Kernthesen:
- Darstellung von Methoden zur Akquise von Prozessdaten
- Auswahl von geeigneten Lernalgorithmen des maschinellen Lernens zur schnellen Prognose von geeigneten Prozessparametern
- Live-Demo von Softwaretools zur datenbasierten Auslegung von Fertigungsprozessen
Zusammenfassung:
Die größte Herausforderung beim Einsatz von Algorithmen des maschinellen Lernens im industriellen Umfeld besteht darin, umfassende, geeignete Daten zu generieren, die die Material- und Prozesseigenschaften gut beschreiben.
Im Vortrag wird eine Methodik vorgestellt, wie eine relativ kleine experimentelle Datenbasis mittels numerischer Sensitivitätsanalysen zu einer umfassenden Datenbasis erweitert werden kann. Die Validierung und Automatisierung der Simulationsmodelle spielt bei der numerischen Datengenerierung eine zentrale Rolle.
Der Vergleich verschiedener Lernalgorithmen zeigt den Einfluss unterschiedlich großer Datenmengen auf die jeweilige Prognosegüte, wobei sich herausstellt, dass die Verfügbarkeit größerer valider Datenmengen zu einer signifikanten Steigerung der Prognosegüte bei der Verwendung komplexerer Modelle führt.
Dies ermöglicht, bei unterschiedlichen Fügeverfahren eine genaue datenbasierte Vorhersage von Ergebnissen für neue Materialkombinationen, die bisher weder experimentell noch numerisch berücksichtigt wurden, wodurch der Aufwand für die Auslegung der Fügeprozesse deutlich reduziert wird.
Als zentrales Ergebnis wird eine Prognosesoftware vorgestellt, mit der sehr flexibel eine Vielzahl von Regressionsmodellen verglichen und für die Prognose von Verfahrensparametern unterschiedlicher industrieller Prozesse verwendet werden kann.
Nutzen für KMU:
Besonders KMU können vorhandene Prozessdaten nutzen, um Prognosewerkzeuge für die Auslegung Ihrer Verfahren zu entwickeln.
Im Vortrag wird anhand unterschiedlicher Beispiele der Aufwand für die Entwicklung der Prognosewerkzeuge und die entsprechende Genauigkeit der Vorhersagen demonstriert.
Projekt:
Projektnummer: IGF 19853BR
Referent: Dr.-Ing. Mathias Jäckel, Fraunhofer IWU
