Advanced Control
Einige Prozese können mit Standardmethoden nicht gesteuert bzw. geregelt werden, weil sich ihr Verhalten mit der Zeit verändert oder weil sie mathematisch nicht genau genug beschrieben werden können. Dann können Ansätze mit adaptiven oder lernenden Reglern erfolgreich sein.
Hierfür wurden SPS-Funktionsbausteine in CoDeSys entwickelt und in folgenden Projekten erprobt:
- Adaptive Regelung einer zeitvarianten Temperaturregelstrecke: Im Beispiel 4.17 wurde ein selbsteinstellender PID-Regler entwickelt, der einen Prozess in Dauerschwingungen versetzt und gemäß Amplitude und Frequenz der Schwingung die PID-Parameter des Reglers nach Ziegler-Nichols einstellt.
- Lernende Regelung zur Navigation eines mobilen Roboters: Bei der Navigation mobiler Roboter in unbekannter Umgebung treten auf dem Weg zum Ziel oft unvorhergesehene Hindernisse auf. Mit Hilfe einer Bildverarbeitung werden Hindernisse erkannt und Ausweichbewegungen durch ein neuronales Netz erlernt. Quellcode und div. Anleitungen sind hier zur Verfügung gestellt.
- Neuronales Netz zur Funktionsapproximation: Im Projekt Function.project wird der mathematische Zusammenhang y=sin2(pi*x/100) erlernt.
- Neuronales Netz zum Lernen eines dynamischen Prozessmodells: Im Projekt ProcessIdentification.project wird ein neuronales Netz parallel zu einem PT3-Prozess geschaltet, um das dynamische Verhalten zu erlernen.
- Lernender Regelkreis zur Füllstandsregelung eines konischen Behälters: Im Projekt Miller.project wird ein lernender Regelkreis mit inversem Prozessmodell zur Füllstandsregelung in einem konischen Behälter eingesetzt, der mit koventionellen Methoden nur schwer zu regeln ist.
- Lernender Regelkreis mit prädiktivem Prozessmodell: Da das Training neuronaler Netze zeitintensiv und deshalb meist offline erfolgt, wurde es in diesem Projekt in Matlab ausgelagert. Hier wurde ein lernender Regelkreis mit 2 neuronalen Netzen zur Prozessmodellierung und als Regler untersucht. Mit Hilfe des Prozessmodells wird in jeder Prozesssituation die optimale Stellgröße durch ein Optimierungsverfahren ermittelt und in das neuronale Netz des Reglers trainiert. Nach ausreichendem Training kann das neuronale Netz die Regelung übernehmen.
Speicherprogrammierbare Steuerungen in der Industrie 4.0
5. Auflage erschienen im Hanser Verlag 2021