Integration von maschineller Intelligenz in Automatisierungslösungen Prof.Dr.-Ing.K.-D.Morgeneier FH-Jena, FB Elektrotechnik und Informationstechnik Vortrag

Integration von maschineller Intelligenz in Integration von maschineller Intelligenz in AutomatisierungslösungenAutomatisierungslösungen

Prof.Dr.-Ing.K.-D.Morgeneier

FH-Jena, FB Elektrotechnik und Informationstechnik

Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004

GliederungGliederung

1. Anwendung künstlicher neuronaler Netze(KNN) in der Automatisierungstechnik

2. KNN-Topologien und Modellanforderungen

3. Beispiellösung für eine Zementmahlanlage

4. Beispiellösung für ein Belebungsbecken

5. Beispiellösung für eine prädiktive Regelung

6. Ausblick


1.1. Anwendung künstlicher neuronaler Anwendung künstlicher neuronaler Netze(KNN) in der Netze(KNN) in der Automatisierungstechnik 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


2. KNN-Topologien und Modellanforderungen2. 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


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-Moving-Average Filter).

Probleme bei der Modellbildung mit KNN:. Signalrauschen. Ausreißer, Sprünge in den Signalen . Extrapolation bei unbekannten Eingaben . Vergessen bei kontinuierlichem Lernen.


3. Beispiellösung für eine 3. Beispiellösung für eine Zementmahlanlage Zementmahlanlage

Ziel:

Vorhersage der Feinheit des Mahlprozesses mittels KNN

Etappen:Aufarbeiten der Referenzdaten (Datenanalyse)Auswahl der Netzstruktur Experimentelles Bestimmen von

Lernalgorithmus und LernparameternTraining der Netze mit den ReferenzdatenTest der TrainingsergebnisseErprobung vor Ort


Aufbau der ZementmahlanlageAufbau der Zementmahlanlage


AutomatisierungsstrukturAutomatisierungsstruktur

Ohne neuronales

Netz

Mit neuronalem

Netz


AblaufschemaAblaufschema

Datenselektion-Aus Datensatz wurden Datenreihen wie (Sichterdrehzahl, Klinkeraufgabe usw.) selektiert

Datenaufbereitung

Grenzwerte erm.

Box & WhiskerCIME

Fehlstellen entf.:

Fehlstellen entf.MS Excel Makros(2min bzw.10min)

Zeitbasis schaffen

Filtern

Daten aufspalten

Daten aufspaltenFiltern

Testdaten & Trainingsdaten- jede Sorte Handselektiert um Wertebereich zu Nutzen

Netzarchitektur & Lernparameter- durchführen von Versuchsreihen

Datensatz

Künstliche Neuronale NetzNetzart und Netzstruktur festlegen

Eingangsdaten & Ausgangsdaten festlegen

100 Messstellen

Training KNN

Test & Auswertung KNN

Abbruchbedingung Abbruchbedingung

JaNEIN

OK BAD

Praxistest KNNPraxistest KNN

OK BAD

Test & Auswertung KNN


Netzarchitektur


Hidden LayerInput Layer Output Layer

Input7

Input6

Input5

Input3

Input2

Input1

Input8

Input9

Input10

Input11

Input12

Input4

1Bias-Neuron

Mahlfeinheit

Ergebnisse: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.


RegelungsstrukturRegelungsstruktur

w

Eingangsvektor

Ausgangsvektor x

yr

z

O2

- Regler Fuzzyblock

MLP

Regelstrecke

4. Beispiellösung für ein Belebungsbecken4. Beispiellösung für ein Belebungsbecken


Netzstuktur Netzstuktur


Delay

Delay

Delay

Ammonium bzw. Nitrat

1 Bias-Neuron

Input 1Input 1

Input 2Input 2

Input 3Input 3

Input 4Input 4

Input 5Input 5

Input 6Input 6

Input 7Input 7

Sollwertvorgabe Fuzzy-BlockSollwertvorgabe Fuzzy-Block


Vergleich AmmoniumVergleich Ammonium

Vergleich NH4 Orginal und MLP

0

2

4

6

8

10

12

14

16

10 min

mg/

l

NH4

MLP_NH4


Vergleich NitratVergleich Nitrat

Vergleich NO3 Orginal und MLP

-50

0

50

100

150

200

250

10 min

mg/

l

NO3

MLP_NO3


5.1 Trainieren eines künstlichen neuronalen Netzes mit prädiktivem Charakter

Funktionsweise: Erstellen eines Datensatzes mit zeitversetzten Eingangs- und Aus-

gangsdaten 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

5. Beispiellösung für eine prädiktive Regelung5. Beispiellösung für eine prädiktive Regelung


NH4

NO3

Inputlayer Hiddenlayer Outputlayer

Input 1

Input 2

Input 3

Input 4

NO3 aktuell

NO3-1h

NO3-2h

NO3-3h

NH4 aktuell

NH4-1h

NH4-2h

NH4-3h

Input 5

Input 6

Bild: NetzstrukturBild: Netzstruktur


Bild: Recall eines neuronalen Netzes mit prädiktivem CharakterBild: Recall eines neuronalen Netzes mit prädiktivem Charakter


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 MPC-

Regelalgorithmus

Ergebnisse: MPC-Regler mit künstlichem neuronalen Netz, statt mathematischem

Modell der Strecke


MPC-Reglerstruktur mit G(s)* als totzeitfreier Anteil des mathematischen

Modells der Strecke

DMC G(s)

G(s)*

Totzeit

-

+

-+

Prozess

Sollwert w Regelgröße Y


MPC-Reglerstruktur mit künstlichem neuronalen Netz

DMC G(s)

NeuronalesNetz

Totzeit

-

+

-+

Prozess

Sollwert w Regelgröße Y


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


6. Ausblick6. 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


LiteraturLiteratur/1/ Zell, A.: Simulation neuronaler Netze

R. Oldenbourg Verlag, 4. Auflage, München/Wien, 2003

/2/ Sturm, M.: Neuronale Netze zur Modellbildung in der RegelungstechnikDissertation, TU München, Fakultät für Informatik, München 2000

/3/ Brand, C.: Neuronale Identifikation von TotzeitenDissertation, TU München, Fakultät für Informatik, München 2002

/4/ Morgeneier, K.-D.; Runge, L.; Wächter, M.; Vogel,, J.; Seiler, B.: Neuro-Fuzzy-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


Documents

Integration von maschineller Intelligenz in Automatisierungslösungen Prof.Dr.-Ing.K.-D.Morgeneier FH-Jena, FB Elektrotechnik und Informationstechnik Vortrag