Neuro + Fuzzy: Technologien — Anwendungen

245 Pages·1995·8.21 MB·German

by  Prof. Dr. Dr. h. c. Hans-Jürgen Zimmermann (auth.)

Hans-Jiirgen Zimmennann (Hrsg.) . Neuro + Fuzzy
Ne uro Fuzzy
+
Technologien - Anwendungen
Herausgeber:
Prof. Dr. Dr. h. c. Hans-Jurgen Zimmermann
VDlVERLAG
Die Deutsche Bibliothek -CIP-Einheitsaufnahme
Neuro + Fuzzy :Technologien - Anwendungen 1
Hrsg.: Hans-Jiirgen Zimmennann.
Diisseldorf: VDI-VerI., 1995
(Intelligente Tccbnologien)
ISBN-13: 978-3-540-62121-8 e-ISBN-13: 978-3-642-95754-3
DOl: 10.1007/978-3-642-95754-3
NE: Zimmermann, Hans-Jiirgen ( Hrsg.); Neuro und Fuzzy
© VOl-Verlag GmbH, Diissseldorf 1995
Aile Rechte, auch das des auszugsweisen Nachdruckes, der auszugswei
sen oder vollstiindigen fotomechanischen Wiedergabe (Fotokopie,
Mikrokopie), der elektronischen Datenspeicherung (Wiedergabesysteme
jeder Art ) und das der Obersetzung, vorbehalten.
Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeich-
nungen usw. in diesem Werk berechtigt auch ohne besondere
Kennzeichnung nicht zu der Annahme, daB solche Namen im Sinne der
Warenzeichen-und Markenschutzgesetzgebung als frei zu betrachten waren und
daher von jedennann benutzt werden diirften.
ISBN-13: 978-3-540-62121-8
v
Vorwort
"Fuzzy Logic" ist seit einigen Jahren vielen ein geUiufiges Schlagwort gewor
den. Gewohnlich wird es im generischen Sinne benuzt und umfaBt dann alles,
was irgendwie mit Fuzzy Set Theorie zu tun hat. 1m technischen Sinne ist Fuzzy
Logic nur ein sehr kleines Teilgebiet der Fuzzy Set Theorie, ein erster Schritt
zur der Verallgemeinerung der klassischen dualen Logik in die Richtung men
schlichens SchlieBens.
In diesem Buch solI weniger iiber Fuzzy Set Theorie berichtet werden, als iiber
Fuzzy Technologie, also die anwendungsorientierte Weiterentwicklung der
Theorie. Man sollte allerdings hierbei nicht verges sen, daB sich auch die Theo
rie in den !~tzten Jahren weiterentwickelt hat: Wahrend noch vor ganz wenigen
Jahren die Gebiete der Fuzzy Sets, der Kiinstlichen Neuronalen Netze und der
Genetischen und Evolutionaren Algorithmen fast ohne Zusammenhang neben
einander standen, haben sich diese vielversprechenden und zueinander kom
plementaren Gebiete im Rahmen der "Computational Intelligence" sehr stark
genahert und gegenseitig befruchtet. Es wird daher in dies em Buch nicht nur
iiber Fuzzy Anwendungen sondern auch iiber Anwendungen Neuronaler Netze
und Fuzzy Neuronaler Netze berichtet.
Eine Weiterentwicklung von einer Theorie zu einer Technologie bedeutet, daB
auf der Grundlage der existierenden Theorie Methoden geschaffen werden, urn
die Theorie effizient in die Praxis umzusetzen, und daB der Nutzen und die An
wendbarkeit der Theorie demonstriert wird. Dies ist genau der Gegenstand die
ses Buches. Hierbei werden zwar die verwandten Tools, seien es Fuzzy Control
Shells, Neuronale Netz Generatoren, Fuzzy Petri Netz Tools oder Software
Werkzeuge zur Fuzzy Datenanalyse, teilweise erwahnt. 1m Mittelpunkt stehen
jedoch die eigentlichen Anwendungen.
