Zusammenfassung
Die Regelkreisüberwachung findet für mechatronische Antriebssysteme nur selten Anwendung, da hierfür oftmals zusätzliche, kostspielige Hardware benötigt wird. Im Rahmen dieses Beitrags wird gezeigt, wie mit der Autokorrelationsfunktion Messsignale aus Regelkreisen für mechatronische Antriebssysteme nach auftretenden Oszillationen im Zeitbereich bewertet werden können. Die Analyse der Oszillation nach der Frequenz und eine Abschätzung des Signal-Rausch-Verhältnisses sind möglich. Um auch eine recheneffiziente Auswertung zu erreichen, wird über die Information, welche während der Berechnung von endlichen, zeitdiskreten, homogenen Markovmodellen entsteht, ein Schätzverfahren für die Autokorrelationsfunktion entwickelt. Es resultiert ein Verfahren für die Bewertung von Oszillationen in Messsignalen, welches nahezu frei von Parametern und robust gegenüber der Parameterwahl ist. Durch die geringen notwendigen Rechenkosten kann es auf rechenleistungsschwacher Hardware, wie speicherprogrammierbare Steuerungen, implementiert werden.
Abstract
Control-loop monitoring is only seldom used for mechatronic drive systems, as it often requires additional, costly hardware. Within the scope of this article it is shown, how the covariance coefficient can be used as a method in the time domain for the oscillation assessment of measured signals, stemming from the control loop for a mechatronic drive system. Both, the assessment of an oscillating signal with respect to the frequency and the estimation of the signal-to-noise-ratio, are enabled by the use of the covariance coefficient. To achieve as well a computationally efficient assessment method, in addition, an estimator for the covariance coefficient is proposed, which incorporates the information arising during the calculation of finite, discrete-time, homogenous Makovian models. As a result, an assessment method is finally attained, which not only requires significantly less computational effort than the evaluation of the covariance coefficient, but exhibits robustness to the few parameters being included in the estimator. The presented monitoring method allows to be implemented on computationally weak hardware platforms, such as programmable logic controllers.
About the authors
Wolfgang Krippner hat an der Technischen Universität Darmstadt Elektro- und Informationstechnik studiert. Er arbeitet als wissenschaftlicher Mitarbeiter am Institut für Industrielle Informationstechnik (IIIT) und beschäftigt sich dort mit hyperspektraler Bildgewinnung und -verarbeitung sowie Klassifikationsproblemen.
Viktor Kisner ist wissenschaftlicher Mitarbeiter am Fachgebiet für Regelungstechnik und Mechatronik im Fachbereich Elektrotechnik und Informationstechnik der Technischen Universität Darmstadt. Im Rahmen seiner Forschungstätigkeit beschäftigte er sich mit dem Entwurf Modellprädiktiver Regelungen für elektrische Antriebe.
Kim Listmann studierte Mechatronik an der TU Dresden (2006) und promovierte an der TU Darmstadt (2011). Seither ist er am Forschungszentrum Deutschland der ABB AG in Ladenburg in verschiedenen Positionen tätig. Derzeit leitet der die Abteilung “Automation & Grid Technologies”. Seine Hauptinteressen liegen in der Modellierung, Regelung und Optimierung mechatronischer Systeme und in der Theorie vernetzter Systeme.
Prof. Dr.-Ing. Ulrich Konigorski ist Leiter des Fachgebietes Regelungstechnik und Mechatronik im Fachbereich Elektrotechnik und Informationstechnik der Technischen Universität Darmstadt. Methodenorientierte Forschungsschwerpunkte sind der Entwurf linearer und nichtlinearer Mehrgrößenregelungen, die Anwendung von Walshfunktionen in der Systemtheorie, Multiratenabtastsysteme sowie iterativ lernende Regelungen. Anwendungsorientierte Schwerpunkte sind die Analyse, der Entwurf und die digitale Regelung mechatronischer Systeme.
