Neuronale Netze in mechatronischen Systemen - ein Ansatz für die Modellierung und Simulation

Transkript

1 13. Symposium Simulationstechnik - ASIM 99 vom September 1999 an der Bauhaus-Universität Weimar Neuronale Netze in mechatronischen Systemen - ein Ansatz für die Modellierung und Simulation Peter Schneider, Marcus Müller, Peter Schwarz Fraunhofer-Institut für Außenstelle EAS Dresden Zeunerstraße 38, D Dresden pet@eas.iis.fhg.de 1

2 Übersicht Einleitung Einbeziehung Neuronaler Netze in die Systemsimulation Entwurfsumgebung für intelligente Systeme Datenaufbereitung Simulatorkopplung Modellgenerierung Erprobung der Entwurfsumgebung an mechatronischen Systemen Ausblick 2

3 Systeme mit Neuronalen Netzen Prozeß UMWELT 3

4 Systeme mit Neuronalen Netzen Prozeß UMWELT 4

5 Systeme mit Neuronalen Netzen Vorverarbeitung Sensoren Prozeß UMWELT 5

6 Systeme mit Neuronalen Netzen klassische Signalverarbeitungsund Steuerungsalgorithmen Vorverarbeitung Neuronale Netze Sensoren Prozeß UMWELT 6

7 Systeme mit Neuronalen Netzen Ansteuerung Vorverarbeitung Neuronale Netze klassische Signalverarbeitungsund Steuerungsalgorithmen Sensoren Aktoren Prozeß UMWELT 7

8 Systeme mit Neuronalen Netzen Robotik Regelung und Steuerung Bahnplanung und Greifraumexploration Ansteuerung Vorverarbeitung Neuronale Netze klassische Signalverarbeitungsund Steuerungsalgorithmen Sensoren Aktoren Prozeß UMWELT 8

9 Systeme mit Neuronalen Netzen Robotik Regelung und Steuerung Bahnplanung und Greifraumexploration Bildverarbeitung Mustererkennung Musterreproduktion Ansteuerung Vorverarbeitung Sensoren Neuronale Netze klassische Signalverarbeitungsund Steuerungsalgorithmen Aktoren Prozeß UMWELT 9

10 Systeme mit Neuronalen Netzen Robotik Regelung und Steuerung Bahnplanung und Greifraumexploration Bildverarbeitung Mustererkennung Musterreproduktion Mikrosystemtechnik Meßwertverarbeitung Adaption, Selbstkalibrierung Ansteuerung Vorverarbeitung Sensoren Neuronale Netze Prozeß klassische Signalverarbeitungsund Steuerungsalgorithmen Aktoren UMWELT 10

11 Systeme mit Neuronalen Netzen Robotik Regelung und Steuerung Bahnplanung und Greifraumexploration Bildverarbeitung Mustererkennung Musterreproduktion Mikrosystemtechnik Meßwertverarbeitung Adaption, Selbstkalibrierung mobile autonome Systeme Ansteuerung Vorverarbeitung Sensoren Neuronale Netze Prozeß klassische Signalverarbeitungsund Steuerungsalgorithmen Aktoren UMWELT 11

12 Systeme mit Neuronalen Netzen Robotik Regelung und Steuerung Bahnplanung und Greifraumexploration Bildverarbeitung Mustererkennung Musterreproduktion Mikrosystemtechnik Meßwertverarbeitung Adaption, Selbstkalibrierung mobile autonome Systeme Ansteuerung Vorverarbeitung Sensoren Neuronale Netze Prozeß klassische Signalverarbeitungsund Steuerungsalgorithmen Aktoren Sensorsignalverarbeitung UMWELT 12

13 Gesamtsystemsimulation intelligenter Systeme - Einbeziehung der Komponente Neuronales Netz - 13

14 Gesamtsystemsimulation intelligenter Systeme - Einbeziehung der Komponente Neuronales Netz - Modellierung für einen Simulator Erstellung von Modellen für Neuronale Netze für den Systemsimulator Vielzahl von Modellen für NN -> hoher Aufwand relativ unflexibel verschiedene Netztrainingsverfahren müssen programmiert werden 14