Bei einem Buch iiber Anwendungen hat man gewohnlich zwei Probleme: Zum
einen stehen veroffentlichungsHihige Anwendungen aus verschiedenen Griin
den meist kaum zur Verfiigung. Zum anderen ist es recht schwer, Anwendungs
beitrage so zu strukturieren, daB der Leser einen moglichst guten Uberblick be
kommt. Gliedert man sie nach Methoden, so ist die Gliederung zwar konsistent,
aber der Praktiker findet sein Problem nicht sehr leicht. Versucht man, die An
wendungen nach Problemgebieten zu ordnen, so erhiilt man gewohnlich eine so
groBe Uberlappung der Abschnitte, daB ebenfalls die Ubersicht veri oren geht. In
VI
diesem Buch wird eine Kombination dieser beiden Ordnungsprinzipien ver
sucht: Zum einen wird methodisch unterschieden in Anwendungen Neuronaler
Netze und Fuzzy Technologien bzw. Kombinationen dieser beiden Ansatze.
Auf der anderen Seite wurden die Probleme aus moglichst verschiedenen Ge
bieten gewahlt, urn moglichst viele potentielle Anwender anzuregen, in ihrem
Problemkreis nach nutzlichen Realisierungen von Fuzzy und Neuronalen An
satzen zu suchen. Urn Praktikem, die sich noch nicht naher mit den Methoden
beschaftigt haben, ein besseres VersHindnis der beschriebenen Problemlosungen
zu ermoglichen, wurden am Anfang des Buches zwei einfiihrende Kapitel ein
gefiigt. Diese beschreiben Grundlagen der jeweiligen Methoden soweit, daB ein
Verstandnis der F olgekapitel moglich ist. Fur tiefergehende methodische Aus
fiihrungen sei der Leser auf die zahlreichen, gerade im Deutschen, erschienen
Bucher und Aufsatze verwiesen.
Herzlicher Dank sei all denen gesagt, die zu diesem Buch beigetragen haben.
Ich hoffe, daB durch ihre und unsere Muhe die erheblichen Potentiale von
Fuzzy und Neuronalen Methoden in der Zukunft in der Praxis noch besser er
kannt und ausgenutzt werden mogen.
Aachen, im Marz 1995
Hans-Jiirgen Zimmermann
VII
Inhalt
Vorwort
Industrielle Einsatzgebiete von
Fuzzy Technologien
Prof. Dr. Dr. h.c. Hans-Jilrgen Zimmermann, Aachen
1.1 Von der Fuzzy Set Theorie zur Fuzzy Technologie 1
1.2 Anwendungsgebiete der Fuzzy Techno1ogien 7
1.2.1 Warum Fuzzy Technologie? 8
1.2.2 Wie wird Fuzzy Technologie verwandt? 9
1.2.3 Was wird zur Zeit primar durch Fuzzy Technologie gelost? 10
1.2.3.1 Expertensysteme 10
1.2.3.2 Fuzzy Control 14
1.2.3.3 Fuzzy Datenanalyse 17
1.2.3.4 Entscheidungsunterstiitzung 18
1.2.4 Wo wird Fuzzy Technologie iiberwiegend eingesetzt? 18
1.3 Fuzzy Technologie und "Computational Intelligence" 21
2 Neuronale Netze: Grundlagen
und Anwendungen
Dr. Kenneth A. Flatan, Dr.-Ing. Stefan Gehlen,
Dr. Michael Horme1, Dr. Wolfgang Konen,
Dr. J6rg Kopecz, Bochum 26
2.1 Elemente neuronaler Netze 26
2.1.1 Typen von Lernregeln 29
2.2 Beispiele einiger Modelle neuronaler Netze 30
2.2.1 Das Perzeptron: Lemen als Fehlerminimierung 30
2.2.2 Der Cerebellar Model Articulation Controller (CMAC) 32
2.2.3 RBF-Netzwerke und "Neuro-Fuzzy" 34
2.2.3.1 Training von RBF Netzen 35
2.3 Anwendungen neuronaler Netze 37
2.3.1 Neuronale Netze in der ProzeBfuhrung 37
2.3.1.1 Wirkungsgradoptimierung von Dampfturbinenanlagen 39
2.3.1.2 Temperaturregelung von Hartungsofen 43
