EP1070291A2 - Verfahren und anordnung zur rechnergestützten ermittlung einer zugehörigkeitsfunktion - Google Patents

Verfahren und anordnung zur rechnergestützten ermittlung einer zugehörigkeitsfunktion

Info

Publication number
EP1070291A2
EP1070291A2 EP99916761A EP99916761A EP1070291A2 EP 1070291 A2 EP1070291 A2 EP 1070291A2 EP 99916761 A EP99916761 A EP 99916761A EP 99916761 A EP99916761 A EP 99916761A EP 1070291 A2 EP1070291 A2 EP 1070291A2
Authority
EP
European Patent Office
Prior art keywords
cluster center
cluster
center
membership function
determined
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Withdrawn
Application number
EP99916761A
Other languages
English (en)
French (fr)
Inventor
Bernhard Lang
Thomas Poppe
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Siemens Corp
Original Assignee
Siemens AG
Siemens Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Siemens AG, Siemens Corp filed Critical Siemens AG
Publication of EP1070291A2 publication Critical patent/EP1070291A2/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby

Definitions

  • the invention relates to the determination of a membership function.
  • a membership function is used in the context of mapping an input variable to an output variable using a neural network or a fuzzy system.
  • a radial basis function network is a special forward-looking neural network which describes a mapping by which an input variable is mapped to an output variable and which has only one layer of hidden neurons.
  • a hidden neuron has a special, radial-symmetrical (radial) membership function (activation function).
  • a membership function or activation function is a basic function of a subsystem (submodel) of a system of functions in a room (overall model).
  • the overall model is used for a mapping which maps an input variable to an output variable in the room.
  • a membership function or activation function describes a membership of a data point in the room to the corresponding partial model.
  • the sub-model has a so-called center, which is a
  • Membership function provides an absolute maximum. With increasing distance of a selected data point from the
  • Center decreases the membership function value for the selected data point.
  • R - »R be a function from R to R given by N interpolation points.
  • the function system used for an approximation consists of radially symmetrical basic functions hj_, which are each assigned to a support point as the respective center. They are defined as follows:
  • the basic function h has positive scalar values. It is only dependent on the distance of a vector X from the corresponding support point Xj_, which is assigned to a neuron i is, in any given standard. Usually a Euclidean distance between the vectors X and Xj_ in R is considered
  • the radial basis function hj_ has different characteristics, such as, for example, a width or a variance of a Gaussian function, for an assigned center i.
  • a so-called fuzzy clustering method for data analysis is known from [2] and [3].
  • c clusters and corresponding affiliations of data vectors x ⁇ are determined in such a way that data vectors that are close to a cluster in a data space have the highest possible affiliation and data vectors x ⁇ that are far away from the cluster have the lowest possible affiliation to the respective cluster. This is done by minimizing a sum of the
  • the clusters are described by a membership matrix U, which has c rows and n columns.
  • Each element uj_ k of the membership matrix U has a value within the interval [0, 1] and describes a membership of the data vector X k to the i-th cluster.
  • a cluster must contain at least one element, so that:
  • the cost function J m of the membership values is formed according to the following rule:
  • A denotes a predeterminable induced norm of the inner product according to regulation (4), which is usually given by the identity matrix (Euclidean distance).
  • the cost function J m is minimized using a so-called Picard iteration.
  • Membership values uj_ k and cluster centers y_i are formed one after the other according to the following regulations:
  • the determination of the membership values uj_ and the cluster centers y_j_ is repeated until a specified number of iterations has been carried out or until a change in the membership values u and / or until a change in the cluster centers y_i is below a predetermined threshold value.
  • fuzzy C means clustering
  • the clusters are described by their cluster centers y_i. From [4] is a so-called Voronoi tiling
  • a Voronoi cell is delimited by a convex polygon that defines an assigned cluster center ⁇ . encloses.
  • An edge kj_ ⁇ of the polygon can be defined as a perpendicular to a neighboring cluster center ⁇ .
  • n ⁇ . - ⁇ .
  • equation (15) x data point of the edge kj_j, which limits the i-th Voronoi cell with respect to the neighboring j-th Voronoi cell.
  • the edge k j _ j introduced for the two-dimensional entrance space is a plane.
  • the convex polygon is a convex
  • edge is replaced by the term hyper-plane and the term polygon by the term hyper-polyhedron.
  • mapping that describes a system behavior of a technical system or process and uses a known membership function that determines the mapping has the disadvantage in many cases that the mapping does not realistically describe the system behavior in many cases.
  • the invention is based on the problem of specifying a method and an arrangement with which a membership function can be determined, an image ' which maps an input variable to an output variable using the membership function being improved in such a way that a process which is carried out by the Figure is described, is described as realistically as possible.
  • a method for the computer-aided determination of a membership function for a data point to a selected clusters in a given space, which membership function describes the membership of the data point to the selected cluster has the following steps: a) clustering is carried out using predetermined data points; b) at least three clusters are determined; c) an associated cluster center is determined for each cluster; d) the membership function is dependent on
  • Distances from the selected cluster center to the cluster centers closest to the selected cluster center are determined.
  • An arrangement for the computer-aided determination of a membership function for a data point to a selected cluster in a predetermined space, which membership function describes the membership of the data point to the selected cluster has a processor with which the following method steps can be carried out: a) it is clustering feasible using predetermined data points; b) at least three clusters can be determined; c) an associated cluster center can be determined for each cluster; d) the membership function can be determined as a function of distances from the selected cluster center to the cluster centers closest to the selected cluster center.
  • the distance is preferably taken into account in such a way that an increase in the membership function increases with an increasing distance between the selected cluster center and a closest neighboring cluster center.
  • the membership function is preferably used as an activation function.
  • An improved description of a technical process by means of a neural network or a fuzzy system can be achieved in that the membership function has at least one first subfunction and at least one second subfunction.
  • the membership function is preferably standardized.
  • the cluster centers can preferably be determined using a minimal Euclidean norm.
  • space is a multidimensional space.
  • the data points are measured, the data points being working points of a technical system.
  • the technical system is preferably a steel rolling mill.
  • Cluster center determined with respect to a cluster center next to the cluster center.
  • the degree of overlap ⁇ is preferably determined taking into account the distance of the selected cluster center to a cluster center which is closest to the cluster center.
  • the degree of overlap ⁇ is formed for a two-dimensional space according to the following rule:
  • Cluster center ⁇ i + ⁇ i limit of an overlap area for the i + lth cluster center with respect to the i-th
  • the degree of overlap ⁇ is formed for a multidimensional space according to the following rule:
  • the cluster is preferably a Voronoi cell.
  • the second subfunction is formed according to the following rule:
  • Cluster center with respect to the i + lth cluster center ⁇ i + i limit of an overlap area for the i + lth
  • Further training / further training is / is preferably used for determining a basic function for a neural network and / or for determining an activation function for a fuzzy system.
  • Training used in online learning of a neural network.
  • a configuration for monitoring a steel rolling mill is preferably used.
  • another Design for a control of a steel rolling mill can be used.
  • Figure 1 Schematic representation of components of a steel rolling mill monitored and controlled by a neural network or a fuzzy system
  • Network or fuzzy system Figure 3 Representation of an image by a neural network
  • Figure 4 Representation of an image by a fuzzy system
  • Figure 5 Representation of a clustered by Voronoi cells
  • FIG. 1 components of a steel rolling system for steel processing monitored and controlled using a neural network are shown schematically.
  • Figure 1 shows a system of the steel rolling mill 101 for steel processing (rolling process).
  • the system of the steel rolling mill 101 is monitored and controlled using a neural network 102.
  • a system behavior of the steel rolling mill 101 is described by the neural network 102, which is of the radial basic function network type.
  • a fuzzy system can also be used.
  • Suitable measuring means 103 for example sensors 103, are also shown, with which process variables which influence the process of steel processing are measured.
  • the measuring means 103 are connected to a memory 105 via a bus 104.
  • the process variables are measured at predefinable times and stored in the memory 105.
  • the measured process variables are chemical process variables, such as a carbon concentration or a manganese concentration, an end strip temperature of a rolled steel strip, an end strip thickness of the rolled steel strip and a roller speed.
  • a further measuring means 106 is shown with which a further process variable, a rolling force, which is a variable to be monitored and a control variable of the process or the system of the steel rolling mill 101, is measured.
  • the further measuring means 106 is also connected to the memory 105 via the bus 104.
  • the further process variable is also measured on the steel rolling mill system 101 at the predeterminable times and stored in the memory 105.
  • the memory 105 is connected via a further bus 115 to a processing unit 107 which has a processor 108, for example a computer.
  • the neural network 102 or the fuzzy system 110 is stored in the form of software in the processing unit 107.
  • Processor 108 executes the software.
  • the rolling force is an output variable of the neural network
  • Imaging behavior is determined.
  • Process variables selected process variables that significantly influence the process of steel processing.
  • the influence of a process variable on the process is determined by a sensitivity analysis.
  • the following input variables are selected:
  • the input variables are applied to the neural network 102 or to the fuzzy system 110.
  • the neural network 102 or the fuzzy system 110 determines the output quantity rolling force using the input quantities.
  • the output variable is tapped at the neural network 102 or at the fuzzy system 110 by means 108 and to the system via a data line 109 which connects the neural network 102 or the fuzzy system 110 to the system of the steel rolling mill 101 transferred to the steel rolling mill 101.
  • the system steel rolling mill 101 is monitored and controlled using suitable means 111, whereby a suitable one Setting the rolling force a predetermined final strip thickness of the
  • the rolling force to be set is determined using the neural network 102 or the fuzzy system 110 for a predetermined end strip thickness of the steel strip.
  • FIG. 2 shows method steps that are carried out as part of a training of the neural network, with which training a predefinable mapping behavior is determined.
  • training data are determined in such a way that the selected process variables 201 and the rolling force 202 are measured on the steel rolling mill at predeterminable times, in each case summarized as a training data vector 203 and stored 204 in the memory.
  • the training data vectors are applied 205 to the neural network.
  • a so-called rolling force correction factor determined using the rolling force output variable is determined 206 as a target variable for training the neural network.
  • the neural network is trained 207 using a known training method as described in [1].
  • the training of the neural network is preferably carried out in the operation of the steel rolling mill, the training data in the
  • the online training has the advantage that a change in the system behavior of the steel rolling mill is taken into account in the imaging behavior of the neural network without a great time delay. Such a change can be caused, for example, by wear of a component of the steel rolling mill.
  • a mapping behavior of a neural network or a fuzzy system such as is used for monitoring and controlling a system of a technical system, for example the system of the steel rolling mill described above, is described in more detail below.
  • Figure 3 shows a simplified representation of an image by a neural network.
  • a one-dimensional input space (x) is used as an input space of the neural network with a one-dimensional input variable x.
  • a dimension of the entrance space is determined by a number of input variables.
  • the neural network for monitoring and controlling the steel rolling mill described above has, for example, a multi-dimensional entrance space.
  • the output variable of the neural network is a one-dimensional output variable y.
  • the neural network which describes a system behavior of a technical system, thus maps the input variable x to the output variable y in a state space (x, y) 301.
  • Figure 3 shows the state space (x, y) 301, in which the
  • the neural network which is of the type radial basic function network as described in [1], can be represented as follows:
  • the weighted local partial model yi (x) 303 is a product of an i-th standardized membership function ⁇ (x) and an i-th
  • the i-th local sub- model C ⁇ is a constant weighting factor which is assigned to the i-th center 304.
  • Weighting factor for the i-th center 304 g non-standardized membership function (hereinafter abbreviated as membership function)
  • a Gaussian function of the form becomes the membership function gi of the i-th local partial model
  • Partial model is determined by the variance ⁇ i.
  • the system behavior of the process can be described by the neural network.
  • Center ⁇ i 304 and the next neighboring center ⁇ i + i 306 are assigned.
  • ⁇ + ⁇ a *
  • FIG. 4 shows an illustration of a neural network that describes the system behavior of the process in a simplified manner.
  • FIG. 4 shows the simplified state space (x, y) 401, in which the system behavior of the process is described by so-called working points 402 of the process, which are shown in the form of a first function 412.
  • the fuzzy system which maps an input variable x to an output variable y, can be described as follows:
  • N i l
  • ⁇ i (x) is a membership function 403 normalized to 1
  • Center ⁇ i 404 is determined by a clustering method as described in [2] and [3].
  • the first area 407 is in each case the center ⁇ i 404 of the i-th partial model.
  • the first area 407 comprises the following interval:
  • the second 410 and the third 411 area of the i-th center are arranged in such a way that the second 410 and the third 411 area each directly adjoin the first area 407 of the center ⁇ 404.
  • the second region 410 is between the i-lth center 413 and the center ⁇ i 404 as well as the
  • ⁇ ( ⁇ i, ⁇ + ⁇ ) degree of overlap of the ith cluster center 404 with respect to the i + lth cluster center 412 (for the third area 411).
  • ⁇ i (x) gi, i-i for x e [ ⁇ i_ ⁇ , i; ⁇ i, i_ ⁇ ]
  • 02 ) ⁇ i, i + ⁇ ⁇ i + a *
  • FIGS. 5, 6 and 7 a, b describe a procedure for adapting the simplified fuzzy system shown above for a fuzzy system that has a two-dimensional input variable.
  • the fuzzy system has a three-dimensional state space (x, y) which comprises a two-dimensional input space (x).
  • the fuzzy system is represented as follows:
  • FIG. 5 the two-dimensional entrance space () 501 with the cluster centers is ⁇ . 502 shown. Furthermore, FIG. 5 shows ⁇ delimited by polygons 504 and in each case one cluster center. 502 assigned effective areas 503.
  • the effective areas 503, which are also referred to as areas of influence or Voronoi cells 503, are determined by a so-called Voronoi tiling, as described in [4].
  • the Voronoi cell 503 of a cluster center ⁇ . 502 is through
  • dminfe ⁇ i minU (x - ⁇ ⁇ * (x - ⁇ j, xe R n (14) with: d m i n (x, ⁇ .) minimum Euclidean distance one
  • a Voronoi cell 503 is delimited by a convex polygon 504, which has a center ⁇ assigned to the Voronoi cell 503. 502 encloses. Edges kij 505 of the polygon 504 can be considered
  • Cluster center ⁇ . 506 determined.
  • FIG. 6 shows a first 601 and a second 602 area corresponding to the simplified fuzzy system for an i-th cluster center ⁇ . 604 regarding a jth
  • Limits of a first 601 or second 602 area are linear polygons 607 which are parallel to an edge kij 605 of the Voronoi cell 606.
  • the polygons 607 are determined in such a way that all points of a boundary line
  • a form factor a has the value 0.5, for example.
  • a degree of overlap ⁇ ( ⁇ ., ⁇ . J is determined.
  • a normalized membership function ⁇ (x) of the i-th Voronoi cell 606 is corresponding to the normalized
  • Affiliation function of an i-th sub-model, as described in the simplified fuzzy system described above, is determined.
  • a first 701 special area is shown in FIG. 7a) and a second 702 special area is shown in FIG. 7b), for which a standardized membership function ⁇ sl (x) and ⁇ s2 ( ⁇ ) w i- e are determined as follows:
  • Voronoi cell 705 and 704 respectively
  • the clustering process can be carried out using a K-means process (KM) or a neural gas process (NG).
  • KM K-means process
  • NG neural gas process
  • any partial function ci (x) for example a linear function, can also be used in the local partial model.
  • ci (x) for example a linear function
  • Embodiment is used for monitoring and control of a steel rolling mill, also for the

