开发实时神经网络应用系统的灵活的软件工具组件
遇到的问题
今天,生产制造商对产品质量的竞争越来越激烈,但是在生产过程中却无法实时的进行质量测试,因此获得一致性的质量水平是当前面临的一个巨大的挑战。
利用G2 NeurOn-Line解决
NeurOn-Line建立于G2的实时推理平台上,是一个实时预测质量和过程情况的神经网络应用软件。有了NeurOn-Line,工程师可以通过历史过程数据,快速建立和配置反映生产质量和生产过程关系的神经网络模型。
G2 NeurOn-Line与现有的控制系统一同工作,以便给予操作员对控制过程和产品质量实时的监测。它的实时神经网络和优化能力能够得到符合经济目标的控制决策,例如:最大的生产量或是能源、稀有材料等的最小消费等。
有了NeurOn-Line,制造商从软件的执行中获得的益处如下:
Ø 预测和控制-正确地预测、控制难以测量的产品质量数据和对非线性过程来说其它的一些可变过程,以此消除因延期导致的巨大开销和对硬件分析的依赖;
Ø 过程优化-以经济为目标,在软、硬件条件的限制下,为达到质量和过程目标决定最优点集;
Ø 传感器验证-比较软件分析器的结果,以便在发生故障时引导操作员;
Ø 传感器支持-当传感器发生故障,利用预测的结果保持操作;
Ø 过程知识-分析模型的灵敏性,获得对每个过程变化真实意义的新观察。
NeurOn-Line快速建立和配置模型的优点包括:
Ø 强大的数据输入和可视化-对训练数据可视及高度地交互式预处理,加速了神经网络模型地创建;
Ø 自动的体系选择-帮助确保大多数神经网络模型和预测的正确性;
Ø 全局模型-通过合成一些最好的模型,用户可以建立完善的模型来处理大范围的过程环境;
Ø 快速的训练-利用神经网络先进的统计技术可以节约训练模型的时间;
Ø 在线最优化-驱动过程数据集来达到经济目标,例如在软、硬件条件的限制下,同时为达到质量目标所得到的生产量或资源的最小利用率;
Ø 灵活的调度-通过G2软件或ActiveX containers进行调度,其中G2软件为自动控制、企业系统和基于规则的推理提供off-the-shelf drivers。
什么是神经网络
神经网络最初源于生物中人脑的体系结构,其具有并行计算和从经验中进行学习的能力。神经网络对建立那些具有非线性、不可直接测量和无法用规则进行描述的复杂过程的实时模型是一种很好的选择。
规则驱动的神经网络
不同于其它的神经网络工具,G2的NeurOn-Line将神经网络的定量推理和G2实时规则引擎中基于定性知识的推理结合在一起。有了这样的合并,G2 NeurOn-Line应用软件能够:
Ø 探测和响应可能导致神经网络进行非正确分析的异常数据;
Ø 通过对真实和预测的结果的比较,分析验证传感器数值;
Ø 通过神经网络预测的结果监测错误和异常的过程;
Ø 实时地给予操作员建议,告诉他们如何对通过神经网络分析监测到的异常情况做最好的处理。
NeurOn-Line方法
NeurOn-Line 先进特性
数据预处理
Ø 提取并排序来自数据库和在线系统的数据子集
Ø 定标选项用于规范输入数据和自动地再定标神经网络的输出数据
Ø 可选用奇异、寿命或大小来过滤数据集
Ø 工具可用来浏览和使数据集的输入数据、输出数据和神经网络预测图形化
Ø 用延迟时序窗口和同步装置对时间数据进行实时管理
Ø 对基于过程偏差检测的旧数据进行可选性放弃
Ø 识别多余的数据点以控制训练数据集的大小
训练方法
Ø 精明的不需用户调整的训练算法
Ø 以优化的“C”代码执行来保证其高性能
Ø 自动化确定最优的网络结构
Ø 可扩展的结构用于定义定制的网络和训练方法
Ø 自动探测训练网络的可适应性的设备
网络验证
Ø 直接地集成到训练过程中
