Prozeßdatenverarbeitung

Prozeßdatenverarbeitung
Das sin Notizen Prozeßdatenverarbeitung Heinrich Krämer Hochschule für Technik, Wirtschaft und Kultur Leipzig (FH) Fachbereich Informatik, Mathematik und Naturwissenschaften

1 Einführung Entwicklung der Automatisierung (Beispiel: Rührkesselreaktor) 1940: Keine Automatisierung Kühlung M Druck Rohstoff1 M Durchfluß Rohstoff2 M Temperatur Kühl- flüssigkeit End- produkt

1 Einführung Entwicklung der Automatisierung (Beispiel: Rührkesselreaktor) : Vorstufe der Automatisierung Kühlung Rohstoff1 Rohstoff2 Kühl- flüssigkeit End- produkt M M M M Leitstand

1 Einführung Entwicklung der Automatisierung (Beispiel: Rührkesselreaktor) : Erste Stufe der Automatisierung Kühlung Rohstoff1 Leitstand M Rohstoff2 Stellglied Meßwert-, Signal- umformer Meßfühler Kühl- flüssigkeit End- produkt Meßwarte

1 Einführung Entwicklung der Automatisierung (Beispiel: Rührkesselreaktor) : Zweite Stufe der Automatisierung Kühlung Rohstoff1 Rohstoff2 Regler Istwert Sollwert Kühl- flüssigkeit End- produkt Meßwarte

1 Einführung ab1980: Integration Kennzeichen Dezentrale Verarbeitung
Einführung von Netzen LAN, WAN Verknüpfung von Produktion Lagerhaltung Entwicklung Auftragsannahme

2 Technische Prozesse Ein Prozeß ist nach DIN die Umformung und/oder der Transport von Materie, Energie und/oder Information. Ein Technischer Prozeß ist eine Prozeß, dessen Zustandsgrößen mit technischen Mitteln gemessen gesteuert und/oder geregelt werden können.

2.1 Klassifiktion technischer Prozesse
Klassifikation nach transportierten/umgeformte Medien Materialprozesse Förderprozesse Transport von Produkten ohne ihre Form zu verändern (z.B. Paketverteilung, Pipeline) Verfahrenstechnische Prozesse und Fertigungsprozesse Umformung von Rohstoffen zu einem Endproduk (z.B. Raffinerie, Automobilbau) Energieprozesse Energieumwandlung („Energieerzeugung“, „-verbrauch“) (z.B. Kraftwerke, Heizanlagen) Energietransport, -verteilung Informationsprozesse Informationstransport (z.B. Telefon, Funk, Rundfunk, Fernsehen) Informationsumformung (z.B. Rechner) Informationsspeicherung

2.1 Klassifiktion technischer Prozesse
Klassifikation nach Zeit- und/oder Ortsabhängigkeit der Prozeßgrößen Kontinuierliche Prozesse Die Prozeßgrößen (zeit- und/oder ortsabhängig) ändern kontinuierlich ihren Wert. Diese Prozesse werden auch als Fließprozesse bezeichnet. Diskrete Prozesse Die Prozeßgrößen sind diskrete Werte. Der Prozeß besteht aus einer Folge von Einzelereignissen (Folgeprozeß) Stückprozesse Es sind einezelne identifizierbare Stücke oder Objekte vorhanden. Diese änderen ihre Position und/oser ihren Zustand kontinuierlich oder diskret Chargenprozesse Der Ablauf der Prozesses erfolgt in diskreten Zeitabständen. Hierbei können aber sich kontinuierliche ändernte Vorgänge auftreten. Pro Zeiteinheit wird eine bestimmte Menge eines oder mehrerer Rohstoffe verarbeitet.

2.2 Modellierung von Prozessen
Mathematische Prozeßmodelle Kontinuierliche Prozesse Die Modellierung erfolgt üblicherweise durch das Aufstellen von Differentialgleichungen Diskrete Prozesse Diese Prozesse können durch boolesche Gleichungen und/oder Ablaufpläne modelliert werden Simulation Bei komplexeren Prozessen ist ein geschlossene analytische Beschreibung oft nicht möglich. Daher kann versucht werden, aus bekannten Verhalten von Einzelkomponenten das Gesamtsystem zu simulieren und so Schwachstellen aufzuspüren. Verbale Beschreibung In schwierigen Fällen kann eventuell nur eine verbale Beschreibung aufgestellt werden.

