DE19624301A1 - Lernverfahren für ein neuronales Netz - Google Patents

Description

Die Erfindung betrifft ein Lernverfahren für ein neuronales Netz zum Regeln oder Steuern eines insbesondere industriellen Prozesses mit sich zeitlich verändernden Parametern.

Neuronale Netze müssen, bevor sie ihre Generalisierungsfä­ higkeit erhalten, zunächst mit Lern- oder Trainingsdaten trainiert werden. Das Sammeln dieser Trainingsdaten ist oft langwierig und mit hohem Aufwand verbunden.

Ein Beispiel hierfür ist das aus der DE-OS 44 16 364 bekannte neuronale Netz, das aus einer Vielzahl von ihm zugeführten vorausberechneten Eingangsgrößen als Netzwerkantwort einen Prozeßparameter berechnet, der zur Voreinstellung eines Sy­ stems zur Regelung eines technischen Prozesses dient. So wird z. B. bei einem Walzprozeß ein Vorhersagewert für die Walz­ kraft in Abhängigkeit von der Walzguttemperatur, der Dicken­ abnahme und anderen material- und anlagenspezifischen Ein­ gangsgrößen berechnet. Der von dem neuronalen Netz nachgebil­ dete Zusammenhang zwischen der Walzkraft und den Eingangsgrö­ ßen wird on-line nach jedem Prozeßablauf, also nach jedem Walzgutdurchlauf, an das reale Prozeßgeschehen angepaßt. Dazu werden die während des Prozeßablaufs gemessenen und anschlie­ ßend nachberechneten Eingangsgrößen und die Walzkraft in ei­ nem Datenpunkt zusammengefaßt, der dann zur Adaption von Pa­ rametern des neuronalen Netzes herangezogen wird. Die Adap­ tion erfolgt mit jedem neu ermittelten Datenpunkt, also on­ line. Die Adaption muß sich durch eine besondere Stabilität aus zeichnen, da sie häufig direkt und ohne Überwachung durch einen Fachmann auf der prozeßausführenden Anlage durchgeführt wird. Daher werden beim on-line Training nur unkritische Pa­ rameter des neuronalen Netzes adaptiert, wobei Adaptionsalgo­ rithmen und Netzstrukturen verwendet werden, die eine Stabi­ lität des Verfahrens gewährleisten; z. B. Minimierung der quadratischen Fehlerfunktion zwischen der Netzwerkantwort und der nachberechneten Walzkraft, wobei die Fehlerfunktion vor­ zugsweise nur ein globales Minimum, aber keine lokalen Minima aufweist.

Damit das bekannte neuronale Netz bereits zu Beginn des on­ line-Trainings zumindest annähernd sinnvolle Walzkraftwerte vorhersagt, kann es anhand eines die Walzkraft in Abhängig­ keit von zufällig vorgegebenen Eingangsgrößen berechnenden Walzkraftmodells vortrainiert werden. Steht ein derartiges Modell nicht zur Verfügung, so kann das für das Vortraining nötige Vorwissen durch das Sammeln von Trainingsdaten bei­ spielsweise auf vergleichbaren Anlagen erworben und in das neuronale Netz eingebracht werden.

Der Erfindung liegt die Aufgabe zugrunde, einen Prozeß mit sich zeitlich verändernden Parametern in bezug auf die Quali­ tät hochwertig zu steuern und zu regeln. Dabei ist es insbe­ sondere bei der Neuinbetriebnahme einer Anlage oder wesentli­ chen Veränderungen einer bestehenden Anlage, die mit neurona­ len Netzen gesteuert wird, wünschenswert, das neuronale Netz in die Lage zu versetzen, ohne Vortraining direkt auf der An­ lage bereits nach wenigen Datenpunkten ein sinnvolles Verhal­ ten zu zeigen. Das gleiche gilt beim Umrüsten einer bestehen­ den Anlage, wenn auf eine vorherige Sammlung von Daten ver­ zichtet werden soll. Ferner sollen Langzeitdriften der Anlage erkannt und kompensiert werden.

