2023-06-252023-06-25https://tore.tuhh.de/handle/11420/16185Mit den ständig steigenden Betriebsfrequenzen und -leistungen ist die EMV zu einem wichtigen Aspekt bei jedem Projekt geworden, das die Entwicklung, Konstruktion, Herstellung und Installation von elektrischen und elektronischen Geräten und Systemen umfasst. Ein wichtiger Schritt bei der Entwicklung von Komponenten und der Vorhersage von EMV-Problemen ist die Modellierung und Simulation. Die Komplexität und Leistung elektrischer und elektronischer Geräte sowie die Anzahl und Umfang der Variablen in dem Entwurf bedeutet, dass viele der verwendeten Physik-basierten (PB) Werkzeuge entweder zu langsam oder zu ungenau für effektiven Entwurf und Optimierung sind. In letzter Zeit werden im EMV-Bereich zunehmend Tools und Techniken des maschinellen Lernens (ML) eingesetzt, um die PB-Ansätze zu verbessern oder zu ersetzen. Beim maschinellen Lernen werden Computer eingesetzt, um große Datenmengen auf Struktur zu untersuchen. Eine Voraussetzung für die effektive ML-Modellbildung ist die Verfügbarkeit dieser großen Datensätze für die Trainings- und Testprozesse. Die Generierung von Simulationsdaten von EMV-Systemen mit Hilfe von PB-Tools ist oft sehr teuer und zeitaufwendig. Das Hauptziel dieses Projekts ist die Anpassung und Erweiterung aktiver Lernverfahren wie der Bayes’schen Optimierung (BO) auf den Bereich der EMV. Beim aktiven Lernen werden die für das Training und die Vorhersage verwendeten Stichproben bei jeder Iteration auf intelligente Weise gesammelt, um die Anzahl der erforderlichen Simulationsläufe zu verringern. Die aktiven Lernmethoden können für Optimierungsaufgaben, die Modellierung von Systemen oder beides gleichzeitig eingesetzt werden. Die wichtigsten Arbeitspunkte dieses Projektes lassen sich wie folgt zusammenfassen: - Anpassung der BO-basierten Optimierung und Modellbildung für die EMV. - Schaffung eines Rahmens zur Bewertung der Gewissheit in den Lösungen, die durch das aktive Lernschema bereitgestellt werden. - Beitrag zu den verfügbaren Datenbanken mit den generierten Datensätzen für den Dienst der Elektrotechnik- und EMV-Gemeinschaft.With the ever increasing operating frequencies and powers, EMC has now become a major consideration on any project involving the design, construction, manufacture and installation of electrical and electronic equipment and systems. An important step in the design of components and prediction of EMC related problems is the modeling and simulation. The complexity and performance of electrical and electronic devices as well as the number and range of variables in the design spaces means that many of the Physics-Based (PB) used tools are either too slow or too inaccurate for effective design and optimization. Recently, machine learning (ML) tools and techniques have been increasingly used in the EMC domain either to improve PB approaches or to replace them. In ML, computers are used to probe vast amounts of data for structure. One requirement for the effective ML model building is the availability of these large datasets for the training and testing processes. The generation of simulation data of EMC systems using PB tools is more than often quite expensive and very time consuming. The main goal of this project is the adaptation and extension of active learning schemes such as Bayesian Optimization (BO) to the realm of EMC. In active learning, the expensive to evaluate samples used for training and prediction are intelligently collected at each iteration to reduce the needed number of simulation runs. The active learning methods can be used for optimization tasks, modeling of systems or both at the same time. The main working points can be summarized as: - Adaptation and foundation-laying of BO-based optimization and model building in the fields of EMC, SI, PI and bio-EMC. - Establishment of a framework to evaluate the certainty in the solutions provided by the active learning scheme. - Contribution to the available databases with the generated datasets for the service of the electrical engineering and EMC community.