{"id":7361,"date":"2023-11-16T08:20:44","date_gmt":"2023-11-16T07:20:44","guid":{"rendered":"https:\/\/sensxpert.com\/?post_type=blog&p=7361"},"modified":"2023-12-11T07:37:31","modified_gmt":"2023-12-11T06:37:31","slug":"modellvalidierung","status":"publish","type":"blog","link":"https:\/\/sensxpert.com\/de\/blog\/modellvalidierung\/","title":{"rendered":"R\u00fcckkopplungsschleifen, Modellvalidierung und Neuschulung: Die Genauigkeit von sensXPERT"},"content":{"rendered":"\n

sensXPERT Digital Mold ist eine Prozesssteuerungsl\u00f6sung, die Hersteller bef\u00e4higt, ihre Kunststoffherstellungsprozesse zu optimieren und zu digitalisieren. Vorhersagende maschinelle Lernmodelle sind zentral f\u00fcr diese Technologie, da sie den genauen Zeitpunkt bestimmen, an dem verarbeitete Materialien einen bestimmten Aush\u00e4rte- oder Kristallisationsgrad erreicht haben werden. Daher h\u00e4ngt Digital Mold stark von der Genauigkeit und Effektivit\u00e4t der von ihm verwendeten Modelle ab.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Wie stellt sensXPERT sicher, dass unsere Modelle Zuverl\u00e4ssigkeit und Pr\u00e4zision beibehalten, und wie k\u00f6nnen Kunden sicher sein, dass ihr neu prognostizierender Prozess Produkte von herausragender Qualit\u00e4t generieren wird? Die Antwort liegt in einer Kombination von Feedback-Schleifen, Modellvalidierung und Neuschulung.<\/p>\n\n\n\n

In diesem Artikel erkl\u00e4ren wir, wie Modelle trainiert und validiert werden, er\u00f6rtern die Bedeutung von Modellvalidierung und Neuschulung und werfen einen Blick auf die vorhersagende Analyse in der Fertigung. Anschlie\u00dfend kl\u00e4ren wir, wie das sensXPERT-Team die Genauigkeit der maschinellen Lernmodelle des Digital Mold gew\u00e4hrleistet.<\/p>\n\n\n\n

Training und Validierung von Machine Learning-Modellen<\/h2>\n\n\n\n

In einem Artikel \u00fcber k\u00fcnstliche Intelligenz und maschinelles Lernen definierten wir maschinelles Lernen als \u201eeine Teilmenge von KI, die es Maschinen erm\u00f6glicht, aus Daten zu lernen\u201c. Modelle des maschinellen Lernens zielen darauf ab, ein Problem zu l\u00f6sen, indem sie Muster und Trends in bestimmten Datens\u00e4tzen analysieren. Diese Muster werden anschlie\u00dfend verwendet, um Entscheidungen oder Vorhersagen zu generieren.<\/p>\n\n\n\n

Der gesamte Prozess des maschinellen Lernens beginnt mit einem Datensatz. Um Voreingenommenheiten im Entscheidungsprozess des resultierenden Modells zu vermeiden, ist es unerl\u00e4sslich, den Datensatz zu teilen. Das Teilen des Datensatzes ist der Prozess, einen Datensatz in zwei oder mehr Teilmengen f\u00fcr das Training, das Testen und m\u00f6glicherweise die Validierung des Modells aufzuteilen.<\/p>\n\n\n\n

Das Teilen des Datensatzes gew\u00e4hrleistet die Zuverl\u00e4ssigkeit des Modells, seine F\u00e4higkeit zur Verallgemeinerung auf neue Daten und seine Wirksamkeit in realen Szenarien. Es gibt verschiedene Arten von Datenaufteilungen, wie zum Beispiel die Trainings-Test-Aufteilung, bei der die Testdaten w\u00e4hrend des Trainings zur\u00fcckgehalten werden.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Quelle: https:\/\/www.researchgate.net\/figure\/Training-and-validation-scheme-for-machine-learning-methods-The-database-is-split-and_fig1_357570421 <\/p>\n\n\n\n

