DE202017006632U1 - Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur technischen und physikalischen Systemdarstellung des Verbrennungsprozesses einer Müllverbrennungsanlage - Google Patents
Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur technischen und physikalischen Systemdarstellung des Verbrennungsprozesses einer Müllverbrennungsanlage Download PDFInfo
- Publication number
- DE202017006632U1 DE202017006632U1 DE202017006632.7U DE202017006632U DE202017006632U1 DE 202017006632 U1 DE202017006632 U1 DE 202017006632U1 DE 202017006632 U DE202017006632 U DE 202017006632U DE 202017006632 U1 DE202017006632 U1 DE 202017006632U1
- Authority
- DE
- Germany
- Prior art keywords
- zone
- radiation
- measured value
- feed control
- primary air
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 15
- 238000004056 waste incineration Methods 0.000 title description 9
- 230000005855 radiation Effects 0.000 claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 241000196324 Embryophyta Species 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 241000209094 Oryza Species 0.000 claims abstract description 6
- 235000007164 Oryza sativa Nutrition 0.000 claims abstract description 6
- 238000002347 injection Methods 0.000 claims abstract description 6
- 239000007924 injection Substances 0.000 claims abstract description 6
- 235000009566 rice Nutrition 0.000 claims abstract description 6
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 27
- 238000013499 data model Methods 0.000 claims description 5
- 210000002364 input neuron Anatomy 0.000 claims description 4
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 239000011800 void material Substances 0.000 description 12
- 238000000034 method Methods 0.000 description 5
- 230000006978 adaptation Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 2
- ZINJLDJMHCUBIP-UHFFFAOYSA-N ethametsulfuron-methyl Chemical compound CCOC1=NC(NC)=NC(NC(=O)NS(=O)(=O)C=2C(=CC=CC=2)C(=O)OC)=N1 ZINJLDJMHCUBIP-UHFFFAOYSA-N 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010327 methods by industry Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
- F23G5/50—Control or safety arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2900/00—Special features of, or arrangements for controlling combustion
- F23N2900/05006—Controlling systems using neuronal networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Incineration Of Waste (AREA)
Abstract
Erfolgreiches Erlernen (neuronales Netz) des Systemverhaltens der Verbrennung einer MVA, dadurch gekennzeichnet, dass folgende Messpunkte unter Verwendung der Netzwerkstruktur (Zeichenblatt 2 - Netz-Topologie des neuronalen Netzes) verwendet werden:
(E: Eingang, A: Ausgang, KKS: Kraftwerkkennzeichensystem, x: Auswahl, /: nicht ausgewählt) KKS Klartext E A
HHC10CT001 T Muellaufgabeschurre × /
HHC10CT002 T Muellaufgabeschurre × /
HHC20AS001 Regelantrieb Aufgoberost × /
HHC20CR001 Strahlungsint Aufgaberost × /
HHC20CR002 Strahlungsint Aufgaberost × /
HHC20CS001 S Aufgaberost × /
HHC20CT001 T Aufgaberost × /
HHC20CT002 T Aufgaberost × /
HHC31CR001 Strahlungsint Zone 11 × /
HHC31DG001 Vorschubregelung Feld 11 × /
HHC32CR001 Strahlungsint Zone 12 × /
HHC32DG001 Vorschubregelung Feld 12 × /
HHC33CR001 Strahlungsint Zone 21 × /
HHC33DG001 Vorschubregelung Feld 21 × /
HHC34CR001 Strahlungsint Zone 22 × /
HHC34DG001 Vorschubregelung Feld 22 × /
HHC35CR001 Strahlungsint Zone 31 × /
HHC35DG001 Vorschubregelung Feld 31 × /
