DE69315423T2

DE69315423T2 - Neuro-Pid Regler

Info

Publication number: DE69315423T2
Application number: DE69315423T
Authority: DE
Inventors: Steven Harp; A Konar; Tariq Samad
Original assignee: Honeywell Inc
Current assignee: Honeywell Inc
Priority date: 1992-01-31
Filing date: 1993-01-27
Publication date: 1998-05-20
Anticipated expiration: 2013-01-28
Also published as: JPH07503563A; DE69315423D1; EP0624264B1; JP3328742B2; US5396415A; WO1993015448A1; EP0624264A1

Description

HINTERGRUND DER ERFINDUNG

Die Erfindung betrifft das Gebiet der nichtlinearen Regler und ist insbesondere zur Erhöhung der Effektivität von Funktionen gewöhnlicher Proportional-Integral-Differential (PID)-Regler im Hinblick auf die Regelung zeitveränderlicher dynamischer Prozesse und Systeme angepaßt.
Regler sind inhärent komplex seit diesselben sich dynamisch ändernde Systeme mit dem Versuch regeln, den Systemausgang einer gewünschten Antwort anzupassen. (Die gewünschte Äntwort kann eine Sollwert-Änderung oder die Ausgangs-Kurve eines Referenzmodells sein, welches die Eigenschaften der gewünschten Antwort aufweist. In den nieisten realen Regelsituationen würde man nicht envarten, und könnte auch nicht erzielen daß der Prozeßausgang unverzüglich auf den Sollwert gebracht wird. Daher ist es das Ziel, der angenommenen optimalen Kurve zu folgen).
Sowohl wegen als auch trotz ihrer Einfachheit sind lineare Regler weiterhin das Allzweckmittel von Regelanwendungen. Insbesondere werden bei der überwiegenden Mehrzahl der aktuellen Anwendungen Proportional-Integral-Differential-(PID)-Regler eingesetzt. Sowohl in der Luftfahrt als auch in der verfahrenstechnischen Industrie hat sich die PID-Regelung als einfach in ihrer Benutzung und als eine angemessene Leistung gewährleistend erwiesen. PID-Regler sind auch von allgemeinem Zweck d.h. daß diesselbe Reglerstruktur für einen breiten Bereich von Anwendungen verwendet werden kann.
Noch immer ist die PID-Regelung weit von einem Ideal entfernt. Für jede nicht-triviale Anwendung ist es bekannt, daß nicht-lineare Regler einen PID-Regler substantiell übertreffen können. Für spezielle Anlagen können nicht-lineare Regler mit hoher Leistung entwickelt werden. In der Anwendung hat dies jedoch einmalige Entwicklungen für jede Unternehmung erfordert, einhergehend mit hohen Kosten und hoher Komplexität. Zum gegenwärtigen Zeitpunkt gibt es keinen formalen Lösungsweg, um allgemeine nichtlineare Regler zu entwickeln.
Wir haben als eine mögliche Lösung für dieses Problem ein "Neuro-PID-Regler"-Konzept entwickelt, welches ein neuronales Netzwerk einsetzt, um einen nicht-linearen Regler zu realisieren, welcher jedoch die PID-Schnittstelle beibehält.
Daher weist er die Einfachheit im Gebrauch und die anwendungsunabhängigen Eigenschaften konventioneller PID-Regler auf, wälirend die nicht-linearen dynamischen System-Modelleigenschaften eines neuronalen Netzwerks vervendet werden, um Regelgesetze zu realisieren, die robuster, genauer und im Hinblick auf Anwendungen verallgemeinerbarer sind als andere Lösungswege.
PID-Regler werden allgegenwärtig für konventionelle Regelungen vervendet. Bei konventioneller Formulierung nutzen diese PID-Regler sechs Eingangssignale, um einen Ausgang zum Betreiben des Anlagenprozesses zu erzeugen. Die Eingänge sind Signale, die auf der einen Seite die Reglerparameter (oder Verstärkungen) KC, KI und KD repräsentieren, und auf der anderen Seite drei Fehlersignale repräsentieren: den Fehler zwischen dem Sollwert oder der Referenzmodell-Antwort und der Prozeßantwort, e, das Integral dieses Fehlers, e, und die Ableitung dieses Fehlers, . Diese von konventionellen PID-Reglern berechnete Funktion ist eine gewichtete Summe der Fehlersignale:
UPID = KCe + KI e + KD
Diese kann sowohl in analoger als auch digitaler Weise berechnet werden, um UPID zu erzielen.
