Iterative Lernkontrolle verbessert die Leistung von Bewegungssystemen um das Zehnfache

Veröffentlicht am: 16 Februar 2018

Autor:

René Raaijmakers

Technischer Redakteur, Autor, Geschäftsführer

Lesen Sie mehr über René Raaijmakers

Experte:

Prof.dr.ir. Tom Oomen

Trainer

Lesen Sie mehr über Tom Oomen

Aktie

---

Die Anwendung der iterativen Lernsteuerung kann die Leistung von Bewegungssystemen enorm verbessern. Oft sogar um das Zehnfache. Der Ansatz unterscheidet sich jedoch grundlegend von dem der bestehenden Feedback- und Feedforward-Techniken. Damit er korrekt umgesetzt werden kann, ist ein gründliches Verständnis der zugrunde liegenden Lernmechanismen erforderlich. Die Schulung Advanced feedforward & learning control vermittelt das Handwerkszeug, mit dem Steuerungstechniker iterative lernende Steuerungstechniken verstehen und anwenden können.

.
Foto: Tom Oomen, mit dem Steuermechanismus eines Desktop-Druckers, der trotz zahlreicher Einschränkungen dank einer iterativ lernenden Steuerung ein erstaunliches Leistungsniveau erreicht hat. eine iterativ lernende Steuerung.

Auch Steuerungsexperten in der Industrie befassen sich mit diesem Thema, sagt Tom Oomen von der Gruppe Control Systems Technology (TU Eindhoven). Er zeigt uns den Steuermechanismus eines Desktop-Druckers, der von einem Laboranten zu einem Versuchsaufbau umgebaut wurde. Dies ist eine einfache Anordnung, die etwa hundert Euro kostet, mit viel Reibung und billiger Mechanik“, sagt Oomen. Aber trotz dieser Einschränkungen können wir mit der iterativen Lernkontrolle eine perfekte Leistung erzielen. Die Messgenauigkeit des Druckkopfs liegt bei 42 Mikrometern und mit unserem Lernmanagement bleiben wir innerhalb dieser Grenze. Er kann seine Begeisterung kaum unterdrücken: ‚Das ist einfach erstaunlich. Auch Experten für Bewegungssteuerung fragen sich, wie dies erreicht werden kann. Die Teilnehmer des Kurses Advanced feedforward control werden ebenfalls mit demselben Drucker arbeiten.‘

Die von Maarten Steinbuch geleitete Abteilung Control Systems Technology an der Technischen Universität Eindhoven hat eine lange Tradition in der Zusammenarbeit mit High-Tech-Unternehmen. Die Forscher arbeiten mit ASML, CCM, NXP, Océ, Philips Innovation Services und Philips Healthcare an der Steuerung durch iterative Lernkontrolle. Auch das High Tech Systems Center (HTSC) spielt dabei eine Rolle. Die High-Tech-Unternehmen implementieren und validieren die entwickelten Algorithmen direkt auf ihren Systemen.

Oomen: „Sie alle wollen die iterative, lernende Steuerung anwenden, denn das ist der Weg, um die Leistung deutlich zu verbessern. Das eine Unternehmen möchte eine Nanometergenauigkeit erreichen, das andere eine höhere Produktivität oder billige Sensoren, Aktuatoren oder Mechanik einsetzen. Denn qua Implementierung ist die lernende Steuerung sehr billig. Die Lösung verlagert sich von teuren Messinstrumenten und Antrieben auf Software und intelligente Algorithmen. Unser Ausgangspunkt ist, dass Messdaten sehr billig sind und dass wir das, was in den Messdaten reproduzierbar ist, vollständig kompensieren können.‘

Zurück zu den Grundlagen. Jeder in der Steuerungswelt der PID-Regler kennt die Rückkopplung. Die Rückkopplung erzeugt eine korrigierende Aktion auf der Grundlage eines Servofehlers. Es handelt sich um eine Korrektur, die im Anschluss an den Fehler erfolgt. PID-Controller sind beliebt, weil sich das System in einer ‚geschlossenen Schleife‘ befindet und daher unempfindlich gegenüber Veränderungen ist. Ein weiterer Vorteil ist, dass die Entwickler sehr intuitiv mit Hilfe von Faustregeln arbeiten können.

