Integration von maschineller Intelligenz in Automatisierungsl

1
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
2
Gliederung

• 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
3
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
4
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 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
6
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
7
Aufbau der Zementmahlanlage
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
8
Automatisierungsstruktur
Ohne neuronales Netz
Mit neuronalem Netz
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
9
Ablaufschema
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
10
Netzarchitektur
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
11
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
12
Regelungsstruktur
4. Beispiellösung für ein Belebungsbecken
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
13
Netzstuktur
Input 1
Input 2
Input 3
Input 4
Input 5
Input 6
Input 7
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
14
Sollwertvorgabe Fuzzy-Block
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
15
Vergleich Ammonium
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
16
Vergleich Nitrat
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
17
5. 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
18
Bild Netzstruktur
Vortrag 1. Fachwissenschaftliches Kolloquium,
Pforzheim, 11.-12. März 2004
19
Bild 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
24
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
25
Literatur

• /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