung für ein walzgut
EP2206024B1 (de) Verfahren zur überwachung der güte eines regelkreises in einem kraftwerk
EP2732343B1 (de) Automatisierte adaptierung einer kraftwerksregelung
DE102021116388A1 (de) Verfahren zum Optimieren eines Reglers und Regelsystem mit einem derart optimierten Regler
DE102016225041B4 (de) Verfahren zum Betreiben einer Brennkraftmaschine, Steuereinrichtung für eine Brennkraftmaschine, und Brennkraftmaschine mit einer solchen Steuereinrichtung
WO2016050599A1 (de) Verfahren zum ermitteln des energiebedarfs einer produktionsmaschine oder eines aus mehreren produktionsmaschinen bestehenden produktionssystems sowie zur durchführung des verfahrens geeignetes messgerät
EP3557048A1 (de) Verfahren und vorrichtung zum betreiben einer windenergieanlage sowie windenergieanlage

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: 12743692

Country of ref document: EP

Kind code of ref document: A1

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12743692

Country of ref document: EP

Kind code of ref document: A1