DE19942144A1 - Verfahren zur adaptiven Schwingungsdämpfung mittels neuronaler Netze - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zur adaptiven Identifikation und adaptiven Dämpfung von Schwingungen oder Drehungleichförmigkeiten, dadurch gekennzeichnet, daß der Verlauf der Schwingungen durch ein intelligentes Verfahren zur nichtlinearen Funktions-Approximation, wie z. B. ein erfindungsgemäßes Harmonisch Aktiviertes Neuronales Netz, im Spektralbereich für variable Betriebspunkte identifiziert und zum Zweck der Kompensation reproduziert wird.

Description

Die Erfindung betrifft ein Verfahren zur adaptiven Identifikation und adaptiven Dämp­ fung von Schwingungen oder Drehungleichförmigkeiten, dadurch gekennzeichnet, daß der Verlauf der Schwingung durch ein intelligentes Verfahren zur nichtlinearen Funktions- Approximation, wie z. B. ein erfindungsgemäßes Harmonisch Aktiviertes Neuronales Netz, im Spektralbereich für variable Betriebspunkte identifiziert und zum Zweck der Kompen­ sation reproduziert wird.

Das Harmonisch Aktivierte Neuronale Netz dient der effizienten Identifikation und Ap­ proximation periodischer Ungleichförmigkeiten in Echtzeit, z. B. von Unwucht und Asym­ metrie rotierender Maschinen und von Maschinen mit regelmäßig wiederkehrenden Be­ wegungsabläufen. Dabei ist zu berücksichtigen, daß viele Prozesse und Maschinen un­ terschiedliche Betriebspunkte durchlaufen oder sich die Charakteristik ihrer periodischen Ungleichförmigkeit z. B. infolge variabler Umgebungsbedingungen oder Verschleiß ändert.

Die Dämpfung derartiger Ungleichförmigkeiten insbesondere bei mechanischen Vorgängen kann die Belastung der davon betroffenen Bauteile verringern, was längere Standzeiten einer Maschine oder auch eine kostengünstigere Konstruktion erlaubt. Gleichzeitig kann die Geräuschemission einer Maschine über die Umgebung und über Körperschall reduziert werden. Bei produzierenden Maschinen kann außerdem eine gleichmäßigere und somit höhere Produktqualität erzielt werden.

Aufgabe der Erfindung ist erstens die adaptive Identifikation der Schwingung bzw. der pe­ riodischen oder von der periodischen kurz- oder langfristig abweichenden Ungleichförmig­ keit sowie zweitens die selbständige Anpassung und Nachführung der zur Dämpfung notwendigen gegenphasig aufgeschalteten Kompensationsgröße. Ein Adaptionsalgorith­ mus führt die Gewichte der Neuronen eines neuronalen Netzes zwecks Identifikation bei Veränderungen der periodischen Ungleichförmigkeit fortlaufend nach, wenn diese Verände­ rung im Vergleich zur Periodendauer der Ungleichförmigkeit langsam abläuft, was nieder­ frequenten Anteilen in der Ungleichförmigkeit entspricht.

Bei kurz- oder langfristigen Abweichungen vom Normalzustand können die Parameter der normalen Ungleichförmigkeit mit dem Vermerk "normal" gespeichert sein. Nachfolgend analysierte neue und abweichende Parameter geben dann einen Hinweis darauf, daß eine Abweichung aufgetreten ist, und weitere Hinweise auf die Art der Abweichung.

Bei raschen, nicht-stochastischen Änderungen der Ungleichförmigkeit werden die mit der Änderung des Betriebspunkts korrelierten Größen als zusätzliche Eingangsgrößen des neu­ ronalen Netzes eingesetzt, um den Verlauf der Kompensationsgröße in Abhängigkeit dieser Betriebspunkte zu adaptieren und zu speichern. Aus den so ermittelten Gewichten der Neuronen wird der Verlauf der Kompensationsgröße bestimmt. Die Adaption und Spei­ cherung der Parameter der Schwingung oder Ungleichförmigkeit zur Identifikation und Ermittlung der Kompensationsgröße kann ebenso auch durch andere intelligente Verfah­ ren zur nichtlinearen Funktions-Approximation erfolgen.

