Können neuronale Netze Vorhersagen treffen? Eine Anwendung aus der Stahlindustrie

Transkript

1 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 Gliederung

2 Weltstahlproduktion Produktion in Mio. t Gesamtproduktion Lichtbogenofen Elektrostahl-Erzeugung

3 Aufbau eines Drehstrom-Lichtbogenofen Entstaubung Transformator Brenner Einsatzgut Elektrostahl-Erzeugung

4 Schmelzvorgang Elektrode Bohrphase Hauptschmelzperiode Flüssiges Bad mit Schaumschlacke Schrott schäumende Schlacke Sumpf Schmelze Elektrostahl-Erzeugung

5 Drehstrom-Lichtbogenofen Elektrostahl-Erzeugung

6 Drehstrom-Lichtbogenofen Elektrostahl-Erzeugung

7 Neuronen (Nervenzellen) Zellkörper Axon (Nervenfaser) Axon Synapse Neurotransmitter Dendriten Synapsen Dendrit Biologische neuronale Netze

8 Neuronen Länge eines Axons Ausgangskonnektivität Zeit zur synaptischen Reizübertragung Geschwindigkeit des Reizimpulses im Axon 1 mm bis 1 m 1000 bis ,6 ms 120 m/s Biologische neuronale Netze

9 Neuronenverbund Mensch Seeschnecke Aplysia Anzahl Neuronen: Anzahl Neuronen: Biologische neuronale Netze

10 Neuron (Perzeptron) o w 1 w 2 net Σ i o net o w n Neuron Aktivierungsfunktion o net Aktivierungsfunktionen Künstliche neuronale Netze

11 Neuronales Netz (Feedforward-Netz) Künstliche neuronale Netze

12 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 Eingabemuster werden kategorisiert Künstliche neuronale Netze

13 Backpropagation (überwachtes Lernen) Anpassung der Übertragungsgewichte w ij Allgemein: E η w wij = ij Lineare Aktivierungsfunktion: ( ) w = ηo t o ij i j j w ij : Gewicht von Neuron i zu Neuron j E: Fehlerfunktion η: Lernschrittweite o i : Ausgabe Neuron i t i : Lerneingabe Ausbildung des menschlichen neuronalen Netzes Künstliche neuronale Netze

14 Anwendung Neuronale Netze zur Regelung von Lichtbogenöfen

15 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 Klassische Regelungen Regelungen auf Basis neuronaler Netze Neuronale Netze zur Regelung von Lichtbogenöfen

16 Leistungsregelung thermische Gefäßbelastung Kühlwassertemperatur in C nahe Strang 1 nahe Strang 2 nahe Strang 3 Temperatur in C Kühlwasertemperatur Schlackenanbackungen Anbackung in mm Zeit in min Zeit in s 0 Aufgabe Hohe Schmelzleistung Geringer Gefäßverschleiß Neuronale Netze zur Regelung von Lichtbogenöfen

17 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 Backpropagation-Netz mit einer inneren Schicht, überwachtes Lernen Niedrigerer Energiebedarf, höhere Produktivität, geringerer Verschleiß Neuronale Netze zur Regelung von Lichtbogenöfen

18 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 System wird kommerziell angeboten Neuronale Netze zur Regelung von Lichtbogenöfen

19 Einschmelzphase 11 Imdepanz in mohm Zeit in s Neuronale Netze zur Regelung von Lichtbogenöfen

20 Neuronales Netz zur Impedanzprädiktion Innere Neuronen Lernrate Momentumterm Lernschritte 10 0,6 / 0,2 0,3 / 0, Neuronale Netze zur Regelung von Lichtbogenöfen

21 Neuronales Netz zur Impedanzprädiktion 11 Imdepanz in mohm IST-Wert Vorhersage Zeit in s Neuronale Netze zur Regelung von Lichtbogenöfen

22 Zusammenfassung Künstliche neuronale Netze haben Ähnlichkeit mit biologischen neuronalen Netzen, sind kein Abbild biologischer neuronaler Netze, können erfolgreich regelungstechnische Aufgaben lösen, vollbringen keine Wunder! Neuronale Netze