ISBN 9783843957212

978-3-8439-5721-2, Reihe Ingenieurwissenschaften

Monika Elisabeth Heringhaus
Informiertes maschinelles Lernen zur Testzeitreduktion von Mikrosystemen

229 Seiten, Dissertation Universität Stuttgart (2025), Softcover, A5

Zusammenfassung / Abstract

Mikrosysteme, die in der Fahrzeugsicherheit und Konsumelektronik vielseitig eingesetzt werden, erfordern eine präzise und zeiteffiziente Bestimmung von Systemparametern beim finalen Modultesten. Aufgrund der fortschreitenden Miniaturisierung und der strukturellen Komplexität der Systeme sind datengetriebene Methoden erforderlich, um den steigenden Anforderungen an die Zeiteffizienz gerecht zu werden. Daher werden in dieser Arbeit datengetriebene Ansätze mit domänenspezifischen Kenntnissen über den Aufbau der Systeme, sowie über Fertigungs- und Testprozesse ergänzt, um die Testzeit von Mikrosystemen zu reduzieren und die Vorhersagegenauigkeit im Vergleich zu rein datenbasierten Ansätzen zu verbessern. Um zu zeigen, dass maschinelles Lernen grundsätzlich für die Extraktion von Parametern bei Mikrosystemen geeignet ist, wurden zunächst Systemparameter von kapazitiven Beschleunigungssystemen bestimmt. Das Verwenden von simulierten Systemen zum Training führte zu einer Steigerung der Vorhersagegenauigkeit und einer Reduktion der Inferenzzeit bei tatsächlich gemessenen Sensoren, insbesondere bei einer geringen Anzahl vorliegender Messdaten. Um maschinelles Lernen in den Testabläufen von Mikrosystemen nutzen zu können, muss sich die Qualität einzelner Vorhersagen ohne Nachmessungen abschätzen lassen. Daher wurden im nächsten Schritt Methoden zur Unsicherheitsquantifizierung angewendet und analysiert. Durch die Kenntnis der Graphstruktur der Daten konnte gezeigt werden, dass graphbasierte neuronale Netze bei schwach besetzten Parametermatrizen eine höhere Vorhersagegenauigkeit im Vergleich zu klassischen Algorithmen aufweisen. Anschließend wurde das Vorgehen zur Unsicherheitsquantifizierung auf graphbasierte Lernalgorithmen übertragen. Da gezeigt werden konnte, dass informiertes maschinelles Lernen ein hohes Potential zur Verbesserung der Vorhersagegenauigkeit und -robustheit aufweist, wurden weitere Anwendungsmöglichkeiten der Ansätze vorgeschlagen und diskutiert.