15 Gesamtsystemsimulation intelligenter Systeme - Einbeziehung der Komponente Neuronales Netz - Modellierung für einen Simulator Erstellung von Modellen für Neuronale Netze für den Systemsimulator Vielzahl von Modellen für NN -> hoher Aufwand relativ unflexibel verschiedene Netztrainingsverfahren müssen programmiert werden Simulatorkopplung Kopplung von Systemsimulator und Spezialsimulator für Neuronale Netze einmaliger Aufwand für die Kopplung Flexibilität des NN-Simulators steht zur Verfügung (Visualisierung, Training,...) 15

16 Beschreibung (digitale Systeme) hardware description language DDL <SY> REG (D1,BUSA[16:1]::X[16:1] <RE> REGISTER[16:1] <BO> X = REGISTER D1 REGISTER BUSA... FORTRAN, PASCAL, C (Subroutinen) Ablaufsteuerung (Petrinetze) REG1 CTRL OFL Blockschaltbild (digitale Systeme) Gatterschaltung BUS A 1 REG2 & R S 1 CLOCK 1 BUS B KOSIM Simulatorkopplung DG - Schnittstelle i f,v B B u mechanische Systeme elektromagnetische, hydraulische, pneumatische,... Systeme S2 Transistorschaltung (elektrisches Netzwerk) F(p) allgemeine kontinuierliche Systeme S1 Fremdsimulator (ANSYS, Saber,...) 16

17 Stuttgart Neural Network Simulator (SNNS) Zell, A.; Mache, N.; Sommer, T.; Korb, T.: The SNNS Neural Network Simulator. 13. DAGM Symposium Mustererkennung, Okt München, Informatik-Fachberichte 290, Springer-Verlag, S

18 Entwurfsumgebung für intelligente Systeme Systemsimulation Schematic Entry *.cir *.vhdl... Systemsimulator Bibliotheken *.csdf *.dat Postprocessing Tool 18

19 Entwurfsumgebung für intelligente Systeme Simulation Neuronaler Netze NN-Simulator GUI Lernmuster *.pat NN- Simulator *.net *.cfg... *.net C-Code Erzeugung *.err *.net *.res NN-Simulator GUI 19

20 Entwurfsumgebung für intelligente Systeme Erzeugung von Lerndaten für das Neuronale Netz durch Systemsimulationen Schematic Entry NN-Simulator GUI *.cir *.vhdl... *.net *.cfg... Bibliotheken *.csdf *.dat Systemsimulator NN- Simulator *.err *.net *.res NN-Simulator GUI 20

21 Entwurfsumgebung für intelligente Systeme Erzeugung von Lerndaten für das Neuronale Netz durch Systemsimulationen Schematic Entry NN-Simulator GUI Off-line-Lernen *.cir *.vhdl... *.net *.cfg... Bibliotheken *.csdf *.dat Skalierung, Konvertierung Systemsimulator NN- Simulator *.err *.net *.res NN-Simulator GUI 21

22 Entwurfsumgebung für intelligente Systeme Simulatorkopplung Schematic Entry NN-Simulator GUI *.cir *.vhdl... *.net *.cfg... Systemsimulator NN- Simulator Bibliotheken *.csdf *.dat *.err *.net *.res Postprocessing Tool NN-Simulator GUI 22

23 Entwurfsumgebung für intelligente Systeme Simulatorkopplung Schematic Entry NN-Simulator GUI On-line Lernen *.cir *.vhdl... *.net *.cfg... Systemsimulator NN- Simulator Simulatorkopplung Bibliotheken *.csdf *.dat *.err *.net *.res Postprocessing Tool NN-Simulator GUI 23 SKIP

24 Entwurfsumgebung für intelligente Systeme Simulatorkopplung Schaltungssimulator NN-Simulator mehrere NN-Simulatoren ankoppelbar 24

25 Entwurfsumgebung für intelligente Systeme Simulatorkopplung Schaltungssimulator NN-Simulator NN-Simulator LAN mehrere NN-Simulatoren ankoppelbar lokale und verteilte Simulation 25