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Feedback Control In General (AREA)
  • Complex Calculations (AREA)
  • Control Of Metal Rolling (AREA)
  • Stored Programmes (AREA)

Abstract

Es wird ein Verfahren und eine Anordnung zur rechnergestützten Ermittlung einer Zugehörigkeitsfunktion für einen Datenpunkt zu einem ausgewählten Cluster in einem vorgegebenen Raum, welche Zugehörigkeitsfunktion die Zugehörigkeit von dem Datenpunkt zu dem ausgewählten Cluster beschreibt, angegeben. Bei dem Verfahren wird ein Clusterring unter Verwendung vorgegebener Datenpunkte durchgeführt und mindestens drei Cluster ermittelt. Für jeden Cluster wird ein zugehöriges Clusterzentrum bestimmt. Die Zugehörigkeitsfunktion wird in Abhängigkeit von Abständen von dem ausgewählten Clusterzentrum jeweils zu den zu dem ausgewählten Clusterzentrum nächstbenachbarten Clusterzentren ermittelt.

Description

Be s ehr e ibung
Verfahren und Anordnung zur rechnergestützten Ermittlung einer Zugehörigkeitsfunktion
Die Erfindung bezieht sich auf die Ermittlung einer Zugehörigkeitsfunktion. Eine solche Zugehörigkeitsfunktion wird im Rahmen einer Abbildung einer Eingangsgröße auf eine Ausgangsgröße unter Verwendung eines neuronalen Netzes oder eines Fuzzy-Systems verwendet.
Eine Ermittlung einer derartigen Zugehörigkeitsfunktion für eine Abbildung durch ein sogenanntes Radiale-Basisfunktionen- Netz (RBF-Netz) ist aus [1] bekannt.
Ein Radiale-Basisfunktionen-Netz ist ein spezielles vorwärtsgerichtetes neuronales Netz, welches eine Abbildung beschreibt, durch die eine Eingangsgröße auf eine Ausgangsgröße abgebildet wird, und welches nur eine Schicht von verdeckten Neuronen besitzt. Ein verdecktes Neuron weist jeweils eine spezielle, radialsymetrische (radiale) Zugehörigkeitsfunktion (Aktivierungsfunktion) auf.
Eine Zugehörigkeitsfunktion bzw. Aktivierungsfunktion ist mathematisch gesehen eine Basisfunktion eines Teilsystems (Teilmodell) eines Systems von Funktionen auf einem Raum (Gesamtmodell) . Das Gesamtmodell wird für eine Abbildung, welche eine Eingangsgröße auf eine Ausgangsgröße in dem Raum abbildet, eingesetzt.
Dabei beschreibt eine Zugehörigkeitsfunktion bzw. Aktivierungsfunktion eine Zugehörigkeit eines Datenpunkts in dem Raum zu dem entsprechenden Teilmodell. Das Teilmodell weist ein sogenanntes Zentrum auf, welches ein
Datenpunkt in dem Raum ist, für welchen Datenpunkt die
Zugehörigkeitsfunktion ein absolutes Maximum liefert. Mit zunehmendem Abstand eines ausgewählten Datenpunkts von dem
Zentrum verringert sich der Wert der Zugehörigkeitsfunktion für den ausgewählten Datenpunkt.
Aus [1] ist bekannt, als eine Zugehörigkeitsfunktion eine Gaußfunktion zu verwenden.
Ein RBF-Netz, wie es aus [1] bekannt ist, läßt sich wie folgt beschreiben:
Es sei f : R —»R eine Funktion von R nach R, die durch N Stützstellen gegeben ist. Jede Stützstelle i besteht aus einem n-dimensionalen Eingabevektor Xi=(xii, ..., *in) unc* einem dazugehörigen reellwertigen Funktionswert yieR. Als Interpolationsbedingung gilt:
f(Xi)= yi für alle i= 1, ..., N. (1)
Das für eine Approximation verwendete Funktionensystem besteht aus radialsymetrischen Basisfunktionen hj_, die jeweils einer Stützstelle als jeweiligem Zentrum zugeordnet sind. Sie sind wie folgt definiert:
hi(X) :=f (| | X - Xi II). (2)
Die Basisfunktion h hat positive skalare Werte. Sie ist nur abhängig von einem Abstand eines Vektors X von der entsprechenden Stützstelle Xj_, die einem Neuron i zugeordnet ist, in einer beliebigen, vorgegebenen Norm. Meist wird ein euklidischer Abstand zwischen den Vektoren X und Xj_ im R als
Norm verwendet. Damit erhält man folgende Darstellung für das RBF-Netz:
N f(X) |χ - Xi : 3 )
mit:
C : Gewichtungsfaktor für das Zentrum i.
In dieser Darstellung weist die radiale Basisfunktion hi
einen Index i auf, weil die radiale Basisfunktion hj_ jeweils für ein zugeordnetes Zentrum i unterschiedliche Charakteristika, wie beispielsweise eine Breite oder eine Varianz einer Gaußfunktion, aufweist.
Ferner ist aus [1] ein Verfahren zu einem Training eines RBF- Netzes bekannt.
Aus [2] und [3] ist ein sogenanntes Fuzzy-Clustering- Verfahren zur Datenanalyse bekannt.
Im Rahmen des Fuzzy-Clusterings werden c Cluster und entsprechende Zugehörigkeiten von Datenvektoren x^ derart bestimmt, daß Datenvektoren, die in einem Datenraum nahe bei einem Cluster liegen, eine möglichst hohe Zugehörigkeit und weit von dem Cluster entfernt liegende Datenvektoren x^ eine möglichst geringe Zugehörigkeit zu dem jeweiligen Cluster aufweisen. Dies wird durch Minimierung einer Summe der mit
Zugehörigkeiten um k gewichteten quadratischen euklidischen
2 Abständen dj_k erreicht. Es soll also eine Menge X von
Datenvektoren Xk
X = { x_ , X2 , ... , Xk' ... , xn}
in c Cluster (Untermengen der Menge von Datenvektoren) gruppiert werden.
Die Cluster werden beschrieben durch eine Zugehörigkeitsmatrix U, welche c Zeilen und n Spalten aufweist. Jedes Element uj_k der Zugehörigkeitsmatrix U weist einen Wert innerhalb des Intervalls [0, 1] auf und beschreibt eine Zugehörigkeit des Datenvektors Xk zu dem i-ten Cluster.
Die Summe der Zugehörigkeiten des Datenvektors xk in den c Clustern muß folgender Vorschrift genügen:
c ∑ ik = 1 Vk = l...n. (8) i=l
Ein Cluster muß mindestens ein Element enthalten, so daß gilt:
n ∑ Uik > 0 Vi = 1...C (9) k=l
Die Kostenfunktion Jm der Zugehörigkeitswerte wird gemäß folgender Vorschrift gebildet:
i=lk=l
Ein Abstand dik wird gebildet gemäß folgender Vorschrift: dik = ≥k " ∑ll = ^(xk - v±) • A • (xk - v±) (11)
A
Es wird mit A eine vorgebbare induzierte Norm des inneren Produkts gemäß Vorschrift (4) bezeichnet, die üblicherweise durch die Identitätsmatrix gegeben ist (Euklidischer Abstand) .
Die Minimierung der Kostenfunktion Jm erfolgt unter Einsatz einer sogenannten Picard-Iteration.
Nacheinander werden Zugehörigkeitswerte uj_k und Clusterzentren y_i gemäß folgenden Vorschriften gebildet:
uik (12) dik m-1 j = lΛdjky
umJk •• *xk vi = j^ . (13) k= l
Die Ermittlung der Zugehörigkeitswerte uj_ und der Clusterzentren y_j_ wird solange wiederholt, bis eine festgelegte Anzahl von Iterationen durchgeführt worden ist oder bis eine Änderung der Zugehörigkeitswerte u und/oder bis eine Änderung der Clusterzentren y_i unter einem vorgegebenen Schwellenwert liegt.
Bei diesem oben beschriebenen, auch als Fuzzy-C-Means- Clustering bezeichneten Verfahren werden die Cluster durch ihre Clusterzentren y_i beschrieben. Aus [4] ist eine sogenannte Voronoi-Parkettierung zur
Bestimmung eines Einflußbereiches (Voronoi-Zelle) eines zu dem Einflußbereich zugeordneten Clusterzentrums μ. bekannt.
Bei der aus [4] bekannten Vorgehensweise wird auf eine Delaunay-Triangulierung zurückgegriffen .
Die Voronoi-Zelle des Clusterzentrums —μι. ist durch alle
Punkte x definiert, für die folgende Gleichung erfüllt ist:
dminfe μ ± ) = min]J " ^f * " ü x e Rn 14
mit : dmin(-i' ") minimaler euklidischer Abstand eines
Datenpunkts x zu einem Zentrum μ. i Laufvariable.