Mathematische Modellierung von Prozessen allgemein T ist hierbei ein allgemeiner Operator statisch statisch linear T ist hierbei eine Matrix y1 Prozeß x1 y2 x2 ... ... ym xk

Beispiel: Prozeß mit einer Eingangs- und einer Ausgangsgröße linear statisch x = c0 + c1 y nicht-linear, statisch x = c0 + c1 y + c2 y2 + c3 y3 linear, dynamisch a0x(t) + a1 x´(t) + a2 x ´´(t) ... an x(n)(t) = b0 y(t) + b1 y´(t) bm y(m)(t) nicht-linear, dynamisch a0x(t) + a1 x´(t)2 + a2 x ´´(t) ... an x(n)(t) = b0 y(t) + b1 y´(t) sin(t) bm y(m)(t) Prozeß y x

Beschreibung von Prozessen mit Hilfe von Testsignalen Gewichtsfunktion Sprungantwort Frequenzgang Dirac-Impuls g(t) y Prozeß d(t) y x t t h(t) y s(t) Prozeß y x t t F(w) Prozeß A0sin(w) y x w

2.3 Prozeßidentifikation
theoretische Analyse Die Gleichungen und die Konstanten werden aufgrund von physikalischenb / chemischen Gegebenheiten bestimmt. experimentelle Analyse Das Prozeßmodell wird allein durch Messungen des Zusammenhangs von Eingangs- zu Ausgangsgrößen bestimmt. Kombination beider Verfahren Zunächst werden die (Differential-)Gleichungen durch theoretische Analyse aufgestellt. Diese Gleichungen werden als Struktur bezeichnet. Die Bestimmung der Konstanten, d. h. der Parameter, erfolgt durch Messung

Prozeßidentifikation
Die Laplace-Transformation Die Bildfunktion F(s) einer Zeitfunktion f(t) ist gegeben durch Die Rücktransformation ist gegeben durch Es gibt also immer ein Paar: Zeit- und Bildfunktion Hierbei sind die hier interessierenden Funktionen tabelliert, so daß auf eine Berechnung verzichtet werden kann

Die Laplace-Tranasformation
Rechenregeln Linearität Faltungssatz Integrationssatz Differentiationssatz

2.3 Prozeßidentifikation
Das Wendetangentenverfahren Mathematisches Modell des Prozesses (mit Parametern) Bildfunktion (Sprungantwort) Zeitfunktion(Sprungantwort) U0 x(¥) Tx k = 3/4 = 0,75 WP Tv TA

3 Prozeßregegelung und -steuerung
Definitionen Strecke: Die Strecke ist derjenige Teil eines Systems, in dem technische oder physikalische Größen gemäß einer Zielfunktion beeinflußt werden sollen. Steuerung: Die Steuerung ist ein Vorgang in einem abgegrenzten Systém, bei dem ein oder mehrere Größen als Eingangs- andere Größen als Ausgangsgrößen aufgrund der dem System eigenen Gesetzmäßigkeiten beeinflußt werden. Regelung: Regeln oder die Regelung ist ein technischer Vorgang in einem abgegrenzten System, bei dem bei dem eine oder mehrere technische oder physikalische Größe(n), die Regelgröße(n) oder Istwert(e), fortlaufend erfaßt und durch Vergleich ihres Signals mit einer anderen von außen vorgegebenen Größe(n), der Führungsgröße(n) oder Sollwert(e) im Sinne einer Angleichung beeinflußt wird.

3 Prozeßregegelung und -steuerung
Abgegrenztes System Steuerung Regelung Eingangsgrößen y (beeinflußbar) Augangsgrößen x weitere Größen (z) (Störungen)

3.1 Regelung 3.1.1 Führungs(übertragungs)- und Störungs(übertragungs)funktion Strukturbild einer Regelung w(t) Führunggröße/Sollwert GR(s) Übertragungfunktion des Reglers xw(t) Regeldifferenz GP(s) Übertragungsfunktion des Prozesses y(t) Stellwert z(t) Stöung(sgröße) x(t) Ausgangsgröße/Istwert Es gilt X(s) = Z(s) + (W(s) - X(s)) GR(s)  GP(s)

3.1.1 Führungs- und Störungsfunktion
Ausgehend von X(s) = Z(s) + (W(s) - X(s)) GR(s)  GP(s) erhält man Führungs(übertragungs)funktion (Z(s) = 0) Störungs(übertragungs)funktion (W(s) = 0) Zur Untersuchung der Regelungsverhaltens kann also die Ausregelung einer Änderung des Sollwertes und einer Störung untersucht werden. Weiter wird i. a. das Verhalten unterschiedlich sein.

3.1.2 Klassiche Reglertypen
Der P-Regler (Proportionalregler) Beim P-Regler erhält man die Stellwerte y(t) durch Multiplikation der Regeldifferenz xw(t) mit einem konstanten Faktor kP Der PI-Regler (Proportional-Integralregler) Beim PI-Regler wird der Stellwert y(t) aus der Summe des P-Anteils und der Integration der Regeldifferenz xw(t) multipliziert mit einem Faktor kI berechnet. Der PID-Regler (Proportional-Integral-Differentialregler) Beim PID-Regler berechnet sich der Stelltwert y(t) aus der Summe des P-Anteils, I-Anteils und des ersten zeitlichen Ableitung der Regeldifferenz xw(t) multipliziert mit einem Faktor kD. Zeit- und Übertragungsfunktionen

3.1.2 Klassiche Reglertypen
Reglerstrukturen Zeitalgorithmus Geschwindigkeitsalgorithmus kP kI‘ kD‘ 1 y(t) xw(t) 1 Stelleinrichtung kI‘ kP xw(t) y‘(t) kD‘ Ein Problem stellt die Bestimmung der Regelparameter kP, kI und kD dar

3.1.3 Bestimmung der Regelparameter
Regelparameter nach Ziegler/Nichols Methode I : Bestimmung der Totzeit TV und der Anstiegszeit TA