HHC36CR001 Strahlungsint Zone 32 × /
HHC36DG001 Vorschubregelung Feld 32 × /
HHC37CR001 Strahlungsint Zone 41 × /
HHC37DG001 Vorschubregelung Feld 41 × /
HHC38CR001 Strahlungsint Zone 42 × /
HHC38DG001 Vorschubregelung Feld 42 × /
HBK10FP901 P Feuerraum × /
HBK20CQ001 Q RG-Analyse 02 × /
HBK20FT901 T RG Mittelwert × /
HBK30CT001 T RG vor UE3 × /
HBK40CT001 T RG hi UE2 links × /
HBK50CP001 P RG hi UE1 links × /
HBK50CT001 T RG hi UE1 links × /
HBK60CP001 P RG hi ECO × /
HLA10CT001 T Primaerluft × /
HLA20CT001 T Primaerluft hi LUVO × /
HLA20FP901 Primaerluft hi LUVO × /
HLA31CF001 F Primoerluft Zone 11 × /
HLA32CF001 F Primoerluft Zone 12 × /
HLA33CF001 F Primoerluft Zone 21 × /
HLA34CF001 F Primoerluft Zone 22 × /
HLA35CF001 F Primoerluft Zone 31 × /
HLA36CF001 F Primoerluft Zone 32 × /
HLA37CF001 F Primoerluft Zone 41 × /
HLA38CF001 F Primoerluft Zone 42 × /
HLA50CP001 P Sekundaerluft hi LUVO × /
HLA50CT001 Sekundaertuft hi LUVO × /
HLA51CF001 F Sekundaertuft Brennkammer × /
HLA52CF001 F Sekundaerluft Vorderwand × /
HLA53CF001 F Sekundaertuft Rueckwand × /
HNA20CQ001 Q RG-Analyse 02 (hinter E-Filter) / ×
HNA20CQ002 Q RG-Analyse CO (hinter E-Filter) / ×
HNA20CT001 (T hinter E-Filter) / ×
HAC20CT002 T Speisewasser hi ECO / ×
HAD10FL901 L Trommel / ×
HAD10CP001 P Trommel / ×
HAH21CT001 T Entw UE1-Eintritt (UE1 - Eintritt) / ×
HAH40CT001 T Dampf vor Kuehler 1 / ×
HAH40CT002 T Dampf hi Kuehler 1 / ×
HAH60CT001 T Dampf vor Kuehler 2 / ×
HAH60CT002 T Dampf hi Kuehler 2 / ×
LAB10FF901 F Speisewasser / ×
LAB10CT002 T Speisewasser vor ECO / ×
LAE20CF001 F Einspritzwasser Kuehler 1 / ×
LAE30CF001 F Einspritzwasser Kuehler 2 / ×
LBA10CP001 P Heissdampf / ×
LBA10CT003 T Heissdampf / ×
LBA10FF903 F Heissdampf / ×
Die zugehörigen Anlagenschemata sind als Zeichenblatt 1 - Vorschubrost 3, Zeichenblatt 1 - Primärluftversorgung 4 und Sekundärluftversorgung festgelegt.
(E: Eingang, A: Ausgang, KKS: Kraftwerkkennzeichensystem, x: Auswahl, /: nicht ausgewählt)
Die zugehörigen Anlagenschemata sind als Zeichenblatt 1 -
Description
- Technisches Sachgebiet
- Das technische Sachgebiet des eingereichten Gebrauchsmusters kann man wie folgt verorten:
- • Verfahrenstechnik (hier Verbrennungsprozess einer Müllverbrennungsanlage über Energieumwandlung bis Dampferzeugung)
- • Neuronale Netze
- • Parallele Computertechnik
- • Technische Umsetzung von technischen Systemmodellen
- Betriebsführung der Verbrennung von Müllverbrennungsanlagen
- ➙ In der Betriebsführung von Müllverbrennungsanlagen gibt es verfahrenstechnische Bereiche, die zurzeit nur von „Hand“ (menschliches Bedienpersonal) bedient und beobachtet werden. Ein Beispiel ist der Verbrennungsrost einer Müllverbrennungsanlage, siehe Zeichenblatt 1 -
- Speziell ältere Verbrennungsroste mit Verbrennungswalzen werden zurzeit nicht mit konventionellen Feuerleistungsreglern geregelt. ➙ Siehe Zeichenblatt 1 -
- Aufgrund der Annahme, dass ein neuronales Netz eine ähnliche automatisierte Bedienung und Beobachtung wie menschliches Bedienpersonal ermöglichen kann, wurde eine Entwicklung hin zu diesem Gebrauchsmuster durchgeführt. Der erste Schritt dazu ist die Erlernung des Verbrennungsprozesses, was mit diesem Gebrauchsmuster geschützt werden soll.
- Zeichenblatt 1 -
- Ein Einsatz neuronaler Netze ist somit nicht erforderlich, aber eine Optimierung wäre denkbar.
- Neuronale Netze
- Neuronale Netze ([engl.] Neural Networks) sind in der Wissenschaft schon lange Thema.
