Udostępnij Udostępnij Udostępnij Udostępnij Print

Sieci neuronowe w sterowaniu procesami technologicznymi cz. 2

-- środa, 09 sierpień 2017

Technologia sieci neuronowych może rozwiązać większość dokuczliwych problemów związanych ze sterowaniem procesami technologicznymi. Należy więc przygotować zbiór danych do uczenia, testowania i walidacji modelu sieci neuronowej, a następnie wdrożyć model sieci neuronowej na platformie sterowania i w interfejsie człowiek-maszyna (HMI). Kontynuujemy temat z numeru 2/2017, w którym opisano architekturę, przestrzeń sterowania, zakres modeli, typy danych i wybór zbiorów danych sieci neuronowych.

W końcowej części poprzedniego artykułu opisano konfigurację sieci neuronowej do sterowania procesem technologicznym, z uwzględnieniem wykonania kompletnych testów parametrycznych i zapisania danych w programie archiwizującym. Następnym etapem jest otrzymanie zbioru rekordów danych w celu uczenia i walidacji modelu sieci neuronowej.

Parsowanie (parsing – dzielenie zbiorów danych na mniejsze części; przyp. tłumacza) jest podstawowym krokiem przygotowawczym do uczenia modelu za pomocą zbioru danych. Po utworzeniu zapisanego zbioru danych musi on być przygotowany do uczenia modelu sieci neuronowej. Ten zbiór powinien być losowo parsowany na trzy oddzielne podzbiory zapisanych danych: uczenia, testowania i walidacji (rys. 1).

Zbiory danych – zarówno do uczenia, jak i testowe – wykorzystuje się w procesie uczenia modelu sieci. Algorytm uczenia sieci neuronowej korzysta z podzbioru uczenia dla celów upodobnienia modelu do rozwiązania funkcji docelowej. Podzbiór testowy jest wykorzystywany do zapobiegania przetrenowaniu, które mogłoby wpłynąć na odporność modelu na zakłócenia. Model sieci neuronowej po przejściu etapu uczenia musi być jeszcze poddany solidnemu procesowi walidacji, aby użytkownik miał pewność jego dobrego działania. Podzbiór walidacyjny udowadnia, że model może aproksymować wartość docelową, wykorzystując dane niezależne od procesu uczenia.

Podzbiór danych do uczenia składa się z 6080% wszystkich rekordów danych. Pozostałe rekordy są zwykle dzielone pomiędzy podzbiory testowy i walidacyjny. Każdy rekord powinien być wybrany losowo ze zbiorów danych i umieszczony w jednym z tych trzech podzbiorów (testy pokazały lepsze wyniki dla podziału, w którym w każdym podzbiorze znajduje się równy procent rekordów powyżej i poniżej średniej docelowej wartości odniesienia). Po wybraniu jakiegoś rekordu następuje jego usunięcie z oryginalnego zbioru, tak by nie mógł być on wybrany powtórnie.

Uczenie, walidacja i raportowanie

Po utworzeniu podzbiorów danych w każdej iteracji uczenia modelu sieci muszą być zrealizowane następujące cztery etapy:

1. inicjalizacja,

2. normalizacja,

3. uczenie,

4. testowanie na przetrenowanie (wczesne zatrzymanie). 

A także trzy etapy po przeprowadzeniu uczenia:

1. walidacja,

2. raport z uczenia,

3. analiza uczenia. 

Inicjalizacja. Przed przystąpieniem do uczenia sieci jej neurony muszą być zainicjowane przez losowe ustawienie wartości (seeding) ich wag (weights) i obciążenia (bias). Początkowo rozstawienie losowe jest uważane za najlepsze, ponieważ funkcja docelowa pozostaje nieznana. 

Normalizacja. Wszystkie zmienne, wejścia i docelowe wartości odniesienia są normalizowane przed ich wykorzystaniem do uczenia modelu. Normalizacja skaluje każde wejście do granic funkcji transferu warstwy ukrytej. Wyjście modelu jest ponownie konwertowane na jednostki inżynierskie, przez „denormalizację” wyjścia.

