Iteratieve lerende besturing verbetert de prestaties van bewegingssystemen met een factor tien

Gepubliceerd op: 16 februari 2018

Auteur:

René Raaijmakers

Technisch schrijver, auteur, algemeen directeur

Lees meer over René Raaijmakers

Expert:

Prof.dr.ir. Tom Oomen

Trainer

Lees meer over Tom Oomen

Deel

---

Het toepassen van iteratieve lerende besturing kan de prestaties van bewegingssystemen enorm verbeteren. Vaak wel met een factor tien. De aanpak is echter fundamenteel anders dan die van bestaande feedback- en feedforwardtechnieken. Voor een juiste implementatie is een grondig begrip van de onderliggende leermechanismen vereist. De training Advanced feedforward & learning control biedt de tools waarmee regeltechnologen iteratief lerende regeltechnieken kunnen begrijpen en toepassen.

.
Foto: Tom Oomen, met het stuurmechanisme van een desktopprinter die, ondanks talloze beperkingen, een verbazingwekkend prestatieniveau heeft bereikt dankzij een iteratief lerende controller.

Regelexperts in de industrie kijken hier ook naar, zegt Tom Oomen, van de Control Systems Technology groep (TU Eindhoven). Hij laat ons het stuurmechanisme zien van een desktopprinter die door een laborant is omgebouwd tot een experimentele opstelling. Dit is een eenvoudige opstelling van ongeveer honderd euro, met veel wrijving en goedkope mechanica,’ zegt Oomen. Maar ondanks deze beperkingen kunnen we met iteratieve leersturing toch perfecte prestaties bereiken. De meetnauwkeurigheid van de printkop is 42 micrometer en met ons leermanagement blijven we binnen die grens.’ Hij kan zijn enthousiasme nauwelijks onderdrukken: ‘Dat is gewoon geweldig. Ook experts op het gebied van bewegingsbesturing vragen zich af hoe dit kan worden bereikt. Deelnemers aan de cursus Advanced feedforward control gaan ook met dezelfde printer aan de slag.’

De sectie Control Systems Technology van de Technische Universiteit Eindhoven , onder leiding van Maarten Steinbuch, heeft een lange traditie van samenwerking met hightechbedrijven. Onderzoekers werken samen met ASML, CCM, NXP, Océ, Philips Innovation Services en Philips Healthcare aan besturing door iteratieve lerende besturing. Het High Tech Systems Center (HTSC) speelt hierbij ook een rol. De hightech bedrijven implementeren en valideren de ontwikkelde algoritmen direct op hun systemen.

Oomen: ‘Ze willen allemaal echt iteratieve lerende besturing toepassen, want dat is de manier om de prestaties significant te verbeteren. Het ene bedrijf wil nanometer-nauwkeurigheid bereiken, het andere een hogere productiviteit of goedkope sensoren, actuatoren of mechanica inzetten. Want qua implementatie is lerende besturing heel goedkoop. De oplossing verschuift van dure meetinstrumenten en aandrijvingen naar software en slimme algoritmen. Ons uitgangspunt is dat meetgegevens heel goedkoop zijn en dat we volledig kunnen compenseren wat reproduceerbaar is in de meetgegevens.

Terug naar de basis. Iedereen in de regelwereld van de PID-regelaars kent terugkoppeling. Terugkoppeling genereert een corrigerende actie op basis van een servofout. Het is een correctie die na de fout wordt uitgevoerd. PID-regelaars zijn populair omdat het systeem zich in een ‘gesloten lus’ bevindt en dus ongevoelig is voor veranderingen. Een ander voordeel is dat ontwikkelaars heel intuïtief kunnen werken met behulp van vuistregels.

De prestaties van deze traditionele regelsystemen kunnen aanzienlijk worden verbeterd door feedforward technologie toe te voegen. Teruggekoppelde regeling is immers net zoiets als de staldeur dichtdoen als het kalf verdronken is: de corrigerende actie volgt op de fout. Met de feedforward methode anticipeert het systeem op toekomstige verstoringen. Als de baan onmiddellijk van tevoren bekend is, kan de regelaar deze kennis gebruiken om de volgfouten aanzienlijk te verminderen. Dat leidt meestal tot een tien keer betere prestatie,” zegt Tom Oomen. Het is dan ook niet verwonderlijk dat nu bijna iedereen feedforward gebruikt.

Maar daar kunnen we nog een schepje bovenop doen. Door gebruik te maken van het repetitieve karakter waarmee veel mechatronische systemen werken, kunnen regelsystemen leren van eerdere volgfouten. Het resultaat is weer een stap vooruit in prestaties. Oomen: “Vergeleken met traditionele gecombineerde feedback-feedforward ontwerpen kan de volgfout met een factor tien of meer worden verbeterd. Dit is het basisidee achter Iterative Learning Control (ILC), met herhalende bewegingen.

