Der PID-Regler leistet seit fast einem Jahrhundert gute Dienste. An nichtlinearen Strecken, bei veränderlichem Streckenverhalten und bei stark verkoppelten Größen stößt er jedoch an Grenzen. Neuronale Netze können hier ergänzen, weil sie Zusammenhänge unmittelbar aus Daten lernen.
Wo der klassische Regler an Grenzen kommt
Ein PID-Regler stellt anhand der Abweichung zwischen Soll- und Istwert nach. Für einfache, weitgehend lineare Strecken mit stabilem Verhalten ist das ausgezeichnet geeignet. Schwierig wird es bei ausgeprägter Nichtlinearität, großer Totzeit, mehreren sich gegenseitig beeinflussenden Größen und häufigen Störungen.
Das Einstellen ist bei solchen Strecken aufwendig und führt oft nur zu einem tragbaren Kompromiss. Ändern sich die Bedingungen, muss nachgestellt werden.
Was lernende Verfahren beitragen
Nichtlineare Zusammenhänge
Neuronale Netze können beliebig komplexe Zusammenhänge abbilden. Das macht sie dort interessant, wo sich das Verhalten nicht sinnvoll linearisieren lässt.
Mehrere Größen zugleich
Anders als ein einschleifiger Regler behandeln sie mehrere Ein- und Ausgangsgrößen gemeinsam und erfassen dabei deren gegenseitige Beeinflussung.
Anpassung an Veränderungen
Die Modelle lassen sich mit neuen Daten fortschreiben und folgen damit veränderten Betriebsbedingungen, ohne dass von Hand nachgestellt werden muss.
Welche Ansätze eingesetzt werden
Vorwärtsgerichtete Netze
Sie dienen als Streckenmodell und schätzen aus den Eingangsgrößen die zu erwartenden Ausgangsgrößen. In der modellprädiktiven Regelung wird darauf der Stellverlauf geplant.
Rückgekoppelte Netze
Netze mit Gedächtnis erfassen das zeitliche Verhalten und eignen sich deshalb für Strecken mit ausgeprägter Dynamik und Totzeit.
Bestärkendes Lernen
Hier lernt das Verfahren die Regelstrategie durch Erproben, in aller Regel an einem Simulationsmodell und nicht an der realen Anlage.
Was dabei zu beachten ist
Sicherheit zuerst
Eine lernende Regelung muss innerhalb fest definierter Grenzen arbeiten. Bewährt hat sich ein gestufter Aufbau: Das lernende Verfahren gibt Sollwerte vor, unterlagerte klassische Regelkreise setzen sie um und sichern das Verhalten ab. Sicherheitsgerichtete Funktionen gehören ohnehin nicht in ein lerndendes Modell, sondern in die dafür vorgesehene Sicherheitstechnik.
Datengrundlage
Das Training braucht Daten über den gesamten Betriebsbereich, einschließlich Übergängen und Störungen. Ein Modell, das nur den eingeschwungenen Normalbetrieb kennt, versagt genau dann, wenn es gebraucht wird. Simulationsmodelle sind hier ein sicherer Weg, die nötigen Daten zu erzeugen.
Nachweis vor dem Einsatz
Vor dem produktiven Betrieb gehört ein sorgfältiger Vergleich mit der bisherigen Regelung, anhand von Daten, die nicht ins Training eingeflossen sind.
Kombinieren statt ersetzen
In der Praxis trägt fast immer die Kombination: Das lernende Verfahren übernimmt Optimierung und Anpassung, die klassischen Kreise sorgen für Stabilität. Ein vollständiger Ersatz des PID-Reglers ist selten sinnvoll und selten nötig.
Wo es sich bewährt hat
Eingesetzt wird das bei chemischen Reaktoren, Rektifikationskolonnen, Zementöfen und in der Energieerzeugung. Diesen Anwendungen ist gemeinsam, dass sie nichtlinear und stark verkoppelt sind und dass sich eine bessere Führung wirtschaftlich unmittelbar auszahlt.
Die Kurse von ED WARTENS Deutschland behandeln die praktische Seite: Datenerfassung, Modellbildung, Absicherung und Betrieb.