Machine Learning zur Autovervollständigung von Elektromotorenkenndaten

Zusammenfassung

Zur automatischen Vervollständigung der Elektromotorenkenndaten in der App von KETAG, wurde ein Machine Leaning Ansatz erarbeitet, welcher fehlende Felder anhand der bereits existierenden Informationen ergänzt.

Schlüsselbegriffe

Python, Sklearn, Machine Learning

Zielsetzung

Die automatische Erkennung der Elektromotorspezifikationen soll mit einem Machine Learning Ansatz verbessert werden. Zudem soll aufgezeigt werden, wie mit einem Machine Learning Modell Autofill Vorschläge für nicht erkannte Daten generiert werden können

Ausgangslage

Die KETAG hat bereits eine App im Einsatz, mit welcher Elektromotortypenschilder gescannt werden können und welche die Schilder mit einer OCR-Erkennung analysiert. Dabei werden allerdings nicht immer alle Felder automatisch erkannt. Deswegen soll dieses Projekt ein Machine Learning Ansatz suchen, um diese automatische Erkennung zu verbessern.
Die App hat bis jetzt die gescannten und von Hand korrigierten Daten gespeichert. Diese Daten werden für das Projekt verwendet, um verschiedene Machine Learning Ansätze zu trainieren und miteinander zu vergleichen

Ergebnisse

Es wurde ein Ansatz erarbeitet welches mit der Hilfe von Gradient Boosting Tree Modellen Vorhersagen für die fehlenden Felder erstellt. Die Vorhersagen des Modells werden in einem zweiten Schritt noch mit den Daten des OCR-Scans abgeglichen. Für die Auswertung wurden die Felder der Spezifikationen in 50Hz und 60Hz Felder unterteilt. Das finale vorgeschlagene Modell erreicht dabei eine Verbesserung von durchschnittlich 3.7 Prozentpunkten für die 50Hz Felder und 5.1 Prozentpunkte für die 60Hz Felder. Neben dem Gradient Boosting Tree Modell wurden zudem noch Versuche mit Random Forest, SVM, Neuronalen Netzwerken und Ridge Regression Modellen gemacht. Bei einigen Feldern waren diese Modelle besser als das Gradient Boosting Tree Modell. Im Schnitt über alle Felder erreichte jedoch das Gradient Boosting Tree Modell die besten Resultate. Eine grosse Herausforderung im Projekt war die Anzahl an verfügbaren Daten. Deswegen wurde versucht, diese künstlich zu vermehren, indem einzelne Felder entfernt wurden.
Der gewählte Ansatz ermöglicht es neben den Vorhersagen auch eine Wahrscheinlichkeit zu berechnen, welche angibt wie sicher die Vorhersage ist. Diese Information kann in der App auch verwendet werden, um potenzielle Vorschläge zu bewerten.

Projektdaten

Projektdauer: 23.09.2022 - 24.03.2023
Aufwand in Personenstunden: 720h
Teamgrösse: 2 Personen

Auftraggeber

Projektteam

Nicola Eschbach und Gabriel Ineichen

Kontakt

Jürg Luthiger
Email: juerg.luthiger@fhnw.ch

<< zurück