Jeżeli perceptron wykorzystuje funkcje sigmoidalną, to wartość normalizacji znajduje się w przedziale od 0 do 1. Jeżeli wykorzystuje sigmoidalną funkcję bipolarną (sigmoidalny tangens hiperboliczny – tansig), to wartość normalizacji znajduje się w przedziale od -1 do 1. Zakres jednostki inżynierskiej każdej zmiennej procesowej jest skalowany do granic normalizujących.

Uczenie. Jak pamiętamy z pierwszej części artykułu, perceptron do obliczania wartości swojej odpowiedzi wykorzystuje wartości wag i obciążenia. Wyniki końcowe są generowane w iteracyjnym procesie propagacji wstecznej. Podczas uczenia modelu wartości wag i obciążenia są dostrajane tak, aby zminimalizować sumę kwadratów odchyleń regresyjnych (Sum of Square Errors – SSE) pomiędzy funkcją docelową a modelem.

Algorytmy uczenia, które wykorzystują standardowe metody optymalizacji, odnajdują najlepszą ścieżkę do globalnych wartości minimalnych sumy kwadratów błędów SSE. Jednak od czasu do czasu odnajdują lokalne minimum i się zatrzymują. Jest to spowodowane losowym ustawianiem wartości wag i obciążenia poniżej funkcji oraz ścieżką wybraną przez algorytmy optymalizacji. Jeśli algorytm natrafi na lokalne minimum, model wykaże słabą korelację z celem i sesja uczenia musi być powtórzona.

Wczesne zatrzymanie. Taką nazwą określana jest strategia wyjścia z cyklu uczenia, która w zamierzeniu ma pozwolić na optymalne zredukowanie wartości sumy SSE z danych użytych do nauki, przy jednoczesnym utrzymywaniu odporności modelu na zakłócenia i zapobieganiu przetrenowaniu.

Regulacja. Jest to technika dokonująca „ukarania” wag, które stają się duże podczas uczenia sieci. Chociaż ma swoje zalety, niekiedy preferowane jest wczesne zatrzymanie jako środek poprawiania odporności sieci na zakłócenia.

Walidacja. Stanowi ona najważniejszy i końcowy etap procesu potwierdzania, że model będzie działał zgodnie z oczekiwaniami. Podzbiór walidacyjny pozostaje niezależny od cyklu uczenia i jest używany do generowania wykresu walidacyjnego. Jeśli po inspekcji model jest w fazie i w granicach bliskiej aproksymacji celu, to może być uznany za dobry. Krzywa walidacyjna stanowi ostatnią część raportu z uczenia.

Raport z uczenia. Należy je generować dla wszystkich modeli. Taki raport powinien zawierać zbiór rekordów danych, architekturę sieci neuronowej, końcowy wykres wyników uczenia oraz redukcję wartości sumy SSE przypadającą na iterację, dla celów regulacji podzbiorów: uczenia i testowego.

Analiza uczenia. Model i cel powinny być w fazie, wykazywać mały błąd i wysoką korelację. Krzywe regresji powinny pokazać dobrą zależność pomiędzy modelem a celem. Jeżeli model nie jest w fazie z celem lub wykazuje duży błąd, powinien być poddany ponownemu uczeniu, zaczynając od losowego parsowania zbioru danych do uczenia. Jeżeli nadal pojawiają się kiepskie wyniki uczenia, to należy zwiększyć liczbę neuronów w warstwie ukrytej i/lub ponownie przeanalizować wybór zmiennej procesowej – jak opisano to w pierwszej części artykułu (wybór zbioru danych).

Wdrażanie modelu sieci neuronowej

Rozważania na temat wdrażania sieci neuronowej w aplikacji przemysłowej obejmują:

-> konfigurację sieci neuronowej,

-> kontrolę jakości wejść,

-> walidację przestrzeni sterowania,

-> zaplanowanie alternatywnej strategii sterowania/pomiarów,

-> odpowiedni interfejs użytkownika.

