Transcript Integration von maschineller Intelligenz in

Integration von maschineller Intelligenz in
Automatisierungslösungen
Prof.Dr.-Ing.K.-D.Morgeneier
FH-Jena, FB Elektrotechnik und Informationstechnik
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Gliederung
1.
2.
3.
4.
5.
6.
Anwendung künstlicher neuronaler Netze(KNN) in der
Automatisierungstechnik
KNN-Topologien und Modellanforderungen
Beispiellösung für eine Zementmahlanlage
Beispiellösung für ein Belebungsbecken
Beispiellösung für eine prädiktive Regelung
Ausblick
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
1.
•
•
•
•
•
•
•
•
Anwendung künstlicher neuronaler
Netze(KNN) in der Automatisierungstechnik
Automatisierungslösungen mit integrierter digitaler Signalverarbeitung:
- Bildverarbeitung/Mustererkennung
- Filter
- Spracherkennung
- Geräuschanalyse usw.
Identifikation statischer und dynamischer Modelle als Grundlage für modellgestützte
Regelungen (z.B. adaptive Regelung oder MPC )
Neuronale Regler oder Neuro/Fuzzy-Regelung
Softwaresensoren
Automatisierte Diagnosesysteme
Wissensverarbeitung und Expertensysteme
Steueralgorithmen für autonome intelligente Systeme
Optimierungsaufgaben mit KNN unter Einbeziehung genetischer Algorithmen
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
2. KNN-Topologien und Modellanforderungen

KNN (ohne Dynamik) bilden statische lineare/nichtlineare Systeme ab.

Das Problem der Zeitvarianz kann durch Nachtrainieren berücksichtigt
werden.

Bei der Abbildung dynamischer Systeme unterscheidet man KNN:
a.) mit externer Dynamik und
b.) mit interner Dynamik.

KNN mit externer Dynamik:
 verzögerte Eingänge und verzögerte Ausgänge werden als
Netzeingänge verwendet (über z-1)
 Netztypen: - statisches MLP
- RBF-Netze
- lokale statische Netz-Modelle
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004

KNN mit interner Dynamik:
- ELMAN-Netz
- JORDAN-Netz
- Adaptive Time-Delay Neural Network (ATNN): variable und
adaptierbare Zeitverzögerungen in den Verbindungen zwischen den
Neuronen
- Dynamic MLP: MLP mit ARMA-Filter (Auto-Regression-MovingAverage Filter).

