[Zurück]

C. Mayr:
"Stability Analysis and Controller Design of Local Model Networks";
Betreuer/in(nen), Begutachter/in(nen): S. Jakubek, M. Horn; Institut für Mechanik und Mechatronik, 2013.

Die Forderung nach einer Reduktion der Entwicklungskosten und des CO₂ Ausstoßes von Kraftfahrzeugen sowie immer strenger werdende Abgasnormen führen in der Automobilindustrie zu einer steigenden Nachfrage nach modellbasierten Kalibriermethoden. In diesem Zusammenhang sind lokale Modellnetwerke ein sehr leistungsstarkes Instrument zur nichtlinearen dynamischen Identifikation. Ihre generische Modellstruktur ist besonders dann von Vorteil, wenn physikalische Informationen des nichtlinearen Prozesses eingebracht werden können. Dadurch, dass diese Systemarchitektur das nichtlineare Systemverhalten mittels lokaler linearer Übertragungsfunktionen approximiert, sind lokaleModellnetwzerke, im Vergleich zu anderen nichtlinearen Approximatoren, wie z.B.: Neuronale Netze oder Radiale Basisfunktionen, sehr gut für die Reglerauslegung geeignet. Der größte Vorteil besteht darin, dass, zumindest auf lokaler Ebene, lineare Methoden zur Reglerauslegung verwendet werden können. Die lokale Auslegung erweist sich dabei in der Regel als gute Ausgangsbasis für die globale, nichtlineare Auslegung.
In dieser Dissertation werden verschiedene Methoden zur Stabilitätsanalyse und Reglerauslegung von lokalen Modellnetzwerken dargestellt. Für die praktische Verwendung von lokalen Modellnetzwerken spielt die Stabilität eine besonders wichtige Rolle. Die Untersuchung der Stabilität von lokalen Modellnetzwerken basiert auf der direkten Methode nach Lyapunov. Aus deren Stabilitätsbedingungen resultieren für lokale Modellnetzwerke sogenannte LMIs (Linear Matrix Inequalities) welche numerisch gelöst werden. Hier spielt die Konservativität eine entscheidende Rolle, da ein Stabilitätsnachweis, je nach verwendeter Lyapunov Funktion, scheitern kann obwohl das System stabil ist. Es wurden drei verschiedene Ansätze untersucht und weiterentwickelt sowie Methoden entwickelt um deren Konservativität zu verringern und quantitativ messbar zu machen.
Ein weiterer wichtiger Teil dieser Dissertation sind die Stabilitätskriterien für den geschlossenen Regelkreis. Diese verwenden dieselben Lyapunov Funktionen wie die Kriterien für den offenen Regelkreis. Mit diesen Ansätzen ist es möglich, bestehende Regler-Strecken Kombinationen auf Stabilität zu prüfen. Eine direkte Auslegung von Reglern mit garantierter Stabilität des geschlossenen Regelkreises ist mit diesen Kriterien nicht möglich. Es ist allerdings möglich diese Kriterien zu adaptieren bzw. mit nichtlinearer Optimierung zu kombinieren um stabile State-Feedback sowie PID Regler auszulegen. Hier spielt die impliziete Konservativität des Lyapunov Ansatzes ebenfalls eine entscheidende Rolle, da es auch hier vorkommen kann, dass ein Stabilitätsnachweis scheitert, obwohl der geschlossene Regelkreis stabil ist.
Die Auslegung von stabilen State-Feedback Reglern für lokale Modellnetzwerke basiert auf den Stabilitätskriterien des geschlossenen Regelkreises. Durch auftretende Matrixmultiplikationen zwischen den lokalen Rückführmatrizen und der Matrix bzw. den Matrizen der Lyapunov Funktion entstehen sogenannte BMIs (Bilinear Matrix Inequalities) die von LMI Solvern nicht gelöst werden können. Durch eine Matrixtransformation innerhalb der Matrixungleichungen ist es möglich, die BMIs in LMIs umzuwandeln, die wiederum einfach von LMI Solvern gelöst werden können.
Der letzte Hauptteil dieser Arbeit beschäftigt sich mit der PID Reglerauslegung für lokale Modellnetzwerke. Bei nichtlinearen PID Reglern für lokale Modellnetzwerke ist der Stabilitätsnachweis bzw. die Auslegung wesentlich aufwändiger als bei Zustandsreglern. Dabei ist eine Transformation des geschlossenen Regelkreises (LMN & PID Regler) erforderlich. Die größte Herausforderung besteht jedoch bei der Reglerauslegung. Durch die begrenzte Anzahl der Reglerparameter ist die Transformation der BMIs in LMIs, wie es bei Zustandsraumreglern der Fall ist, nicht mehr möglich. Daher können die Matrixungleichungen bei PID Reglern nicht mit Hilfe von LMI Solvern gelöst werden. Die Weiterentwicklung der ersten Solver für BMIs wurde mittlerweile wieder eingestellt und derzeit ist kein brauchbarer Solver verfügbar. Daher werden in dieser Arbeit zwei Lösungsansätze vorgestellt. Beim ersten wird iterativ gearbeitet wobei in jedem Iterationsschritt LMIs zu lösen sind. Bei der zweiten Methode wird ein genetischer Algorithmus für die Festlegung der PID Reglerparameter verwendet wobei für jedes Individuum die LMIs gelöst werden müssen, was einen sehr hohen Rechenaufwand darstellt. Der genetische Algorithmus lässt sich allerdings sehr gut parallelisieren wodurch beim Einsatz von modernen Mehrkernprozessoren der Zeitaufwand in Grenzen gehalten werden kann. Im Allgemeinen hat sich dieser Ansatz als sehr leistungsstark erwiesen und zeigt eine gute Konvergenz. DesWeiteren ermöglicht der genetische Algorithmus die simultane Optimierung von (gegensätzlichen) Optimierungskriterien. Daher wurde dieser Ansatz erweitert, um Stabilität und Performance des geschlossenen Regelkreises in der Optimierung zu berücksichtigen. Der Anwender erhält mehrere gleichwertige Lösungen zur Auswahl. Theoretisch kann dieser Ansatz auch für State-Feedback Regler verwendet werden, was allerdings nicht im Fokus dieser Arbeit stand.
Zusätzlich gibt es einen kurzen Überblick über die Vor- und Nachteile der verbreitetsten LMI Solver.