Die Aufgabe wird erfindungsgemäß durch ein Lernverfahren für ein neuronales Netz zum Regeln oder Steuern eines insbeson­ dere industriellen Prozesses mit sich zeitlich verändernden Parametern gelöst, wobei das neuronale Netz in zumindest zwei Ausführungen, einem Regel- bzw. Steuernetz, mit dem der Pro­ zeß gesteuert und geregelt wird und das mit aktuellen Prozeß­ daten derart trainiert wird, daß es ein Abbild des aktuellen Prozesses bildet, und einem Hintergrundnetz, das während des Betriebes mit repräsentativen Prozeßdaten derart trainiert wird, daß es ein Abbild des Prozesses über einen längeren Zeitraum gemittelt bildet, ausgeführt wird, wobei das Regel- bzw. Steuernetz nach Ablauf einer bestimmten Lernzeit für das Hintergrundnetz oder aufgrund eines externen Ereignisses durch das Hintergrundnetz ersetzt wird.

Eine weitere Lösung stellt ein Lernverfahren dar, bei dem das Lernen während des Prozeßablaufs in zwei Lernphasen unter­ teilt ist, eine Initiallernphase und eine Betriebslernphase, wobei die Menge der Trainingsdaten, mit denen das neuronale Netz trainiert wird, in der Initiallernphase wächst und die Menge der Trainingsdaten in der Betriebslernphase weitgehend konstant bleibt.

Die Aufgabe wird weiterhin durch das in Patentanspruch 3 an­ gehende Lernverfahren gelöst.

Besonders vorteilhafte Lösung der Aufgabe stellen die in den Patentansprüchen 4 bis 7 angegebenen Lernverfahren dar.

Weitere Vorteile und erfindungsgemäße Einzelheiten ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbei­ spielen, anhand der Zeichnungen und in Verbindung mit den Un­ teransprüchen. Im einzelnen zeigen:

Fig. 1 einen Trainingsablauf eines neuronalen Netzes

Fig. 2 verschiedene Lernphasen eines neuronalen Netzes

Fig. 3 und 4 Beispiele für die bei der zyklisch wiederholten Adaption verwendete Trainingsdatenmenge,

Fig. 5 ein Beispiel für die Trainingsdatenmenge beim Lernen mit exponentiellem Vergessen und

Fig. 6 ein Beispiel für den typischen Fehlerverlauf bei dem erfindungsgemäßen Lernverfahren im Vergleich zu einem Referenz-Lernverfahren,

Fig. 7 ein adaptiv angepaßtes neuronales Netz.

Fig. 1 zeigt den Trainingsablauf eines neuronalen Netzes für die Steuerung und Regelung eines Prozesses bzw. einer Anlage. Das entsprechende neuronale Netz ist in zumindest zwei Aus­ führungen ausgeführt, einem Regel- bzw. Steuernetz, mit dem der Prozeß gesteuert und geregelt wird und das mit aktuellen Prozeßdaten derart trainiert wird, daß es ein Abbild des ak­ tuellen Prozesses bildet, und einem Hintergrundnetz, das wäh­ rend des Betriebes mit repräsentativen Prozeßdaten derart trainiert wird, daß es ein Abbild des Prozesses über einen längeren Zeitraum gemittelt bildet. Das Regel- bzw. Steuer­ netz befindet sich in einem Zustand 5, in dem es den Prozeß­ ablauf regelt bzw. steuert. Gleichzeitig befindet sich das Hintergrundnetz im Training 1. Beim Abschluß 2 des Trainings 1 des Hintergrundnetzes wird es einer Plausibilitätskontrolle 3 unterzogen. Bei einer positiven Plausibilitätskontrolle wird das Regel- und Steuernetz durch das plausible Hinter­ grundnetz ersetzt. Während das alte Hintergrundnetz als neues Regel- bzw. Steuernetz den Prozeßablauf regelt oder steuert, wird durch weiteres Training 1 ein neues Hintergrundnetz er­ zeugt. Das Training eines Hintergrundnetzes kann ständig oder zeitweise erfolgen, wenn ein neues Regel- bzw. Steuernetz be­ nötigt wird. Anstoß für ein neues Hintergrundtraining kann das Verstreichen einer definierten Zeit oder ein externes Er­ eignis, wie z. B. das Walzen eines Walzbandes aus neuem Mate­ rial sein. Ausgangsbasis für ein neues Hintergrundnetz kann ein untrainiertes Rohnetz, ein Regel- bzw. Steuernetz oder ein altes Hintergrundnetz sein.

