Ausgangslage

• Produktionskosten werden maßgeblich durch das Zeitspanvolumen und den Werkzeugverschleiß bestimmt
• Werkzeugverschleiß wirkt sich signifikant auf die Werkstückqualität aus
• Werkzeuge werden daher in der industriellen Praxis meist deutlich zu früh getauscht
• Folgen:
       1. verschwendetes Standzeitpotential
       2. längere Rüstzeiten
       3. höhere Werkzeugkosten
• Maschinelles Lernen (ML) bietet die Möglichkeit, das Werkzeugmanagement zu verbessern durch die Vorhersage von Verschleiß, Bauteilqualitäten etc.
• ML-Modelle sind jedoch häufig nur anwendungsfallspezifisch einsetzbar
  

Ziele 

• Einsatz von „Transfer Learning“   
       1. Wissen aus verwandten, bereits erlernten Aufgaben nutzen, um ML-Modelle schneller für neue Aufgaben, bzw. Anwendungsfälle
           trainieren zu können
       2. Bisher existieren jedoch keinerlei Vorgehensmodelle, die eine Nutzbarmachung des Transfer Learning für Anwendungen im industriellen
           Umfeld ermöglichen