3.1.3 Bestimmung der Regelparameter (Beispiel)
k = 1 TV  19,35 s TA  209,35 s

Bestimmung der Regelparameter (Beispiel)
Berechnung der Regelparameter P-Regler PI-Regler PID-Regler

Sprungantwort eines P-Reglers (Beispiel)
kP = 10,8191 Ausgangsgröße x(t) Regelabweichung Stellwert y(t) Regeldifferenz xw(t)

Sprungantwort eines PI-Reglers (Beispiel)
kP = 9,7372 kI‘ = 0,0155 Ausgangsgröße x(t) Stellwert y(t) Regeldifferenz xw(t)

Sprungantwort eines PID-Reglers (Beispiel)
kP = 12,9829 kI‘ = 0,0258 kD‘ = 9,675 Ausgangsgröße x(t) Regeldifferenz xw(t) Stellwert y(t)

Sprungantworten eines PID-Reglers (Beispiel)
kD‘ = 22,14 kI‘ = 0,0047 kD‘ = 11,58

Sprungantworten eines PID-Reglers (Beispiel)
kD = 0,01 kI‘ = 0,01 KD‘ = 54 kI‘ = 0,02 kI‘ = 0,1

3.1.3 Bestimmung der Regelparameter
Regelparameter nach Ziegler/Nichols Methode II : Der Regler wird als P-Regler konfiguriert. Der Parameter kP wird solange erhöht bis sich eine Schwingung mit konstanter Amplitude einstellt. Dieser Wert wird als kP,krit bezeichnet. Die Schwingungsperiode wird mit Tkrit bezeichnet. Problem: Oftmals ist es nicht möglich den Prozeß zum Schwingen zu bringen

3.1.4 Stabilitätskriterien

3.1.5 Digitale Regler (Abtastregler)
Aufbau eines Abtastreglers Arbeitsweise Das analoge Eingangssignal x(t) wird zu den Zeitpunkten t = nT mit der konstanten Abtastperiode T (Abtastfrequenz fT = 1/T) abgetastet. Die zeitdiskreten Werte x(n) werden im A/D-Wandler in Digitalwerte umgewandelt Der Regelalgorithmus berechnet daraus eine Folge von Stellwerten y(n) Diese wird im D/A-Wandler wieder in eine analoge Zeitfunktion y(t) umgewandelt

Umwandlung eines analogen Reglers Der analoge Regler (PID) sei gegeben durch im Zeitbereich im Bilbereich Approximation der Funktionen durch Digitale Gleichungen mit

Approximation der analogen Funktion durch Trapezregel (Bilineare Transformation) Zeitbereich Bildbereich Formale Berechnung der Parameter Wegen der Verzerrung erfolgt die tatsächliche Berechnung der Parameter durch Plazierung der Pole im Einheitskreis bzw. durch Entzerrung (Prewarping) der kritischen Frequenzen durch Wk analoge Frequenz wk digitale Frequenz

Entwurf auf endliche Einstellzeit (Deadbeat controller) Prinzip für einen Prozeß 1.Ordnung Ziel ist die Einstellung des Sollwerte nach einer Abtastperiode. Bei einem System n-ter Ordnung kann der Sollwert nach n Schritten eingestellt werden. Arbeitsweise Zum Zeitpunkt t = 0 wir der Prozeß so angesteuert (y0), daß er nach dem Zeitpunkt t = T den Sollwert erreicht. Dies würde zum Uberschwingen x0(t) führen. Durch Zurücknahme des Stellwertes auf y1 wird wird dieses Überschwingen kompensiert

Wahl der Abtastperiode

Entwurf auf endliche Einstellzeit (Deadbeat response)
PID-Regler Approximation durch Differenzen Approximation durch Bilineare Transformation Entwurf auf endliche Einstellzeit (Deadbeat response) Alle Regler wurden für den Anwendungsfall optimiert

3.1.6 Adaptive Regler Ein Regler ist nur bei geringen Änderungen der Prozeßparameter und fester Struktur funktionsfähig. Allerdings gibt es Prozesse deren Parameter größeren Schwankungen unterliegen Beispiele: Sauerstoffkonzentration Triebwerksregelungen bei Flugzeugen Raketenflugbahn (Veränderung des Schwerpunktes durch Verbrennung des Treibstoffs)

3.1.7 Fuzzy-Regelung Bisherige Vorgehensweise:
Erstellung eines mathematischen Prozeßmodells in Form von Differentialgleichungen. Vereinfachung der Differentialgleichungen durch Linearisierung und Approximation Synthese eines geeigneten Reglers Problem: Bei komplexeren Systemen muß das Prozeßmodell stark vereinfacht werden. Manchmal kann mit den konventionellen Methoden kein Regler realisiert werden, der einen gegebenen Prozeß regelt. Aber: Ein Mensch kann nach "Daumenregeln" und mit Erfahrung den Prozeß regeln.  Automatisierung durch Fuzzy-Regler

