Rainer Dittmar, Bernd-Markus Pfeiffer

Modellbasierte prädiktive Regelung

Eine Einführung für Ingenieure

• Gebundenes Buch

Produktbeschreibung

Das Buch bietet eine Einführung in modellbasierte prädiktive Regelungen einschließlich ihrer Anwendungen in der industriellen Prozessautomatisierung. Ausgewählte Anwendungsbeispiele zeigen dem Leser die Möglichkeiten und den Nutzen dieser Technologie auf.

Es richtet sich vor allem an jetzige und zukünftige Anwender in der Industrie auf den Gebieten Anlagenplanung und -errichtung, Prozessleittechnik, Prozessführung und Informationstechnik, ist aber auch für Studierende höherer Semester der Fachrichtungen Automatisierungs- und Verfahrenstechnik und für in der Forschung tätige Wissenschaftler von großem Interesse.

Prof. Dr.-Ing. Rainer Dittmar ist tätig an der FH Westküste Heide/Holstein im Fachbereich Elektro- und Informationstechnik.

Dipl-Ing. Bernd-Markus Pfeiffer ist tätig für die Siemens AG und die Technische Universität Karlsruhe.

---

Hinweis: Dieser Artikel kann nur an eine deutsche Lieferadresse ausgeliefert werden.

Produktdetails

• Verlag: Oldenbourg
• Reprint 2014
• Seitenzahl: 356
• Erscheinungstermin: 6. Oktober 2004
• Deutsch
• Abmessung: 246mm x 175mm x 25mm
• Gewicht: 762g
• ISBN-13: 9783486275230
• ISBN-10: 3486275232
• Artikelnr.: 13157521

Autorenporträt

Rainer Dittmar studierte an der TH Leuna-Merseburg Verfahrenstechnik. Das Studium schloss er 1974 als Diplom-Ingenieur ab. Es folgte ein Forschungsstudium Systemverfahrenstechnik an der TH Leuna-Merseburg unter der Leitung von Prof. Dr. Klaus Hartmann und 1976 die Promotion zum Dr.-Ing. In der Folgezeit war er sowohl in der Wirtschaft tätig als auch später als Dozent für Automatisierungstechnik im Fachbereich Verfahrenstechnik an der Technischen Hochschule Merseburg. Seit 1996 ist er Professor für Automatisierungstechnik an der FH Westküste Heide.