VIII
2.3.2 Bildauswertung mit neuronalen Netzen 46
2.3.2.1 FaceRec: Ein System zur automatischen Gesichtserkennung 46
2.3.2.2 Medizinische Bildverarbeitung 52
2.3.3 Pradiktion von Zeitreihen 55
2.4 Zusarnmenfassung 58
3 Neuronale Netze und Fuzzy Logic
in der Automatisierungstechnik
Dipl.-Inform. Dagmar Schoder,
Dipl.-Inform. Hans Niicke, UnterschleiBheim 59
3.1 Einleitung 59
3.1.1 Standortbestimmung 59
3.1.2 Anwendungsbereiche 60
3.2 Neuronale Netze, Fuzzy Logic und deren Kombination 61
3.2.1 Problemlosung mit Fuzzy Logic 61
3.2.2 Informationsverarbeitung in neuronalen Netzen 62
3.2.3 Neuronale Netze passen Fuzzy Systeme an 62
3.2.4 Fuzzy Logic als UnterstUtzung fur neuronale Netze 63
3.2.5 Lose Kopplung der Techniken 64
3.3 Neuro oder Fuzzy: Welche Technik anwenden? 64
3.4 Applikationen 66
3.4.1 Optische Qualitatssicherung mit neuronalen Netzen 66
3.4.2 Neuronaler Regier mit Fuzzy-Trainer 68
3.4.3 Abfallsortierung mit neuronalen Netzen und Fuzzy Logic 70
3.5 Zusarnmenfassung 72
3.5.1 Diskussion 72
3.5.2 Ausblick 73
4 Neuronale Regelung fiir industrielle Prozesse
Dr. Dietrnar Neumerkel, Berlin 74
4.1 Einleitung 74
4.2 Neuronale Modellierung 75
4.3 Modellbasierte Regelung 79
4.4 Fallbeispiele aus der Automatisierungstechnik 80
4.4.1 Drehzahlregelung eines Asynchronantriebs 80
4.4.2 Banddickemegelung eines Walzgerustes 84
4.5 Zusarnmenfassung und Ausblick 88
IX
5 Lernverfahren fUr komplexe Aktorik I Robotik
Dr. Thomas Martinetz, Miinchen 89
5.1 Einleitung 89
5.2 Das Robotermodell 90
5.2.1 Steuerung tiber Kameras 91
5.3 Hierarchische Anordnung Kohonen'scher Merkmalskarten 93
5.3.1 Die Ausgabewerte und der Positioniervorgang 94
5.3.2 Das Lernverfahren 96
5.4 Ergebnis einer Simulation 98
5.4.1 Eine einfache Greifstrategie 99
6 Ubergeordnete Regelung chemischer Verfahren
mit Fuzzy Control und Kiinstlichen Neuronalen
Netzen
Dipl.-Ing. Thomas Froese, Nettetal 102
6.1 Einleitung 102
6.2 Probleme beim Einsatz konventioneller Regelungstechnik 102
6.3 Der Einsatz von Fuzzy Control 103
6.4 Der Einsatz Ktinstlicher Neuronaler Netze (KNN) 104
6.5 Beispiele 107
6.5.1 Optimierung von Destillationskolonnen 107
6.5.1.1 Fuzzy Control zur Verbesserung der Regelgiite 109
6.5.1.2 Kiinstliches Neuronales Netz ermittelt die
Kopfproduktqualitat 112
6.5.2 Neuronales ProzeBmodell fur die Optimierung der
Antibiotika Produktion 115
6.5.3 Weitere Anwendungen 117
7 Einsatz von Fuzzy Control und neuronalen
Netzen bei der Automatisierung in der
Zellstoff-und Papierindustrie
Dr.-Ing. Herbert Furomoto, Erlangen 119
7.1 Einleitung 119
7.2 Fuzzy Control optimiert die lellstoftkochung 119
7.2.1 Die Technologie der lellstoffproduktion 119
7.2.2 Was ist das lie! der ProzeBfuhrung mit Fuzzy Control? 120
7.2.3 Welche Aufgaben lost Fuzzy Control in der Koeherei? 121
7.2.4 Welehe ProzeBgroBen werden als Eingange benutzt? 121
7.2.4.1 Aussagen tiber die Wirtschaftlichkeit 121
X
7.2.4.2 Angaben tiber die Holzqualitat 122
7.2.4.3 Angaben tiber die Kochsaurequalitat 122
7.2.5 Welche ProzeBgroBen werden mit Fuzzy Control beeinfluBt,
was wird dadurch erreicht? 122
7.2.5.1 Ausformen des Temperatur-Zeit-Verlaufes 122
