Fuzzy Bibliothek/Technische Anwendungen/Fuzzy Logic Anwendungen

Erfolgreiche Fuzzy Logic Anwendungen in der industriellen Automatisierung

Jörg Gebhardt und Constantin von Altrock

Veröffentlichungsnotiz: Dieser Artikel erschien im Rahmen der 5. IEEE International Confererence on Fuzzy Systems, die im September 1996 in New Orleans stattfand.

In diesem Artikel werden acht aktuelle Anwendungen von Fuzzy Logic in der industriellen Automatisierung vorgestellt. Bei allen Anwendungen wurde die sogenannte "fuzzySPS" eingesetzt; eine innovative Hardwareplattform, die Fuzzy Logic in traditionelle Techniken einbindet. Nach einer kurzen Erläuterung zu der fuzzySPS werden die acht Anwendungen vorgestellt, wobei jeweils erläutert wird, warum mit Fuzzy Logic eine bessere Lösung als mit konventioneller Technik erzielt werden konnte. Es wird versucht, die erzielten Vorteile als Kosteneinsparung oder Qualitätsverbesserung zu quantifizieren. Weitere Informationen zu den betrachteten Anwendungen kann der Literaturangabe am Ende dieses Artikels entnommen werden.

1. Fuzzy Logic in der industriellen Automatisierung

In den letzten Jahren hat die Fuzzy Logic ihr breites Anwendungspotential im Bereich der industriellen Automatisierung in vielfältigen Anwendungsbereichen bewiesen. Bisher wird jedoch speziell im Bereich der industriellen Automatisierung an konventionellen, bewährten Konzepten festgehalten. Steuerungsabläufe werden überwiegend als Kontaktpläne oder Anweisungslisten auf Speicherprogrammierbaren Steuerungen (SPS) programmiert. Für Regelungsaufgaben werden meist Zweipunkt- oder PID-Regler eingesetzt. Wenn der Prozeß in einem stabilen Zustand ist, arbeiten PID-Regler meist zufriedenstellend, mangelhaft jedoch in den folgenden Fällen:

• Starke Störungen
• Zeitabhängige Prozeßparameter
• Große Totzeiten

Ursache hierfür ist, daß ein PID-Regler für ein streng lineares Prozeßverhalten ausgelegt ist. Diese Vereinfachung gilt oft in einem stabilen Arbeitspunkt, aber starke Störungen können den Prozeßzustand weit von diesem Arbeitspunkt weg bewegen. Dann gelten die Vereinfachungen eines linearen Prozeßmodells nicht mehr. Dasselbe passiert, wenn sich die Prozeßparameter über die Zeit ändern. In diesen Fällen hat sich gezeigt, daß durch die Ergänzung des PID-Reglers mit Fuzzy Logic oder dessen Ersatz durch Fuzzy Logic eine Verbesserung erzielt werden kann. Der Entwurf und die Implementierung eines Fuzzy Reglers ist hierbei in der Regel einfacher als andere Alternativen wie Zustandsregler oder adaptive Regler [4]. Dies ist jedoch nicht der einzige Anwendungsbereich mit einem großen Potential für Lösungen mit Fuzzy Logic.

Mehrgrößen Regler

Das wahre Anwendungspotential in der industriellen Automatisierung für Fuzzy Logic entsteht dadurch, daß es einfach ist, mit Fuzzy Logic einen Mehrgrößen Regler zu entwerfen. In vielen Anwendungsbereichen kann die Aufgabe, einzelne Variablen konstant zu halten, einfach mit je einem konventionellen Regler gelöst werden. Die Sollwerte für diese einzelnen Regler werden jedoch häufig manuell durch die Bediener vorgegeben. Die Bediener beobachten und bewerten den Prozeß und sie korrigieren die Sollwerte der unterlagerten PID-Regler, um so das Gesamtverhalten des Prozesses zu optimieren. Dies wird als überlagerte Regelung oder als Sollwertführung bezeichnet und beinhaltet meist mehrere Prozeßgrößen.

