WO1993012475A1 - Verfahren zur optimierung von steuerparametern für ein system, das in abhängigkeit der steuerparameter ein ist-verhalten aufweist - Google Patents

Verfahren zur optimierung von steuerparametern für ein system, das in abhängigkeit der steuerparameter ein ist-verhalten aufweist Download PDF

Info

Publication number
WO1993012475A1
WO1993012475A1 PCT/DE1992/001017 DE9201017W WO9312475A1 WO 1993012475 A1 WO1993012475 A1 WO 1993012475A1 DE 9201017 W DE9201017 W DE 9201017W WO 9312475 A1 WO9312475 A1 WO 9312475A1
Authority
WO
WIPO (PCT)
Prior art keywords
control parameters
behavior
target
actual
actual behavior
Prior art date
Application number
PCT/DE1992/001017
Other languages
English (en)
French (fr)
Inventor
Werner Neubauer
Siegfried Bocionek
Marcus MÖLLER
Martin Joppich
Original Assignee
Siemens Aktiengesellschaft
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Aktiengesellschaft filed Critical Siemens Aktiengesellschaft
Priority to EP92923695A priority Critical patent/EP0616706B1/de
Priority to US08/244,756 priority patent/US5598076A/en
Priority to DE59205627T priority patent/DE59205627D1/de
Priority to JP5510506A priority patent/JPH07501643A/ja
Publication of WO1993012475A1 publication Critical patent/WO1993012475A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1602—Programme controls characterised by the control system, structure, architecture
    • B25J9/161—Hardware, e.g. neural networks, fuzzy logic, interfaces, processor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Definitions

  • control parameters are available which bring about a correct actual behavior in relation to the target behavior of such a system. This means that the parameters must be such that the actual behavior of the system corresponds as exactly as possible to the target behavior.
  • -robot arms which are a tool such as move a laser or a deburring tool, which are to be guided along a specific contour line of a workpiece.
  • -Heating systems that are designed to imprint a specific temperature profile on a workpiece.
  • the differential equation would be determined by the weight of the tool, the weight of the individual arms, the moments of inertia that occur during movements Torques of the motors and the way in which the individual joints and the parts of the robot arm connected to them are positioned.
  • heating controls e.g. the temperature coefficient of the insulation, the different reflection behavior of the heating material, convection influences, different ambient temperature, etc.
  • Control parameters in the case of a robot arm x-y - and possibly also z coordinates of a path trajectory are now fed to this model.
  • the simulation shows the actual behavior of the robot arm, which can now be compared with the known target behavior, namely the coordinates of the trajectory.
  • the control parameters i.e. optimize the coordinates for this robot model.
  • Another method of teaching robot-poor trajectories is directly in the teach-in method, by moving point by point to individual coordinates that lie on the trajectory that the robot is to describe in the manufacturing process, and in which the human being after all coordinate points have been entered , also optimized the dynamic behavior and specified the control parameters accordingly.
  • the first group includes Casareo and Mariano / CAS84 / and Spong / Spo 86 / a linearized feedback, Freund / Fre 82 / proposes a nonlinear transformation for the decoupling of the nonlinearities of the robot dynamics. All of them assume that the inertia matrix is completely known. Therefore, a very precise robot model is necessary for these techniques.
  • Model Reference Adaptive Control (/ Hor ⁇ O /, / Dub79 /, / Bal83 /, / Koi83 /, / Lei84 /).
  • this adaptive method regulation is carried out in such a way that the difference between the actual behavior calculated using a model (damped second-order system) and the current actual behavior of the robot is minimized. Due to the fact of the comparison with a model and not with the desired trajectory, errors must occur if the model is not very precise. To reduce these errors, Arimoto and others (/ Ari84 /, / Ari85 /) have introduced a new method called "Learning Control".
  • Potthast and Tio / Pot91 / ⁇ determine the parameters of an inverse linear system model based on the comparison between the input and output signals of a CNC machine. Then, using the inverse system model, the CNC program (input signal, control parameters) is modified before execution so that the output signal matches the desired trajectory. With this method, the change of the original control parameters must be carried out before each execution. Errors in the system model also lead to deviations from the target behavior.
  • D. Psaltis et al. (/ Psa87 /, / Psa88 /) use a multi-layer neural network that can be trained on-line.
  • W.T. Miller III and others (/ Mil87 /, / Mil89 /, / Mil90 /) use an approximate model of robot dynamics that is only valid for certain regions of the work space and for which a neuronal network is trained.
  • the learning rule applied is similar to the Widrow-Hoff learning rule for adaptive elements.
  • the underlying object of the invention is to provide a method for optimizing the control parameters for a ⁇ system having an actual behavior depending on these control parameters indicate. This object is achieved in accordance with the features of patent claim 1.
  • a particular advantage of the method according to the invention is that the actual behavior of the system only has to be determined and learned once and the correct control parameters only have to be defined once. The optimized control parameters can then be fed to him during operation and there is no need to regulate.
  • Another advantage of the method according to the invention is that no attempt is made here to improve the control of the system, but that the control parameters compensate for the nonlinearities of the system, of which it is not necessary to know what type they are .
  • neural networks are particularly advantageous to use neural networks as components capable of learning, since there are sufficient computer models for them and because they are able to learn non-linear system behavior.
  • the inverse system model is stable.
  • the advantage is that a correction variable for the input control parameter can be found directly via the inverse model with the target deviation.
  • the use of the method according to the invention is particularly favorable in the case of robot arms, since a variety of simulation models are available for robot controls and robot arms and since human activity can be automated by using the method.
  • the use of the method according to the invention can also be beneficial for determining the optimal parameters of the temperature profiles, because the optimal adjustment is also time-consuming there.
  • sensors to determine the actual behavior of a system can also be particularly advantageous since data is obtained directly with which a neural network can be trained.
  • a transformer offers the neural networks the processed values from actual behavior and control parameters that are required to describe the system behavior at a given time.
  • FIG. 1 shows the learning process on a neuron of a neural network, to which various input parameters are fed.
  • Figure 2 shows the learning of the inverse system.
  • Figure 3 shows the learning of the forward system.
  • Figure 4 shows the parameter optimization with the inverse system model.
  • FIG. 5 shows the parameter optimization with two identical forward system models.
  • FIG. 6 shows various steps in parameter optimization with the method according to the invention.
  • the neuron of a neural network is shown in FIG. It is marked with.
  • the neuron has q inputs in ,, in 2 to in, which are identified by arrows and weighting factors w ,, 2 to w are plotted on the respective inputs of the neuron.
  • This neuron has the output out. Marked with e, the measured error between actual behavior and target behavior is the target deviation.
  • the network is trained with the Delta rule by Widrow-Hoff.
  • (i) is the measured error between the actual and target path at the i-th point of, for example, a robot trajectory and the learning step size.
  • (i) is the measured error between the actual and target path at the i-th point of, for example, a robot trajectory and the learning step size.
  • it In a system with non-linear transmission behavior, however, it must be slowly reduced to 0 in order to Achieve convergence of the system model.
  • a linear inverse system model can very easily become unstable in the case of nonlinearities in the system and therefore unsuitable for parameter optimization.
  • Figure 2 shows an example of learning the inverse system.
  • the input parameters are designated here with u_ Q and the system output parameters with y_ Q.
  • the deviation e is also plotted and the response of the system model U n .
  • the system is controlled with the parameter u_ Q and a sensor determines the parameter y_ Q as the system response.
  • This parameter is fed to the input of the system model, which corresponds to the input described in FIG.
  • the system model delivers in response to y_ Q J Q «The deviation e between U n and t is determined at a comparison point.
  • the weighting factors w at the corresponding input in, at which y ⁇ is supplied, are iteratively changed until e, ie the difference between JU Q and U Q becomes as small as possible. Then the system model is learned.
  • FIG. 2 The learning of the forward system is shown in FIG.
  • the system is supplied with a value, a parameter J Q , which delivers the value y_ Q at the output.
  • a parameter J Q which delivers the value y_ Q at the output.
  • the same value u_ Q is supplied to the system model, which then brings about a value _ Q on the system model.
  • the two system responses one that of the real system y_g and the other that of the system model y r , are linked together at a comparison point and result in a deviation e.
  • the system model is now trained until e is minimal, ie the weighting factors at the inputs of the neural network which the system is intended to emulate are adapted in a corresponding manner to that in FIG 1 is explained in more detail.
  • FIG. 4 exemplifies parameter optimization with an inverse system model.
  • the neural network After the neural network has entered a stable state, it can be used to minimize the target deviation.
  • the system answer is y. and the desired setpoint is marked with __ ⁇ .
  • This value y_ k is determined on the system by the parameter u. causes.
  • the comparison of y_k and v. delivers the target deviation e.
  • This is fed to the system model and delivers analog to the target deviation e_. a value _u k .
  • This value is weighted linearly with k in order to avoid oscillations of the control loop and is added to the input value of the system to the input parameter jJ k . So that the input parameter u. modified. With the new value is then handled in an analogous manner as with L ⁇ .
  • the iterative optimization process continues until e. falls below a predetermined value.
  • FIG. 5 shows the optimization of the parameters with two identical forward system models.
  • the learned linear system is used twice to answer __. on to calculate.
  • the minimization of (a y. + Leads to such an a that the addition is always minimized by adding a and u to u.
  • the designations are used analogously to FIG. 4 in this figure.
  • This Itera ⁇ tion is used in a similar way to be Parameter optimization with the inverse system model carried out until e. falls below a predetermined value.
  • the method according to the invention is explained in FIG. 6 on the basis of the target trajectory and the actual trajectory of a robot arm and the control parameters on which it is based.
  • part A is the target trajectory of a robot arm, i.e. the control parameters are represented in the form of xy coordinates and the actual behavior of the robot arm caused by these control parameters, which takes into account damping and play in the arm joints, is recorded.
  • This figure A can be used to form a system model of this robot arm.
  • the neural network is trained with the corresponding differences between target and actual trajectory. This means that weighting factors are learned for randomly selected path points of the target trajectory depending on the difference between the target and actual values of the respective path points.
  • FIG. 6B shows the change in the target trajectory after the control parameters have been optimized once using the inverse system model. It can be seen in comparison to image A that the actual trajectory has already approximated the target trajectory by optimizing the control parameters.
  • FIG. 6C shows the target trajectory and the actual trajectory, as well as the optimized control parameters after 6 passes through the neural network. There is no longer any difference between the target and actual trajectory and the iteration process that optimizes the control parameters can be stopped.
  • Sources / Ang91 / G.Angermüller, G.Drechsler, P.Kolbenschlag, 3.Lindner, K.Moritzen SMS-A 3D simulation system for planning and program generation of manufacturing plants.In / Wlo91 /.

