Modellbasierte prädiktive Regelung

ISBN-13: 9783486275230 / Niemiecki / Twarda / 2004 / 354 str.

Rainer Dittmar;Bernd-Markus Pfeiffer (Karlsruhe)

Opis

Das Buch bietet eine Einfuhrung in die modellbasierte pradiktive Regelungen einschlielich ihrer Anwendungen in der industriellen Prozessautomatisierung. Ausgewahlte Anwendungsbeispiele zeigen dem Leser die Moglichkeiten und den Nutzen dieser Technologie auf.

Es richtet sich vor allem an jetzige und zukunftige Anwender in der Industrie auf den Gebieten Anlagenplanung und -errichtung, Prozessleittechnik, Prozessfuhrung und Informationstechnik, ist aber auch fur Studierende hoherer Semester der Fachrichtungen Automatisierungs- und Verfahrenstechnik und fur in der Forschung tatige Wissenschaftler von groem Interesse.

Buchbesprechung in at 6/2005; Kopie in Fragebogen-Ordner abgeheftet!

Recenzje

Buchbesprechung in at 6/2005; Kopie in Fragebogen-Ordner abgeheftet!

Spis treści

1;Vorwort;6
2;Inhaltsverzeichnis;10
3;1 Einführung;24
3.1;1.1 Entwicklung der Prozessführung im gegenwärtigen wirtschaftlichen Umfeld;24
3.2;1.2 Standardmäßige dezentrale PID-Regelung Möglichkeiten und Grenzen;27
3.2.1;1.2.1 Zusatzfunktionen industrieller PID-Regler;28
3.2.2;1.2.2 Vermaschte Regelungsstrukturen;30
3.3;1.3 Ergänzungen zur PID-Regelung;37
3.3.1;1.3.1 Beeinflussung des Führungs- und Störverhaltens;37
3.3.2;1.3.2 Parameteroptimierung;39
3.3.3;1.3.3 Control Performance Monitoring;40
3.4;1.4 Advanced-Control-Verfahren in Prozessleitsystemen;42
3.4.1;1.4.1 Rapid Prototyping (MATLAB/SIMULINK-Ankopplung);45
3.4.2;1.4.2 Fuzzy-Logik und Fuzzy-Control;45
3.4.3;1.4.3 Softsensoren und künstliche neuronale Netze;46
3.4.4;1.4.4 Mehrgrößenregelung und modellprädiktive Regelung ( MPC: Model Predictive Control);49
3.5;1.5 Online-Prozessoptimierung;51
4;2 Grundkonzept und Merkmale modellbasierter prädiktiver Regelungen;56
4.1;2.1 Erfolgsfaktoren der industriellen Anwendung von MPC- Regelungen;56
4.2;2.2 Schwierigkeiten und Grenzen des industriellen Einsatzes;60
4.3;2.3 Grundprinzipien und Begriffe der modellbasierten prädiktiven Regelung;61
4.4;2.4 Zusammenhang mit verwandten regelungstechnischen Methoden;67
4.4.1;2.4.1 Optimale Zustandsregelung;67
4.4.2;2.4.2 Internal Model Control (IMC);70
4.4.3;2.4.3 Smith-Prädiktor-Regler;75
5;3 Mathematische Prozessmodelle und ihre Identifikation aus Messdaten;78
5.1;3.1 Klassifikation dynamischer Prozessmodelle;79
5.1.1;3.1.1 Statische und dynamische Modelle;80
5.1.2;3.1.2 Theoretische und experimentelle Modelle;81
5.1.3;3.1.3 Modelle für lineares und nichtlineares Prozessverhalten;83
5.1.4;3.1.4 Modelle für das Ein-/Ausgangs-Verhalten und Zustandsmodelle;84
5.1.5;3.1.5 Zeitkontinuierliche und zeitdiskrete Modelle;85
5.1.6;3.1.6 Parametrische und nichtparametrische Modelle;86
5.1.7;3.1.7 Modelle für Ein- und Mehrgrößensysteme;87
5.2;3.2 Lineare dynamische Prozessmodelle für das Ein/ Ausgangs- Verhalten;88
5.2.1;3.2.1 Nichtparametrische E/A-Modelle;88
5.2.2;3.2.2 Parametrische E/A-Modelle;95
5.3;3.3 Lineare dynamische Prozessmodelle im Zustandsraum;103
5.3.1;3.3.1 Zeitkontinuierliches Zustandsmodell;103
5.3.2;3.3.2 Zeitdiskretes Zustandsmodell;104
5.4;3.4 Beispiel: Modellierung eines kontinuierlichen Rührkesselreaktors;105
5.5;3.5 Verfahren zur Identifikation linearer dynamischer Systeme;108
5.5.1;3.5.1 Kennwertermittlung aus Sprungantworten;109
5.5.2;3.5.2 Identifikation von FIR-Modellen;110
5.5.3;3.5.3 Parameterschätzung in Differenzengleichungen;114
5.5.4;3.5.4 Identifikation von zeitdiskreten Zustandsmodellen durch subspace identification ;118
5.6;3.6 Praktische Gesichtspunkte bei der Prozessidentifikation;120
5.6.1;3.6.1 Testsignalplanung;120
5.6.2;3.6.2 Wahl der Abtastzeit;123
5.6.3;3.6.3 Aufbereitung der Messwertsätze;125
5.6.4;3.6.4 Wahl der Modellstruktur und Modellordnung;127
5.6.5;3.6.5 Identifikation im geschlossenen Regelkreis;129
5.6.6;3.6.6 Modellvalidierung;132
5.6.7;3.6.7 Identifikation von Mehrgrößensystemen;135
6;4 Prädiktive Regelung mit linearen Prozessmodellen;144
6.1;4.1 Modellgestützte Prädiktion;145
6.1.1;4.1.1 Prädiktion mit Hilfe von Sprungantwort-Modellen;145
6.1.2;4.1.2 Einbeziehung messbarer Störgrößen in die Prädiktion;149
6.1.3;4.1.3 Korrektur der Vorhersage;150
6.1.4;4.1.4 Erweiterung der Prädiktion auf Mehrgrößensysteme;152
6.1.5;4.1.5 Prädiktion mit Hilfe von anderen dynamischen Prozessmodellen;155
6.2;4.2 Berechnung einer optimalen Folge von zukünftigen Steuergrößenänderungen;161
6.2.1;4.2.1 MPC-Regelung ohne Nebenbedingungen;161
6.2.2;4.2.2 Szenarien für das zukünftige Verhalten der Steuer- und Regelgrößen;165
6.2.3;4.2.3 MPC-Regelung mit Nebenbedingungen für die Steuer- und Regelgrößen;168
6.3;4.3 Statische Arbeitspunktoptimierung;170
6.4;4.4 Bestimmung der aktuell gültigen Struktur des Mehrgrößenregelungsproblems;175
6.5;4.5 Das Prinzi

