DE102011086116A1

DE102011086116A1 - Device and method for determining model parameters of a control model structure of a process, control device and computer program product

Info

Publication number: DE102011086116A1
Application number: DE102011086116A
Authority: DE
Inventors: Fabian Bargiel; Klaus Wendelberger; Shengzhe Fu
Original assignee: Siemens AG; Siemens Corp
Current assignee: Siemens AG; Siemens Corp
Priority date: 2011-07-20
Filing date: 2011-11-10
Publication date: 2013-01-24
Also published as: WO2013010905A1

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.The invention relates to a device and a corresponding method for determining model parameters of a control model structure of a process. The device receives at least one input and one output signal online, these signals being any measurement signals of the process. According to the invention, the device has at least one estimation means which is designed to determine current estimated values for the model parameters of the model structure, the model structure being represented by means of an observer model in the form of a Kalman filter. In an advantageous embodiment of the invention, the process is simulated by a delay element of arbitrary order.

Description

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. 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.

Zur Automatisierung von zumeist verfahrenstechnischen Prozessen 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 beseitigt wird,
– einer Berechnungseinheit zur softwaremäßigen Vorgabe eines Sollwertes für diese Prozessgröße (Führungsgröße),
– einer Berechnungseinheit zur Regeldifferenzbildung (Abweichung der Regelgröße vom vorgegebenen Sollwert) in der Software 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.

For automation of mostly process engineering processes, digital automation systems are used today in which corresponding software control structures run. A control loop is composed of this

A means for analog metrological detection of the process variable to be controlled (controlled variable) such as pressure, temperature, flow velocity,
- A means for reading the measured value in the automation system via an analog / digital conversion
- a filter in the software of the automation system, with the help of which the noise of the measured process variable is eliminated,
A calculation unit for software specification of a setpoint value for this process variable (reference variable),
A calculation unit for regulating difference formation (deviation of the controlled variable from the specified nominal value) in the software of the automation system,
- The controller, which here the control algorithm in the software of the automation system is meant, which determines from the control difference, how the actuator (eg valve, damper, motor, ...) is to be moved so that the controlled variable approaches the reference variable,
- A means for outputting the control signal from the automation system via a digital / analog conversion to the drive.

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. There are a variety of different algorithms and approaches for building such filter and control structures. Depending on the application, these different algorithms are associated with different advantages or disadvantages.

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. However, all control algorithms have one thing in common: their parameter setting depends on the dynamic behavior of the process to be automated. This is especially the case when model-based control concepts are used. The model of the controlled system (of the process) contained in the control concept must correctly reflect the dynamics of the actual system so that a precise determination of the actuating signal can take place. But even with simpler, not model-based control structures, knowledge about the dynamic system behavior is very helpful. The reasons are:
The parameterization of control circuits based on tests with the system is very time-consuming and expensive. A knowledge of the plant dynamics allows a specification of very good starting values for the controller parameters and is therefore associated with a reduction of commissioning costs and costs.

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 konstanten Reglerparametern wird sich das Regelverhalten dann immer mehr verschlechtern, oder es muss immer wieder eine Nachjustierung der Regelkreise erfolgen. 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. In addition, 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 circuits.

Äquivalente Aussagen gelten für die Parametrierung der Signalfilter. Ein Filter kann nur dann optimal eingestellt werden, wenn eine Kenntnis über das Frequenzspektrum der Nutzsignale, d.h. wiederum über das dynamische Anlagenverhalten, und des Rauschens vorhanden ist. Equivalent statements apply to the parameterization of the signal filters. A filter can only be set optimally if knowledge of the frequency spectrum of the useful signals, i. again about the dynamic plant behavior, and the noise is present.

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 (PT1-Gliedern). Die Summenzeitkonstante Tsum des PTn-Gliedes ist die Summe aller Einzelzeitkonstanten T der PT1-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. 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. Thus, a PTn element of arbitrary order n is formed by the series connection of n delay elements of the first order (PT1 elements). The sum time constant Tsum of the PTn element is the sum of all individual time constants T of the PT1 elements. The individual time constants T are assumed to be the same here. With sufficient accuracy for the particular application, 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.

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. 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.

