4. Maschinelles Lernen in technischen Systemen

Statistische und maschinelle Lernverfahren extrahieren Regelmäßigkeiten aus Daten. Sie ermöglichen die effiziente Abbildung von Wirkzusammenhängen in komplexen technischen Systemen, welche nur schwer oder gar nicht durch klassische Modellierungsansätze abgebildet werden können. Im Selbstoptimierungsprozess sind maschinelle Lernverfahren besonders für die Online-Analyse des Betriebszustands, sowie für die Modellbildung zur Regelung relevant. Durch den Einsatz von Lernverfahren eröffnen sich neue Perspektiven für die Automatisierung und Optimierung technischer Systeme. In dieser Anwendungsdomäne stehen allerdings oft nur relativ wenige Daten zur Verfügung, da die Datenakquisition in komplexen technischen Systemen meist hohe Kosten verursacht. Von entscheidender Bedeutung ist auch die zuverlässige Generalisierung der gelernten Modelle in technischen Systemen. Dieses Kapitel stellt Arbeiten im Rahmen des Spitzenclusters it?s OWL vor, welche diese Herausforderungen adressieren. Es umfasst eine kurze Einführung zum Hintergrund maschineller Lernverfahren und ausgewählter Verfahren, die Integration von Vorwissen in den Lernprozess, sowie Leitfäden zur Anwendung maschineller Lernverfahren in technischen Systemen. Die entwickelte Methodik wird an mehreren Anwendungsfällen aus dem Spitzencluster demonstriert.