Optimierung der Systemzuverlässigkeit durch Stochastische Neuronale Systemquantifizierung

Die stochastische neuronale Systemquantifizierung (SNSQ) zeichnet sich durch zwei wesentliche Prinzipien aus: Wissenstransfer und Systemquantifizierung. In der additiven Fertigung existieren zahlreiche Variationsmöglichkeiten im Prozess, wie etwa unterschiedliche Materialien, Geschwindigkeiten und Temperaturen. Daher ist der Wissenstransfer von zentraler Bedeutung. Während bekannte Informationen effizient übermittelt werden können, gestaltet sich der Transfer neuer, unbekannter Informationen als komplexer und erfordert gezielte Ansätze. Die Systemquantifizierung definiert, wie diese Informationen genutzt werden sollen. In dieser Arbeit werden Verhaltensvektoren, die das Systemverhalten repräsentieren, den entsprechenden Beobachtungen in Form von Vektoren zugeordnet. Dies erlaubt es, Prognosen zu erstellen, die auf bestimmten Beobachtungen basieren.

Zusammenfassend präsentiert die Dissertation die innovative Methode der SNSQ, die darauf abzielt, die Vorhersagegenauigkeit in dynamischen und unkontrollierbaren Umgebungen erheblich zu steigern. Durch die stochastische Erzeugung eines umfangreichen Raums möglicher Prognosefunktionen, die verschiedene Systemverhalten abbilden, wird es möglich, relevante Verhaltensmuster und die entsprechenden Prognosen gezielt auszuwählen.

Im Gegensatz zu traditionellen Ansätzen, die sich häufig auf statische Trainingsdaten stützen, ermöglicht SNSQ dynamische Anpassungen in Echtzeit. Die praktische Anwendbarkeit dieser Methode wurde in mehreren Prozessen der additiven Fertigung demonstriert, wo sie ihre Fähigkeit zur präzisen Vorhersage in komplexen und sich verändernden Umgebungen eindrucksvoll unter Beweis gestellt hat.

The Stochastic Neural System Quantification (SNSQ) is characterized by two essential principles: knowledge transfer and system quantification. In additive manufacturing, numerous variations exist in the process, such as different materials, speeds, and temperatures. Thus, knowledge transfer is of central importance. While known information can be transmitted efficiently, transferring new, unknown information proves to be more complex and necessitates targeted approaches. System quantification defines how this information should be utilized. In this work, behavioral vectors that represent system behavior are assigned to the corresponding observations in the form of vectors. This enables the generation of forecasts based on specific observations.

In summary, this dissertation introduces the innovative method of SNSQ, aimed at significantly improving prediction accuracy in dynamic and uncontrolled environments. By stochastically generating an extensive range of potential predictive functions that reflect various system behaviors, SNSQ facilitates the targeted selection of relevant behavioral patterns and associated forecasts.

Unlike traditional approaches that often rely on static training data, SNSQ allows for real-time dynamic adjustments. The practical applicability of this method has been demonstrated across several additive manufacturing processes, where it has convincingly showcased its ability to make precise predictions in complex and changing environments.