26 Entwurfsumgebung für intelligente Systeme Simulatorkopplung Schaltungssimulator NN-Simulator NN-Simulator LAN Internet mehrere NN-Simulatoren ankoppelbar lokale und verteilte Simulation NN-Simulator 26

27 Entwurfsumgebung für intelligente Systeme Modellgenerierung Schematic Entry NN-Simulator GUI *.cir *.vhdl... *.net *.cfg... Systemsimulator NN- Simulator Bibliotheken *.csdf *.dat *.err *.net *.res Postprocessing Tool NN-Simulator GUI 27

28 Entwurfsumgebung für intelligente Systeme Modellgenerierung Schematic Entry NN-Simulator GUI Recall *.cir *.vhdl... *.net *.cfg... Systemsimulator NN- Simulator Bibliotheken *.csdf *.dat *.net *.err *.net *.res Postprocessing Tool C-Code Erzeugung NN-Simulator GUI Modellgenerierung 28

29 Entwurfsumgebung für intelligente Systeme Datenaufbereitung statistische Auswertung Skalierung Konvertierung in SNNS-Format Simulatorkopplung Datenaustausch über Sockets oder Shared Memory Übertragung von Steuer- und Statusinformationen Instanziierung von mehreren NN-Simulatoren möglich Kopplungen SNNS-KOSIM und SNNS-SABER verfügbar Modellgenerierung Nutzung des C-Code-Generators SNNS2C Automatische Erzeugung von Modellen für die Systemsimulation (KOSIM, SABER) 29 SKIP

30 Zusammenspiel KOSIM - SNNS KOSIM SNNS send() wait() recv() dispatch IPC wait() recv() dispatch run() send() 30

31 Einbindung der Kopplung in KOSIM Nutzermodelle für ereignisorientierte Simulation kosim2snns n enable kosim2snns IPC- Routinen Kommunikationskanal KOSIM-SNNS snns2kosim snns2kosim m 31

32 Einbindung der Kopplung in SNNS Eingriffe in den Quelltext des Simulators (Batchversion) SNNS initialize net initialize IPC wait read inputs Kommunikationskanal KOSIM-SNNS IPC- Routinen calculate net update net write outputs release close IPC close snns 32

33 Stabbalancierer Prinzipdarstellung θ m x m F Systemgleichung ( m + sin 2 θ) θ 1 --θ 2 + sin(2θ) ( m + 1)sinθ 2 = f cosθ Kraftvorgabe F( θ, θ ) = 5sinθ + θ 33

34 Stabbalancierer Gesamtsystemmodell Neuronales Netz F θ θ. F NN θ. (t=0) θ (t=0) Systemmodell Kraftvorgabe F( θ, θ ) = 5sinθ + θ F Teach 34

35 Stabbalancierer Gesamtsystemmodell Neuronales Netz F θ θ. F NN NN-Simulation θ. (t=0) θ (t=0) Systemsimulation Systemmodell Kraftvorgabe F( θ, θ ) = 5sinθ + θ F Teach 35

36 Stabbalancierer Gesamtsystemmodell Neuronales Netz F θ θ. F NN NN-Simulation θ. (t=0) θ (t=0) Systemsimulation Systemmodell Kraftvorgabe F( θ, θ ) = 5sinθ + θ F Teach Neuronales Netz Multi-Layer-Perzeptron (MLP) zwei Eingabeneuronen zwei verdeckten Schichten mit 12 und 6 Neuronen ein Ausgabeneuron Standardbackpropagation 36

37 Stabbalancierer Simulationsergebnisse Lernzyklus 1 θ [rad] t [s] 37

38 Stabbalancierer Simulationsergebnisse Lernzyklus 1 Lernzyklus 2 θ [rad] t [s] 38

39 Stabbalancierer Simulationsergebnisse Lernzyklus 1 Lernzyklus 2 Lernzyklus 3 θ [rad] t [s] 39

40 Stabbalancierer Simulationsergebnisse Lernzyklus 1 Lernzyklus 2 Lernzyklus 3 Lernzyklus 4 θ [rad] t [s] 40

41 Stabbalancierer Simulationsergebnisse Lernzyklus 1 Lernzyklus 2 Lernzyklus 3 Lernzyklus 4 Lernzyklus 5 θ [rad] t [s] 41