Abstract

Häufig werden heutzutage, z.B. im Fertigungsbereich Systeme eingesetzt, die in komplexer Weise von vielfältig unterschiedlichen Steuerparametern abhängen. Die vorliegende Erfindung beschreibt ein Verfahren zur Parameteroptimierung solcher Systeme. Durch den Einsatz eines neuronalen Netzes, welches das Verhalten des technischen Systems erlernt, werden die Steuerparameter optimiert, indem die Systemergebnisse, das Ist-Verhalten mit den Ergebnissen des Modells verglichen werden und auf diese Weise neue Steuerparameter sich ergeben, die dann iterativ solange dem System zugeführt werden bis sich zwischen dem Sollverhalten des Systems, das erwünscht ist und Ist-Verhalten des Systems kein Unterschied mehr zeigt, bzw. dieser Unterschied unter einem zuvor festgelegten Wert liegt. Wichtig kann das erfindungsgemäße Verfahren z.B. sein beim Einsatz zur Optimierung von Bahntrajektorien, die Roboterarme beschreiben.

Description

Verfahren zur Optimierung von Steuerparametern für ein System, das in Abhängigkeit der Steuerparameter ein Ist- Verhalten aufweist
In modernen Fertigungseinrichtungen werden häufig aus Kosten , Zeit- und Personalersparnisgründen Fertigungsan¬ lagen eingesetzt, die sehr komplex sind und deren korrekte Funktionsweise von einer Vielzahl von Steuerparametern abhängt. Dabei ist es besonders wichtig, daß in Abhängig¬ keit von der Zeit solche Steuerparameter zur Verfügung ste¬ hen, die in Bezug auf das Sollverhalten eines solchen Sy¬ stems ein korrektes Ist-Verhalten bewirken. Das heißt, daß die Parameter so beschaffen sein müssen, daß das Ist-Verhal¬ ten des Systems dem Sollverhalten möglichst genau entspricht.
Einige Beispiele für solche Systeme sind: -Roboterarme, die ein Werkzeug, wie z.B. einen Laser oder ein Entgratungswerkzeug bewegen, welche entlang einer bestimm¬ ten Konturlinie eines Werkstücks geführt werden sollen. -Heizsysteme, welche einem Werkstück ein bestimmtes Temperaturprofil aufprägen sollen.
Um derartige Systeme regeln zu können, muß man ihr Übertra¬ gungsverhalten sehr genau kennen und beschreiben. Man kann versuchen für die Regelung das Übertragungsverhalten der Systeme in Differentialgleichungen höherer Ordnung zu erfassen. Bei mechanischen Systemen, wie einem Roboterarm z.B., würde die Differentialgleichung durch das Gewicht des Werkzeugs, das Gewicht der einzelnen Arme, die Trägheitsmomente, die bei Bewegungen auftreten, die Drehmomente der Motoren und die Art und Weise, wie die einzelnen Gelenke und mit ihnen verbundenen Teilstücke des Roboterarmes positioniert sind, beeinflußt. Man sieht schon daraus, daß sich mit den bekannten
Größen eine sehr komplexe Differentialgleichung ergeben muß. Erschwerend kommt hinzu, daß diese Systeme, wie z.B. ein Roboterarm Nichtlinearitäten aufweisen. Diese Nichtlinearitäten bestehen z.B. im Spiel in den Gelenken, im Spiel in den Übersetzungsgetrieben und in Positionie- rungsungenauigkeiten der Servos. Diese Größen sind nicht vorhersehbar und lassen sich deshalb auch nicht beschrei- ben.
In Analogie dazu sind bei Heizungssteuerungen andere Nichtlinearitäten denkbar, wie z.B. der Temperaturlεit- koeffizient der Isolation, das unterschiedliche Reflexions¬ verhalten des Heizgutes, Konvektionseinflüsse, unterschied¬ liche Umgebungstemperatur usw..
Um solche teueren Investitionsgüter, wie es z.B. Roboter sinα, möglichst lange im Produktionsprozeß belassen zu kö'nnen, gibt es Methoden, die Parameter dieser Systeme zu bestimmenr ohne dafür einen Roboter zu verwenden. Für Roboterarme, die z.B. Werkzeuge führen, müssen Koordinaten vorgegeben werden, entlang welchen der Roboter dieses Werkzeug führen soll. In zeitlicher Abfolge dieser Koordinaten ergibt sich dann eine Bahntrajektorie. Eine Methode solche x-y-Koordinaten zu bestimmen ist z.B. die, durch Simulation eines Roboterarmes. Dabei wird in einem Rechner das Modell eines Rototerarmes beschrieben, das alle bekannten Größen dieses Roboterarmes enthält. Diese Beschreibung beinhaltet z.B. die Geometrie, das kinematische und das dynamische Verhalten des Roboters, der Werkstücke, der Maschinen und auch das Verhalten der Sensoren, soweit sie für die Simulation relevant sind.
Besonders wichtig ist in diesem Zusammehang auch, daß bei solchen Simulations-Modellen auch das Verhalten der Rege¬ lung des Roboters berücksichtigt wird.
Diesem Modell werden nun Steuerparameter im Falle eines Roboterarmes x-y - und eventuell auch z-Koordinaten einer Bahntrajektorie zugeführt. Aus der Simulation ergibt sich dann das Ist-Verhalten des Roboterarmes, das nun mit dem bekannten Soll-Verhalten, nämlich den Koordinaten der Trajektorie verglichen werden kann. Anhand dieses Vergleichs kann man die Steuerparameter, d.h. die Koordinaten für dieses Robotermodell optimieren.
Mit den so am Modell optimierten Steuerparametern kann man nun den realen Roboter ansteuern. Aufgrund der zuvor be¬ schriebenen Nichtlinearitäten wird er nicht das Soll-Ver¬ halten aufweisen, d.h. die Soll-Trajektorie wird mehr oder weniger genau durch den Roboterarm beschrieben. Nun muß der Mensch in zeitaufwendigem Verfahren die Koordinaten, d.h. die Steuerparameter für den realen Roboter optimieren. Dies geschieht beim Laserschneiden und Entgraten z.B. auch unter Aufwand von großem Materialeinsatz, da reale Werk stücke bearbeitet werden. Ein anderes Verfahren Roboter¬ armen Bahntrajektorien beizubringen ist, direkt im teach-in- Verfahren, indem man Punkt für Punkt einzelne Koordinaten die auf der Trajektorie liegen, die der Roboter im Fertigungsprozeß beschreiben soll, anfährt und in dem der Mensch nachdem alle Koordinatenpunte eingegeben sind, auch das dynamische Verhalten optimiert und die Steuerparameter entsprechend vorgibt.
Von großen Vorteil wäre es, wenn dieser Schritt der Steuerparameter-Optimierung auch automatisiert werden könnte. Gängige Methoden, die versuchen diesen Optimierungs¬ prozeß zu beschleunigen, haben eine Verbesserung der Rege¬ lung des Roboters zum Ziel.
