Am Institut für Informationsverarbeitung (TNT) werden Methoden im weiten Feld des maschinellen Lernens entwickelt und auf verschiedene Problemstellungen angewendet. Einer dieser Anwendungsbereiche ist die Entwicklung künstlicher Intelligenz für dynamische Systeme. Anwendungen des maschinellen Lernens für dynamische Systeme bringen zahlreiche interessante Herausforderungen mit sich, die in vielfältigen Forschungsprojekten am TNT adressiert werden.
Viele Anwendungen in der Industrie 4.0, der Medizin oder dem Infrastrukturmanagement, wie etwa Aufgaben der vorausschauenden Wartung (Predictive Maintenance), Leckageerkennung, Systemüberwachung oder Strukturüberwachung (Structural Health Monitoring), nutzen Methoden der Anomalieerkennung in Zeitreihendaten. Diese Zeitreihen stammen häufig von Sensoren oder Sensornetzwerken mit verschiedenen Sensortypen, welche die Eigenschaften des Systems messen. Die daraus resultierenden Methoden zur Anomalieerkennung basieren auf Algorithmen des maschinellen Lernens und können eingesetzt werden, um die grundlegenden Prozesse hinter diesen Aufgaben zu automatisieren.
Die Zeitreihenvorhersage (Time-series Forecasting, TSF) hat sich von einfachen statistischen Methoden hin zu komplexen Deep-Learning-Architekturen entwickelt, die rohe Zeitreihendaten verarbeiten. Die zentrale Herausforderung in der modernen Zeitreihenvorhersage, insbesondere bei der Langzeit-Zeitreihenvorhersage (LTSF), besteht darin, zwischen flüchtigem Rauschen und strukturellen Mustern zu unterscheiden, die über Tausende von Zeitschrifte hinweg bestehen bleiben.
In vielen aktuellen Forschungsarbeiten wurde gezeigt, dass physikalisches Wissen die Modellleistung von Machine-Learning-Modellen in dynamischen Systemen verbessern kann. In der Forschung zum physik-informierten maschinellen Lernen werden daher verschiedene Architekturen entwickelt, die partielle Differentialgleichungen (PDEs) nutzen, um die Modellleistung zu steigern. Diese Architekturen umfassen die Entwicklung von physik-informierten Graph-Neuronalen-Netzen, neuartigen Netzwerkschichten oder -architekturen sowie das Lernen von neuronalen Operatoren.
Die Optimierung von Prozessparametern durch KI beinhaltet den Einsatz intelligenter Algorithmen zur dynamischen Überwachung und Verfeinerung von Betriebsvariablen. KI-Algorithmen, wie maschinelles Lernen und neuronale Netze, können große Datensätze aus dem Prozess analysieren, um Muster und Beziehungen zwischen Prozessparametern und Ergebnissen zu identifizieren. Durch den Einsatz prädiktiver Modellierung kann die KI die Auswirkungen verschiedener Parametereinstellungen auf Leistung und Qualität vorhersagen und so eine datengestützte Entscheidungsfindung ermöglichen. Techniken wie das bestärkende Lernen (Reinforcement Learning) können eingesetzt werden, um Prozessparameter in Echtzeit adaptiv zu verbessern und eine optimale Leistung unter variierenden Bedingungen zu gewährleisten. Weitere Techniken wie Active Learning und generative Inverse-Design-Netzwerke ermöglichen eine effiziente Optimierung der Prozessparameter, indem sie die Exploration und Exploitation des Designraums ausbalancieren, die Auswahl gewünschter Konfigurationen steuern und Vorhersagen bei minimalem experimentellem Aufwand kontinuierlich verbessern. Die Integration von KI erhöht nicht nur die Geschwindigkeit und Genauigkeit von Optimierungsbemühungen, sondern ermöglicht auch die Entdeckung neuartiger Lösungen, die durch traditionelle Methoden möglicherweise nicht ersichtlich wären, wodurch Effizienz und Innovation in industriellen Prozessen vorangetrieben werden.