Algorytm. Większość platform sterowania wyposażono w zestaw instrukcji do zaprogramowania algorytmu sieci neuronowej. Liczba neuronów w sieci jest ustanowiona podczas uczenia, a liczbę pojedynczych neuronów w warstwie ukrytej można obliczyć z równania 1, gdzie P jest wektorem wejściowym. Każdy z neuronów warstwy ukrytej wytwarza wielkość wyjściową, która jest elementem A w równaniu 2 dla warstwy wyjściowej. Wynik równania 2 jest modelem zmiennej docelowej.

Równanie 1:

Fsigmoidalna = (P · W1,nT + obciążenie1,n) = an

Równanie 2:

Fliniowa=(A · W2T + obciążenie2) =
= Wyjście modelu

Kontrola jakości – wejść. Działanie każdego modelu zależy od wiarygodnych i dokładnych danych wejściowych. Jednak na nieszczęście sieci neuronowe mogą gromadzić w sobie niedokładne, zniekształcone lub obciążone błędem dane wejściowe tak długo, jak tylko są one powtarzalne, zaś model jest uczony za pomocą takich nieprawidłowych danych. Wynika z tego, że wszystkie wejścia powinny być skalibrowane przed podaniem zbioru danych do uczenia, aby ustanowić znany punkt odniesienia. Podczas działania wszystkie wejścia modelu sieci neuronowej powinny być walidowane przez system sterowania jako mające dobrą jakość.

Testowanie przestrzeni sterowania. W modelu operacyjnym musi być wykonany test, który udowodni, że wejścia znajdują się w zwalidowanej przestrzeni sterowania. Przypomnijmy z części pierwszej artykułu (przestrzeń sterowania), że model wykazuje odpowiednią „wiedzę” w przestrzeni sterowania tylko wtedy, gdy został wcześniej nauczony. Skuteczną metodą testowania jest wykorzystanie zbioru centroidalnych wektorów punktowych (centroid point vector) z tolerancjami. Centroidy i ich tolerancje są generowane z rozkładu wektora punktowego.

Alternatywne strategie sterowania/pomiarów

Przypomnijmy, że zwalidowana przestrzeń sterowania może doprowadzić do niezwalidowanego wektora punktowego znajdującego się poza przestrzenią sterowania. Jeżeli wejściowy wektor punktowy znajduje się poza zwalidowaną przestrzenią sterowania, to należy mieć plan działania, aby ograniczyć wyniki z modelu nienauczonego. Powinna istnieć jakaś alternatywna strategia sterowania lub pomiarów. Rysunek 2 pokazuje modelową, podstawową strategię układu sterowania, który – jeśli znajduje się poza swoją przestrzenią sterowania – alarmuje operatora i automatycznie dokonuje przełączenia na alternatywny algorytm sterowania. Przełączenie to może być także pozostawione uznaniu operatora, jeżeli praca układu jest do zaakceptowania. Dzieje się tak, ponieważ wpływ błędów wejściowych na model jest skutecznie ograniczany przez funkcje przejścia warstwy ukrytej.

Interfejs operatora

Zaleca się, aby interfejs operatorski człowiek-maszyna (HMI) miał takie funkcje, jak:

-> wyświetlanie wartości wyjściowej modelu,

-> ogólna sygnalizacja alarmowa dla przestrzeni sterowania,

-> indywidualny alarm źródłowy (first out alarm) dla każdego wejścia,

-> praca w trybie ręcznym,

-> możliwość wyboru alternatywnej strategii dla wartości wyjściowej.

