1. Vorlesung Gliederung und Einführung

Transkript

1 Soft Control (AT 3, RMA) 1. Vorlesung Gliederung und Einführung

2 Inhalt der Vorlesung Rechnergestützte Methoden in der Automatisierungstechnik Expertensysteme Anwendung: Diagnose Fuzzy-Systeme Anwendung: Fuzzy Control (FC) Neuronale Netze (NN) Anwendung: Identifikation und neuronale Regler Genetische Algorithmen (GA), Simulated Annealing (SA) Anwendung: Stochastische Optimierung Grundlagen, Einsatzgebiete und Grenzen der vorgestellten Verfahren Soft Control 2

3 Was ist Soft Control Drei Klassen von regelungstechnischen Methoden 1. Konventionelle Regelung (Klassische Regelung) PID-Regler 2. Moderne Regelung Zustandsregler Model Predictive Control 3. Soft Control (Intelligente Regelung) Fuzzy Control Neuronale Netze Genetische Algorithmen Unter Soft Control fasst man Verfahren der Regelungs- und Steuerungstechnik zusammen, die Methoden des Soft Computing bzw. der Computational Intelligence einsetzen. Soft Control = Intelligente Regelung = Wissensbasierte Regelung 3

4 Probleme der konventionellen Regelung Für den Entwurf konventioneller Regelungen wird ein makroskopisches Modell des zu regelnden Prozesses benötigt Das Modell kann aus empirischen Wissen über die Dynamik der Strecke bestehen Das Wissen kann durch Messungen der Stell- und Regelgrößen gewonnen werden In der Praxis erfolgt die Einstellung der Regelparameter meist durch Experten an der laufenden Anlage Beispiel: Entwurf eines PID-Reglers nach Ziegler und Nichols Vorteile: Einfach anzuwenden (wenig freie Parameter festzulegen, nur einfaches Prozessmodell nötig) Robust Probleme: Zunehmende Komplexität der Anforderungen und Nebenbedingungen Regelgüte bei komplexen Strecken oft nicht ausreichend 4

5 Probleme der modernen Regelung Für den Entwurf moderner Regelungen wird ein mikroskopisches Modell des zu regelnden Prozesses benötigt: Das Modell wird durch mathematische Modellbildung ermittelt Alternativ können Methoden zur Identifikation eingesetzt werden Beispiel: Entwurf eines Zustandsreglers Vorteile: Fundierte mathematische Basis (Stabilitätsbeweise,...) Hohe Regelgüte Möglichkeit Nebenbedingungen einzubeziehen Probleme: Gewinnung des Prozessmodells auf mathematischer Basis ist schwierig bis unmöglich Umfangreiche Identifikation am Prozess ist oft unerwünscht oder unmöglich Resultierende Regler sind komplex und für den Anwender schwer verständlich 5

6 Zustand in der Industrie Viele konventionelle Regler auf unteren Ebenen Der Mensch als Regler auf höheren Ebenen ADA-Systeme (Supervisory Control and Data Acquisition) versorgen den Anlagenfahrer mit allen benötigten Prozessinformationen und erlauben den Zugriff auf die Anlage Vorteile: Bediener kann intelligente Entscheidungen treffen Bediener kann durch Erfahrung lernen Probleme: Regelgüte hängt von der Erfahrung des Anlagenfahrers ab Eingriffe des Anlagenfahrers sind subjektiv, oft nicht erklärbar, fehleranfällig (speziell unter Stress) Bei abnormen Prozessbedingungen (Alarm) kann die Zeitverzögerung durch die Entscheidungsfindung des Bedienpersonals bzw. dessen Fehlentscheidung zu Katastrophen führen (Tschernobyl) 6

7 Folgerungen In modernen komplexen Anlagen werden Systeme benötigt, die den Anlagenfahrer von Routineaufgaben (die durch konventionelle Regler bisher nicht lösbar sind) entlasten die eine Unterstützung des Entscheidungsprozesses bieten, speziell in abnormen Situationen, in denen der Bediener oft mit sich widersprechenden Signalen und Zielen konfrontiert ist Bei der Entwicklung solcher Systeme gilt analytische Prozessmodelle sind im Allgemeinen nicht vorhanden Ziele der Regelung/Steuerung sind oft nicht exakt formulierbar Es handelt sich meist um mehrere sich unter Umständen widersprechende Ziele Benötigt werden intelligente Regler 7

