Shop : Details
Shop
Details
41,85 €ISBN 978-3-8191-0457-2152 Seiten75 AbbildungenDeutschDissertation
Januar 2026
eBook (PDF)
Simon Kamm
Analyse heterogener Daten in der Automatisierungstechnik durch den Einsatz robuster Machine Learning Modelle
In der Automatisierungstechnik stehen zunehmend große, heterogene Datenmengen („Big Data“) zur Verfügung, deren Analyse jedoch durch unterschiedliche Formate und Datensilos erschwert wird. Ziel dieser Arbeit ist die Entwicklung einer Architektur zur robusten Nutzung solcher Daten im Kontext automatisierter Systeme. Dabei wird vorhandenes Expertenwissen durch Simulationsmodelle, Transfer Learning und Physics-Informed Neural Networks integriert, um die Qualität von Anwendungen zu steigern.
Die vorgeschlagene Architektur umfasst die Integration und Verwaltung heterogener Daten mittels Ontologien sowie eine Daten-Virtualisierungskomponente in Form eines Virtual Knowledge Graphs. Diese stellt Datenquellen abstrahiert und standardisiert für Analysen bereit. Für die Auswertung kommen modulare, multi-modale neuronale Netze zum Einsatz, die verschiedene Datenmodalitäten kombinieren und in zwei Szenarien getestet werden: einer Fehleranalyse für Elektronikbauteile sowie einer Bodentyperkennung mit einem Roboterhund.
Die Ergebnisse zeigen deutliche Verbesserungen: Die Nutzung multi-modaler Daten erhöht die Vorhersagegenauigkeit um bis zu 11%, die Robustheit der Modelle um bis zu 35%. Zudem stabilisiert die Einbindung von Expertenwissen das Training, erweitert die Explorationsfähigkeit und reduziert den Vorhersagefehler um bis zu 15%. Damit leistet die Arbeit einen Beitrag zur effizienten und widerstandsfähigen Datenanalyse in automatisierten Systemen und eröffnet neue Möglichkeiten für präzisere Diagnosen und weitergehende Automatisierung.
Die vorgeschlagene Architektur umfasst die Integration und Verwaltung heterogener Daten mittels Ontologien sowie eine Daten-Virtualisierungskomponente in Form eines Virtual Knowledge Graphs. Diese stellt Datenquellen abstrahiert und standardisiert für Analysen bereit. Für die Auswertung kommen modulare, multi-modale neuronale Netze zum Einsatz, die verschiedene Datenmodalitäten kombinieren und in zwei Szenarien getestet werden: einer Fehleranalyse für Elektronikbauteile sowie einer Bodentyperkennung mit einem Roboterhund.
Die Ergebnisse zeigen deutliche Verbesserungen: Die Nutzung multi-modaler Daten erhöht die Vorhersagegenauigkeit um bis zu 11%, die Robustheit der Modelle um bis zu 35%. Zudem stabilisiert die Einbindung von Expertenwissen das Training, erweitert die Explorationsfähigkeit und reduziert den Vorhersagefehler um bis zu 15%. Damit leistet die Arbeit einen Beitrag zur effizienten und widerstandsfähigen Datenanalyse in automatisierten Systemen und eröffnet neue Möglichkeiten für präzisere Diagnosen und weitergehende Automatisierung.
Schlagwörter: Datenheterogenität; Datenvirtualisierung; Robust Machine Learning; Deep Neural Networks; Multi-Modal Machine Learning
IAS-Forschungsberichte
Herausgegeben von Prof. Dr.-Ing. Dr. h. c. Michael Weyrich, Stuttgart
Band 2026,1
Weitere Formate
Print-Version: 978-3-8191-0500-5
Sie benötigen den Adobe Reader, um diese Dateien ansehen zu können. Hier erhalten Sie eine kleine Hilfe und Informationen, zum Download der PDF-Dateien.
Bitte beachten Sie, dass die Online-Dokumente nicht ausdruckbar und nicht editierbar sind.
Bitte beachten Sie auch weitere Informationen unter: Hilfe und Informationen.
Bitte beachten Sie auch weitere Informationen unter: Hilfe und Informationen.
| Dokument |  | Gesamtdokument | ||
| Dateiart |  | |||
| Kosten |  | 41,85 € | ||
| Aktion |  | Zahlungspflichtig kaufen und download der Datei | ||
| Dokument |  | Inhaltsverzeichnis | ||
| Dateiart | | |||
| Kosten |  | frei | ||
| Aktion |  | Download der Datei | ||
Benutzereinstellungen für registrierte Online-Kunden (Online-Dokumente)
Sie können hier Ihre Adressdaten ändern sowie bereits georderte Dokumente erneut aufrufen.
Benutzer
Nicht angemeldet
Shaker Verlag GmbH
Am Langen Graben 15a
52353 Düren
Am Langen Graben 15a
52353 Düren
Mo. - Do. 8:00 Uhr bis 16:00 Uhr
Fr. 8:00 Uhr bis 15:00 Uhr
Fr. 8:00 Uhr bis 15:00 Uhr
Kontaktieren Sie uns. Wir helfen Ihnen gerne weiter.
