DE4443193A1 - Verfahren zum Betrieb neuronaler Netze in Industrieanlagen - Google Patents
Verfahren zum Betrieb neuronaler Netze in IndustrieanlagenInfo
- Publication number
- DE4443193A1 DE4443193A1 DE4443193A DE4443193A DE4443193A1 DE 4443193 A1 DE4443193 A1 DE 4443193A1 DE 4443193 A DE4443193 A DE 4443193A DE 4443193 A DE4443193 A DE 4443193A DE 4443193 A1 DE4443193 A1 DE 4443193A1
- Authority
- DE
- Germany
- Prior art keywords
- network
- neural network
- learning
- characterized records
- output
- 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- Withdrawn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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Analysis (AREA)
- Fuzzy Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Paper (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Compounds Of Unknown Constitution (AREA)
- Transition And Organic Metals Composition Catalysts For Addition Polymerization (AREA)
- Devices For Executing Special Programs (AREA)
Description
Die Erfindung bezieht sich auf ein Verfahren zum Betrieb neu
ronaler Netze in Industrieanlagen, insbesondere beim Einsatz
von strukturierten Neuro-Fuzzy-Netzen in der Produktion.
Im Rahmen der Produktionsautomatisierung werden in zunehmen
dem Maße neuronale Netze eingesetzt. Neuronale Netze können
als Werkzeug verstanden werden, das geeignet ist, beliebige
nichtlineare Funktionen nachzubilden, sofern diese Funktionen
anhand von Beispielen vorliegen. Das neuronale Netz kann so
mit die Prozeßführung während der Produktion durch "Lernen"
von nichtlinearen Strategien verbessern.
Grundbedingung für den Einsatz neuronaler Netze in Industrie
anlagen ist das Anpassen des Netzes an wechselnde Randbedin
gungen der Produktion. Dabei soll das bisherige im neuronalen
Netz enthaltene Wissen nicht "überlernt" werden.
Beim Stand der Technik werden üblicherweise neuronale Netze
in bestimmten zeitlichen Abständen "Offline" völlig neu trai
niert, was zeitaufwendig ist. Im Gegensatz zu Fuzzy-Systemen,
die sich für Regelzwecke in der Automatisierungstechnik eta
bliert haben und durch Ein- und Ausgänge sowie die Begriffe
"Fuzzifizierung, Zugehörigkeitsfunktionen, Regelwerk, Defuz
zifizierung" gekennzeichnet sind, werden demgegenüber neuro
nale Netze bisher nur vereinzelt eingesetzt.
Aufgabe der Erfindung ist es daher, ein verbessertes Verfah
ren zum Betrieb neuronaler Netze anzugeben. Insbesondere soll
damit eine Optimierung von Fuzzy-Systemen in der Automatisie
rungstechnik möglich werden.
Die Aufgabe ist erfindungsgemäß dadurch gelöst, daß zum An
passen des Netzes an wechselnde Randbedingungen der Produk
tion das neuronale Netz in solche Bereiche aufgeteilt wird,
die den Einfluß der einzelnen Eingangs- bzw. Ausgangsgrößen
wiedergeben, und daß jeder Bereich beim Betrieb der Anlage,
d. h. Online, einem partiellen Lernen unterzogen wird. Vor
zugsweise wird das partielle Lernen der einzelnen Bereiche
überwacht, insbesondere durch einen sogenannten Supervisor
gesteuert, wobei alle Ein- und Ausgänge einzeln bewertet
werden.
Das erfindungsgemäße Verfahren findet vorteilhafterweise An
wendung bei strukturierten Fuzzy-Neuro-Netzen in der Produk
tionsautomatisierung. Wenn Lerndaten zur Verfügung stehen,
können mit den neuronalen Netzen die Zugehörigkeitsfunktionen
und die Regeln des Fuzzy-Systems einfacher eingestellt
werden. Dabei kann die Anpassung durch das Online-Lernen des
neuronalen Netzes ausreichend sein.
Im Rahmen der Erfindung wird das partielle Lernen derart ge
steuert, daß bei Prozeßzuständen, bei denen einer der Eingän
ge außerhalb der Gültigkeitsbereiche des betreffenden Eingan
ges liegt, alle Neuronen, die diesem Bereich zugeordnet sind,
neu trainiert werden. Dabei werden alle angesammelten Daten,
bei denen der Eingang im erweiterten Gültigkeitsbereich des
neuronalen Netzes lag, zum weiteren Online-Lernen herange
zogen.
