Kann das QuickTest System Fehlerhaftes erlernen?

Fehlerhafte Ablesungen sind möglich, falls eine große Anzahl von schlechten Akkus geprüft wird. Dies wäre bei einer Lieferung der Fall, die nicht korrekt formatiert wurde oder für längere Zeit eingelagert war. Das Testen von nur wenigen solcher Akkus kann die Leistung nicht beeinflussen.

Bevor neue Vektorwerte als ‘angelernte’ Referenzdaten hinzukommen, muß deren Integrität überprüft werden. Meßwerte von defekten Akkus werden nicht verwendet. Diese Vorsichtsmaßnahme schirmt den Adapter gegen das Erlernen falscher Werte ab. Der Anwender hat zusätzlich die Möglichkeit, den Adapter gegen Datenverluste und –verfälschung abzusichern. Vor der Prüfung großer Mengen von billigen Austauschakkus sind derartige Vorsichtsmaßnahmen stets angebracht.

Kann der Adapter wieder von neuem ‘angelernt’ werden? Falls ein Adapter seine Genauigkeit aufgrund der Prüfung zu vieler unerwünschten Akkus verloren hat, kann die Vektoreinstellung gelöscht und der Lehrvorgang wiederholt werden. Als Alternative wird Cadex im Internet empfohlene Matrixeinstellungen bereitstellen. Darüber hinaus können die Anwender selbst erworbene bzw. erlernte Informationen miteinander austauschen.

Bei einer Ladestufe von 50% und höher kann der Quick-Test sehr genaue Resultate liefern. Innerhalb dieses Bereiches werden die Ablesewerte nicht durch Ladestufenunterschiede beeinflußt. Wird der Akku nicht ausreichend geladen, zeigt die LCD Anzeige dies an.

Nachdem der Adapter den Lernprozeß durchlaufen hat oder die Vektoreinstellungen (Settings) aus vorher genannten, externen Quellen programmiert wurden, ist der Quick-Test in der Lage, neue Chemietypen zu prüfen. Die Testabläufe dauern ungefähr drei Minuten pro Akku. Jede Station des C7000 Akku-Analysers kann Akkus unabhängig voneinander testen.

Künstliche Intelligenz, das herz des Cadex QuickTesters 

Der Cadex-Quick-Tester arbeitet in einem neuro-logischen Netzwerk, basierend auf der sogenannten Fuzzy Logic, das dem Denkprinzip des menschlichen Gehirns nachempfunden ist. Zuerst werden multiple Vektoreinstellungen in den Micro Controller eingegeben, die dann ‘aufgelockert oder zergliedert’ (fuzzied) werden. Die Datenverarbeitung erfolgt mittels paralleler Logik. Die jeweilige Information ist nach der Akkuanweisung im mittleren Durchschnitt ausgeglichen und zugeordnet. Abbildung 2 illustriert die generelle Struktur eines solchen Netzwerkes:

Abbildung 2:  Fließdiagramm des Neuro-Netzwerks, welches auf ‘Fuzzy-Logik’ basierend ist.

Die unbearbeiteten Daten fließen durch die, aus drei oder mehr Posten bestehenden, Eingangsdatenanordnungen (Layers). Die von der Eingangsanordnung abgeleiteten Vektoren werden bewertend ausgeglichen (rechnerisch gewogen) und die ermittelten Werte passieren eine [math.] Funktion in der gesicherten (hidden) Anordnung. Danach wird die Information zum Ausgang, unter Nutzung eines anderen Vektorsatzes, geleitet.

Die, im Rechner ablaufenden Bewertungen, sind von hochgradiger Bedeutung und integrieren die Funktionen der Lerneinrichtung im Netzwerk. So findet zum Beispiel ein Durchlauf mit einem ganz bestimmten Satz an ausgewogenen oder bereinigten Werten statt. Weicht das Ergebnis von einem vorbestimmten Bereich ab, werden die bereinigten Werte entsprechend erneuert. Dieser Vorgang wiederholt sich immer wieder von vorn (Re-run). Dieser Prozeß dauert so lange, bis entweder eine bestimmte Anzahl von sich wiederholenden Werten durchlaufen wurde oder der Algorithmus bereits das richtige Ausgangsergebnis liefert.

Natürlich ist die künstliche Intelligenz ein kompliziertes Fachgebiet und weiter ins Detail gehende Einzelheiten würden den Rahmen dieses Artikels sprengen; um Lotfi Zadeh zu zitieren:

“As complexity rises, precise statements lose meaning and meaningful statements lose precisions.”

‘Mit steigender Komplexität verlieren präzise Aussagen an Bedeutung und bedeutende Aussagen verlieren an Präzision.’