Lernende Regelung

Nachdem das Prozessmodell gelernt wurde, kann nun auch der Regler durch ein neuronales Netz (NN) gelernt werden. Dazu wird wie nachfolgend abgebildet ein neuronales Netz vor das Prozess-NN geschaltet. Für sein Training werden im Jupyter-Notebook Lernen_des_inversen_Prozessverhalten_mit_einem_Hybriden_Netz.ipynb Sollwerte mit den Prozessausgängen auf den Eingang des Regler-NN geschaltet. Das Lehrersignal für den Stellwert ergibt sich aus der Abweichung des Prozessausgangs vom gewünschten Regelungsverhalten des Referenzmodells. Dazu muss die Abweichung durch die Schichten des Prozessmodells zurückpropagiert werden, um den Fehler des Stellwerts zu berechnen. Dann kann das Regler-NN den optimalen Stellwert prädizieren. Mithilfe von APRBS-Sollwertsignalen kann die Prädiktionsgenauigkeit des Regler-NN noch verbessert werden (s. Lernen_des_inversen_Prozessverhalten_mit_einem_Hybriden_Netz_mit APRBS.ipynb)

Nach dem Training in Google Colab werden die dabei ermittelten Gewichte und Biasesin einem neuronalen Netz in der SPS verwendet. Im Codesys-Projekt NeuronalerReglerMRAC.project ist ein neuronales Netz wie in Google Colab mit 64 Neuronen in den ersten beiden Schichten und einem Neuron in der Ausgangsschicht als Regler-NN programmiert. 

Das Führungsverhalten des lernenden Regelkreises zeigt, dass dieser neuronale Zwilling in der SPS Stellwerte erzeugt, durch die der Istwertverlauf des nichtlinearen PT₃-Prozesses dem Sollwertverlauf ohne große Abweichungen folgt, obwohl nur ein Prozessvergangenheitswert zum Training verwendet wurde. Auch bei einem anderen Führungssignal der neuronale Regler in der SPS den nichtlinearen Prozess zufriedenstellend regeln.