Die gewählten Aktivierungsfunktionen des neuronalen Netzes, die die Nachführung der Gewichte der Neuronen und deren Beitrag zur Kompensationsgröße in Abhängigkeit von den Eingangsgrößen des neuronalen Netzes bestimmen, erlauben auch eine Auswertung der Gewichte zur Diagnose und Überwachung eines Prozesses oder einer Maschine. Wird der Verlauf der Kompensationsgröße lediglich bei der Inbetriebnahme bestimmt und ggf. in bestimmten Zeitabständen aktualisiert, kann das beschriebene Verfahren darüberhinaus auch zur automatisierten und damit effizienten Bestimmung der erforderlichen Parameter eingesetzt werden, die sich unmittelbar aus den Gewichten der Neuronen des neuronalen Netzes ergeben.

Als Anwendungsbeispiel wird die Erweiterung der Dämpfung verbrennungsmotorischer Drehmomentschwingungen mittels Starter-Generator, wie in Continental AG und ISAD Electronic Systems GmbH, "ISAD - A Computer Controlled Integrated-Starter-Alter­ nator-Damper System", SAE technical paper 972660, 1997 beschrieben, um ein mul­ tidimensionales adaptives Verfahren mit Prädiktionsmöglichkeit gewählt. Auch ist eine gegenüber dem in S. Straub, "Entwurf und Validierung neuronaler Beobachter zur Rege­ lung nichtlinearer dynamischer Systeme im Umfeld antriebstechnischer Problemstellun­ gen", Dissertation, TU München, 1998 beschriebenen Verfahren effizientere Lösung der Kompensation der Wicklerunrundheit bei kontinuierlichen Fertigungsanlagen darstellbar.

Verbrennungsmotorische Drehmomentschwingungen können aktiv und passiv gedämpft werden. Als passive mechanische Dämpfer werden Zweimassenschwungräder (ZMS) zwi­ schen Kurbelwelle und Kupplung eines Antriebs eingesetzt. Zur aktiven Dämpfung der Drehmomentschwingungen mittels eines Starter-Generators ist derzeit kein adaptives Ver­ fahren bekannt, das das erforderliche Kompensationsmoment selbständig ermittelt und für variable Betriebspunkte abrufbar speichert.

Für die genannten Anwendungen ist aber eine selbständige und echtzeitfähige Ermittlung und Nachführung der Parameter der betrachteten Schwingung bzw. Ungleichförmigkeit bei konstanten sowie bei zeitvarianten Betriebspunkten und Umgebungsbedingungen (z. B. bestimmt durch Drehzahl, Last, Drosselklappenwinkel oder Gaspedalstellung) wünschens­ wert. Insbesondere bei zeitvarianten Betriebspunkten soll die Möglichkeit einer Prädiktion gegeben sein, in dem Sinne, daß der Kompensationsalgorithmus nach einer anfänglichen Trainingsphase bei einer erneuten Änderung des Betriebspunkts ohne nennenswertes Trai­ ning auskommen und damit sofort nach Eintreten der Änderung des Betriebspunkts ein aktuelles und optimal angepaßtes Kompensationssignal zur Verfügung stellen kann.

Des weiteren ist eine kompakte Darstellung der betrachteten periodischen Ungleichförmig­ keit mit wenigen Parametern notwendig, um hohe Abtastfrequenzen, wie sie für die Kom­ pensation von Drehmomentschwingungen bei schnell drehenden Verbrennungsmotoren erforderlich sind, bei vertretbarem Rechenaufwand darstellen zu können. Wünschenswert ist zudem eine möglichst direkte Interpretierbarkeit der ermittelten Parameter zur aussa­ gekräftigen Analyse und Diagnose des betrachteten Prozesses.

In den betrachteten Anwendungen ist eine direkte Messung des periodischen Signals aus Kostengründen meist nicht möglich. Da in der Regel auch das Massenträgheitsmoment nicht ausreichend genau bekannt ist, muß die Bestimmung der Spektralanteile der Dreh­ momentschwingung indirekt z. B. über die Drehbeschleunigung erfolgen, indem iterativ der bereits spektral zerlegte Teil der Schwingung über eine gegenphasige Stellgröße kompen­ siert wird und die verbleibende Schwingung erneut analysiert wird. Die in jedem Durchlauf der Iteration auftretenden Spektralanteile werden in zugehörigen Speicherzellen aufsum­ miert und zur Ausgabe der Kompensationsgröße verwendet, bis die Schwingung ausrei­ chend gut kompensiert wird.