Przy użyciu interfejsu przyrządu wirtualnego alarm jest sygnalizowany na panelu czołowym HMI (rys. 3a), pokazując, które wejście spowodowało problem. Transfer staje się możliwy w przypadku, gdy operator wybierze strategię alternatywną. Dostępny jest tryb ręczny w celu zapamiętania ostatniej wartości (funkcja hold). Sterownik wykorzystujący technologię MIMO (multiple input/multiple output – wiele wejść/wiele wyjść), przedstawiony na rys. 3b, jest podobny, ale pokazuje trendy zmiennych sterowania i manipulowanych. Zaleca się wykorzystanie oddzielnego ekranu konfiguracyjnego do wprowadzania ograniczeń i innych ustawień alarmów.

Wykorzystywanie sieci neuronowych

W wielu aplikacjach sterowania procesem technologicznym architektura sieci neuronowej aproksymującej realizowaną funkcję jest prosta i działa dobrze, modelując procesy przemysłowe. Sieci neuronowe muszą być uczone przy użyciu najlepszych zbiorów danych otrzymanych z testów parametrycznych. Użytkownik wybiera docelową zmienną procesową, która ma być modelowana, i konstruuje zbiór danych do uczenia, aby pokryć jej zakres i funkcję. Ten zbiór danych zawiera zestaw danych ze związanych ze sobą wejść, które korelują z celem. Wejścia użyte do uczenia definiują przestrzeń sterowania sieci neuronowej.

Wszystkie rekordy zestawów danych mają znaczniki czasowe, wraz z czasem przechwytu docelowej wartości odniesienia. Zbiory danych są przywiązane do konfiguracji sprzętu w czasie akwizycji danych. Prawidłowy wybór wejść modelu jest ważny dla zwiększenia odporności modelu, eliminacji zakłóceń i redukcji kosztów. Przed akwizycją danych powinna być wykonana kompletna kalibracja wszystkich wejść, aby ustanowić punkt odniesienia.

Po utworzeniu zbioru zebranych danych musi być on parsowany na trzy podzbiory: uczenia, testowy i walidacyjny. Uczenie sieci neuronowej obejmuje propagację wsteczną błędu stanowiącego różnicę pomiędzy wartością wyjściową modelu a wartością docelową. Uczenie jest iteracyjnym procesem propagacji wstecznej, który wymaga strategii dla promowania odporności na zakłócenia i walidacji. Wartości wagi i obciążenia dla każdego neuronu są dostarczane przez proces uczenia. Raport walidacyjny powinien zostać przeanalizowany przed wdrożeniem modelu na platformie sterowania – powinien on również pokazać docelową wartość odniesienia będącą w fazie z modelem, przy małej wartości błędu.

Wiele programów do uczenia sieci neuronowych działa na komputerach typu desktop. Dla większości platform sterowania przewidziano zestaw instrukcji niezbędnych do skonfigurowania modelu sieci neuronowej. Tam, gdzie to możliwe, kodowanie neuronów na platformie sterowania powinno być wykonywane w podprogramach (subroutine), umożliwiając ponowne wykorzystanie kodu w przyszłych modelach. W modelach operacyjnych wejścia powinny być sprawdzane pod względem jakości i zwalidowanej przestrzeni sterowania. Jeśli wejścia znajdują się poza zwalidowaną przestrzenią sterowania, należy rozważyć strategię alternatywną.

Interfejs HMI powinien pokazywać wyjście i wejścia modelu, alarmy, punkty nastaw, wybór trybu sterowania – automatyczny/ręczny oraz wybór strategii – normalna/alternatywna. Trendy i logika first out są wartościowe dla właściwej świadomości procedur i diagnostyki operacyjnej. Zalecany jest oddzielny ekran konfiguracyjny do wprowadzania ograniczeń, alarmów i wartości granicznych.

Autor: Jimmy W. Key jest inżynierem, prezesem i właścicielem firmy Process2Control LLC.

Tekst pochodzi z nr 4/2017 magazynu "Control Engineering". Jeśli Cię zainteresował, ZAREJESTRUJ SIĘ w naszym serwisie, a uzyskasz dostęp do darmowej prenumeraty w formie drukowanej i/lub elektronicznej.


