TU Darmstadt / ULB / TUbiblio

Zuverlässige maschinelle Lernmodelle zur Zustandsdiagnose von Fertigungsprozessen am Beispiel des Stanzens

Kubik, Christian (2024)
Zuverlässige maschinelle Lernmodelle zur Zustandsdiagnose von Fertigungsprozessen am Beispiel des Stanzens.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00027831
Dissertation, Erstveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

Angesichts globaler Herausforderungen gewinnt Künstliche Intelligenz (KI) für den Wirtschaftsstandort Deutschland zunehmend an Bedeutung und spielt eine entscheidende Rolle bei der Sicherung der internationalen Wettbewerbsfähigkeit. Insbesondere im wissenschaftlichen Umfeld haben KI-basierte Technologien in den letzten Jahren dank einer gesteigerten Datenverfügbarkeit sowie leistungsfähiger Algorithmen bemerkenswerte Erfolge erzielt. Um die Vorteile dieser Technologie nun auch im Kontext der Produktion nutzbar zu machen, wird in dieser Arbeit ein neuartiger Ansatz eingeführt, der die Integration von KI in Fertigungsprozesse unterstützt und die Zuverlässigkeit dieser Technologie auch unter Berücksichtigung industrieller Randbedingungen gewährleistet.

Trotz der herausragenden Fähigkeiten beschränkt sich der Einsatz von KI im Kontext von Fertigungsprozessen bis heute überwiegend auf Anwendungsfälle im operativen und administrativen Bereich, wodurch das volle Potenzial im produktionsnahen Umfeld noch nicht ausgeschöpft wird. Eine Studie der Wissenschaftlichen Gesellschaft für Produktion konnte zeigen, dass vor allem die fehlende Berücksichtigung von produktionstechnischen Randbedingungen und die damit verbundene technologische Unsicherheit die Umsetzung von KI hemmen. Die mangelnde Zuverlässigkeit KI-gestützter Vorhersagen resultiert dabei zum einen aus ihrer inhärenten Funktionsweise und zum anderen aus der kontinuierlichen Veränderung des Produktionssystems, in dem sie eingesetzt wird. Daten, die die Grundlage für die erfolgreiche Umsetzung einer solchen Technologie bilden, unterliegen starken Schwankungen, dem sogenannten Data Shift, die zu einer stetigen Verschlechterung der Aussagekraft der zugrundeliegenden KI-Systeme führen. Insbesondere bei Fertigungsprozessen führen Veränderungen an der Werkzeugkonfiguration, den Halbzeugeigenschaften oder dem Betriebsablauf zu abweichenden Datenverteilungen und damit zu Unsicherheit in der Vorhersage. Um nun genau diese technologische Unsicherheit von KI zu überwinden, werden in der vorliegenden Arbeit in Anlehnung an die Zuverlässigkeit technischer Systeme drei Strategien der robusten, resilienten und flexiblen Modellierung eingeführt, um die Generalisierbarkeit und Robustheit von KI im industriellen Kontext zu erhöhen.

Das übergeordnete Ziel dieser Arbeit ist es daher, einen ganzheitlichen Ansatz für den Einsatz zuverlässiger KI zu entwickeln und den Transfer in die Praxis durch die Überführung der Erkenntnisse in eine Softwareplattform mit integrierten Funktionsbausteinen zu gewährleisten. Insgesamt trägt diese Arbeit somit dazu bei, die Zuverlässigkeit von KI im Produktionsumfeld zu erhöhen und sie als Schlüsseltechnologie in der Produktion der Zukunft zu etablieren.

Typ des Eintrags: Dissertation
Erschienen: 2024
Autor(en): Kubik, Christian
Art des Eintrags: Erstveröffentlichung
Titel: Zuverlässige maschinelle Lernmodelle zur Zustandsdiagnose von Fertigungsprozessen am Beispiel des Stanzens
Sprache: Deutsch
Referenten: Groche, Prof. Dr. Peter ; Liewald, Prof. Dr. Mathias
Publikationsjahr: 20 August 2024
Ort: Darmstadt
Kollation: 195 Seiten in verschiedenen Zählungen
Datum der mündlichen Prüfung: 9 Juli 2024
DOI: 10.26083/tuprints-00027831
URL / URN: https://tuprints.ulb.tu-darmstadt.de/27831
Kurzbeschreibung (Abstract):

Angesichts globaler Herausforderungen gewinnt Künstliche Intelligenz (KI) für den Wirtschaftsstandort Deutschland zunehmend an Bedeutung und spielt eine entscheidende Rolle bei der Sicherung der internationalen Wettbewerbsfähigkeit. Insbesondere im wissenschaftlichen Umfeld haben KI-basierte Technologien in den letzten Jahren dank einer gesteigerten Datenverfügbarkeit sowie leistungsfähiger Algorithmen bemerkenswerte Erfolge erzielt. Um die Vorteile dieser Technologie nun auch im Kontext der Produktion nutzbar zu machen, wird in dieser Arbeit ein neuartiger Ansatz eingeführt, der die Integration von KI in Fertigungsprozesse unterstützt und die Zuverlässigkeit dieser Technologie auch unter Berücksichtigung industrieller Randbedingungen gewährleistet.