Werden bekannte Algorithmen zur Berechnung diskreter Spektralanteile eines Signals, wie die Diskrete Fourier-Transformation (DFT) bzw. die Fast Fourier Transform (FFT) dazu eingesetzt, bestehen folgende Einschränkungen:

• - Jeder Eingangsdatensatz der DFT muß aus äquidistanten Meßpunkten bestehen und von endlicher Länge sein.
• - Alle Fourier-Koeffizienten, die durch die DFT oder FFT berechnet werden, liegen jeweils frühestens am Ende der Meßzeit für einen Eingangsdatensatz vor. Dies kann außerdem zu deutlichen sprungförmigen Änderungen der Spektralkoeffizienten und somit auch der Kompensationsgröße führen. Wird dagegen, um dies zu vermeiden, eine kontinuierliche Verarbeitung der Meßdaten angestrebt, muß nach jedem Ab­ tastschritt eine DFT über zurückliegende Eingangsdaten durchgeführt werden. Dies erfordert aber zusätzlich einen erhöhten Speicherbedarf für die Bereitstellung dieser Daten sowie eine ebenfalls erhöhte Rechenzeit.
• - Ist die Abtastfrequenz der Meßpunkte kein Vielfaches aller im Meßsignal auftreten­ den Frequenzen, ist in der Regel eine zusätzliche Fensterung des Eingangsdatensat­ zes vorzunehmen, was zusätzliche Rechenzeit erfordert.
• - Treten niederfrequente Anteile, d. h. Anteile mit einer Periodendauer, die länger als jeweils ein Eingangsdatensatz ist, auf, wie sie z. B. durch Änderungen des Betriebs­ punkts eines Prozesses oder einer Maschine hervorgerufen werden, können diese nur durch eine verlängerte Meßzeit berücksichtigt werden. Dies führt aber zu einem zusätzlich verzögerten Vorliegen der Fourier-Koeffizienten, welches bei der oben genannten iterativen Bestimmung der Spektralanteile regelungstechnisch als Totzeit eingeht und somit die erzielbare Adaptionsgeschwindigkeit verringert.

Insbesondere im Automobilbereich und bei dezentralen Anlagensteuerungen aber sind Speicherplatz und Rechenzeit immer noch begrenzte Ressourcen. Zudem sollte bei den auftretenden großen Drehzahlbereichen die Abtastfrequenz auch unabhängig von der Pe­ riodendauer der Schwingung vorgegeben werden können. Zudem ist eine möglichst rasche Adaption notwendig, um Verschleiß und Kosten niedrig zu halten.

Für den Einsatz von neuronalen Netzen unter Echtzeitbedingungen bei der Kompensa­ tion von Wicklerunrundheiten ist ein nachweisbar stabiles Lernverhalten unverzichtbar, wie es Radiale Basisfunktions-Netze und das von D. Specht in "A General Regression Neural Network", IEEE Transactions on Neural Networks, Seiten 568 ff, Vol 2, Nr. 6, November 1991 vorgestellte neuronale Netz aufweisen. Bei diesen neuronalen Netzen wird jedem Neuron ein zusammenhängender Bereich des Eingangsraums zugewiesen. Durch die Wahl geeigneter lokal wirkender Aktivierungsfunktionen, wie z. B. radiale Basisfunktionen, Hamming-, oder Dreieckfenster, wird Parameterkonvergenz erreicht.

Trotz des insgesamt guten Approximationsverhaltens führt die Aufteilung des Eingangs­ raums auf eine endliche Anzahl lokal wirkender Neuronen bei diesen Neuronalen Netzen zu einer begrenzten örtlichen Auflösung über den Eingangsraum: Eine gegebene Funkti­ on kann daher je nach ihrer relativen Lage zum Raster der Neuronen im Eingangsraum nur unterschiedlich genau approximiert werden. Für eine gleichmäßige und ausreichende hohe Genauigkeit der Approximation wird eine hohe "Dichte" d. h. eine große Anzahl an Neuronen und damit ein hoher Rechenaufwand benötigt. Dies wird z. B. in S. Straub, "Entwurf und Validierung neuronaler Beobachter zur Regelung nichtlinearer dynamischer Systeme im Umfeld antriebstechnischer Problemstellungen", Dissertation, TU München, 1998 eingesetzt.

Ein weiterer Nachteil dieses Verfahrens ist die zusätzlich notwendige und extern zu rea­ lisierende Ausblendung des Mittelwerts der approximierten Unrundheit, um den Anteil der Reibung am nichtlinearen Verhalten separieren zu können. Wird dieser Ansatz auf andere, schnell veränderliche Prozesse übertragen, ist zudem eine häufige Nachführung der Gewichte des neuronalen Netzes erforderlich, welche aufgrund der Zeitkonstante des Nachführvorgangs zu einer unvollständigen Kompensation führen kann.