Fig. 2 zeigt drei verschiedene Trainingsphasen in bezug auf das erfindungsgemäße Lernverfahren für ein neuronales Netz. Die einzelnen Phasen sind eine Vorbetriebstrainingsphase 7, eine Initiallernphase 8 und eine Betriebslernphase 9. In der Vorbetriebslernphase wird das neuronale Netz, das zur Rege­ lung bzw. Steuerung eines vorteilhafterweise industriellen Prozesses eingesetzt werden soll, vorab trainiert. In der Vorbetriebslernphase 7 ist es möglich, durch entsprechende Daten aus anderen, bereits in Betrieb befindlichen Anlagen die Erfahrungen, die in diesen Anlagen gesammelt wurden, zu berücksichtigen. Auf die Vorbetriebslernphase 7 kann jedoch beim erfindungsgemäßen Lernverfahren verzichtet werden. In diesem Fall reicht das durch Datensammlung an der aktuellen Anlage akkumulierte Wissen zum Training des neuronalen Netzes aus. Der Vorbetriebslernphase folgen zwei weitere Lernphasen, die Initiallernphase 8 und die Betriebslernphase 9, die wäh­ rend des Prozeßablaufs erfolgen. Wird auf die Vorbetriebs­ lernphase 7 verzichtet, so existieren nur die beiden Lernpha­ sen Initiallernphase 8 und Betriebslernphase 9. Die Initial­ lernphase 8 ist dadurch gekennzeichnet, daß die Datenbasis der Trainingsdaten anwächst, während die Datenmenge zum Trai­ ning des neuronalen Netzes in der Betriebslernphase 9 weitge­ hend konstant bleibt. Im vorliegenden Ausführungsbeispiel wächst in der Initiallernphase 8 nicht nur die zum Training verwendete Datenbasis, sondern auch das trainierte neuronale Netz selbst. Das heißt, die Anzahl der Knoten in den verdeck­ ten Ebenen bzw. der verdeckten Ebene vergrößert sich.

Diese beiden unterschiedlichen Lernphasen während des Be­ triebs, die Initial- und die Betriebslernphase, sind in Fig. 3 verdeutlicht, in der die Anzahl der zum zyklischen Training des neuronalen Netzes 1 verwendeten Datenpunkte in Abhän­ gigkeit von dem Beitrag dieser Datenpunkte zum Training auf­ getragen sind. Während der Initiallernphase 7 erfolgt das zy­ klisch wiederholte Training mit einer stetig wachsenden Trai­ ningsdatenmenge 15, wobei jedesmal alle von Beginn des Lern­ verfahrens an gespeicherten Datenpunkte verwendet werden. Die Häufigkeit des zyklisch wiederholten Trainings ist ein für die vorgegebene Anwendung zu optimierender Parameter, wobei z. B. nach jedem neuen Datenpunkt, nach einem vorgegebenen prozentualen Anwachsen der Trainingsdatenmenge oder, wenn die Abweichung zwischen den Ausgangsgrößen des neuronalen Netzes und ihren richtigen Werten einen bestimmten Wert übersteigt, eine erneute Adaption erfolgt. Darüberhinaus läßt sich die Größe des neuronalen Netzes in Abhängigkeit von der Größe der vorliegenden Trainingsdatenmenge verändern, wobei mit einem kleinen neuronalen Netz begonnen wird, das im Laufe der Zeit langsam vergrößert wird. Die Festlegung der Netzgröße erfolgt z. B. durch Methoden der "Cross-Validation" oder andere Heuri­ stiken, wie Residualfehler im Eingangsraum.

