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
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
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
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
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
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-Moving-Average 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 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
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Aufbau der ZementmahlanlageAufbau der Zementmahlanlage
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
AutomatisierungsstrukturAutomatisierungsstruktur
Ohne neuronales
Netz
Mit neuronalem
Netz
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
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
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Netzarchitektur
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
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.
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
RegelungsstrukturRegelungsstruktur
w
Eingangsvektor
Ausgangsvektor x
yr
z
O2
- Regler Fuzzyblock
MLP
Regelstrecke
4. Beispiellösung für ein Belebungsbecken4. Beispiellösung für ein Belebungsbecken
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Netzstuktur Netzstuktur
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
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
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Vergleich AmmoniumVergleich Ammonium
Vergleich NH4 Orginal und MLP
0
2
4
6
8
10
12
14
16
10 min
mg/
l
NH4
MLP_NH4
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Vergleich NitratVergleich Nitrat
Vergleich NO3 Orginal und MLP
-50
0
50
100
150
200
250
10 min
mg/
l
NO3
MLP_NO3
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
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
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
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
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
Bild: Recall eines neuronalen Netzes mit prädiktivem CharakterBild: 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 MPC-
Regelalgorithmus
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
DMC G(s)
G(s)*
Totzeit
-
+
-+
Prozess
Sollwert w Regelgröße Y
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
MPC-Reglerstruktur mit künstlichem neuronalen Netz
DMC G(s)
NeuronalesNetz
Totzeit
-
+
-+
Prozess
Sollwert w Regelgröße Y
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. 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
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004
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
Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11.-12. März 2004