Um das gewünschte Ergebnis zu erhalten, wurde das in den Ansprüchen angegebene Ver­ fahren entwickelt, welches die effiziente Approximation und Bestimmung einer Kompensa­ tionsgröße für periodische Drehungleichförmigkeiten oder Schwingungen ermöglicht, und gleichzeitig aussagekräftige Information zur Diagnose und Überwachung des betrachteten Prozesses liefert. Ein stabiles Lerngesetz, variable Lernstrukturen sowie die Möglichkeit zur mittelwertfreien Approximation vereinfachen die Lösung bekannter Problemstellungen und erlauben neuartige, komplexe Anwendungen.

Fig. 1 zeigt die Grundstruktur des Harmonisch Aktivierten Neuronalen Netzes.

Fig. 2 zeigt die Struktur des Harmonisch Aktivierten Neuronalen Netzes mit erweitertem Eingangsraum.

Fig. 3 zeigt die Anordnung zur Dämpfung verbrennungsmotorischer Drehmomentschwin­ gungen.

Fig. 4 zeigt die Signale zu Beginn der Adaption (unterschiedliche Nullinien bei den Dreh­ momentschwingungen).

Fig. 5 zeigt die Signale nach einer Adaptionszeit (Trainingszeit) von 25 Sekunden (un­ terschiedliche Nullinien bei den Drehmomentschwingungen).

Die vorliegende Erfindung verwendet ein Harmonisch Aktiviertes Neuronales Netz mit der Grundstruktur eines neuronalen Radialen Basisfunktions-Netzes. Im Unterschied zu diesem werden allerdings zueinander orthogonale harmonische Aktivierungsfunktionen, vorzugsweise Sinus- und Cosinus-Funktionen der Eingangsgröße ϕ und ihrer k-fachen Vielfachen, verwendet, wie in Fig. 1 gezeigt. Wahlweise kann dazu eine konstante Akti­ vierungsfunktion hinzugenommen werden (für k = 0, in Fig. 1 gestrichelt gezeichnet). Der Schätzwert der darzustellenden Größe y errechnet sich analog einer Fourier-Synthese aus den Gewichten _Ak und _Ak der Neuronen zu

Damit sind die Neuronen des Harmonisch Aktivierten Neuronalen Netzes nicht mehr einzelnen Bereichen des periodischen Eingangsraums sondern bestimmten Ortsfrequenz- Bereichen desselben zugeordnet. Dadurch lassen die Gewichte der Neuronen eine Aussage über die spektrale Zusammensetzung des betrachteten Prozesses zu, wodurch eine unmit­ telbare Diagnose und Überwachung desselben möglich wird.

Eine ausreichende Anregung aller Neuronen (persistent excitation nach K. S. Narendra in "Stable Adaptive Systems", Prentice Hall, 1989) ist gegeben, wenn eine vollständige Periode des Eingangsraums stets in begrenzter Zeit durchlaufen wird. Die Lernschrittweite η ist entsprechend dieser maximalen Periodendauer und des Energiegehalts der bei der Anregung nicht berücksichtigten Signalanteile zu wählen.

Der verwendete Adaptionsalgorithmus zur Nachführung der Gewichte der Neuronen ba­ siert auf dem Lerngesetz Radialer Basisfunktions-Netze und lautet in seiner angepaßten Form

mit dem Adaptionsfehler e

Dies berücksichtigt, daß die spektrale Zerlegung der Größe y, wie oben gezeigt, nicht in einem einzigen Schritt sondern iterativ durchgeführt wird, wobei die Gewichte der Neuronen im optimal adaptierten Zustand den zugehörigen Fourierkoeffizienten entspre­ chen. Damit eignet sich das erfindungsgemäße Verfahren insbesondere für Anwendungen, in denen durch eine nicht exakt bekannte Skalierung zwischen Drehmomentschwingung und Messung bzw. zwischen Stellgröße und Kompensationsgröße eine iterative Analyse notwendig wird. Da sich die Analyse durch Differentialgleichungen für die einzelnen Ge­ wichte der Neuronen darstellen läßt, die mit gängigen Integrationsverfahren zeitdiskret zu lösen sind, ist das vorgestellte Verfahren weitgehend unabhängig von der verwendeten Abtastschrittweite und von deren Verhältnis zur Periodendauer der zu kompensierenden Schwingung, solange das Abtasttheorem nach Shannon eingehalten wird. Außerdem ist somit eine kontinuierliche Verarbeitung der Meßwerte möglich. Damit umgeht das er­ findungsgemäße Verfahren die Beschränkungen der DFT und der FFT auf äquidistante Meßreihen endlicher Länge. Ebenso ist durch die kontinuierliche Verarbeitung der Meß­ werte eine Fensterung der Meßdaten nicht mehr erforderlich; die Gewichte der Neuronen und damit die ermittelten Fourier-Koeffizienten werden bei jedem Abtastschritt aktuali­ siert.

