DE4209746A1 - Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems - Google Patents
Verfahren zur Optimierung eines technischen Neuro-Fuzzy-SystemsInfo
- Publication number
- DE4209746A1 DE4209746A1 DE4209746A DE4209746A DE4209746A1 DE 4209746 A1 DE4209746 A1 DE 4209746A1 DE 4209746 A DE4209746 A DE 4209746A DE 4209746 A DE4209746 A DE 4209746A DE 4209746 A1 DE4209746 A1 DE 4209746A1
- Authority
- DE
- Germany
- Prior art keywords
- learning
- fuzzy
- neuro
- controller
- level
- 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.)
- Withdrawn
Links
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Mathematics (AREA)
- Biomedical Technology (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Description
Die Erfindung betrifft ein Verfahren zur Optimierung eines
technischen Neuro-Fuzzy-Systems, insbesondere eines Neuro-
Fuzzy-Reglers, der ein selbstlernfähiges neuronales Netz mit
der Struktur eines Fuzzy-Systems aufweist.
Neuro-Fuzzy-Regler mit entsprechendem Grundaufbau sind be
kannt, so z. B. aus der DE 40 08 510 A1. Die hier beschrie
bene Optimal-Entscheidungseinheit, bei der zunächst die
Charakteristik des zu regelnden Systems anhand charakte
ristischer Wert erfaßt und dann anhand von Vergleichsmustern
weiterverarbeitet wird, geht von den Aussagen des geübten
Bedienungspersonals des zu regelnden Prozesses aus. Das
Selbstlernverhalten soll die von dem geübten Bedienungsper
sonal eingegebenen Werte verbessern und den zu regelnden
Prozeß optimieren. Nachteilig an einem derartigen Vorgehen
ist z. B., daß für Grenzbereiche des Prozeßverhaltens keine
Werte vorliegen können, da eine Ansteuerung der Grenzbereiche
mit einem erheblichen Risiko der Zerstörung der teueren Pro
zeßeinrichtungen verbunden ist und daher unterbleiben muß.
Weiterhin ist ein subjektiver Einfluß aus dem Expertenwis
sen nicht auszuschließen.
Es ist Aufgabe der Erfindung, die bekannten Verfahren zur
Optimierung eines Neuro-Fuzzy-Reglers von den Beschränkungen
und Nachteilen der Übernahme von Expertenwissen zu befreien
und eine Ergebnisoptimierung zu erreichen.
Die Aufgabe wird dadurch gelöst, daß der Neuro-Fuzzy-Regler
um Operatordaten zu erzeugen, einem mehrstufigen, insbeson
dere mindestens dreistufigen Lernprozeß unterzogen wird,
und wobei, ausgehend von dem Verhalten eines beliebigen Ope
rators, Eingangsdaten für einzelne Lernstufen über zumindest
ein Prozeßmodell durch Simulation erzeugt werden. Durch diese
Vorgehensweise wird der Operationsbereich eines Neuro Fuzzy-
Reglers auch auf Grenzbereiche erstreckbar, die wegen der ho
hen Wahrscheinlichkeit der Gefährdung der Prozeßeinricht
tungen nicht durch Operatordaten vorgegeben werden können.
Dabei wird vorteilhaft erreicht, daß der Programmieraufwand,
verursacht durch die Umsetzung linguistischer Regeln, ver
ringert wird. Eine Verringerung des Programmieraufwandes ist
überraschenderweise möglich. Des weiteren werden völlig sub
jektive Vorgaben durch objektivere Vorgaben ersetzt und damit
die Ergebnisse systematisch verbesserbar.
In Ausgestaltung der Erfindung ist vorgesehen, daß die Lern
stufen als Eingangsdaten das Ergebnis der vorhergehenden
Lernstufe verwenden. So ergibt sich eine hierarchische Opti
mierung, die durch Neuro-Fuzzy-Netze besonders einfach ist.
Besonders vorteilhaft ist, daß die Optimierung in Lernstufen
mit Kleinsignalverhalten und Lernstufen mit Großsignalverhal
ten aufgeteilt ist. So ergibt sich eine Extrapolation des
Reglerverhaltens in die Grenzbereiche. Die hier zwangsläufig
auftretenden Abweichungen zwischen dem realen und dem fikti
ven Prozeßablauf können so verringert werden.