42 Stabbalancierer Simulationsergebnisse Lernzyklus 1 Lernzyklus 2 Lernzyklus 3 Lernzyklus 4 Lernzyklus 5 Lernzyklus 6 θ [rad] t [s] 42

43 Stabbalancierer Simulationsergebnisse Lernzyklus 1 Lernzyklus 2 Lernzyklus 3 Lernzyklus 4 Lernzyklus 5 Lernzyklus 6 Lernzyklus 7 θ [rad] t [s] 43

44 Stabbalancierer Simulationsergebnisse Lernzyklus 1 Lernzyklus 2 Lernzyklus 3 Lernzyklus 4 Lernzyklus 5 Lernzyklus 6 Lernzyklus 7 Lernzyklus θ [rad] t [s] 44 SKIP

45 Stabbalancierer Simulationsergebnisse θ für vom NN berechnete Kraft θ für nach Lern-Vorgabe berechnete Kraft q [rad] t [s] 45

46 Stabbalancierer Simulationsergebnisse θ für vom NN berechnete Kraft θ für nach Lern-Vorgabe berechnete Kraft q [rad] t [s] 46

47 Stabbalancierer Simulationsergebnisse θ für vom NN berechnete Kraft θ für nach Lern-Vorgabe berechnete Kraft q [rad] t [s] 47

48 Stabbalancierer Simulationsergebnisse θ für vom NN berechnete Kraft θ für nach Lern-Vorgabe berechnete Kraft q [rad] t [s] 48

49 Kraft-Weg-Messung an Mikrorelais Anwendung Notwendigkeit bisheriges Verfahren Probleme Ziel Endkontrolle im Produktionsprozeß Einsatz der Relais in sicherheitsrelevanten Bereichen (z.b. ABS-Steuerungen bei Kraftfahrzeugen) Messung durch mechanischen Eingriff ins Relais (Kräfte und Wege oder durch optisches Verfahren (Wege) kurze Taktzeiten fortschreitende Miniaturisierung unzugängliche Kontakte Entwicklung eines berührungslosen Kraft-Weg- Meßverfahrens 49

50 Kraft-Weg-Messung an Mikrorelais Sensoren Relais Vorverarbeitung extrahierte Kennwerte NN Umgebungseinflüsse Qualitätsaussage Ansteuerelektronik 50

51 Kraft-Weg-Messung an Mikrorelais Sensoren Relais Vorverarbeitung extrahierte Kennwerte NN Umgebungseinflüsse Qualitätsaussage Ansteuerelektronik Systemsimulation NN-Simulation 51

52 Kraft-Weg-Messung an Mikrorelais Meßkurven für Spannung Strom Flußdichte 1,4 1,2 Spannung [10V] Strom [100mA] magnetisches Steufeldeld [T/30] ber dem Relais 1,0 0,8 0,6 0,4 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 Zeit [s] 52

53 Kraft-Weg-Messung an Mikrorelais Meßkurven für Spannung Strom Flußdichte Kennwertextraktion 1,4 1,2 1,0 0,8 Spannung [10V] Strom [100mA] magnetisches Steufeldeld [T/30] ber dem Relais 0,6 0,4 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 Zeit [s] 53

54 Kraft-Weg-Messung an Mikrorelais Meßkurven für Spannung Strom Flußdichte 1,4 1,2 Spannung [10V] Strom [100mA] magnetisches Steufeldeld [T/30] ber dem Relais Kennwertextraktion Zeiten 1,0 0,8 t b t a 0,6 0,4 t c 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 Zeit [s] 54