Zwei der wichtigsten Techniken sind die "Nonlinear Con¬ trol" Theorie und die "Computed Torque" Methode. Zu der ersten Gruppe gehört beschreibend Casareo und Mariano /CAS84/ und Spong /Spo 86/ eine linearisierte Rückführung, Freund /Fre 82/ schlägt eine nichtlineare Transformation für die Entkopplung der Nichtlinearitäten der Roboterdyna¬ mik vor. Bei ihnen allen wird vorausgesetzt, daß die Träg¬ heitsmatrix vollständig bekannt ist. Deshalb ist für diese Techniken ein sehr genaues Robotermodell notwendig.
Wenn ein Modell der Roboterdynamik in Echtzeit eintlang einer gewünschten Trajektorie berechnet werden kann, dann können die Antriebsmomente für jedes Gelenk bei jedem von der Robotersteuerung übergebenen Befehl neu ausgerechnet werden. Dies wird als "Computed Torque" oder "Inverse Dynamics" Methode bezeichnet (/HolδO/, /Luh80/). Bedingt durch die schlechte Modellierbarkeit können Fehler die durch Spiel und Reibung in den Gelenken, unterschiedliche Zuladung oder Trägheitseffekte verursacht werden, nicht vermieden werden /Gil83/.
Eine weitere Technik ist die sog. "Model Reference Adap- tive Control" .(/HorδO/, /Dub79/, /Bal83/, /Koi83/, /Lei84/). Bei diesem adaptiven Verfahren wird eine Regelung derart vorgenommen, daß die Differenz zwischen dem mit einem Modell (gedämpftes System zweiter Ordnung) berechneten Ist-Verhalten und dem aktuellen Ist-Verhalten des Roboters minimiert wird. Aufgrund der Tatsache des Vergleichs mit einem Modell und nicht mit der gewünschten Trajektorie müs¬ sen Fehler auftreten, wenn das Modell nicht sehr genau ist. U diese Fehler zu reduzieren haben Arimoto und andere (/Ari84/, /Ari85/), eine neue, "Learning Control" genannte Methode vorgestellt. In Anlehnung an diese Technik bestim¬ men Potthast und Tio /Pot91/ αie Parameter eines inversen linearen Systemmodells basierend auf dem Vergleich zwischen dem Eingangs- und Ausgangssignal einer CNC-Maschine. Anschlis- send wird unter Verwendung des inversen Systemmodells das CNC-Programm (Eingangssignal, Steuerparameter) vor der Ausführung so modifiziert, daß das Ausgangssignal mit der gewünschten Trajektorie übereinstimmt. Die Änderung der ursprünglichen Steuerparameter muß bei diesem Verfahren vor jeder Ausführung durchgeführt werden. Fehler im Systemmodell führen auch zu Abweichungen vom Soll-Verhalten.
Die Berücksichtigung von Nichtlinearitäten im Modell wird als geeigneter Schritt in Richtung zur Verbesserung des Systemmodells angesehen. D. Psaltis et al . (/Psa87/, /Psa88/) verwenden dazu ein mehrlagiges neuronales Netzwerk, welches on-line trainiert werden kann.
W.T.Miller III u.a. (/Mil87/, /Mil89/, /Mil90/) verwenden ein nur für bestimmte Regionen des Arbeitsraumes gültiges, angenähertes Modell der Roboterdynamik, für das ein neurona¬ les Netz trainiert wird. Die angewandte Lernregel ist ähnlich der Widrow-Hoff Lernregel für adaptive Elemente.
Weitere Verfahren zur Opti ierunmg von Steuerparametern für ein System, das in Abhängigkeit der Steuerparameter ein Ist-Verhalten aufweist, die insbesondere nicht die Regelung des Systems betreffen, sind nicht bekannt.
Die der Erfindung zugrundeliegende Aufgabe besteht darin, ein Verfahren zur Optimierung von Steuerparametern für ein ■ System, das in Abhängigkeit dieser Steuerparameter ein Ist- Verhalten aufweist, anzugeben. Diese Aufgabe wird gemäß den Merkmalen des Patentanspruchs 1 gelöst. Ein besonderer Vorteil des erfindungsgemäßen Verfahrens besteht darin, daß das Ist-Verhalten des Systems nur einmal ermittelt und gelernt werden muß und es müssen nur einmal die richtigen Steuerparameter festgelegt werden. Im Betrieb können ihm dann die optimierten Steuerparameter zugeführt werden und es muß nicht geregelt werden. Weiter¬ hin vorteilhaft an dem erfindungsgemäßen Verfahren ist es, daß hier nicht versucht wird, die Regelung des Systems zu verbessern, sondern daß über die Steuerparameter die Nichtlinearitäten des Systems von denen es nicht erforder¬ lich ist zu wissen welcher Art sie sind, kompensiert werden.
Besonders vorteilhaft ist es als lernfähige Komponenten, neuronale Netze einzusetzen, da es für sie ausreichend Rechnermbdelle gibt und da sie in der Lage sind, auch nichtlineares Systemverhalten zu erlernen.
Beim System mit minimalphasigem Verhalten ist es besonders günstig ein inverses Systemmodell zu lernen. In diesem Fall ist das inverse Systemmodell stabil. Der Vorteil besteht darin, daß über das inverse Modell mit der Sollabweichung direkt eine Korrekturgröße für den Eingangssteuerparameter gefunden werden kann.
Bei Systemen, die kein minimalphasiges-Übertragungsverhal- ten aufweisen, ist es günstig, beim Parameteroptimieren mit zwei identischen Vorwärts-System odellen zu arbeiten. Dabei wird durch Aufbringen einer künstlichen Parameter- • änderung iterativ die optimierte Korrekturgröße für die Steuerparameter gefunden.
Besonders günstig ist der Einsatz des erfindungsgemäßen Verfahrens bei Roboterarmen, da für Robotersteuerungen und Roboterarme vielfältige Simulationsmodelle verfügbar sind und da durch Einsatz des Verfahrens eine menschliche Tätig¬ keit automatisiert werden kann. Günstig kann der Einsatz des erfindungsgemäßen Verfahrens auch für die Ermittlung von optimalen Parametern die Tempera¬ turprofile bewirken sein, denn auch dort ist die optimale Justage zeitaufwendig.
Besonders vorteilhaft kann auch der Einsatz von Sensoren zur Ermittlung des Ist-Verhaltens eines Systems sein, da man direkt Daten erhält, mit denen ein neuronales Netz trainiert werden kann.
Vorteilhaft kann es auch sein, ein neuronales Netz zu verwenden, daß in der Lage ist, lineares Systemverhalten zu lernen, da die Modelle dafür einfacher sind und da auch . solche Netze teilweise geeignet sind, Nichtlinearitäten bei der Parameter Optimierung zu kompensieren. '
