Christian Becker & Davood Babazadeh: Einsatz von KI für die Betriebsführung elektrischer Netze.
Durch die Energiewende entwickelt sich die Betriebsführung von elektrischen Netzen zu einer immer komplexeren Aufgabe, woraus sich neue Anforderungen an die Systeme zur Netzüberwachung und Netzregelung ergeben. Im Rahmen dieses Workshops werden verschiedene Anwendungsfälle aus dem Bereich der Betriebsführung von elektrischen Netzen betrachtet, für die der Einsatz von KI möglich ist. Hierbei werden sowohl die einzelnen Anwendungen in den Grundzügen erläutert, als auch die erwarteten Vorteile durch den Einsatz der verschiedenen KI-Verfahren. Zu den behandelten Themen gehören unter anderem die Modellierung und Vorhersage von Lasten im Netz, die Fehlerdetektion und Diagnose, die Zustandsschätzung sowie die Stabilitätserfassung und -beeinflussung.

Robert Meißner & Benjamin Boll: Klassifikation handgeschriebener Zahlen mit Hilfe eines mehrschichtigen neuronalen Perceptron (MLP)-Netzes und Jupyter-Notebooks.
Ziel dieses Workshops ist ein Einblick in die Klassifikation handgeschriebener Zahlen mit Hilfe des Maschinellen Lernens zu gewähren. Nach einer kleinen Einführung in die Grundlagen über einfache neuronale Netze für diese Anwendung, Jupyter-Notebooks als Arbeitsumgebung für Python, und Keras für die Entwicklung der ANNs, wird der Workflow für eine Zeichenerkennung bearbeitet. Schlussendlich werden die trainierten Netze für die Detektion und Erkennung von handgeschriebenen Texten auf Bildern angewendet. Für die Teilnahme an diesem Workshop sind Grundkenntnisse in Python von Vorteil und eine lokale Python-Installation von Anaconda3 wird vorausgesetzt. Eine Anleitung zur Installation findet sich hier.

Benedikt Kriegesmann: Effiziente Quantifizierung von Unsicherheiten (Monte-Carlo-Simulationen) mittels Ersatzmodellen.
In vielen Ingenieuranwendungen liegen mathematische Modelle und Simulationstools vor, um für vorgegebene Eingangsgrößen relevante Zielgrößen zu ermitteln. Beispielsweise in der Strukturmechanik sind die vorgegebenen Eingangsgrößen die Geometrie und Material­parameter einer Struktur, sowie die einwirkenden Lasten. Typische Zielgrößen sind die Verformung der Struktur und die maximal auftretenden Spannungen, aus denen sich das Bauteilversagen ergibt. Tatsächlich sind die Eingangsgrößen i.d.R. nicht genau bekannt, sondern unterliegen einer stochastischen Streuung. Dementsprechend unterliegen auch die Zielgrößen einer Streuung, die sich mit probabilistischen Methoden (a.k.a. Uncertainty Quantification) bestimmen lässt. Ein weit verbreitetes, probabilistisches Verfahren ist die Monte-Carlo-Methode. Dieses sehr robuste Verfahren ist einfach zu implementieren, jedoch auch sehr rechenintensiv. Die Grundidee ist, dass die Werte der Eingangsgrößen entsprechend ihrer stochastischen Verteilung erzeugt und in das Simulationsmodell eingesetzt werden. Dies geschieht so oft, bis die Verteilung der Zielfunktion ausreichend genau bestimmt ist (z.B. bis Mittelwert und Standard­abweichung der Zielfunktion konvergieren). Das beutet, dass das Simulationsmodell sehr oft (Größenordnung 103 bis 106) ausgewertet werden muss, was bei komplexen, sehr rechenintensiven Simulationsmodellen zum Problem wird. Hier kommen Methoden des Maschinellen Lernens zum Einsatz um effiziente Ersatzmodelle (a.k.a. Surrogate Model, Meta Model) zu erzeugen. Diese Ersatzmodelle (z.B. neuronale Netze) werden zunächst trainiert und dann anstelle des eigentlichen Simulationsmodells deutlich schneller ausgewertet. Im Workshop, zeigen wir Anhand strukturmechanischer Beispiele, wie die Streuung einer Zielgröße mittels Monte-Carlo-Simulation unter Verwendung von Ersatzmodellen bestimmt werden kann.

Christian Schuster & Morten Schierholz: Einsatz und Chancen von Methoden des Maschinellen Lernens in der Elektromagnetischen Verträglichkeit.
Die Elektromagnetische Verträglichkeit (EMV) befasst sich mit der Unterdrückung ungewollter elektromagnetischer Störungen zwischen elektronischen Geräten, Systemen und Komponenten. Steigende Anforderungen im Bereich der EMV – man denke z.B. an die fortschreitende drahtlose Kommunikation bei immer höheren Frequenzen – erfordern eine kontinuierliche Entwicklung der ingenieurwissenschaftlichen Methoden, um früh und kostengünstig die richtigen Entscheidungen bei der Entwicklung zu treffen. In diesem Workshop werden verschiedene Methoden des Maschinellen Lernens vorgestellt, die in den EMV-Anwendungsfeldern der Signalintegrität (signal integrity) von drahtgebundenen Kanälen sowie der Kontrolle der Spannungsversorgung (power integrity) und der Abstrahlung (electromagnetic interference) von elektronischen Komponenten und Systemen aktuell erforscht werden. Eigene Forschungen im Bereich von künstlichen Neuronalen Netzen, die zur Analyse von Leiterplattenstrukturen verwendet werden, zeigen hierbei auf, welche Chance sich für die EMV und ganz allgemein die Hardware-Entwicklung in Zukunft ergeben.

Matthias Schulte: Einführung in Support Vector Machines.
Support Vector Machines (SVM) sind ein leistungsstarkes und vielseitiges Verfahren des Maschinellen Lernens, das für viele Anwendungen eingesetzt wird. Die Grundidee von SVM ist, die zu zwei unterschiedlichen Gruppen gehörenden Daten mit einer Hyperebene zu trennen. Mit Hilfe von Transformationen in höherdimensionale Räume und der Verwendung von Kernel-Funktionen lässt sich dies auch für den Fall durchführen, dass die zugrundeliegenden Daten nicht linear getrennt werden können. Der Workshop zielt vor allem darauf ab SVM einzuführen und setzt den Schwerpunkt auf die theoretischen Grundlagen.

Mijail Guillemard: Grundlagen zur persistenten Homologie im maschinellen Lernen.
Persistente Homologie ist eine neuere Entwicklung in der angewandten algebraischen Topologie, die in verschiedenen Strategien des maschinellen Lernens verwendet wurde. In diesem Vortrag präsentieren wir eine kurze Einführung in dieses Thema mit mehreren Anwendungen in der Signalverarbeitung und Datenanalyse.

Marcus Venzke: Implementation von Neuronalen Netzen auf ressourcenbeschränkten Mikrocontrollern für den Einsatz in der Sensorik.
Der Workshop vermittelt, wie maschinelles Lernen mit künstlichen neuronalen Netzen (KNNs) in Sensormodulen mit preiswerten, leistungsschwachen Mikrocontrollern eingesetzt werden kann. Als Use-Case dient ein Sensormodul mit Lichtsensoren zur Erkennung einfacher Handgesten mit Mikrocontroller ATMega4809 (6 kB RAM, 20 MHz). Neben theoretischen Lehreinheiten enthält der Workshop viele praktische Demonstrationen zum Training und Einsatz von KNNs in den Sprachen Python (mit Keras / Tensorflow) und C (in Arduino-Entwicklungsumgebung).