Neue Dimension der Messdateninterpretation mit Machine learning

Was unser Gehirn schon längst beherrscht, soll nun auch die Messdatenauswertung im ISAT revolutionieren: das sogenannte „Machine learning“.

Während Maschinen komplexe mathematische Berechnungen innerhalb eines Sekundenbruchteils durchführen können, scheitern sie bei intuitiven Fragen wie beispielsweise der Erkennung einer Katze, welche das menschliche Gehirn hingegen spielerisch löst. Über Künstliche Intelligenz (KI) können auch Maschinen dazu gebracht werden, einfache intuitive Aufgaben zu erledigen. Ein wichtiges Tool hierbei stellt das „Machine learning“ dar. Beschrieben werden kann das „Machine learning“ als die die Fähigkeit von Computerprogrammen, aus Erfahrung zu lernen. Der Vorteil gegenüber klassischen Algorithmen ist, dass der Anwender/Nutzer die physikalischen Abläufe nicht umfassend/vollständig verstehen muss, denn dies wird vom Algorithmus übernommen. Insgesamt gibt es drei verschiedene Arten des „Machine learning“: überwachtes, unüberwachtes und bestärkendes Lernen.

Beim überwachten Lernen werden zu den Trainingsdaten die korrekten Ergebnisse vorgegeben. Der Algorithmus erkennt die Zusammenhänge zwischen Daten und Ergebnis selbstständig und passt sich dementsprechend an. Klassische Aufgaben sind beispielsweise die Klassifikation von Objekten in Gruppen oder Regression/Vorhersagen für die Zukunft. Beim unüberwachten Lernen versucht das System ohne Anleitung zu lernen um den Zusammenhang zwischen Daten zu erkennen und komplexe Datensätze zu vereinfachen. Hierbei können z. B. Abweichungen erkannt und aussortiert werden. Beim bestärkten Lernen muss das System eine vorgegebene Umgebung beobachten und mögliche Handlungen selbst analysieren und durchführen. Für korrekte Handlungen erhält es angelehnt an die klassische Konditionierung Belohnungen, für inkorrekte Bestrafungen (negative Belohnungen). Beispiel hierfür sind Roboter, die selbst laufen lernen. Je nach Algorithmus und Aufgabe benötigt man mehrere hundert Daten zur Auswertung. Für komplexe Aufgaben, wie beispielsweise Bilderkennung benötigt man deutlich mehr Datensätze (zehntausende bis hunderttausende). Je mehr Daten zum Lernen zur Verfügung stehen, desto besser kann der Algorithmus die zugrundeliegenden Daten verallgemeinern und zur Auswertung nutzen.

Input für einen vom ISAT entwickelten „Machine learning“-Algorithmus können beispielsweise die mittels akustischer Sensoren für verschiedene Schädigungsgrade eines Bauteils gewonnene Primärsignale sein. Dem Algorithmus wird vom Anwender lediglich vorgegeben, welcher Datensatz welchen Schädigungsgrad repräsentiert. Alles andere erledigt der Algorithmus allein, sprich er ermittelt eigenständig geeignete Parameter, die er zur Zustandsbewertung und Entscheidungsfindung braucht. Besonders geeignet ist „Machine learning“ für komplexe Messaufgaben, bei welchen z.B. aus dem Messsignal über klassische Auswerteverfahren keine zufriedenstellende Zuordnung zum Bauteilzustand erfolgen kann.

Im ISAT eröffnen sich durch Anwendung von „Machine learning“ – Algorithmen vollkommen neue Möglichkeiten der Sensorentwicklung in Bezug auf die Qualität der Dateninterpretation- und Auswertung. Aber nicht nur für die Sensorentwicklung ist die Methode geeignet. Dank des Know-hows unserer Mitarbeiter auf dem Gebiet können wir ihr Unternehmen auch bei einer ganz spezifischen Fragestellung unterstützen. Beispielsweise können wir ihre Maschinendaten in einen „Machine learning“-Algorithmus einbinden, so dass rechtzeitig vorhergesagt werden kann, ob beispielsweise ein Defekt ihrer Maschine droht. Viele Industriepartner des ISAT konnten wir bereits von den Potentialen des „Machine learning“ überzeugen, liefert es doch viel zuverlässige Messergebnisse als konventionelle Methoden.