KC, KI und KD sind Reglerparameter oder Verstärkungen. Ihre Werte bestimmen gemeinsam den Reglerausgang. Bei konventionellen PID-Mustern wird angenommen, daß man durch Erhöhung der proportionalen Verstärkung Kc die Bandbreite der geschlossenen Regelschleife erhöhen kann (Reduzierung der benötigten Zeit, um Störungen zu verkleinern); man durch Erhöhung der differentialen Verstärkung KD die Dämpfung erhöhen kann (Verringerung von Überschwingungen); und man durch Erhöhung der integralen Verstärkung KI die Robustheit des Systems (Reduzierung der Störgrößen- Empfindlichkeit) erhöhen und bleibende Folgeregelungs-Abweichungen verringern kann. Wie auch immer entkoppelt sich das Verhalten eines geschlossenen Regelsystems (dynamisches System) nicht immer nach der obigen Art und Weise. Demgemäß kann eine erhöhende integrale Verstärkung die Dämpfung reduzieren, oder eine erhöhende proportionale Rückführung kann die Sensitivität etc. erhöhen. In der Praxis installiert der Benutzer eine PID-Regler-Box in einem geschlossenen Regelkreis und stellt die Verstärkungen solange ein, bis die Regelantwort des Systems ein guter Kompromiß zwischen widerstreitenden Zielen des Benutzers ist.
Es gibt keinen theoretischen Grund anzunehmen, daß dies die optimale Funktion der sechs Größen ist, und in der Tat ist es unwahrscheinlich, daß dies die optimale Funktion ist, insbesondere in einem großen Suchraum möglicher nicht-linearer Funktionen. Daher sind konventionelle PID-Regler nicht so gut wie sie sein könnten, falls die richtige nicht-lineare Funktion auf die PID-Regler-Parameter angewendet würde. Diese Erfindung zeigt zwei Lösungswege, um effektivere PID-Regler zu schaffen, die nicht-lineare Funktionen in das konventionelle PID-Muster einführen. Wegen der identischen Schnittstelle zu konventionellen PID-Reglem ist zusätzlich eine Vielzahl der in Verbindung mit vielen PID-Installationen verwendeten "Verkleidungs-Software" (zum Beispiel Anti-Reset- Windup, Bias-Offset) direkt anwendbar auf den Neuro-PID. Unser Lösungsweg auf dynamische neuronale Netzwerke hat es uns erlaubt, allgemeine Verknüpfungsmuster zu nutzen und er verbindet Dynamik mit Prozeßelementen. Mit anderen Worten können neuronale Netzwerke, die dynamische Elemente aufweisen, deren Ausgänge in das Netzwerk zurückgeführt werden, dazu verwendet werden, um neuronale Netzwerk- Modellierung zur genauen Abbildung dynamischer Systeme zu gewährleisten. Daher können nicht nur lineare Systeme mit den Reglern auf Basis eines neuronalen Netzwerks geregelt werden, insbesondere können auch nichtlineare dynamische Systeme geregelt werden. Wie wir weiter unten darlegen werden, können PID-Parameter genutzt werden, um diese Regelung zu bewerkstelligen.
Ein Neuro-PID kann in der industriellen Anlagenregelung und in Umweltschutz- Regelsituationen ebenso wie in der Flugregelung verwendet werden. Zum Beispiel ist der Neuro-PID auf dem Gebiet der Flugregelung wegen verschiedener Gründe vorteilhaft:
- Im Bereich der Flugregelung sind relativ einfache Regler in verschiedenen Anwendungsfällen notwendig. Zum Beispiel können komplexe modellbasierte Regler nicht die in kleinen Flugsystemen innewohnenden rechnerischen Einschränkungen erfüllen. Die von Neuro-PID-Reglern erforderten Speicher- und Rechenresourcen sind größer als bei konventionellen PIDs, liegen jedoch gut innerhalb dieser Beschränkungen; sie sind für Softwareimplementierungen geeignet.
- Es existiert ein gut eingeführter Lösungsweg zum Entwerfen PID-basierter Flugregler. Dieser gleiche Lösungsweg, oder eine vereinfachte Version desselben, kann verwendet werden zur Entwicklung von Neuro-PID-Flugreglem. Verstärkungsberechnung kann bei Neuro-PID-Regelung genauso verwendet werden wie bei PID-Regelung.
- Recht genaue Luftfahrzeug-Modelle sind verfügbar, um diese während des Entwicklungsprozesses einzusetzen.
- Im Prinzip können existierende Systeme mit den Neuro-PID-Reglern mit geringem Aufwand nachgerüstet werden.
Neuronale Netzwerke wurden in der Vergangenheit venvendet: siehe z.B. U.S. Anmelde- Nr.07/643,595 in welcher ein neuronales Netzwerk verwendet wurde, um Gleichungen zu erzeugen, die einen zu regelnden Prozeß identifizieren; und U.S. Anmelde-Nr. 07/807,903, in welcher gezeigt wurde, daß neuronale Netzwerke im Zusammenhang mit automatischen Einstellvorrichtungen für PID-Regler anwendbar sind.

