Lehdistötiedote

YMMÄRRYSTÄ JA YMMÄRRETTÄVYYTTÄ PROSESSIAUTOMAATIOON

Helppoa automaatiota tekoälyn uusilla neuro-sumeilla menetelmillä

Malleja tarvitaan systeemien käyttäytymisen ennustamiseen ja luonnehtimiseen. Prosessiteollisuudessa malleja käytetään monissa eri tehtävissä. Optimoinnissa malleja hyödynnetään haettaessa prosessille parasta mahdollista pitkän aikavälin ajotapaa. Säädössä keskitytään lyhyen aikavälin käyttäytymiseen. Vikoja voidaan havainnoida ja paikallistaa vertaamalla todellisen prosessin toimintaa mallin käyttäytymiseen. Muita mallien käyttökohteita löytyy mm. suunnittelun, mitoituksen ja simuloinnin alalta. Prosessimallia kehitettäessä tulisi voida käyttää hyväksi kaikkea sitä informaatiota joka eri muodoissaan on jo olemassa. Tyypillisiä vaatimuksia prosessiautomaatiossa tarvittaville malleille ovat riittävä tarkkuus, päivitettävyys ja yksinkertaisuus. Ylemmän tason automaatiossa ihmisen ja koneen välinen kommunkointi korostuu. Neuro-sumeissa menetelmissä yhdistyvät neuroverkkojen tehokkaat oppimisalgoritmit sekä sumeiden mallien sääntöpohjainen esitysmuoto ja helppokäyttöisyys.

Tässä tutkimuksessa tarkasteltiin neuro-sumeita algoritmeja teollisuusprosessien mallinnuksessa. Työssä kehitettiin mallirakennetta joka oppii kuvaamaan monimutkaisiakin funktioita käymällä toistuvasti läpi prosessista kerättyä mittaustietoa. Mittausten lisäksi menetelmä hyödyntää operaattorien kokemusperäistä tietoa prosessin käyttäytymisestä. Algoritmit tuottavat tarkan matemaattisen mallin prosessin käyttäytymisen simulointia varten. Malli voidaan myös tulkita yksinkertaistettuina prosessin toimintaa kuvaavina jos-niin sääntöinä. Oppimisalgoritmien osalta tutkittiin sekä gradientti- että satunnaishakutekniikoita. Työssä kehitettiin uusi oppiviin automaatteihin perustuva oppimisalgoritmi. Toinen uusi algoritmi hyödyntää itseorganisoituvaa Kohosen verkkoa jatkuvatoimisessa mallin päivityksessä.

Tutkitut menetelmät ovat soveliaita mm. teollisuusprosessin ajo-olosuhteiden optimoinnin tai modernin prosessivalvonnan yhteydessä tarvittavaan mallinnukseen. Työssä käytetyt esimerkit ovat voimalaitosympäristöstä, jossa mallinnettiin turpeen leijukerrospolton savukaasupäästöjä. Tulevaisuuden prosessiautomaatiossa tarvitaan yhä tarkempia malleja monimutkaista prosesseista ja kykyä mukautua muuttuviin olosuhteisiin. Automaatiojärjestelmien tulee ottaa ihminen entistä paremmin huomioon, jolloin niiltä vaaditaan kykyä tuottaa helposti ymmärrettävää ja selkeää informaatiota. Tämä tutkimus antaa uutta tietoa ja uusia menetelmiä tulevaisuuden prosessiautomaation tarpeisiin

  • TkL Mika Enso-Veitikka IKOSEN väitöstilaisuus 31.1.1997 klo 12
  • aihe: Algorithms for process modelling using fuzzy neural networks: A distributed logic processor approach
  • aihe suomeksi: "Sumeat neuroverkkoalgoritmit prosessien mallintamisessa: Hajautettujen loogisten prosessorien lähestymistapa"
  • vastaväittäjät: Professori Raimo YLINEN, Oulun yliopisto; TkT Timo SORSA, Konecranes International
  • kustos: Professori Urpo KORTELA, Oulun yliopisto
  • esitarkastajat: Dosentti Visa KOIVUNEN, Oulun yliopisto; Professori Raimo YLINEN
  • työn valvojat: Professori Urpo KORTELA; Professori Kaddour NAJIM, E.N.S.I.G.C. (Toulouse, Ranska)