Probleme bei der Modellbildung mit KNN:
. Signalrauschen
. Ausreißer, Sprünge in den Signalen
. Extrapolation bei unbekannten Eingaben
. Vergessen bei kontinuierlichem Lernen.
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
3. Beispiellösung für eine
Zementmahlanlage
Ziel:
Vorhersage der Feinheit des Mahlprozesses mittels KNN
Etappen:
Aufarbeiten der Referenzdaten (Datenanalyse)
Auswahl der Netzstruktur
Experimentelles Bestimmen von
Lernalgorithmus und Lernparametern
Training der Netze mit den Referenzdaten
Test der Trainingsergebnisse
Erprobung vor Ort
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Aufbau der Zementmahlanlage
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Automatisierungsstruktur
Ohne neuronales
Netz
Mit neuronalem
Netz
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Ablaufschema
Datensatz
100 Messstellen
Datenselektion
-Aus Datensatz wurden Datenreihen wie (Sichterdrehzahl, Klinkeraufgabe usw.) selektiert
Datenaufbereitung
Grenzwerte erm.
Zeitbasis schaffen
Box & Whisker
CIME
MS Excel Makros
(2min bzw.10min)
Fehlstellen entf.:
Daten aufspalten
Filtern
Daten aufspalten
Fehlstellen
entf.
Filtern
Künstliche Neuronale Netz
Netzart und Netzstruktur festlegen
Eingangsdaten & Ausgangsdaten festlegen
Testdaten & Trainingsdaten
- jede Sorte Handselektiert um Wertebereich zu Nutzen
Netzarchitektur & Lernparameter
- durchführen von Versuchsreihen
Training KNN
Abbruchbedingung
Abbruchbedingung
Ja
NEIN
Test
Test &
& Auswertung
Auswertung KNN
KNN
OK
BAD
Praxistest KNN
OK
BAD
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Netzarchitektur
Input1
Input2
Input3
Input4
Input5
Mahlfeinheit
Input6
Input7
Input8
Input9
Input10
Input11
Input12
Bias-Neuron
1
Input Layer
Hidden Layer
Output Layer
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Ergebnisse:
-
Erhöhung der Ausbeute an Qualitätszement
Verlängerung der Laufzeit des Analysegerätes
Nach ersten Tests wurde ein Abtriften des KNN festgestellt, welches durch
einen Algorithmus zum Nachtrainieren abgestellt werden konnte.
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
4. Beispiellösung für ein Belebungsbecken
z
O2
Regelstrecke
Eingangsvektor
yr
MLP
x
Regler
Ausgangsvektor
w
Fuzzyblock
Regelungsstruktur
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Netzstuktur
Input 1
Input 2
Input 3
Ammonium
bzw.
Nitrat
Input 4
Input 5
Delay
Input 6
Delay
Input 7
Delay
Bias -Neuron
1
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Sollwertvorgabe Fuzzy-Block
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Vergleich Ammonium
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Vergleich Nitrat
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
5. Beispiellösung für eine prädiktive Regelung
5.1 Trainieren eines künstlichen neuronalen Netzes mit prädiktivem
Charakter
Funktionsweise:
 Erstellen eines Datensatzes mit zeitversetzten Eingangs- und Ausgangsdaten
 Trainieren eines künstlichen neuronalen Netzes mit diesem Datensatz
Ergebnis:
 Ein neuronales Netz mit prädiktivem Charakter, welches auf Grund der
Kenntnis der Vergangenheit einen Wert in der Zukunft prognostiziert
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Inputlayer
Hiddenlayer
Outputlayer
Input 1
Input 2
Input 3
Input 4
Input 5
NH4
Input 6
NO3 aktuell
NO3-1h
NO3-2h
NO3-3h
NH4 aktuell
NH4-1h
NH4-2h
NH4-3h
Bild: Netzstruktur
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
NO3
Bild: Recall eines neuronalen Netzes mit prädiktivem Charakter
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
5.2 Einbinden eines künstlichen neuronalen Netzes als Modell der Strecke
in die prädiktive Regelung
Funktionsweise:
 Erstellen eines Datensatzes mit den charakteristischen Ein- und
Ausgangsdaten der Strecke
 Trainieren eines künstlichen neuronalen Netzes mit dem erstellten
Datensatz
 Einbinden des künstlichen neuronalen Netzes in den MPCRegelalgorithmus
Ergebnisse:
 MPC-Regler mit künstlichem neuronalen Netz, statt mathematischem
Modell der Strecke
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
MPC-Reglerstruktur mit G(s)* als totzeitfreier Anteil des mathematischen
Modells der Strecke
Sollwert w
+
Totzeit
DMC
Regelgröße Y
G(s)
Prozess
+
G(s)*
-
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
MPC-Reglerstruktur mit künstlichem neuronalen Netz
Sollwert w
+
Totzeit
DMC
Regelgröße Y
G(s)
Prozess
Neuronales
Netz
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
+
-
Vorteile:
 Einbeziehen von nichtlinearen Strukturen in die prädiktive Regelung
relativ einfach möglich
 aufwendige Ermittlung des mathematischen Modells entfällt
Nachteile:
 Nachtrainieren der Netze ist nötig, da sich sonst das Modell von der
Strecke entfernt
 nur einsetzbar, wenn genügend großer Datensatz vorhanden ist
Ausblick:
 Adaption des Sprungantwortvektors im DMC-Algorithmus über ein
ständig nachtrainiertes Netz
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
6. Ausblick
Eingesetzte Entwicklungswerkzeuge:
SCL-Language ( für STEP 7 ), FuzzyControl++, NeuroSystems der SIEMENS AG
MATLAB/SIMULINK incl. TB
DataEngine und LabVIEW
fuzzyTECH und MCU Editions for Embedded Control
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Literatur
/1/ Zell, A.: Simulation neuronaler Netze
R. Oldenbourg Verlag, 4. Auflage, München/Wien, 2003
/2/ Sturm, M.: Neuronale Netze zur Modellbildung in der Regelungstechnik
Dissertation, TU München, Fakultät für Informatik, München 2000
/3/ Brand, C.: Neuronale Identifikation von Totzeiten
Dissertation, TU München, Fakultät für Informatik, München 2002
/4/ Morgeneier, K.-D.; Runge, L.; Wächter, M.; Vogel,, J.; Seiler, B.: NeuroFuzzy-Regelung einer Zementmühle Zement-Kalk-Gips International,
(Volume 55) No. 9/2002, 72-80
/5/ Trümper, A.; Morgeneier, K.-D.: Datenanalyse und
Automatisierungslösung mit einer Neuro-Fuzzy-Struktur für ein
BelebungsbeckenGMA-Tagung "Mess- und Regelungstechnik in
abwassertechnischen Anlagen", Wuppertal,
25./26.11.2003
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004