Da das verwendete neuronale Netz in seiner Struktur einem Radialen Basisfunktions- Netz entspricht, können sowohl die Stabilität des Lerngesetzes nach Lyapunov analog zur Herleitung für das General Regression Neural Network in C. Schäffner, "Analyse und Synthese neuronaler Regelungsverfahren", Dissertation, TU München, 1998, als auch aufgrund der Orthogonalität der harmonischen Aktivierungsfunktionen die Konvergenz und Eindeutigkeit der Gewichte der Neuronen des Harmonisch Aktivierten Neuronalen Netzes nachgewiesen werden.

Da die verwendeten trigonometrischen Funktionen für k ≧ 1 über je eine Periode mit­ telwertfrei sind, ist auch das approximierte Kompensationssignal bei Verzicht auf die konstante Aktivierungsfunktion mittelwertfrei, wie es z. B. bei der o. g. Wicklerunrundheit notwendig oder für eine energetisch ausgeglichene Kompensation von Drehmomentschwin­ gungen erforderlich ist.

Die gewählten Aktivierungsfunktionen ermöglichen die sehr kompakte Darstellung eines bandbegrenzten periodischen Signals. Die örtliche Auflösung des Harmonisch Aktivier­ ten Neuronalen Netzes innerhalb einer Periode des Eingangssignals ist dabei nur durch die Genauigkeit der verwendeten Zahlendarstellung begrenzt, was bei der o. g. Wicklerun­ rundheit zu einer verringerten Anzahl benötigter Gewichte führt.

Bei wechselnden Betriebspunkten und Umgebungsbedingungen treten im Meßsignal nie­ derfrequente Anteile auf. Um diese zu berücksichtigen, können zusätzliche damit korre­ lierte Informationen herangezogen werden und die oben beschriebene Grundstruktur des Harmonisch Aktivierten Neuronalen Netzes um zusätzliche unabhängige Eingangsgrößen erweitert werden, die zu einem Vektor x zusammengefaßt sind, wie in Fig. 2 gezeigt. Der Vektor x kann dabei z. B. aus einer der Größen Drehzahl, Last, Drosselklappenwin­ kel, Gaspedalstellung oder einer Kombination mehrerer dieser Größen bestehen. Diese korrelierten Informationen können als weitere Dimensionen in den Kennfeldern der iden­ tifizierten Parameter genutzt werden und verbessern damit bei dynamischen Vorgängen die Identifikation und Prädiktion.

Die zugehörigen Aktivierungsfunktionen wirken multiplikativ, wie in Fig. 2 gezeigt, und können wiederum aus trigonometrischen Funktionen oder anderen Basisfunktionen neu­ ronaler Netze bestehen, insbesondere aus denen des General Regression Neural Network. Die Parameter X _n beschreiben die Zentren der verwendeten zusätzlich eingeführten Akti­ vierungsfunktionen A_n(x, X _n). Der Schätzwert bestimmt sich damit folgendermaßen:

Das ebenfalls erweiterte Lerngesetz besitzt dann die Form

Aufgrund des verwendeten Lerngesetzes ist auch in der erweiterten Variante des Harmo­ nisch Aktivierten Neuronalen Netzes der Einsatz einer Lernstruktur nach Fehlermodell 4 aus K. S. Narendra in "Stable Adaptive Systems", Prentice Hall, 1989 möglich. Dieses erlaubt den Einsatz des Verfahrens auch bei zeitlich verzögerter Bestimmung der nachzu­ bildenden Größe y, des Vektors x oder des Adaptionsfehlers e, wie es z. B. bei nicht direkt zugänglichen oder gestörten Größen durch den Einsatz eines Beobachters oder einer Si­ gnalverarbeitung bedingt ist. Ein zusätzliches Übertragungsverhalten, wie es z. B. durch die Wandfilmdynamik bei Ottomotoren auftritt, muß ebenso im Lerngesetz berücksichtigt werden.