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.

There are a variety of algorithms and methods for determining the sum time constant of a PTn element from existing measurement data. However, the known methods all have one or more of the following disadvantages:

- The algorithm can only be supplied offline with measurement data and determine the sought total time constant. An application in online mode is not possible.
- 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.

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 Dampferzeugungsprozesses werden online aufgenommen. Erfindungsgemäß wird der zumindest ein Modellparameter online geschätzt. Dazu wird sowohl 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. A first improvement will be made according to the German Patent Application 10 2010 025 916.0 achieved by a method and a corresponding device for determining at least one model parameter of a control model of a steam generator. For the 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. According to the invention, the at least one model parameter is estimated online. For this purpose, the same input signal is applied to both the real process and the model of the steam generator. Subsequently, 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. On the basis of the gradient analysis, estimation ranges are defined in a further step, within which a valid parameter estimation is possible. If the estimability is assessed as positive, the current estimated value of the at least one model parameter is improved. 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.

Es ist Aufgabe der vorliegenden Erfindung, eine Vorrichtung anzugeben, welche all diese Nachteile überwindet und mit dessen Hilfe bei laufendem Betrieb die Anlagendynamik kontinuierlich 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 anzugeben. 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. It is an object of the present invention to provide a device which overcomes all these disadvantages and with the aid of which the system dynamics can be determined continuously and independently without interruption of the process during operation. On the basis of such a method, the control and filter structures can then be continuously adapted to the process to be controlled. It is a further object of the present invention to specify a corresponding method. Another object of the invention is to provide a control device for the process, which uses the determination of the model parameters of the controlled system. It should also be given a computer program product.

Diese Aufgaben werden durch die Merkmale der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausgestaltungen sind jeweils in den abhängigen Patentansprüchen wiedergegeben. These objects are achieved by the features of the independent claims. Advantageous embodiments are given in the dependent claims.

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 Kalman-Filters repräsentiert wird. The invention advantageously makes possible an online determination of the model parameters of a control process model, wherein according to the invention the model parameters are estimated and the model structure is represented by means of an observer model in the form of a Kalman filter.

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 Anwender einfach auch offline bestimmt werden können. Prinzipiell kann die erfindungsgemäße Vorrichtung und das entsprechende Verfahren für beliebige Regelstrecken angewendet werden. 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 are used, which is normal Plant operation incurred. The algorithm itself only has parameters that can easily be determined offline by the user. In principle, the device according to the invention and the corresponding method can be used for any controlled system.

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 Schätzung ermöglichen. Die Variablentransformation, welche modulartig 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 Stellgröße 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 an advantageous embodiment, before the estimation of the model parameters, a variable transformation or normalization is carried out in order to ensure that relevant data is made available which enables an estimation. The variable transformation, which may be of modular design, advantageously comprises a normalization analysis for the detection of stationary states and an adaptive normalization, in which first values for the minimum and maximum limits of the input and manipulated variable u and the output variable (controlled variable) y are automatically determined and then offset an offset and set a gain 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.

In einem weiteren vorteilhaften Ausführungsbeispiel der Erfindung erfolgt eine Schätzbarkeitsanalyse. Dabei wird mittels 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 Summenzeitkonstante 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 Informationen 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 Kalman-Filters repräsentiert. In a further advantageous embodiment of the invention, an estimation analysis is performed. It is checked by means of a gradient evaluation of the normalized input and output signal and the gain factor, whether a parameter estimation makes sense. The algorithm can independently decide whether or not the supplied measurement data contains sufficient information to determine the total time constant and automatically react 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. In this case, the summation time constant and the order of the delay element are advantageously determined. This describes the dynamics of the entire process. The delay element is represented by means of an observer model in the form of a Kalman filter.

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 Modellparameter ausgegeben, welche die kleinste Differenz zwischen Mess- und Schätzwert der Prozess-Ausgangsgröße aufweisen. In a further advantageous embodiment variant, 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. On the basis of the selected observer model, the observation error of the individual estimation means is compared for this purpose. Subsequently, the model parameters are output, which have the smallest difference between the measured value and the estimated value of the process output variable.

