MemBrain Neural Network Editor + Simulator User Forum

Hallo!

Ich beschäftige mich derzeit mit der Lebensdauerprognose von Messgeräten und bin dabei auf die Neuronalen Netzen für die Anwendung in der technischen Zuverlässigkeit gestoßen. Ich bin auf diesem Gebiet noch ein Neuling. Die Messgeräte sind unterschiedlichen Einflussfaktoren ausgesetzt (Temperatur, Feuchte, Messmediumqualität etc. ...). Die Lebensdauerprognose sollte am besten vor dem Messgeräteeinsatz erfolgen und kann durch die Erkenntnisse aus dem Feld angepasst (angelernt) werden. Problematisch dabei ist, das mir wenige bis keine Daten zur Verfügung stehen. Es sollte erstmal ein Grundkonzept erstellt werden, das dann mit Daten "gefüttert" werden soll und die Lebensdauer prognostiziert werden kann. Die Daten können dann aus Messergebnissen oder Garantiedaten/Reklamationen hervorgehen.
Für Vorgängermodelle des aktuelle Messgerätes können bereits "Ausfallinfornmationen" (Zeiten und Ursachen) als Inpout vorhanden sein, die über eine Transformation auf das "neue" Messgerät überführt werden können. Auch Ergebnisse aus beschleunigten Prüfungen können vor dem Messeinsatz vorliegen (Anwendung der Weibullverteilung) und über ein Lebensdauerbeanspruchungsmodell auf den bestimmungsgemäßen Gebrauch gerechnet werden. Jedoch können dabei nicht alle Wechselwirkungen berücksichtigt werden (zu aufwendig) und für einige Einflussfaktoren existieren solche Modelle nicht.

Meine Frage ist deshalb ob sich KNN auf diese Problematik anwenden lassen ?

Ist dabei folgender Aufbau korrekt:

(1) Inputdaten: Einflussfaktoren, Ausfallzeiten und Ursachen
(2) Outputdaten: Lebensdauer



Könnte mir jemand eventuell weiterhelfen ? Wie kann ein solches NN bspw. aussehen ? Wie gesat ich bin total frisch auf diesem Gebiet.

Vielen Dank.

Hallo!

Ich bin es nochmal. Wieso antwortet mir keiner ?

Bin grad dran mich einzulesen in das Themengebiet der NN für zuverlässigkeitstechnische Bewertungen.



Bitte um HILFE bzw. Diskussionseröffnung. Mein Ziel ist der Aufbau/Konzepterstellung einer adaptiven Lebensdauerprognose aus verschiedenen Informationen (Felddaten, Prüfungsergebnisse etc.). Ist die NN dafür geeignet ?

Grüße

almer

Hallo und herzlich Willkommen!

Prinzipiell ist ein NN-Ansatz für eine solche Prognose bestimmt geeignet, ja. Es hängt allerdings alles von der Menge und Qualität der Daten ab.
Wenn nur wenige belastbare Datensätze vorliegen, dann würde ich von einem NN-Ansatz abraten, eine ausreichend hohe Datenmenge ist unabdingbare Voraussetzung für ein erfolgreiches Training.

Wie viele Datensätze notwendig sind, ist nicht leicht vorherzusagen, unter 100 macht es aber bestimmt keine Sinn, idealerweise sind es mehrere Hundert oder sogar Tausende Datensätze. Diese sollten qualitativ hochwertig und einheitlich erfasst/gewonnen sein.

almer wrote:Ist dabei folgender Aufbau korrekt:

(1) Inputdaten: Einflussfaktoren, Ausfallzeiten und Ursachen
(2) Outputdaten: Lebensdauer

Ja, das sieht plausibel aus. Wichtig ist, dass pro Ein- und Ausgangsneuron entweder eine binäre Größe (Ja/Nein bzw. 1/0) oder ein skalierbarer Wert (für den die Begriffe größer/kleiner eine Bedeutungsentsprechung im Problem haben) gewählt wird. Es macht also keine Sinn, verschiedene Bedeutungsqualitäten in einen Zahlencode zu übersetzen und diesen dann über ein einziges Neuron einzuspeisen.
Ebenso macht es keinen Sinn, eine Größe wie Datum/Zeit als fortlaufende Zahl hinzuzunehmen.

Viele Grüße

Hallo ich bin es nochmal !

Habe aber im Forum auch einen Beitrag gefunden, wo es um die Prognose des Gasverbrauches ging. Da waren aber nicht so viele Datensätze zu anlernen vorhanden oder täusche ich mich da ?

Grüsse

almer

almer wrote:Habe aber im Forum auch einen Beitrag gefunden, wo es um die Prognose des Gasverbrauches ging. Da waren aber nicht so viele Datensätze zu anlernen vorhanden oder täusche ich mich da ?

Leider fehlt mir gerade die Zeit, das jetzt noch nachzuvollziehen, es ist aber natürlich möglich, dass man auch mal mit weniger Daten brauchbare Ergebnisse hinbekommt. Es stellt sich dann natürlich die Frage, ob diese Ergebnisse als belastbar bezeichnet werden können.
Auf wie viele Datensätze kannst Du denn zugreifen und viel viele Inputs wirst Du benötigen? Die Anzahl der Inputs spannt Deinen Eingangsdatenraum auf. Jeder Input erhöht die Dimensionalität Deines Eingangsdatenraumes und verlangt deshalb nach Abdeckung durch aussagekräftige Trainingsmuster, möglichst in Kombination mit anderen Permutationen, die die restlichen Inputs bedienen. So kann sehr schnell eine hohe Eingangsdimensionalität erreicht werden, die nur durch eine hohe Anzahl EIngangsmuster abgedeckt werden kann.