Können neuronale Netze Vorhersagen treffen?

Können neuronale Netze Vorhersagen treffen?
Eine Anwendung aus der Stahlindustrie
1. Erzeugung von Stahl im Lichtbogenofen
2. Biologische neuronale Netze
3. Künstliche neuronale Netze
4. Anwendung neuronaler Netze zur Regelung von Lichtbogenöfen
Prof. Dr.-Ing. Klaus Krüger
Institut für Automatisierungstechnik
Helmut-Schmidt-Universität/Universität der Bundeswehr Hamburg
Krüger, 06.02.2004
[email protected]
26.11.2004
Gliederung
1
Weltstahlproduktion
1000
Produktion in Mio. t
Gesamtproduktion
Lichtbogenofen
750
500
250
0 Krüger, 06.02.2004
1950
1960
26.11.2004
1970
1980
1990
Elektrostahl-Erzeugung
2000
2010
2
Aufbau eines Drehstrom-Lichtbogenofen
Entstaubung
Transformator
Brenner
Krüger, 06.02.2004
26.11.2004
Einsatzgut
Elektrostahl-Erzeugung
3
Schmelzvorgang
Bohrphase
Flüssiges Bad mit
Schaumschlacke
Hauptschmelzperiode
Elektrode
Schrott
schäumende
Schlacke
Krüger, 06.02.2004
Sumpf
26.11.2004
Schmelze
Elektrostahl-Erzeugung
4
Drehstrom-Lichtbogenofen
Krüger, 06.02.2004
26.11.2004
Elektrostahl-Erzeugung
5
Drehstrom-Lichtbogenofen
Krüger, 06.02.2004
26.11.2004
Elektrostahl-Erzeugung
6
Neuronen (Nervenzellen)
Axon
Axon
(Nervenfaser)
Zellkörper
Synapse
Dendriten
Neurotransmitter
Dendrit
Synapsen
Krüger, 06.02.2004
26.11.2004
Biologische neuronale Netze
7
Neuronen
Länge eines Axons
Krüger, 06.02.2004
Ausgangskonnektivität
26.11.2004
1 mm bis 1 m
1000 bis 10.000
Zeit zur synaptischen Reizübertragung
0,6 ms
Geschwindigkeit des Reizimpulses im Axon
120 m/s
Biologische neuronale Netze
8
Neuronenverbund
Mensch
Seeschnecke Aplysia
Krüger, 06.02.2004
Anzahl Neuronen: 100.000.000.000
26.11.2004
Anzahl Neuronen: 10.000
Biologische neuronale Netze
9
Neuron (Perzeptron)
o
w1
w2
net
Σ
o
o
net
i
o
Aktivierungsfunktion
wn
net
Krüger, 06.02.2004
Neuron
Aktivierungsfunktionen
26.11.2004
Künstliche neuronale Netze
10
Neuronales Netz (Feedforward-Netz)
Krüger, 06.02.2004
26.11.2004
Künstliche neuronale Netze
11
Lernverfahren
Überwachtes Lernen
• Zu jedem Eingabemuster ist das korrekte Ausgabemuster verfügbar
• Schneller Lernvorgang
• Biologisch wenig plausibel
Bestärkendes Lernen
• Klassifizierung jedes Eingabemusters wird mit falsch/richtig beurteilt
• Deutlich langsamerer Lernvorgang
• Biologisch plausibler
Unüberwachtes Lernen
• Keine externen
Lehrer, Selbstorganisation
Krüger, 06.02.2004
• Eingabemuster werden kategorisiert
26.11.2004
Künstliche neuronale Netze
12
Backpropagation (überwachtes Lernen)
Anpassung der Übertragungsgewichte wij
Allgemein:
∂E
∆wij = −η
∂wij
Lineare Aktivierungsfunktion:
∆wij = η oi ( t j − o j )
wij: Gewicht von Neuron i zu Neuron j
E: Fehlerfunktion
Krüger, 06.02.2004
η: Lernschrittweite
oi: Ausgabe Neuron i
ti: Lerneingabe
26.11.2004
Ausbildung des menschlichen neuronalen Netzes
Künstliche neuronale Netze
13
Anwendung
Krüger, 06.02.2004
26.11.2004
Neuronale Netze zur Regelung von Lichtbogenöfen