Ø 自动交叉验证的能力用于随机地把数据集分成独立训练和测试的子集
Ø 敏感性测试用于修剪无效的输入变量
Ø 验证统计的在线分析
自适应的估计和控制
Ø 在线数据的选择性积累可提高网络性能
Ø 以在线运行中的自适应的增量训练对部署的网络进行改进
Ø 具有学习过程行为的动态模型的能力用于动态的封闭环路控制
Ø 与AI2和GDA可存取数据能力用于传感器的验证和直接的控制执行
可视化的编程环境
NeurOn-Line是一个完全的可视化的编程工具组件,用于在动态环境中开发和部署神经网络。它包括:管理数据集、训练神经网络、测试可适性以及部署网络排列。由于仔细的设计,这个工具包可以为神经网络的初学者以及老用户提供所有的特点的正确组合。同时结合最新的神经网络技术,NeurOn-Line以简单的图形对象的形式使其具有革新的特性,允许工程师使用它的交互式工具迅速建立实时神经网络应用系统,而不需要编程序。一旦一个神经网络系统受到训练,不需要额外的步骤就可以把它部署到系统上。
NeurOn-Line能迅速可靠地提供上网所需的所有设备。开发人员交互地把预定义的块连接到系统图中来建立一个应用系统。NeurOn-Line允许开发人员分层来安排这些系统图,在适当的地方隐藏细节。一旦连接,它就可以在块之间实时地处理数据流程。开发人员甚至可以在执行时观察和修改一个系统图。、
NeurOn-Line 产品模块
向量块
向量块提供了能合并、调节、操作时间序列和其他的实时数据模式的工具。
数据集块
数据集块提供了能收集、过滤、检查、总结和存档所收到的数据的工具。NeurOn-Line包含了许多革新的特性,可把在线数据和历史数据收集到网络训练数据集中。通过使用这些特性,可适当地调节训练数据的统计特性以保护一个健壮的神经网络模型。
训练块
训练块提供了在实时网络训练和验证过程中的全部控制。在一个数据集的训练中,一个神经网络学习了决定过程的非线性模型的内部参数。在训练使用部分数据集后,其他独立的数据可被用来测试独立的用于训练和测试的子集。经过几次重复训练和测试过程来确保对网络性能的一个统计有效的测量。这些过程的每一步都可为自动的在线执行所配置。
神经网络块
神经网络块为每一个输入值的向量计算一个输出值的向量。NeurOn-Line具有把变量的时间采样形成输入值向量的功能,以便一段时间的动作行为被用于计算当前的输出值。这就使得NeurOn-Line能够获得动作行为的动态模型。这些输出值是具有真实价值的数字。对于预测和控制的问题,这些输出值代表了过程性能的预测值。对于类别的问题,这些输出值大致是在0和1之间数字,代表了每一个故障或决策类型匹配的程度。在以上两种情况下,这些输出值能直接被AI2或GDA处理用于警报操纵、操纵者建议或封闭环路控制。
增量式再训练
一个NeurOn-Line模型可以被制作成具有自适应性以使其能保持最新的状态,甚至当一个过程随时间改变的时候也能这样。不同于其他的神经网络产品,NeurOn-Line通过积累来自目标过程运行时的新采样数据并把它合并到过程模型里来支持增量的再训练。NeurOn-Line的验证块能在在线的再训练过程中自动地验证一个网络,以便确保这个自适应的网络性能相当于或超过原始模型的性能。
反向传播神经网络
反向传播神经网络标准结构常常被用于建立预测和控制的非线性模型。NeurOn-Line提供特定的训练算法,远远超出执行传统的反向传播训练方法。一个应用例子在油漆合成的过程中的非线性品质模型。它把成分的级别,过程处理的条件跟产品的品质的相关找出。
径向基函数神经网络