ZUSAMMENFASSUNG DER ERFINDUNG

Die vorliegende Erfindung stellt einen Regler für ein System mit geschlossener Regelschleife bereit, wobei der Regler gekennzeichnet ist durch einen linearen PID-Regler und einen neuronalen Netzwerkregler, welcher für das System trainiert ist, mit einem Benutzereingangsschalter und Auswahlmitteln für den Benutzer, wobei der Benutzer die Anweudung entweder des Ausgangs des neuronalen Netzwerkreglers in Verbindung mit dem konventionellen PID-Regler oder den Ausgang des konventionellen PID-Reglers allein auswählen kann.
Bei dieser Erfindung wird das neuronale Netzwerk auf den PID-Regler angewendet, um einen auf einer linearen Gleichung basierenden Regelprozessor durch einen dynamischen neuronalen Netzwerk-Prozessor zu ersetzen, der fähig ist, Ausgänge entsprechend Gleichungen höherer Ordnung zu erzeugen. Obwohl nicht-dynamische neuronale Netze verwendet werden können, ist es bevorzugt, daß diese dynamisch sind mit interner Rückführung. Ein Beispiel kann in dem U.S. Patent 5,050,095 gefunden werden.

KURZE BESCHREIBUNG DER ZEICHNUNG

Figur 1 ist ein Blockdiagramm eines durch einen Neuro-PID-Regler geregelten Prozesses mit geschlossener Regelschleife.
Figur 2 ist ein Blockdiagramm eines neuronalen Netzwerks, welches als Eingangsparameter, KD, KI, KC sowie den Fehler, den differenzierten Fehler und das Integral des Fehlers empfängt, und einen sich ergebenden Ausgang UPID aufweist.
Figur 2A ist ein Blockdiagramm eines sich auf zwei neuronale Netzwerkregler und einen konventionellen PID-Regler stützenden hybriden Reglers.
Figur 3 ist ein Blockdiagramm eines algebraischen neuronalen Netzwerkreglers, welcher diesselben Eingänge benutzt wie die Eingänge in Figur 2.
Figur 4 ist ein Blockdiagramm eines neuronalen Netzwerkreglers, welcher den Fehler-Eingang benutzt.
Figur 5 ist ein Blockdiagramm für einen dynamischen Netzwerkregler, welcher sowohl den Ausgang als auch den Sollwert oder die Referenzmodell- Antwort nutzt, um den Fehler zu indizieren.
Figur 6 ist ein Schaubild von durch einen Neuro-PI-Regler oder einen ähnlich ausgebildeten konventionellen PI-Regler erzeugten Punkten.
Figur 7 ist ein Venn-Diagramm, welches Problemräume und Lösungsräume in Beziehung bringt.
Figur 8 ist ein heuristisches Blockdiagramm zur Darstellung, wie das Training eines Neuro-PID-Reglers bewerkstelligt werden kann.