Die Leistung dieser traditionellen Kontrollsysteme kann durch die Hinzunahme der Feedforward-Technologie erheblich verbessert werden. Die Rückkopplungssteuerung ist schließlich so, als würde man die Stalltür schließen, nachdem das Pferd durchgegangen ist: Die Korrekturmaßnahmen folgen dem Fehler. Bei der Feedforward-Methode antizipiert das System zukünftige Störungen. Wenn die Flugbahn unmittelbar vorher bekannt ist, kann der Controller dieses Wissen nutzen, um die Schleppfehler deutlich zu reduzieren. Das führt normalerweise zu einer zehnmal besseren Leistung“, sagt Tom Oomen. Daher ist es nicht verwunderlich, dass heute fast jeder Feedforward verwendet.

Aber wir können das noch toppen. Durch die Nutzung des Wiederholungscharakters, mit dem viele mechatronische Systeme arbeiten, sind die Kontrollsysteme in der Lage, aus früheren Tracking-Fehlern zu lernen. Das Ergebnis ist ein weiterer Schritt nach vorn in der Leistung. Oomen: „Im Vergleich zu herkömmlichen kombinierten Feedback-Feedforward-Konzepten kann der Schleppfehler um den Faktor zehn oder mehr verbessert werden. Das ist die Grundidee der Iterative Learning Control (ILC) mit sich wiederholenden Bewegungen.

Designtechniken in der High-Tech-Industrie

Lerntechniken stehen im Mittelpunkt des dreitägigen Kurses Advanced feedforward & learning control, bei dem Tom Oomen einer der Trainer und Kursleiter ist. Am ersten Tag beginnen wir mit PID-Reglern und bringen den Teilnehmern bei, warum Sie nur eine begrenzte Leistung erzielen können. Feedforward macht mehr her, denn Sie geben Ihrem Regler die gewünschte Aufgabe und schauen so in die Zukunft. Die Idee der lernenden Steuerung ist einfach: Jedes Mal, wenn Sie die gleiche Aufgabe erledigen, wissen Sie, was in der Zukunft passieren wird. Mit einer guten Implementierung der lernenden Steuerung können Sie eine perfekte Leistung erzielen. Das ist es auch, was die Leute in meinem Fachgebiet sagen: Alles, was reproduzierbar ist, kann perfekt kompensiert werden.‘

Foto: Tom Oomen, Trainer und Kursleiter des Trainingskurses Advanced feedforward & learning control.

Die iterative Lernsteuerung sorgt dafür, dass sich die Leistung Schritt für Schritt verbessert. Bei jedem Versuch, jedem Zyklus, sammelt das System Messdaten, die anschließend von der lernenden Steuerung untersucht werden: Habe ich es jetzt besser gemacht? Wenn es perfekt ist, behält der Controller das Vorwärtssteuerungssignal bei. Liegt dennoch ein Fehler vor, folgt eine kleine Korrektur, um ein noch besseres Feedforward-Steuersignal zu erhalten. Bei einem guten Entwurf sehen Sie nach fünf Iterationen eine fast perfekte Leistung.‘

Die in der Schulung Advanced feedforward & learning control verwendeten Methoden passen sehr gut zu den in der niederländischen High-Tech-Industrie bereits bekannten Entwurfstechniken. Sie ermöglichen es, Bewegungssysteme sehr schnell mit dem Lernen zu konvergieren. Oomen: ‚Das ist wirklich anders als im Rest der Welt. Man sieht viele akademische Techniken, die Hunderte oder Tausende von Iterationen benötigen, um zu konvergieren.