Ontwerptechnieken in de hightechindustrie

Leertechnieken staan centraal in de driedaagse training Advanced feedforward & learning control, waarvan Tom Oomen een van de trainers en cursusleiders is. ‘Op de eerste dag beginnen we met PID-regelaars en leren we de deelnemers waarom je maar beperkte prestaties kunt behalen. Feedforward maakt meer verschil, omdat je de gewenste taak aan je regelaar geeft en dus in de toekomst kijkt. Het idee van een lerende regeling is eenvoudig: elke keer dat je dezelfde taak uitvoert, weet je wat er in de toekomst zal gebeuren. Met een goede implementatie van lerende besturing kun je perfecte prestaties bereiken. Dat is ook wat mensen in mijn vakgebied zeggen: alles wat reproduceerbaar is, kan perfect worden gecompenseerd.

Foto: Tom Oomen, trainer en cursusleider van de training Advanced feedforward & learning control.

Iteratieve leercontrole zorgt ervoor dat de prestaties stap voor stap verbeteren. Bij elk experiment, elke cyclus, verzamelt het systeem meetgegevens die vervolgens door de lerende regelaar worden onderzocht: heb ik het nu beter gedaan? Als het perfect is, behoudt de regelaar het feedforward regelsignaal. Is er toch een fout, dan volgt er een kleine correctie om tot een nog beter feedforward regelsignaal te komen. Bij een goed ontwerp zie je na vijf iteraties een bijna perfecte prestatie.

De methoden die worden gebruikt in de training Advanced feedforward & learning control sluiten heel goed aan bij de ontwerptechnieken die al bekend zijn bij de Nederlandse hightechindustrie. Ze maken het mogelijk om bewegings- en leersystemen heel snel te laten convergeren. Oomen: ‘Dat is echt anders dan in de rest van de wereld. Je ziet veel academische technieken die honderden of duizenden iteraties nodig hebben om te convergeren.’

De unieke Eindhovense aanpak is gebaseerd op zeer nauwkeurige modellen voor mechatronische systemen. Oomen: ‘De basis hiervoor is in de jaren zeventig, tachtig en negentig gelegd in het Philips Natlab, bijvoorbeeld bij de ontwikkeling van de compact disc spelers.’ Zaken die daaruit voortvloeien, zoals frequentie-respons-functie-identificatie, loop-shaping van PID-regelaars en notch-filters, zijn nu terug te vinden in de basiscursus Motion Control Tuning. Oomen: ‘In de vervolgtraining, Advanced feedforward control, bouwen we de lerende regeltechniek vanaf het begin op vanuit dezelfde filosofie, zodat de deelnemers vanaf dag één zelf in staat zijn om een lerende regelaar te ontwerpen en te implementeren die na een paar iteraties een bijna perfecte prestatie geeft.’

Theorie
De tweede trainingsdag bevat veel theorie. Het doel is om deelnemers een compleet beeld te geven van wat er in de wereld beschikbaar is op het gebied van learning control. Oomen: ‘Surf op internet naar learning control en je vindt bergen informatie. Veel verschillende soorten wiskunde, meestal vanuit een sterk academisch perspectief. Nieuwsgierige technologen vragen zich automatisch af: Waarom passen we dit niet toe?’

Er is een wereld van verschil tussen de alternatieve wiskundige beschrijvingen en de technieken die op de eerste dag aan studenten worden gepresenteerd. Waarom dan al dat harde werken? ‘We willen studenten nadrukkelijk laten ervaren hoe alternatieve methoden wiskundig samenwerken’, zegt Oomen. ‘Dat is voor de meeste studenten inderdaad best lastig, omdat ze vaak hun onderliggende wiskundige kennis moeten opfrissen. Toch confronteren we ze ermee en slepen we ze bewust door de methoden heen, zodat ze die andere benaderingen begrijpen en in de praktijk kunnen brengen.’

In wereldwijde publicaties over regeltechnieken wordt altijd gesproken over optimale ontwerpalgoritmen. ‘Bijna iedereen in ons vakgebied is daarmee bezig’, zegt Oomen. ‘Dat is zeker in lijn met de criteria die zij stellen. Wij gaan er ook mee aan de slag. Deelnemers aan onze cursus ervaren veel parameters die relevant zijn. Onze ervaring is dat het ingewikkeld is om al die parameters te begrijpen en hoe ze de prestaties beïnvloeden. Door deze deelnemers het zelf te laten ervaren, doen ze alle kennis op die nodig is om te beoordelen wat specifieke algoritmen wel of niet kunnen, samen met hun respectieve voor- en nadelen. Dit geeft deelnemers het gevoel dat ze het hele gebied van iteratieve leercontrole kunnen overzien. Zeker als ze zich er verder in willen verdiepen.

