開發實時神經網絡應用系統的靈活的軟件工具組件
遇到的問題
今天,生產制造商對產品質量的競爭越來越激烈,但是在生產過程中卻無法實時的進行質量測試,因此獲得一致性的質量水平是當前面臨的一個巨大的挑戰。
利用G2 NeurOn-Line解決
NeurOn-Line建立于G2的實時推理平臺上,是一個實時預測質量和過程情況的神經網絡應用軟件。有了NeurOn-Line,工程師可以通過歷史過程數據,快速建立和配置反映生產質量和生產過程關系的神經網絡模型。
G2 NeurOn-Line與現有的控制系統一同工作,以便給予操作員對控制過程和產品質量實時的監測。它的實時神經網絡和優化能力能夠得到符合經濟目標的控制決策,例如:最大的生產量或是能源、稀有材料等的最小消費等。
有了NeurOn-Line,制造商從軟件的執行中獲得的益處如下:
? 預測和控制-正確地預測、控制難以測量的產品質量數據和對非線性過程來說其它的一些可變過程,以此消除因延期導致的巨大開銷和對硬件分析的依賴;
? 過程優化-以經濟為目標,在軟、硬件條件的限制下,為達到質量和過程目標決定最優點集;
? 傳感器驗證-比較軟件分析器的結果,以便在發生故障時引導操作員;
? 傳感器支持-當傳感器發生故障,利用預測的結果保持操作;
? 過程知識-分析模型的靈敏性,獲得對每個過程變化真實意義的新觀察。
NeurOn-Line快速建立和配置模型的優點包括:
? 強大的數據輸入和可視化-對訓練數據可視及高度地交互式預處理,加速了神經網絡模型地創建;
? 自動的體系選擇-幫助確保大多數神經網絡模型和預測的正確性;
? 全局模型-通過合成一些最好的模型,用戶可以建立完善的模型來處理大范圍的過程環境;
? 快速的訓練-利用神經網絡先進的統計技術可以節約訓練模型的時間;
? 在線最優化-驅動過程數據集來達到經濟目標,例如在軟、硬件條件的限制下,同時為達到質量目標所得到的生產量或資源的最小利用率;
? 靈活的調度-通過G2軟件或ActiveX containers進行調度,其中G2軟件為自動控制、企業系統和基于規則的推理提供off-the-shelf drivers。
什么是神經網絡
神經網絡最初源于生物中人腦的體系結構,其具有并行計算和從經驗中進行學習的能力。神經網絡對建立那些具有非線性、不可直接測量和無法用規則進行描述的復雜過程的實時模型是一種很好的選擇。
規則驅動的神經網絡
不同于其它的神經網絡工具,G2的NeurOn-Line將神經網絡的定量推理和G2實時規則引擎中基于定性知識的推理結合在一起。有了這樣的合并,G2 NeurOn-Line應用軟件能夠:
? 探測和響應可能導致神經網絡進行非正確分析的異常數據;
? 通過對真實和預測的結果的比較,分析驗證傳感器數值;
? 通過神經網絡預測的結果監測錯誤和異常的過程;
? 實時地給予操作員建議,告訴他們如何對通過神經網絡分析監測到的異常情況做最好的處理。
NeurOn-Line方法
NeurOn-Line 先進特性
數據預處理
? 提取并排序來自數據庫和在線系統的數據子集
? 定標選項用于規范輸入數據和自動地再定標神經網絡的輸出數據
? 可選用奇異、壽命或大小來過濾數據集
? 工具可用來瀏覽和使數據集的輸入數據、輸出數據和神經網絡預測圖形化
? 用延遲時序窗口和同步裝置對時間數據進行實時管理
? 對基于過程偏差檢測的舊數據進行可選性放棄
? 識別多余的數據點以控制訓練數據集的大小
訓練方法
? 精明的不需用戶調整的訓練算法
? 以優化的“C”代碼執行來保證其高性能
? 自動化確定最優的網絡結構
? 可擴展的結構用于定義定制的網絡和訓練方法
? 自動探測訓練網絡的可適應性的設備
網絡驗證
? 直接地集成到訓練過程中