In einem zweidimensionalen Eingangsraum wird eine Voronoi- Zelle durch ein konvexes Polygon begrenzt, das ein zugeordnetes Clusterzentrum μ. umschließt. Eine Kante kj_ή des Polygons läßt sich als eine Mittelsenkrechte zu jeweils einem benachbarten Clusterzentrum μ. wie folgt definieren:
n * (x - a) = 0 (15)
mit: n = μ. - μ.
2 x Datenpunkt der Kante kj_j, welche die i-te Voronoi-Zelle bezüglich der benachbarten j-ten- Voronoi-Zelle begrenzt. Für einen mehrdimensionalen Eingangsraum gilt die Gleichung (15) einschließlich aller enthaltenen Teilgleichungen entsprechend.
Bei einem dreidimensionalen Eingangsraum ist beispielsweise die für den zweidimensionalen Eingangsraum eingeführte Kante kj_j eine Ebene. Das konvexe Polygon ist ein konvexes
Polyeder.
In einem höherdimensionalen Eingangsraum werden der Begriff Kante durch den Begriff Hyper-Ebene und der Begriff Polygon durch den Begriff Hyper-Polyeder ersetzt.
Eine Abbildung, die ein Systemverhalten eines technischen Systems bzw. Prozesses beschreibt und eine bekannte Zugehörigkeitsfunktion, welche die Abbildung bestimmt, verwendet, weist in vielen Fällen den Nachteil auf, daß die Abbildung das Systemverhalten in vielen Fällen nicht realistisch beschreibt.
Der Erfindung liegt das Problem zugrunde, ein Verfahren und eine Anordnung anzugeben, mit denen eine Zugehörigkeitsfunktion bestimmt werden kann, wobei eine Abbildung,' die eine Eingangsgröße auf eine Ausgangsgröße unter Verwendung der Zugehörigkeitsfunktion abbildet, dahingehend verbessert wird, daß ein Prozeß, welcher durch die Abbildung beschrieben wird, möglichst realistisch beschrieben wird.
Das Problem wird durch das Verfahren sowie durch die Anordnung mit den Merkmalen gemäß den unabhängigen Patentansprüchen gelöst.
Ein Verfahren zur rechnergestützten Ermittlung einer Zugehörigkeitsfunktion für einen Datenpunkt zu einem ausgewählten Cluster in einem vorgegebenen Raum, welche Zugehörigkeitsfunktion die Zugehörigkeit von dem Datenpunkt zu dem ausgewählten Cluster beschreibt, weist folgende Schritte auf: a) es wird ein Clustering unter Verwendung vorgegebener Datenpunkte durchgeführt; b) es werden mindestens drei Cluster ermittelt; c) es wird für jeden Cluster ein zugehöriges Clusterzentrum bestimmt; d) die Zugehörigkeitsfunktion wird in Abhängigkeit von
Abständen von dem ausgewählten Clusterzentrum jeweils zu den zu dem ausgewählten Clusterzentrum nächstbenachbarten Clusterzentren ermittelt.
Eine Anordnung zur rechnergestützten Ermittlung einer Zugehörigkeitsfunktion für einen Datenpunkt zu einem ausgewählten Cluster in einem vorgegebenen Raum, welche Zugehörigkeitsfunktion die Zugehörigkeit von dem Datenpunkt zu dem ausgewählten Cluster beschreibt, weist einen Prozessor auf, mit dem folgende Verfahrensschritte durchführbar sind: a) es ist ein Clustering unter Verwendung vorgegebener Datenpunkte durchführbar; b) es sind mindestens drei Cluster ermittelbar; c) für jeden Cluster ist ein zugehöriges Clusterzentrum bestimmbar; d) die Zugehörigkeitsfunktion ist in Abhängigkeit von Abständen von dem ausgewählten Clusterzentrum jeweils zu den zu dem ausgewählten Clusterzentrum nächstbenachbarten Clusterzentren ermittelbar.
Diese Anordnung ist insbesondere geeignet zur Durchführung des erfindungsgemäßen Verfahrens oder einer seiner nachfolgend erläuterten Weiterbildungen.
Bevorzugte Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen. Bevorzugt wird der Abstand derart berücksichtigt, daß eine Steigung der Zugehörigkeitsfunktion mit einem zunehmenden Abstand des ausgewählten Clusterzentrums zu einem nächstbenachbarten Clusterzentrum zunimmt.
Die Zugehörigkeitsfunktion wird bevorzugt als eine Aktivierungsfunktion verwendet.
Eine verbesserte Beschreibung eines technischen Prozesses durch ein neuronales Netz oder ein Fuzzy-System läßt sich dadurch erreichen, daß die Zugehörigkeitsfunktion mindestens eine erste Teilfunktion und mindestens eine zweite Teilfunktion aufweist.
Bevorzugt wird die Zugehörigkeitsfunktion normiert.
Bevorzugt können die Clusterzentren mittels einer minimalen Euklidische Norm bestimmt werden.
Bei der Beschreibung eines komplexen technischen Systems unter Verwendung eines neuronalen Netzes oder eines Fuzzy- Systems ist der Raum ein mehrdimensionaler Raum.
In einer Weiterbildung werden die Datenpunkte gemessen, wobei die Datenpunkte Arbeitspunkte eines technischen Systems sind.
Bevorzugt ist das technische System ein Stahlwalzwerk.
In einer Weiterbildung werden/wird ein Überlappungsbereich und/oder Überlappungsgrad λ für das ausgewählte
Clusterzentrum bezüglich eines zu dem Clusterzentrum nächstbenachbarten Clusterzentrum bestimmt.
Bevorzugt wird der Überlappungsgrad λ unter Berücksichtigung von dem Abstand des ausgewählten Clusterzentrums zu einem zu dem Clusterzentrum nächstbenachbarten Clusterzentrums bestimmt . In einer Weiterbildung wird der Überlappungsgrad λ für einen zweidimensionalen Raum nach folgender Vorschrift gebildet:
λ _(tμ±, μi + (16) mit: λ(μi, μi+χ)=Überlappungsgrad des i-ten Clusterzentrums bezüglich des i+l-ten Clusterzentrums μi= Datenpunkt des i-ten Clusterzentrum μi+i= Datenpunkt des i+l-ten Clusterzentrum oci,i+ι= Grenze eines Überlappungsbereichs für das i-te
Clusterzentrum bezüglich des i+l-ten
Clusterzentrums αi+ι i= Grenze eines Überlappungsbereichs für das i+l-te Clusterzentrum bezüglich des i-ten
Clusterzentrums .
Für einen mehrdimensionalen Raum wird in einer Weiterbildung der Überlappungsgrad λ nach folgender Vorschrift gebildet:
,, d(ki, i + 1' «i, i + 1> ^ *i + l' - ^ ± + „ u. mit : λ(μ.,μ. )= Überlappungsgrad des i-ten Clusterzentrums bezüglich des i+l-ten Clusterzentrums d= Abstand von Datenpunkten zueinander μ. = Datenpunkt des i-ten Clusterzentrum μ. = Datenpunkt des i+l-ten Clusterzentrum ki,i+l= Datenpunkte, die eine Kante zwischen dem i-ten Cluster und dem i+l-ten Cluster bestimmen α^ j_ + ]= Datenpunkte des i-ten Clusters, die zu k i+i einen konstanten Abstand aufweisen.
Bevorzugt ist der Cluster eine Voronoi-Zelle. In einer Weiterbildung wird die zweite Teilfunktion nach folgender Vorschrift gebildet wird:
π i,i+l(χ) = °-5 + °-5 sin(πx()i + —) (18)
x= Datenpunkt
Ψi,i+l(χ)= zweite Teilfunktion der Zugehörigkeitsfunktion des i-ten Clusterzentrums bezüglich des i+l-ten Clusterzentrums αi,i+l= Grenze eines Überlappungsbereichs für das i-te
Clusterzentrum bezüglich des i+l-ten Clusterzentrums αi+i = Grenze eines Überlappungsbereichs für das i+l-te
Clusterzentrum bezüglich des i-ten Clusterzentrums
mit der Normierung: x ~ αi,i+l ....
XQi = • (19) αi,i+l " αi+l,i
Weiterbildungen/Eine Weiterbildung werden/wird bevorzugt für eine Ermittlung einer Basisfunktion für ein neuronales Netz und/oder für die Ermittlung einer Aktivierungsfunktion für ein Fuzzy-System eingesetzt.
Ferner werden/wird Weiterbildungen/eine Weiterbildung für die Bestimmung eines Datenpunkts unter Verwendung des neuronalen Netzes und/oder des Fuzzy-Systems eingesetzt.
Bevorzugt wird Weiterbildungen im Rahmen eines Trainings eines neuronalen Netzes eingesetzt. Insbesondere wird eine
Weiterbildung bei einem Online-Lernen eines neuronalen Netzes eingesetzt .
Bevorzugt wird eine Ausgestaltung für eine Überwachung einer Stahlwalzanlage eingesetzt. Darüber hinaus kann eine weitere Ausgestaltung für eine Steuerung einer Stahlwalzanlage eingesetzt werden.