Weitere Einzelheiten und Vorteile der Erfindung ergeben sich
aus der nachfolgenden Beschreibung eines Ausführungsbeispie
les in Verbindung mit den Patentansprüchen. Die einzige Figur
zeigt in vereinfachter Darstellung die Strukturierung eines
neuronalen Netzes zum partiellen Online-Lernen.
In der Figur ist ein Neuro-Fuzzy-System mit Bereichen 10 und
20 mit jeweils einem Eingang 11 bzw. 21 und einem einzigen
Ausgang 25 dargestellt. Die Fuzzifizierung der Eingänge er
folgt in den als Netzwerkteilen strukturierten Bereichen 10
bzw. 20. Die Wahrheitsgrade "klein", "mittel", "groß" werden
an den Punkten 12 bis 14 bzw. 22 bis 24 am Ausgang der Berei
che 10 bzw. 20 berechnet und neun einzelnen Neuronen 1 bis 9
für das Regelwerk zugeführt.
Die Neuronen 1 bis 9 im allgemeinen Teil des in der Figur
dargestellten neuronalen Netzes sind als Minimum-Neuronen
ausgebildet, wofür die Regeln des in ein neuronales Netz
transformierten Fuzzy-Systems gelten. Die Defuzzifizierung
erfolgt durch die Berechnung der gewichteten Summation in
einem Ausgangsneuron 30, das den Ausgang 25 ansteuert.
Zum neuronalen Netz gehört ein nicht in der Figur dargestell
ter, sogenannter Supervisor zur Überwachung bzw. Steuerung
des partiellen Lernens. Alle Ein- und Ausgänge werden dabei
nach folgenden Vorschriften bewertet:
Während des ursprünglichen Offline-Trainierens und der vor ausgegangenen Online-Nachtrainingsphasen weisen die Ein- und Ausgänge einen Arbeitspunkt auf. Dieser ist vorzugsweise der Mittelwert. Daneben gibt es einen allgemeinen Gültigkeitsbe reich, der insbesondere aus der Standardabweichung n berech net wird. Dabei ergibt sich ein Gültigkeitsbereich G = n × s mit n zwischen 1 und 2 je nach Gutmütigkeit des neuronalen Netzes. Der engere Gültigkeitsbereich des neuronalen Netzes ist dagegen kleiner als der allgemeine Gültigkeitsbereich, so daß hier n zwischen 0,5 und 1,5 gewählt wird.
Während des ursprünglichen Offline-Trainierens und der vor ausgegangenen Online-Nachtrainingsphasen weisen die Ein- und Ausgänge einen Arbeitspunkt auf. Dieser ist vorzugsweise der Mittelwert. Daneben gibt es einen allgemeinen Gültigkeitsbe reich, der insbesondere aus der Standardabweichung n berech net wird. Dabei ergibt sich ein Gültigkeitsbereich G = n × s mit n zwischen 1 und 2 je nach Gutmütigkeit des neuronalen Netzes. Der engere Gültigkeitsbereich des neuronalen Netzes ist dagegen kleiner als der allgemeine Gültigkeitsbereich, so daß hier n zwischen 0,5 und 1,5 gewählt wird.
Es kann vorteilhaft sein, alle Datensätze, bei denen einer
der Eingänge im weiteren Gültigkeitsbereich des Netzes liegt,
für die nächste Online-Trainingsphase mit den zugehörigen
Ausgängen abzuspeichern. Damit wird also die Differenzmenge
zwischen allgemeinem und engerem Gültigkeitsbereich erfaßt.
Die Bewertung der Ausgänge erfolgt in entsprechender Weise.
Allerdings steht hier anstelle des Gültigkeitsbereiches der
Gütebereich, mit dem der Ausgang bewertet wird. Die Standard
abweichung ist hier die gemittelte Abweichung zwischen den
vom neuronalen Netz berechneten Wert und einem optimalen
Wert. Dieser optimale Wert dient zur Beurteilung der Güte des
neuronalen Netzes und kann sich beispielsweise aus nachträg
lichen Laboranalysen ergeben oder aber auch aus Modellbe
trachtungen über die Güte des neuronalen Netzes.
