Bildung eines Modells zur Anlagenrepräsentation mittels Neuronaler Netze und Evaluierung eines modularen Aufbaus

Abstract

Grundlage der Optimierung von industriellen Anlagen sind in der Regel mathematische Modelle. Aus unterschiedlichsten Gründen kann es sein, dass diese Modelle ungenau sind. In vielen Fällen wurden entweder vereinfachende Annahmen getroffen oder die Anlage hat sich im Laufe der Zeit verändert. Die meisten Prozesse und Maschinen werden heutzutage permanent durch Sensoren erfasst. Es ist daher naheliegend, ein Modell auf Basis dieser bereits vorhandenen Daten zu bilden, da diese die Anlage im Idealfall exakt darstellen. In der vorliegenden Arbeit wird ein möglichst allgemein gültiges Modell mit Künstlichen Neuronalen Netzen entwickelt. Diese mathematischen Netze zeichnen sich durch eine gewisse Lernfähigkeit aus, somit ist weniger Expertenwissen über die Anlage nötig. Im einfachsten Fall werden alle Eingänge mit allen Ausgängen einer Anlage verbunden. Dadurch gehen Informationen über die inneren Prozesse verloren. Das hier vorgestellte Modell bezieht die Anlagentopologie mit ein und bildet diese durch modulare Subnetze ab. Dies ermöglicht es, ein allgemein gültiges Modell zu formulieren, welches zum einen wenig spezifisches Wissen über Prozesse innerhalb der Anlage erfordert und zum anderen die Lernfähigkeit von Neuronalen Netzen nutzt. Um diese Netze erzeugen zu können, wird in der vorliegenden Arbeit ein Prüfstand entwickelt, der bestimmte Entwicklungsabläufe automatisiert und Werkzeuge zur Evaluierung bereitstellt.

The basis of the optimization of industrial plants are usually mathematical models. For different reasons these models may be inaccurate. In many cases, simplified assumptions have been made or the plant has changed over time. Most processes and machines are now permanently detected by sensors. It is therefore obvious to form a model on the basis of these existing data, since they represent the plant in the ideal case exactly. In this thesis, a model with artificial neural networks which is as general as possible is developed. These mathematical networks are characterized by a certain learning ability, which means that less expert knowledge about the system is necessary. In the simplest case, all inputs are connected to all outputs of a system. This means that information about the internal processes is lost. The model presented here incorporates the plant topology and maps it through modular subnets. This makes it possible to formulate a very universally valid model which, on the one hand, requires little specific knowledge about processes within the plant and, on the other hand, uses the learning capability of neural networks. In order to generate these networks, a test bench is developed in this work, which automates certain development sequences and provides tools for evaluation.