Zum Inhalt springen
Zurück zu den Suchergebnissen

Adaptive Regelung

Eingeführt von
Karl J. Astrom
Jahr
1983
Typ
algorithm
Familie
Adaptive Control

Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen

Schriftgröße

Was leistet sie?

Adaptive Regelung ist eine Regelungsstrategie, die Reglerparameter in Echtzeit anpasst, basierend auf Online-Systemidentifikation, um die Leistung trotz sich ändernder Anlagendynamik oder unsicherer Parameter aufrechtzuerhalten.

Pionierarbeit von Astrom und Wittenmark ermöglicht adaptive Regelung einen robusten Betrieb in zeitlich variierenden Umgebungen, von Flugzeugen mit Treibstoffverbrauch bis hin zu Industriesystemen mit alternden Komponenten.

Die Intuition hinter der Methode

Adaptive Regelung kombiniert zwei Schleifen: eine schnelle innere Rückkopplungsschleife zur sofortigen Stabilisierung und eine langsamere äußere Schleife, die sich ändernde Systemparameter schätzt und Reglerverstärkungen aktualisiert. Wenn sich die Anlage ändert (Treibstoffverbrauch im Flugzeug, zunehmende Reibung mit dem Alter), misst die adaptive Schleife Ausgangsfehler, leitet Parameteränderungen durch Systemidentifikation ab und passt den Regler an, um die Leistung aufrechtzuerhalten. Dies ist anspruchsvoller als feste robuste Regelung (die Parameter im Worst-Case annimmt) und praktischer als manuelle Nachjustierung.

Geschichte

Astrom formalisierte die Theorie der adaptiven Regelung in den 1980er Jahren und legte Konvergenz- und Stabilitätsbedingungen fest. Ioannous robuste adaptive Regelung (1996) befasste sich mit Stabilitätsproblemen, indem sie sicherstellte, dass die Parameterschätzungen in begrenzten Bereichen verbleiben. Moderne adaptive Regelung umfasst modellreferenzbasierte Ansätze (MRAC), Gain-Scheduling für parameterabhängige Regelung und Methoden des maschinellen Lernens zum Erlernen von Regelgesetzen.

Wann wird sie eingesetzt?

Adaptive Regelung verwenden, wenn sich Systemparameter im Laufe der Zeit erheblich ändern (Alterung, Temperatur, Laständerungen), wenn Parameter unbekannt sind, aber die Systemstruktur bekannt ist, und wenn eine garantierte Stabilität trotz parametrischer Unsicherheit erforderlich ist. Ideal für Flugzeugregelung (Treibstoffverbrauch, Schwerpunktverlagerung), industrielle Prozessregelung (Alterung von Katalysatoren) und erneuerbare Energiesysteme (schwankende Wind-/Solarenergie). Vermeiden Sie adaptive Regelung, wenn sich Parameter schneller ändern, als die Identifikation verfolgen kann, wenn Stabilitätsmargen sehr konservativ sein müssen oder wenn ein fester robuster Regler ausreicht.

Grenzen und Hinweise

  • Die Identifikationsphase erfordert persistente Anregung (ausreichend variierter Eingang); langsam in ruhigen Umgebungen.
  • Die Konvergenz der Parameterschätzung kann langsam sein; transiente Instabilität während der Anpassung möglich.
  • Erfordert genaue Messung der Ausgänge; Rauschen und Verzögerungen verschlechtern die Identifikation.
  • Stabilitätsbeweise sind komplex; adaptive Systeme können instabil sein, obwohl einzelne Komponenten stabil sind.
  • Die Anpassungsrate muss langsamer sein als die Regelschleife; Konflikte mit schnellen Tracking-Anforderungen.

Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.

Stärken

  • Aufrechterhalten der Leistung, wenn Systemparameter driften; keine manuelle Nachjustierung erforderlich.
  • Schnellere Reaktion auf Parameteränderungen als feste robuste Regler.
  • Reduzieren des stationären Fehlers, ohne auf den Worst-Case zu überdimensionieren.
  • Ermöglicht die Entdeckung unbekannter Parameter während des Betriebs.
  • Integrieren von Messdaten für Echtzeit-Lernen auf natürliche Weise.

Anwendungen

  • Luft- und Raumfahrt: Flugzeugregelung bei Treibstoffverbrauch und Schwerpunktverlagerung, adaptiver Autopilot für wechselnde aerodynamische Bedingungen.
  • Industrielle Prozesse: Reaktorregelung mit wechselnder Katalysatoraktivität, adaptive Prozessoptimierung.
  • Stromsysteme: Generatorregelung mit variierenden Generatorparametern, Lastfrequenzregelung.
  • Marinesysteme: Kursregelung von Schiffen bei wechselnden Wind- und Seebedingungen.
  • Erneuerbare Energien: Regelung von Windkraftanlagen, die sich an unterschiedliche Windgeschwindigkeitsstatistiken anpassen.

So funktioniert es

So funktioniert es

1

Erfassen von Ein- und Ausgangsdaten und Schätzen der aktuellen Systemparameter mittels rekursiver kleinster Quadrate oder anderer Online-Identifikationsalgorithmen.

2

Aktualisieren des geschätzten Parametervektors θ_hat basierend auf dem gemessenen Fehler zwischen Modellvorhersage und tatsächlichem Ausgang.

3

Berechnen neuer Reglerverstärkungen basierend auf aktuellen Schätzungen der Parameter mittels Polplatzierung, LQR oder anderer Entwurfsmethoden.

4

Anwenden des aktualisierten Reglers mit neuen Verstärkungen auf das System; Wiederholen der Identifikation und Neukonstruktion mit langsamerer Rate (z. B. jede Sekunde, während die Regelung mit 100 Hz läuft).

Häufige Fallstricke

  • Übermäßig aggressive Anpassungsverstärkung; verursacht Instabilität, wenn Schätzungen die wahren Werte überschießen.
  • Unzureichende persistente Anregung; Parameter konvergieren nicht und die adaptive Regelung verbessert die Leistung nicht.
  • Verwendung adaptiver Regelung in nicht-stationärer Umgebung; Identifikation konvergiert nie, wenn sich die Anlage ständig ändert.
  • Ignorieren von Schätzfehlern; Unsicherheit in den Parameterschätzungen verschlechtert die Leistung der geschlossenen Schleife.

Häufig gestellte Fragen

Was ist persistente Anregung und warum ist sie notwendig?

Persistente Anregung bedeutet, dass das Steuersignal über ausreichende Vielfalt (spektrale Reichhaltigkeit) verfügt, damit die Systemparameter eindeutig identifiziert werden können. Zufälliges Rauschen oder gelegentliche Sollwertänderungen stellen die Konvergenz der Identifikation sicher. Ohne PE erscheint das System degeneriert und die Parameterschätzungen konvergieren nicht.

Verwandte Methoden

Quellen

  1. Astrom, K. J., & Wittenmark, B. (1983). Computer-Controlled Systems: Theory and Design. Prentice Hall.

    Publikationsreferenz öffnen
    Kopiert.
  2. Ioannou, P. A., & Sun, J. (1996). Robust Adaptive Control. Prentice Hall.

    Publikationsreferenz öffnen
    Kopiert.