Die Lernstufen können auch/oder, nach Freiheitsgraden des
Neuro-Fuzzy-Systems, aufgeteilt sein, insbesondere in auf
steigender Freiheitsgradfolge. Dieses Vorgehen, das vorteil
haft die Aufteilung in Lernstufen mit Kleinsignalverhalten
und Großsignalverhalten ergänzt, verbessert das Ergebnis ins
besondere in den Grenzbereichen.
Als erste Lernstufe hat sich ein Modell eines konventionel
len Reglers als besonders praktikabel herausgestellt, das
auch mit den Daten eines menschlichen Operators gelernt wer
den kann. Regler-Modelle sind in vielfältiger Ausgestaltung
bereits vorhanden und dem Fachmann für die Simulation von
Reglern bekannt. Aus der Vielzahl der vorhandenen und an
wendbaren Modelle ist die Verwendung eines PD-Reglermodells
besonders vorteilhaft, z. B. wenn ein Fuzzy-System mit zwei
Eingängen und einem Ausgang gelernt werden soll. Auch die
Modelle von adaptiven Reglern mit Vorsteuerung der Adaptions
parameter oder allgemeiner Vorsteuerung sind vorteilhaft
verwendbar. So läßt sich die Reaktionszeit verringern.
Das technische Neuro-Fuzzy-System kann sowohl in Hard- als
auch in Software ausgebildet sein. Die Auswahl wird je nach
der Prozeßgeschwindigkeit und dem vertretbaren technischen
Aufwand getroffen. Sowohl Neuro-Fuzzy-Programme für Software
lösungen als auch für Neuro-Fuzzy-ASIC′s sind bekannt, z. B.
aus "A FUZZY CONTROLLER USING A NEURAL NETWORK AND ITS
CAPABILITY TO LEARN EXPERT′S CONTROL RULES" und "FUSION
TECHNOLOGY OF FUZZY THEORY AND NEUTRAL NETWORKS - SURVEY
AND FUTURE DIRECTIONS" - (beide erschienen in Proceedings
of the International Conference on Fuzzy Logic & Neutral
Networks (Iizuka, Japan, July 20-24, 1990) pp. 103-106.).
Die Erfindung wird anhand einer Zeichnung näher beschrieben,
wobei aus der Zeichnungsbeschreibung ebenso wie aus den Un
teransprüchen weitere erfindungswesentliche Einzelheiten
entnehmbar sind.
Es zeigen:
Fig. 1 ein Neuro-Fuzzy-System mit zwei Eingangs- und einer
Ausgangsgröße,
Fig. 2 ein charakteristisches Eingangsmuster von Operator
daten,
Fig. 3 das Lernergebnis aus den Daten von Fig. 2 (Kenn
fläche der Übertragungscharakteristik,
Fig. 4 das Ergebnis eines gelernten PD-Reglers mit drei
tausend Operatordaten,
Fig. 5 das Ergebnis eines Neuro-Fuzzy-Reglers, der mit den
Daten des PD-Reglers aus Fig. 4 gelernt wurde und
Fig. 6 das Endergebnis des Neuro-Fuzzy-Systems, das durch
einen dreistufigen Lernprozeß aus den vorhergehenden Daten
erhalten wurde.
Das neuronale Netz in Fig. 1 besitzt zwischen den Ebenen I
und II zwei minimale Netzwerke mit Linear-und Signoid-Neu
ronen für das Lernen eines Satzes von drei Membership-Funk
tionen, die über 1 und 2 aufgegeben werden. Die beiden mini
malen Netzwerke besitzen, ähnlich dem Gesamtnetz, eine Drei-
Ebenen-Struktur mit einem Eingabeelement 1 bzw. 2 in der
Eingabeebene, zwei Elemente 3, 4 bzw. 5, 6 in der Zwischen
ebene und drei Elementen 7, 8, 9 bzw. 10, 11, 12 in der Aus
gangsebene. Die Elemente 3 bis 12 sind bezüglich ihrer Funk
tionen gekennzeichnet.
Für die Berechnung der mittleren Dreiecksfunktion des üb
lichen Lernsatzes bei drei Membership-Funktionen, wird in
der Ausgangsebene vorteilhaft ein lineares Neuron einge
setzt, das an seinen Eingängen feste Gewichte mit den Wer
ten 1 und -1 hat. In den anderen Verbindungen werden Ge
wichtsfaktoren eingesetzt, die mit dem Error-Backpropaga
tion-Algorithmus gelernt wurden. Die Eingangsfunktionen
sind, wie erwähnt, in bekannter Weise als mittlere Dreiecks
funktion und seitliche "Schulterwert"-Funktionen ausgebil
det. Beispiele für die üblichen Lernsätze und ihre Weiter
behandlung zeigt der Beitrag "Clevere Regler schnell ent
worfen" Elektronik 6/1992, S. 60.
