Peter Protzel, Achim Lewandowski, Lars Kindermann, Michael Tagscherer, Bärbel Herrnberger

Anwendung und Entwicklung Neuronaler Verfahren zur autonomen Prozess-Steuerung

Dokumente und Dateien

Hinweis

Bitte nutzen Sie beim Zitieren immer folgende Url:

http://nbn-resolving.de/urn:nbn:de:bsz:ch1-200100800

Kurzfassung in Deutsch

In diesem Bericht wurden die Arbeiten und Ergebnisse dargestellt, die am FORWISS im Rahmen
des Verbundprojekts AENEAS im Zeitraum vom 1.10.1995 bis zum 31.12.1999 erzielt
wurden. Die Forschungsziele des Vorhabens wurden durch eine industrielle Anwendung im Bereich
der Stahlverarbeitung motiviert und konzentrierten sich im Wesentlichen auf die folgenden
Punkte:
• Modellierung von nichtlinearen und zeitvarianten Prozessen, die analytisch nicht fassbar
sind und nur durch Messdaten repräsentiert werden.
• Modellierung von Größen, die nicht direkt messbar sind, aber auf nichtlineare Weise von
anderen, messbaren Größen abhängen.
• Kombination von analytischen bzw. statistischen Modellen und Neuronalen Netzen, um die
jeweiligen Vorteile der Verfahren zu vereinen.
Als Ergebnis des Vorhabens wurden eine Reihe neuer Ansätze zum kontinuierlichen Lernen
entwickelt, darunter eine neuartige, lebenslang adaptive Netzarchitektur mit entscheidenden
Vorteilen im Bereich des kontinuierlichen Lernens im Vergleich zu allen bisher bekannten Verfahren.
Zum zweiten Punkt wurde eine Theorie der Analyse iterierter Prozesse entwickelt, die auf das
mathematische Problem der Lösung von Funktionswurzeln führte. Für nichtlineare Systeme
gibt es keine analytischen Lösungsmöglichkeiten, daher wurden erstmals Neuronale Netze zur
Lösung dieses Problems verwendet.
Die Ergebnisse aller grundlagenorientierten Arbeiten flossen in die Lösung eines industriellen
Anwendungsproblems ein, bei der End- und Zwischenprofile warmgewalzter Stahlbänder modelliert
und prognostiziert werden sollten. Dieser Prozess ist charakterisiert durch Nichtlinearität,
Zeitvarianz („Tagesform“ der Anlage) und durch die nicht direkte Messbarkeit der
Zwischenprofile, die sich als inverse Iteration (Funktionswurzel) aus dem Endprofil ergeben.
Dieses Problem konnte auf elegante Weise durch eine Verknüpfung von analytischen und neuronalen
Ansätzen gelöst werden.
Neben dem unmittelbaren Wert der Ergebnisse bei der Lösung der beispielhaften Anwendung
lassen sich die entwickelten Verfahren zum kontinuierlichen Lernen und zur Analyse iterierter
Prozesse auf eine Vielzahl anderer Problemstellungen verallgemeinern und stellen eine gute
Basis für weitere Forschungsarbeiten dar.

weitere Metadaten

Schlagwörter
Identifikation nichtlinearer Prozesse
Schlagwörter
zeitlich variante Prozesse
Schlagwörter
online-Lernen
Schlagwörter
Initiallernen
Schlagwörter
automatische Topologieerzeugung
Schlagwörter
Funktionswurzeln
Schlagwörter
Vertrauenswürdigkeit von Prognosen
Schlagwörter
Profilprognose in Walzwerken
SWD SchlagworteNeuronales Netz
SWD SchlagworteIdentifikation
SWD SchlagworteZeitvariantes System
SWD SchlagworteLernendes System
SWD SchlagworteÜberwachtes Lernen
DDC Klassifikation620
Institution(en) 
HochschuleTU Chemnitz
FakultätFakultät für Elektrotechnik und Informationstechnik
DokumententypForschungsbericht
SpracheDeutsch
Veröffentlichungsdatum (online)09.10.2001
persistente URNurn:nbn:de:bsz:ch1-200100800

Hinweis zum Urheberrecht

Diese Website ist eine Installation von Qucosa - Quality Content of Saxony!
Sächsische Landesbibliothek Staats- und Universitätsbibliothek Dresden