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 ändernde Verhältnisse des laufenden Prozesses an. Solch adaptive Regelungsverfahren tragen erheblich zur Langzeitqualität einer Regelung bei. In summary, 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 initiated, it automatically adapts to changing circumstances of the ongoing process. Such adaptive control methods contribute significantly to the long-term quality of a control.

Die Erfindung wird nachfolgend anhand eines in den Zeichnungen dargestellten Ausführungsbeispiels näher erläutert. Dabei zeigen: The invention will be explained in more detail with reference to an embodiment shown in the drawings. Showing:

1 eine Skizze zur Verdeutlichung der Problemstellung 1 a sketch to clarify the problem

2 eine Skizze eines Schätzmittels zur Bestimmung der Modellparameter 2 a sketch of an estimator for determining the model parameters

3 eine schematische Darstellung eines Kalman Filters 3 a schematic representation of a Kalman filter

4 eine schematische Darstellung der erfindungsgemäßen Vorrichtung 4 a schematic representation of the device according to the invention

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 5 Comparison of the online profiles of a measured time constant or amplification factor and the time constant or amplification factor, estimated by means of the invention, plotted along the time T in s

6 eine schematische Darstellung der Regeleinrichtung 6 a schematic representation of the control device

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 Leitsystem 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 1 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 Dynamik 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 O, die den stationären Zusammenhang zwischen Ein- und Ausgangsgröße des Prozesses beschreiben, notwendig. 1 shows a sketch to illustrate the problem. Given is any process P that runs on a technical system. It can be a procedural process act, such as a process of burning fossil fuels in a power plant, or the refining of raw materials in a refinery, or any process in a large-scale pharmaceutical plant, etc. At least any input signal u is supplied to the process P and 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. Thus, for example, in a power plant at the input signal to the position of 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 recorded and processed continuously, for example in a cyclically operating control system, ie in each cycle of eg 100 ms. As already stated, process engineering processes can often be modeled or modeled well by delay elements of any order. An example of such a control technology model is in 1 shown. 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 that best characterize the dynamics of such a process are now to be determined by means of the invention. In this exemplary embodiment, this is the sum time constant Tsum of the series connection of the delay elements (which can be assumed to be a delay element of a previously unknown order) and the order n. In order to be able to determine these parameters, a determination of the amplification factor V and of the offset is simultaneously O, which describe the stationary relationship between input and output size of the process, necessary.

Zwischen Eingangs- und Ausgangssignal wird für den stationären Zustand ein linearer Zusammenhang angenommen: ystat = V·ustat + O (1) Between the input and output signal, a linear relationship is assumed for the stationary state: ystat = V · ustat + O (1)

Es gilt außerdem für dieses Ausführungsbeispiel (wie anhand von 1 abzulesen): x(t) = V·u(t) (2) It also applies to this embodiment (as with reference to 1 read): 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 O bekannt sein. V und O 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 O gleichzeitig zu bestimmen. Daher wird eine Variablentransformation durchgeführt, bei welcher der Offset O 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 1 ist das regelungstechnische 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 Eingangs- und 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. 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 O must be known. V and O can be determined based on at least two stationary states. However, since the method according to the invention is intended to operate online, ie, for example, in time with a cyclically operating control system, it is not possible at one time to determine V and O simultaneously. Therefore, a variable transformation is performed in which the offset O 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. Therefore, before performing the estimation of the model parameters, a variable transformation or normalization must be performed to provide relevant data that will enable estimation. In 1 the control engineering model is shown 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. At the end of the controlled system, a normalized output signal yn is output. After carrying out the estimation of the model parameters, it is checked whether the estimate was valid at all, ie an estimation analysis is carried out. It should be noted that a parameter estimation is only possible if there is sufficient "dynamics", ie temporal changes of the input and output signals. Basically, both in steady state operation and in the case of fairly slow changes in the measurement signals, it is not possible to estimate the model parameters with sufficient accuracy. The system must therefore be designed to detect dynamic operation. In addition to checking steady-state operation, another basic condition for estimating is that the process is excited by a change in input rather than a change in gain, which itself is a result of the estimation.