PID- und Zweipunkt-Regler können jedoch nur jeweils eine einzelne zu regelnde Variable handhaben. Das heißt, es müssen mehrere unabhängige Regelkreise aufgebaut werden, die nicht miteinander kommunizieren. Wenn es dennoch nötig ist, Abhängigkeiten zwischen den einzelnen Regelkreisen auszunützen, muß eine mathematische Modellbildung des Prozesses erfolgen, um so die nötigen Differentialgleichungen zu erhalten. Dieser Weg ist aus diversen Gründen für praktische Anwendungen jedoch oftmals nicht realisierbar:

• Die Erstellung eines mathematischen Modells für den realen Prozeß ist sehr aufwendig.
• Die meisten mathematischen Modelle enthalten sehr viele Vereinfachungen und Linearisierungen, die eine schrittweise Optimierung erfordern.
• Da die Vereinfachungen und Linearisierungen des Modells, auch den daraus abgeleiteten Regler beeinflussen, hängt die Qualität des Reglers stark von den zum Teil relativ willkürlich gewählten Vereinfachungen ab.

Auch haben viele Anwender nicht das nötige theoretische Wissen für umfangreiche mathematische Modellierungen. Daher kann man in der Industrie allgemein beobachten, daß für die einzelnen Regelgrößen einfache Regler (PID, Zweipunkt) eingesetzt werden, während die Sollwertführung durch die Bediener erfolgt.

Fuzzy Logic bietet eine elegante und sehr effiziente Lösung für dieses Problem. Fuzzy Logic ermöglicht es, eine überlagerte Sollwertführung mit Hilfe von Erfahrungswissen oder Versuchsergebnissen statt mit mathematischen Modellen zu entwerfen. Eine mögliche Struktur eines Reglers in der industriellen Automatisierung mit Fuzzy Logic ist in Bild 1 dargestellt. Jede einzelne Prozeßvariable wird durch einen PID-Regler konstant gehalten, während die Sollwerte für die PID-Regler durch einen Fuzzy Logic Regler generiert werden. Diese Anordnung ist typisch für Anwendungen wie die Regelung von mehreren Temperaturzonen einer Ofenregelung oder die Regelung der Sauerstoffkonzentration in den verschiedenen Zonen eines Abwasserbeckens. Bei anderen Anwendungen hingegen kann es sinnvoll sein, die gesamte Regelung als Fuzzy Logic aufzubauen.

Bild 1: Anwendung eines Fuzzy Logic Reglers zur Sollwertvorgabe unterlagerter PID-Regler

Dies begründet, wieso es wünschenswert ist, konventionelle Techniken wie Kontaktplan, Anweisungsliste und PID-Regelblöcke und die neuere Technik der Fuzzy Logic zusammen in einem Entwicklungswerkzeug verfügbar zu haben.

2. Kombination Fuzzy Logic und SPS

Im Jahre 1990, als immer mehr erfolgreiche Anwendungen das Potential der Fuzzy Logic demonstrierten, wurde von den beiden Firmen Moeller und Inform die fuzzySPS entwickelt. Hauptziel der Entwicklung war es, die für die industrielle Automatisierung notwendige enge Integration konventioneller und fuzzy Techniken in einem Entwicklungstool und auf einer Hardwareplattform zu vereinigen.

Die fuzzySPS Hardware und Firmware

Um niedrige Kosten zu erzielen, verwendet der Kern der fuzzySPS, eine hochintegrierte Zwei-Chip Lösung. Ein analog ASIC stellt analog/digital Schnittstellen mit einer standard 12 Bit Auflösung. Zusatzsteckmodule ermöglichen es, die Peripherie für große Anwendungen auf bis zu 100 Signale zu erweitern. Eine integrierte Feldbusschnittstelle (RS485 basiert) erlaubt eine vernetzte Erweiterung. Die konventionellen und die Fuzzy Logic Berechnungen werden durch einen 16/32 Bit RISC Microcontroller abgearbeitet. Das Betriebssystem und die Kommunikationsroutinen wurden von Moeller entwickelt und basieren auf einem kommerziellen Multitasking Echtzeitkernel. Die Fuzzy Inference Maschine wurde von der INFORM GmbH entwickelt. Sie ist hocheffizient in das Betriebssystem integriert, wodurch Scan-Zeiten unter einer Millisekunde möglich sind. Die internen 256 KB RAM können mit Flash Memory Speicher Karten erweitert werden. Daher kann die fuzzySPS trotz ihrer kleinen Größe und des niedrigen Preises zur Lösung komplexer industrieller Automatisierungsprobleme verwendet werden.