O autorze

Rainer Dittmar studierte an der TH Leuna-Merseburg Verfahrenstechnik. Das Studium schloss er 1974 als Diplom-Ingenieur ab. Es folgte ein Forschungsstudium Systemverfahrenstechnik an der TH Leuna-Merseburg unter der Leitung von Prof. Dr. Klaus Hartmann und 1976 die Promotion zum Dr.-Ing. In der Folgezeit war er sowohl in der Wirtschaft tätig als auch später als Dozent für Automatisierungstechnik im Fachbereich Verfahrenstechnik an der Technischen Hochschule Merseburg. Seit 1996 ist er Professor für Automatisierungstechnik an der FH Westküste Heide. Nach dem Studium der Technischen Kybernetik an der Universität Stuttgart und der University of Exeter (UK) promovierte Bernd-Markus Pfeiffer über den "Einsatz von Fuzzy-Logik in lernfähigen digitalen Regelsystemen" an der Universität Darmstadt. Seit 1995 arbeitet er bei der Siemens AG in Karlsruhe in der Vorfeldentwicklung des Geschäftsbereichs Automatisierungs- und Antriebstechnik und ist Projektleiter für die Themengruppen Regelungsverfahren und Methoden der Prozessführung. Dr.-Ing. Bernd-Markus Pfeiffer ist Mitglied der GMA-Fachausschüsse "Fuzzy-Control" und "Industrielle Anwendung komplexer Regelungen.