Der Ablauf dieser Vorgehensweise soll anhand von 2 verdeutlicht 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 T ˆ_i für die entsprechende Summenzeitkonstante Tsum generiert. Eine Schätzung der Zeitkonstante unabhängig vom Verstärkungsfaktor ist dabei jedoch nicht möglich. In 2 ist ein solches einzelnes Schätzmittel SMi gezeigt. Das Schätzmittel SMi (hier i = 1, 2 bis nmax) umfasst eine Normierbarkeitsanalyse NBA, eine adaptive Normierung AdapN, ein Kalman-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 einzelne Berechnungseinheiten ausgestaltet sein können oder auch zusammengefasst in einem Modul, wird die Variablentransformation durchgeführt. The procedure of this procedure should be based on 2 be clarified. At least one input signal u of the process and an output signal y of the process are applied to an estimation means SMi. The estimation means in each case becomes an estimated value for the control-engineering model of a delay element of order ni T _i generated for the corresponding sum time constant Tsum. However, it is not possible to estimate the time constant independently of the amplification factor. In 2 such a single estimator SMi is shown. The estimation means SMi (here i = 1, 2 to nmax) comprises a normalizability analysis NBA, an adaptive normalization AdapN, a Kalman filter model KF for a delay element, an estimation analysis SBA and an estimated value generator SWG. In the two modules of the Normability analysis NBA and the adaptive standardization AdapN, which may be designed, for example, as individual calculation units or also combined in a module, the variable transformation is performed.

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 (|u .|, |ẏ| sind über einen Zeitraum, welcher länger als eine zuvor geschätzte Zeitkonstante T ˆ_neu , klein) wird die Normierbarkeit positiv beurteilt, d.h. es kann die adaptive Normierung oder die eigentliche Variablentransformation durchgeführt werden. 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. In the case of a stationary operating condition (| u | |, | ẏ | are over a period of time which is longer than a previously estimated time constant T _new , small), the normalizability is positively assessed, ie the adaptive normalization or the actual variable transformation can be carried out.

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 T ˆ_neu ) 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 Kalman-Filters geeignet ist. Dabei werden bestehende Verschiebungen (Offsets) ausgeglichen. Die Normierung der Eingangs- und Ausgangssignale un und yn wird nach folgender Formel berechnet: un = (u – umin)·50/(umax – umin) + 50 yn = (y – ymin)·50/(ymax – ymin) + 50 In 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 increases are detected, but the value ranges are automatically reduced if the process takes a long time (depending on the previously estimated time constant T _new ) moved only in a part of the previous operating range. The previously checked quantities are then brought into a range of values which is suitable for the following estimation algorithm by means of the Kalman filter. Existing shifts (offsets) are compensated. The normalization of the input and output signals un and yn is calculated according to the following formula: un = (u - umin) x 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. Thus, un changes between the values 50 and 100 as u changes between umin and umax. The analogous statement applies to y. Thus, in the steady state yn = Vn · un + On with Vn = 1 and On = 0.

Nun ist der Offset O 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. Now the offset O is calculated and the estimate can begin. The estimate of the gain must be approximately 1, otherwise the normalization will not be correct. Since the minimum and maximum limits of u and y (umin, umax, ymin, ymax) are constantly redetermined in the presence of a stationary state, one can speak of adaptive normalization.

Die normierten Eingangs- und Ausgangssignale un und yn werden nun dem eigentlichen Schätzalgorithmus zugeführt. Das Modul KF stellt einen Schätzer dar, bei welchem ein Kalman-Filter zum Einsatz kommt. Der genaue Ablauf der Schätzung wird in der Beschreibung der 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. 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 procedure of the estimate is described in the description of 3 represented where on the basis of the example of a second-order delay element, the procedure without taking into account the variable transformation of the input variables (u, y) is explained. 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.

Zusammenfassend gilt: Die Schätzung der Summenzeitkonstante T ˆ_i erfolgt auf der Basis der normierten Eingangsgrößen un und yn mit Hilfe des Kalman-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 V ˆ_i geschätzt. Neben den Schätzwerten für die Zeitkonstante T ˆ_i und dem Verstärkungsfaktor V ˆ_i wird für das entsprechende Verzögerungsglied auch der Beobachterfehler e_i ausgegeben. In summary: the estimation of the sum time constant T _i is performed on the basis of the normalized inputs un and yn by means of the Kalman filter (where i is equal to 1, 2 to nmax, depending on which order of the delay element is considered). At the same time, as a by-product, a line gain factor will also be added V _i estimated. In addition to the estimates for the time constant T _i and the gain factor V _i the observer error e _{i is also} output for the corresponding delay element.