7.2.5.2 Ausformen des Druck-Zeit-Verlaufes 123
7.2.5.3 Verandem der Kochsauremenge 123
7.2.6 Wie wird Fuzzy Control eingesetzt? 123
7.2.6.1 Produktionsregeln -Basis der Fuzzy Control 123
7.2.6.2 Fuzzifizieren der EingangsgroBen 124
7.2.6.3 Aufstellen der Fuzzy-Regeln aus Produktionsregeln 125
7.2.6.4 Defuzzifizieren der AusgangsgroBen 126
7.2.7 Erfahrungen bei der Inbetriebnahme 127
7.2.8 Wirtschaftlicher Nutzen von Fuzzy Control bei der
Zellstoffkochung 128
7.3 Neuronale Netze bestimmen den Abbruchzeitpunkt der
Zellstoffkochung 128
7.4 Neuronale Netze bewerten die Altpapierqualitiit 130
7.5 Fuzzy Control optimiert die Energieverteilung 131
7.5.1 Die Energiesituation in der Zellstoff-und Papierindustrie 131
7.5.2 Fuzzy Control verteilt die Energie 131
7.5.3 Vorteile der Energieverteilung mit Fuzzy Control 132
7.6 Fuzzy Control beriicksichtigt die Schrumpfung der Papierbahn
bei der Querprofilregelung 133
7.6.1 Das Problem der Schrumpfung bei der Papierherstellung 133
7.6.2 Losung des Identifikationsproblems mit Fuzzy Control 134
7.6.3 Wirtschaftlicher Nutzen von Fuzzy Control bei der
Querprofilregelung 135
7.7 Fuzzy-Petri-Netze minimieren die Abwasserlast 136
7.7.1 Bedeutung der Wasserkreislaufe bei der Papierherstellung 136
7.7.2 Anforderungen an ein Leitsystem fur Wasserkreislaufe 138
7.7.3 Fuzzy-Logik fur mehr Flexibilitat in den Wasserkreislaufen 138
7.7.4 Fuzzy-Petri-Netze steuern Ftillstande und Stoffdichten 140
7.7.5 Wirtschaftlicher Nutzen der Fuzzy-Petri-Netze 142
7.8 Neuro-Fuzzy hilft beim enzymatischen Bleichen 142
7.8.1 Enzymatisches Bleichen -Ziel des EG-Projektes BEST 142
7.8.2 Neuro-Fuzzy mit strnkturierten Netzen -hilfreich beim
Lemen von Fuzzy-Regeln 143
7.8.3 Strukturierte neuronale Netze untersttitzen die
MaBstabstibertragung Labor -Pilotanlage -Industrie 144
7.9 Zusammenfassung 145
XI
8 Methoden und Anwendungen der Fuzzy
Datenanalyse und Neuro-Fuzzy Systeme
Dipl.-Math. Dipl.-Wirt.Math. Karl Lieven,
Dr. Willi Meier, Dr. Richard Weber,
Prof. Dr. Dr. h.c. Hans Jurgen Zimmennann, Aachen 147
8.1 Ein1eitung 147
8.2 Methoden und Anwendungen der Fuzzy Clusterung 148
8.2.1 Methoden 149
8.2.1.l Das Fuzzy C-Means Verfahren 150
8.2.1.2 Shell Clustering 152
8.2.2 Anwendung bei der ProzeBanalyse einer
petrochemischen Anlage 156
8.3 Methoden und Anwendungen der regelbasierten Fuzzy
Datenanalyse 158
8.3.1 Methoden 159
8.3.2 Einsatz wissensbasierter Fuzzy Systeme 165
8.3.3 Anwendung zur Fehlerdiagnose eines Gleichstrommotors 167
8.4 Neuro-Fuzzy Systeme 170
8.4.1 Fuzzy Kohonen Clustering Network 170
8.4.2 Akustische Qualitatskontrolle mit dem Fuzzy Kohonen Netz 174
8.5 DataEngine 177
8.6 Zusammenfassung und Ausblick 179
9 Einsatz von Neuronalen Netzen zur
Aktienmarktanalyse
Dipl. -Volkswirt Jurgen Graf, Karlsruhe 183
9.1 Einleitung 183
9.2 Neuronale Netze 184
9.2.1 Einfuhrung 184
9.2.2 Anwendungsgebiete 185
9.3 Aktienanalyse 187
9.3.1 Einfuhrung 187
9.3.2 Methoden der Aktienanalyse 187
9.4 Aktienkursprognose mit Neuronalen Netzen 188
9.4.1 Technische Analyse 190
9.4.2 Fundamentale Analyse 198
9.4.3 Netzwerktopologie 199
9.5 Resiimee 200