Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Einführung Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

4. Maschinelles Lernen in technischen Systemen

verfasst von : Felix Reinhart, Klaus Neumann, Witali Aswolinskiy, Jochen Steil, Barbara Hammer

Erschienen in: Steigerung der Intelligenz mechatronischer Systeme

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

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.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Potenzialanalyse zur Steigerung der Intelligenz mechatronischer Systeme
Nächstes Kapitel Mathematische Optimierung
Literatur
1.
2.
Aswolinskiy, W., Reinhart, F., Steil, J.: Modelling parameterized processes via regression in the model space. In: European Symposium on Artificial Neural Networks, S. 53?58 (2016)
3.
Aswolinskiy, W., Reinhart, R., Steil, J.: Impact of Regularization on the Model Space for Time Series Classification. In: Machine Learning Reports, S. 49?56 (2015)
4.
Biehl, M., Hammer, B., Villmann, T.: Prototype-based models in machine learning.Wiley Interdisciplinary Reviews: Cognitive Science 7(2), 92?111 (2016)
5.
Bishop, C.M.: Pattern Recognition and Machine Learning. Springer (2006)
6.
Bojer, T., Hammer, B., Koeers, C.: Monitoring technical systems with prototype based clustering. In: European Symposium on Artificial Neural Networks, S. 433?439 (2003)
7.
Chen, H., Tang, F., Tino, P., Yao, X.: Model-based kernel for efficient time series analysis. In: ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, S. 392?400 (2013)
8.
Funahashi, K.I.: On the approximate realization of continuous mappings by neural networks. Neural Networks 2(3), 183?192 (1989)CrossRef
9.
G.-B. Huang, Q.-Y. Zhu, and C.-K. Siew: Extreme learning machine: Theory and applications. Neurocomputing 70(1?3), 489?501 (2006)CrossRef
10.
Hammer, B., Villmann, T.: Generalized Relevance Learning Vector Quantization. Neural Networks 15(8?9), 1059?1068 (2002)CrossRef
11.
Hartigan, J.A., Wong, M.A.: Algorithm AS 136: A k-means clustering algorithm. Journal of the Royal Statistical Society. Series C (Applied Statistics) 28(1), 100?108 (1979)MATH
12.
Huang, G.B., Zhu, Q.Y., Siew, C.K.: Extreme learning machine: a new learning scheme of feedforward neural networks. In: IEEE International Joint Conference on Neural Networks, Bd. 2, S. 985?990 (2004)
13.
Iwanek, P., Reinhart, F., Dumitrescu, R., Brandis, R.: Expertensystem zur Steigerung der Effizienz im Bereich der Produktion. Productivity (4), 57?59 (2015)
14.
Jovi?, A., Brki?, K., Bogunovi?, N.: A review of feature selection methods with applications. In: International Convention on Information and Communication Technology, Electronics and Microelectronics, S. 1200?1205 (2015)
15.
Kietzmann, T.C., Lange, S., Riedmiller, M.A.: Incremental GRLVQ: Learning relevant features for 3D object recognition. Neurocomputing 71(13-15), 2868?2879 (2008)CrossRef
16.
Kirstein, S., Wersing, H., Gross, H., Körner, E.: A life-long learning vector quantization approach for interactive learning of multiple categories. Neural Networks 28, 90?105 (2012)CrossRef
17.
Kohonen, T.: The self-organizing map. Proceedings of the IEEE 78(9), 1464?1480 (1990)CrossRef
18.
Kurgan, L.A., Musilek, P.: A survey of Knowledge Discovery and Data Mining process models. The Knowledge Engineering Review 21(1), 1?24 (2006)CrossRef
19.
Lemme, A., Neumann, K., Reinhart, R., Steil, J.: Neurally imprinted stable vector fields. In: European Symposium on Artificial Neural Networks, S. 327?332 (2013)
20.
Lemme, A., Neumann, K., Reinhart, R., Steil, J.: Neural learning of vector fields for encoding stable dynamical systems. Neurocomputing 141, 3?14 (2014)CrossRef
21.
Malzahn, J., Reinhart, R., Bertram, T.: Dynamics identification of a damped multi elastic link robot arm under gravity. In: IEEE International Conference on Robotics and Automation, S. 2170?2175 (2014)
22.
Meyer, T., Unger, A., Althoff, S., Sextro, W., Brökelmann, M., Hunstig, M., Guth, K.: Reliable Manufacturing of Heavy Copper Wire Bonds Using Online Parameter Adaptation. In: IEEE Electronic Components and Technology Conference, S. 622?628 (2016)
23.