Literatur
1. S. Asmussen, Applied Probability and Queues, Applications of mathematics: stochastic modelling and applied probability, Springer, 2003.Search in Google Scholar
2. A. Binder, Elektrische Maschinen und Antriebe: Grundlagen, Betriebsverhalten, Springer Berlin Heidelberg, 2012.10.1007/978-3-540-71850-5Search in Google Scholar
3. George E. P. Box, Gwilym M. Jenkins and Gregory C. Reinsel, Autocorrelation Function and Spectrum of Stationary Processes, pp. 21–46, John Wiley & Sons, Inc., 2008.10.1002/9781118619193.ch2Search in Google Scholar
4. D. R. Brillinger, Time Series: Data Analysis and Theory, Classics in Applied Mathematics, Society for Industrial and Applied Mathematics, 2001.10.1137/1.9780898719246Search in Google Scholar
5. K. Forsman and A. Stattin, A new criterion for detecting oscillations in control loops, European Control Conference (ECC), pp. 2313–2316, 1999.10.23919/ECC.1999.7099666Search in Google Scholar
6. H. O. Georgii, Stochastik: Einführung in die Wahrscheinlichkeitstheorie und Statistik, De Gruyter, 2015.10.1515/9783110359701Search in Google Scholar
7. T. Hägglund, A control-loop performance monitor, Control Engineering Practice 3(11) (1995), 1543–1551.10.1016/0967-0661(95)00164-PSearch in Google Scholar
8. T. Heimbold, Einführung in die Automatisierungstechnik: Automatisierungssysteme, Komponenten, Projektierung und Planung, Carl Hanser Verlag GmbH & Company KG, 2014.10.3139/9783446431355Search in Google Scholar
9. S. Hosono, N. Kawashima, D. Wollherr and I. Ishimaru, Built-in hyperspectral camera for smartphone in visible, near-infrared and middle-infrared lights region (third report): spectroscopic imaging for broad-area and real-time componential analysis system against local unexpected terrorism and disasters, 2016.10.1117/12.2223409Search in Google Scholar
10. M. Jelali, An overview of control performance assessment technology and industrial applications, Control Engineering Practice 14(5) (2006), 441–466.10.1016/j.conengprac.2005.11.005Search in Google Scholar
11. V. Kisner, E. Lenz, A. Wahrburg, K. D. Listmann and U. Konigorski, Harmonic approximation of velocity oscillations in electrical drives, IEEE Conference on Control Applications (CCA), pp. 1137–1142, 2016.10.1109/CCA.2016.7587959Search in Google Scholar
12. B.-U. Köhler, Konzepte der statistischen Signalverarbeitung, Springer Berlin Heidelberg, 2005.Search in Google Scholar
13. F. Puente Leon and U. Kiencke, Messtechnik, Springer Berlin Heidelberg, 2011.10.1007/978-3-642-20239-1Search in Google Scholar
14. A. Papoulis and S. U. Pillai, Probability, random variables, and stochastic processes, McGraw-Hill electrical and electronic engineering series, McGraw-Hill, 2002.Search in Google Scholar
15. R. Schönherr, Regelkreisüberwachung mechatronischer Antriebssysteme, Ph.D. thesis, Technische Universität Chemnitz, 2012, p. 177.Search in Google Scholar
16. N. Schörghofer, The Third Branch of Physics: Essays on Scientific Computing, 2005.Search in Google Scholar
17. H. M. Taylor and S. Karlin, An Introduction to Stochastic Modeling, Academic Press, 1998.Search in Google Scholar
18. B. Widrow, I. Kollar and Ming-Chang Liu, Statistical theory of quantization, IEEE Transactions on Instrumentation and Measurement 45(2) (1996), 353–361.10.1109/19.492748Search in Google Scholar
19. H. Xia, P. Majecki, A. Ordys and M. Grimble, Controller benchmarking based on economic benefits, European Control Conference (ECC), pp. 2358–2363, 2003.10.23919/ECC.2003.7085319Search in Google Scholar
© 2018 Walter de Gruyter GmbH, Berlin/Boston
