Ein lernfähiges Regelungskonzept mit tabellarischer Wissensbasis

Abstract

Es wird ein 3stufiges Lernverfahren vorgestellt, das die Reglung nichtlinearer gestoerter Strecken verbessert, auch wenn keine analytische Beschreibung bekannt ist. Dazu wird nach einer Steuerung oder Anfangsregelung ein Modell gebildet, durch das dann die für die vergangenen Schritte optimalen Stellgrößen geschätzt werden. Diese Stellgrößen werden in einem Regler trainiert. Dabei sind sowohl das Modell als auch der Regler als tabellarische Wissensbasen realisiert. Das Lernverfahren beruecksichtigt in allen Stufen die Größe der verbliebenen Modellfehler und Meßstörungen. Das Verfahren wird in der Simulation am Aufstellen eines invertierten Pendels und im Experiment an der Positionsregelung eines Industrieroboters demonstriert.