Scientific Automation - IMK Engineering – Ingenieurbüro für Mechatronik und Kybernetik Dr. Bruns

Direkt zum Seiteninhalt

Hauptmenü:

F & E
Forschung & Entwicklung  Scientific Automation
Der Begriff „Scientific Automation“ hat zunehmend in Verbindung mit der „Industrie 4.0“-Bewegung Bekanntheit erlangt. Er steht für die Integration wissenschaftlicher Erkenntnisse in die Informationsverarbeitung technischer Systeme, wobei der Fokus dabei auf „wissenschaftlich“ liegt und damit den aktuellen Stand der Forschung im Bereich der Ingenieurwissenschaften meint. Vor diesem Hintergrund lässt sich der Begriff bzw. dessen Idee in gewisser Weise auch mit dem „Scientific Management“ (Taylorismus) vergleichen, bei dem es um die Integration von Methoden aus dem Bereich der Wirtschafts- und Managementwissenschaften in die Gestaltung produktionstechnischer Prozesse ging; aber auch dort stand der wissenschaftliche Aspekt im Vordergrund.

Scientific Automation ist die Integration ingenieurwissenschaftlicher Erkenntnisse in die Automatisierungssoftware, die über den Rahmen der klassischen Steuerung hinausgehen.
(Beckhoff Automation)

Am IMK sehen wir „Scientific Automation“ als das (allgemeinere) „Computational Engineering” bzw. „Computational Science and Engineering” (CSE) mit besonderem Fokus auf industrielle Anwendungen und Fragestellungen. Im deutschsprachigen Bereich wird CSE gelegentlich auch mit Ingenieurinformatik oder Maschinenbauinformatik übersetzt und bildet eines der vielen Teilgebiete der Informatik.
Das „Computational Science and Engineering” bedient sich im Wesentlichen der folgenden Methoden bzw. umfasst folgende Bereiche:
  • High Performance Computing“ und Techniken zur Effizienzsteigerung, bspw. durch Veränderung der Rechnerarchitektur oder durch den Einsatz „Paralleler Algorithmen“
  • Modellbildung und Simulation
  • Algorithmen für die Lösung diskreter und kontinuierlicher Probleme
  • Analyse und Visualisierung von Daten, insbesondere von großen Datenmengen (Big Data) und unter Berücksichtigung der „Data Science“ (Extraktion von Wissen aus Daten)
  • „Höhere Mathematik“ allgemein: Numerische und angewandte lineare Algebra, Anfangs- und Grenzwertprobleme, Interpolations- und Extrapolationsprobleme, Fourier-Analyse, Optimierung, Stochastik etc.

Unser Beitrag am IMK

Das IMK kann Sie mit umfangreichen Wissen und Erfahrungen in allen oben aufgeführten Bereichen unterstützen. Eines unserer Anwendungsbeispiele, in dem höhere Mathematik, Algorithmik und Simulation gleichermaßen gefordert sind, ist nebenstehend dargestellt.

Komplexe Algorithmen und Methoden, dem aktuellen wissenschaftlichen Stand entsprechend, werden durch das IMK anforderungsgerecht bspw. auf kleinsten Mikrocontroller-Systemen (MCU) implementiert. Hardware und Software werden dabei optimal, sowohl aufeinander als auch auf das zu steuernde bzw. zu regelnde System abgestimmt. Das Ergebnis sind flexibel einsetzbare, effiziente und kostengünstige „Smart Control Systems“, wie Sie bspw. für die Steuerung bzw. Regelung einer „6-Achs-Parallelkinematik“ eingesetzt werden.
Wir gehen davon aus, dass zukünftig auch zunehmend Methoden aus dem Bereich der Künstlichen Intelligenz“ (KI) auf Steuerungen zu implementieren sind; auch dabei unterstützen wir Sie gerne.
Beispiel 2: Am Ende dieser Seite ist noch ein Video zu sehen, welches exemplarisch den Identifikationsprozess von (Modell-)Parametern zeigt (s. a. Optimierung). Unter „Scientific Automation“ verstehen wir auch, derartige Algorithmen schlank und effizient auf kleinsten Steuerungen (bspw. auch auf MCU) zu implementieren und sie zur Laufzeit bzw. im Betrieb („online“) zu nutzen, bspw. im Rahmen einer adaptiven Regelung.
„Online“-Verarbeitung (und Simulation)
linearer dynamischer Systeme

Ein lineares dynamisches System, bei dem es sich insbesondere auch um eine Regelstrecke handeln kann, kann durch eine Zustandsdifferentialgleichung und eine Ausgangsgleichung der folgenden Form beschrieben werden:
\[\underline {\dot x} \left( t \right) = \underline A  \cdot \underline x \left( t \right) + \underline B  \cdot \underline u \left( t \right)\]
\[\underline y \left( t \right) = \underline C  \cdot \underline x \left( t \right)\]
Die Allgemeine Lösung der Zustandsdifferentialgleichung ist dann
\[\underline x \left( t \right) = \int\limits_{{t_0}}^t {{e^{\underline A \left( {t - \tau } \right)}}}  \cdot \underline B  \cdot \underline u \left( \tau  \right) \cdot d\tau  + {e^{\underline A \left( {t - {t_0}} \right)}} \cdot \underline x \left( {{t_0}} \right)\]
Der Term $e^{\underline A t}$ wird auch als Transitionsmatrix $\underline \Phi \left( t \right)$ des Systems bezeichnet. Abtastsysteme, wie sie heute im Zuge der digitalen Datenverarbeitung zum Standard geworden sind, sind durch äquidistante Abtastintervalle $T$ gekennzeichnet. Wird insbesondere bei Regelsystemen die Größe von $T$ angemessen gewählt, so reicht es aus, das Systemverhalten in den Abtastzeitpunkten $k \cdot T$, $k=0, 1, 2, ...$ zu kennen und zu beeinflussen. $u(t)$ kann dann innerhalb der Zeitpunkte $u_{k}$ und $u_{k+1}$ als konstant angesehen werden. Es kann gezeigt werden, dass unter dieser Annahme die Systemgleichungen für die „Online“-Verarbeitung durch
\[{\underline x _{k + 1}} = \underline \Phi  \left( T \right) \cdot {\underline x _k} + \underline H \left( T \right) \cdot {\underline u _k}\]
\[{\underline y _k} = \underline C  \cdot {\underline x _k}\]
dargestellt werden können ($k=0, 1, 2, ...$), mit
\[\underline H \left( T \right) = {\underline A ^{ - 1}} \cdot \left( {\Phi \left( T \right) - I} \right) \cdot \underline B \]
Damit können prinzipiell beliebige lineare dynamische Systeme (Filter, Regler, Regelstrecken etc.) auf einfache und effiziente Weise in digital realisierten Informationsverarbeitungen zur Laufzeit (in Echtzeit) behandelt werden.
Haben wir Ihr Interesse geweckt?
Nehmen Sie gerne Kontakt zu uns auf!
Video: Automatische Parameter-Identifizierung (Frequenzbereich) durch Minimierung einer Fehlerfunktion
 
Suchen
Zurück zum Seiteninhalt | Zurück zum Hauptmenü