这个径向基函数网络被用于识别和分类发生在输出数据代表离散范畴的模式分析问题上的事件。这种范例的一个标准化应用就是故障的诊断,其中输出类别代表了引起一个特殊故障的潜在的根源。当一个输入模式不能与训练数据中的任何一个模式相匹配时,NeurOn-Line就是一个提供“奇异”控制信号。应用程序可解释这个“奇异”信号为“我不知道”,并且调用适当的逻辑而不是误诊为故障。这个信号也可触发NeurOn-Line把奇异模式加到神经网络训练数据集里并且逐渐地再训练这个网络。
Rho神经网络
Rho神经网络能计算一个输入模式是属于某一个特定模式类型的可能性。例如训练数据集也许只包括那些一个“在控制中”的过程多设置的模式。当在线的可能性落到一个描述的X值以下时,这个过程被认为是“失控”。开发人员可以配置并行的Rho网络以生成一组完整的在线输出类别的可能性。
自动联想神经网络
这个网络能学习在冗余的或有关的传感器之间的非线性的相关性,它被用于完成精细的过滤和传感器的验证,以及用于评估在整个传感器故障的情形中所产生的值。例如一个自动联想网络能决定一个特定传感器是被偏置高了还是低了,以及是否需要再校准。
应用领域
神经网络灵活的自适应的结构使NeurOn-Line成为分析在许多不同应用类型中的复杂动态过程的理想工具。
模式识别
在模式识别应用中,NeurOn-Line从动态系统中检测数据并取出那些甚至专家都忽略了的微妙关系。重要的模式识别应用包括使过程传感器生效,监视机械的性能,以及检测在工厂运行状态下的偏差。
诊断和决策支持
神经网络对于诊断和决策支持那些需要在线数据和大的历史信息数据库之间进行比较的应用来说是理想的。NeurOn-Line能从存档的以及在线的数据中建立一个模型,从那些数据中取出所需的知识和因果关系。通过使用神经网络模型,NeurOn-Line能够把在线模式和实时数据库中的模式相匹配来分类过程情况。如果需求的话,这个神经网络可以选择一个自行决定的与输入模式最匹配的输出类型。这个结果被用于触发警报、制作操作者建议或采取正确行动。
实时质量管理
在今天的全球经济中,实时质量管理是一个有活力的应用。不幸的是,质量检测数据总是在有延迟和需花费较贵的分析测试下才能获得。NeurOn-Line能够提供实时的“软传感器”质量预测,应用于对控制行为的快速反应以保持目标质量管理。NeurOn-Line质量模型能够使用历史数据或在线数据,包括对应于同样数据样本的质量的分析测试。所有的控制变量以及环境变量都包括在内作为网络的输入数据,并且训练产生一个与实际质量测试配合最好的质量模型。这个模型被用来提供“质量计数”。
成功案例
欧洲航天局(ESA)的INTELMOD项目
利用G2帮助航天专家建立飞行器的部件模型库、控制与故障诊断知识库。在飞行器执行任务过程中接收实时遥测数据,进行推理分析,在异常情况发生时或者发生前向操作人员发出警告和处理建议。与现有的任务控制系统结合,实现智能的优化控制。
LaFarge
世界500强之一LaFarge(拉法基)集团成立于法国,至今已有170多年的历史,是国际建材领域领导者。LaFarge公司采用NeurOn-Line产品获取了巨大的经济效益。
Ø 全世界50多家工厂共增加4-5%生产量
Ø 降低能耗4-5%
Ø 提高热稳定性并增加设备使用寿命
Ø 降低质量偏差达40%
Ø 操作员人工控制次数从130次/天降低到6次/天
Ø 结合图形规则和最优化
Northgate Minerals Corporation
Northgate矿业公司采用NeurOn-Line产品,不但获得了丰厚的经济效益社会效益。该公司生产量增加了5%,并向国家上缴700万美元的税收。
Copyright ©i-innovating北京国鼎源创智能科技有限公司.
京ICP备2021018369号 Powered by CmsEasy 留言 Rss