Der einzigartige Ansatz von Eindhoven basiert auf sehr genauen Modellen für mechatronische Systeme. Oomen: ‚Die Grundlage dafür wurde in den siebziger, achtziger und neunziger Jahren im Philips Natlab gelegt, zum Beispiel bei der Entwicklung der Compact Disc Player.‘ Dinge, die sich daraus ergeben, wie die Identifizierung von Frequenzgangfunktionen, die Schleifenformung von PID-Reglern und Notch-Filter, finden Sie jetzt im Grundkurs Motion Control Tuning. Oomen: ‚Im Folgekurs, Advanced feedforward control, bauen wir die lernende Steuerungstechnik von Anfang an auf derselben Philosophie auf, so dass die Teilnehmer vom ersten Tag an in der Lage sind, selbst eine lernende Steuerung zu entwerfen und zu implementieren, die nach einigen Iterationen eine nahezu perfekte Leistung erbringt.‘

Theorie
Der zweite Tag der Schulung enthält viel Theorie. Ziel ist es, den Teilnehmern ein vollständiges Bild von dem zu vermitteln, was in der Welt auf dem Gebiet der Lernkontrolle verfügbar ist. Oomen: ‚Surfen Sie im Internet nach Lernkontrolle und Sie werden Berge von Informationen finden. Viele verschiedene Arten von Mathematik, meist aus einer stark akademischen Perspektive. Neugierige Technologen fragen sich automatisch: Warum wenden wir das nicht an?‘

Es besteht ein himmelweiter Unterschied zwischen den alternativen mathematischen Beschreibungen und den Techniken, die den Studenten am ersten Tag vorgestellt werden. Warum dann all die harte Arbeit? ‚Wir wollen ausdrücklich, dass die Studenten erfahren, wie alternative Methoden auf mathematische Weise zusammenwirken‘, sagt Oomen. Das ist in der Tat für die meisten Studenten ziemlich schwierig, weil sie oft ihr mathematisches Grundwissen auffrischen müssen. Dennoch konfrontieren wir sie damit und schleifen sie bewusst durch die Methoden, damit sie diese anderen Ansätze verstehen und in die Praxis umsetzen können.

In weltweiten Veröffentlichungen über Kontrolltechniken ist immer von optimalen Entwurfsalgorithmen die Rede. Fast jeder in unserem Beruf arbeitet daran“, sagt Oomen. ‚Das entspricht sicherlich den Kriterien, die sie aufgestellt haben. Wir werden auch daran arbeiten. Die Teilnehmer unseres Kurses erfahren viele Parameter, die relevant sind. Wir haben die Erfahrung gemacht, dass es kompliziert ist, all diese Parameter zu verstehen und zu wissen, wie sie die Leistung beeinflussen. Indem wir die Teilnehmer ihre eigenen Erfahrungen machen lassen, erhalten sie das nötige Wissen, um zu beurteilen, was bestimmte Algorithmen können oder nicht können, sowie deren jeweilige Vor- und Nachteile. Das gibt den Teilnehmern das Gefühl, dass sie den gesamten Bereich der iterativen Lernkontrolle überblicken können. Vor allem, wenn sie tiefer in die Materie eindringen wollen.‘

Sie sagen, dass Sie die Teilnehmer durch die Theorie und Mathematik ziehen müssen. Funktioniert das immer?
Das funktioniert immer. Und wenn Sie das einmal gesehen haben, können Sie ziemlich gut die Bandbreite der Techniken erkennen, die zur Verfügung stehen. Es geht nicht darum, Formeln zu reproduzieren. Die Teilnehmer müssen wissen, was dahinter steckt, was die grundlegenden Ideen sind und wie sie sie anwenden können. Sobald sie diesen Teil des Kurses absolviert haben, ist der Rest wirklich einfach. Es ist schon etwas Besonderes, dass sie in der Lage sind, Matlab-Code in zwei Zeilen zu implementieren. Aber das Wichtigste ist, dass die Teilnehmer die Vor- und Nachteile bestimmter Techniken begründen können. Es ist auch schön, nützliches Wissen für den dritten Tag mitzubringen, an dem wir die neuesten Entwicklungen untersuchen und automatisches Feedforward-Tuning anwenden.‘

