CD-Labor für zuverlässige intelligente Systeme in rauen Umgebungen

In der Industrie haben datengesteuerte Techniken die Fertigung revolutioniert, indem sie während der Produktion riesige Mengen an Informationen sammeln und diese in wertvolle Informationen zur Prozess optimieren. Während maschinelles Lernen (ML) eine Schlüsseltechnologie und der Hauptfaktor für viele der jüngsten Erfolgsgeschichten ist, erleben wir den Übergang von ML aus der "virtuellen Welt" in die "freie Wildbahn"; dazu gehören prominente Anwendungen in der autonomen Navigation, dem Internet der Dinge und Industrie 4.0-Anwendungen. Dieser Übergang bringt natürlich eine Reihe realer Herausforderungen für ML, die es zu bewältigen gilt, um die Lücke zwischen beiden Welten zu schließen. Wir konzentrieren uns auf eine wesentliche Komponente in modernen Fertigungssystemen - die datengesteuerte Überwachung des Maschinenzustands. Eine entscheidende Voraussetzung für die breite Akzeptanz von ML-basierter Zustandsüberwachung ist, dass sie nicht nur genau, sondern auch in jeder erdenklichen Situation zuverlässig arbeitet und Interpretationen und Unsicherheitsmessungen des Modellverhaltens liefert. In realen Situationen kann eine Vielzahl von Störungen und Umwelteinflüssen auftreten, die berücksichtigt werden müssen. Besondere Anforderungen an reale Systeme sind: erstens Robustheit gegenüber Ausreißern, Domänenverschiebungen und verfälschten Daten, zweitens Lernen und Übertragen von Wissen aus ähnlichen Problemen, um der begrenzten Verfügbarkeit etikettierter Daten entgegenzuwirken, und drittens das Wissen um die Grenzen des Modells; schließlich ist es bei sicherheitskritischen Systemen ebenso wichtig, genaue Vorhersagen zu treffen und das Verhalten eines Modells zu verstehen.