Model Predictive Control – MPC

Modellprädiktive Regelungen setzen ein mathematisches Modell des geregelten Prozesses ein, um die Regelgröße optimal zu regeln. Dazu wird das Modell laufend mit den realen Prozessgrößen abgeglichen und für die Vorhersage des zukünftigen Verhaltens des Prozesses verwendet.

Diese Vorhersage verwenden wir in einer in Echtzeit ausgeführten Optimierung weiter, um die optimale Stellgröße für den aktuellen Zeitschritt zu finden. Als Ergebnis ist ein sehr schnelles, stabiles Regeln Ihres Prozesses möglich, durch das wir signifikante Verbesserungen (z.B. im Vergleich zu PID-basierten Konzepten) erreichen.

Durch Berücksichtigung bekannter Störungen in der Zielfunktion ist es durch entsprechendes Feedforward Control (FFC) möglich, auch Störungen mit sehr langen Totzeiten ohne kritische Regelgrößenabweichung auszugleichen.

Der Einsatz von MPC bietet wesentliche Vorteile bei der Regelung nichtlinearer Systeme. Zu diesen zählen unter anderem die implizite Behandlung von Stellgrößenbeschränkungen sowie die Möglichkeit, Systeme sehr nahe an diesen Beschränkungen optimal zu betreiben, die einfache Erweiterung auf Mehrgrößensysteme sowie die modellbasierte Berücksichtigung von Systemtotzeiten.

Gerade die Regelung letzterer Systemklasse stellt einen typischen Anwendungsfall modellprädiktiver Reglerstrukturen dar.

Ihre Vorteile einer MPC-Regelung im Überblick

• Regelung von Mehrgrößensysteme (MIMO) mit einem MPC
• Integrieren von Störungen Modell, minimieren des Regelfehlers
• Berücksichtigen von Nichtlinearitäten
• Reagieren auf bekannte zukünftige Sollwertänderungen
• Direktes Kompensieren von Totzeiten
• Direktes Berücksichtigen Statischer/Dynamischer Beschränkungen
• Optimieren des Prozesses in jedem Zeitschritt
• Beschleunigen transienter Prozessänderungen
• Minimieren von Verlusten durch Sollwertänderungen
• Ermöglichen des Stabilitätsnachweises

Neuronale Netze

Neuronale Netze stellen im Gegensatz zu den klassischen Modellen zahlreiche nichtlineare Funktionen dar und bilden damt komplexe und mehrdimensionale Probleme ab.

Es können beliebig komplexe nichtlineare Effekte abgebildet werden, mit der großen Einschränkung, dass viele Prozessdaten vorhanden sein müssen und das Modell nur für in diesen Prozessdaten vorhandenen Anlagenzustände gültig ist (keine Extrapolierbarkeit).

Neuronale Netze extrahieren aus den großen Datenmengen selbstständig relevante Zusammenhänge. Dadurch sind sie eine wertvolle Ergänzung zu physikalisch-logischen Modellierung, die oft unzureichend oder nur mit sehr großem Aufwand durchführbar ist.

Neuronale Netze setzen wir in der Praxis als sogenannte Black-Box Modelle ein.

Folgende Problemstellungen adressieren wir mit Neuronalen Netzen

• Nichtlineare Systemidentifikation
• Zustandsbeobachter Design
• Reglerentwurf
  • Neural adaptive control
  • Neural optimal control
  • Reinforcement learning
  • NLq Stabilitätstheorie

Fuzzy Control

Um eine optimale Regelperformance zu erreichen und langfristigen Mehrwert zu generieren, beziehen wir je nach Problem- und Zielstellung in die jeweiligen spezifischen Kundenlösungen auch Konzepte aus dem Bereich Fuzzy Control im Sinne ganzheitlicher APC Lösungen mit ein.

PID Loop

PID Regler sind der vielseitigste Reglertyp. Wir passen das Reglerverhalten durch eine Vielzahl an praktischen Herangehensweisen an Ihren spezifischen Anwendungsfall an:

• Intelligente min/max Grenzen
• Situationsbedingtes Einfrieren des Reglerausgangs
• Vorsteuerung
• Gain-Scheduling für unterschiedliche Reglerdynamik
• Antiwindup bei Kaskadenregelungen
• Begrenzungsregler, die durch eine min/max Auswahl auf den Reglerausgang durchgeschaltet werden
• Regler Tracking, wenn die Regelung inaktiv ist für ein sprungfreies Umschalten