Podobne artykuły

Przeczytaj także

Czy roboty mogą być zagrożeniem dla pracowników?
Ponad 50 podatności w oprogramowaniu robotów wykorzystywanych przy pracy z ludźmi może prowadzić do fizycznego zagrożenia życia i zdrowia, a najprostszy atak możliwy jest dzięki wykorzystaniu... więcej »
Układy sterowania oparte na komputerach PC: rozbudowa architektur układów sterowania w fabrykach - od sieci brzegowych do platformy IIoT
Urządzenia brzegowe sieci ułatwiają przetwarzanie danych na poziomie fabryki, zwiększając bezpieczeństwo komunikacji i możliwości wykorzystania standardów Przemysłowego Internetu Rzeczy... więcej »
Chiny liderem automatyzacji? Państwo Środka pobiło kolejny rekord
Chiny w błyskawicznym tempie stały się globalnym liderem automatyzacji. Nad Żółtą Rzeką kupuje się dziś najwięcej na świecie robotów industrialnych. Na tym jednak nie kończy się apetyt Państwa... więcej »
mapp Crane - zaawansowana kontrola rotacji
Nowy pakiet kompensuje niepożądane kołysanie i zapobiega rotacji ładunku.  B&R wprowadza nową funkcję dla sterowania dźwigami – komponent mapp Crane. Suwnice, które przenoszą podwieszane... więcej »
Raport: Prawidłowa praca maszyn - Zasilacze i systemy bezpieczeństwa gwarantowanego
Zakłócenia w pracy maszyn i urządzeń spowodowane przerwami w zasilaniu lub niedostateczną jakością energii są zawsze zjawiskiem niepożądanym, grożącym bardzo poważnymi konsekwencjami.... więcej »
Przemysł 4.0 optymalizuje bezpieczeństwo pracy
Działania związane z realizacją koncepcji Przemysłu 4.0 obejmują poza technologiami także interakcje z ludźmi i bezpieczeństwo pracy, jak wyjaśnił przedstawiciel firmy Bosch Rexroth w artykule... więcej »
 
Aktualne wydanie

Zobacz także

  •   Wydarzenia  
  •   Katalog  

Wydarzenia

Konferencja Automotive
2017-09-05 - 2017-09-06
Miejsce: Kraków
PROCESS AUTOMATION
2017-09-07 - 2017-09-08
Miejsce: Kraków
ENERGETAB 2017
2017-09-12 - 2017-09-14
Miejsce: Bielsko Biała
Robotech Robotics Technology Conference
2017-09-19 - 2017-09-19
Miejsce: Wrocław
Europejski Kongres Lean Manufacturing
2017-09-28 - 2017-09-29
Miejsce: Katowice
Targi 4INSULATION
2017-10-11 - 2017-10-12
Miejsce: Kraków

Katalog

ASTOR Sp. z o.o.
ASTOR Sp. z o.o.
Smoleńsk 29
31-112 Kraków
tel. 12 428 63 00

ABB Sp. z o.o.
ABB Sp. z o.o.
Żegańska 1
04-713 Warszawa
tel. 32 79 09 222

Comau Poland Sp. z o.o.
Comau Poland Sp. z o.o.
Turyńska 100
43-100 Tychy
tel. +48 502 185 687

zobacz wszystkie




SONDA


tak
nie
nie wiem


Wydania specjalne


Profesjonalne Tłumaczenia Techniczne
O wydawnictwie   |   Reklama   |   Mapa strony   |   Kontakt   |   Darmowa prenumerata   |   RSS   |   Partnerzy   |   
Copyright © 2003-2017 Trade Media International
zobacz nasze pozostałe strony
Trade Media International Inżynieria & Utrzymanie Ruchu Control Engineering Polska MSI Polska Inteligentny Budynek Design News Polska Almanach Produkcji w Polsce