In dem neuronalen Netz in Fig. 1 entspricht der Ausgangs
wert des Neurons 7 dem Wahrheitsgrad der linksseitigen Mem
bership-Funktion des Eingangs 1 der Ausgangswerte des Neu
rons 8 der dreieckförmigen Membership-Funktion und der Aus
gangswert des Neurons 9 der rechtsseitigen Membership-Funk
tion. Entsprechendes gilt für die Neuronen 10, 11 und 12.
Zwischen den Ebenen II und III ist der Inferenzteil des
Neuro-Fuzzy-Systems angeordnet. Bei der Anwendung von
AND-Verknüpfungen mit nur zwei Eingängen ergeben sich neun
mögliche Regeln. Neun Minimumneuronen 13 bis 21 realisieren
die AND-Verknüpfungen, die sich ergeben. Da im Beispiel zwei
Eingänge mit jeweils drei Membership-Funktionen verwendet
werden, ist die Berücksichtigung von neun Regeln möglich,
was sich in der Anzahl der Minimumneuronen 13 bis 21 wieder
spiegelt. Im Funktionsteil "Defuzzyfizierung" mit den Ele
menten 22, 23, 24 wird durch die max-dot-Methode mit nach
folgender Schwerpunktberechnung ein Ausgangswert 25 berech
net. Die vorstehenden Methoden sind dem Fachmann, z. B. aus
dem vorgenannten Aufsatz, bekannt.
Mit dem vorstehend geschilderten Neuro-Fuzzy-System ist es
nun beispielsweise möglich, Operatordaten, gewonnen durch
das Reglerverhalten eines Menschen, bei dem besonders in
der Fuzzy-Technik bekannten inversen Pendel weiter zu ver
bessern. In Fig. 2 bezeichnet der Eingang 1 den Winkel und
der Eingang 2 die Winkelgeschwindigkeit des inversen Pen
dels. Es ist das Ziel, das Pendel im Punkt (0, 0) zu
stabilisieren. Durch Stöße an das Pendel wird eine Störung
des Prozesses simuliert.
In Fig. 3 ist das Lernergebnis aus den Daten von Fig. 2
gezeigt. Man kann erkennen, daß im mittleren Bereich, der
durch die Operatorlerndaten abgedeckt wird, ein Verhalten
des Reglers erreicht wird, das dem des Operators entspricht.
In den Eckbereichen, in denen keine Lerndaten vorhanden
sind, verhält sich das gelernte System völlig unbestimmt.
Sollte der Prozeß in diese Randbereiche kommen, wird der
Regler ein unbefriedigendes Reaktionsverhalten zeigen.
Erfindungsgemäß wird, vorteilhaft besonders einfach, dem
Neuro-Fuzzy-Regler zunächst ein System mit wenigen Frei
heitsgraden gelernt, in diesem Beispiel ein PD-Regler, der
in ein neuronales Netz transformiert wurde. Dieser Regler
spiegelt das Verhalten des Operators im gesamten Arbeits
bereich ausreichend genau wieder, hat aber den Nachteil, daß
Nichtlinearitäten des Reglers nicht wiedergegeben werden kön
nen. Mit einem konventionellen PD-Regler-Modell, bei dem nur
zwei Parameter eingestellt werden können, ergibt sich ein
Regelergebnis, wie es in Fig. 4 zu sehen ist. Dieses Regler
ergebnis deckt den gesamten Großsignalbereich ausreichend
gut ab. Aus dem Ergebnis werden nun Datensätze für den Reg
ler generiert, die über den gesamten Arbeitsbereich verteilt
sind. Mit diesen Datensätzen lernt der Fuzzy-Regler. Das Er
gebnis ist in Fig. 5 zu sehen. Man erkennt, daß die Kenn
flächen beider Regler (Fig. 4; Fig. 5) prinzipiell gleich
sind.