DETAILLIERTE BESCHREIBUNG DES BEVORZUGTEN AUSFÜHRUNGSBEISPIELS

Die hier beschriebene Erfindung kann angewendet werden, um typische und konventionelle PID-Regler zu ersetzen, und es können Spezialzweck-Neuro-PID-Regler für spezielle Anwendungen entwickelt werden, sowie z.B. für Durchflußregelung, Pegelregelung oder Temperaturregelung. Anwendungsspezifische Neuro-PIDs können für einen schmaleren Bereich von Prozessen optimiert werden und können daher weniger kostenaufwendig sowohl in der Herstellung als auch im Betrieb sein. Ein Hauptvorteil von Neuro-PID-Reglern ist, daß ein Benutzer (der Prozeßbediener) mit dem Neuro-PID-Regler auf diesselbe Weise umgehen kann. wie er das bisher mit PID-Reglem getan hat.
Insbesondere bestimmt der Benutzer die Parameter KC, KI, und KD. Daher wird es nicht schwierig sein, die Benutzer im Einsetzen von Neuro-PID-Reglern umzuschulen.
Die Schnittstelle zum geregelten System ist desweiteren diesselbe, weil der Neuro-PID mit exakt denselben Signalen arbeitet wie ein konventioneller PID-Regler, und Signale produziert, die den Prozeß in derselben Weise wie ein konventioneller PID-Regler führen.
Es soll erwähnt werden, daß ein Neuro-PID-Regler nicht ein adaptiver Regler oder ein modellbasierter Regler ist. Wie auch immer können Ausführungen die kein neuronales Netzwerk benutzen, als modellbasierte Regler im Sinne dieses Wortes in Betracht gezogen werden. Der arbeitende Neuro-PID-Regler bezieht keine Modell-Identifikation oder Parameter-Schätzung ein. Er ersetzt oder ergänzt die normalen PID-Regler-Funktionen mit nicht-linearen Funktionen, wie hier beschrieben.
Unter Bezugnahme zuerst auf Figur 1 kann allgemein gesagt werden, daß der in dem geschlossenen Regelkreis 10 geregelte Prozeß 11 und der Neuro-PID-Regler 12 auf einen am Anschluß 8 anliegenden Sollgrößen-Eingang yr ansprechen. Eine Änderung oder eine Differenz zwischen der an dem Anschluß 18 anliegenden Sollgröße yr und dem an dem Anschluß 14 anliegenden Prozeß-Ausgangssignal y erzeugt, durch einen Addierer, ein Differenz- oder ein Fehler-Signal e, welches als Eingang für den Neuro-PID-Regler 12 am Anschluß 15 anliegt. Der Neuro-PID-Regler 12 empfängt PID-Parameter-Eingangssignale 13 und erzeugt, basierend auf der Kombination der Eingänge 13 und 15, einen Ausgang von Regelsignalen U am Anschluß 16, welche die Regelfunktionen des Prozesses bewirken (Öffnen von Ventilen Beschleunigen oder Abbremsen von Motoren. etc.). Der PID-Eingang 13 repräsentiert Verstärkungs-Parameter-Werte.
Ein konventioneller PID-Regler würde im allgemeinen so aussehen wie der Block 34 in Figur 2. Abhängig davon, ob der Neuro-PID oder der konventionelle PID verlangt wird, erlaubt es dieser parallele Aufbau dem Bediener lediglich die gewünschte Reglerstruktur auszuwählen. In einem bevorzugten Ausführungsbeispiel besteht ein hybrider konventioneller und Neuro-PID-Regler sowohl aus dem konventionellen PID-Reglerblock (gepunktet umrandet) 34 und dem neuronalen Netzwerkregler 21. Dieser konventionelle Neuro-PID ist als Block 12 in Figur 1 vorgesehen. Daher wird ein Regler 20 gebildet mit Eingängen 22 bis 27, die die drei PID-Parameter (KI, KC, KD) und den Fehler, die differenzierten und integrierten Fehler (e, e, und ) einschließen.
( e und Fehlersignale können direkt aus e errechnet werden durch Verwendung analoger oder digitaler Rechenschritte. Diese Berechnung ist in dem hier vorliegenden Fall als innerhalb des Blocks 12 realisiert anzusehen.) Alle sechs dieser Eingänge liegen gemeinsam an den Anschlüssen 28 des neuronalen Netzwerks 21 an. Sie liegen desweiteren auch an den Anschlüssen 29a und 29b des konventionellen Regler-Blocks 34 an. Hier wird das am Anschluß 25 anliegende Signal (das Fehlersignal e) mit dem am Anschluß 24 anliegenden Proportional-Parameterwert (Kc) multipliziert, das am Anschluß 26 anliegende Integral des Fehlers wird mit dem am Anschluß 23 anliegenden Integralparameter multipliziert, der am Anschluß 22 anliegende Differentialparameter wird mit dem am Anschluß 27 anliegenden Differential des Fehlers multipliziert. Diese Multiplikationen werden durch die heuristischen Multiplikations-Prozessorblocks 30, 31 und 32 repräsentiert. Die Ausgänge dieser heuristischen Multiplikationsblocks werden in dem Addier-Prozessor 33 miteinander addiert, um ein am Anschluß 35 anliegendes Ausgangssignal zu erzeugen in Übereinstimmung mit der gut bekannten Gleichung:
uPID = KCe+KI e+KD .
Abhängig davon, ob ein konventioneller PID oder Neuro-PID-Betrieb gewünscht ist, wird der Schalter 37 eingeschaltet oder ausgeschaltet. Im Falle des Einschaltens ist der Reglerausgang u die Summe des konventionellen PID-Ausgangs (UPID) und des Ausgangs des neuronalen Netzwerks 21 (Δu). Wenn er ausgeschaltet ist, kann der Ausgang des neuronalen Netzwerks direkt von Abzweigung 37a benutzt werden.
Wie es den einschlägigen Fachleuten bestens bekannt ist können irgendwelche Konvertierungs-Einrichtungen zwischen dem Signal u und dem Prozeß 11 (Fig. 1) eingesetzt werden, so daß ein angepaßter Signallevel für jedes der regelbaren oder betätigbaren Elemente in dem Prozeß erzeugt werden kann.
Wie gegenwärtig bevorzugt wird, kann der Anschluß 35a den PID-Ausgang eines konventionellen Reglers 34 als zusätzlichen Eingang zum neuronalen Netzwerk zur Verfügung stellen. Dies erhöht die Robustheit des letztendlichen Ausgangs u. Dies kann desweiteren die Trainingszeit verringern und andere Vorzüge verursachen.
Mit Bezugnahme auf Figur 2a zeigt diese einen komplexeren hybriden Regler 120, bei dem die PID-Parameter-Eingänge durch eine Multiplexer-Einheit 122 eintreten und über drei Anschlüsse der konventionellen PID-Regler-Prozessoreinheit 123 und zwei neuronalen Netzwerkregler-Prozessoreinheiten 124 und 125 zur Verfügung gestellt werden. Die Fehler-Eingänge durchlaufen eine Multiplexer-Einheit 121 ebenfalls auf drei Anschlüssen zu dem konventionellen PD-Prozessor 123, und wenigstens eines der Fehlersignale wird den neuronalen Netzwerk-Prozessoren 124 und 125 zur Verfügung gestellt. Der neuronale Netzwerk-Prozessor 124 (NN&sub1;) wird in einem geschlossenen Regelkreis-System trainiert, welches diesen und den konventionellen PID-Prozessor 123 existierend als Teil des Modells aufweist. Der andere neuronale Netzwerk-Prozessor 125 (NN&sub2;) wird in dem geschlossenen Regelkreis-System ohne Verwendung des konventionellen PID-Prozessors trainiert. Daher wird der Ausgang u3 bestehend aus Regelsignalen des neuronalen Netzwerk-Prozessors 124 unterschiedlich sein vom Ausgang u4 bestehend aus Regelsignalen vom neuronalen Netzwerk-Prozessor 125. Bei diesem Hybrid-Regler 120 kann der Bediener durch Verwendung des Multiplexers 126 den gewünschten Regelsignal- Ausgang ud dahin gehend auswählen, ob dieser entweder der Ausgang u1 des konventionellen PID 123 ist, ob dieser u2 ist als additiver Ausgang des konventionellen PID 123 und NN&sub1; 124, oder ob dieser der Ausgang u4 des neuronalen Netzwerks alleine ist.
Die einfachste Form eines Neuro-PID-Reglers wäre eine ähnlich der in Figur 3 beschriebenen, welche (anstelle des Blocks 12 in Figur 1 eingesetzt werden könnte und) einen Prozessor oder einen Satz von Prozessoren (entweder Hardware oder Software) benutzen würde, um die Gleichung Eq1 zu implementieren zur Erzeugung eines am Anschluß 49 anliegenden Ausgangs u aus den Eingängen 41 und den Fehler-Eingängen 46, 47 und 48. Man bemerke, daß diese Gleichung keine Möglichkeit zur Darstellung anderer Regeikreis-Dynamiken erlaubt als die vorberechneten e, e und .
In der Gleichung Eq1 ist der Ausgang eine Funktion der Gewichte (ηw) in dem neuronalen Netzwerk und der Netzwerk-Eingänge.