Das Trainingset wird verwendet, um das maschinelle Lernmodell zu trainieren, und das Testset wird verwendet, um seine Leistung zu validieren. Typische Aufteilungsverh\u00e4ltnisse sind 70:30 und 80:20, sodass der Gro\u00dfteil des Datensatzes f\u00fcr das Training des Modells verwendet wird.<\/p>\n\n\n\n


Die Bedeutung von Modellvalidierung und Neuschulung<\/h2>\n\n\n\n

Nachdem die maschinellen Lernmodelle trainiert wurden, wird das resultierende Modell gegen ein Testdatenset validiert, um seine Leistung auf neuen, nicht gesehenen Daten zu bewerten und sicherzustellen, dass es f\u00fcr den Einsatz in realen Szenarien vorbereitet ist. Die Validierung des Modells ist ein wichtiger Schritt im Entwicklungsprozess, da sie die Genauigkeit der Modellausgaben gew\u00e4hrleistet.<\/p>\n\n\n\n

Wenn mehrere Modelle entwickelt werden m\u00fcssen, erfolgt das Training am Testsatz, und das ausgew\u00e4hlte Modell ist dasjenige, das die beste Leistung erbringt. In diesem Fall ist ein dritter Datensatz erforderlich, um das Modell an nicht gesehenen Daten zu validieren.<\/p>\n\n\n\n

Nachdem ein Modell implementiert wurde, ist die Neuschulung ein entscheidender Schritt, um die Genauigkeit eines Modells zu st\u00e4rken. Das Neuschulen des maschinellen Lernens ist der Prozess, bei dem das trainierte Modell mithilfe neuer Daten aktualisiert und verbessert wird. H\u00e4ufiges Neuschulen f\u00fchrt zur fortgesetzten Relevanz, Genauigkeit und Anpassungsf\u00e4higkeit eines Modells an sich \u00e4ndernde Umst\u00e4nde wie Datenverschiebungen oder Parameter\u00e4nderungen.<\/p>\n\n\n\n

Wie werden die maschinellen Lernmodelle von sensXPERT in einer Kunststoffproduktionsumgebung verwendet und verfeinert?<\/p>\n\n\n\n

Pr\u00e4diktive Analytik in der Kunststoffherstellung<\/h2>\n\n\n\n

Wie zu Beginn erw\u00e4hnt, verwendet sensXPERT maschinelle Lernmodelle, um den Zeitpunkt vorherzusagen, an dem ein Teil im Produktionszyklus der Kunststoffherstellung den gew\u00fcnschten Aush\u00e4rtegrad oder die gew\u00fcnschte Kristallisation des Herstellers erreicht haben wird.<\/p>\n\n\n\n

Verschiedene Hindernisse k\u00f6nnen den Kunststoffherstellungsprozess beeintr\u00e4chtigen, darunter Qualit\u00e4tsschwankungen, Materialabweichungen, mangelnde Transparenz und infolgedessen M\u00e4ngel an Endprodukten. Daher gewinnen predictive Analytics erheblich an Bedeutung. Technologien und Innovationen, die potenzielle Systemausf\u00e4lle vorhersagen, Produktionspl\u00e4ne optimieren und den Lagerbestand prognostizieren, wurden entwickelt, um die Kunststoffproduktion zu optimieren und unn\u00f6tige Stillstandszeiten zu vermeiden.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Quelle: What is Predictive Analytics? | Qualtrics<\/mark><\/a><\/p>\n\n\n\n

sensXPERT verwendet predictive Analytics, um direkt in Spritzgussmaschinen zu schauen und die Ergebnisse laufender Produktionszyklen vorherzusagen, um eine dynamische Prozesskontrolle zu erm\u00f6glichen. Der sensXPERT Digital Mold erm\u00f6glicht es Herstellern, Qualit\u00e4tskontrollen an jedem produzierten Teil durchzuf\u00fchren, ihre Sicherheitspuffer zu entfernen, Zykluszeiten zu reduzieren, von weniger Ausschuss zu profitieren und insgesamt die Kosteneffizienz zu steigern.<\/p>\n\n\n\n