? 自動交叉驗證的能力用于隨機地把數據集分成獨立訓練和測試的子集
? 敏感性測試用于修剪無效的輸入變量
? 驗證統計的在線分析
自適應的估計和控制
? 在線數據的選擇性積累可提高網絡性能
? 以在線運行中的自適應的增量訓練對部署的網絡進行改進
? 具有學習過程行為的動態模型的能力用于動態的封閉環路控制
? 與AI2和GDA可存取數據能力用于傳感器的驗證和直接的控制執行
可視化的編程環境
NeurOn-Line是一個完全的可視化的編程工具組件,用于在動態環境中開發和部署神經網絡。它包括:管理數據集、訓練神經網絡、測試可適性以及部署網絡排列。由于仔細的設計,這個工具包可以為神經網絡的初學者以及老用戶提供所有的特點的正確組合。同時結合最新的神經網絡技術,NeurOn-Line以簡單的圖形對象的形式使其具有革新的特性,允許工程師使用它的交互式工具迅速建立實時神經網絡應用系統,而不需要編程序。一旦一個神經網絡系統受到訓練,不需要額外的步驟就可以把它部署到系統上。
NeurOn-Line能迅速可靠地提供上網所需的所有設備。開發人員交互地把預定義的塊連接到系統圖中來建立一個應用系統。NeurOn-Line允許開發人員分層來安排這些系統圖,在適當的地方隱藏細節。一旦連接,它就可以在塊之間實時地處理數據流程。開發人員甚至可以在執行時觀察和修改一個系統圖。、
NeurOn-Line 產品模塊
向量塊
向量塊提供了能合并、調節、操作時間序列和其他的實時數據模式的工具。
數據集塊
數據集塊提供了能收集、過濾、檢查、總結和存檔所收到的數據的工具。NeurOn-Line包含了許多革新的特性,可把在線數據和歷史數據收集到網絡訓練數據集中。通過使用這些特性,可適當地調節訓練數據的統計特性以保護一個健壯的神經網絡模型。
訓練塊
訓練塊提供了在實時網絡訓練和驗證過程中的全部控制。在一個數據集的訓練中,一個神經網絡學習了決定過程的非線性模型的內部參數。在訓練使用部分數據集后,其他獨立的數據可被用來測試獨立的用于訓練和測試的子集。經過幾次重復訓練和測試過程來確保對網絡性能的一個統計有效的測量。這些過程的每一步都可為自動的在線執行所配置。
神經網絡塊
神經網絡塊為每一個輸入值的向量計算一個輸出值的向量。NeurOn-Line具有把變量的時間采樣形成輸入值向量的功能,以便一段時間的動作行為被用于計算當前的輸出值。這就使得NeurOn-Line能夠獲得動作行為的動態模型。這些輸出值是具有真實價值的數字。對于預測和控制的問題,這些輸出值代表了過程性能的預測值。對于類別的問題,這些輸出值大致是在0和1之間數字,代表了每一個故障或決策類型匹配的程度。在以上兩種情況下,這些輸出值能直接被AI2或GDA處理用于警報操縱、操縱者建議或封閉環路控制。
增量式再訓練
一個NeurOn-Line模型可以被制作成具有自適應性以使其能保持最新的狀態,甚至當一個過程隨時間改變的時候也能這樣。不同于其他的神經網絡產品,NeurOn-Line通過積累來自目標過程運行時的新采樣數據并把它合并到過程模型里來支持增量的再訓練。NeurOn-Line的驗證塊能在在線的再訓練過程中自動地驗證一個網絡,以便確保這個自適應的網絡性能相當于或超過原始模型的性能。
反向傳播神經網絡
反向傳播神經網絡標準結構常常被用于建立預測和控制的非線性模型。NeurOn-Line提供特定的訓練算法,遠遠超出執行傳統的反向傳播訓練方法。一個應用例子在油漆合成的過程中的非線性品質模型。它把成分的級別,過程處理的條件跟產品的品質的相關找出。
徑向基函數神經網絡