3.1.7 Fuzzy-Regelung Einführung von Unschärfe
Umgangssprachlich ist ein Begriff nicht exakt definiert. Es besteht eine gewisser Bereich von Werten die eine Größe annehmen kann. Bsp.: Bei welcher Temperatur ist es kalt. Eine Fuzzy-Menge ist eine Menge von Zweitupeln. Jedem Wert x aus einem Grundbereich B wird hierbei ein Zugehörigkeitsgradzwischen 0 und 1 zugeordnet Der Zugehörigkeitsgrad ist durch die Zugehörigkeitsfunktion µ: B  [0,1] gegeben Bsp. Ganze Zahlen nahe bei 5 Xnahebei5 = { (3, 0.2), (4, 0.6), (5, 1), (6, 0.6), (7, 0.2) } Hierbei werden nur Werte mit einem Zugehörigkeitsgrad µ(x) > 0 aufgenommen. Diese Menge wird auch als Träger bezeichnet.

3.1.7 Fuzzy-Regelung Bei einem kontinuierlichen Grundbereich B wird die Zugehörigkeit durch eine geeignete Zugehörigkeitsfunktion m: B ® [0,1] beschrieben. Beispiele für Zugehörigkeitsfunktionen. Die Variable x  B wird als Basisvariable bezeichnet. Aus rechentechnischen Gründen werden meist Zugehörigkeitsfunktionen der Form b) (abschnittsweise linear) benutzt. Es können folgenden Typen Unterschieden werden: a) b) Z-Typ P-Typ L-Typ S-Typ

3.1.7 Fuzzy-Regelung Das Konzept der linguistischen Variablen:
Die linguistische Variable besteht aus einer endlichen Mengen von k Werten, den Termen Ti i = 1 ..k der linguistischen Variablen. Die Terme sind hierbei Fuzzy-Mengen über dem gleichen Grundbereich B. Der scharfe Wert x aus dem Grundbereich B wird als Basisvariable bezeichnet. Die Träger der einzelnen Terme müssen hierbei den gesamten Grundbereich beinhalten. Weiter muß immer gelten Die Festlegung der Terme und ihrer Zugehörigkeitsfunktion µ(x) ist anwendungsabhängig und hat großen Einfluß auf die Brauchbarkeit des Reglers. Die Zugehörigkeitsfunktion der Basisvariablen zu jedem Term ergibt einen unscharfen Wert für jeden Term. Die Bestimmung des unscharfen Wertes für jeden Term bezüglich der Basisvariablen wird als Fuzzifizierung bezeichnet.

3.1.7 Fuzzy-Regelung Beispiel für eine Fuzzifizierung
Linguistische Variable: Drehzahl = { sehr niedrig, niedrig, normal, hoch, sehr hoch } Zugehörigkeitsfunktionen (Basisvariable w in 1000 Upm) Fuzzifizierung für w = 4200 Upm liefert mnormal(4200) = 0,25 mniedrig(4200) = 0,75 mniedrig mnormal

3.1.7 Fuzzy-Regelung Logische Operationen
Bei Logischen Operationen wird die Zugehörigkeitsfunktion neu bestimmt. meist werden die logischen Operationen folgendermaßen definiert Die klassische Aussagenlogik kann als Spezialfall der Fuzzy-Logik interpretiert werden. Beispiel: PA(x) = -1 £ x £ 1, PB(x) = 0 £ x £ 3 PA Ù PB PA Ú PB mB mA

3.1.7 Fuzzy-Regelung Die Regelbasis
Die Regelbasis besteht aus einer Menge von WENN-DANN-Regeln (Daumen-Regeln) der Form IF (v1 = term1,k) Ù (v2 = term2,j) …. THEN av1 := aterm1,m… Hierbei sind die vi die linguistischen Eingabevariablen und die Terme termi,k ein dazugehöriger Term. Die avn sind die linguistischen Ausgabevariablen mit den Termen atermn,m. Durch die Regeln müssen alle möglichen Eingangskombinationen erfaßt sein. Bei zwei Eingabevariablen lassen sich die Regeln als Tabelle darstellen

3.1.7 Fuzzy-Regelung Regelauswertung
Durch die Regeln werden den Termen der Ausgangsvariablen Zugehörigkeitswerte zugewiesen. Die Auswertung erfolgt in zwei Schritten: Aggregation Zunächst werden die logischen Ausdrücke in den Regeln bewertet. Die Terme der Ausgangsvariablen erhalten zunächst in jeder Regel den Zugehörikeitswert des Ausdrucks. Komposition Bei der Aggregation können einzelnen Termen der Ausgangsvariablen widersprüchliche Werte zugewiesen werden. In diesem Schritt wird durch eine ODER-Verknüpfung (Maximum-Bildung) für jeden Term der Ausgangvariablen ein einheitlicher Wert gebildet.

