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 klaus.krueger@hsu-hh.de Gliederung 26.11.2004 1
Weltstahlproduktion Produktion in Mio. t 1000 750 500 250 Gesamtproduktion Lichtbogenofen 0 1950 1960 1970 1980 1990 2000 2010 Elektrostahl-Erzeugung 26.11.2004 2
Aufbau eines Drehstrom-Lichtbogenofen Entstaubung Transformator Brenner Einsatzgut Elektrostahl-Erzeugung 26.11.2004 3
Schmelzvorgang Elektrode Bohrphase Hauptschmelzperiode Flüssiges Bad mit Schaumschlacke Schrott schäumende Schlacke Sumpf Schmelze Elektrostahl-Erzeugung 26.11.2004 4
Drehstrom-Lichtbogenofen Elektrostahl-Erzeugung 26.11.2004 5
Drehstrom-Lichtbogenofen Elektrostahl-Erzeugung 26.11.2004 6
Neuronen (Nervenzellen) Zellkörper Axon (Nervenfaser) Axon Synapse Neurotransmitter Dendriten Synapsen Dendrit Biologische neuronale Netze 26.11.2004 7
Neuronen Länge eines Axons Ausgangskonnektivität Zeit zur synaptischen Reizübertragung Geschwindigkeit des Reizimpulses im Axon 1 mm bis 1 m 1000 bis 10.000 0,6 ms 120 m/s Biologische neuronale Netze 26.11.2004 8
Neuronenverbund Mensch Seeschnecke Aplysia Anzahl Neuronen: 100.000.000.000 Anzahl Neuronen: 10.000 Biologische neuronale Netze 26.11.2004 9
Neuron (Perzeptron) o w 1 w 2 net Σ i o net o w n Neuron Aktivierungsfunktion o net Aktivierungsfunktionen Künstliche neuronale Netze 26.11.2004 10
Neuronales Netz (Feedforward-Netz) Künstliche neuronale Netze 26.11.2004 11
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 26.11.2004 12
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 26.11.2004 13
Anwendung Neuronale Netze zur Regelung von Lichtbogenöfen 26.11.2004 14
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 26.11.2004 15
Leistungsregelung thermische Gefäßbelastung 50 60 40 Kühlwassertemperatur in C 40 30 20 nahe Strang 1 nahe Strang 2 nahe Strang 3 Temperatur in C 55 50 45 40 35 30 25 Kühlwasertemperatur Schlackenanbackungen 35 30 25 20 15 10 5 Anbackung in mm 10 0 10 20 30 40 Zeit in min 20-30 0 30 60 90 120 150 180 Zeit in s 0 Aufgabe Hohe Schmelzleistung Geringer Gefäßverschleiß Neuronale Netze zur Regelung von Lichtbogenöfen 26.11.2004 16
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 26.11.2004 17
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 26.11.2004 18
Einschmelzphase 11 Imdepanz in mohm 10 9 8 7 6 5 10 12 14 16 18 20 Zeit in s Neuronale Netze zur Regelung von Lichtbogenöfen 26.11.2004 19
Neuronales Netz zur Impedanzprädiktion Innere Neuronen Lernrate Momentumterm Lernschritte 10 0,6 / 0,2 0,3 / 0,1 10000 Neuronale Netze zur Regelung von Lichtbogenöfen 26.11.2004 20
Neuronales Netz zur Impedanzprädiktion 11 Imdepanz in mohm 10 9 8 7 6 IST-Wert Vorhersage 5 10 12 14 16 18 20 Zeit in s Neuronale Netze zur Regelung von Lichtbogenöfen 26.11.2004 21
Zusammenfassung Künstliche neuronale Netze haben Ähnlichkeit mit biologischen neuronalen Netzen, sind kein Abbild biologischer neuronaler Netze, können erfolgreich regelungstechnische Aufgaben lösen, vollbringen keine Wunder! klaus.krueger@hsu-hh.de Neuronale Netze 26.11.2004 22