Integration von maschineller Intelligenz in Automatisierungslsungen Prof Dr

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 l KNN (ohne Dynamik) bilden statische lineare/nichtlineare Systeme ab. l Das Problem der Zeitvarianz kann durch Nachtrainieren berücksichtigt werden. l Bei der Abbildung dynamischer Systeme unterscheidet man KNN: a. ) mit externer Dynamik und b. ) mit interner Dynamik. l 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

l 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). l 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: ØAufarbeiten der Referenzdaten (Datenanalyse) ØAuswahl der Netzstruktur ØExperimentelles Bestimmen von Lernalgorithmus und Lernparametern ØTraining der Netze mit den Referenzdaten ØTest der Trainingsergebnisse ØErprobung 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 Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11. -12. März 2004

Netzarchitektur 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 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

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

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

MPC-Reglerstruktur mit künstlichem neuronalen 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 ), Fuzzy. Control++, Neuro. Systems der SIEMENS AG - MATLAB/SIMULINK incl. TB - Data. Engine und Lab. VIEW - fuzzy. TECH 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. : 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 Belebungsbecken. GMA-Tagung "Mess- und Regelungstechnik in abwassertechnischen Anlagen", Wuppertal, 25. /26. 11. 2003 Vortrag 1. Fachwissenschaftliches Kolloquium, Pforzheim, 11. -12. März 2004