55 Kraft-Weg-Messung an Mikrorelais Meßkurven für Spannung Strom Flußdichte Kennwertextraktion Zeiten Absolutwerte 1,4 1,2 1,0 0,8 0,6 Spannung [10V] Strom [100mA] magnetisches Steufeldeld [T/30] ber dem Relais 0,4 I d B g 0,2 B f I e 0,0 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 Zeit [s] 55

56 Kraft-Weg-Messung an Mikrorelais Meßkurven für Spannung Strom Flußdichte 1,4 1,2 Spannung [10V] Strom [100mA] magnetisches Steufeldeld [T/30] ber dem Relais Kennwertextraktion Zeiten Absolutwerte Differenzen 1,0 0,8 0,6 I h I i 0,4 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 Zeit [s] 56

57 Kraft-Weg-Messung an Mikrorelais Meßkurven für Spannung Strom Flußdichte 1,4 1,2 Spannung [10V] Strom [100mA] magnetisches Steufeldeld [T/30] ber dem Relais Kennwertextraktion Zeiten Absolutwerte Differenzen Anstiege 1,0 0,8 0,6 0,4 0,2 db dt t j 0,0 0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 Zeit [s] db dt t k 57

58 Kraft-Weg-Messung an Mikrorelais Ergebnisse Kontaktkraft (Öffner) Zielgröße Topologie (MLP) Erkennungsrate [%] Genauigkeit Kontaktkraft (Öffner) cn Kontaktkraft (Schließer) cn Kontaktabstand um Abbrandreserve um Kontaktkraft (Schließer) vom Netz ermittelt vom Netz ermittelt Vorgabe an das Netz Vorgabe an das Netz 58 SKIP

59 Aufzugsystem

60 Aufzugsystem - Struktur REGELSYSTEM STEUERUNG Regelung µprozessor und Software Sensorik Leistungsteil Fahrkurvengenerator Frequenzumrichter MOTOR AUFZUG Netzteil Umgebung 60

61 Steuerung des Fahrverhaltens Fahrkurve Vorgabe der Winkelgeschwindigkeit an der Motorwelle ω t 61

62 Steuerung des Fahrverhaltens Fahrkurve Vorgabe der Winkelgeschwindigkeit an der Motorwelle Beschleunigung ω. ω pos t 62

63 Steuerung des Fahrverhaltens Fahrkurve Vorgabe der Winkelgeschwindigkeit an der Motorwelle Beschleunigung Verzögerung ω.. ω pos ω neg t 63

64 Steuerung des Fahrverhaltens Fahrkurve Vorgabe der Winkelgeschwindigkeit an der Motorwelle Beschleunigung Verzögerung Fahrgeschwindigkeit ω ω pos ω Fahr.. ω neg t 64

65 Steuerung des Fahrverhaltens Fahrkurve Vorgabe der Winkelgeschwindigkeit an der Motorwelle Beschleunigung Verzögerung Fahrgeschwindigkeit Verrundungen ω ω pos r 2 r 3 ω Fahr.. ω neg r 1 r 4 t 65

66 Steuerung des Fahrverhaltens Fahrkurve Vorgabe der Winkelgeschwindigkeit an der Motorwelle Beschleunigung Verzögerung Fahrgeschwindigkeit Verrundungen ω ω pos r 2 r 3 ω Fahr.. ω neg r 1 r 4 t Gütekriterien Fahrverhalten der Kabine Positioniergenauigkeit Fahrzeit maximale Beschleunigung maximale Bremsbeschleunigung... 66

67 Ausgangszustand Inbetriebnahme Probefahrt des Monteurs subjektive Beurteilung des Fahrverhaltens Nachstellen der Parameter der Fahrkurve Kontrolle der Fahreigenschaften ggfs. weiteres Nachstellen Fahrkorb Antrieb Gegengewicht Monteur Steuerung 67

68 Steuerung des Fahrverhaltens durch Neuronales Netz automatische Inbetriebnahme und laufende Korrektur Antrieb Gegengewicht Steuerung Fahrkorb 68

69 Steuerung des Fahrverhaltens durch Neuronales Netz automatische Inbetriebnahme und laufende Korrektur sensorische Erfassung der Ist-Fahrkurve Antrieb Gegengewicht Steuerung Fahrkorb Sensorik 69

