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.