开发人工神经网络的一种更简单的方法

以前担心应用人工神经网络(ANN)的用户可能会发现艾默生过程管理公司(Austin, Tex)即将发布的DeltaV控制器驻留神经网络工具使开发和部署人工神经网络解决方案变得更加容易。

神经网络基础

人工神经网络使用动态输入和数学模型来预测结果，但要实现一个成功的人工神经网络项目，通常需要过程工程师和控制工程师同时在同一地点。

由于神经网络模型的准确性非常依赖于进行前端数据分析的人员的知识和能力，大多数过程和/或控制工程师都没有投入时间来实现人工神经网络。

DeltaV NN(神经网络)解决方案提供的是一个工具集，它可以在用户的桌面上提供人工神经网络专家的分析方法和知识。

获取数据

DeltaV的神经网络数据收集是自动的，当用户定义一个神经网络块，从系统的任何地方分配多达30个相关的输入变量，分配手动实验室或在线分析仪数据收集器，并将所有内容下载到控制器中时，就开始自动收集数据。

当收集到足够的数据时(通常是过程达到稳定状态所需时间的六倍)，下一步就是将好的数据与坏的数据分离开来。

例如，在数据收集期间可能发生了一些工艺中断和产品等级变化。使用DeltaV的拖放数据选择工具，错误的数据样本被标记为删除，只留下反映正常过程操作条件的数据。

分析数据

人工神经网络在遇到用于训练模型的数据范围内的数据时表现最佳，因此有必要建立数据离群值限制。

DeltaV的神经网络开发软件根据用户定义的限制自动筛选训练数据，或者在没有定义限制的情况下，那些超出变量平均值周围三个标准差范围的数据被视为异常值。

建立异常值后，下一步是确定每个输入的时间延迟和对输出的影响。传统上，这是开发人工神经网络最耗时的部分，并且需要相当多的纪律来避免过早地得出结论。

DeltaV的神经网络软件采用了两阶段技术。第一阶段通过使用固定大小的窗口计算每个输入到输出的相关系数来揭示单个输入强度依赖性，从而得到具有确定延迟的解析数据。

第二阶段包括将数据提交给多个分析迭代，以确定组合输入的灵敏度，并应用时间延迟，以影响输出。

训练和测试模型

识别了输入和延迟后，下一步是选择合适数量的隐藏神经元，并训练人工神经网络模型来预测输出，而不是记忆数据模式。

DeltaV神经网络软件将良好的数据分成训练和测试(交叉验证)数据集，并在迭代过程中使用它们，自动增加隐藏神经元的数量，并选择导致训练和测试误差最佳组合的神经网络配置。

最后一步是使用测试数据集来验证人工神经网络准确预测输出的能力。

从本质上讲，DeltaV神经网络软件工具提供了一个神经网络开发人员的技能，几乎一键解决方案，但对于那些想要更多动手参与的用户，专家模式是可用的。

由于实现人工神经网络解决方案的复杂性，许多可以从在线人工神经网络解决方案中受益的应用程序并没有获得这些好处。艾默生过程的DeltaV NN在最小化复杂性和实现人工神经网络方面走了很长的路。

欲了解更多信息，请致电498或访问www.easydeltav.com

作者信息

戴夫·哈罗德，高级编辑电子邮件dharrold@cahners.com

您是否具有本内容中提到的主题的经验和专业知识?您应该考虑为我们的CFE媒体编辑团队做出贡献，并获得您和您的公司应得的认可。点击在这里开始这个过程。