Das Buch bietet eine Einführung in die 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.

Autorentext

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.

Leseprobe
1.1 Entwicklung der Prozessführung im gegenwärtigen wirtschaftlichen Umfeld (S. 1 - 3)

Die Prozessindustrie steht heute mehr denn je vor der Herausforderung, ihre Kapitalrendite zu erhöhen oder unter schwierigen Randbedingungen zu halten. Gleichzeitig geraten die Gewinnmargen in globalen und saturierten Märkten unter Druck und neigen zu marktbedingten Schwankungen. Erschwerend kommt hinzu, dass Umweltauflagen und -richtlinien dem Emissionsausstoß immer engere Grenzen setzen. Diese Randbedingungen zwingen die Prozessindustrie, ihren Produktionsprozess permanent zu optimieren. Die wirtschaftliche Situation ist gekennzeichnet durch folgende Anforderungen und Merkmale:

• Die Zunahme der globalen Konkurrenz erhöht den Kostendruck, die Produktionskosten müssen gesenkt werden, z.B. durch Verringerung der spezifischen Rohstoff- und Energieverbräuche.

• Die Anlagen werden noch enger an ihre Betriebsgrenzen herangefahren.

• Die erforderliche Personalstärke für Betriebsführung und Instandhaltung der Anlagen wird ständig hinterfragt.

• Eine Fülle gesetzlicher Auflagen für Umweltschutz, Anlagensicherheit und Produkthaftung muss eingehalten werden.

• Die Produktspezifikationen und Qualitätsparameter sollen genauer und gleichmäßiger eingehalten werden. Man will weder Ausschuss produzieren bzw. Produkte nachbearbeiten noch zu hohe Qualitäten verschenken ("giveaway"). Angestrebt wird eine "Null- Fehler-Produktion".

• Auf Änderungen der Marktbedingungen bezüglich verfügbarer Roh- und Hilfsstoffe, nachgefragter Produkte und Preisentwicklungen müssen die Anlagenbetreiber schnell reagieren. Das verlangt eine erhöhte Flexibilität der Prozessanlagen.

• Fahrweisenwechsel müssen mit geringeren Umstellzeiten und verringerter Ausschussproduktion durchgeführt werden.

  Diese Anforderungen an den Produktionsprozess haben einen großen Einfluss auf die erforderlichen Prozessführungs- und Regelungsstrategien. Typische Anforderungen an eine moderne Prozessführung sind:

• Minimierung der Störeinflüsse auf die Produktion:

  Externe Störungen sollen so schnell wie möglich in der Teilanlage ausgeregelt werden, in der sie auftreten, und nicht durch die gesamte Anlage wandern. Interne Störungen, wie z. B. Produkt- oder Lastwechsel, müssen zügig eingefangen werden. Der neue Arbeitspunkt ist automatisch, d. h. vorhersagbar und reproduzierbar anzufahren.

• Stabile Anlagenfahrweise nahe der Kapazitätsgrenze, um einen hohen Durchsatz bei gleichzeitig geringem Ausschuss sicherzustellen.

• Hohe Bedienerfreundlichkeit: Die Anlagenfahrer sollen möglichst selten manuell eingreifen müssen. Produkt- und Lastwechsel sowie Störungen sollen im Automatikmodus bewältigt werden.

• Kontinuierliche Nutzung aller Freiheitsgrade der Prozessführung für die Optimierung der Produktions- und Energiekosten.

• Möglichst geringe Schwankungen der Prozesswerte, um eine lange Lebensdauer der Anlage zu gewährleisten.

  Diesen steigenden Anforderungen steht aber auch eine zunehmende Zahl von technischen Möglichkeiten gegenüber, die durch die Entwicklung bestimmter Technologien gefördert werden:

• Fortschritte in der Messtechnik (insbesondere Sensorik für Zusammensetzung von Stoffgemischen, modellgestützte Messtechnik),

• zunehmende Ausrüstung auch kleiner und mittlerer Anlagen mit digitalen Prozessleitsystemen und dadurch effiziente Realisierung von Steuerungs- und Regelungsstrategien unter Verwendung von Softw

  Inhalt
  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 m…