KI Methoden in der Schadensprüfung und Überwachung

Autonome und robuste Datenanalyse mit Maschinellen Lernen und KI in der  Schadensprüfung und Überwachung

Priv.-Doz. Dr. Stefan Bosse
Universität Bremen, FB Mathematik & Informatik
19.2.2018

Inhalt

Einführung

Schadensprüfung und Überwachung

Untersuchung des Material- und Strukturverhaltens von Proben und Bauteilen unter verschiedenen Belastungs- und Einsatzsituationen

Ziele

  • Erlangung von Materialparametern durch Experimente
  • Entwicklung neuer Materialien Material Informatik!
  • Erkenntnisse über und Verständnis von Schadensmechanismen (Ursachen und Ausbreitung)
  • Bauteilüberwachung zur Betriebszeit (SHM)
  • Optimierung von Bauteilen, Verbundmaterialien, und Einsatzsituationen
  • Vorhersage Lebensdauerzyklus zur Betriebszeit
  • Optimierte und dynamisierte Wartung

Einsatz von KI

Es fallen große Datenmengen bei der Materialprüfung und Bauteilüberwachung an! Messdaten sind unsicher und verrauscht!

  • Einsatz von KI Methoden um eine grundlegende Abbildungsfunktion der experimentellen Wissenschaften abzuleiten und zu implementieren:

    F(Sensor Daten): Sensor Daten Wissen!

  • Häufig existieren keine oder nur unvollständige numerische Material- und Bauteilmodelle

  • Inverse Numerik kann eingesetzt werden um von Sensordaten auf Material- und Bauteileigenschaften zurück zuschließen Meist zu komplex und rechenintensiv; Modelle müssen bekannt sein!

Maschinelles Lernen

  • Häufig fehlen funktionale Zusammenhänge zwischen zwei Variablen x und y, z.B., Dehnung einer Probe (Reactio) und wirkender äußerer Kraft (Actio, Stimulus):

    f(x):x y.

  • Neben der Bestimmung von funktionalen Zusammenhängen (Materialprüfung, Lastüberwachung) ist die Zustandsvorhersage zur Betriebszeit (Strukturüberwachung) wichtige Fragestellung.

Materialprüfung

Strukturüberwachung

Maschinelles Lernen

  • Grundlegend wird beim Maschinellen Lernen auf Beobachtungen zurückgegriffen: Die Trainingsdaten
  • Man unterscheidet zwei Arten des Maschinellen Lernens (ML):
Überwachtes Lernen

Die Trainingsdaten bestehen aus Eingabedaten (x, Sensorvariablen, Strukturparameter, ..) mit den dazugehörigen Ausgabedaten (y, sog. Labels, z.B. Materialparameter). Die Ausgabedaten werden i.A. von Experten (Menschen) zugeordnet, können aber auch durch eine automatische Bewertung rückgekoppelt werden (Verstärkungslernen).

Unüberwachtes Lernen

Beim sog. Clustering werden Muster in den Eingabedaten automatisch erkannt, d.h. die Trainingsdaten bestehen nur aus den Eingabedaten x.

Maschinelles Lernen

figmlClasses


Abb. 1. Unterschied Überwachtes und nicht überwachtes Lernen

Maschinelles Lernen

Mögliche Modelle für das vorherige Beispiel des Überwachten Lernens könnten sein:

figmlClasses1


classify1(x1,x2): (x1,x2)  y = 
  if (x2 < 50) then A
  else B 

classify2(x1,x2): (x1,x2)  y = 
  if (x1 < 50 and x2 < 50) then A
  else B 

  • Beim ML wird eine Approximation (Hypothese h) der unbekannten Klassifikations- und Vorhersagefunktion f(x) berechnet: y = h(x) = f(x)+Err.
  • Es gibt eine Menge von Hypothesefunktionen H für ein Problem.
    • Beispiel classify1 liefert für unteren roten Punkt falsches Ergebnis!

Maschinelles Lernen

Rauschen

  • Rauschen und Messunsicherheit können bis zur Unbrauchbarkeit das abgeleitete Modell beeinflussen!!!
  • Das betrifft beiden Phasen:
    • Lernvorgang (Training)
    • Klassifikationsvorgang (Anwendung des gelernten Modells)
  • Auch fehlerhafte Zuweisung von Labels (Klassen) ist Rauschen!
  • Einfluss von Rauschen abhängig vom verwendeten Algorithmus

fignoise

Maschinelles Lernen: Material und Struktur

Einsatz von ML in den Materialwissenschaften

Überwachtes Lernen Unüberwachtes Lernen
   
Anwendungen: Vorhersage Struktur Materialeigenschaften; Vorhersage von Schäden und Bauteilveränderungen; Kristallstrukturen klassifizieren Anwendungen: Modellierung der Klassifikation von Schäden; Identifikation von Deskriptoren; Rauschunterdrückung in Messdaten
   
Methoden: Entscheidungsbäume; Support Vector Machines; Neuronale Netze; k Nearest Neighbour; Regularisierte Kleinste Quadrate Methoden: Selbst-organisierende Karten (Neuronale Netze); k‐Means Clustering; Markov Random Fields; Hierarchical Cluster Analysis; Principal Component Analysis; Cross‐correlation

Maschinelles Lernen: SHM und Hybride/Composites

  • Composite Strukturen und Hybride Materialien besitzen komplexe

    • Schädigungsmodelle,
    • Wellenausbeitungsmodelle, und
    • Meachanische Verhaltensmodelle.
  • Vorhersage von Schäden und Bauteilveränderungen ist schwierig

  • Z.B. Ausbreitung von Wellen als Messverfahren in Hybriden nicht vollständig bekannt!

Virtuelles Trainieren

  • Verwendung von FEM und numerischen Methoden um Trainingsdaten für ML und Genetische Algorithmen zu erzeugen.

  • Synthetisch generierte Messdaten können mit realen Messdaten kombiniert werden!

figsynthML


Abb. 2. Synthetisches Trainieren mit FEM

Algorithmen und Modelle

Modell: Entscheidungsbaum

figdt

  • Ein Entscheidungsbaum besteht aus Knoten die mit einer bestimmten Eingangsvariable xi verknüpft sind und diese evaluieren [3].
  • Es gibt eine oder mehrere Kanten zu Nachfolgeknoten in Abhängigkeit vom Variablenwert (Relational oder Intervall).
  • Blätter sind mit den Klassifikationsergebnis verknüpft.
  • Sowohl Graphen-, Tabellen, als auch Programmnotation als Repräsentation des gelernten Modells verfügbar kompaktes Modell!

Modell: Neuronales Netzwerk