Anwendung und Entwicklung Neuronaler Verfahren zur autonomen Prozess-Steuerung

• Main Authors: Protzel, Peter, Lewandowski, Achim, Kindermann, Lars, Tagscherer, Michael, Herrnberger, Bärbel
• Language: German
• Published: Technische Universität Chemnitz 2001
• Subjects: info:eu-repo/classification/ddc/620; ddc:620; Neuronales Netz; Identifikation; Zeitvariantes System; Lernendes System; Überwachtes Lernen; Identifikation nichtlinearer Prozesse; zeitlich variante Prozesse; online-Lernen; Initiallernen; automatische Topologieerzeugung; Funktionswurzeln; Vertrauenswürdigkeit von Prognosen; Profilprognose in Walzwerken
• Online Access: http://nbn-resolving.de/urn:nbn:de:bsz:ch1-200100800; https://monarch.qucosa.de/id/qucosa%3A17748; https://monarch.qucosa.de/api/qucosa%3A17748/attachment/ATT-0/; https://monarch.qucosa.de/api/qucosa%3A17748/attachment/ATT-1/

In diesem Bericht wurden die Arbeiten und Ergebnisse dargestellt, die am FORWISS im Rahmen des Verbundprojekts AENEAS im Zeitraum vom 1.10.1995 bis zum 31.12.1999 erzielt wurden. Die Forschungsziele des Vorhabens wurden durch eine industrielle Anwendung im Bereich der Stahlverarbeitung motiviert und konzentrierten sich im Wesentlichen auf die folgenden Punkte: • Modellierung von nichtlinearen und zeitvarianten Prozessen, die analytisch nicht fassbar sind und nur durch Messdaten repräsentiert werden. • Modellierung von Größen, die nicht direkt messbar sind, aber auf nichtlineare Weise von anderen, messbaren Größen abhängen. • Kombination von analytischen bzw. statistischen Modellen und Neuronalen Netzen, um die jeweiligen Vorteile der Verfahren zu vereinen. Als Ergebnis des Vorhabens wurden eine Reihe neuer Ansätze zum kontinuierlichen Lernen entwickelt, darunter eine neuartige, lebenslang adaptive Netzarchitektur mit entscheidenden Vorteilen im Bereich des kontinuierlichen Lernens im Vergleich zu allen bisher bekannten Verfahren. Zum zweiten Punkt wurde eine Theorie der Analyse iterierter Prozesse entwickelt, die auf das mathematische Problem der Lösung von Funktionswurzeln führte. Für nichtlineare Systeme gibt es keine analytischen Lösungsmöglichkeiten, daher wurden erstmals Neuronale Netze zur Lösung dieses Problems verwendet. Die Ergebnisse aller grundlagenorientierten Arbeiten flossen in die Lösung eines industriellen Anwendungsproblems ein, bei der End- und Zwischenprofile warmgewalzter Stahlbänder modelliert und prognostiziert werden sollten. Dieser Prozess ist charakterisiert durch Nichtlinearität, Zeitvarianz („Tagesform“ der Anlage) und durch die nicht direkte Messbarkeit der Zwischenprofile, die sich als inverse Iteration (Funktionswurzel) aus dem Endprofil ergeben. Dieses Problem konnte auf elegante Weise durch eine Verknüpfung von analytischen und neuronalen Ansätzen gelöst werden. Neben dem unmittelbaren Wert der Ergebnisse bei der Lösung der beispielhaften Anwendung lassen sich die entwickelten Verfahren zum kontinuierlichen Lernen und zur Analyse iterierter Prozesse auf eine Vielzahl anderer Problemstellungen verallgemeinern und stellen eine gute Basis für weitere Forschungsarbeiten dar.