Band 69, Heft 1

Autonomous systems are increasingly discussed in the domain of industrial automation. However, there is no consensus in the literature about the definition of industrial autonomous systems, what characteristics do they possess and how to distinguish them from intelligent industrial automation systems. Another important aspect is the comparison between the degree of automation and autonomy. Addressing this confusion, this paper starts with an analysis of the historical development of the term autonomy . Based on the similarities in the definitions, that were identified in a literature review, a comprehensive definition of industrial autonomous systems is presented, and four main characteristics of an industrial autonomous system are derived. Consequently, the characteristics for the realization of an industrial autonomous system (1) systematic process execution, (2) adaptability, (3) self-governance and (4) self-containedness are described in detail. Another objective of this contribution is to assist the developers of industrial autonomous systems to take the above-mentioned characteristics into account. Furthermore, the developer is advised which abilities can be used to achieve the corresponding essential characteristics of industrial autonomous systems. To illustrate the characteristics and abilities of an industrial autonomous system, this paper gives a detailed description of three realized cases of application in industry.

Zusammenfassung In diesem Bericht wird ein erwartungstreues Filter mit endlicher Impulsantwort (Unbiased Finite Impulse Response/UFIR) zur Systemidentifikation mittels Parameterschätzung verwendet. Dieses entspricht einem Least-Squares-Verfahren auf bewegtem Horizont (Receding Horizon Least Squares/RHLS) ohne die Verwendung von Anfangsbedingungen und mit optimaler Horizontlänge für eine minimale Schätzfehlerkovarianz in Gegenwart von Parameter- und Messrauschen. Die Messwerte des Ausgangssignals werden von der Strecke über ein Netzwerk [basierend auf dem Transmission Control Protocol (TCP)] zum Parameterschätzer übertragen. Die dabei stochastisch auftretenden Paketverluste werden mit Hilfe multipler Imputationen kompensiert. Der Einfluss des Netzwerks auf die Schätzgüte wird untersucht und an einem numerischen Beispiel erläutert.

The network-induced time-delay caused by the introduction of the communication network in a networked control system has a great negative impact on the stability and performance of the system. In order to compensate for the performance degradation of the networked control system caused by time-delay, a time-delay compensation method based on PI-based dynamic matrix control for networked control system is proposed. In this study, autoregressive integrated moving average model is used to predict the future time-delay. The predictive time-delay replaces the actual time-delay as a parameter of the controller. In order to improve the compensation effect of dynamic matrix control, the feedback structure of the PI control and the predictive ability of dynamic matrix control are combined. The new objective function of dynamic matrix control is combined with PI structure to obtain the optimal control increment value. The PI controller can correct the output of dynamic matrix control and reduce the deviation between the actual output and the predicted output. The effect of the model mismatch and interference on the system is reduced. The robustness and anti-interference performance of the system is improved. The controller can select the appropriate control value to transmit to the actuator to compensate for the effect of the random time-delay in the networked control system. The stability of the compensation method is proved. Through the simulation results, the effectiveness of the proposed time-delay compensation method is verified.

This paper presents an energy management strategy for parallel plug-in-hybrid electric vehicles which combines Dynamic Programming (DP) and Pontryagin’s Minimums Principle (PMP). In particular, this paper focusses on the practical challenges encountered in series-production vehicles and develops corresponding extensions: First, the paper considers the effects of uncertain prediction data received from a navigation unit. Secondly, we consider engine starting costs in the DP-PMP framework and thirdly, we allow to constrain the engine state (on/off) in certain parts of the driving cycle. These three components are integrated into a unified DP-PMP framework. Simulation studies demonstrate the practical benefit of the algorithm and show close to optimal performance in terms of fuel consumption. At the same time the algorithm is computationally cheap and allows real-time operation on series-production ECUs.

Zusammenfassung Die genaue Kenntnis der Zahnstangenkraft ist in einem Steer-by-Wire-Fahrzeug unablässlich, um dem Fahrer am entkoppelten Handaktuator ein realistisches Gefühl über die Fahrbahnbeschaffenheit zu generieren. Aus wirtschaftlichen Gründen wird oftmals auf eine Schätzung zurückgegriffen. Mögliche Ansätze werden in dieser Untersuchung aufgegriffen, ihre Tauglichkeit analysiert, steuergerättauglich in Fixpoint modelliert, Programmlaufzeiten auf einem Entwicklerboard ermittelt, auf einem Steer-by-Wire-Steuergerät implementiert und ihre Genauigkeiten im Fahrzeug nachgewiesen.

Zusammenfassung Im täglichen Stadtbetrieb sollte die Stromversorgung unterbrechungsfrei sein, was das moderne Energiemanagement vor Herausforderungen stellt. Die Prognose des Energiebedarfs kann die Strategie des Energiemanagements optimieren und die Energieeffizienz verbessern. Das traditionelle LSTM-Modell, das auf einer Codierungs-Decodierungs-Struktur basiert, codiert alle historischen Informationen als Vektor fester Länge, was zum Informationsverlust führt, wenn der vorhergesagte Wert von den Merkmalen abhängt die weit in der Vergangenheit liegen. Dies ist bei Energieprognosen aufgrund der Periodizität des Energieverbrauchs üblich. Um das oben genannte Problem zu lösen und das Potenzial der Betriebsdaten von Kraftwerken für Energievorhersagen vollständig auszuschöpfen, wird in diesem Artikel ein Energievorhersagemodell vorgeschlagen, das auf dem Aufmerksamkeitsmechanismus basiert. Ausgehend von der traditionellen Codierungs-Decodierungs-Architektur wird der räumliche und zeitliche Aufmerksamkeitsmechanismus eingeführt, um die räumlichen und zeitlichen Eigenschaften, die für den vorhergesagten Wert am relevantesten sind, adaptiv auszuwählen. Die experimentellen Ergebnisse zeigen, dass bei der Vorhersage des Strombedarfs von Shanghai für die nächsten 100 Tage, der Fehler des Hybridmodells 25,8 % niedriger ist als der des traditionellen LSTM-Modells. Darüber hinaus zeigt der Fehlertrend des Hybridmodells im Laufe der Zeit auch eine stärkere Stabilität als das herkömmliche Modell.