KI basierte Vorhersage von komplexen Produkt-System-Topologien

Kaan Dönmez in Zusammenarbeit mit Siemens Energy

Zusammenfassung

Diese Masterarbeit konzentriert sich auf die Entwicklung und Anwendung von Graph Neural Networks (GNNs) und Knowledge-Graph-Embedding-Methoden (KGEs) zur Vorhersage von Verbindungen in komplexen Produkt-System-Topologien. Das Hauptziel besteht darin, den Konfigurationsprozess von Hochspannungsanlagen zu optimieren. Trotz Herausforderungen wie dem Clever-Hans-Phänomen und der Notwendigkeit einer anwendungsspezifischen Modellanpassung, zeigte das Modell in den durchgeführten Experimenten vielversprechende Ergebnisse. Techniken wie gewichteter Loss und alternatives Negative Sampling trugen zur Verbesserung der Modellleistung bei. Das finale Modell kann durchschnittlich 91% der Verbindungen korrekt vorhersagen. Obwohl 56% der Vorhersagen fälschlicherweise Verbindungen annehmen, ist eine Präzision von 44% ausreichend, um den Konfigurationsprozess für Ingenieure zu beschleunigen. Diese Arbeit bietet somit eine solide Grundlage, die in zukünftigen Forschungsarbeiten weiter verbessert werden kann.