14
Regelungstechnische Aufgabenstellung
Aufgaben
• Beschreibung der Schlacke an Hand der Geräuschemission
Vorhersage und Kontrolle des Leistungsbezuges
• Regelung der Sauerstoffzufuhr zur CO-Nachverbrennung
• Leistungsregelung in Abhängigkeit der thermischen Gefäßbelastung
• Regelung des Elektrodenhöhenstandes
Methoden
• Steuerungen
Krüger, 06.02.2004
• Klassische Regelungen
• Regelungen auf Basis neuronaler Netze
26.11.2004
Neuronale Netze zur Regelung von Lichtbogenöfen
15
Leistungsregelung – thermische Gefäßbelastung
40
Kühlwasertemperatur
55
40
30
nahe Strang 1
nahe Strang 2
nahe Strang 3
20
10
0
10
20
30
Zeit in min
40
Schlackenanbackungen
35
50
30
45
25
40
20
35
15
30
10
25
5
20
0
60 90 120 150 180
Zeit in s
-30
0
30
Anbackung in mm
60
Temperatur in °C
Kühlwassertemperatur in °C
50
Aufgabe Krüger, 06.02.2004
• Hohe Schmelzleistung
• Geringer Gefäßverschleiß
26.11.2004
Neuronale Netze zur Regelung von Lichtbogenöfen
16
Leistungsregelung – thermische Gefäßbelastung
Steuerung (zeitabhängig)
• Vorherrschende Technik
• Wird variierenden Betriebsbedingung kaum gerecht
Klassische Regelung (über Kühlwassertemperatur)
• Bei ISPAT Hamburger Stahlwerken seit längerem realisiert
• Adaption an mittel- und langfristiges thermisches Niveau erforderlich
• Deutlich niedrigerer Energiebedarf, höhere Produktivität
Neuronales Netz (über Kühlwassertemperatur)
• Bei KTN Bochum realisiert
Krüger, 06.02.2004
• Backpropagation-Netz
mit einer inneren Schicht, überwachtes Lernen
• Niedrigerer Energiebedarf, höhere Produktivität, geringerer Verschleiß
26.11.2004
Neuronale Netze zur Regelung von Lichtbogenöfen
17
Elektrodenregelung
Aufgabe
Abstand zwischen Elektrodenspitze und Schrott konstant halten
Stand der Technik
Klassische Regelung, ggf. adaptiv, ggf. Kennfeld basiert
Während der Einschmelzphase erhebliche Strom-Schwankungen
Einsatz eines neuronalen Netzes [King, Staib, Bliss]
Prädiktion der Lichtbogenimpedanz
Krüger, 06.02.2004
System wird kommerziell angeboten
26.11.2004
Neuronale Netze zur Regelung von Lichtbogenöfen
18
Einschmelzphase
Imdepanz in mOhm
11
10
9
8
7
6
Krüger, 06.02.2004
5
10
12
14
16
18
20
Zeit in s
26.11.2004
Neuronale Netze zur Regelung von Lichtbogenöfen
19
Neuronales Netz zur Impedanzprädiktion
Krüger, 06.02.2004
26.11.2004
Innere Neuronen
10
Lernrate
0,6 / 0,2
Momentumterm
0,3 / 0,1
Lernschritte
10000
Neuronale Netze zur Regelung von Lichtbogenöfen
20
Neuronales Netz zur Impedanzprädiktion
Imdepanz in mOhm
11
10
9
8
7
IST-Wert
Vorhersage
6
Krüger, 06.02.2004
5
10
12
14
16
18
20
Zeit in s
26.11.2004
Neuronale Netze zur Regelung von Lichtbogenöfen
21
Zusammenfassung
Künstliche neuronale Netze
haben Ähnlichkeit mit biologischen neuronalen Netzen,
sind kein Abbild biologischer neuronaler Netze,
können erfolgreich regelungstechnische Aufgaben lösen,
vollbringen keine Wunder!
Krüger, 06.02.2004
[email protected]
26.11.2004
Neuronale Netze
22