Industrielles Transfer-Lernen ermöglicht einen breiteren Einsatz von maschinellem Lernen in der Industrieautomatisierung, indem es die praktischen Herausforderungen konventionellen Deep Learnings überwindet: Lernalgorithmen müssen zwischen Anlagen und über Prozessgrenzen hinweg übertragbar sein und dabei Daten unterschiedlicher Art, Qualität, Dimensionalität und Herkunft verwenden können, um mit geringen Anpassungsaufwänden auf Veränderungen der betrachteten Probleme reagieren zu können. In dieser Arbeit wurde eine modulare Architektur für industrielles Transfer-Lernen entwickelt: Eine statische, aber Anwendungsfall-spezifische Eingangsdatenverarbeitung führt eine Merkmalsextraktion aus. Die resultierenden Merkmalsvektoren können in der Folge über Clustering mit bereits bekannten Merkmalsvektoren im Transfermodul verglichen und von einem einfach nachtrainierbaren Ausgangsmodul weiterverarbeitet werden. Im Rahmen der Evaluation kann anhand von prototypische Realisierungen in drei Industrie-typischen Anwendungsfällen gezeigt werden, dass die vorgeschlagene Architektur auch mit wenigen Trainingsdaten robust gute Vorhersagequalitäten gewährleisten kann und so bspw. auch dynamische Probleme lösbar macht. Sie bietet darüber hinaus Ansätze, um auch auf ungelabelten Daten Regressions- oder Klassifikationsaufgaben ausführen zu können, und ermöglicht mit ihrem modularen Aufbau ein hohes Maß an Wiederverwendbarkeit.weiterlesen