Nach einer vorgegebenen Zeit oder, wenn die Trainingsdaten­ menge einen vorgegebenen Wert NF erreicht, beginnt die Be­ triebslernphase, in der die Trainingsdatenmenge 10 konstant gehalten wird. Die Größe NF kann statisch sein oder dynamisch beispielsweise durch Techniken der Cross-Validation festge­ legt werden. Die Häufigkeit der zyklisch erfolgenden Adaption sowie die Größe des neuronalen Netzes 1 ist entweder konstant oder wird auf ähnliche Weise bestimmt, wie in der Initial­ lernphase.

Zu Beginn der Inbetriebnahme einer neuronal gesteuerten An­ lage werden in der Regel noch sehr viele Anlagenparameter verändert, um die Anlage zu optimieren. Das suboptimale Ver­ halten direkt nach der Inbetriebnahme sollte aber von dem neuronalen Netz 1 möglichst wieder vergessen werden. Deshalb ist entsprechend der Darstellung in Fig. 4 vorgesehen, die in der Initiallernphase 7 ständig wachsende Trainingsdatenmenge 11 nicht komplett zu verwenden, sondern die ältesten Daten­ punkte sukzessive zu vergessen. Das Wachstum der Trainings­ datenmenge 11 hat dabei natürlich schneller zu erfolgen als das Vergessen. Die Geschwindigkeit des Vergessens kann in Form eines konstanten Bruchteils der Wachstumsrate der Trai­ ningsdatenmenge 11, in Abhängigkeit von der Abweichung zwi­ schen den Ausgangsgrößen des neuronalen Netzes und ihren richtigen Werten oder in Abhängigkeit von dem Expertenwissen des Inbetriebnehmers festgelegt werden.

Fig. 5 zeigt ein Beispiel für eine exponentiell abfallende "natürliche" Vergessensfunktion einer Trainingsdatenmenge 12, die dadurch zustande kommt, daß die Datenpunkte in der Trai­ ningsdatenmenge 12 mit zunehmendem Alter mit einem immer ge­ ringeren Gewichtsfaktor gewichtet werden.

In Fig. 6 ist für das erfindungsgemäße Lernverfahren der ty­ pische Fehlerverlauf 13 des Residualfehlers F des neuronalen Netzes 1 in Abhängigkeit von der Anzahl der zur Verfügung stehenden Datenpunkte N im Vergleich zu dem Fehlerverlauf 14 eines Referenz-Lernverfahrens, hier Vererbungsdatei mit ana­ lytischem Modell im eingeschwungenen Zustand, aufgezeigt.

Fig. 7 zeigt ein neuronales Netz 16, dem eine Mehrzahl von in einem Eingangsvektor x zusammengefaßten Eingangsgrößen zuge­ führt wird und das in Abhängigkeit davon eine, gegebenenfalls ebenfalls mehrdimensionale, Antwort y_NN erzeugt. Die Antwort y_NN ist von einstellbaren Parametern p₁ und/oder p₂ des neu­ ronalen Netzes 16 abhängig. Das neuronale Netz 16 dient bei dem gezeigten Ausführungsbeispiel dazu, den Zusammenhang zwi­ schen Einflußgrößen eines technischen Prozesses, die durch den Eingangsvektor x repräsentiert werden, und einem Prozeß­ parameter y, repräsentiert durch die Antwort y_NN, nachzubil­ den. Ein Beispiel hierfür ist die Vorhersage der Walzkraft in einem Walzprozeß in Abhängigkeit von material- und anlagen­ spezifischen Einflußgrößen, wie unter anderem der Walzgut­ temperatur, der Walzgutfestigkeit, der Walzgutdicke und der Dickenabnahme.

Um den nachzubildenden Zusammenhang zu lernen, und das neuro­ nale Netz 16 an das tatsächliche Prozeßgeschehen anzupassen, werden die Parameter p₁ und/oder p₂ des neuronalen Netzes 16 mit Hilfe von Adaptionsalgorithmen 17 und 18 im Sinne einer Verringerung des Fehlers zwischen der von dem neuronalen Netz 16 gelieferten Antwort y_NN und dem tatsächlichen Wert des Prozeßparameters y verändert.

