Primjena neuronskih mreža

  • View
    37

  • Download
    5

Embed Size (px)

DESCRIPTION

U radu su date neuronske mree koje predstavljaju savremeni pristup u modeliranju procesa

Transcript

N. BOLF i I. JERBI: Primjena umjetnih neuronskih mrea, Kem. Ind. 55 (11) 457468 (2006)

457KUI 23/2006. Prispjelo 28. veljae 2005. Prihvaeno 10. sijenja 2006.

Primjena umjetnih neuronskih mrea pri identificiranju i voenju procesaN. Bolf i I. Jerbi*Sveuilite u Zagrebu, Fakultet kemijskog inenjerstva i tehnologije Zavod za mjerenja i automatsko voenje procesa Savska c. 16/5a, 10 000 Zagreb, Hrvatska tel: + 385 1 4597 151; faks: + 385 1 4843 556 e-mail: bolf@fkit.hr * INA d. d., Rafinerija nafte Sisak, A. Kovaia 1, 44 000 Sisak * e-mail: ivica.jerbic@ina.hr

Pri razvoju inteligentnih sustava u posljednjih dvadesetak godina ostvarena su brojna unapreenja inspirirana biolokim neuronskim sustavom. Istraivai s razliitih znanstvenih podruja kreirali su i primijenili umjetne neuronske mree za rjeavanje niza zadataka od prepoznavanja uzoraka, predvianja, dijagnosticiranja stanja, softverskih senzora, modeliranja i identificiranja, voenja i optimiranja procesa itd. Umjetne neuronske mree pokazale su se korisnim u primjeni kod sloenih kemijskih i biokemijskih procesa gdje standardnim metodama nije mogue uspjeno modelirati procese i dobivene modele primijeniti za voenje procesa. Danas, zahvaljujui intenzivnom razvoju teorije i praktine primjene neuronskih mrea, stoje na raspolaganju brojne strukture i algoritmi. U radu je dan pregled primjene neuronskih mrea s teitem na identificiranju i voenju procesa na polju kemijskog inenjerstva. Istaknuti su primjeri primjene kod prediktivnog, inverznog i prilagodljivog voenja procesa. Kljune rijei: Neuronska mrea, identificiranje, modeliranje procesa, voenje procesa

Pojam i zamisao neuronske mreeUmjetna neuronska mrea pojam je koji dolazi iz podruja umjetne inteligencije izveden prema uzoru na neuronske mree ivih bia. Umjetne neuronske mree apstraktne su simulacije realnog neuronskog sustava i alternativni pristup klasinom von Neumannovom raunalu. Temeljna svojstva su im samoorganiziranost i prilagodljivost, a posebice se istiu kao paralelna i distribuirana paradigma koja moe biti robusnija i prikladnija od tradicionalnih modela.1-3 U tablici 1 dana je usporedba klasinog raunala i biolokog neuronskog sustava.4 Graa i struktura biolokih neuronskih mrea Ljudski mozak ini oko 1011 neurona povezanih u kompleksnu, ali djelotvornu mreu. Svaki neuron je povezan s 103 do 104 drugih neurona. Ukupno postoji 1014 do 1015 meusobnih veza. U osnovi se svaki neuron, kako je to prikazano slikom 1, sastoji od tri dijela: tijela stanice, koje sadri nukleus s informacijama o nasljednim znaajkama; dendrita, koji prenosi signale (impulse) s drugih neurona; aksona, koji prenosi signal do drugih neurona pri emu se grana u vlakna; Sinapse su funkcionalne jedinice izmeu neurona koje oslobaaju neurotransmiter, pri emu se odvija elektroke-

mijska reakcija. Signali se zatim dendritima prosljeuju do tijela stanice, gdje se odreuje prosjek svih signala. Signali mogu biti pobuujui ili smirujui. Ako je prosjena vrijednost tijekom kratkog vremenskog intervala vea od granine vrijednosti, stanica generira niz impulsa koji se alju preko aksona i sinapsi do drugih neurona.

