Prozessautomatisierung






  • Anmelden

Projekt AENEAS - Anwendung und Entwicklung Neuronaler Verfahren zur Autonomen Prozess-Steuerung

Das Projekt AENEAS beschäftigte sich mit der adaptiven Steuerung von Stahlwalzwerken mit neuralen Netzen

Hintergrund und Projektbeschreibung

walzwerk.jpg

Bis zu 20 Tonnen Stahl durchlaufen eine moderne mehrere 100 Meter lange Walzstraße in etwa 2 Minuten. Dabei werden die anfangs etwa 40 Millimenter dicken Rohbleche auf ihre endgültige Verarbeitungsdicke von 2 Millimetern zusammengepresst. Die Toleranzansprüche der Kunden solcher Walzstraßen an das "Profil" des produzierten Stahls sind außerordentlich hoch. Nur etwa 20 Mikrometer darf die Abweichung zwischen der Dicke am Rand und der Dicke in der Mitte des Stahlblechs sein. Da sich jedoch die Walzen ständig abnutzen und zudem zahlreichen Kräften und Temperatureinflüßen ausgesetzt sind, bedarf eine solche Walzstraße deb ständigen Nachjustierung, um die gleichbleibende Dicke der produzierten Bleche zu gewährleisten.

Neuronale Netze sollen das Verhalten des Prozesses anhand der Meßdaten "lernen" und sich durch Adaption an Veränderungen ständig anpassen, um so das Prozessverhalten besser vorherzusagen und damit eine genauere Regelung zu ermöglichen. Das Projekt wurde durch das Bundesministerium fü Bildung, Forschung und Technologie, bmb+f, unter Förderungskennzeichen 01 IN 505 B gefördert.

Forschungsschwerpunkte sind die Online Adaption Neuronaler Netze bei der Identifikation nichtlinearer, zeitvarianter Prozesse und die Kombination von Neuronalen Netzen mit wissensbasierten Verfahren und mathematischen Modellen. Ziel ist die Entwicklung "intelligenter" hybrider Systeme, die die Vorteile der verschiedenen Methoden (Lernfähigkeit, Einbringen von Vorwissen, exakte Beschreibung und Verifikation, etc.) miteinander verknüpfen. Anwendungsschwerpunkte sind die Stahlerzeugung und die Wasserwirtschaft.