Neumann, K.: Reliability of Extreme Learning Machines. Dissertation, Research Institute for Cognition and Robotics (CoR-Lab), Universität Bielefeld, Bielefeld (2014)
24.
Neumann, K., Lemme, A., Steil, J.: Neural learning of stable dynamical systems based on data-driven Lyapunov candidates. In: IEEE/RSJ International Conference on Intelligent Robots and Systems, S. 1216?1222 (2013)
25.
Neumann, K., Rolf, M., Steil, J.J.: Reliable Integration of Continuous Constraints into Extreme Learning Machines. Journal of Uncertainty, Fuzziness and Knowledge-Based Systems 21, 35?50 (2013)MathSciNetCrossRef
26.
Oestersötebier, F., Traphöner, P., Reinhart, R.F., Wessels, S., Trächtler, A.: Design and Implementation of Intelligent Control Software for a Dough Kneader. Procedia Technology 26, 473?482 (2016)CrossRef
27.
Queisser, J.F., Neumann, K., Rolf, M., Reinhart, R.F., Steil, J.J.: An active compliant control mode for interaction with a pneumatic soft robot. In: IEEE/RSJ International Conference on Intelligent Robots and Systems, S. 573?579 (2014)
28.
Reinhart, R.F.: Industrial Data Science ? Data Science in der industriellen Anwendung. Industrie 4.0 Management 32(6), 27?30 (2016)
29.
Reinhart, R.F., Steil, J.J.: Hybrid Mechanical and Data-driven Modeling Improves Inverse Kinematic Control of a Soft Robot. Procedia Technology 26, 12?19 (2016)CrossRef
30.
Rolf, M., Neumann, K., Queisser, J., Reinhart, R., Nordmann, A., Steil, J.: A Multi-Level Control Architecture for the Bionic Handling Assistant. Advanced Robotics 29(13), 847?859 (2015)CrossRef
31.
Rumelhart, D., Hinton, G., Williams, R.: Learning internal representations by error propagation. In: Parallel Distributed Processing: Explorations in the Microstructure of Cognition, Bd. 1, S. 318?362 (1986)
32.
Schleif, F.M., Hammer, B., Kostrzewa, M., Villmann, T.: Exploration of Mass-Spectrometric Data in Clinical Proteomics Using Learning Vector Quantization Methods. Briefings in Bioinformatics 9(2), 129?143 (2008)
33.
Schmidt, W., Kraaijveld, M., Duin, R.: Feedforward neural networks with random weights. In: IAPR International Conference on Pattern Recognition, Vol. II. Conference B: Pattern Recognition Methodology and Systems, S. 1?4 (1992)
34.
Shareef, Z., Mohammadi, P., Steil, J.: Improving the Inverse Dynamics Model of the KUKA LWR IV+ using Independent Joint Learning. IFAC-PapersOnLine 49 (21), 507?512 (2016)CrossRef
35.
Shareef, Z., Reinhart, R., Steil, J.: Generalizing a learned inverse dynamic model of KUKA LWR IV+ for load variations using regression in the model space. In: IEEE/RSJ International Conference on Intelligent Robots and Systems, S. 606?611 (2016)
36.
Shearer, C.: The CRISP-DM Model: The new blueprint for data mining. Journal of Data Warehousing 5(4), 13?22 (2000)
37.
Sutton, R.S.: Temporal Credit Assignment in Reinforcement Learning. Dissertation, University of Massachusetts, Amherst (1984)
38.
Tibshirani, R.: Regression Shrinkage and Selection via the Lasso. Journal of the Royal Statistical Society. Series B (Methodological) 58(1), 267?288 (1996)MathSciNetMATH
39.
Tikhonov, A.N.: Solution of incorrectly formulated problems and the regularization method. W. H. Winston, Washington, D. C. (1977)MATH
40.
Ude, A., Gams, A., Asfour, T., Morimoto, J.: Task-specific generalization of discrete and periodic dynamic movement primitives. IEEE Trans. on Robotics 26, 800?815 (2010)CrossRef
41.
Unger, A., Sextro, W., Althoff, S., Meyer, T., Neumann, K., Reinhart, R., Brökelmann, M., Guth, K., Bolowski, D.: Data-driven Modeling of the Ultrasonic Softening Effect for Robust Copper Wire Bonding. In: International Conference on Integrated Power Systems (CIPS), S. 1?11 (2014)
42.
Zhu, X.: Semi-supervised learning literature survey. Tech. Rep. 1530, Computer Sciences, University of Wisconsin-Madison (2005)
Metadaten
Titel
Maschinelles Lernen in technischen Systemen
verfasst von
Felix Reinhart
Klaus Neumann
Witali Aswolinskiy
Jochen Steil
Barbara Hammer
Copyright-Jahr
2018
Verlag
Springer Berlin Heidelberg
Buch
Steigerung der Intelligenz mechatronischer Systeme

Print ISBN: 978-3-662-56391-5

Electronic ISBN: 978-3-662-56392-2

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-662-56392-2_4

Neuer Inhalt

    Bildnachweise