- In der Zeit von 1951, als der erste Neurocomputer „Snark“ entwickelt wurde, bis 1986, als das „Lernverfahren Backpropagation of Error“ entwickelt wurde, ist der theoretische Unterbau festgelegt worden.
- Erst seit einigen Jahren erleben die neuronale Netze in praktischen (medienwirksamen und leicht verständlichen) Anwendungsfällen allerdings eine unglaubliche Renaissance. Ein wichtiger Grundstein war sicherlich, dass NVIDIA Ende der 2000er Jahre mit ihren CUDA Grafikkarten eine unglaubliche Rechenpower zur Verfügung stellte. Warum? Neuronale Netzwerke lernen im Grunde mit simplen Multiplikationen bzw. Faltungen, welche sich prima parallel abarbeiten lassen.
- Als Konkurrenzprodukt sei die Software „Google Tensor Flow“ erwähnt, mit der sich auf Python Basis einfach neuronale Netze erstellen lassen. Eine wichtige Komponente ist, dass es auch hier eine Unterstützung durch NVIDIA Vektor (bzw. Grafik) - Prozessoren gibt. Dieses Gebrauchsmuster stellt nun eine Lösung dar, welches schneller als Google Tensor Flow das neuronale Netz abarbeitet und damit erst Anwendungen zum „Erlernen“ von komplexen physikalischen Systemen zu vertretbaren Zeitaufwänden ermöglicht.
- Parallele Computertechnik
- Die Mikroprozessortechnik beruhte bis Anfang der 2010'er Jahre auf Singlecore oder wenige Multicoreprozessoren, wie z.B. Intel Core I7 mit 4 Hardware- und 8 logischen Kernen. Diese Technik ist eigentlich immer noch üblich in Desktopcomputern oder Laptops. Im Bereich der Grafik wurden höhere Rechenleistungen erforderlich, die über parallele Prozessorkerne (Cores) realisiert wurden. Der GK110 dieses Gebrauchsmusters hat 2880 Cores, was ja nun erheblich mehr ist. Dieser Chip war der größte Chip der Welt mit 7 Mrd. Transistoren in 2012, der aktuelle GV100 hat 21 Mrd. Transistoren.
- Somit bietet sich der Einsatz dieser Vektorprozessoren zur schnellen Berechnung von neuronalen Netzen an. Die Algorithmen für die Matrix-Vektor-Multiplikation sind sehr stark parallelisierbar und sind Bestandteil des Gebrauchsmusters.
- Technische Umsetzung von technischen Systemmodellen
- Für die Steuerung und Regelung von physikalischen Systemen ist es sehr hilfreich, ein Systemmodell zu haben, was auf mathematischen Differentialgleichungen beruht, die aus physikalischen Gesetzen herstammen. Mit diesem Modell kann man dann Regelstrukturen mit Zustandsregler entwerfen, was auch gängige Praxis ist. Dazu ist jedoch ein großen physikalisches - und mathematisches Know-How erforderlich. Der andere neue technische Ansatz ist, ein neuronales Netz dieses Systemmodell „erlernen“ zu lassen, was Bestandteil des Gebrauchsmusters ist. Dazu ist ein Datenmodell erforderlich, was die Zustandsgröße, deren Ableitungen und Kumulationen beinhaltet. Ein diesbezügliches Vorgehen bei Systemmodellen von Verbrennungsprozessen bei Müllverbrennungsanlagen sind uns (einer kommunalen MVA und mir) nicht bekannt. Dieser technische Ansatz ist gewerblich nutzbar.
- Zusammenfassung
- Das Gebrauchsmuster beinhaltet die technische Kombination der 4 zuvor beschriebenen Teilgebiete und gilt unseres Wissensstandes als technische Neuerung, die gewerblich nutzbar sein wird.
- Mit dem Stand der Technik bis ca. 2010 war es mit wirtschaftlich vertretbaren Aufwand nicht möglich, ein neuronales Netz auf den Verbrennungsprozess einer Müllverbrennungsanlage anzuwenden, was jetzt möglich ist, und mit diesem Gebrauchsmuster vorgestellt wird. Der erfinderische Schritt dabei ist die Kombination der Teilgebiete.
- Technische Beschreibung
- Die technische Ausführung des Gebrauchsmusters besteht aus mehreren Bestandteilen und wird im Folgenden beschrieben.