Inhaltsangabe

1;Vorwort;6
2;Inhaltsverzeichnis;10
3;1 Einführung;24
3.1;1.1 Entwicklung der Prozessführung im gegenwärtigen wirtschaftlichen Umfeld;24
3.2;1.2 Standardmäßige dezentrale PID-Regelung Möglichkeiten und Grenzen;27
3.2.1;1.2.1 Zusatzfunktionen industrieller PID-Regler;28
3.2.2;1.2.2 Vermaschte Regelungsstrukturen;30
3.3;1.3 Ergänzungen zur PID-Regelung;37
3.3.1;1.3.1 Beeinflussung des Führungs- und Störverhaltens;37
3.3.2;1.3.2 Parameteroptimierung;39
3.3.3;1.3.3 Control Performance Monitoring;40
3.4;1.4 Advanced-Control-Verfahren in Prozessleitsystemen;42
3.4.1;1.4.1 Rapid Prototyping (MATLAB/SIMULINK-Ankopplung);45
3.4.2;1.4.2 Fuzzy-Logik und Fuzzy-Control;45
3.4.3;1.4.3 Softsensoren und künstliche neuronale Netze;46
3.4.4;1.4.4 Mehrgrößenregelung und modellprädiktive Regelung ( MPC: Model Predictive Control);49
3.5;1.5 Online-Prozessoptimierung;51
4;2 Grundkonzept und Merkmale modellbasierter prädiktiver Regelungen;56
4.1;2.1 Erfolgsfaktoren der industriellen Anwendung von MPC- Regelungen;56
4.2;2.2 Schwierigkeiten und Grenzen des industriellen Einsatzes;60
4.3;2.3 Grundprinzipien und Begriffe der modellbasierten prädiktiven Regelung;61
4.4;2.4 Zusammenhang mit verwandten regelungstechnischen Methoden;67
4.4.1;2.4.1 Optimale Zustandsregelung;67
4.4.2;2.4.2 Internal Model Control (IMC);70
4.4.3;2.4.3 Smith-Prädiktor-Regler;75
5;3 Mathematische Prozessmodelle und ihre Identifikation aus Messdaten;78
5.1;3.1 Klassifikation dynamischer Prozessmodelle;79
5.1.1;3.1.1 Statische und dynamische Modelle;80
5.1.2;3.1.2 Theoretische und experimentelle Modelle;81
5.1.3;3.1.3 Modelle für lineares und nichtlineares Prozessverhalten;83
5.1.4;3.1.4 Modelle für das Ein-/Ausgangs-Verhalten und Zustandsmodelle;84
5.1.5;3.1.5 Zeitkontinuierliche und zeitdiskrete Modelle;85
5.1.6;3.1.6 Parametrische und nichtparametrische Modelle;86
5.1.7;3.1.7 Modelle für Ein- und Mehrgrößensysteme;87
5.2;3.2 Lineare dynamische Prozessmodelle für das Ein/ Ausgangs- Verhalten;88
5.2.1;3.2.1 Nichtparametrische E/A-Modelle;88
5.2.2;3.2.2 Parametrische E/A-Modelle;95
5.3;3.3 Lineare dynamische Prozessmodelle im Zustandsraum;103
5.3.1;3.3.1 Zeitkontinuierliches Zustandsmodell;103
5.3.2;3.3.2 Zeitdiskretes Zustandsmodell;104
5.4;3.4 Beispiel: Modellierung eines kontinuierlichen Rührkesselreaktors;105
5.5;3.5 Verfahren zur Identifikation linearer dynamischer Systeme;108
5.5.1;3.5.1 Kennwertermittlung aus Sprungantworten;109
5.5.2;3.5.2 Identifikation von FIR-Modellen;110
5.5.3;3.5.3 Parameterschätzung in Differenzengleichungen;114
5.5.4;3.5.4 Identifikation von zeitdiskreten Zustandsmodellen durch subspace identification ;118
5.6;3.6 Praktische Gesichtspunkte bei der Prozessidentifikation;120
5.6.1;3.6.1 Testsignalplanung;120
5.6.2;3.6.2 Wahl der Abtastzeit;123
5.6.3;3.6.3 Aufbereitung der Messwertsätze;125
5.6.4;3.6.4 Wahl der Modellstruktur und Modellordnung;127
5.6.5;3.6.5 Identifikation im geschlossenen Regelkreis;129
5.6.6;3.6.6 Modellvalidierung;132
5.6.7;3.6.7 Identifikation von Mehrgrößensystemen;135
6;4 Prädiktive Regelung mit linearen Prozessmodellen;144
6.1;4.1 Modellgestützte Prädiktion;145
6.1.1;4.1.1 Prädiktion mit Hilfe von Sprungantwort-Modellen;145
6.1.2;4.1.2 Einbeziehung messbarer Störgrößen in die Prädiktion;149
6.1.3;4.1.3 Korrektur der Vorhersage;150
6.1.4;4.1.4 Erweiterung der Prädiktion auf Mehrgrößensysteme;152
6.1.5;4.1.5 Prädiktion mit Hilfe von anderen dynamischen Prozessmodellen;155
6.2;4.2 Berechnung einer optimalen Folge von zukünftigen Steuergrößenänderungen;161
6.2.1;4.2.1 MPC-Regelung ohne Nebenbedingungen;161
6.2.2;4.2.2 Szenarien für das zukünftige Verhalten der Steuer- und Regelgrößen;165
6.2.3;4.2.3 MPC-Regelung mit Nebenbedingungen für die Steuer- und Regelgrößen;168
6.3;4.3 Statische Arbeitspunktoptimierung;170
6.4;4.4 Bestimmung der aktuell gültigen Struktur des Mehrgrößenregelungsproblems;175
6.5;4.5 Das Prinzi

Rezensionen

Buchbesprechung in at 6/2005; Kopie in Fragebogen-Ordner abgeheftet!