Die vorliegende Darstellung des Harmonisch Aktivierten Neuronalen Netzes mit erweiter­ tem Eingangsraum ermöglicht damit eine multidimensionale Identifikation der betrach­ teten Schwingungen als nichtlineare Koeffizienten-Oberflächen. Diese Darstellung kann aufgrund der Linearität bei der Schätzwertbildung mathematisch äquivalent als Überla­ gerung einzelner Harmonisch Aktivierter Neuronaler Netze für jeden durch die Parameter X _n festgelegten Bereich gesehen werden, sowie auch als parallele General Regression Neural Networks, die jeweils ein Gewicht des übergeordneten Harmonisch Aktivierten Neuronalen Netzes zur Verfügung stellen. Ebenso ist auch eine Adaption der Parameter der Schwin­ gung bzw. der Ungleichförmigkeit mit anderen intelligenten Verfahren und Algorithmen zur Approximation nichtlinearer multidimensionaler Oberflächen durchführbar.

Als Anwendungsbeispiel wird eine Anordnung nach Fig. 3 betrachtet, bei der eine elek­ trische Maschine als Stellglied zentrisch auf der Kurbelwelle eines Verbrennungsmotors angebracht ist, um an dieser Stelle ein gewünschtes Drehmoment aufzubringen. Eine lei­ stungselektronische Ansteuerung übernimmt die Umsetzung des Steilsignals in die not­ wendigen elektrischen Größen.

Die betrachteten Drehmomentschwingungen des Verbrennungsmotors entstehen unter an­ derem durch die Ungleichförmigkeit des Verbrennungsprozesses, durch die Kompressions- und Expansionsphasen, den Ladungswechsel und die oszillierenden Massenkräfte der Kol­ ben, Pleuel und Ventile. Sie führen zu Geräuschemissionen sowie zu Vibration der Karos­ serie und Schwingungen des Antriebsstrangs.

Der zugehörige Adaptions- und Kompensationsalgorithmus besteht aus einem Harmo­ nisch Aktivierten Neuronalen Netz mit erweitertem Eingangsraum, aus einer Signalauf­ bereitung zur Filterung des Eingangssignals und zur Berechnung der Drehzahl und Dreh­ beschleunigung der Kurbelwelle aus dem Winkelsignal. Bei der Berechnung des Adaptions­ fehlers e aus der Drehbeschleunigung der Kurbelwelle wird das Beschleunigungsmoment, das zur Änderung der mittleren Drehzahl führt, ermittelt und korrigiert. Diese Signal­ verarbeitung führt zu einer verzögerten Verfügbarkeit des Adaptionsfehlers, so daß zur Nachführung der Gewichte der Neuronen des Harmonisch Aktivierten Neuronalen Netzes eine Lernstruktur nach dem o. g. Fehlermodell 4 notwendig ist.

In Fig. 4 und Fig. 5 sind Simulationsergebnisse gezeigt, die mit dem erfindungsgemäßen Algorithmus ermittelt wurden. Die Drehmomentschwingungen wurden dabei mit einem hochauflösenden Modell nach I. I. Vibe, "Brennverlauf und Kreisprozeß von Verbrennungs­ motoren", VEB Verlag Technik, Berlin, 1970 bei variablen Betriebspunkten (gegeben durch Drehzahl und entsprechend der Kraftstoffzumessung abgetasteten Lastwerte) be­ stimmt.

Fig. 4 zeigt den Verlauf zu Beginn der Adaption, wobei die Nachführung der Gewichte der Neuronen erst zum Zeitpunkt 0.1 s freigegeben wird. Deutlich zu erkennen sind die resultierenden Drehzahlschwankungen, die bei gleichbleibendem Betriebspunkt durch den erfindungsgemäßen Algorithmus zunehmend gedämpft werden. Bei einer Änderung des Betriebspunkts jedoch beginnt der Vorgang der Nachführung erneut, was vorübergehend zu einer nicht optimalen Kompensation führt.