Aus letzterem kann sich eine Gütefunktion ergeben, in die in
der Regel solche Prozeßgrößen einfließen, die als Folge der
Aktivitäten des neuronalen Netzes betrachtet wurden. Bei
spielsweise ist dies in der Praxis die Produktqualität am
Ende eines diskontinuierlichen Netzes, wobei die Produktqua
lität mit einem Zeitversatz zur Aussage des neuronalen Netzes
anfällt.
Das partielle Lernen eines strukturierten neuronalen Netzes
entsprechend der Figur wird folgendermaßen gesteuert:
- - Kommt es zu Prozeßzuständen, bei denen einer der Eingänge außerhalb des Gültigkeitsbereiches des betreffenden Ein ganges liegt, werden die Neuronen, die diesem Eingang zu geordnet sind, neu trainiert. Dabei können vorteilhafter weise die angesammelten Daten, bei denen dieser Eingang im weiteren Gültigkeitsbereich des Netzes lag, ebenfalls zum Lernen herangezogen werden.
- - Daneben kann der Start des Online-Lernens der angegebenen Neuronen mit dem Ansprechen eines Qualitätskriteriums für das neuronale Netz verbunden sein. In diesem Fall wird das Online-Lernen gestartet, wenn sowohl das Kriterium aus der Qualität anspricht und ein Retraining gefordert ist, als auch wenn das entsprechende Kriterium für den betreffenden Eingang vorliegt. Zum Trainieren werden hier jeweils die bisher für diesen Eingang angefallenen Datensätze herange zogen.
- - Gegebenenfalls kann das Online-Lernen immer erst dann ge startet werden, wenn Qualitätskriterien verletzt werden. In diesem Fall wird geprüft, ob Eingänge den weiteren Gül tigkeitsbereich des Netzes verletzt haben. Ist dies der Fall, werden die dem entsprechenden Eingang zugeordneten Teilbereiche trainiert. Liegt eine Verletzung von mehreren Gültigkeitsbereichen der Eingänge vor, können mehr als ein Bereich trainiert werden, wobei das Trainieren mit allen bisher aufgelaufenen Daten erfolgen kann. Gegebenenfalls werden dazu mehrere Trainingszyklen herangezogen, in denen jeweils die den Eingängen zugeordneten Bereiche mit den entsprechenden Daten trainiert werden. Wird dabei festge stellt, daß es einerseits keine abnormen Abweichungen bei den Eingängen gab und daß andererseits das Driften des neuronalen Netzes keinem Ausgang zugeordnet werden kann, wird der allgemeine Teil des Netzwerkes trainiert. Dies bedeutet speziell bei einem Neuro-Fuzzy-Netzwerk, daß die Regeln trainiert werden.
Das partielle Lernen der den Ausgang betreffenden Neuronen
erfolgt immer dann, wenn eine Güteverschlechterung des neuro
nalen Netzes festgestellt wird und wenn diese Güteverschlech
terung keinem Eingang zugeordnet werden kann. Gibt es im be
treffenden neuronalen Netz mehrere Ausgänge, so ist es zweck
mäßig, für jeden Ausgang ein Gütekriterium festzustellen.
Tritt eine nicht auf die Ausgänge rückbeziehbare Verletzung
des entsprechenden Gütekriteriums auf, wird der betreffende
Bereich des Ausganges neu trainiert.
Für das Trainieren des allgemeinen Teils des neuronalen Net
zes können vorteilhafte Regeln aufgestellt werden. Beispiels
weise kann das Trainieren immer dann erfolgen, wenn ein gene
relles Gütekriterium stark verletzt wird oder wenn Gütekrite
rien für mehr als einen Ausgang verletzt werden.
Claims (9)
1. Verfahren zum Betrieb neuronaler Netze in Industrie
anlagen, insbesondere beim Einsatz von strukturierten Neuro-
Fuzzy-Netzen in der Produktion, dadurch ge
kennzeichnet, daß zum Anpassen des Netzes an
wechselnde Randbedingungen der Produktion das neuronale Netz
in solche Bereiche aufgeteilt wird, die den Einfluß der
einzelnen Eingangs- bzw. Ausgangsgrößen wiedergeben, wobei
jeder Bereich beim Betrieb der Anlage, d. h. Online, einem
partiellen Lernen unterzogen wird.
2. Verfahren nach Anspruch 1, dadurch gekenn
zeichnet, daß das partielle Lernen der einzelnen
Bereiche überwacht, insbesondere durch einen sogenannten
Supervisor gesteuert wird, wobei alle Eingangs- und Ausgangs
größen einzeln bewertet werden.