- Hardware
- Vektorprozessor GPU NVIDIA GK110-425-B1
- GPU NVIDIA GK110-425-B1 mit 2880 Cores (Recheneinheiten) als paralleler Berechner. Es sind bis zu 30720 Threads (parallele) Rechenoperationen zur gleichen Zeit möglich, daher auch die Bezeichnung Vektorprozessor. 3072 MByte GDDR5 Speicher. (Floating-point performance: 5,875 GFLOPS)
- Hostrechner
- PC mit I7 Prozessor als Hostrechner, der Maus, Tastatur, Bildschirm, Hauptspeicher und Festplatte verwaltet. Der Hostrechner startet einzelne Kernels, siehe Kapitel 2.2.5 Passgenaue Softwareanpassung an die Hardware.
- Software
- Datenaufbereitungssoftware
- Die Datenaufbereitungssoftware wurde in C geschrieben, um das physikalische Modell des Verbrennungsprozesses einer Müllverbrennungsanlage mit Hilfe eines neuronalen Netzes „Erlernen“ zu können. Die C-Programme dazu lauten:
- - FILE_Bearbeitung-MVA-1024-2880.c
- - FILE_Output.c
- - FILE_Output_Bearbeitung_MVA.c
- Diese Programme sind unabdinglich für die Funktion des Gebrauchsmusters erforderlich.
- Als Beispiel wurden Messdaten wurden an einer Müllverbrennungsanlage aufgenommen, die hier als Basis für das Gebrauchsmuster verwendet werden. Für den gewerblichen Einsatz können eben auch andere Anlagen mit spezifisch anderen Systemeigenschaften verwendet werden.
- Messdaten MVA
- An einer Muster MVA wurden Messdaten aufgenommen, welche zu Eingängen (E) sowie zu Ausgängen (A) des neuronalen Netzes zugeordnet wurden, siehe Kapitel 2.2.4. Netz-Topologie des neuronalen Netzes.
(E: Eingang, A: Ausgang)KKS Klartext E A HHC10CT001 T Muellaufgabeschurre × / HHC10CT002 T Muellaufgabeschurre × / HHC20AS001 Regelantrieb Aufgoberost × / HHC20CR001 Strahlungsint Aufgaberost × / HHC20CR002 Strahlungsint Aufgaberost × / HHC20CS001 S Aufgaberost × / HHC20CT001 T Aufgaberost × / HHC20CT002 T Aufgaberost × / HHC31CR001 Strahlungsint Zone 11 × / HHC31DG001 Vorschubregelung Feld 11 × / HHC32CR001 Strahlungsint Zone 12 × / HHC32DG001 Vorschubregelung Feld 12 × / HHC33CR001 Strahlungsint Zone 21 × / KKS Klartext E A HHC33DG001 Vorschubregelung Feld 21 × / HHC34CR001 Strahlungsint Zone 22 × / HHC34DG001 Vorschubregelung Feld 22 × / HHC35CR001 Strahlungsint Zone 31 × / HHC35DG001 Vorschubregelung Feld 31 × / HHC36CR001 Strahlungsint Zone 32 × / HHC36DG001 Vorschubregelung Feld 32 × / HHC37CR001 Strahlungsint Zone 41 × / HHC37DG001 Vorschubregelung Feld 41 × / HHC38CR001 Strahlungsint Zone 42 × / HHC38DG001 Vorschubregelung Feld 42 × / HBK10FP901 P Feuerraum × / HBK20CQ001 Q RG-Analyse 02 × / HBK20FT901 T RG Mittelwert × / HBK30CT001 T RG vor UE3 × / HBK40CT001 T RG hi UE2 links × / HBK50CP001 P RG hi UE1 links × / HBK50CT001 T RG hi UE1 links × / HBK60CP001 P RG hi ECO × / HLA10CT001 T Primaerluft × / HLA20CT001 T Primaerluft hi LUVO × / HLA20FP901 Primaerluft hi LUVO × / HLA31CF001 F Primoerluft Zone 11 × / HLA32CF001 F Primoerluft Zone 12 × / HLA33CF001 F Primoerluft Zone 21 × / HLA34CF001 F Primoerluft Zone 22 × / HLA35CF001 F Primoerluft Zone 31 × / HLA36CF001 F Primoerluft Zone 32 × / HLA37CF001 F Primoerluft Zone 41 × / HLA38CF001 F Primoerluft Zone 42 × / HLA50CP001 P