Ausführungsbeispiele der Erfindung sind in Figuren dargestellt und werden im weiteren näher erläutert.
Es zeigen:
Figur 1 Schematische Darstellung von Komponenten einer durch ein neuronales Netz bzw. ein Fuzzy-System überwachten und gesteuerten Stahlwalzanlage
Figur 2 Verfahrensschritte für ein Training des neuronalen
Netzes bzw. Fuzzy-Systems Figur 3 Darstellung einer Abbildung durch ein neuronales Netz Figur 4 Darstellung einer Abbildung durch ein Fuzzy-System Figur 5 Darstellung eines durch Voronoi-Zellen geclusterten
Eingangsraums Figur 6 Darstellung von zwei benachbarten Voronoi-Zellen Figur 7a, b Darstellung von Sonderbereichen bei benachbarten Voronoi-Zellen
In Figur 1 sind schematisch Komponenten einer unter Verwendung eines neuronalen Netzes überwachten und gesteuerten Stahlwalzanlage zu einer Stahlverarbeitung dargestellt.
Figur 1 zeigt ein System der Stahlwalzanlage 101 zur Stahlverarbeitung (Walzprozeß) . Das System der Stahlwalzanlage 101 wird unter Verwendung eines neuronalen Netzes 102 überwacht und gesteuert. Ein Systemverhalten der Stahlwalzanlage 101 wird durch das neuronale Netzes 102, welches vom Typ Radiale-Basisfunktionen-Netz ist, beschrieben. Anstelle des neuronalen Netzes 102 kann auch ein Fuzzy-System
110 für die Überwachung und die Steuerung der Stahlwalzanlage
101 eingesetzt werden.
Ferner sind geeignete Meßmittel 103, beispielsweise Sensoren 103, dargestellt, mit denen Prozeßgrößen, die den Prozeß der Stahlverarbeitung beeinflussen, gemessen werden. Die Meßmittel 103 sind über einem Bus 104 mit einem Speicher 105 verbunden. Zu vorgebbaren Zeitpunkten werden die Prozeßgrößen gemessen und in dem Speicher 105 gespeichert.
Die gemessenen Prozeßgrößen sind chemische Prozeßgrößen, wie beispielsweise eine Kohlenstoffkonzentration oder eine Mangankonzentration, eine Endbandtemperatur eines gewalzten Stahlbandes, eine Endbanddicke des gewalzten Stahlbandes sowie eine Walzengeschwindigkeit.
Ferner ist ein weiteres Meßmittel 106 dargestellt, mit dem eine weitere Prozeßgröße, eine Walzkraft, die eine zu überwachende Größe und eine Steuergröße des Prozesses bzw. des Systems der Stahlwalzanlage 101 ist, gemessen wird. Das weitere Meßmittel 106 ist ebenfalls über den Bus 104 mit dem Speicher 105 verbunden. Die weitere Prozeßgröße wird ebenfalls an dem System Stahlwalzanlage 101 zu den vorgebbaren Zeitpunkten gemessen und in dem Speicher 105 gespeichert.
Der Speicher 105 ist über einen weiteren Bus 115 mit einer Verarbeitungseinheit 107, die einen Prozessor 108 aufweist, beispielsweise ein Rechner, verbunden. Das neuronale Netz 102 bzw. das Fuzzy-System 110 ist in Form von Software in der Verarbeitungseinheit 107 gespeichert. Der Prozessor 108 führt die Software aus. Die Walzkraft ist eine Ausgangsgröße des neuronalen Netzes
102 bzw. des Fuzzy-Systems 110, welches das Systemverhalten der Stahlwalzanlage 101 beschreibt. Die Walzkraft wird aus
Eingangsgrößen, die an das neuronale Netz 101 bzw. an das Fuzzy-System 110 angelegt werden, wobei das neuronale Netz
101 bzw. das Fuzzy-System 110 ein vorgebbares
Abbildungsverhalten aufweist, bestimmt wird.
Für die Bestimmung der Eingangsgrößen des neuronalen Netzes 102 bzw. des Fuzzy-Systems 110 werden aus den gemessenen
Prozeßgrößen solche Prozeßgrößen ausgewählt, die den Prozeß der Stahlverarbeitung maßgeblich beeinflussen. Der Einfluß jeweils einer Prozeßgröße auf den Prozeß wird durch eine Sensitivitätsanalyse bestimmt. Es werden folgende Eingangsgrößen ausgewählt:
- Kohlenstoffkonzentration des verarbeiteten Stahls
- Mangankonzentration des verarbeiteten Stahls
- Endbandtemperatur eines gewalzten Stahlbandes
- Endbanddicke des gewalzten Stahlbandes - Walzengeschwindigkeit einer Stahlwalze
Die Eingangsgrößen werden an das neuronale Netz 102 bzw. an das Fuzzy-System 110 angelegt. Das neuronale Netz 102 bzw. das Fuzzy-System 110 bestimmt unter Verwendung der Eingangsgrößen die Ausgangsgröße Walzkraft. Die Ausgangsgröße wird an dem neuronalen Netz 102 bzw. an dem Fuzzy-System 110 mittels eines Mittels 108 abgegriffen und über eine Datenleitung 109, welche das neuronale Netz 102 bzw. das Fuzzy-System 110 mit dem System der Stahlwalzanlage 101 verbindet, an das System der Stahlwalzanlage 101 übertragen.
Unter Verwendung der Ausgangsgröße Walzkraft wird das System Stahlwalzanlage 101 unter Verwendung geeigneter Mittel 111 überwacht und gesteuert, wobei durch eine geeignete Einstellung der Walzkraft eine vorgegebene Endbanddicke des
Stahlbandes erzeugt wird.
Die einzustellende Walzkraft wird unter Verwendung des neuronalen Netzes 102 bzw. des Fuzzy-Systems 110 für eine vorgegebene Endbanddicke des Stahlbandes bestimmt.
Figur 2 zeigt Verfahrensschritte, die im Rahmen eines Trainings des neuronalen Netzes, mit welchem Training ein vorgebbares Abbildungsverhalten bestimmt wird, durchgeführt werden.
Die Verfahrensschritte werden entsprechend bei dem Fuzzy- Systems durchgeführt.
Für das Training des neuronalen Netzes werden Trainingsdaten derart ermittelt, daß die ausgewählten Prozeßgrößen 201 und die Walzkraft 202 an der Stahlwalzanlage zu vorgebbaren Zeitpunkten gemessen, jeweils für einen Zeitpunkt als ein Trainingsdatenvektor 203 zusammengefaßt und in dem Speicher gespeichert werden 204.
Die Trainingsdatenvektoren werden an das neuronale Netz angelegt 205.
Als eine Targetgröße für das Training des neuronalen Netzes wird ein unter Verwendung der Ausgangsgröße Walzkraft bestimmter sogenannter Walzkraftkorrekturfaktor ermittelt 206.
Unter Verwendung der Trainingsdatenvektoren und der Targetgröße wird das neuronale Netz mit einem bekannten Trainingsverfahren, wie es in [1] beschrieben ist, trainiert 207. Das Training des neuronalen Netzes wird bevorzugt im Betrieb der Stahlwalzanlage durchgeführt, wobei die Trainingsdaten im
Betrieb der Stahlwalzanlage gemessen werden und damit auch
Anwendungsdaten für das neuronale Netz sind. Ein derartiges Training wird als ein sogenanntes Online-Training bezeichnet.
Das Online-Training weist den Vorteil auf, daß eine Änderung in dem Systemverhalten der Stahlwalzanlage ohne große Zeitverzögerung in dem Abbildungsverhalten des neuronalen Netzes berücksichtigt wird. Eine solche Änderung kann beispielsweise durch eine Abnutzung von einer Komponente der Stahlwalzanlage verursacht werden.
Im folgenden wird ein Abbildungsverhalten eines neuronalen Netzes bzw. eines Fuzzy-Systems, wie es für eine Überwachung und ein Steuerung eines Systems eines technischen Systems, beispielsweise das oben beschriebene System der Stahlwalzanlage, eingesetzt wird, näher beschrieben.
Figur 3 zeigt in einer vereinfachten Darstellung eine Abbildung durch ein neuronales Netz.
Für die vereinfachte Darstellung wird ein eindimensionaler Eingangsraum (x) als ein Eingangsraum des neuronalen Netzes mit einer eindimensionalen Eingangsgröße x verwendet. Im