In Verbindung mit Figur 4 kann man erkennen, daß durch eine gennge Anderung in den Eingängen der Wert des Ausgangs-Signals als auf die unbeschränkten dynamischen Gegebenheiten des geschlossenen Regelkreis-Systems ansprechend bezeichnet werden kann. Dasselbe trifft auf Figur 5 zu, wobei yr und y die Eingänge sind anstelle des einfachen Fehlers. In der Gleichung Eq2 kann eine Zustandsvariable x als Funktion der Gewichte und des Vektors x und e definiert werden. Der Ausgang ist daher eine Funktion (ηw des Vektors x und e). Der Unterschied zwischen Figuren 4 und 5 kann auch gesehen werden durch einen Vergleich der Gleichungen Eq2a und Eq3a mit den Gleichungen Eq2 und Eq3. In den Gleichungen Eq2 und Eq3 realisiert das neuronale Netzwerk ein nichtlineares dynamisches System. X repräsentiert die Zustandsvariablen dieses Systems. Eq2 bestimmt wie sich die Zustandsvariablen jiber die Zeit entwickeln (die Bezeichnung bezeichnet die Veränderungsrate von x, oder dx/dt), und Eq3 bestimmt den Ausgang des neuronale Netzwerks zu jeder Zeit. Daher sind sowohl der Netzwerkausgang als auch sein nächster Zustand Funktionen des aktuellen Zustands x, des Fehlersignals e und der Reglerparameter KC, KI und KD.
Gleichungen 2a und 3a sind exakt analog ausgebildet, ausgenommen, daß hier dem Netzwerk yr und y als Eingänge zur Verfügung gestellt werden, eher als e (bemerke, daß e=yr-y).
Es ist für solche, die mit neuronalen Netzwerken arbeiten, selbstverständlich, daß Training wichtig ist. Training neuronaler Netzwerke wird im allgemeinen durchgeführt, um Werte von Netzwerk-Gewichten zu bestimmen, so daß die gewünschte Funktionalität des Neuro- PID-Reglers für den zu regeln den Prozeß erzielt wird. Training kann als nicht-linearer Optimierungsprozeß angesehen werden. Er ist ähnlich dem Versuch der Minimierung einer Kostenfünktion. Gewöhnlich versucht man die Werte der Netzwerk-Gewichte w zu bestimmen, die den ins Quadrat erhobenen integralen Fehler zwischen einem gewünschten Prozeß-Ausgang yr und dem aktuehen Prozeß-Ausgang y minimieren. Der aktuelle Prozeßausgang ist eine Funktion der Netzwerk-Gewichte w über irgendein interessierendes Zeitintervall. Der Prozeß-Ausgang y ist nur indirekt eine Funktion der Netzwerk-Gewichte. Das Netzwerk selbst erzeugt den Regler-Ausgang u.
Für mehr Details im Hinblick auf das Training von Neuro-PID-Reglern, welche neuronale Netzwerke einsetzen, wird Bezug genommen auf Figur 8. Die Gewichte w sind variabel, wie dies die heuristische Darstellung durch die gepunktete Linie 95 anzeigt. Die Gewichte befinden sich in dem Neuro-PID-Regler 12 (Figur 1) oder in dem Neuro-PID-Regler 87.
Die Differenz zwischen y und yR kann einem Fehler-Berechnungs-Prozessor 91 jeglicher Art zugeführt werden zur Fehler-Index-Berechnung. Der Fehler-Index kann als J bezeichnet werden und dieser wird dann einem Optimierungs-Prozessor oder einem Lernalgorithmus-Prozessor zur Optimierung der Gewichte im Prozessor 93 zugeführt werden. Der Ausgang 94 wird die neuen Werte für (auch ausgedrückt als w) sein. Dies kann in Form der Einstellung der Gewichte, z.B. Δw falls gewünscht, sein, eher als ein Signal, welches dem Wert der Gewichte entspricht. Alternativ und unter Einschluß einer Darstellung des Fehler-Index J, kann zuerst die Gradienten-Berechnung durchgeführt werden, was wJ ergibt, welcher ein Vektor der partiellen Differenzierung von J im Hinblick auf das erste Gewicht, die partielle Differenzierung von J im Hinblick auf das zweite Gewicht usw. ist, bis alle Gewichts-Werte festgesetzt wurden.
Die Optimierung kann auf Gradienten- oder Nicht-Gradienten-Basis durchgeführt werden. Typische gradienten-basierte Optimierung schließt "Gradienten-Abwärtsbewegung" ein, welche Δw = -ηwJ oder w(t+1) = w(t) - η WJ ist; die Levenberg-Marquardt-Beziehung und der konjugierte Gradient (η ist als Lärm-Raten-Parameter bekannt). Eine nicht-gradienten basierte Optimierung kann auch genutzt werden, einschließlich der Nutzung genetischer Algorithmen. Der Bezug der genetischen Algorithmen zum Trainieren neuronaler Netzwerke sind im Stand der Technik eingeführt, eine Beschreibung kann unter Bezugnahme auf Montana und Davis, "Training Feedforward Neural Networks Using Genetic Älgorithms", Seite 1 bis 10, 1989; Dress und Knisley "A Darwinian Approach to Artificial Neural Systems, IEEE, Seite 572 - 577, 1987; und U. S. Patent Nr.4,935,877 (Koza) sowie der anhängigen U.S.-Patentanmeldung 07/329,623 entnommen werden, welche zur Erteilung ansteht.
