11. Neuro-Fuzzy-Regler und -Klassifikation

1. 11. Neuro-Fuzzy-Regler und -Klassifikation Jörg Krone, Ulrich Lehmann, Hans Brenig, Oliver Drölle, Michael Schneider Neuro-Regler 11. Neuro-Fuzzy-Regler

2. Inhalt • Neuro-Fuzzy-Regler Überblick • Neuro-Fuzzy-Regler für Kläranlagen • Neuro-Fuzzy-Regler für nichtlineare Prozesse zur Erzielung einer hohen Regelgüte • Neuro-Fuzzy-Metallfeinsuchgerät • Neuro-Fuzzy-System nach Preuß und Tresp • Neuro-Fuzzy-System NEFCLASS • Zusammenfassung • Bewertung Neuro-Fuzzy-Systeme • Quellen • Fragen 11. Neuro-Fuzzy-Regler

3. 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 11. Neuro-Fuzzy-Regler

4. 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. 11. Neuro-Fuzzy-Regler

5. Neuro-Fuzzy-Regler für nichtlineare Prozesse zur Erzielung einer hohen Regelgüte 11. Neuro-Fuzzy-Regler

6. Ergebnis der Fuzzy-Adaption Hohe statische Genauigkeit wird auch bei starker Fehlparametrierung des Regler nach einigen Adaptionsschritten (--) erreicht. 11. Neuro-Fuzzy-Regler

7. 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. 11. Neuro-Fuzzy-Regler

8. Neuro-Fuzzy-Metallfeinsuchgerät 11. Neuro-Fuzzy-Regler

9. Messergebnisse des Sensors im Metallfeinsuchgerät Problem: Geringe Unterschiede im Messsignal für Nahrungsmittel ohne und mit Verunreinigung durch metallische Kugeln der Größe 1 mm. 11. Neuro-Fuzzy-Regler

10. 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. 11. Neuro-Fuzzy-Regler

11. Neuro-Fuzzy-System nach Preuß und Tresp 11. Neuro-Fuzzy-Regler

12. Neuro-Fuzzy-System NEFCLASS 11. Neuro-Fuzzy-Regler

13. 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. 11. Neuro-Fuzzy-Regler

14. 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. 11. Neuro-Fuzzy-Regler

15. 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. 11. Neuro-Fuzzy-Regler

16. 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. 11. Neuro-Fuzzy-Regler

17. 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. 11. Neuro-Fuzzy-Regler

18. 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 Quellenverzeichnis 11. Neuro-Fuzzy-Regler

19. Fragen Fragen Sie bitte! 11. Neuro-Fuzzy-Regler