Helbling macht bestehende Systeme fit für dynamische Einflüsse

Zürich/Wil SG - Helbling-Fachleute haben einen modellbasierten Ansatz entwickelt, um bestehende Regler mithilfe von Machine Learning zu optimieren. Durch diese datengestützte Methode werden Regelfehler ausgebessert und letztlich technische Anwendungen dynamischen Anforderungen gerecht.

(CONNECT) Fachleute der Zürcher Engineering- und Consulting-Firma Helbling haben einen Weg dafür erarbeitet, technische Anwendungen für dynamische Anforderungen zu optimieren. Dabei werden Fehler der bestehenden Regler mit einem modellbasierten Ansatz verbessert. Die Experten vom Helbling-Standort in Wil SG erläutern in einem Fachbeitrag, wie damit Steuerungssysteme auf veränderte Bedingungen präziser und vorausschauender reagieren können. Von dieser Herangehensweise profitierten Entwicklungen, bei denen diese Aspekte von Anfang an systemrelevant seien, aber vor allem auch bestehende Systeme, bei denen mehr Effizienz und Stabilität gefragt seien. Denn die klassischen Regler stiessen bei nicht direkt messbaren Grössen an ihre Grenzen, heisst es. Das sei der Fall, wenn etwa bei einem Haushaltsgerät Verkalkungen in Heizelementen das Systemverhalten beeinflussten.

Modellbasierte Regler ermöglichen laut der Autoren eine deutlich bessere Regelgenauigkeit bei dynamischen Einflüssen als klassische Lösungen. Ihr Ansatz erlaube es, Leistung, Stabilität oder Effizienz je nach Bedarf separat oder gemeinsam zu optimieren. Dabei komme ein virtuelles Modell zum Einsatz, um die thermischen Eigenschaften des jeweiligen Systems realistisch abzubilden. So liessen sich Regelalgorithmen entwickeln und prüfen, ohne dass ein Risiko für die reale Hardware bestehe.

Im konkreten Praxisfall wurde ein Durchlauferhitzer modelliert – ein System mit geringer thermischer Masse und schneller Reaktionszeit. Letztlich habe hier das Team nachgewiesen, dass bereits einfache lineardynamische Modelle das System mit hoher Genauigkeit nachbilden könnten. Auch für komplexere Systeme mit mehreren Interdependenzen sei es gelungen, Zielgrössen aus Eingangsdaten mit hoher Präzision vorherzusagen und enge Relationen zu Ausgangsgrössen nachzuweisen. Die hohe Genauigkeit des Modells macht laut Helbling zwei Optimierungsverfahren möglich. Erstens könne das Modell direkt auf dem Gerät ausgeführt und die optimale Stellgrösse berechnet werden. Zweitens werde der bestehende Regler in Software simuliert und durch die Überspielung auf das eingebettete Gerät müsse der Regler nicht umgebaut werden.  

Mit dieser Lösung könnten datenbasierte Methoden bereits heute in bestehende Systeme integriert werden, heisst es. Damit werde eine Brücke zur vollständigen modellprädiktiven Regelung geschlagen. Laut der Autoren unterstützt Helbling mit diesem Ansatz Unternehmen dabei, bereits mit einfachen Mitteln erhebliches Potenzial zur Optimierung zu heben und Systeme zukunftsorientiert zu gestalten. ce/yvh

Zurück zur Übersicht