3.1.7 Fuzzy-Regelung Drehzahl Drehzahldifferenz Stromstärke

3.1.7 Fuzzy-Regelung Aus der(den) linguistischen Ausgangsvariablen muß anschließed ein scharfer Stellwert berechnet werden. Dieser Vorgang wird als Defuzzifizierung bezeichnet. Hierfür gibt es verschiedene Möglichkeiten, die sich im Rechenaufwand und im Resultat unterscheiden. Methoden (Auswahl) Plausibelstes Resultat (Es wird nur ein Term zur Bestimmung herangezogen) Mean of Maximum MoM Der scharfe Stellwert berechnet sich als Mittelwert des Terms der Ausgangs-variable mit dem größten Zugehörigkeitswert Bester Kompromiß (Es werden alle Terme betrachtet) Mittelwert (Center of Maximum CoM) Der scharfe Stellwert berechnet sich als gewichtete Summe über die Mittelwerte aller Terme. Flächenschwerpunktsmethode (Center of Area CoA) Der scharfe Stellwert ist der Schwerpunkt der durch die Zugehörigkeitswerte erhaltene Fläche, projeziert auf den Grundbereich.

3.1.7 Fuzzy-Regelung Darstellung der verschiedenen Methoden A B MoM
CoA CoM

3.1.7 Fuzzy-Regelung Regelauswertung durch ein Neuronales-Netz (NN) (Neuro-Fuzzy) Biologisches Neuron Technisches Neuron Arbeitsweise (technisches Neuron) Jeder Knoten liefert ein Ausgangssignal aj zwischen 0 und 1 Die Knoten i,j sind über Kanten e = (i,j) verbunden Jede Kante trägt ein Gewicht wij (dieses kann auch negativ sein) Zunächst wird in der Eingangsstufe die gewichte Summe über alle Eingangssignale gebildet. Auf das Ergebnis wird eine Sigmoidfunktion angewendet, die das Ergebnis in den Ausagngswertebereich transformiert

3.1.7 Fuzzy-Regelung Beispiel: UND-Verknüpfung
(Werte aj ³ 0,9 gelten als wahr Werte aj £ 0.1 gelten als falsch ) Wir setzen die Gewichte wij auf 3,15 Üblicherweise wird zur Summe noch ein Bias addiert. Bias = -4,565 Als Sigmoidfunktion wird der Tangenshyperbolicus verwendet

3.1.7 Fuzzy-Regelung Bei der Neuro-Fuzzy-Regelung werden meist
Neuronale-Netze mit Schichtstruktur (Layered nets) verwendet Aufbau Dieses Netz besteht aus: einer Eingabeschicht (Input layer), einer Ausgabeschicht (Output layer) und einer variablen Anzahl von verborgen Schichten (Hidden layers) Verborgene Schichten Ausgabeschicht Konzeptuell sind alle Neuronen einer Schicht vollständig mit denen der Nachfolgenden verbunden. Falls Kanten nicht benötigt werden, so sind die Gewichte auf 0 zu setzen. Eingabeschicht

3.1.7 Fuzzy-Regelung Überwachtes Lernen bei einem Geschichteten Netz
Es gibt eine Menge von Lernmustern (Beispiele, Trainingssets) für die sowohl die Eingabe als auch das gewünschte Ergebnis bekannt sind. Die Kantengewichte können durch Zufallswerte oder als vorgegebene Werte (vorstrukturiertes Netz) belegt sein. Durch einen Iterationsprozeß wird versucht durch Veränderung der Gewichte den Gesamtfehler zwischen den erwartetem Ergebnissen und den tatsächlichen zu minimieren. Das Netz gilt als eingelernt, wenn die Fehlerfunktion ein Minimum annimmt. Im Betrieb bleiben dann die gelernten Gewichte erhalten und es wird erwartet, daß das Netz auf eine beliebige Eingabe mit sinnvollen Ausgaben reagiert. Problem: Es lassen praktische keine Aussagen treffen, wie das eingelernte Netz auf eine unbekannte Eingabe reagiert.

3.2 Steuerung Steuerung verknüpft binäre Binäre Prozeßsignale und beeinflußt den Prozeß durch das Senden von binären Signalen. Werden hierbei auch Zeitkriterien berücksichtigt spricht man von einer Ablaufsteuerung. Bsp. für binäre Signale Sinale von Schaltern und Stellgliedern Grenzwertmelder Zeitgeber Weichenstellungen Lichtschranken Die Realisierung der Steuerung erfolgt durch Verbindungsprogrammierte Steuerung (VPS) Speicherprogrammierte Steuerung (SPS)

3.2 Steuerung » » Speicherprogrammierte Steuerungen (SPS)
Digital Speicherprogrammierte Steuerungen (SPS) Komponenten einer SPS Automatisierungsgerät Programmiergerät Programmiersprache Aufbau Ausgabe Eingabe Prozessor Systemprogramm Systemdaten Ein-/Ausgabe Anwenderspeicher Adreßzähler Peripheriebus Programm Daten Analog Steuerwerk Ausgabe Befehlsregister Eingabe

3.2 Steuerung Programmierung einer SPS Arbeitsweise Funktionsplan
Kontaktplan Anweisungsliste Eingabe und Filterung E 5.7 & = A 5.6 E 5.6 Verarbeitung der Daten nach Anwender- programm Zyklische Verarbeitung E 5.7 E 5.6 A 5.6 U E 5.7 U E 5.6 = A 5.6 Ausgabe und Filterung

3.3 Führung von Prozessen Führung: bezeichnet die Aufgabe den Prozeß anhand von überordneten Sollwerten 3.3.1 Führung nach Festprogramm Der Ablauf des Prozesses ist durch ein festes Programm gegeben. Hierbei werden an den Prozeß die in einem Speicher abgelegte feste Sollwerte bzw. festgelegte Aktionen in Abhängigkeit von logischen oder zeitlichen Bedingungen ausgegeben.

