Vor Ort
Merkzettel Warenkorb
Produktbild: Modellbasierte prädiktive Regelung

Modellbasierte prädiktive Regelung Eine Einführung für Ingenieure

54,95 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

06.10.2004

Abbildungen

XXI, mit Abbildungen 24,5 cm

Verlag

De Gruyter Oldenbourg

Seitenzahl

354

Maße (L/B/H)

24,6/17,5/2,5 cm

Gewicht

762 g

Auflage

Reprint 2014

Sprache

Deutsch

ISBN

978-3-486-27523-0

Beschreibung

Rezension

Buchbesprechung in at 6/2005; Kopie in Fragebogen-Ordner abgeheftet!

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

06.10.2004

Abbildungen

XXI, mit Abbildungen 24,5 cm

Verlag

De Gruyter Oldenbourg

Seitenzahl

354

Maße (L/B/H)

24,6/17,5/2,5 cm

Gewicht

762 g

Auflage

Reprint 2014

Sprache

Deutsch

ISBN

978-3-486-27523-0

Herstelleradresse

Oldenbourg Wissenschaftsverlag
Genthiner Straße 13
10785 Berlin
DE
productsafety@degruyterbrill.com

Noch keine Bewertungen vorhanden

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kundinnen und Kunden durch Ihre Meinung.

Kundinnen und Kunden meinen

Bewertungen (0)

Weitere Artikel finden Sie in
Die Leseprobe wird geladen.
  • Produktbild: Modellbasierte prädiktive Regelung
  • 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 mit Hilfe von Sprungantwort-Modellen;145
    6.1.2;4.1.2 Einbeziehung messbarer Störgrößen in die Prädiktion;149
    6.1.3;4.1.3 Korrektur der Vorhersage;150
    6.1.4;4.1.4 Erweiterung der Prädiktion auf Mehrgrößensysteme;152
    6.1.5;4.1.5 Prädiktion mit Hilfe von anderen dynamischen Prozessmodellen;155
    6.2;4.2 Berechnung einer optimalen Folge von zukünftigen Steuergrößenänderungen;161
    6.2.1;4.2.1 MPC-Regelung ohne Nebenbedingungen;161
    6.2.2;4.2.2 Szenarien für das zukünftige Verhalten der Steuer- und Regelgrößen;165
    6.2.3;4.2.3 MPC-Regelung mit Nebenbedingungen für die Steuer- und Regelgrößen;168
    6.3;4.3 Statische Arbeitspunktoptimierung;170
    6.4;4.4 Bestimmung der aktuell gültigen Struktur des Mehrgrößenregelungsproblems;175
    6.5;4.5 Das Prinzi