Schwieriger wird es bei der Regelung eines dynamischen Systems. Hierfür
wird zuerst der Begriff der Regelung näher erläutert.
Definition der Regelung:
Bei der Regelung geht es darum, in einem dynamischen System, siehe
Abbildung , eine bestimmte zeitveränderliche
Größe, die Ausgangsgröße, auf einen fest vorgegebenen
Wert, die Führungsgröße, zu bringen. Hierfür steht die beliebig
veränderbare
Stellgröße zur Verfügung, die die Ausgangsgröße stark beeinflußt.
Oft kommt noch eine unerwünschte Größe mit unerwarteten Änderungen
hinzu, die die Ausgangsgröße vom erwünschten Verhalten abbringt, die
sogenannte Störgröße.
Abbildung: Blockbild eines dynamischen Systems
Um nun die Regelgröße an den gewünschten Verlauf anzupassen, ist die
ständige Beobachtung der Strecke nötig. Die daraus gewonnenen
Informationen werden dazu benutzt, die neue Stellgröße zu ermitteln, die
die Störgröße ausgleichen soll. Eine Anordnung, die das leistet, siehe
Abbildung , heißt Regelung.
Abbildung: Blockbild einer Regelung
Um die Stellgröße ermitteln zu können, wird also ständig die
Regelgröße beziehungsweise die Ausgangsgröße zurückgeführt. Im
Gegensatz dazu wird bei einer Steuerung nur gemeldet, ob nach der Reaktion
auf die Aktion der Steuerung bestimmte Bedingungen erfüllt sind oder
nicht. An einen Regler gibt es Forderungen, die, wenn sie erfüllt sind,
für seine Brauchbarkeit garantieren.
Forderungen an einen Regler:
Abbildung: Prinzip der Regelung: Aus dem Zustand x(t) des dynamischen
Systems ermittelt der Regler die Stellgröße u(t)
Neuronale Netze sind für die Aufgabe der Regelung, siehe Abbildung
, besonders geeignet, da sie die Fähigkeit
besitzen, auch Abweichungen von der gelernten Systemdynamik gut
ausgleichen zu können. Dies ist bei technischen Systemen oft der Fall, da
hier leicht Abweichungen gegenüber den Bewegungsgleichungen auftreten. So
kann man zum Beispiel die mechanischen Bewegungen einer lockeren Kette
beim Anspannen nicht mit Formeln erfassen. Bekommt das Netz nun solche
verfälschte Eingabeparameter, kann es diese gegebenenfalls ausgleichen
und das System trotzdem regeln. Ein herkömmlicher Regler würde das nicht
bewerkstelligen können, da er nach den Bewegungsgleichungen des Systems
für sehr exakte Werte trainiert wurde und nur äußerst geringe
Abweichungen davon kompensieren kann.