Beispiele

1. Wasser ↔ Glas
Was wäre, wenn?
Antwort
Ausgabebeispiel vom Expert
Fazit
2. Zylinder ↔ Kolben
Was wäre, wenn?
Antwort
Ausgabebeispiel vom Expert
Fazit

Eine Zusammenfassung mit praxisbezogenen Beispielen können Sie hier runterladen.

Das unten aufgeführte, theoretische Beispiel vermittelt in idealisierter Form, wann sich der Einsatz von KNN lohnt. Zunächst stellen wir in Fall 1 ein drastisch vereinfachtes Problem dar, der aus ökonomischer Sicht schlichtweg unsinnig ist. Um so deutlicher hebt sich der zweite Fall vom ersten ab. Sehen Sie selbst...

Fall 1: Wasser ↔ Glas

Frage: Passt genug ins Glas? → Zielgröße: Volumen
Einfluss: Innendurchmesser, Innenhöhe

WAS WÄRE, WENN...?

der Innendurchmesser kleiner wäre?
die Innenhöhe kleiner wäre?

Antwort:

Eine einfache mathematische Formel:

Volumen = Innendurchmesser² × Innenhöhe × PI / 4

Ausgabebeispiel vom Expert:

Ermittelter Inhalt	0,24 Liter
Toleranz	ą0,000003 Liter
Statistische Sicherheit	> 99 %

Fazit:

Die Frage, ob genug ins Glas passt, kann bei veränderten Werten für Innendurchmesser und Innenhöhe auch mit herkömmlichen Methoden beantwortet werden, ohne einen Versuch durchführen zu müssen.
Der Einsatz von neuronalen Netzen ist zwar ohne weiteres möglich, macht aber keinen Sinn, da die Zusammenhänge eindeutig und bekannt sind: Die Mathematik bietet bereits eine optimale Lösung.

Fall 2: Zylinder ↔ Kolben

Fragen: Wie lange hält der Motor? → Zielgröße: Standzeit Wie viel verbraucht der Motor? → Zielgröße: Wirkungsgrad Wie stark ist der Motor? → Zielgröße: Leistung u.v.m.
Einfluss: Anzahl der Einflussgrößen > 100 Zusammenhänge komplex und nichtlinear

WAS WÄRE, WENN...?

die Oktanzahl des Kraftstoffs niedriger wäre?
die Oberflächenhärte des Zylinderkopfes erhöht wird?
die Legierungsbestandteile sich ändern?
der Zulieferer für die Kurbelwelle geändert wird?
u.v.m.

Antwort:

? ? ?

Ausgabebeispiel vom Expert:

Ermittelte Leistung	128 kW
Toleranz	ą0,6 kW
Statistische Sicherheit	> 99 %

Fazit:

Die Zusammenhänge sind zunächst nur unzureichend oder überhaupt nicht bekannt und zudem äußerst komplex!
Die Fragen (WAS WÄRE, WENN...) können mit herkömmlichen Methoden bei veränderten Werten nur tendenziell oder überhaupt nicht beantwortet werden. Versuche sind unverzichtbar.
Der Einsatz von 'neuronalen Netzen' lohnt sich, da diese selbst bei äußerst komplexen Zusammenhängen - auch bei veränderten Werten der Einflussgrößen - in der Lage sind, Aussagen über Standzeit, Wirkungsgrad, Leistung usw. zu treffen. Die Anzahl nötiger Versuche reduziert sich → Kosteneinsparungen.