這個徑向基函數網絡被用于識別和分類發生在輸出數據代表離散范疇的模式分析問題上的事件。這種范例的一個標準化應用就是故障的診斷,其中輸出類別代表了引起一個特殊故障的潛在的根源。當一個輸入模式不能與訓練數據中的任何一個模式相匹配時,NeurOn-Line就是一個提供“奇異”控制信號。應用程序可解釋這個“奇異”信號為“我不知道”,并且調用適當的邏輯而不是誤診為故障。這個信號也可觸發NeurOn-Line把奇異模式加到神經網絡訓練數據集里并且逐漸地再訓練這個網絡。
Rho神經網絡
Rho神經網絡能計算一個輸入模式是屬于某一個特定模式類型的可能性。例如訓練數據集也許只包括那些一個“在控制中”的過程多設置的模式。當在線的可能性落到一個描述的X值以下時,這個過程被認為是“失控”。開發人員可以配置并行的Rho網絡以生成一組完整的在線輸出類別的可能性。
自動聯想神經網絡
這個網絡能學習在冗余的或有關的傳感器之間的非線性的相關性,它被用于完成精細的過濾和傳感器的驗證,以及用于評估在整個傳感器故障的情形中所產生的值。例如一個自動聯想網絡能決定一個特定傳感器是被偏置高了還是低了,以及是否需要再校準。
應用領域
神經網絡靈活的自適應的結構使NeurOn-Line成為分析在許多不同應用類型中的復雜動態過程的理想工具。
模式識別
在模式識別應用中,NeurOn-Line從動態系統中檢測數據并取出那些甚至專家都忽略了的微妙關系。重要的模式識別應用包括使過程傳感器生效,監視機械的性能,以及檢測在工廠運行狀態下的偏差。
診斷和決策支持
神經網絡對于診斷和決策支持那些需要在線數據和大的歷史信息數據庫之間進行比較的應用來說是理想的。NeurOn-Line能從存檔的以及在線的數據中建立一個模型,從那些數據中取出所需的知識和因果關系。通過使用神經網絡模型,NeurOn-Line能夠把在線模式和實時數據庫中的模式相匹配來分類過程情況。如果需求的話,這個神經網絡可以選擇一個自行決定的與輸入模式最匹配的輸出類型。這個結果被用于觸發警報、制作操作者建議或采取正確行動。
實時質量管理
在今天的全球經濟中,實時質量管理是一個有活力的應用。不幸的是,質量檢測數據總是在有延遲和需花費較貴的分析測試下才能獲得。NeurOn-Line能夠提供實時的“軟傳感器”質量預測,應用于對控制行為的快速反應以保持目標質量管理。NeurOn-Line質量模型能夠使用歷史數據或在線數據,包括對應于同樣數據樣本的質量的分析測試。所有的控制變量以及環境變量都包括在內作為網絡的輸入數據,并且訓練產生一個與實際質量測試配合最好的質量模型。這個模型被用來提供“質量計數”。
成功案例
歐洲航天局(ESA)的INTELMOD項目
利用G2幫助航天專家建立飛行器的部件模型庫、控制與故障診斷知識庫。在飛行器執行任務過程中接收實時遙測數據,進行推理分析,在異常情況發生時或者發生前向操作人員發出警告和處理建議。與現有的任務控制系統結合,實現智能的優化控制。
LaFarge
世界500強之一LaFarge(拉法基)集團成立于法國,至今已有170多年的歷史,是國際建材領域領導者。LaFarge公司采用NeurOn-Line產品獲取了巨大的經濟效益。
? 全世界50多家工廠共增加4-5%生產量
? 降低能耗4-5%
? 提高熱穩定性并增加設備使用壽命
? 降低質量偏差達40%
? 操作員人工控制次數從130次/天降低到6次/天
? 結合圖形規則和最優化
Northgate Minerals Corporation
Northgate礦業公司采用NeurOn-Line產品,不但獲得了豐厚的經濟效益社會效益。該公司生產量增加了5%,并向國家上繳700萬美元的稅收。
Copyright ?i-innovating北京國鼎源創智能科技有限公司.
京ICP備2021018369號 Powered by CmsEasy 留言 Rss