Bild 2: Die fuzzySPS bietet Fuzzy Logic und konventionelle Techniken, Feldbusanbindung und Schnittstellen

Die fuzzySPS Entwicklungssoftware

Die fuzzySPS wird mit einer speziellen Version des Standardentwicklungstools für Fuzzy Logic Systeme fuzzyTECH von der Firma INFORM programmiert. fuzzyTECH ist eine komplett graphische Entwicklungs-, Simulations- und Optimierungsumgebung, die über Implementierungen für die meisten Zielplattformen in der Automatisierungstechnik verfügt. Um die gesamte Funktionalität der fuzzySPS zu unterstützen, wurde fuzzyTECH um Funktionen zur konventionellen SPS Programmierung ergänzt. So benötigt der Anwender nur ein Entwurfswerkzeug für die Entwicklung sowohl der konventionellen als auch der Fuzzy Logic Programmkomponenten.

Bild 3: Die konventionelle Logik und das Fuzzy Logic System werden mit SUCOsoft fuzzyTECH 40 programmiert

Die fuzzyTECH Software bietet alle notwendigen Editoren für Zugehörigkeitsfunktionen, Linguistische Variablen, Regeltabellen und Systemstruktur und zusätzlich Analysatoren und Optimierungsfunktionen. Die Software läuft auf einem PC und ist mit der fuzzySPS mit einem standardgemäßen seriellen Kabel oder einem Feldbus verbunden. Über diese Schnittstelle kann der Entwickler das entwickelte System auf die fuzzySPS übertragen. Da Fuzzy Logic Systeme häufig eine Optimierung am laufenden System erfordern, erlauben fuzzyTECH und die fuzzySPS ein sogennantes "Online-Debugging", wobei das Programm, das auf der fuzzySPS abläuft, komplett durch die graphischen Entwurfs- und Analysewerkzeuge von fuzzyTECH visualisiert wird. Zusätzlich werden im "Online" Debugmodus alle Änderungen des Fuzzy Logic Systems direkt in die fuzzySPS übertragen, ohne daß die Prgrammabarbeitung unterbrochen wird.

3. Anwendungsbeispiele

In diesem Abschnitt werden 8 aktuelle, sehr erfolgreiche Fuzzy Logic Anwendungen in der industriellen Automatisierung vorgestellt, bei denen jeweils die fuzzySPS der Firmen Moeller und INFORM eingesetzt wurde:

• Anti-Pendel-Regelung von Kränen
• Temperaturregelung im Feuerungsbereich von Müllverbrennungsanlagen
• Dosierungsregelung bei Kläranlagen
• Regelung von Tunnelinspektionsrobotern
• Positionierung von Pressen
• Temperaturregelung bei Kunststoffextrudern
• Gebäudeklimatisierung
• Regelung von Windkrafträdern
  

Anti-Pendel Regelung von Kränen

Bei der Regelung von Kränen besteht die Aufgabe darin, eine Last über einem Ziel zu positionieren. Die Last, die über flexible Drähte an der Kranlaufkatze hängt, darf während des Transports bis zu einem gewissen Grade schwingen. Wenn jedoch die Zielposition erreicht ist, muß die Auslenkung und das Schwingen auf fast Null reduziert werden. Daher muß ein Kranregler mindestens zwei Eingangsgrößen auswerten, zum Beispiel Position und Auslenkungswinkel. So kann ein einfacher PID-Regler auf Grund seiner Beschränkung auf eine Eingangsgröße nicht verwendet werden. Andere herkömmliche Lösungen zu diesem Problem erfordern sehr aufwendige Ansätze wie modellbasierte Regelung bzw. Zustandsregler, die ein aufwendiges Engineering und leistungsfähige Hardware erfordern. Diese Techniken bewirken Kosten, die Anti-Pendel Regelungen unwirtschaftlich machen. Daher werden die meisten Kräne noch komplett manuell bedient.

