Modellbasierte prädiktive Regelung

Eine Einführung für Ingenieure

Rainer Dittmar, Bernd-Markus Pfeiffer

• Verlag: De Gruyter Oldenbourg
• Jahr: 2009
• ISBN drucken: 9783486275230
• eBook-ISBN: 9783486594911
• Auflage: 1
• Thema: Technik & Maschinenbau
• Thema: Automatisierung im Maschinenbau

Das Buch bietet eine Einführung in die modellbasierte prädiktive Regelungen einschließlich ihrer Anwendungen in der industriellen Prozessautomatisierung. Ausgewählte Anwendungsbeispiele zeigen dem Leser die Möglichkeiten und den Nutzen dieser Technologie auf.

Es richtet sich vor allem an jetzige und zukünftige Anwender in der Industrie auf den Gebieten Anlagenplanung und -errichtung, Prozessleittechnik, Prozessführung und Informationstechnik, ist aber auch für Studierende höherer Semester der Fachrichtungen Automatisierungs- und Verfahrenstechnik und für in der Forschung tätige Wissenschaftler von großem Interesse.

Inhaltsverzeichnis

• 1 Einführung
• 1.1 Entwicklung der Prozessführung im gegenwärtigen wirtschaftlichen Umfeld
• 1.2 Standardmäßige dezentrale PID-Regelung - Möglichkeiten und Grenzen
• 1.2.1 Zusatzfunktionen industrieller PID-Regler
• 1.2.2 Vermaschte Regelungsstrukturen
• 1.3 Ergänzungen zur PID-Regelung
• 1.3.1 Beeinflussung des Führungs- und Störverhaltens
• 1.3.2 Parameteroptimierung
• 1.3.3 Control Performance Monitoring
• 1.4 Advanced Control Verfahren in Prozessleitsystemen
• 1.4.1 Rapid Prototyping (MATLAB/SIMULINK-Ankopplung)
• 1.4.2 Fuzzy-Logik und Fuzzy-Control
• 1.4.3 Softsensoren und künstliche neuronale Netze
• 1.4.4 Mehrgrößenregelung und modellprädiktive Regelung (MPC: Model Predictive Control)
• 1.5 Online-Prozessoptimierung
• 2 Grundkonzept und Merkmale modellbasierter prädiktiver Regelungen
• 2.1 Erfolgsfaktoren der industriellen Anwendung von MPC-Regelungen
• 2.2 Schwierigkeiten und Grenzen des industriellen Einsatzes
• 2.3 Grundprinzipien und Begriffe der modellbasierten prädiktiven Regelung
• 2.4 Zusammenhang mit verwandten regelungstechnischen Methoden
• 2.4.1 Optimale Zustandsregelung
• 2.4.2 Internal Model Control (IMC)
• 2.4.3 Smith-Prädiktor-Regler
• 3 Mathematische Prozessmodelle und ihre Identifikation aus Messdaten
• 3.1 Klassifikation dynamischer Prozessmodelle
• 3.1.1 Statische und dynamische Modelle
• 3.1.2 Theoretische und experimentelle Modelle
• 3.1.3 Modelle für lineares und nichtlineares Prozessverhalten
• 3.1.4 Modelle für das Ein-/Ausgangs-Verhalten und Zustandsmodelle
• 3.1.5 Zeitkontinuierliche und zeitdiskrete Modelle
• 3.1.6 Parametrische und nichtparametrische Modelle
• 3.1.7 Modelle für Ein- und Mehrgrößensysteme
• 3.2 Lineare dynamische Prozessmodelle für das Ein/Ausgangs-Verhalten
• 3.2.1 Nichtparametrische E/A-Modelle
• 3.2.2 Parametrische E/A-Modelle
• 3.3 Lineare dynamische Prozessmodelle im Zustandsraum
• 3.3.1 Zeitkontinuierliches Zustandsmodell
• 3.3.2 Zeitdiskretes Zustandsmodell
• 3.4 Beispiel: Modellierung eines kontinuierlichen Rührkesselreaktors
• 3.5 Verfahren zur Identifikation linearer dynamischer Systeme
• 3.5.1 Kennwertermittlung aus Sprungantworten
• 3.5.2 Identifikation von FIR-Modellen
• 3.5.3 Parameterschätzung in Differenzengleichungen
• 3.5.4 Identifikation von zeitdiskreten Zustandsmodellen durch „subspace identification“
• 3.6 Praktische Gesichtspunkte bei der Prozessidentifikation
• 3.6.1 Testsignalplanung
• 3.6.2 Wahl der Abtastzeit
• 3.6.3 Aufbereitung der Messwertsätze
• 3.6.4 Wahl der Modellstruktur und Modellordnung
• 3.6.5 Identifikation im geschlossenen Regelkreis
• 3.6.6 Modellvalidierung
• 3.6.7 Identifikation von Mehrgrößensystemen
• 4 Prädiktive Regelung mit linearen Prozessmodellen
• 4.1 Modellgestützte Prädiktion
• 4.1.1 Prädiktion mit Hilfe von Sprungantwort-Modellen