Der erhaltene Fuzzy-Regler von Fig. 5 wird nun als vorein
gestellter Regler für das Nachlernen der Operatordaten in
einem weiteren Lernprozeß verwendet. Durch dieses Nachler
nen bleibt das Großsignalverhalten nahezu unverändert, aber
im Arbeitspunkt wird das Kleinsignalverhalten des Fuzzy-Reg
lers an den Operator angepaßt. Es ist dadurch möglich,
nichtlineare Reglereigenschaften, die der Operator besitzt
und die für das Beherrschen des Prozesses erforderlich sind,
nachzubilden. Das Lernergebnis ist in Fig. 6 zu sehen. Ver
gleicht man dieses Ergebnis mit Fig. 3, so erkennt man, daß
der Bereich, an dem Operatordaten verfügbar sind, nahezu
identisch ist. In den Eckbereichen, also den kritischen
Randbereichen, aber nicht. Dagegen hat das Endergebnis
in Fig. 6 ein plausibleres Verhalten, das durch Aufprä
gung des Großsignalverhaltens aus dem PD-Regler erreicht
wurde.
Der vorstehend beschriebene dreistufige Lernprozeß, bei dem
zunächst ein Regler mit wenigen Freiheitsgraden, beispiels
weise ein PD-Regler, gelernt wird, der das Großsignalver
halten im gesamten Arbeitsbereich bestimmt, mit Ergänzung
durch einen Regler mit vielen Freiheitsgraden, beispiels
weise einem Fuzzy-Regler, mit Hilfe von Lerndatensätzen
des ersten Reglers und einem dritten Lernschritt, in dem
dieser zweite Regler dann im Kleinsignalverhalten in den
Bereichen, in denen Operatordaten verfügbar sind, nachge
lernt wird, ergibt sich eine erhebliche Verbesserung der
bisher bekannten Möglichkeiten von Prozeßregelungen in
Grenzbereichen und der allgemeinen Optimierung.
Das erfindungsgemäße Vorgehen ist anhand eines einfachen
Beispiels beschrieben. Es versteht sich, daß in prozeßge
rechten Abwandlungen auch wesentlich kompliziertere, mit
weiteren Lernschritten durchzuführende Prozeßregelungen
möglich sind. Diese, eventuell auch erfinderischen Abwand
lungen, sind in das Belieben des Fachmannes gestellt.
Claims (10)
1. Verfahren zur Optimierung eines technischen Neuro-Fuzzy-
Systems, insbesondere eines Neuro-Fuzzy-Reglers, der ein
selbstlernfähiges neuronales Netz mit der Struktur eines
Fuzzy-Systems aufweist, wobei der Neuro-Fuzzy-Regler um
Operatordaten zu erzeugen, einem mehrstufigen, insbesondere
mindestens dreistufigen, Lernprozeß unterzogen wird, und wo
bei, ausgehend von dem Verhalten eines beliebigen Operators,
Eingangsdaten für einzelne Lernstufen über zumindest ein Pro
zeßmodell durch Simulation erzeugt werden.
2. Verfahren nach Anspruch 1, dadurch gekenn
zeichnet, daß die Lernstufen als Eingangsdaten das
Ergebnis der vorhergehenden Lernstufe verwenden.
3. Verfahren nach Anspruch 1 oder 2, dadurch ge
kennzeichnet, daß die Optimierung in Lernstufen
mit Kleinsignalverhalten und Lernstufen mit Großsignalverhal
ten aufgeteilt ist.
4. Verfahren nach Anspruch 1, 2 oder 3, dadurch
gekennzeichnet, daß die Lernstufen nach Frei
heitsgraden des Neuro-Fuzzy-Systems aufgeteilt sind, insbe
sondere in aufsteigender Freiheitsgradfolge.
5. Verfahren nach Anspruch 1, 2, 3 oder 4, dadurch
gekennzeichnet, daß die erste Lernstufe mit
vorgegebenen Werten, vorzugsweise aus einem Modell eines
konventionellen Reglers, arbeitet.
6. Verfahren nach Anspruch 5, dadurch gekenn
zeichnet, daß die erste Lernstufe das Verhalten
eines P, vorzugsweise eines PD, aber auch eines PID-Reglers
erlernt.
7. Verfahren nach Ansprüchen 1, 2, 3 oder 4, dadurch
gekennzeichnet, daß zumindest einzelne Lern
stufen mit den Werten vorzugsweise aus einem Modell eines
adaptiven, z. B. eines selbstadaptierenden, Reglers mit oder
ohne feed forward-Schleife arbeiten.