Sekundaerluft hi LUVO × / HLA50CT001 Sekundaertuft hi LUVO × / HLA51CF001 F Sekundaertuft Brennkammer × / HLA52CF001 F Sekundaerluft Vorderwand × / HLA53CF001 F Sekundaertuft Rueckwand × / HNA20CQ001 Q RG-Analyse 02 (hinter E-Filter) / × HNA20CQ002 Q RG-Analyse CO (hinter E-Filter) / × HNA20CT001 (T hinter E-Filter) / × HAC20CT002 T Speisewasser hi ECO / × HAD10FL901 L Trommel / × HAD10CP001 P Trommel / × KKS Klartext E A HAH21CT001 T Entw UE1-Eintritt (UE1 - Eintritt) / × HAH40CT001 T Dampf vor Kuehler 1 / × HAH40CT002 T Dampf hi Kuehler 1 / × HAH60CT001 T Dampf vor Kuehler 2 / × HAH60CT002 T Dampf hi Kuehler 2 / × LAB10FF901 F Speisewasser / × LAB10CT002 T Speisewasser vor ECO / × LAE20CF001 F Einspritzwasser Kuehler 1 / × LAE30CF001 F Einspritzwasser Kuehler 2 / × LBA10CP001 P Heissdampf / × LBA10CT003 T Heissdampf / × LBA10FF903 F Heissdampf / × - Diese Zusammenstellung von Messwerten und die Zuordnung zu Ein-/ Ausgängen des neuronalen Netzes ist wiederum ein Eckpfeiler des Gebrauchsmusters.
- Wie in Kapitel „1.4 Technische Umsetzung von technischen Systemmodellen“ beschrieben, ist ein Datenmodell erforderlich, was die Zustandsgröße, deren Ableitungen und Kumulationen beinhaltet. Dieses Datenmodell, was wesentlicher Bestandteil des Gebrauchsmusters ist, besteht aus einem Vektor mit 13 Zustandsgrößen eines Messwertes und sieht wie folgt aus:
- Messwert [Messwert]
- Gradient [Messwert]'
- Aenderung Gradient [Messwert]"
- [Messwert]-7 Messungen
- [Messwert]-30 Messungen
- [Messwert]-90 Messungene
- [Messwert]-180 Messungen
- Gradient [Messwert]'-7 Messungen
- Gradient [Messwert]'-30 Messungen
- Gradient [Messwert]'-90 Messungen
- Aenderung Gradient [Messwert]"-7 Messungen
- Aenderung Gradient [Messwert]"-30 Messungen
- Aenderung Gradient [Messwert]"-90 Messungen
- Verfahrenstechnische Anlagenschema
- Die folgenden Anlagenschemen zeigen den Einbau der Messungen in der MVA. Dazu sind drei Anlagenschema erforderlich.
- Verbrennungsvorschubrost
- Die Messungen finden sich als Eingänge wieder.
➙ Siehe Zeichenblatt 1 - - Verbrennungsluft
- Diese Messungen finden sich als Eingänge wieder.
➙ Siehe Zeichenblatt 1 - - Dampferzeugung
- Diese Messungen finden sich als Ausgänge wieder.
- Netz-Topologie des neuronalen Netzes
- Aus dem Datenmodell von Kapitel „2.2.1 Datenaufbereitungssoftware“ ergeben sich 624 Input-Neuronen und 234 Output-Neuronen,
➙ Siehe Zeichenblatt 2 - - Passgenaue Softwareanpassung an die Hardware
- Hochparallele (30720 Threads) Berechnung des neuronalen Netzes mit einer passgenauen Softwareanpassung an die GK110 Anwendung, z.B. Matrix mit 1024 Spalten, da nur 1024 Threads pro Block erlaubt sind, um in einem Zuge die Matrix - Vektormultiplikation durchführen zu können. Ebenfalls werden die Differenzen zwischen berechnetem Output Vektor und vorgegebenen Muster -Output Vektor parallel in einer ähnlichen Weise berechnet. Das ist eigentlich der Kern der Gebrauchsmusteranmeldung: Passgenaue Softwareanpassung an die Hardware des GK110, um höchstmögliche Performance zu erreichen! Daher auch die Bezeichnung: hochparalleles technisches neuronales Netz!