8 Künstliche Intelligenz (Artificial Intelligence) Das große Ziel der künstlichen Intelligenz (KI) besteht darin, intelligentes (menschliches) Verhalten durch Computerprogramme (künstlich) nachzubilden. Symbolische, Logik-orientierte KI Systeme zur Problemlösung Systeme zur Entscheidungsunterstützung Wissensbasierte Systeme Wissenrepräsentationsformalismen und KI-Programmiersprachen Wissensakquisition und Maschinelles Lernen Intelligenz durch Verhaltensimulation Turing-Test Test ist umstritten (siehe Searle) Chinesisches Zimmer (Symbolmanipulation Intelligenz) Philosophische Diskussion über die Begriffe Intelligenz, Wahrnehmung, Bewusstsein ist nicht Ziel der Vorlesung Pragmatischer Ansatz 8

9 Computational Intelligence (Soft Computing) Künstliche Intelligenz Klassische Methoden der Künstliche Intelligenz basieren auf der Verarbeitung von symbolischen Daten Beispiel: Expertensysteme Teilgebiet Computational Intelligence Unter Computational Intelligence versteht man Methoden die auf numerischen Daten arbeiten Beispiele: Fuzzy Systeme, Neuronale Netze, Genetische Algorithmen Andere Bezeichnung: Soft Computing Intelligente Regler basieren auf Methoden des Soft Computing, deshalb die Bezeichnung Soft Control 9

10 Expertensysteme Kernidee (natürliches Vorbild) Menschliches abstraktes Denken Historie Erste Expertensysteme Anfang der1970er (Jedoch Probleme durch hohen Rechenaufwand) Anwendung in der Automatisierungstechnik Heute: Vielfältiger industrieller Einsatz auf höheren Automatisierungsebenen Beispiele Systeme zur unterstützenden Prozessführung Systeme zur Fehlerdiagnose Trainingssysteme (Simulatoren) 10

11 Beispiel XPS: Diagnosesystem in der Prozessführung Quelle: Polke

12 Fuzzy Systeme Kernidee (natürliches Vorbild) Umgang mit unscharfem Wissen Historie Mitte der 1960er Zadeh Fuzzy Logik Mitte der 1970er Mandani Fuzzy Control Anwendung in der Automatisierungstechnik Anfang der 1980er erste industrielle Applikationen Fuzzy-Regler Beispiele Trocknungsprozesse Gastherme Fuzzy Regelung eines invertierten Pendels Waschmaschine (AEG) Fuzzy Regelung eines Bohrhammers 12

13 Beispiel Fuzzy: Regelung eines Bohrhammers Aufgabe: Automatisches Einstellen von optimaler Drehzahl und Schlagzahl in Abhängigkeit von Bohrerdurchmesser und Materialhärte Lösung: Insgesamt 20 WENN-DANN-Regeln zur automatischen Erkennung von Bohrerdurchmesser und Materialhärte anhand von vier Messgrößen Regel Nr. 11 als Beispiel: WENN Leistung=mittel UND Längsbeschleunigung=hoch UND Querbeschleunigung=hoch UND Längsfrequenz=mittel DANN Bohrerdurchmesser=24mm 13

14 Neuronale Netze Kernidee (natürliches Vorbild) Konnektionistischer Ansatz zur Wissensspeicherung und Verarbeitung (Neuronen im Gehirn) Historie Anfänge in den 1970ern Probleme aufgrund inadäquater Rechentechnik Neue Interesse in den 1980ern Anwendung in der Automatisierungstechnik Identifikation komplexer Prozesse Regelung durch inverses Modell Prädiktion Beispiel Identifikation nichtlinearer Systeme 14