Im Zentrum dieser L\u00f6sung stehen die maschinellen Lernmodelle von sensXPERT. Die Modelle werden auf Grundlage von Prozessdatens\u00e4tzen erstellt \u2013 wie in den vorherigen Abschnitten erl\u00e4utert \u2013 und starken Feedback-Schleifen. Zum Beispiel wird ein Kunde dem datenwissenschaftlichen Team von sensXPERT mehrere S\u00e4tze von Prozessdaten zur Verf\u00fcgung stellen. Der Kunde wird auch kl\u00e4ren, welche Zyklen akzeptabel waren und welche Zyklen problematisch waren, zusammen mit spezifischeren Prozessinformationen. Problematische Zyklen k\u00f6nnen Verunreinigungen, kurzzeitige F\u00fcllungen, Verzug, Alterung oder andere \u00e4hnlich suboptimale Merkmale aufweisen.<\/p>\n\n\n\n

Mit diesem Feedback kann das Team von sensXPERT ein Modell angemessen mit der oben beschriebenen Holdout-Methode trainieren. Nachdem das Modell trainiert und implementiert wurde, f\u00fchrt das Team von sensXPERT systematische Validierungsexperimente am Modell durch, um dessen fortgesetzte Genauigkeit zu gew\u00e4hrleisten.<\/p>\n\n\n\n

Verl\u00e4ssliche R\u00fcckkopplungsschleifen<\/h2>\n\n\n\n

Feedback-Schleifen sind entscheidend f\u00fcr die Aufrechterhaltung der maschinellen Lernmodelle von sensXPERT. Wenn ein Kunde beispielsweise seine Prozessparameter \u00e4ndert, erm\u00f6glicht die zeitnahe R\u00fcckmeldung an sensXPERT dem Team, das Modell zu validieren und sicherzustellen, dass es genau darstellt, wie bestimmte \u00c4nderungen und Schwankungen die Prozessergebnisse beeinflussen. Daher kann das Modell effektiv zur erfolgreichen Prozesskontrolle und -optimierung beitragen.<\/p>\n\n\n\n

In ‚Vorstellung: Der sensXPERT-Weg der KI‘ beschreiben wir, wie wir maschinelle Lernmodelle verwenden, um die Optimierung von Polymerprozessen zu erm\u00f6glichen. Zusammengefasst hostet das sensXPERT Edge-Ger\u00e4t maschinelle Lernmodelle und setzt sie auf Echtzeitdaten ein, die von den in-mold Materialcharakterisierungssensoren von sensXPERT gesammelt wurden, um eine Vorhersage \u00fcber den optimalsten Zeitpunkt f\u00fcr das Beenden eines Zyklus zu generieren.<\/p>\n","protected":false},"excerpt":{"rendered":"

sensXPERT Digital Mold ist eine Prozesssteuerungsl\u00f6sung, die Hersteller bef\u00e4higt, ihre Kunststoffherstellungsprozesse zu optimieren und zu digitalisieren. Vorhersagende maschinelle Lernmodelle sind zentral f\u00fcr diese Technologie, da sie den genauen Zeitpunkt bestimmen, an dem verarbeitete Materialien einen bestimmten Aush\u00e4rte- oder Kristallisationsgrad erreicht haben werden. Daher h\u00e4ngt Digital Mold stark von der Genauigkeit und Effektivit\u00e4t der von ihm […]<\/p>\n","protected":false},"featured_media":7087,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-categories":[36],"class_list":["post-7361","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-categories-produkt"],"acf":[],"_links":{"self":[{"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/blog\/7361","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"version-history":[{"count":1,"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/blog\/7361\/revisions"}],"predecessor-version":[{"id":7362,"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/blog\/7361\/revisions\/7362"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/media\/7087"}],"wp:attachment":[{"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/media?parent=7361"}],"wp:term":[{"taxonomy":"blog-categories","embeddable":true,"href":"https:\/\/sensxpert.com\/de\/wp-json\/wp\/v2\/blog-categories?post=7361"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}