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