Shop : Details
Shop
Details
55,80 €ISBN 978-3-8191-0761-0Paperback126 Seiten35 Abbildungen185 g21 x 14,8 cmDeutschDissertation
Juli 2026
Neuerscheinung
Hannes Vietz
Generierung synthetischer Trainingsdaten zur Leistungssteigerung bei maschinellen Lernaufgaben in der Automatisierungstechnik
Die Anwendung maschinell gelernter Algorithmen gewinnt in der Automatisierungstechnik zunehmend an Bedeutung, da sie datenbasierte Problemlösungen ermöglicht. Ein zentraler Engpass für leistungsfähige Deep-Learning-Modelle im Feldeinsatz ist jedoch die Verfügbarkeit gelabelter Trainingsdaten. Deren Akquisition ist in der industriellen Praxis kostenintensiv und mit betrieblichen Anpassungen verbunden. Ein vielversprechender Ansatz liegt daher in synthetischen Daten. Bestehende Verfahren erzeugen jedoch redundante Szenarien; zudem bleibt unklar, welche Daten tatsächlich zur Verbesserung der Modellgüte beitragen.
In dieser Dissertation wird ein Konzept zur leistungssteigernden Generierung synthetischer Daten entwickelt, das gezielt Schwächen trainierter Modelle adressiert und deren Leistungsmetriken verbessert. Es umfasst ein generatives neuronales Netz, eine Steuerungskomponente zur Optimierung der Datengenerierung sowie eine Entscheidungslogik zur Auswahl geeigneter Datenpunkte.
Die Effektivität wird anhand dreier Anwendungsfälle gezeigt: Der MNIST-Datensatz dient als kontrollierte Umgebung zur Bewertung realitätsnaher Bilddaten; ein datengetriebenes 5G-Positionsbestimmungssystem belegt die Übertragbarkeit auf eine industrielle Produktionsumgebung und zeigt verbesserte Genauigkeit und Generalisierung; ein dritter Anwendungsfall untersucht die optische Objektdetektion ohne öffentliche Datensätze.
Die Evaluierung zeigt, dass das Konzept realistische und gezielte Trainingsdaten generieren kann, welche Robustheit und Leistungsfähigkeit neuronaler Netze in der industriellen Automatisierung erhöhen. In allen Anwendungsfällen führte der Einsatz synthetischer Daten zu einer Verbesserung der Modellgüte und unterstreicht das Potenzial des Ansatzes für praktische Anwendungen.
In dieser Dissertation wird ein Konzept zur leistungssteigernden Generierung synthetischer Daten entwickelt, das gezielt Schwächen trainierter Modelle adressiert und deren Leistungsmetriken verbessert. Es umfasst ein generatives neuronales Netz, eine Steuerungskomponente zur Optimierung der Datengenerierung sowie eine Entscheidungslogik zur Auswahl geeigneter Datenpunkte.
Die Effektivität wird anhand dreier Anwendungsfälle gezeigt: Der MNIST-Datensatz dient als kontrollierte Umgebung zur Bewertung realitätsnaher Bilddaten; ein datengetriebenes 5G-Positionsbestimmungssystem belegt die Übertragbarkeit auf eine industrielle Produktionsumgebung und zeigt verbesserte Genauigkeit und Generalisierung; ein dritter Anwendungsfall untersucht die optische Objektdetektion ohne öffentliche Datensätze.
Die Evaluierung zeigt, dass das Konzept realistische und gezielte Trainingsdaten generieren kann, welche Robustheit und Leistungsfähigkeit neuronaler Netze in der industriellen Automatisierung erhöhen. In allen Anwendungsfällen führte der Einsatz synthetischer Daten zu einer Verbesserung der Modellgüte und unterstreicht das Potenzial des Ansatzes für praktische Anwendungen.
Schlagwörter: Synthetische Daten; Generative Methoden; Generative Adversarial Networks; 5G-Positionierung; Diffusionsmodelle
IAS-Forschungsberichte
Herausgegeben von Prof. Dr.-Ing. Dr. h. c. Michael Weyrich, Stuttgart
Band 2026,3
Weitere Formate
Elektronische Publikation (PDF): 978-3-8191-0698-9
Export bibliographischer Daten
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.