Bild 4: Ein 64 Tonnen Kran der Hochtief AG verwendet eine fuzzySPS mit Anti-Pendel Regelung

Trotz der Schwierigkeiten bei der Automatisierung können Kranführer Kräne meist recht gut manuell bedienen. Da Fuzzy Logic eine Technologie ist, die es ermöglicht, Systeme direkt auf der Basis menschlicher Erfahrung zu entwerfen, war es naheliegend, diese Technik zur Kranautomatisierung einzusetzen. In den letzten acht Jahren wurden zahlreiche Anwendungen realisiert. Hierzu zählen Containerkräne in Häfen, Stahlpfannenkräne und Kräne für Fertigungsbetriebe. Zum Beispiel wurde in Deutschland ein 64 Tonnen Kran, der Betonteile über eine Strecke von über 500 m transportiert, mit Hilfe einer fuzzySPS automatisiert [8]. Die Vorteile dieser Lösung waren eine Kapazitätsverbesserung um ca. 20% aufgrund des schnelleren Transports und eine verbesserte Sicherheit. Zuvor passierten häufig Unfälle, da die Kranbediener parallel zu dem Kran mitgehen und diesen über eine Fernbedienung steuern. Früher als sie noch ständig die Last beobachten mußten, um die Auslenkung zu kontrollieren, stolperten sie häufig über am Boden liegende Teile. Der Kran wurde im Frühjahr 1995 in Betrieb genommen, seit dem wird die Fuzzy Logic Anti-Pendel Regelung von den Kranführern ständig verwendet. Diese Tatsache unterstreicht ebenfalls die hohe Akzeptanz der Regelung durch die Kranführer und ist insofern von besonderer Bedeutung, da nicht nur die technische Umsetzung, sondern auch psychologische Aspekte ein wichtiger Faktor für den Erfolg einer industriellen Automatisierungslösung sind.

Bild 5: Eine Software Simulation des Kranreglers ist enthalten in [4]

Eine Software Simulation und ein einfaches Beispiel eines Anti-Pendel Kranreglers für didaktische Zwecke kann in in [4] gefunden werden. Die echte Lösung hat etwa 10 Eingänge, 2 Ausgänge und 4 Regelblöcke mit insgesamt 75 Regeln.

Temperaturregelung im Feuerungsbereich in Müllverbrennungsanlagen

Eine stabile Brenntemperatur einzuhalten, ist in Müllverbrennungsanlagen wichtig, um die Erzeugung toxischer Gase, wie z.B. Dioxin und Furan, zu verringern sowie Korrosion in den Brennkammern zu vermeiden. Bei diesem Temperaturregelungsprozeß gibt es zwei grundsätzliche Schwierigkeiten:

• Der Brennwert des Abfalls unterliegt starken Schwankungen.
• Die Feuerposition und Form kann nicht direkt gemessen werden.

Da die durch den Verbrennungsprozeß entstehende Wärme zur Erzeugung elektrischer Energie verwendet wird, ist ein stabiler Verbrennungsprozeß auch von wirtschaftlicher Bedeutung.

Bild 6: In einer Müllverbrennungsanlage wird von einem Kran kontinuierlich Müll vom Müllbunker zu einem Förderband geliefert, das den Müll in die Feuerungszone weiterbefördert.

Fuzzy Logic Regelungen sind in Müllverbrennungsanlagen der Städte Hamburg und Mannheim erfolgreich angewendet wurden. In Mannheim, wo zwei fuzzySPS´en zur Regelung des Verbrennungsprozesses eingesetzt wurden, beträgt die Dampferzeugungskapazität einer Feuerungsanlage 28 Mg/h. Bei Verwendung industrieller Standardregler wies die Dampferzeugung innerhalb nur einer Stunde Schwankungen um bis zu 10 Mg/h auf. Mit dem Fuzzy Logic Regler konnten diese Schwankungen auf weniger als ±1 Mg/h reduziert werden. Dies führte auch zu einer erheblichen Verbesserung der Temperaturstabilität, zu einer leichten Abnahme der Emission an NOx und SO2 sowie zu einer Reduzierung der CO-Emission um die Hälfte [11, 12].

Dosierungsregelung in Kläranlagen

Klärprozesse stellen eine Kombination biologischer, chemischer und mechanischer Prozessen dar. Dies macht die Erstellung eines vollständigen mathematischen Regelungsmodells sehr kompliziert. Es ist jedoch genügend menschliches Erfahrungswissen vorhanden, das für einen automatisierten Reglerentwurf herangezogen werden kann. Da durch Fuzzy Logic diese Erfahrungen des Bedienungspersonals technisch umgesetzt werden können, wird in vielen Anlagen diese Technik bereits eingesetzt [4].

Bei einer gegenwärtig in Bonn eingesetzten Anwendung wurde die Dosierung für die Phosphatfällung erfolgreich unter Verwendung der fuzzySPS automatisiert.