Allgemeinen wird eine Dimension des Eingangsraums durch eine Anzahl von Eingangsgrößen bestimmt. Das oben beschriebene neuronale Netz zur Überwachung und Steuerung der Stahlwalzanlage weist beispielsweise einen mehrdimensionalen Eingangsraum auf. Die Ausgangsgröße des neuronalen Netzes ist eine eindimensionale Ausgangsgröße y. Damit erfolgt durch das neuronale Netz, das ein Systemverhalten eines technischen Systems beschreibt, eine Abbildung der Eingangsgröße x auf die Ausgangsgröße y in einem Zustandsraum (x,y) 301. Figur 3 zeigt den Zustandsraum (x,y) 301, in dem das
Systemverhalten des Prozesses durch sogenannte Arbeitspunkte
302 des Prozesses, die in Form einer ersten Funktion 312 dargestellt sind, beschrieben ist.
Das neuronale Netz, welches vom einem Typ Radiale- Basisfunktionen-Netz, wie es in [1] beschrieben ist, ist, läßt sich wie folgt darstellen:
N N Y = ∑YiW =∑Ci * Φi(x), (20) i=l i=l
wobei yι(x) ein gewichtetes i-tes lokales Teilmodell 303 ist,
das einem Clusterzentrum μ (Zentrum) 304 zugeordnet ist. Das
Zentrum μ 304 wird durch ein Clusteringverfahren, wie es in [2] und [3] beschrieben ist, bestimmt. Das gewichtete lokale Teilmodell yi (x) 303 ist ein Produkt aus einer i-ten normierten Zugehörigkeitsfunktion φ (x) und einem i-ten
lokalen Teilmodell Ci . Bei dem Radiale-Basisfunktionen-Netz
ist das i-te lokale Teilmodell CΪ ein konstanter Gewichtungsfaktor, der dem i-ten Zentrum 304 zugeordnet ist.
Für die normierte Zugehörigkeitsfunktion des lokalen Teilmodells φi(x) gilt:
ΦiW = ~ ~- (21)
i=l mit N Zahl der Clusterzentren i Index für ein Clusterzentrum
Gewichtungsfaktor für das i-te Zentrum 304 g : nicht normierte Zugehörigkeitsfunktion (im folgenden verkürzt als Zugehörigkeitsfunktion bezeichnet)
Als die Zugehörigkeitsfunktion gi des i-ten lokalen Teilmodells wird eine Gaußfunktion der Form
gi = exp( i- * (x - μi) * (x -μi)) (22)
2 * σi mit: σi Varianz der Zugehörigkeitsfunktion gi verwendet.
Die Form der Zugehörigkeitsfunktion gi des i-ten lokalen
Teilmodells wird durch die Varianz σi bestimmt.
Durch die fest vorgegeben Varianz σi der
Zugehörigkeitsfunktion gi ist nur eine unzureichende
Beschreibung des Systemverhaltens des Prozesses durch das neuronale Netz möglich.
Eine verbesserte Beschreibung des Systemverhalten durch das neuronale Netz wird dadurch möglich, daß die Varianz σi der
Zugehörigkeitsfunktion gi derart bestimmt wird, daß Abstände
von dem Zentrum μi jeweils zu den zu dem Zentrum μi 304
nächstbenachbarten Zentren μi-i 305 und μi+i 306 bei der
Ermittlung der Varianz σi berücksichtigt werden. Damit werden jeweils für ein i-tes lokales Teilmodell zwei
Varianzen, σ^i-i und σi,i+i/ bestimmt.
Für die Zugehörigkeitsfunktion gi ergeben sich somit zwei
Unterfunktionen gi i-i und gι,i+ι, die jeweils dem Zentrum μi
304 und dem nächstbenachbarten Zentrum μi-i 305 sowie dem
Zentrum μi 304 und dem nächstbenachbarten Zentrum μi+i 306 zugeordnet sind.
Die Varianz σi .-l unc* die Varianz θj_ r ι+ι werden folgendermaßen bestimmt: σi _ι = a * |μ - μ -l| , (für die Unterfunktion gi,i-ι) (23)
σ +ι = a * |μ - μi+i|, (für die Unterfunktion gi,i+ι) (24) wobei ein Formfaktor a beispielsweise den Wert 0.5 aufweist.
Für ein Zentrum μi 304/ welches nur ein nächstbenachbartes
Zentrum μi+i 306 oder ein nächstbenachbartes Zentrum μi-i 305
aufweist, wird die für das Zentrum μ 304 und jeweils das
vorhandene' nächstbenachbarte Zentrum μi+i 306 bzw. μi-i 305 bestimmte Varianz σ^i+i bzw. σi^i-i für das gesamte i-te lokale Teilmodell verwendet.
In Figur 4 ist eine Abbildung eines neuronalen Netzes, welches das Systemverhalten des Prozesses beschreibt, vereinfacht dargestellt.
Die Vereinfachung eines Zustandsraums wurde entsprechend den obigen Ausführungen durchgeführt. Figur 4 zeigt den vereinfachten Zustandsraum (x,y) 401, in dem das Systemverhalten des Prozesses durch sogenannte Arbeitspunkte 402 des Prozesses, die in Form einer ersten Funktion 412 dargestellt sind, beschrieben ist.
Das Fuzzy-System, das eine Eingangsgröße x auf eine Ausgangsgröße y abbildet, läßt sich wie folgt beschreiben:
N i=l wobei φi(x) eine auf 1 normierte Zugehörigkeitsfunktion 403
(Aktivierungsfunktion) eines i-ten lokalen Teilmodells ist, das einen abgegrenzten Wirkungsbereich 406 aufweist und das einem Clusterzentrum μi (Zentrum) 404 zugeordnet ist. Das
Zentrum μi 404 wird durch ein Clusteringverfahren, wie es in [2] und [3] beschrieben ist, bestimmt.
Für die normierte Zugehörigkeitsfunktion φi (x) 403 und für den zugeordneten Wirkungsbereich 406 des i-ten lokalen Teilmodells gilt:
In einem ersten Bereich 407 des Wirkungsbereichs 406 des i- ten Teilmodells weist die zugeordnete normierte
Zugehörigkeitsfunktion φi (x) 403 den Wert 1 auf. In dem
ersten Bereich 407 liegt jeweils das Zentrum μi 404 des i-ten Teilmodells.
Der erste Bereich 407 umfaßt folgendes Intervall:
[αi,i-i; «i,i+l] <*i, i-l≤μi≤«i, i+1 mit : αi,i_ι= Grenze 408 des ersten Bereichs 407 für das i-te Clusterzentrum 404 bezüglich des i-l-ten Clusterzentrums 413 αi,i+l= Grenze 409 des ersten Bereichs 407 für das i+l-te Clusterzentrum 412 bezüglich des i-ten
Clusterzentrums 404
In einem zweiten 410 und einem dritten Bereich 411 des Wirkungsbereichs 406 des i-ten Teilmodells, welche auch als Überlappungsbereiche bezeichnet werden, weisen jeweils die zugeordneten normierten Zugehörigkeitsfunktionen φi (x) 403
Werte aus dem Intervall [0;1] auf. Dabei hat die normierte
Zugehörigkeitsfunktion φi (x) 403 jeweils die Eigenschaft, daß
mit einem zunehmenden Abstand von dem Zentrum μi 404 des i- ten Teilmodells die Werte der normierten
Zugehörigkeitsfunktionen φi (x) 403 auf 0 abfallen. Der Abfall ist um so größer, je geringer ein Abstand zu dem zum Zentrum μi 404 nächstbenachbarten Zentrum μι+ι 412 oder Zentrum μi-i
413 ist.
Der zweite 410 und der dritte 411 Bereich des i-ten Zentrums sind derart angeordnet, daß der zweite 410 und der dritte 411 Bereich jeweils direkt an den ersten Bereich 407 des Zentrums μ 404 angrenzen. Dabei ist der zweite Bereich 410 zwischen dem i-l-ten Zentrum 413 und dem Zentrum μi 404 sowie der
dritte 411 Bereich zwischen dem Zentrum μi 404 und dem i+l- ten Zentrum 412 angeordnet.
Der zweite Bereich 410 umfaßt folgendes Intervall: [αi_ι,i; μi-i≤αi-i,i ,αι,i_ι≤μi mit : «i-l,^ Grenze 414 des ersten Bereichs 407 für das i-l-te Clusterzentrum 413 bezüglich des i-ten Clusterzentrums 404 αi,i-ι= Grenze 415 des ersten Bereichs 407 für das i-te Clusterzentrum 404 bezüglich des i-l-ten
Clusterzentrums 413
Der dritte Bereich 411 umfaßt folgendes Intervall: tαi,i+i; αi+l,i]/ μi≤cti,i+l fCti+l,i≤μi+l mit: αi,i+l= Grenze 416 des ersten Bereichs 407 für das i-te Clusterzentrum 404 bezüglich des i+l-ten Clusterzentrums 412
0:1+1,1= Grenze 417 des ersten Bereichs für das i+l-te Clusterzentrum 412 bezüglich des i-ten
Clusterzentrums 404
Für eine Beschreibung der Überlappungsbereiche wird jeweils ein sogenannter Überlappungsgrad λ(μι, μi-i) für den zweiten
410 und ein Überlappungsgrad λ(μι, μι+ι) den dritten 411 Bereich bestimmt.
Dabei gilt: λ(μι, des i-ten Clusterzentrums 404 bezüglich des i-l-ten Clusterzentrums 413 (für den zweiten Bereich 410) λ(μi, μι+ι) =Überlappungsgrad des i-ten Clusterzentrums 404 bezüglich des i+l-ten Clusterzentrums 412 (für den dritten Bereich 411) .
Ferner gilt :
1 N αi, i + 1 ~ αi + 1, i , „ _. , λ<μi' μi + 1 ) = — — ( 25 ; μi - μi + 1