S l i k a 1 Prikaz biolokog neurona F i g. 1 Biological neuron

Unato relativno jednostavnoj grai neurona (zanemarujui nain realizacije navedenih funkcija na biolokoj razini) i injenici da se vrijeme generiranja i prijema impulsa mjeri u mikrosekundama, ljudski mozak kao organizirana jedinstvena mrea neurona postie nevjerojatnu brzinu i sposobnost realiziranja raznovrsnih zadataka zahvaljujui paralelnosti rada neurona.5

458

N. BOLF i I. JERBI: Primjena umjetnih neuronskih mrea, Kem. Ind. 55 (11) 457468 (2006)

T a b l i c a 1 Usporedba von Neumannovog raunala i biolokog neuronskog sustava Table 1 Comparison of von Neumann computer and biological neural system Von Neumannovo raunalo Von Neumann computer Procesor Processor sloen complex velika brzina high speed jedan ili nekoliko one or a few odvojeno od procesora separate from a processor lokalizirana localized centralizirano centralized sekvencijsko sequential pohranjeni programi stored programs vrlo osjetljiva very vulnerable Bioloki neuronski sustav Biological neural system jednostavan simple mala brzina low speed veliki broj a large number integrirana u procesoru integrated into processor distribuirana distributed distribuirano distributed paralelno parallel sposobnost uenja self-learning velika robust

Memorija Memory

S l i k a 2 Prikaz perceptrona F i g. 2 Perceptrone description

Raunanje Computing

Pouzdanost Reliability Ekspertiza Expertise

Pod uenjem se podrazumijeva postojanje sustavnog postupka za ugaanje parametara mree radi ostvarivanja odreene funkcije. Slijedila je stagnacija u istraivanjima kad je uoena nesposobnost perceptrona pri rjeavanju jednostavnih zadataka, kao to je primjerice realizacija funkcije iskljuivo ili.8 Sredinom 80-ih otkriven je algoritam povratnog prostiranja izlazne pogreke (engl. back-propagation algorithm), koji je omoguio jednostavno uenje vieslojnih neuronskih mrea.9 Nakon otkria tog algoritma razvijeni su i brojni drugi poboljani postupci uenja. Paralelno s razvojem algoritama istraivane su i nove strukture neuronskih mrea. Danas, zahvaljujui intenzivnom razvoju teorije i praktine primjene neuronskih mrea, stoje nam na raspolaganju brojne strukture i algoritmi.5 Podjela neuronskih mrea

numerike i simbolike problemi percepcije manipulacije numerical and symbolic perceptual problems manipulations slabo odreena poorly defined

dobro odreena Radna well-defined okolina Operating environment

Razvoj teorije umjetnih neuronskih mrea Spoznaja o grai i nainu funkcioniranja ljudskog mozga i neurona kao njegovih graevnih jedinica potaknula je istraivanje i razvoj umjetnih neuronskih mrea. Prve radove o umjetnim neuronskim mreama objavili su McCulloh i Pitts.6 Oni su primjenjivali vrlo jednostavan model neurona koji, kao i bioloki neuron, obrauje signale putem sinaptike i somatske operacije. Taj vrlo jednostavan model neurona nazvan je perceptron, a prikazan je slikom 2. Sinaptika operacija razumijeva mnoenje svakog ulaznog signala ai s masenim koeficijentom wi. Tako oteani ulazni signali zbrajaju se, a njihov zbroj usporeuje se s pragom osjetljivosti neurona Ti (engl. treshold, bias). Ako je zbroj oteanih signala vei od praga osjetljivosti neurona, Saiwi > Ti, nelinearna aktivacijska funkcija f generira izlazni signal neurona bj. Poetkom 60-ih dokazan je teorem o uenju perceptrona koji kae da perceptron moe nauiti sve to moe predoiti.7 Predoivanje se odnosi na sposobnost opisa funkcije.

