11. Neuro-Fuzzy-Regler und -Klassifikation

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


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


Inhalt

End

Neuro-Fuzzy-Regler für Kläranlagen


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


Inhalt

End

Ergebnis der Fuzzy-Adaption

• Hohe statische Genauigkeit wird auch bei starker Fehlparametrierung des Regler nach einigen Adaptionsschritten (--) erreicht.


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.


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


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.


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.


Inhalt

End

Neuro-Fuzzy-System nach Preuß und Tresp


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


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.


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.


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.


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.


Inhalt

End


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


Fragen

Fragen Sie bitte!

Documents

11. Neuro-Fuzzy-Regler und -Klassifikation