Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM
Fraunhofer-Institut für Techno- und Wirtschaftsmathematik ITWM
Datenfluss Machine Learning
© iStockphoto
Fractal Realms series. Backdrop of fractal elements, grids and symbols on the subject of education, science and technology

© iStockphoto

Grey-Box-Modelle – Integration von Anwendungswissen in Lernverfahren

Die modellbasierte Simulation und Optimierung ist zu einem Standardwerkzeug in Entwurf, Design und Steuerung realer Prozesse geworden, sowohl in der industriellen Produktion als auch in Organisationsprozessen. Dabei hängt der Nutzen in der Praxis entscheidend von der Verfügbarkeit und der Qualität von Modellvorhersagen ab.

 

Zielsetzung

In diesem Projekt sollen Methoden entwickelt werden, die beides – die Verfügbarkeit sowie die Qualität – von Modellvorhersagen erheblich verbessern, indem deterministische (White Box) Modelle mit datengetriebenen Ansätzen (Black Box) miteinander verzahnt werden.

»Machine Learning Verfahren brauchen, wenn sie gut funktionieren sollen, massenweise Daten. Diese sind in der produzierenden Industrie aber nicht immer verfügbar. Wir besitzen jedoch eine Menge Wissen über die Prozesse,« erklärt Projektkoordinator Michael Bortz. »Wenn wir dies berücksichtigen und mit Machine-Learning-Verfahren kombinieren, können wir modellbasierte Vorhersagen und Optimierung erheblich verlässlicher als bislang gestalten bzw. besser ermöglichen. Diese Grundidee soll in unserem Projekt beispielhaft angegangen werden.«

Schematische Darstellung des Grey-Box-Modellierens
© ITWM
Schematische Darstellung des Grey-Box-Modellierens

Exemplarische Anwendungsfelder

Der Nutzen des damit entstehenden Modellbasierten Machine Learning wird in drei Anwendungsfeldern exemplarisch demonstriert:

  • chemisches Prozessdesign
  • Mustererkennung in Prozessdaten
  • Umformtechnik

Dabei soll die Methodenkompetenz der beteiligten Institute zusammengeführt und weiterentwickelt werden, um den Nutzen des Grey-Box-Zugangs zur Lösung dieser industriellen Problemstellungen in drei Softwareprototypen zu demonstrieren.

 

Vorteile Grey-Box-Modelle  

Maschinelles Lernen hat in der Vergangenheit beeindruckende Erfolge in verschiedenen Bereichen erzielt, unter anderem in der Mustererkennung im weitesten Sinne, z.B. bei Text- und Bilderkennung, Objektklassifikation, Personenidentifikation usw.

Anwendungen Maschinellen Lernens verfolgen dagegen oft ausschließlich einen Black-Box-Ansätzen, d.h. eine voll nichtparametrische Herangehensweise bei der es kein einfaches parametrisches Modell gibt. Mathematische Modellierung, Simulation und Optimierung in der Industrie dagegen basiert in der Regel auf White-Box-Ansätzen, d. h. auf parametrischen Modellen.

Grey-Box-Modelle kombinieren qualitatives Vorwissen mit quantitativen Daten. Dadurch kann die gesamte verfügbare Information über einen industriellen Prozess zur Bestimmung eines bestmöglichen Modells des Prozesses verwendet werden. Gegenüber Black-Box- und White-Box-Modellen haben Grey-Box-Modelle den Vorteil, Vorwissen und die Information in vorhandenen Daten zu nutzen.

Schritte des Grey-Box-Modellierens

  • White Box aufsetzen und Modellgrenzen verstehen
  • Black-Box-Modell lernen und Extrapolationsgüte testen
  • Integration in ein Grey-Box-Modell
  • Optimierung Grey-Box-Modell mit Simulation und Realdatenabgleich
  • Implementierung Smart Modell

Beteiligte Institute

 

Projektkoordination:

  • Dr. Michael Bortz (ITWM)
  • Prof. Dr. Jochen Garcke (SCAI)

 

Projektlaufzeit:

Das Projekt ist für einen Zeitraum von zwei Jahren angelegt.

Das könnte Sie auch interessieren: