kdw
Joined: 05 May 2006 Posts: 1460
|
Posted: 21.03.2020, 09:57 Post subject: Embedded Machine Learning (eML) … |
|
|
Hallo Forum.
Ein RMG/941 besitzt ab Werk umfangreiche Funktionen für das maschinelle Lernen, die sich für komplexe Aufgaben mit Maschinen- und Sensordaten eigenen. Mit den vorinstallierten Softwarefunktionen lassen sich beliebige Klassifizierungs- und Regressionsaufgaben per Supervised Machine Learning lösen, um z. B. den Zustand einer Maschine zu bestimmten oder einen Wartungstermin vorherzusagen.
Das Supervised Machine Learning kann man sich als einfache Mapping-Funktion vorstellen, also als die Verknüpfung von Ein- und Ausgangssignalen mit Hilfe einer Softwarefunktion. Im einfachsten Fall wird der Zustand von zwei Eingängen mit Hilfe einer programmierten logischen oder mathematischen Verknüpfung an einem Ausgang „abgebildet“ (also auf einen Ausgang gemappt). In der Praxis kann es mehr als zwei Eingänge und mehr als einen Ausgang geben.
Nach welchen Regeln die Eingänge miteinander verknüpft werden, um den Ausgangswert zu bilden, hängt vom jeweiligen Setup ab (z. B. eine in einer Programmiersprache codierte Addition oder logische UND-Verknüpfung). Wichtig ist der Determinismus einer Mapping-Funktion: Für ein bestimmtes Eingangsdatenmuster muss sich immer der gleiche Ausgangszustand ergeben.
Es gibt verschiedene Möglichkeiten, den Setup für eine Mapping-Funktion zu realisieren. Sie können z. B. Code in einer beliebigen Programmiersprache schreiben und die Eingangsdaten per „if-then-else“-Abfragen auswerten und die entsprechenden Ausgangsdaten erzeugen. Das erforderliche Fachwissen zu den Mapping-Zusammenhängen (Zusammenhang zwischen den Eingangs- und Ausgangszuständen) muss auf jeden Fall beim Codeentwickler vorliegen.
Alternativ lässt sich die Mapping-Funktion natürlich auch mit Hilfe von Supervised-Machine-Learning-Algorithmen aus dem Umfeld des statistischen Lernens oder sogar einem künstlichen neuronalem Netz erstellen (alles, vom einfachen Multilayer-Perzeptron bis zum Deep-Learning-Netzwerk, ist hier möglich). In diesem Fall werden allerdings geeignete Trainingsdaten benötigt, aus denen der jeweils zum Einsatz kommende Algorithmus bzw. ein neuronales Netz das erforderliche Wissen bezieht und in einem Modell speichert, um in einer späteren Inferenzphase das Eingangsdatenmuster modellbasiert auszuwerten und den Ausgangswert zu bilden.
Selbstverständlich ist auch eine Mapping Funktion mit nur einem Eingang und Ausgang denkbar. Ein Beispiel wäre die lineare Regression zum bestimmen des Körpergewichts (Ausgang Y) aus der Körpergröße (Eingang X).
VG KDW |
|