In der Übersicht
Die Ergebnisse dieses Projektes zeigen überzeugende Ergebnisse bei der Identifizierung von Pipettier-Anomalien in Druck-Zeitreihendaten unter Verwendung verschiedener Machine-Learning-Techniken. Die verwendeten Methoden konnten jedoch seltene normale Fälle wie partielle Gerinnung nicht erkennen. Um dieses Problem zu lösen, sind fortschrittlichere und verfeinerte Ansätze erforderlich.
Das Ziel dieser Masterarbeit ist es, die Integration von physikalischen Modellen des Pipettiersystems in neuronale Netzwerke zu untersuchen, um die Anomalieerkennung zu verbessern und ein umfassenderes Verständnis des Pipettierprozesses zu erlangen.
Im ersten Schritt wird das physikalische Modell eines Luftdruck-Pipettiersystems auf der Grundlage der Bernoulli-Gleichung erstellt. Die Bernoulli-Gleichung soll in ein neuronales Netzwerk integriert werden, um das resultierende Pipettier-Volumen auf der Grundlage einer Druckkurve und der Kolbenbewegung zu schätzen. Das resultierende Modell sollte in der Lage sein, zwischen abnormalen und seltenen normalen Fällen zu unterscheiden.
Im zweiten Schritt planen wir zu untersuchen, inwieweit das resultierende physikalisch informierte Modell zu einem tieferen Verständnis des Pipettierprozesses führen kann. Darüber hinaus werden weitere Techniken und Methoden untersucht, um die Erklärbarkeit des Pipettierprozesses für Nicht-Fachleute zu verbessern.
Schließlich soll ein Minimum Viable Product eingeführt werden, um eine potenzielle MLOps-Architektur für die Entwicklung von Pipettier-Überwachungsalgorithmen zu präsentieren und zu veranschaulichen, wie die resultierenden Modelle genutzt werden können, um diagnostische Instrumente zu entwickeln.