• 4.1.2 Einbeziehung messbarer Störgrößen in die Prädiktion
• 4.1.3 Korrektur der Vorhersage
• 4.1.4 Erweiterung der Prädiktion auf Mehrgrößensysteme
• 4.1.5 Prädiktion mit Hilfe von anderen dynamischen Prozessmodellen
• 4.2 Berechnung einer optimalen Folge von zukünftigen Steuergrößenänderungen
• 4.2.1 MPC-Regelung ohne Nebenbedingungen
• 4.2.2 Szenarien für das zukünftige Verhalten der Steuer- und Regelgrößen
• 4.2.3 MPC-Regelung mit Nebenbedingungen für die Steuer- und Regelgrößen
• 4.3 Statische Arbeitspunktoptimierung
• 4.4 Bestimmung der aktuell gültigen Struktur des Mehrgrößenregelungsproblems
• 4.5 Das Prinzip des gleitenden Horizonts
• 4.6 Reglereinstellung von MPC-Reglern
• 5 Nichtlineare MPC-Regelung
• 5.1 Motivation
• 5.2 Lösungsansätze für nichtlineare und zeitveränderliche Systeme
• 5.2.1 Verwendung nichtlinearer Variablen-Transformationen
• 5.2.2 LMPC mit multiplen linearen Modellen
• 5.2.3 Adaptive LMPC-Regelung
• 5.2.4 Robuste LMPC-Regelung
• 5.2.5 MPC-Regelung unter Verwendung nichtlinearer Prozessmodelle
• 5.3 Nichtlineare dynamische Prozessmodelle
• 5.3.1 Theoretische Prozessmodelle
• 5.3.2 Empirische Prozessmodelle und Identifikation nichtlinearer Systeme
• 5.4 Lösung des NMPC-Problems
• 5.4.1 Sukzessive Linearisierung
• 5.4.2 Echtzeititeration und „direct multiple shooting”
• 5.5 Zustandsrekonstruktion in nichtlinearen dynamischen Systemen
• 5.5.1 Erweitertes Kalman-Filter (EKF)
• 5.5.2 Zustandsschätzung mit gleitendem Horizont
• 6 Projektabwicklung und Entwicklungsumgebung
• 6.1 Kosten-Nutzen-Analyse und AC-Konzept
• 6.1.1 Identifikation der ökonomischen Ziele der Prozessführung
• 6.1.2 Zuordnung von ökonomischen Zielen zu Prozessgrößen und Produkteigenschaften
• 6.1.3 Statistische Methoden zur Ermittlung des Verbesserungspotentials einer Prozessregelung
• 6.1.4 Ermittlung des ökonomischen Nutzens
• 6.1.5 Aufwandsermittlung fur Advanced-Control-Projekte
• 6.1.6 Ermittlung und Beschreibung von AC-Strategien
• 6.2 Anlagentests (Phase I) und Inbetriebnahme von PLS-AC-Funktionen
• 6.3 Anlagentests (Phase II) und Prozessidentifikation
• 6.4 MPC-Reglerentwurf und Offline-Simulation
• 6.5 Online-Implementierung und Inbetriebnahme
• 6.6 Training und Dokumentation, Pflege und Performance Monitoring
• 7 Übersicht kommerziell verfügbarer MPC-Programmpakete
• 7.1 Profit Controller
• 7.1.1 Modellbildung
• 7.1.2 MPC-Regler - Entwurf und Simulation
• 7.1.3 Übergeordnete Koordinierung von mehreren RMPCT-Reglern
• 7.1.4 Online-Betrieb
• 7.2 Process Perfecter
• 7.2.1 Modellbildung
• 7.2.2 MPC-Regler - Entwurf und Simulation
• 7.2.3 Online-Betrieb
• 7.3 INCA
• 7.3.1 Modellbildung
• 7.3.2 MPC-Regler - Entwurf und Simulation
• 7.4 Weitere MPC-Programmpakete
• 7.4.1 DMCplus
• 7.4.2 Predict & Control
• 7.4.3 SMOCPro
• 7.4.4 Connoisseur
• 8 Integration von MPC in die Architektur moderner Prozessleitsysteme
• 8.1 Struktur von Prozessleitsystemen
• 8.2 Allgemeine Gesichtspunkte für die Systemintegration von Advanced-Control-Verfahren
• 8.3 Verfügbare Alternativen
• 8.3.1 Prozessrechner
• 8.3.2 PC-Technik
• 8.3.3 Schlanke Prädiktivregler in prozessnahen Komponenten
• 8.4 Beispiel: INCA und SIMATIC PCS7
• 8.4.1 Advanced-Control-Koppelbaustein
• 8.4.2 Advanced-Control-Steuerbaustein
• 8.4.3 Advanced-Control-Messwertbaustein
• 9 Anwendungsbeispiele
• 9.1 MPC-Regelung eines Raffinierieprozesses mit Profit Controller (RMPCT)
• 9.1.1 Technologie und Regelungsaufgabe
• 9.1.2 Experimentelle Prozessidentifikation
• 9.1.3 Reglerentwurf und Simulation
• 9.1.4 Inbetriebnahme
• 9.1.5 Ergebnisse
• 9.2 Regelung einer Glas-Schmelzrinne mit INCA
• 9.2.1 Aufgabenstellung
• 9.2.2 Verschiedene konventionelle Regelstrategien und MPC als Alternative
• 9.2.3 Ergebnisse
• 9.3 Regelung eines Polypropylenreaktors mit Process Perfecter
• Index