Inhalt
End
111. Neuro-Fuzzy-ReglerSS 2009/2
11. Neuro-Fuzzy-Regler und -Klassifikation
Jörg Krone, Ulrich Lehmann, Hans Brenig, Oliver Drölle, Michael Schneider
Neuro-Regler
Inhalt
End
211. Neuro-Fuzzy-ReglerSS 2009/2
Inhalt
a. Neuro-Fuzzy-Regler Überblick
b. Neuro-Fuzzy-Regler für Kläranlagen
c. Neuro-Fuzzy-Regler für nichtlineare Prozesse zur Erzielung einer hohen Regelgüte
d. Neuro-Fuzzy-Metallfeinsuchgerät
e. Neuro-Fuzzy-System nach Preuß und Tresp
f. Neuro-Fuzzy-System NEFCLASS
g. Zusammenfassung
h. Bewertung Neuro-Fuzzy-Systeme
i. Quellen
j. Fragen
Inhalt
End
Überblick Neuro-Fuzzy-Regler
• Automatisierungssysteme oder Regler, die sowohl Fuzzy-Komponenten als auch Neuronale Netze beinhalten werden als Neuro-Fuzzy-Systeme bezeichnet
• Der Vorteil dieser Kombination ist direkt für die Anwendung nutzbar
• Grundsätzlich sind alle denkbaren Kombinationen von Fuzzy-Logik und Neuronalen Netzen denkbar.
• Anwendungen siehe
http://www.iai.fzk.de/medtech/biosignal/gma/tutorial/index.html
11. Neuro-Fuzzy-ReglerSS 2009/2
Inhalt
End
Neuro-Fuzzy-Regler für Kläranlagen
411. Neuro-Fuzzy-ReglerSS 2009/2
Hier wird ein Neuronales Netz für die Prognose der Störgröße„Wechselnde Ablaufmenge“ zum Fuzzy-Regler in Serie ge-schaltet, um das dynamische Verhalten der Reglung zu verbessern.
Inhalt
End
Neuro-Fuzzy-Regler für nichtlineare Prozesse zur Erzielung einer hohen
Regelgüte
511. Neuro-Fuzzy-ReglerSS 2009/2
Inhalt
End
Ergebnis der Fuzzy-Adaption
• Hohe statische Genauigkeit wird auch bei starker Fehlparametrierung des Regler nach einigen Adaptionsschritten (--) erreicht.
611. Neuro-Fuzzy-ReglerSS 2009/2
0 1 2 3 4 5 6 7 8 9 10 t / s * 10 3
0
5
10
15
20
25
30 x / °C
Toleranzband Toleranzband mit KNN ohne KNN
Inhalt
End
Optimale Reglerparameter aus dem KNN für die Adaption des Neuro-Fuzzy-Reglers in
wenigen Schritten
• Die Reglerparameter wurden evolutionär optimiert und dann dem KNN für verschiedene Arbeitspunkte antrainiert.
711. Neuro-Fuzzy-ReglerSS 2009/2
0 200 400 600 800 1000 1200 1400 1600 1800 2000
t
0
2
4
6
8
10
12
x
Inhalt
End
Neuro-Fuzzy-Metallfeinsuchgerät
811. Neuro-Fuzzy-ReglerSS 2009/2
Inhalt
End
Messergebnisse des Sensors im Metallfeinsuchgerät
Problem: Geringe Unterschiede im Messsignal für Nahrungsmittel ohne und mit Verunreinigung durch metallische Kugeln der Größe 1 mm.
911. Neuro-Fuzzy-ReglerSS 2009/2
Inhalt
End
Verbesserung der Identifikation von Metallkugeln in Nahrungsmitteln durch Fuzzy-Signalauswertung im
Metallfeinsuchgerät
• Mit dem herkömmlichen Verfahren werden Fe-Kugeln (Bild links) mit Ø 2,0 mm sicher gefunden.
• Durch den Einsatz eines Fuzzy-Klassifikators konnte die Empfindlichkeit auf Fe-Kugeln (Bild rechts) mit Ø 1,0 mm deutlich von 0% auf 100% (!) verbessert werden.
1011. Neuro-Fuzzy-ReglerSS 2009/2
Inhalt
End
Neuro-Fuzzy-System nach Preuß und Tresp
1111. Neuro-Fuzzy-ReglerSS 2009/2
x1
+
-b11
z11
w11a11
+
-b12
z12
a12
+
-b13
z13
a13
+
-b14
z14
w13a14
w12
x2
+
-b21
z21
w21a21
+
-b22
z22
a22
+
-b23
z23
a23
+
-b24
z24
w23a24
w22
f1
f2
f3
f4
f5
f6
f7
f8
f9
d1
s
s0
s/s0
y
d2
d3
d4
d5
d6
d7
d8
d9
Defuzzyfizierungs-neuronFuzzyfizierungs-
neuronen
Multiplikations-neuronen
x3
+
-b31
z31
w31a31
+
-b32
z32
a32
+
-b33
z33
a33
+
-b34
z34
w33a34
w32
f27 d27
Inferenz
Inhalt
End
Neuro-Fuzzy-System NEFCLASS
1211. Neuro-Fuzzy-ReglerSS 2009/2
Inhalt
End
Zusammenfassung
• Datenbasierte Modellierung/Identifikation mit Fuzzy-Modellen (IDEN, einschl. Soft-Sensorik und Neuro-Fuzzy-Methoden)
• Die Grundidee der Fuzzy-Logik besteht zwar darin, vorhandenes Expertenwissen auf sprachlicher Ebene zu erfassen, und dann erst mit Hilfe von Zugehörigkeitsfunktionen den Übergang von der linguistischen auf die numerische Ebene zu vollziehen, aber dennoch stößt diese Art des Wissenserwerbs des öfteren an ihre Grenzen.