3.3 Führung von Prozessen 3.3.3 Führung nach Prozeßgleichungen

3.3 Führung von Prozessen 3.3.3 Führung nach Prozeßgleichungen mit Hilfe von mathematischen Modellen

3.4 Optimierung von Prozessen
Bei der Optimierung werden vom Rechner die für eine gegebene Zielfunktion optimalen Sollwerte errechnet. Hierbei könnnen zwei Arten unterschieden werden Optimierung bei der Planung Falls der Prozeß Optimierung während Optimierungziele Minimierung der Rohstoffkosten Minimierung der Betriebskosten Minimierung der Fertigungszeit Maximierung der Kapazitätsauslastung Maximierung der Produktqualität Zur Optimierung muß ein geeignetes Verfahren ausgewählt werden

3.4 Optimierung von Prozessen
Klassifikation von Optimierungsaufgaben Optimierungsproblem Konfiguration x = (x1, x2, …, xn) Kostenfunktion C(x) = Min/Max (Durch Vorzeichenwechsel wird aus einem Minimierungs- ein Maximierungsproblem) evtl Nebenbedingungen der Form a11 x1 + a12 x2 +… +a1n xn £ b1 a21 x1 + a22 x2 +… +a2n xn £ b2 oder A x £ b ... Elemente xi diskret kontinuierlich Kostenfkt. C Kombinatorische Optimierung linear nicht linear Lineare Programmierung Nicht lineare Optimierung

3.4.1 Verfahren zur Optimierung
Bsp.: Lineare Optimierung (LP) Zielfunktion Nebenbedingungen C N5 y N2 N1 x N4 N3

Nicht lineare Optimierung C(x) ist die Kostenfunktion Gradientenverfahren x(i+1) = x(i)+ s × ÑC(x(i)) (Maximierung) x(i+1) = x(i)- s × ÑC(x(i)) (Minimierung) C muß differenzierbar sein Startpunkt 1: x(0) Startpunkt 2: x(0) ÑC(x(i))

Allgemeine Optimierungsmethoden 5 10 15 20 25 Relaxationsverfahren Simplex-Verfahren 5 10 15 20 25 5 10 15 20 25 1 2 3 4 Rasterverfahren

Kombinatorische Optimierung Viele der Verfahren der kombinatorischen Optimierung gehören zu der Klasse der NP-harten Probleme. Daher kann meist nur ein annähernd optimales Ergebnis erzielt werden. Einige allgemeine Verfahren Branch and Bound Es wird ein Suchbaum aufgebaut. Eine Kante steht für eine Entscheidung. (Branch) Für jeden Knoten (Abfolge von Entscheidungen) kann eine untere Schranke für das best-mögliche Resultat berechnet werden. Ein Blatt (keine Entscheidung mehr offen) stellt eine Lösung dar. Knoten deren deren Schranke schlechter als die beste bisher bekannte Lösung brauchen nicht weiter betrachtet werden.

Dynamische Programmierung (nicht NP-hart)

Branch and Bound

Evolutionäre Algorithmen Selektion

4 Hardware der Prozeßdatenverarbeitung
Prinzipieller Aufbau einer Prozeßdatenverarbeitungsanlage Indirekte Prozeßkopplung (Off-line-Betrieb) Stellen und Messen erfolgt manuell evtl. werden die Betriebsdaten in einen Rechner eingegeben Direkte Prozeßkopplung On-line-open-loop-Betrieb Eingangsseitig Ausgangsseitig

4 Hardware der Prozeßdatenverarbeitung
On-line-closed-loop-Betrieb Der Prozeßrechner übernimmt alle Funktionen Detailierterer Aufbau Sensor(en) Prozeß Stellglied Signalumformer Meßumformer Entkopplung Prozeßrechner Regelung/Steuerung Führung Optimierung Digitalanalogwandlung Analogdigitalwandlung

4.1 Sensoren/Aktoren 4.1.1 Sensoren
Sensoren wandeln phsikalische Größen wie Druck, Temperatur, Kraft etc. in eine elektrische Größe z. B. Spannung, Widerstand, Kapazität um. Eine wesentliche Eigenschaft ist der funktionale Zusammenhang zwischen der physkalischen und der daraus abgeleiteten elektrischen Größe. Angestrebt wird meist eine direkte Proportionalität. Diese ist (wenn überhaupt) oft nur für einen eingeschränkten Bereich, dem Meßbereich, gegeben. Beispiel für einfache Sensoren Widerstandsthermometer (Temperatur) Metallwiderstände (PTC) Meßbereich -200°..850°C Meßfehler +/-0,5% Halbleiterwiderstände (NTC) Meßbereich -100°..+400°C Meßfehler +/-1-5% Dehnmeßstreifen (Kraft)

4.1.1 Sensoren Brückenschaltung
Eine Schaltung zur Umwandlung von Widerstandsänderungen von Sensoren in eine Spannung ist die Wheatstone Brücke. Nullverfahren Ausschlagverfahren R1 R4 R3 R2 U0 UV

