Unser Paper "Real-time model calibration with deep reinforcement learning" wurde im Journal Mechanical Systems and Signal Processing publiziert
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.
Unser RL-basierter Ansatz benötigt keine Modellparameter der Grundwahrheit für das Training, und unsere Experimente zeigen, dass der vorgeschlagene Ansatz besser generalisiert als neuronale Netze, die auf überwachtem Lernen basieren. Außerdem ist der vorgeschlagene RL-basierte Ansatz schneller als Kalman-Filter-Schätzungen und bietet gleichzeitig eine stabilere Ableitung von Modellparametern unter der Bedingung verrauschter Messungen und der Unsicherheit des zugrunde liegenden physikalischen Modells.
Lesen Sie unser externe Seite Paper für mehr Informationen!
Der Lehrstuhl für Intelligente Instandhaltungssysteme fokussiert sich auf die Entwicklung intelligenter Algorithmen, um die Leistung, Zuverlässigkeit und Verfügbarkeit komplexer Industrieanlagen zu verbessern und die Instandhaltung kosteneffizienter zu gestalten. Weitere Informationen finden Sie auf unserer Webseite