8. Einrichtung zur Durchführung des Verfahrens nach einem
oder mehreren der Ansprüche 1, 2, 3, 4, 5, 6 oder 7,
dadurch gekennzeichnet, daß der
Neuro-Fuzzy-Regler in einem Rechner, vorzugsweise einem PC,
softwaremäßig ausgebildet ist.
9. Einrichtung zur Durchführung des Verfahrens nach einem
oder mehreren der Ansprüche 1, 2, 3, 4, 5, 6 oder 7,
dadurch gekennzeichnet, daß der
Neuro-Fuzzy-Regler als IC, vorzugsweise als ASIC, ausgebil
det ist.
10. Einrichtung nach Anspruch 8 oder 9, dadurch
gekennzeichnet, daß sie eine vernetzte
Rechenstruktur mit mathematische Beziehungen, z. B.
Algorithmen, bearbeitende Netzknoten aufweist, die zumin
dest teilweise zum Abarbeiten von Error-Backpropagation
oder Fuzzy-Beziehungen eingerichtet sind.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4209746A DE4209746A1 (de) | 1992-03-25 | 1992-03-25 | Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4209746A DE4209746A1 (de) | 1992-03-25 | 1992-03-25 | Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems |
Publications (1)
Publication Number | Publication Date |
---|---|
DE4209746A1 true DE4209746A1 (de) | 1993-09-30 |
Family
ID=6455015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4209746A Withdrawn DE4209746A1 (de) | 1992-03-25 | 1992-03-25 | Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE4209746A1 (de) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996018135A1 (de) * | 1994-12-05 | 1996-06-13 | Siemens Aktiengesellschaft | Verfahren zum betrieb neuronaler netze in industrieanlagen und zugehöriges neuronales netz |
DE19508476A1 (de) * | 1995-03-09 | 1996-09-12 | Siemens Ag | Leitsystem für eine Anlage der Grundstoff- oder der verarbeitenden Industrie o. ä. |
DE19528984C1 (de) * | 1995-08-07 | 1996-09-19 | Siemens Ag | Verfahren zur Nachbildung von insbesondere dreieck- oder trapezförmigen Zugehörigkeitsfunktionen bei der Transformation eines Fuzzy-Systems in ein neuronales Netz |
DE19500628B4 (de) * | 1994-01-13 | 2004-12-02 | Siemens Ag | Betriebsverfahren und Walzstraße zur Herstellung von optimal planen Metallbändern |
WO2005085489A1 (de) * | 2004-03-05 | 2005-09-15 | Mtu Aero Engines Gmbh | Verfahren zur beschichtung eines werkstücks |
DE102004026641A1 (de) * | 2004-06-01 | 2006-01-05 | Rehau Ag + Co. | Automatisierung des Kunststoff-Spritzgießens durch Einsatz der Neuro-Fuzzy-Technologie |
DE102006036054A1 (de) * | 2006-08-02 | 2008-02-07 | Thyssenkrupp Steel Ag | Walzenbiegung bei Mehrwalzengerüsten |
DE102017131025A1 (de) | 2016-12-23 | 2018-06-28 | Engel Austria Gmbh | Verfahren zur Optimierung eines Prozessoptimierungssystems und Verfahren zum Simulieren eines Formgebungsprozesses |
-
1992
- 1992-03-25 DE DE4209746A patent/DE4209746A1/de not_active Withdrawn
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19500628B4 (de) * | 1994-01-13 | 2004-12-02 | Siemens Ag | Betriebsverfahren und Walzstraße zur Herstellung von optimal planen Metallbändern |
DE4443193A1 (de) * | 1994-12-05 | 1996-06-13 | Siemens Ag | Verfahren zum Betrieb neuronaler Netze in Industrieanlagen |
WO1996018135A1 (de) * | 1994-12-05 | 1996-06-13 | Siemens Aktiengesellschaft | Verfahren zum betrieb neuronaler netze in industrieanlagen und zugehöriges neuronales netz |
US5727127A (en) * | 1995-03-09 | 1998-03-10 | Siemans Atkiengesellschaft | Method for controlling a primary industry plant of the processing industry |
DE19508476A1 (de) * | 1995-03-09 | 1996-09-12 | Siemens Ag | Leitsystem für eine Anlage der Grundstoff- oder der verarbeitenden Industrie o. ä. |