3. Verfahren nach Anspruch 2 bei einem strukturierten Neuro-
Fuzzy-Netz mit Ein- und Ausgängen, dadurch ge
kennzeichnet, daß das partielle Lernen derart
gesteuert wird, daß bei Prozeßzuständen, bei denen einer der
Eingänge außerhalb des Gültigkeitsbereiches des betreffenden
Einganges liegt, alle Neuronen, die diesem Bereich zugeordnet
sind, neu trainiert werden.
4. Verfahren nach Anspruch 3, dadurch gekenn
zeichnet, daß beim partiellen Lernen alle angesam
melten Daten, bei denen der Eingang im erweiterten Gültig
keitsbereich des neuronalen Netzes lag, zum zusätzlichen
Online-Lernen herangezogen werden.
5. Verfahren nach Anspruch 3, dadurch gekenn
zeichnet, daß der Start des Online-Lernens der Neu
ronen mit dem Ansprechen eines oder mehrerer Qualitätskrite
rien für das neuronale Netz verbunden ist.
6. Verfahren nach Anspruch 3, dadurch gekenn
zeichnet, daß ein partielles Lernen der den Ausgang
betreffenden Neuronen dann erfolgt, wenn eine Güteverschlech
terung des neuronalen Netzes festgestellt wird.
7. Verfahren nach Anspruch 6, dadurch gekenn
zeichnet, daß nur die Gewichte zu den Ausgangs
neuronen neu trainiert werden, die im Bereich der Gütever
schlechterung liegen.
8. Verfahren nach Anspruch 6, dadurch gekenn
zeichnet, daß bei Feststellen einer Güteverschlech
terung über den gesamten Arbeitsbereich alle Gewichte zu den
Ausgangsneuronen neu trainiert werden.
9. Verfahren nach Anspruch 7 und 8, dadurch ge
kennzeichnet, daß bei Verwendung von Neuro-
Fuzzy-Netzwerken das Trainieren der Gewichte einer Regel
änderung entspricht.
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4443193A DE4443193A1 (de) | 1994-12-05 | 1994-12-05 | Verfahren zum Betrieb neuronaler Netze in Industrieanlagen |
AT95939227T ATE185431T1 (de) | 1994-12-05 | 1995-12-05 | Verfahren zum betrieb neuronaler netze in industrieanlagen und zugehöriges neuronales netz |
PCT/DE1995/001743 WO1996018135A1 (de) | 1994-12-05 | 1995-12-05 | Verfahren zum betrieb neuronaler netze in industrieanlagen und zugehöriges neuronales netz |
JP8517251A JPH10509825A (ja) | 1994-12-05 | 1995-12-05 | 工業設備での神経回路網の作動方法および付属の神経回路網 |
DE59507008T DE59507008D1 (de) | 1994-12-05 | 1995-12-05 | Verfahren zum betrieb neuronaler netze in industrieanlagen und zugehöriges neuronales netz |
EP95939227A EP0796457B1 (de) | 1994-12-05 | 1995-12-05 | Verfahren zum betrieb neuronaler netze in industrieanlagen und zugehöriges neuronales netz |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE4443193A DE4443193A1 (de) | 1994-12-05 | 1994-12-05 | Verfahren zum Betrieb neuronaler Netze in Industrieanlagen |
Publications (1)
Publication Number | Publication Date |
---|---|
DE4443193A1 true DE4443193A1 (de) | 1996-06-13 |
Family
ID=6534928
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE4443193A Withdrawn DE4443193A1 (de) | 1994-12-05 | 1994-12-05 | Verfahren zum Betrieb neuronaler Netze in Industrieanlagen |
DE59507008T Expired - Fee Related DE59507008D1 (de) | 1994-12-05 | 1995-12-05 | Verfahren zum betrieb neuronaler netze in industrieanlagen und zugehöriges neuronales netz |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE59507008T Expired - Fee Related DE59507008D1 (de) | 1994-12-05 | 1995-12-05 | Verfahren zum betrieb neuronaler netze in industrieanlagen und zugehöriges neuronales netz |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP0796457B1 (de) |
JP (1) | JPH10509825A (de) |
AT (1) | ATE185431T1 (de) |
DE (2) | DE4443193A1 (de) |
WO (1) | WO1996018135A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10201018A1 (de) * | 2002-01-11 | 2003-08-14 | Eads Deutschland Gmbh | Neuronales Netz zur Modellierung eines physikalischen Systems sowie Verfahren zur Bildung eines solchen neuronalen Netzes |