Projektpartner

Veröffentlichungen

  • Peter Protzel, Achim Lewandowski, Lars Kindermann, Michael Tagscherer, Bärbel Herrnberger: Anwendung und Entwicklung Neuronaler Verfahren zur autonomen Prozess-Steuerung. Forschungsbericht TU Chemnitz, 2000. [Abstract] [PDF]
  • Thomas Martinetz, Peter Protzel, Otto Gramckow & Günter Sörgel: Neural Network Control for Rolling Mills. Proceedings of the 2nd European Congress on Intelligent Techniques and Soft Computing - EUFIT `94. Aachen, Germany, 1994.
  • Thomas Martinetz, Peter Protzel, Otto Gramckow & Günter Sörgel: Neural network control for steel rolling mills. In: B. Kappen and S. Giele, editors, Neural Networks: artificial intelligence and industrial application, Berlin, 1995. Springer-Verlag.
  • Thomas Martinetz, Otto Gramckow & Peter Protzel: Walzwerksteuerung mit Neuronalen Netzen, In: VDI Bericht 1184, Neuronale Netze - Anwendungen in der Automatisierungstechnik, VDI/VDE-GMA Tagung in Langen, 4. Mai 1995, S. 35-42.
  • Thomas Martinetz, Otto Gramckow, Peter Protzel & Günter Sörgel: Neuronale Netze zur Steuerung von Walzstraßen, atp - Automatisierungstechnische Praxis, 38,Heft 10, pp. 28-42, 1996.
  • Markus Gälli: Integration von Neuronalen Netzen in mathematische Prozessmodelle mit objektorientierten Methoden, Diplomarbeit im Studienfach Informatik, Erlangen 1996.
  • Peter Protzel, Lars Kindermann, Michael Tagscherer & Achim Lewandowski: Adaptive Systemidentifikation mit Neuronalen Netzen zur Profilsteuerung in Walzwerken, Computational Intelligence: Neuronale Netze, Evolutionäre Algorithmen, Fuzzy Control im industriellen Einsatz, VDI Berichte 1381, VDI Verlag, Düsseldorf, 1998, pp. 347-359.
  • Michael Tagscherer & Peter Protzel: Adaptive Input-Space Clustering for Continuous Learning Tasks, Proceedings in Artificial Intelligence - FNS '98, Munich, Germany, Mar 1998, pp. 352-358.
  • Michael Tagscherer: ICE - an Incremental Hybrid System for Continuous Learning, Proceedings of the 8th International Conference on Artificial Neural Networks (ICANN'98), Skövde, Schweden, Sep 1998, pp. 597-602.
  • Lars Kindermann: An Addition to Backpropagation for Computing Functional Roots, Proceedings of the International ICSC/IFAC Symposium on Neural Computation (NC'98), Vienna, Austria, 1998, pp. 424-427.
  • Michael Tagscherer: Continuous Learning with an Incremental Hybrid System, Proceedings of the International ICSC/IFAC Symposium on Neural Computation (NC'98), Vienna, Austria, Sep 1998, pp. 597-602.
  • Lars Kindermann: Computing Iterative Roots with Neural Networks, Proceedings of the Fifth International Conference on Neural Information Processing ICONIP'98, Kitakyushu, Japan, Oct 1998.
  • Fachausschuss 5.21 der VDI/VDE-Gesellschaft Mess- und Automatisierungstechnik GMA: Künstliche Neuronale Netze in der Automatisierungstechnik - Begriffe und Definitionen, VDI-Richtlinie: VDI/VDE 3550 Blatt 1, Beuth Verlag, Berlin 1999
  • Michael Tagscherer & Peter Protzel: Simultaneous learning of time-variant functions and data set distributions, Accepted for Presentation at the Sixth International Workshop Fuzzy-Neuro Systems '99 (FNS'99), Leipzig, Germany, March 1999, pp. 145-154.
  • Lars Kindermann & Thomas P. Trappenberg: Modeling time-varying processes by unfolding the time domain, Proceedings of the International Joint Conference on Neural Networks (IJCNN'99), Washington DC, July 1999.
  • Michael Tagscherer & Peter Protzel: Kontinuierliches Lernen mit Neuronalen Netzen, 9. Workshop Fuzzy Control '99, Dortmund, Germany, November 1999, pp. 108-121.
  • Lars Kindermann, Achim Lewandowski, Michael Tagscherer & Peter Protzel: Computing Confidence Measures and Marking Unreliable Predictions by Estimating Input Data Densities with MLPs, Proceedings of the Sixth International Conference on Neural Information Processing (ICONIP'99), Perth, Australia, Nov 1999, pp. 91-94.
  • Achim Lewandowski, Michael Tagscherer, Lars Kindermann & Peter Protzel: Improving the Fit of Locally Weighted Regression Models, Proceedings of the Sixth International Conference on Neural Information Processing (ICONIP'99), Perth, Australia, Nov 1999,pp. 371-374.
  • Michael Tagscherer, Lars Kindermann, Achim Lewandowski & Peter Protzel: Overcome Neural Limitations for Real World Applications by providing Confidence Values for Network Prediction, Proceedings of the Sixth International Conference on Neural Information Processing (ICONIP'99), Perth, Australia, Nov 1999, pp. 520-525.
  • Peter Protzel, Lars Kindermann, Michael Tagscherer & Achim Lewandowski: Abschätzung der Vertrauenswürdigkeit von Neuronalen Netzprognosen bei der Prozessoptimierung, VDI Bericht 1626 zur Fachtagung der VDI/VDE Gesellschaft für Mess- und Automatisierungstechnik: Computational Intelligence, Baden-Baden, 11./12. Mai 2000, pp. 335-339.
  • Peter Protzel, Michael Tagscherer & N. Fazlija: Stabilität und Plastizität Neuronaler Netze bei kontinuierlichem Lernen, 2. Workshop zu Neuronalen Architektur- und Lernkonzepten für adaptives Verhalten und intelligente Mensch-Maschine-Kommunikation im Wahrnehmungs - Handlungs - Zyklus (SOAVE'2000), Ilmenau, Germany, Oktober 2000.
  • Lars Kindermann, Achim Lewandowski & Peter Protzel: A Comparison of Different Neural Methods for Solving Iterative Roots, Proceedings of the Seventh International Conference on Neural Information Processing (ICONIP'2000), Taejon, Korea, 2000, pp. 565-569.
  • Michael Tagscherer: Dynamische Neuronale Netzarchitektur für Kontinuierliches Lernen. Dissertation TU Chemnitz, 2001.
  • Lars Kindermann & Peter Protzel: Computing iterative roots with second order training methods, Proceedings of the International Joint Conference on Neural Networks (IJCNN'2001), Washington DC 2001.
  • Lars Kindermann, Achim Lewandowski & Peter Protzel: A framework for solving functional equations with neural networks, Proceedings of the Eighth International Conference on Neural Information Processing (ICONIP'2001), Shanghai, China, 2001, pp. 1075-1078. [PDF]
  • Lars Kindermann: Neuronale Netze zur Berechnung Iterativer Wurzeln und Fraktionaler Iterationen. Dissertation TU Chemnitz, 2001.
  • Lars Kindermann & Peter Protzel: Physics without Laws - Making exact Predictions with data based Methods, Submitted to the International Joint Conference on Neural Networks (IJCNN'2002), Honolulu 2002.