Besonders vorteilhaft ist es neuronale Netze einzusetzen, die auch nichtlineares Übertragungsverhalten des Systems erlernen können. So steht ein inverses stabiles nichtline¬ ares Systemmodell bereit, das bessere Korrekturgrößen für die Steuerparameter ermittelt und damit die Anzahl der Optimierungsbitte für die Steuerparameter reduziert.
Zur Verbesserung der Arbeitsweise des Netzes bietet ein Transformator den neuronalen Netzen aufbereitet diejenigen Werte aus Ist-Verhalten und Steuerparametern an, die zur Beschreibung des Systemverhaltens zu einem Zeitpunkt erforderlich sind.
Alle übrigen Weiterbildungen der Erfindung ergeben sich aus den Figuren und den Unteransprüchen.
Anhand von Figuren wird die Erfindung und ihre Ausführungs¬ beispiele im folgenden näher erläutert. Figur 1 zeigt den Lernvorgang an einem Neuron eines neuro¬ nalen Netzes, dem verschiedene Eingangsparameter zugeführt werden.
Figur 2 zeigt das Erlernen des inversen Systems. Figur 3 zeigt das Erlernen des Vorwärtssystems. Figur 4 zeigt die Parameteroptimierung mit dem inversehen Systemmodell.
Figur 5 zeigt die Parameteroptimierung mit zwei identi¬ schen Vorwärts-Systemmodellen.
Figur 6 zeigt verschiedene Schritte bei der Parameteropti¬ mierung mit dem erfindungsgemäßen Verfahren.
In Figur 1 ist das Neuron eines neuronalen Netzes darge¬ stellt. Es ist mit gekennzeichnet. Das Neuron hat q Eingänge in,, in2 bis in , die mit Pfeilen gekennzeich¬ net sind und an den jeweiligen Eingängen des Neurons sind Gewichtungsfaktoren w,, 2 bis w aufgetragen. Dieses Neuron hat den Ausgang out. Mit e gekennzeichnet, ist der gemessene Fehler zwischen Ist-Verhalten und Soll-Verhalten, die Sollabweichung.
Der Ausgang out wird berechnet mit out = jw . i^ . Trainiert wird das Netz mit der Delta-Regel von Widrow-Hoff.
^neu = 3 + . e_(i) . i_ i zufällig gewählt aus
TTTT7N). l L< 2
Dabei ist (i) der gemessene Fehler zwischen Ist- und Sollbahn am i-ten Punkt von z.B. einer Robotertrajektorie und die Lernschrittweite. kann bei einem System mit linearen Übertragungsverhalten auf 1,0 festgehalten werden, um eine schnellstmögliche Konvergenz zu erreichen. Bei einem System mit nichtlinearen Übertragungsverhalten muß jedoch langsam auf 0 reduziert werden, um die Konvergenz des Systemmodells zu erreichen. Ein lineares inverses Systemmodell kann bei Nichtlinearitäten im System aber sehr leicht instabil und damit ungeeeignet für die Parameteroptimierung werden.
Figur 2 zeigt als Beispiel das Erlernen des inversen Systems. Die Eingangsparameter sind hier mit u_Q bezeichnet und die Ausgangsparameter des Systems mit y_Q. Weiterhin ist die Abweichung e aufgetragen und die Antwort des Systemmodells Un. Beim Erlernen des Systems geschieht folgendes: Das System wird mit dem Parameter u_Q angesteuert und ein Sensor ermittelt als Systemantwort den Parameter y_Q. Dieser Parameter wird dem Eingang des Systemmodells zuge¬ führt der dem in der Figur 1 beschriebenen Eingang in entspricht. Das Systemmodell liefert als Antwort auf y_Q J Q« An einer Vergleichsstelle wird die Abweichung e zwischen Un und t ermittelt. Die Gewichtungsfaktoren w am entsprechenden Eingang in, an dem y^ zugeführt wird, wer¬ den iterativ solange verändert bis e, d.h. die Differenz aus JUQ und UQ möglichst gering wird. Dann ist das System¬ modell erlernt.
In Figur 3 ist das Erlernen des Vorwärtssystems darge¬ stellt. In analoger Weise wie bei Figur 2 wird dem System ein Wert, ein Parameter J Q zugeführt, der am Ausgang den Wert y_Q liefert. Im Unterschied zu Figur 2 wird jedoch dem Systemmodell der gleiche Wert u_Q zugeführt, der dann am Systemmodell einen Wert _Q bewirkt. Die beiden Systemant¬ worten, einmal die des realen Systems y_g und zum anderen Mal die des Systemmodells yr, werden an einer Vergleichs¬ stelle miteinander verknüpft und ergeben eine Abweichung e. Das Systemmodell wird nun solange trainiert, bis e minimal ist, d.h. die Gewichtungsfaktoren an den Eingängen des neuronalen Netzes, welches das System nachbilden soll, werden in entsprechender Weise angepaßt, wie das in Figur 1 näher erläutert ist.
Figur 4 erläutert beispielhaft die Parameteroptimierung mit einem inversen Systemmodell. Nachdem das neuronale Netz in einen stabilen Zustand übergegangen ist, kann es für die Minimierung der Sollabweichung benutzt werden. In diesem Fall ist die Systemantwort mit y. und der gewünschte Sollwert mit __^ gekennzeichnet. Dieser Wert y_k wird an dem System durch den Parameter u. bewirkt. Der Vergleich von y_k und von v. liefert die Sollabweichung e..Diese wird dem Systemmodell zugeführt und liefert analog zu der Sollabwei¬ chung e_. einen Wert _uk. Dieser Wert wird linear mit k gewichtet, um Schwingungen des Regelkreises zu vermeiden und wird dem Eingangswert des Systems dem Eingangspara¬ meter jJk zugefügt. Damit wird der Eingangsparameter u. modifiziert. Mit dem neuen Wert
Figure imgf000012_0001
wird dann in analoger Weise wie mit L^ verfahren. Der iterative Optimierungs¬ vorgang läuft solange ab, bis e. einen zuvor festgelegten Wert unterschreitet.
In Figur 5 ist die Optimierung der Parameter mit zwei identischen Vorwärts-Systemmodellen dargestellt. Das gelernte lineare System wird zweimal verwendet, um die Antwort __. auf
Figure imgf000012_0002
berechnen. Die Minimierung von (a y. + führt zu einem solchen a, daß durch Addition von a . u. zu u. die Abweichung je. minimiert wird. Die Bezeichnungen werden in dieser Figur analog zur Figur 4 verwendet.
Mit dem ermittelten Wert von a erhält man: Hk-tl = K . a . uκ + uκ
* Diese Itera¬
Figure imgf000012_0003
tion wird in analoger Weise wie be der Parameteroptimierung mit dem inversen Systemmodell solange durchgeführt, bis e. einen zuvor festgesetzten Wert unterschreitet.
In Figur 6 wird anhand der Solltrajektorie und der Isttrajektorie eines Roboterarms und der zugrundelegenden Steuerparameter das erfindungsgemäße Verfahren erläutert. Im Teil A ist die Solltrajektorie eines Roboterarmes, d.h. die Steuerparameter in Form von xy-Koordinaten dargestellt und das durch diese Steuerparameter bewirkte Ist-Verhalten des Roboterarmes, welches Dämpfung und Spiel in den Arm-Gelenken berücksichtigt, aufgezeichnet. Diese Figur A kann herangezogen werden, um ein Systemmodell dieses Roboterarmes zu bilden.
