Kernthesen:
- Experimentelle und numerische Datenakquise
- Vergleich von Lernalgorithmen des maschinellen Lernens
- Softwaretool zur Prognose von Fügeergebnissen
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 hier beschriebenen Projekt wurde eine Methodik entwickelt, 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 dem im Projekt betrachteten Fügeverfahren Halbhohlstanznieten, eine genaue datenbasierte Vorhersage von Fügeergebnissen für neue Materialkombinationen, die bisher weder experimentell noch numerisch berücksichtigt wurden, wodurch der Aufwand für die Auslegung von Halbhohlstanznietverbindungen deutlich reduziert wird.
Als zentrales Ergebnis im Projekt entstand eine Prognosesoftware, mit der sehr flexibel eine Vielzahl von Regressionsmodellen verglichen und für die Prognose von Verfahrensparametern unterschiedlicher industrieller Prozesse verwendet werden kann.
Referent: Dr.-Ing. Mathias Jäckel, IWU