DE19528984C1 (de) * | 1995-08-07 | 1996-09-19 | Siemens Ag | Verfahren zur Nachbildung von insbesondere dreieck- oder trapezförmigen Zugehörigkeitsfunktionen bei der Transformation eines Fuzzy-Systems in ein neuronales Netz |
WO1997006493A1 (de) * | 1995-08-07 | 1997-02-20 | Siemens Aktiengesellschaft | Verfahren zur nachbildung von insbesondere dreieck- oder trapezförmigen zugehörigkeitsfunktionen bei der transformation eines fuzzy-systems in ein neuronales netz |
WO2005085489A1 (de) * | 2004-03-05 | 2005-09-15 | Mtu Aero Engines Gmbh | Verfahren zur beschichtung eines werkstücks |
DE102004026641A1 (de) * | 2004-06-01 | 2006-01-05 | Rehau Ag + Co. | Automatisierung des Kunststoff-Spritzgießens durch Einsatz der Neuro-Fuzzy-Technologie |
DE102006036054A1 (de) * | 2006-08-02 | 2008-02-07 | Thyssenkrupp Steel Ag | Walzenbiegung bei Mehrwalzengerüsten |
DE102006036054B4 (de) * | 2006-08-02 | 2013-04-18 | Thyssenkrupp Steel Europe Ag | Walzenbiegung bei Mehrwalzengerüsten |
DE102006036054B9 (de) * | 2006-08-02 | 2013-08-14 | Thyssenkrupp Steel Europe Ag | Walzenbiegung bei Mehrwalzengerüsten |
DE102017131025A1 (de) | 2016-12-23 | 2018-06-28 | Engel Austria Gmbh | Verfahren zur Optimierung eines Prozessoptimierungssystems und Verfahren zum Simulieren eines Formgebungsprozesses |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE4008510C2 (de) | Regeleinrichtung mit Optimal-Entscheidungseinheit | |
EP0870132A1 (de) | Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug | |
EP3701433B1 (de) | Verfahren, vorrichtung und computerprogramm zur erstellung eines tiefen neuronalen netzes | |
DE102005046747B3 (de) | Verfahren zum rechnergestützten Lernen eines neuronalen Netzes und neuronales Netz | |
DE3938645C1 (de) | ||
DE69228517T2 (de) | Simulator mit Anwendung eines Neuronalnetzwerkes | |
DE19504664C2 (de) | Chaotisches rekurrentes neuronales Netz und Lernverfahren dafür | |
WO2020187591A1 (de) | Verfahren und vorrichtung zum ansteuern eines roboters | |
DE69131566T2 (de) | Gerät für unscharfe Folgerung | |
DE4209746A1 (de) | Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems | |
WO1997044743A1 (de) | Verfahren zur optimierung eines fuzzy-regelsatzes durch einen rechner | |
EP0750764B1 (de) | Verfahren und anordnung zur fuzzy-regelung | |
EP0897155A1 (de) | Verfahren zur Steuerung von Prozessvorgängen | |
DE69126052T2 (de) | Neuronales Netzwerk | |
DE69030812T2 (de) | Verfahren und gerät um einen prozess zu steuern mit hilfe eines trainierten parallel verteilten verarbeitungsnetzwerkes | |
DE10139682A1 (de) | Verfahren zum Generieren von neuronalen Netzen | |
DE19703964C1 (de) | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz | |
EP0689688B1 (de) | Fuzzy-standard-automatisierungssystem für industrielle anlagen | |
WO2019206776A1 (de) | Verfahren und vorrichtung zum ermitteln einer netzkonfiguration eines neuronalen netzes | |
DE4240789C2 (de) | Verfahren zur Identifizierung von Objekten | |
EP0614547B1 (de) | Verfahren zur regelung für dynamische systeme n-ter ordnung | |
DE69410733T2 (de) | Neuronaler Zellularautomat und darauf basierter Optimierer | |
DE69809402T2 (de) | Assoziativneuron in einem künstlichen neuralen netzwerk | |
EP0681234B1 (de) | Verfahren zur Fuzzy-Inferenz in einem Fuzzy-Regelkreis | |
DE19748718A1 (de) | Regler - Selbsteinstellungseinrichtung auf der Grundlage Neuronaler Netze |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8110 | Request for examination paragraph 44 | ||
8125 | Change of the main classification |
Ipc: G05B 13/02 |
|
8139 | Disposal/non-payment of the annual fee |