Unter Bezug auf Figur 7 ist die Venn-Diagramm-Umgebung der PID-Parameter 80 und die Venn-Diagramm-Umgebung des Prozesses 81 gezeigt. Das Einstell-Kriterium ist als Doppelpfeil-Linie 83 dargestellt. Es gibt eine Beziehung zwischen dem Prozeß (ein Punkt 84 in dem Raum 81) und einem Satz von PID-Parametern 82 (ein Punkt 82 im Raum 80). Der Prozeß 84 wird durch den Parametersatz 82 optimal geregelt. Die Lösung bei 82 ist für das spezielle System 84 optimiert. Wie auch immer kann ein Satz von Systemen oder Prozessen unter Verwendung eines PID-Reglers von konventionellem Typ angemessen geregelt werden, wie dies in dem Bereich 85 gezeigt ist. Der Bereich 86 definiert einen zusätzlichen Bereich von Prozessen, die durch einen Neuro-PID-Regler geregelt werden können, mit der gleichen PID-Einstellung von KC, KI und KD, dargestellt durch den Punkt 82.
Unter Bezugnahme auf Figur 6 ist dort die Zeitkonstante des Systems entlang der y-Achse des Diagramms dargestellt, und die x-Achse gibt den Bereich der Prozeß-Verstärkung an. Der Bereich der zur Regelung zur Verfügung stehenden Prozesse mit einem PI-Regler mit den festgesetzten Parametern KC=2, KI=2, ist dargestellt unter Verwendung des Symbols 61, die Regelung mit einem Neuro-PI-Regler mit den gleichen PD-Einstellungen ist dargestellt unter Verwendung des Symbols 62. Die Darstellung wurde unter Verwendung eines Neuro-PID-Reglers erstellt, welcher durch das Intervall (-1, 1) beschränkte Gewichte hat, mit jeweils 128 diskreten Werten (z.B. 7 Bits pro Gewicht). Der Neuro-PID-Regler hatte drei Trainingsläufe, die ohne Untersuchung einer effizienten neuronalen Netzwerk- Architektur und effizienter Lernalgorithmus-Parameter durchgeführt wurden. Ein einfaches Optimierungs-Kriterium wurde benutzt. Z.B. wurden nur Prozeßmodelle erster Ordnung benutzt, wobei KD = 0 gesetzt wurde. Diese Art von PID-Reglern sind gut geeignet für solche Tests, weil sie nachweisbar optimal sind bei einem gegebenen, stationären Prozeß und einem Refererenzmodell erster Ordnung. Die Referenzmodell-Übertragungstunktion wurde als 1/(5s + 1) angenommen, Einheitsverstärkung und Zeitkonstante von 0.5 Einheiten. Für einen aktuellen Prozeß von 1/(s + 1) stimmt das geschlossene Regelkreis- System perfekt mit dem Referenzmodell überein mit den obigen Regler-Einstellungen von KC = 2, KI = 2. Wenn die Prozeß-Parameter sich verschieben, so wird die Übereinstimmung schlechter.
Zur Berechnung der Robustheit wurde ein Kriterium zur angemessenen Regelung formuliert. Die integrierte ins Quadrat erhobene Differenz zwischen einer Prozeß- Treppenantwort und dem Referenzmodell sollte nicht größer sein als 0,5. Sowohl für den PI-Regler als auch den trainierten Neuro-PI-Regler wurden die Gebiete der angemessenen Regelung (Figur 6) durch systematisches Verändern der Prozeß-Parameter und durch Berechnen, ob das sich ergebende geschlossene Regel-System (mit Kc und KI durchweg auf 2,0 gesetzt) akzeptierbar innerhalb des obenen Kriteriums liegt, berechnet. Sogar in diesem einfachen Beispiel ist der Bereich des Neuro-PI-Reglers 480% größer. Der Trainings-Raum 63 für den Neuro-PI-Regler war eine rechtwinklige Box, welche den PI- Bereich der angemessenen Regelung klar umschließt. Daher stellt das Meiste der Figur 6 eine Neuro-PI-Verallgemeinerung dar. Es kann gesagt werden, daß der Neuro-PID gut über seinen Trainingsbereich hinaus Prozesse angemessen regelt.
Es soll angemerkt werden, daß ein Regler als PID-Regler verstanden werden soll, dessen Eingangs-Parameter irgendeine Kombination von Parametern des Parametersatzes KI, KC und KD sind. Die Erfindung ist auf jeden dieser Fälle anwendbar.