Dabei erfolgt nach jedem n-ten (n 1) Prozeßablauf, also nach jedem Walzgutdurchlauf, mittels des Adaptionsalgorithmus 17 eine on-line-Adaption, indem die während des erfolgten ak­ tuellen Prozeßablaufs gemessenen und nachberechneten Einfluß­ größen X_nach dem neuronalen Netz 16 aufgegeben werden und die daraus resultierende Antwort y_NN mit dem ebenfalls gemessenen oder nachberechneten Prozeßparameter y verglichen wird. Nicht plausible Werte oder Meßfehler werden durch die Nachberech­ nung ausgeschieden. In Abhängigkeit von dem dabei ermittelten Fehler y-y_NN werden ausgewählte Parameter p₁ des neuronalen Netzes 16 im Sinne einer Fehlerverringerung verändert. Dabei werden unkritische Parameter p₁ und solche Adaptionsalgorith­ men gewählt, die eine Stabilität der on-line-Adaption gewähr­ leisten und es erlauben, schnellen Prozeßzustandsänderungen zu folgen.

Die nach jedem n-ten Walzgutdurchlauf ermittelten Eingangs­ größen des Eingangsvektors x bilden zusammen mit dem gemesse­ nen bzw. nachberechneten Prozeßparameter y, der als Bezugs­ größe für den Vergleich mit der Antwort y_NN dient, einen Da­ tenpunkt, der in einer Speichereinrichtung 19 gespeichert wird. Auf der Grundlage einer aus mehreren gespeicherten Da­ tenpunkten gegebenenfalls durch Clustern, Selektieren oder Mitteln gebildeten Trainingsdatenmenge wird in zyklischen Ab­ ständen ein Training des neuronalen Netzes 16 vorgenommen, wobei die Parameter p₁ und p₂ des neuronalen Netzes 16 mit­ tels des Adaptionsalgorithmus 8 adaptiv verändert werden. Die Parameter p₁ und p₂ können dieselben oder teilweise oder ganz unterschiedlich sein. Wird das zyklisch wiederholte Training als Hintergrund-Training durchgeführt, kann auf der Basis be­ liebig großer Trainingsdatenmengen und mit zeitaufwendigen global optimierenden Lernalgorithmen gearbeitet werden.

Nach Abschluß eines Hintergrundtrainings wird das neuronale Netz 16 zuerst einer on-line Adaption mit zumindest einem Teil der der Trainingsdatenmenge zugrundeliegenden Daten­ punkte unterzogen, bevor das neuronale Netz 16 wieder für die Steuerung der Anlage aktiviert wird und mit neuen Datenpunk­ ten on-line weitertrainiert wird. So wird sichergestellt, daß sich das neuronale Netz nach dem globalen Hintergrundtraining sofort wieder an die aktuelle Tagesform der zu steuernden An­ lage anpaßt.

Claims (15)

1. Lernverfahren für ein neuronales Netz zum Regeln oder Steuern eines, insbesondere industriellen, Prozesses mit sich zeitlich verändernden Parametern, wobei das neuronale Netz in zumindest zwei Ausführungen, einem Regel- bzw. Steuernetz, mit dem der Prozeß gesteuert bzw. geregelt wird und das mit aktuellen Prozeßdaten derart trainiert wird, daß es ein Ab­ bild des aktuellen Prozesses bildet, und einem Hintergrund­ netz, das während des Betriebes mit repräsentativen Prozeßda­ ten derart trainiert wird, daß es ein Abbild des Prozesses über einen längeren Zeitraum gemittelt bildet, ausgeführt wird, wobei das Regel- bzw. Steuernetz nach Ablauf einer be­ stimmten Lernzeit für das Hintergrundnetz oder aufgrund eines externen Ereignisses durch das Hintergrundnetz ersetzt wird.

