Heiko Hengen

Algorithms for iterative learning control of nonlinear plants employing time-variant system descriptions

Deals with the design of iterative learning controllers (ILC) based on extended state space models for nonlinear cyclic process control. In order to design a suitable learning operator, knowledge about the plants dynamical behaviour is needed which implies that a system model has to be set up. It is expedient to acquire a state space model of the plant using identification methods. Here we deal especially with the case, that a linear model represents system dynamics inadequately. We start with a nonlinear model and linearize the system along the current trajectory, thus obtaining a linear time variant model. Using this as the basis, we develop methods for identification and control of the nonlinear process. Experimental results show that a good system model is also useful to perform a pre-training for the ILC; this is especially interesting in case large deviations from a desired system output trajectory must be avoided. The presented algorithms have been implemented and tested experimentally with a real-life nonlinear processing plant.

Optimierend iterativ lernende Regelungen (Optimizing Iterative Learning Control)

Iterativ lernende Regelungen sind Verfahren, die die zyklische Arbeitsweise eines Prozesses nutzen, um die auf den Prozess aufzuschaltende Stelltrajetorie über die Zyklen zu optimieren. In diesem Beitrag präsentieren wir eine für praktische Anwendungen besonders geeignete Form der iterativ lernenden Regelung, die sog. optimierend iterativ lernende Regelung. Ausgehend von einem nichtlinearen System werden wir die Gleichungen für eine optimierend iterativ lernenden Regelung in allgemeiner Form herleiten und an einem Anwendungsbeispiel den Entwurf demonstrieren.

Bildverarbeitung für Klassifikationsaufgaben in der Medizin und Qualitätssicherung (Digital Image Processing Methods for Classification Tasks in Medicine and Quality Control)

Der vorliegende Aufsatz beschäftigt sich mit Klassifikationsaufgaben in der Medizin und der industriellen Qualitätssicherung, deren Lösungen sich auf ähnliche prinzipielle Ansätze stützen, aber doch Unterschiede in der praktischen Durchführung aufweisen. Dabei muss zwischen denjenigen Systemen unterschieden werden, die im industriellen Alltagsbetrieb eingesetzt werden (Mess- und Sortieranwendungen) und denjenigen, die sich zur Zeit noch im Forschungsstadium befinden. Alle Systeme, die für ihr zuverlässiges Funktionieren rechenaufwendige höhere Bildverarbeitungsverfahren verwenden, haben bisher noch wenig Eingang in die Industrie gefunden, sondern befinden sich im Moment noch im Forschungsstadium. Um die gemeinsame Methodik der verwendeten Techniken aufzuzeigen, werden die Lösungen zweier Aufgabenstellungen exemplarisch durchgeführt. Dabei handelt es sich um zwei aktuelle Aufgabenstellungen, zum einen die Verschleißbeurteilung industrieller Schleifscheiben und zum anderen die automatisierte Diagnose von Blut- und Knochenmarksausstrichen für die Leukämieerkennung. Beides sind zur Zeit in Bearbeitung befindliche Projekte.

Überwacht lernende Klassifikationsverfahren im Überblick, Teil 4 (Overview of Supervised learning Classification Methods, Part 4)

Der Algorithmus ID3 [30] stellt ein Verfahren zur Konstruktion von Entscheidungsbäumen dar. Die heute oft verwendeten Algorithmen C4.5 und C5.0 von R.J. Quinlan sind Weiterentwicklungen dieses Mechanismus. Um den Entscheidungsbaum zu konstruieren, ist es notwendig, eine TrainingsmengeT und eine ValidierungsmengeV zu besitzen, mit der die Klassifikationsfähigkeit des konstruierten Baums getestet werden kann. Die Testmenge T besteht aus einem Merkmalsvektor x = (ξ1, ξ2, . . . ξM). Die Merkmale in dem vorgestellten Algorithmus können nur diskrete Werte annehmen, die weiterentwickelten Algorithmen können auch kontinuierliche Variablen verarbeiten.

Iterativ lernende Regelungen für Semi-Batchprozesse (Iterative Learning Control Algorithms for Semi Batch Processes)

Abstract Iterativ lernende Regelungen eignen sich zur Beherrschung zyklischer Prozesse mit nichtverschwindenden Zwischenzyklenzeiten. Bei den Semibatch- bzw. Semibatch-Mehrstoff-Prozessen liegt ein Prozess vor, der sich im Ablauf zwar wiederholt, jedoch mit unterschiedlichen Ausgangsstoffen arbeitet. Im Unterschied zum reinen Batch-Prozess werden Edukte auch während der laufenden Reaktion zugegeben. Speziell bei chemischen Semibatchprozessen kommt noch hinzu, dass der verwendete Reaktor nicht notwendigerweise nach jedem Batch gereingt werden kann, sodass sich bestimmte Reaktorparameter von Zyklus zu Zyklus ändern. Der im vorliegenden Aufsatz dargestellte ILR-Ansatz behandelt genau diese Schwierigkeiten durch Einführung eines speziellen Speichers, der abhängig vom gefahrenen Produkt und Verschmutzungsgrad des Reaktors arbeitet. Das dargestellte Regelverfahren wurde als Referenz anhand des Chylla-Haase-Modells erprobt.

Entwurf zeitvarianter Filter für iterativ lernende Regelungen auf Basis der Wavelet-Transformation (Design of Time variant Filters for Iterative Learning Controllers based on Wavelet Transforms)

Iterativ lernende Regelungen (ILR) sind Verfahren, die die zyklische Arbeitsweise eines Prozesses nutzen, um die Steuerung des Prozesses über die Zyklen zu optimieren. Der Regelfehler zur Berechnung der Stelltrajektorie wird dabei direkt von den Messstörungen beeinflusst. Die Verwendung zeitvarianter Filter erlaubt eine Verbesserung der Regelgüte. In dieser Arbeit wird ein Verfahren zum Entwurf zeitvarianter Filter auf Basis der Waveletzerlegung beschrieben. Nach einer kurzen Einführung in die Theorie zeitdiskreter ILR wird auf die Grundlagen der zeitvarianten Filterung sowie auf die Integration der zeitvarianten Filter in den ILR-Algorithmus eingegangen. Abschließend wird das Verfahren anhand einer Simulation sowie anhand der Ergebnisse an einer realen verfahrenstechnischen Anlage diskutiert.