Title: Integration von maschineller Intelligenz in Automatisierungsl
1Integration 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
2Gliederung
- 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
3Anwendung 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
42. 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 KNNa.) 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
5- 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
63. 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
7Aufbau der Zementmahlanlage
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
8Automatisierungsstruktur
Ohne neuronales Netz
Mit neuronalem Netz
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
9Ablaufschema
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
10Netzarchitektur
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
11Ergebnisse
- 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
12Regelungsstruktur
4. Beispiellösung für ein Belebungsbecken
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
13Netzstuktur
Input 1
Input 2
Input 3
Input 4
Input 5
Input 6
Input 7
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
14Sollwertvorgabe Fuzzy-Block
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
15Vergleich Ammonium
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
16Vergleich Nitrat
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
175. Beispiellösung für eine prädiktive Regelung
- 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
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
18Bild Netzstruktur
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
19Bild Recall eines neuronalen Netzes mit
prädiktivem Charakter
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
20- 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
21- MPC-Reglerstruktur mit G(s) als totzeitfreier
Anteil des mathematischen - Modells der Strecke
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
22- MPC-Reglerstruktur mit künstlichem neuronalen
Netz
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
23- 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
246. 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
25Literatur
- /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-Ta
gung "Mess- und Regelungstechnik in
abwassertechnischen Anlagen", Wuppertal, - 25./26.11.2003
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004