Deepred

FFG COMET, 2019-2022

Deep Learning basiertes Predictive Analytics und Optimierung

Motivation

Die jüngsten Erfolge von Deep Learning Ansätzen in den Bereichen Bild- und Spracherkennung treiben die Erwartungen an das maschinelle Lernen auch in anderen (industriellen) Anwendungsbereichen voran, z.B. bei der Vorhersage von Prozess- und/oder Produktparametern, der Entwicklung von virtuellen Sensoren oder adaptiven/selbstlernenden Assistenzsystemen. In diesem Projekt werden solche industriellen Anwendungen auf der Grundlage des vorhandenen Know-hows im Bereich des Deep Learning, Representation Learning und Transfer Learning verbessert. Ein Schwerpunkt liegt auf der Unterstützung vieler ähnlicher Prozesse mit dem Ziel, die richtige Lösung ohne teure, umfassende und prozessspezifische Datensammlung zu finden.

Die optimale Steuerung komplexer Systeme (Produktionsanlagen, Smart Grids, Optimierungsalgorithmen, etc.) wird zunehmend modellbasiert und prädiktiv erfolgen. Die Kombination von Vorhersagemodellen auf Basis des maschinellen Lernens und deren Integration in optimierte und adaptive Regelungsalgorithmen auf allen Ebenen der Automatisierungspyramide stellt einen zukunftsorientierten Ansatz dar. In diesem Projekt werden Methoden zur industriell geeigneten Umsetzung dieses Ansatzes evaluiert, wobei die Unsicherheit von Vorhersagen und Schätzungen oder der Nachweis der Stabilität eine wesentliche Rolle spielen.

Erwartete Ergebnisse

  • Neue Methoden im Multi-Task-Learning: Im Hinblick auf Transfer-Learning ist es unser Ziel, unseren state-of-the-art Transfer Learning Ansatz (CMD) auf mehr als zwei Szenarien auszudehnen. Zusammen mit der Untersuchung von Szenarioähnlichkeiten wird es möglich sein, Wissen aus mehr als einem Quellszenario zu transferieren und Szenarien nach ihrem Nutzen für die Zielaufgabe zu gewichten.
  • Neue Methoden im Online-Transfer-Learning: Bzgl. Online-Learning werden Methoden aus verschiedenen Forschungsrichtungen (Lernen ohne Vergessen, Steigerung der Netzwerkkapazität, Vertrauen in Daten, Umgang mit realen Daten, ...) zusammengeführt.
  • Reinforcement Learning basiertes Optimierungsframework: Im Hinblick auf Optimierung und Steuerung komplexer Systeme ist es unser Ziel, ein Reinforcement Learning Framework zu entwickeln, welches für die Optimierung und Steuerung komplexer Aufgaben geeignet ist (d.h. Aufgaben, die von modellbasierten Ansätzen nur schwer erfasst werden können).

Fördergeber

Das Projekt wird im Rahmen von COMET – Competence Centers for Excellent Technologies durch BMK, BMDW, Land Oberösterreich und den wissenschaftlichen Partnern des SCCH gefördert. Das Programm COMET wird durch die FFG abgewickelt.

Zwick Michael

Senior Research Project Manager Data Science
Research Team Lead Scalable Optimization and Control