Anwendung assoziativer Filter auf versorgungstechnische Anlagenparameter
Thomas Höppler
BA-Arbeit - Ingenieursinformatik
1. Gutachter: Prof. Dr. Kay Gürtzig
2. Gutachter: Prof. Dr.-Ing. Berthold Stanzel
Zusammenfassung
Mit der wachsenden Komplexität versorgungstechnischer Anlagen gewinnen neben den traditionellen Anforderungsschwerpunkten Prozessanalyse, -steuerung und -regelung nun auch die Parameterprognose und -klassifikation an Bedeutung. Angesichts immer unübersichtlicher werdender Prozesse und Anlagen sind ingenieurtechnisch gut handhabbare Methoden nötig, um beispielsweise Fehlerzustände festzustellen oder Verbrauchsprognosen zu berechnen. Gleichzeitig erschwert die genannte Komplexität die Anwendung der traditionellen, konkret prozessbeschreibenden Methoden immens.
Die vorliegende Arbeit untersucht, in wie fern künstliche neuronale Netze geeignet sind, Prognosen und Klassifikationen an versorgungstechnischen Anlagen zu erstellen, ohne detaillierte Kenntnisse über die beteiligten Prozesse zu haben. Es wird überprüft, ob künstliche neuronale Netze ein geeignetes ingenieurtechnisches Hilfsmittel sind, um anhand von Messreihen zusammen mit einem Grobmodell der ablaufenden Prozesse Analysen anstellen zu können, die bisher mangels eines konkreten Prozessmodells nicht oder nur sehr umständlich möglich waren. Als repräsentatives Beispiel dient die Energieverbrauchsprognose eines Supermarkts, welche durch den signifikanten Einfluss sehr schlecht modellierbaren sozialen Verhaltens als besonders geeignet herausgestellt wird.
Der Grundlagenabschnitt widmet sich neben der generellen Vorstellung neuronaler Netze und deren derzeit gebräuchlichsten Architekturen besonders der Fragestellung, welche Architekturklassen für die Datenreihenanalyse generell geeignet sind und welche davon speziell in der Versorgungstechnik zum Einsatz kommen können. Daran knüpft direkt die Auswahl geeigneter Lernstrategien an.
Im anschließenden Abschnitt werden die gesammelten Messreihen analysiert und zum Training des neuronalen Netzes vorformatiert. Dabei wird offenbar, dass die zur Verfügung stehenden Daten zwar knapp ausreichen, um ein Netzwerk zu trainieren, allerdings nicht genügend Daten für eine verlässlich aussagekräftige Validierung zur Verfügung stehen. Aus diesem Grund wird im Folgenden ein vereinfachtes Modell für das System Supermarkt entwickelt, das gerade die wesentlichen Einflussfaktoren enthält, um die prinzipielle Prognosefähigkeit des künstlichen neuronalen Netzes zu untersuchen. Die gewonnenen synthetischen Datenreihen werden benutzt um zu einem geeigneten Netzwerkdesign zu gelangen und eine effektive Lernstrategie auszuwählen. Das entwickelte Netzwerk wird dann in der Simulationsumgebung „Joone“ implementiert und sowohl mit den synthetischen als auch mit den realen Datenreihen erst trainiert und dann validiert. In der abschließenden Bewertung werden die gewonnenen Prognosedaten einander gegenüber gestellt und ihre Aussagekraft diskutiert.
Abstract
With the growing complexity of Supply Engineering facilities especially parameter prediction and classification now gain in importance beside the traditional thematic focuses process analysis and process control. With the processes and installations becoming more and more complicated and confusing there are appropriate engineering instruments required, to diagnose error cases for instance, or to calculate consumption predictions.
This paper researches, to what extent artificial neural networks are suited to generate predictions and classifications on supply engineering's installations without having detailed knowledge of the underlaying processes. It is investigated whether artificial neural networks can help analyzing measurements using a coarse model of those involved processes in a way that hasn't been possible before or that has been too complicated and expensive. A grocery store will serve as a representative example, which showed to be especially suited due to the significant influence of the hard-to-model social behavior of the customers.
The basic sections deal with the general introduction of artificial neural networks as well as the nowadays most common network architectures and the question, which classes of architecture are capable of analyzing time series in general and which ones of those are particularly suited for application in supply engineering. Accompanied with that is the selection of an appropriate learning strategy.
In the following sections the collected measurement data will be analyzed and preformatted for the training process of the neural network. It will be shown here, that the available data might be scarcely enough to train a network, but not to perform a meaningful validation. Therefore a simplified process model for the regarded store is developed in the next sections, that includes just the essential factors of influence to examine the general prediction capability of the neural network. The obtained synthetic data is used to attain an adequate network design and to select an effective learning strategy.
In the final chapters the developed network is implemented in the simulation environment „Joone“ and both trained and validated with synthetic as well as real data rows. The terminal review contrasts both attained prediction data sets with each other.