Fig. 5 zeigt die zugehörigen Verläufe nach einer Trainingsszeit von 25 s. Die Drehmo­ mentschwingungen werden nahezu vollständig mit Ausnahme der nicht berücksichtigten höheren Ortsfrequenzen kompensiert. Auch bei Änderungen des Betriebspunkts kann nun prädiktiv auf die bereits ermittelten Gewichte der Neuronen zurückgegriffen werden, wes­ halb keine Zeit mehr zu deren Nachführung benötigt wird. Das verbleibende Restmoment an der Kurbelwelle stellt das aus der Drehbeschleunigung ermittelte Drehmoment dar, ist also um das Lastmoment gegenüber dem tatsächlichen Drehmoment des Verbrennungsmo­ tors vermindert, enthält aber das Beschleunigungsmoment. Aufgrund der hier gewählten mittelwertfreien Approximation bleibt dieses jedoch ohne Einfluß auf die Genauigkeit der Kompensation.

Über die genannte Anwendung hinaus ergeben sich weitere Einsatzmöglichkeiten daraus, daß die Wahl der Aktivierungsfunktionen des neuronalen Netzes anstelle einer numeri­ schen auch eine analytische Darstellung der zeitlichen Ableitung des Schätzwerts erlaubt, wodurch sich die Differentialgleichung einer regelungstechnisch invertierten Stellglieddy­ namik verzögerungsfrei auswerten läßt und somit eine bestmögliche Übereinstimmung des erzeugten Kompensationsmoments mit dem vorgegebenen Kompensationssignal er­ zielt werden kann.

Weiterhin ermöglicht es die Lernstruktur nach dem o. g. Fehlermodell 4, Totzeiten des Stellglieds oder der Signalverarbeitung sowie eine Begrenzung der zulässigen Kompensa­ tionsgröße zu berücksichtigen. Ebenso kann auch der Grad der Kompensation durch eine geeignete Modifikation des Lerngesetzes frei vorgegeben werden.

Auch kann das erfindungsgemäße Verfahren mit anderen Verfahren zur passiven oder ak­ tiven Schwingungsdämpfung, wie in Filipovic und Schröder, "Bandpaßabsorber", 198 12 053.2 oder in Filipovic und Schröder, "Linearer Aktiver Resonator", DE 196 05 416 A1 in bestimmten Anwendungsfällen kombiniert werden. Dabei ist für das erfindungsgemäße Verfahren in der Regel durch Modifikation des Lerngesetzes ein reduzierter Kompensa­ tionsgrad vorzugeben. Ebenso ist das erfindungsgemäße Verfahren auch bei begrenzter Stellgröße zur Kompensation stabil einsetzbar.

Des weiteren kann die durch das erfindungsgemäße Verfahren erzielte spektrale Zerlegung des Meßsignals zur Diagnose statistisch relevanter Fehlerfälle, wie z. B. zur Erkennung von Zylinderungleichförmigkeit oder wiederholter Zündaussetzer eines Verbrennungsmo­ tors, eingesetzt werden. Ebenso kann das erfindungsgemäße Verfahren zur automatisier­ ten Vermessung der Schwingungsverläufe eines Prozesses im fehlerfreien Zustand über den gesamten Betriebsbereich eingesetzt werden. Ein Vergleich dieser Verläufe mit den im späteren Betrieb auftretenden Verläufen erlaubt dann auch die Erkennung einmaliger oder stochastischer Fehler, wie z. B. unregelmäßige Zündaussetzer eines Verbrennungsmotors.

Claims (18)

1. Verfahren und Einrichtung zur adaptiven Identifikation und adaptiven Dämpfung von Schwingungen oder Drehungleichförmigkeiten, dadurch gekennzeichnet, daß der Verlauf der Schwingung durch ein intelligentes Verfahren zur nichtlinearen Funktions- Approximation, wie z. B. ein erfindungsgemäßes Harmonisch Aktiviertes Neuronales Netz, im Spektralbereich für variable Betriebspunkte identifiziert und zum Zweck der Kompensation reproduziert wird.

2. Verfahren und Einrichtung nach Anspruch 1, dadurch gekennzeichnet, daß die Iden­ tifikation der Schwingungen bzw. Drehungleichförmigkeiten durch ein anderes Ver­ fahren zur nichtlinearen Funktions-Approximation erfolgt.

3. Verfahren und Einrichtung nach den Ansprüchen 1 bis 2, dadurch gekennzeich­ net, daß die Ermittlung der Gewichte der Neuronen des neuronalen Netzes durch Vergleich einer gemessenen Größe mit dem Ausgang des neuronalen Netzes oder mittelbar oder unmittelbar durch eine gemessene Größe gesteuert wird.