und λ(μι, μi _ D = α± " i " ^ i " l (26) μi - ι - μi
Außerhalb des Wirkungsbereichs 406 des i-ten Teilmodells weisen jeweils die zugeordneten Zugehörigkeitsfunktionen den Wert 0 auf.
Somit läßt sich die normierte Zugehörigkeitsfunktion φι(x) 403 des i-ten Teilmodells wie folgt beschreiben:
1 für x e [αi,i_ι;αi,i+1]
φi(x)= gi,i-i für x e [αi_ι,i;αi,i_ι]
gi,i+l für x e [αi, i+1 ;αi+1 ± ]
0 für x < αι_ ι oder x > αι+ i (27)
mit: π 9i,i-l(χ) = °-5 + °-5 sin(πxn + —) (28)
9i,i+l(χ) = °-5 + °-5 sin(πxoι + -) (29)
gi,i-l(χ)= Zugehörigkeitsfunktion des i-ten Clusterzentrums • 404 bezüglich des i-l-ten Clusterzentrums 413 gi,i+l(χ)= Zugehörigkeitsfunktion des i-ten Clusterzentrums 404 bezüglich des i+l-ten Clusterzentrums 412
mit den Normierungen: x - i ι+ι x0i = -± (30) αi,i+l " αi+l,i x - αi ι_ι xli = ^^-^ (31) αi,i-l - αi-l,i Die Grenze αι,i+ι 409 und Grenze αι,ι_ι 408 werden wie folgt bestimmt: αi, i-ι = μi - a * |μ± - μ± — 1| 02 ) αi, i + ι = μi + a * |μ± - μι +ι| ( 33 ) wobei ein Formfaktor a beispielsweise den Wert 0.1 aufweist.
Die Grenzen für die Teilmodelle i-1 bzw. i+1 werden entsprechend bestimmt.
Anhand von Figuren 5,6 und 7a, b wird eine Vorgehensweise beschrieben, wie das oben dargestellte vereinfachte Fuzzy- System für ein Fuzzy-System, das eine zweidimensionale Eingangsgröße aufweist, angepaßt wird.
Eine eindimensionale Eingangsgröße x wird in einen zweidimensionalen Vektor x = (xj, X2) T , der Eingangsgrößen xi und X2 umfaßt, geändert. Das Fuzzy-System weist einen dreidimensionalen Zustandsraum (x, y) auf, der einen zweidimensionalen Eingangsraum (x) umfaßt.
Das Fuzzy-System wird wie folgt dargestellt:
N y = ∑ ci * Φi( ) t ( 34 : i=l
In [2] und [3] ist beschrieben, wie Clusterzentren für das Fuzzy-System ermittelt werden.
In Figur 5 ist der zweidimensionale Eingangsraum () 501 mit den Clusterzentren μ. 502 dargestellt. Ferner zeigt Figur 5 durch Polygone 504 abgegrenzte und jeweils einem Clusterzentrum μ. 502 zugeordnete Wirkungsbereiche 503. Die Wirkungsbereiche 503, die auch als Einflußbereiche oder Voronoi-Zellen 503 bezeichnet werden, werden durch eine sogenannte Voronoi-Parkettierung, wie sie in [4] beschrieben ist, bestimmt.
Bei dem aus [4] bekannten Vorgehen wird auf eine Delaunay- Triangulierung zurückgegriffen.
Die Voronoi-Zelle 503 eines Clusterzentrums μ. 502 ist durch
—ι alle Punkte x definiert, für die folgende Gleichung erfüllt ist :
dminfeμi) = minU(x - μ^ * (x - μ j, x e Rn (14) mit: dmin(x, μ.) minimaler euklidischer Abstand eines
Datenpunkts x zu dem Zentrum μ. 502
i Laufvariable.
In dem zweidimensionalen Eingangsraum 501 wird eine Voronoi- Zelle 503 durch ein konvexes Polygon 504 begrenzt, das ein der Voronoi-Zelle 503 zugeordnetes Zentrum μ. 502 umschließt. Kanten kij 505 des Polygons 504 lassen sich als
Mittelsenkrechte zu einem zu dem Zentrum μ. 502
—ι benachbarten Zentren μ. 506 wie folgt beschreiben:
n * (x - a) = 0 (15)
mit : n = μ, - μ. μ. - μ. a = —
2 x Datenpunkt der Kante kij 505, welche die i-te Voronoi- Zelle 503 bezüglich der nächstbenachbarten j-ten- Voronoi-Zelle 506 begrenzt.
Entsprechend dem oben dargestellten vereinfachten Fuzzy- System werden jeweils ein ersten, zweiter und dritter Bereich für ein i-tes Clusterzentrum μ. 502 bezüglich eines j-ten
Clusterzentrums μ. 506 bestimmt.
-:
In Figur 6 sind jeweils ein erster 601 und ein zweiter 602 Bereich entsprechend dem vereinfachten Fuzzy-System für ein i-tes Clusterzentrum μ. 604 bezüglich eines j-ten
Clusterzentrums μ. 610 dargestellt.
Grenzen eines ersten 601 oder zweiten 602 Bereichs sind jeweils lineare und zu einer Kanten kij 605 der Voronoi- Zelle 606 parallele Polygonzüge 607. Die Polygonzüge 607 werden derart bestimmt, daß alle Punkte einer Grenzlinie
C_L ^+ι 608 einen vorgegebenen und konstanten Abstand dαι,ι+ι
zu der Kante i ι+ 605, die den Wirkungsbereich 609 der i- ten Voronoi-Zelle 606 gegen den Wirkungsbereich 611 der i+l- ten Voronoi-Zelle 612 abgrenzt, aufweisen.
Der konstante Abstand d ι,ι+ι wird in Abhängigkeit des
Abstandes des i-tes Clusterzentrum μ. 604 bezüglich des j- ten Clusterzentrums -μι. + ,l 610 ermittelt:
wobei ein Formfaktor a beispielsweise den Wert 0.5 aufweist.
Entsprechend dem oben dargestellten vereinfachten Fuzzy- System wird ein Überlappungsgrad λ(μ.,μ. j bestimmt.
Dabei gilt:
λ( -μ, -μi + l) (17) mit : λ(μ.,μ. .)= Überlappungsgrad des i-ten Clusterzentrums 604 bezüglich des i+l-ten Clusterzentrums 610 d()= Abstand von Datenpunkten zueinander ki i+ι= Datenpunkte, die die Kante 605 zwischen der i-ten Voronoi-Zelle 606 und der i+l-ten Voronoi-Zelle 612 bestimmen.
Eine normierte Zugehörigkeitsfunktion φι(x) der i-ten Voronoi- Zelle 606 wird entsprechend der normierten
Zugehörigkeitsfunktion eines i-ten Teilmodells, wie es bei dem oben dargestellten vereinfachten Fuzzy-System beschrieben ist, bestimmt.
In Figur 7a) ist ein erster 701 Sonderbereich und in Figur 7b) ist ein zweiter 702 Sonderbereich dargestellt, für welche eine normierte Zugehörigkeitsfunktion φsl(x) und Φs2(χ) wi-e folgt bestimmt werden:
k=l
mit : k Index k=l bzw. k=2 für Φsl(_) bzw. φs2( ) K Anzahl der für den Sonderbereich 701 bzw. 702 relevanten Voronoi-Zellen 703, L=3 bzw. L=4 Φsi(x) normierte Zugehörigkeitsfunktion für die k-te relevante Voronoi-Zelle 703
wobei für die normierte Zugehörigkeitsfunktion φgι(x) für die k-te relevante Voronoi-Zelle 703 gilt: gl(x) = 0.5 + 0.5sm(πxr +—) (37)
mit
*■ " 5.1, m
Xπ =
5-m,l " 5.1, m (38) wobei : m Index für die zueinander nächstbenachbarten
Voronoi-Zellen 704 und 705 α-, „.fO:— i Grenzlinie 706 bzw. 707 der 1, m-ten Voronoi-
Zelle 704 bzw. 705 bezüglich der m, 1-ten
Voronoi-Zelle 705 bzw. 704
Im folgenden werden Alternativen des Ausführungsbeispiels dargestellt .
Anstelle des im Ausführungsbeispiel beschriebenen Fuzzy-
Clustering-Verfahrens kann das Clustering unter Verwendung eines K-Means-Verfahrens (KM) oder durch ein Neural-Gas- Verfahren (NG) erfolgen.
Anstelle des konstanten Gewichtungsfaktors ci für das i-te
lokale Teilmodell kann auch eine beliebige Funktion ci (x) , beispielsweise eine lineare Funktion, verwendet werden. Ferner kann die Erfindung, die bei dem beschriebenen
Ausführungsbeispiel für eine Überwachung und eine Steuerung einer Stahlwalzanlage eingesetzt wird, auch für die
Überwachung und Steuerung eines beliebigen technischen
Systems, wie beispielsweise eine Papierwickelvorrichtung oder eine Kläranlage eingesetzt werden.
Im Rahmen dieses Dokuments wurden folgende Veröffentlichungen zitiert :
[1] Zeil, A., "Simulation Neuronaler Netze", S. 225-240, Addison-Wesley Publishing Company, 1994
[2] J. Hollatz und T. Runkler, "Datenanalyse und
Regelerzeugung mit Fuzzy-Clustering, Fuzzy-Systeme in Theorie und Anwendungen", in: Hellendoorn Adamy Prehn Wegmann und Linzenkirchner, Kapitel 5.6, Siemens AG, Nürnberg, 1997
[3] J. C. Bezdek et al, "Detection and Characterization of Cluster Substructure", II. Fuzzy c Varieties and Convex Combinations thereof SIAM Journal on Applied Mathematics, Volume 40, No. 2, Seite 358-370, 1981
[4] J. O'Rourke, "Computational Geometry in C", S.168-
205, Cambridge University Press, 1995