2. Lernverfahren für ein neuronales Netz zum Regeln oder Steuern eines, insbesondere industriellen, Prozesses mit sich zeitlich verändernden Parametern, wobei das Lernen während des Prozeßablaufs in zwei Lernphasen unterteilt, einer Ini­ tiallernphase und einer Betriebslernphase, erfolgt, wobei die Menge der Trainingsdaten, mit denen das neuronale Netz trai­ niert wird, in der Initiallernphase wächst und die Anzahl der Trainingsdaten in der Betriebslernphase weitgehend konstant bleibt.

3. Lernverfahren für ein neuronales Netz zum Regeln oder Steuern eines, insbesondere industriellen, Prozesses mit sich zeitlich verändernden Parametern, wobei sich die Menge der Trainingsdaten, mit denen das neuronale Netz trainiert wird, ändert, und wobei die Größe des neuronalen Netzes an die Men­ ge der Trainingsdaten angepaßt wird.

4. Lernverfahren für ein neuronales Netz zum Regeln oder Steuern eines, insbesondere industriellen, Prozesses mit sich zeitlich verändernden Parametern, wobei das neuronale Netz in zumindest zwei Ausführungen, einem Regel- bzw. Steuernetz mit dem Prozeß gesteuert und geregelt wird und das mit aktuellen Prozeßdaten derart trainiert wird, daß es ein Abbild des ak­ tuellen Prozesses bildet und einem Hintergrundnetz, das wäh­ rend des Betriebes mit repräsentativen Prozeßdaten derart trainiert wird, daß es ein Abbild des Prozesses über einen längeren Zeitraum gemittelt bildet, ausgeführt wird, wobei das Regel- bzw. Steuernetz nach Ablauf einer bestimmten Lern­ zeit für das Hintergrundnetz oder aufgrund eines externen Er­ eignisses durch das Hintergrundnetz ersetzt wird, wobei das Trainieren des Regel- bzw. Steuernetzes während des Prozeß­ ablaufs in zwei Lernphasen unterteilt, einer Initiallernphase und einer Betriebslernphase, erfolgt, wobei die Menge der Trainingsdaten, mit denen das Hintergrundnetz trainiert wird, in der Initiallernphase wächst und die Menge der Trainings­ daten in der Betriebslernphase weitgehend konstant bleibt.

5. Lernverfahren für ein neuronales Netz zum Regeln oder Steuern eines, insbesondere industriellen, Prozesses mit sich zeitlich verändernden Parametern, wobei das neuronale Netz in zumindest zwei Ausführungen, einem Regel- bzw. Steuernetz mit dem Prozeß gesteuert und geregelt wird und das mit aktuellen Prozeßdaten derart trainiert wird, daß es ein Abbild des ak­ tuellen Prozesses bildet und einem Hintergrundnetz, das wäh­ rend des Betriebes mit repräsentativen Prozeßdaten derart trainiert wird, daß es ein Abbild des Prozesses über einen längeren Zeitraum gemittelt bildet, ausgeführt wird, wobei das Regel- bzw. Steuernetz nach Ablauf einer bestimmten Lern­ zeit für das Hintergrundnetz oder aufgrund eines externen Er­ eignisses durch das Hintergrundnetz ersetzt wird und wobei sich die Menge der Trainingsdaten, mit denen das Hintergrund­ netz trainiert wird, ändert und die Größe des Hintergrund­ netzes an die Menge der Trainingsdaten angepaßt wird.

6. Lernverfahren für ein neuronales Netz zum Regeln oder Steuern eines, insbesondere industriellen, Prozesses mit sich zeitlich verändernden Parametern, wobei das Lernen während des Prozeßablaufs in zwei Lernphasen unterteilt, einer Ini­ tiallernphase und einer Betriebslernphase, erfolgt, wobei die Menge der Trainingsdaten, mit denen das neuronale Netz trai­ niert wird, in der Initiallernphase wächst und die Menge der Trainingsdaten in der Betriebslernphase weitgehend konstant und wobei das neuronale Netze in der Initiallernphase mit der Zunahme der Trainingsdaten wächst.