Das heißt, das neuronale Netz wird mit den entsprechenden Unterschieden von Soll- unα Isttrajektorie trainiert. Das heißt es werden für zufällig gewählte Bahnpunkte der Solltrajektorie Gewichtungsfaktoren in Abhängigkeit der Differenz von Soll- und Istwert der jeweiligen Bahnpunkte gelernt.
In Figur 6B ist die Veränderung der Solltrajektorie darge¬ stellt, nachdem die Steuerparameter einmal mit Hilfe des inversen Systemmodells optimiert wurden. Man kann im Vergleich zum Bild A erkennen, daß sich durch Optimierung der Steuerparameter, die Ist-Trajektorie der Solltrajekto¬ rie schon angenähert hat.
In Figur 6C sind die Solltrajektorie und die Isttrajek¬ torie sowie die optimierten Steuerparameter nach 6-maligen Durchlaufen des neuronalen Netzes dargestellt. Man erkennt keinen Unterschied mehr zwischen Soll- und Isttrajektorie und der Iterationsvorgang, der die Steuerparameter optimiert, kann abgebrochen werden. Quellen /Ang91/ G.Angermüller,G.Drechsler,P.Kolbenschlag, 3.Lindner,K.Moritzen: SMS-Ein 3D-Simulations- system zur Planung und Programmgenerierung von Fertigungsanlagen.In /Wlo91/.
/Ari84/ S.Arimoto,S.Kawamura and F.Miyazaki: Bettering Operation of Robots by Learning J.of Robotic Systems, Vol.l,No.2, pp.123-140
(1984) /Ari84/ -: Bettering Operation of Dynamic Systems by Learning: A New Control for Servomechanism or Mechatronics Systems. Proc. of 23rd IEEE CDC, Las Vegas(1984)
/Ari85/ -: Can Mechanical Robots Learn by Themselves? in H.Hanafusa andH. Inoue (eds.): Robotics Research: The Second International Symposium, pp.127-134,MIT Press (1985)
/Ari89/ S.Arimoto: in M. Brady (ed); Robotics Sience, pp.349-377 MIT Press (1989) /Atk86/ C.G.Atkeson and J.McIntyre: Robot Trajectory Learning through Practice. Proc. of 1986 IEEE Conf.on Robotics and Automation,pp. 1737-1742 (1986
/Bal83/ M.Balesdtrino,G.De Maria and Sciavicco: An Adaptive Model Following Control for Robot Manipulators. Tra ASME J.ofDSMC, Vol. 105,pp.143-151 (1983)
/Berg91/ J.O.Berg: Robot Calibration for Off-Line Program¬ ming. Industrial Robot, Vol.18,No.2, 1991, pp.29-31
/BMW89/ N.N.:Off-line auf dem Punkt. Roboter,No.4,Sept.1989, pp.28-32
/Cas84/ G.Casareoand R.Marino:0n the Controllability Properties of Elastic Robotos.6 Int.Conf.on Analysis and Opti ization of Systems INRiA,Nice (1984)
/Dub79/ S.Dubowsky and D.T.Desforges: The Application of Model Referenced Control for Robot Manipula¬ tors.Trans.ASME J.of DSMC, Vol.101,pip.193-200 (197
/Fre82/ E.Freund: Fast Nonlinear Control with Arbitrary Pole-Placement for Industrial Robots and Manipula¬ tors. Int.J.Robotics Research, Vol.l,No.l, pp.65-78
/GaSc90/ F.Garnich,H.Schwarz: Laserrobotic for 3D cutting and welding. Proc.of the European Conference on Optics (ECO III),Den Haag (NL),March 1990
/Gil83/ E.G.Gilbert andl.J.Ha: An Approach to Nonlinear Feedback Control with Application to Robotics. Proc.22nd IEEE CDC,San Antonio (1983)
/H0I8O/ J.M.Hollerbach: A Recursive Lagrangain Formula¬ tion of Manipulator Dynamics and a Co parative Study of Dynamic Formulation Complexity. IEEE Trans Syst.Man.Cybernet, Vol.SMC-10,pp.730-736 (1980)
/Hor80/ R.Horowitzand M.Tomizuka: An Adaptive Control Scheme for Mechanical Manipulators - Compensation of Nonlinearity and Decoupling Control. ASME paper 80 WA/ DSC-6 (1980)
/Koi83/ A.J.Koivo and T.H. Guo: Adaptive Linear Controller for Robotic Manipulators.IEEE Trans.on Automatic Control, Vol. AC-28,pp.162-171 (1983)
/Lei84/ G.Leininger: Adaptive Control of Manipulators Using Self-Tuning Methods.in M.Brady and R.P.Paul (eds.): Robotics Research: First International Symposium, MIT Press (1984)
/ uhβO/ J.Y.S. Luh, M.W. Walker, and P.C.Paul: Online Computation Scheme for Mechanical Manipulators. ASME Trans. J.Dyna .Syst.Measure. Control, Vol. 102,pp.69-76(1980)
/MET/ N.N.: Consistent Welds Automatically: Description of Meta Torch Sensor Family.Meta Machines Ltd. ,0xford(UK) /M1187/ W.T.Miller III,F.H.Glanz and L.G.Kraft III: Application of General Learning to the Control of Robotic Manipulators. The Int.J.of Robotics Research 6, pp.84-98 (1987)
/MU89/ W.T.Miller III: Real-time Application of Neural Networks for Sensor-based Control of Robots with Vision. IEEE Trans.SMC 19,pp.825-831 (1989)
/MI19G7 W.T.Miller III,R.P.Howes, F.H.Glanz and L.G.Kraft III: Real-time Control öf an Industrial Manipulator using a Neural-Network-based Learning Controller. IEEE Trans.Robotics and Automation 6, pp.1-9 (1990)
/OLD/ N.N.: The Robot's Eye: Seampilot Optical Profile Sensor. OLDELFT product description, OLDELFT Corp. Delft (NL)
/Pθt91/ A.Potthast and T.T.Tio: Schleppfehlerkompensation an CNC-Werkzeug aschinen mit Sollbahnvorverzerrung. (Track Deviation Compensation for CNC Machine Tools through Feed Forward Control),ZwF86, Carl Hanser Verlag, Munich (1991)
/Psa87/ D.Psaltis,A.Sideris and A.Yamamura: Neural Control¬ lers. Proc.IEEE First Int.Conf.Neural Networks,San Diego, CA,June 21-24,pp.51-558 (1987)
/Psa88/ D.Psaltis,A.Sideris and A.Yamamura: A Multi- layered Neural Network Controller.IEEE Control Systems Magezine 8,pp.17-21(1988)
/San91/ V.D.Sanchez A.and G.Hirzinger: State-of-the-art Robot Learning Control based on Artificial Neural Networks-An-Overview-.To appear in: O.Khatib et al. (ed):* The Robotics Review2, MIT Press (1991)
/SFB91/ Proposal and working Programm of the SFB 331,199219 Technical University of Munich,1991 (in German) /Spo/86/ M.W.Spong:Modeling and control of Elastic Joint Robots.in F.W.Paul and K.Youcef-Toumi ,(eds.): Robotics:Theory and Applications,DSC-Vol.3 (presen- ted at the winter Annual Meeting of ASME),pp.57-65 (1986)
/Wlo91/ D.W.Wloka (Ed): Grundlagen der Robotersimulation. Springer,1991

