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