- Das CUDA-Hauptprogramm mit Aufruf der GK110-Kernels:
- - batchnet_short_MVA_CUDA-I-624-O-234. cu (CUDA-C - Programm mit GK110-Kernels)
- GK110-Kernels:
- - CUDA - Code - Kernel -1 (hochparallele Matrix-Vektor-Multiplikation) _global_void dot_1_1(float *A, float *b, int p, float *c, int Zeilen, int Spalten)
- - CUDA - Code - Kernel -2 (Differenz berechnetes Muster mit vorgegebenen Muster) _global_void delta_output(float *target, float *out2, int p, float *delta2)
- - CUDA - Code - Kernel -3 bis Kernel -6 _global_void delta_hidden(float *w2, float *delta2, int p, float *out1, float *delta1) _global_void adapt_weights_hidden_output(float *delta2, int nPatterns, float eta, float alpha, float *out1, float *delw2, float *w2) _global_void adapt_weights_input_hidden(float *delta1, int nPatterns, float eta, float alpha, float *out0, float *delw1, float *w1) _global_void Sum_Squared_Error(float ErrorLevel, float *target, float *out2, float *error_sum)
- Die Kernel werden in sequentieller Abfolge vom Hostprozessor I7 aufgerufen, dabei werden bis zu 1024 Blöcke mit bis zu 1024 Threads gleichzeitig gestartet. Da 1024 X 1024 = 1048576 Threads beim GK110 nicht gleichzeitig möglich sind (sondern „nur“ 30720 Threads), ist eine spezielle Vorgehensweise erforderlich. Die ca. 34 sequentiell abzuarbeitenden 30720 Threads benötigen eine Koordination, welche von der Hardware des GK110 übernommen wird.
- Des Weiteren werden bis maximal 1024 Muster gelernt, was wiederrum optimal an die GK110 - Hardware angepasst ist, um maximale Rechengeschwindigkeit zu erreichen.
- Bezugszeichenliste
-
- Zeichenblatt-1:
- (1)
- Müll auf Rost
- (2)
- Walzenrost
- (3)
- Vorschubrost
- (4)
- Primärluftversorgung
- (5)
- Sekundärluftversorgung
- Zeichenblatt-2:
- (6)
- 624 Inputneuronen
- (7)
- 1024 Hiddenneuronen
- (8)
- 234 Outputneuronen
Claims (4)
- Erfolgreiches Erlernen (neuronales Netz) des Systemverhaltens der Verbrennung einer MVA, dadurch gekennzeichnet, dass folgende Messpunkte unter Verwendung der Netzwerkstruktur (Zeichenblatt 2 -
KKS Klartext E A HHC10CT001 T Muellaufgabeschurre × / HHC10CT002 T Muellaufgabeschurre × / HHC20AS001 Regelantrieb Aufgoberost × / HHC20CR001 Strahlungsint Aufgaberost × / HHC20CR002 Strahlungsint Aufgaberost × / HHC20CS001 S Aufgaberost × / HHC20CT001 T Aufgaberost × / HHC20CT002 T Aufgaberost × / HHC31CR001 Strahlungsint Zone 11 × / HHC31DG001 Vorschubregelung Feld 11 × / HHC32CR001 Strahlungsint Zone 12 × / HHC32DG001 Vorschubregelung Feld 12 × / HHC33CR001 Strahlungsint Zone 21 × / HHC33DG001 Vorschubregelung Feld 21 × / HHC34CR001 Strahlungsint Zone 22 × / HHC34DG001 Vorschubregelung Feld 22 × / HHC35CR001 Strahlungsint Zone 31 × / HHC35DG001 Vorschubregelung Feld 31 × / HHC36CR001 Strahlungsint Zone 32 × / HHC36DG001 Vorschubregelung Feld 32 × / HHC37CR001 Strahlungsint Zone 41 × / HHC37DG001 Vorschubregelung Feld 41 × / HHC38CR001 Strahlungsint Zone 42 × / HHC38DG001 Vorschubregelung Feld 42 × / HBK10FP901 P Feuerraum × / HBK20CQ001 Q RG-Analyse 02 × / HBK20FT901 T RG Mittelwert × / HBK30CT001 T RG vor UE3 × / HBK40CT001 T RG hi UE2 links × / HBK50CP001 P RG hi UE1 links × / HBK50CT001 T RG hi UE1 links × / HBK60CP001 P RG hi ECO × / HLA10CT001 T Primaerluft × / HLA20CT001 T Primaerluft hi LUVO × / HLA20FP901 Primaerluft hi LUVO × / HLA31CF001 F Primoerluft Zone 11 × / HLA32CF001 F Primoerluft Zone 12 × / HLA33CF001 F Primoerluft Zone 21 × / HLA34CF001 F Primoerluft Zone 22 × / HLA35CF001 F Primoerluft Zone 31 × / HLA36CF001 F Primoerluft Zone 32 × / HLA37CF001 F Primoerluft Zone 41 × / HLA38CF001 F Primoerluft Zone 42 × / HLA50CP001 P Sekundaerluft hi LUVO × / HLA50CT001 Sekundaertuft hi LUVO × / HLA51CF001 F