4. Verfahren und Einrichtung nach den Ansprüchen 1 bis 3, dadurch gekennzeichnet, daß die gemessenen Größen erst nach Durchlaufen einer Signalverarbeitung zur Er­ mittlung der Gewichte der Neuronen des Neuronalen Netzes zur Verfügung stehen.

5. Verfahren und Einrichtung nach den Ansprüchen 1 bis 4, dadurch gekennzeichnet, daß die gemessene Größen durch Größen ersetzt werden, die mit unabhängigen Ver­ fahren beobachtet oder geschätzt werden.

6. Verfahren und Einrichtung nach den Ansprüchen 1 bis 5, dadurch gekennzeichnet, daß die Ergebnisse der Identifikation für den Normalzustand als Parameterkennfeld gespeichert werden.

7. Verfahren und Einrichtung nach den Ansprüchen 1 bis 6, dadurch gekennzeichnet, daß die Schwingung bzw. Drehungleichförmigkeit durch die gespeicherten Parameter rekonstruiert werden kann und u. a. als Kompensationssignal verwendet wird.

8. Verfahren und Einrichtung nach den Ansprüchen 1 bis 7, dadurch gekennzeichnet, daß das Stellglied zur Umsetzung der Kompensationsgröße oder die Meßeinrichtun­ gen jeweils mit Totzeit behaftet sind oder ein nichtlineares oder ein dynamisches Übertragungsverhalten besitzen oder eine beliebige Kombination davon aufweisen, die bei der Ermittlung der Kompensationsgröße berücksichtigt werden kann.

9. Verfahren und Einrichtung nach den Ansprüchen 1 bis 8, dadurch gekennzeichnet, daß der Grad der Kompensation frei vorgebbar ist.

10. Verfahren und Einrichtung nach den Ansprüchen 1 bis 9, dadurch gekennzeichnet, daß eine Begrenzung der Stellgröße zur Kompensation vorgegeben und berücksich­ tigt werden kann.

11. Verfahren und Einrichtung nach den Ansprüchen 1 bis 10, dadurch gekennzeich­ net, daß der Einsatz der Identifikation parallel zum Prozeß erfolgt, ohne mit einem Kompensationssignal in den Prozeß einzugreifen.

12. Verfahren und Einrichtung nach den Ansprüchen 1 bis 11, dadurch gekennzeichnet, daß die Parameter des neuronalen Netzes auch zur Diagnose wiederholter oder ein­ maliger Fehlerzustände oder zur Überwachung des Prozesses ausgewertet werden, indem die ermittelten Parameter der normalen und der gestörten Schwingung bzw. Drehungleichförmigkeit verglichen werden.

13. Verfahren und Einrichtung nach den Ansprüchen 1 bis 12, dadurch gekennzeichnet, daß das Verfahren zur Dämpfung verbrennungsmotorischer Drehmomentschwingun­ gen mittels einer elektrischen Maschine an der Kurbelwelle oder im Antriebsstrang eines Kraftfahrzeuges eingesetzt wird.

14. Verfahren und Einrichtung nach den Ansprüchen 1 bis 13, dadurch gekennzeich­ net, daß außer der Grundinformation "Schwingung" bzw. "Drehungleichförmigkeit" an sich noch weitere Zusatzinformationen, die auf die Schwingung bzw. Drehun­ gleichförmigkeit Einfluß haben, berücksichtigt und als Information genutzt und als weitere Dimensionen im Parameterkennfeld eingefügt werden.

15. Verfahren und Einrichtung nach den Ansprüchen 1 bis 14, dadurch gekennzeichnet, daß das Verfahren in Kombination mit anderen Verfahren zur passiven mechanischen oder zur regelungstechnischen aktiven Schwingungsdämpfung eingesetzt wird.

16. Verfahren und Einrichtung nach den Ansprüchen 1 bis 15, dadurch gekennzeichnet, daß das Verfahren auch zur Diagnose von Zylinderungleichförmigkeit oder Zündaus­ setzern bei Verbrennungsmotoren eingesetzt wird.

17. Verfahren und Einrichtung nach den Ansprüchen 1 bis 16, dadurch gekennzeich­ net, daß das Verfahren auch zur Zylindergleichstellung bei Verbrennungsmotoren eingesetzt wird.

18. Verfahren und Einrichtung nach den Ansprüchen 1 bis 17, dadurch gekennzeichnet, daß das Verfahren zur Kompensation der Wicklerunrundheit in kontinuierlichen Fertigungsanlagen eingesetzt wird.