4.1 Sensoren/Aktoren 4.1.2 Aktoren Gleichstrommotoren
Wechselstrommotoren Linearmotor Schrittmotoren Hydraulik/Pneumatik

4.2 Datenübertragung/Entkopplung
Digitale Signale Übertragung durch Leitungen Lichtwellenleiter Analoge Signale Fliegende Kapazität Spannungs-Frequenz-Wandlung

4.2 Datenwandler 4.2.1 Analogdigitalwandler (A/D-Wandler)
Grundsätzliche Überlegungen Die analoge Eingangsspannung Ue wird durch ein Codewort fester Länge n repräsentiert. Daher ist die kleinste und größte zulässige Eingangsspannung durch die Bauart des Wandlers festgelegt. Die minimale Auflösung bei N-Bits beträgt Abtastung Umsetzung in ein Codewort Skalenfehler Integration (Mittelwertbildung) Code Ue Quantisierungs- fehler N+1 N Nichtlinearität Offset-Fehler t Abtastzeitpunkt Ue

4.2.1 Analog/Digitalwandler
Nachlaufverfahren Spannungs-Frequenz-Umsetzung VCO Zähler Sensor Digtalwert Funktionsweise Komparator: Überwiegt die Spannung am invertieren Eingang (-) die Spannung am nicht invertierenen Eingang (+), so wird eine log. Null erzeugt. A/D-Wandler: Dieser wandelt einen digital Code in eine Analogspannung.

Integrationsverfahren (Dual-Sloop) UI Ue1 Ue2 t Funktionsweise: Ruhezustand: S1, S2 offen, S3 geschlossen (Kondensator entladen) Meßbeginn: S2, S3 offen, S1 geschlossen. Der Kondensator wird während der Meßdauer auf die Meßspannung aufgeladen. Meßauswertung: S1, S3 offen S2 geschlossen. Der Kondensator wird mit der (negativen) Referenzspannung entladen. Gleichzeitig wird der Ergeniszähler gestartet. Erreicht die Spannung Null, so entspricht der Wert des Ergebniszählers der Eingangsspannnung.

Wägeverfahren (Sukzessive Approximation) Prinzipieller Aufbau des Wandlers u(t) + Steuerung SOC - Funktionsweise Alle Bits im SAR sind initial auf Null Ausgehend vom höchsten Bit (z(n-1)) wird zunächst jedes einzelne Bit probeweise auf Eins gesetzt. Ergibt sich eine zu große Referenzspannung UZ, so wird das Bit wieder zurückgesetzt, ansonsten bleibt es erhalten EOC Uref uZ A D SAR z = (z(n-1),..,z0)

Beispiel Eingangsspannung ue = 2,3 V Referenzspannung Uref = 5 V ue uZ vor dem Vergleich uZ nach dem Vergleich

Parallelumsetzer (Direkte Umsetzung) ue R R R R R R Uref 1 aus n Prioritätsencoder 3-Bit

Delta-Sigma-Wandler Die Frequenz des Taktes 1 muß für n Bits das n-fache der eigentlichen Abtastrate betragen.

Übersicht DAC (Digital-Analog-Convertor)

Das Abtasttheorem (Shannon-Theorem) Eine beliebige periodische Funktion läßt sich als unendliche Reihe von Sinusschwingungen darstellen. (Fourierreihe) Die Frequenzen der einzelnen Schwingungen sind Vielfache der Grundfrequenz. Ein analoges Signal läßt sich aus einer Folge von Abtastwerten rekonstruieren, falls die Abtastfrequenz fT doppelt so hoch ist wie die höchste im analogen Signal vorhandene Frequenz. Approximation einer Rechteckschwingung Bem: Die Fourierreihe einer Rechteck-schwingung ist unendlich.

Das Leiternetzwerkprinzip
4.2 Datenwandler 4.2.2 Digitalanalogwandler (D/A-Wandler) Das Leiternetzwerkprinzip U Widerstand 2R R U/2 Widerstand R 2R 2R

4.3 Prozeßrechner S Int. Integrative Verfahren
Pulsweitenmodulation (PWM) Eine Folge von digitalne Werten wird in eine Impulsfolge umgewandelt. Die Impulsbreite entspricht dem digitalen Wert.Bsp:x(n)= { 6, 12 } Die Realisierung erfolgt durch ladbare Zähler Ein-Bit-Wandler Takt fOS S Analogwert z Int. > 0 Die Taktfrequenz fOS muß bei einem exakten Ergebnis für N Bits das 2N-fache derAbtastrate betragen(Oversampling) -2N

4.3.1 Anforderungen an Prozeßrechner
Echtzeitfähikeit Hohe Zuverlässigkeit

4.3.2 Unterbrechungsbehandlung

4.4 Zuverlässigkeit und Sicherheit
Definitionen Sicherheit Zuverlässigkeit

Die Ausfallrate l(t) von beschreibt die Anzahl der Ausfälle pro Zeiteinheit. In technischen Systemen hat sie folgenden Form Die Verfügbarkeit Q(t) ist die Wahrscheinlichkeit, daß eine technische Komponente oder ein System während der Betriebszeit T bis zum Zeitpunkt t nicht ausgefallen ist Q(t) = p(T > t) Die Verfügbarkeit ist exponetialverteilt mit dem Parameter l R(t) = e-lt Die Ausfallwahrscheinlichkeit P(t) ist gegegeben als P(t) = 1 - R(t) Frühausfälle Verschleiß Zufallsausfälle