Istraivanje neuronskih mrea u podruju razliitih znanstvenih disciplina rezultiralo je velikim brojem razliitih vrsta neuronskih mrea. Meusobno se razlikuju prema modelima umjetnih neurona od kojih su graene, prema nainu organiziranja neurona u mrei i prema primijenjenom algoritmu uenja. Zbog velikog broja vrsta neuronskih mrea teko ih je sustavno klasificirati. Na slici 3 prikazana je klasifikacija prema Gupta & Rao, 1994.10 Sa strukturnog gledita, neuronske mree standardno se dijele na statike unaprijedne (engl. feedforward) i dinamike (povratne, engl. feedback), ovisno o modelu neurona od kojeg su graene te po nainu prostiranja signala kroz mreu. Kao zasebne strukture izdvajaju su neizrazite neuronske mree (engl. fuzzy neural networks FNN) kod kojih je naglaeno integriranje koncepcija neizrazite logike i neuronskih mrea. Kao nestandardne strukture navode se neuronske mree kod kojih neuroni imaju histereznu karakteristiku, te CMAC mree (engl. Cerebellar Model Articulation Controller) koje aproksimiraju nelinearne funkcije na naelu kodiranja.11

N. BOLF i I. JERBI: Primjena umjetnih neuronskih mrea, Kem. Ind. 55 (11) 457468 (2006)NEURONSKE MREE NEURAL NETWORK

459

NESTANDARDNE NONSTANDARD

NEIZRAZITE FUZZY

DINAMIKE (POVRATNE) DYNAMICAL (RECCURENT)

STATIKE (UNAPRIJEDNE) STATIC (FEEDFORWARD)

NEURON S HISTEREZOM

CMAC

FUZZY ART

CONNECTIVE MODEL (T i S) OPERATORI

VIESLOJNE MULTILAYER

JEDNOSLOJNE SINGLE-LAYER

VIESLOJNE MULTILAYER

JEDNOSLOJNE SINGLE-LAYER

RADIAL BASIS FUNCTION (RBF)

PERCEPTION

S l i k a 3 Podjela umjetnih neuronskih mrea F i g. 3 Clasification of artifical neural networks

Neuroni se u neuronskoj mrei najee organiziraju u slojeve pa se razlikuju jednoslojne i vieslojne neuronske mree. Za primjenu u identificiranju i voenju nelinearnih dinamikih procesa najee se rabe vieslojne statike neuronske mree. Od dinamikih neuronskih mrea uglavnom se rabe vieslojne neuronske mree s elementima zadrke (engl. time delay neural networks).11

podruju rada, veliini promjena ulaza, itd. Treba paziti da se ne utjee na kvalitetu produkta jer se ispitivanja odvijaju tijekom rada postojeeg procesa. Stoga treba obratiti pozornost na to koliko ulazi mogu varirati, a da se istodobno ulazne varijable mijenjaju dovoljno da bi dale korisnu informaciju o dinamikom vladanju procesa. 2. Prikupljanje i obrada podataka

Neuronske mree pri identificiranju procesaModeli procesa mogu se razviti iz fundamentalnih naela, kao to su zakoni ouvanja mase, energije te drugih kemijsko-inenjerskih relacija. U mnogim praktinim primjerima u industriji postoji nedostatak poznavanja egzaktnih fizikalnih fenomena koji se javljaju u procesima, pa je prema tome fenomenoloke modele teko razviti. Drugi nain za praktino identificiranje procesa je pristup procesu kao crnoj kutiji (engl. black box), pri emu se modeli temelje iskljuivo na eksperimentalnim podacima dobivenim iz procesa. Informacije o dinamikom vladanju u obliku modela crne kutije esto su dovoljne za kvalitetno voenje procesa.12 Tako se za model neuronskih mrea, u praktinoj primjeni, navode sljedee prednosti: sposobnost filtriranja (mala osjetljivost na u