Sekundaertuft Brennkammer × / HLA52CF001 F Sekundaerluft Vorderwand × / HLA53CF001 F Sekundaertuft Rueckwand × / HNA20CQ001 Q RG-Analyse 02 (hinter E-Filter) / × HNA20CQ002 Q RG-Analyse CO (hinter E-Filter) / × HNA20CT001 (T hinter E-Filter) / × HAC20CT002 T Speisewasser hi ECO / × HAD10FL901 L Trommel / × HAD10CP001 P Trommel / × HAH21CT001 T Entw UE1-Eintritt (UE1 - Eintritt) / × HAH40CT001 T Dampf vor Kuehler 1 / × HAH40CT002 T Dampf hi Kuehler 1 / × HAH60CT001 T Dampf vor Kuehler 2 / × HAH60CT002 T Dampf hi Kuehler 2 / × LAB10FF901 F Speisewasser / × LAB10CT002 T Speisewasser vor ECO / × LAE20CF001 F Einspritzwasser Kuehler 1 / × LAE30CF001 F Einspritzwasser Kuehler 2 / × LBA10CP001 P Heissdampf / × LBA10CT003 T Heissdampf / × LBA10FF903 F Heissdampf / × - Datenmodell nach
Schutzanspruch 1 , dadurch gekennzeichnet, dass folgender Vektor mit 13 Zustandsgrößen verwendet wird: Messwert [Messwert] Gradient [Messwert]' Aenderung Gradient [Messwert]" [Messwert]-7 Messungen [Messwert]-30 Messungen [Messwert]-90 Messungene [Messwert]-180 Messungen Gradient [Messwert]'-7 Messungen Gradient [Messwert]'-30 Messungen Gradient [Messwert]'-90 Messungen Aenderung Gradient [Messwert]"-7 Messungen Aenderung Gradient [Messwert]"-30 Messungen Aenderung Gradient [Messwert]"-90 Messungen - Topologie des neuronalen Netzes nach
Schutzanspruch 1 und2 , dadurch gekennzeichnet, dass folgende Topologie des neuronalen Netzes verwendet wird: 624 Input-Neuronen (Zeichenblatt 2 - - Optimal angepasste Softwarearchitektur unter CUDA-C nach
Schutzanspruch 1 ,2 und3 , dadurch gekennzeichnet, dass folgende parallele Programmierung in CUDA-C verwendet wird: a) Parallele Matrix X Vektor - Multiplikation
b) Reihenfolge der GK110-Kernel-Aufrufe
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE202017006632.7U DE202017006632U1 (de) | 2017-12-28 | 2017-12-28 | Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur technischen und physikalischen Systemdarstellung des Verbrennungsprozesses einer Müllverbrennungsanlage |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE202017006632.7U DE202017006632U1 (de) | 2017-12-28 | 2017-12-28 | Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur technischen und physikalischen Systemdarstellung des Verbrennungsprozesses einer Müllverbrennungsanlage |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE202017006632U1 true DE202017006632U1 (de) | 2018-08-28 |
Family
ID=63525557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE202017006632.7U Active DE202017006632U1 (de) | 2017-12-28 | 2017-12-28 | Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur technischen und physikalischen Systemdarstellung des Verbrennungsprozesses einer Müllverbrennungsanlage |
Country Status (1)
| Country | Link |
|---|---|
| DE (1) | DE202017006632U1 (de) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3696462A1 (de) * | 2019-02-17 | 2020-08-19 | Uniper Technologies GmbH | Verfahren zum steuern eines kessels einer müllverbrennungsanlage durch ein trainiertes neuronales netz und verfahren zum trainieren eines neuronalen netzes zum steuern eines kessels einer müllverbrennungsanlage |
-
2017
- 2017-12-28 DE DE202017006632.7U patent/DE202017006632U1/de active Active
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3696462A1 (de) * | 2019-02-17 | 2020-08-19 | Uniper Technologies GmbH | Verfahren zum steuern eines kessels einer müllverbrennungsanlage durch ein trainiertes neuronales netz und verfahren zum trainieren eines neuronalen netzes zum steuern eines kessels einer müllverbrennungsanlage |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Savin | Determination of the effectiveness of the use of robotic systems in mechanical engineering | |