Claims

Patentansprüche
1. Verfahren zur rechnergestützten Ermittlung einer Zugehörigkeitsfunktion für einen Datenpunkt zu einem ausgewählten Cluster in einem vorgegebenen Raum, welche
Zugehörigkeitsfunktion die Zugehörigkeit von dem Datenpunkt zu dem ausgewählten Cluster beschreibt, e) bei dem ein Clustering unter Verwendung vorgegebener Datenpunkte durchgeführt wird; f) bei dem mindestens drei Cluster ermittelt werden; g) bei dem für jeden Cluster ein zugehöriges Clusterzentrum bestimmt wird; h) bei dem die Zugehörigkeitsfunktion in Abhängigkeit von Abständen von dem ausgewählten Clusterzentrum jeweils zu den zu dem ausgewählten Clusterzentrum nächstbenachbarten Clusterzentren ermittelt wird.
2. Verfahren nach Anspruch 1, bei dem viele Cluster bestimmt werden.
3. Verfahren nach Anspruch 1 oder 2, bei dem der Abstand derart berücksichtigt wird, daß eine Steigung der Zugehörigkeitsfunktion mit einem zunehmenden Abstand des ausgewählten Clusterzentrums zu einem nächstbenachbarten Clusterzentrum zunimmt.
4. Verfahren nach einem der Ansprüche 1 bis 3, bei dem die Zugehörigkeitsfunktion als eine Aktivierungsfunktion verwendet wird.
5. Verfahren nach einem der Ansprüche 1 bis 4, bei dem die Zugehörigkeitsfunktion mindestens eine erste Teilfunktion und mindestens eine zweite Teilfunktion aufweist.
6. Verfahren nach Anspruch 5, bei dem die Zugehörigkeitsfunktion mehrere Teilfunktionen aufweist.
7. Verfahren nach einem der Ansprüche 1 bis 6, bei dem die Zugehörigkeitsfunktion normiert wird.
8. Verfahren nach einem der Ansprüche 1 bis 7, bei dem die Clusterzentren mittels einer minimalen Euklidische Norm bestimmt werden.
9. Verfahren nach einem der Ansprüche 1 bis 8, bei dem der Raum ein mehrdimensionaler Raum ist.
10. Verfahren nach einem der Ansprüche 1 bis 9, bei dem die Datenpunkte gemessen werden, wobei die
Datenpunkte Arbeitspunkte eines technischen Systems sind.
11. Verfahren nach Anspruch 10, bei dem das technische System ein Stahlwalzwerk ist.
12. Verfahren nach einem der Ansprüche 1 bis 11, bei dem ein Überlappungsbereich und/oder Überlappungsgrad λ für das ausgewählte Clusterzentrum bezüglich eines zu dem Clusterzentrum nächstbenachbarten Clusterzentrum bestimmt werden/wird.
13. Verfahren nach einem der Ansprüche 1 bis 12, bei dem der Überlappungsgrad λ unter Berücksichtigung von dem Abstand des ausgewählten Clusterzentrums zu einem zu dem Clusterzentrum nächstbenachbarten Clusterzentrums bestimmt wird.
14. Verfahren nach einem der Ansprüche 1 bis 13, bei dem der Überlappungsgrad λ für einen zweidimensionalen Raum nach folgender Vorschrift gebildet wird: mit : λ(μι, μι+ι) =Überlappungsgrad des i-ten Clusterzentrums bezüglich des i+l-ten Clusterzentrums μι= Datenpunkt des i-ten Clusterzentrum μi+l= Datenpunkt des i+l-ten Clusterzentrum αι,ι+ι= Grenze eines Überlappungsbereichs für das i-te
Clusterzentrum bezüglich des i+l-ten
Clusterzentrums oι+ι?i= Grenze eines Überlappungsbereichs für das i+l-te
Clusterzentrum bezüglich des i-ten
Clusterzentrums .
15. Verfahren nach einem der Ansprüche 1 bis 13, bei dem der Überlappungsgrad λ für einen mehrdimensionalen Raum nach folgender Vorschrift gebildet wird:
., d<*i, i + 1, α + !) λ(μ.,μ. = — '— (17)
-1 -1 + 1 d( if i + i, μi) mit: λ( —μ1. , —μ1. "τ,~ 1 = Überlappungsgrad des i-ten Clusterzentrums bezüglich des i+l-ten Clusterzentrums d= Abstand von Datenpunkten zueinander μ. = Datenpunkt des i-ten Clusterzentrum μ, = Datenpunkt des i+l-ten Clusterzentrum —1+1 kι,i+ι= Datenpunkte, die eine Kante zwischen dem i-ten
Cluster und dem i+l-ten Cluster bestimmen α.i,i+l= Datenpunkte des i-ten Clusters, die zu ki^i+i einen konstanten Abstand aufweisen.
16. Verfahren nach einem der Ansprüche 1 bis 15, bei dem der Cluster eine Voronoi-Zelle ist.
17. Verfahren nach einem der Ansprüche 1 bis 16, bei dem die zweite Teilfunktion nach folgender Vorschrift gebildet wird:
π φi,i+l(χ) = 0.5 + 0.5 sin(πxoι + —) (18)
x= Datenpunkt
Φi,i+l(χ)= zweite Teilfunktion der Zugehörigkeitsfunktion des i-ten Clusterzentrums bezüglich des i+l-ten Clusterzentrums αi ι+ι= Grenze eines Überlappungsbereichs für das i-te Clusterzentrum bezüglich des i+l-ten Clusterzentrums αι+ ι= Grenze eines Überlappungsbereichs für das i+l-te Clusterzentrum bezüglich des i-ten Clusterzentrums
mit der Normierung xx ~ ααii,,ii ++ll x0i = (19) αi,i + l " αi + l,i
18. Verfahren nach einem der Ansprüche 1 bis 17, eingesetzt für Ermittlung einer Basisfunktion für ein neuronales Netz.
19. Verfahren nach einem der Ansprüche 1 bis 18, eingesetzt im Rahmen eines Trainings und/oder eines Online- Lernens eines neuronalen Netzes.
20. Verfahren nach einem der Ansprüche 1 bis 19, eingesetzt für die Bestimmung eines Datenpunkts unter Verwendung des neuronalen Netzes.
21. Verfahren nach einem der Ansprüche 1 bis 20, eingesetzt für Bestimmung einer Aktivierungsfunktion für ein Fuzzy-System.
22. Verfahren nach Anspruch 21, eingesetzt für die Bestimmung eines Datenpunkts unter Verwendung eines Fuzzy-Systems.
23. Verfahren nach einem der Ansprüche 1 bis 22, eingesetzt im Rahmen einer Überwachung und/oder Steuerung einer Stahlwalzanlage.
24. Anordnung zur rechnergestützten Ermittlung einer Zugehörigkeitsfunktion für einen Datenpunkt zu einem ausgewählten Cluster in einem vorgegebenen Raum, welche Zugehörigkeitsfunktion die Zugehörigkeit von dem Datenpunkt zu dem ausgewählten Cluster beschreibt, welche Anordnung einen Prozessor aufweist, mit dem folgende Verfahrensschritte durchführbar sind: a) es ist ein Clustering unter Verwendung vorgegebener Datenpunkte durchführbar; b) es sind mindestens drei Cluster ermittelbar; c) für jeden Cluster ist ein zugehöriges Clusterzentrum bestimmbar; d) die Zugehörigkeitsfunktion ist in Abhängigkeit von
Abständen von dem ausgewählten Clusterzentrum jeweils zu den zu dem ausgewählten Clusterzentrum nächstbenachbarten Clusterzentren ermittelbar.
25. Anordnung nach Anspruch 24, bei der viele Cluster ermittelbar sind.
26. Anordnung nach Anspruch 24 oder 25, bei der die Datenpunkte meßbar sind, wobei die Datenpunkte Arbeitspunkte eines technischen Systems sind.
27. Anordnung nach Anspruch 26, bei der das technische System ein Stahlwalzwerk ist.
EP99916761A 1998-03-18 1999-02-26 Verfahren und anordnung zur rechnergestützten ermittlung einer zugehörigkeitsfunktion Withdrawn EP1070291A2 (de)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
DE19811906 1998-03-18
DE19811906 1998-03-18
PCT/DE1999/000525 WO1999048017A2 (de) 1998-03-18 1999-02-26 Verfahren und anordnung zur rechnergestützten ermittlung einer zugehörigkeitsfunktion

