• Home
  • Over ons
  • Uw publicatie
  • Catalogus
  • Recensies
  • Help
  • Account
  • Contact / Impressum
Dissertatie - Publicatiereeks - Congresbundel - Vakboek - Collegedictaat/Studieboek - CD-Rom/DVD - Online Publicatie
Winkelmandje
Catalogus : Details

Benjamin Maschler

Eine Architektur für maschinelles Transfer-Lernen in industriellen Automatisierungssystemen

voorkantachterkant
 
ISBN:978-3-8440-9325-4
Reeks:IAS-Forschungsberichte
Uitgever: Prof. Dr.-Ing. Dr. h. c. Michael Weyrich
Stuttgart
Volume:2023,2
Trefwoorden:Industrieautomatisierung; Künstliche Intelligent; KI; Maschinelles Lernen; Transfer-Lernen; Automatisierung
Soort publicatie:Dissertatie
Taal:Duits
Pagina's:154 pagina's
Gewicht:216 g
Formaat:21 x 14,8 cm
Bindung:Softcover
Prijs:58,80 € / 73,60 SFr
Verschijningsdatum:December 2023
Kopen:
  » plus verzendkosten
DOI:10.2370/9783844093254 (Online-Publicatie-Document)
Download:

Beschikbare online documenten voor deze titel:

U heeft Adobe Reader, nodig, om deze bestanden te kunnen bekijken. Hier vindt u ondersteuning en informatie, bij het downloaden van PDF-bestanden.

Let u er a.u.b. op dat de online-bestanden niet drukbaar zijn.

 
 DocumentDocument 
 Soort bestandPDF 
 Kosten44,10 EUR 
 ActiesTonen en kopen van het bestand - 4,4 MB (4662669 Byte) 
 ActiesKopen en downloaden van het bestand - 4,4 MB (4662669 Byte) 
     
 
 DocumentInhoudsopgave 
 Soort bestandPDF 
 Kostengratis 
 ActiesHet bestand tonen - 450 kB (460822 Byte) 
 Actiesdownloaden van het bestand - 450 kB (460822 Byte) 
     

Gebruikersinstellingen voor geregistreerde online-bezoekers

Hier kunt u uw adresgegevens aanpassen en uw documenten inzien.

Gebruiker:  niet aangemeld
Acties:  aanmelden/registreren
 Paswoord vergeten?
Aanbevelen:Wilt u dit boek aanbevelen?
Recensie-exemplaarBestelling van een recensie-exemplaar.
VerlinkingWilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.
SamenvattingIndustrielles Transfer-Lernen ermöglicht einen breiteren Einsatz von maschinellem Lernen in der Industrieautomatisierung, indem es die praktischen Herausforderungen konventionellen Deep Learnings überwindet: Lernalgorithmen müssen zwischen Anlagen und über Prozessgrenzen hinweg übertragbar sein und dabei Daten unterschiedlicher Qualität, Dimensionalität und Herkunft verwenden können, um mit geringen Anpassungsaufwänden auf Veränderungen der betrachteten (Teil-)Probleme reagieren zu können.

In dieser Arbeit wurde mittels Design Science Research angelehnt an Dual-Memory-Methoden und den Parametertransfer (Feinabstimmung) im Bereich der visuellen Objekterkennung eine modulare Architektur für industrielles Transfer-Lernen entwickelt: Eine statische, aber Anwendungsfall-spezifische Eingangsdatenverarbeitung führt eine Merkmalsextraktion aus. Die resultierenden Merkmalsvektoren können in der Folge über Clustering mit bereits bekannten Merkmalsvektoren im Transfermodul verglichen und von einem einfach nachtrainierbaren Ausgangsmodul weiterverarbeitet werden.

Zur Evaluation dieser Architektur wurden prototypische Realisierungen in drei Industrie-typischen Anwendungsfällen untersucht: Für die Pumpen einer Hydraulikpresse, die häufig wechselnde Produkte fertigt, wurde auf Basis von Druckverläufen eine Anomaliedetektion implementiert. Über einen Vergleich von Verläufen neuer Produkte mit denen bereits bekannter konnte eine deutliche Reduktion der benötigten Trainingsdatenmenge sowie eine gesteigerte Robustheit des Algorithmus erzielt werden. Für unter unterschiedlichen Einsatzbedingungen genutzte elektromechanische Relais wurde eine Ausfallvorhersage implementiert. Auch hier wurden über Vergleiche zwischen neuen Einsatzbedingungen mit bekannten Einsatzbedingungen deutliche Verbesserungen der Vorhersagegenauigkeit auch bei reduzierter Trainingsdatenmenge erreicht. Für unter unterschiedlichen Einsatzbedingungen genutzte Kugellager wurde auf Basis von Vibrationsdaten eine Ausfallvorhersage implementiert. Mittels Domänen-Adaption konnten hierbei erfolgreich Zusammenhänge aus bekannten, gelabelten Einsatzbedingungen auf neue, ungelabelte Einsatzbedingungen übertragen werden.

Im Rahmen der Evaluation konnte gezeigt werden, dass die vorgeschlagene Architektur auch mit wenigen Trainingsdaten robust gute Vorhersagequalitäten gewährleisten kann und so bspw. auch dynamische Probleme lösbar macht. Sie bietet darüber hinaus Ansätze, um auch auf ungelabelten Daten Regressions- oder Klassifikationsaufgaben ausführen zu können, und ermöglicht mit ihrem modularen Aufbau ein hohes Maß an Wiederverwendbarkeit.