Die mittlere Betriebszeit Es soll nun der Erwartungswert für die Betriebszeit ohne Störung ermittelt werden. Formal: Nach dem Gesetz der großen Zahl kann der Erwartungswert geschätzt werden zu Die mittlere Reparaturzeit Für eine Komponente kann eine Größe MTTR (mean time to repair) geschätzt werden.

4.3.1 Verfügbarkeit Zusammenhang Serienschaltung von n Komponenten
Formeln zur Berechnung von Verfügbarkeit q, Q und Ausfallwahrscheinlichkeit p, P Zusammenhang P = 1 - Q , Q = 1 - P Serienschaltung von n Komponenten Parallelschaltung von n Komponenten m aus n System (n identische Komponenten, m intakt) q1 q2 qn S p1 pn pn S m:n p1 pn pn S

4.3.1 Konfigurationen von Rechnern

5 Software in der Prozeßdatenverarbeitung

5.1 Echtzeit-Betriebsysteme

5.2 Echtzeit-Sprachen

5.2.1 Semaphor-Konzept

5.2.2 Monitore

Petri-Netze Petri-Netze dienen der Beschreibung von nebenläufigen Prozessen Ein Petri-Netz PN ist ein Fünftupel N = (P, T, I, O, M0) mit P = { pi | i = 1...m} ist eine endliche Menge Plätzen T = { ti | i = 1...n } ist eine endliche Menge von Transistionen Es muß gelten P  T   und P  T = . P und T sind über gerichtete Kanten verbunden und bilden eien gerichteteen bipartiten Graph. I: P  T  N ist die Eingangsfunktion die O: T  P  N ist die Ausgangsfunktion die M0: P  N ist die initiale Markierung Ein wichtiges Modellierungsmittele sind die Token. Diese befinden sich in den Plätzen.

Petri-Netze Arbeitsweise
Zunächst werden alle Plätze mit der Anzahl von Token belegt, die in M0 vorgegeben ist. Eine Belegung der Plätze mit Token wird als Markierung bezeichnet. Sind alle Eingangplätze einer Transition mit mindestens der in I angegebenen Anzahl von Token belegt so ist die Transistion bereit.

Petri-Netze Modelle

Sei PN ein Petri-Netz mit m Plätzen und n Transitionen
Die Matriz A (Inzidenzmatrix) ist eine n  m Matrix A = [aik] wobei aik gegeben ist durch: mit Eine Markierung oder Zustand ist ein m  1 Spaltenvektor Mk = (M(p1), M(p2), ..., M(pm)T mit M(pi) ist die Anzahl der Marken auf dem Platz pi Die Feuerregel kann nun formiliert werden durch Die Transistion ti ist bereit falls Der n  1 Spaltenvektor ur wird als Steuervektor bezeichnet. Eine 1 an der i-ten Position mit sonst nur 0 bedeutet daß in einer Feuerfolge

Die Markierung Mr nach dem feueren einer Transition ti in Markierung Mr-1 läßt sich ausdrücken durch
Hierdurch erhält man eine notwendige Erreichbarkeitsbedingung durch Eine Markierung Mr ist durch eine Feuerfolge U = {u1,u2,...,ur} erreichbar falls

5.4 Aufbau von Automatisierungssystemen
Geschäftsführung Auftragsannahme Bestellung Buchhaltung Entwicklung Externer Transport Interner Transport Fertigung Lager

6 Bussysteme

6.1 Bushierarchie

6.2 Beispiele

6.2.2 IEC-625-Bus (IEEE 488) Der IEC-Bus entstand als Norm aus dem von HP vorgestellten GPIB (General Purpose Interface Bus) Eigenschaften Byte-paralleler Bus für Laborautomatisierung Zentrale Busvergabe maximale Buslänge 20 m Übertragungsraten 330 KB/s, 500KB/s bis 1MB/s

6.2.2 IEC-625-Bus (IEEE 488) Aufbau eines IEC-Bussystems DIO 1-DIO 8
16 Bus-Leitungen Steuerbus Controller Busvergabe Talker Daten senden Listener Daten empf. Listener Daten empf. ...

6.2.3 VME-Bus

6.2.1 CAN-Bus

6.2.4 Profi-Bus

Prozeßdatenverarbeitung

Ähnliche Präsentationen

Präsentation zum Thema: "Prozeßdatenverarbeitung"— Präsentation transkript:

Ähnliche Präsentationen

Über Projekt

Feedback

Anmelden

Anmeldung über soziales Netzwerk:

Prozeßdatenverarbeitung

Ähnliche Präsentationen

Präsentation zum Thema: "Prozeßdatenverarbeitung"— Präsentation transkript:

Ähnliche Präsentationen

Über Projekt

Feedback