Publications (1)

Publication Number Publication Date
EP1070291A2 true EP1070291A2 (de) 2001-01-24

Family

ID=7861418

Family Applications (2)

Application Number Title Priority Date Filing Date
EP99916760A Expired - Lifetime EP1071999B1 (de) 1998-03-18 1999-02-26 Verfahren und anordnung zur rechnergestützten ermittlung einer abbildungsvorschrift
EP99916761A Withdrawn EP1070291A2 (de) 1998-03-18 1999-02-26 Verfahren und anordnung zur rechnergestützten ermittlung einer zugehörigkeitsfunktion

Family Applications Before (1)

Application Number Title Priority Date Filing Date
EP99916760A Expired - Lifetime EP1071999B1 (de) 1998-03-18 1999-02-26 Verfahren und anordnung zur rechnergestützten ermittlung einer abbildungsvorschrift

Country Status (4)

Country Link
EP (2) EP1071999B1 (de)
JP (1) JP2002507793A (de)
DE (1) DE59901352D1 (de)
WO (2) WO1999048017A2 (de)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10013509C1 (de) * 2000-03-20 2001-10-18 Harro Kiendl Verfahren zur datenbasierten Konstruktion eines Moduls mit den Daten entsprechendem Übertragungsverhalten und Modul hierfür
US7962441B2 (en) 2006-09-22 2011-06-14 Denso Corporation Air conditioner for vehicle and controlling method thereof
JP4360409B2 (ja) * 2007-02-13 2009-11-11 株式会社デンソー 車両用空調装置、車両用空調装置の制御方法および制御装置
JP4990115B2 (ja) 2007-12-06 2012-08-01 株式会社デンソー 位置範囲設定装置、移動物体搭載装置の制御方法および制御装置、ならびに車両用空調装置の制御方法および制御装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW297107B (de) * 1991-06-18 1997-02-01 Meidensha Electric Mfg Co Ltd
DE4416364B4 (de) * 1993-05-17 2004-10-28 Siemens Ag Verfahren und Regeleinrichtung zur Regelung eines Prozesses

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See references of WO9948017A2 *

Also Published As

Publication number Publication date
WO1999048020A3 (de) 1999-11-04
JP2002507793A (ja) 2002-03-12
WO1999048017A3 (de) 1999-11-04
EP1071999A2 (de) 2001-01-31
DE59901352D1 (de) 2002-06-06
EP1071999B1 (de) 2002-05-02
WO1999048020A2 (de) 1999-09-23
WO1999048017A2 (de) 1999-09-23

Similar Documents

Publication Publication Date Title
DE69324052T2 (de) Neuronalnetzwerk-Lernsystem
DE112023000011T5 (de) Ein primäres Frequenzmodulationssteuersystem der thermischen Stromerzeugungseinheit mit kleinen Störungen
EP2108139B1 (de) Verfahren zur rechnergestützten regelung und/oder steuerung eines technischen systems, insbesondere einer gasturbine
DE102018001028B4 (de) Numerische Steuerung
EP3785177A1 (de) Verfahren und vorrichtung zum ermitteln einer netzkonfiguration eines neurona-len netzes
DE102018221002A1 (de) Steuereinrichtung zur Steuerung einer Fertigungsanlage sowie Fertigungsanlage und Verfahren
DE102017220954A1 (de) Verfahren, Vorrichtung und Computerprogramm zur Ermittlung einer Anomalie
EP0997570B1 (de) Verfahren und Anordnung zur rechnergestützten Ermittlung von Clustern zur Erkennung von Schaumbildung in einer Waschmaschine sowie Verfahren und Anordnung zur Erkennung von Schaumbildung in einer Waschmaschine
EP1021793A2 (de) Anordnung miteinander verbundener rechenelemente, verfahren zur rechnergestützten ermittlung einer dynamik, die einem dynamischen prozess zugrunde liegt und verfahren zum rechnergestützten trainieren einer anordnung miteinander verbundener rechenelemente
EP1055180B1 (de) Verfahren und anordnung zum entwurf eines technischen systems
EP0897155A1 (de) Verfahren zur Steuerung von Prozessvorgängen
DE102020213238A1 (de) Erzeugung von vereinfachten computer-implementierten neuronalen netzwerken
EP1070291A2 (de) Verfahren und anordnung zur rechnergestützten ermittlung einer zugehörigkeitsfunktion
DE69802372T2 (de) Klassifizierungssystem und -verfahren mit N-Tuple- oder RAM-basiertem neuronalem Netzwerk
DE102022209080A1 (de) Verfahren zum Kalibrieren eines Sensors, Recheneinheit und Sensorsystem
DE112019007453T5 (de) Sensorvorrichtung und Sensorvorrichtungssystem
DE112023005124T5 (de) Verfahren und system zur anomalie-erfassung in einem betrieblichen asset und verfahren zum reparieren eines betrieblichen assets
DE102019214546A1 (de) Computerimplementiertes Verfahren und Vorrichtung zur Optimierung einer Architektur eines künstlichen neuronalen Netzwerks
EP0561792B1 (de) Wissensbasierte steuer- und regeleinrichtung
DE102013206274A1 (de) Verfahren und Vorrichtung zum Anpassen eines nicht parametrischen Funktionsmodells
DE102022200418A1 (de) Vorrichtung, System und computerimplementiertes Verfahren zum Betreiben eines technischen Systems
DE102020211596A1 (de) Verfahren zum Generieren eines trainierten neuronalen Faltungs-Netzwerks mit invarianter Integrationsschicht zum Klassifizieren von Objekten
EP1214631B2 (de) Verfahren, anordnung und computerprogramm-erzeugnis zur simulation eines technischen systems
DE102024204828A1 (de) Verfahren und Vorrichtung zum Erstellen eines datenbasierten oder parametrischen Funktionsmodells für eine Steuerung oder Regelung eines technischen Systems
DE102025104541B3 (de) Computerimplementiertes Verfahren zur Erzeugung von 3D-Punkten im Raum

Legal Events

Date Code Title Description
PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

17P Request for examination filed

Effective date: 20000816

AK Designated contracting states

Kind code of ref document: A2

Designated state(s): DE FI FR GB NL

17Q First examination report despatched

Effective date: 20011018

GRAH Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOS IGRA

RIC1 Information provided on ipc code assigned before grant

Ipc: 7G 05B 13/02 B

Ipc: 7G 06F 17/10 A

RIC1 Information provided on ipc code assigned before grant

Ipc: 7G 05B 13/02 B

Ipc: 7G 06F 17/10 A

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20030617