Forschungsprojekt: PRINCE

PRINCE
Kooperation: Bayer AG, Leverkusen,
D.I. W. Schlagner, Technische Entwicklung Uni Bonn,
Prof. Dr. Anlauf

Prognosis by Intelligent Nets for Corrosion Engineering (PRINCE)
Projektdauer: 2000-2002
Diese Projekt ist eine Fortsetzung des AGIP-Projektes der Jahre 1998 und 1999 "Bearbeitung von Korrosionsproblemen mit neuronalen Netzen".

Projektbeschreibung
Neuronale Netze sind in der Lage komplizierte Zusammenhänge, die durch Beispieldaten gegeben sind, zu approximieren. Man spricht in diesem Zusammenhang vom Lernen einer Funktion. Die Beispieldaten sind in der Regel Messwerte, die Messfehlern unterliegen. Mit modernen Methoden sind neuronale Netze aber in der Lage, diesen Messfehler zu erkennen und in seiner Wirkung abzumildern.

Im Projekt PRINCE wird die Funktion erlernt, die den korrosionsrelevanten Größen die daraus resultierenden Korrosionseigenschaften zuordnet. Die korrosionsrelevanten Größen beinhalten eine Beschreibung der Zusammensetzung des Mediums, die Anteile verschiedener Elemente am Werkstoff, die Verarbeitung des Werkstoffs, verschiedene chemische, physikalische und mechanisch-technologische Einflussgrößen oder Angaben über den Betrieb der Anlage. Insgesamt kann ein Korrosionsexperiment durch etwa 60 Eingangs- und etwa 10 Ausgangsgrößen beschrieben werden. Zwar verfügt die Bayer AG über eine sehr große Wissensbasis in Form einer Korrosionfaktendatenbank mit ca. 85.000 Korrosionssysteme, jedoch ist der Parameterraum aufgrund der hohen Parameterzahl nur "spärlich" mit Messpunkten gefüllt.

Ein einzelnes neuronales Netz kann die Korrosionsfunktion in einem derart leeren Raum nicht lernen. Folglich werden die Messpunkte auf verschiedene Netze aufgeteilt, um so zu gut untersuchten Gebieten Prognosen zu erhalten. Dabei ist entscheidend, dass die verschiedenen neuronalen Netze miteinander kooperieren. Wie diese Kooperation mehrerer Netze, also die Kombination der Aussagen mehrerer Netze zu einem Punkt umgesetzt werden kann, wird im Rahmen des Projektes untersucht.

Das zu Grunde liegende Programmsystem (Programmiersprache: Java) ist modular aufgebaut. Modul 1 ist konzipiert, um Korrosionsdaten aus der Datenbank zu extrahieren. Dabei wird im Vorfeld versucht, die zu einem Problembereich der Korrosion gehörende Daten zu finden, diese zu prüfen und zu vervollständigen. Modul 2 enthält die Lernalgorithmen zum Trainieren der neuronalen Netze. Auf Grund der einfachen Struktur werden sogenannte RBF-Netze (radiale Basisfunktionen) verwendet, die ein schnelles Lernen erlauben und deren einzustellende Gewichtsparameter linear eingehen. Des weiteren wird die Bayessche Theorie der Wahrscheinlichkeitsrechnung berücksichtigt, die es gestattet, nicht nur die Korrosionswerte zu prognostizieren, sondern auch den Prognosefehler auf der Basis der gegebenen Datenverteilung anzugeben.