Claims

Patentansprüche
1. Verfahren zur Erzeugung von Steuerparametern für ein Soll-Verhalten eines Systems, das in Abhängigkeit der Steuerparameter ein Ist-Verhalten aufweist, a) bei dem in einem ersten Schritt eine lernfähige Kompo¬ nente mit dem Ist-Verhalten des Systems geprägt wird, b) bei dem in einem zweiten Schritt der Unterschied zwi¬ schen Soll-Verhalten und Ist-Verhalten des Systems, als Soll- Abweichung, in Abhängigkeit der Steuerpara¬ meter ermittelt wird und mindestens einer mit dem Ist-Verhalten des Systems geprägten lernfähigen Kom¬ ponente zugeführt wird, und diese eine der Soll-Abwei¬ chung entsprechende Korrekturgröße für die Steuerpara¬ meter liefert, c) bei dem in einem dritten Schritt mit Hilfe der Korrek¬ turgröße neue Steuerparameter so ermittelt werden, daß sie eine Verbesserung des Ist-Verhaltens in Bezug auf das Soll-Verhalten des Systems bewirken, und d) bei dem mindestens die Schritte 2 und 3 solange durch¬ geführt werden, bis der Unterschied zwischen Soll- und Ist-Verhalten des Systems einen vorgegebenen Wert unterschreitet.
2. Verfahren nach Anspruch 1, bei dem die lernfähige Komponente ein neuronales Netz ist, das geprägt wird, indem zur Nachbildung des Ist-Verhaltens mindestens ein Steuerparameter an mindestens einem Neuron gewichtet wird.
3. Verfahren nach Anspruch 2, bei dem das neuronale Netz in der Lage ist, lineares Verhalten eines Systems zu lernen.
4. Verfahren nach Anspruch 2, bei dem das neuronale Netz in der Lage ist nichtlineares Verhalten eines Systems zu lernen indem die zum Erlernen des Systems zugeführten Steuerparameter kodiert werden.
5. Verfahren nach Anspruch 2, bei dem ein Transformator mindestens einem Neuron eine Untermenge der aus dem Ist-Verhalten bekannten Steuerparameter für das Lernen des Systemverhaltens zuordnet.
6. Verfahren nach einem der Ansprüche 1 bis 5, bei dem das System mindestens minimalphasiges Verhalten aufweist, bei dem die lernfähige Komponente so geprägt wird, daß sie in der Lage ist aus dem Ist-Verhalten des Systems die zuge¬ hörigen Steuerparameter zu ermitteln und bei dem aus der Soll-Abweichung eine Steuerparameter-Abweichung ermittelt wird, die mit den Steuerparametern verknüpft wird, welche diese Soll-Abweichung bewirkt haben.
7. Verfahren nach einem der Ansprüche 1 bis 5, bei dem zwei identisch geprägte lernfähige Komponenten, Modelle Verwendung finden, wobei ein Modell dieselben Steuerpa¬ rameter wie das System (U) erhält und das andere Modell (um U) veränderte Steuerparameter erhält und man durch Vergleich der bewirkten Ist-Verhalten der zwei Modelle eine Abweichung erhält, die der Veränderung der Steuer¬ parameter am zweiten Modell entspricht, bei dem die Ver¬ änderung iterativ so angepaßt wird, daß das Quadrat der Summe aus der vom System bewirkten Soll-Abweichung und einer Linearkombination der von den Modellen bewirkten Abweichung minimal wird und die so gefundene Veränderung der Steuerparameter mit denjenigen Steuerparametern verknüpft wird, die die Soll-Abweichung des Systems bewirkt haben.
8. Verfahren nach einem der Ansprüche 1 bis 7, bei dem das System ein Roboterarm ist, der ein Werkzeug führt und die Steuerparameter Koordinaten-Vorgaben sind, die in einer Trajektorie enthalten sein sollen, entlang welcher der Roboter das" Werkzeug führen soll und in dem das Ist-Verhalten des Systems durch die Trajektorie beschrieben wird, entlang der der Roboterarm das Werkzeug tatsächlich führt.
9. Verfahren nach einem der Ansprüche 1 bis 7, bei dem das System ein Heizsystem darstellt und die Steuerparameter ein Temperaturprofil vorgeben mit dem Heizgut beheizt werden soll und in dem das Ist-Verhalten durch den tat¬ sächlichen Temperatur Zeit-Verlauf des Heizgutes be¬ schrieben wird.
10. Verfahren nach einem der Ansprüche 1 bis 9, bei dem das Ist-Verhalten des Systems durch Sensoren ermittelt wird.
PCT/DE1992/001017 1991-12-09 1992-12-04 Verfahren zur optimierung von steuerparametern für ein system, das in abhängigkeit der steuerparameter ein ist-verhalten aufweist WO1993012475A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP92923695A EP0616706B1 (de) 1991-12-09 1992-12-04 Verfahren zur optimierung von steuerparametern für ein system, das in abhängigkeit der steuerparameter ein ist-verhalten aufweist
US08/244,756 US5598076A (en) 1991-12-09 1992-12-04 Process for optimizing control parameters for a system having an actual behavior depending on the control parameters
DE59205627T DE59205627D1 (de) 1991-12-09 1992-12-04 Verfahren zur optimierung von steuerparametern für ein system, das in abhängigkeit der steuerparameter ein ist-verhalten aufweist
JP5510506A JPH07501643A (ja) 1991-12-09 1992-12-04 制御パラメータに依存する実際値特性を有するシステムに対する制御パラメータの最適化方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE4140550 1991-12-09
DEP4140550.1 1991-12-09

Publications (1)

Publication Number Publication Date
WO1993012475A1 true WO1993012475A1 (de) 1993-06-24

Family

ID=6446625

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE1992/001017 WO1993012475A1 (de) 1991-12-09 1992-12-04 Verfahren zur optimierung von steuerparametern für ein system, das in abhängigkeit der steuerparameter ein ist-verhalten aufweist

Country Status (5)

Country Link
US (1) US5598076A (de)
EP (1) EP0616706B1 (de)
JP (1) JPH07501643A (de)
DE (1) DE59205627D1 (de)
WO (1) WO1993012475A1 (de)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5751571A (en) * 1993-07-05 1998-05-12 Siemens Aktiengesellschaft Process and apparatus for determining optimum values for manipulated variables of a technical system
WO2010039777A1 (en) * 2008-10-02 2010-04-08 Mts Systems Corporation Methods and systems for off-line control for simulation of coupled hybrid dynamic systems
US9477793B2 (en) 2008-10-02 2016-10-25 Mts Systems Corporation Method and systems for off-line control for simulation of coupled hybrid dynamic systems
US10061278B2 (en) 2013-09-09 2018-08-28 Mts Systems Corporation Method of off-line hybrid system assessment for test monitoring and modification
US10371601B2 (en) 2013-09-09 2019-08-06 Mts Systems Corporation Methods and systems for testing coupled hybrid dynamic systems
DE102018133058A1 (de) 2018-12-20 2020-06-25 Beckhoff Automation Gmbh Verfahren zum steuern eines automatisierungsprozesses in echtzeit
DE102018205015B4 (de) * 2017-04-07 2020-08-13 Fanuc Corporation Einstellvorrichtung und Einstellverfahren
EP3738722A1 (de) * 2019-05-13 2020-11-18 Siemens Aktiengesellschaft Planung von trajektorien für die produktion von werkstücken

