IEEE AI4IM 2026

Künstliche Intelligenz (KI) ermöglicht die Entwicklung virtueller/softwarebasierter Sensoren, indem sie die Vorhersage der gewünschten Größe an Orten ermöglicht, die für herkömmliche Sensoren aufgrund von funktionalen oder anderen Einschränkungen des Systems nicht zugänglich sind. Dies ermöglicht ein besseres Verständnis der Systeme und deren weitere Verbesserung. In diesem Beitrag bewerten wir mehrere KI-Modelle umfassend hinsichtlich ihrer Leistungsfähigkeit als virtuelle Temperatursensoren innerhalb eines Nanopositionierungssystems (NPS).

Ziel ist es, zuverlässige virtuelle Sensoren zu entwickeln, um später die Positioniergenauigkeit des NPS zu verbessern, wo diese aufgrund von Umgebungsstörungen wie Temperaturschwankungen beeinträchtigt wird. Wir wählen verschiedene KI-Architekturen als mögliche Lösungen für die Vorhersage der Temperatur als Störgröße aus und bewerten diese anhand von realen Daten der Spulenbaugruppe des NPS.

Unsere Ergebnisse zeigen eine Reihe von Herausforderungen bei der Erstellung solcher virtueller Sensoren auf, die in Zukunft weitere Untersuchungen benötigen. Eine der Herausforderungen ist die beobachtete Restabweichung der Deep-Learning-Modelle, die oft als Problem übersehen wird. Weitere Herausforderungen sind die Nichterfüllung der erforderlichen Messgenauigkeit für die spätere Kompensation der durch Temperaturschwankungen verursachten Störungen sowie die Übertragung der Modelle auf das Endsystem bei unzureichender Leistung in den Quellsystemen.