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

Vorangehende forschungsarbebeen zeigten, dass in Vorteil k<e:1> nstlicher neuronaler Netze f<e:1> r production sregelung in ihrer kontinuerlichen Lernfähigkeit liegt。as ständige Weiterlernen and handneugewonnenererfahhngen während des Einsatzes fhrt zuhoher Flexibilität der Regelung begleichzetiesniedrigem Modellierungs- und rechenaufand。在此Phänomen des Overfittings zu vermeiden和einen möglichst guten Kompromiss zwischen dem Langzeit- and Kurzzeitgedächtnis zu finden， muss besonderes Augenmerk audie Auswahl和Zusammenstellung der trainingsgenetent werden。Zusätzlich sind bei topologieverändernden Netzen, wz . B.级联相关网络，praktische Grenzen, der Anzahl . der Neuronen zu beach10。Ziel dieses forschungsvohabens ist - es，资助了erkenkentnisis.com，在der producktionsregung zugewinnen中，研究了langzeit - lerverhalten verschiedener Netztypen。研究人员发现，<s:1>科学技术研究<s:1>科学技术研究<s:1>科学技术研究<s:1>科学技术研究<s:1>科学技术研究<s:1>科学技术研究<s:1>科学技术研究<s:1>科学技术研究。Daraus sind fdie spätere Anwendung zuverlässige Aussagen <e:1>她的“Lebensdauer”和“Wartung”的“Lebensdauer”和“Wartung”的“Lebensdauer”和“Wartung”的“derderderproductionsneuronale”Hybridlösung entwickelwerden, welche die besten Eigenschaften, speziell fgr die productionsregelung, im Hinblick aufderkontinuerliche Lernfähigkeit in the vereinet。模具评价是在对标过程中进行的。

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.