Trotz der herausragenden Fähigkeiten beschränkt sich der Einsatz von KI im Kontext von Fertigungsprozessen bis heute überwiegend auf Anwendungsfälle im operativen und administrativen Bereich, wodurch das volle Potenzial im produktionsnahen Umfeld noch nicht ausgeschöpft wird. Eine Studie der Wissenschaftlichen Gesellschaft für Produktion konnte zeigen, dass vor allem die fehlende Berücksichtigung von produktionstechnischen Randbedingungen und die damit verbundene technologische Unsicherheit die Umsetzung von KI hemmen. Die mangelnde Zuverlässigkeit KI-gestützter Vorhersagen resultiert dabei zum einen aus ihrer inhärenten Funktionsweise und zum anderen aus der kontinuierlichen Veränderung des Produktionssystems, in dem sie eingesetzt wird. Daten, die die Grundlage für die erfolgreiche Umsetzung einer solchen Technologie bilden, unterliegen starken Schwankungen, dem sogenannten Data Shift, die zu einer stetigen Verschlechterung der Aussagekraft der zugrundeliegenden KI-Systeme führen. Insbesondere bei Fertigungsprozessen führen Veränderungen an der Werkzeugkonfiguration, den Halbzeugeigenschaften oder dem Betriebsablauf zu abweichenden Datenverteilungen und damit zu Unsicherheit in der Vorhersage. Um nun genau diese technologische Unsicherheit von KI zu überwinden, werden in der vorliegenden Arbeit in Anlehnung an die Zuverlässigkeit technischer Systeme drei Strategien der robusten, resilienten und flexiblen Modellierung eingeführt, um die Generalisierbarkeit und Robustheit von KI im industriellen Kontext zu erhöhen.

Das übergeordnete Ziel dieser Arbeit ist es daher, einen ganzheitlichen Ansatz für den Einsatz zuverlässiger KI zu entwickeln und den Transfer in die Praxis durch die Überführung der Erkenntnisse in eine Softwareplattform mit integrierten Funktionsbausteinen zu gewährleisten. Insgesamt trägt diese Arbeit somit dazu bei, die Zuverlässigkeit von KI im Produktionsumfeld zu erhöhen und sie als Schlüsseltechnologie in der Produktion der Zukunft zu etablieren.
Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Addressing global challenges, Artificial Intelligence (AI) is becoming increasingly important for Germany as a key economic location and plays a crucial role in securing international competitiveness. Especially in the scientific environment, AI based technologies have achieved remarkable successes in recent years due to the increased availability of data and powerful algorithms. In order to exploit the advantages of this technology in the context of production, this work presents a novel approach that supports the integration of AI into manufacturing processes and ensures the reliability of this technology, taking into account industrial constraints.

Despite its outstanding capabilities, the use of AI in manufacturing processes is still limited to operational and administrative applications, which does not fully exploit its potential in the production environment. A study by the Wissenschaftlichen Gesellschaft für Produktion has shown that the lack of consideration of industrial constraints and the associated technological uncertainty are hindering the implementation of AI. The poor reliability of AI based predictions results from their inherent functio nality and the continuous evolution of the manufacturing system in which they are deployed. Data that forms the basis for the successful implementation of such a technology undergoes significant fluctuations, known as Data Shift, which leads to a continuous deterioration in the accuracy of the underlying AI systems. Particularly in manufacturing processes, changes in tool configuration, semi finished product properties or workflow lead to varying data distributions and thus to uncertainty in the prediction. To overcome this technological uncertainty of AI, this work introduces three strategies of robust, resilient and flexible modelling, inspired by the reliability of engineering systems, to improve the generalizability and robustness of AI in an industrial context.

The overall goal of this work is therefore to develop a holistic approach for the application of reliable AI and to facilitate its transfer into practice by translating the insights into a software platform with integrated functional modules. Overall, this work contributes to increasing the reliability of AI in the manufacturing environment and establishing it as a key technology in future production.

Englisch
Freie Schlagworte: Machine Learning, datenbasierte Zustandsdiagnose, Blechumformung, zuverlässige KI, Stanztechnologie, KI-gestützte Produktion
Status: Verlagsversion
URN: urn:nbn:de:tuda-tuprints-278310
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
Fachbereich(e)/-gebiet(e): 16 Fachbereich Maschinenbau
16 Fachbereich Maschinenbau > Institut für Produktionstechnik und Umformmaschinen (PtU)
Hinterlegungsdatum: 20 Aug 2024 13:10
Letzte Änderung: 21 Aug 2024 05:28
PPN:
Referenten: Groche, Prof. Dr. Peter ; Liewald, Prof. Dr. Mathias
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 9 Juli 2024
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen
OAI 2.0-Basis-URL: https://tubiblio.ulb.tu-darmstadt.de/cgi/oai2 TUbiblio verwendet EPrints 3.
Drucken | Impressum | Datenschutzerklärung