Im Rahmen der sich anschließenden Schätzbarkeitsanalyse SBA wird überprüft, ob die mittels des Kalman-Filters ermittelten Schätzwerte sinnvoll sind. Aufgrund der Normierung sollte die Verstärkung V ˆ_i stets ungefähr 1 sein. Die Schätzung wird nur bei einer kleinen Abweichung von 1 gestartet (z. B. 0,95 < V ˆ_i < 1,05), da ansonsten von einer unkorrekten Normierung ausgegangen werden muss. Die Durchführung der Schätzbarkeitsanalyse erfolgt außerdem durch Gradientenauswertung der normierten Eingangsgrößen un und des Verstärkungsfaktors V ˆ_i . As part of the subsequent estimation analysis SBA, it is checked whether the estimated values determined by means of the Kalman filter make sense. Due to the normalization, the gain should be V _i always be about 1 The estimation is only started with a small deviation of 1 (eg 0.95 < V _i <1.05), otherwise an incorrect standardization must be assumed. The estimation analysis is also performed by gradient evaluation of the normalized inputs un and the amplification factor V _i ,

Die zeitliche Ableitung von Gleichung (2) ergibt: x .(t) = V .·u(t) + V·u .(t) (3) The time derivative of equation (2) yields: x. (t) = V. · u (t) + V · u. (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·u .(t) . Bei großen Werten von V .·u(t) (deutlich größer als V·u .(t) ) wird der Algorithmus gestoppt. Auch bei kleinen Werten von u .(t) (allgemeiner stationärer Betrieb) wird der Algorithmus angehalten. Die Überprüfung der Gradienten ist Teil der Schätzbarkeitsanalyse SBA. In addition to checking stationary operation, another basic condition is that the process is stimulated by a change in the input quantity rather than by a change in the amplification factor, which is itself a result of the estimation. In equation (3), the term V. · U (t) be much smaller than the term V · u. (T) , For large values of V. · U (t) (significantly larger than V · u. (T) ) the algorithm is stopped. Even with small values of u (t) (general stationary operation) the algorithm is stopped. Grading verification is part of the SBA estimability analysis.

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 verbesserten Schätzwert T ˆ_neu aus, welcher sowohl bei der Normierbarkeitsanalyse NBA als auch bei der adaptiven Normierung weiterverwendet wird. If the estimability is assessed positively, new estimates for the cumulative time constant are not taken directly but used to improve the current estimate. The estimated value generator SWG thus gives a new improved estimate T _new which is used both in the normability analysis NBA and in adaptive normalization.

Ausgabe des Schätzmittels SMi sind letztendlich der Beobachtungsfehler e_i, die geschätzte Summenzeitkonstante T ˆ_i und der Verstärkungsfaktor V ˆ_i . Output of the estimator SMi are ultimately the observation error e _i , the estimated sum time constant T _i and the gain factor V _i ,

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 Kalman-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 weiterhin als Eingangsgröße die Ausgangsgröße y des Prozesses P. Nach jedem Verzögerungsglied PT1 ist ein Zustand x_i angegeben, mit i = 2, 3. Der zusätzliche Zustand x₁ gibt die Streckverstärkung V an. Alle Zustände x_i 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 ŷ ausgegeben. Die Abweichung zwischen Messgrößen aus dem Prozess und den entsprechenden Werten, die mit dem Streckenmodell ermitteltet werden, ist der Beobachterfehler e. Hier wird der Beobachtungsfehler e = y – ŷ 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 Komponenten 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. 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 there is a second-order delay behavior in their series circuit. Here, for the model structure, 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 continues to receive as input the output variable y of the process P. After each delay element PT1, a state is indicated x _i, with i = 2, 3. The additional state x ₁ is the yield gain at V. All states x _i 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 ŷ is output. The deviation between measured variables from the process and the corresponding values which are determined with the system model is the observer error e. Here the observation error e = y - ŷ 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 in this case a three-dimensional vector, thus containing three components, L ₁ , L ₂ and L ₃ , which are each multiplied by the observer error - a scalar. The components Li are adjusted as a function of the input quantity u and of a previous estimated value Tnew. The exact calculation of the observer vector L is done by solving the matrix Riccati differential equation.