Wie viel Erfahrung in der Steuerungstechnik benötigen die Teilnehmer, um das Training Advanced feedforward control durchführen zu können?
Personen mit Erfahrung in der Entwicklung von Steuerungen und Antriebssystemen qualifizieren sich automatisch für diese Schulung. Das gilt für die meisten Menschen, die in der Region Eindhoven Rückkopplungsregler entwerfen. Sie wissen, wie man PID-Regler entwirft und auch, was State-Space-, Loop-Shaping- und Filtertechniken sind und wie man im Frequenzbereich denkt. Ein wenig Matlab-Kenntnisse sind ebenfalls sehr nützlich.‘

Die erforderlichen Grundkenntnisse sind in der Tat die Grundausbildung, die Sie im Kurs Motion Control Tuning finden. Die Beschreibung vermittelt ein klares Bild von den erwarteten Vorkenntnissen. Daraus kann man den Schluss ziehen, dass man zuerst den Kurs Motion Control Tuning besuchen sollte.‘

Können Sie einige Beispiele für die Art der Teilnehmer an den Advanced Feedforward Control-Schulungen nennen?
Die Teilnehmer reichen von jungen Leuten, die gerade erst die Hörsäle verlassen haben, bis hin zu Motion-Control-Tuning-Experten, die seit zwanzig Jahren in der Branche tätig sind und jeden Tag Steuerungen entwerfen. Zum Beispiel Motion-Control-Experten von ASML, K&S, Nexperia Itec oder Océ, die mit der iterativen Lernsteuerung noch nicht vertraut sind. Und auch Technologen, die bei ihrer Arbeit bereits mit dieser neuen Technik experimentiert haben und sich für sie interessieren. Darunter sind viele kleine Unternehmen, die die iterative Lernkontrolle anwenden möchten. Nach drei Tagen bekommen sie ein Gefühl dafür, was es für ihre Maschine bieten kann und auch gleich eine grundlegende Implementierung, so dass sie direkt mit ihren eigenen Maschinen loslegen können.

Was die Anzahl der Iterationen betrifft, so haben Sie zuvor fünf Zyklen erwähnt. Spielt es eine Rolle, ob es ein paar mehr oder ein paar weniger sind?
‚Das Tolle an lernenden Algorithmen ist, dass sie sich selbst anpassen, wenn sich die Situation ändert. Wenn die Temperatur eine Rolle spielt, zum Beispiel aufgrund eines Tag-Nacht-Rhythmus, ist es schön, wenn sich das System innerhalb weniger Iterationen anpasst. Wenn zum Beispiel 100 Iterationen von je einer Stunde erforderlich sind, kann dies zu einem Produktionsausfall führen.‘

Oomen gibt ein weiteres extremes Beispiel. In Zusammenarbeit mit den Forschern des Eindhovener Forschungsinstituts Differ hat die Gruppe für Bewegungssteuerung Lerntechniken auf Kernfusionsexperimente für den Tokamak-Reaktor (TCV) in Lausanne angewendet. Physiker haben sich traditionell auf komplexe physikalische Modelle verlassen, um diese Fusionsprozesse zu simulieren. Es besteht eine große Lücke zwischen der Nutzung von Daten und der Steuerungstechnik. Mein Kollege Federico Felici verfügt nicht nur über Fachwissen im Bereich der Kernfusion, sondern auch über einen Hintergrund in der iterativen Lerntechnologie. Mit seinem technischen Hintergrund taucht er jetzt in diese Welt ein.‘

Bei Tokamak-Reaktorexperimenten kommt es auf die Plasmabildung durch die richtigen Stellsignale an. Ein solcher Schuss dauert ein paar Sekunden und ist sehr teuer. Da bereits ein komplexer Computersimulator entwickelt worden war, konnten wir berechnen, wie man das Signal anpassen muss, um es zu verbessern. Dazu verknüpften wir den Simulator mit den Messdaten aus den Experimenten. Es stellte sich heraus, dass wir mit unserer iterativ lernenden Steuerungstechnologie innerhalb weniger Iterationen ein nahezu perfektes Steuersignal hatten. Das hat in der Welt der Kernfusion große Auswirkungen gehabt.‘

Dieser Artikel wurde von René Raaijmakers geschrieben, dem technischen Redakteur von Bits&Chips.