09

Uncertainty Quantification (UQ) ist von zentraler Bedeutung für Anwendungen, bei denen Fehlentscheidungen, aufgrund zu optimistischer Vorhersagen, zu katastrophalen Folgen führen können. Ein Beispiel für solche Anwendungen ist der Einsatz von Machine Learning Algorithmen zur Vorhersage der Restnutzungsdauer (RUL) einer bestimmten Industrieanlage.

Auf der Hybrid-Konferenz in Angers wurden erneut das große Potenzial und die Fortschritte beim Einsatz von AI im Zusammenhang mit sicherheitsrelevanten Bereichen wie Zustandsüberwachung, Diagnose und Wartung im Allgemeinen aufgezeigt.

Der optimale Betrieb komplexer Systeme erfordert umfangreiche Erfahrungen von qualifizierten Betreibern, deren Gewinnung lange dauern kann. Solche Betriebserfahrungen lassen sich unter Umständen nur schwer formalisieren und folglich nur schwer an Neulinge weitergeben. Die Bedeutung und Schwierigkeit eines solchen Erfahrungstransfers ist besonders groß bei Systemen, die unter hoher Unsicherheit und hohen Anforderungen an die Betriebsleistung betrieben werden, wie z.B. bei Tunnelbohrmaschinen.

Ismail Nejjar hat Abschlüsse in Robotik mit Schwerpunkt Deep Learning (MSc) und Mikrotechnik (BSc) von der Eidgenössischen Technischen Hochschule Lausanne (EPFL).

In unserer Publikation "Real-Time Model Calibration with Deep Reinforcement Learning" schlagen wir vor, wie Reinforcement Learning die Ableitung von Modellparametern für komplexe Systeme wie Turbofan-Triebwerke in Echtzeit ermöglicht.

Mengjie Zhao hat einen Abschluss in Computational Mechanics (MSc) mit Auszeichnung und in Ingenieurwissenschaften (BSc) von der Technischen Universität München (TUM).

Kürzlich bot das maschinelle Lernen innovative Lösungen für die vorausschauende Wartung an. Eine enge Interaktion und ein enger Austausch zwischen Industrie und Wissenschaft sind entscheidend, um den Fortschritt in diesem Bereich zu beschleunigen.