• Nicht immer liegt tatsächlich menschliches Wissen über das zu beschreibende Verhalten vor, oder dieses Wissen ist teilweise im Unterbewusstsein verankert bzw. lässt sich nicht genügend genau quantifizieren.
1311. Neuro-Fuzzy-ReglerSS 2009/2
Inhalt
End
Zusammenfassung II
• In solchen Fällen ist ein Wissenserwerb entsprechend dem Grundansatz künstlicher neuronaler Netze hilfreich: induktives Lernen aus Beispielen, d.h. aus (numerischen) „Trainings“-Daten.
• Dazu sind Algorithmen erforderlich, die anhand der gegebenen Daten Fuzzy-Regeln und/oder Zugehörigkeitsfunktionen automatisch generieren, und zwar so, dass die in den Daten erkennbaren Zusammenhänge möglichst genau wiedergegeben werden.
• In Analogie zur klassischen Identifikation dynamischer Prozesse spricht man auch von datenbasierter bzw. experimenteller Modellbildung oder von Fuzzy-Identifikation. Genau wie ein Neuronales Netz kann ein Fuzzy-System jedes beliebige, nichtlineare statische Kennfeld darstellen.
1411. Neuro-Fuzzy-ReglerSS 2009/2
Inhalt
End
Zusammenfassung III
• Dynamische Effekte müssen ggf. durch externe Verzögerungsglieder (siehe Prozessinformatik) berücksichtigt werden.
• Während neuronale Netze reine Black-Box-Modelle darstellen, besteht bei identifizierten Fuzzy-Systemen die Möglichkeit, das Ergebnis auf linguistischer Ebene zu interpretieren oder sogar zu modifizieren. Dies stellt jedoch besondere Herausforderungen an die entsprechenden Identifikationsalgorithmen, die neben der Parameteridentifikation ggf. auch eine Strukturidentifikation leisten müssen.
• Ziel ist es, einen gegebenen Zusammenhang mit einer möglichst geringen Anzahl möglichst gut verständlicher Regeln darzustellen, was je nach Größe des Problems (Zahl der Ein-und Ausgangsvariablen) und Qualität des vorhandenem Datenmaterials (Anzahl der Messdaten, Abdeckung des Eingangsraums, Stör-/Nutz-Signalverhältnis, Konsistenz) mehr oder weniger schwer erreichbar ist.
1511. Neuro-Fuzzy-ReglerSS 2009/2
Inhalt
End
Zusammenfassung IV
• Es existiert daher eine Vielzahl unterschiedlicher Methoden, die aus ganz verschiedenen anderen Fachgebieten heraus abgeleitet wurden: von klassischen Parameter-Schätzverfahren (z.B. Methode der kleinsten Fehlerquadrate), über neuronale Trainingsalgorithmen bis hin zu Baum-Suchverfahren aus der Informatik.
1611. Neuro-Fuzzy-ReglerSS 2009/2
Inhalt
End
1711. Neuro-Fuzzy-ReglerSS 2009/2
Bewertung Neuro-Fuzzy-Systeme (-Regler)
Das gelernte Wissen in den KNN ist häufig Expertenwissen der Automatisierungstechnik oder Prozesswissen
Die Kopplung zwischen Neuro und Fuzzy ist sehr variabel. Sie reicht von lose bis eng
Die Optimierung der Systeme kann mit Trainingsverfahren von KNN oder auch mit Evolutionären Algorithmen erfolgen, wenn Modelle zur Verfügung stehen, die hinreichend genau sind
Die Vorteile sind besonders sichtbar bei nichtlinearen und zeitvarianten Prozessen. Die Fuzzy-Systeme werden durch Neuro in vertretbarer Zeit optimierbar (NEFCLASS, ANFIS).
- Es existiert noch kein umfassendes Allgemeinwissen über die Vorgehensweise bei der Architekturentwicklung und der Dimensionierung der Neuro-Fuzzy-Systeme. Probieren ist angesagt.
Inhalt
End
Quellenverzeichnis
1811. Neuro-Fuzzy-ReglerSS
2009/2
• Nauk, D., Klawonn, F. und Kruse, R.: Neuronale Netze und Fuzzy-Systeme. Vieweg Verlag, Braunschweig 1996
• Preuß, H.-P.; Tresp, V.: Neuro-Fuzzy, Automatisierungstechnische Praxis 5/94, S. 10-24
• H.-M. Schaedel, U. Jantzen, E. Oberdörfler: Empfindlichkeitssteigerung in der Metallfeinsuchtechnik durch den Einsatz eines Fuzzy-Klassifikators. Fortschritt-Berichte VDI Nr. 648; Düsseldorf 2000
• U. Lehmann, M. Bongards, H. Johannes (Hrsg.): Neuronale Fuzzy-Logik. Fortschritt-Berichte VDI Nr. 648; Düsseldorf 2000
• VDE/VDI GMA FA 5.14 Computational Intelligencehttp://www.iai.fzk.de/medtech/biosignal/gma/tutorial/index.html
Inhalt
End
1911. Neuro-Fuzzy-ReglerSS 2009/2
Fragen
Fragen Sie bitte!