Hannes Stefko

„Von heuristischen zu statistischen Wechselwirkungsanalysen via Künstlicher Intelligenz“

Hannes Stefko

CTO Enterprise Business Unit Austria

IBM

Heuristische Analysen basieren auf exakte, jedoch nicht alles umfassende Methoden und ergänzenden Annahmen aus praktischen Erfahrungen. Wechselwirkungsanalysen zwischen Rad und Schiene sollen genaue Aussagen über Belastung, Lebensdauer (Sicherheit), Instandhaltung und Kosten der beteiligten Komponenten ermöglichen. Genaue Analysen mit heuristischen Methoden für einzelne Komponenten sind sehr wichtig, da sie eine klare, ursachenbezogene Aussage ermöglichen. Bei komponentenübergreifenden Analysen steigt die Komplexität enorm an und erschwert eine heuristische Ursachenanalyse und Bewertung. Zusätzlich sind in den letzten Jahren die Messmethoden und die eingesetzten Technologien rasant angestiegen (Drehgestellsensoren, Weichenherzsensoren…) und stellen wesentlich mehr Daten für die Wechselwirkungsanalyse zur Verfügung. Die dadurch entstandene Komplexität erschwert das Finden und Anwenden von verlässlichen, heuristischen Analysen. Mit statistischen Analysemethoden kann dieser Komplexität besser entgegengetreten werden. Mit ausreichender Datenmenge werden verlässliche Analysen erreicht, die sogar genauere Aussagen über Komponenten als heuristische Methoden ermöglichen. Vor allem helfen statistische Analysemethoden den existierenden Datenschatz eines Unternehmens zielführend zu nutzen. Historische Aufzeichnungen von Daten der Rad-Schiene Komponenten erhöhen die Qualität der statistischen Analysen wesentlich. Große Unterstützung erhalten statistische Analysemethoden durch neue Entwicklungen in der IT. Das Verteilen von Rechenleistung auf parallellaufenden Prozessoren ist in den letzten 15- 20 Monaten wesentlich günstiger und effizienter geworden (10-20fache) und ermöglicht das Abarbeiten von umfangreichen, statistischen Modellen und deren Methoden, mit enorm großen Datenmengen in kurzer Zeit.

Statistische Methoden sind auch die Basis für IT basierendes Lernen „Machine Learning“.  Mit heuristischen Methoden werden Eingabedaten, z.B. Wechselwirkungsdaten mittels definierter Algorithmen (Methoden) zu Ausgabedaten, Wechselwirkungsergebnissen verarbeitet. Mit „Machine Learning“ werden bestehende Wechselwirkungsdaten zu bestehenden Wechselwirkungsergebnissen zugeordnet, um die Methoden (statistischen Algorithmen) zu finden, die die bestehenden Wechselwirkungsergebnisse ermöglicht haben. Mit den neu gefundenen Methoden und zusätzlichen Wechselwirkungsdaten werden neue Wechselwirkungsergebnisse berechnet, um mit den neuen Ergebnissen und den zusätzlichen Wechselwirkungsdaten, wiederum neue Methoden zu finden usw….. „die Maschine lernt dazu. Laufen beim „Machine Learning“ die statistischen Methoden über mehrere Eingabeebenen mit unterschiedlicher Datenrepräsentation, wird der Vorgang als „Deep Learning“ bezeichnet.

„Deep Learning“ wird eingesetzt, um sehr große Datenmengen in unterschiedlichen Repräsentationsebenen abzuarbeiten, um bestmögliche statistische Methoden, mit bestmöglichen Ergebnissen zu finden.  Mit „Deep Learning“ werden komplexe Analyse-Aufgaben mit einer hohen Qualität erzielt, z.B. mit neuen Daten von Rad-Schiene-Kontakten auf mehreren Gleisstellen und der Verwendung von  historischen Kontakt-Daten und  Analyseergebnissen können in kurzer Zeit neue, aussagekräftige Wechselwirkungs-Analysen ermittelt werden.  Der Schritt von heuristischen zu statistischen Methoden ermöglicht „Machine Learning“, um unbekannte Wechselwirkungs-Herausforderungen zu finden bzw. daraus zu lernen.