Dies erfolgt auf folgende Weise:
Das linearisierte System der gezeigten Modellstruktur sieht in Matrixform wie folgt aus: x .(t) = Ax(t) + Bu(t) + w(t) y(t) = Cx(t) + v(t) This is done in the following way:
The linearized system of the model structure shown looks like this in matrix form: x (t) = Ax (t) + Bu (t) + w (t) y (t) = Cx (t) + v (t)

In dieser Gleichung beschreibt w(t) das Prozessrauschen und v(t) das Messrauschen. Die Linearisierung erfolgt am Arbeitspunkt x₀, u₀, T_0,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:

In this equation w (t) describes the process noise and v (t) the measurement noise. The linearization is performed at the operating point x _0, u _0, T _0, where for T _{0 is} the current estimated time constant Tnew, the current estimates are used for the states for u _0, the current measured value of the input variable u and x _0th The system matrices of the linearized system are:

Mithilfe dieser Matrizen lässt sich der Beobachter-Vektor mit dem Kalman-Bucy-Prinzip konstruieren, indem die riccatische Differentialgleichung in Matrixform gelöst wird: dP(t) / dt = P(t) + AP(t) – P(t)C^TR^–1CP(t) + P(t)A^T + Q = 0 Using these matrices, the observer vector can be constructed using the Kalman-Bucy principle by solving the riccatic differential equation in matrix form: dP (t) / dt = P (t) + AP (t) -P (t) C ^T R ^-1 CP (t) + P (t) A ^T + Q = 0

P(t) ist die symmetrische und positive Lösung der riccatischen Differentialgleichung. Q beschreibt, wie groß der Einfluss des Systemfehlers ist, und R beschreibt den Messfehler. Die Beobachterkorrektur kann dann als L = PC^TR^–1 berechnet werden. P (t) is the symmetric and positive solution of the riccatic differential equation. Q describes how large the influence of the system error is, and R describes the measurement error. The observer correction can then be calculated as L = PC ^T R ^-1 .

Sind die L_i 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. If the L _{i are} known, the components of x (t) and y (t) can also be calculated. From these in turn, the sum time constant Tsum (estimated) can be determined. At the output of the model structure KF, the observer error e and estimated values for the cumulative time constant T (= equal to the sum of the time constants of the two PT1 elements) and the amplification factor V are output.

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 diesem Ausführungsbeispiel vier Schätzmitteln SM1 bis SM4 aufgeschaltet. Jedes Schätzmittel ermittelt den Beobachtungsfehler ei, die geschätzte Zeitkonstante T ˆ_i und den Verstärkungsfaktor V ˆ_i 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 n_opt des Verzögerungsgliedes ermittelt, mit dem das tatsächliche Anlagenverhalten am besten nachgebildet werden kann, indem die Beobachterfehler aus den Kalman-Filtern der einzelnen Schätzmittel SMi verglichen werden. Am Ausgang der erfindungsgemäßen Vorrichtung VS liegen somit die Schätzwerte für die Modellparameter (der Summenzeitkonstanten T ˆ_i 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 Schätzwert des Verstärkungsfaktors wird automatisch auf 1 zurückgehen. 4 shows a schematic representation of the device VS. 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 applied in this exemplary embodiment to four estimation means SM1 to SM4. Each estimation means determines the observation error ei, the estimated time constant T _i and the gain factor V _i for the respective delay element. In this way, a parallel estimation of the time constants for different orders of the delay elements is possible. Within the calculation unit BE, 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. Thus, the estimated values for the model parameters (the sum time constants T _i and the order n) by means of which the process can best be characterized. The output gain factors should be in the range of 1 due to the variable transformation. Strong deviations from 1 indicate a wrong standardization. As soon as the process goes into at least one stationary state, normalization will be automatically renewed and the new estimate of the gain will automatically go back to 1.