Families Citing this family (71)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5745652A (en) * 1993-10-08 1998-04-28 International Business Machines Corporation Adaptive resource allocation using neural networks
US5875109A (en) * 1995-05-24 1999-02-23 Johnson Service Company Adaptive flow controller for use with a flow control system
US5791155A (en) * 1997-06-06 1998-08-11 Carrier Corporation System for monitoring expansion valve
US6211638B1 (en) * 1998-03-27 2001-04-03 Texas Instruments Incorporated Method and apparatus for linearizing control of a reluctance force motor
US6285972B1 (en) * 1998-10-21 2001-09-04 Mts Systems Corporation Generating a nonlinear model and generating drive signals for simulation testing using the same
DE10036971A1 (de) * 2000-07-28 2002-02-28 Siemens Ag Verfahren zur Ferndiagnose eines technologischen Prozesses
GB0109643D0 (en) * 2001-04-19 2001-06-13 Isis Innovation System and method for monitoring and control
SI21200A (sl) * 2002-03-27 2003-10-31 Jože Balič Cnc upravljalna enota za krmiljenje obdelovalnih centrov s sposobnostjo učenja
US7133560B2 (en) * 2002-07-09 2006-11-07 Lee Shih-Jong J Generating processing sequences for image-based decision systems
JP2007510187A (ja) * 2003-10-29 2007-04-19 シーメンス　アクチエンゲゼルシヤフト 技術的システムの運転方法
US7716014B2 (en) * 2004-09-30 2010-05-11 Rockwell Automation Technologies, Inc. Reuse of manufacturing process design models as part of a diagnostic system
US8364610B2 (en) 2005-04-08 2013-01-29 Caterpillar Inc. Process modeling and optimization method and system
US7565333B2 (en) * 2005-04-08 2009-07-21 Caterpillar Inc. Control system and method
US20060229852A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Zeta statistic process method and system
US7877239B2 (en) * 2005-04-08 2011-01-25 Caterpillar Inc Symmetric random scatter process for probabilistic modeling system for product design
US20060230097A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Process model monitoring method and system
US20060229854A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Computer system architecture for probabilistic modeling
US20060229753A1 (en) * 2005-04-08 2006-10-12 Caterpillar Inc. Probabilistic modeling system for product design
US8209156B2 (en) * 2005-04-08 2012-06-26 Caterpillar Inc. Asymmetric random scatter process for probabilistic modeling system for product design
US20070061144A1 (en) * 2005-08-30 2007-03-15 Caterpillar Inc. Batch statistics process model method and system
US7487134B2 (en) * 2005-10-25 2009-02-03 Caterpillar Inc. Medical risk stratifying method and system
US20070118487A1 (en) * 2005-11-18 2007-05-24 Caterpillar Inc. Product cost modeling method and system
US7499842B2 (en) 2005-11-18 2009-03-03 Caterpillar Inc. Process model based virtual sensor and method
US7505949B2 (en) * 2006-01-31 2009-03-17 Caterpillar Inc. Process model error correction method and system
US20070203810A1 (en) * 2006-02-13 2007-08-30 Caterpillar Inc. Supply chain modeling method and system
US20160246905A1 (en) 2006-02-14 2016-08-25 Power Analytics Corporation Method For Predicting Arc Flash Energy And PPE Category Within A Real-Time Monitoring System
US20170046458A1 (en) 2006-02-14 2017-02-16 Power Analytics Corporation Systems and methods for real-time dc microgrid power analytics for mission-critical power systems
US9557723B2 (en) 2006-07-19 2017-01-31 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
US9092593B2 (en) 2007-09-25 2015-07-28 Power Analytics Corporation Systems and methods for intuitive modeling of complex networks in a digital environment
US20070260373A1 (en) * 2006-05-08 2007-11-08 Langer William J Dynamic vehicle durability testing and simulation
US20070275355A1 (en) * 2006-05-08 2007-11-29 Langer William J Integration and supervision for modeled and mechanical vehicle testing and simulation
US8478506B2 (en) 2006-09-29 2013-07-02 Caterpillar Inc. Virtual sensor based engine control system and method
US8180622B2 (en) * 2006-10-24 2012-05-15 Power Analytics Corporation Systems and methods for a real-time synchronized electrical power system simulator for “what-if” analysis and prediction over electrical power networks
US20080154811A1 (en) * 2006-12-21 2008-06-26 Caterpillar Inc. Method and system for verifying virtual sensors
US7483774B2 (en) * 2006-12-21 2009-01-27 Caterpillar Inc. Method and system for intelligent maintenance
DE102007001024B4 (de) * 2007-01-02 2008-10-02 Siemens Ag Verfahren zur rechnergestützten Regelung und/oder Steuerung eines technischen Systems insbesondere einer Gasturbine
US20080275681A1 (en) * 2007-05-04 2008-11-06 Langer William J Method and system for vehicle damper system evaluation and tuning with loading system and vehicle model
US20080275682A1 (en) * 2007-05-04 2008-11-06 Langer William J Method and system for axle evaluation and tuning with loading system and vehicle model
WO2008137363A1 (en) * 2007-05-04 2008-11-13 Mts Systems Corporation Method and system for tire evaluation and tuning with loading system and vehicle model
US7787969B2 (en) * 2007-06-15 2010-08-31 Caterpillar Inc Virtual sensor system and method
US7831416B2 (en) * 2007-07-17 2010-11-09 Caterpillar Inc Probabilistic modeling system for product design
US7788070B2 (en) * 2007-07-30 2010-08-31 Caterpillar Inc. Product design optimization method and system
US7542879B2 (en) * 2007-08-31 2009-06-02 Caterpillar Inc. Virtual sensor based control system and method
US7593804B2 (en) * 2007-10-31 2009-09-22 Caterpillar Inc. Fixed-point virtual sensor control system and method
US8224468B2 (en) 2007-11-02 2012-07-17 Caterpillar Inc. Calibration certificate for virtual sensor network (VSN)
US8036764B2 (en) 2007-11-02 2011-10-11 Caterpillar Inc. Virtual sensor network (VSN) system and method
US8086640B2 (en) * 2008-05-30 2011-12-27 Caterpillar Inc. System and method for improving data coverage in modeling systems
US20090293457A1 (en) * 2008-05-30 2009-12-03 Grichnik Anthony J System and method for controlling NOx reactant supply
US7917333B2 (en) * 2008-08-20 2011-03-29 Caterpillar Inc. Virtual sensor network (VSN) based control system and method
US8204623B1 (en) * 2009-02-13 2012-06-19 Hrl Laboratories, Llc Planning approach for obstacle avoidance in complex environment using articulated redundant robot arm
EP2287685B1 (de) * 2009-07-23 2015-07-15 Siemens Aktiengesellschaft Verfahren zur Überwachung des Betriebsverhaltens einer Komponente einer Industrieanlage
US20110082597A1 (en) 2009-10-01 2011-04-07 Edsa Micro Corporation Microgrid model based automated real time simulation for market based electric power system optimization
DE102011011542B4 (de) 2011-02-17 2016-05-25 Convergent Information Technologies Gmbh Verfahren zur automatisierten Programmierung und Optimierung von robotischen Arbeitsabläufen
US8793004B2 (en) 2011-06-15 2014-07-29 Caterpillar Inc. Virtual sensor system and method for generating output parameters
US9701019B2 (en) * 2011-09-15 2017-07-11 Convergent Information Technologies Gmbh System and method for the automatic generation of robot programs
US20150073601A1 (en) * 2013-09-09 2015-03-12 Mts Systems Corporation Test system having a compliant actuator assembly and iteratively obtained drive
US10078712B2 (en) * 2014-01-14 2018-09-18 Energid Technologies Corporation Digital proxy simulation of robotic hardware
US9904540B2 (en) * 2014-06-05 2018-02-27 General Electric Company Method and system to automate the maintenance of data-driven analytic models
US10502201B2 (en) 2015-01-28 2019-12-10 Haier Us Appliance Solutions, Inc. Method for operating a linear compressor
US10208741B2 (en) 2015-01-28 2019-02-19 Haier Us Appliance Solutions, Inc. Method for operating a linear compressor
US10668623B2 (en) * 2015-05-29 2020-06-02 Abb Schweiz Ag Method and system for robotic adaptive production
US10174753B2 (en) 2015-11-04 2019-01-08 Haier Us Appliance Solutions, Inc. Method for operating a linear compressor
US9890778B2 (en) * 2015-11-04 2018-02-13 Haier Us Appliance Solutions, Inc. Method for operating a linear compressor
JP6616170B2 (ja) * 2015-12-07 2019-12-04 ファナック株式会社 コアシートの積層動作を学習する機械学習器、積層コア製造装置、積層コア製造システムおよび機械学習方法
US10401823B2 (en) 2016-02-04 2019-09-03 Makino Inc. Real time machining process monitoring utilizing preprocess simulation
WO2018089522A1 (en) * 2016-11-08 2018-05-17 Digital Aerolus, Inc. Method for describing and executing behaviors in autonomous vehicles
US10830230B2 (en) 2017-01-04 2020-11-10 Haier Us Appliance Solutions, Inc. Method for operating a linear compressor
US10670008B2 (en) 2017-08-31 2020-06-02 Haier Us Appliance Solutions, Inc. Method for detecting head crashing in a linear compressor
US10641263B2 (en) 2017-08-31 2020-05-05 Haier Us Appliance Solutions, Inc. Method for operating a linear compressor
CN109249393B (zh) * 2018-09-12 2021-03-26 中国人民解放军国防科技大学 一种基于经验控制的多参数机器人实时行为校正方法
US11347613B2 (en) * 2019-10-15 2022-05-31 UiPath, Inc. Inserting probabilistic models in deterministic workflows for robotic process automation and supervisor system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4990838A (en) * 1989-01-05 1991-02-05 Atr Auditory And Visual Perception Research Laboratories Movement trajectory generating method of a dynamical system
EP0445729A1 (de) * 1990-03-06 1991-09-11 Matsushita Electric Industrial Co., Ltd. Verfahren und Vorrichtung zur modellunterstützten Regelung
EP0508202A1 (de) * 1991-04-09 1992-10-14 Bodenseewerk Gerätetechnik GmbH Einrichtung zur Führung des Endeffektors eines Roboters längs einer Sollbahn