DE102012202111A1 (de) * | 2012-02-13 | 2013-08-14 | Krones Ag | Verfahren zur Steuerung und/oder Regelung von Filteranlagen zur Ultrafiltration |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018133058A1 (de) | 2018-12-20 | 2020-06-25 | Beckhoff Automation Gmbh | Verfahren zum steuern eines automatisierungsprozesses in echtzeit |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2237663A (en) * | 1989-10-09 | 1991-05-08 | Toshiba Kk | Elevator group control |
WO1992002864A1 (en) * | 1990-08-03 | 1992-02-20 | E.I. Du Pont De Nemours And Company | On-line process control neural network using data pointers |
EP0488150A2 (de) * | 1990-11-26 | 1992-06-03 | Hitachi, Ltd. | Neuronales Netzwerk, angepasst für nicht-lineare Verarbeitung |
US5142612A (en) * | 1990-08-03 | 1992-08-25 | E. I. Du Pont De Nemours & Co. (Inc.) | Computer neural network supervisory process control system and method |
WO1993008515A1 (de) * | 1991-10-16 | 1993-04-29 | Abb Patent Gmbh | Wissensbasierte steuer- und regeleinrichtung |
US5228113A (en) * | 1991-06-17 | 1993-07-13 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Accelerated training apparatus for back propagation networks |
DE4209746A1 (de) * | 1992-03-25 | 1993-09-30 | Siemens Ag | Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems |
WO1995002855A1 (de) * | 1993-07-13 | 1995-01-26 | Siemens Aktiengesellschaft | Anordnung zur modellierung eines nichtlinearen prozesses |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5161110A (en) * | 1990-02-27 | 1992-11-03 | Atlantic Richfield Company | Hierarchical process control system and method |
ATE183786T1 (de) * | 1992-10-02 | 1999-09-15 | Siemens Ag | Steuerverfahren für die herstellung von zellstoff durch druck- und temperatursteuerung |
US5579439A (en) * | 1993-03-24 | 1996-11-26 | National Semiconductor Corporation | Fuzzy logic design generator using a neural network to generate fuzzy logic rules and membership functions for use in intelligent systems |
-
1994
- 1994-12-05 DE DE4443193A patent/DE4443193A1/de not_active Withdrawn
-
1995
- 1995-12-05 WO PCT/DE1995/001743 patent/WO1996018135A1/de active IP Right Grant
- 1995-12-05 DE DE59507008T patent/DE59507008D1/de not_active Expired - Fee Related
- 1995-12-05 AT AT95939227T patent/ATE185431T1/de not_active IP Right Cessation
- 1995-12-05 EP EP95939227A patent/EP0796457B1/de not_active Expired - Lifetime
- 1995-12-05 JP JP8517251A patent/JPH10509825A/ja active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2237663A (en) * | 1989-10-09 | 1991-05-08 | Toshiba Kk | Elevator group control |
WO1992002864A1 (en) * | 1990-08-03 | 1992-02-20 | E.I. Du Pont De Nemours And Company | On-line process control neural network using data pointers |
US5142612A (en) * | 1990-08-03 | 1992-08-25 | E. I. Du Pont De Nemours & Co. (Inc.) | Computer neural network supervisory process control system and method |
EP0488150A2 (de) * | 1990-11-26 | 1992-06-03 | Hitachi, Ltd. | Neuronales Netzwerk, angepasst für nicht-lineare Verarbeitung |
US5228113A (en) * | 1991-06-17 | 1993-07-13 | The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration | Accelerated training apparatus for back propagation networks |
WO1993008515A1 (de) * | 1991-10-16 | 1993-04-29 | Abb Patent Gmbh | Wissensbasierte steuer- und regeleinrichtung |
DE4209746A1 (de) * | 1992-03-25 | 1993-09-30 | Siemens Ag | Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems |
WO1995002855A1 (de) * | 1993-07-13 | 1995-01-26 | Siemens Aktiengesellschaft | Anordnung zur modellierung eines nichtlinearen prozesses |
Non-Patent Citations (2)
Title |
---|