7. Lernverfahren für ein neuronales Netz zum Regeln oder Steuern eines, insbesondere industriellen, Prozesses mit sich zeitlich verändernden Parametern, wobei das neuronale Netz in zumindest zwei Ausführungen, einem Regel- bzw. Steuernetz mit dem Prozeß gesteuert und geregelt wird und das mit aktuellen Prozeßdaten derart trainiert wird, daß es ein Abbild des ak­ tuellen Prozesses bildet, und einem Hintergrundnetz, das wäh­ rend des Betriebes mit repräsentativen Prozeßdaten derart trainiert wird, daß es ein Abbild des Prozesses über einen längeren Zeitraum gemittelt bildet, ausgeführt wird, wobei das Regel- bzw. Steuernetz nach Ablauf einer bestimmten Lern­ zeit für das Hintergrundnetz oder aufgrund eines externen Er­ eignisses durch das Hintergrundnetz ersetzt wird das Training des Regel- bzw. Steuernetzes während des Prozeßablaufs in zwei Lernphasen unterteilt, einer Initiallernphase und einer Betriebslernphase, erfolgt, wobei die Menge der Trainings­ daten, mit denen das Regel- bzw. Steuernetz trainiert wird, in der Betriebslernphase weitgehend konstant bleibt und in der Initiallernphase zunimmt und wobei das Hintergrundnetz in der Initiallernphase mit der Zunahme der Trainingsdaten wächst.

8. Verfahren nach Anspruch 1, 4, 5 oder 7, dadurch gekennzeichnet, daß sich die Lernzeit für das Hintergrundnetz nach den Zeitkonstanten der Parameterver­ änderungen des Prozesses richtet.

9. Verfahren nach Anspruch 1, 4, 5, 7 oder 8, da­ durch gekennzeichnet, daß mehrere Hinter­ grundnetze gleichzeitig, aber zeitlich versetzt, trainiert werden.

10. Verfahren nach Anspruch 1, 4, 5, 7, 8 oder 9, da­ durch gekennzeichnet, daß ein Hinter­ grundnetz vor Übernahme von Steuer- und Regelungsaufgaben auf Plausibilität z. B. durch Durchlaufen eines speziellen Testda­ tensatzes oder durch parallelen Einsatz mit dem Regel- bzw. Steuernetz überprüft wird, wobei die Ausgänge der beiden Net­ ze verglichen werden und einen bestimmten Toleranzwert nicht überschreiten dürfen.

11. Verfahren nach Anspruch 1, 4, 5, 7, 8, 9 oder 10, da­ durch gekennzeichnet, daß das Hinter­ grundnetz vor einem Ersetzen des Regel- bzw. Steuernetzes durch das Hintergrundnetz einem kurzen Training mit aktuellen Prozeßdaten unterzogen wird, so daß es an die aktuelle Tages­ form der zu steuernden Anlage angepaßt ist.

12. Verfahren nach Anspruch 3, 5, 6, 7, 8, 9, 10 oder 11, dadurch gekennzeichnet, daß das Wachstum eines neuronalen Netzes in der Lernphase durch Ein­ fügen von einzelnen Zusatzknoten und Entfernen von Knoten mit sehr geringem Gewicht erfolgt.

13. Einrichtung zur Durchführung des Verfahrens nach einem oder mehreren der Ansprüche 1 bis 12, dadurch ge­ kennzeichnet, daß sie eine Prozeßrecheneinheit aufweist.

14. Einrichtung nach Anspruch 13, dadurch ge­ kennzeichnet, daß die Prozeßrecheneinheit als Einchiprechner, z. B. als Mikrocontroller oder als Mehrchip­ rechner, insbesondere als ein Einplatinenrechner oder als ein Automatisierungsgerät, ausgebildet ist.

15. Einrichtung nach Anspruch 14, dadurch ge­ kennzeichnet, daß das Automatisierungsgerät als speicherprogrammierbare Steuerung, als VME-Bussystem oder als Industrie-PC ausgebildet ist.