Bild 7: Durch das Einleiten von FeCl3 in die Belebungsreaktoren wird das gelöste Phosphat ausgefällt.

In der aktuellen Gesetzgebung für Kläranlagen in Deutschland ist eine Begrenzung des Gesamtanteils an Phosphat in dem geklärten Wasser auf ein Milligramm pro Liter (1 mg/l) vorgesehen. Zur Extrahierung des Phosphats aus dem Wasser wird FeCl₃ hinzugefügt, das die Phosphate zu FePO₄ bindet, welches sich im Klärschlamm absetzt. Da das Überschreiten des gesetzlich festgelegten Phosphatgehalts zu schweren Strafen führen kann, neigt das Bedienungspersonal der Kläranlagen dazu, FeCl₃ überzudosieren. Zur Optimierung der FeCl₃-Dosierung wurde ein Fuzzy Logic Regler entwickelt, der als Eingangsvariablen die Phosphatkonzentration, dessen zeitlichen Trend, den Wasserfluß, dessen zeitlichen Trend und den Gehalt an Trockensubstanz verwendet. Der Ausgang des Fuzzy-Reglers korrigiert den Sollwertes für FeCl₃. Ein nachgeschalteter PI-Regler stabilisiert den FeCl₃-Fluß auf diesen Sollwert. Der PI-Regler ist als Funktionsblock ebenfalls in der fuzzySPS implementiert. Dies ist ein Beispiel für die Kombination von Fuzzy Logic mit herkömmlichen Regelungstechniken, wie sie im 1. Abschnitt dieses Artikels vorgestellt wurde.

Bild 8: Eine Softwaresimulation einer vereinfachten Niederschlagsregelung ist in [4] enthalten.

Der gesamte Fuzzy Logic Regler verwendet 207 Regeln zur Darstellung der Regelungsstrategie, die auf 5 Eingangsvariablen des Fuzzy Logic Regelblocks basiert. Die gesamte Implementierungszeit betrug 3 Monate und führte zu einer Einsparung von über 50 % an FeCl₃ im Vergleich zur vorherigen manuellen Regelung. Vergleicht man die Implementationszeit und die Kosten für Hard- und Software mit den Einsparungen an FeCl₃, so hatte sich die Investition nach einem halben Jahr amortisiert.

Regelung von Tunnelinspektionsrobotern

Das Raumfahrtunternehmen DASA hat ein Kontrollsystem für Kanalisationsrohre entwickelt, bei dem zwei Roboter und ein Unterstützungsfahrzeug eingesetzt werden [7]. Die Roboter sollen durch Luftdruckaufbau in dem abgedichteten Raum zwischen ihnen Lecks in den einzelnen Abschnitten des Kanalisationsrohres aufspüren. Da die vertikalen Zugangsschächte ziemlich weit voneinander entfernt liegen können, müssen die Roboter bis zu 400 m entfernt vom Unterstützungsfahrzeug arbeiten. Sie sind mit dem LKW sowie auch untereinander durch Kabel verbunden, die die Roboter mit Luftdruck, Strom und Kontrollsignalen versorgen.

Bild 9: Die zwei Roboter im dem Kanalisationsrohr (rechts) werden von einem Spezialfahrzeug aus über Kabel versorgt.

Bei der Entwicklung des System wurde die DASA mit beträchtlichen Regelungsproblemen konfrontiert. Um ein Steckenbleiben der Roboter im Rohr aufgrund verknoteter oder verschlungener Kabel zu vermeiden, muß die Kabelspannung sehr genau geregelt werden. Ein herkömmlicher Ansatz mit komplexen Zustandsgrößenreglern erwies sich sowohl hinsichtlich des finanziellen Aufwands, als auch der Entwicklungszeit als zu kostspielig,. Ein Regelungssystem, das auf zwei fuzzySPS´en mit je über 200 Regeln implementiert wurde, zeigte gute Ergebnisse bei einer sehr kurzen Entwicklungszeit und weniger als 10 % der Kosten einer herkömmlichen Lösung.

Positionierung in Pressen

Ein potentielles Anwendungsgebiet für Fuzzy-Lösungen stellt die Regelung von Antrieben dar. In diesem Beispiel wird die hydraulische Achsenregelung näher betrachtet. Eines der umfangreichsten Fuzzy-Projekte galt einer hydraulischen Presse, die zum Pressen von Laminat, Leiterplatten und Fußbodenbelägen verwendet wurde. Die Aufgabe bestand in der synchronisierten Regelung eines 14-Achsen-Systems. Eine Lösung für die Positionierungsregelung der Achse, die überlagerte Druckregelung, das parallele Laufen des Stahlbands und die Synchronisation aller Achsen mußte gefunden werden.