JP 5-333902 A., In: Patents Abstracts of Japan, P-1714,March 22,1994,Vol.18,No.169 * |
PREUß,Hans-Peter, TRESP,Volker: Neuro-Fuzzy. In: atp - Automatisierungstechnische Praxis 36, 1994, 5, S.10-18,20-24 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10201018A1 (de) * | 2002-01-11 | 2003-08-14 | Eads Deutschland Gmbh | Neuronales Netz zur Modellierung eines physikalischen Systems sowie Verfahren zur Bildung eines solchen neuronalen Netzes |
DE10201018B4 (de) * | 2002-01-11 | 2004-08-05 | Eads Deutschland Gmbh | Neuronales Netz, Opimierungsverfahren zur Einstellung der Verbindungsgewichte eines neuronalen Netzes sowie Analyseverfahren zur Überwachung eines Optimierungsverfahrens |
DE102012202111A1 (de) * | 2012-02-13 | 2013-08-14 | Krones Ag | Verfahren zur Steuerung und/oder Regelung von Filteranlagen zur Ultrafiltration |
Also Published As
Publication number | Publication date |
---|---|
EP0796457A1 (de) | 1997-09-24 |
WO1996018135A1 (de) | 1996-06-13 |
ATE185431T1 (de) | 1999-10-15 |
EP0796457B1 (de) | 1999-10-06 |
DE59507008D1 (de) | 1999-11-11 |
JPH10509825A (ja) | 1998-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE4008510C2 (de) | Regeleinrichtung mit Optimal-Entscheidungseinheit | |
DE69033328T2 (de) | Unterstützungsverfahren und -vorrichtung für den Betrieb einer Anlage | |
EP0870132B1 (de) | Schaltungsanordnung zum steuern eines fahrwerks- oder antriebssystems in einem kraftfahrzeug | |
DE69823049T2 (de) | Modellfreie adaptive prozesssteuerung | |
EP0754317B1 (de) | Einrichtung zur kompensation von nichtlinearitäten an maschinenachsen | |
EP0906594B1 (de) | Verfahren und system zur inbetriebsetzung von industrieanlagen, insbesondere der grundstoffindustrie | |
DE4436658A1 (de) | Vorrichtung und Verfahren zur Störungsuntersuchung | |
WO1996028771A1 (de) | Intelligentes rechner-leitsystem | |
DE10241746B4 (de) | Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen | |
DE4338608A1 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
DE4131765A1 (de) | Regelparameter-verbesserungsverfahren fuer industrielle anlagen | |
EP0875808A2 (de) | Verfahren und System zur Generierung eines Prozessmodells eines technischen Prozesses | |
DE4416317A1 (de) | Verfahren und Regeleinrichtung zur Regelung eines materialverarbeitenden Prozesses | |
DE4338607A1 (de) | Verfahren und Vorrichtung zur Führung eines Prozesses in einem geregelten System | |
WO1998015882A1 (de) | Verfahren und einrichtung zur identifikation bzw. vorausberechnung von prozessparametern eines industriellen zeitvarianten prozesses | |
WO1995001589A1 (de) | Regeleinrichtung, insbesondere für einen nichtlinearen, zeitvarianten prozess | |
EP0708936B1 (de) | Anordnung zur modellierung eines nichtlinearen prozesses | |
EP3474091B1 (de) | Verfahren und vorrichtung zur regelung eines prozesses innerhalb eines systems, nämlich eines mahlprozesses in einer mahlvorrichtung | |
DE3832789A1 (de) | Stoerungsfolgevorrichtung | |
DE4443193A1 (de) | Verfahren zum Betrieb neuronaler Netze in Industrieanlagen | |
DE202019100641U1 (de) | Trainingsgerät für KI-Module | |
DE4209746A1 (de) | Verfahren zur Optimierung eines technischen Neuro-Fuzzy-Systems | |
EP0782729B1 (de) | Verfahren und anordnung zur aufbereitung einer eingangsgrösse eines neuronalen netzes | |
EP3056957A1 (de) | Diagnoseeinrichtung und -verfahren zur Überwachung des Betriebs eines Regelkreises | |
WO2022069258A1 (de) | Vorrichtung und verfahren zur erkennung von anomalien in einer industriellen anlage zur ausführung eines produktionsprozesses |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OM8 | Search report available as to paragraph 43 lit. 1 sentence 1 patent law | ||
8139 | Disposal/non-payment of the annual fee |