70 Steuerung des Fahrverhaltens durch Neuronales Netz automatische Inbetriebnahme und laufende Korrektur sensorische Erfassung der Ist-Fahrkurve Antrieb Gegengewicht Extraktion von Merkmalen aus der Ist-Fahrkurve Steuerung Fahrkorb Sensorik Vorverarbeitung (Merkmalsextraktion) 70

71 Steuerung des Fahrverhaltens durch Neuronales Netz automatische Inbetriebnahme und laufende Korrektur sensorische Erfassung der Ist-Fahrkurve Antrieb Gegengewicht Extraktion von Merkmalen aus der Ist-Fahrkurve Steuerung Nachstellen der Parameter der Fahrkurve durch Neuronales Netz Fahrkorb Sensorik Vorverarbeitung (Merkmalsextraktion) Neuronales Netz 71

72 Steuerung des Fahrverhaltens durch Neuronales Netz automatische Inbetriebnahme und laufende Korrektur sensorische Erfassung der Ist-Fahrkurve Antrieb Gegengewicht Extraktion von Merkmalen aus der Ist-Fahrkurve Steuerung Nachstellen der Parameter der Fahrkurve durch Neuronales Netz laufende Korrektur der Parameter Fahrkorb Sensorik Vorverarbeitung (Merkmalsextraktion) Neuronales Netz 72

73 Modell für die Gesamtsystemsimulation Soll-Fahrkurve v Ist-Fahrkurve v t t Fahrkurvengenerator Aufzugmodell Kennwertextraktion Fahrkurvenparameter Neuronales Netz Kennwerte für die Fahrweise gewünschte Fahrweise - Positioniergenauigkeit - Fahrzeit - Beschleunigung

74 Modell für die Gesamtsystemsimulation Systemsimulation Soll-Fahrkurve v Ist-Fahrkurve v t t Fahrkurvengenerator Aufzugmodell Kennwertextraktion Fahrkurvenparameter Kennwerte für die Fahrweise Neuronales Netz NN-Simulation gewünschte Fahrweise - Positioniergenauigkeit - Fahrzeit - Beschleunigung

75 Einzelaufzug - Modell des Gesamtsystems Fahrkurvenparameter Aufzug 1 FAHR- KURVENfeldorientierte u ωsoll GENERATOR REGELUNG u. Drehzahl- REGELUNG u ωist u xref i A Aufzug j x soll (A j,t) Aufzug n STEUERUNG Etage m Etage i Etage 1 Rufsignale FREQUENZ- UMRICHTER i ist SENSORIK u mess Zustand des Aufzugsystems u i m Mo ω Mo. x K ASM ω Mo GETRIEBE F 1 F s1 F K F FK i A ω G m G. x 1 SEIL. x s1 SEIL- AUF- HÄNGUNG. x K KABINEN- SYSTEM. x FK FÜHRUNG_K u mess TREIB- SCHEIBE F s2 FG F GK F 2. x 2 SEIL. x s2 SEIL- AUF- HÄNGUNG. x G GEGEN- GEWICHT. x GK FÜHRUNG_G 75 SKIP

76 Modellierungsansätze Strukturmodelle Blockschaltbilder (Regelungstechnik) verallgemeinerte Netzwerke Verhaltensmodelle mathematische Beschreibung durch Algebro-Differential-Gleichungssysteme (DAE) unter Zugrundelegung einer einheitlichen Form Modellierung des Systems Zerlegung in Teilsysteme Festlegung der Koppelgrößen Modellierung der Teilsysteme Kombination von Struktur- und Verhaltensmodellen 76

77 Simulationsergebnisse Seilkraft an der Kabine Weg an der Kabine Geschwindigkeit der Kabine 77

78 Zusammenfassung Einbeziehung Neuronaler Netze in die Simulation komplexer Systeme Simulatorkopplung von System- und NN-Simulator On-Line- und Off-Line-Training Modellgenerierung für Systemsimulatoren Beispielsysteme Stabbalance Mikrorelais Aufzugsystem 78