Automatisierung des kontinuierlichen Lernens und Untersuchung des Langzeitverhaltens neuronaler Netze für die Produktionsregelung

点击翻译按钮获取中文摘要

Vorangehende Forschungsarbeiten zeigten, dass ein Vorteil künstlicher neuronaler Netze für die Produktionsregelung in ihrer kontinuierlichen Lernfähigkeit liegt. Das ständige Weiterlernen anhand neugewonnener Erfahrungen während des Einsatzes führt zu hoher Flexibilität der Regelung bei gleichzeitig niedrigem Modellierungs- und Rechenaufwand. Um das Phänomen des Overfittings zu vermeiden und einen möglichst guten Kompromiss zwischen dem Langzeit- und Kurzzeitgedächtnis zu finden, muss besonderes Augenmerk auf die Auswahl und Zusammenstellung der Trainingsdaten gelegt werden. Zusätzlich sind bei topologieverändernden Netzen, wie z. B. Cascade Correlation Networks, praktische Grenzen in der Anzahl der Neuronen zu beachten. Ziel dieses Forschungsvorhabens ist es, fundierte Erkenntnisse über das Langzeit-Lernverhalten verschiedener Netztypen in der Produktionsregelung zu gewinnen. Hierfür sind Langzeitexperimente durchzuführen und Simulationszeiträume von mehreren Jahren anzustreben, um anhand der gewonnenen Daten weitgehend automatisierte Vorgehensweisen abzuleiten, welche die Effizienz des Lernens über sehr lange Zeit sicherstellen. Daraus sind für die spätere Anwendung zuverlässige Aussagen über „Lebensdauer“ und „Wartung“ der in der Produktion eingesetzten neuronalen Netze zu formulierenAnhand der gewonnenen Erkenntnisse soll eine neuronale Hybridlösung entwickelt werden, welche die besten Eigenschaften, speziell für die Produktionsregelung, im Hinblick auf die kontinuierliche Lernfähigkeit in sich vereinigt. Die Evaluation erfolgt im Benchmarking mit bestehenden einzelnen oder hybriden Netztypen.