15 Beispiel NN: Identifikation eines Zweitanksystems q Zu q ( k Zu - 1) h 1 h 2 q ( k Zu - h ( k 1 - h ( k 1-1) 2) 2) h ( ˆ1 k ) v 12 v a L 1 L a h ( k) 1 hˆ ( k) 1 real Modell

16 Genetische Algorithmen Kernidee (natürliches Vorbild) Stochastische Optimierung (Evolution in der Natur) Historie Anfänge Mitte der 1960er Holland Anwendung in der Automatisierungstechnik ab Mitte der 1990er für komplexe Optimierungsprobleme (offline) Beispiel Optimierung von Reglerparametern speziell bei vielen Freiheitsgraden (Fuzzy- Controller) 16

17 Zusammenhang der Verfahren Struktur der Wissensverarbeitung Adaptivität unscharfe Regeln Regeln strukturiert minimal (nicht adaptiv) Expertensysteme Fuzzy Control Genetische Algorithmen Neuronale Netze Topologie der Netze maximal unstrukturiert Populationsstruktur 17

18 Natürliche Entwicklung Einordnung in die Vorlesung Betrachtet man die bisher vorgestellten Systeme so kann man sagen, dass wir uns Intelligenz top-down angeschaut haben: Technische Entwicklung und Vorgehen in der Vorlesung Expertensysteme (abstraktes mathematisches Denken) sind eine Weiterentwicklung von Fuzzy-Systemen ( natürliches Fuzzy-Schließen) diese konnten sich nur entwickeln, auf Basis der neuronalen Strukturen des Gehirns Neuronale Netze (Lernfähigkeit und Adaption) entstanden im Laufe der Evolution aus einfacheren Strukturen durch Genetische Algorithmen ( survival of the fittest ) 18

19 Zusammenfassung Die Probleme der industriellen Praxis erfordern den Einsatz intelligenter Regler Die Forschung im Bereich der künstlichen Intelligenz und insbesondere der Computational Intelligence bietet hierfür eine Reihe von Methoden Die Ideen sind alle schon relativ alt Der praktische Einsatz ist aber erst seit einigen Jahren möglich (Rechenleistung) Die frühere Skepsis auf der Anwenderseite ist inzwischen deutlich zurückgegangen 19

20 Aufbau der Vorlesung 1. Einführung Soft Control: Definition und Abgrenzung, Grundlagen "intelligenter" Systeme 2. Wissensrepräsentation und Wissensverarbeitung (Symbolische KI) Anwendung: Expertensysteme 3. Fuzzy-Systeme: Umgang mit unscharfem Wissen Anwendung: Fuzzy-Control 4. Konnektionistische Systeme: Neuronale Netze Anwendung: Identifikation und neuronale Regler 5. Genetische Algorithmen, Simulated Annealing, Differential Evolution Anwendung: Optimierung 6. Zusammenfassung & Literaturhinweise 20

21 Literatur zur Vorlesung (benutzte Quellen) Allgemeines zu Methoden der KI: Umfassendes Nachschlagewerk für Interessierte Götz, Güntzer (Hrsg.): Handbuch der künstlichen Intelligenz. Oldenbourg Verlag, Expertensysteme: Anwendungsorientierte Darstellungen für die Anwendung in der Leittechnik: Polke, M.: Prozeßleittechnik. Oldenbourg Verlag, Ahrens, W.; Scheurlen, H.-J.; Spohr, G.-U.: Informationsorientierte Leittechnik. Oldenbourg Verlag, Methoden der Computational Intelligence in der Automatisierungstechnik: Fatikow, S.: Neuro- und Fuzzy- Steuerungsansätze in Robotik und Automation. Vorlesungsskript, Karlsruhe, King R.E.: Computational Intelligence in Control Engineering. Marcel Dekker,

22 Ziele der Vorlesung Wissen was Soft Control bedeutet Für die Automatisierungstechnik relevanten Gebiete der Artificial Intelligence und speziell der Computational Intelligence kennen: Expertensysteme Fuzzy Systeme Neuronale Netze Stochastische Optimierungsverfahren Einsatzgebiete, Vorteile und Nachteile der einzelnen Methoden kennen Entwurfsverfahren für spezielle Methoden des Soft Control verstehen und anwenden können 22