Je zegt dat je deelnemers door de theorie en wiskunde heen moet slepen. Werkt dat altijd?
Dat werkt altijd. En als je dat eenmaal hebt gezien, kun je vrij goed het scala aan technieken zien dat beschikbaar is. Het gaat niet om het reproduceren van formules, deelnemers moeten weten wat erachter zit, wat de basisideeën zijn en hoe ze die kunnen gebruiken. Als ze dit deel van de cursus hebben gedaan, is de rest heel eenvoudig. Het is al heel wat dat ze Matlab-code in twee regels kunnen implementeren. Maar het belangrijkste is dat deelnemers de voor- en nadelen van specifieke technieken kunnen onderbouwen. Het is ook fijn om bruikbare kennis te hebben om mee te nemen naar dag drie, waar we recente ontwikkelingen onderzoeken en geautomatiseerde feedforward tuning gebruiken.

Hoeveel ervaring in regeltechniek hebben deelnemers nodig om de training Advanced feedforward control te kunnen volgen?
Mensen met ervaring in het ontwerpen van controllers en motion systemen komen automatisch in aanmerking voor deze training. Dit geldt voor de meeste mensen die in de regio Eindhoven terugkoppelingsregelaars ontwerpen. Ze weten hoe ze PID-regelaars moeten ontwerpen en ook wat state-space, loop-shaping en filtertechnieken zijn en hoe ze in het frequentiedomein moeten denken. Een beetje Matlab-kennis is ook erg handig.

‘De benodigde basiskennis is in feite de basistraining die te vinden is in de cursus Motion Control Tuning . De beschrijving geeft een duidelijk beeld van de verwachte voorkennis. Mensen kunnen daarom de conclusie trekken dat ze eerst de training Motion Control Tuning moeten volgen.’

Kunt u enkele voorbeelden geven van het type deelnemers aan de trainingssessies Advanced feedforward control?
Deelnemers variëren van jonge mensen die net uit de collegezalen komen tot motion control tuning experts die al twintig jaar in de industrie werken en dagelijks controllers ontwerpen. Bijvoorbeeld motion control experts van ASML, K&S, Nexperia Itec of Océ die nog niet bekend zijn met iteratieve lerende besturing. En ook technologen die in hun werk al geëxperimenteerd hebben met deze nieuwe techniek en er interesse in hebben. Onder hen zijn veel kleine bedrijven die iteratieve learning control willen toepassen. Na drie dagen krijgen ze een gevoel van wat het voor hun machine kan bieden en ook meteen een basisimplementatie zodat ze direct aan de slag kunnen op hun eigen machines.

Eerder, met betrekking tot het aantal iteraties, noemde je vijf cycli. Maakt het uit of het er een paar meer of minder zijn?
‘Het mooie van lerende algoritmen is dat ze zichzelf aanpassen als de situatie verandert. Als temperatuur een rol speelt, bijvoorbeeld vanwege een dag-nachtritme, is het fijn als het systeem zich binnen een paar iteraties aanpast. Als er bijvoorbeeld 100 iteraties van elk een uur nodig zijn, kan dit leiden tot productiestoringen.

Oomen geeft een ander extreem voorbeeld. In samenwerking met de onderzoekers van het Eindhovense onderzoeksinstituut Differ paste de motion control groep leertechnieken toe op kernfusie-experimenten voor de Tokamak-reactor (TCV) in Lausanne. Natuurkundigen vertrouwen traditioneel op complexe fysische modellen om deze fusieprocessen te simuleren. Er gaapt een grote kloof tussen het gebruik van gegevens en controletechnologie. Mijn collega Federico Felici heeft expertise in kernfusie, naast een achtergrond in iteratieve leercontroletechnologie. Vanuit zijn technische achtergrond stapt hij nu in die wereld.

In Tokamakreactorexperimenten komt het aan op plasmavorming door middel van de juiste actuatorsignalen. Zo’n schot duurt een paar seconden en is erg duur. Omdat er al een complexe computersimulator was ontwikkeld, konden we berekenen hoe we het signaal konden aanpassen om het beter te maken. Hiervoor koppelden we de simulator aan de meetgegevens van de experimenten. Het bleek dat we met onze iteratief lerende regeltechniek binnen een aantal iteraties een bijna perfect regelsignaal hadden. Dat heeft veel impact gehad in de kernfusiewereld.

Dit artikel is geschreven door René Raaijmakers, tech-redacteur van Bits&Chips.