Bild 10: Da viele Nichtlinearitäten, wie z.B. der Stick-Slip-Effekt, zu berücksichtigen sind, ist ein hydraulisches System schwierig zu regeln.

Das eingesetzte Automationssystem weist eine stark dezentralisierte Struktur auf und besteht aus zwei großen Master SPS´en, einem PC-basierten Kontrollsystem und sieben fuzzySPS´en. Alle Bauteile sind als Netzwerk über integrierte Feldbusschnittstellen miteinander verbunden. An die Feldbusschnittstellen wird die für die Synchronisation der gesamten Maschine sehr wichtige Anforderung gestellt, den Echtzeitanforderungen gerecht zu werden. Ein für hydraulische Systeme typisches Problem ist der sogenannte "Stick-Slip"-Effekt (Ruckgleiten). Der Übergang einer Achse vom Stillstand zur Bewegung ist infolge des Übergangs von der Haftreibung zur Gleitreibung ein extrem nichtlinearer Vorgang. Dies erschwert die Entwicklung eines guten Reglers für hydraulische Systeme. In der genannten Anwendung wurde mit Fuzzy Logic eine gute technische Lösung erzielt, ohne die Systementwicklung mit dem Eindringen in die Theorie nichtlinearer Systemsynthese zu erschweren. Die gesamte Entwicklungszeit mit Fuzzy Logic betrug nur ein Drittel der Zeit, die vorher herkömmliche Ansätze bei konventionellen Regelungsanwendungen für ähnliche Pressen benötigten [9].

Temperaturregelung in Kunststoffextrudern

Die Temperaturregelung spielt bei Kunststoffextrudern zur Gewährleistung einer hohen und stabilen Produktqualität eine äußerst wichtige Rolle. Dabei ist ein sorgfältiges Einstellen der Regelungsalgorithmen erforderlich, da bei Extrudern sowohl die Totzeiten, als auch die Kopplungen zwischen den verschiedenen Temperaturbereichen beachtlich sind [9].

Um die Zeit für die Inbetriebnahme dieser Maschinen zu senken, hat die Firma KM einen sich mit Hilfe der fuzzySPS selbst einstellenden Regler entwickelt. Während der Inbetriebnahme werden einige Parameter geschätzt, die zur Skalierung des nichtlinearen Fuzzy-Reglers verwendet werden. Im Gegensatz zu herkömmlichen Einstellungsalgorithmen ist bei diesem Regler vor der Selbsteinstellung ein Abkühlen der Maschine auf Raumtemperatur nicht erforderlich. Sehr schwierige Temperaturbereiche mit beträchtlichen Totzeiten werden ebenfalls durch diesen Algorithmus geregelt. Dies führt zu einer hohen Regelstabilität, die für Kunststoffextruder aufgrund der Tatsache, daß die Temperatureigenschaften einer leeren Maschine und einer mit Kunststoff gefüllten Maschine extrem unterschiedlich sind, sehr wichtig ist. Im Vergleich zu herkömmlichen Systemen weist der Fuzzy Logic basierte Temperaturregler schnellere Reaktionszeiten und ein wesentlich geringeres Überschwingen sowie eine sehr gute Robustheit auf.

	Bild 11: Damit eine hohe Produktqualität gewährleistet ist, muß die Temperatur beim Extrudieren von Kunststoff konstant gehalten werden.
	Bild 12: Durch den Fuzzy Logic Regler kann in der Formungsmaschine der Stellpunkt schneller erreicht und ein Überschwingen vermieden werden

Gebäudeklimaregelung mit Fuzzy Logic

In Klimaanlagen steckt ein hohes Potential für das Einsparen von Energie. Bei einer vor kurzem in einem Krankenhaus eingeführten Anwendung können durch die integrierte Fuzzy Logic Technologie über 25 % an Elektroenergie eingespart werden, was einen Betrag von $50,000 pro Jahr gleichkommt.

Bild 13: Die Anwendung von Fuzzy Logic in der Klimaanlage eines großen Krankenhauses führte zu einer Energieeinsparung von 25%.

