Neuronale Netze und Zeitreihenansätze zur Vorhersage des auslösenden Faktors in der privaten Krankenversicherung

ZusammenfassungDie Möglichkeit einer Prämienanpassung in der deutschen PKV ist vom Wert des sogenannten auslösenden Faktors abhängig, der mittels einer linearen Extrapolation der Schadenquotienten der vergangenen drei Jahre berechnet wird. Seine frühzeitige, verlässliche Vorhersage ist aus Sicht des Risikomanagements von großer Bedeutung. Wir untersuchen deshalb vielfältige Vorhersageansätze, die von klassischen Zeitreihenansätzen und Regression über neuronale Netze bis hin zu hybriden Modellen reichen. Während bei den klassischen Methoden Regression mit ARIMA-Fehlern am besten abschneidet, zeigt ein neuronales Netz, das mit Zeitreihenvorhersage kombiniert oder auf desaisonalisierten und trendbereinigten Daten trainiert wurde, das insgesamt beste Verhalten.

Akustische Prozessüberwachung für das Laserstrahlschmelzen (LBM) mit neuronalen Netzen: Eine Potentialbewertung

ZusammenfassungDas selektive Laserstrahlschmelzen (LBM) steht aktuell an der Schwelle zum Einsatz für Kleinserien. Ein wesentlicher Nachteil des Verfahrens ist aktuell noch die geringe Reproduzierbarkeit der Prozessqualität. Einige aktuelle Forschungsarbeiten konzentrieren sich deshalb auf die Integration optischer Messtechnik zur Prozessüberwachung. Neben den optischen Verfahren zeigen erste Untersuchungen, dass auch akustische Sensoren zur Prozessüberwachung ein vielversprechender Ansatz sind. Eine große Herausforderung bei den akustischen Daten stellt die Datenverarbeitung dar, da das akustische Rohsignal nur schwer zu interpretieren ist. In dieser Arbeit wird ein neues Konzept für ein akustisches Prozessüberwachungssystem vorgestellt und in eine Versuchsumgebung integriert.Zum Aufzeichnen akustischer Signale werden in einem Design of Experiments Prozessparameter gezielt variiert und Testkörper verschiedener Bauteilqualität aufgebaut. Für einen ersten Nachweis der Eignung des Messsystems zur Überwachung des Prozesses wird ein künstliches neuronales Netz trainiert, um die verwendeten Prozessparameter (drei Laserleistungen) zu bewerten. Damit kann gezeigt werden, dass diese Messtechnik das Potential hat, den Prozess zu überwachen.

Machine Learning für Sensoren

Von der Waschmaschine über Blutdruckmessgeräte bis hin zu Wearables – Mikrocontroller sind in fast jedem technischen Gerät verbaut. Mit „AIfES“ ist Forscherinnen und Forschern am Fraunhofer-Institut für Mikroelektronische Schaltungen und Systeme IMS in Duisburg jetzt die Entwicklung einer sensornahen Künstlichen Intelligenz für Mikrocontroller und eingebettete Systeme gelungen, die ein voll konfigurierbares künstliches neuronales Netz umfasst. AIfES soll die Möglichkeit bieten, kleine intelligente Mikroelektroniken und Sensoren zu entwickeln, die keine Verbindung zu einer Cloud oder zu leistungsfähigeren Computern benötigen und sogar in der Lage sind, selbst zu lernen.

Mit Maschinellem Lernen Automatisierungspotenziale ermitteln

Schon in der Produktplanungsphase wissen, wie einfach ein Bauteil automatisiert zu produzieren ist: Dies ermöglicht das Tool „NeuroCAD“. Hierbei prüft ein neuronales Netz anhand von CAD-Daten zum Beispiel, ob sich das Bauteil leicht vereinzeln oder greifen lässt. Die Entwickler am Fraunhofer IPA suchen nun erste Anwender.

Detektion von Stoffen in Lebensmitteln mit Hilfe von 3D-Faltungsautoencodern / Detection of substances in food with 3D convolutional autoencoders

Zusammenfassung Hyperspektrale Bilder beinhalten dank ihrer hohen spektralen Auflösung wertvolle Informationen. Sie können beispielsweise zur berührungslosen Untersuchung von Lebensmitteln verwendet werden. Um diese mit Hilfe konvolutionaler neuronaler Netze verarbeiten zu können, werden jedoch große Lernstichproben benötigt. Dies gilt insbesondere, wenn die Daten nicht vorverarbeitet werden und deshalb eine hohe Dimension besitzen. Allerdings existieren nur verhältnismäßig wenige hyperspektrale Datensätze. Um dieses Problem zu umgehen, kann ein Vortraining mit einem Autoencoder durchgeführt werden. Dieser komprimiert das Bild und rekonstruiert es im Anschluss wieder. Der Autoencoder wird trainiert, indem der Rekonstruktionsfehler minimiert wird. Bei der Komprimierung entstehen so aussagekräftige Merkmale. In diesem Beitrag wird am Beispiel von Gewürzmischungen untersucht, ob einzelne Komponenten in Mischungen detektiert werden können. Dabei wird mit einem kleinen Datensatz ein neuronales Netz mit Hilfe eines 3D-Faltungsautoencoders trainiert.