In automotive applications more and more stringent emission regulations and the desire to reduce fuel consumption lead to an increasing demand for efficient and reliable modeling tools. In this context local models have proved to be a powerful tool in nonlinear dynamic system identification. Their generic nonlinear model representation is particularly useful if information about the structure of the nonlinearity is available, [1]. Local model networks (LMNs) approximated the nonlinear system dynamics by means of locally linear transfer functions. Thus, this system architecture is more suitable for controller design compared to alternative approximation methods, e.g. neural networks or radial basis function networks. The main advantage is that linear controller design methods can be, at least locally, applied. Such a local calibration is commonly a good basis for a global, nonlinear controller calibration method.
This thesis treats various methods for stability analysis and controller design of LMNs. For the practical application of LMNs stability is of major interest. Stability analysis of LMNs is based on Lyapunov´s direct method. From the stability condition follow LMIs (Linear Matrix Inequalities) which are numerically solved. In this context the conservatism is crucial because a stability proof may fail even when the system is globally stable, depending on the used Lyapunov criterion. For this purpose, three commonly used Lyapunov approaches were extended to reduce their conservatism and provide a quantitative measure for their comparison.
A further important part of this thesis are stability criteria of the closed loop. These approaches use the same Lyapunov function as the criteria for the open loop. With these criteria it is possible to analyze stability of existing controller-plant combinations, but direct controller calibration with guaranteed stability is not possible. Nevertheless, it is possible to adapt these criteria or combine them with nonlinear optimization to calibrate stable statefeedback as well as PID controller. As for open loop stability analysis the conservatism is crucial, because it may happen that a stability proof is not possible although the closed loop is globally stable.
The calibration of stable state-feedback controllers is based on the closed loop stability analysis methods. Here, so called BMIs (Bilinear Matrix Inequalities) arise because of occurrent matrix multiplications between the local feedback matrices and the matrices/matrix of the Lyapunov function. For state-feedback controllers a matrix transformation within the matrix inequalities allows the transformation from BMIs (BilinearMatrix Inequalities) to LMIs, which can be solved by LMI solvers.
The last main part of this thesis treats PID controller design for LMNs. The calibration of nonlinear PID controllers for LMNs is significantly more complex than the calibration of state-feedback controllers. The required transformation of the closed loop (LMN & PID controller) into a state-space model is significantly more advanced than for state-feedback controller. However, the main challenge lies in the controller calibration. The mentioned matrix transformation from BMIs into LMIs is not possible and thus not solvable for LMI solvers. Currently, the development of the first BMI solver is discontinued and no useful BMI solver is available. Thus, two approaches are treated in this work. The first approach works iteratively to get LMIs in each iteration step. The second approach uses a genetic algorithm to determine the PID controller parameters where for each individual the stability is checked, which results in a high calculation effort. The results have shown, that this approach is powerful and has a good convergency. Further, the genetic algorithm allows simultaneous enhancement of (competing) optimization criteria. Thus, this approach was extended to evaluate stability and performance of the closed loop. A calibration engineer can choose between multiple equivalent results. Theoretically, this approach can be adopted for state-feedback controllers, but this was not focus of this work.

Projektleitung Stefan Jakubek:
Christian Doppler Labor für Modellbasierte Kalibriermethoden