Wenn ein Gerät auch unter veränderten Umständen wie etwa variierenden Temperaturen volle Leistung bringen soll, kommt es insbesondere auf die Steuerung an. Dabei erlauben modellbasierte Regler eine präzise und vorausschauende Regelung. Helbling hat auf Basis eines Praxisfalls einen modellbasierten Ansatz entwickelt, um die Algorhytmik bestmöglich auf die jeweilige Anwendung abzustimmen. So ist es möglich, je nach Bedürfnissen Grössen wie zum Beispiel Leistung, Stabilität oder Effizienz getrennt voneinander oder gemeinsam zu verbessern. Gerade bestehende Systeme profitieren von diesen Optimierungen.
Temperaturregelung mit Zukunftspotenzial
In vielen technischen Anwendungen ist eine präzise Regelung unverzichtbar: beispielsweise in der thermischen Prozessführung in der Industrie, in Warmwassersystemen von Haushaltsgeräten oder bei der Raumklimaoptimierung von Gebäuden. Die klassischen, am weitesten verbreiteten PID-Regler erfüllen diese Aufgabe meist zuverlässig, stossen aber bei dynamischen Anforderungen oder bei vielen, sich beeinflussenden Regelgrössen an ihre Grenzen. Für sie wird es schwierig, wenn nicht direkt messbare Grössen einen Einfluss haben. Grund dafür kann der nicht planbare Zugang von Personen sein, welche die Temperatur in einem Raum beeinflussen, oder die Verkalkung eines Haushaltsgeräts. Helbling-Fachleute wurden von Kunden damit betraut, für diese Fälle eine Lösung zu finden und sie stellten sich konkret die Frage:
Wie können wir mit datenbasierten Methoden den Regelfehler verbessern?
Helblings Ansatz: Virtuelle Modelle als Testumgebung
Um diese Frage zu beantworten, haben die Teams von Helbling auf ein virtuelles Modell gesetzt, das die thermischen Eigenschaften des jeweiligen Systems realitätsnah abbildet. So entsteht eine Umgebung, in der sich Regelalgorithmen effizient entwickeln und testen lassen, ganz ohne Risiken für die Hardware.
Als konkreter Anwendungsfall wurde von Helbling das Modell eines Durchlauferhitzers (Thick-Film-Heater) erstellt. Dieses System besteht aus einer geringen thermischen Masse und daher einer schnelleren Reaktionszeit. Der Energiefluss wird dafür zuerst diskretisiert, das heisst: Er wird in einzelne Abschnitte aufgeteilt, damit er mathematisch beschrieben werden kann. Darauf basierend werden dann das Modell und die zu erhebenden Daten/Sensoren definiert.
Letztlich haben die Fachleute auf diese Weise unter anderem nachgewiesen, dass ein lineardynamisches System mit nur einem einfachen Modell wie dem 1-Layer-Modell sehr genau nachgebildet werden kann. Bei komplexeren Systemen mit vielen Grössen und nicht nur linearen Zusammenhängen – sogenannten mehrdimensionalen Systemen – wurden für eine Abbildung verschiedene Modelle benutzt. Dazu zählten baumförmige Decision Trees und künstliche neuronale Netzwerke wie Convolutional Neural Networks (CNN). Bei beiden konnten die gewünschten Zielgrössen aus den Eingangsdaten mit hoher Genauigkeit vorhergesagt, also enge Relationen zu den Ausgangsgrössen gezeigt werden.
Dank dieser Genauigkeit konnte das Model verwendet werden um die Regelung mit zwei verschiedenen Verfahren zu optimieren (Der Ablauf ist in Abbildung 1 abgebildet).
- Optimal Control: Dabei wird das Model direkt auf dem Gerät ausgeführt und mithilfe einer Rastersuche wird direkt die optimale Stellgrösse berechnet.
- PID Optimierung: Der bestehende PID Regler wird in Software nachgebildet. Danach wird ebenfalls mit einer Rastersuche und dem Model die PID-Werte entsprechend dem gewünschten Verhalten optimiert. Diese Werte können dann auf das eingebettete Gerät gespielt und verifiziert werden. So wird der Regler auf dem Gerät nicht verändert und die Parametergrenzen können eingehalten werden.
Lernen auf kleinem Fuss: Machine Learning im eingebetteten System
Die entwickelte Regelung basiert auf einem lernfähigen, aber schlanken Modell, das vollständig auf Mikrocontrollern betrieben werden kann. Statt komplexer Netzwerke setzt Helbling auf eine kompakte Struktur mit wenigen Eingangswerten. Beispiele sind hierfür Daten für Temperatur, Leistung und Durchfluss). Das Modell kann auf Bauteiltoleranzen oder zeitliche Veränderungen, wie zum Beispiel Verkalkungen, reagieren oder auch trainiert werden. Dies kann je nach Controller direkt auf dem sogenannten Embedded System oder auch in der Cloud in kurzer Zeit nachtrainiert werden.
Hierbei wird der Unterschied zwischen dem Optimal Control und dem PID Optimizer deutlich – ist die Reaktionszeit sehr klein, wie zum Beispiel bei einem Instant-Heizsystem, kann Optimal Control zu langsam sein, da dafür das globale Minima über das gesamte Zeitfenster gerechnet wird. Dies kann zu langen Verzögerung führen und somit ist der PID-Regler besser geeignet, da dieser wie gewohnt sehr schnell die Regelung berechnen kann.
Zusammenfassung: Helbling bereitet den Weg vor für vollständig modellprädikative Regelungen
Die von Helbling entwickelte Lösung ist eine pragmatische Antwort auf die Frage, wie datengestützte Methoden Regelfehler verbessern können. Davon profitieren neue Entwicklungen, doch das Modell ist besonders dafür geeignet, bestehende Systeme auf nachhaltige Weise zu optimieren. Dabei ist es als pragmatischer Zwischenschritt auf dem Weg zur vollständigen modellprädiktiven Regelung zu verstehen. Bereits mit einfachen Mitteln zeigt sich, wie viel Potenzial in datenunterstützter Optimierung steckt. Helbling unterstützt und begleitet Unternehmen jederzeit dabei, modellbasierte Regelung in ihre Systeme zu integrieren und Lösungen somit zukunftsorientiert zu gestalten.
Autoren: Daniel Stäuble, Lukas Meier
Hauptbild: Helbling