Der Fuzzy Logic Regler gibt als Ausgang die Stellwerte für das Kühlventil, Heizwasserventil und das Befeuchtungswasserventil aus. Die Fuzzy Logic Regelungsstrategie zieht verschiedene Temperaturwerte und Feuchtigkeitssensoren zur Wahl einer energiesparenden Betriebsweise des Klimaregelungprozesses heran. Die Fähigkeit der Verarbeitung miteinander verknüpfter Variablen führt auch hier zu wesentlichen Vorteilen gegenüber herkömmlichen Lösungen. So ist z.B. bekannt, daß bei steigender Temperatur die relative Luftfeuchtigkeit sinkt.

Dieses Wissen kann durch das Einführen einer Fuzzy Logic Regelungsstragie genutzt werden, die dem Temperaturregler eine Weitergabe der Information, daß er nun das Heizventil aktivieren wird, an den Feuchtigkeitsregler ermöglicht. Noch bevor diese Tatsache von seinem Sensor festgestellt wird, kann der Feuchtigkeitsregler kann darauf reagieren. Dies führt zu einer Steigerung der Regelungsqualität [4, 8].

Bild 14: Der Einsatz von Fuzzy Logic in Klimaanlagen bewirkt eine Steigerung der Energieeffizenz durch Auswerten verschiedener Prozeßgrößen.

Regelung für die Umwandlung von Windenergie

In den letzten Jahren konnte durch technologische Fortschritte die Verwendung von Windenergie wirtschaftlicher gemacht werden. Die Tendenz zu größeren Anlagen trug ebenfalls zu einer weiteren Verbesserung des Kosten/Nutzen-Verhältnisses bei. Solche großen Anlagen von Windenergieumwandlern benötigen jedoch hochentwickelte Regelungssysteme, damit sowohl eine hohe Effektivität, als auch eine lange Lebensdauer zu gewährleistet ist. Der Regler stellt den Winkel der Rotorflügel entsprechend der Windsituation ein (Luftschraubenverstellung). Wind ist jedoch keine eindimensionale Größe. Windstärke, Böigkeit und Windwechsel müssen zur Bestimmung des optimalen Winkels des Rotorflügels berücksichtigt werden.

Bild 15: Zur maximale Auslastung eines Windenergieumwandlers muß der Luftschraubenregler viele Eingangsgrößen berücksichtigen.

Zwischen Effektivität, Sicherheit und Lebensdauer eines Windenergieumwandlers galt es jedoch stets abzuwägen. Wenn der Flügelwinkel darauf eingestellt ist, die größtmögliche Menge an Energie aus dem Wind zu nehmen, so wächst das Risiko für plötzliche Windböen, die den Umwandler mechanisch extrem belasten. Aus diesem Grunde wurde ein Aerodyn Windenergieumwandler mit einem Fuzzy System aufgerüstet, das auf menschlischem Erfahrungswissen basierte, um den besten Kompromiß für solche Abstriche zu finden. [7]. Das erste implementierte System läuft gegenwärtig in einem Feldversuch und zeigt sehr vielversprechende Ergebnisse. Die Qualität des Reglers wird nicht nur hinsichtlich der Konstanz der gelieferten Energie gemessen, sondern auch der mechanischen Beanspruchung am Turm, an der Zelle und den Rotorflügeln. Der nächste Schritt wird sein, die erzielten Ergebnisse in den ersten 1.2 MW Systemen einzusetzen, die 1996 auf den Markt kommen.

4. Schlußfolgerungen

Infolge der großen Aufmerksamkeit, die viele der Veröffentlichungen der letzten 5 Jahre fanden, wurde eine beachtliche Anzahl von erfolgreichen Anwendungen eingeführt. Von diesen haben wir eine Auswahl von 8 aktuellen Anwendungen für diesem Artikel ausgewählt. Bei allen Anwendungen liegt der Schlüssel zum Erfolg in der geschickten Kombination von Fuzzy Logic mit konventioneller Automationstechnik. Fuzzy Logik stellt keinesfalls einen Ersatz für die herkömmliche Regelungstechnik dar, sondern vielmehr eine Ergänzung dieser Technik mit einer hochgradig effizienten Methologie zur Implementation von Mehrgrößenregelstrategien. Daher liegt das Hauptpotential für Fuzzy Logic in der Implementation von überlagerten Kontrollschleifen.

5. Literatur