| Paserman | Do high-skill immigrants raise productivity? Evidence from Israeli manufacturing firms, 1990-1999 | |
| Su et al. | Capital stock-labor-energy substitution and production efficiency study for China | |
| EP2999998B1 (de) | Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems | |
| DE202019000735U1 (de) | Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur Steuerung eines Müllkessels | |
| Potravny et al. | Modification of the Leontief-Ford input-output model for the green economy goals and environment protection | |
| DE202017006632U1 (de) | Technisches hochparalleles neuronales Netz mit Multiprozessoren auf der GPU NVIDIA GK110 zur technischen und physikalischen Systemdarstellung des Verbrennungsprozesses einer Müllverbrennungsanlage | |
| WO2004102291A1 (de) | Auslegung von werkzeugen und prozessen für die umformtechnik | |
| Purnama et al. | Analisis Tingkat Pendidikan Terhadap Tingkat Pengangguran di Kabupaten Jombang | |
| Garrick et al. | An introduction to BOLT software for genetic and genomic evaluations | |
| EP3699148A1 (de) | Automatisierte regelung der sauerstoffkonzentration des belebungsbeckens einer abwasserbehandlungsanlage | |
| Wu et al. | A system dynamics model of island biogeography | |
| Páez et al. | Assessment of sustainable wastewater treatment networks design applying LCA | |
| DE102019132624A1 (de) | Verfahren, Vorrichtung, Computerprogramm und computerlesbares Speichermedium zum Erstellen eines Motion Cueing Algorithmus | |
| DE102022106628A1 (de) | Verfahren zur Prädiktion verfahrenstechnischer Prozesswerte einer Verbrennungsanlage mittels eines trainierten neuronalen Netzes | |
| Schnepf et al. | The suitability of pde‐solvers in rhizosphere modeling, exemplified by three mechanistic rhizosphere models | |
| CN103472727A (zh) | 群智加权的农药焚烧炉有害物排放达标控制系统及方法 | |
| DE19912221A1 (de) | Computersystem zur Auslegung einer Anlage der Grundstoffindustrie, insbesondere eines Walzwerks | |
| EP1214631B1 (de) | Verfahren, anordnung und computerprogramm-erzeugnis zur simulation eines technischen systems | |
| DE10034869A1 (de) | Verfahren zum automatischen Gewinnen einer funktionsfähigen Reihenfolge von Prozessen und Werkzeug hierzu | |
| Feng et al. | Strategic Study and Dynamics Decision for Development Program of City Housing | |
| Lenuta | AUTOMATION IN WATER TRATMENT PLANTS USING ARTIFICIAL INTELLIGENCE. | |
| Maharani et al. | Dynamics of Regional Economic Development of Regencies/Cities in Central Java Province 2018-2020 | |
| Khudhair et al. | Evaluation of the operational performance of Karbala waste water treatment plant under variable flow using GPS-X model | |
| WO2020161009A1 (de) | Kalibrierung eines simulationsmodells einer abwasserbehandlungsanlage |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R086 | Non-binding declaration of licensing interest | ||
| R207 | Utility model specification | ||
| R150 | Utility model maintained after payment of first maintenance fee after three years | ||
| R081 | Change of applicant/patentee |
Owner name: UNIPER TECHNOLOGIES GMBH, DE Free format text: FORMER OWNER: GEBHARDT, FRANK, 45721 HALTERN AM SEE, DE Owner name: GEBHARDT, FRANK, DE Free format text: FORMER OWNER: GEBHARDT, FRANK, 45721 HALTERN AM SEE, DE |
|
| R082 | Change of representative |
Representative=s name: TER MEER STEINMEISTER & PARTNER PATENTANWAELTE, DE |
|
| R151 | Utility model maintained after payment of second maintenance fee after six years | ||
| R081 | Change of applicant/patentee |
Owner name: GEBHARDT, FRANK, DE Free format text: FORMER OWNER: UNIPER TECHNOLOGIES GMBH, 45896 GELSENKIRCHEN, DE |
|
| R082 | Change of representative |