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. 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, there are only slight fluctuations. The algorithm also works with sudden jump changes in the path dynamics.

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 Bestimmung von Modellparametern einer regelungstechnischen Modellstruktur eines Prozesses umfasst. 6 shows the structure image of a control device R. The control device w is the reference variable supplied. At the output of the control device, the manipulated variable u is output. Part of the control device is one or more calculation units BE, which includes the inventive device for determining model parameters of a control model structure of a process.

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

DE 102010025916 [0010]

Claims

Device (VS) for determining model parameters of a control model structure of a process (P) which receives at least one input signal (u) and an output signal (y) online, wherein these signals (u, y) are arbitrary measurement signals of the process ( P), characterized in that the device (VS) has at least one estimation means (SM1, SM2, ..., SMn) which is designed to determine current estimated values for the model parameters of the model structure, the model structure being determined by means of an observer model is represented in the form of a Kalman filter (KF).

Device (VS) according to claim 1, characterized, - that the estimation means (SM1, SM2, ..., SMn) further comprises at least one module for parameter transformation, which is connected upstream of the Kalman filter (KF), In that the module for parameter transformation values for the minimum and maximum limits of the signals (u, y) are automatically determined, and a subsequent adaptive normalization of the signals (u, y) is carried out in which an offset (O) is calculated and a gain (V) is set constant, and normalized signals (un, yn) are output.

Device (VS) according to claim 1 or 2, characterized, - that the Kalman filter (KF) is followed by an estimation analysis (SBA), wherein a gradient evaluation of the normalized input and output signal (un, yn) and the estimated gain factor (V) is performed, If, on a positive assessment of the estimability, the current estimates of the model parameters are improved and improved values are output, - that if estimates are negative, the current estimates will be maintained.

Device (VS) according to claim 1 to 3, characterized in that the process by a delay element of arbitrary order (s) is modeled and that the estimated model parameters, the time constant (T) of the delay element and the order (n) of the delay element.

Device (VS) according to one of Claims 1 to 4, characterized in that the time constant (T) for different orders (n) of the delay element is estimated in parallel by means of the estimation means (SM1, SM2, ..., SMn).

Device (VS) according to one of Claims 1 to 5, characterized in that the order (nopt) of the delay element which best simulates the process (P) is determined by observing observation errors (e1, e2, ..., en). the individual estimation means (SM1, SM2, ..., SMn) are compared.

Control device (R) for a process (P), which has a decelerated controlled system based on a control model structure and a device, which is designed according to one of claims 1 to 6.

Method for determining model parameters of a control model structure of a process (P), in which at least one input signal (u) and one output signal (y) are recorded online, these signals (u, y) being any measurement signals of the process (P), characterized, the model parameters of the model structure are estimated online, whereby the model structure is represented by means of an observer model in the form of a Kalman filter (KF).

A method according to claim 8, characterized in that prior to the estimation of the model parameters, a parameter transformation is performed in which values for the minimum and maximum limits of the signals (u, y) are automatically determined, and then an adaptive normalization of the signals (u, y ), in which an offset (O) is eliminated and a gain (V) is set constant, and normalized signals (un, yn) are output.

Method according to claim 8 or 9, characterized in that, after the estimation by means of the Kalman filter, an estimation analysis (SBA) is performed, whereby a gradient evaluation of the normalized input and output signal (un, yn) and the estimated amplification factor (V) is performed, - that if the estimation is positive, the current estimates of the model parameters are improved and improved values are output. - that if estimates are negative, the current estimates will be maintained.

A method according to any one of claims 8 to 10, characterized in that the process is simulated by a delay element of arbitrary order (s) and that the estimated model parameters are the time constant (T) of the delay element and the order (n) of the delay element.

A method according to claim 11, characterized in that the order (nopt) of the delay element best simulating the process (P) is determined by comparing observation errors (e1, e2, ..., en) of the estimates made in parallel.

A computer program product that is loaded into the memory of a computer and includes software code portions that perform the steps of any one of claims 7 to 12 when the product is run on a computer.