Claims

1. Regler für ein System mit geschlossener Regeischleife, wobei der Regler gekennzeichnet ist durch einen linearen PID-Regler (34) und einen neuronalen Netzwerkregler (21), welcher für das System trainiert ist, sowie durch Auswahlmittel für den Benutzer mit einem Benutzereingangsschalter (37), mit dem der Benutzer die Anwendung entweder des Ausgangssignals des neuralen Netzwerkreglers zusammen mit dem konventionellen PID-Regler oder das Ausgangssignal des konventionellen PID-Reglers allein auswählen kann.

2. Regler nach Anspruch 1, dadurch gekennzeichnet, daß das Ausgangssignal des linearen Reglers ein Eingangssignal (35a) für das neurale Netzwerk bildet.

3. Regler nach Anspruch 1, gekennzeichnet durch einen linearen PD-Regler (123) sowie zwei neurale Netzwerkregler (124, 125), wobei einer der neuralen Netzwerkregler ein auf das geschlossene Regeischleifensystem trainierter erster neuraler Netzwerkregler ist und der zweite neurale Netzwerkregler auf ein identisches geregeltes System trainiert ist, mit der Ausnahme, daß dieses identische System nur einen neuralen Netzwerkregler, aber keinen linearen PID-Regler hat, wobei die Mittel zur Benutzerauswahl einen Benutzer-Eingangsschalter (126) aufweisen, mit dem der Benutzer aus einer Gruppe möglicher Ausgangssignale als Reglerausgangssignal auswählen kann: Eine Kombination des Ausgangssignals des ersten neuralen Netzwerkreglers mit dem Ausgangssignal des konventionellen PID-Reglers, das Ausgangssignal des konventionellen PID-Reglers und das Ausgangssignal des zweiten neuralen Netzwerkreglers.

4. Regler nach Anspruch 3, dadurch gekennzeichnet,daß das Ausgangssignal des linearen Reglers ein Eingangssignal für das erste neurale Netzwerk bildet.