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5016188A (en) * 1989-10-02 1991-05-14 Rockwell International Corporation Discrete-time optimal control by neural network
JP2940042B2 (ja) * 1990-01-23 1999-08-25 日産自動車株式会社 車両の制御戦略装置
JP2612358B2 (ja) * 1990-02-27 1997-05-21 株式会社日立製作所 画像処理装置
US5268834A (en) * 1991-06-24 1993-12-07 Massachusetts Institute Of Technology Stable adaptive neural network controller

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4990838A (en) * 1989-01-05 1991-02-05 Atr Auditory And Visual Perception Research Laboratories Movement trajectory generating method of a dynamical system
EP0445729A1 (de) * 1990-03-06 1991-09-11 Matsushita Electric Industrial Co., Ltd. Verfahren und Vorrichtung zur modellunterstützten Regelung
EP0508202A1 (de) * 1991-04-09 1992-10-14 Bodenseewerk Gerätetechnik GmbH Einrichtung zur Führung des Endeffektors eines Roboters längs einer Sollbahn

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PATENT ABSTRACTS OF JAPAN, unexamined applications, P Sektion, Band 16, Nr. 436, 11. September 1992 THE PATENT OFFICE JAPANESE GOVERNMENT Seite 38 P 1419 *
PATENT ABSTRACTS OF JAPAN, unexamined applications, P Sektion, Band 16, Nr. 65, 18. Februar 1992 THE PATENT OFFICE JAPANESE GOVERNMENT Seite 19 P 1313 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0707719B1 (de) * 1993-07-05 2001-03-14 Siemens Aktiengesellschaft Verfahren zur bestimmung optimaler werte für stellgrössen eines technischen systems
US5751571A (en) * 1993-07-05 1998-05-12 Siemens Aktiengesellschaft Process and apparatus for determining optimum values for manipulated variables of a technical system
US10339265B2 (en) 2008-10-02 2019-07-02 Mts Systems Corporation Method and systems for off-line control for simulation of coupled hybrid dynamic systems
WO2010039777A1 (en) * 2008-10-02 2010-04-08 Mts Systems Corporation Methods and systems for off-line control for simulation of coupled hybrid dynamic systems
US8135556B2 (en) 2008-10-02 2012-03-13 Mts Systems Corporation Methods and systems for off-line control for simulation of coupled hybrid dynamic systems
CN102227622B (zh) * 2008-10-02 2014-05-14 Mts系统公司 用于仿真耦合混合动态系统的离线控制方法和系统
US9477793B2 (en) 2008-10-02 2016-10-25 Mts Systems Corporation Method and systems for off-line control for simulation of coupled hybrid dynamic systems
US10061278B2 (en) 2013-09-09 2018-08-28 Mts Systems Corporation Method of off-line hybrid system assessment for test monitoring and modification
US10371601B2 (en) 2013-09-09 2019-08-06 Mts Systems Corporation Methods and systems for testing coupled hybrid dynamic systems
US10876930B2 (en) 2013-09-09 2020-12-29 Mts Systems Corporation Methods and systems for testing coupled hybrid dynamic systems
DE102018205015B4 (de) * 2017-04-07 2020-08-13 Fanuc Corporation Einstellvorrichtung und Einstellverfahren
DE102018133058A1 (de) 2018-12-20 2020-06-25 Beckhoff Automation Gmbh Verfahren zum steuern eines automatisierungsprozesses in echtzeit
WO2020127809A1 (de) 2018-12-20 2020-06-25 Beckhoff Automation Gmbh Verfahren zum steuern eines automatisierungsprozesses in echtzeit
US11880175B2 (en) 2018-12-20 2024-01-23 Beckhoff Automation Gmbh Method for controlling an automation process in real time
EP3738722A1 (de) * 2019-05-13 2020-11-18 Siemens Aktiengesellschaft Planung von trajektorien für die produktion von werkstücken

Also Published As

Publication number Publication date
EP0616706B1 (de) 1996-03-06
DE59205627D1 (de) 1996-04-11
JPH07501643A (ja) 1995-02-16
EP0616706A1 (de) 1994-09-28
US5598076A (en) 1997-01-28

Similar Documents

Publication Publication Date Title
EP0616706B1 (de) Verfahren zur optimierung von steuerparametern für ein system, das in abhängigkeit der steuerparameter ein ist-verhalten aufweist
DE112009003656B4 (de) Verfahren und System zur In-Produktionsoptimierung der Parameter eines zur Montage verwendeten Roboters
DE102012106771B4 (de) Controller für elektromotor, umfassend eine funktion zum simultanen schätzen von trägheit, reibung und federkonstante
DE102015010124B4 (de) Roboterprogramm-Erzeugungsvorrichtung, die Roboterprogramm zum Reduzieren von Stössen der Gelenke des Roboters erzeugt
EP2418555B1 (de) Verfahren zur Offline-Programmierung eines NC-gesteuerten Manipulators
DE102014103370B4 (de) Verfahren und Vorrichtung zur zeitdiskreten Steuerung eines Manipulators
DE112016002431T5 (de) Verfahren und System zur robotischen adaptiven Produktion
DE3210675A1 (de) Vorrichtung zum dynamischen steuern des werkzeugmittelpunkts eines roboterarms abseits einer vorbestimmten bahn
DE112013003209T5 (de) Robotersteuerungsvorrichtung und Robotersteuerungsverfahren
DE3317263A1 (de) Manipulator mit adaptiver geschwindigkeitsgesteuerter bahnbewegung
WO1995027930A1 (de) Einrichtung zur kompensation von nichtlinearitäten an maschinenachsen
EP0508202A1 (de) Einrichtung zur Führung des Endeffektors eines Roboters längs einer Sollbahn
DE102015107436A1 (de) Lernfähige Bahnsteuerung
DE102020120116B4 (de) Verfahren zur impedanzbasierten Multi-Tasking Tracking-Regelung, impedanzbasierter Multi-Tasking Tracking-Regler und kraft- und/oder drehmomentgeregelter Roboter
DE102018133349A1 (de) Verfahren und Vorrichtung zur Momentschätzung
EP3227061A1 (de) Verfahren zur bewegungssimulation eines manipulators
DE102019006725A1 (de) Steuereinrichtung und Steuersystem
DE102011014299A1 (de) Verfahren und Mittel zum Steuern einer Automatisierungseinrichtung, insbesodere eines Roboters
DE102016012227A1 (de) Verfahren zur automatischen Lagekorrektur eines Roboterarms
DE102015011113A1 (de) Motorsteuersystem, das eine Interferenz zwischen Achsen kompensiert
DE102019205651B3 (de) Verfahren und System zum Ausführen von Roboterapplikationen
EP0184075B1 (de) Einrichtung und Verfahren zum Regeln eines Industrieroboters
DE102012022190B4 (de) Inverse Kinematik
EP3367185A1 (de) Antriebssystem und dessen beurteilung
DE112019007222T5 (de) Motorsteuereinrichtung

Legal Events

Date Code Title Description
AK Designated states

Kind code of ref document: A1

Designated state(s): JP US

AL Designated countries for regional patents

Kind code of ref document: A1

Designated state(s): AT BE CH DE DK ES FR GB GR IE IT LU MC NL PT SE

DFPE Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101)
WWE Wipo information: entry into national phase

Ref document number: 1992923695

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 08244756

Country of ref document: US

WWP Wipo information: published in national office

Ref document number: 1992923695

Country of ref document: EP

WWG Wipo information: grant in national office

Ref document number: 1992923695

Country of ref document: EP