JR-Zentrum für Symbolische Regression

Prüfstände für Reibbeläge liefern belastbare Daten zur Berechnung von Reibmodellen

In diesem JR-Zentrum werden neue Algorithmen zur Modellierung technischer Systeme und Methoden für die Überwachung der Modellqualität entwickelt. Die Performanz der Algorithmen wird anhand von Antriebskomponenten demonstriert.

 

Symbolische Regression ist eine spezielle Art der Regressionsanalyse. Dabei wird der funktionale Zusammenhang zwischen abhängigen Variablen ermittelt und daraus ein Vorhersagemodell entwickelt. Im konkreten Fall werden Modelle als mathematische symbolische Formeln generiert. Dabei werden die Modellstruktur und die Modellparameter gleichzeitig an die gegebenen Daten angepasst. Im Rahmen des maschinellen Lernens geschieht das Training der Modelle rein empirisch. Dabei kann aber auch Vorwissen über den zu modellierenden Zusammenhang berücksichtigt werden, um semi-empirische Modelle zu bilden.

 

Die Fähigkeit relativ einfache mathematische Formeln für einen unbekannten Zusammenhang zu finden und dabei physikalisches Vorwissen einfließen zu lassen, ist speziell für die Modellierung technischer Systeme interessant. Im JR-Zentrum wird als Beispiel die Modellierung von Antriebskomponenten und Reibsystemen betrachtet. Das Ziel ist es, Verfahren für symbolische Regression so weiter zu entwickeln und zu adaptieren, dass diese als Standardwerkzeug für Modellierung in industriellen Anwendungen eingesetzt werden können.

 

Derzeit eingesetzte Algorithmen für symbolische Regression sind stochastisch, das heißt ihr Ergebnis kann bei Wiederholung desselben Vorgangs nicht zwingend reproduziert werden. Sie sind auch deutlich langsamer als Standardverfahren für Regressionsanalyse und es wird Expertenwissen über die speziellen Lösungsverfahren benötigt. Dieses JR-Zentrum wird daher effiziente deterministische Algorithmen für symbolische Regression entwickeln, welche belastbare und genaue Modelle generieren und somit Anwendern ermöglichen, symbolische Regressionsmodelle innerhalb weniger Stunden zu erzeugen und zu validieren.

 

Für industrielle Anwendungen ist es notwendig, Modelle an ständig wechselnde Bedingungen und Systeme anzupassen und ihre Vorhersagegenauigkeit schwindet über die Zeit (dies wird „Concept Drift“ genannt). Derzeit werden Modelle dabei meist von Grund auf neu erzeugt, wenn die Vorhersagegenauigkeit schwindet. Im Gegensatz dazu soll im JR-Zentrum ein methodisches und technisches Framework für die Überwachung der Modellqualität, die Erkennung von Concept Drift und Verwaltung von Daten und Modellen entwickelt werden. Dafür sollen anpassungsfähige Lösungsmethoden für symbolische Regression entwickelt werden, welche bestehende Modelle wiederverwenden, um die Effizienz der Trainingsphase zu verbessern.

 

Die entwickelten Algorithmen und Frameworks werden für die Modellierung von Antriebssträngen und Reibsystemen eingesetzt, um die Performanz der Algorithmen zu demonstrieren und die Entwicklung von Antriebssträngen und Reibsystemen zu unterstützen.

Symbolische Regressionsmodelle werden zum Beispiel für die Prognose der Reibeigenschaften von unterschiedlichen Materialien eingesetzt

Christian Doppler Forschungsgesellschaft

Boltzmanngasse 20/1/3 | 1090 Wien | Tel: +43 1 5042205 | Fax: +43 1 5042205-20 | office@cdg.ac.at

© 2020 Christian Doppler Forschungsgesellschaft